CN110347164A - 一种速度调节方法、装置及存储介质 - Google Patents
一种速度调节方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110347164A CN110347164A CN201910733764.4A CN201910733764A CN110347164A CN 110347164 A CN110347164 A CN 110347164A CN 201910733764 A CN201910733764 A CN 201910733764A CN 110347164 A CN110347164 A CN 110347164A
- Authority
- CN
- China
- Prior art keywords
- robot
- image
- speed
- classification
- pavement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000004888 barrier function Effects 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000422846 Sequoiadendron giganteum Species 0.000 description 1
- 241001425718 Vagrans egista Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本申请提供一种速度调节方法、装置及存储介质,用于改善目前的机器人的行驶速度不能适应多种场景下的行驶条件的问题。该方法包括:获得机器人的行驶方向上的路面图像;根据路面图像确定图像类别;确定与图像类别对应的建议速度范围;根据建议速度范围调节机器人的行驶速度。在上述的实现过程中,通过将机器人行驶方向上的路面图像分类获得图像类别,并根据图像类别确定与图像类别对应的建议速度范围,最后建议速度范围调节机器人的行驶速度,使得机器人能够在多种类别的路面上自动调节行驶速度,以不同的行驶速度在不同类别的路面上行驶,从而让机器人的行驶速度很好地适应多种场景下的行驶条件。
Description
技术领域
本申请涉及自动控制的技术领域,具体而言,涉及一种速度调节方法、装置及存储介质。
背景技术
机器人(Robot)是指自动执行工作的机器装置。它既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动。
目前的机器人在行驶过程中的行驶速度是固定的,仅设置有一种固定行驶速度;然而,目前的机器人的行驶速度不能适应多种场景下的行驶条件,例如:在地上有毛毯或者减震带时,若依然保持很快的行驶速度,那么可能容易有重心不稳或者侧滑的风险;又例如:从抓地力很强的地面(比如:毛毯或干燥的路面)行驶到抓地力很弱的地面(比如:光滑或潮湿的地板),若依然保持很快的速度,那么很容易导致车轮空转或车轮打滑。
发明内容
本申请实施例的目的在于提供一种速度调节方法、装置及存储介质,用于改善目前的机器人的行驶速度不能适应多种场景下的行驶条件的问题。
本申请实施例提供了一种速度调节方法,应用于机器人,包括:获得所述机器人的行驶方向上的路面图像;根据所述路面图像确定图像类别;确定与所述图像类别对应的建议速度范围;根据所述建议速度范围调节所述机器人的行驶速度。在上述的实现过程中,通过将机器人行驶方向上的路面图像分类获得图像类别,并根据图像类别确定与图像类别对应的建议速度范围,最后建议速度范围调节机器人的行驶速度,使得机器人能够在多种类别的路面上自动调节行驶速度,以不同的行驶速度在不同类别的路面上行驶,从而让机器人的行驶速度很好地适应多种场景下的行驶条件。
可选地,在本申请实施例中,所述获得所述机器人的行驶方向上的路面图像,包括:通过所述机器人的图像采集装置采集所述路面图像,或者,接收外部图像采集装置发送的所述路面图像。在上述的实现过程中,通过内部的图像采集装置获得路面图像,或通过外部的图像采集装置获得路面图像,极大地增加了路面图像获得的灵活性。
可选地,在本申请实施例中,所述根据所述路面图像确定图像类别,包括:使用图像分类神经网络模型对所述路面图像进行分类,获得概率列表,所述概率列表包括所述路面图像归属于各个分类的概率;将所述概率列表中筛选出的概率最高的分类确定为所述图像类别。在上述的实现过程中,使用图像分类神经网络模型对路面图像进行分类,将概率最高的分类确定为图像类别,从而极大地提高了对路面图像分类的正确率。
可选地,在本申请实施例中,所述根据所述路面图像确定图像类别,包括:向服务器发送所述路面图像,以使所述服务器根据所述路面图像确定所述图像类别;接收所述服务器发送的所述图像类别。在上述的实现过程中,通过机器人向服务器发送路面图像,让服务器根据路面图像确定图像类别后,服务器将图像类别发送给机器人,从而有效地节约了机器人的计算资源和内存资源。
可选地,在本申请实施例中,所述确定与所述图像类别对应的建议速度范围,包括查找与所述图像类别对应的下限速度;通过所述机器人的定位设备获得所述机器人的当前地理位置;确定与所述机器人的当前地理位置对应的上限速度,其中,所述建议速度范围为所述下限速度至所述上限速度的速度范围。在上述的实现过程中,通过在机器人本地查找与图像类别对应的下限速度,有效地加快了下限速度获得过程,并且通过确定与机器人的当前地理位置对应的上限速度,有效地减少了机器人的速度增加过快导致事故的情况,从而极大地增加了机器人的安全性。
可选地,在本申请实施例中,所述确定与所述机器人的当前地理位置对应的上限速度,包括:接收服务器发送的导航地图数据,所述导航地图数据包括多个地理位置的上限速度,所述多个地理位置包括所述当前地理位置;根据所述导航地图数据确定所述机器人的当前地理位置的上限速度。在上述的实现过程中,通过根据导航地图数据确定机器人的当前地理位置的上限速度,有效地减少了机器人的速度增加过快导致事故的情况,从而极大地增加了机器人的安全性。
可选地,在本申请实施例中,所述确定与所述机器人的当前地理位置对应的上限速度,包括:将所述机器人的当前地理位置发送给服务器,以使所述服务器根据预先存储的导航地图查找所述机器人的当前地理位置的上限速度;接收所述服务器发送的所述机器人的当前地理位置的上限速度。在上述的实现过程中,通过根据导航地图数据确定机器人的当前地理位置的上限速度,让服务器根据预先存储的导航地图查找机器人的当前地理位置的上限速度,服务器将上限速度发送给机器人,从而有效地节约了机器人的计算资源和内存资源。
可选地,在本申请实施例中,在所述根据所述建议速度范围调节所述机器人的行驶速度之后,还包括:通过所述机器人的传感器采集的数据计算路面信息或/和障碍物信息;根据所述路面信息或/和所述障碍物信息确定建议速度;根据所述建议速度调节所述机器人的行驶速度。在上述的实现过程中,通过机器人的传感器获得实际的路面信息或/和障碍物信息,根据实际的路面信息或/和障碍物信息对实际行驶速度进行调整,及时地根据实际情况调整行驶速度,从而有效地减少行驶速度调节错误带来的影响。
本申请实施例还提供了一种速度调节装置,应用于机器人,包括:路面图像获得模块,用于获得所述机器人的行驶方向上的路面图像;图像类别确定模块,用于根据所述路面图像确定图像类别;速度范围确定模块,用于确定与所述图像类别对应的建议速度范围;行驶速度调节模块,用于根据所述建议速度范围调节所述机器人的行驶速度。在上述的实现过程中,通过将机器人行驶方向上的路面图像分类获得图像类别,并根据图像类别确定与图像类别对应的建议速度范围,最后建议速度范围调节机器人的行驶速度,使得机器人能够在多种类别的路面上自动调节行驶速度,以不同的行驶速度在不同类别的路面上行驶,从而让机器人的行驶速度很好地适应多种场景下的行驶条件。
可选地,在本申请实施例中,所述路面图像获得模块,包括:图像采集接收模块,用于通过所述机器人的图像采集装置采集所述路面图像,或者,接收外部图像采集装置发送的所述路面图像。
可选地,在本申请实施例中,所述图像类别确定模块,包括:图像分类模块,用于使用图像分类神经网络模型对所述路面图像进行分类,获得概率列表,所述概率列表包括所述路面图像归属于各个分类的概率;列表筛选模块,用于将所述概率列表中筛选出的概率最高的分类确定为所述图像类别。
可选地,在本申请实施例中,所述图像类别确定模块,包括:图像发送模块,用于向服务器发送所述路面图像,以使所述服务器根据所述路面图像确定所述图像类别;类别接收模块,用于接收所述服务器发送的所述图像类别。
可选地,在本申请实施例中,所述速度范围确定模块,包括:速度查找模块,用于查找与所述图像类别对应的下限速度;位置获得模块,用于通过所述机器人的定位设备获得所述机器人的当前地理位置;速度确定模块,用于确定与所述机器人的当前地理位置对应的上限速度,其中,所述建议速度范围为所述下限速度至所述上限速度的速度范围。
可选地,在本申请实施例中,所述速度确定模块,包括:数据接收模块,用于接收服务器发送的导航地图数据,所述导航地图数据包括多个地理位置的上限速度,所述多个地理位置包括所述当前地理位置;数据确定模块,用于根据所述导航地图数据确定所述机器人的当前地理位置的上限速度。
可选地,在本申请实施例中,所述速度确定模块,包括:位置发送模块,用于将所述机器人的当前地理位置发送给服务器,以使所述服务器根据预先存储的导航地图查找所述机器人的当前地理位置的上限速度;速度接收模块,用于接收所述服务器发送的所述机器人的当前地理位置的上限速度。
可选地,在本申请实施例中,还包括:信息计算模块,用于通过所述机器人的传感器采集的数据计算路面信息或/和障碍物信息;建议速度模块,用于根据所述路面信息或/和所述障碍物信息确定建议速度;行驶速度模块,用于根据所述建议速度调节所述机器人的行驶速度。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的速度调节方法应用于其中一种机器人的结构示意图;
图2示出的本申请实施例提供的其中一种机器人在行驶时的示意图;
图3示出的本申请实施例提供的另一种机器人在行驶时的示意图;
图4示出的本申请实施例提供的速度调节方法流程示意图;
图5示出的本申请实施例提供的其中一种图像分类神经网络模型的示意图;
图6示出的本申请实施例提供的机器人与服务器交互的其中一种时序图;
图7示出的确定与机器人的当前地理位置对应的上限速度的第二种方式示意图;
图8示出的本申请实施例提供的速度调节装置结构示意图。
图标:101-机器人;102-处理器;103-存储器;104-存储介质;105-通信总线;110-图像采集装置;120-定位设备;130-传感器;131-振动传感器;132-压力传感器;133-激光位移传感器;140-服务器;150-无人机;200-速度调节装置;210-路面图像获得模块;220-图像类别确定模块;230-速度范围确定模块;240-行驶速度调节模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。
第一实施例
请参见图1示出的本申请实施例提供的速度调节方法应用于其中一种机器人的结构示意图;需要说明的是,这里的速度调节方法可以应用的场景包括但不限于机器人,还包括的场景例如无人车等场景,这里的机器人是指自动执行工作的机器设备,既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动;机器人按照移动方式的不同可以分为:轮式移动机器人、步行移动机器人等类型;轮式移动机器人(轮外可以包括履带,靠履带与地面摩擦移动)例如:单轮移动机器人、双轮移动机器人和四轮移动机器人等,步行移动机器人例如:单腿式机器人、双腿式机器人和多腿式机器人等等,为了便于理解和说明,本申请实施例以轮式移动机器人为例进行说明如下:
本申请实施例提供的一种机器人101,该机器人101包括:处理器102、存储器103和存储介质104,存储器103存储有处理器102可执行的机器可读指令,机器可读指令被处理器102执行时执行速度调节方法,该存储介质104上存储有计算机程序,该计算机程序被处理器102运行时执行速度调节方法。其中,处理器102与存储器103和存储介质104可以通过通信总线连接,存储介质104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
可选的,上述的机器人101还可以包括:定位设备120和传感器130;其中,处理器102与定位设备120和传感器130可以通过通信总线105连接,定位设备120和上述的处理器102电性连接,定位设备120用于获得机器人101的地理位置;传感器130与和上述的处理器102电性连接,传感器130用于获得用于计算路面信息或/和障碍物信息的数据,这些数据例如:车架的振动数据、多个轮胎的胎内压力数据或路面纵断面的平整数据等等。
可选的,上述的传感器130可以包括:振动传感器131、压力传感器132和激光位移传感器133;振动传感器131、压力传感器132和激光位移传感器133均与处理器102通过通信总线105连接,其中,振动传感器131用于获得车架的振动数据,压力传感器132用于获得多个轮胎的胎内压力数据,激光位移传感器133用于获得路面纵断面的平整数据,如上面描述的,传感器130获得的数据可以用于计算路面信息或/和障碍物信息。
请参见图2示出的本申请实施例提供的其中一种机器人在行驶时的示意图;图中的右方向为机器人101的行驶方向。可选的,上述的机器人101还可以包括:图像采集装置110;该图像采集装置110与处理器102通过通信总线105连接,图像采集装置110用于采集在行驶时的行驶方向上的路面图像,路面图像例如可以是图2中的阴影部分,图中的机器人101正通过对自身的图像采集装置110采集的路面图像分析后,再向右方向行驶。
请参见图3示出的本申请实施例提供的另一种机器人在行驶时的示意图;图中的右方向为机器人101的行驶方向。可选的,机器人101在行驶的过程中还可以与无人机150进行通信,无人机150包括图像采集装置110,该图像采集装置110用于采集机器人101行驶方向上的路面图像,路面图像例如可以是图3中的阴影部分,机器人101可以接收无人机150上安装的图像采集装置110发送的路面图像,并对该路面图像分析后,再向右方向行驶。
需要说明的是,上述的机器人101在行驶时还可以与服务器140通信,例如:机器人101可以将行驶方向上的路面图像或/和机器人101的地理位置发送给服务器140,服务器140也可以向机器人101发送机器人101需要的数据,这里具体的数据将在下面进行详细地说明。
请参见图4示出的本申请实施例提供的速度调节方法流程示意图;本申请实施例提供了一种速度调节方法,应用于机器人,包括:
步骤S110:获得机器人的行驶方向上的路面图像。
机器人的行驶方向,是指机器人的移动方向,即机器人通过行驶机构或者行走机构移动的方向,行驶机构例如:充气的轮胎和多轮带动的履带等等,行走机构例如:支撑机器人身体的足或臂、依靠辅助的足臂进行翻滚和依靠扭动的身体向前移动等等。这里的机器人已经在上面描述过,因此这里不再赘述。
可以理解的是,请参考图2和图3,路面图像,是指在机器人行驶方向上包括路面的图像,例如:通过图2中的机器人的图像采集装置采集到的机器人行驶方向上包括路面的图像,通过图3中的无人机的图像采集装置采集到的机器人行驶方向上包括路面的图像。
上述的路面图像的获得方式有两种方式:第一种获得路面图像的方式,通过机器人的图像采集装置采集路面图像,例如图2中的机器人通过自身安装的图像采集装置采集行驶方向上的路面图像;或者,第二种获得路面图像的方式,例如图3中的机器人通过接收无人机发送的路面图像,路面图像是通过飞行在机器人行驶方向上的无人机的图像采集装置采集的。当然,在具体的实施过程中,也可以根据具体的应用场景通过其它方式获得路面图像,例如:在行驶方向上的四周墙壁上安装多个摄像头等。在上述的实现过程中,通过内部的图像采集装置获得路面图像,或通过外部的图像采集装置获得路面图像,极大地增加了路面图像获得的灵活性。
在步骤S110之后,执行步骤S120:根据路面图像确定图像类别。
图像类别,是指机器人行驶方向上的路面类别或/和路面上的障碍物类别,其中,机器人行驶方向上的路面本身的路面类别和机器人行驶方向上的路面上面的障碍物类别,这两种类别分别说明如下:
路面类别,是指根据预设分类条件对路面图像分类的类别,这里的预设分类条件例如:路面的宽窄、路面是否有急弯、路面干湿程度和路面光滑程度等等,具体地,这里以路面光滑程度举例说明,具体分类的类别例如:非常光滑地板和毛毯铺垫的地板等。当然,可以根据机器人的具体使用场景分为其它的类别,例如:混凝土路面、沥青路面和碎石路面等等。
障碍物类别,是指根据机器人行驶方向上的路面上面的障碍物进行分类获得的分类类别,这里的根据障碍物进行分类包括:障碍物的类型和障碍物的数量,障碍物的类型例如:从行驶方向的图像中识别出行人、限速标识或提醒标识,其中,行人是指正在过马路或者横穿马路的行人,限速标识或提醒标识例如学校或工厂门口限速10公里每小时。障碍物的数量例如:从前方的图像中识别出正在慢速移动的物体很多,具体地,超过十个机器人堵在了通道处,则提前减速直到机器人恢复交通,再恢复到原来的行驶速度。再例如:行驶方向有数量较多的行人通过马路,则控制机器人提前减速甚至停止,直到通过行人再恢复原来的行进速度行驶。
在本申请实施例中,图像类别的确定方式有两种方式:第一种方式是通过机器人根据路面图像确定图像类别;第二种方式是将路面图像发送给服务器,通过服务器根据路面图像确定图像类别;下面将分别对这两种方式进行详细地说明:
第一种方式通过机器人根据路面图像确定图像类别,该方式可以包括如下步骤:
步骤S121:使用图像分类神经网络模型对路面图像进行分类,获得概率列表,概率列表包括路面图像归属于各个分类的概率。
图像分类神经网络模型,是指对神经网络进行训练后获得的用于图像分类的神经网络模型,概率列表是指,将路面图像经过上述的图像分类神经网络模型进行计算获得的多个概率,这里的概率是指路面图像归属于各个分类的概率,常见的图像分类神经网络模型例如:卷积神经网络(Convolutional neural network,CNN)和深度神经网络(DeepNeural Networks,DNN)等等;为了便于理解和说明,下面以卷积神经网络进行说明:
请参见图5示出的本申请实施例提供的其中一种图像分类神经网络模型的示意图;图中的图像分类神经网络模型包括多个卷积层和多个池化层,当然还可以包括至少一个全连接层(图未示出)和至少一个归一化指数函数层(又称softmax层),该模型是将卷积神经网络使用训练数据和训练标签进行训练获得的,这里的训练数据是指多个已知图像类别的路面图像,训练标签是指多个路面图像对应的数据标签。概率列表的获得方式为,通过上述经过训练后的图像分类神经网络模型对输入的路面图像进行计算获得多个概率,概率为路面图像归属于各个分类的概率,这里的多个概率即可组成概率列表,以地面的光滑程度分类的概率列表例如:[1:0.7,2:0.3],其中,1表示非常光滑地板,0.7表示图像类别是非常光滑地板的概率,2表示毛毯铺垫的地板,0.3表示图像类别是毛毯铺垫的地板的概率;以非活体障碍物和活体障碍物分类的概率列表例如:[1:0.7,2:0.3],其中,1表示非活体障碍物,例如:被风吹倒的大树或者减震带等等,0.7表示图像类别是非活体障碍物的概率,2表示活体障碍物,例如:过马路的行人、养的宠物狗或者流浪猫,0.3表示图像类别是活体障碍物的概率;以障碍物数量或者行人的数量分类的概率列表例如:[1:0.7,2:0.3],其中,1表示障碍物数量或者行人的数量大于预设阈值,预设阈值是指大于1的整数,例如为5或8等等,这里的0.7表示障碍物数量或者行人的数量大于预设阈值的概率,2表示障碍物数量或者行人的数量不大于预设阈值,0.3表示障碍物数量或者行人的数量不大于预设阈值的概率。
在上述的实现过程中,使用图像分类神经网络模型对路面图像进行分类,将概率最高的分类确定为图像类别,从而极大地提高了对路面图像分类的正确率。
步骤S122:将概率列表中筛选出的概率最高的分类确定为图像类别。
继续以上面的例子进行说明,概率列表例如为[1:0.7,2:0.3],由此可以看出,图像类别是非常光滑地板的概率0.7高于毛毯铺垫的地板的概率0.3,那么应该将非常光滑地板的类别确定为该路面图像的图像类别。
请参见图6示出的本申请实施例提供的机器人与服务器交互的其中一种时序图;第二种方式是将路面图像发送给服务器,通过服务器根据路面图像确定图像类别;该方式可以包括如下步骤:
步骤S123:机器人向服务器发送路面图像,以使服务器根据路面图像确定图像类别。
其中,服务器是指具有执行计算机程序功能且能够提供计算服务的电子设备,这里的电子设备例如:个人电脑、网络交换机、网络路由器、台式主机、大型机、小型机和UNIX服务器等。
步骤S124:服务器根据路面图像确定图像类别,并将该图像类别发送给机器人。
可以理解的是,服务器根据路面图像确定图像类别的具体方式可以与步骤S121至步骤S122的方法和原理类似,当然也可以根据具体的实际情况进行调整,因此,这里不再对图像类别的确定方式进行重复说明。
步骤S125:机器人接收服务器发送的图像类别。
机器人接收服务器发送的图像类别的方式有很多种,例如:服务器定时向机器人发送图像类别、机器人主动向服务器询问指定路面图像的图像类别等等;当然在具体的实施过程中,可以根据实际情况进行调整。在上述的实现过程中,通过机器人向服务器发送路面图像,让服务器根据路面图像确定图像类别后,服务器将图像类别发送给机器人,从而有效地节约了机器人的计算资源和内存资源。
在步骤S120之后,执行步骤S130:确定与图像类别对应的建议速度范围。
速度范围,是指下限速度至上限速度的速度范围,也就是说,速度范围包括下限速度和上限速度这两个端点值,以及两个端点值之间的中间值,例如:5公里每小时至10公里每小时;其中,下限速度为5公里每小时,上限速度为10公里每小时,两个端点值之间的中间值为5公里每小时至10公里每小时的中间值。
建议速度范围,是指机器人在不同图像类别时建议的行驶速度范围,例如:当机器人在非常光滑地板上行驶时,建议机器人的行驶速度范围为5公里每小时至10公里每小时;当机器人在地板上有毛毯铺垫的情况下行驶时,建议机器人的行驶速度范围为0公里每小时至5公里每小时。
在本申请实施例中,步骤S130中的建议速度范围确定方法可以包括如下步骤:
步骤S131:查找与图像类别对应的下限速度。
其中,查找与图像类别对应的下限速度的具体的方式可以在数据库或文件系统中查找,其中,在数据库或文件系统中保存了图像类别和下限速度的对应关系,例如:[1:5,2:0],1表示非常光滑地板,2表示毛毯铺垫的地板,5表示建议机器人的下限速度为5公里每小时,0表示建议机器人的下限速度为0公里每小时。
上述的数据库包括:内存数据库、关系型数据库和非关系型数据库;内存数据库是指基于随机存储记忆体(Random Access Memory,RAM)查找的数据集合,特点为读写速度快,常见的内存数据库例如:Memcached和Redis等;关系型数据库是指采用关系模型来组织数据的数据库,关系型数据库以行和列的形式存储数据,以便于用户理解,关系型数据库这一系列的行和列被称为表,常见的关系型数据库例如:Mysql、Oracle和SQLSever等;非关系型数据库,又被称为NoSQL(Not Only SQL),意为不仅仅是结构化查询语言(StructuredQueryLanguage,SQL),非关系型数据库根据结构化方法以及应用场合的不同,主要分为:面向列式存储、面向文档存储和键值对存储的三种非关系型数据库,常见的非关系型数据库包括:Hadoop子系统HBase、MongoDB和CouchDB等等。
在上述的实现过程中,通过在机器人本地查找与图像类别对应的下限速度,有效地加快了下限速度获得过程,并且通过确定与机器人的当前地理位置对应的上限速度,有效地减少了机器人的速度增加过快导致事故的情况,从而极大地增加了机器人的安全性。
步骤S132:通过机器人的定位设备获得机器人的当前地理位置。
定位设备,是指获得机器人当前地理位置的设备,通过定位设备获得地理位置的方式在实际过程中有很多方式,具体的方式例如:基于全球定位系统(Global PositioningSystem,GPS)的定位设备,以及基于中国北斗卫星导航系统(BeiDou NavigationSatellite System,BDS)的定位设备。
步骤S133:确定与机器人的当前地理位置对应的上限速度。
可选地,在本申请实施例中,确定与机器人的当前地理位置对应的上限速度有两种方式,第一种方式,通过机器人接收服务器发送的导航地图和机器人的当前地理位置计算上限速度;第二种方式,通过将机器人的当前地理位置发送给服务器,由服务器来计算上限速度;下面将对这两种方式进行详细的说明:
第一种方式,通过机器人接收服务器发送的导航地图和机器人的当前地理位置计算上限速度,该方式可以包括如下步骤:
步骤S134:机器人接收服务器发送的导航地图数据。
其中,导航地图数据包括多个地理位置的上限速度,多个地理位置包括当前地理位置;也就是说,机器人可以通过接收到的导航地图数据确定出当前地理位置的上限速度。当然,导航地图数据在具体的实施过程中,可以不使用地图的形式进行发送,可以通过键值对的方式发送,例如:服务器可以事先将整个导航地图数据发送给机器人,若导航地图数据有变动,则将变动的部分数据以键值对的方式发送给机器人;键值对的方式例如:关键字和对应值的方式,具体地如,[地理位置A:上限速度A,地理位置B:上限速度B,……,地理位置N:上限速度N]等等。
在上述的实现过程中,通过根据导航地图数据确定机器人的当前地理位置的上限速度,有效地减少了机器人的速度增加过快导致事故的情况,从而极大地增加了机器人的安全性。
步骤S135:机器人根据导航地图数据确定机器人的当前地理位置的上限速度。
继续以上面的例子进行说明,导航地图数据为[地理位置A:上限速度A,地理位置B:上限速度B,……,地理位置N:上限速度N]。当机器人获得当前地理位置时,以机器人的当前地理位置为地理位置B为例说明,在导航地图数据中查找到地理位置B的上限速度为上限速度B,那么就可以确定机器人的当前地理位置的上限速度为上限速度B。
在上述的实现过程中,通过将机器人行驶方向上的路面图像分类获得图像类别,并根据图像类别确定与图像类别对应的建议速度范围,最后建议速度范围调节机器人的行驶速度,使得机器人能够在多种类别的路面上自动调节行驶速度,以不同的行驶速度在不同类别的路面上行驶,从而让机器人的行驶速度很好地适应多种场景下的行驶条件。
图7示出的确定与机器人的当前地理位置对应的上限速度的第二种方式示意图;通过将机器人的当前地理位置发送给服务器,由服务器来计算上限速度,该方式可以包括如下步骤:
步骤S136:机器人将机器人的当前地理位置发送给服务器。
步骤S137:服务器根据预先存储的导航地图查找机器人的当前地理位置的上限速度。
其中,服务器查找机器人的当前地理位置的上限速度的方法的原理和可以与上述的步骤S134至步骤S135的原理类似,因此,这里不再对查找机器人的当前地理位置的上限速度的原理进行说明。
步骤S138:接收服务器发送的机器人的当前地理位置的上限速度。
在上述的实现过程中,通过根据导航地图数据确定机器人的当前地理位置的上限速度,让服务器根据预先存储的导航地图查找机器人的当前地理位置的上限速度,服务器将上限速度发送给机器人,从而有效地节约了机器人的计算资源和内存资源。
在步骤S130之后,执行步骤S140:根据建议速度范围调节机器人的行驶速度。
其中,根据建议速度范围调节机器人的行驶速度的方式有很多种,其中一种速度调节方式可以是根据速度传感器测量的速度进行调节,这种方式详细地例如:接收速度传感器测量的机器人的行驶速度;若机器人的行驶速度不在速度范围之内,则调节机器人的行驶速度,以使机器人的行驶速度在速度范围之内。
可选地,在本申请实施例中,在步骤S140之后,还包括:
步骤S150:通过机器人的传感器采集的数据计算路面信息或/和障碍物信息。
其中,路面信息包括:路面平整度(Road Surface Roughness)、路面的宽窄、路面是否有急弯、路面干湿程度和路面光滑程度等等信息,为了便于理解和说明,这里以路面平整度为例进行详细说明,路面平整度是指路面表面相对于理想平面的竖向偏差。路面平整度的获得方法有多种,这里仅列举三种获得方法:第一种方法,通过振动传感器感知车架的振动数据,对车架的振动数据进行分析和计算,从而获得路面的平整度信息;第二种方法,通过压力传感器获得多个轮胎的胎压变化数据,对多个轮胎的胎压变化数据进行分析和计算,从而获得路面的平整度信息;第三种方法,通过激光位移传感器检测路面纵断面的数据,对路面纵断面的数据进行分析和计算,从而获得路面的平整度信息。其中,路面的宽窄、路面是否有急弯、路面干湿程度和路面光滑程度的概念在上文中已经解释过,因此,这里不再进行解释。
障碍物信息包括:障碍物的大小、障碍物的类型和障碍物的数量,障碍物的大小例如:一颗倒行驶方向前方的大树、掉在前方的烟灰缸和报纸等等;障碍物的类型包括生物或非生物,生物例如:家里养的宠物狗和猫等等,非生物例如:同类型或者不同类型的机器人和客厅中的家具等等;障碍物的数量例如:小孩儿散落的多个零食或者一个玩具汽车等等。可以理解的是,在具体的实施过程中,可以通过路面信息来确定建议速度,也可以通过障碍物来确定建议速度,当然也可以联合两者的信息综合地确定建议速度。因此,这里的确定速度的路面信息或/和障碍物信息不应理解为对本申请实施例的限制。
步骤S160:根据路面信息或/和障碍物信息确定建议速度。
为了便于理解和说明,这里以路面信息中的路面平整度进行详细地说明,在具体的实施过程中,可以利用键值对的方式存储路面平整度和建议速度的关联关系,然后在这种关联关系中根据路面平整度查找与路面平整度对应的建议速度,例如:关键字和对应值的方式,具体地如,[路面平整度A:建议速度A,路面平整度B:建议速度B,……,路面平整度N:建议速度N]等等。当需要根据路面平整度确定建议速度时,以机器人的当前路面平整度为路面平整度B为例说明,在导航地图数据中查找到路面平整度B的建议速度为建议速度B,那么就可以确定路面平整度B的建议速度为建议速度B。
步骤S170:根据建议速度调节机器人的行驶速度。
其中,根据建议速度调节机器人的行驶速度的具体方式和原理与上述的步骤S140的方式和原理类似,因此,这里就不再赘述。在上述的实现过程中,通过机器人的传感器获得实际的路面信息或/和障碍物信息,根据实际的路面信息或/和障碍物信息情况对实际行驶速度进行调整,及时地根据实际情况调整行驶速度,从而有效地减少行驶速度调节错误带来的影响。
第二实施例
请参见图8示出的本申请实施例提供的速度调节装置结构示意图,本申请实施例提供了一种速度调节装置200,应用于机器人101,包括:
路面图像获得模块210,用于获得机器人的行驶方向上的路面图像。
图像类别确定模块220,用于根据路面图像确定图像类别。
速度范围确定模块230,用于确定与图像类别对应的建议速度范围。
行驶速度调节模块240,用于根据建议速度范围调节机器人的行驶速度。
可选地,在本申请实施例中,该路面图像获得模块包括:
图像采集接收模块,用于通过机器人的图像采集装置采集路面图像,或者,接收外部图像采集装置发送的路面图像。
可选地,在本申请实施例中,图像类别确定模块包括:
图像分类模块,用于使用图像分类神经网络模型对路面图像进行分类,获得概率列表,概率列表包括路面图像归属于各个分类的概率。
列表筛选模块,用于将概率列表中筛选出的概率最高的分类确定为图像类别。
可选地,在本申请实施例中,该图像类别确定模块包括:
图像发送模块,用于向服务器发送路面图像,以使服务器根据路面图像确定图像类别。
类别接收模块,用于接收服务器发送的图像类别。
可选地,在本申请实施例中,速度范围确定模块包括:
速度查找模块,用于查找与图像类别对应的下限速度。
位置获得模块,用于通过机器人的定位设备获得机器人的当前地理位置。
速度确定模块,用于确定与机器人的当前地理位置对应的上限速度,其中,建议速度范围为下限速度至上限速度的速度范围。
可选地,在本申请实施例中,速度确定模块,包括:
数据接收模块,用于接收服务器发送的导航地图数据,导航地图数据包括多个地理位置的上限速度,多个地理位置包括当前地理位置。
数据确定模块,用于根据导航地图数据确定机器人的当前地理位置的上限速度。
可选地,在本申请实施例中,该速度确定模块包括:
位置发送模块,用于将机器人的当前地理位置发送给服务器,以使服务器根据预先存储的导航地图查找机器人的当前地理位置的上限速度。
速度接收模块,用于接收服务器发送的机器人的当前地理位置的上限速度。
可选地,在本申请实施例中,该装置还包括:
信息计算模块,用于通过机器人的传感器采集的数据计算路面信息或/和障碍物信息。
建议速度模块,用于根据路面信息或/和障碍物信息确定建议速度。
行驶速度模块,用于根据建议速度调节机器人的行驶速度。
应理解的是,该装置与上述的方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
再者,在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种速度调节方法,其特征在于,应用于机器人,包括:
获得所述机器人的行驶方向上的路面图像;
根据所述路面图像确定图像类别,所述图像类别是指所述机器人行驶方向上的路面类别或/和路面上的障碍物类别;
确定与所述图像类别对应的建议速度范围;
根据所述建议速度范围调节所述机器人的行驶速度。
2.根据权利要求1所述的方法,其特征在于,所述获得所述机器人的行驶方向上的路面图像,包括:
通过所述机器人的图像采集装置采集所述路面图像,或者,接收外部图像采集装置发送的所述路面图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述路面图像确定图像类别,包括:
使用图像分类神经网络模型对所述路面图像进行分类,获得概率列表,所述概率列表包括所述路面图像归属于各个分类的概率;
将所述概率列表中筛选出的概率最高的分类确定为所述图像类别。
4.根据权利要求1所述的方法,其特征在于,所述根据所述路面图像确定图像类别,包括:
向服务器发送所述路面图像,以使所述服务器根据所述路面图像确定所述图像类别;
接收所述服务器发送的所述图像类别。
5.根据权利要求1所述的方法,其特征在于,所述确定与所述图像类别对应的建议速度范围,包括
查找与所述图像类别对应的下限速度;
通过所述机器人的定位设备获得所述机器人的当前地理位置;
确定与所述机器人的当前地理位置对应的上限速度,其中,所述建议速度范围为所述下限速度至所述上限速度的速度范围。
6.根据权利要求5所述的方法,其特征在于,所述确定与所述机器人的当前地理位置对应的上限速度,包括:
接收服务器发送的导航地图数据,所述导航地图数据包括多个地理位置的上限速度,所述多个地理位置包括所述当前地理位置;
根据所述导航地图数据确定所述机器人的当前地理位置的上限速度。
7.根据权利要求5所述的方法,其特征在于,所述确定与所述机器人的当前地理位置对应的上限速度,包括:
将所述机器人的当前地理位置发送给服务器,以使所述服务器根据预先存储的导航地图查找所述机器人的当前地理位置的上限速度;
接收所述服务器发送的所述机器人的当前地理位置的上限速度。
8.根据权利要求1所述的方法,其特征在于,在所述根据所述建议速度范围调节所述机器人的行驶速度之后,还包括:
通过所述机器人的传感器采集的数据计算路面信息或/和障碍物信息;
根据所述路面信息或/和所述障碍物信息确定建议速度;
根据所述建议速度调节所述机器人的行驶速度。
9.一种速度调节装置,其特征在于,应用于机器人,包括:
路面图像获得模块,用于获得所述机器人的行驶方向上的路面图像;
图像类别确定模块,用于根据所述路面图像确定图像类别;
速度范围确定模块,用于确定与所述图像类别对应的建议速度范围;
行驶速度调节模块,用于根据所述建议速度范围调节所述机器人的行驶速度。
10.一种存储介质,其特征在于,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733764.4A CN110347164A (zh) | 2019-08-08 | 2019-08-08 | 一种速度调节方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733764.4A CN110347164A (zh) | 2019-08-08 | 2019-08-08 | 一种速度调节方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347164A true CN110347164A (zh) | 2019-10-18 |
Family
ID=68184427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910733764.4A Pending CN110347164A (zh) | 2019-08-08 | 2019-08-08 | 一种速度调节方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347164A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111152217A (zh) * | 2019-12-30 | 2020-05-15 | 深圳优地科技有限公司 | 一种速度控制方法、装置、机器人及存储介质 |
CN112114592A (zh) * | 2020-09-10 | 2020-12-22 | 南京大学 | 一种实现无人机自主穿越可移动框形障碍物的方法 |
CN112697457A (zh) * | 2020-12-14 | 2021-04-23 | 中国科学院国家空间科学中心 | 一种基于深度学习的车辆自主检测与控制系统 |
CN113778086A (zh) * | 2021-09-03 | 2021-12-10 | 上海擎朗智能科技有限公司 | 地图构建和使用方法、机器人及存储介质 |
CN115346282A (zh) * | 2022-06-28 | 2022-11-15 | 广州番禺电缆集团有限公司 | 电缆巡检的标识识别装置、方法、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001154733A (ja) * | 1999-11-26 | 2001-06-08 | Toyota Motor Corp | 車両の自動走行制御方法および自動走行制御装置 |
CN104992560A (zh) * | 2015-06-26 | 2015-10-21 | 深圳市元征科技股份有限公司 | 一种行驶路线数据的处理方法及服务器 |
CN106476804A (zh) * | 2015-08-25 | 2017-03-08 | 丰田自动车株式会社 | 车速控制系统 |
CN106647743A (zh) * | 2016-10-26 | 2017-05-10 | 纳恩博(北京)科技有限公司 | 一种电子设备的控制方法及电子设备 |
CN107977641A (zh) * | 2017-12-14 | 2018-05-01 | 东软集团股份有限公司 | 一种智能识别地形的方法、装置、车载终端及车辆 |
CN108074409A (zh) * | 2016-11-11 | 2018-05-25 | 大陆汽车投资(上海)有限公司 | 道路安全驾驶辅助系统 |
CN108284833A (zh) * | 2017-09-12 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 对车辆进行驾驶控制的方法和装置 |
CN108482372A (zh) * | 2018-03-21 | 2018-09-04 | 广东欧珀移动通信有限公司 | 行驶速度控制方法及装置、电子装置及可读存储介质 |
CN108803625A (zh) * | 2018-08-09 | 2018-11-13 | 北京智行者科技有限公司 | 一种行驶方法 |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、系统及存储介质 |
CN110598746A (zh) * | 2019-08-13 | 2019-12-20 | 武汉大学 | 一种基于ode求解器自适应的场景分类方法 |
CN111152217A (zh) * | 2019-12-30 | 2020-05-15 | 深圳优地科技有限公司 | 一种速度控制方法、装置、机器人及存储介质 |
-
2019
- 2019-08-08 CN CN201910733764.4A patent/CN110347164A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001154733A (ja) * | 1999-11-26 | 2001-06-08 | Toyota Motor Corp | 車両の自動走行制御方法および自動走行制御装置 |
CN104992560A (zh) * | 2015-06-26 | 2015-10-21 | 深圳市元征科技股份有限公司 | 一种行驶路线数据的处理方法及服务器 |
CN106476804A (zh) * | 2015-08-25 | 2017-03-08 | 丰田自动车株式会社 | 车速控制系统 |
CN106647743A (zh) * | 2016-10-26 | 2017-05-10 | 纳恩博(北京)科技有限公司 | 一种电子设备的控制方法及电子设备 |
CN108074409A (zh) * | 2016-11-11 | 2018-05-25 | 大陆汽车投资(上海)有限公司 | 道路安全驾驶辅助系统 |
CN108284833A (zh) * | 2017-09-12 | 2018-07-17 | 腾讯科技(深圳)有限公司 | 对车辆进行驾驶控制的方法和装置 |
CN107977641A (zh) * | 2017-12-14 | 2018-05-01 | 东软集团股份有限公司 | 一种智能识别地形的方法、装置、车载终端及车辆 |
CN108482372A (zh) * | 2018-03-21 | 2018-09-04 | 广东欧珀移动通信有限公司 | 行驶速度控制方法及装置、电子装置及可读存储介质 |
CN108803625A (zh) * | 2018-08-09 | 2018-11-13 | 北京智行者科技有限公司 | 一种行驶方法 |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、系统及存储介质 |
CN110598746A (zh) * | 2019-08-13 | 2019-12-20 | 武汉大学 | 一种基于ode求解器自适应的场景分类方法 |
CN111152217A (zh) * | 2019-12-30 | 2020-05-15 | 深圳优地科技有限公司 | 一种速度控制方法、装置、机器人及存储介质 |
Non-Patent Citations (1)
Title |
---|
过秀成主编: "《东南大学出版社》", 31 December 2011 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111152217A (zh) * | 2019-12-30 | 2020-05-15 | 深圳优地科技有限公司 | 一种速度控制方法、装置、机器人及存储介质 |
CN111152217B (zh) * | 2019-12-30 | 2021-09-17 | 深圳优地科技有限公司 | 一种速度控制方法、装置、机器人及存储介质 |
CN112114592A (zh) * | 2020-09-10 | 2020-12-22 | 南京大学 | 一种实现无人机自主穿越可移动框形障碍物的方法 |
CN112697457A (zh) * | 2020-12-14 | 2021-04-23 | 中国科学院国家空间科学中心 | 一种基于深度学习的车辆自主检测与控制系统 |
CN112697457B (zh) * | 2020-12-14 | 2022-11-01 | 中国科学院国家空间科学中心 | 一种基于深度学习的车辆自主检测与控制系统 |
CN113778086A (zh) * | 2021-09-03 | 2021-12-10 | 上海擎朗智能科技有限公司 | 地图构建和使用方法、机器人及存储介质 |
CN113778086B (zh) * | 2021-09-03 | 2024-06-18 | 上海擎朗智能科技有限公司 | 地图构建和使用方法、机器人及存储介质 |
CN115346282A (zh) * | 2022-06-28 | 2022-11-15 | 广州番禺电缆集团有限公司 | 电缆巡检的标识识别装置、方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347164A (zh) | 一种速度调节方法、装置及存储介质 | |
US11934962B2 (en) | Object association for autonomous vehicles | |
US11475351B2 (en) | Systems and methods for object detection, tracking, and motion prediction | |
US11635764B2 (en) | Motion prediction for autonomous devices | |
US11501105B2 (en) | Automatic creation and updating of maps | |
EP3947083B1 (en) | Extension of autonomous driving functionality to new regions | |
US20200298891A1 (en) | Perception and Motion Prediction for Autonomous Devices | |
KR102446518B1 (ko) | 자율 주행 차량 제어 시스템을 위한 위치에 따른 지원 | |
US11188091B2 (en) | Mesh decimation based on semantic information | |
US10317906B2 (en) | Mapping active and inactive construction zones for autonomous driving | |
JP2022538113A (ja) | 目標車両速度を決定するためのシステム及び方法 | |
US11079492B1 (en) | Condition dependent parameters for large-scale localization and/or mapping | |
US10884428B2 (en) | Mesh decimation techniques and validation | |
US10922574B1 (en) | Bounding box embedding for object identifying | |
US20180373992A1 (en) | System and methods for object filtering and uniform representation for autonomous systems | |
US11521113B2 (en) | System and method for unifying heterogenous datasets using primitives | |
US20220111859A1 (en) | Adaptive perception by vehicle sensors | |
US11702044B2 (en) | Vehicle sensor cleaning and cooling | |
CN111656145A (zh) | 车辆监测器 | |
CN114662376A (zh) | 用于学习特定于情境的驾驶模式的分布式学习 | |
US20230311932A1 (en) | Merging object and background radar data for autonomous driving simulations | |
US11872985B2 (en) | Determining a setting for a cruise control | |
US20220250656A1 (en) | Systems and methods for vehicular-network-assisted federated machine learning | |
US20220178715A1 (en) | Vehicle path determination | |
US11338810B2 (en) | Vehicle yield decision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Room 201, building 4, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing Applicant after: Beijing Yunji Technology Co.,Ltd. Address before: Room 201, building 4, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing Applicant before: BEIJING YUNJI TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |