CN110370267A - 用于生成模型的方法和装置 - Google Patents
用于生成模型的方法和装置 Download PDFInfo
- Publication number
- CN110370267A CN110370267A CN201811050443.6A CN201811050443A CN110370267A CN 110370267 A CN110370267 A CN 110370267A CN 201811050443 A CN201811050443 A CN 201811050443A CN 110370267 A CN110370267 A CN 110370267A
- Authority
- CN
- China
- Prior art keywords
- curvature value
- value
- section
- mode information
- predetermined
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Toys (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请实施例公开了用于生成模型的方法和装置。该方法的一具体实施方式包括:执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件;响应于确定满足,继续执行选取步骤;生成表征所建立的至少一个对应关系的运动模型。该实施方式丰富了模型的生成方式,有助于提高机器人进行路径跟随的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成模型的方法和装置。
背景技术
在机器人(例如无人车)的研发过程中,一个很重要的部分就是路径跟随。路径跟随是指机器人在进行路径规划之后,需要机器人沿着规划好的路径进行运动。
现有技术中,对于路径跟随主要有两种方法:一种是根据机器人的前进方向与规划路径的角度偏差,通过对机器人进行运动学和动力学的分析建立PID(proportionintegral derivative,比例、积分、微分)控制模型,实现对机器人的控制;另一种方法是通过深度学习进行“端到端”的控制,通过感知系统获取当前机器人所处的环境信息,然后将环境信息输入到深度学习网络进行学习,最终得到机器人的方向盘转角,从而实现对机器人的控制。
发明内容
本申请实施例提出了用于生成模型的方法和装置,以及用于发送信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成模型的方法,该方法包括:执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件;响应于确定满足,继续执行选取步骤;生成表征所建立的至少一个对应关系的运动模型。
在一些实施例中,运动模式信息包括速度值和角度值,以及运动模式信息集合是通过如下步骤得到的:从预定速度值区间中,选取第一预定数量个速度值;从预定角度值区间中,选取第二预定数量个角度值;将所选取的速度值和角度值进行两两组合,组成运动模式信息集合。
在一些实施例中,从预定速度值区间中,选取第一预定数量个速度值,包括:将预定速度值区间等分为第一预定数量个速度值子区间;从第一预定数量个速度值子区间中的速度值子区间中,选取速度值;以及从预定角度值区间中,选取第二预定数量个角度值,包括:将预定角度值区间等分为第二预定数量个角度值子区间;从第二预定数量个角度值子区间中的角度值子区间中,选取角度值。
在一些实施例中,曲率值集合由预先确定的第三预定数量个曲率值组成。
在一些实施例中,第三预定数量个曲率值是通过如下步骤预先确定的:将预定曲率值区间等分为第三预定数量个曲率值子区间;从第三预定数量个曲率值子区间中的曲率值子区间中,选取曲率值。
在一些实施例中,继续选取条件包括以下至少一项:目标机器人按照所选取的运动模式信息表征的运动模式行驶;目标机器人的当前行驶路段的下一行驶路段非待行驶路径的终点路段,其中,待行驶路径是行驶路段的序列,终点路段是待行驶路径中的最后一个待行驶路段;选取步骤的执行次数小于预定次数。
第二方面,本申请实施例提供了一种用于生成模型的装置,该装置包括:第一执行单元,被配置成执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件;第二执行单元,被配置成响应于确定满足,继续执行选取步骤;生成单元,被配置成生成表征所建立的至少一个对应关系的运动模型。
在一些实施例中,运动模式信息包括速度值和角度值,以及运动模式信息集合是通过如下步骤得到的:从预定速度值区间中,选取第一预定数量个速度值;从预定角度值区间中,选取第二预定数量个角度值;将所选取的速度值和角度值进行两两组合,组成运动模式信息集合。
在一些实施例中,从预定速度值区间中,选取第一预定数量个速度值,包括:将预定速度值区间等分为第一预定数量个速度值子区间;从第一预定数量个速度值子区间中的速度值子区间中,选取速度值;以及从预定角度值区间中,选取第二预定数量个角度值,包括:将预定角度值区间等分为第二预定数量个角度值子区间;从第二预定数量个角度值子区间中的角度值子区间中,选取角度值。
在一些实施例中,曲率值集合由预先确定的第三预定数量个曲率值组成。
在一些实施例中,第三预定数量个曲率值是通过如下步骤预先确定的:将预定曲率值区间等分为第三预定数量个曲率值子区间;从第三预定数量个曲率值子区间中的曲率值子区间中,选取曲率值。
在一些实施例中,继续选取条件包括以下至少一项:目标机器人按照所选取的运动模式信息表征的运动模式行驶;目标机器人的当前行驶路段的下一行驶路段非待行驶路径的终点路段,其中,待行驶路径是行驶路段的序列,终点路段是待行驶路径中的最后一个待行驶路段;选取步骤的执行次数小于预定次数。
第三方面,本申请实施例提供了一种用于发送信息的方法,该方法包括:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值;将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,运动模型是预先通过如权利要求1-6之一的方法生成的;将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
第四方面,本申请实施例提供了一种用于发送信息的装置,该装置包括:选取单元,被配置成从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值;输入单元,被配置成将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,运动模型是预先通过如上述用于生成模型的方法生成的;发送单元,被配置成将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
第五方面,本申请实施例提供了一种用于生成模型或者用于发送信息的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得该一个或多个处理器实现如上述用于生成模型的方法,或者,用于发送信息的方法中任一实施例的方法。
第六方面,本申请实施例提供了一种用于生成模型或者用于发送信息的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述用于生成模型的方法,或者,用于发送信息的方法中任一实施例的方法。
本申请实施例提供的用于生成模型的方法和装置,通过执行如下选取步骤:选取步骤一,从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;选取步骤二,响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件,若满足,则继续执行选取步骤,在不满足上述继续选取条件的情况下,生成表征所建立的至少一个对应关系的运动模型,从而通过建立待行驶路段的曲率值与机器人的运动模式信息之间的对应关系,丰富了模型的生成方式,有助于提高机器人进行路径跟随的准确性,当机器人行驶出现问题后,有助于确定出问题发生的原因所在,降低了发生问题后对问题进行处理和分析的难度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成模型的方法的一个实施例的流程图;
图3是根据本申请的一个实施例的电子设备和机器人的交互过程示意图;
图4是根据本申请的用于发送信息的方法的一个实施例的流程图;
图5是根据本申请的用于生成模型的装置的一个实施例的结构示意图;
图6是根据本申请的用于发送信息的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成模型的方法,或者用于生成模型的装置,或者用于发送信息的方法,或者用于发送信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102,服务器103、网络104和机器人105。网络104用以在终端设备101、102、服务器103和机器人105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102,服务器103,机器人105可以通过网络104交互,以接收或发送数据(例如用于控制机器人进行运动的指令)等。终端设备101、102上可以安装有各种通讯客户端应用,例如机器人控制类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102可以是硬件,也可以是软件。当终端设备101、102为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对终端设备101、102或者机器人105发送的数据进行计算的后台服务器。后台服务器可以对接收到的数据(例如实际行驶方向信息与待行驶路段的方向信息)进行方向夹角计算等处理,并将处理结果(例如计算得到的角度值)反馈给终端设备或机器人。
机器人105可以是用于根据接收到的指令或者路径规划信息,进行运动的可移动机器人。例如,机器人105可以包括但不限于:无人车、医疗机器人、军用机器人、助残机器人、清洁机器人等等。机器人105在接收到运动指令或者路径规划信息之后,可以按照运动指令或者路径规划信息的指示进行运动。
需要说明的是,本申请实施例所提供的用于生成模型的方法可以由服务器103执行,相应地,用于生成模型的装置可以设置于服务器103中。此外,本申请实施例所提供的用于生成模型的方法也可以由终端设备101、102执行,相应地,用于生成模型的装置也可以设置于终端设备101、102中。本申请实施例所提供的用于发送信息的方法可以由服务器103执行,相应地,用于发送信息的装置可以设置于服务器103中。此外,本申请实施例所提供的用于发送信息的方法也可以由终端设备101、102执行,相应地,用于发送信息的装置也可以设置于终端设备101、102中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络、服务器和机器人的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当用于生成模型的方法或者用于发送信息的方法运行于其上的电子设备不需要与除机器人之外的其他电子设备进行数据传输时,该系统架构可以不包括除用于生成模型的方法或者用于发送信息的方法运行于其上的电子设备和机器人之外的其他电子设备。
继续参考图2,示出了根据本申请的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法,包括以下步骤:
步骤201,执行选取步骤。
在本实施例中,用于生成模型的方法的执行主体(例如图1所示的服务器或终端设备)可以执行选取步骤。其中,该选取步骤可以包括子步骤2011、子步骤2012和子步骤2013。
子步骤2011,从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
在本实施例中,上述执行主体可以从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
上述曲率值集合可以是技术人员预先确定的曲率值的集合。曲率值可以是技术人员根据路径的弯曲程度而设置的。上述路径可以是任意的一条或多条路径(例如设定区域内的所有道路),也可以是上述目标机器人行驶(已行驶或待行驶)的路径。可以理解,可以将路径划分为多个子路径,每个子路径可以作为一个行驶路段。上述曲率值可以是行驶路段的平均曲率值,也可以是通过求极限的方式得到的行驶路段在该行驶路段上的某个点的曲率值。
上述目标机器人可以是用于学习路径跟随的机器人。机器人可以根据接收到的指令或者路径规划信息进行运动。例如,机器人可以包括但不限于:无人车、医疗机器人、军用机器人、助残机器人、清洁机器人等等。路径跟随是指机器人在进行路径规划之后,需要机器人沿着规划好的路径进行运动。
上述待行驶路段可以是未行使过的,或者已行驶过但接下来还会再次行驶的行驶路径中当前要行驶的下一个路段。作为示例,假设行驶路径包括甲乙丙三个行驶路段。假设目标机器人将按照甲乙丙的顺序,依次行驶上述三个待行驶路段。如果当前目标机器人位于行驶路径的起点,那么在此场景下,甲行驶路段可以为上述待行驶路段;如果当前目标机器人已完成甲乙丙三个行驶路段的行驶,然而,目标机器人接收到上述执行主体或其他电子设备发送的从行驶路径的起点,再次按照甲乙丙的顺序进行行驶的指示,那么在此场景下,甲行驶路段可以为上述待行驶路段。技术人员或者上述执行主体可以根据实际需求对行驶路径进行划分,从而得到行驶路段。作为示例,上述执行主体可以将行驶路径等分为由长度为1米的行驶路段组成的行驶路段序列。
上述运动模式信息可以表征运动模式。目标机器人可以按照运动模式信息指示的运动模式进行行驶。作为示例,运动模式信息可以包括时间戳和以下至少一项:速度值、角度值。
作为示例,上述执行主体可以按照如下方式执行子步骤2011:
首先,上述执行主体可以确定目标机器人待行驶的待行驶路段的曲率值。
然后,如果预先确定的曲率值集合中包括所确定的曲率值,那么上述执行主体可以从上述曲率值集合中选取出所确定的曲率值;如果预先确定的曲率值集合中不包括所确定的曲率值,那么上述执行主体可以从上述曲率值集合中选取出与所确定的曲率值最接近的曲率值,或者,从上述曲率值集合中包括的大于所确定的曲率值的曲率值中选取出最接近所确定的曲率值的曲率值,或者,从上述曲率值集合中包括的小于所确定的曲率值的曲率值中选取出最接近所确定的曲率值的曲率值。
之后,上述执行主体可以从预先确定的运动模式信息集合中,随机选取运动模式信息,或者,从预先确定的运动模式信息集合中,选取未选取过的运动模式信息。
在本实施例的一些可选的实现方式中,曲率值集合由预先确定的第三预定数量个曲率值组成。其中,上述第三预定数量可以是预先确定的数量。第三预定数量的取值可以由技术人员根据实际需求确定。
在本实施例的一些可选的实现方式中,第三预定数量个曲率值是通过如下步骤预先确定的:
首先,将预定曲率值区间等分为第三预定数量个曲率值子区间。其中,预定曲率值区间可以是预先确定的曲率值范围。作为示例,当预定曲率值区间为预先确定的平均曲率的曲率值的区间时,该预定曲率值区间可以是(0,1]区间。由此,该步骤可以是将(0,1]区间等分为第三预定数量(例如15)个曲率值子区间。
然后,从第三预定数量个曲率值子区间中的曲率值子区间中,选取曲率值。可以理解,上述执行主体可以从等分得到的第三预定数量个曲率值子区间中的每个曲率值子区间中,选取一个曲率值。作为示例,对于每个曲率值子区间,上述执行主体可以选取该曲率值子区间的最大值、最小值或中间值等等,作为所选取的一个曲率值。
子步骤2012,响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
在本实施例中,在确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值的情况下,上述执行主体可以建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
上述实际行驶方向可以是在某个时间段(例如1分钟、2分钟)目标机器人在该时间段的起始时间点所在的位置与该时间段的终止时间点所在的位置的连线方向,也可以是目标机器人开始行驶一段距离后,以目标机器人在某个时间点所在的位置为切点、行驶的路径的切线方向,还可以是目标机器人的朝向方向。
上述待行驶路段的方向可以是该待行驶路段的起始位置与终点位置的连线方向,也可以是以待行驶路段上的目标位置为切点、待行驶路段的切线。上述目标位置可以是待行驶路段上距离目标机器人在某一时刻(例如需要确定实际行驶方向与待行驶路段的方向之间的夹角的时刻)所在的位置最接近的位置,也可以是以目标机器人在某一时刻(例如需要确定实际行驶方向与待行驶路段的方向之间的夹角的时刻)所在的位置为起点,向预先确定的方向进行延伸得到的直线与待行驶路段的交点位置。
上述角度阈值可以是预先确定的角度值。该角度阈值可以根据经验由技术人员来确定。作为示例,该角度值可以是5度、8度等等。可以理解,该角度阈值越小,目标机器人在进行路径跟随时所行驶的路线,与进行路径规划后期望目标机器人进行行驶的路线越接近。
在这里,上述执行主体可以通过建立二维表格的方式建立所选取的曲率值与所选取的运动模式信息之间的对应关系,也可以通过数据库存储所选取的曲率值、所选取的运动模式信息及其对应关系,还可以通过键(key)值(value)对、指针等形式建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
在本实施例的一些可选的实现方式中,运动模式信息包括速度值和角度值,以及运动模式信息集合是通过如下步骤得到的:
第一步,从预定速度值区间中,选取第一预定数量个速度值。其中,预定速度值区间可以是预先确定的速度值的范围。例如,预定速度值区间可以是0(米每秒)至2(米每秒)的速度值的区间。第一预定数量可以是预先确定的数量。例如,该第一预定数量可以是10、20等等。
第二步,从预定角度值区间中,选取第二预定数量个角度值。其中,预定角度值区间可以是预先确定的速度值的范围。例如,预定角度值区间可以是0度至180度的角度值的区间。第二预定数量可以是预先确定的数量。例如,该第二预定数量可以是10、20等等。
需要说明的是,上述第一预定数量、第二预定数量和第三预定数量中的第一、第二和第三仅仅用作区分数量,并不构成对数量的特殊限定。上述第一预定数量、第二预定数量和第三预定数量的取值可以相同也可以不同。
第三步,将所选取的速度值和角度值进行两两组合,组成运动模式信息集合。可以理解,运动模式信息集合中的运动模式信息的数量可以为所选取的速度值的数量和所选取的角度值的数量的乘积。
作为示例,假设上述执行主体所选取的速度值包括:速度值A和速度值B,所选取的角度值包括角度值C和角度值D。那么,上述执行主体可以将所选取的速度值A、速度值B和所选取的角度值C、角度值D进行两两组合,从而得到运动模式信息集合。例如运动模式信息集合可以包括:运动模式信息a“速度值A角度值C”,运动模式信息b“速度值A角度值D”,运动模式信息c“速度值B角度值C”,运动模式信息d“速度值B角度值D”。
可以理解,通过上述步骤,可以将曲率值、运动模式信息(例如速度值、角度值)进行离散化处理,由此,有助于在保证目标机器人学习路径跟随具备一定的准确率的前提下,减少目标机器人的学习时间。
在本实施例的一些可选的实现方式中,上述第一步可以按照如下步骤执行:
首先,将预定速度值区间等分为第一预定数量个速度值子区间。
然后,从第一预定数量个速度值子区间中的速度值子区间中,选取速度值。
作为示例,上述执行主体可以先将预定速度值区间等分为第一预定数量个速度值子区间,然后,从第一预定数量个速度值子区间中的每个速度值子区间中选取一个速度值,从而得到第一预定数量个速度值。
在本实施例的一些可选的实现方式中,上述第二步可以按照如下步骤执行:
首先,将预定角度值区间等分为第二预定数量个角度值子区间。
然后,从第二预定数量个角度值子区间中的角度值子区间中,选取角度值。
作为示例,上述执行主体可以先将预定角度值区间等分为第二预定数量个角度值子区间,然后,从第二预定数量个角度值子区间中的每个角度值子区间中选取一个角度值,从而得到第二预定数量个角度值。
子步骤2013,确定是否满足预设的继续选取条件。
在本实施例中,上述执行主体可以确定是否满足预设的继续选取条件。其中,上述继续选取条件可以是预先设置的用于指示上述执行主体继续执行上述选取步骤的条件。例如,该继续选取条件可以包括但不限于以下至少一项:上述曲率值集合中存在未被选取过的曲率值,上述运动模式信息集合中存在未被选取过的运动模式信息。
在本实施例的一些可选的实现方式中,上述继续选取条件可以包括以下至少一项:目标机器人按照所选取的运动模式信息表征的运动模式行驶;目标机器人的当前行驶路段的下一行驶路段非待行驶路径的终点路段,其中,待行驶路径是行驶路段的序列,终点路段是待行驶路径中的最后一个待行驶路段;选取步骤的执行次数小于预定次数。其中,上述预定次数可以是预先确定的次数,例如2000、3000等等。
可以理解,当上述继续选取条件包括目标机器人按照所选取的运动模式信息表征的运动模式行驶时,相对于上述执行主体将选取步骤(包括子步骤2011-子步骤2013)执行完成再进行下次选取步骤的执行,一旦目标机器人按照所选取的运动模式信息表征的运动模式行驶,则进行下次选取步骤的执行,可以节省使得目标机器人学习完成路径跟随的时间。
步骤202,生成表征所建立的至少一个对应关系的运动模型。
在本实施例中,上述执行主体可以生成表征所建立的至少一个对应关系的运动模型。
作为示例,上述运动模型可以是用于表征曲率值与运动模式信息的对应关系的二维表、数据库等等。
继续参见图3,图3是本申请的一个实施例的电子设备和机器人的交互过程示意图。
如图3所示,在步骤301中,电子设备从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
在本实施例中,电子设备(即上述用于生成模型的方法的执行主体)可以从预先确定的曲率值集合中,选取无人车(即上述目标机器人)待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
作为示例,上述曲率值集合可以是对平均曲率值区间(0,1]进行15等分,然后从等分得到的子区间中选取最大的曲率值得到的曲率值集合。待行驶路段可以是无人车当前要行驶的下一个行驶路段。行驶路段可以是将行驶路径进行划分(例如按照1米进行划分)得到的路段。运动模式信息可以包括速度值和角度值。由此,上述电子设备可以从上述曲率值集合中,选取与无人车待行驶的待行驶路段的曲率值最接近的曲率值,以及从预先确定的运动模式信息集合中,随机选取运动模式信息。
在步骤302中,上述电子设备向无人车发送按照所选取的运动模式信息表征的运动模式进行行驶的指令。
在本实施例中,上述电子设备向无人车(例如上述目标机器人)发送按照所选取的运动模式信息表征的运动模式进行行驶的指令。
在步骤303中,上述无人车按照指令的指示进行行驶。
在本实施例中,上述无人车可以按照指令的指示进行行驶。
在步骤304中,上述无人车向上述电子设备发送实际行驶方向。
在本实施例中,上述无人车可以向上述电子设备发送实际行驶方向(例如根据无人车的方向盘转角得到的无人车的朝向方向)。
在步骤305中,上述电子设备确定实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值。
在本实施例中,上述电子设备可以确定实际行驶方向与待行驶路段的方向(例如待行驶路段的切线方向)之间的夹角小于预设的角度阈值。
在步骤306中,上述电子设备建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
在本实施例中,上述电子设备可以建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
作为示例,上述电子设备可以通过Q-Learning算法,建立所选取的曲率值与所选取的运动模式信息之间的对应关系。上述Q-Learning算法是一种无监督的机器学习方法,属于强化学习方法。
可以理解,由于Q-Learning算法不涉及神经网络,因而,相对于通过深度学习等涉及神经网络的算法而言,通过Q-Learning算法不仅可以降低对计算资源的消耗,还有助于确定问题发生的原因所在,降低了发生问题后对问题进行处理和分析的难度。
在步骤307中,在不满足预设的继续选取条件的情况下,上述电子设备生成表征所建立的至少一个对应关系的运动模型。
在本实施例中,在不满足预设的继续选取条件的情况下,上述电子设备可以生成表征所建立的至少一个对应关系的运动模型。
可以理解,上述运动模型可以用于表征曲率值与运动模式信息之间的对应关系。
在一些使用情况下,在满足上述继续选取条件的情况下,上述电子设备可以继续(即再次)执行上述选取步骤(即步骤301至步骤306)。在这里,当上述执行主体通过Q-Learning算法,建立所选取的曲率值与所选取的运动模式信息之间的对应关系时,所涉及的Q值(即深度强化学习值)可以通过如下公式来更新:
Q(s,a)=r+γ(max(Q(s′,a′))
其中,上述s为当前目标机器人待行驶的待行驶路段的曲率值。上述a为选取的运动模式信息(包括速度值和角度值)。上述s'可以是下一个待行驶路段的曲率值。a'可以是下一次选取的运动模式信息。r可以是本次按照运动模式信息指示的运动模式进行行驶得到的奖励值(reward)。上述γ为折扣因数,表示牺牲当前收益,换取长远收益的程度。上述Q(s,a)为当前曲率状态(s)下采用相应运动模式信息(a)表征的运动模式的Q值。上述奖励值r和折扣因数γ,都可以是根据实际情况而设定的。整个更新过程更新的是Q值。在第二次执行选取步骤以及后续(第二次执行之后)执行选取步骤时,上述电子设备可以根据Q值的大小进行运动模式信息的选取。
本申请的上述实施例提供的方法,通过执行如下选取步骤:选取步骤一,从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;选取步骤二,响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件,若满足,则继续执行选取步骤,在不满足上述继续选取条件的情况下,生成表征所建立的至少一个对应关系的运动模型,从而通过建立待行驶路段的曲率值与机器人的运动模式信息之间的对应关系,丰富了模型的生成方式,有助于提高机器人进行路径跟随的准确性,当机器人行驶出现问题后,有助于确定出问题发生的原因所在,降低了发生问题后对问题进行处理和分析的难度。
进一步参考图4,其示出了用于发送信息的方法的一个实施例的流程400。该用于发送信息的方法的流程400,包括以下步骤:
步骤401,执行选取步骤。
在本实施例中,用于生成模型的方法的执行主体(例如图1所示的服务器或终端设备)可以执行选取步骤。其中,该选取步骤可以包括子步骤4011、子步骤4012和子步骤4013。
子步骤4011,从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
在本实施例中,上述执行主体可以从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
子步骤4012,响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
在本实施例中,在确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值的情况下,上述执行主体可以建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
子步骤4013,确定是否满足预设的继续选取条件。
在本实施例中,上述执行主体可以确定是否满足预设的继续选取条件。其中,上述继续选取条件可以是预先设置的用于指示上述执行主体继续执行上述选取步骤的条件。例如,该继续选取条件可以包括但不限于一下至少一项:存在上述曲率值集合中未被选取过的曲率值,存在上述运动模式信息集合中未被选取过的运动模式信息。
步骤402,生成表征所建立的至少一个对应关系的运动模型。
在本实施例中,上述执行主体可以生成表征所建立的至少一个对应关系的运动模型。
在本实施例中,步骤401(包括子步骤4011、子步骤4012和子步骤4013)和步骤402分别与图2对应实施例中的201(包括子步骤2011、子步骤2012和子步骤2013)和步骤202基本一致,这里不再赘述。
步骤403,从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值。
在本实施例中,上述执行主体可以从上述曲率值集合中,选取上述目标机器人待行驶的待行驶路段的曲率值。
上述待行驶路段可以是未行使过的,或者已行驶过但接下来还会再次行驶的行驶路径中当前要行驶的下一个路段。作为示例,假设行驶路径包括甲乙丙三个行驶路段。假设目标机器人将按照甲乙丙的顺序,依次实时上述三个待行驶路段。如果当前目标机器人位于行驶路径的起点,那么在此场景下,甲行驶路段可以为上述待行驶路段;如果当前目标已完成甲乙丙三个行驶路段的行驶,然而,目标机器人接收到上述执行主体或其他电子设备发送的从行驶路径的起点,再次按照甲乙丙的顺序进行行驶的指示,那么在此场景下,甲行驶路段可以为上述待行驶路段。技术人员或者上述执行主体可以根据实际需求对行驶路径进行划分,从而得到行驶路段。作为示例,上述执行主体可以将行驶路径等分为由长度为1米的行驶路段组成的行驶路段序列。
在这里,如果上述曲率值集合中包括上述目标机器人待行驶的待行驶路段的曲率值,那么上述执行主体可以从上述曲率值集合中选取出所确定的曲率值;如果上述曲率值集合中不包括上述目标机器人待行驶的待行驶路段的曲率值,那么上述执行主体可以从上述曲率值集合中选取出与所确定的曲率值最接近的曲率值,或者,从上述曲率值集合中包括的大于所确定的曲率值的曲率值中选取出最接近所确定的曲率值的曲率值,或者,从上述曲率值集合中包括的小于所确定的曲率值的曲率值中选取出最接近所确定的曲率值的曲率值。
需要说明的是,当步骤403的选取方式与步骤401的选取方式相同时,目标机器人可以进行更准确的路径跟随。
步骤404,将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息。
在本实施例中,上述执行主体可以将所选取的曲率值输入至上述步骤402生成的运动模型,得到运动模式信息。
步骤405,将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
在本实施例中,上述执行主体还可以将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
需要说明的是,图4仅仅示出了用于生成模型的方法与用于发送信息的方法的执行主体相同的示例。然而,实践中,用于生成模型的方法与用于发送信息的方法的执行主体可以相同,也可以不同。
本申请的上述实施例提供的方法,通过从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值。然后,将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息。其中,运动模型是预先通过如下方法生成的:执行如下选取步骤:选取步骤一,从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;选取步骤二,响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件,若满足,则继续执行选取步骤,在不满足上述继续选取条件的情况下,生成表征所建立的至少一个对应关系的运动模型。最后,将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。从而通过运动模型指示机器人的运动,由此,提高了机器人进行路径跟随的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成模型的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成模型的装置500包括:第一执行单元501、第二执行单元502和生成单元503。其中,第一执行单元501被配置成执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件;第二执行单元502被配置成响应于确定满足,继续执行选取步骤;生成单元503被配置成生成表征所建立的至少一个对应关系的运动模型。
在本实施例中,用于生成模型的装置500的第一执行单元501可以执行选取步骤。其中,该选取步骤可以包括如下子步骤:
子步骤一:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息。
子步骤二:在确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值的情况下,上述装置500可以建立所选取的曲率值与所选取的运动模式信息之间的对应关系。
子步骤三:上述装置500可以确定是否满足预设的继续选取条件。其中,上述继续选取条件可以是预先设置的用于指示上述装置500继续执行上述选取步骤的条件。例如,该继续选取条件可以包括但不限于一下至少一项:存在上述曲率值集合中未被选取过的曲率值,存在上述运动模式信息集合中未被选取过的运动模式信息。
在本实施例中,在确定满足上述继续选取条件的情况下,上述第二执行单元502可以继续执行选取步骤。
在本实施例中,上述生成单元503可以生成表征所建立的至少一个对应关系的运动模型。
在本实施例的一些可选的实现方式中,运动模式信息包括速度值和角度值,以及运动模式信息集合是通过如下步骤得到的:从预定速度值区间中,选取第一预定数量个速度值;从预定角度值区间中,选取第二预定数量个角度值;将所选取的速度值和角度值进行两两组合,组成运动模式信息集合。
在本实施例的一些可选的实现方式中,从预定速度值区间中,选取第一预定数量个速度值,包括:将预定速度值区间等分为第一预定数量个速度值子区间;从第一预定数量个速度值子区间中的速度值子区间中,选取速度值;以及从预定角度值区间中,选取第二预定数量个角度值,包括:将预定角度值区间等分为第二预定数量个角度值子区间;从第二预定数量个角度值子区间中的角度值子区间中,选取角度值。
在本实施例的一些可选的实现方式中,曲率值集合由预先确定的第三预定数量个曲率值组成。
在本实施例的一些可选的实现方式中,第三预定数量个曲率值是通过如下步骤预先确定的:
首先,将预定曲率值区间等分为第三预定数量个曲率值子区间。
然后,从第三预定数量个曲率值子区间中的曲率值子区间中,选取曲率值。
在本实施例的一些可选的实现方式中,继续选取条件包括以下至少一项:目标机器人按照所选取的运动模式信息表征的运动模式行驶;目标机器人的当前行驶路段的下一行驶路段非待行驶路径的终点路段,其中,待行驶路径是行驶路段的序列,终点路段是待行驶路径中的最后一个待行驶路段;选取步骤的执行次数小于预定次数。
本申请的上述实施例提供的装置,通过第一执行单元501执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系;确定是否满足预设的继续选取条件,然后响应于确定满足,第二执行单元502继续执行选取步骤,最后生成单元503生成表征所建立的至少一个对应关系的运动模型,从而通过建立待行驶路段的曲率值与机器人的运动模式信息之间的对应关系,丰富了模型的生成方式,有助于提高机器人进行路径跟随的准确性,当机器人行驶出现问题后,有助于确定出问题发生的原因所在,降低了发生问题后对问题进行处理和分析的难度。
请继续参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于发送信息的装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图4所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于发送信息的装置600包括:选取单元601、输入单元602和发送单元603。其中,选取单元601被配置成从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值;输入单元602被配置成将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,运动模型是预先通过上述用于生成模型的方法生成的;发送单元603被配置成将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
在本实施例中,用于生成模型的装置600的选取单元601可以从上述曲率值集合中,选取上述目标机器人待行驶的待行驶路段的曲率值。
在本实施例中,上述输入单元602可以将所选取的曲率值输入至上述步骤402生成的运动模型,得到运动模式信息。
在本实施例中,上述发送单元603可以将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
本申请的上述实施例提供的装置,通过选取单元601从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,输入单元602将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,运动模型是预先通过如上述用于生成模型的方法生成的,最后发送单元603将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶,从而通过运动模型指示机器人的运动,由此,提高了机器人进行路径跟随的准确性。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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,两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一执行单元、第二执行单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一执行单元还可以被描述为“执行选取步骤的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系;确定是否满足预设的继续选取条件;响应于确定满足,继续执行选取步骤;生成表征所建立的至少一个对应关系的运动模型。或者,使得该电子设备:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值;将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,运动模型是预先通过上述用于生成模型的方法生成的;将运动模式信息发送至目标机器人,以指示目标机器人按照运动模式信息表征的运动模式进行行驶。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于生成模型的方法,包括:
执行如下选取步骤:
从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;
响应于确定所述目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系;
确定是否满足预设的继续选取条件;
响应于确定满足,继续执行所述选取步骤;
生成表征所建立的至少一个对应关系的运动模型。
2.根据权利要求1所述的方法,其中,运动模式信息包括速度值和角度值,以及所述运动模式信息集合是通过如下步骤得到的:
从预定速度值区间中,选取第一预定数量个速度值;
从预定角度值区间中,选取第二预定数量个角度值;
将所选取的速度值和角度值进行两两组合,组成运动模式信息集合。
3.根据权利要求2所述的方法,其中,所述从预定速度值区间中,选取第一预定数量个速度值,包括:
将预定速度值区间等分为第一预定数量个速度值子区间;
从所述第一预定数量个速度值子区间中的速度值子区间中,选取速度值;以及
所述从预定角度值区间中,选取第二预定数量个角度值,包括:
将预定角度值区间等分为第二预定数量个角度值子区间;
从所述第二预定数量个角度值子区间中的角度值子区间中,选取角度值。
4.根据权利要求1所述的方法,其中,所述曲率值集合由预先确定的第三预定数量个曲率值组成。
5.根据权利要求4所述的方法,其中,所述第三预定数量个曲率值是通过如下步骤预先确定的:
将预定曲率值区间等分为第三预定数量个曲率值子区间;
从所述第三预定数量个曲率值子区间中的曲率值子区间中,选取曲率值。
6.根据权利要求1-5之一所述的方法,其中,所述继续选取条件包括以下至少一项:
所述目标机器人按照所选取的运动模式信息表征的运动模式行驶;
所述目标机器人的当前行驶路段的下一行驶路段非待行驶路径的终点路段,其中,所述待行驶路径是行驶路段的序列,所述终点路段是所述待行驶路径中的最后一个待行驶路段;
所述选取步骤的执行次数小于预定次数。
7.一种用于生成模型的装置,包括:
第一执行单元,被配置成执行如下选取步骤:从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值,以及从预先确定的运动模式信息集合中,选取运动模式信息;响应于确定所述目标机器人按照所选取的运动模式信息表征的运动模式在待行驶路段行驶得到的实际行驶方向与待行驶路段的方向之间的夹角小于预设的角度阈值,建立所选取的曲率值与所选取的运动模式信息之间的对应关系,确定是否满足预设的继续选取条件;
第二执行单元,被配置成响应于确定满足,继续执行所述选取步骤;
生成单元,被配置成生成表征所建立的至少一个对应关系的运动模型。
8.根据权利要求7所述的装置,其中,运动模式信息包括速度值和角度值,以及所述运动模式信息集合是通过如下步骤得到的:
从预定速度值区间中,选取第一预定数量个速度值;
从预定角度值区间中,选取第二预定数量个角度值;
将所选取的速度值和角度值进行两两组合,组成运动模式信息集合。
9.根据权利要求8所述的装置,其中,所述从预定速度值区间中,选取第一预定数量个速度值,包括:
将预定速度值区间等分为第一预定数量个速度值子区间;
从所述第一预定数量个速度值子区间中的速度值子区间中,选取速度值;以及
所述从预定角度值区间中,选取第二预定数量个角度值,包括:
将预定角度值区间等分为第二预定数量个角度值子区间;
从所述第二预定数量个角度值子区间中的角度值子区间中,选取角度值。
10.根据权利要求7所述的装置,其中,所述曲率值集合由预先确定的第三预定数量个曲率值组成。
11.根据权利要求10所述的装置,其中,所述第三预定数量个曲率值是通过如下步骤预先确定的:
将预定曲率值区间等分为第三预定数量个曲率值子区间;
从所述第三预定数量个曲率值子区间中的曲率值子区间中,选取曲率值。
12.根据权利要求7-11之一所述的装置,其中,所述继续选取条件包括以下至少一项:
所述目标机器人按照所选取的运动模式信息表征的运动模式行驶;
所述目标机器人的当前行驶路段的下一行驶路段非待行驶路径的终点路段,其中,所述待行驶路径是行驶路段的序列,所述终点路段是所述待行驶路径中的最后一个待行驶路段;
所述选取步骤的执行次数小于预定次数。
13.一种用于发送信息的方法,包括:
从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值;
将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,所述运动模型是预先通过如权利要求1-6之一所述的方法生成的;
将所述运动模式信息发送至所述目标机器人,以指示所述目标机器人按照所述运动模式信息表征的运动模式进行行驶。
14.一种用于发送信息的装置,包括:
选取单元,被配置成从预先确定的曲率值集合中,选取目标机器人待行驶的待行驶路段的曲率值;
输入单元,被配置成将所选取的曲率值输入至预先训练的运动模型,得到运动模式信息,其中,所述运动模型是预先通过如权利要求1-6之一所述的方法生成的;
发送单元,被配置成将所述运动模式信息发送至所述目标机器人,以指示所述目标机器人按照所述运动模式信息表征的运动模式进行行驶。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6、13中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6、13中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811050443.6A CN110370267B (zh) | 2018-09-10 | 2018-09-10 | 用于生成模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811050443.6A CN110370267B (zh) | 2018-09-10 | 2018-09-10 | 用于生成模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110370267A true CN110370267A (zh) | 2019-10-25 |
CN110370267B CN110370267B (zh) | 2021-08-20 |
Family
ID=68243682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811050443.6A Active CN110370267B (zh) | 2018-09-10 | 2018-09-10 | 用于生成模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110370267B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112338921A (zh) * | 2020-11-16 | 2021-02-09 | 西华师范大学 | 一种基于深度强化学习的机械臂智能控制快速训练方法 |
CN112835348A (zh) * | 2019-11-22 | 2021-05-25 | 北京京邦达贸易有限公司 | 无人车的控制方法和控制系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101401047A (zh) * | 2006-03-14 | 2009-04-01 | 丰田自动车株式会社 | 用于移动单元的轨道跟踪控制系统与方法 |
CN104527637A (zh) * | 2014-12-17 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 混合动力汽车控制方法和系统 |
CN104977933A (zh) * | 2015-07-01 | 2015-10-14 | 吉林大学 | 一种自主驾驶车辆的区域型路径跟踪控制方法 |
CN105867379A (zh) * | 2016-04-13 | 2016-08-17 | 上海物景智能科技有限公司 | 一种机器人的运动控制方法及控制系统 |
CN106020197A (zh) * | 2016-06-30 | 2016-10-12 | 苏州坤厚自动化科技有限公司 | 一种基于势能场的机器人路径跟踪算法 |
CN106574975A (zh) * | 2014-04-25 | 2017-04-19 | 三星电子株式会社 | 使用外围信号的轨迹匹配 |
CN106713143A (zh) * | 2016-12-06 | 2017-05-24 | 天津理工大学 | 一种面向车联网的自适应可靠路由方法 |
CN107037818A (zh) * | 2017-06-22 | 2017-08-11 | 奇瑞汽车股份有限公司 | 一种无人驾驶汽车的路径跟踪方法 |
CN107153420A (zh) * | 2017-05-25 | 2017-09-12 | 广州汽车集团股份有限公司 | 路径跟踪控制方法、装置及智能汽车 |
CN107223101A (zh) * | 2016-06-23 | 2017-09-29 | 驭势科技(北京)有限公司 | 车辆自动驾驶方法和车辆自动驾驶系统 |
CN107390691A (zh) * | 2017-07-28 | 2017-11-24 | 广东嘉腾机器人自动化有限公司 | 一种agv路径跟踪方法 |
CN107980108A (zh) * | 2017-01-04 | 2018-05-01 | 深圳配天智能技术研究院有限公司 | 机器人运动轨迹规划方法及相关装置 |
-
2018
- 2018-09-10 CN CN201811050443.6A patent/CN110370267B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101401047A (zh) * | 2006-03-14 | 2009-04-01 | 丰田自动车株式会社 | 用于移动单元的轨道跟踪控制系统与方法 |
CN106574975A (zh) * | 2014-04-25 | 2017-04-19 | 三星电子株式会社 | 使用外围信号的轨迹匹配 |
CN104527637A (zh) * | 2014-12-17 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 混合动力汽车控制方法和系统 |
CN104977933A (zh) * | 2015-07-01 | 2015-10-14 | 吉林大学 | 一种自主驾驶车辆的区域型路径跟踪控制方法 |
CN105867379A (zh) * | 2016-04-13 | 2016-08-17 | 上海物景智能科技有限公司 | 一种机器人的运动控制方法及控制系统 |
CN107223101A (zh) * | 2016-06-23 | 2017-09-29 | 驭势科技(北京)有限公司 | 车辆自动驾驶方法和车辆自动驾驶系统 |
CN106020197A (zh) * | 2016-06-30 | 2016-10-12 | 苏州坤厚自动化科技有限公司 | 一种基于势能场的机器人路径跟踪算法 |
CN106713143A (zh) * | 2016-12-06 | 2017-05-24 | 天津理工大学 | 一种面向车联网的自适应可靠路由方法 |
CN107980108A (zh) * | 2017-01-04 | 2018-05-01 | 深圳配天智能技术研究院有限公司 | 机器人运动轨迹规划方法及相关装置 |
CN107153420A (zh) * | 2017-05-25 | 2017-09-12 | 广州汽车集团股份有限公司 | 路径跟踪控制方法、装置及智能汽车 |
CN107037818A (zh) * | 2017-06-22 | 2017-08-11 | 奇瑞汽车股份有限公司 | 一种无人驾驶汽车的路径跟踪方法 |
CN107390691A (zh) * | 2017-07-28 | 2017-11-24 | 广东嘉腾机器人自动化有限公司 | 一种agv路径跟踪方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112835348A (zh) * | 2019-11-22 | 2021-05-25 | 北京京邦达贸易有限公司 | 无人车的控制方法和控制系统 |
CN112338921A (zh) * | 2020-11-16 | 2021-02-09 | 西华师范大学 | 一种基于深度强化学习的机械臂智能控制快速训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110370267B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Redirection controller using reinforcement learning | |
CN113033925B (zh) | 用于控制自动驾驶车辆行驶、装置、电子设备和介质 | |
CN109872242A (zh) | 信息推送方法和装置 | |
CN108763532A (zh) | 用于推送信息、展现信息的方法和设备 | |
CN107765691B (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN106908082A (zh) | 用于校准终端中的陀螺仪的方法、装置及系统 | |
CN108304067A (zh) | 用于展示信息的系统、方法和装置 | |
CN112918487B (zh) | 无人车起步方法、装置、电子设备和计算机可读介质 | |
CN110370267A (zh) | 用于生成模型的方法和装置 | |
CN113052253A (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN115456266A (zh) | 行程规划方法、装置、设备及存储介质 | |
CN114972591A (zh) | 动画生成模型的训练方法、动画生成方法和装置 | |
KR102507260B1 (ko) | 메타버스 가상공간의 강사 아바타 생성을 위한 서비스 서버 및 그 방법 | |
CN109189082A (zh) | 用于控制移动机器人的方法、装置和控制系统 | |
CN110160548A (zh) | 用于生成行驶路线的方法、系统和装置 | |
CN109829117A (zh) | 用于推送信息的方法和装置 | |
CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN116088538B (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
WO2020147389A1 (zh) | 信息获取方法及装置 | |
CN110047102A (zh) | 用于输出信息的方法、装置和系统 | |
CN111399489A (zh) | 用于生成信息的方法和装置 | |
CN110060477A (zh) | 用于推送信息的方法和装置 | |
CN112461239B (zh) | 移动体路径规划方法、装置、设备及存储介质 | |
WO2022179277A1 (zh) | 无人车路径优化方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |