CN110502015A - 基于大数据和人工智能的速度控制方法和机器人系统 - Google Patents
基于大数据和人工智能的速度控制方法和机器人系统 Download PDFInfo
- Publication number
- CN110502015A CN110502015A CN201910788963.5A CN201910788963A CN110502015A CN 110502015 A CN110502015 A CN 110502015A CN 201910788963 A CN201910788963 A CN 201910788963A CN 110502015 A CN110502015 A CN 110502015A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- model
- speed
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000013473 artificial intelligence Methods 0.000 title abstract description 8
- 238000013136 deep learning model Methods 0.000 claims description 26
- 230000001276 controlling effect Effects 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims 1
- 241001269238 Data Species 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
基于大数据和人工智能的速度控制方法和机器人系统，包括：获取速度控制装置所属的对象的类型，获取预设类型的与所述对象相关的数据，获取预设模型，将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的速度控制方式。上述方法和系统通过基于大数据和人工智能的速度控制技术，提高了速度控制方式切换的智能性、高效性。
Description
技术领域
本发明涉及信息技术领域，特别是涉及一种基于大数据和人工智能的速度控制方法和机器人系统。
背景技术
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术下速度控制方式要么由人控制，要么由系统自动控制。如果发生人无法控制的情况，例如受到撞击后人晕倒而失去控制能力，或者人醉酒后失去控制能力，或者人违反交通规则等情况下现有技术并不能自动地进行速度控制方式的切换，例如无法从速度人工控制模式切换为速度自动控制模式。可见现有技术下速度控制方式的切换模式单一、智能性低。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术中的缺陷或不足，提供基于大数据和人工智能的速度控制方法和机器人系统，以解决现有技术中速度控制方式切换的智能性低、高效性不足的缺点。
第一方面，本发明实施例提供一种速度控制方法，所述方法包括：
对象类型获取步骤，用于获取速度控制装置所属的对象的类型；
数据获取步骤，用于获取预设类型的与所述对象相关的数据；
预设模型获取步骤，用于获取预设模型；
模型计算步骤，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的速度控制方式。
优选地，所述方法还包括：
系统控制步骤，用于根据所述推荐的速度控制方式控制所述速度控制装置。
优选地，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与速度控制方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
优选地，所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；所述历史大数据包括迄今为止所采集的大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的速度控制方式；
深度学习模型初始化步骤，用于初始化深度学习模型；
无监督训练步骤，用于将所述有效历史大数据中所述预设类型的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练步骤，用于将所述历史大数据中所述预设类型的数据及其对应的速度控制方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成步骤，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
优选地，
所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的速度控制方式；
模型数据设置步骤，用于将所述有效历史大数据中所述预设类型的数据及其对应的速度控制方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据；
所述模型计算步骤包括：
匹配步骤，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取步骤，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐步骤，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的速度控制方式。
优选地，所述历史大数据获取步骤包括：
有人控制数据获取步骤，用于获取“有人控制”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象的历史数据作为第一大数据；
无人控制数据获取步骤，用于获取“无人控制”且“速度控制方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象的历史数据作为第二大数据；
有人控制数据清洗步骤，用于从第一大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，得到第三大数据；
无人控制数据清洗步骤，用于从第二大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，得到第四大数据；
有效历史大数据生成步骤，用于将第三大数据和第四大数据作为有效历史大数据。
优选地，所述对象为车；所述车包括无人车；所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、所述车当前所在路段的排气污染控制指标数据、所述车当前所在路段的噪音控制指标数据、所述车当前所在路段的限速范围、所述车的车型、所述车当前预设数据中的一种或几种。
优选地，所述对象为船；所述船包括无人船；所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、所述船当前所在航段的排气污染控制指标数据、所述船当前所在航段的噪音控制指标数据、所述船当前所在航段的气象数据、所述船当前所在航段的风力数据、所述船当前需求数据、所述船的船型、所述船当前预设数据中的一种或几种。
优选地，所述对象为飞机；所述飞机包括无人机；所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、所述飞机当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、机型、所述飞机当前预设数据中的一种或几种。
第二方面，本发明实施例提供一种系统，其特征在于，所述系统执行第一方面任一项所述的速度控制方法中的步骤；所述系统包括机器人系统。
本发明实施例具有的优点和有益效果包括：
本发明实施例通过从历史大数据学习得到预设模型，进而通过预设模型和目前数据计算得到目前应该采用的速度控制方式，而且所述历史数据和目前数据中包括速度控制系统所属对象本身的数据和环境数据，从而使得得到的预设模型和推荐的速度控制方式更符合对象和环境的需要、更高效，因此本发明实施例可使得速度控制方式的切换更为智能、高效。例如，对于无人船的速度控制的切换而言，需要考虑到的数据包括所述船当前所在航段的海况数据、当前所在航段的排气污染控制指标数据、当前所在航段的噪音控制指标数据、当前所在航段的气象数据、当前所在航段的风力数据、当前其他需求数据、所剩余的能量数据、船型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为海域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。而现有技术只能手动切换，手动切换对用户要求高、不智能。
本发明实施例提供的基于大数据和人工智能的速度控制方法和机器人系统，包括：获取速度控制装置所属的对象的类型，获取预设类型的与所述对象相关的数据，获取预设模型，将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的速度控制方式。上述方法和系统通过基于大数据和人工智能的速度控制技术，提高了速度控制方式切换的智能性、高效性。
附图说明
图1为本发明的实施例2提供的速度控制方法的流程图；
图2为本发明的实施例4提供的预设模型获取步骤的流程图；
图3为本发明的实施例5提供的预设模型获取步骤的流程图；
图4为本发明的实施例5提供的模型计算步骤的流程图；
图5为本发明的实施例11提供的速度控制系统的原理框图；
图6为本发明的实施例13提供的预设模型模块的原理框图；
图7为本发明的实施例14提供的预设模型模块的原理框图；
图8为本发明的实施例14提供的模型计算模块的原理框图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
(一)本发明的各种实施例中的方法包括以下步骤的各种组合：
实施例1：
一种速度控制方法，包括对象类型获取步骤S100、数据获取步骤S200、预设模型获取步骤S300、模型计算步骤S400、系统控制步骤S500。
对象类型获取步骤S100，用于获取速度控制装置所属的对象的类型。所述速度控制装置是所述对象的速度控制装置。所述速度控制装置安装在所述对象上，所以所述对象是速度控制装置所属的对象。所述对象包括车辆、轮船、飞机等等交通工具或者其他需要安装速度控制装置的交通工具或系统或设备。从而根据对象类型确定所述类型的对象的速度控制装置的速度控制方式，并确定与速度控制方式相关的预设类型的与所述对象相关的数据。
数据获取步骤S200，用于获取预设类型的与所述对象相关的数据。从而根据预设类型的与所述对象相关的数据计算得到推荐的速度控制方式。
预设模型获取步骤S300，用于获取预设模型。从而通过预设模型在预设类型的与所述对象相关的数据与速度控制方式之间建立对应关系。其中，所述预设模型的输入格式为预设类型的与所述对象相关的数据格式，输出格式为速度控制方式的数据格式；速度控制方式的数据格式可以使用数字格式，将每一个速度控制方式编码成一个数字；速度控制方式(即速度控制的方式)包括速度人工控制模式、速度自动控制模式(即无人驾驶的情况)、速度半自动控制模式(即人和系统共同控制的模式)、以及一种或多种速度控制方式混合的速度控制方式；
模型计算步骤S400，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的速度控制方式。从而为控制所述速度控制系统提供推荐的速度控制方式。其中，所述输出为所述预设模型的输出；
实施例2：
根据实施例1所述的方法，还包括系统控制步骤S500，如图1所示。
系统控制步骤S500，用于根据所述推荐的速度控制方式控制所述速度控制装置；从而使得所述速度控制系统能以更优的方式运行，从而提高所述对象的所述速度控制系统的智能性和高效性。具体用于判断所述推荐的速度控制方式与当前速度控制方式是否一致：否，则向速度控制装置发送将当前速度控制方式切换为所述推荐的速度控制方式的控制指令。
实施例3：
根据实施例1所述的方法，其中，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与速度控制方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
实施例4：
根据实施例1所述的方法，
其中，预设模型获取步骤S300包括历史大数据获取步骤S311、对应数据获取步骤S312、深度学习模型初始化步骤S313、无监督训练步骤S314、有监督训练步骤S315、预设模型生成步骤S316，如图2所示。
历史大数据获取步骤S311，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤S312，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的速度控制方式，其中，所述预设类型的与所述对象相关的数据为预设类型的历史数据；
深度学习模型初始化步骤S313，用于初始化深度学习模型；
无监督训练步骤S314，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练步骤S315，用于将所述历史大数据中所述预设类型的与所述对象相关的数据及其对应的速度控制方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成步骤S316，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
其中，所述历史大数据可以通过网络在线获取或从历史大数据库获取。所述有效历史大数据包括预设类型的与所述对象相关的数据及其对应的速度控制方式；所述有效历史大数据是在过去很长一段时间内采集的。预设类型的与所述对象相关的数据及其对应的速度控制方式是每一个被采集的对象在每一个被采集的时刻所采集到的，既要采集每一个被采集的对象在每一个被采集的时刻的预设类型的与所述对象相关的数据，还要采集所述每一个被采集的对象在所述每一个被采集的时刻的速度控制方式，其中，所述每一个被采集的对象属于所述对象所属类型的对象集合。
其中，所述对象所属类型包括与所述对象具有至少一种共同的速度控制方式的对象(包括交通工具)。
实施例5：
根据实施例1所述的方法，
其中，预设模型获取步骤S300包括历史大数据获取步骤S321、对应数据获取步骤S322、模型数据设置步骤S323，如图3所示。
历史大数据获取步骤S321，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤S322，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的速度控制方式；其中，所述预设类型的与所述对象相关的数据为预设类型的历史数据；
模型数据设置步骤S323，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据及其对应的速度控制方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据。
其中，模型计算步骤S400包括匹配步骤S421、选取步骤S422、推荐步骤S423，如图4所示。
匹配步骤S421，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取步骤S422，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐步骤S423，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的速度控制方式。
实施例4采用的是大数据、深度学习技术，实施例5采用的是大数据及其推荐技术。
实施例6：
根据实施例4或5所述的方法，
历史大数据获取步骤S321包括：
有人控制数据获取步骤S321-1：用于获取“有人控制(例如有人驾驶)”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象(例如车)的历史数据作为第一大数据；所述同类对象为所述对象所属类型的对象；所述同类对象与所述对象都属于所述对象所属类型；所述历史数据包括所述预设类型的数据及其对应的速度控制方式；因为人是有智能的，对象在有人控制(例如有人驾驶)时所选择的速度控制方式更可信，而无人机、无人车、无人船等无人控制(例如无人驾驶)的对象(例如车)的历史大数据不一定可信。所述有人控制包括有人进行速度控制方式的选择；
无人控制数据获取步骤S321-2：获取“无人控制(例如无人驾驶)”且“速度控制方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象(例如车)的历史数据作为第二大数据；所述历史数据包括所述预设类型的数据及其对应的速度控制方式；其中，速度控制方式的选择效果满足预设条件包括速度控制方式的选择效果的用户评分大于预设阈值。所述无人控制包括无人进行速度控制方式的选择；
有人控制数据清洗步骤S321-3：从第一大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，包括从第一大数据中删除所述对象不具备的速度控制方式及其对应的所述预设类型的数据，得到第三大数据；
无人控制数据清洗步骤S321-4：从第二大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，包括从第二大数据中删除所述对象不具备的速度控制方式及其对应的所述预设类型的数据，得到第四大数据；
有效历史大数据生成步骤S321-5：将第三大数据和第四大数据作为有效历史大数据。
实施例7：
根据实施例1所述的方法，
其中，所述对象为车；所述车包括无人车；
其中，所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、当前所在路段的排气污染控制指标数据、当前所在路段的噪音控制指标数据、当前所在路段的限速范围、所剩余的能量数据、车型、当前其他预设数据、等等中的一种或几种。其中，所述道段可以替换为区域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例8：
根据实施例1所述的方法，
其中，所述对象为船；所述船包括无人船；
其中，所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、当前所在航段的排气污染控制指标数据、当前所在航段的噪音控制指标数据、当前所在航段的气象数据、当前所在航段的风力数据、当前其他需求数据、所剩余的能量数据、船型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为海域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例9：
根据实施例1所述的方法，
其中，所述对象为飞机；所述飞机包括无人机；
其中，所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、所剩余的能量数据、机型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为空域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例10：
一种速度控制系统，包括对象类型获取模块100、数据获取模块200、预设模型获取模块300、模型计算模块400。
对象类型获取模块100，用于获取速度控制装置所属的对象的类型。
数据获取模块200，用于获取预设类型的与所述对象相关的数据。
预设模型获取模块300，用于获取预设模型。
模型计算模块400，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的速度控制方式。
实施例11：
根据实施例10所述的系统，还包括系统控制模块500，如图5所示。
系统控制模块500，用于根据所述推荐的速度控制方式控制所述速度控制装置。具体为，判断所述推荐的速度控制方式与当前速度控制方式是否一致：否，则向速度控制装置发送将当前速度控制方式切换为所述推荐的速度控制方式的控制指令。
实施例12：
根据实施例10所述的系统，其中，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与速度控制方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
实施例13：
根据实施例10所述的系统，
其中，预设模型获取模块300包括历史大数据获取模块311、对应数据获取模块312、深度学习模型初始化模块313、无监督训练模块314、有监督训练模块315、预设模型生成模块316，如图6所示。
历史大数据获取模块311，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取模块312，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的速度控制方式；
深度学习模型初始化模块313，用于初始化深度学习模型；
无监督训练模块314，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练模块315，用于将所述历史大数据中所述预设类型的与所述对象相关的数据及其对应的速度控制方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成模块316，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
实施例14：
根据实施例10所述的系统，
其中，预设模型获取模块300包括历史大数据获取模块321、对应数据获取模块322、模型数据设置模块323，如图7所示。
历史大数据获取模块321，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取模块322，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的速度控制方式；
模型数据设置模块323，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据及其对应的速度控制方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据。
其中，模型计算模块400包括匹配模块421、选取模块422、推荐模块423，如图8所示。
匹配模块421，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取模块422，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐模块423，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的速度控制方式。
实施例15：
根据实施例13或14所述的系统，
其中，历史大数据获取模块321包括：
有人控制数据获取模块321-1：用于获取“有人控制(例如有人驾驶)”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象(例如车)的历史数据作为第一大数据；所述同类对象为所述对象所属类型的对象；所述同类对象与所述对象都属于所述对象所属类型；所述历史数据包括所述预设类型的数据及其对应的速度控制方式；
无人控制数据获取模块321-2：获取“无人控制(例如无人驾驶)”且“速度控制方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象(例如车)的历史数据作为第二大数据；所述历史数据包括所述预设类型的数据及其对应的速度控制方式；
有人控制数据清洗模块321-3：从第一大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，包括从第一大数据中删除所述对象不具备的速度控制方式及其对应的所述预设类型的数据，得到第三大数据；
无人控制数据清洗模块321-4：从第二大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，包括从第二大数据中删除所述对象不具备的速度控制方式及其对应的所述预设类型的数据，得到第四大数据；
有效历史大数据生成模块321-5：将第三大数据和第四大数据作为有效历史大数据。
实施例16：
根据实施例10所述的系统，包括：
其中，所述对象为车；所述车包括无人车；
其中，所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、当前所在路段的排气污染控制指标数据、当前所在路段的噪音控制指标数据、当前所在路段的限速范围、所剩余的能量数据、车型、当前其他预设数据、等等中的一种或几种。其中，所述道段可以替换为区域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例17：
根据实施例10所述的系统，
其中，所述对象为船；所述船包括无人船；
其中，所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、当前所在航段的排气污染控制指标数据、当前所在航段的噪音控制指标数据、当前所在航段的气象数据、当前所在航段的风力数据、当前其他需求数据、所剩余的能量数据、船型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为海域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例18：
根据实施例10所述的系统，
其中，所述对象为飞机；所述飞机包括无人机；
其中，所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、所剩余的能量数据、机型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为空域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例19：
提供一种机器人系统，所述机器人中分别配置有如实施例10至实施例18所述的系统。
上述各实施例中的方法和系统可以在计算机、服务器、云服务器、超级计算机、机器人、嵌入式设备、电子设备等上执行和部署。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种速度控制方法，其特征在于，所述方法包括：
对象类型获取步骤，用于获取速度控制装置所属的对象的类型；
数据获取步骤，用于获取预设类型的与所述对象相关的数据；
预设模型获取步骤，用于获取预设模型；
模型计算步骤，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的速度控制方式。
2.根据权利要求1所述的速度控制方法，其特征在于，所述方法还包括：
系统控制步骤，用于根据所述推荐的速度控制方式控制所述速度控制装置。
3.根据权利要求1所述的速度控制方法，其特征在于，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与速度控制方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
4.根据权利要求1所述的速度控制方法，其特征在于，所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的速度控制方式；
深度学习模型初始化步骤，用于初始化深度学习模型；
无监督训练步骤，用于将所述有效历史大数据中所述预设类型的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练步骤，用于将所述历史大数据中所述预设类型的数据及其对应的速度控制方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成步骤，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
5.根据权利要求1所述的速度控制方法，其特征在于，
所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的速度控制方式；
模型数据设置步骤，用于将所述有效历史大数据中所述预设类型的数据及其对应的速度控制方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据；
所述模型计算步骤包括：
匹配步骤，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取步骤，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐步骤，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的速度控制方式。
6.根据权利要求4或5所述的速度控制方法，其特征在于，历史大数据获取步骤包括：
有人控制数据获取步骤，用于获取“有人控制”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象的历史数据作为第一大数据；
无人控制数据获取步骤，用于获取“无人控制”且“速度控制方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的速度控制方式”的所有同类对象的历史数据作为第二大数据；
有人控制数据清洗步骤，用于从第一大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，得到第三大数据；
无人控制数据清洗步骤，用于从第二大数据中删除所述对象不具备的速度控制方式及其对应的其他数据，得到第四大数据；
有效历史大数据生成步骤，用于将第三大数据和第四大数据作为有效历史大数据。
7.根据权利要求1所述的速度控制方法，其特征在于，所述对象为车；所述车包括无人车；所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、所述车当前所在路段的排气污染控制指标数据、所述车当前所在路段的噪音控制指标数据、所述车当前所在路段的限速范围、所述车的车型、所述车当前预设数据中的一种或几种。
8.根据权利要求1所述的速度控制方法，其特征在于，所述对象为船；所述船包括无人船；所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、所述船当前所在航段的排气污染控制指标数据、所述船当前所在航段的噪音控制指标数据、所述船当前所在航段的气象数据、所述船当前所在航段的风力数据、所述船当前需求数据、所述船的船型、所述船当前预设数据中的一种或几种。
9.根据权利要求1所述的速度控制方法，其特征在于，所述对象为飞机；所述飞机包括无人机；所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、所述飞机当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、机型、所述飞机当前预设数据中的一种或几种。
10.一种系统，其特征在于，所述系统执行权利要求1-9任一项所述的速度控制方法中的步骤；所述系统包括机器人系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910788963.5A CN110502015B (zh) | 2019-08-29 | 2019-08-29 | 基于大数据和人工智能的速度控制方法和机器人系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910788963.5A CN110502015B (zh) | 2019-08-29 | 2019-08-29 | 基于大数据和人工智能的速度控制方法和机器人系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110502015A true CN110502015A (zh) | 2019-11-26 |
| CN110502015B CN110502015B (zh) | 2023-07-04 |
Family
ID=68589455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910788963.5A Active CN110502015B (zh) | 2019-08-29 | 2019-08-29 | 基于大数据和人工智能的速度控制方法和机器人系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110502015B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021036543A1 (zh) * | 2019-08-29 | 2021-03-04 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人系统 |
| CN112966927A (zh) * | 2021-03-03 | 2021-06-15 | 北京京东乾石科技有限公司 | 运输设备运行管理的方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086360A1 (en) * | 2014-12-02 | 2016-06-09 | Abb Technology Ltd | Wind farm condition monitoring method and system |
| CN109345133A (zh) * | 2018-10-17 | 2019-02-15 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习的评审方法和机器人系统 |
| CN109783686A (zh) * | 2019-01-21 | 2019-05-21 | 广州虎牙信息科技有限公司 | 行为数据处理方法、装置、终端设备和存储介质 |
-
2019
- 2019-08-29 CN CN201910788963.5A patent/CN110502015B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086360A1 (en) * | 2014-12-02 | 2016-06-09 | Abb Technology Ltd | Wind farm condition monitoring method and system |
| CN109345133A (zh) * | 2018-10-17 | 2019-02-15 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习的评审方法和机器人系统 |
| CN109783686A (zh) * | 2019-01-21 | 2019-05-21 | 广州虎牙信息科技有限公司 | 行为数据处理方法、装置、终端设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021036543A1 (zh) * | 2019-08-29 | 2021-03-04 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人系统 |
| CN112966927A (zh) * | 2021-03-03 | 2021-06-15 | 北京京东乾石科技有限公司 | 运输设备运行管理的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110502015B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583675B (zh) | 一种区域路网交通信号灯协调控制系统和方法 | |
| CN108595823A (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 | |
| CN106650592A (zh) | 目标追踪系统 | |
| CN112307688B (zh) | 一种电力推进船舶能效监控管理优化系统和方法 | |
| CN110502015A (zh) | 基于大数据和人工智能的速度控制方法和机器人系统 | |
| CN110963209A (zh) | 一种基于深度强化学习的垃圾分拣装置与方法 | |
| CN102722714A (zh) | 基于目标跟踪的人工神经网络扩张式学习方法 | |
| CN110509913A (zh) | 基于大数据和人工智能的混合动力推进方法和机器人系统 | |
| CN111746728A (zh) | 一种基于强化学习的新型水上清洁机器人及控制方法 | |
| CN112819873B (zh) | 高泛化性的跨域道路场景语义分割方法和系统 | |
| CN110488828A (zh) | 基于大数据和人工智能的航行灯控制方法和机器人系统 | |
| CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
| CN107045803A (zh) | 基于滚动规划策略的航海交通管制方法 | |
| CN110488803A (zh) | 基于大数据和人工智能的制动方法和机器人系统 | |
| CN110737260B (zh) | 基于大数据和人工智能的自动作业方法和机器人系统 | |
| CN110488804A (zh) | 基于大数据和人工智能的联合导航方法和机器人系统 | |
| CN108921044A (zh) | 基于深度卷积神经网络的驾驶员决策特征提取方法 | |
| CN112070328A (zh) | 环境信息部分已知的多水面无人搜救艇任务分配方法 | |
| CN105760822B (zh) | 一种车辆驾驶控制方法及系统 | |
| KR100701439B1 (ko) | 마을 하수 처리 시설 통합 관리 방법 및 그 시스템 | |
| CN116540751B (zh) | 一种无人船自动回收布放水下机器人的方法 | |
| Wu | Research on a Traffic Signal Control Method Based on Deep Reinforcement Learning | |
| KR20060136071A (ko) | 마을 하수 처리 시설 통합 관리 방법 및 그 시스템 | |
| CN202816191U (zh) | 一种体验型游艇模拟器 | |
| CN117933745B (zh) | 基于大数据处理的智慧园区数据可视化分析方法及系统 |
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 |