CN110737260B - 基于大数据和人工智能的自动作业方法和机器人系统 - Google Patents
基于大数据和人工智能的自动作业方法和机器人系统 Download PDFInfo
- Publication number
- CN110737260B CN110737260B CN201910807317.9A CN201910807317A CN110737260B CN 110737260 B CN110737260 B CN 110737260B CN 201910807317 A CN201910807317 A CN 201910807317A CN 110737260 B CN110737260 B CN 110737260B
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- vehicle
- ship
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims description 30
- 238000012821 model calculation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Images
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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据和人工智能的自动作业方法和机器人系统,包括:获取作业装置所属的作业类型,获取预设类型的与所述作业相关的数据,获取预设模型,将所述预设类型的与所述作业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作业方式。上述方法和系统通过基于大数据和人工智能的自动作业技术,提高了自动作业方式切换的智能性、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自动作业方法和机器人系统。
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:现有技术下自动作业方式包括车(例如挖土车、推土车等车)、飞机(例如喷药飞机、轰炸飞机等飞机)、船(例如捕鱼船等船)等等在执行的作业任务时所采用的方式,例如前进、后退、左转、右转或者多种方式结合的作业方式;现有技术下自动作业方式的切换一般采用手工切换,可见现有技术下作业方式的自动化程度不足,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自动作业方法和机器人系统,以解决现有技术中自动作业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自动作业方法,所述方法包括:
作业类型获取步骤,用于获取作业装置所属的作业类型;
数据获取步骤,用于获取预设类型的与所述作业相关的数据;
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作业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作业方式。
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作业方式控制所述作业装置。
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作业方式的选择有相关性的数据;
所述与所述作业相关的数据包括所述作业的数据、所述作业的环境数据;
所述预设类型的与所述作业相关的数据为所述预设类型的与所述作业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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业方式;
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作业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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业方式;
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作业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作业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作业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作业方式。
优选地,所述有效历史大数据包括有人操作且与所述作业具有至少一种共同的作业方式的作业的历史大数据;或/和无人操作且作业方式的选择效果满足预设条件且与所述作业具有至少一种共同的作业方式的作业的历史大数据。
优选地,所述作业为车载式作业;所述车包括无人车;所述预设类型的与所述作业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、所述车当前不同作业类型所需的能量数据、所述车的剩余能量、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,所述作业为船载作业;所述船包括无人船;所述预设类型的与所述作业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、所述船当前不同作业类型所需的能量数据、所述船的剩余能量、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,所述作业为飞机机载作业;所述飞机包括无人机;所述预设类型的与所述作业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、所述飞机当前不同作业类型所需的能量数据、所述飞机的剩余能量、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自动作业方法中的步骤;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作业方式,而且所述历史数据和目前数据中包括作业系统所属作业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作业方式更符合作业和环境的需要、更高效,因此本发明实施例可使得作业方式的切换更为智能、高效。而现有技术下自动作业方式的切换一般采用手工切换,可见现有技术下作业方式的自动化程度不足,智能性低。
本发明实施例提供的基于大数据和人工智能的自动作业方法和机器人系统,包括:获取作业装置所属的作业类型,获取预设类型的与所述作业相关的数据,获取预设模型,将所述预设类型的与所述作业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作业方式。上述方法和系统通过基于大数据和人工智能的自动作业技术,提高了自动作业方式切换的智能性、高效性。
附图说明
图1为本发明的实施例2提供的自动作业方法的流程图;
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提供的自动作业系统的原理框图;
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:
一种自动作业方法,包括作业类型获取步骤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。
作业类型获取步骤S100,用于获取作业装置所属的作业类型。从而根据作业类型确定所述类型的作业装置的作业方式,并确定与作业方式相关的预设类型的与所述作业相关的数据。
数据获取步骤S200,用于获取预设类型的与所述作业相关的数据。从而根据预设类型的与所述作业相关的数据计算得到推荐的作业方式。
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作业相关的数据与作业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作业相关的数据格式,输出格式为作业方式的数据格式;作业方式的数据格式可以使用数字格式,将每一个作业方式编码成一个数字;作业方式(即作业的方式)包括使用前进、后退、左转、右转等等与作业任务相关的更为复杂的作业方式、以及一种或多种作业方式混合的作业方式;
模型计算步骤S400,用于将所述预设类型的与所述作业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作业方式。从而为控制所述作业系统提供推荐的作业方式。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作业方式控制所述作业装置;从而使得所述作业系统能以更优的方式运行,从而提高所述作业的所述作业系统的智能性和高效性。具体用于判断所述推荐的作业方式与当前作业方式是否一致:是,则向作业装置发送继续当前作业方式的控制指令;否,则向作业装置发送将当前作业方式切换为所述推荐的作业方式的控制指令。
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作业方式的选择有相关性的数据;
所述与所述作业相关的数据包括所述作业的数据、所述作业的环境数据;
所述预设类型的与所述作业相关的数据为所述预设类型的与所述作业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,用于获取所述作业所属类型的所有作业的有效历史大数据;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S312,用于获取所述有效历史大数据中预设类型的与所述作业相关的数据及其对应的作业方式,其中,所述预设类型的与所述作业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作业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作业相关的数据及其对应的作业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作业相关的数据及其对应的作业方式;所述有效历史大数据是在过去很长一段时间内采集的。预设类型的与所述作业相关的数据及其对应的作业方式是每一个被采集的作业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作业在每一个被采集的时刻的预设类型的与所述作业相关的数据,还要采集所述每一个被采集的作业在所述每一个被采集的时刻的作业方式,其中,所述每一个被采集的作业属于所述作业所属类型的作业集合。
其中,所述作业所属类型包括与所述作业具有至少一种共同的作业方式的作业(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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业相关的数据及其对应的作业方式;其中,所述预设类型的与所述作业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作业相关的数据及其对应的作业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作业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作业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作业方式。
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,
其中,有效历史大数据包括“有人操作(例如驾驶)”且“与所述作业具有至少一种共同的作业方式”的作业(例如交通工具)的历史大数据。因为人是有智能的,作业在有人操作(例如驾驶)时所选择的作业方式更可信,而无人机、无人车、无人船等无人操作的作业的历史大数据不一定可信。所述有人操作包括有人进行作业方式的选择。
其中,有效历史大数据还包括“无人操作(例如无人驾驶)”且“作业方式的选择效果满足预设条件”且“与所述作业具有至少一种共同的作业方式”的作业(例如开车、开船、开飞机)的历史大数据。其中,作业方式的选择效果满足预设条件包括作业方式的选择效果的用户评分大于预设阈值。所述无人操作包括无人进行作业方式的选择。
实施例7:
根据实施例1所述的方法,
其中,所述作业为车载式作业;所述车包括无人车;
其中,所述预设类型的与所述作业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、当前不同作业类型所需的能量数据、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,所述作业为船载作业;所述船包括无人船;
其中,所述预设类型的与所述作业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、当前不同作业类型所需的能量数据、所述船的剩余能量、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,所述作业为飞机机载作业;所述飞机包括无人机;
其中,所述预设类型的与所述作业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、当前不同作业类型所需的能量数据、所述飞机的剩余能量、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:
一种自动作业系统,包括作业类型获取模块100、数据获取模块200、预设模型获取模块300、模型计算模块400。
作业类型获取模块100,用于获取作业装置所属的作业类型。
数据获取模块200,用于获取预设类型的与所述作业相关的数据。
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作业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作业方式。
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作业方式控制所述作业装置。具体为,判断所述推荐的作业方式与当前作业方式是否一致:是,则向作业装置发送继续当前作业方式的控制指令;否,则向作业装置发送将当前作业方式切换为所述推荐的作业方式的控制指令。
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作业方式的选择有相关性的数据;
所述与所述作业相关的数据包括所述作业的数据、所述作业的环境数据;
所述预设类型的与所述作业相关的数据为所述预设类型的与所述作业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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业相关的数据及其对应的作业方式;
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作业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作业相关的数据及其对应的作业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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业相关的数据及其对应的作业方式;
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作业相关的数据及其对应的作业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作业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作业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作业方式。
实施例15:
根据实施例13或14所述的系统,
其中,有效历史大数据包括“有人操作(包括驾驶)”且“与所述作业具有至少一种共同的作业方式”的作业(包括交通工具)的历史大数据或/和“无人操作(包括无人驾驶)”且“作业方式的选择效果满足预设条件”且“与所述作业具有至少一种共同的作业方式”的作业(包括交通工具)的历史大数据。
实施例16:
根据实施例10所述的系统,包括:
其中,所述作业为车载式作业;所述车包括无人车;
其中,所述预设类型的与所述作业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、当前不同作业类型所需的能量数据、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,所述作业为船载作业;所述船包括无人船;
其中,所述预设类型的与所述作业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、当前不同作业类型所需的能量数据、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,所述作业为飞机机载作业;所述飞机包括无人机;
其中,所述预设类型的与所述作业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、当前不同作业类型所需的能量数据、所述飞机的剩余能量、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)
1.一种自动作业方法,其特征在于,所述方法包括:
作业类型获取步骤,用于获取作业装置所属的作业类型;
数据获取步骤,用于获取预设类型的与所述作业相关的数据;
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作业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作业方式;
作业方式包括与作业任务相关的作业方式、以及一种或多种作业方式混合的作业方式;
作业类型包括车载作业、机载作业、船载作业;
所述预设类型的与所述作业相关的数据包括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、当前不同作业类型所需的能量数据、所述作业装置的剩余能量;
所述与所述作业相关的数据包括所述作业的数据、所述作业的环境数据;
所述预设类型的与所述作业相关的数据为所述预设类型的与所述作业相关的当前数据或近期数据或最近预设时段内的数据。
2.根据权利要求1所述的自动作业方法,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作业方式控制所述作业装置。
3.根据权利要求1所述的自动作业方法,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作业方式的选择有相关性的数据。
4.根据权利要求1所述的自动作业方法,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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业方式;
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作业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所述的自动作业方法,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,用于获取所述作业所属类型的所有作业的有效历史大数据;
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作业方式;
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作业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作业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作业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作业方式。
6.根据权利要求4或5所述的自动作业方法,其特征在于,所述有效历史大数据包括有人操作且与所述作业具有至少一种共同的作业方式的作业的历史大数据;或/和无人操作且作业方式的选择效果满足预设条件且与所述作业具有至少一种共同的作业方式的作业的历史大数据。
7.根据权利要求1所述的自动作业方法,其特征在于,所述作业为车载式作业;所述车载式作业中的车包括无人车;所述预设类型的与所述作业相关的数据包括所述车载式作业中的车当前所在路段的路况数据、所述车载式作业中的车当前所在路段的排气污染控制指标数据、所述车载式作业中的车当前所在路段的噪音控制指标数据、所述车载式作业中的车当前所在路段的限速范围、所述车载式作业中的车当前不同作业类型所需的能量数据、所述车载式作业中的车的剩余能量、所述车载式作业中的车的车型、所述车载式作业中的车当前预设数据中的一种或几种。
8.根据权利要求1所述的自动作业方法,其特征在于,所述作业为船载作业;所述船载式作业中的船包括无人船;所述预设类型的与所述作业相关的数据包括所述船载式作业中的船当前所在航段的海况数据、所述船载式作业中的船当前所在航段的排气污染控制指标数据、所述船载式作业中的船当前所在航段的噪音控制指标数据、所述船载式作业中的船当前所在航段的气象数据、所述船载式作业中的船当前所在航段的风力数据、所述船载式作业中的船当前需求数据、所述船载式作业中的船当前不同作业类型所需的能量数据、所述船载式作业中的船的剩余能量、所述船载式作业中的船的船型、所述船载式作业中的船当前预设数据中的一种或几种。
9.根据权利要求1所述的自动作业方法,其特征在于,所述作业为飞机机载作业;所述飞机载式作业中的飞机包括无人机;所述预设类型的与所述作业相关的数据包括所述飞机载式作业中的飞机当前所在航段的天气数据、所述飞机载式作业中的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、所述飞机载式作业中的飞机当前不同作业类型所需的能量数据、所述飞机载式作业中的飞机的剩余能量、机型、所述飞机载式作业中的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任一项所述的自动作业方法中的步骤;所述系统包括机器人系统。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807317.9A CN110737260B (zh) | 2019-08-29 | 2019-08-29 | 基于大数据和人工智能的自动作业方法和机器人系统 |
PCT/CN2020/101535 WO2021036543A1 (zh) | 2019-08-29 | 2020-07-13 | 基于大数据和人工智能的自动作业方法和机器人系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807317.9A CN110737260B (zh) | 2019-08-29 | 2019-08-29 | 基于大数据和人工智能的自动作业方法和机器人系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110737260A CN110737260A (zh) | 2020-01-31 |
CN110737260B true CN110737260B (zh) | 2022-02-11 |
Family
ID=69267427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807317.9A Active CN110737260B (zh) | 2019-08-29 | 2019-08-29 | 基于大数据和人工智能的自动作业方法和机器人系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110737260B (zh) |
WO (1) | WO2021036543A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737260B (zh) * | 2019-08-29 | 2022-02-11 | 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 |
CN117949046B (zh) * | 2024-03-22 | 2024-06-04 | 山东省科学院海洋仪器仪表研究所 | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824970A (zh) * | 2016-04-12 | 2016-08-03 | 华南师范大学 | 基于大数据知识库和用户反馈的机器人交互方法和系统 |
CN108983788A (zh) * | 2018-08-15 | 2018-12-11 | 上海海事大学 | 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法 |
CN109063845A (zh) * | 2018-07-15 | 2018-12-21 | 大国创新智能科技(东莞)有限公司 | 基于生成样本的深度学习方法和机器人系统 |
CN109324622A (zh) * | 2018-09-29 | 2019-02-12 | 柏秋 | 一种无人驾驶控制系统及方法 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576683B (zh) * | 2012-08-03 | 2016-12-21 | 中国科学院深圳先进技术研究院 | 多巡逻机器人的调度方法和系统 |
CN103529805B (zh) * | 2013-10-25 | 2015-09-30 | 东北大学 | 一种钢铁企业原料取料设备的优化作业控制方法 |
CN104850677A (zh) * | 2015-03-25 | 2015-08-19 | 武汉大学 | 基于地理信息系统的深度学习元胞自动机仿真分析方法 |
CN105215987B (zh) * | 2015-10-12 | 2017-03-22 | 埃夫特智能装备股份有限公司 | 一种工业机器人工艺云系统及其工作方法 |
KR102471447B1 (ko) * | 2016-02-03 | 2022-11-28 | 엘지전자 주식회사 | 미러형 디스플레이 장치 및 그 제어방법 |
CN106200604A (zh) * | 2016-09-18 | 2016-12-07 | 朱超英 | 一种电控装置、农机系统及其使用方法 |
US11087206B2 (en) * | 2017-04-28 | 2021-08-10 | Intel Corporation | Smart memory handling and data management for machine learning networks |
CN107290972B (zh) * | 2017-07-05 | 2021-02-26 | 三星电子(中国)研发中心 | 设备控制方法和装置 |
CN107564363B (zh) * | 2017-09-05 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 一种用于驾驶模式切换的方法和装置 |
CN108629716A (zh) * | 2018-06-20 | 2018-10-09 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的精准复习方法和教育机器人系统 |
CN108828948B (zh) * | 2018-07-15 | 2021-06-18 | 大国创新智能科技(东莞)有限公司 | 基于深度学习的人工智能作战方法和机器人系统 |
CN109109863B (zh) * | 2018-07-28 | 2020-06-16 | 华为技术有限公司 | 智能设备及其控制方法、装置 |
CN110737260B (zh) * | 2019-08-29 | 2022-02-11 | 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 |
CN110488803B (zh) * | 2019-08-29 | 2023-01-03 | 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制动方法和机器人系统 |
CN110488828B (zh) * | 2019-08-29 | 2023-01-03 | 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航行灯控制方法和机器人系统 |
CN110488804B (zh) * | 2019-08-29 | 2023-01-03 | 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联合导航方法和机器人系统 |
CN110502015B (zh) * | 2019-08-29 | 2023-07-04 | 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速度控制方法和机器人系统 |
CN110509913B (zh) * | 2019-08-29 | 2021-05-21 | 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混合动力推进方法和机器人系统 |
-
2019
- 2019-08-29 CN CN201910807317.9A patent/CN110737260B/zh active Active
-
2020
- 2020-07-13 WO PCT/CN2020/101535 patent/WO2021036543A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824970A (zh) * | 2016-04-12 | 2016-08-03 | 华南师范大学 | 基于大数据知识库和用户反馈的机器人交互方法和系统 |
CN109063845A (zh) * | 2018-07-15 | 2018-12-21 | 大国创新智能科技(东莞)有限公司 | 基于生成样本的深度学习方法和机器人系统 |
CN108983788A (zh) * | 2018-08-15 | 2018-12-11 | 上海海事大学 | 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
CN109324622A (zh) * | 2018-09-29 | 2019-02-12 | 柏秋 | 一种无人驾驶控制系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的无人车避障策略研究;陈惠珍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190415;第I138-703页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021036543A1 (zh) | 2021-03-04 |
CN110737260A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229685B (zh) | 一种空地一体的无人智能决策方法 | |
CN110737986B (zh) | 一种无人船能效智能优化仿真系统及方法 | |
EP3557358A1 (en) | Adaptive autonomy system architecture | |
CN103513654B (zh) | 不可预测的交通工具导航 | |
CN109109863B (zh) | 智能设备及其控制方法、装置 | |
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 | |
KR20150018610A (ko) | 선박에 대한 항로의 결정을 위한 방법 및 시스템 | |
CN108363407B (zh) | 一种无人船自主航行的协同云控制系统 | |
CN109343559A (zh) | 一种无人机多控方法 | |
CN111538349B (zh) | 面向多任务的长航程auv自主决策方法 | |
CN110509913B (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 | |
Niu et al. | SuperDock: A deep learning-based automated floating trash monitoring system | |
CN110488828B (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 | |
CN110502015B (zh) | 基于大数据和人工智能的速度控制方法和机器人系统 | |
CN113342016B (zh) | 基于动态事件触发的自主式水下机器人协同控制方法和系统 | |
CN111212146A (zh) | 一种波浪滑翔器网络管理系统 | |
CN110488804B (zh) | 基于大数据和人工智能的联合导航方法和机器人系统 | |
CN110488803B (zh) | 基于大数据和人工智能的制动方法和机器人系统 | |
Mendoza-Chok et al. | Hybrid control architecture of an unmanned surface vehicle used for water quality monitoring | |
CN116700299A (zh) | 一种基于数字孪生的auv集群控制系统及方法 | |
AU2018357056B2 (en) | Positioning at least one vehicle in relation to a set of moving targets | |
CN113885533B (zh) | 一种无人艇的无人驾驶方法及系统 | |
CN110316185A (zh) | 车辆速度的控制方法、装置、设备及可读存储介质 | |
Acosta et al. | Some issues on the design of a low-cost autonomous underwater vehicle with an intelligent dynamic mission planner for pipeline and cable tracking | |
Do Trong et al. | Autonomous Detection and Approach Tracking of Moving Ship on the Sea by VTOL UAV based on Deep Learning Technique through Simulated Real-time On-Air Image Acquisitions |
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 |