CN111552260B - 工人位置估算方法、设备及存储介质 - Google Patents
工人位置估算方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111552260B CN111552260B CN202010660522.XA CN202010660522A CN111552260B CN 111552260 B CN111552260 B CN 111552260B CN 202010660522 A CN202010660522 A CN 202010660522A CN 111552260 B CN111552260 B CN 111552260B
- Authority
- CN
- China
- Prior art keywords
- worker
- time
- probability
- real
- robot
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41815—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by the cooperation between machine tools, manipulators and conveyor or other workpiece supply system, workcell
-
- 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]
Abstract
本发明公开了一种工人位置估算方法、设备及存储介质,所述方法包括:在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;基于生成的所述实时概率图,估算工作场地中工人的实时位置;达到了在不改变现有场地环境以及工人不佩戴任何定位设备的前提下、实时估算工人的位置分布概率的目的。
Description
技术领域
本发明涉及机器人技术领域,特别涉及一种工人位置估算方法、设备及存储介质。
背景技术
随着机器人技术的发展,机器人和人类工人进行配合工作变得越来越普遍。比如,在一个典型的应用场景中,该应用场景包括机器人调度系统、若干个机器人和若干名工人,机器人和工人能够各自移动并相互配合;例如,机器人到达指定区域并呼叫附近的工人,工人根据机器人的呼叫进行作业;通过这种类似的人机交互的方式,机器人和工人进行合作来完成任务。由于机器人调度系统已知机器人的实时位置,但未知工人的实时位置;因此,为了使机器人与工人之间能够进行高效的联动,且最大程度地减少工人的移动距离,机器人调度系统在调度任务时,需要实时定位场地内工人的位置。
现有的工人定位技术基本上均需要为工人配备相应的定位装置,也有些是为工作场地或机器人配备激光传感器、红外传感器等众多传感器,还有的甚至为此而改造场地环境。但是,如果工人数量众多、作业场地面积很大,那么就会对定位设备和传感器的精度都有很高要求,如此一来,势必大幅度增加了经济成本,也增加了工人的管理成本。为此,如何提供一种行之有效且成本低廉的工人定位方法,是目前人机交互场景所遇到的挑战之一。
发明内容
本发明提供一种工人位置估算方法、设备及存储介质,用以在不改变现有场地环境以及工人不佩戴任何定位设备的前提下,实时估算工人的位置分布概率。
第一方面,本发明提供了一种工人位置估算方法,所述工人位置估算方法包括:
在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;
实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
基于生成的所述实时概率图,估算工作场地中工人的实时位置。
第二方面,本发明提供了一种工人位置估算装置,所述工人位置估算装置包括:
位置获取模块,用于:在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
概率图生成模块,用于:基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
工人位置估算模块,用于:基于生成的所述实时概率图,估算工作场地中工人的实时位置。
第三方面,本发明提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的工人位置估算程序,所述工人位置估算程序被所述处理器运行时,执行所述的工人位置估算方法。
第四方面,本发明提供了一种计算机可读存储介质,所述存储介质上存储有工人位置估算程序,所述工人位置估算程序可以被一个或者多个处理器执行,以实现所述的工人位置估算方法的步骤。
本发明一种工人位置估算方法、设备及存储介质,通过在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;基于生成的所述实时概率图,估算工作场地中工人的实时位置;达到了在不改变现有场地环境以及工人不佩戴任何定位设备的前提下、实时估算工人的位置分布概率的目的,充分利用了资源,达到了高效、低成本地实现人机交互的有益效果,同时也提高了人机的协同性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明工人位置估算方法的一种实施方式的流程示意图。
图2是本发明工人位置估算方法中工人所在位置概率分布对应的一种实施方式的概率模型示意图。
图3是本发明工人位置估算方法中工人所在位置概率分布对应的一种实施方式的等高线表示的实时概率图。
图4是本发明工人位置估算方法中应用场景的一种实施方式的工作场景信号流示意图。
图5是本发明工人位置估算装置的一种实施方式的功能模块示意图。
图6是本发明电子设备的一种实施方式的内部结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种工人位置估算方法、设备及存储介质,用以在不改变现有场地环境以及工人不佩戴任何定位设备的前提下,实时估算工人的位置分布概率,高效、低成本地实现工人与机器人集群合作场景下的工人定位,提高机器人和工人之间的协同性。
如图1所示,图1是本发明工人位置估算方法的一种实施方式的流程示意图;本发明一种工人位置估算方法可以实施为图1描述的步骤S10-S40。
步骤S10、在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置。
本发明实施例中,在每个工作阶段的初始时,工人进入预先指定的位置点,工人的初始位置将作为机器人调度系统的初始参数;因此,机器人调度系统获取工人预先进入位置点所对应的工人初始位置,随后,工人的实时位置将通过与工人协作的机器人获取,即该机器人调度系统可以通过机器人发送的通信数据中携带的该机器人的位置信息,获取与该机器人协作的工人的位置信息。
步骤S20、实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息。
本发明实施例中,由于机器人调度系统在机器人工作的时候,二者是实时交互且有通信数据的传输,因此,机器人调度系统可以通过实时监控机器人与工人之间的人机交互操作,获取机器人的实时位置信息。比如,当机器人到达工作场地中的某位置点A时,开始与工人一起协作执行对应的人机交互事件,从而完成对应个工作任务,此时,当机器人到达该位置点A这一时刻,该机器人调度系统通过与机器人的数据交互,即可获取这一时刻机器人位于该位置点A,进而根据机器人当前所处的位置点A,该机器人调度系统便能够获取在这一时刻与机器人进行人机交互的工人的实时位置。
步骤S30、基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图。
步骤S40、基于生成的所述实时概率图,估算工作场地中工人的实时位置。
所述机器人调度系统在与工作场地中工作的机器人进行数据交互的同时,获取各机器人的实时位置信息。同时,利用在每个工作阶段的初始时获取的所述工人初始位置,所述机器人调度系统在每个预设时间间隔内,获取工作场地中每个位置点有工人存在的工人分布概率。所述预设时间间隔可以根据具体的应用场景、工作场地、机器人与工人的人机交互的任务类型等,进行具体设置,本发明实施对所述预设时间间隔的具体取值不进行限定。
根据获取到的所述工人分布概率,为了更加直观地进行显示以便于系统调度和/或后台监控,所述机器人调度系统生成所述工人分布概率对应的可视化的实时概率图,比如热点图、概率分布曲线图等。利用生成的所述实时概率图,即可一目了然地估算得知在对应的时刻,该工作场地内工人对应的实时位置。
进一步地,在一个实施例中,所述机器人调度系统在生成实时概率图时,可以利用概率时间地理在定位技术上的应用原理来实现。概率时间地理即:在时间地理确定的可达范围基础上,分析移动对象所在位置的可能性,能够为移动对象最大可能地定位提供定量依据。
基于以上描述,在一种实施方式中,图1所述实施例中的“步骤S30、基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图”可以按照如下技术手段实施:
利用概率时间地理在定位技术上的应用原理,在单位时间T内的任意时刻,工人所在的位置概率分布满足二维正态分布的概率模型;利用所述概率模型,按照预设时间间隔ΔT,获取工作场地中每个位置点有工人存在的工人分布概率,并以等高线的形式生成可视化的所述实时概率图。
本发明实施例中,假设工作场地内工人移动方向随机的情况下,利用概率时间地理在定位技术上的应用原理,在单位时间T内的任意时刻,工人所在位置概率分布对应的所述概率模型可以表示为数学表达式(1):
所述数学表达式(1)中,(x,y)服从参数μ1、μ2、σ1、σ2和ρ的二维正态分布;其中,所述参数μ1、μ2、σ1、σ2和ρ均为常数,其取值范围分别为:σ1≥0;σ2≥0;-1<ρ<1;-∞<μ1<+∞;-∞<μ2<+∞。
在假设工人移动方向随机的情况下,利用概率时间地理在定位技术上的应用原理,工人以最大步行速度V在单位时间T内所能到达的平面区域可以用圆形表示,也称为潜在区域(potential path area,PPA)。在单位时间T内的任意时刻,工人所在的位置概率分布符合二维正态分布的概率模型,即数学表达式(1)对应的概率模型。其中μ1、μ2、σ1、σ2和ρ都是常数,称(x,y)服从参数μ1、μ2、σ1、σ2和ρ的二维正态分布。μ1、μ2、σ1、σ2和ρ的取值范围分别为:σ1≥0;σ2≥0;-1<ρ<1;-∞<μ1<+∞;-∞<μ2<+∞。如图2所示,图2是本发明工人位置估算方法中工人所在位置概率分布对应的一种实施方式的概率模型示意图;所述概率模型对应的数学表达式(1)的函数在三维空间中的图像,是一个椭圆切面的钟倒扣在平面上,即图2所示。其中,所述概率模型中的正态分布的参数σ1、σ2与工人的步行速度成正比,即工人步行速度越大,所述概率模型中的正态分布对应的方差越大。
基于数学表达式(1)对应的概率模型和图2所示的三维图像,利用所述概率模型,按照预设时间间隔ΔT,获取工作场地中每个位置点有工人存在的工人分布概率,并以等高线的形式生成可视化的所述实时概率图,可以通过如下技术手段实施:
利用所述概率模型,按照预设时间间隔ΔT,执行工作场地对应的全局运算,得到所述工作场地中每个位置点有工人存在的工人分布概率;基于所述概率模型,通过将竖直方向的z轴去掉、仅保留x轴和y轴的方式,将所述概率模型对应的三维空间的立体图像转换为二维空间的平面图形,得到一系列包含着圆的、以等高线的形式表示所述工人分布概率的所述实时概率图;其中,所述实时概率图中的每个圆对应的数值即为工人出现在此处的概率。
在一个实施例中,如图3所示,图3是本发明工人位置估算方法中工人所在位置概率分布对应的一种实施方式的等高线表示的实时概率图;如果对一个二维正态分布的图像比如图2所示的三维图像,将Z轴去掉,以等高线的形式表示工作场地中工人分布的概率值的大小,那么对于D1,D2的图像,就变为了一系列包含着的圆,而每个圆对应的数值即对应工人出现在此处的概率。
基于上述实施例的描述,在本发明的另一个实施例中,假设工作场地内工人移动方向并非随机,则在工人移动方向不随机的情况下,引入麦克斯韦-玻尔兹曼分布律作为所述概率模型的扩充,则在单位时间T内的任意时刻,工人所在位置概率分布对应的所述概率模型演变为:定向移动基于正态分布的概率模型。
本发明实施例中,考虑到工作场地内工人作为自然人的自主性,即工人移动方向并非随机,也可能会受到其他因素的影响,此种情况下,引入麦克斯韦-玻尔兹曼分布律作为所述概率模型的扩充。由于麦克斯韦-玻尔兹曼分布律对任何物质的微粒(气体、液体、固体的原子和分子、布朗粒子等),在任何保守力场中运动的情形都成立,其中布朗粒子被视为巨大分子。在时间地理中,人一方面具有微粒的扩散特性,如在实际作业中为了避免任务拥挤调配不开,工人倾向于移动到相对宽松的区域待命,这样,人可视为原子、分子和布朗粒子等微粒基于尺度的进一步扩展;另一方面,人的移动也受保守力制约,比如新的机器人呼叫所产生的对工人移动方向的向心力等。基于这种考虑,工人位置的分布实际上演变为定向移动基于正态分布的概率模型。
进一步地,在本发明的一个实施例中,所述机器人调度系统还具备反馈调节的功能。所述工人位置估算方法还包括:
根据生成的以等高线的形式表示的所述实时概率图,反向调控所述工作场地内的机器人集群和/或任务调度。
由于实时概率图直观地展示了各个时刻在工作场地内工人对应的分布概率,因此,通过该等高线的峰点距离和等高线曲线的分布紧密度情况,即可得知不同时刻工作场地内工人的情况。通过对工人分布概率的实时概率图的分析,即可反向调控工作场地内工作的机器人集群和/或进行任务调度。
在一个实施例中,所述机器人调度系统根据生成的以等高线的形式表示的所述实时概率图,反向调控所述工作场地内的机器人集群和/或任务调度,可以按照如下技术手段实施:
根据生成的以等高线的形式表示的所述实时概率图,分析所述实时概率图;若检测到所述实时概率图中各等高线峰点之间的距离低于预设距离,且所述等高线的曲线分布密度大于预设密度,则根据所述等高线的峰点距离和曲线分布密度,重排所述工作场地内的待执行任务,以便分散工人位置;若检测到所述实时概率图中等高线的曲线分布密度低于预设阈值,则根据所述实时概率图,对所述工作场地内的工人进行任务重排。
比如,在具体的应用场景中,所述机器人调度系统根据生成的以等高线的形式表示的所述实时概率图,如果检测到等高线的峰点距离很近(即正态分布曲线的峰点接近),且等高线曲线分布过于紧密(即正态分布的参数σ1和σ2过小),则说明工作场地中目前的任务过于集中在某处。在反向调节时,可以依据峰点距离和曲线密度设置适当阈值,比如,针对峰点距离设置对应的所述预设距离,针对等高线的曲线密度设置对应的所述预设密度,当分别达到阈值时,比如等高线的各峰点之间的距离低于预设距离,和/或:等高线各曲线之间对应的曲线分布密度达到预设密度时,所述机器人调度系统开始执行反向调控,重排机器人集群的调度安排,比如采取分散任务、分散工人位置等措施。
所述机器人调度系统如果检测到等高线曲线分布过于松散(即正态分布的参数σ1和σ2过大),比如上述各等高线曲线之间的曲线密度低于预设阈值,则说明当前工作场地中目前可执行的任务较少。此时,所述机器人调度系统开始执行反向调控,根据所述实时概率图,对所述工作场地内的工人进行任务重排;比如,设置工人轮休时间,让部分工人轮流离岗休息;或者是,调小工人的行进速度V,以降低参数σ1和σ2。本发明实施例中,针对调小工人的行进速度V,在具体应用时,可以根据具体需求选择不同的实现方式。由于工人是自然人,因此可以通过语音信息的方式提醒用户,或者,通过调度机器人前往不同距离的位置处执行相关任务等方式均可,只要达到对应的目的即可。另外,本发明实施例主要阐述的是本发明的发明构思和思想,至于具体的实时方式,可以根据不同应用场景、不同工作场地进行具体的设置和配置,本发明实施例不进行一一穷举和赘述。
本发明工人位置估算方法,通过在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;基于生成的所述实时概率图,估算工作场地中工人的实时位置;达到了在不改变现有场地环境以及工人不佩戴任何定位设备的前提下、实时估算工人的位置分布概率的目的,充分利用了资源,达到了高效、低成本地实现人机交互的有益效果,同时也提高了人机的协同性。
基于上述实施例的描述,如图4所示,图4是本发明工人位置估算方法中应用场景的一种实施方式的工作场景信号流示意图。图4所述的工作场景基于本发明描述的工人位置估算方法的思想运行,在图4所述的应用场景中,本发明工人位置估算方法对应的系统运行环境是以流计算模型为基础的处理系统;其主要工作是,将机器人与工人之间的交互信息中的位置信息作为流入口,通过利用工人位置估算方法,实时产生工人位置对应的概率分布;进而以工人位置概率分布对应的实时概率图作为基础,进行机器人集群和/或任务调度。
在图4对应的工作场景中,利用机器人原有的定位模块和所述机器人调度系统原有的系统进程,没有改动仓储的硬件布局,也无需给工人增加额外的定位设备,充分利用现有的机器人调度系统和机器人之间的通信数据即可实现本发明工人位置估算方法、设备及存储介质对应的密度。这是由于机器人与机器人调度系统之间的通信数据中包含了人机交互的位置信息,即在某时刻一名工人与机器人协作时这名工人出现的位置,所以机器人调度系统实际上在通过机器人源源不断地接收工人出现的位置这一数据,本发明的主要思想是:将机器人调度系统通过机器人源源不断地获取到的工人出现的位置这一数据进行充分地利用,并利用本发明工人位置估算方法、设备及存储介质对应的适合具体应用场景的算法,计算得到工人分布概率。
进一步地,该机器人调度系统也可以基于得到的实时的工人分布概率,反向调节,进行工作场地的优化调度,比如安排新的作业,从而产生新的人机交互,并产生新的数据流;如此,并可进入正向的数据循环和机器人调度系统的不断运行。
图4所述的应用场景中的机器人调度系统利用已有的人机交互信号,通过本发明工人位置估算方法、设备及存储介质对应的适合具体场景的算法,使用流计算框架,实时估算出工人位置分布,且基于此,调控机器人集群和/或任务调度,达到了高效、低成本地实现机器人与工人合作场景下工人定位的目的,提高了机器人和工人之间的协同性。
基于上述实施例的描述,对应于上述实施提供的一种工人位置估算方法,本发明还提供了一种工人位置估算装置,如图5所示,图5是本发明工人位置估算装置的一种实施方式的功能模块示意图;图5仅仅从功能上描述本发明工人位置估算装置。
在图5所示的实施例中,所述工人位置估算装置在功能上包括:
位置获取模块100,用于:在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
概率图生成模块200,用于:基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
工人位置估算模块300,用于:基于生成的所述实时概率图,估算工作场地中工人的实时位置。
在一个实施例中,所述工人位置估算装置还用于:
以通过所述实时概率图估算得到的工人的实时位置为基础,优化任务调度算法,调度机器人前往所述实时概率图对应的最优任务范围,并在机器人与工人完成交互作业时,接收机器人传回的机器人实时位置信息;以便根据机器人传回的所述机器人实时位置信息,获取对应的工人分布概率,更新所述实时概率图。
在一个实施例中,所述概率图生成模块200用于:利用概率时间地理在定位技术上的应用原理,在单位时间T内的任意时刻,工人所在的位置概率分布满足二维正态分布的概率模型;利用所述概率模型,按照预设时间间隔ΔT,获取工作场地中每个位置点有工人存在的工人分布概率,并以等高线的形式生成可视化的所述实时概率图。
在一个实施例中,所述概率图生成模块200用于:在工人移动方向随机的情况下,利用概率时间地理在定位技术上的应用原理,在单位时间T内的任意时刻,工人所在位置概率分布对应的所述概率模型可以表示为数学表达式(1):
所述数学表达式(1)中,(x,y)服从参数μ1、μ2、σ1、σ2和ρ的二维正态分布;其中,所述参数μ1、μ2、σ1、σ2和ρ均为常数,其取值范围分别为:σ1≥0;σ2≥0;-1<ρ<1;-∞<μ1<+∞;-∞<μ2<+∞。
在一个实施例中,所述概率图生成模块200用于:利用所述概率模型,按照预设时间间隔ΔT,执行工作场地对应的全局运算,得到所述工作场地中每个位置点有工人存在的工人分布概率;基于所述概率模型,通过将竖直方向的z轴去掉、仅保留x轴和y轴的方式,将所述概率模型对应的三维空间的立体图像转换为二维空间的平面图形,得到一系列包含着圆的、以等高线的形式表示所述工人分布概率的所述实时概率图;其中,所述实时概率图中的每个圆对应的数值即为工人出现在此处的概率。
在一个实施例中,所述概率图生成模块200用于:在工人移动方向并非随机的情况下,引入麦克斯韦-玻尔兹曼分布律作为所述概率模型的扩充,则在单位时间T内的任意时刻,工人所在位置概率分布对应的所述概率模型演变为:定向移动基于正态分布的概率模型。
在一个实施例中,所述工人位置估算装置用于:根据生成的以等高线的形式表示的所述实时概率图,反向调控所述工作场地内的机器人集群和/或任务调度。
在一个实施例中,所述工人位置估算装置用于:根据生成的以等高线的形式表示的所述实时概率图,分析所述实时概率图;若检测到所述实时概率图中各等高线峰点之间的距离低于预设距离,和/或所述等高线的曲线分布密度达到预设密度,则根据所述等高线的峰点距离和曲线分布密度,重排所述工作场地内的待执行任务,以便分散工人位置;若检测到所述实时概率图中等高线的曲线分布密度低于预设阈值,则根据所述实时概率图,对所述工作场地内的工人进行任务重排。
本发明工人位置估算装置具备上述实施例中所述机器人调度系统的全部功能,且具体实施方式与上述工人位置估算方法对应的各实施例的实施原理基本相同,在此不作累述。
本发明工人位置估算装置,通过在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;基于生成的所述实时概率图,估算工作场地中工人的实时位置;达到了在不改变现有场地环境以及工人不佩戴任何定位设备的前提下、实时估算工人的位置分布概率的目的,充分利用了资源,达到了高效、低成本地实现人机交互的有益效果,同时也提高了人机的协同性。
本发明还提供了一种电子设备,所述电子设备可以按照图1所述的工人位置估算来估算工作场地中工人的实时位置。如图6所示,图6是本发明电子设备的一种实施方式的内部结构示意图。图6所示的电子设备,在不改变现有场地环境以及工人不佩戴任何定位设备的前提下,能够实时估算工人的位置分布概率,高效、低成本地实现工人与机器人集群合作场景下的工人定位。
在本实施例中,电子设备1可以是PC(Personal Computer,个人电脑),也可以是智能手机、平板电脑、便携计算机等终端设备。该电子设备1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的硬盘。存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如工人位置估算程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行工人位置估算程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图6仅示出了具有组件11-14以及工人位置估算程序01的电子设备1,本领域技术人员可以理解的是,图6示出的结构并不构成对电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
基于上述实施例的描述,在图6所示的电子设备1实施例中,存储器11中存储有工人位置估算程序01;所述存储器11上存储的工人位置估算程序01可在所述处理器12上运行,所述工人位置估算程序01被所述处理器12运行时实现如下步骤:
在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;
实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
基于生成的所述实时概率图,估算工作场地中工人的实时位置。
本发明电子设备具体实施方式与上述工人位置估算方法和装置对应的各实施例的实施原理基本相同,在此不作累述。
此外,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质上存储有工人位置估算程序,所述工人位置估算程序可以被一个或者多个处理器执行,以实现下操作:
在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;
实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
基于生成的所述实时概率图,估算工作场地中工人的实时位置。
本发明计算机可读存储介质具体实施方式与上述工人位置估算方法、装置和电子设备对应的各实施例的实施原理基本相同,在此不作累述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种工人位置估算方法,其特征在于,所述工人位置估算方法包括:
在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;
实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
基于生成的所述实时概率图,估算工作场地中工人的实时位置。
2.如权利要求1所述的工人位置估算方法,其特征在于,所述基于生成的所述实时概率图,估算工作场地中工人的实时位置之后,还包括:
以通过所述实时概率图估算得到的工人的实时位置为基础,优化任务调度算法,调度机器人前往所述实时概率图对应的最优任务范围,并在机器人与工人完成交互作业时,接收机器人传回的机器人实时位置信息;以便根据机器人传回的所述机器人实时位置信息,获取对应的工人分布概率,更新所述实时概率图。
3.如权利要求1或2所述的工人位置估算方法,其特征在于,所述基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图,包括:
利用概率时间地理在定位技术上的应用原理,在单位时间T内的任意时刻,工人所在的位置概率分布满足二维正态分布的概率模型;
利用所述概率模型,按照预设时间间隔ΔT,获取工作场地中每个位置点有工人存在的工人分布概率,并以等高线的形式生成可视化的所述实时概率图。
5.如权利要求4所述的工人位置估算方法,其特征在于,所述利用所述概率模型,按照预设时间间隔ΔT,获取工作场地中每个位置点有工人存在的工人分布概率,并以等高线的形式生成可视化的所述实时概率图,包括:
利用所述概率模型,按照预设时间间隔ΔT,执行工作场地对应的全局运算,得到所述工作场地中每个位置点有工人存在的工人分布概率;
基于所述概率模型,通过将竖直方向的z轴去掉、仅保留x轴和y轴的方式,将所述概率模型对应的三维空间的立体图像转换为二维空间的平面图形,得到一系列包含着圆的、以等高线的形式表示所述工人分布概率的所述实时概率图;其中,所述实时概率图中的每个圆对应的数值即为工人出现在此处的概率。
6.如权利要求4所述的工人位置估算方法,其特征在于,所述利用概率时间地理在定位技术上的应用原理,在单位时间T内的任意时刻,工人所在的位置概率分布满足二维正态分布的概率模型,包括:
在工人移动方向并非随机的情况下,引入麦克斯韦-玻尔兹曼分布律作为所述概率模型的扩充,则在单位时间T内的任意时刻,工人所在位置概率分布对应的所述概率模型演变为:定向移动基于正态分布的概率模型。
7.如权利要求3所述的工人位置估算方法,其特征在于,所述工人位置估算方法还包括:
根据生成的以等高线的形式表示的所述实时概率图,反向调控所述工作场地内的机器人集群和/或任务调度。
8.如权利要求7所述的工人位置估算方法,其特征在于,所述根据生成的以等高线的形式表示的所述实时概率图,反向调控所述工作场地内的机器人集群和/或任务调度,包括:
根据生成的以等高线的形式表示的所述实时概率图,分析所述实时概率图;
若检测到所述实时概率图中各等高线峰点之间的距离低于预设距离,和/或所述等高线的曲线分布密度达到预设密度,则根据所述等高线的峰点距离和曲线分布密度,重排所述工作场地内的待执行任务,以便分散工人位置;
若检测到所述实时概率图中等高线的曲线分布密度低于预设阈值,则根据所述实时概率图,对所述工作场地内的工人进行任务重排。
9.一种工人位置估算装置,其特征在于,所述工人位置估算装置包括:
位置获取模块,用于:在每个工作阶段的初始时,获取工人预先进入指定位置点所对应的工人初始位置;实时监控机器人与工人之间的人机交互事件,获取机器人的实时位置信息;
概率图生成模块,用于:基于获取的所述工人初始位置和机器人的所述实时位置信息,按照预设时间间隔,获取工作场地中每个位置点有工人存在的工人分布概率,生成所述工人分布概率对应的可视化的实时概率图;
工人位置估算模块,用于:基于生成的所述实时概率图,估算工作场地中工人的实时位置。
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的工人位置估算程序,所述工人位置估算程序被所述处理器运行时,执行如权利要求1至7中任一项所述的工人位置估算方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质上存储有工人位置估算程序,所述工人位置估算程序可以被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的工人位置估算方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660522.XA CN111552260B (zh) | 2020-07-10 | 2020-07-10 | 工人位置估算方法、设备及存储介质 |
PCT/CN2021/104570 WO2022007754A1 (zh) | 2020-07-10 | 2021-07-05 | 工人位置估算方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660522.XA CN111552260B (zh) | 2020-07-10 | 2020-07-10 | 工人位置估算方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111552260A CN111552260A (zh) | 2020-08-18 |
CN111552260B true CN111552260B (zh) | 2020-10-27 |
Family
ID=72005374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010660522.XA Active CN111552260B (zh) | 2020-07-10 | 2020-07-10 | 工人位置估算方法、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111552260B (zh) |
WO (1) | WO2022007754A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552260B (zh) * | 2020-07-10 | 2020-10-27 | 炬星科技(深圳)有限公司 | 工人位置估算方法、设备及存储介质 |
CN116680545B (zh) * | 2023-08-02 | 2023-10-20 | 西安核音智言科技有限公司 | 一种基于马尔科夫随机场的煤矿出井人员预测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7693683B2 (en) * | 2004-11-25 | 2010-04-06 | Sharp Kabushiki Kaisha | Information classifying device, information classifying method, information classifying program, information classifying system |
CN105425759A (zh) * | 2015-12-30 | 2016-03-23 | 毛扬 | 智能工地管理系统及方法 |
JP6738555B2 (ja) * | 2016-05-23 | 2020-08-12 | 富士ゼロックス株式会社 | ロボット制御システム |
CN107103388B (zh) * | 2017-04-26 | 2021-02-05 | 杨毅 | 基于需求预测的机器人调度系统与方法 |
JP2019133298A (ja) * | 2018-01-30 | 2019-08-08 | 株式会社日立製作所 | 作業者モニタリングシステム、それに用いる作業者端末、及び、ビーコンの配置方法 |
CA3118313A1 (en) * | 2018-10-29 | 2020-05-07 | Strong Force TX Portfolio 2018, LLC | Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources |
CN109579849B (zh) * | 2019-01-14 | 2020-09-29 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
CN110135744B (zh) * | 2019-05-21 | 2021-04-16 | 郑州航空工业管理学院 | 建筑工人安全行为习惯评价方法 |
CN110942474B (zh) * | 2019-11-27 | 2023-06-13 | 炬星科技(深圳)有限公司 | 机器人目标跟踪方法、设备及存储介质 |
CN111080260A (zh) * | 2019-12-19 | 2020-04-28 | 巢湖学院 | 一种智慧工地管理平台 |
CN111340286B (zh) * | 2020-02-24 | 2023-01-17 | 广东博智林机器人有限公司 | 机器人调度方法、装置、电子设备以及存储介质 |
CN111552260B (zh) * | 2020-07-10 | 2020-10-27 | 炬星科技(深圳)有限公司 | 工人位置估算方法、设备及存储介质 |
-
2020
- 2020-07-10 CN CN202010660522.XA patent/CN111552260B/zh active Active
-
2021
- 2021-07-05 WO PCT/CN2021/104570 patent/WO2022007754A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022007754A1 (zh) | 2022-01-13 |
CN111552260A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111552260B (zh) | 工人位置估算方法、设备及存储介质 | |
CN106650592B (zh) | 目标追踪系统 | |
CN103970264B (zh) | 手势辨识与控制方法及其装置 | |
CN105912339B (zh) | 一种数控系统中应用的开发与集成方法及系统 | |
KR101347840B1 (ko) | 신체 제스처 인식 방법 및 장치 | |
KR20180039821A (ko) | 모니터링 시스템 제어 방법 및 이를 지원하는 전자 장치 | |
CN103399543A (zh) | 输片协作的多个机器人设备的调度方法及系统 | |
KR20200084795A (ko) | 엔드 디바이스, 엔드 디바이스를 제어하기 위한 에지 서버 및 클라우드 서버를 포함하는 3자간 통신 시스템, 및 그의 동작 방법 | |
Rabah et al. | Heterogeneous parallelization for object detection and tracking in UAVs | |
Kagami et al. | Design and implementation of on-body real-time depth map generation system | |
CN112507918A (zh) | 一种手势识别方法 | |
CA3045169A1 (en) | Method and system for device placement based optimization techniques | |
CN111428641A (zh) | 安全着装检测方法、装置、计算机设备和可读存储介质 | |
KR101027906B1 (ko) | 물체 인식 방법 및 장치 | |
JP2021174531A (ja) | 目標追跡方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN112363837A (zh) | 基于集群环境的点云数据并行处理方法和装置、设备及存储介质 | |
Trigueiros et al. | Vision-based hand segmentation techniques for human-robot interaction for real-time applications | |
JP2017033556A (ja) | 画像処理方法及び電子機器 | |
CN103576906A (zh) | 鼠标图标控制方法及系统 | |
CN103885597B (zh) | 空间输入识别方法和系统 | |
Zhang et al. | A novel elevator group control algorithm based on binocular-cameras corridor passenger detection and tracking | |
Keramidas et al. | Optimizing the operational time of ambient assisting living robots | |
CN113050614B (zh) | 机器人自主管理执行能力的方法、设备及存储介质 | |
CN116050590B (zh) | 基于激光扫描装置建立三维车船调度方法及装置 | |
RU2693197C2 (ru) | Операторный универсальный интеллектуальный 3-D интерфейс |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 518055 Room 401, block D, building 7, Shenzhen International Innovation Valley, Dashi Road, Xili community, Xili street, Nanshan District, Shenzhen, Guangdong Patentee after: JUXING TECHNOLOGY (SHENZHEN) Co.,Ltd. Address before: 518000 building 101, building R3b, Gaoxin industrial village, No.018, Gaoxin South 7th Road, community, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: JUXING TECHNOLOGY (SHENZHEN) Co.,Ltd. |