CN111563632B - 一种基于SVM与A-Star算法的高效导购机器人的设计方法 - Google Patents
一种基于SVM与A-Star算法的高效导购机器人的设计方法 Download PDFInfo
- Publication number
- CN111563632B CN111563632B CN202010407004.7A CN202010407004A CN111563632B CN 111563632 B CN111563632 B CN 111563632B CN 202010407004 A CN202010407004 A CN 202010407004A CN 111563632 B CN111563632 B CN 111563632B
- Authority
- CN
- China
- Prior art keywords
- shopping guide
- guide robot
- path
- svm
- star
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Abstract
本发明涉及一种基于SVM与A‑Star算法的高效导购机器人的设计方法。导购机器人使用摄像头模块检测到客户提醒客户输入购物意向,导购机器人通过WIFI模块把目的地发送到商场服务器,商场摄像头采集路径上的图像,使用SVM算法检测路径各个区域的人群密度,依据人群密度与行人速度模型计算出各个区域的行人速度,并把行人速度发送给导购机器人。导购机器人根据行人速度更新A‑Star评估函数并搜寻用时最短路径,从而按照时间最短的方式进行路径规划,同时可以避开拥挤区域,选择较为开阔的区域快速到达终点。实现智能导购机器人的高准确性。
Description
技术领域
本发明涉及导购机器人领域,特别设计基于SVM与A-Star算法的高效导购机器人的设计方法。
背景技术
随着经济飞速的发展,科学技术的不断进步、人们生活水平的普遍提高、更多的对生命的尊重、老龄化日益严重的社会问题、以及新军事变革的不断深入,机器人已经成为在工业、社会、家庭、战场等环境下为人类服务的一个必然趋势。
随着机器人技术的蓬勃发展,越来越多的导购机器人被用作为顾客导购,尤其是在大型商场,由于人员拥堵不仅会造成商场秩序混乱,而且严重的情况还会发送踩踏事件,严重威胁顾客的生命财产安全。导购机器人可以引导顾客在购买物资时避开拥堵区域,提高顾客的采购效率,增大商场的经济效益。
A-Star算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是许多其他问题的常用启发式算法。注意——是最有效的直接搜索算法,之后涌现了很多预处理算法(如ALT,CH,HL等等),在线查询效率是A*算法的数千甚至上万倍。但是A-Star算法仅仅是搜寻的最短路径,被未考虑到商场人群密度的影响,在一定程度上会加剧商场的拥堵情况。因此,亟待提出一种高效的导购机器人,避开人群拥堵,从而提高顾客的采购效率,增大商场的经济效益。
发明内容
为了解决上述存在问题。本发明提出一种基于SVM与A-Star算法的高效导购机器人的设计方法,引导顾客避开拥堵区域,提高顾客的采购效率,增大商场的经济效益。为达此目的:
本发明提出基于SVM与A-Star算法的高效导购机器人的设计方法,具体步骤如下:
步骤1:导购机器人监测是否有顾客来临,当有顾客来临时,语音播报对顾客欢迎,并提醒顾客输入购买意向;
步骤2:把顾客购买意向的目的地通过WIFI模块发送到服务器;
步骤3:服务器读取顾客到达目的地的各条路径的视频图像信息;
步骤4:服务器提取视频图像前景特征,并使用SVM算法统计路径上人群密度;
步骤5:服务器根据人群密度与行人速度的数学模型计算出路径的速度函数,并把速度数据发送给导购机器人;
步骤6:导购机器人接收到路径速度函数后,对速度函数量化,并更新A-Star评估函数;
步骤7:导购机器人使用改进的A-Star算法搜寻最优路径;
步骤8:导购机器人开始导购。
作为本发明进一步改进,所述步骤1中导购机器人,主要包括摄像头传感器、显示器、陀螺仪传感器、语音播放模块、录音模块、按键模块、人体红外检测模块、超声波传感器等。
作为本发明进一步改进,所述步骤4中提取前景特征点运动向量和判定是否是前景特征点的公式分别为:
其中,Pi(xi,yi)是第i帧图像的特征点的位置,α,β为阈值。
作为本发明进一步改进,所述步骤4中SVM算法分类公式为:
yi[(w·x)+b]-1+ξi≥0,i=1,2...,N (3)
其中,N为样本个数,x为输入特征值,b为偏置,w是权重向量,ξi是松弛变量。
作为本发明进一步改进,所述步骤4中SVM算法选用核函数为:
其中,σ2为高斯函数的方差。
作为本发明进一步改进,所述步骤5中人群密度与行人速度的数学模型公式为:
v=-0.0057D4+0.074D3-0.2745D2-0.0142D+1.567 (5)
其中,D表示人群密度。
作为本发明进一步改进,所述步骤6中行人速度的量化公式为:
其中,V*=0时,此区域可视为障碍物。
作为本发明进一步改进,所述步骤6中A-Star的评估函数为:
其中,g(n)是起点到终点的最佳路径值,h(n)起点到终点的最佳路径的启发值。
本发明基于SVM与A-Star算法的高效导购机器人的设计方法,有益效果在于:
1.本发明利用改进A-Star技术,使得导购机器人更加智能化。
2.本发明利用语音模块、显示模块使得人机交互更加智能,能够满足不同客户需求。
3.本发明能够避开商场拥堵区域,能够缓解商场拥堵情况,增加商场收益。
4.本发明算法实现简单,硬件成本低。
附图说明
图1是系统架构图;
图2是人群密度与速度关系模型图;
图3是系统工作流程图;
图4是传统A-Star算法路径规划结果图;
图5是改进A-Star算法路径规划结果图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出一种基于SVM与A-Star算法的高效导购机器人的设计方法,引导顾客避开拥堵区域,提高顾客的采购效率,增大商场的经济效益。如图1是系统架构图。
本发明工作流程图如图2所示。
首先,导购机器人监测是否有顾客来临,当有顾客来临时,语音播报对顾客欢迎,并提醒顾客输入购买意向。导购机器人把顾客购买意向的目的地通过WIFI模块发送到服务器;导购机器人主要包括摄像头传感器、显示器、陀螺仪传感器、语音播放模块、录音模块、按键模块、人体红外检测模块、超声波传感器等。
接着,服务器读取顾客到达目的地的各条路径的视频图像信息,服务器提取视频图像前景特征,并使用SVM算法统计路径上人群密度。
提取前景特征点运动向量和判定是否是前景特征点的公式分别为:
其中,Pi(xi,yi)是第i帧图像的特征点的位置,α,β为阈值。
SVM算法分类公式为:
yi[(w·x)+b]-1+ξi≥0,i=1,2...,N (3)
其中,N为样本个数,x为输入特征值,b为偏置,w是权重向量,ξi是松弛变量。
SVM算法选用核函数为:
其中,σ2为高斯函数的方差。
然后,服务器根据人群密度与行人速度的数学模型计算出路径的速度函数,并把速度数据发送给导购机器人,导购机器人接收到路径速度函数后,对速度函数量化,并更新A-Star评估函数,如图3所示,是人群密度与行人速度的数学模型图。
人群密度与行人速度的数学模型公式为:
v=-0.0057D4+0.074D3-0.2745D2-0.0142D+1.567 (5)
其中,D表示人群密度。
行人速度的量化公式为:
其中,V*=0时,此区域可视为障碍物。
A-Star的评估函数为:
其中,g(n)是起点到终点的最佳路径值,h(n)起点到终点的最佳路径的启发值。
最后,导购机器人使用改进的A-Star算法搜寻最优路径,导购机器人开始导购,如图4、图5所示,是分别传统A-Star算法与改进A-Star算法寻优结果图。
A-Star算法流程为:
(1)将初始节点放入到open列表中。
(2)判断open列表。如果为空,则搜索失败。如果open列表中存在目标节点,则搜索成功。
(3)从open列表中取出F值最小的节点作为当前节点,并将其加入到close列表中。
(4)计算当前节点的相邻的所有可到达节点,生成一组子节点。对于每一个子节点:a)如果该节点在close列表中,则丢弃它;b)如果该节点在open列表中,则检查其通过当前节点计算得到的F值是否更小,如果更小则更新其F值,并将其父节点设置为当前节点;c)如果该节点不在open列表中,则将其加入到open列表,并计算F值,设置其父节点为当前节点。
(5)转到(2)。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.基于SVM与A-Star算法的高效导购机器人的设计方法,具体步骤如下,其特征在于,
步骤1:导购机器人监测是否有顾客来临,当有顾客来临时,语音播报对顾客欢迎,并提醒顾客输入购买意向;
所述步骤1中导购机器人,包括摄像头传感器、显示器、陀螺仪传感器、语音播放模块、录音模块、按键模块、人体红外检测模块和超声波传感器;
步骤2:把顾客购买意向的目的地通过WIFI模块发送到服务器;
步骤3:服务器读取顾客到达目的地的各条路径的视频图像信息;
步骤4:服务器提取视频图像前景特征,并使用SVM算法统计路径上人群密度;
所述步骤4中提取前景特征点运动向量和判定是否是前景特征点的公式分别为:
其中,Pi(xi,yi)是第i帧图像的特征点的位置,α,β为阈值;
所述步骤4中SVM算法分类公式为:
yi[(w·x)+b]-1+ξi≥0,i=1,2...,N (3)
其中,N为样本个数,x为输入特征值,b为偏置,w是权重向量,ξi是松弛变量;
所述步骤4中SVM算法选用核函数为:
其中,σ2为高斯函数的方差;
步骤5:服务器根据人群密度与行人速度的数学模型计算出路径的速度函数v,并把速度数据发送给导购机器人;
所述步骤5中人群密度与行人速度的数学模型公式为:
v=-0.0057D4+0.074D3-0.2745D2-0.0142D+1.567 (5)
其中,D表示人群密度;
步骤6:导购机器人接收到路径速度函数后,对速度函数量化,并更新A-Star评估函数;
所述步骤6中行人速度的量化公式为:
其中,V*=0时,此区域可视为障碍物;
所述步骤6中A-Star的评估函数为:
其中,g(n)是起点到终点的最佳路径值,h(n)起点到终点的最佳路径的启发值;
步骤7:导购机器人使用改进的A-Star算法搜寻最优路径;
步骤8:导购机器人开始导购。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407004.7A CN111563632B (zh) | 2020-05-14 | 2020-05-14 | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407004.7A CN111563632B (zh) | 2020-05-14 | 2020-05-14 | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563632A CN111563632A (zh) | 2020-08-21 |
CN111563632B true CN111563632B (zh) | 2023-08-18 |
Family
ID=72072083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010407004.7A Active CN111563632B (zh) | 2020-05-14 | 2020-05-14 | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563632B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11199417B2 (en) * | 2017-04-05 | 2021-12-14 | Walmart Apollo, Llc | Distributed system for dynamic sensor-based trip estimation |
CN112731919B (zh) * | 2020-12-01 | 2023-09-01 | 汕头大学 | 一种基于人群密度估计的指引机器人方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895953A (zh) * | 2010-07-09 | 2010-11-24 | 中国科学院软件研究所 | 一种基于传感器网络的室内应急导航方法 |
JP2011242924A (ja) * | 2010-05-17 | 2011-12-01 | Sharp Corp | 店舗内案内システムおよび店舗内案内方法 |
CN103279800A (zh) * | 2013-01-10 | 2013-09-04 | 吉林大学 | 基于博弈论的大规模人群疏散最优逃生路线生成方法 |
CN107167137A (zh) * | 2015-09-07 | 2017-09-15 | 广东欧珀移动通信有限公司 | 一种导航的方法及终端 |
CN110717003A (zh) * | 2019-09-27 | 2020-01-21 | 四川长虹电器股份有限公司 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
-
2020
- 2020-05-14 CN CN202010407004.7A patent/CN111563632B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011242924A (ja) * | 2010-05-17 | 2011-12-01 | Sharp Corp | 店舗内案内システムおよび店舗内案内方法 |
CN101895953A (zh) * | 2010-07-09 | 2010-11-24 | 中国科学院软件研究所 | 一种基于传感器网络的室内应急导航方法 |
CN103279800A (zh) * | 2013-01-10 | 2013-09-04 | 吉林大学 | 基于博弈论的大规模人群疏散最优逃生路线生成方法 |
CN107167137A (zh) * | 2015-09-07 | 2017-09-15 | 广东欧珀移动通信有限公司 | 一种导航的方法及终端 |
CN110717003A (zh) * | 2019-09-27 | 2020-01-21 | 四川长虹电器股份有限公司 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563632A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Watching a small portion could be as good as watching all: Towards efficient video classification | |
Xiang et al. | Beyond tracking: Modelling activity and understanding behaviour | |
Liao et al. | Building personal maps from GPS data | |
US10642891B2 (en) | Graph matching by sub-graph grouping and indexing | |
Wang et al. | Scene-specific pedestrian detection for static video surveillance | |
CN106846355B (zh) | 基于提升直觉模糊树的目标跟踪方法及装置 | |
Kanda et al. | Abstracting people's trajectories for social robots to proactively approach customers | |
CN111563632B (zh) | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 | |
Gong et al. | Identification of activity stop locations in GPS trajectories by DBSCAN-TE method combined with support vector machines | |
Le et al. | Long-term time-sensitive costs for crf-based tracking by detection | |
Hua et al. | Computer Vision–ECCV 2016 Workshops: Amsterdam, The Netherlands, October 8-10 and 15-16, 2016, Proceedings, Part II | |
Bera et al. | Adapt: real-time adaptive pedestrian tracking for crowded scenes | |
Laxhammar | Anomaly detection in trajectory data for surveillance applications | |
Athanesious et al. | Detecting abnormal events in traffic video surveillance using superorientation optical flow feature | |
Brščić et al. | Do you need help? a robot providing information to people who behave atypically | |
Wang et al. | Spatiotemporal group context for pedestrian counting | |
Liu et al. | Robust individual and holistic features for crowd scene classification | |
Seo et al. | A self-supervised sampler for efficient action recognition: Real-world applications in surveillance systems | |
Srinivas et al. | Multi-modal cyber security based object detection by classification using deep learning and background suppression techniques | |
Kooij et al. | Mixture of switching linear dynamics to discover behavior patterns in object tracks | |
Zhang et al. | Moving people tracking with detection by latent semantic analysis for visual surveillance applications | |
Pellegrini et al. | Predicting pedestrian trajectories | |
Bigdeli et al. | A fast noise resilient anomaly detection using GMM-based collective labelling | |
Leykin et al. | Detecting shopper groups in video sequences | |
Kelley et al. | Understanding activities and intentions for human-robot interaction |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230719 Address after: Room 603, Building 30, No. 91, Hezuo Village, Qixia District, Nanjing City, Jiangsu Province, 210000 Applicant after: Xu Feng Address before: Room 103-5, Building C, No. 9 Huida Road, Jiangbei New District, Nanjing City, Jiangsu Province, 210000 Applicant before: Nanjing Stavanger Intelligent Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |