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 PDF

Info

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
Application number
CN202010407004.7A
Other languages
English (en)
Other versions
CN111563632A (zh
Inventor
许峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xu Feng
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010407004.7A priority Critical patent/CN111563632B/zh
Publication of CN111563632A publication Critical patent/CN111563632A/zh
Application granted granted Critical
Publication of CN111563632B publication Critical patent/CN111563632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于SVM与A-Star算法的高效导购机器人的设计方法
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。
CN202010407004.7A 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 Active CN111563632B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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