CN112987752B - 一种伴随行走规划控制方法 - Google Patents
一种伴随行走规划控制方法 Download PDFInfo
- Publication number
- CN112987752B CN112987752B CN202110321896.3A CN202110321896A CN112987752B CN 112987752 B CN112987752 B CN 112987752B CN 202110321896 A CN202110321896 A CN 202110321896A CN 112987752 B CN112987752 B CN 112987752B
- Authority
- CN
- China
- Prior art keywords
- target
- accompanying
- lost
- walking
- missing state
- 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 70
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims description 6
- 241001465754 Metazoa Species 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000037308 hair color Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
本发明涉及一种伴随行走规划控制方法，所述伴随行走规划控制方法包含：步骤S1：获取随行目标类别；步骤S2：加载和目标类别对应的随行规划控制方法；步骤S3：从检测信息中获取关键信息以设置目标标签；步骤S4：根据目标标签优化随行控制方法。本发明基于随行目标的分类、同种类型随行目标的具体特征及其抽象，对随行规划做适应性控制，从而以较小的软硬件开销进行随行控制，继而降低了对家用智能机器人的软硬件需求，提高了用户体验。
Description
【技术领域】
本发明属于智能家用服务机器人技术领域，尤其涉及一种伴随行走规划控制方法。
【背景技术】
随着全球工业化的快速发展，科学技术的不断进步，尤其是智能机器人的应用领域不断地拓宽，家用服务机器人已经成为当今世界机器人技术研究的热点。机器人技术作为高新科技，已经逐步地渗透进我们生活的方方面面。从遥远太空的火星到海底两万里，从生产车间到医院，机器人所发挥的作用不可估量！当代机器人研究的领域已经从结构环境下的定点作业中走出来，向航空航天、星际探索、军事侦察攻击、水下地下管道、疾病检查治疗、抢险救灾等非结构环境下的自主作业方面发展。未来的机器人将在人类不能或难以到达的已知或未知环境里为人类工作。不止是游戏厅，在公园、家中、商场，机器人都能够和用户进行互动交流。比如跑步陪伴机器人能够在我们跑步运动是带来更多乐趣；购物助手机器人能吸引顾客、为顾客介绍商品信息、帮顾客提拿商品等等。
随行作为典型的移动机器人人机协作方式，其既可解除遥控机器人带来的繁琐的操作负担，又能充分发挥移动机器人在复杂环境下的灵活性与适应性，因而研究移动机器人的随行功能具有较强的现实意义。目前许多专利文献都对伴随行走机器人开展了研究，然而其侧重点往往集中于机器人如何识别目标和规划路径，现今机器人领域普遍采用的路径规划方式为基于栅格的路径规划算法，该种规划方法将环境用规则化的栅格进行表示，并把路径规划转化为对联通栅格的搜索问题。常见的规划方法包括A*、D*、LPA*、ARA*的改进算法，上述改进算法在特定条件下均可搜索出起点到目标点的最优路径。但是随行有着很强的家用需求，而家用需求的软硬件资源很有限，增加软硬件资源会直接增加价格，而现有伴随机器人的路径规划算法，比较浪费时间，浪费伴随机器人自身能耗，规划运行时间长导致机器人反应速度慢，造成很差的用户体验，而在当前的现有技术中，如何进行壁障是研究的热点，而且避障算法越来越复杂，那么如何在相对有限的资源环境下，进行伴随行走快速规划和控制是当前的研究重点，是待解决的问题。本发明利用不同类型随行目标、同种类型随行目标的具体特征及其场景，对随行规划做适应性控制，从而降低规划控制的软硬件开销，降低了对家用智能机器人的软硬件需求，能够在基于栅格的路径规划方法的基础上，通过目标标签的实时检测来优化路径规划控制方法，减少了随行丢失的情况和用户参与度，从而大大的提高了用户体验。
【发明内容】
为了解决现有技术中的上述问题，本发明提出了一种伴随行走规划控制方法，包括如下步骤：
步骤S1：获取随行目标类别；
步骤S2：加载和目标类别对应的随行规划控制方法；
步骤S3：从检测信息中获取关键信息以设置目标标签；
步骤S4：根据目标标签优化随行控制方法。
进一步的，随行目标的目标类型是随行开始时用户输入的。
进一步的，随行目标的目标类型包括车、人、动物、机械手臂。
进一步的，不同目标类型对应不同的随行规划控制方法，通过预设的对应关系获取和所述目标类型对应的随行规划控制方法。
进一步的，所述步骤S3具体为：基于目标类别从检测信息中获取关键信息以构成目标特征，从目标特征中提取显著目标特征，所述基于显著特征确定目标标签。
进一步的，在随行开始时，通过检测信息确定随行目标的类别。
一种伴随行走规划控制装置，其特征在于，包括：
获取模块：获取随行目标类别；
加载模块：加载和目标类别对应的随行规划控制方法；
设置模块：从检测信息中获取关键信息以设置目标标签；
控制模块：根据目标标签优化随行控制方法。
进一步的，所述装置还包括缓存空间，所述缓存空间用于存储加载模块所加载的和目标类别对应的随行规划控制方法。
进一步的，所述伴随行走规划控制装置被设置于伴随行走机器人的控制器中。
一种伴随行走规划控制设备，其特征在于，所述伴随行走规划控制设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序配置为实现如上所述的方法的步骤。
本发明的有益效果包括：利用不同类型随行目标、同种类型随行目标的具体特征及其场景，对随行规划做适应性控制，从而降低规划控制的软硬件开销，降低了对家用智能机器人的软硬件需求，能够在基于栅格的路径规划方法的基础上，通过目标标签的实时检测来优化路径规划控制方法，减少了随行丢失的情况和用户参与度，从而大大的提高了用户体验；具体的：(1)通过显著特征确定目标标签，从而获取随行目标关键性的、个性化的特征，通过个性化特征的缺失情况，重要程度、关联关系来较为简单的通过一些关键性的信息快速的了解随行情况，从而进行有效的规划控制，简化了规划控制的难度；(2)通过显著标签的缺失变化情况进行规划控制，降低人为参与程度，从而提高了用户体验。(3)通过未丢失条件使得一些非关键性的目标标签能够以组合的方式发挥判断条件，并给出一个置信度范围允许的判断结果，避免了单一条件判断带来的局限性，从而减低了可能产生的用户参与。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1为本发明的伴随行走规划控制方法的工作流程示意图。
图2为本发明以随行目标为原点的坐标系示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
不同类型的随行目标其移动方式是完全不同，例如：汽车的移动方式、人、或狗的移动方式显然是不同的；而对于同样是人类来说，老人，小孩、残疾人的移动方式肯定也是不同的；对于室内、室外，熟悉和不熟悉场景的移动方式也是有区别的，本发明基于随行目标的分类、同种类型随行目标的具体特征及其抽象，对随行规划做适应性控制，从而以较小的软硬件开销进行随行控制，继而降低了对家用智能机器人的软硬件需求，提高了用户体验；
本发明所述的伴随行走规划控制方法包括如下步骤：
步骤S1：获取随行目标类别；这里目标类型可以是随行开始时用户输入的；
优选的：所述随行目标类型包括车、人、动物、甚至是机械手臂等；
优选的：在随行开始时，通过检测信息确定随行目标的类别；
步骤S2：加载和目标类别对应的随行规划控制方法；
不同目标类型对应不同的随行规划控制方法，通过类型的选择，能够直接加载相对最优的控制方式；在此基础上进行优化控制；从而避免了复杂的算法改进和适应；
优选的：将随行控制规划方法对应的程序和数据载入缓冲空间中；这里的缓存空间包括控制器的缓存空间和驱动装置的缓存空间；此时，可以让用户输入相应的偏好信息，例如；作随行开始设置，设置随行目标类别，设置随行偏好，设置随行距离和随行角度等；
步骤S3：从检测信息中获取关键信息以设置目标标签；具体的：基于目标类别从检测信息中获取关键信息以构成目标特征，从目标特征中提取显著目标特征，所述基于显著特征确定目标标签；通过显著特征确定目标标签，从而获取随行目标关键性的、个性化的特征，通过个性化特征的缺失情况，重要程度、关联关系来较为简单的通过一些关键性的信息快速的了解随行情况，从而进行有效的规划控制；
所述基于目标类别从检测信息中获取关键信息以构成目标特征，具体为：查询目标类别对应的关键信息，从检测信息中获关键信息，通过目标特征的提取方式基于关键信息构建目标特征；也就说，随行机器人能够获得的检测信息还是很多的，对这些特征进行逐一分析必然会导致信息爆炸，而针对不同类型的随行目标直接获取和代表性特征能够大大降低信息开销；这也是本发明引入类型的带来益处之一；
所述从目标特征中提取显著目标特征，具体为：基于目标特征的普遍差异性确定显著目标特征；基于关联目标特征的差异性补充显著目标特征；
所述基于目标特征的普遍差异性确定显著目标特征；具体为：对于每个目标特征，计算目标特征距离目标特征平均值的距离或距离比值，将所述距离或者距离比值归一化，将归一化后的所述距离或距离比值超过预设值的特征作为显著目标特征；
所述基于关联目标特征的差异性补充显著目标特征，具体为：根据目标特征之间的关联关系，将一组特征值变化相对一致的关联目标特征中，距离最大的目标特征作为补充显著目标特征；关联目标特征为一组或多组，对应的补充显著目标特征为一组或者多组；例如：年龄和身高之间存在一致的关联关系；
可替换的，可以选择距离最大的前几个目标特征作为显著目标特征；例如：可以通过声纹辨别男女，这可能相对于身高来说是一个更显著的特征，那么对于身高较高的女士来说，身高可能不是一个显著的特征，但是反之对于一个身高正常的女士来说身高可能是一个显著的特征，也就是说，对于标签的设置来说即使对于同类别的目标，例如：人类目标，在设置标签时，可以做适应性标签设置，而非整体类别的标签设置，通过这样的标签设置方法，提高了标签设置的准确性，从而为后续的规划控制优化提供了更准确的信息；
所述基于显著特征确定目标标签；具体的：将目标特征被确定为显著目标特征或补充显著目标特征的次数作为命中次数，将命中次数最多的显著目标特征设置为目标标签；因此，目标标签为一个或多个；可根据命中的多少对目标标签做主次排序；而不对命中的程度做限定，因为检测时间，标签刻画准确性都不支持做排他的设置；
优选的：测试随行数据在随行开始的时候获取；可替换的，测试随行数据随行的测试阶段获取；
通过上面的筛选方法，显著特征里面包含了一些个性化目标特征，例如：红色头发，短腿，走路慢等；这些特征可视为是目标的标志性特征；
步骤S4：根据目标标签优化随行控制方法；具体的，包括如下步骤：
只有在上述目标特征出现显著差异的时候才进入优化而不是一直进行人工报警，这样会大大的降低用户的体验，也就是说，如果没有目标标签，也就是不存在显著特征，那么随行目标处于一般状态，不会执行该步骤而继续使用步骤S2中载入的方法来控制，只有在存在目标标签，该步骤在载入的规划控制方法的基础上进行优化；
步骤S41：基于目标标签确定随行目标是否丢失；如果是，则进入步骤S42，如果否，则进入步骤S43；
所述基于目标标签确定随行目标是否丢失，具体为：实时获取检测数据，根据检测数据计算实时目标标签值，对于检测数据不全导致的一实时目标标签值无法计算时，该无法计算的目标标签为缺失状态；当随行目标中的未丢失条件中的一个或多个得到满足时，确定随行目标未丢失，否则，确定为丢失；
每种类型的随行目标对应一个或者多个未丢失条件，未丢失条件涉及一项或多项目标标签；未丢失条件为真时，表示未丢失条件满足，当未丢失条件涉及的目标标签值为缺失时，则未丢失条件不满足；优选的：未丢失条件是可排序的，按照从计算难易程度排序，当第一未丢失条件满足时，即不需要后续的计算，从而加速了判断的速度；每个未丢失条件对应一置信度，根据置信度要求和难以程度选择未丢失条件；例如：特殊头发颜色为可见的是一个未丢失条件，而当前随行目标的显著标签中包含了头发颜色为红色头发，那么特殊头发颜色为可见这个未丢失条件在得到满足的情况下可以认为该随行目标保持未丢失；
优选的：所述置信度在设置随行偏好时由用户设置；
优选的：根据未丢失条件的复杂度和/或置信度依次选择未丢失条件作判断，当存在一个或多个符合置信度要求的未丢失条件得到满足时，判断未丢失，否则，继续选择下一个或者下一组未丢失条件作判断，直到没有可判断的未丢失条件为止；当不存在满足的未丢失条件时，判断为丢失；通过未丢失条件使得一些非关键性的目标标签能够以组合的方式发挥判断条件，并给出一个置信度范围允许的判断结果，避免了单一条件判断带来的局限性，从而减低了可能产生的用户参与；当所有的目标标签都丢失，例如：红头发，大脚丫，白裙子，等特征陆续丢失，则可以判定为目标丢失；
步骤S42：根据处于缺失状态的目标标签的数量调整检测装置的位置；所述根据处于缺失状态的目标标签的数量调整检测装置的位置，具体为；当处于缺失状态的目标标签数量的大于预设数量时，获取处于缺失状态的目标标签所对应的检测装置调整方式，当存在一致的调整方式时，按照所述一致的调整方式调整检测装置的位置以获取足够的检测信息，以减少处于缺失状态的目标标签；一致的调整方式为采用所述调整方式时，目标标签的缺失状态会一致性减少；处于缺失状态的目标标签数量减少；
优选的：通过实时逐步调整的方式确定所述一致的调整方式；随机的调整检测装置的位置，当缺失的目标标签数量随之而一致减少时，确定所述调整方式为一致的调整方式；可以通过具体的数量限定来判断是否为一致，例如：在采用一调整方式后，缺失数量减少了3个，则确定所述调整方式为一致的调整方式；
优选的：通过模拟的方式获取所述一致的调整方式；导入模拟实例集合，并模拟实例情形下目标标签的缺失情况，调整检测装置并记录对应的缺失变化情况以确定和目标标签缺失所对应的调整方式，并最终确定一致的调整方式；
优选的：在该步骤中继续选择按照当前伴随行走方式继续随行；例如：A*、D*、LPA*、ARA*算法等，通过栅格的优化计算规划路径；
优选的：在随行规划时保持随行目标和机器人之间的距离以及随行角度不变；当目标标签的缺失在一个正常范围内波动时，虽然随行状态保持的可能不太好，但是还是可以保持随行状态的，毕竟随行的情况是实时改变的此时，此时，继续保持当前的规划方式不变，对于保持距离和角度的限制也是时机恰当的；
步骤S43：进行临时行走路径规划控制；具体的:当所有的目标标签均缺失时，使得机器人与后退t1时长并观察目标标签的缺失状态，如果缺失状态缓解，则调整检测装置位置以使得缺失状态一致性减少，继续采用当前的伴随行走控制方式保持随行；在经过调整后，采用当前的伴随行走控制方式机器人可基于当前的随行方式规划路径加速随行，但是因为检测装置已经经过调整，那么在当前的场景条件下，缺失状态会缓解；若此时缺失状态未缓解，则从当前位置A1移动到目标位置A2；其中：当前位置A1和目标位置A2是以随行目标的当前位置为圆心，以随行目标和机器人之间的距离为半径，相隔α夹角的两个位置；α为避让角度，是能够通过绕行的方式转换和随行目标之间位置关系的角度；在绕行移动过程中，如果移动时长大于t1且移动过程中缺失状态缓解，则继续保持移动，否则进行报警；如附图2所示；
优选的：所述后退t1时长，为采用当前的速度沿着来时路径回退；行走的方向可以是正向的；
可替换的；当缺失目标标签数量的达到预设阈值或者比例时，执行所述步骤；也就是当缺失情况严重时，执行该步骤；
优选的：α值和目标标签的缺失情况相关，当缺失情况严重时，所述α值较大，反之亦然；也就是说，α值和趋势标签数量或者比例正相关；
优选的：α值等于90度；
优选的：规划从当前位置A1移动到目标位置A2之间的路径，并沿着所述路径高速移动；所述路径为最短路径；也就是说，这个路径可以是直线；
可替换的：计算临时行走路径以重新获取目标标签，具体为：引入场景地图，根据当前位置和场景地图预测随行方向，在未来的t1时长范围内保持当前的随行速度和随行角度行走，在t1时长内目标标签的缺失状态未改善则进行报警；所述报警为通知用声音的方式提示用户可能的随行丢失；
优选的：V1×t1＝S1；其中：S1是随行目标能够主动定位到随行机器人位置的距离；V1是默认随行速度或者当前随行速度；当然这种方式存在较大的预测错误可能，而且面临的使用条件较为苛刻；
可以利用被设计用于进行在此所述的功能的通用处理器、数字信号处理器(DSP)、ASIC、场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合而实现或进行所述的各个例示的逻辑块、模块和电路。通用处理器可以是微处理器，但是作为替换，该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合，例如DSP和微处理器的组合，多个微处理器、与DSP核协作的一个或多个微处理器或任何其他这样的配置。集合本公开描述的方法或算法的步骤可以直接嵌入在硬件中、处理器执行的软件模块中或者这两种的组合中。软件模块可以存在于任何形式的有形存储介质中。可以使用的存储介质的一些例子包括随机存取存储器(RAM)、只读存储器(ROM)、快闪存储器、EPROM存储器、EEPROM存储器、寄存器、硬碟、可移动碟、CD-ROM等。存储介质可以耦接到处理器以便该处理器可以从该存储介质读取信息以及向该存储介质写信息。在替换方式中，存储介质可以与处理器是整体的。软件模块可以是单个指令或者许多指令，并且可以分布在几个不同的代码段上、不同的程序之间以及跨过多个存储介质。
所述的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现，功能可以作为一个或多个指令存储在切实的计算机可读介质上。计算机可读介质包括计算机可读存储介质。计算机可读存储介质可以是能被计算机访问的任何可用存储介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来承载或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外，所传播的信号不被包括在计算机可读存储介质的范围内。计算机可读介质还包括通信介质，其包括促成计算机程序从一地向另一地转移的任何介质。连接例如可以是通信介质。例如，如果软件使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外线、无线电、以及微波之类的无线技术来从web网站、服务器、或其它远程源传输，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外线、无线电、以及微波之类的无线技术被包括在通信介质的定义中。上述的组合应当也被包括在计算机可读介质的范围内。替换地或另选地，此处描述的功能可以至少部分由一个或多个硬件逻辑组件来执行。例如，可使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(FPGA)、程序专用的集成电路(ASIC)、程序专用的标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。
因此，计算机程序产品可以进行在此给出的操作。例如，这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质，该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。
软件或指令也可以通过传输介质而传输。例如，可以使用诸如同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或诸如红外、无线电或微波的无线技术的传输介质从网站、服务器或者其他远程源传输软件。
此外，用于进行在此所述的方法和技术的模块和/或其他适当的手段可以在适当时由用户终端和/或基站下载和/或其他方式获得。例如，这样的设备可以耦接到服务器以促进用于进行在此所述的方法的手段的传送。或者，在此所述的各种方法可以经由存储部件(例如RAM、ROM、诸如CD或软碟等的物理存储介质)提供，以便用户终端和/或基站可以在耦接到该设备或者向该设备提供存储部件时获得各种方法。此外，可以利用用于将在此所述的方法和技术提供给设备的任何其他适当的技术。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (10)
1.一种伴随行走规划控制方法，其特征在于，所述伴随行走规划控制方法包括如下步骤：
步骤S1：获取随行目标类别；
步骤S2：加载和目标类别对应的随行规划控制方法；
步骤S3：从检测信息中获取关键信息以设置目标标签；
步骤S4：根据目标标签优化随行控制方法；所述步骤S4具体包括如下步骤：
步骤S41：基于目标标签确定随行目标是否丢失；如果是，则进入步骤S42，如果否，则进入步骤S43；
所述基于目标标签确定随行目标是否丢失，具体为：实时获取检测数据，根据检测数据计算实时目标标签值，对于检测数据不全导致的实时目标标签值无法计算时，该无法计算的目标标签为缺失状态；当随行目标中的未丢失条件中的一个或多个得到满足时，确定随行目标未丢失，否则，确定为丢失；
根据未丢失条件的复杂度和/或置信度依次选择未丢失条件作判断，当存在一个或多个符合置信度要求的未丢失条件得到满足时，判断未丢失，否则，继续选择下一个或者下一组未丢失条件作判断，直到没有可判断的未丢失条件为止；当不存在满足的未丢失条件时，判断为丢失；通过未丢失条件使得一些非关键性的目标标签能够以组合的方式发挥判断条件，并给出一个置信度范围允许的判断结果；当所有的目标标签都丢失，则判定为目标丢失；
步骤S42：根据处于缺失状态的目标标签的数量调整检测装置的位置；所述根据处于缺失状态的目标标签的数量调整检测装置的位置，具体为；当处于缺失状态的目标标签数量的大于预设数量时，获取处于缺失状态的目标标签所对应的检测装置调整方式，当存在一致的调整方式时，按照所述一致的调整方式调整检测装置的位置以获取足够的检测信息，以减少处于缺失状态的目标标签；一致的调整方式为采用所述调整方式时，目标标签的缺失状态会一致性减少；处于缺失状态的目标标签数量减少；
步骤S43：进行临时行走路径规划控制；具体的:当所有的目标标签均缺失时，使得机器人后退t1时长并观察目标标签的缺失状态，如果缺失状态缓解，则调整检测装置位置以使得缺失状态一致性减少，继续采用当前的伴随行走控制方式保持随行；若此时缺失状态未缓解，则从当前位置A1移动到目标位置A2；其中：当前位置A1和目标位置A2是以随行目标的当前位置为圆心，以随行目标和机器人之间的距离为半径，相隔α夹角的两个位置；α为避让角度，是能够通过绕行的方式转换和随行目标之间位置关系的角度；在绕行移动过程中，如果移动时长大于t1且移动过程中缺失状态缓解，则继续保持移动，否则进行报警。
2.根据权利要求1所述的伴随行走规划控制方法，其特征在于，随行目标的目标类型是随行开始时用户输入的。
3.根据权利要求2所述的伴随行走规划控制方法，其特征在于，随行目标的目标类型包括车、人、动物、机械手臂。
4.根据权利要求3所述的伴随行走规划控制方法，其特征在于，不同目标类型对应不同的随行规划控制方法，通过预设的对应关系获取和所述目标类型对应的随行规划控制方法。
5.根据权利要求4所述的伴随行走规划控制方法，其特征在于，所述步骤S3具体为：基于目标类别从检测信息中获取关键信息以构成目标特征，从目标特征中提取显著目标特征，所述基于显著特征确定目标标签。
6.根据权利要求5所述的伴随行走规划控制方法，其特征在于，在随行开始时，通过检测信息确定随行目标的类别。
7.一种伴随行走规划控制装置，其特征在于，包括：
获取模块：获取随行目标类别；
加载模块：加载和目标类别对应的随行规划控制方法；
设置模块：从检测信息中获取关键信息以设置目标标签；
控制模块：根据目标标签优化随行控制方法；具体包括如下步骤：
步骤S41：基于目标标签确定随行目标是否丢失；如果是，则进入步骤S42，如果否，则进入步骤S43；
所述基于目标标签确定随行目标是否丢失，具体为：实时获取检测数据，根据检测数据计算实时目标标签值，对于检测数据不全导致的实时目标标签值无法计算时，该无法计算的目标标签为缺失状态；当随行目标中的未丢失条件中的一个或多个得到满足时，确定随行目标未丢失，否则，确定为丢失；
根据未丢失条件的复杂度和/或置信度依次选择未丢失条件作判断，当存在一个或多个符合置信度要求的未丢失条件得到满足时，判断未丢失，否则，继续选择下一个或者下一组未丢失条件作判断，直到没有可判断的未丢失条件为止；当不存在满足的未丢失条件时，判断为丢失；通过未丢失条件使得一些非关键性的目标标签能够以组合的方式发挥判断条件，并给出一个置信度范围允许的判断结果；当所有的目标标签都丢失，则判定为目标丢失；
步骤S42：根据处于缺失状态的目标标签的数量调整检测装置的位置；所述根据处于缺失状态的目标标签的数量调整检测装置的位置，具体为；当处于缺失状态的目标标签数量的大于预设数量时，获取处于缺失状态的目标标签所对应的检测装置调整方式，当存在一致的调整方式时，按照所述一致的调整方式调整检测装置的位置以获取足够的检测信息，以减少处于缺失状态的目标标签；一致的调整方式为采用所述调整方式时，目标标签的缺失状态会一致性减少；处于缺失状态的目标标签数量减少；
步骤S43：进行临时行走路径规划控制；具体的:当所有的目标标签均缺失时，使得机器人后退t1时长并观察目标标签的缺失状态，如果缺失状态缓解，则调整检测装置位置以使得缺失状态一致性减少，继续采用当前的伴随行走控制方式保持随行；若此时缺失状态未缓解，则从当前位置A1移动到目标位置A2；其中：当前位置A1和目标位置A2是以随行目标的当前位置为圆心，以随行目标和机器人之间的距离为半径，相隔α夹角的两个位置；α为避让角度，是能够通过绕行的方式转换和随行目标之间位置关系的角度；在绕行移动过程中，如果移动时长大于t1且移动过程中缺失状态缓解，则继续保持移动，否则进行报警。
8.根据权利要求7所述的伴随行走规划控制装置，其特征在于，所述装置还包括缓存空间，所述缓存空间用于存储加载模块所加载的和目标类别对应的随行规划控制方法。
9.根据权利要求8所述的伴随行走规划控制装置，其特征在于，所述伴随行走规划控制装置被设置于伴随行走机器人的控制器中。
10.一种伴随行走规划控制设备，其特征在于，所述伴随行走规划控制设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序配置为实现如权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110321896.3A CN112987752B (zh) | 2021-03-25 | 2021-03-25 | 一种伴随行走规划控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110321896.3A CN112987752B (zh) | 2021-03-25 | 2021-03-25 | 一种伴随行走规划控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112987752A CN112987752A (zh) | 2021-06-18 |
| CN112987752B true CN112987752B (zh) | 2022-09-06 |
Family
ID=76333703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110321896.3A Active CN112987752B (zh) | 2021-03-25 | 2021-03-25 | 一种伴随行走规划控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112987752B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390721B (zh) * | 2017-07-26 | 2021-05-18 | 歌尔科技有限公司 | 机器人随行控制方法、装置及机器人 |
| CN108614563A (zh) * | 2018-06-12 | 2018-10-02 | 北京康力优蓝机器人科技有限公司 | 一种通过定位导航实现移动机器人目标跟随的方法 |
| CN109059924B (zh) * | 2018-07-25 | 2020-07-03 | 齐鲁工业大学 | 基于a*算法的伴随机器人增量路径规划方法及系统 |
| CN108873911A (zh) * | 2018-07-26 | 2018-11-23 | 河海大学常州校区 | 一种基于ros的自动跟随行李箱及其控制方法 |
| CN110926476B (zh) * | 2019-12-04 | 2023-09-01 | 三星电子（中国）研发中心 | 一种智能机器人的伴随服务方法及装置 |
-
2021
- 2021-03-25 CN CN202110321896.3A patent/CN112987752B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112987752A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110139794B (zh) | 用于停放车辆的系统、方法及非暂时计算机可读存储介质 | |
| CN106022237B (zh) | 一种端到端的卷积神经网络的行人检测方法 | |
| JP2018514852A (ja) | 逐次画像サンプリングおよび微調整された特徴の記憶 | |
| JP2021515724A (ja) | 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位 | |
| JP2018526723A (ja) | 画像中のオブジェクト検出のためのコンテキストベースの事前分布 | |
| US20210097266A1 (en) | Disentangling human dynamics for pedestrian locomotion forecasting with noisy supervision | |
| CN106027300A (zh) | 一种应用神经网络的智能机器人参数优化系统及方法 | |
| CN115879535A (zh) | 一种自动驾驶感知模型的训练方法、装置、设备和介质 | |
| CN112013841A (zh) | 一种室内动态环境下的语义slam服务机器人导航方法 | |
| CN111311009B (zh) | 一种基于长短期记忆的行人轨迹预测方法 | |
| KR102288933B1 (ko) | 정밀 도로 지도 구축 방법, 장치 및 시스템 | |
| CN110223515A (zh) | 一种车辆轨迹生成方法 | |
| CN111738037A (zh) | 一种自动驾驶方法及其系统、车辆 | |
| CN108564582B (zh) | 一种基于深度神经网络的mri脑肿瘤图像自动优化方法 | |
| CN111292366A (zh) | 一种基于深度学习和边缘计算的视觉行车测距算法 | |
| CN115457074A (zh) | 用于对象检测和跟踪的神经网络 | |
| CN112541908A (zh) | 基于机器视觉的铸件飞边识别方法及存储介质 | |
| CN114943870A (zh) | 线特征提取模型的训练方法及装置、点云匹配方法及装置 | |
| CN112987752B (zh) | 一种伴随行走规划控制方法 | |
| CN117213470B (zh) | 一种多机碎片地图聚合更新方法及系统 | |
| CN116523970B (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
| CN117593623A (zh) | 基于改进YOLOv8n模型的轻量化车辆检测方法 | |
| CN114367110B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| Chen et al. | Towards bio-inspired place recognition over multiple spatial scales | |
| Zhang et al. | Research on vehicle detection model based on attention mechanism |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240425 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: 215104 No.189 Zhineng Avenue, Wuzhong District, Suzhou City, Jiangsu Province Patentee before: SUZHOU ART & DESIGN TECHNOLOGY INSTITUTE Country or region before: China |