CN113011649A - 购物车返还方法、终端设备及计算机可读存储介质 - Google Patents

Abstract

本公开提供一种购物车返还方法、终端设备及计算机可读存储介质，其中，所述方法包括：在接收到用户的返还购物车指令后，基于预设的路线规划算法为购物车规划最优返还路径；以及，将所述最优返还路径发送至所述购物车，以使所述购物车基于所述最优返还路径自行返回至购物车存放区域。本公开实施例通过对购物车进行最优路径规划，购物车根据接收到的最优路径后进行自主返回，用户无需自己返还购物车，超市也无需人工对购物车进行返回管理，从根本上解决了人力问题。

Description

购物车返还方法、终端设备及计算机可读存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种购物车返还方法、一种终端设备以及一种计算机可读存储介质。

背景技术

随着经济水平的不断提高，越来越多的用户习惯逛大型超市。当前用户逛完超市后，需要自己将超市购物车放回购物车领取地点，或者由专门的人员进行购物车回收，购物车的返还及管理过程相对繁琐，影响用户体验，同时增加了人工成本。

发明内容

本公开提供了一种购物车返还方法、终端设备及计算机可读存储介质，以至少解决上述问题。

根据本公开实施例的一方面，提供一种购物车返还方法，包括：

在接收到用户的返还购物车指令后，基于预设的路线规划算法为购物车规划最优返还路径；以及，

将所述最优返还路径发送至所述购物车，以使所述购物车基于所述最优返还路径自行返回至购物车存放区域。

在一种实施方式中，所述基于预设路线规划算法为购物车规划最优返还路径，包括：

获取所述购物车当前位置；

分析所述购物车当前位置与所述购物车存放区域之间的路径返还信息；以及，

基于预设路线规划算法按照所述路径返还信息为所述购物车规划最优返还路径。

在一种实施方式中，所述路径返还信息包括：所述购物车当前位置与所述购物车存放区域之间的距离、所述购物车当前位置与所述购物车存放区域之间的路障信息以及所述购物车当前位置与所述购物车存放区域之间的人流量。

在一种实施方式中，所述基于预设路线规划算法按照所述路径返还信息为所述购物车规划最优返还路径，包括：

设置迭代初始参数和最大迭代次数；

基于最优路径线性方程对所述路径返还信息进行计算，得到路径相关系数；

对所述路径相关系数进行深度分析，得到匹配度最优的路径相关系数；

判断进行深度分析的当前迭代次数是否不大于所述最大迭代次数；

若不大于所述最大迭代次数，则对所述路径相关系数进行无监督学习，得到迭代次数加1后的路径相关系数，然后返回对迭代次数加1后的路径相关系数进行深度分析的步骤，直至当前迭代次数大于所述最大迭代次数；

若大于所述最大迭代次数，则基于与当前迭代次数相对应的匹配度最优的路径相关系数获取最优返还路径。

在一种实施方式中，所述基于最优路径线性方程对所述路径返还信息进行计算，得到路径相关系数，根据以下公式得到：

式中，

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的距离；

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的路障信息；

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的人流量；i、j、t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；α,β,γ为权值，α,β,γ∈(0,1)，且α+β+γ＝1；

表示

呈现线性相关的路径相关系数。

在一种实施方式中，对所述路径相关系数进行深度分析，得到匹配度最优的路径相关系数，根据以下公式得到：

式中，

表示

呈现线性相关的路径相关系数；i、j、t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；

为常数；Minθ^k表示匹配度最优的路径相关系数。

在一种实施方式中，对路径相关系数进行无监督学习，得到迭代次数加1后的路径相关系数，根据以下公式得到：

式中，

表示

呈现线性相关的路径相关系数；i、j、t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；

为常数；θ^minG表示历史递归最小值；

表示迭代次数加1后的路径相关系数。

在一种实施方式中，在接收到用户的返回购物车指令之前，还包括：

接收用户的购物车选择信息；

基于所述购物车选择信息将所述用户与相应的购物车进行绑定；

所述基于预设的路线规划算法为购物车规划返还路径，包括：

基于预设的路线规划算法为与所述用户绑定的购物车规划返还路径。

在一种实施方式中，在将所述最优返还路径发送至所述购物车之后，还包括：

判断所述购物车是否成功返回至所述购物车存放区域，若是，则解除所述购物车与所述用户之间的绑定。

在一种实施方式中，在将所述最优返还路径发送至所述购物车之后，还包括：

判断是否接收到所述购物车遇到故障信息，若是，则获取所述购物车遇到故障的当前位置；

基于所述购物车遇到故障的当前位置按照所述路线规划算法重新为所述购物车规划最优返还路径。

根据本公开实施例的又一方面，提供一种终端设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行所述的购物车返还方法。

根据本公开实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的购物车返还方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供的购物车返还方法，通过在接收到用户的返还购物车指令后，基于预设的路线规划算法为购物车规划最优返还路径；以及，将所述最优返还路径发送至所述购物车，以使所述购物车基于所述最优返还路径自行返回至购物车存放区域。本公开实施例通过对购物车进行最优路径规划，购物车根据接收到的最优路径后进行自主返回，用户无需自己返还购物车，超市也无需人工对购物车进行返回管理，从根本上解决了人力问题。

本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。

图1为本公开实施例一提供的一种购物车返还方法的流程示意图；

图2为图1中步骤S101的流程示意图；

图3为本公开实施例二提供的一种购物车返还方法的流程示意图；

图4为本公开实施例三提供的一种购物车返还方法的流程示意图；

图5为本公开实施例四提供的一种购物车返还方法的流程示意图；

图6为本公开实施例五提供的一种终端设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

现阶段需要用户自己归还购物车或者需要专门的人员进行统一回收和管理超市购物车，在一定程度上影响了用户购物体验或者增加了人工成本和管理费用。针对上述问题，本公开实施例提供的购物车返还方法，应用人工智能AI对购物车进行路径规划，超市购物车根据接收到的最优路径进行自主返回使用开始的地点，用户无需自己返还购物车，超市也无需再对购物车进行管理，同时从根本上解决了人力问题。尤其在5G环境下，实现5G生态环境下万物互联的全自动化管控，对超市或是商场的统一全面的自动化管理作了铺垫。

请参照图1，图1为本公开实施例一提供的一种购物车返还方法的流程示意图，所述方法包括步骤S101和步骤S102。

在步骤S101中，在接收到用户的返还购物车指令后，基于预设的路线规划算法为购物车规划最优返还路径。

本实施例中，如图2所示，所述步骤S101包括以下步骤S1011-S1013。

在步骤S1011中，获取所述购物车当前位置；

在步骤S1012中，分析所述购物车当前位置与所述购物车存放区域之间的路径返还信息；以及，

在步骤S1013中，基于预设路线规划算法按照所述路径返还信息为所述购物车规划最优返还路径。

其中，所述路径返还信息包括所述购物车当前位置与所述购物车存放区域之间的距离、所述购物车当前位置与所述购物车存放区域之间的路障信息以及所述购物车当前位置与所述购物车存放区域之间的人流量。

可以理解的，路障信息可以包括路障数量等信息，在实际应用中，用户在进入超市后，在存放购物车的区域选择购物车，可以通过终端应用程序扫码选择购物车并进行用户与购物车之间的绑定。用户在完成购物车的使用后，在终端上对购物车发出返还指令，终端基于预设的路线规划算法为购物车规划出最优返还路径，其中最优返还路径根据所述购物车当前位置与所述购物车存放区域之间的距离、路障以及人流量等信息进行计算，使得购物车以最为高效的方式返回到存放购物车区域。

在一些实施例中，为进一步提升用户购物体验，在用户完成购物后，可以在终端上输入目的地位置，例如停车场汽车等相关位置，购物车通过人工智能的方式基于路线识别及路径记忆功能等选择出合适的路径供用户选择，例如，选择3条路径供用户选择，此时购物车可以根据路线自动前行到目的地。可以理解的，最优返还路径即为目的地至存放购物车区域的最优返还路径。

在步骤S102中，将所述最优返还路径发送至所述购物车，以使所述购物车基于所述最优返还路径自行返回至购物车存放区域。

相较于相关技术中，购物车需要以人工的方式才能返还至存放购物车区域，本公开实施例利用人工智能技术，通过终端规划最优返还路径并将最优返还路径发送给购物车，购物车根据最优返还路径自动返还至相应的区域，在一些实施例中，为了提高超市购物车的管理，避免存放购物车区域的若干购物车放置错乱，终端对超市中所有的购物车进行编号，并实时记录存放购物车区域的购物车编号，以及正在使用的购物车编号，并在对某编号购物车规划最优返还路径的同时基于存放购物车区域的购物车编号，将其规划至存放购物车区域的某购物车编号之后，指引某编号购物车返换至相应编号的购物车之后，进行整齐排列。

请参照图3，图3为本公开实施例二提供的一种购物车返还方法，在实施例一的基础上，将步骤S1013进一步划分为步骤S301-SS306，利用最优路径现行算法、无监督学习等算法以进一步提高路径规划的可行性及高效性。具体的，

在步骤S301中，设置迭代初始参数和最大迭代次数；

在步骤S302中，基于最优路径线性方程对所述路径返还信息进行计算，得到路径相关系数。

本实施例中，路径相关系数为距离、路障、人流量呈线性相关的路径相关系数。在本实施例的预设路线规划算法中，首先需要考虑的变量因素为距离

路障

人流量

等，利用最优路径线性方程得到路径相关系数。

具体地，根据以下公式得到：

式中，

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的距离；

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的路障；

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的人流量；i、j、t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；α,β,γ为权值，α,β,γ∈(0,1)，且α+β+γ＝1；

表示

呈现线性相关的路径相关系数。

在步骤S303中，对所述路径相关系数进行深度分析，得到匹配度最优的路径相关系数。

本实施例中，步骤S303，根据以下公式得到：

式中，

表示

呈现线性相关的路径相关系数；i、j、t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；ψ^k为常数；Minθ^k表示匹配度最优的路径相关系数。

在步骤S304中，判断进行深度分析的当前迭代次数是否不大于所述最大迭代次数，若不大于所述最大迭代次数，则执行步骤S305；否则，执行步骤S306。

在步骤S305中，对所述路径相关系数进行无监督学习，得到迭代次数加1后的路径相关系数，返回执行步骤S303对迭代次数加1后的路径相关系数进行深度分析，直至当前迭代次数大于所述最大迭代次数。。

本实施例中，步骤S305对所述路径相关系数进行无监督学习，得到迭代次数加1后的路径相关系数，根据以下公式得到：

式中，

表示

呈现线性相关的路径相关系数；i、j、t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；ψ^k为常数；θ^minG表示历史递归最小值；

表示迭代次数加1后的路径相关系数。

在步骤S306中，选择所述匹配度最优的路径相关系数，并基于与当前迭代次数相对应的匹配度最优的路径相关系数获取最优返还路径。

请参照图4，图4为本公开实施例三提供的一种购物车返还方法，在实施例一的基础上，本实施例在接收到用户的返回购物车指令之前，对用户信息和其选择的购物车信息进行绑定，便于终端对用户需返还的购物车进行路线规划及管理，具体的，本实施例还包括步骤S401和步骤S402，

在步骤S401中，接收用户的购物车选择信息；

在步骤S402中，基于所述购物车选择信息将所述用户与相应的购物车进行绑定；

所述步骤S101进一步划分为步骤S1014，在步骤S1014中，基于预设的路线规划算法为与所述用户绑定的购物车规划返还路径。

进一步地，本实施例对购物车在使用时和归还后的绑定和解绑操作，便于对购物车的管理，具体地，在步骤S102之后，还包括以下步骤：

判断所述购物车是否成功返回至所述存放购物车区域，若是，则解除所述购物车与所述用户之间的绑定。

本实施例中，购物车在成功返回至存放购物车区域后，购物车会向终端发送成功返回提示，终端即可判断出购物车已经成功返回至对应位置。

进一步地，为避免购物车在返还途中遇到故障停止自动返还，本实施例监测购物车的遇故障信息，并重新为购物车规划路径，提高购物车的返还效率，具体的，在步骤S102之后，还包括以下步骤：

判断是否接收到所述购物车遇到故障信息，若是，则获取所述购物车遇到故障的当前位置；

基于所述购物车遇到故障的当前位置按照所述路线规划算法重新为所述购物车规划最优返还路径。

本实施例中，购物车在返回路途中，如果遇到障碍信息，例如路途前方有行人等情况，终端可以根据实际情况为购物车重新规划路线，以保障购物车可以高效返回至存放购物车区域。

请参照图5，图5为本公开实施例四提供的一种购物车返还方法的流程示意图，包括以下步骤：

步骤S501、用户在终端上应用小程序扫码选择购物车，完成用户与购物车之间的绑定；

步骤S502、用户输入购物车目的地，购物车智能系统进行匹配选择，选择出若干条路线；

步骤S503、用户选择路线；

步骤S504、购物车根据用户选择的路线前往目的地；

步骤S505、接收用户发出的返回指令；

步骤S506、判断购物车返回图上是否遇到故障，若是，则执行步骤S507，否则，执行步骤S510；

步骤S507、向购物车发送暂停返回指令，基于当前购物车的路障信息判断是否需要重新规划路线，如是，则执行步骤S508，如否，执行步骤S509。

步骤S508、开始重新规划路线，购物车更新新的规划路线进行返回；

步骤S509、暂停预设时间段后，继续返回；

可以理解的，本领域技术人员根据实际情况及现有技术自适应设定预设时间段，例如暂停1min之后，购物车继续返回。

步骤S510、返回存放购物车区域，完成使用解除绑定。

基于相同的技术构思，本公开实施例相应还提供一种终端设备，如图6所示，所述终端设备包括存储器61和处理器62，所述存储器61中存储有计算机程序，当所述处理器62运行所述存储器61存储的计算机程序时，所述处理器执行所述的购物车返还方法。

基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的购物车返还方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (12)

1.一种购物车返还方法，其特征在于，包括：

在接收到用户的返还购物车指令后，基于预设的路线规划算法为购物车规划最优返还路径；以及，

将所述最优返还路径发送至所述购物车，以使所述购物车基于所述最优返还路径自行返回至购物车存放区域。

2.根据权利要求1所述的方法，其特征在于，所述基于预设路线规划算法为购物车规划最优返还路径，包括：

获取所述购物车当前位置；

分析所述购物车当前位置与所述购物车存放区域之间的路径返还信息；以及，

基于预设路线规划算法按照所述路径返还信息为所述购物车规划最优返还路径。

3.根据权利要求2所述的方法，其特征在于，所述路径返还信息包括：所述购物车当前位置与所述购物车存放区域之间的距离、所述购物车当前位置与所述购物车存放区域之间的路障信息以及所述购物车当前位置与所述购物车存放区域之间的人流量。

4.根据权利要求2所述的方法，其特征在于，所述基于预设路线规划算法按照所述路径返还信息为所述购物车规划最优返还路径，包括：

设置迭代初始参数和最大迭代次数；

基于最优路径线性方程对所述路径返还信息进行计算，得到路径相关系数；

对所述路径相关系数进行深度分析，得到匹配度最优的路径相关系数；

判断进行深度分析的当前迭代次数是否不大于所述最大迭代次数；

若不大于所述最大迭代次数，则对所述路径相关系数进行无监督学习，得到迭代次数加1后的路径相关系数，然后返回对迭代次数加1后的路径相关系数进行深度分析的步骤，直至当前迭代次数大于所述最大迭代次数；

若大于所述最大迭代次数，则基于与当前迭代次数相对应的匹配度最优的路径相关系数获取最优返还路径。

5.根据权利要求4所述的方法，其特征在于，所述基于最优路径线性方程对所述路径返还信息进行计算，得到路径相关系数，根据以下公式得到：

式中，

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的距离；

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的路障信息；

表示第k次迭代时购物车当前位置与所述购物车存放区域之间的人流量；i、j、t为维度，且i∈[1，m]，j∈[1，n]，t∈[1，q]，m、n、q分别表示维度最大值；α，β，γ为权值，α，β，γ∈(0，1)，且α+β+γ＝1；

表示

呈现线性相关的路径相关系数。

6.根据权利要求5所述的方法，其特征在于，对所述路径相关系数进行深度分析，得到匹配度最优的路径相关系数，根据以下公式得到：

式中，

表示

呈现线性相关的路径相关系数；i、j、t为维度，且i∈[1，m]，j∈[1，n]，t∈[1，q]，m、n、q分别表示维度最大值；

为常数；Minθ^k表示匹配度最优的路径相关系数。

7.根据权利要求5所述的方法，其特征在于，对路径相关系数进行无监督学习，得到迭代次数加1后的路径相关系数，根据以下公式得到：

式中，

表示

呈现线性相关的路径相关系数；i、j、t为维度，且i∈[1，m]，j∈[1，n]，t∈[1，q]，m、n、q分别表示维度最大值；

为常数；θ^minG表示历史递归最小值；

表示迭代次数加1后的路径相关系数。

8.根据权利要求1所述的方法，其特征在于，在接收到用户的返回购物车指令之前，还包括：

接收用户的购物车选择信息；

基于所述购物车选择信息将所述用户与相应的购物车进行绑定；

所述基于预设的路线规划算法为购物车规划返还路径，包括：

基于预设的路线规划算法为与所述用户绑定的购物车规划返还路径。

9.根据权利要求8所述的方法，其特征在于，在将所述最优返还路径发送至所述购物车之后，还包括：

判断所述购物车是否成功返回至所述购物车存放区域，若是，则解除所述购物车与所述用户之间的绑定。

10.根据权利要求1所述的方法，其特征在于，在将所述最优返还路径发送至所述购物车之后，还包括：

判断是否接收到所述购物车遇到故障信息，若是，则获取所述购物车遇到故障的当前位置；

基于所述购物车遇到故障的当前位置按照所述路线规划算法重新为所述购物车规划最优返还路径。

11.一种终端设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至10中任一项所述的购物车返还方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，所述处理器执行根据权利要求1至10中任一项所述的购物车返还方法。

Images