CN113029155A - 机器人自动导航方法及装置、电子设备、存储介质 - Google Patents
机器人自动导航方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113029155A CN113029155A CN202110359116.4A CN202110359116A CN113029155A CN 113029155 A CN113029155 A CN 113029155A CN 202110359116 A CN202110359116 A CN 202110359116A CN 113029155 A CN113029155 A CN 113029155A
- Authority
- CN
- China
- Prior art keywords
- robot
- neural network
- network model
- output result
- lane change
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 88
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 22
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 11
- 230000007423 decrease Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提供一种机器人自动导航方法及装置、电子设备、存储介质,该方法包括:接收机器人的行驶状态参数;根据所述行驶状态参数,判断所述机器人进入的换道决策状态;按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;其中,每个所述的输出结果作为一个换道决策样本;根据所述神经网络模型的输出结果,执行换道动作。该方法实现了机器人自动导航自动化,提高了机器人自动换道的精准性。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种机器人自动导航方法及装置、电子设备、存储介质。
背景技术
搭载人工智能的自动行驶设备其使用的自动驾驶系统是一个可以模拟人类驾驶行为的自动化系统。在这些设备的行驶过程中,为了更方便通行或者一些外部因素,常常需要换道。目前,自动驾驶系统在进行换道决策时要面临很多复杂的情况,换道决策的精准性还有待提高。
发明内容
本申请实施例提供了一种机器人自动导航方法,可以实现机器人自动导航自动化,提高了机器人自动换道的精准性。
本申请实施例提供了一种机器人自动导航方法,所述方法包括:
接收机器人的行驶状态参数;
根据所述行驶状态参数,判断所述机器人进入的换道决策状态;
按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;
将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;其中,每个所述的输出结果作为一个换道决策样本;
根据所述神经网络模型的输出结果,执行换道动作。
在一实施例中,所述接收机器人的行驶状态参数包括:
获取预设的任务信息;
获取对应所述任务信息的道路信息;
藉由雷达和视觉传感器获取所述机器人周围的环境信息;
通过车载传感器和导航系统获取所述机器人的位姿信息;
将所述任务信息、所述道路信息、所述环境信息和位姿信息进行整合,获得行驶状态参数。
在一实施例中,所述按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组,包括:
清洗所述形式状态参数,根据预设分组条件,去除异常和错误数据;
根据所述行驶状态参数的编号,将预设个数的行驶状态参数合成一个所述向量输入组。
在一实施例中,所述将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果,包括:
建立卷积块;
所述卷积块按照预设步长值,对任一个所述向量输入组进行训练;
提取该所述向量输入组的粒度特征数据;
使用后想传递算法计算每个所述粒度特征数据的误差值;
使用梯度下降检查算法检查梯度下降的正确性,输出正确的所述神经网络模型的输出结果。
在一实施例中,所述根据所述神经网络模型的输出结果,执行换道动作,包括:
判断所述输出结果是否为换道;
若所述输出结果为换道,判断所述输出结果是否满足动力学条件和舒适度条件;
若满足,执行换道动作;否则,保持原道行驶或者停止。
在一实施例中,在所述根据所述神经网络模型的输出结果,执行换道动作之后,所述方法还包括:
在所述神经网络模型中增加一个残差链接。
进一步的,本申请实施例还提供看一种机器人自动导航装置,该装置包括:
参数接收模块,用于接收机器人的行驶状态参数;
状态判断模块,用于根据所述行驶状态参数,判断所述机器人进入的换道决策状态;
参数分类模块,用于按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;
结果输出模块,用于将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;其中,每个所述的输出结果作为一个换道决策样本;
动作执行模块,用于根据所述神经网络模型的输出结果,执行换道动作。
进一步地,本申请还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行本申请提供的机器人自动导航方法。
进一步地,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成本申请提供的机器人自动导航方法。
本申请上述实施例提供的技术方案,通过获取行驶状态参数来判断换道决策状态,进而将行驶状态参数输入与换道决策状态对应的神经网络模型中,得出输出结果,并根据此输出结果执行换道动作,本申请实施例考虑了机器人进行换道决策时的不同场景,实现了机器人自动导航自动化,提高了机器人自动换道的精准性。
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的机器人自动导航方法的应用场景示意图;
图2为本申请一实施例提供的机器人自动导航方法的流程示意图;
图3为本申请另一实施例提供的机器人自动导航装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的机器人自动导航方法的应用场景示意图。如图1所示,该应用场景包括机器人100。该机器人100可以采用实施例提供的机器人自动导航方法,实现机器人自动导航自动化,提高机器人自动换道的精准性。
特别的,机器人100可以是电力巡检机器人,例如室外巡检机器人和室内巡检机器人。室外巡检机器人的应用场景可以是大型工厂、变电站或仓库,室内巡检机器人的应用场景可以是配电房、车间或办公室。上述的应用场景都具有可以让机器人100通行的道路,在此,机器人100按照一设置好的路线行进时,其自身所扫过的道路可以视作一条“道”。
该机器人100可以包括车载传感系统110、导航系统120和控制器130。车载控制器130连接车载传感系统110和导航系统120。其中,车载传感系统110可以包括本车状态传感器、视觉传感器、雷达。车载传感系统110和导航系统120将获取到的信息发送给车载控制器130,从而车载控制器130可以采用实施例提供的机器人自动导航方法,进行机器人100的换道决策。
本申请还提供了一种电子设备。该电子设备可以是图1所示的车载控制器130。如图1所示,车载控制器130可以包括处理器131和用于存储处理器131可执行指令的存储器132;其中,该处理器131被配置为执行本申请提供的机器人自动导航方法。
存储器132可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序可由处理器131执行以完成本申请提供的机器人自动导航方法。
图2为本申请实施例提供的机器人自动导航方法的流程示意图。如图2所示,该方法包括以下步骤S210-S240。
步骤S210:接收机器人的行驶状态参数。
行驶状态参数可以包括可能影响到机器人换道决策行为的信息,例如机器人的速度、邻道机器人的速度以及邻道机器人离本车的距离等。
步骤S220:根据所述行驶状态参数,判断所述机器人进入的换道决策状态。
其中,换道决策状态可以为该机器人在做换道决策时所处的状态,即该机器人在做换道决策时处于何种换道场景。换道决策可以是左换道、右换道或者不换道。
在一实施例中,换道场景可以包括自由换道和强制换道。自由换道是指机器人处于正常的行驶过程中,由于前方具有其他速度较慢的机器人或者邻道更易于通行而实施的换道,强制换道是指机器人行驶过程中遇到强制性因素被迫换道,通常包括前方遇到路障、前方路口转弯需走特定车道、靠边停车、匝道汇入等。对应地,换道决策状态可以包括自由换道决策状态,对应于自由换道场景以及强制换道决策状态,对应于强制换道场景。
在这两换道决策状态下,影响机器人换道决策的主要因素是有所不同的。例如,在自由换道决策状态下,前车的速度对换道的决策影响很大,容易理解地,如果前车速度较快、超过了本车的目标速度,那么本车不考虑换道,而在强制换道决策状态下,只要接收到强制换道的指示,在符合安全性的前提下,仍会在合适时机实施换道。因此,根据获取到的行驶状态参数,判断机器人处于哪一种换道决策状态下,将会使后续步骤的建模和预测更有针对性和可解释性。
步骤S230:按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;
在本步骤中,汽车换道决策是左换道、右换道、不换道,神经网络的模型是深度前馈神经网络,神经网络的训练方法是有监督学习梯度下降法。训练输入数据的准备包括:每一组训练数据包括:编号为1-8的机器人的行驶状态参数是合成一个向量为输入数组[X],1个输出数据为换道决策样本[Y]
步骤S240:将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果。
在本步骤中,每个换道决策状态对应一个神经网络模型,该模型用来根据行驶状态参数预测换道决策。将行驶状态参数输入与换道决策状态对应的神经网络模型中,得到该模型的输出结果。输出结果可以为左换道、右换道或者不换道。
步骤S250:根据所述神经网络模型的输出结果,执行换道动作。
根据步骤S240中的神经网络模型的输出结果,控制机器人实施左换道、右换道或者不换道。
本申请上述实施例提供的技术方案,通过获取行驶状态参数来判断换道决策状态,进而将行驶状态参数输入与换道决策状态对应的神经网络模型中,得出输出结果,并根据此输出结果执行换道动作,本申请实施例考虑了机器人进行换道决策时的不同场景,实现了机器人自动导航自动化,提高了机器人自动换道的精准性。
在一实施例中,如图3所示,上述步骤S210包括以下步骤S211-S214。
步骤S211:获取预设的任务信息。
在本步骤中,预设的任务信息可以是机器人的行驶目的地或者必经路程。
步骤S212:获取对应所述任务信息的道路信息。
其中,道路信息可以是机器人所处位置周围预设范围内的高精度地图。
步骤S213:藉由雷达和视觉传感器获取所述机器人周围的环境信息。
其中,机器人周围的环境信息可以是机器人周围预设范围内的可能会对机器人换道决策产生影响的所有实体的信息。其中,实体可以为周围机器人、行人、路障、交通指示灯、交通指示牌、前方车道等。实体的信息可以为周围机器人和行人的速度、加速度、离本车的距离、路障的位置等。雷达通过向周围的实体发射电磁波并接收回波信号,来确定实体的位置。视觉传感器通过采集周围图像,并通过图像检测出实体的信息。一辆车可以装载有多个雷达和多个视觉传感器,它们可以朝向不同方向,以此来获取该机器人周围的尽可能完整的环境信息。
步骤S214:通过车载传感器和导航系统获取所述机器人的位姿信息。
其中,位姿信息可以包括机器人的行驶状态信息,例如速度、加速度等,以及机器人所处的位置。通过车载传感器获取机器人的行驶状态信息,通过导航系统来获取机器人的位置。
步骤S211-S214可以同步进行,也可以逐步进行。
步骤S215:将所述任务信息、所述道路信息、所述环境信息和位姿信息进行整合,获得行驶状态参数。
在步骤S211-S214中,获取到的任务信息、所述道路信息、所述环境信息和位姿信息中可能含有相同的数据,例如环境信息中通过雷达和视觉传感器分别获得的邻道机器人的距离信息。在本步骤中,将获取到的所有信息进行融合处理,合并冗余的数据,剔除可靠度较低的数据,获得行驶状态参数。
在一实施例中,上述步骤S230可以包括:清洗所述形式状态参数,根据预设分组条件,去除异常和错误数据;根据所述行驶状态参数的编号,将预设个数的行驶状态参数合成一个所述向量输入组。
在一实施例中,上述步骤S240可以包括:建立卷积块;所述卷积块按照预设步长值,对任一个所述向量输入组进行训练;提取该所述向量输入组的粒度特征数据;使用后想传递算法计算每个所述粒度特征数据的误差值;使用梯度下降检查算法检查梯度下降的正确性,输出正确的所述神经网络模型的输出结果。
在一实施例中,上述步骤S250可以包括:判断所述输出结果是否为换道;若所述输出结果为换道,判断所述输出结果是否满足动力学条件和舒适度条件;若满足,执行换道动作;否则,保持原道行驶或者停止。
在步骤S230中,神经网络模型的输出结果可以为左换道、右换道和不换道。如果输出结果为左换道或者右换道,判断在此时换道是否满足动力学条件和舒适度条件。其中,动力学条件是指符合机器人的动力学特性,设置动力学条件是为了对机器人的伤害和磨损较小,也在一定程度上确保安全性。动力学条件有着一定可以调节的范围,可以在机器人行驶前预设。
如果换道决策满足上述动力学条件和舒适度条件,则机器人执行换道动作,否则将视前方情况保持原道行驶,遇到需要强制换道而又不满足换道条件的,可以减速或者停止。
进一步的,在神经神经网络中增加一个残差链接,包括: 每个结构层在引用上一层的特征时,还引用了再上一层的特征,即模型在学习深层特征的同时还学习了浅层特征,使得第三层可以同时引用第一层和第二层的特征。
进一步的,残差链接中,可以将部分反馈相同信息的块/层进行合并或者跳过,从而减少梯度的损耗进而增加准确度。
下述为本申请装置实施例,可以用于执行本申请上述机器人自动导航方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请机器人自动导航方法实施例。
图3为本申请一实施例示出的机器人自动导航装置的框图。如图3所示,所述装置包括:参数接收模块410、状态判断模块420、参数分类模块430、结果输出模块440和动作执行模块450。
参数接收模块410,用于接收机器人的行驶状态参数;
状态判断模块420,用于根据所述行驶状态参数,判断所述机器人进入的换道决策状态;
参数分类模块430,用于按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;
结果输出模块440,用于将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;其中,每个所述的输出结果作为一个换道决策样本;
动作执行模块450,用于根据所述神经网络模型的输出结果,执行换道动作。
上述装置中各个模块的功能和作用的实现过程具体详见上述机器人自动导航方法中对应步骤的实现过程,在此不再赘述。
在本申请所提供的几个实施例中,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种机器人自动导航方法,其特征在于,包括:
接收机器人的行驶状态参数;
根据所述行驶状态参数,判断所述机器人进入的换道决策状态;
按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;
将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;其中,每个所述的输出结果作为一个换道决策样本;
根据所述神经网络模型的输出结果,执行换道动作。
2.根据权利要求1所述的机器人自动导航方法,其特征在于,所述接收机器人的行驶状态参数包括:
获取预设的任务信息;
获取对应所述任务信息的道路信息;
藉由雷达和视觉传感器获取所述机器人周围的环境信息;
通过车载传感器和导航系统获取所述机器人的位姿信息;
将所述任务信息、所述道路信息、所述环境信息和位姿信息进行整合,获得行驶状态参数。
3.根据权利要求1所述的机器人自动导航方法,其特征在于,所述按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组,包括:
清洗所述形式状态参数,根据预设分组条件,去除异常和错误数据;
根据所述行驶状态参数的编号,将预设个数的行驶状态参数合成一个所述向量输入组。
4.根据权利要求1所述的机器人自动导航方法,其特征在于,所述将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果,包括:
建立卷积块;
所述卷积块按照预设步长值,对任一个所述向量输入组进行训练;
提取该所述向量输入组的粒度特征数据;
使用后想传递算法计算每个所述粒度特征数据的误差值;
使用梯度下降检查算法检查梯度下降的正确性,输出正确的所述神经网络模型的输出结果。
5.根据权利要求1所述的机器人自动导航方法,其特征在于,所述根据所述神经网络模型的输出结果,执行换道动作,包括:
判断所述输出结果是否为换道;
若所述输出结果为换道,判断所述输出结果是否满足动力学条件和舒适度条件;
若满足,执行换道动作;否则,保持原道行驶或者停止。
6.根据权利要求1所述的机器人自动导航方法,其特征在于,在所述根据所述神经网络模型的输出结果,执行换道动作之前,所述方法还包括:
在所述神经网络模型中增加一个残差链接。
7.一种机器人自动导航装置,其特征在于,所述装置包括:
参数接收模块,用于接收机器人的行驶状态参数;
状态判断模块,用于根据所述行驶状态参数,判断所述机器人进入的换道决策状态;
参数分类模块,用于按照预设分组条件,将预设个数的所述行驶状态参数合成为一个向量输入组;
结果输出模块,用于将所述向量输入组输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;其中,每个所述的输出结果作为一个换道决策样本;
动作执行模块,用于根据所述神经网络模型的输出结果,执行换道动作。
8.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-6任意一项所述的机器人自动导航方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成权利要求1-6任意一项所述的机器人自动导航方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359116.4A CN113029155A (zh) | 2021-04-02 | 2021-04-02 | 机器人自动导航方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359116.4A CN113029155A (zh) | 2021-04-02 | 2021-04-02 | 机器人自动导航方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113029155A true CN113029155A (zh) | 2021-06-25 |
Family
ID=76453475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359116.4A Pending CN113029155A (zh) | 2021-04-02 | 2021-04-02 | 机器人自动导航方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113029155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114310928A (zh) * | 2021-11-30 | 2022-04-12 | 杭州申昊科技股份有限公司 | 一种防爆巡检机器人的智能巡检方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874597A (zh) * | 2017-02-16 | 2017-06-20 | 北理慧动(常熟)车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
CN110059582A (zh) * | 2019-03-28 | 2019-07-26 | 东南大学 | 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 |
CN110733506A (zh) * | 2019-10-17 | 2020-01-31 | 上海舵敏智能科技有限公司 | 无人驾驶车辆的车道变更方法及设备 |
CN111413973A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的换道决策方法及装置、电子设备、存储介质 |
CN112288075A (zh) * | 2020-09-29 | 2021-01-29 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
-
2021
- 2021-04-02 CN CN202110359116.4A patent/CN113029155A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874597A (zh) * | 2017-02-16 | 2017-06-20 | 北理慧动(常熟)车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
CN110059582A (zh) * | 2019-03-28 | 2019-07-26 | 东南大学 | 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 |
CN110733506A (zh) * | 2019-10-17 | 2020-01-31 | 上海舵敏智能科技有限公司 | 无人驾驶车辆的车道变更方法及设备 |
CN111413973A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的换道决策方法及装置、电子设备、存储介质 |
CN112288075A (zh) * | 2020-09-29 | 2021-01-29 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
弗朗索瓦·肖莱 等, 北京:机械工业出版社 * |
王建群等: "辅助驾驶中的换道决策安全研究", 《安全与环境学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114310928A (zh) * | 2021-11-30 | 2022-04-12 | 杭州申昊科技股份有限公司 | 一种防爆巡检机器人的智能巡检方法 |
CN114310928B (zh) * | 2021-11-30 | 2023-08-04 | 杭州申昊科技股份有限公司 | 一种防爆巡检机器人的智能巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334055B (zh) | 车辆自动驾驶算法的检验方法、装置、设备及存储介质 | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
Belbachir et al. | Simulation-driven validation of advanced driving-assistance systems | |
US11385991B1 (en) | Collision evaluation for log-based simulations | |
CN111868641B (zh) | 用于产生用于训练车辆控制设备的人工智能模块的训练数据组的方法 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
US11715338B2 (en) | Ranking fault conditions | |
CN115179959A (zh) | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 | |
US11960292B2 (en) | Method and system for developing autonomous vehicle training simulations | |
CN114764392A (zh) | 用于确定交通场景相似度值的计算机实现方法和测试单元 | |
CN115795808A (zh) | 一种自动驾驶决策危险场景生成方法、系统、设备及介质 | |
CN116703966A (zh) | 多对象跟踪 | |
CN113034970A (zh) | 安全性系统、自动化驾驶系统及其方法 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN113029155A (zh) | 机器人自动导航方法及装置、电子设备、存储介质 | |
CN117818659A (zh) | 车辆安全决策方法、装置、电子设备、存储介质及车辆 | |
Kaur et al. | Scenario-based simulation of intelligent driving functions using neural networks | |
CN114787894A (zh) | 感知误差模型 | |
CN117312841A (zh) | 自动驾驶车辆训练数据的制定方法、电子设备和介质 | |
CN117022262A (zh) | 无人车速度规划控制方法、装置、电子设备及存储介质 | |
CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 | |
CN115855531A (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |