CN113823011B - 巡逻机器人的算力分配方法及相关设备 - Google Patents

巡逻机器人的算力分配方法及相关设备 Download PDF

Info

Publication number
CN113823011B
CN113823011B CN202111032733.XA CN202111032733A CN113823011B CN 113823011 B CN113823011 B CN 113823011B CN 202111032733 A CN202111032733 A CN 202111032733A CN 113823011 B CN113823011 B CN 113823011B
Authority
CN
China
Prior art keywords
calculation
power
demand
calculation force
force
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
CN202111032733.XA
Other languages
English (en)
Other versions
CN113823011A (zh
Inventor
尹义
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202111032733.XA priority Critical patent/CN113823011B/zh
Publication of CN113823011A publication Critical patent/CN113823011A/zh
Application granted granted Critical
Publication of CN113823011B publication Critical patent/CN113823011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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"
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种巡逻机器人的算力分配方法，所述方法包括：获取巡逻机器人的规划路线；对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；根据所述算力需求预测结果对所述算力需求设备进行算力分配。通过巡逻机器人自由灵活以及设备空间足够配置较大算力的特性，在巡逻机器人的巡逻路线上，对沿途的设备进行算力提供，即完成本职的巡逻工作，又可以动态的为沿途的设备灵活的提供所需要的算力，不需要设备边缘端，降低了算力建设成本，也能满足不同时段对应设备的算力需求，降低了算力建设的费效比。

Description

巡逻机器人的算力分配方法及相关设备
技术领域
本发明涉及智能机器人领域，尤其涉及一种巡逻机器人的算力分配方法及相关设备。
背景技术
随着人工智能相关技术不断进步，越来越多图像设备端搭载了对应的图像处理模型。受限于图像设备端的硬件条件，还是只能嵌入一些简化的图像处理模型，比如对图像处理模型进行量化后再嵌入到图像设备端，或者对视频流图像进行抽帧后计算，这样可以降低图像设备端对于算力的要求，但是损失了图像处理模型的精度。然而，在一些需要高精准度的检测识别场景，模型的精度损失，会带来检测识别结果的误差率上升。如果采用云端，则会存在较高的延迟，一些做法是边缘端建设，通过搭建边缘端来对图像设备端进行算力提供，但图像设备端的算力需求并不是稳定的，比如，在车辆高峰期，对于车牌号码的检测识别就需要较高的算力，在车辆少的时候，则不需要特别高的算力，同时，单独设置边缘端的成本较高，且存在区域性的算力冗余，即本区域边缘端的算力无法调配到其他区域。因此，现有的算力分配方案的费效比较高。
发明内容
本发明实施例提供一种巡逻机器人的算力分配方法，通过巡逻机器人自由灵活以及设备空间足够配置较大算力的特性，在巡逻机器人的巡逻路线上，对沿途的设备进行算力提供，即完成本职的巡逻工作，又可以动态的为沿途的设备灵活的提供所需要的算力，不需要设备边缘端，降低了算力建设成本，也能满足不同时段对应设备的算力需求，降低了算力建设的费效比。
第一方面，本发明实施例提供一种巡逻机器人的算力分配方法，所述方法包括：
获取巡逻机器人的规划路线；
对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；
根据所述算力需求预测结果对所述算力需求设备进行算力分配。
可选的，所述对所述规划路线中的算力需求设备进行算力预测，得到所述算力需求设备的算力预测结果包括：
获取所述算力需求设备在各个历史时段的算力需求数据；
将所述算力需要数据输入到预训练的算力需求预测模型中，通过所述算力预测模型输出所述算力需求设备在未来时段对应的算力需求预测结果，所述未来时段由执行所述规划路线的规划时间进行确定。
可选的，所述根据所述算力需求预测结果对所述算力需求设备进行算力分配，包括：
若所述算力分配所对应的预计耗电量以及巡逻耗电量之和小于或等于所述巡逻机器人的安全电量，则按算力需求预测结果对所述算力需求设备进行算力分配；
若所述算力分配所对应的预计耗电量以及巡逻耗电量之和大于所述巡逻机器人的安全电量，则根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果；
根据所述算力分配优化结果对所述算力需求设备进行算力分配。
可选的，所述规划路线为单机巡逻路线，所述根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果，包括：
以最大化算力供给为第一目标函数，以满足所述巡逻机器人的安全电量为第一约束条件，构建单机算力分配优化模型；
根据所述单机算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
可选的，所述规划路线为多机巡逻路线，所述根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果，还包括：
基于所述单机算力分配优化模型，以最小化整体能耗为第二目标函数，以满足所述算力需求设备的总算力为第二约束条件，构建全局算力分配优化模型；
根据所述全局算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
可选的，所述方法还包括：
将所述算力分配发送到对应的巡逻机器人；
若检测到所述巡逻机器人进入到算力需求区，则向所述巡逻机器人发送所述算力需求区内的算力需求设备的动态连接码，以使所述巡逻机器人根据所述连接码连接到对应的算力需求设备；
若检测到所述巡逻机器人离开所述算力需求区，则销毁所述动态连接码。
可选的，所述方法还包括：
若检测到所述巡逻机器人离开所述算力需求区，则获取所述算力需求区内的各算力需求设备的真实算力需求；
根据所述真实算力需求，对所述巡逻机器人的后续规划路线中的算力需求设备进行实时修正，得到修正后的算力分配；
将所述修正后的算力分配发送到对应的巡逻机器人。
第二方面，本发明实施例提供一种巡逻机器人的算力分配装置，所述装置包括：
第一获取模块，用于获取巡逻机器人的规划路线；
预测模块，用于对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；
分配模块，用于根据所述算力需求预测结果对所述算力需求设备进行算力分配。
第三方面，本发明实施例提供一种电子设备，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计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的巡逻机器人的算力分配方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的巡逻机器人的算力分配方法中的步骤。
本发明实施例中，获取巡逻机器人的规划路线；对规划路线中的算力需求设备进行算力需求预测，得到算力需求设备的算力需求预测结果；根据算力需求预测结果对算力需求设备进行算力分配。通过巡逻机器人自由灵活以及设备空间足够配置较大算力的特性，在巡逻机器人的巡逻路线上，对沿途的设备进行算力提供，即完成本职的巡逻工作，又可以动态的为沿途的设备灵活的提供所需要的算力，不需要设备边缘端，降低了算力建设成本，也能满足不同时段对应设备的算力需求，降低了算力建设的费效比。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种巡逻机器人的算力分配方法的流程图；
图2是本发明实施例提供的一种巡逻机器人的算力分配装置的结构示意图；
图3是本发明实施例提供的一种预测模块的结构示意图；
图4是本发明实施例提供的一种分配模块的结构示意图；
图5是本发明实施例提供的一种优化子模块的结构示意图；
图6是本发明实施例提供的另一种优化子模块的结构示意图；
图7是本发明实施例提供的另一种巡逻机器人的算力分配装置的结构示意图；
图8是本发明实施例提供的另一种巡逻机器人的算力分配装置的结构示意图；
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种巡逻机器人的算力分配方法的流程图，如图1所示，该巡逻机器人的算力分配方法包括以下步骤：
101、获取巡逻机器人的规划路线。
在本发明实施例中，上述巡逻机器的规划路线为巡逻时所执行的路线，上述规划路线可以是用户进行设定，比如，用户在界面中的地图上进行画线，通过画出的线生成对应的规划路线。也可以是输入起点和终点，自动生成的规避了障碍物的路线。
需要说明的是，上述巡逻机器人由于外观设计需求的原因(类人形)，导致体积较大，因此内部空间可以支持较多的硬件扩展或集成，因此，可以为巡逻机器人配备较多的算力资源，比如为巡逻机器人配置多核多线程的一个或多个处理器作为算力资源。
上述规划路线可以是在巡逻机器人执行本次巡逻任务前进行获取，也可以是巡逻机器人执行本交巡逻任务过程中进行实时获取。
102、对规划路线中的算力需求设备进行算力需求预测，得到算力需求设备的算力需求预测结果。
在本发明实施例中，上述规划路线中可以包括算力需求设备的位置信息，上述算力需求设备可以是具有算力需求的图像设备，比如摄像头，也可以是其他检测设备，比如红外检测设备、环境监测设备等。
具体的，上述算力需求设备是根据设备接收范围来进行确定的。一种可能的实施例中，设备接收范围覆盖在上述规划路线上，则将该算力需求设备算成该规划路线上的算力需求设备。
上述算力需求预测结果指的是算力需求设备在各个时段对于算力的需求预测，上述算力需求可以理解为算力需求设备在本身算力不足的情况下需要的额外算力资源。
可选的，可以获取上述算力需求设备在各个历史时段的算力需求数据；将上述算力需要数据输入到预训练的算力需求预测模型中，通过上述算力预测模型输出上述算力需求设备在未来时段对应的算力需求预测结果，上述未来时段由执行上述规划路线的规划时间进行确定。
上述算力需求预测模型可以是基于序列预测的长短时记忆网络进行构建。
上述算力需求数据为算力需求在各个历史时段所需要的额外算力资源，上述算力需求数据为一个序列数据，上述序列数据的时间粒度可以是1小时、也可以是30分钟或10分钟。
上述规划时间可以是上述巡逻机器人路过算力需求设备接收范围的最小时间，比如，巡逻机器人路过算力需求设备的最小时间是5分钟，则上述未来时间段可以设置为5分钟，在这种情况下，上述序列数据的时间粒度可以是5分钟。
在对上述算力需求预测模型进行训练的过程中，需要将上述序列数据进行处理，对于一个序列数据an＝(a0，a1，a2…an)，想要预测未来m个时间段，可以将(a0，a1，a2…an－m)作为样本，(an－m+1…an)作为标签，在训练过程中，将样本(a0，a1，a2…an－m)输入到新构建算力需求预测模型中，新构建算力需求预测模型会输出一个预测结果(b1…bm)，计算标签(an－m+1…an)与预测结果(b1…bm)之间的误差，以最小化该误差为目标对新构建算力需求预测模型中的参数进行调整，使得预测结果(b1…bm)与标签(an－m+1…an)接近，这样，就可以使得算力需求预测模型输出较为准确的预测结果。
在一种可能的实施例中，在新构建算力需求预测模型增加一个输出通道，用于输出一个校验值ar，上述校验值ar为样本(a0，a1，a2…an－m)中的随机位置上的值。具体的，可以对样本(a0，a1，a2…an－m)进行随机掩码，得到(a0，a1，a2…amask…an－m)，其中，amask为随机掩码的位置，amask对应样本(a0，a1，a2…an－m)的值为校验值ar，将(a0，a1，a2…amask…an－m)输入到新构建算力需求预测模型中，新构建算力需求预测模型会输出一个预测结果(b1…bm，br)，br为预测校验值，计算标签(an－m+1…an)与预测结果(b1…bm)之间的第一误差，同时，计算校验值ar与预测校验值br之间的第二误差，将第一误差与第二误差进行相加，得到总误差，以最小化总误差为目标对新构建算力需求预测模型中的参数进行调整，使得预测结果(b1…bm)与标签(an－m+1…an)接近，这样，得到就可以使得算力需求预测模型输出较为准确的预测结果。同时，通过随机掩码，使得样本丢失信息，使得训练完成的算力需求预测模型具有更优秀的预测能力。
103、根据算力需求预测结果对算力需求设备进行算力分配。
在本发明实施例中，在巡逻机器人的算力和续航充足的情况下，可以直接根据算力需求预测结果对算力需求设备进行算力分配。比如，巡逻机器人在10：31分进入算力需求设备A的接收范围，10：38分离开算力需求设备A的接收范围，算力需求设备A在10：30至10：40对应的算力需求预测结果为500gp/s(表示每秒处理500graph图的算力)，则在10：31分至10：38分之间，巡逻机器人可以分配500gp/s给算力需求设备A。
在本发明实施例中，获取巡逻机器人的规划路线；对所述规划路线中的算力需求设备进行算力需求预测，得到基于所述算力需求设备的算力需求预测结果；根据所述算力需求预测结果对所述算力需求设备进行算力分配。通过巡逻机器人自由灵活以及设备空间足够配置较大算力的特性，在巡逻机器人的巡逻路线上，对沿途的设备进行算力提供，即完成本职的巡逻工作，又可以动态的为沿途的设备灵活的提供所需要的算力，不需要设备边缘端，降低了算力建设成本，也能满足不同时段对应设备的算力需求，降低了算力建设的费效比。
可选的，在一种可能的实施例中，可以判断算力分配所对应的预计耗电量以及巡逻耗电量之和是否大于上述巡逻机器人的安全电量；若上述算力分配所对应的预计耗电量以及巡逻耗电量之和小于或等于上述巡逻机器人的安全电量，则按算力需求预测结果对上述算力需求设备进行算力分配；若上述算力分配所对应的预计耗电量以及巡逻耗电量之和大于上述巡逻机器人的安全电量，则根据上述算力需求预测结果对上述算力需求设备的算力供给进行优化，得到算力分配优化结果；根据上述算力分配优化结果对上述算力需求设备进行算力分配。
上述巡逻机器人的常用电的容量分为紧急电量以及安全电量，上述紧急电量用于巡逻机器人发生紧急状态时，在安全电量用完后提供备用的紧急电源。上述安全电量用于支持巡逻机器的正常巡逻工作以及算力分配工作。需要说明的是，算力分配越多，耗电量越大。
上述巡逻机器人在进行算力分配时，应当在安全电量内进行。
具体的，上述规划路线为单机巡逻路线，可以以最大化算力供给为第一目标函数，以满足上述巡逻机器人的安全电量为第一约束条件，构建单机算力分配优化模型；根据上述单机算力分配优化模型对上述算力需求设备的算力供给进行优化，得到上述算力分配优化结果。
上述规划路线为单机巡逻路线可以理解为在该规划路线上，同一个算力需求设备的接收范围同时只有一个巡逻机器人进行巡逻。上述单机算力分配优化模型可以包含如下计算式子：
Figure BDA0003245800190000081
Figure BDA0003245800190000082
其中，
Figure BDA0003245800190000083
为第一目标函数，/>
Figure BDA0003245800190000084
为第一约束条件。
上述F为巡逻机器人的单机算力供给，上述ei为第i个算力需求设备的算力需求，ti为巡逻机器人给第i个算力需求设备的提供算力的时间，μj为第j阶段算力与耗电量的转换系数，E0为巡逻机器人的巡逻耗电量，Es为巡逻机器人的安全电量，N为算力需求设备的总数。
通过迭代计算上述计算式子，可以计算出单机巡逻路线的算力分配优化结果。
可选的，上述规划路线为多机巡逻路线，可以基于上述单机算力分配优化模型，以最小化整体能耗为第二目标函数，以满足上述算力需求设备的总算力为第二约束条件，构建全局算力分配优化模型；根据上述全局算力分配优化模型对上述算力需求设备的算力供给进行优化，得到上述算力分配优化结果。
上述规划路线为多机巡逻路线可以理解为在该规划路线上，同一个算力需求设备的接收范围可以同时有多个巡逻机器人进行巡逻。上述多机算力分配优化模型可以如下述计算式子：
Figure BDA0003245800190000085
Figure BDA0003245800190000086
Figure BDA0003245800190000087
其中，
Figure BDA0003245800190000088
为第二目标函数。
Figure BDA0003245800190000089
为第二约束条件。
上述ET为M个巡逻机器人的整体能耗，上述eik为第k个巡逻机器人对于第i个算力需求设备的算力供给，tik为第k个巡逻机器人给第i个算力需求设备的提供算力的时间，μjk为第k个巡逻机器人在第j阶段算力与耗电量的转换系数，E0k为第k个巡逻机器人的巡逻耗电量，Esk为第k个巡逻机器人的安全电量，FT为所有算力需求设备的总算力需求，M为多机巡逻路线对应的巡逻机器人的数量，N为第k个巡逻机器人对应的算力需求设备的总数。
通过迭代计算上述计算式子，可以计算多机巡逻路线的算力分配优化结果。从整体上对算力分配进行优化，使得多个巡逻机器人的算力分配是在最小化整体能耗上进行的，有效降低算力分配成本。
可选的，可以将上述算力分配发送到对应的巡逻机器人；若检测到上述巡逻机器人进入到算力需求区，则向上述巡逻机器人发送上述算力需求区内的算力需求设备的动态连接码，以使上述巡逻机器人根据上述连接码连接到对应的算力需求设备；若检测到上述巡逻机器人离开上述算力需求区，则销毁上述动态连接码。
当巡逻机器人进入算力需求区内后，可以通过动态连接码与算力需求区内算力需求设备进行无线连接，巡逻机器人可以一边执行巡逻任务，一边为算力需求设备提供对应的算力资源。
进一步的，上述无线连接的方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
可选的，若检测到上述巡逻机器人离开上述算力需求区，则获取上述算力需求区内的各算力需求设备的真实算力需求；根据上述真实算力需求，对上述巡逻机器人的后续规划路线中的算力需求设备进行实时修正，得到修正后的算力分配；将上述修正后的算力分配发送到对应的巡逻机器人。
进一步的，上述真实算力需求指的是在巡逻机器人向算力需求设备提供算力时，算力需求设备的算力使用情况。上述算力使用情况包括算力冗余和算力不足，其中，算力冗余即巡逻机器人提供了的算力超过了算力需求设备实际所需要的算力，使得分配的算力用不完；算力不足即巡逻机器人提供的算力未达到算力需求设备实际所需要的算力。当巡逻机器人提供的算力与算力需求设备的真实算力需求误差在正负5％时，则不需要进行修正。
可选的，可以计算上述真实算力需求与算力需求预测结果之间的误差率，将上述误差率乘以相应的最新算力需求数据，该最新算力需求数据是指下一个算力需求区域内各个算力需求设备对应的输入序列中的数据，从而对下一个算力需求区域中各个算力需求设备对应的输入序列进行修正。通过对算力分配进行实时修正，可以更准确的对巡逻机器人进行算力分配。
需要说明的是，本发明实施例提供的巡逻机器人的算力分配方法可以应用于可以进行巡逻机器人的算力分配的智能手机、电脑、服务器等设备。
可选的，请参见图2，图2是本发明实施例提供的一种巡逻机器人的算力分配装置的结构示意图，如图2所示，所述装置包括：
第一获取模块201，用于获取巡逻机器人的规划路线；
预测模块202，用于对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；
分配模块203，用于根据所述算力需求预测结果对所述算力需求设备进行算力分配。
可选的，如图3所示，所述预测模块202包括：
获取子模块2021，用于获取所述算力需求设备在各个历史时段的算力需求数据；
预测子模块2022，用于将所述算力需要数据输入到预训练的算力需求预测模型中，通过所述算力预测模型输出所述算力需求设备在未来时段的对应的算力需求预测结果，所述未来时段由执行所述规划路线的规划时间进行确定。
可选的，如图4所示，所述分配模块203包括：
判断子模块2031，用于判断算力分配所对应的预计耗电量以及巡逻耗电量之和是否大于所述巡逻机器人的安全电量；
第一分配子模块2032，用于若所述算力分配所对应的预计耗电量以及巡逻耗电量之和小于或等于所述巡逻机器人的安全电量，则按算力需求预测结果对所述算力需求设备进行算力分配；
优化子模块2033，用于若所述算力分配所对应的预计耗电量以及巡逻耗电量之和大于所述巡逻机器人的安全电量，则根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果；
第二分配子模块2034，用于根据所述算力分配优化结果对所述算力需求设备进行算力分配。
可选的，如图5所示，所述规划路线为单机巡逻路线，所述优化子模块2033包括：
第一构建单元20331，用于以最大化算力供给为第一目标函数，以满足所述巡逻机器人的安全电量为第一约束条件，构建单机算力分配优化模型；
第一优化单元20332，用于根据所述单机算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
可选的，如图6所示，所述规划路线为多机巡逻路线，所述优化子模块2033包括：
第二构建单元20333，用于基于所述单机算力分配优化模型，以最小化整体能耗为第二目标函数，以满足所述算力需求设备的总算力为第二约束条件，构建全局算力分配优化模型；
第二优化单元20334，用于根据所述全局算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
可选的，如图7所示，所述装置还包括：
第一发送模块204，用于将所述算力分配发送到对应的巡逻机器人；
第一检测模块205，用于若检测到所述巡逻机器人进入到算力需求区，则向所述巡逻机器人发送所述算力需求区内的算力需求设备的动态连接码，以使所述巡逻机器人根据所述连接码连接到对应的算力需求设备；
第二检测模块206，用于若检测到所述巡逻机器人离开所述算力需求区，则销毁所述动态连接码。
可选的，如图8所示，所述装置还包括：
第二获取模块207，用于若检测到所述巡逻机器人离开所述算力需求区，则获取所述算力需求区内的各算力需求设备的真实算力需求；
修正模块208，用于根据所述真实算力需求，对所述巡逻机器人的后续规划路线中的算力需求设备进行实时修正，得到修正后的算力分配；
第二发送模块209，用于将所述修正后的算力分配发送到对应的巡逻机器人。
需要说明的是，本发明实施例提供的巡逻机器人的算力分配装置可以应用于可以进行巡逻机器人的算力分配的智能手机、电脑、服务器等设备。
本发明实施例提供的巡逻机器人的算力分配装置能够实现上述方法实施例中巡逻机器人的算力分配方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图9，图9是本发明实施例提供的一种电子设备的结构示意图，如图9所示，包括：存储器902、处理器901及存储在所述存储器902上并可在所述处理器901上运行的巡逻机器人的算力分配方法的计算机程序，其中：
处理器901用于调用存储器902存储的计算机程序，执行如下步骤：
获取巡逻机器人的规划路线；
对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；
根据所述算力需求预测结果对所述算力需求设备进行算力分配。
可选的，所述处理器901执行的所述对所述规划路线中的算力需求设备进行算力预测，得到基于所述算力需求设备的算力预测结果包括：
获取所述算力需求设备在各个历史时段的算力需求数据；
将所述算力需要数据输入到预训练的算力需求预测模型中，通过所述算力预测模型输出所述算力需求设备在未来时段的对应的算力需求预测结果，所述未来时段由执行所述规划路线的规划时间进行确定。
可选的，所述处理器901执行的所述根据所述算力需求预测结果对所述算力需求设备进行算力分配，包括：
若所述算力分配所对应的预计耗电量以及巡逻耗电量之和小于所述巡逻机器人的安全电量，则按算力需求预测结果对所述算力需求设备进行算力分配；
若所述算力分配所对应的预计耗电量以及巡逻耗电量之和大于所述巡逻机器人的安全电量，则根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果；
根据所述算力分配优化结果对所述算力需求设备进行算力分配。
可选的，所述规划路线为单机巡逻路线，所述处理器901执行的所述根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果，包括：
以最大化算力供给为第一目标函数，以满足所述巡逻机器人的安全电量为第一约束条件，构建单机算力分配优化模型；
根据所述单机算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
可选的，所述规划路线为多机巡逻路线，所述处理器901执行的所述根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果，还包括：
基于所述单机算力分配优化模型，以最小化整体能耗为第二目标函数，以满足所述算力需求设备的总算力为第二约束条件，构建全局算力分配优化模型；
根据所述全局算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
可选的，所述处理器901执行的所述方法还包括：
将所述算力分配发送到对应的巡逻机器人；
若检测到所述巡逻机器人进入到算力需求区，则向所述巡逻机器人发送所述算力需求区内的算力需求设备的动态连接码，以使所述巡逻机器人根据所述连接码连接到对应的算力需求设备；
若检测到所述巡逻机器人离开所述算力需求区，则销毁所述动态连接码。
可选的，所述处理器901执行的所述方法还包括：
若检测到所述巡逻机器人离开所述算力需求区，获取所述算力需求区内的各算力需求设备的真实算力需求；
根据所述真实算力需求，对所述巡逻机器人的后续规划路线中的算力需求设备进行实时修正，得到修正后的算力分配；
将所述修正后的算力分配发送到对应的巡逻机器人。
需要说明的是，本发明实施例提供的电子设备可以应用于可以进行巡逻机器人的算力分配的智能手机、电脑、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中巡逻机器人的算力分配方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的巡逻机器人的算力分配方法或应用端巡逻机器人的算力分配方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种巡逻机器人的算力分配方法，其特征在于，包括以下步骤：
获取巡逻机器人的规划路线；
对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；
根据所述算力需求预测结果对所述算力需求设备进行算力分配；
所述对所述规划路线中的算力需求设备进行算力预测，得到所述算力需求设备的算力预测结果包括：
获取所述算力需求设备在各个历史时段的算力需求数据；
将所述算力需要数据输入到预训练的算力需求预测模型中，通过所述算力预测模型输出所述算力需求设备在未来时段对应的算力需求预测结果，所述未来时段由执行所述规划路线的规划时间进行确定。
2.如权利要求1所述的方法，其特征在于，所述根据所述算力需求预测结果对所述算力需求设备进行算力分配，包括：
若所述算力分配所对应的预计耗电量以及巡逻耗电量之和小于或等于所述巡逻机器人的安全电量，则按算力需求预测结果对所述算力需求设备进行算力分配；
若所述算力分配所对应的预计耗电量以及巡逻耗电量之和大于所述巡逻机器人的安全电量，则根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果；
根据所述算力分配优化结果对所述算力需求设备进行算力分配。
3.如权利要求2所述的方法，其特征在于，所述规划路线为单机巡逻路线，所述根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果，包括：
以最大化算力供给为第一目标函数，以满足所述巡逻机器人的安全电量为第一约束条件，构建单机算力分配优化模型；
根据所述单机算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
4.如权利要求3所述的方法，其特征在于，所述规划路线为多机巡逻路线，所述根据所述算力需求预测结果对所述算力需求设备的算力供给进行优化，得到算力分配优化结果，还包括：
基于所述单机算力分配优化模型，以最小化整体能耗为第二目标函数，以满足所述算力需求设备的总算力为第二约束条件，构建全局算力分配优化模型；
根据所述全局算力分配优化模型对所述算力需求设备的算力供给进行优化，得到所述算力分配优化结果。
5.如权利要求1至4中任一所述的方法，其特征在于，所述方法还包括：
将所述算力分配发送到对应的巡逻机器人；
若检测到所述巡逻机器人进入到算力需求区，则向所述巡逻机器人发送所述算力需求区内的算力需求设备的动态连接码，以使所述巡逻机器人根据所述连接码连接到对应的算力需求设备；
若检测到所述巡逻机器人离开所述算力需求区，则销毁所述动态连接码。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
若检测到所述巡逻机器人离开所述算力需求区，则获取所述算力需求区内的各算力需求设备的真实算力需求；
根据所述真实算力需求，对所述巡逻机器人的后续规划路线中的算力需求设备进行实时修正，得到修正后的算力分配；
将所述修正后的算力分配发送到对应的巡逻机器人。
7.一种巡逻机器人的算力分配装置，其特征在于，所述装置包括：
第一获取模块，用于获取巡逻机器人的规划路线；
预测模块，用于对所述规划路线中的算力需求设备进行算力需求预测，得到所述算力需求设备的算力需求预测结果；
分配模块，用于根据所述算力需求预测结果对所述算力需求设备进行算力分配；
所述预测模块包括：
获取子模块，用于获取所述算力需求设备在各个历史时段的算力需求数据；
预测子模块，用于将所述算力需要数据输入到预训练的算力需求预测模型中，通过所述算力预测模型输出所述算力需求设备在未来时段的对应的算力需求预测结果，所述未来时段由执行所述规划路线的规划时间进行确定。
8.一种电子设备，其特征在于，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计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的巡逻机器人的算力分配方法中的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的巡逻机器人的算力分配方法中的步骤。
CN202111032733.XA 2021-09-03 2021-09-03 巡逻机器人的算力分配方法及相关设备 Active CN113823011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111032733.XA CN113823011B (zh) 2021-09-03 2021-09-03 巡逻机器人的算力分配方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111032733.XA CN113823011B (zh) 2021-09-03 2021-09-03 巡逻机器人的算力分配方法及相关设备

Publications (2)

Publication Number Publication Date
CN113823011A CN113823011A (zh) 2021-12-21
CN113823011B true CN113823011B (zh) 2023-06-13

Family

ID=78914147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111032733.XA Active CN113823011B (zh) 2021-09-03 2021-09-03 巡逻机器人的算力分配方法及相关设备

Country Status (1)

Country Link
CN (1) CN113823011B (zh)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10530703B2 (en) * 2016-08-15 2020-01-07 At&T Intellectual Property I, L.P. Dynamic provisioning of storage in the cloud
CN107249217A (zh) * 2017-05-25 2017-10-13 东南大学 自组织移动云网络的联合任务卸载和资源分配方法
CN108566294B (zh) * 2018-03-21 2020-02-18 北京邮电大学 一种支持计算平面的通信网络系统
CN108777852B (zh) * 2018-05-16 2021-07-09 国网吉林省电力有限公司信息通信公司 一种车联网内容边缘卸载方法、移动资源分配系统
CN109714422A (zh) * 2018-12-28 2019-05-03 深圳市易成自动驾驶技术有限公司 基于自动驾驶的计算资源共享方法、系统及可读存储介质
WO2020133450A1 (zh) * 2018-12-29 2020-07-02 驭势科技（北京）有限公司 一种移动设备动态组网分享算力的系统与方法
CN109951869B (zh) * 2019-03-01 2022-04-29 重庆邮电大学 一种基于云雾混合计算的车联网资源分配方法
CN110348670B (zh) * 2019-05-23 2022-10-04 广东工业大学 一种城市计算环境下的车辆计算资源分配方法
CN110231987A (zh) * 2019-06-21 2019-09-13 深圳市网心科技有限公司 一种数据处理方法及相关装置
CN110784512A (zh) * 2019-09-17 2020-02-11 同济大学 一种机载式动态云系统及其实时响应资源分配方法
CN113032133B (zh) * 2019-12-24 2023-08-22 北京邮电大学 一种基于边缘计算的车联网目标检测服务协同方法和装置
CN111475276A (zh) * 2020-05-29 2020-07-31 深圳市元征科技股份有限公司 一种基于边缘计算的任务管理方法及其装置
CN113435472A (zh) * 2021-05-24 2021-09-24 西安电子科技大学 车载算力网络用户需求预测方法、系统、设备、介质
CN113282368B (zh) * 2021-05-25 2023-03-28 国网湖北省电力有限公司检修公司 一种用于变电站巡视的边缘计算资源调度方法

Also Published As

Publication number Publication date
CN113823011A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN107871164A (zh) 一种雾计算环境个性化深度学习方法
CN112836792A (zh) 一种神经网络模型的训练方法及装置
WO2024198769A1 (zh) 一种模型的训练方法、功率预测方法及设备
CN110091337B (zh) 机器人协作方法、装置、智能机器人及机器人管理平台
CN111612363B (zh) 基于区块链的电量调度方法、装置、计算机设备和存储介质
CN113746696A (zh) 网络流量预测方法、设备、存储介质及装置
Liu et al. Prophet: Realizing a predictable real-time perception pipeline for autonomous vehicles
CN117829324A (zh) 车辆的预约换电方法、装置、存储介质及电子设备
CN115314402A (zh) 网元负载监控方法、装置、存储介质和电子设备
CN113823011B (zh) 巡逻机器人的算力分配方法及相关设备
CN114338416B (zh) 一种时空多指标预测方法、装置和存储介质
US8913838B2 (en) Visual information processing allocation between a mobile device and a network
CN109829004B (zh) 基于无人车的数据处理方法、装置、设备以及存储介质
CN116795553A (zh) 算力资源的调度方法及装置、存储介质及电子装置
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
CN111104289A (zh) 一种gpu集群的效率检查系统及方法
CN116109058A (zh) 一种基于深度强化学习的变电站巡视管理方法和装置
CN114066079B (zh) 一种基于多租户的网约车供需差预测方法及装置
US20240264916A1 (en) Autonomous adaptation of software monitoring of realtime systems
CN115048218A (zh) 一种边缘异构场景中的端云协同推理方法和系统
CN115345305A (zh) 一种推理系统、方法、装置及相关设备
CN117220286B (zh) 一种水风光多能互补系统风险评估方法、装置及介质
CN113112001B (zh) 一种充电数据处理方法、装置和电子设备
CN113108794B (zh) 位置识别方法、装置、设备及计算机可读存储介质
CN114697341B (zh) 计算电子设备的算力的方法、控制设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant