CN113827152B - 区域状态确定方法、装置及机器人 - Google Patents

Abstract

本发明公开了一种区域状态确定方法、装置及机器人。在上述方法中，获取当前时间点图像处理结果相关的数据信息；在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。采用上述技术方案，可以有效确定周围环境中目标物体所在的区域状态，进而根据区域状态信息执行相应的决策处理，在机器人作业过程中，大大提高了安全性。

Description

区域状态确定方法、装置及机器人

技术领域

本发明涉及人工智能领域，具体而言，涉及一种区域状态确定方法、装置及机器人。

背景技术

随着人工智能技术的日趋成熟，智能化设备也逐渐进入人们的生活。在清洁市场领域，人工智能技术开始不断发力，通过自动化清洁的模式来提高工作效率，从而解放劳动力。在自动化清洁设备工作的过程中，需要对周围环境状态进行实时监控，从而避免造成碰撞甚至对人身造成安全问题。

相关技术中，大多采用slam建图的方式，进行地图创建，根据点云特征进行障碍物判断或者通过随机采样的方式进行环境感知；然后利用栅格地图进行室内区域环境建模，进行区域规划。

然而，采用相关技术中的环境感知方法，无法有效确定目标物体所处区域的状态信息，因而无法根据状态信息执行相应的决策处理，并且障碍物特征判断较为粗糙，计算复杂，运行效率低，实时性不够。

发明内容

本发明的主要目的在于公开了一种区域状态确定方法、装置及机器人，以至少解决相关技术中无法有效确定目标物体所处区域的状态信息，因而无法根据状态信息执行相应的决策处理等问题。

根据本发明的一个方面，提供了一种区域状态确定方法。

根据本发明的区域状态确定方法包括：获取当前时间点图像处理结果相关的数据信息；在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。

根据本发明的另一方面，提供了一种区域状态确定装置。

根据本发明的区域状态确定装置包括：获取模块，用于获取当前时间点图像处理结果相关的数据信息；确定模块，用于在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；处理模块，用于根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。

根据本发明的又一方面，提供了一种机器人。

根据本发明的机器人包括：存储器及处理器，其中，存储器，用于存储计算机执行指令；处理器，用于执行存储器存储的计算机执行指令，使得机器人执行上述任一项的方法。

根据本发明，基于各个时间点建立区域集合的思想，在当前时间点图像处理结果相关的数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；根据当前时间点对应的区域集合以及区域状态执行相应的决策处理，可以有效确定周围环境中目标物体所在的区域状态，进而根据区域状态信息执行相应的决策处理，在机器人作业过程中，大大提高了安全性。

附图说明

图1是根据本发明实施例的区域状态确定方法的流程图；

图2是根据本发明优选实施例的区域状态确定方法的流程图；

图3是根据本发明实施例的区域状态确定装置的结构框图；

图4是根据本发明实施例的机器人的结构框图。

具体实施方式

下面结合说明书附图对本发明的具体实现方式做一详细描述。

根据本发明实施例，提供了一种区域状态确定方法。

图1是根据本发明实施例的区域状态确定方法的流程图。如图1所示，该区域状态确定方法包括：

步骤S101：获取当前时间点图像处理结果相关的数据信息；

步骤S102：在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；

步骤S103：根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。

采用图1所示的方法，基于各个时间点建立区域集合的思想，在当前时间点图像处理结果相关的数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；根据当前时间点对应的区域集合以及区域状态执行相应的决策处理，可以有效确定周围环境中目标物体所在的区域状态，进而根据区域状态信息执行相应的决策处理，例如，对于预定时长内有目标物体所在的区域，在机器人作业过程中，可以考虑将该区域进行锁定，机器人行进中绕行该区域，因此大大提高了安全性。

优选地，上述步骤S101中，获取当前时间点图像处理结果相关的数据信息可以进一步包括：使用深度学习技术对采集到的图像进行目标识别，得到目标物体的位置信息。

其中，上述数据信息除了可以包括位置信息，还可以包括：目标物体的类别信息(比如人、车、椅子、电梯、动物)等。当然，如果当前环境中没有目标物体，则上述数据信息中没有目标物体的位置信息和类别信息，可以是空模板信息。

在优选实施方式过程中，可以使用深度学习技术对采集到的图像进行目标识别，得到目标物体的类别信息以及位置信息，例如，使用相机进行二维图像采集，采用可以基于神经网络方法检测出二维图像中的目标所在的区域，然后结合红外传感器、雷达或直接根据目标大小估计出物体距离机器的位置。或者，采用激光雷达深度成像法、计算机立体视觉成像、坐标测量机法、莫尔条纹法、结构光法等方法获取深度图像(深度图像也可以称为距离影像，也就是图像中记录拍摄设备到场景中各点的距离，反映了场景中物体的几何形状)，对获取到的深度图像进行目标识别，得到目标物体的类别以及位置信息。

之后，结合位姿数据，对上述位置信息进行位置转换，得到统一坐标系(例如，世界坐标系)下的位置数据，最终可以实时获取目标物体的位置和目标物体的类别。

需要说明的是，上述位置信息可以是一个点的坐标信息，也可以是多个点的坐标信息，还可以是一块区域或者多块区域的区域位置信息。

优选地，步骤S102中，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态可以进一步包括：在数据信息包括目标物体的位置信息的情况下，判断是否是第一次输入带有位置信息的数据信息；如果是第一次输入带有位置信息的数据信息，则以该位置信息对应的坐标点为基准，围绕该位置信息对应的坐标点构建第一新区域(例如，可以以坐标点为原点，半径R来构建圆形区域，当然，也可以以坐标点为中心，构建正方形或者长方形等区域)，并将构建的第一新区域添加到上一时间点对应的区域集合(需要说明的是，由于本次为第一次输入带有目标物体的位置信息的数据信息，则上一时间点对应的区域集合中不包括区域，可以是空的集合)中，其中，将第一新区域的区域状态设置为第一状态，并对第一新区域的第一累计标识和第二累计标识进行初始化操作，例如，清零。

优选地，步骤S102中，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态还可以包括：如果不是第一次输入带有位置信息的数据信息，则判断目标物体的位置信息是否属于上一时间点对应的区域集合中的任一个区域中；如果目标物体的位置信息不属于任一个区域中，则以该位置信息对应的坐标点为基准，围绕位置信息对应的坐标点构建第二新区域(例如，可以以坐标点为原点，半径R来构建圆形区域，当然，也可以以坐标点为中心，构建正方形或者长方形等区域)，并将构建的第二新区域添加到上一时间点对应的区域集合中，其中，将第二新区域的区域状态设置为第一状态，并对新区域的第一累计标识和第二累计标识进行初始化操作。

例如，当前时间点t₁的上一个时间点为t₀，上一个时间点t₀对应的区域集中为{区域1，区域2，区域3}，对当前时间点图像进行处理，获取处理结果，图像处理结果相关的数据信息包括目标物体的位置信息X₁(需要说明的是，目标物体的位置信息可以不止一个，会有多个，下面只以一个位置信息为例进行说明，多个位置信息的处理方法以此类推，此处不再赘述)，则判断目标物体的位置信息X₁不属于上一时间点对应的区域集合{区域1，区域2，区域3}中的任一个区域中；围绕位置信息X₁对应的坐标点构建新区域4，例如，以位置信息X₁对应的坐标点为原点，半径为R，构建一个圆形区域，需要说明的是，新区域的大小设定与类别信息相关联，即R值的大小与目标物体的类别信息相关联，例如，当目标物体为人或者为车时，新区域的大小设定不同。

将构建的新区域4添加到上一时间点对应的区域集合{区域1，区域2，区域3}中，其中，将新区域4的区域状态设置为第一状态(不稳定的状态，例如，该区域中的目标物体，下一时间可能会向某个方向继续移动)，并对新区域的第一累计标识和第二累计标识进行初始化操作，例如，将第一累计标识和第二累计标识置为0。

优选地，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态，还可以包括；如果目标物体的位置信息属于上一时间点对应的区域集合中的一个或多个区域中，则将一个或多个区域的第一累计标识均进行增加操作，并对一个或多个区域的第二累计标识进行初始化操作；对于一个或多个区域中的每个区域，分别判断该区域的第一累计标识是否大于第一预定值，如果是，则更改该区域的区域状态为第二状态。

例如，当前时间点t₁的上一个时间点为t₀，上一个时间点t₀对应的区域集中为{区域1，区域2，区域3}，对当前时间点图像进行处理，获取处理结果，图像处理结果相关的数据信息包括目标物体的位置信息X₂(需要说明的是，目标物体的位置信息可以不止一个，会有多个，下面只以一个位置信息为例进行说明，多个位置信息的处理方法以此类推，此处不再赘述)，目标物体的位置信息X₂属于上一时间点t₀对应的区域集合{区域1，区域2，区域3}中的区域2中；则将区域2的第一累计标识进行增加操作，例如，加1，并对区域2的第二累计标识进行初始化操作，例如，清零。之后判断区域2的第一累计标识是否大于第一预定值n，其中，n为自然数，例如10，因为不同类别的物体行进速度不同，所以n的设置与目标物体的类别信息相关联。如果区域2的第一累计标识不大于第一预定值n，则维持区域2的状态不变，仍为第一状态，如果区域2的第一累计标识大于第一预定值n，则更改区域2的区域状态为第二状态(相对于第一状态而言，较为稳定的状态，该区域中的目标物体，停留在该区域中已经达到了预定时长)。

优选地，对于上一时间点对应的区域集合中除一个或多个区域之外的其他区域，将各个其他区域的第二累计标识进行增加操作，并对各个其他区域的第一累计标识进行初始化操作；对于其他区域中的每个区域，分别判断该区域的第二累计标识是否大于第二预定值，如果是，则更改该区域的区域状态为第三状态。

例如，当前时间点t₁的上一个时间点为t₀，上一个时间点t₀对应的区域集中为{区域1，区域2，区域3}，对当前时间点图像进行处理，获取处理结果，图像处理结果相关的数据信息包括目标物体的位置信息X₂，目标物体的位置信息X₂属于上一时间点t₀对应的区域集合{区域1，区域2，区域3}中的区域2中；则对于区域集合{区域1，区域2，区域3}中除区域2之外的其他区域，即区域1和区域3，这两个区域当前是没有物体进入的，则将区域1和区域3的第二累计标识进行增加操作，例如，加1；并对区域1和区域3的第一累计标识进行初始化操作，例如，清0；对于区域1和区域3，分别判断区域1和区域3的第二累计标识是否大于第二预定值m，m为自然数，例如m为20，如果是，则更改该区域的区域状态为第三状态(对于机器人作业而言，相对安全的区域，长时间没有物体进入)。

优选地，当步骤S101中获取的数据信息未包括目标物体的位置信息的情况下，对于上一时间点对应的区域集合中的每个区域，将该区域的第二累计标识进行增加操作，并对该区域的第一累计标识进行初始化操作；对于上一时间点对应的区域集合中的每个区域，判断该区域的第二累计标识是否大于第二预定值，如果是，则更改该区域的区域状态为第三状态。

例如，步骤S101中获取的数据信息包含的是空模板信息，未包含目标物体的位置信息，当前时间点t₁的上一个时间点为t₀，上一个时间点t₀对应的区域集中为{区域1，区域2，区域3}，对于上一时间点对应的区域集合中的区域1，区域2，区域3，分别将区域1，区域2，区域3的第二累计标识进行增加操作，例如，加1；并对该区域的第一累计标识进行初始化操作，例如，清零；对于上一时间点对应的区域集合中的区域1，区域2，区域3，判断各个区域的第二累计标识是否大于第二预定值m，m为自然数，例如m为20，如果是，则更改该区域的区域状态为第三状态(对于机器人作业而言，区域状态为第三状态的区域是相对安全的区域，长时间没有物体进入)。

优选地，根据当前时间点对应的区域集合以及区域状态执行相应的决策处理包括：将区域状态为第三状态的所有区域，从当前时间点对应的区域集合中进行消除。

如上，由于长时间没有物体进入，区域状态为第三状态的区域，对于机器人作业而言，该区域的状态相对安全，因此对于当前时间点对应的区域集合而言，可以将该区域中这个区域集合中消除，便于后续机器人行进作业。而对于区域状态为第一状态的区域，该区域处于不稳定的状态，例如，该区域中的目标物体，下一时间可能会向某个方向继续移动，因此，在机器人作业时，对于该区域可以考虑暂停行进，等待预定时间再做判断。而对于区域状态为第二状态的区域，该区域的状态相对于第一状态而言，属于较为稳定的状态，该区域中的目标物体，停留在该区域中已经达到了预定时长，因此，在机器人作业时，对于该区域可以绕行不通过。

以下结合图2进一步描述上述优选实施方式。

图2是根据本发明优选实施例的区域状态确定方法的流程图。如图2所示，该区域状态确定方法包括以下处理：

步骤S201：输入深度图像(或者二维图像结合雷达数据)以及位姿参数；

步骤S202:利用深度学习技术对对当前图像进行处理，获取图像处理结果；

其中，深度学习是学习样本数据的内在规律和表示层次，在学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

步骤S203：输出图像处理结果相关的数据信息；

其中，当前图像中包括目标物体时，识别目标物体的位置信息和类别信息，结合位姿参数，将目标物体的位置信息进行转换，转换到统一的坐标系中，例如世界坐标系。实时输出目标物体的位置信息和类别信息。

当前图像中未包括目标物体时，图像处理结果相关的数据信息可以包括空模板信息。

步骤S204：将步骤S203中输出的数据信息，以及上一节点对应的区域集合，同时作为输入，判断数据信息中是否包括目标物体的位置信息。

步骤S205：判断是否是第一次输入带有位置信息的数据信息。如果是，执行步骤S210；如果否，执行步骤S206。

步骤S206：触发区域判定操作。

步骤S207：判断目标物体的位置信息是否属于上一时间点对应的区域集合中的任一个区域中。如果是，执行步骤S208，如果否，执行步骤S210。

步骤S208：如果目标物体的位置信息属于上一时间点对应的区域集合中的一个或多个区域中，将这些区域的第一累计标识加1，并对一个或多个区域的第二累计标识清零。之后执行S212。

步骤S209：对于没有目标物体的位置信息输入的区域，将这些区域的第二累计标识加1，并对该区域的第一累计标识清零。之后执行S212。

步骤S210：确定构建新区域，并确定将新区域的区域状态设置为第一状态，并对新区域的第一累计标识和第二累计标识进行初始化操作。之后执行S211。

步骤S211：根据目标物体的类别信息确定半径R，以位置信息为原点构建圆形区域，同时将新构建的区域添加到上一时间点对应的区域集合中；

步骤S212：对于区域集合中各区域的第一累计标识进行判断，判断第一累计标识是否大于第一预定值n，其中，第一预定值是一个自然数，例如10、20等；

如果大于第一预定值n，则将该区域的区域状态更改为第二状态；

如果小于或者等于第一预定值n，则将该区域的区域状态仍然维持为第一状态。

步骤S213：消解区域判定。

如果第二累计标识大于第二预定值m，其中，第二预定值是一个自然数，例如10、15等；则更改该区域的区域状态为第三状态。之后将处于第三状态的区域消除(或者称为区域消解)。

如果第二累计标识小于或者等于第二预定值m，则维持该区域的状态不变。

根据本发明实施例，还提供了一种区域状态确定装置。

图3是根据本发明实施例的区域状态确定装置的结构框图。如图3所示，该区域状态确定装置包括：获取模块30，用于获取当前时间点图像处理结果相关的数据信息；确定模块32，用于在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；处理模块34，用于根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。

采用图3所示的装置，基于各个时间点建立区域集合的思想，确定模块32在当前时间点图像处理结果相关的数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态；处理模块34根据当前时间点对应的区域集合以及区域状态执行相应的决策处理，可以有效确定周围环境中目标物体所在的区域状态，进而根据区域状态信息执行相应的决策处理，例如，对于预定时长内有目标物体所在的区域，在机器人作业过程中，可以考虑将该区域进行锁定，机器人行进中绕行该区域，因此大大提高了安全性。

需要说明的是，上述区域状态确定装置中的各模块相互结合的优选实施方式，具体可以参见图1至图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

根据本发明实施例，提供了一种机器人。

图4是根据本发明实施例的机器人的结构框图。如图4所示，根据本发明的机器人包括：存储器40及处理器42，上述存储器40，用于存储计算机执行指令；上述处理器42，用于执行上述存储器存储的计算机执行指令，使得上述机器人执行如上述实施例提供的区域状态确定方法。

处理器42可以为中央处理器(Central Processing Unit，CPU)。处理器42还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器40作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的区域状态确定方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。

存储器40可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器40可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器40中，当被所述处理器42执行时，执行如图1和图2所示实施例中的区域状态确定方法。

上述机器人的具体细节可以对应参阅图1和图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

综上所述，借助本发明提供的上述实施方式，能够满足对所关心目标物体(例如，行人，车辆等)的识别和关注，有效确定周围环境中所关心的目标物体所在的区域状态，辅助建立各区域状态的地图，进而根据区域状态信息执行相应的决策处理，例如，对于预定时长内有目标物体所在的区域，在机器人在作业过程中，可以考虑将该区域进行锁定，机器人行进中绕行该区域，避免发生碰撞等，因此大大提高了机器人设备和目标物体(例如，行人，车辆等)的安全性。并且本发明所采用的技术方案，计算简单，运行效率高，实时性强。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (8)

1.一种区域状态确定方法，其特征在于，包括：

获取当前时间点图像处理结果相关的数据信息；

在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态，其中，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态包括：在数据信息包括目标物体的位置信息的情况下，判断是否是第一次输入带有位置信息的数据信息；如果是第一次输入带有位置信息的数据信息，则以该位置信息对应的坐标点为基准，围绕该位置信息对应的坐标点构建第一新区域，并将构建的第一新区域添加到上一时间点对应的区域集合中，其中，将第一新区域的区域状态设置为第一状态，并对第一新区域的第一累计标识和第二累计标识进行初始化操作；如果不是第一次输入带有位置信息的数据信息，则判断目标物体的位置信息是否属于上一时间点对应的区域集合中的任一个区域中；如果目标物体的位置信息不属于任一个区域中，则以该位置信息对应的坐标点为基准，围绕该位置信息对应的坐标点构建第二新区域，并将构建的第二新区域添加到上一时间点对应的区域集合中，其中，将第二新区域的区域状态设置为第一状态，并对第二新区域的第一累计标识和第二累计标识进行初始化操作；

根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。

2.根据权利要求1的方法，其特征在于，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态还包括：

如果目标物体的位置信息属于上一时间点对应的区域集合中的一个或多个区域中，则将一个或多个区域的第一累计标识均进行增加操作，并对一个或多个区域的第二累计标识进行初始化操作；

对于一个或多个区域中的每个区域，分别判断该区域的第一累计标识是否大于第一预定值，如果是，则更改该区域的区域状态为第二状态。

3.根据权利要求2的方法，其特征在于，还包括：

对于上一时间点对应的区域集合中除一个或多个区域之外的其他区域，将各个其他区域的第二累计标识进行增加操作，并对各个其他区域的第一累计标识进行初始化操作；

对于其他区域中的每个区域，分别判断该区域的第二累计标识是否大于第二预定值，如果是，则更改该区域的区域状态为第三状态。

4.根据权利要求2的方法，其特征在于，数据信息还包括：目标物体的类别信息，则第一新区域和第二新区域的大小设定分别与类别信息相关联，第一预定值的设定与类别信息相关联，且执行的决策处理方式与类别信息相关联。

5.根据权利要求1的方法，其特征在于，还包括：

在数据信息未包括目标物体的位置信息的情况下，对于上一时间点对应的区域集合中的每个区域，将该区域的第二累计标识进行增加操作，并对该区域的第一累计标识进行初始化操作；

对于上一时间点对应的区域集合中的每个区域，判断该区域的第二累计标识是否大于第二预定值，如果是，则更改该区域的区域状态为第三状态。

6.根据权利要求4或5的方法，其特征在于，根据当前时间点对应的区域集合以及区域状态执行相应的决策处理包括：将区域状态为第三状态的所有区域，从当前时间点对应的区域集合中进行消除。

7.一种区域状态确定装置，其特征在于，包括：

获取模块，用于获取当前时间点图像处理结果相关的数据信息；

确定模块，用于在数据信息包括目标物体的位置信息的情况下，结合上一时间点对应的区域集合和目标物体的位置信息，确定当前时间点对应的区域集合以及区域状态，其中，所述确定模块，进一步用于在数据信息包括目标物体的位置信息的情况下，判断是否是第一次输入带有位置信息的数据信息；如果是第一次输入带有位置信息的数据信息，则以该位置信息对应的坐标点为基准，围绕该位置信息对应的坐标点构建第一新区域，并将构建的第一新区域添加到上一时间点对应的区域集合中，其中，将第一新区域的区域状态设置为第一状态，并对第一新区域的第一累计标识和第二累计标识进行初始化操作；如果不是第一次输入带有位置信息的数据信息，则判断目标物体的位置信息是否属于上一时间点对应的区域集合中的任一个区域中；如果目标物体的位置信息不属于任一个区域中，则以该位置信息对应的坐标点为基准，围绕该位置信息对应的坐标点构建第二新区域，并将构建的第二新区域添加到上一时间点对应的区域集合中，其中，将第二新区域的区域状态设置为第一状态，并对第二新区域的第一累计标识和第二累计标识进行初始化操作；

处理模块，用于根据当前时间点对应的区域集合以及区域状态执行相应的决策处理。

8.一种机器人，包括：存储器及处理器，其特征在于，

存储器，用于存储计算机执行指令；

处理器，用于执行存储器存储的计算机执行指令，使得机器人执行如权利要求1至6中任一项所述 的方法。

Images