CN114523476B - 服务机器人的控制方法及装置 - Google Patents

Abstract

本公开涉及机器人控制技术领域，提供了服务机器人的控制方法及装置。该方法包括：在检测到目标客户进入目标区域时，获取目标客户的监控图片；将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；根据一个或多个第二服务控制服务机器人。采用上述技术手段，可以解决现有技术中，较复杂的工作只能人工处理、效率低的问题。

Description

服务机器人的控制方法及装置

技术领域

本公开涉及机器人控制技术领域，尤其涉及一种服务机器人的控制方法及装置。

背景技术

随着人工智能的发展，机器人在生活中越来越常见。机器人在一些工作上完全替代人力成为可能。但是，目前机器人只是从事一些简单的工作，对于较复杂工作，还是人去处理。比如打扫卫生等属于较为简单的任务(因为，此类工作机器人只需要按照特定的程序执行就可以，不需要复杂的交互)，而比如在酒店、写字楼、医院和餐厅等环境下的前台的服务者都是人。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：较复杂的工作只能人工处理、效率低的问题。

发明内容

有鉴于此，本公开实施例提供了一种服务机器人的控制方法、装置、电子设备和计算机可读的存储介质，以解决现有技术中，较复杂的工作只能人工处理、效率低的问题。

本公开实施例的第一方面，提供了一种服务机器人的控制方法，包括：在检测到目标客户进入目标区域时，获取目标客户的监控图片；将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；根据一个或多个第二服务控制服务机器人。

本公开实施例的第二方面，提供了一种服务机器人的控制装置，包括：获取模块，被配置为在检测到目标客户进入目标区域时，获取目标客户的监控图片；模型模块，被配置为将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；确定模块，被配置为在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；控制模块，被配置为根据一个或多个第二服务控制服务机器人。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：在检测到目标客户进入目标区域时，获取目标客户的监控图片；将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；根据一个或多个第二服务控制服务机器人。采用上述技术手段，可以解决现有技术中，较复杂的工作只能人工处理、效率低的问题，进而提供一种通过服务机器人处理复杂任务的方法。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种服务机器人的控制方法的流程示意图；

图3是本公开实施例提供的一种服务机器人的控制装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种服务机器人的控制方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。

终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

目标用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种服务机器人的控制方法的流程示意图。图2的服务机器人的控制方法可以由图1的终端设备或服务器执行。如图2所示，该服务机器人的控制方法包括：

S201，在检测到目标客户进入目标区域时，获取目标客户的监控图片；

S202，将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；

S203，在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；

S204，根据一个或多个第二服务控制服务机器人。

服务推荐模型、路径模型可以是常见的任何一种神经网络模型，比如faster-rcnn模型。本公开实施例的应用场景可以是酒店、医院和写字楼等室内场景，因为如果要在上述场景中应用服务机器人于前台，因为前台需要较为复杂的交互，为了提供智能人性化的服务，服务机器人还需要拥有主动判断的能力，现有技术还没有此类的控制服务机器人的方法。

第一服务和第二服务都可以是路径导航服务、咨询服务、行李运输服务、入住服务和退房服务等。第一服务和第二服务的区别在于第二服务是根据指令信息，为目标客户定制的服务。比如在酒店场景下，在检测到目标客户进入目标区域时，获取目标客户的监控图片。目标区域是酒店门口到前台(目标区域可以是多个特定的区域)，此时到前台的目标客户很大可能是不需要退房服务的，很大可能是需要入住服务的(目标区域是电梯口到前台，此时到前台的目标客户很大可能是需要退房服务的，很大可能是不需要入住服务的)，监控图片会标记获取的地点，即目标区域。将监控图片输入服务推荐模型，监控图片中的目标客户为一对情侣(目标客户可以是一个人或者多个人)，且该情侣背着旅行包。服务推荐模型根据监控图片中图片信息，输出多个第一服务，多个第一服务，包括：入住服务、行李运输服务和咨询服务。其中，该入住服务下还有多个小服务，一个小服务对应一种类型的房间，比如该入住服务可以是标准间服务和行政间。指令信息表明该目标客户不需要咨询服务，需要入住服务和行李运输服务，指令信息包括房间类型的选择，行李需要配送到达的时刻等，根据指令信息，为该目标客户定制出入住服务和行李运输服务。

监控图片可以通过rgb摄像头、3d摄像头获取。行李运输服务是将入住的客户的行李从前台运输到客户房间，或者将退房的客户的行李从客户房间运输到酒店门口。

根据本公开实施例提供的技术方案，在检测到目标客户进入目标区域时，获取目标客户的监控图片；将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；根据一个或多个第二服务控制服务机器人。采用上述技术手段，可以解决现有技术中，较复杂的工作只能人工处理、效率低的问题，进而提供一种通过服务机器人处理复杂任务的方法。

在执行步骤S202之前，也就是将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务之前，方法还包括：获取客户图片集，其中，客户图片集包括多张图片；根据每张图片中客户的数量和类型，标注客户图片集中的每张图片，以得到第一训练数据集，其中，标注每张图片的标签为多个第一服务；利用第一训练数据集训练神经网络模型，得到服务推荐模型。

客户的类型，包括：客户的身份(比如出差的商务人员、旅行的人)、年龄和动作(该动作主要是客户拉行李箱、背旅行包和挎着公文包等动作)。比如一张图片中客户是一对情侣，两人背旅行包，那么该图片标注入住服务和行李运输服务(大件需要运输，小件不需要)，推荐的是行政间，如一张图片中客户是两个人，两人挎着公文包(表明两人是商务人员，出差)，那么该图片标注的入住服务，推荐的是豪华间。

在标注客户图片集中的每张图片时，还应该考虑图片获取的区域，该区域如果是酒店门口到前台，此时到前台的客户很大可能是不需要退房服务的，很大可能是需要入住服务的；该区域如果是电梯口到前台，此时到前台的客户很大可能是需要退房服务的，很大可能是不需要入住服务的。

在执行步骤S202之前，也就是将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务之前，方法还包括：获取客户图片集，其中，客户图片集包括多张图片；提取客户图片集中每张图片对应的图片特征信息，其中，图片特征信息，包括：客户数量信息和客户类型信息；根据每张图片对应的图片特征信息，标注客户图片集中的每张图片，其中，标注每张图片的标签为多个第一服务；将每张图片对应的图片特征信息作为自变量，将每张图片对应的标签作为因变量，对每张图片对应的图片特征信息和标签进行拟合处理，得到拟合结果；根据拟合结果，构建数学模型，将最终得到的数学模型作为服务推荐模型。

图片特征信息还包括图片获取的区域。拟合结果可以是一个函数，该函数表示从图片特征信息到标签的映射。根据拟合结果，构建数学模型，可以理解为将拟合结果作为数学模型的主干网络对应的映射关系，在给该主干网络增加输入层和输出层等网络层。输入层可以是为了更好的处理输入图片，对输入图片进行一些相应的处理，输出层与输入层对应。提取每张图片对应的图片特征信息，可以是HOG特征、LBP特征和Haar特征中的任意一种特征。HOG特征、LBP特征和Haar特征都有各自对应的提取方法，提取方法是现有的，在此不再赘述。

在执行步骤S202之前，也就是将每张图片对应的图片特征信息作为自变量，将每张图片对应的标签作为因变量，对每张图片对应的图片特征信息和标签进行拟合处理，得到拟合结果之后，方法还包括：利用第一训练数据集对神经网络模型进行第一次训练，其中，第一训练数据集是标注客户图片集中的每张图片后得到的；利用拟合结果对神经网络模型进行第二次训练，得到服务推荐模型。

利用拟合结果对神经网络模型进行第二次训练，可以理解为使得神经网络模型的输入和输出满足拟合结果对应的映射关系，该操作可以提高神经网络模型的精确度。

在步骤S204中，根据一个或多个第二服务控制服务机器人，包括：当多个第二服务中存在入住服务和行李运输服务时：根据入住服务确定目标客户的房间号，根据行李运输服务确定目标客户的行李运输信息；获取多个配送机器人的待配送任务，根据每个配送机器人的待配送任务和行李运输信息，从多个配送机器人中确定出目标配送机器人；根据房间号、行李运输信息和目标配送机器人的待配送任务，生成目标客户对应的目标配送任务；根据目标配送任务控制目标配送机器人。

行李运输信息包括行李的尺寸和大小，以及该行李需要配送完成的时刻。因为入住服务和行李运输服务是根据指令信息为目标客户定制的，所以可以根据入住服务确定目标客户的房间号，根据行李运输服务确定目标客户的行李运输信息。为了提高众多客户的行李配送的效率，本公开实施例根据每个配送机器人的待配送任务和行李运输信息，从多个配送机器人中确定出可以配送该行李的目标配送机器人。

在步骤S204中，根据目标配送任务控制目标配送机器人，包括：从目标配送任务中确定出起始地、目的地和配送时刻；将起始地、目的地和配送时刻作为一组目标路径规划信息输入路径规划模型，输出目标配送路径，其中，路径规划模型已通过训练，学习并保存有目标路径规划信息和目标配送路径的对应关系；根据目标配送路径控制目标配送机器人。

目标配送任务包括起始地、目的地和配送时刻。本公开中的模型训练的方法，可以采用深度学习的方法，训练模型的方法属于现有技术，不再赘述(本公开是在该领域下具体应用神经网络模型，进而提出一种新的实现方法)。

在步骤S204中，将起始地、目的地和配送时刻作为一组目标路径规划信息输入路径规划模型，输出目标配送路径之前，方法还包括：获取路径数据集，其中，路径数据集包括多组路径规划信息；标注每组路径规划信息对应的配送路径，以得到第二训练数据集；利用第二训练数据集训练神经网络模型，得到路径规划模型。

因为一天中，不同时刻对应的路径信息不一样，所以本公开实施例考虑了配送时刻，进而提高配送效率。路径信息包括从起始地到目的地之间的路径行人的数量，电梯的使用情况。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种服务机器人的控制装置的示意图。如图3所示，该服务机器人的控制装置包括：

获取模块301，被配置为在检测到目标客户进入目标区域时，获取目标客户的监控图片；

模型模块302，被配置为将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；

确定模块303，被配置为在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；

控制模块304，被配置为根据一个或多个第二服务控制服务机器人。

服务推荐模型、路径模型可以是常见的任何一种神经网络模型，比如faster-rcnn模型。本公开实施例的应用场景可以是酒店、医院和写字楼等室内场景，因为如果要在上述场景中应用服务机器人于前台，因为前台需要较为复杂的交互，为了提供智能人性化的服务，服务机器人还需要拥有主动判断的能力，现有技术还没有此类的控制服务机器人的方法。

第一服务和第二服务都可以是路径导航服务、咨询服务、行李运输服务、入住服务和退房服务等。第一服务和第二服务的区别在于第二服务是根据指令信息，为目标客户定制的服务。比如在酒店场景下，在检测到目标客户进入目标区域时，获取目标客户的监控图片。目标区域是酒店门口到前台(目标区域可以是多个特定的区域)，此时到前台的目标客户很大可能是不需要退房服务的，很大可能是需要入住服务的(目标区域是电梯口到前台，此时到前台的目标客户很大可能是需要退房服务的，很大可能是不需要入住服务的)，监控图片会标记获取的地点，即目标区域。将监控图片输入服务推荐模型，监控图片中的目标客户为一对情侣(目标客户可以是一个人或者多个人)，且该情侣背着旅行包。服务推荐模型根据监控图片中图片信息，输出多个第一服务，多个第一服务，包括：入住服务、行李运输服务和咨询服务。其中，该入住服务下还有多个小服务，一个小服务对应一种类型的房间，比如该入住服务可以是标准间服务和行政间。指令信息表明该目标客户不需要咨询服务，需要入住服务和行李运输服务，指令信息包括房间类型的选择，行李需要配送到达的时刻等，根据指令信息，为该目标客户定制出入住服务和行李运输服务。

监控图片可以通过rgb摄像头、3d摄像头获取。行李运输服务是将入住的客户的行李从前台运输到客户房间，或者将退房的客户的行李从客户房间运输到酒店门口。

根据本公开实施例提供的技术方案，在检测到目标客户进入目标区域时，获取目标客户的监控图片；将监控图片输入服务推荐模型，输出目标客户对应的多个第一服务，其中，服务推荐模型已通过训练，学习并保存有监控图片和第一服务之间的对应关系；在接收到目标客户发送的指令信息时，根据指令信息，从多个第一服务中确定出一个或多个第二服务；根据一个或多个第二服务控制服务机器人。采用上述技术手段，可以解决现有技术中，较复杂的工作只能人工处理、效率低的问题，进而提供一种通过服务机器人处理复杂任务的方法。

可选地，模型模块302还被配置为获取客户图片集，其中，客户图片集包括多张图片；根据每张图片中客户的数量和类型，标注客户图片集中的每张图片，以得到第一训练数据集，其中，标注每张图片的标签为多个第一服务；利用第一训练数据集训练神经网络模型，得到服务推荐模型。

客户的类型，包括：客户的身份(比如出差的商务人员、旅行的人)、年龄和动作(该动作主要是客户拉行李箱、背旅行包和挎着公文包等动作)。比如一张图片中客户是一对情侣，两人背旅行包，那么该图片标注入住服务和行李运输服务(大件需要运输，小件不需要)，推荐的是行政间，如一张图片中客户是两个人，两人挎着公文包(表明两人是商务人员，出差)，那么该图片标注的入住服务，推荐的是豪华间。

在标注客户图片集中的每张图片时，还应该考虑图片获取的区域，该区域如果是酒店门口到前台，此时到前台的客户很大可能是不需要退房服务的，很大可能是需要入住服务的；该区域如果是电梯口到前台，此时到前台的客户很大可能是需要退房服务的，很大可能是不需要入住服务的。

可选地，模型模块302还被配置为获取客户图片集，其中，客户图片集包括多张图片；提取客户图片集中每张图片对应的图片特征信息，其中，图片特征信息，包括：客户数量信息和客户类型信息；根据每张图片对应的图片特征信息，标注客户图片集中的每张图片，其中，标注每张图片的标签为多个第一服务；将每张图片对应的图片特征信息作为自变量，将每张图片对应的标签作为因变量，对每张图片对应的图片特征信息和标签进行拟合处理，得到拟合结果；根据拟合结果，构建数学模型，将最终得到的数学模型作为服务推荐模型。

图片特征信息还包括图片获取的区域。拟合结果可以是一个函数，该函数表示从图片特征信息到标签的映射。根据拟合结果，构建数学模型，可以理解为将拟合结果作为数学模型的主干网络对应的映射关系，在给该主干网络增加输入层和输出层等网络层。输入层可以是为了更好的处理输入图片，对输入图片进行一些相应的处理，输出层与输入层对应。提取每张图片对应的图片特征信息，可以是HOG特征、LBP特征和Haar特征中的任意一种特征。HOG特征、LBP特征和Haar特征都有各自对应的提取方法，提取方法是现有的，在此不再赘述。

可选地，模型模块302还被配置为利用第一训练数据集对神经网络模型进行第一次训练，其中，第一训练数据集是标注客户图片集中的每张图片后得到的；利用拟合结果对神经网络模型进行第二次训练，得到服务推荐模型。

利用拟合结果对神经网络模型进行第二次训练，可以理解为使得神经网络模型的输入和输出满足拟合结果对应的映射关系，该操作可以提高神经网络模型的精确度。

可选地，控制模块302还被配置为当多个第二服务中存在入住服务和行李运输服务时：根据入住服务确定目标客户的房间号，根据行李运输服务确定目标客户的行李运输信息；获取多个配送机器人的待配送任务，根据每个配送机器人的待配送任务和行李运输信息，从多个配送机器人中确定出目标配送机器人；根据房间号、行李运输信息和目标配送机器人的待配送任务，生成目标客户对应的目标配送任务；根据目标配送任务控制目标配送机器人。

行李运输信息包括行李的尺寸和大小，以及该行李需要配送完成的时刻。因为入住服务和行李运输服务是根据指令信息为目标客户定制的，所以可以根据入住服务确定目标客户的房间号，根据行李运输服务确定目标客户的行李运输信息。为了提高众多客户的行李配送的效率，本公开实施例根据每个配送机器人的待配送任务和行李运输信息，从多个配送机器人中确定出可以配送该行李的目标配送机器人。

可选地，控制模块302还被配置为从目标配送任务中确定出起始地、目的地和配送时刻；将起始地、目的地和配送时刻作为一组目标路径规划信息输入路径规划模型，输出目标配送路径，其中，路径规划模型已通过训练，学习并保存有目标路径规划信息和目标配送路径的对应关系；根据目标配送路径控制目标配送机器人。

目标配送任务包括起始地、目的地和配送时刻。本公开中的模型训练的方法，可以采用深度学习的方法，训练模型的方法属于现有技术，不再赘述(本公开是在该领域下具体应用神经网络模型，进而提出一种新的实现方法)。

可选地，控制模块302还被配置为获取路径数据集，其中，路径数据集包括多组路径规划信息；标注每组路径规划信息对应的配送路径，以得到第二训练数据集；利用第二训练数据集训练神经网络模型，得到路径规划模型。

因为一天中，不同时刻对应的路径信息不一样，所以本公开实施例考虑了配送时刻，进而提高配送效率。路径信息包括从起始地到目的地之间的路径行人的数量，电梯的使用情况。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上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精神和范围，均应包含在本公开的保护范围之内。

Claims (7)

1.一种服务机器人的控制方法，其特征在于，包括：

在检测到目标客户进入目标区域时，获取所述目标客户的监控图片；

将所述监控图片输入服务推荐模型，输出所述目标客户对应的多个第一服务，其中，所述服务推荐模型已通过训练，学习并保存有所述监控图片和所述第一服务之间的对应关系；

在接收到所述目标客户发送的指令信息时，根据所述指令信息，从多个所述第一服务中确定出一个或多个第二服务；

根据一个或多个所述第二服务控制服务机器人；

其中，所述根据一个或多个所述第二服务控制服务机器人，包括：当多个所述第二服务中存在入住服务和行李运输服务时：根据所述入住服务确定所述目标客户的房间号，根据所述行李运输服务确定所述目标客户的行李运输信息；获取多个配送机器人的待配送任务，根据每个配送机器人的待配送任务和所述行李运输信息，从多个配送机器人中确定出目标配送机器人；根据所述房间号、所述行李运输信息和所述目标配送机器人的待配送任务，生成所述目标客户对应的目标配送任务；根据所述目标配送任务控制所述目标配送机器人；

其中，所述将所述监控图片输入服务推荐模型，输出所述目标客户对应的多个第一服务之前，所述方法还包括：获取客户图片集，其中，所述客户图片集包括多张图片；提取所述客户图片集中每张图片对应的图片特征信息，其中，所述图片特征信息，包括：客户数量信息和客户类型信息；根据每张图片对应的图片特征信息，标注所述客户图片集中的每张图片，其中，标注每张图片的标签为多个第一服务；将每张图片对应的图片特征信息作为自变量，将每张图片对应的标签作为因变量，对每张图片对应的图片特征信息和标签进行拟合处理，得到所述拟合结果；根据所述拟合结果，构建数学模型，将最终得到的所述数学模型作为所述服务推荐模型；

其中，所述将每张图片对应的图片特征信息作为自变量，将每张图片对应的标签作为因变量，对每张图片对应的图片特征信息和标签进行拟合处理，得到所述拟合结果之后，所述方法还包括：利用第一训练数据集对神经网络模型进行第一次训练，其中，所述第一训练数据集是标注所述客户图片集中的每张图片后得到的；利用所述拟合结果对所述神经网络模型进行第二次训练，得到所述服务推荐模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述监控图片输入服务推荐模型，输出所述目标客户对应的多个第一服务之前，所述方法还包括：

获取客户图片集，其中，所述客户图片集包括多张图片；

根据每张图片中客户的数量和类型，标注所述客户图片集中的每张图片，以得到第一训练数据集，其中，标注每张图片的标签为多个第一服务；

利用所述第一训练数据集训练神经网络模型，得到所述服务推荐模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述目标配送任务控制所述目标配送机器人，包括：

从所述目标配送任务中确定出起始地、目的地和配送时刻；

将所述起始地、所述目的地和所述配送时刻作为一组目标路径规划信息输入路径规划模型，输出目标配送路径，其中，所述路径规划模型已通过训练，学习并保存有所述目标路径规划信息和所述目标配送路径的对应关系；

根据目标配送路径控制所述目标配送机器人。

4.根据权利要求3所述的方法，其特征在于，所述将所述起始地、所述目的地和所述配送时刻作为一组目标路径规划信息输入路径规划模型，输出目标配送路径之前，所述方法还包括：

获取路径数据集，其中，所述路径数据集包括多组路径规划信息；

标注每组路径规划信息对应的配送路径，以得到第二训练数据集；

利用所述第二训练数据集训练神经网络模型，得到所述路径规划模型。

5.一种服务机器人的控制装置，其特征在于，包括：

获取模块，被配置为在检测到目标客户进入目标区域时，获取所述目标客户的监控图片；

模型模块，被配置为将所述监控图片输入服务推荐模型，输出所述目标客户对应的多个第一服务，其中，所述服务推荐模型已通过训练，学习并保存有所述监控图片和所述第一服务之间的对应关系；

确定模块，被配置为在接收到所述目标客户发送的指令信息时，根据所述指令信息，从多个所述第一服务中确定出一个或多个第二服务；

控制模块，被配置为根据一个或多个所述第二服务控制服务机器人；

所述控制模块还被配置为当多个所述第二服务中存在入住服务和行李运输服务时：根据所述入住服务确定所述目标客户的房间号，根据所述行李运输服务确定所述目标客户的行李运输信息；获取多个配送机器人的待配送任务，根据每个配送机器人的待配送任务和所述行李运输信息，从多个配送机器人中确定出目标配送机器人；根据所述房间号、所述行李运输信息和所述目标配送机器人的待配送任务，生成所述目标客户对应的目标配送任务；根据所述目标配送任务控制所述目标配送机器人；

所述模型模块还被配置为获取客户图片集，其中，所述客户图片集包括多张图片；提取所述客户图片集中每张图片对应的图片特征信息，其中，所述图片特征信息，包括：客户数量信息和客户类型信息；根据每张图片对应的图片特征信息，标注所述客户图片集中的每张图片，其中，标注每张图片的标签为多个第一服务；将每张图片对应的图片特征信息作为自变量，将每张图片对应的标签作为因变量，对每张图片对应的图片特征信息和标签进行拟合处理，得到所述拟合结果；根据所述拟合结果，构建数学模型，将最终得到的所述数学模型作为所述服务推荐模型；

所述模型模块还被配置为利用第一训练数据集对神经网络模型进行第一次训练，其中，所述第一训练数据集是标注所述客户图片集中的每张图片后得到的；利用所述拟合结果对所述神经网络模型进行第二次训练，得到所述服务推荐模型。

6.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。