CN114750159B - 一种配餐机器人的控制方法及配餐机器人 - Google Patents
一种配餐机器人的控制方法及配餐机器人 Download PDFInfo
- Publication number
- CN114750159B CN114750159B CN202210495410.2A CN202210495410A CN114750159B CN 114750159 B CN114750159 B CN 114750159B CN 202210495410 A CN202210495410 A CN 202210495410A CN 114750159 B CN114750159 B CN 114750159B
- Authority
- CN
- China
- Prior art keywords
- information
- path
- robot
- height
- area
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明提供了一种配餐机器人的控制方法及配餐机器人;其中,所述方法包括:获取与第一规划路径对应的场景信息;从所述场景信息中提取得出可动障碍物的特征信息,根据所述特征信息预测得出各所述可动障碍物的预测路径;根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径;控制所述配餐机器人执行所述第二规划路径。本发明的方案能够对潜在风险进行判断,使得配餐机器人的配餐作业过程更为安全,极大地降低了与就餐人员的发生碰撞事故的可能性。
Description
技术领域
本发明涉及机器人控制技术领域,具体而言,涉及一种配餐机器人的控制方法及配餐机器人。
背景技术
随着科技的进步,配餐机器人已经逐步得到推广,为就餐服务提供了更多的便利和科技体验。配餐机器人一般是基于预先规划出的行驶路线行进至指定餐桌处,然而,现有技术主要侧重于如何使配餐机器人循迹行驶,即不偏离规划的行驶路线,以及对于已经探测到的障碍物的检测及躲避,而缺少对于一些潜在威胁的考虑,导致配餐过程中机器人容易与就餐人员发生碰撞等事故。
发明内容
为了至少解决上述背景技术中存在的技术问题,本发明提供了一种配餐机器人的控制方法、配餐机器人、电子设备及计算机存储介质。
本发明的第一方面提供了一种配餐机器人的控制方法,包括如下步骤:
获取与第一规划路径对应的场景信息;
从所述场景信息中提取得出可动障碍物的特征信息,根据所述特征信息预测得出各所述可动障碍物的预测路径;
根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径;
控制所述配餐机器人执行所述第二规划路径。
进一步地,所述获取与第一规划路径对应的场景信息,包括:
从配送任务中提取出配送对象的属性信息,根据所述属性信息确定监测宽度;
根据所述监测宽度和所述第一规划路径确定监测区域,获取所述监测区域内的所述场景信息。
进一步地,所述获取与第一规划路径对应的场景信息,还包括:
根据所述场景信息判断进入就餐区域时,从所述场景信息中提取得出餐桌椅信息;
根据所述餐桌椅信息确定第一监测区域和第二监测区域,其中,所述第二监测区域的面积大于所述第一监测区域的面积;
对所述第一监测区域进行所述可动障碍物的特征信息的初步提取,根据提取结果确定将所述第一监测区域或所述第二监测区域作为所述监测区域,获取所述监测区域内的所述场景信息。
进一步地,所述特征信息包括面部信息、高度信息;
则所述根据所述特征信息预测得出各所述可动障碍物的预测路径,包括:
判断是否提取到所述面部信息,若否,则:
根据所述高度信息计算高度变化量,若所述高度变化量大于或等于第一阈值,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
进一步地,若提取到所述面部信息,则:
根据所述高度信息计算高度变化量和高度变化率,若所述高度变化量大于或等于第二阈值且所述高度变化率大于或等于第三阈值,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
进一步地,所述特征信息还包括速度信息;
则所述方法还包括:
根据所述高度变化量确定高度变化趋势,在所述高度变化趋势平稳后,重新检测所述高度信息,若重新检测的所述高度信息小于或等于第四阈值,则:
根据所述速度信息判断所述可动障碍物是否朝向配餐机器人运动,若是,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
进一步地,所述根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径,包括:
根据进入就餐区域后所获得的所有所述餐桌椅信息和所述特征信息判断是否存在安全区域,若是,则将与配餐机器人当前位置对应的所述第一规划路径的局部路径修正为前往所述安全区域的第一路径;若否,则将与配餐机器人当前位置对应的所述第一规划路径的局部路径修正为前往所述就餐区域入口以外的第二路径;
根据所述第一规划路径和所述第一路径或第二路径得出所述第二规划路径。
本发明的第二方面提供了一种配餐机器人,包括处理模块、存储模块、探测模块、驱动模块,所述处理模块与所述存储模块、探测模块、驱动模块电连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述探测模块,用于获取与第一规划路径对应的场景信息,并传输给所述处理模块;
所述驱动模块,用于根据所述处理模块的指令实现配餐机器人的行驶;
所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的方案,与现有技术中的配餐机器人仅侧重于循迹行驶以及针对障碍物的当下信息的避障行驶相比,本发明对与第一规划路径对应的可动障碍物的特征信息进行提取,并据此预测得出其预测路径,从而实现对第一规划路径的局部修正。于是,本发明方案能够对潜在风险进行判断,使得配餐机器人的配餐作业过程更为安全,极大地降低了与就餐人员的发生碰撞事故的可能性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例公开的一种配餐机器人的控制方法的流程示意图;
图2是本发明实施例公开的监测区域的示意图;
图3是本发明实施例公开的一种配餐机器人的结构示意图;
图4是本发明实施例公开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。
说明书和权利要求书中的词语“第一、第二、第三等”或模块A、模块B、模块C等类似用语,仅用于区别类似的对象,不代表针对对象的特定排序,可以理解地,在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
在以下的描述中,所涉及的表示步骤的标号,如S110、S120……等,并不表示一定会按此步骤执行,在允许的情况下可以互换前后步骤的顺序,或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容;它不排除其它的元件或步骤。因此,其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在,但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此,表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例,但可以指同一实施例。此外,在一个或多个实施例中,能够以任何适当的方式组合各特定特征、结构或特性,如从本公开对本领域的普通技术人员显而易见的那样。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。如有不一致,以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外,本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
实施例一
请参阅图1,图1是本发明实施例公开的一种配餐机器人的控制方法的流程示意图。如图1所示,本发明实施例的一种配餐机器人的控制方法,包括如下步骤:
获取与第一规划路径对应的场景信息;
从所述场景信息中提取得出可动障碍物的特征信息,根据所述特征信息预测得出各所述可动障碍物的预测路径;
根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径;
控制所述配餐机器人执行所述第二规划路径。
在本发明实施例中,与现有技术中的配餐机器人仅侧重于循迹行驶以及针对障碍物的当下信息的避障行驶相比,本发明对与第一规划路径对应的可动障碍物的特征信息进行提取,并据此预测得出其预测路径,从而实现对第一规划路径的局部修正。于是,本发明方案能够对潜在风险进行判断,使得配餐机器人的配餐作业过程更为安全,极大地降低了与就餐人员的发生碰撞事故的可能性。
需要进行说明的是,与第一规划路径对应的场景信息可以基于配餐机器人配备的摄像装置(单目、双目,甚至是多目摄像机)、探测雷达(激光式、超声波式、毫米波式、红外式等)等得出,本发明对此不作限定。
以及,本发明技术方案的实施主体可以为配餐机器人的处理设备,也可以为独立于配餐机器人以外的服务器端。其中,处理设备包括一个或多个处理单元,处理单元可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphicsprocessing unit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。以及,服务器端可以为常规的服务器,也可以为各种电视平台、个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备等;以及,服务器可以为独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
进一步地,所述获取与第一规划路径对应的场景信息,包括:
从配送任务中提取出配送对象的属性信息,根据所述属性信息确定监测宽度;
根据所述监测宽度和所述第一规划路径确定监测区域,获取所述监测区域内的所述场景信息。
在本发明实施例中,配餐机器人的配送对象即餐食具有不同的属性,例如,汤、羹类具有易洒特性,配送车速、加/减速度都应当较低,而主食类则基本不会受车辆行驶情况的影响。有鉴于此,本发明基于配送对象的属性信息来确定横向的监测宽度,将监测宽度与第一规划路径重叠之后即可确定出监测区域,进而从中提取出对应的场景信息。
进一步地,所述获取与第一规划路径对应的场景信息,还包括:
根据所述场景信息判断进入就餐区域时,从所述场景信息中提取得出餐桌椅信息;
根据所述餐桌椅信息确定第一监测区域和第二监测区域,其中,所述第二监测区域的面积大于所述第一监测区域的面积;
对所述第一监测区域进行所述可动障碍物的特征信息的初步提取,根据提取结果确定将所述第一监测区域或所述第二监测区域作为所述监测区域,获取所述监测区域内的所述场景信息。
在本发明实施例中,参照图2所示,在配餐机器人抵达就餐区域时,可以从该区域的场景信息中确定出餐桌椅信息,进而可以间接确定出人员的潜在分布情况(例如与餐椅的位置对应),相应地,可以将距离配餐机器人最近的餐椅区域确定为第一区域A,将次近的餐椅区域(该区域至少包括一个餐椅)确定为第二区域B,其中,第一区域A是第二区域B的一部分;接着,配餐机器人可以对第一区域A进行可动障碍物的特征信息的初步提取,若提取成功,则说明第一区域A中有可动障碍物(顾客或工作人员),由于该可动障碍物对内侧可动障碍物形成“封堵”的效果,所以,此时仅需要将第一区域A确定为监测区域;若提取失败,则可以将第二区域B作为监测区域。于是,本发明可以通过对第一区域的可动障碍物的存在与否来确定合理的监测区域的面积,进而降低数据处理负荷,有利于提高处理效率。
另外,位于就餐区域最外围的餐桌椅区域,基于开放特性第一区域A中的可动障碍物并不会对内侧产生“封堵”的效果,于是可以将该开放区域对应的监测区域默认设置为第二区域B。以及,本发明还可以根据餐桌的分布位置来确定多个监测子区域,每个餐桌对应一个监测子区域,从而监测区域是由多个不同的监测子区域来组成的,如此得出的监测区域更为细化,可以进一步提高处理效率。
进一步地,所述特征信息包括面部信息、高度信息;
则所述根据所述特征信息预测得出各所述可动障碍物的预测路径,包括:
判断是否提取到所述面部信息,若否,则:
根据所述高度信息计算高度变化量,若所述高度变化量大于或等于第一阈值,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
在本发明实施例中,顾客在就餐时经常会有起身离座的需求,该行为会对配餐机器人造成威胁,尤其是当顾客背对配餐机器人时,这种威胁就更大。针对于此,本发明先判断是否能够提取到对应顾客的面部信息,若否,则说明该顾客背对着配餐机器人;接着,再检测该顾客的高度变化量,当高度变化量超出第一阈值时,说明该顾客正在起身,此时即可判定其意欲进入过道与配餐机器人的第一规划路径交叉,碰撞风险较高。
需要进行说明的是,涉及的高度信息可以为顾客的可测量身高,也可以为顾客与桌面的相对高度,具体可不做限定。
进一步地,若提取到所述面部信息,则:
根据所述高度信息计算高度变化量和高度变化率,若所述高度变化量大于或等于第二阈值且所述高度变化率大于或等于第三阈值,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
在本发明实施例中,顾客还有可能是面对着配餐机器人的,由于顾客有更大的概率发现该配餐机器人的存在,所以应当采取与背对情况下不同的、相对更严格的判断及处理措施。具体来说,以提取到面部信息作为“面对”的判定条件,继而计算该顾客的高度变化量和高度变化率,高度变化量大于或等于第二阈值则说明该顾客正在起身,高度变化率大于或等于第三阈值说明该顾客起身很快,二者同时满足时即可判定该顾客虽然面对着配餐机器人,但是其大概率未发现配餐机器人的靠近,即可判定其意欲进入过道与配餐机器人的第一规划路径交叉,碰撞风险较高。
其中,本发明可设置第二阈值大于第一阈值,如此可以调节背对和面对两种情况下的起身离座意图判定的灵敏度,有利于对起身离座意图的准确判断。以及,对于第三阈值,则可以基于经验确定,设置原则为遵循高于正常起身速率即可,本发明对此不作限定。
进一步地,所述特征信息还包括速度信息;
则所述方法还包括:
根据所述高度变化量确定高度变化趋势,在所述高度变化趋势平稳后,重新检测所述高度信息,若重新检测的所述高度信息小于或等于第四阈值,则:
根据所述速度信息判断所述可动障碍物是否朝向配餐机器人运动,若是,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
在本发明实施例中,就餐顾客中还会存在儿童,而儿童更容易与配餐机器人发生冲突。针对于此,本发明先根据高度变化量确定该顾客的高度变化趋势,该高度变化趋势平稳时的高度信息即为该顾客的真实身高,如果该身高小于或等于第四阈值,则可以判定为儿童;接着,如果分析其运动信息后判定其朝向配餐机器人运动(即朝向过道运动,而不是向餐桌内部区域运动),则说明该儿童意欲进入过道与配餐机器人的第一规划路径交叉,碰撞风险较高。
还提供针对该实施例的一种改进方案:
所述特征信息还包括方位信息,则所述第四阈值通过如下方式确定:
根据所述餐桌椅信息、配餐机器人信息和所述方位信息确定可视高度;
根据所述可视高度确定所述第四阈值,其中,所述第四阈值与所述可视高度负相关。
其中,在确定出餐桌椅、配餐机器人和顾客的相关物信息之后,就可以建立三者之间的几何模型,进而可以计算得出配餐机器人相对于顾客的可视高度,而可视高度越高,则高度不足的顾客越不容易发现配餐机器人,相应地,设置第四阈值与可视高度负相关,以提高预警的灵敏度。其中,餐桌椅信息、配餐机器人信息也都包括位置信息和各自的轮廓尺寸信息,在此不再赘述。
进一步地,所述根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径,包括:
根据进入就餐区域后所获得的所有所述餐桌椅信息和所述特征信息判断是否存在安全区域,若是,则将与配餐机器人当前位置对应的所述第一规划路径的局部路径修正为前往所述安全区域的第一路径;若否,则将与配餐机器人当前位置对应的所述第一规划路径的局部路径修正为前往所述就餐区域入口以外的第二路径;
根据所述第一规划路径和所述第一路径或第二路径得出所述第二规划路径。
在本发明实施例中,在配餐机器人进入就餐区域的过程中,不但实时检测场景信息,还能够基于检测到的场景信息中的餐桌椅信息和可动障碍物的特征信息来识别安全区域,进而在判定存在碰撞风险时可以选择最近的安全区域并规划局部替换的第一路径;以及,当就餐区域的餐桌椅摆放比较密集时,安全区域可能并不存在,此时可以规划退出至就餐区域入口相应位置处的第二路径。
另外,除了对第一规划路径进行局部修正以外,作为一种辅助,还可以控制配餐机器人开启声光报警装置,以进一步提升自身的安全,降低碰撞可能性。
实施例二
请参阅图3,图3是本发明实施例公开的一种配餐机器人的结构示意图。如图3所示,本发明实施例的一种配餐机器人,包括处理模块(101)、存储模块(102)、探测模块(103)、驱动模块(104),所述处理模块(101)与所述存储模块(102)、探测模块(103)、驱动模块(104)电连接;
所述存储模块(102),用于存储可执行的计算机程序代码;
所述探测模块(103),用于获取与第一规划路径对应的场景信息,并传输给所述处理模块(101);
所述驱动模块(104),用于根据所述处理模块(101)的指令实现配餐机器人的行驶;
所述处理模块(101),用于通过调用所述存储模块(102)中的所述可执行的计算机程序代码,执行如实施例一所述的方法。
该实施例中的一种配餐机器人的具体功能参照上述实施例一,由于本实施例中的系统采用了上述实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
实施例三
请参阅图4,图4是本发明实施例公开的一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如实施例一所述的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质上实施的计算机程序产品的形式。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种配餐机器人的控制方法,其特征在于,包括如下步骤:
获取与第一规划路径对应的场景信息;
从所述场景信息中提取得出可动障碍物的特征信息,根据所述特征信息预测得出各所述可动障碍物的预测路径;
根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径;
控制所述配餐机器人执行所述第二规划路径;
所述获取与第一规划路径对应的场景信息,包括:
从配送任务中提取出配送对象的属性信息,根据所述属性信息确定监测宽度;
根据所述监测宽度和所述第一规划路径确定监测区域,获取所述监测区域内的所述场景信息;
其中,所述属性信息与所述配送对象受所述配餐机器人的行驶情况的影响程度相关。
2.根据权利要求1所述的一种配餐机器人的控制方法,其特征在于:所述获取与第一规划路径对应的场景信息,还包括:
根据所述场景信息判断进入就餐区域时,从所述场景信息中提取得出餐桌椅信息;
根据所述餐桌椅信息确定第一监测区域和第二监测区域,其中,所述第二监测区域的面积大于所述第一监测区域的面积;
对所述第一监测区域进行所述可动障碍物的特征信息的初步提取,根据提取结果确定将所述第一监测区域或所述第二监测区域作为所述监测区域,获取所述监测区域内的所述场景信息。
3.根据权利要求1或2所述的一种配餐机器人的控制方法,其特征在于:所述特征信息包括面部信息、高度信息;
则所述根据所述特征信息预测得出各所述可动障碍物的预测路径,包括:
判断是否提取到所述面部信息,若否,则:
根据所述高度信息计算高度变化量,若所述高度变化量大于或等于第一阈值,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
4.根据权利要求3所述的一种配餐机器人的控制方法,其特征在于:若提取到所述面部信息,则:
根据所述高度信息计算高度变化量和高度变化率,若所述高度变化量大于或等于第二阈值且所述高度变化率大于或等于第三阈值,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
5.根据权利要求4所述的一种配餐机器人的控制方法,其特征在于:所述特征信息还包括速度信息;
则所述方法还包括:
根据所述高度变化量确定高度变化趋势,在所述高度变化趋势平稳后,重新检测所述高度信息,若重新检测的所述高度信息小于或等于第四阈值,则:
根据所述速度信息判断所述可动障碍物是否朝向配餐机器人运动,若是,则判定所述可动障碍物的预测轨迹为与所述第一规划路径交叉。
6.根据权利要求2所述的一种配餐机器人的控制方法,其特征在于:所述根据所述预测路径对所述第一规划路径进行局部修正,以得出第二规划路径,包括:
根据进入就餐区域后所获得的所有所述餐桌椅信息和所述特征信息判断是否存在安全区域,若是,则将与配餐机器人当前位置对应的所述第一规划路径的局部路径修正为前往所述安全区域的第一路径;若否,则将与配餐机器人当前位置对应的所述第一规划路径的局部路径修正为前往所述就餐区域入口以外的第二路径;
根据所述第一规划路径和所述第一路径或第二路径得出所述第二规划路径。
7.一种配餐机器人,包括处理模块、存储模块、探测模块、驱动模块,所述处理模块与所述存储模块、探测模块、驱动模块电连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述探测模块,用于获取与第一规划路径对应的场景信息,并传输给所述处理模块;
所述驱动模块,用于根据所述处理模块的指令实现配餐机器人的行驶;
其特征在于:所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如权利要求1-6任一项所述的方法。
8.一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
其特征在于:所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的方法。
9.一种计算机存储介质,该存储介质上存储有计算机程序,其特征在于:该计算机程序被处理器运行时执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495410.2A CN114750159B (zh) | 2022-05-07 | 2022-05-07 | 一种配餐机器人的控制方法及配餐机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495410.2A CN114750159B (zh) | 2022-05-07 | 2022-05-07 | 一种配餐机器人的控制方法及配餐机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114750159A CN114750159A (zh) | 2022-07-15 |
CN114750159B true CN114750159B (zh) | 2023-08-22 |
Family
ID=82334706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210495410.2A Active CN114750159B (zh) | 2022-05-07 | 2022-05-07 | 一种配餐机器人的控制方法及配餐机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114750159B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108136589A (zh) * | 2016-08-26 | 2018-06-08 | 深圳市赛亿科技开发有限公司 | 一种自动避障的送餐机器人及避障方法 |
KR20190134554A (ko) * | 2019-11-15 | 2019-12-04 | 엘지전자 주식회사 | 동적 장애물을 식별하는 방법 및 이를 구현한 로봇 |
CN112060090A (zh) * | 2020-09-01 | 2020-12-11 | 深圳优地科技有限公司 | 机器人避让方法、装置及计算机可读存储介质 |
CN112692846A (zh) * | 2020-12-28 | 2021-04-23 | 大连理工江苏研究院有限公司 | 一种智能送餐机器人及其路径规划方法 |
CN113110505A (zh) * | 2021-05-12 | 2021-07-13 | 上海高仙自动化科技发展有限公司 | 路径规划方法、装置、设备及存储介质 |
CN113733086A (zh) * | 2021-08-31 | 2021-12-03 | 上海擎朗智能科技有限公司 | 一种机器人的出行方法、装置、设备及存储介质 |
CN113867347A (zh) * | 2021-09-24 | 2021-12-31 | 深圳优艾智合机器人科技有限公司 | 机器人路径规划方法、装置、管理系统及计算机存储介质 |
CN114136318A (zh) * | 2020-08-13 | 2022-03-04 | 科沃斯商用机器人有限公司 | 一种机器智能导航方法和装置 |
-
2022
- 2022-05-07 CN CN202210495410.2A patent/CN114750159B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108136589A (zh) * | 2016-08-26 | 2018-06-08 | 深圳市赛亿科技开发有限公司 | 一种自动避障的送餐机器人及避障方法 |
KR20190134554A (ko) * | 2019-11-15 | 2019-12-04 | 엘지전자 주식회사 | 동적 장애물을 식별하는 방법 및 이를 구현한 로봇 |
CN114136318A (zh) * | 2020-08-13 | 2022-03-04 | 科沃斯商用机器人有限公司 | 一种机器智能导航方法和装置 |
CN112060090A (zh) * | 2020-09-01 | 2020-12-11 | 深圳优地科技有限公司 | 机器人避让方法、装置及计算机可读存储介质 |
CN112692846A (zh) * | 2020-12-28 | 2021-04-23 | 大连理工江苏研究院有限公司 | 一种智能送餐机器人及其路径规划方法 |
CN113110505A (zh) * | 2021-05-12 | 2021-07-13 | 上海高仙自动化科技发展有限公司 | 路径规划方法、装置、设备及存储介质 |
CN113733086A (zh) * | 2021-08-31 | 2021-12-03 | 上海擎朗智能科技有限公司 | 一种机器人的出行方法、装置、设备及存储介质 |
CN113867347A (zh) * | 2021-09-24 | 2021-12-31 | 深圳优艾智合机器人科技有限公司 | 机器人路径规划方法、装置、管理系统及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114750159A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11233976B2 (en) | Anomalous stationary object detection and reporting | |
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
CN110287923B (zh) | 人体姿态获取方法、装置、计算机设备及存储介质 | |
US11023850B2 (en) | Realtime inventory location management using deep learning | |
CN107924455B (zh) | 计算机视觉过程 | |
CN102063614B (zh) | 一种安防监控中遗留物品的检测方法及装置 | |
CN108725440B (zh) | 前向碰撞控制方法和装置、电子设备、程序和介质 | |
US20180253597A1 (en) | Information processing device, information processing method, and computer program product | |
EP3224808B1 (en) | Method and system for processing a sequence of images to identify, track, and/or target an object on a body of water | |
Hoermann et al. | Object detection on dynamic occupancy grid maps using deep learning and automatic label generation | |
CN105202023B (zh) | 磁悬浮轴承系统及其控制方法和装置 | |
US20190130582A1 (en) | Exclusion zone in video analytics | |
CN103839049A (zh) | 一种双人交互行为识别和主动角色确定方法 | |
CN104318578A (zh) | 一种视频图像分析方法及系统 | |
CN114750159B (zh) | 一种配餐机器人的控制方法及配餐机器人 | |
CN107222726A (zh) | 电力设施防外破预警方案 | |
Pramerdorfer et al. | Fall detection based on depth-data in practice | |
CN106970630B (zh) | 一种机器人主动提供服务的方法及装置、机器人 | |
Chauhan et al. | Study of moving object detection and tracking for video surveillance | |
Carletti et al. | Automatic detection of long term parked cars | |
CN106803937A (zh) | 一种具有文本日志的双摄像头视频监控方法及系统 | |
CN111462169B (zh) | 一种基于背景建模的老鼠轨迹追踪方法 | |
Hu et al. | Research on passenger flow counting based on embedded system | |
US20240013401A1 (en) | Identifying and tracking abandoned objects using video analytics | |
CN110610120B (zh) | 一种人脸轨迹匹配方法 |
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 |