CN114895688A - 基于人工智能的移动机器人线路规划系统及方法 - Google Patents
基于人工智能的移动机器人线路规划系统及方法 Download PDFInfo
- Publication number
- CN114895688A CN114895688A CN202210611270.0A CN202210611270A CN114895688A CN 114895688 A CN114895688 A CN 114895688A CN 202210611270 A CN202210611270 A CN 202210611270A CN 114895688 A CN114895688 A CN 114895688A
- Authority
- CN
- China
- Prior art keywords
- road
- mobile robot
- obstacle
- route
- module
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于人工智能的移动机器人线路规划系统及方法，涉及人工智能技术领域，包括移动机器人、智能摄像头、物体智能识别模块、报警模块、道路通行能力计算模块、远程终端以及线路规划模块；通过设置智能摄像头以及物体智能识别模块，实时的识别道路中出现的障碍物；再通过计算每条道路的最大交通量以及障碍物对最大交通量的影响；最后根据所有移动机器人的移动路线，预计每条道路的超载情况，尽量规避存在超载情况的路线；解决了如何减少移动机器人线路规划中出现拥堵概率，以及最大化道路利用率的问题。
Description
技术领域
本发明属于机器人领域，涉及人工智能技术，具体是基于人工智能的移动机器人线路规划系统及方法。
背景技术
移动机器人(Robot)是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。
移动机器人最大优势在于移动机器人的自主导航及移动的能力，但在移动机器人根据导航前往目的地的过程中，往往会出现因为道路中出现的故障物或道路中通行的移动机器人数量较多，而出现道路拥堵的情况；因此，如何在为移动机器人线路规划时，预先降低道路拥堵的发生概率，以及最大化利用每条道路的效率，成为移动机器人线路规划的关键问题；
为此，提出基于人工智能的移动机器人线路规划系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于人工智能的移动机器人线路规划系统及方法，该基于人工智能的移动机器人线路规划系统及方法通过设置智能摄像头以及物体智能识别模块，实时的识别道路中出现的障碍物；再通过计算每条道路的最大交通量以及障碍物对最大交通量的影响；最后根据所有移动机器人的移动路线，预计每条道路的超载情况，尽量规避存在超载情况的路线；如何减少移动机器人线路规划中出现拥堵概率，以及最大化道路利用率的问题。
为实现上述目的，根据本发明的第一方面的实施例提出基于人工智能的移动机器人线路规划系统，包括移动机器人、智能摄像头、物体智能识别模块、报警模块、道路通行能力计算模块、远程终端以及线路规划模块；
其中，移动机器人为具有定位装置以及无线信号收发装置的可自主移动的机器人；移动机器人与远程终端以无线网络方式连接；且移动机器人的移动速度为固定的；移动机器人实时将自身位置信息以及移动速度发送至远程终端；移动机器人在需要线路规划时，发送请求线路规划信息至远程终端；其中，所述线路规划信息包括线路规划的目标地点；
其中，智能摄像头主要用于监控道路状况；所述智能摄像头具有本地存储装置；所述本地存储装置保存智能摄像头最近一周内拍摄的所有画面；
所述智能摄像头与物体智能识别模块以无线网络方式连接；所述智能摄像头实时将拍摄的画面发送至物体智能识别模块；
其中，所述物体智能识别模块主要用于实时检测道路中是否出现障碍物；
所述物体智能识别模块与所述智能摄像头为一一对应关系；即每个智能摄像头对应一个物体智能识别模块；每个物体智能识别模块接收唯一的智能摄像头拍摄的画面，并进行分析；
所述物体智能识别模块包括识别模型训练单元以及障碍物判断单元；
所述障碍物判断单元与远程终端以无线网络方式连接；所述障碍物判断单元在判断路面出现障碍物时，将出现障碍物的位置以及障碍物图片发送至远程终端；
所述远程终端接收到障碍物位置以及障碍物图片后，发送报警信息至报警模块；
所述报警模块主要用于提醒道路管理人员道路中出现障碍物；
所述远程终端接收到障碍物位置以及障碍物图片后，将障碍物位置以及障碍物图片发送至道路通行能力计算模块；
其中，所述道路通行能力计算模块主要用于计算每条道路所能通行的最大移动机器人数量；
当所述道路通行能力计算模块接收到由远程终端发送的障碍物位置以及障碍物图片后，根据障碍物位置判断障碍物所在道路i；根据障碍物在道路中的位置以及障碍物宽度和位置计算障碍物对道路i的最大交通量mi的影响程度；
所述道路通行能力计算模块与远程终端以无线网络方式连接；所述道路通行能力计算模块将计算出的每条道路的最大交通量mi发送至远程终端；
其中，线路规划模块主要用于为移动机器人规划线路；所述线路规划模块保存有所有道路的电子地图；
所述线路规划模块与远程终端以无线网络方式连接；所述远程终端在接收到请求线路规划信息后，将需要线路规划的移动机器人所在位置、目标地址以及移动速度发送至线路规划模块；所述远程终端将所有道路中的移动机器人所在位置、移动路线和移动速度以及每条道路的最大交通量发送至线路规划模块。
根据本发明的第二方面的实施例提出基于人工智能的移动机器人线路规划方法，包括以下步骤：
步骤一：移动机器人实时将自身位置以及移动速度发送至远程终端；且在需要线路规划时，将目标地点发送至远程终端；
步骤二：智能摄像头实时拍摄道路画面；并将拍摄的道路画面发送至物体智能识别模块；
步骤三：物体智能识别模块根据带有标签的道路图片，使用CNN神经网络中的多目标识别算法训练出识别障碍物的神经网络；并使用训练出的神经网络实时识别智能摄像头拍摄的画面中存在的障碍物；
步骤四：报警模块在接收到报警信息后，发起响铃，并弹出对话框提醒道路管理人员；
步骤五：道路通行能力计算模块实时根据道路中障碍物情况计算每条道路的最大交通量；
步骤六：线路规划模块根据每个移动机器人的位置以及目标地点、道路中其他移动机器人的路线，统计出每条路线中每条道路的预计交通量，当预计交通量大于最大交通量时，则重新选择路线。
与现有技术相比，本发明的有益效果是：
1、本发明通过使用智能摄像头以及物体智能识别模块，智能识别出道路中出现的故障物；并通过道路通行能力计算模块计算出现的障碍物对道路最大交通量的影响程度；指导后续的线路规划，从而极大程度的避免了移动机器人因障碍物导致拥堵的情况；
2、本发明通过计算每条道路的最大交通量，在线路规划时，事先计算未来每条道路的预计交通量，在预计交通量已经大于最大交通量时，重现进行线路的规划；从而进一步降低了移动机器人在道路中发生拥堵的可能性。
附图说明
图1为本发明的原理图；
图2为本发明的流程图。
具体实施方式
下面将结合实施例对本发明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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，基于人工智能的移动机器人线路规划系统，包括移动机器人、智能摄像头、物体智能识别模块、报警模块、道路通行能力计算模块、远程终端以及线路规划模块；
其中，移动机器人为具有定位装置以及无线信号收发装置的可自主移动的机器人；
在一个优选的实施例中，移动机器人与远程终端以无线网络方式连接；且移动机器人的移动速度为固定的；移动机器人实时将自身位置信息以及移动速度发送至远程终端；移动机器人在需要线路规划时，发送请求线路规划信息至远程终端；其中，所述线路规划信息包括线路规划的目标地点；
进一步的，移动机器人具有识别道路前方障碍物的功能，并具有对前方障碍物进行反应的能力；在一个优选的实施例中，所述反应包括障碍物较小，且可避让时采用避让方式；当障碍物较大，不可避让时，采用停止前进，直至障碍物被清除的方式；
其中，智能摄像头主要用于监控道路状况；
在一个优选的实施例中，所述智能摄像头为若干个当前道路交通中使用的监控摄像头；所述智能摄像头安装在道路两侧；并且所述智能摄像头监控的范围覆盖所有道路；
所述智能摄像头具有本地存储装置；所述本地存储装置保存智能摄像头最近一周内拍摄的所有画面；
所述智能摄像头与物体智能识别模块以无线网络方式连接；所述智能摄像头实时将拍摄的画面发送至物体智能识别模块；
其中，所述物体智能识别模块主要用于实时检测道路中是否出现障碍物；
在一个优选的实施例中，所述物体智能识别模块与所述智能摄像头为一一对应关系；即每个智能摄像头对应一个物体智能识别模块；每个物体智能识别模块接收唯一的智能摄像头拍摄的画面，并进行分析；
所述物体智能识别模块包括识别模型训练单元以及障碍物判断单元；
在一个优选的实施例中，所述识别模型单元用于训练识别模型，包括以下步骤：
步骤S1：收集带有标签的道路图片数据集；其中标签为在图片中标记道路中的常见物体；包括道路路面、路灯、红绿灯以及障碍物等；
步骤S2：使用基于CNN神经网络模型的多目标识别算法，对收集的道路图片数据集进行训练；将带标签的道路图片作为模型的输入；道路中的物体作为输出；图片的标签作为识别目标；训练CNN神经网络模型；
步骤S3：当CNN神经网络对道路图片中物体识别准确率达到95％时，停止训练；并保存训练好的CNN神经网络；
在一个优选的实施例中，所述障碍物判断单元主要用于使用训练好的CNN神经网络对智能摄像头拍摄的画面进行障碍物识别；可以理解的是，智能摄像头拍摄的画面在短时间内不会出现很大的变化；因此，为了降低障碍物判断单元的计算算力，提升判断效率，所述障碍物判断单元每间隔时间周期T进行一次判断；所述时间周期T根据实际经验设置；
所述障碍物判断单元与远程终端以无线网络方式连接；所述障碍物判断单元在判断路面出现障碍物时，将出现障碍物的位置以及障碍物图片发送至远程终端；
所述远程终端接收到障碍物位置以及障碍物图片后，发送报警信息至报警模块；
所述报警模块主要用于提醒道路管理人员道路中出现障碍物；
在一个优选的实施例中，所述报警模块可以为道路管理人员智能手机中的APP，所述APP接收到报警信息后，调用智能手机中的响铃，发出响铃报警；并弹出对话框；所述对话框内容为出现障碍物的道路位置以及障碍物图片；
所述远程终端接收到障碍物位置以及障碍物图片后，将障碍物位置以及障碍物图片发送至道路通行能力计算模块；
其中，所述道路通行能力计算模块主要用于计算每条道路所能通行的最大移动机器人数量；
可以理解的是，道路通行能力为道路与交通处于理想情况下，每一条道路在单位时间内能够通过的最大交通量；将每条道路的最大交通量标记为mi,其中，i代表道路；
在一个优选的实施例中，所述道路通行能力计算模块事先计算出每条道路的最大交通量mi，并保存所有道路的最大交通量；
当所述道路通行能力计算模块接收到由远程终端发送的障碍物位置以及障碍物图片后，根据障碍物图片估算障碍物在道路中的位置和宽度；根据障碍物在道路中的位置以及宽度对道路i的最大交通量mi进行更新；更新的方式包括：
可以理解的是，当障碍物占用道路i的宽度足够大时，移动机器人无法完成避让反应；此时道路i的最大交通量更新为0；否则，根据障碍物的实际宽度以及位置计算影响系数γ，并将道路i的最大交通量更新为γ*mi；
所述道路通行能力计算模块与远程终端以无线网络方式连接；所述道路通行能力计算模块将计算出的每条道路的最大交通量mi发送至远程终端；
其中，线路规划模块主要用于为移动机器人规划线路；所述线路规划模块保存有所有道路的电子地图；
所述线路规划模块与远程终端以无线网络方式连接；所述远程终端在接收到请求线路规划信息后，将需要线路规划的移动机器人所在位置、目标地址以及移动速度发送至线路规划模块；所述远程终端将所有道路中的移动机器人所在位置、移动路线和移动速度以及每条道路的最大交通量发送至线路规划模块；
在一个优选的实施例中，所述线路规划模块为每个需要线路规划的移动机器人j规划线路包括以下步骤：
步骤P1：根据电子地图找出移动机器人j前往目标地点的所有路线；
步骤P2：将所有路线按线路总长度从小到大进行排序；对于排序后的每条路线l，将路线l经过的所有道路的集合标记为I；按顺序循环执行以下步骤：
步骤Q1：计算移动机器人j距离道路集合I中每条道路i的距离；根据距离以及移动机器人j的移动速度计算出移动机器人到达道路i的时间；将移动机器人j到达道路i的时间标记为tj；
步骤Q2：对于道路集合I中的每条道路i，根据道路中的移动机器人的移动路线，找出未来会经过道路i的所有移动机器人，并将移动机器人集合标记为S；
步骤Q3：计算移动机器人集合S中每台移动机器人到达道路i的时间，以及根据道路i的长度，计算每台移动机器人离开道路i的时间；
步骤Q4：统计移动机器人集合S中，满足条件：到达道路i的时间<tj<离开道路i的时间，的所有移动机器人数量；若满足条件的移动机器人数量大于道路i的最大交通量；将道路i标记为超载；
步骤Q5：统计道路集合I中超载的道路数量，若超载道路数量为0，则结束循环，并将路线l作为移动机器人j的移动路线；否则，继续循环，验证下一条路线的超载道路数量；
步骤P3：若所有路线均具有超载的道路，将长度最短的路线作为移动机器人j的移动路线；
步骤P4：保存所有移动机器人的移动路线。
如图2所示，基于人工智能的移动机器人线路规划方法，包括以下步骤：
步骤一：移动机器人实时将自身位置以及移动速度发送至远程终端；且在需要线路规划时，将目标地点发送至远程终端；
步骤二：智能摄像头实时拍摄道路画面；并将拍摄的道路画面发送至物体智能识别模块；
步骤三：物体智能识别模块根据带有标签的道路图片，使用CNN神经网络中的多目标识别算法训练出识别障碍物的神经网络；并使用训练出的神经网络实时识别智能摄像头拍摄的画面中存在的障碍物；
步骤四：报警模块在接收到报警信息后，发起响铃，并弹出对话框提醒道路管理人员；
步骤五：道路通行能力计算模块实时根据道路中障碍物情况计算每条道路的最大交通量；
步骤六：线路规划模块根据每个移动机器人的位置以及目标地点、道路中其他移动机器人的路线，统计出每条路线中每条道路的预计交通量，当预计交通量大于最大交通量时，则重新选择路线。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于人工智能的移动机器人线路规划系统，其特征在于，包括：移动机器人、智能摄像头、物体智能识别模块、报警模块、道路通行能力计算模块、远程终端以及线路规划模块；
移动机器人为具有定位装置以及无线信号收发装置的可自主移动的机器人；
所述智能摄像头用于监控道路状况；
所述物体智能识别模块用于实时检测道路中是否出现障碍物；
所述物体智能识别模块与所述智能摄像头为一一对应关系；即每个智能摄像头对应一个物体智能识别模块；每个物体智能识别模块接收唯一的智能摄像头拍摄的画面；
所述远程终端接收到障碍物位置以及障碍物图片后，发送报警信息至报警模块；
所述报警模块用于提醒道路管理人员道路中出现障碍物；
所述远程终端接收到障碍物位置以及障碍物图片后，将障碍物位置以及障碍物图片发送至道路通行能力计算模块；
所述道路通行能力计算模块用于计算每条道路的道路通行能力；
线路规划模块用于为移动机器人规划线路；所述线路规划模块保存有所有道路的电子地图。
2.根据权利要求1所述的基于人工智能的移动机器人线路规划系统，其特征在于，移动机器人与远程终端以无线网络方式连接；且移动机器人的移动速度为固定的；移动机器人实时将自身位置信息以及移动速度发送至远程终端；移动机器人在需要线路规划时，发送请求线路规划信息至远程终端；其中，所述线路规划信息包括线路规划的目标地点。
3.根据权利要求1所述的基于人工智能的移动机器人线路规划系统，其特征在于，所述智能摄像头为若干个当前道路交通中使用的监控摄像头；所述智能摄像头安装在道路两侧；并且智能摄像头监控的范围覆盖所有道路；
所述智能摄像头与物体智能识别模块以无线网络方式连接；所述智能摄像头实时将拍摄的画面发送至物体智能识别模块。
4.根据权利要求1所述的基于人工智能的移动机器人线路规划系统，其特征在于，所述物体智能识别模块包括识别模型训练单元以及障碍物判断单元；
所述识别模型单元用于训练识别模型，包括以下步骤：
步骤S1：收集带有标签的道路图片数据集；其中标签为在图片中标记道路中的物体；包括道路路面、路灯、红绿灯以及障碍物；
步骤S2：使用基于CNN神经网络模型的多目标识别算法，对收集的道路图片数据集进行训练；将带标签的道路图片作为模型的输入；道路中的物体作为输出；图片的标签作为识别目标；训练CNN神经网络模型；
步骤S3：当CNN神经网络对道路图片中物体识别准确率达到95％时，停止训练；并保存训练完成的CNN神经网络；
所述障碍物判断单元用于使用训练完成的CNN神经网络对智能摄像头拍摄的画面进行障碍物识别；所述障碍物判断单元每时间周期T进行一次判断；所述时间周期T根据实际经验设置；
所述障碍物判断单元与远程终端以无线网络方式连接；所述障碍物判断单元在判断路面出现障碍物时，将出现障碍物的位置以及障碍物图片发送至远程终端。
5.根据权利要求1所述的基于人工智能的移动机器人线路规划系统，其特征在于，所述报警模块为道路管理人员智能手机中的APP，所述APP接收到报警信息后，调用智能手机中的响铃，发出响铃报警；并弹出对话框；所述对话框内容为出现障碍物的道路位置以及障碍物图片。
6.根据权利要求1所述的基于人工智能的移动机器人线路规划系统，其特征在于，所述道路通行能力为每一条道路在单位时间内能够通过的最大交通量；将每条道路的最大交通量标记为mi,其中，i代表道路；
所述道路通行能力计算模块事先计算出每条道路的最大交通量mi，并保存所有道路的最大交通量；
当所述道路通行能力计算模块接收到由远程终端发送的障碍物位置以及障碍物图片后，根据障碍物位置判断障碍物所在道路i；根据障碍物图片估算障碍物在道路中的位置和宽度；根据障碍物在道路中的位置以及宽度对道路i的最大交通量mi进行更新；更新的方式包括：
当障碍物无法避让时，道路i的最大交通量mi更新为0；否则，根据障碍物的宽度以及位置计算影响系数γ，并将道路i的最大交通量mi更新为γ*mi；
所述道路通行能力计算模块与远程终端以无线网络方式连接；所述道路通行能力计算模块将计算出的每条道路i的最大交通量mi发送至远程终端。
7.根据权利要求1所述的基于人工智能的移动机器人线路规划系统，其特征在于，所述线路规划模块与远程终端以无线网络方式连接；所述远程终端在接收到请求线路规划信息后，将需要线路规划的移动机器人所在位置、目标地址以及移动速度发送至线路规划模块；所述远程终端将所有道路中的移动机器人所在位置、移动路线和移动速度以及每条道路i的最大交通量mi发送至线路规划模块；
线路规划模块为每个需要线路规划的移动机器人j规划线路包括以下步骤：
步骤P1：根据电子地图找出移动机器人j前往目标地点的所有路线；将路线标记为l；
步骤P2：将所有路线按线路总长度从小到大进行排序；对于排序后的每条路线l，将路线l经过的所有道路的集合标记为I；按顺序循环执行以下步骤：
步骤Q1：计算移动机器人j距离道路集合I中每条道路i的距离；根据距离以及移动机器人j的移动速度计算出移动机器人到达道路i的时间；将移动机器人j到达道路i的时间标记为tj；
步骤Q2：对于道路集合I中的每条道路i，根据道路中的移动机器人的移动路线，找出未来会经过道路i的所有移动机器人，并将移动机器人集合标记为S；
步骤Q3：计算移动机器人集合S中每台移动机器人到达道路i的时间，以及根据道路i的长度，计算每台移动机器人离开道路i的时间；
步骤Q4：统计移动机器人集合S中，满足条件：到达道路i的时间<tj<离开道路i的时间，的所有移动机器人数量；若满足条件的移动机器人数量大于道路i的最大交通量；将道路i标记为超载；
步骤Q5：统计道路集合I中超载的道路数量，若超载道路数量为0，则结束循环，并将路线l作为移动机器人j的移动路线；否则，继续循环，计算下一条路线的超载道路数量；
步骤P3：若所有路线均具有超载的道路，将长度最短的路线作为移动机器人j的移动路线；
步骤P4：保存所有移动机器人的移动路线。
8.基于人工智能的移动机器人线路规划方法，其特征在于，为移动机器人进行线路规划包括以下步骤：
步骤一：移动机器人实时将自身位置以及移动速度发送至远程终端；且在需要线路规划时，将目标地点发送至远程终端；
步骤二：智能摄像头实时拍摄道路画面；并将拍摄的道路画面发送至物体智能识别模块；
步骤三：物体智能识别模块根据带有标签的道路图片，使用CNN神经网络中的多目标识别算法训练出识别障碍物的神经网络；并使用训练出的神经网络实时识别智能摄像头拍摄的画面中存在的障碍物；
步骤四：报警模块在接收到报警信息后，发起响铃，并弹出对话框提醒道路管理人员；
步骤五：道路通行能力计算模块实时根据道路中障碍物情况计算每条道路的最大交通量；
步骤六：线路规划模块根据每个移动机器人的位置以及目标地点、道路中其他移动机器人的路线，统计出每条路线中每条道路的预计交通量，当预计交通量大于最大交通量时，则重新选择路线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210611270.0A CN114895688B (zh) | 2022-05-31 | 2022-05-31 | 基于人工智能的移动机器人线路规划系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210611270.0A CN114895688B (zh) | 2022-05-31 | 2022-05-31 | 基于人工智能的移动机器人线路规划系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114895688A true CN114895688A (zh) | 2022-08-12 |
| CN114895688B CN114895688B (zh) | 2023-06-20 |
Family
ID=82726998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210611270.0A Active CN114895688B (zh) | 2022-05-31 | 2022-05-31 | 基于人工智能的移动机器人线路规划系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114895688B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428092A (zh) * | 2019-07-15 | 2019-11-08 | 南京邮电大学 | 智能自动驾驶方法及装置、存储介质和终端 |
| CN110672111A (zh) * | 2019-09-24 | 2020-01-10 | 广州大学 | 车辆行车路径规划方法、装置、系统、介质和设备 |
| CN110716560A (zh) * | 2019-11-22 | 2020-01-21 | 广西科技师范学院 | 一种移动机器人路径分析规划方法 |
| CN111891129A (zh) * | 2020-08-17 | 2020-11-06 | 湖南汽车工程职业学院 | 电动汽车智能驾驶系统 |
| CN112306051A (zh) * | 2019-07-25 | 2021-02-02 | 武汉光庭科技有限公司 | 一种高速公路无人驾驶交警车辆机器人系统 |
| CN112415998A (zh) * | 2020-10-26 | 2021-02-26 | 珠海市一微半导体有限公司 | 一种基于tof摄像头的障碍物分类避障控制系统 |
| CN112800544A (zh) * | 2021-01-27 | 2021-05-14 | 湖南纽曼车联网科技有限公司 | 一种基于大数据建模的无人驾驶智能分析系统 |
| CN214151498U (zh) * | 2020-11-18 | 2021-09-07 | 西人马帝言(北京)科技有限公司 | 一种车辆控制系统及车辆 |
| CN113358127A (zh) * | 2020-03-05 | 2021-09-07 | 阿里巴巴集团控股有限公司 | 道路权值确定方法、模型生成方法和路线规划方法及装置 |
-
2022
- 2022-05-31 CN CN202210611270.0A patent/CN114895688B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428092A (zh) * | 2019-07-15 | 2019-11-08 | 南京邮电大学 | 智能自动驾驶方法及装置、存储介质和终端 |
| CN112306051A (zh) * | 2019-07-25 | 2021-02-02 | 武汉光庭科技有限公司 | 一种高速公路无人驾驶交警车辆机器人系统 |
| CN110672111A (zh) * | 2019-09-24 | 2020-01-10 | 广州大学 | 车辆行车路径规划方法、装置、系统、介质和设备 |
| CN110716560A (zh) * | 2019-11-22 | 2020-01-21 | 广西科技师范学院 | 一种移动机器人路径分析规划方法 |
| CN113358127A (zh) * | 2020-03-05 | 2021-09-07 | 阿里巴巴集团控股有限公司 | 道路权值确定方法、模型生成方法和路线规划方法及装置 |
| CN111891129A (zh) * | 2020-08-17 | 2020-11-06 | 湖南汽车工程职业学院 | 电动汽车智能驾驶系统 |
| CN112415998A (zh) * | 2020-10-26 | 2021-02-26 | 珠海市一微半导体有限公司 | 一种基于tof摄像头的障碍物分类避障控制系统 |
| CN214151498U (zh) * | 2020-11-18 | 2021-09-07 | 西人马帝言(北京)科技有限公司 | 一种车辆控制系统及车辆 |
| CN112800544A (zh) * | 2021-01-27 | 2021-05-14 | 湖南纽曼车联网科技有限公司 | 一种基于大数据建模的无人驾驶智能分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114895688B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111710177B (zh) | 智慧交通信号灯组网协同优化控制系统及控制方法 | |
| CN111316286A (zh) | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 | |
| CN113033030A (zh) | 一种基于真实道路场景的拥堵模拟方法及系统 | |
| EP4060642A1 (en) | Method and system of predictive traffic flow and of traffic light control | |
| Islam et al. | An efficient algorithm for detecting traffic congestion and a framework for smart traffic control system | |
| CN112462774A (zh) | 一种基于无人机航行跟随的城市道路监管方法、系统及可读存储介质 | |
| CN114764973A (zh) | 一种路面异常区域监测方法、装置、设备及存储介质 | |
| CN112418081A (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
| CN112257683A (zh) | 一种面向车辆运行轨迹监测的跨镜追踪方法 | |
| CN112000094A (zh) | 一种单双目结合的高压输电线路金具在线识别定位系统及方法 | |
| WO2024146339A1 (zh) | 路径规划方法、装置和起重机 | |
| Faraj et al. | Intelligent traffic congestion control system using machine learning and wireless network | |
| CN114895688B (zh) | 基于人工智能的移动机器人线路规划系统及方法 | |
| Iyer et al. | Adaptive real time traffic prediction using deep neural networks | |
| CN116878517A (zh) | 一种基于移动终端传感器的室内智能导航系统 | |
| CN110517251B (zh) | 一种景区区域过载检测与预警系统及方法 | |
| CN117292318A (zh) | 一种基于计算机视觉的输电线路安全监控预警方法及系统 | |
| Zhang et al. | Real time obstacle detection method based on lidar and wireless sensor | |
| CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
| CN113823095B (zh) | 交通状态的确定方法、装置、存储介质及电子装置 | |
| KR102246456B1 (ko) | 도로교통 현장안전 지원을 위한 지능형 엣지 유닛 장치 | |
| CN116700228A (zh) | 机器人路径规划方法、电子设备及可读存储介质 | |
| CN113160590B (zh) | 智能汽车的控制方法、装置及相关设备 | |
| Pant et al. | An IoT-based intelligent traffic engagement system with emergency vehicles pre-emption | |
| Raut et al. | Improving vehicular traffic efficiency by infrared sensors |
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 |