CN114947655A - 机器人控制方法、装置、机器人和计算机可读存储介质 - Google Patents
机器人控制方法、装置、机器人和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114947655A CN114947655A CN202210534959.8A CN202210534959A CN114947655A CN 114947655 A CN114947655 A CN 114947655A CN 202210534959 A CN202210534959 A CN 202210534959A CN 114947655 A CN114947655 A CN 114947655A
- Authority
- CN
- China
- Prior art keywords
- door
- robot
- opening
- area
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 30
- 230000000007 visual effect Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4002—Installations of electric equipment
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4061—Steering means; Means for avoiding obstacles; Details related to the place where the driver is accommodated
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种机器人控制方法、装置、机器人和计算机可读存储介质。所述方法包括:通过获取机器人所在环境的环境图像及机器人定位信息,对环境图像进行识别分析,获取房门的位置信息以及房门开合角度,根据房门的位置信息、房门开合角度以及机器人定位信息确定机器人的运动路线,进而能够避免机器人受到进行开合运动的房门的干扰或撞击,提高机器人在工作过程中的安全性。
Description
技术领域
本申请涉及机器人技术领域,特别是涉及一种机器人控制方法、装置、机器人和计算机可读存储介质。
背景技术
随着智能家居技术的发展,出现了自主清洁机器人,根据记录房屋的全局地图,自主导航实现房屋内的清洁。有别于其他已经广泛投入使用的机器人,自主清洁机器人的工作空间与人类的活动空间交集非常大,工作的过程中容易与人类活动发生干涉。例如,在房屋内的门处于不同开度时,自主清洁机器人有很大概率会撞在门上,影响机器人的安全,且自主清洁机器人往往会将门当做障碍物,在碰到门之后就退出当前清洁区域,导致清洁范围受到影响,清洁效果不佳。但是现有技术中还未出现解决相关问题的方案。因此,需要设计针对性的措施,保障机器人和使用者在机器人工作过程中的安全。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高工作安全性的机器人控制方法、装置、机器人和计算机可读存储介质。
第一方面,本申请提供了一种机器人控制方法。所述方法包括:
获取机器人所在环境的环境图像及机器人定位信息;
识别所述环境图像,获得房门的位置信息以及房门开合角度;
根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线。
在其中一个实施例中,所述环境图像包括视觉图像和深度图像;
所述识别所述环境图像,获得房门的位置信息以及房门开合角度,包括:
对所述视觉图像进行视觉图像识别,确定在预设的全局地图中的所述房门的位置信息及房门的结构信息;
根据所述深度图像及所述房门的结构信息判断房门开合角度。
在其中一个实施例中,所述房门的结构信息包括:房门宽度、门轴安装位置、房门开合朝向和房门限位结构的位置中的至少一个。
在其中一个实施例中,
所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度小于角度阈值,则确定所述房门进行开合运动所需要的房门运动空间;
根据所述房门的位置信息及所述房门运动空间确定所述机器人运行的安全区域;所述安全区域为当前工作区域中不包括所述房门运动空间的剩余区域;
根据所述机器人定位信息和所述安全区域生成所述运动路线。
在其中一个实施例中,所述根据所述房门的位置信息及所述房门运动空间确定所述机器人运行的安全区域,包括:
若识别到房门中存在房门限位结构,则根据所述房门限位结构的位置对所述房门运动空间进行修正;
根据修正后的房门运动空间确定所述安全区域。
在其中一个实施例中,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度大于角度阈值,且判断存在待清洁区域,则确定所述运动路线为:通过所述房门开合形成的空隙进入所述待清洁区域。
在其中一个实施例中,
所述若所述房门开合角度大于角度阈值,且判断存在待清洁区域,则确定所述运动路线为:通过所述房门开合形成的空隙进入所述待清洁区域,包括:
若所述房门开合角度大于0,且判断存在待清洁区域,则根据所述房门开合角度判断所述房门是否可供所述机器人通过;
若是,则确定所述运动路线为通过所述房门开合形成的空隙进入所述待清洁区域。
在其中一个实施例中,所述判断存在待清洁区域,包括:
获取下一工作区域的清洁记录;所述下一工作区域与所述机器人当前工作区域为由所述房门分割形成的两个区域;
根据所述清洁记录确定所述下一工作区域的持续未清洁时间;
若所述持续未清洁时间超过预设的时间阈值,则确定所述下一工作区域为所述待清洁区域。
在其中一个实施例中,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度大于0,则识别房门后的区域未清理时间是否超过预设时间;
若超过,则确定所述运动路线为移动至所述房门后的区域进行清理。
在其中一个实施例中,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度大于0,且所述房门后的区域未清理时间未超过所述预设时间,则判断所述房门开合角度是否大于角度阈值;
若大于,则确定所述运动路线为穿过房门进入下一工作区域。
在其中一个实施例中,
所述机器人配置有图像采集设备及深度传感器;
所述获取机器人所在环境的环境图像,包括:
控制所述图像采集设备采集所述机器人在多个位置的视觉图像;
控制所述深度传感器采集所述机器人在所述多个位置的深度图像。
第二方面,本申请还提供了一种机器人控制装置。所述装置包括:
信息获取模块,用于获取机器人所在环境的环境图像及机器人定位信息;
房门状态识别模块,用于识别所述环境图像,获得房门的位置信息以及房门开合角度;
运动规划模块,用于根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线。
第三方面,本申请还提供了一种机器人。所述机器人包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取机器人所在环境的环境图像及机器人定位信息;
识别所述环境图像,获得房门的位置信息以及房门开合角度;
根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其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以下步骤:
获取机器人所在环境的环境图像及机器人定位信息;
识别所述环境图像,获得房门的位置信息以及房门开合角度;
根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线。
上述机器人控制方法、装置、机器人和计算机可读存储介质,通过获取机器人所在环境的环境图像,对环境图像进行识别分析,获取房门所在位置以及房门开合角度,根据房门所在位置及房门开合角度确定机器人的运动路线,进而能够避免机器人受到进行开合运动的房门的干扰或撞击,提高机器人在工作过程中的安全性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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为一个实施例中机器人控制方法的流程示意图;
图2为另一个实施例中机器人控制方法的流程示意图;
图3为又一个实施例中机器人控制方法的流程示意图;
图4为再一个实施例中机器人控制方法的流程示意图;
图5为其他实施例中机器人控制方法的流程示意图;
图6为一个实施例中机器人控制方法的详细流程示意图;
图7为一个实施例中机器人控制装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
本申请实施例提供的机器人控制方法,可以应用于自主清洁机器人中,机器人配置有环境图像采集设备,能够采集机器人所在环境的环境图像并存储,机器人能够进行实时定位,进而根据房屋的全局地图规划运动路线,对于清洁机器人而言,运动路线一般为清洁运动路线。
在其中一个实施例中,如图1所示,提供了一种机器人控制方法,包括以下步骤:
步骤100,获取机器人所在环境的环境图像及机器人定位信息。
其中,机器人在初次工作时会录入房屋的全局地图,房屋中通过房门将全局地图划分为多个工作区域,机器人所在环境指的是当前所在的工作区域。机器人所在环境的环境图像即为表征当前工作区域的环境特征的图像。机器人定位信息通过机器人的导航定位模块获取,能够定位机器人在全局地图中的实时位置。
具体地,机器人可以在当前工作区域内工作的过程中在不同的位置下采集并存储环境图像。机器人定位信息即为当前时刻机器人的实时位置。
步骤200,识别环境图像,获得房门的位置信息以及房门开合角度。
其中,环境图像的识别通过视觉图像分析算法实现,从而识别出在当前环境中房门的位置信息以及房门开合角度。房门开合角度为0时则表示房门处于关闭状态,房门开合角度大于0则表示房门处于打开状态。
步骤300,根据房门的位置信息、房门开合角度以及机器人定位信息确定机器人的运动路线。
由于房门开合动作会使得机器人当前所在环境的格局发生变化,甚至会出现撞击机器人的情况,不利于机器人安全工作,因此通过房门的位置信息、房门开合角度以及机器人定位信息调整机器人的运动路线,避免房门开合状态变化对机器人运行产生的影响。
上述机器人控制方法,通过获取机器人所在环境的环境图像,对环境图像进行识别分析,获取房门所在位置以及房门开合角度,根据房门所在位置及房门开合角度确定机器人的运动路线,进而能够避免机器人受到进行开合运动的房门的干扰或撞击,提高机器人在工作过程中的安全性。
在其中一个实施例中,环境图像包括视觉图像和深度图像。机器人配置的环境图像采集设备可以包括视觉图像采集设备,视觉图像可以为RGB图像或黑白图像等,视觉图像采集设备可以为RGB图像采集设备,例如单目摄像机、双目摄像机等彩色图像采集设备。环境图像采集设备还可以包括深度图像采集设备,例如TOF传感器、TOF摄像头等。
如图2所示,步骤200包括步骤210和步骤220。
步骤210,对视觉图像进行视觉图像识别,确定在预设的全局地图中的房门的位置信息及房门的结构信息。
其中,视觉图像识别是用于识别图像语义的技术,通过对图像像素处理分割,结合神经网络算法,识别出图像中的物体,以及物体的特征。根据视觉图像识别结果确定出房门在全局地图中的位置和房门的结构信息。视觉图像可以为RGB图像或黑白图像等。
房门的位置信息能够用于确定房门与机器人的相对位置,并且用于分析房门开合动作时可能会受到影响的范围,房门的结构信息用于计算房门动作过程中的所需动作空间,结合房门的位置信息可以确定出房门动作所需的空间在全局地图中的区域。
步骤220,根据深度图像及房门的结构信息判断房门开合角度。
深度图像能够用于识别房门状态变化以及房门与机器人的相对距离,结合房门的结构信息可以判断出房门开合角度。
本实施例能够精确判断出机器人当前所在环境中的房门状态,以及房门如果发生动作可能会影响到的范围,使得机器人能够避开可能受到影响的区域,保证机器人安全运行。
在其中一个实施例中,房门的结构信息包括:房门宽度、门轴安装位置、房门开合朝向和房门限位结构的位置中的至少一个。
房门宽度、门轴安装位置以及房门开合朝向能够用于计算出房门的运动轨迹。若存在房门限位结构,会对房门的运动轨迹产生影响,此时需要对运动轨迹进行修正,对于用于限制房门打开角度不会过大的房门限位结构,房门限位结构所在的区域也会影响机器人的运动,这种情况下需要将房门限位结构所在的区域排除在机器人可运动的范围之外。
在其中一个实施例中,如图2所示,步骤300包括步骤310至步骤330。
步骤310,若房门开合角度小于角度阈值,则确定房门进行开合运动所需要的房门运动空间。
其中,角度阈值是机器人能够通过房门所需要的房门最小开合角度,当房门开合角度小于角度阈值时,可能是房门处于关闭状态,也可能是房门处于打开状态,但房门开合角度不足以供机器人通过。在房门开合角度小于角度阈值时,房门可能会由于人为因素突然打开,此时如果机器人不考虑房门运动空间,则可能会发生碰撞。
步骤320,根据房门的位置信息及房门运动空间确定机器人运行的安全区域。
其中,房门的运动空间一般位于房门所处位置附近,例如处在以门轴为圆心,房门宽度为半径的圆形或半圆形区域中。安全区域为当前工作区域中不包括房门运动空间的剩余区域。
步骤330,根据机器人定位信息和安全区域生成运动路线。
机器人可以在安全区域中进行运动,具体运动路线可以根据机器人的定位信息,结合机器人的清洁模式生成。例如,当清洁模式为全屋清扫时,运动路线可以为以机器人定位信息为起点的“Z”字型路线等。
本实施例中能够对房门开合角度小于角度阈值的情况进行处理,规划运动路线,将房门运动空间排除在可运动范围之外,使得机器人能够绕开房门运动空间,提高机器人的安全性,避免发生碰撞。
在其中一个实施例中,如图3所示,步骤320包括步骤322和步骤324。
步骤322,若识别到房门中存在房门限位结构,则根据房门限位结构的位置对房门运动空间进行修正。
房门限位结构可以是用于限制房门开合角度不会过大的限位组件,也可以是用于阻挡房门完全关闭的限位组件。由于房门不一定存在房门限位结构,因此可以根据房门的结构信息判断是否存在房门限位结构,房门的结构信息可以通过对环境图像进行视觉图像识别得到。对于存在房门限位结构的情况,则需要结合房门限位结构的位置对房门运动空间进行修正。
步骤324,根据修正后的房门运动空间确定安全区域。
在本实施例中需要对计算出的房门运动空间进行修正,考虑房门限位结构对安全区域的影响,重新确定安全区域,用以规划和修正机器人的运动路线。进一步地,可以根据修正后的房门运动空间,结合全局地图确定安全区域,以提高得到的安全区域的准确性。
在其中一个实施例中,如图4所示,步骤300包括步骤340。
步骤340,若房门开合角度大于角度阈值,且判断存在待清洁区域,则确定运动路线为:通过房门开合形成的空隙进入待清洁区域。
其中,待清洁区域是通过房门所能进入的下一工作区域,且该区域需要进行清洁。房门开合角度大于角度阈值即为房门打开且可供机器人通过,若房门后存在下一工作区域需要进行清洁,则确定运动路线为需要穿过房门开合形成的空隙进入下一工作区域(即待清洁区域)。进入待清洁区域后可以结合清洁模式生成在待清洁区域内的运动路线。
进一步地,如图4所示,步骤300还可以包括步骤350。
步骤350,若判断不存在待清洁区域,则在完成当前工作区域的清洁后结束清理工作。
在其中一个实施例中,如图5所示,步骤340包括步骤342和步骤344。
步骤342,若房门开合角度大于0,且判断存在待清洁区域,则根据房门开合角度判断房门是否可供机器人通过。
步骤344,若是,则确定运动路线为通过房门开合形成的空隙进入待清洁区域。
进一步地,如图5所示,步骤340还可以包括步骤346。
步骤346,若房门无法供机器人通过,则在完成当前工作区域的清洁后结束清理工作。
在本实施例中,先判断房门开合角度是否大于0,即判断房门是否打开,在房门打开时,判断是否存在待清洁区域,若存在待清洁,则判断房门开合形成的空隙是否可供机器人通过,若可以通过,则确定运动路线为穿过房门进入待清洁区域。若不存在待清洁区域,则无需判断房门是否可供机器人通过,此时可结束清理工作。
在其中一个实施例中,步骤340中,判断存在待清洁区域,包括步骤362至步骤366。
步骤362,获取下一工作区域的清洁记录。
其中,下一工作区域与机器人当前工作区域为由房门分割形成的两个区域。
步骤364,根据所清洁记录确定下一工作区域的持续未清洁时间。
步骤366,若持续未清洁时间超过预设的时间阈值,则确定下一工作区域为待清洁区域。
在其中一个实施例中,如图6所示,步骤300包括步骤371和步骤372。
步骤371,若房门开合角度大于0,且房门后的区域未清理时间未超过预设时间,则判断房门开合角度是否大于角度阈值。
步骤372,若大于,则确定运动路线为穿过房门进入下一工作区域。
可以理解,如图6所示,步骤371之后,步骤300还包括步骤373。
步骤373,若房门开合角度不大于角度阈值,则在完成当前工作区域的清洁后停止清洁。
其中,房门后的区域为当前工作区域内,房门处于打开状态时,房门与其他物体围合形成的区域,由于机器人通常会直接穿过房门进入下一工作区域进行清扫,所以房门后的区域可能会长时间未进行清理。
在本实施例中,通过判断房门后的区域是否需要进行清理,在需要进行清理时即使房门能够供机器人通过时,也不穿过房门,而是先对房门后的区域进行清理,提高机器人的智能性。
在其中一个实施例中,机器人配置有图像采集设备及深度传感器;
所述获取机器人所在环境的环境图像,包括:
控制图像采集设备采集机器人在多个位置的视觉图像;
控制深度传感器采集机器人在所述多个位置的深度图像。
本实施例中,通过控制机器人移动至不同位置下,控制图像采集设备和深度传感器进行采集,提高房门的位置信息以及房门开合角度分析的精度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的机器人控制方法的机器人控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个机器人控制装置实施例中的具体限定可以参见上文中对于机器人控制方法的限定,在此不再赘述。
在其中一个实施例中,如图7所示,提供了一种机器人控制装置900,包括:
信息获取模块901,用于获取机器人所在环境的环境图像及机器人定位信息;
房门状态识别模块902,用于识别环境图像,获得房门的位置信息以及房门开合角度;
运动规划模块903,用于根据房门的位置信息、房门开合角度以及机器人定位信息确定机器人的运动路线。
上述机器人控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种机器人,其内部结构图可以如图8所示。该机器人包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该机器人的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该机器人的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种机器人控制方法。该机器人的显示屏可以是液晶显示屏或者电子墨水显示屏,该机器人的输入装置可以是显示屏上覆盖的触摸层,也可以是机器人外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种机器人,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取机器人所在环境的环境图像及机器人定位信息;
识别环境图像,获得房门的位置信息以及房门开合角度;
根据房门的位置信息、房门开合角度以及机器人定位信息确定机器人的运动路线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对视觉图像进行视觉图像识别,确定在预设的全局地图中的房门的位置信息及房门的结构信息;
根据深度图像及房门的结构信息判断房门开合角度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若房门开合角度小于角度阈值,则确定房门进行开合运动所需要的房门运动空间;
根据房门的位置信息及房门运动空间确定机器人运行的安全区域;安全区域为当前工作区域中不包括房门运动空间的剩余区域;
根据机器人定位信息和安全区域生成运动路线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若识别到房门中存在房门限位结构,则根据房门限位结构的位置对房门运动空间进行修正;
根据修正后的房门运动空间确定安全区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若房门开合角度大于角度阈值,且判断存在待清洁区域,则确定运动路线为:通过房门开合形成的空隙进入待清洁区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若房门开合角度大于0,且判断存在待清洁区域,则根据房门开合角度判断房门是否可供机器人通过;
若是,则确定运动路线为通过房门开合形成的空隙进入待清洁区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取下一工作区域的清洁记录;下一工作区域与机器人当前工作区域为由房门分割形成的两个区域;
根据清洁记录确定下一工作区域的持续未清洁时间;
若持续未清洁时间超过预设的时间阈值,则确定下一工作区域为待清洁区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若房门开合角度大于0,则识别房门后的区域未清理时间是否超过预设时间;
若超过,则确定运动路线为移动至房门后的区域进行清理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若房门开合角度大于0,且房门后的区域未清理时间未超过预设时间,则判断房门开合角度是否大于角度阈值;
若大于,则确定运动路线为穿过房门进入下一工作区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
控制图像采集设备采集机器人在多个位置的视觉图像;
控制深度传感器采集机器人在多个位置的深度图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取机器人所在环境的环境图像及机器人定位信息;
识别环境图像,获得房门的位置信息以及房门开合角度;
根据房门的位置信息、房门开合角度以及机器人定位信息确定机器人的运动路线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对视觉图像进行视觉图像识别,确定在预设的全局地图中的房门的位置信息及房门的结构信息;
根据深度图像及房门的结构信息判断房门开合角度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若房门开合角度小于角度阈值,则确定房门进行开合运动所需要的房门运动空间;
根据房门的位置信息及房门运动空间确定机器人运行的安全区域;安全区域为当前工作区域中不包括房门运动空间的剩余区域;
根据机器人定位信息和安全区域生成运动路线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若识别到房门中存在房门限位结构,则根据房门限位结构的位置对房门运动空间进行修正;
根据修正后的房门运动空间确定安全区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若房门开合角度大于角度阈值,且判断存在待清洁区域,则确定运动路线为:通过房门开合形成的空隙进入待清洁区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若房门开合角度大于0,且判断存在待清洁区域,则根据房门开合角度判断房门是否可供机器人通过;
若是,则确定运动路线为通过房门开合形成的空隙进入待清洁区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取下一工作区域的清洁记录;下一工作区域与机器人当前工作区域为由房门分割形成的两个区域;
根据清洁记录确定下一工作区域的持续未清洁时间;
若持续未清洁时间超过预设的时间阈值,则确定下一工作区域为待清洁区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若房门开合角度大于0,则识别房门后的区域未清理时间是否超过预设时间;
若超过,则确定运动路线为移动至房门后的区域进行清理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若房门开合角度大于0,且房门后的区域未清理时间未超过预设时间,则判断房门开合角度是否大于角度阈值;
若大于,则确定运动路线为穿过房门进入下一工作区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
控制图像采集设备采集机器人在多个位置的视觉图像;
控制深度传感器采集机器人在多个位置的深度图像。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种机器人控制方法,其特征在于,应用于清洁机器人,所述方法包括:
获取机器人所在环境的环境图像及机器人定位信息;
识别所述环境图像,获得房门的位置信息以及房门开合角度;
根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线。
2.根据权利要求1所述的方法,其特征在于,所述环境图像包括视觉图像和深度图像;
所述识别所述环境图像,获得房门的位置信息以及房门开合角度,包括:
对所述视觉图像进行视觉图像识别,确定在预设的全局地图中的所述房门的位置信息及房门的结构信息;
根据所述深度图像及所述房门的结构信息判断房门开合角度。
3.根据权利要求2所述的方法,其特征在于,所述房门的结构信息包括:房门宽度、门轴安装位置、房门开合朝向和房门限位结构的位置中的至少一个。
4.根据权利要求1所述的方法,其特征在于,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度小于角度阈值,则确定所述房门进行开合运动所需要的房门运动空间;
根据所述房门的位置信息及所述房门运动空间确定所述机器人运行的安全区域;所述安全区域为当前工作区域中不包括所述房门运动空间的剩余区域;
根据所述机器人定位信息和所述安全区域生成所述运动路线。
5.根据权利要求4所述的方法,其特征在于,所述根据所述房门的位置信息及所述房门运动空间确定所述机器人运行的安全区域,包括:
若识别到房门中存在房门限位结构,则根据所述房门限位结构的位置对所述房门运动空间进行修正;
根据修正后的房门运动空间确定所述安全区域。
6.根据权利要求1所述的方法,其特征在于,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度大于角度阈值,且判断存在待清洁区域,则确定所述运动路线为:通过所述房门开合形成的空隙进入所述待清洁区域。
7.根据权利要求6所述的方法,其特征在于,所述若所述房门开合角度大于角度阈值,且判断存在待清洁区域,则确定所述运动路线为:通过所述房门开合形成的空隙进入所述待清洁区域,包括:
若所述房门开合角度大于0,且判断存在待清洁区域,则根据所述房门开合角度判断所述房门是否可供所述机器人通过;
若是,则确定所述运动路线为通过所述房门开合形成的空隙进入所述待清洁区域。
8.根据权利要求6所述的方法,其特征在于,所述判断存在待清洁区域,包括:
获取下一工作区域的清洁记录;所述下一工作区域与所述机器人当前工作区域为由所述房门分割形成的两个区域;
根据所述清洁记录确定所述下一工作区域的持续未清洁时间;
若所述持续未清洁时间超过预设的时间阈值,则确定所述下一工作区域为所述待清洁区域。
9.根据权利要求1所述的方法,其特征在于,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度大于0,则识别房门后的区域未清理时间是否超过预设时间;
若超过,则确定所述运动路线为移动至所述房门后的区域进行清理。
10.根据权利要求1所述的方法,其特征在于,所述根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线,包括:
若所述房门开合角度大于0,且所述房门后的区域未清理时间未超过所述预设时间,则判断所述房门开合角度是否大于角度阈值;
若大于,则确定所述运动路线为穿过房门进入下一工作区域。
11.根据权利要求1所述的方法,其特征在于,所述机器人配置有图像采集设备及深度传感器;
所述获取机器人所在环境的环境图像,包括:
控制所述图像采集设备采集所述机器人在多个位置的视觉图像;
控制所述深度传感器采集所述机器人在所述多个位置的深度图像。
12.一种机器人控制装置,其特征在于,所述装置包括:
信息获取模块,用于获取机器人所在环境的环境图像及机器人定位信息;
房门状态识别模块,用于识别所述环境图像,获得房门的位置信息以及房门开合角度;
运动规划模块,用于根据所述房门的位置信息、所述房门开合角度以及所述机器人定位信息确定所述机器人的运动路线。
13.一种机器人,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534959.8A CN114947655A (zh) | 2022-05-17 | 2022-05-17 | 机器人控制方法、装置、机器人和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534959.8A CN114947655A (zh) | 2022-05-17 | 2022-05-17 | 机器人控制方法、装置、机器人和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114947655A true CN114947655A (zh) | 2022-08-30 |
Family
ID=82983845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210534959.8A Pending CN114947655A (zh) | 2022-05-17 | 2022-05-17 | 机器人控制方法、装置、机器人和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114947655A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101716568A (zh) * | 2009-11-19 | 2010-06-02 | 重庆大学 | 机器人喷涂系统喷涂室内的方法 |
US20150223659A1 (en) * | 2014-02-12 | 2015-08-13 | Lg Electronics Inc. | Robot cleaner and control method thereof |
US9535421B1 (en) * | 2014-02-28 | 2017-01-03 | Savioke, Inc. | Mobile delivery robot with interior cargo space |
EP3130696A1 (en) * | 2015-08-12 | 2017-02-15 | Wuxi Filin Electronics Co., Ltd. | Washing machine and anti-pinching control method for electric door thereof |
US10001780B2 (en) * | 2016-11-02 | 2018-06-19 | Brain Corporation | Systems and methods for dynamic route planning in autonomous navigation |
CN110269550A (zh) * | 2019-06-13 | 2019-09-24 | 深圳市银星智能科技股份有限公司 | 一种门位置识别方法以及移动机器人 |
US20210048829A1 (en) * | 2019-08-18 | 2021-02-18 | Cobalt Robotics Inc. | Surveillance prevention by mobile robot |
-
2022
- 2022-05-17 CN CN202210534959.8A patent/CN114947655A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101716568A (zh) * | 2009-11-19 | 2010-06-02 | 重庆大学 | 机器人喷涂系统喷涂室内的方法 |
US20150223659A1 (en) * | 2014-02-12 | 2015-08-13 | Lg Electronics Inc. | Robot cleaner and control method thereof |
US9535421B1 (en) * | 2014-02-28 | 2017-01-03 | Savioke, Inc. | Mobile delivery robot with interior cargo space |
EP3130696A1 (en) * | 2015-08-12 | 2017-02-15 | Wuxi Filin Electronics Co., Ltd. | Washing machine and anti-pinching control method for electric door thereof |
US10001780B2 (en) * | 2016-11-02 | 2018-06-19 | Brain Corporation | Systems and methods for dynamic route planning in autonomous navigation |
CN110269550A (zh) * | 2019-06-13 | 2019-09-24 | 深圳市银星智能科技股份有限公司 | 一种门位置识别方法以及移动机器人 |
US20210048829A1 (en) * | 2019-08-18 | 2021-02-18 | Cobalt Robotics Inc. | Surveillance prevention by mobile robot |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Baylime: Bayesian local interpretable model-agnostic explanations | |
CN110998594B (zh) | 检测动作的方法和系统 | |
Rodríguez-Arévalo et al. | On the importance of uncertainty representation in active SLAM | |
US7940957B2 (en) | Object tracker for visually tracking object motion | |
Basilico et al. | Leader-follower strategies for robotic patrolling in environments with arbitrary topologies | |
US20160321563A1 (en) | Optimized artificial intelligence machines that allocate patrol agents to minimize opportunistic crime based on learned model | |
Boniardi et al. | A pose graph-based localization system for long-term navigation in CAD floor plans | |
CN109492551A (zh) | 活体检测方法、装置及应用活体检测方法的相关系统 | |
EP3151169A2 (en) | Methods and systems for optimizing hidden markov model based land change prediction | |
Lee et al. | Muse-vae: Multi-scale vae for environment-aware long term trajectory prediction | |
US20230025238A1 (en) | Anomalous region detection with local neural transformations | |
US20230196587A1 (en) | Method and system for tracking target part, and electronic device | |
Wang et al. | Evaluation of machine learning-based detection against side-channel attacks on autonomous vehicle | |
Faion et al. | Reducing bias in Bayesian shape estimation | |
Indelman et al. | Planning under uncertainty in the continuous domain: a generalized belief space approach | |
Kent et al. | Human-centric active perception for autonomous observation | |
Davoodi et al. | Feature-based interpretable reinforcement learning based on state-transition models | |
Macharet et al. | Learning how to increase the chance of human-robot engagement | |
Zernetsch et al. | A holistic view on probabilistic trajectory forecasting–case study. cyclist intention detection | |
Heravi et al. | Deep learning-based activity-aware 3D human motion trajectory prediction in construction | |
CN114947655A (zh) | 机器人控制方法、装置、机器人和计算机可读存储介质 | |
Amigoni et al. | A game theoretical approach to finding optimal strategies for pursuit evasion in grid environments | |
Kaliamoorthi et al. | Parametric annealing: A stochastic search method for human pose tracking | |
Gireesh et al. | Object goal navigation using data regularized q-learning | |
Bieshaar et al. | Quantile Surfaces--Generalizing Quantile Regression to Multivariate Targets |
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 |