CN115330277A - 机器人自动选择电梯的方法及装置 - Google Patents

机器人自动选择电梯的方法及装置 Download PDF

Info

Publication number
CN115330277A
CN115330277A CN202211254872.1A CN202211254872A CN115330277A CN 115330277 A CN115330277 A CN 115330277A CN 202211254872 A CN202211254872 A CN 202211254872A CN 115330277 A CN115330277 A CN 115330277A
Authority
CN
China
Prior art keywords
robot
model
selection
elevator
ladder
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
Application number
CN202211254872.1A
Other languages
English (en)
Other versions
CN115330277B (zh
Inventor
兰婷婷
支涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yunji Technology Co Ltd
Original Assignee
Beijing Yunji Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yunji Technology Co Ltd filed Critical Beijing Yunji Technology Co Ltd
Priority to CN202211254872.1A priority Critical patent/CN115330277B/zh
Publication of CN115330277A publication Critical patent/CN115330277A/zh
Application granted granted Critical
Publication of CN115330277B publication Critical patent/CN115330277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Elevator Control (AREA)
  • Manipulator (AREA)

Abstract

本公开涉及机器人技术领域，提供了一种机器人自动选择电梯的方法及装置。该方法包括：通过每个机器人对应的择梯相关信息训练神经网络模型，得到每个机器人对应的第一择梯模型；对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；基于全局参数更新神经网络模型的模型参数，得到第二择梯模型；计算每个机器人对应的信息质量评估结果；基于每个机器人对应的信息质量评估结果确定每个机器人对应的择梯相关信息的比例；按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。

Description

机器人自动选择电梯的方法及装置
技术领域
本公开涉及机器人技术领域，尤其涉及一种机器人自动选择电梯的方法及装置。
背景技术
随着机器人技术的发展和人工智能研究的不断深入，服务机器人逐渐发成人类生活中不可或缺的角色，其功能越来越智能化，且被广泛应用在餐饮、货物运输等领域中。在一些实际的应用场景中，电梯环境作为一种动态不确定的复杂环境，研究高层建筑中的机器人自适应乘梯决策问题是十分必要的。一些使用专家系统的机器人可以根据专家的经验选择乘梯方案，但是面对医院、园区、楼宇、社区和酒店等场所，乘梯的用户流分布不同、乘用电梯的时间分布不同，很难做到一套专家系统适用于所有的场景。
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：机器人无法在不同的场所下自动选择电梯的问题。
发明内容
有鉴于此，本公开实施例提供了一种机器人自动选择电梯的方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，机器人无法在不同的场所下自动选择电梯的问题。
本公开实施例的第一方面，提供了一种机器人自动选择电梯的方法，包括：获取目标区域内每个机器人对应的择梯相关信息；通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。
本公开实施例的第二方面，提供了一种机器人自动选择电梯的装置，包括：第一获取模块，被配置为获取目标区域内每个机器人对应的择梯相关信息；第一训练模块，被配置为通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；第二获取模块，被配置为获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；更新模块，被配置为基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；计算模块，被配置为根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；确定模块，被配置为基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；第二训练模块，被配置为按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；服务模块，被配置为利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。
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：获取目标区域内每个机器人对应的择梯相关信息；通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。采用上述技术手段，可以解决现有技术中，机器人无法在不同的场所下自动选择电梯的问题，进而提高机器人在不同的场所下自动选择电梯的效率。
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是本公开实施例提供的一种机器人自动选择电梯的方法的流程示意图；
图2是本公开实施例提供的一种机器人自动选择电梯的装置的结构示意图；
图3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机器人自动选择电梯的方法和装置。
图1是本公开实施例提供的一种机器人自动选择电梯的方法的流程示意图。如图1所示，该机器人自动选择电梯的方法包括：
S101，获取目标区域内每个机器人对应的择梯相关信息；
S102，通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；
S103，获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；
S104，基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；
S105，根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；
S106，基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；
S107，按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；
S108，利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。
设置在每个机器人上的神经网络模型和设置在机器人服务中心上的神经网络模型是同一种常见的神经网络模型。第二择梯模型的模型参数为全局参数，是由每个机器人对应的第一择梯模型的模型参数聚合得到的，可以看做多个机器人交互自己本身学到的知识。基础数据信息是机器人服务中心所收集的数据，基础数据信息可以用来判断每个机器人对应的择梯相关信息的质量。
根据本公开实施例提供的技术方案，获取目标区域内每个机器人对应的择梯相关信息；通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。采用上述技术手段，可以解决现有技术中，机器人无法在不同的场所下自动选择电梯的问题，进而提高机器人在不同的场所下自动选择电梯的效率。
在步骤S103中，择梯相关信息，包括：机器人的位置信息、机器人预设范围内的电梯的位置信息、不同时间段内电梯的使用频率、不同时间段内电梯运行状态以及不同时间段内电梯内的人数。
电梯运行状态包括停运、暂停、上行和下行等。
根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，包括：根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的夏普利值，并根据每个机器人对应的夏普利值确定每个机器人对应的质量评估结果；或者计算每个机器人对应的择梯相关信息和基础数据信息的相似度，并根据每个机器人对应的相似度，确定每个机器人对应的质量评估结果；或者根据每个机器人对应的择梯相关信息的种类和数据量，计算每个机器人对应的择梯相关信息的数据质量得分，根据每个机器人对应的择梯相关信息的数据质量得分，确定每个机器人对应的质量评估结果。
夏普利值就是shapley值，夏普利值法或者shapley值法是指所得与自己的贡献相等，是一种分配方式，夏普利值是夏普利值法中计算得到的值。普遍用于经济活动中的利益合理分配等问题。最早由美国洛杉矶加州大学教授罗伊德·夏普利（Lloyd Shapley）提出。shapley值法的提出给合作博弈在理论上的重要突破及其以后的发展带来了重大影响。简单的来说就是使分配问题更加的合理，用于为分配问题提供一种合理的方式。例如，价值链利益分配问题。
夏普利值越大，质量评估结果越优；相似度越小，质量评估结果越优；数据质量得分越大，质量评估结果越优。
按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度，包括：循环执行如下步骤进行多轮模型训练：按照每个机器人对应的择梯相关信息的比例，从每个机器人对应的择梯相关信息中确定出每个机器人对应的训练数据，利用每个机器人对应的训练数据训练每个机器人对应的第一择梯模型，已更新每个机器人对应的第一择梯模型的模型参数；对每个机器人对应的第一择梯模型的模型参数进行参数聚合，以更新全局参数，并用全局参数更新第二择梯模型的模型参数；当第二择梯模型的模型精度大于预设模型精度时，结束多轮模型训练，当第二择梯模型的模型精度小于等于预设模型精度时，继续多轮模型训练。
按照每个机器人对应的择梯相关信息的比例，从每个机器人对应的择梯相关信息中确定出每个机器人对应的训练数据，也就是说，从每个机器人对应的择梯相关信息中确定出数量为比例的数据，作为每个机器人对应的训练数据。
利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持，包括：在接收到目标区域内的目标机器人对应的目标择梯相关信息时，将目标择梯相关信息输入第二择梯模型，输出择梯决策；命令目标机器人基于择梯决策自动选择电梯。
在接收到目标区域内的目标机器人对应的目标择梯相关信息时，将目标择梯相关信息输入第二择梯模型，输出择梯决策之后，方法还包括：当检测到择梯决策指示的目标电梯存在异常时，将异常上传机器人服务中心，以更新第二择梯模型的模型参数以及择梯决策。
异常，包括：电梯维修，电梯不在计划内的停运，以及电梯空间不足等。
基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例之后，方法还包括：按照每个机器人对应的择梯相关信息的比例，为每个机器人分配第二择梯模型所获得的资源，以对多轮模型训练进行激励。
每个机器人对应的择梯相关信息的比例，就是每个机器人获得的第二择梯模型所获得的资源。第二择梯模型所获得的资源可以是第二择梯模型产生的经济效益以及第二择梯模型的使用权限的优先级。
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2是本公开实施例提供的一种机器人自动选择电梯的装置的示意图。如图2所示，该机器人自动选择电梯的装置包括：
第一获取模块201，被配置为获取目标区域内每个机器人对应的择梯相关信息；
第一训练模块202，被配置为通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；
第二获取模块203，被配置为获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；
更新模块204，被配置为基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；
计算模块205，被配置为根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；
确定模块206，被配置为基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；
第二训练模块207，被配置为按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；
服务模块208，被配置为利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。
设置在每个机器人上的神经网络模型和设置在机器人服务中心上的神经网络模型是同一种常见的神经网络模型。第二择梯模型的模型参数为全局参数，是由每个机器人对应的第一择梯模型的模型参数聚合得到的，可以看做多个机器人交互自己本身学到的知识。基础数据信息是机器人服务中心所收集的数据，基础数据信息可以用来判断每个机器人对应的择梯相关信息的质量。
根据本公开实施例提供的技术方案，获取目标区域内每个机器人对应的择梯相关信息；通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；基于全局参数更新设置在机器人服务中心上的神经网络模型的模型参数，得到第二择梯模型；根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，第一信息，包括：择梯相关信息和第一择梯模型的模型精度，第二信息，包括：基础数据信息和第二择梯模型的模型精度；基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；按照每个机器人对应的择梯相关信息的比例，进行多轮模型训练，以更新第二择梯模型的模型参数，使得第二择梯模型的模型精度大于预设模型精度；利用第二择梯模型为目标区域中的机器人自动选择电梯提供支持。采用上述技术手段，可以解决现有技术中，机器人无法在不同的场所下自动选择电梯的问题，进而提高机器人在不同的场所下自动选择电梯的效率。
择梯相关信息，包括：机器人的位置信息、机器人预设范围内的电梯的位置信息、不同时间段内电梯的使用频率、不同时间段内电梯运行状态以及不同时间段内电梯内的人数。
电梯运行状态包括停运、暂停、上行和下行等。
可选地，计算模块205还被配置为根据每个机器人对应的第一信息和机器人服务中心对应的第二信息，计算每个机器人对应的夏普利值，并根据每个机器人对应的夏普利值确定每个机器人对应的质量评估结果；或者计算每个机器人对应的择梯相关信息和基础数据信息的相似度，并根据每个机器人对应的相似度，确定每个机器人对应的质量评估结果；或者根据每个机器人对应的择梯相关信息的种类和数据量，计算每个机器人对应的择梯相关信息的数据质量得分，根据每个机器人对应的择梯相关信息的数据质量得分，确定每个机器人对应的质量评估结果。
夏普利值就是shapley值，夏普利值法或者shapley值法是指所得与自己的贡献相等，是一种分配方式，夏普利值是夏普利值法中计算得到的值。普遍用于经济活动中的利益合理分配等问题。最早由美国洛杉矶加州大学教授罗伊德·夏普利（Lloyd Shapley）提出。shapley值法的提出给合作博弈在理论上的重要突破及其以后的发展带来了重大影响。简单的来说就是使分配问题更加的合理，用于为分配问题提供一种合理的方式。例如，价值链利益分配问题。
夏普利值越大，质量评估结果越优；相似度越小，质量评估结果越优；数据质量得分越大，质量评估结果越优。
可选地，第二训练模块207还被配置为循环执行如下步骤进行多轮模型训练：按照每个机器人对应的择梯相关信息的比例，从每个机器人对应的择梯相关信息中确定出每个机器人对应的训练数据，利用每个机器人对应的训练数据训练每个机器人对应的第一择梯模型，已更新每个机器人对应的第一择梯模型的模型参数；对每个机器人对应的第一择梯模型的模型参数进行参数聚合，以更新全局参数，并用全局参数更新第二择梯模型的模型参数；当第二择梯模型的模型精度大于预设模型精度时，结束多轮模型训练，当第二择梯模型的模型精度小于等于预设模型精度时，继续多轮模型训练。
按照每个机器人对应的择梯相关信息的比例，从每个机器人对应的择梯相关信息中确定出每个机器人对应的训练数据，也就是说，从每个机器人对应的择梯相关信息中确定出数量为比例的数据，作为每个机器人对应的训练数据。
可选地，服务模块208还被配置为在接收到目标区域内的目标机器人对应的目标择梯相关信息时，将目标择梯相关信息输入第二择梯模型，输出择梯决策；命令目标机器人基于择梯决策自动选择电梯。
可选地，服务模块208还被配置为当检测到择梯决策指示的目标电梯存在异常时，将异常上传机器人服务中心，以更新第二择梯模型的模型参数以及择梯决策。
异常，包括：电梯维修，电梯不在计划内的停运，以及电梯空间不足等。
可选地，确定模块206还被配置为按照每个机器人对应的择梯相关信息的比例，为每个机器人分配第二择梯模型所获得的资源，以对多轮模型训练进行激励。
每个机器人对应的择梯相关信息的比例，就是每个机器人获得的第二择梯模型所获得的资源。第二择梯模型所获得的资源可以是第二择梯模型产生的经济效益以及第二择梯模型的使用权限的优先级。
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3是本公开实施例提供的电子设备3的示意图。如图3所示，该实施例的电子设备3包括：处理器301、存储器302以及存储在该存储器302中并且可在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者，处理器301执行计算机程序303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303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302中，并由处理器301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303在电子设备3中的执行过程。
电子设备3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3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3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301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302可以是电子设备3的内部存储单元，例如，电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备，例如，电子设备3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302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302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302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 (10)

1.一种机器人自动选择电梯的方法，其特征在于，包括：
获取目标区域内每个机器人对应的择梯相关信息；
通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；
获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；
基于所述全局参数更新设置在机器人服务中心上的所述神经网络模型的模型参数，得到第二择梯模型；
根据每个机器人对应的第一信息和所述机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，所述第一信息，包括：所述择梯相关信息和所述第一择梯模型的模型精度，所述第二信息，包括：基础数据信息和所述第二择梯模型的模型精度；
基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；
按照每个机器人对应的择梯相关信息的比例，进行所述多轮模型训练，以更新所述第二择梯模型的模型参数，使得所述第二择梯模型的模型精度大于预设模型精度；
利用所述第二择梯模型为所述目标区域中的机器人自动选择电梯提供支持。
2.根据权利要求1所述的方法，其特征在于，所述择梯相关信息，包括：机器人的位置信息、机器人预设范围内的电梯的位置信息、不同时间段内电梯的使用频率、不同时间段内电梯运行状态以及不同时间段内电梯内的人数。
3.根据权利要求1所述的方法，其特征在于，所述根据每个机器人对应的第一信息和所述机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，包括：
根据每个机器人对应的第一信息和所述机器人服务中心对应的第二信息，计算每个机器人对应的夏普利值，并根据每个机器人对应的夏普利值确定每个机器人对应的质量评估结果；或者
计算每个机器人对应的择梯相关信息和基础数据信息的相似度，并根据每个机器人对应的所述相似度，确定每个机器人对应的质量评估结果；或者
根据每个机器人对应的择梯相关信息的种类和数据量，计算每个机器人对应的择梯相关信息的数据质量得分，根据每个机器人对应的择梯相关信息的数据质量得分，确定每个机器人对应的质量评估结果。
4.根据权利要求1所述的方法，其特征在于，所述按照每个机器人对应的择梯相关信息的比例，进行所述多轮模型训练，以更新所述第二择梯模型的模型参数，使得所述第二择梯模型的模型精度大于预设模型精度，包括：
循环执行如下步骤进行所述多轮模型训练：
按照每个机器人对应的择梯相关信息的比例，从每个机器人对应的择梯相关信息中确定出每个机器人对应的训练数据，利用每个机器人对应的训练数据
训练每个机器人对应的第一择梯模型，已更新每个机器人对应的第一择梯模型的模型参数；
对每个机器人对应的第一择梯模型的模型参数进行参数聚合，以更新所述全局参数，并用所述全局参数更新所述第二择梯模型的模型参数；
当所述第二择梯模型的模型精度大于所述预设模型精度时，结束所述多轮模型训练，当所述第二择梯模型的模型精度小于等于所述预设模型精度时，继续所述多轮模型训练。
5.根据权利要求1所述的方法，其特征在于，所述利用所述第二择梯模型为所述目标区域中的机器人自动选择电梯提供支持，包括：
在接收到所述目标区域内的目标机器人对应的目标择梯相关信息时，将所述目标择梯相关信息输入所述第二择梯模型，输出择梯决策；
命令所述目标机器人基于所述择梯决策自动选择电梯。
6.根据权利要求5所述的方法，其特征在于，所述在接收到所述目标区域内的目标机器人对应的目标择梯相关信息时，将所述目标择梯相关信息输入所述第二择梯模型，输出择梯决策之后，所述方法还包括：
当检测到所述择梯决策指示的目标电梯存在异常时，将所述异常上传所述机器人服务中心，以更新所述第二择梯模型的模型参数以及所述择梯决策。
7.根据权利要求1所述的方法，其特征在于，所述基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例之后，所述方法还包括：
按照每个机器人对应的择梯相关信息的比例，为每个机器人分配所述第二择梯模型所获得的资源，以对所述多轮模型训练进行激励。
8.一种机器人自动选择电梯的装置，其特征在于，包括：
第一获取模块，被配置为获取目标区域内每个机器人对应的择梯相关信息；
第一训练模块，被配置为通过每个机器人对应的择梯相关信息训练设置在该机器人上的神经网络模型，得到每个机器人对应的第一择梯模型；
第二获取模块，被配置为获取每个机器人对应的第一择梯模型的模型参数，并对每个机器人对应的第一择梯模型的模型参数进行参数聚合，得到全局参数；
更新模块，被配置为基于所述全局参数更新设置在机器人服务中心上的所述神经网络模型的模型参数，得到第二择梯模型；
计算模块，被配置为根据每个机器人对应的第一信息和所述机器人服务中心对应的第二信息，计算每个机器人对应的信息质量评估结果，其中，所述第一信息，包括：所述择梯相关信息和所述第一择梯模型的模型精度，所述第二信息，包括：基础数据信息和所述第二择梯模型的模型精度；
确定模块，被配置为基于每个机器人对应的信息质量评估结果确定之后的多轮模型训练中每个机器人对应的择梯相关信息的比例；
第二训练模块，被配置为按照每个机器人对应的择梯相关信息的比例，进行所述多轮模型训练，以更新所述第二择梯模型的模型参数，使得所述第二择梯模型的模型精度大于预设模型精度；
服务模块，被配置为利用所述第二择梯模型为所述目标区域中的机器人自动选择电梯提供支持。
9.一种电子设备，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7中任一项所述方法的步骤。
10.一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7中任一项所述方法的步骤。
CN202211254872.1A 2022-10-13 2022-10-13 机器人自动选择电梯的方法及装置 Active CN115330277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211254872.1A CN115330277B (zh) 2022-10-13 2022-10-13 机器人自动选择电梯的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211254872.1A CN115330277B (zh) 2022-10-13 2022-10-13 机器人自动选择电梯的方法及装置

Publications (2)

Publication Number Publication Date
CN115330277A true CN115330277A (zh) 2022-11-11
CN115330277B CN115330277B (zh) 2023-01-06

Family

ID=83914249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211254872.1A Active CN115330277B (zh) 2022-10-13 2022-10-13 机器人自动选择电梯的方法及装置

Country Status (1)

Country Link
CN (1) CN115330277B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396154A (zh) * 2019-08-16 2021-02-23 华东交通大学 一种基于卷积神经网络训练的并行方法
WO2021252416A1 (en) * 2020-06-08 2021-12-16 Schlumberger Technology Corporation Automated electric submersible pump (esp) failure analysis
CN114030958A (zh) * 2021-10-27 2022-02-11 北京云迹科技有限公司 一种电梯调度方法、装置、设备和介质
CN114040425A (zh) * 2021-11-17 2022-02-11 中国电信集团系统集成有限责任公司 一种基于全局资源效用率优化的资源分配方法
US20220076169A1 (en) * 2020-09-08 2022-03-10 International Business Machines Corporation Federated machine learning using locality sensitive hashing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396154A (zh) * 2019-08-16 2021-02-23 华东交通大学 一种基于卷积神经网络训练的并行方法
WO2021252416A1 (en) * 2020-06-08 2021-12-16 Schlumberger Technology Corporation Automated electric submersible pump (esp) failure analysis
US20220076169A1 (en) * 2020-09-08 2022-03-10 International Business Machines Corporation Federated machine learning using locality sensitive hashing
CN114030958A (zh) * 2021-10-27 2022-02-11 北京云迹科技有限公司 一种电梯调度方法、装置、设备和介质
CN114040425A (zh) * 2021-11-17 2022-02-11 中国电信集团系统集成有限责任公司 一种基于全局资源效用率优化的资源分配方法

Also Published As

Publication number Publication date
CN115330277B (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
US11783227B2 (en) Method, apparatus, device and readable medium for transfer learning in machine learning
WO2020263723A1 (en) Machine-learning and combinatorial optimization framework for managing tasks of a dynamic system with limited resources
Fanti et al. A three-level strategy for the design and performance evaluation of hospital departments
CN105677836A (zh) 一种同时支持离线数据和实时在线数据的大数据处理解决系统
CN106575870B (zh) 用于确定用于发电系统的参数设置的系统、方法和设备及有形计算机可读介质
Harper et al. A hybrid modelling approach using forecasting and real-time simulation to prevent emergency department overcrowding
US20210065085A1 (en) Real-Time Optimization Of Aircraft Manufacturing Task Management
CN113822585A (zh) 一种智能冶炼工厂信息化管理系统
CN109634714B (zh) 一种智能调度的方法及装置
CN111950706A (zh) 基于人工智能的数据处理方法、装置、计算机设备及介质
CN110032437A (zh) 一种基于信息时效性的计算任务处理方法及装置
CN114911615B (zh) 微服务运行时智能预测调度的方法及应用
CN112232713A (zh) 一种信息处理方法、设备及存储介质
CN111859056A (zh) 数据处理方法、装置、电子设备和介质
CN117350640A (zh) 一种项目进度管理方法与系统
Sinha Short term load forecasting using artificial neural networks
CN114444782A (zh) 企业资产的管理方法、装置、存储介质及计算机设备
CN110309946A (zh) 物流路径规划方法及装置、计算机可读介质以及物流系统
CN115330277B (zh) 机器人自动选择电梯的方法及装置
CN110837889A (zh) 神经网络的训练方法及装置、存储介质、电子装置
US8417489B2 (en) Duration estimation of repeated directed graph traversal
CN117130888A (zh) 基于历史数据和机器学习的服务器自动调优方法及系统
Neelakanta et al. A co-evolution model of competitive mobile platforms: Technoeconomic perspective
CN111026546A (zh) 一种任务的调度方法、装置、存储介质及电子装置
CN115169658A (zh) 基于npl和知识图谱的库存消耗预测方法、系统和存储介质

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