CN116681195A - 一种基于人工智能的机器人寻路装置 - Google Patents
一种基于人工智能的机器人寻路装置 Download PDFInfo
- Publication number
- CN116681195A CN116681195A CN202310661449.1A CN202310661449A CN116681195A CN 116681195 A CN116681195 A CN 116681195A CN 202310661449 A CN202310661449 A CN 202310661449A CN 116681195 A CN116681195 A CN 116681195A
- Authority
- CN
- China
- Prior art keywords
- module
- robot
- path
- information
- artificial intelligence
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Genetics & Genomics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于人工智能的机器人寻路装置,属于人工智能技术领域,包括控制平台、供电模块、主控模块、定位模块、采集增强模块、驱动模块、路径规划模块、运行预测模块、日志分析模块以及云端数据库;本发明能够更加精确的对障碍物信息进行分析,同时通过使用遗传算法对机器人行走路径进行实时更新,能够大幅降低其使用局限性,保证寻路结果的最优性,能够实现对各类系统日志信息进行采集,给采集数据带来便利性,节省了工作人员对于不同系统进行配置的时间,减少分析时间的同时减少日志分析展示的工作量。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的机器人寻路装置。
背景技术
人工智能是计算机科学的一个分支,它图了解影的实质,并生产出一种新的以人类智能相心的方式做出反应的智机器,该须的研究包括机器人、语言识别、图像识别、自然语专外和专家系结等人工超从还生以安和术口,应用域的不浙扩大可以没相未来人工超的带来的技产品,将会是人举超等的突器”。人工智自何以对人的竞识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。随着科技的不断发展,人工智能机器人的使用范围越来越广泛,在部分特殊场景中,机器人自动寻路成为了保证工作人员安全的重要手段之一。
现有的基于人工智能的机器人寻路装置无法对对障碍物信息进行精确分析,且使用局限性大,无法保证寻路结果最优性;此外,现有的基于人工智能的机器人寻路装置无法对各类系统日志信息进行采集,工作人员需花费大量时间对不同系统进行配置,为此,我们提出一种基于人工智能的机器人寻路装置。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种基于人工智能的机器人寻路装置。
为了实现上述目的,本发明采用了如下技术方案:
一种基于人工智能的机器人寻路装置,包括控制平台、供电模块、主控模块、定位模块、采集增强模块、驱动模块、路径规划模块、运行预测模块、日志分析模块以及云端数据库;
所述控制平台用于与主控模块通信连接,并依据用户操作信息下发相关操作指令;
所述供电模块用于为各子模块进行供电;
所述主控模块用于接收控制终端下发的操作指令,并对相关子模块进行相应控制;
所述定位模块用于该机器人对自身位置进行确认,并将位置信息反馈给用户进行核实调整;
所述采集增强模块用于采集周围影像信息,并对采集到的影像信息进行优化增强;
所述驱动模块用于使该机器人进行正常移动;
所述路径规划模块用于接收采集的影像信息,并进行分析规划;
所述运行预测模块用于采集机器人运行信息并对该机器人进行解析预测;
所述日志分析模块用于采集主控模块缓存的日志数据,并进行风险分析;
所述云端数据库用于存储该机器人运行数据以及寻路信息。
2、根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述控制终端具体包括智能手机、平板电脑、台式电脑以及笔记本电脑。
3、根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述采集增强模块优化增强具体步骤如下:
步骤一:对采集到的影像信息进行逐帧分解,并依据分解后的各组环境图片的显示比例进行分块处理,再对分块后的各组环境图片通过傅里叶变换对数据中高频成分进行分析提取,并通过高斯滤波进行平滑处理;
步骤二:分别计算各环境图片的灰度值的平均值,之后将分块后各环境图片中每组像素的灰度值与计算出的均值进行比较,并将所有灰度值大于均值的像素构成分割目标,将所有灰度值小于均值的像素构成分割图像的背景。
4、根据权利要求3所述的一种基于人工智能的机器人寻路装置,其特征在于,步骤一所述傅里叶变换具体变换公式如下:
其中,u以及v均为频率变量,x以及y为该环境图片各像素点坐标,公式(1)为傅里叶正变换,公式(2)为傅里叶反变换。
5、根据权利要求3所述的一种基于人工智能的机器人寻路装置,其特征在于,所述路径规划模块分析规划具体步骤如下:
步骤(1):该机器人通过定位模块确定自身所在位置后,接收用户发送的终点信息,之后路径规划模块通过图像金字塔对各环境图片进行尺度归一化处理,并通过骨干卷积神经网络对各组环境图片进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合;
步骤(2):将融合结果进行分类回归以获取检测框以及类别,对环境图片中目标检测框信息进行收集,并生成对应检测框坐标,对相关环境图片进行扩大化剪裁,通过RPN过滤掉各组裁剪图片中属于背景的简单负样本,挑选出可能含有目标的区域进行分类和回归,之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归,通过扩大化剪裁提取各组图片中的目标信息;
步骤(3):依据提取的目标信息分析相关场景内存在的障碍物位置,并将该机器人所有的行走路径的集合表示为种群,再结合遗传算法生成种群矩阵,同时通过适应度函数将种群中每组个体的属性量化,同时计算机器人的行走能耗;
步骤(4):随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,之后随机选择一组个体,随机选择个体中的两段路径进行交换;
步骤(5):路径优化完成后,从路径终点开始遍历每个节点,若某节点可以与起点无障碍相连,则起点与节点中间的节点就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化;
步骤(6):将以规定的概率从种群中选择多次的个体来建立新的矩阵,同时选择最大适应度的个体,并与该个体拼接形成新的种群以完成对行走路径的迭代,并保存最优行走路径。
6、根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述运行预测模块解析预测具体步骤如下:
步骤Ⅰ:运行预测模块接收该机器人各子模块运行信息,并通过归一化方法将各组运行信息转换至0至1区间内,并通过时域和频域的方法提取特征参数;
步骤Ⅱ:计算各特征参数方差系数,并依据计算结果筛选出能够表示机器人运行信息的特征参数,并筛除对于表征能力差的特征参数,再将当前样本所对应的运行信息的归一化值设置为样本标签;
步骤Ⅲ:将运行信息样本划分为训练集以及测试集,并对训练集进行标准化处理以获取训练样本,之后将训练样本输送到分析网络模型中,设置模型具体参数,采用长期迭代法训练该分析网络模型,并将测试集输入到训练好的模型中,画出机器人运行预测曲线,并加以分析。
7、根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述日志分析模块风险分析具体步骤如下:
步骤①:日志分析模块在不同的系统的控制平台部署相关的日志采集插件或者通过syslog服务器获取各控制平台中所记录的日志数据,并筛选出满足预设条件的日志数据;
步骤②:将剩余日志数据处理为统一格式的日志数据,再将处理后的日志数据中记录的用户操作行为与异常行为特征进行匹配,并依据匹配结果生成相对应的告警信息,同时对各告警信息风险分数进行计算并输出计算结果,之后将该告警信息反馈给相关用户,并中断相关操作进程。
相比于现有技术,本发明的有益效果在于:
1、该基于人工智能的机器人寻路装置通过定位模块确定自身所在位置后,接收用户发送的终点信息,之后路径规划模块对各环境图片进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合,将融合结果进行分类回归以获取检测框以及类别,之后对环境图片进行处理获取障碍物位置,并将该机器人所有的行走路径的集合表示为种群,再结合遗传算法生成种群矩阵,之后随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,之后随机选择一组个体,随机选择个体中的两段路径进行交换,路径优化完成后,从路径终点开始遍历每个节点,若某节点可以与起点无障碍相连,则起点与节点中间的节点就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化,将以规定的概率从种群中选择多次的个体来建立新的矩阵,同时选择最大适应度的个体,并与该个体拼接形成新的种群以完成对行走路径的迭代,并保存最优行走路径,能够更加精确的对障碍物信息进行分析,同时通过使用遗传算法对机器人行走路径进行实时更新,能够大幅降低其使用局限性,保证寻路结果的最优性。
2、本发明通过日志分析模块在不同的系统的控制平台部署相关的日志采集插件或者通过syslog服务器获取各控制平台中所记录的日志数据,并筛选出满足预设条件的日志数据,之后将剩余日志数据处理为统一格式的日志数据,再将处理后的日志数据中记录的用户操作行为与异常行为特征进行匹配,并依据匹配结果生成相对应的告警信息,同时对各告警信息风险分数进行计算并输出计算结果,之后将该告警信息反馈给相关用户,并中断相关操作进程,能够实现对各类系统日志信息进行采集,给采集数据带来便利性,节省了工作人员对于不同系统进行配置的时间,减少分析时间的同时减少日志分析展示的工作量。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种基于人工智能的机器人寻路装置的系统框图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
参照图1,一种基于人工智能的机器人寻路装置,包括控制平台、供电模块、主控模块、定位模块、采集增强模块、驱动模块、路径规划模块、运行预测模块、日志分析模块以及云端数据库。
所述控制平台用于与主控模块通信连接,并依据用户操作信息下发相关操作指令;所述供电模块用于为各子模块进行供电。所述主控模块用于接收控制终端下发的操作指令,并对相关子模块进行相应控制。
所述定位模块用于该机器人对自身位置进行确认,并将位置信息反馈给用户进行核实调整;所述驱动模块用于使该机器人进行正常移动。
所述采集增强模块用于采集周围影像信息,并对采集到的影像信息进行优化增强。
具体的,采集增强模块对采集到的影像信息进行逐帧分解,并依据分解后的各组环境图片的显示比例进行分块处理,再对分块后的各组环境图片通过傅里叶变换对数据中高频成分进行分析提取,并通过高斯滤波进行平滑处理,同时分别计算各环境图片的灰度值的平均值,之后将分块后各环境图片中每组像素的灰度值与计算出的均值进行比较,并将所有灰度值大于均值的像素构成分割目标,将所有灰度值小于均值的像素构成分割图像的背景。
本实施例中,傅里叶变换具体变换公式如下:
其中,u以及v均为频率变量,x以及y为该环境图片各像素点坐标,公式(1)为傅里叶正变换,公式(2)为傅里叶反变换。
所述路径规划模块用于接收采集的影像信息,并进行分析规划。
具体的,该机器人通过定位模块确定自身所在位置后,接收用户发送的终点信息,之后路径规划模块通过图像金字塔对各环境图片进行尺度归一化处理,并通过骨干卷积神经网络对各组环境图片进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合,将融合结果进行分类回归以获取检测框以及类别,对环境图片中目标检测框信息进行收集,并生成对应检测框坐标,对相关环境图片进行扩大化剪裁,通过RPN过滤掉各组裁剪图片中属于背景的简单负样本,挑选出可能含有目标的区域进行分类和回归,之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归,通过扩大化剪裁提取各组图片中的目标信息,依据提取的目标信息分析相关场景内存在的障碍物位置,并将该机器人所有的行走路径的集合表示为种群,再结合遗传算法生成种群矩阵,同时通过适应度函数将种群中每组个体的属性量化,同时计算机器人的行走能耗,随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,之后随机选择一组个体,随机选择个体中的两段路径进行交换,路径优化完成后,从路径终点开始遍历每个节点,若某节点可以与起点无障碍相连,则起点与节点中间的节点就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化,将以规定的概率从种群中选择多次的个体来建立新的矩阵,同时选择最大适应度的个体,并与该个体拼接形成新的种群以完成对行走路径的迭代,并保存最优行走路径。
实施例2
参照图1,一种基于人工智能的机器人寻路装置,包括控制平台、供电模块、主控模块、定位模块、采集增强模块、驱动模块、路径规划模块、运行预测模块、日志分析模块以及云端数据库。
所述运行预测模块用于采集机器人运行信息并对该机器人进行解析预测。
具体的,运行预测模块接收该机器人各子模块运行信息,并通过归一化方法将各组运行信息转换至0至1区间内,并通过时域和频域的方法提取特征参数,计算各特征参数方差系数,并依据计算结果筛选出能够表示机器人运行信息的特征参数,并筛除对于表征能力差的特征参数,再将当前样本所对应的运行信息的归一化值设置为样本标签,将运行信息样本划分为训练集以及测试集,并对训练集进行标准化处理以获取训练样本,之后将训练样本输送到分析网络模型中,设置模型具体参数,采用长期迭代法训练该分析网络模型,并将测试集输入到训练好的模型中,画出机器人运行预测曲线,并加以分析。
所述日志分析模块用于采集主控模块缓存的日志数据,并进行风险分析。
具体的,日志分析模块在不同的系统的控制平台部署相关的日志采集插件或者通过syslog服务器获取各控制平台中所记录的日志数据,并筛选出满足预设条件的日志数据,之后将剩余日志数据处理为统一格式的日志数据,再将处理后的日志数据中记录的用户操作行为与异常行为特征进行匹配,并依据匹配结果生成相对应的告警信息,同时对各告警信息风险分数进行计算并输出计算结果,之后将该告警信息反馈给相关用户,并中断相关操作进程。
所述云端数据库用于存储该机器人运行数据以及寻路信息。
Claims (7)
1.一种基于人工智能的机器人寻路装置,其特征在于,包括控制平台、供电模块、主控模块、定位模块、采集增强模块、驱动模块、路径规划模块、运行预测模块、日志分析模块以及云端数据库;
所述控制平台用于与主控模块通信连接,并依据用户操作信息下发相关操作指令;
所述供电模块用于为各子模块进行供电;
所述主控模块用于接收控制终端下发的操作指令,并对相关子模块进行相应控制;
所述定位模块用于该机器人对自身位置进行确认,并将位置信息反馈给用户进行核实调整;
所述采集增强模块用于采集周围影像信息,并对采集到的影像信息进行优化增强;
所述驱动模块用于使该机器人进行正常移动;
所述路径规划模块用于接收采集的影像信息,并进行分析规划;
所述运行预测模块用于采集机器人运行信息并对该机器人进行解析预测;
所述日志分析模块用于采集主控模块缓存的日志数据,并进行风险分析;
所述云端数据库用于存储该机器人运行数据以及寻路信息。
2.根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述控制终端具体包括智能手机、平板电脑、台式电脑以及笔记本电脑。
3.根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述采集增强模块优化增强具体步骤如下:
步骤一:对采集到的影像信息进行逐帧分解,并依据分解后的各组环境图片的显示比例进行分块处理,再对分块后的各组环境图片通过傅里叶变换对数据中高频成分进行分析提取,并通过高斯滤波进行平滑处理;
步骤二:分别计算各环境图片的灰度值的平均值,之后将分块后各环境图片中每组像素的灰度值与计算出的均值进行比较,并将所有灰度值大于均值的像素构成分割目标,将所有灰度值小于均值的像素构成分割图像的背景。
4.根据权利要求3所述的一种基于人工智能的机器人寻路装置,其特征在于,步骤一所述傅里叶变换具体变换公式如下:
其中,u以及v均为频率变量,x以及y为该环境图片各像素点坐标,公式(1)为傅里叶正变换,公式(2)为傅里叶反变换。
5.根据权利要求3所述的一种基于人工智能的机器人寻路装置,其特征在于,所述路径规划模块分析规划具体步骤如下:
步骤(1):该机器人通过定位模块确定自身所在位置后,接收用户发送的终点信息,之后路径规划模块通过图像金字塔对各环境图片进行尺度归一化处理,并通过骨干卷积神经网络对各组环境图片进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合;
步骤(2):将融合结果进行分类回归以获取检测框以及类别,对环境图片中目标检测框信息进行收集,并生成对应检测框坐标,对相关环境图片进行扩大化剪裁,通过RPN过滤掉各组裁剪图片中属于背景的简单负样本,挑选出可能含有目标的区域进行分类和回归,之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归,通过扩大化剪裁提取各组图片中的目标信息;
步骤(3):依据提取的目标信息分析相关场景内存在的障碍物位置,并将该机器人所有的行走路径的集合表示为种群,再结合遗传算法生成种群矩阵,同时通过适应度函数将种群中每组个体的属性量化,同时计算机器人的行走能耗;
步骤(4):随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,之后随机选择一组个体,随机选择个体中的两段路径进行交换;
步骤(5):路径优化完成后,从路径终点开始遍历每个节点,若某节点可以与起点无障碍相连,则起点与节点中间的节点就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化;
步骤(6):将以规定的概率从种群中选择多次的个体来建立新的矩阵,同时选择最大适应度的个体,并与该个体拼接形成新的种群以完成对行走路径的迭代,并保存最优行走路径。
6.根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述运行预测模块解析预测具体步骤如下:
步骤Ⅰ:运行预测模块接收该机器人各子模块运行信息,并通过归一化方法将各组运行信息转换至0至1区间内,并通过时域和频域的方法提取特征参数;
步骤Ⅱ:计算各特征参数方差系数,并依据计算结果筛选出能够表示机器人运行信息的特征参数,并筛除对于表征能力差的特征参数,再将当前样本所对应的运行信息的归一化值设置为样本标签;
步骤Ⅲ:将运行信息样本划分为训练集以及测试集,并对训练集进行标准化处理以获取训练样本,之后将训练样本输送到分析网络模型中,设置模型具体参数,采用长期迭代法训练该分析网络模型,并将测试集输入到训练好的模型中,画出机器人运行预测曲线,并加以分析。
7.根据权利要求1所述的一种基于人工智能的机器人寻路装置,其特征在于,所述日志分析模块风险分析具体步骤如下:
步骤①:日志分析模块在不同的系统的控制平台部署相关的日志采集插件或者通过syslog服务器获取各控制平台中所记录的日志数据,并筛选出满足预设条件的日志数据;
步骤②:将剩余日志数据处理为统一格式的日志数据,再将处理后的日志数据中记录的用户操作行为与异常行为特征进行匹配,并依据匹配结果生成相对应的告警信息,同时对各告警信息风险分数进行计算并输出计算结果,之后将该告警信息反馈给相关用户,并中断相关操作进程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661449.1A CN116681195A (zh) | 2023-06-06 | 2023-06-06 | 一种基于人工智能的机器人寻路装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661449.1A CN116681195A (zh) | 2023-06-06 | 2023-06-06 | 一种基于人工智能的机器人寻路装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681195A true CN116681195A (zh) | 2023-09-01 |
Family
ID=87783223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310661449.1A Pending CN116681195A (zh) | 2023-06-06 | 2023-06-06 | 一种基于人工智能的机器人寻路装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681195A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105816106A (zh) * | 2016-05-31 | 2016-08-03 | 台州市霸业智能科技有限公司 | 智能扫地机器人 |
CN106327514A (zh) * | 2016-09-13 | 2017-01-11 | 成都创慧科达科技有限公司 | 一种基于遗传算法的寻路机器人系统及寻路方法 |
CN106444764A (zh) * | 2016-10-21 | 2017-02-22 | 苏州大成电子科技有限公司 | 建立扫地机器人巡航坐标系的方法及巡航方法及学习方法 |
CN112698653A (zh) * | 2020-12-23 | 2021-04-23 | 南京中朗智能技术有限公司 | 基于深度学习的机器人自主导航控制方法及系统 |
CN113837049A (zh) * | 2021-09-17 | 2021-12-24 | 山东浪潮科学研究院有限公司 | 基于卷积神经网络和遗传算法的智能路面清洁方法 |
CN115421463A (zh) * | 2022-09-19 | 2022-12-02 | 苏州新弘能新能源科技有限公司 | 氢能源产品的生产工艺 |
CN116189439A (zh) * | 2023-05-05 | 2023-05-30 | 成都市青羊大数据有限责任公司 | 城市智能管理系统 |
CN116192917A (zh) * | 2023-02-28 | 2023-05-30 | 王娜 | 一种海洋牧场综合观测预报平台 |
-
2023
- 2023-06-06 CN CN202310661449.1A patent/CN116681195A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105816106A (zh) * | 2016-05-31 | 2016-08-03 | 台州市霸业智能科技有限公司 | 智能扫地机器人 |
CN106327514A (zh) * | 2016-09-13 | 2017-01-11 | 成都创慧科达科技有限公司 | 一种基于遗传算法的寻路机器人系统及寻路方法 |
CN106444764A (zh) * | 2016-10-21 | 2017-02-22 | 苏州大成电子科技有限公司 | 建立扫地机器人巡航坐标系的方法及巡航方法及学习方法 |
CN112698653A (zh) * | 2020-12-23 | 2021-04-23 | 南京中朗智能技术有限公司 | 基于深度学习的机器人自主导航控制方法及系统 |
CN113837049A (zh) * | 2021-09-17 | 2021-12-24 | 山东浪潮科学研究院有限公司 | 基于卷积神经网络和遗传算法的智能路面清洁方法 |
CN115421463A (zh) * | 2022-09-19 | 2022-12-02 | 苏州新弘能新能源科技有限公司 | 氢能源产品的生产工艺 |
CN116192917A (zh) * | 2023-02-28 | 2023-05-30 | 王娜 | 一种海洋牧场综合观测预报平台 |
CN116189439A (zh) * | 2023-05-05 | 2023-05-30 | 成都市青羊大数据有限责任公司 | 城市智能管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111369016B (zh) | 一种基于图像识别的现场运维方法及系统 | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN103593654B (zh) | 一种人脸定位的方法与装置 | |
CN107145889A (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
CN112257500A (zh) | 一种基于云边协同技术的电力设备智能图像识别系统及识别方法 | |
JP2021082269A (ja) | 分類モデルを訓練する方法及び装置並びに分類方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN115880529A (zh) | 基于注意力和解耦知识蒸馏的鸟类细粒度分类方法及系统 | |
CN115409992A (zh) | 一种远程驾驶巡逻车系统 | |
CN113221667A (zh) | 一种基于深度学习的人脸口罩属性分类方法及系统 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN112885014A (zh) | 预警方法、装置、系统和计算机可读存储介质 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN116681195A (zh) | 一种基于人工智能的机器人寻路装置 | |
CN115857473A (zh) | 基于卫星定位的智能驾驶及adas模拟测试方法和系统 | |
CN116958643A (zh) | 一种基于yolo网络的气传花粉致敏植物智慧识别方法 | |
CN116645056A (zh) | 一种基于物联网的工地安全管理系统 | |
KR20210048271A (ko) | 복수 객체에 대한 자동 오디오 포커싱 방법 및 장치 | |
Afrin et al. | AI based facial expression recognition for autism children | |
CN114898287A (zh) | 用于餐盘检测预警的方法、装置、电子设备、存储介质 | |
CN113610191B (zh) | 垃圾分类模型建模方法、垃圾分类方法 |
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 |