CN116841299B - 一种导览机器人的自主巡游控制方法及装置 - Google Patents

Abstract

本说明书公开了一种导览机器人的自主巡游控制方法及装置，可以获取实时的视觉数据，并根据该视觉数据，确定各用户的位姿信息，而后，根据该位姿信息以及机器人当前的任务状态信息，判断机器人是否处于闲暇状态。若该机器人处于闲暇状态，则可以判断机器人的电量是否能够满足执行巡游任务，若是，根据位姿信息，确定各展点对应的感兴趣程度，并确定机器人到达各展点的最短路径。最后，根据各展点对应的感兴趣程度以及机器人到达各展点的最短路径，通过预设的推理决策模型，得到输出结果，并根据该输出结果，对该机器人进行控制，以执行自主巡游任务，从而提高了用户的业务执行效率。

Description

一种导览机器人的自主巡游控制方法及装置

技术领域

本说明书涉及人工智能机器人视觉感知、自主决策技术领域，尤其涉及一种导览机器人的自主巡游控制方法及装置。

背景技术

导览机器人是一种利用人工智能和机器人技术设计和制造的具有导航、语音交互、视觉识别和智能问答等功能的机器人，主要用于博物馆、展览馆、旅游景点等场所的导览和服务。

展厅场景下的导览机器人，是直接面向客户针对展厅展品进行介绍和演示的机器人。一般具有问答、讲解、带路、送别等多重能力。

目前，导览机器人在服务过程中，只能被动式接收用户下发的指令，根据指令执行相应任务，任务执行完成后，如果没有新的指令输入，则机器人会一直处于待命状态，不再提供服务，这可能会影响到用户的业务执行效率。

因此，如何提高用户的业务执行效率。

发明内容

本说明书提供一种导览机器人的自主巡游控制方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种导览机器人的自主巡游控制方法，包括：

获取实时的视觉数据；

根据所述视觉数据，确定各用户的位姿信息；

根据所述位姿信息以及机器人当前的任务状态信息，判断所述机器人是否处于闲暇状态；

若所述机器人处于闲暇状态，判断所述机器人的电量是否能够满足执行巡游任务，若是，根据所述位姿信息，确定各展点对应的感兴趣程度，并确定所述机器人到达各展点的最短路径；

根据所述各展点对应的感兴趣程度以及所述机器人到达各展点的最短路径，通过预设的推理决策模型，得到输出结果，并根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务。

可选的，所述视觉数据包括通过机器人采集得到的视频数据以及通过各展点中布置的摄像头采集得到的视频数据，所述位姿信息包括用户的实际位置以及人脸朝向；

根据所述视觉数据，确定各用户的位姿信息，具体包括：

针对每个视频数据，对该视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置；

对该视频数据中每个人对应的人物图像进行人脸检测，得到该视频数据中每个人对应的人脸图像；

根据各视频数据中每个人对应的图像位置，确定每个用户的实际位置，根据各视频数据中每个人对应的人脸图像，确定出每个用户的人脸朝向。

可选的，根据所述位姿信息，确定各展点对应的感兴趣程度，具体包括：

针对每个用户，根据该用户的位姿信息，确定该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角；

根据该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角，确定出该用户对各展点的感兴趣程度；

根据各用户对各展点的感兴趣程度，确定各展点对应的感兴趣程度。

可选的，确定机器人到达各展点的最短路径，具体包括：

根据机器人当前位置、知识库中获取的展厅地图、展厅中各个展点的位置信息，通过A*算法，计算出机器人到各个展点的最短路径；

根据机器人到各个展点的最短路径，确定机器人从当前位置到各个展点的距离，根据机器人的转向角速度、前进速度以及机器人从当前位置到各个展点的距离，计算出机器人到各个站点的时间数据。

可选的，根据所述各展点对应的感兴趣程度以及所述机器人到各展点到达的最短路径，通过预设的推理决策模型，得到输出结果，具体包括：

搭建prompt工程，设计输入输出规范，以通过基于GPT的推理决策模型进行推荐展点的决策；

将各展点对应的感兴趣程度和机器人到各个展点的距离、时间数据，作为prompt工程的输入，所述基于GPT的推理决策模型的输出结果为无推荐展点或至少一个推荐展点。

可选的，根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务，具体包括：

若推理决策模型的输出结果为无推荐展点，则从知识库中获取默认巡游路线，并根据默认巡游路线，对机器人进行控制；

若推理决策模型的输出结果为至少一个推荐展点，根据得到的推荐展点，从知识库中查询出所述推荐展点的机器人讲解点坐标以及讲解内容；

根据所述机器人讲解点坐标和讲解内容生成指令，将所述指令发送到机器人端，以使所述机器人根据所述指令运行到指定讲解点，执行展点讲解任务。

本说明书提供了一种导览机器人的自主巡游控制装置，包括：

获取模块，用于获取实时的视觉数据；

位姿确定模块，用于根据所述视觉数据，确定各用户的位姿信息；

状态确定模块，用于根据所述位姿信息以及机器人当前的任务状态信息，判断所述机器人是否处于闲暇状态；

兴趣程度确定模块，用于若所述机器人处于闲暇状态，判断所述机器人的电量是否能够满足执行巡游任务，若是，根据所述位姿信息，确定各展点对应的感兴趣程度，并确定所述机器人到达各展点的最短路径；

控制模块，用于根据所述各展点对应的感兴趣程度以及所述机器人到各展点到达的最短路径，通过预设的推理决策模型，得到输出结果，并根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务。

可选地，所述视觉数据包括通过机器人采集得到的视频数据以及通过各展点中布置的摄像头采集得到的视频数据，所述位姿信息包括用户的实际位置以及人脸朝向；

所述位姿确定模块，具体用于针对每个视频数据，对该视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置；对该视频数据中每个人对应的人物图像进行人脸检测，得到该视频数据中每个人对应的人脸图像；根据各视频数据中每个人对应的图像位置，确定每个用户的实际位置，根据各视频数据中每个人对应的人脸图像，确定出每个用户的人脸朝向。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述导览机器人的自主巡游控制方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述导览机器人的自主巡游控制方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

从上述导览机器人的自主巡游控制方法中可以看出，该方法可以获取实时的视觉数据，并根据该视觉数据，确定各用户的位姿信息，而后，根据该位姿信息以及机器人当前的任务状态信息，判断机器人是否处于闲暇状态。若该机器人处于闲暇状态，则可以判断机器人的电量是否能够满足执行巡游任务，若是，根据位姿信息，确定各展点对应的感兴趣程度，并确定机器人到达各展点的最短路径。最后，根据各展点对应的感兴趣程度以及机器人到达各展点的最短路径，通过预设的推理决策模型，得到输出结果，并根据该输出结果，对该机器人进行控制，以执行自主巡游任务。

从上述内容中可以看出，本方法中展厅中的机器人，可以通过部署的各摄像头以及机器人自身安装的摄像头获取各用户的位姿信息，包括了用户的位置以及人脸朝向，从而能够判断出机器人当前是否空闲可以执行自主巡游任务，并且，可以通过用户的位置以及人脸朝向确定出用户对各展点的感兴趣程度，以及确定出机器人到达各展点的最短路径，能够通过两者确定出为机器人推荐的展点路线，进而控制机器人进行自主巡游，从而本方法中的机器人可以主动向用户提供服务，提高了用户的业务执行效率。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书提供的一种导览机器人的自主巡游控制方法的流程示意图；

图2为本说明书中提供的一种展厅中各展点的示意图；

图3为本说明书中提供的一种像素坐标系与世界坐标系之间转换关系的示意图；

图4为本说明书提供的一种导览机器人的自主巡游控制装置示意图；

图5为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种导览机器人的自主巡游控制方法的流程示意图，具体包括以下步骤：

S100：获取实时的视觉数据。

S102：根据所述视觉数据，确定各用户的位姿信息。

在本说明书中，机器人可以布置在展览馆、博物馆、旅游景点等需要机器人的导览服务的场所。

为了能够机器人主动为用户提供服务，服务器可以获取实时的视觉数据，并根据实时的视觉数据，确定出各用户的位姿信息。

这里提到的位姿信息可以包括用户的实际位置以及人脸朝向，具体的，视觉数据可以包括机器人采集得到的视频数据以及通过场所中的各展点中布置的摄像头采集得到的视频数据，这里提到的各展点可以是指机器人所处的展厅中被区分为的若干位置，如图2所示。

图2为本说明书中提供的一种展厅中各展点的示意图。

而后，可以针对每个视频数据，对该视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置。

具体的，可以通过Faster-RCNN算法对视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置。

其中，在训练Faster-RCNN模型时，可以通过以下损失函数进行训练：模型的损失函数由RPN损失和FastR-CNN损失共同组成。因此，总的损失函数如下：

其中为anchor中包含有目标物（人物）的概率，/>是一个向量，表示在RPN训练阶段，anchor相对于目标物所在的真实框预测的偏移量。/>是与/>维度相同的向量，表示在RPN训练阶段，anchor相对于实际标注（真实框）的偏移量。/>是为平衡分类损失和回归损失而引入的权重参数。

可以根据各视频数据中每个人对应的图像位置，确定每个用户的实际位置，其中，可以将人的图像位置对应的图像坐标转化到世界坐标系上，获得每个人的实际坐标（从而也可以得到每个人距离机器人或者与展点的实际距离）。像素坐标系和世界坐标系之间的关系如图3所示。

图3为本说明书中提供的一种像素坐标系与世界坐标系之间转换关系的示意图。

图3中Optical axis指的是光轴，principal point为像素坐标系的中心坐标，（u，v）为像素坐标系中的某个坐标，可以是指人的图像坐标，通过公式可以转换到世界坐标系中，P=（X、Y、Z）为人在世界坐标系中的坐标。

具体的计算公式如下：

其中，f为焦距，R（φ，θ，ψ）为旋转矩阵、t为平移矩阵，（u，v）为像素坐标系中的图像坐标，为：

通过上式的变换可以计算出人物在展厅中的世界坐标系的坐标值()。人物和展点之间的距离通过计算展点世界坐标系的数值计算人物和各个展点之间的距离。

而后，可以对该视频数据中每个人对应的人物图像进行人脸检测，得到该视频数据中每个人对应的人脸图像。根据各视频数据中每个人对应的人脸图像，确定出每个用户的人脸朝向。

其中，针对每个人的人物图像，可以基于深度学习的人脸检测算法先计算出人脸区域，再将图像检测到的人脸区域对应的人脸图像作为输入，通过ResNet网络进行人脸关键点检测，模型的训练使用Smooth L1 Loss作为损失函数来评估网络的性能，不断调优，得到人脸关键点识别模型。通过人脸关键点识别模型计算获得特征点坐标（如眼睛、鼻子、嘴巴等）。

通过特征点坐标可以确定人脸朝向。具体的，可以将人脸关键点识别模型的识别结果（特征点坐标）输入到用于人脸朝向预测的分类模型中，获得人脸相对于当前视频录入摄像头的欧拉角（，/>）。

S104：根据所述位姿信息以及机器人当前的任务状态信息，判断所述机器人是否处于闲暇状态。

确定出各用户的位姿信息后，可以根据各用户的位姿信息和机器人当前的任务状态信息，判断该机器人是否处于闲暇状态。

具体的，可以根据用户的位姿，确定出每个用户与机器人之间的距离，以及用户人脸相对于机器人夹角，从而根据每个用户与机器人之间的距离，以及用户人脸相对于机器人夹角，确定出是否不存在用户与机器人具有交流的意向。

其中，可以通过各用户的用户位姿、确定出各用户与机器人的距离，从而能够确定出位于机器人一定距离内的用户，而后，可以确定出位于机器人一定距离内的用户的人脸相对于机器人的夹角，从而确定出是否存在位于机器人一定距离内的用户面向机器人，若存在，则可以确定存在用户与机器人具有交流的意向，若否，则可以确定不存在用户与机器人具有交流的意向。

并且还可以根据机器人当前的任务状态信息，确定出机器人当前是否没有正在执行的任务和待执行任务。若是不存在用户与机器人具有交流的意向，以及机器人当前没有正在执行的任务和待执行任务，则可以确定机器人处于闲暇状态。

S106：若所述机器人处于闲暇状态，判断所述机器人的电量是否能够满足执行巡游任务，若是，根据所述位姿信息，确定各展点对应的感兴趣程度，并确定每个用户到达各展点的最短路径。

在上述过程中可以判断机器人是否处于闲暇状态，若该机器人处于闲暇状态，判断该机器人的电量是否能够满足执行巡游任务。

其中，可以判断该机器人的电量是否处于预设阈值以上，若处于预设阈值以上，则可以判断能够满足执行巡游任务，若未处于预设阈值以上，则可以控制机器人返回充电桩进行充电，不继续执行自主巡游任务。

在确定机器人的电量能够满足执行巡游任务后，可以根据上述确定出的位姿信息，确定各展点对应的感兴趣程度，并确定机器人到达各展点的最短路径。

其中，针对每个用户，可以根据该用户的位姿信息，确定该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角，并根据该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角，确定出该用户对各展点的感兴趣程度。而后，根据各用户对各展点的感兴趣程度，确定各展点对应的感兴趣程度。

对于一个展点来说，该展点对应的感兴趣程度可以将各用户对该展点的感兴趣程度类加得到，而对于一个用户来说，在通过该用户与展点之间的距离以及该用户的人脸相对于展点之间的夹角，来确定出该用户对该展点的感兴趣程度时，该用户与展点之间的距离越近，该用户对该展点的感兴趣程度可以越高，该用户的人脸相对于展点之间的夹角越小，该用户对该展点的感兴趣程度可以越高。

其中，可以确定出机器人当前位置，从预设的知识库中获取到展厅地图及获取到展厅中各展点的位置，从而，可以通过A*算法，根据机器人当前位置、展厅地图以及各展点的位置，计算出机器人到各个展点的最短路径。

其中，可以根据机器人的当前位置坐标、从知识库获取目的展点的站位坐标、从知识库获取展厅地图数据，可以定义A*算法对应的启发函数：h(n)=abs(x-x_goal)+abs(y-y_goal)，将当前位置坐标、展点的站位坐标以及展厅地图数据输入A*算法（一种最短路径算法，可称为A星算法），计算出机器人到各个展点的最短路线，获得机器人从当前位置到各个展点的距离。

并且通过计算出的最短路径，可以确定出机器人从当前位置到各个展点的距离，以及根据机器人的转向角速度、前进速度以及机器人从当前位置到各个展点的距离，可以计算出机器人到各个展点的时间数据。

而后，可以根据各展点对应的感兴趣程度、机器人到各展点到达的最短路径，通过预设的推理决策模型，得到输出结果，并根据该输出结果，对机器人进行控制，以执行自主巡游任务。

需要说明的是，可以搭建prompt工程，并设计输入输出规范，以通过基于GPT的推理决策模型进行推荐展点的决策，而后，将各展点对应的感兴趣程度和机器人到各个展点的距离、时间数据，作为prompt工程的输入，基于生成式预训练模型（Generative Pre-TrainedTransformer，GPT）的推理决策模型的输出结果为无推荐展点或至少一个推荐展点。

需要说明的是，上述提到的prompt工程可以是指对GPT中prompt的设计，在使用GPT进行文本生成时，通常需要指定一个“prompt”作为输入。这个“prompt”可以是一个问题、一个描述或者一些关键字，prompt用于引导模型生成特定类型的回答或文本。

可以在prompt工程中设置当前角色为导览机器人；输入的已知条件为一个json数组，数组里面可以包括展点名称、每个展点对应的感兴趣程度、机器人到各个展点的时间数据和距离；可以根据展厅场景设置具体的限制条件；可以设置输出结果为json格式，输出内容按照推荐顺序对展点进行排序。GPT最终输出的json数据可能为空或者一个推荐展点列表。

上述提到的限制条件可以根据人为需求进行定义，其中，限制条件可以使得推理预测模型按照一定的限制得到输出结果，例如，若限制条件为“使机器人行驶路径最短并且优先达到感兴趣程度高的展点”，则推理预测模型可以按照这一限制条件输出结果。

在搭建完成prompt工程，并设计好输入输出规范后，可以将各展点对应的感兴趣程度和通过确定出的最短路径计算出的机器人到各个展点的距离、时间数据，输入到该基于GPT的推理决策模型中，以通过该基于GPT的推理决策模型对该机器人即将执行的巡游任务进行决策。

也就是说，可以将设计好的prompt输入到基于GPT的推理决策模型中，以得到推理决策模型的输出结果。

其中，若推理决策模型的输出结果为无推荐展点，则可以从知识库中获取默认巡游路线，并根据默认巡游路线对机器人进行控制，即，可以控制机器人按照默认巡游路线执行自主巡游任务，机器人可以从默认巡游线路中选取距离自己最近的展点站位作为起点。

若推理决策模型的输出结果为至少一个推荐展点，则可以按照推理决策模型给出的推荐展点的顺序，控制机器人按照该顺序执行自主巡游任务，并且可以根据得到的推荐展点，从知识库中查询出推荐展点的机器人讲解点坐标以及讲解内容，进而根据机器人讲解点坐标和讲解内容生成指令，将指令发送到机器人端，以使机器人根据指令运行到指定讲解点，执行展点讲解任务。

需要说明的是，为了便于描述，将执行本方法的执行主体作为服务器进行描述，执行主体可以是台式电脑、服务器、大型的服务平台等，在此不进行限定。

从上述方法中可以看出，本方法中展厅中的机器人，可以通过部署的各摄像头以及机器人自身安装的摄像头获取各用户的位姿信息，包括了用户的位置以及人脸朝向，从而能够判断出机器人当前是否空闲，可以执行自主巡游任务，并且，可以通过用户的位置以及人脸朝向确定出用户对各展点的感兴趣程度，以及确定出机器人到达各展点的最短路径，从而能够通过两者确定出为机器人推荐的展点路线，从而控制机器人进行自主巡游。

以上为本说明书的一个或多个实施例提供导览机器人的自主巡游控制方法，基于同样的思路，本说明书还提供了导览机器人的自主巡游控制装置，如图4所示。

图4为本说明书提供的一种导览机器人的自主巡游控制装置示意图，包括；

获取模块401，用于获取实时的视觉数据；

位姿确定模块402，用于根据所述视觉数据，确定各用户的位姿信息；

状态确定模块403，用于根据所述位姿信息以及机器人当前的任务状态信息，判断所述机器人是否处于闲暇状态；

兴趣程度确定模块404，用于若所述机器人处于闲暇状态，判断所述机器人的电量是否能够满足执行巡游任务，若是，根据所述位姿信息，确定各展点对应的感兴趣程度，并确定所述机器人到达各展点的最短路径；

控制模块405，用于根据所述各展点对应的感兴趣程度以及所述机器人到各展点到达的最短路径，通过预设的推理决策模型，得到输出结果，并根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务。

可选地，所述视觉数据包括通过机器人采集得到的视频数据以及通过各展点中布置的摄像头采集得到的视频数据，所述位姿信息包括用户的实际位置以及人脸朝向；

所述位姿确定模块402具体用于，针对每个视频数据，对该视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置；对该视频数据中每个人对应的人物图像进行人脸检测，得到该视频数据中每个人对应的人脸图像；根据各视频数据中每个人对应的图像位置，确定每个用户的实际位置，根据各视频数据中每个人对应的人脸图像，确定出每个用户的人脸朝向。

可选地，所述兴趣程度确定模块404具体用于，针对每个用户，根据该用户的位姿信息，确定该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角；根据该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角，确定出该用户对各展点的感兴趣程度；根据各用户对各展点的感兴趣程度，确定各展点对应的感兴趣程度。

可选地，所述兴趣程度确定模块404具体用于，根据机器人当前位置、知识库中获取的展厅地图、展厅中各个展点的位置信息，通过A*算法，计算出机器人到各个展点的最短路径；根据机器人到各个展点的最短路径，确定机器人从当前位置到各个展点的距离，根据机器人的转向角速度、前进速度以及机器人从当前位置到各个展点的距离，计算出机器人到各个站点的时间数据。

可选地，所述控制模块405具体用于，搭建prompt工程，设计输入输出规范，以通过基于GPT的推理决策模型进行推荐展点的决策；将各展点对应的感兴趣程度和机器人到各个展点的距离、时间数据，作为prompt工程的输入，所述基于GPT的推理决策模型的输出结果为无推荐展点或至少一个推荐展点。

可选地，所述控制模块405具体用于，若推理决策模型的输出结果为无推荐展点，则从知识库中获取默认巡游路线，并根据默认巡游路线，对机器人进行控制；若推理决策模型的输出结果为至少一个推荐展点，根据得到的推荐展点，从知识库中查询出所述推荐展点的机器人讲解点坐标以及讲解内容；根据所述机器人讲解点坐标和讲解内容生成指令，将所述指令发送到机器人端，以使所述机器人根据所述指令运行到指定讲解点，执行展点讲解任务。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述导览机器人的自主巡游控制方法。

本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现导览机器人的自主巡游控制方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (9)

1.一种导览机器人的自主巡游控制方法，其特征在于，包括：

获取实时的视觉数据；

根据所述视觉数据，确定各用户的位姿信息；

根据所述位姿信息以及机器人当前的任务状态信息，判断所述机器人是否处于闲暇状态；

若所述机器人处于闲暇状态，判断所述机器人的电量是否能够满足执行巡游任务，若是，针对每个用户，根据该用户的位姿信息，确定该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角；根据该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角，确定出该用户对各展点的感兴趣程度；根据各用户对各展点的感兴趣程度，确定各展点对应的感兴趣程度，并确定所述机器人到达各展点的最短路径，其中，针对一个展点，该展点对应的感兴趣程度根据各用户对该展点的感兴趣程度类加得到；

根据所述各展点对应的感兴趣程度以及所述机器人到达各展点的最短路径，通过预设的推理决策模型，得到输出结果，并根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务。

2.如权利要求1所述的方法，其特征在于，所述视觉数据包括通过机器人采集得到的视频数据以及通过各展点中布置的摄像头采集得到的视频数据，所述位姿信息包括用户的实际位置以及人脸朝向；

根据所述视觉数据，确定各用户的位姿信息，具体包括：

针对每个视频数据，对该视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置；

对该视频数据中每个人对应的人物图像进行人脸检测，得到该视频数据中每个人对应的人脸图像；

根据各视频数据中每个人对应的图像位置，确定每个用户的实际位置，根据各视频数据中每个人对应的人脸图像，确定出每个用户的人脸朝向。

3.如权利要求1所述的方法，其特征在于，确定机器人到达各展点的最短路径，具体包括：

根据机器人当前位置、知识库中获取的展厅地图、展厅中各个展点的位置信息，通过A*算法，计算出机器人到各个展点的最短路径；

根据机器人到各个展点的最短路径，确定机器人从当前位置到各个展点的距离，根据机器人的转向角速度、前进速度以及机器人从当前位置到各个展点的距离，计算出机器人到各个站点的时间数据。

4.如权利要求3所述的方法，其特征在于，根据所述各展点对应的感兴趣程度以及所述机器人到各展点到达的最短路径，通过预设的推理决策模型，得到输出结果，具体包括：

搭建prompt工程，设计输入输出规范，以通过基于GPT的推理决策模型进行推荐展点的决策；

将各展点对应的感兴趣程度和机器人到各个展点的距离、时间数据，作为prompt工程的输入，所述基于GPT的推理决策模型的输出结果为无推荐展点或至少一个推荐展点。

5.如权利要求4所述的方法，其特征在于，根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务，具体包括：

若推理决策模型的输出结果为无推荐展点，则从知识库中获取默认巡游路线，并根据默认巡游路线，对机器人进行控制；

若推理决策模型的输出结果为至少一个推荐展点，根据得到的推荐展点，从知识库中查询出所述推荐展点的机器人讲解点坐标以及讲解内容；

根据所述机器人讲解点坐标和讲解内容生成指令，将所述指令发送到机器人端，以使所述机器人根据所述指令运行到指定讲解点，执行展点讲解任务。

6.一种导览机器人的自主巡游控制装置，其特征在于，包括：

获取模块，用于获取实时的视觉数据；

位姿确定模块，用于根据所述视觉数据，确定各用户的位姿信息；

状态确定模块，用于根据所述位姿信息以及机器人当前的任务状态信息，判断所述机器人是否处于闲暇状态；

兴趣程度确定模块，用于若所述机器人处于闲暇状态，判断所述机器人的电量是否能够满足执行巡游任务，若是，根据所述位姿信息，确定各展点对应的感兴趣程度，针对每个用户，根据该用户的位姿信息，确定该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角；根据该用户与各展点之间的距离以及该用户的人脸相对于各展点之间的夹角，确定出该用户对各展点的感兴趣程度；根据各用户对各展点的感兴趣程度，确定各展点对应的感兴趣程度，并确定所述机器人到达各展点的最短路径，其中，针对一个展点，该展点对应的感兴趣程度根据各用户对该展点的感兴趣程度类加得到；

控制模块，用于根据所述各展点对应的感兴趣程度以及所述机器人到各展点到达的最短路径，通过预设的推理决策模型，得到输出结果，并根据所述输出结果，对所述机器人进行控制，以执行自主巡游任务。

7.如权利要求6所述的装置，其特征在于，所述视觉数据包括通过机器人采集得到的视频数据以及通过各展点中布置的摄像头采集得到的视频数据，所述位姿信息包括用户的实际位置以及人脸朝向；

所述位姿确定模块，具体用于针对每个视频数据，对该视频数据进行检测，得到该视频数据中每个人对应的人物图像和图像位置；对该视频数据中每个人对应的人物图像进行人脸检测，得到该视频数据中每个人对应的人脸图像；根据各视频数据中每个人对应的图像位置，确定每个用户的实际位置，根据各视频数据中每个人对应的人脸图像，确定出每个用户的人脸朝向。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~5任一项所述的方法。