CN117111485A - 设备控制方法和装置 - Google Patents
设备控制方法和装置 Download PDFInfo
- Publication number
- CN117111485A CN117111485A CN202311186101.8A CN202311186101A CN117111485A CN 117111485 A CN117111485 A CN 117111485A CN 202311186101 A CN202311186101 A CN 202311186101A CN 117111485 A CN117111485 A CN 117111485A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- influence factor
- factor
- acquiring
- 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 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 73
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 18
- 238000005286 illumination Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 16
- 238000005265 energy consumption Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013433 optimization analysis Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Abstract
本公开实施例提供了一种设备控制方法和装置,涉及人工智能领域。一种第一设备的控制方法可包括:获取所述第一设备的设备状态信息和环境信息;获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;根据所述控制命令执行对所述第一设备的控制操作。可选地,由电子设备执行的上述方法可以使用人工智能模型来执行。
Description
技术领域
本公开涉及人工智能领域,具体而言,本公开涉及一种用于控制电子设备的控制方法、装置、电子设备以及计算机可读存储介质。
背景技术
随着智能设备技术的发展,各式各类的物联网设备被广泛应用,例如,智能家居。然而随着家中智能设备的增多,控制这些设备成为了用户的负担。
现有能够方便控制智能设备的方法主要有手动执行式批处理方式和条件触发式批处理方式。对于手动执行式批处理方式,用户可以将多个智能设备添加到自己的网络账号下,定义一个场景,例如“离家”场景,执行该场景会执行预定义的设备控制命令,例如关闭所有灯,打开窗帘等,对于条件触发式批处理方式,用户可以将多个智能设备添加到自己的网络账号下,定义一个触发器,例如检测到主人回家,该触发器条件满足后会执行预定义的设备控制命令,例如打开灯,打开电视。
不管是手动执行式还是条件触发式,都需要用户提前定义一系列设备控制命令,并且针对不同的应用场景,都需要定义一系列不同的设备控制命令。当用户添加新的智能设备时,想要把新设备融入之前定义好的“场景”中,需要重新编辑场景,增加新设备的控制命令,需要用户手动操作,增加用户的负担。现有设备控制方式对于用户来说依然操作繁琐并且操作难度较高,用户体验差。
发明内容
本公开的目的旨在至少能解决现有设备控制方式中的技术缺陷之一,以更好的满足用户需求。为了实现该目的,本公开提出的技术方案如下:
根据本公开实施例的第一方面,提供了一种第一设备的控制方法,所述第一设备与至少一个第二设备处于同一通信系统中,所述控制方法包括:获取所述第一设备的设备状态信息和环境信息;获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;向所述第一设备发送所述控制命令。
可选地,获取所述至少一个第二设备对所述第一设备的影响因子,包括:获取所述至少一个第二设备中的每个第二设备的设备状态信息;确定针对所述每个第二设备的影响因子计算函数;基于所述每个第二设备的设备状态信息,分别利用对应的影响因子计算函数,计算所述每个第二设备对所述第一设备的影响因子;基于所述每个第二设备对所述第一设备的影响因子确定所述至少一个第二设备对所述第一设备的影响因子。
可选地,基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令,包括:基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,利用人工智能模型来获得针对所述第一设备的控制命令。
可选地,当所述通信系统中添加新的设备时,获取所述至少一个第二设备对所述第一设备的影响因子,还包括:获取所述新的设备对所述第一设备的影响因子。
可选地,获取所述第一设备的设备状态信息和环境信息,包括:按照预设时间间隔接收和存储所述第一设备和所述至少一个第二设备中的每个设备的最新的设备状态信息以及最新的环境信息;响应于目标事件的触发,基于所述第一设备的设备标识从存储的设备状态信息和环境信息中获取所述第一设备的设备状态信息和环境信息。
可选地,所述环境信息包括所述第一设备所在区域的环境信息和所述通信系统所在地区的环境信息;和/或所述环境信息包括温度、湿度、光照强度、空气质量、日出时间和日落时间、环境位置中的至少一个;和/或所述环境信息所包含的内容基于设备类型被不同地设置。
可选地,所述设备状态信息包括设备模式、设备温度、设备能耗、设备音量、设备亮度、设备风力、设备使用强度中的至少一个;和/或所述设备状态信息所包含的内容基于设备类型被不同地设置。
可选地,所述影响因子为一个具有预设维度的向量,所述向量中的每个元素值分别表示所述第二设备在相应的预设因素上对所述第一设备的影响权重,所述预设因素包括环境因素和设备状态因素中的至少一个。
根据本公开实施例的第二方面,提供了一种第一设备的控制装置,所述第一设备与至少一个第二设备处于同一通信系统中,所述控制装置包括:数据获取单元,被配置为:获取所述第一设备的设备状态信息和环境信息;命令生成单元,被配置为:获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;命令执行单元,被配置为:向所述第一设备发送所述控制命令。
可选地,命令生成单元被配置为:获取所述至少一个第二设备中的每个第二设备的设备状态信息;确定针对所述每个第二设备的影响因子计算函数;基于所述每个第二设备的设备状态信息,分别利用对应的影响因子计算函数,计算所述每个第二设备对所述第一设备的影响因子;基于所述每个第二设备对所述第一设备的影响因子确定所述至少一个第二设备对所述第一设备的影响因子。
可选地,命令生成单元被配置为:基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,利用人工智能模型来获得针对所述第一设备的控制命令。
可选地,当所述通信系统中添加新的设备时,命令生成单元被配置为:获取所述新的设备对所述第一设备的影响因子。
可选地,数据获取单元被配置为:按照预设时间间隔接收和存储所述第一设备和所述至少一个第二设备中的每个设备的最新的设备状态信息以及最新的环境信息;响应于目标事件的触发,基于所述第一设备的设备标识从存储的设备状态信息和环境信息中获取所述第一设备的设备状态信息和环境信息。
可选地,所述环境信息包括所述第一设备所在区域的环境信息和所述通信系统所在地区的环境信息;和/或所述环境信息包括温度、湿度、光照强度、空气质量、日出时间和日落时间、环境位置中的至少一个;和/或所述环境信息所包含的内容基于设备类型被不同地设置。
可选地,所述设备状态信息包括设备模式、设备温度、设备能耗、设备音量、设备亮度、设备风力、设备使用强度中的至少一个;和/或所述设备状态信息所包含的内容基于设备类型被不同地设置。
可选地,所述影响因子为一个具有预设维度的向量,所述向量中的每个元素值分别表示所述第二设备在相应的预设因素上对所述第一设备的影响权重,所述预设因素包括环境因素和设备状态因素中的至少一个。
根据本公开实施例的第三方面,提供了一种控制系统,包括:控制器;以及多个设备,与所述控制器通信连接,并且所述多个设备包括第一设备和至少一个第二设备;其中,所述控制器被配置为:获取所述第一设备的设备状态信息和环境信息;获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;向所述第一设备发送所述控制命令。
根据本公开实施例的第四方面,提供了一种电子设备,包括:至少一个处理器;以及至少一个存储计算机可执行指令的存储器,其中,所述计算机可执行指令在被所述至少一个处理器运行时,促使所述至少一个处理器执行根据本公开的方法。
根据本公开实施例的第五方面,提供了一种存储指令的计算机可读存储介质,当所述指令被至少一个处理器运行时,促使所述至少一个处理器执行根据本公开的方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过考虑第二设备对第一设备的影响因子,能够更加准确地调控第一设备,使得第一设备达到最优使用状态。
附图说明
为了更清楚、容易地说明和理解本公开实施例中的技术方案,下面将对本公开实施例描述中所需要使用的附图作简单地介绍。
图1是根据本公开实施例的第一设备的控制方法的流程图。
图2是根据本公开实施例的计算影响因子的流程图。
图3是根据本公开实施例的生成控制命令的流程图。
图4是根据本公开实施例的设备控制方法的流程图。
图5是根据本公开实施例的第一场景下的设备控制方法的流程图。
图6是根据本公开实施例的第二场景下的设备控制方法的流程图。
图7是根据本公开实施例的第三场景下的设备控制方法的流程图。
图8是根据本公开实施例的第一设备的控制装置的框图。
图9示出了本公开实施例所适用的一种电子设备的结构示意图。
具体实施方式
提供下列参考附图的描述以有助于对通过权利要求及其等效物定义的本公开的各种实施例的全面理解。本描述包括各种具体细节以有助于理解但是仅应当被认为是示例性的。因此,本领域普通技术人员将认识到,能够对这里描述的各种实施例进行各种改变和修改而不脱离本公开的范围与精神。此外,为了清楚和简明起见,可以略去对公知功能与结构的描述。
在下面说明书和权利要求书中使用的术语和措词不局限于它们的词典意义,而是仅仅由发明人用于使得能够对于本公开清楚和一致的理解。因此,对本领域技术人员来说应当明显的是,提供以下对本公开的各种实施例的描述仅用于图示的目的而非限制如所附权利要求及其等效物所定义的本公开的目的。
应当理解,单数形式的“一”、“一个”和“该”也可包括复数指代,除非上下文清楚地指示不是如此。因此,例如,对“部件表面”的指代包括指代一个或多个这样的表面。当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。
术语“包括”或“可以包括”指的是可以在本公开的各种实施例中使用的相应公开的功能、操作或组件的存在,而不是限制一个或多个附加功能、操作或特征的存在。此外,术语“包括”或“具有”可以被解释为表示某些特性、数字、步骤、操作、构成元件、组件或其组合,但是不应被解释为排除一个或多个其它特性、数字、步骤、操作、构成元件、组件或其组合的存在可能性。
在本公开的各种实施例中使用的术语“或”包括任意所列术语及其所有组合。例如,“A或B”可以包括A、可以包括B、或者可以包括A和B二者。在描述多个(两个或两个以上)项目时,如果没有明确限定多个项目之间的关系,这多个项目之间可以是指多个项目中的一个、多个或者全部,例如,对于“参数A包括A1、A2、A3”的描述,可以实现为参数A包括A1或A2或A3,还可以实现为参数A包括参数A1、A2、A3这三项中的至少两项。
除非不同地定义,本公开使用的所有术语(包括技术术语或科学术语)具有本公开所述的本领域技术人员理解的相同含义。如在词典中定义的通常术语被解释为具有与在相关技术领域中的上下文一致的含义,而且不应理想化地或过分形式化地对其进行解释,除非本公开中明确地如此定义。
本公开实施例中所提供的装置或电子设备中的至少部分功能,可以通过AI模型来实现,如可以通过AI模型实现装置或电子设备的多个模块中的至少一个模块。可以通过非易失性存储器、易失性存储器和处理器来执行与AI相关联的功能。
该处理器可以包括一个或多个处理器。此时,该一个或多个处理器可以是通用处理器,例如中央处理单元(CPU)、应用处理器(AP)等、或者是纯图形处理单元,例如,图形处理单元(GPU)、视觉处理单元(VPU)、和/或AI专用处理器,例如神经处理单元(NPU)。
该一个或多个处理器根据存储在非易失性存储器和易失性存储器中的预定义的操作规则或人工智能(AI)模型来控制对输入数据的处理。通过训练或学习来提供预定义的操作规则或人工智能模型。
这里,通过学习来提供指的是通过将学习算法应用于多个学习数据来得到预定义的操作规则或具有期望特性的AI模型。该学习可以在其中执行根据实施例的AI的装置或电子设备本身中执行,和/或可以通过单独的服务器/系统来实现。
AI模型可以包含多个神经网络层。每一层具有多个权重值,每一层通过该层的输入数据(如前一层的计算结果和/或AI模型的输入数据)和当前层的多个权重值之间的计算来执行神经网络计算。神经网络的示例包括但不限于卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、双向循环深度神经网络(BRDNN)、生成对抗网络(GAN)、以及深度Q网络。
学习算法是一种使用多个学习数据训练预定目标装置(例如,机器人)以使得、允许或控制目标装置进行确定或预测的方法。该学习算法的示例包括但不限于监督学习、无监督学习、半监督学习、或强化学习。
本公开提供的方法可以涉及语音、语言、图像、视频或数据智能等技术领域中的一个或多个领域。
可选地,在涉及语音或语言领域时,在根据本公开的由电子设备执行的方法中,可以经由语音输入装置(例如,麦克风)接收作为模拟信号的语音信号,并使用自动语音识别(ASR)模型将语音部分转换成计算机可读文本。用户的话语意图可以通过使用自然语言理解(NLU)模型解释转换后的文本来获得。ASR模型或NLU模型可以是人工智能模型。人工智能模型可以由在为人工智能模型处理指定的硬件结构中设计的人工智能专用处理器来处理。语言理解是一种用于识别和应用/处理人类语言/文本的技术,包括例如自然语言处理、机器翻译、对话系统、问答或语音识别/合成。
可选地,在涉及图像或视频领域时,在根据本公开的由电子设备执行的方法中,可以通过使用图像数据作为人工智能模型的输入数据来获得输出数据。本公开的方法可涉及人工智能技术的视觉理解领域,视觉理解是一种用于像人类视觉一样识别和处理事物的技术,并且包括例如对象识别、对象跟踪、图像检索、人类识别、场景识别、3D重建/定位或图像增强。
可选地,在涉及数据智能处理领域时,在根据本公开的由电子设备执行的方法中,在推理或预测阶段,可以使用人工智能模型通过使用实时的输入数据来执行预测。电子设备的处理器可以对数据执行预处理操作,以转换成适合用作人工智能模型输入的形式。推理预测是通过确定信息进行逻辑推理和预测的技术,包括例如基于知识的推理、优化预测、基于偏好的规划或推荐。
在本申请中,人工智能模型可以通过训练获得。这里,“通过训练获得”意味着通过训练算法用多条训练数据训练基本人工智能模型来获得被配置成执行期望特征(或目的)的预定义操作规则或人工智能模型。人工智能模型可以包括多个神经网络层。多个神经网络层中的每一层包括多个权重值,并且通过在前一层的计算结果和多个权重值之间的计算来执行神经网络计算。
下面通过对几个可选的实施例的描述,对本公开实施例的技术方案以及本公开的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
图1是根据本公开实施例的第一设备的控制方法的流程图。图1所示的控制方法可由任意具有数据处理的电子设备执行,例如,可以是智能手机、平板电脑、便携式计算机和台式计算机、服务器等中的至少一种。执行本公开的控制方法的电子设备可被称为智能中控设备、控制器、控制设备等。第一设备可与智能中控设备和至少一个第二设备处于同一通信系统中。第一设备可以被理解为待优化的设备。例如,在由智能中控设备和多个普通家用设备组成的一个智能控制系统中,第一设备可以是所述多个普通家用设备中的任意一个,第二设备可以是所述多个普通家用设备中除第一设备之外的其他设备。在智能控制系统中,每个普通家用设备可与智能中控设备通信连接,可向智能中控设备发送数据并且从智能中控设备接收数据,并且每个普通家用设备之间也可通信连接。普通家用设备的来源可包括但不限于注册到同一网络账号下的物联网服务器上的设备,同局域网内的设备,智能中控设备附近通过蓝牙或红外管理的设备。上述示例仅是示例性,本公开不限于此。
参照图1,在步骤S101,获取第一设备的设备状态信息和环境信息。
设备状态信息可包括设备模式、设备温度、设备能耗、设备音量、设备亮度、设备风力、设备使用强度中的至少一个。设备状态信息所包含的内容可基于设备类型被不同地设置。例如,在第一设备是电视的情况下,设备状态信息可包括音量、亮度、图像模式、声音模式等。在第一设备是空调的情况下,设备状态信息可包括温度、模式和风力等。设备状态信息可以是向量形式,向量中的每个元素可表示一个设备状态。
环境信息可包括第一设备所在区域的环境信息和通信系统所在地区的环境信息。例如,在第一设备位于室内的情况下,环境信息可包括室内环境信息以及室外环境信息。
环境信息可包括温度、湿度、光照强度、空气质量、日出时间和日落时间、环境位置中的至少一个。环境信息所包含的内容可基于设备类型被不同地设置。一般地,可将环境信息划分为以下类别:基于位置的实时温度信息;基于位置的实时湿度/PM2.5信息;基于位置的实时光照信息;基于位置的空气质量等。环境信息可以是向量形式,向量中的每个元素可表示一个环境因素。
根据本公开的实施例,上述控制方法可基于预设触发事件或目标事件执行。例如,可按照预设时间间隔周期地执行上述控制方法,可在定时器到期时执行上述控制方法,可在满足预设条件、预设场景或者目标事件被触发时执行上述控制方法。
作为示例,可按照预设时间间隔接收和存储第一设备和至少一个第二设备中的每个设备的最新的设备状态信息以及最新的环境信息;响应于目标事件的触发,基于第一设备的设备标识从存储的设备状态信息和环境信息中获取第一设备的设备状态信息和环境信息。
例如,智能中控设备可从各普通家用设备接收设备状态信息,并将每个设备的设备状态信息记录在设备状态表中,对各普通家用设备的设备状态进行存储和维护。例如,每隔一段时间,智能中控设备可从各普通家用设备接收各设备的当前状态信息,并且将设备状态表中先前的状态信息更新为当前状态信息。设备状态表的形式可如下表1所示。
字段 | 描述 |
id | 唯一标识符 |
dtype | 设备类型 |
status | 设备状态 |
表1
每个设备可具有唯一的设备标识id,设备状态信息可以以json类型字符串的形式表示。上述设备状态表仅是示例性的,本公开不限于此。
环境信息可通过通信系统内的传感器(诸如智能中控设备的传感器)对当前区域的物理环境进行感知从而获取当前区域的环境信息,和/或从网络上收集当前地区的实时温度/湿度/天气等数据来获取当前地区的环境信息并将当前区域的环境信息和从网络上收集的当前地区的环境信息记录在环境信息表中。如果有普通家用设备(诸如第一或第二设备)有感知以上环境数据的能力,可以综合起来构建更为准确的基准数据。也就是说,环境信息可包括由智能中控设备的传感器测量的当前区域的环境信息、由普通家用设备的传感器测量的当前区域的环境信息以及从网络收集的当前地区的环境信息中的至少一个。
智能中控设备可从各普通家用设备或者网络接收环境信息,并针对每个设备将对应的环境信息记录在环境信息表中,并且对环境信息表的数据进行存储和维护。例如,每隔一段时间,智能中控设备可收集针对每个设备的环境信息,并且将环境信息表中先前的环境信息更新为当前环境信息。环境信息表的形式可如下表2所示。
字段 | 描述 |
id | 唯一标识符 |
type | 类型,例如“温度” |
location | 相应环境信息的位置 |
value | 值,例如“26度” |
表2
每个设备可具有唯一的设备标识id,可记录每种环境类型的值。对于环境信息的位置,可包括设备所处的当前区域的位置以及当前地区的位置。上述环境信息表仅是示例性的,本公开不限于此。
当目标事件被触发时,智能中控设备可从设备状态表和环境信息表中根据待优化的设备id获取对应的设备状态信息和环境信息。
可选地,可在触发对第一设备的优化处理时,从第一设备、第二设备、网络来实时收集上述设备状态信息和环境信息,而无需设备状态表和环境信息表。
在步骤S102,获取至少一个第二设备对第一设备的影响因子。影响因子可以是一个具有预设维度的向量,向量中的每个元素值分别表示第二设备在相应的预设因素上对第一设备的影响权重,预设因素包括环境因素和设备状态因素中的至少一个。例如,预设因素可包括环境温度、环境湿度、能耗大小等,预设因素可与上述设备状态信息和环境信息的内容对应。
作为示例,可获取至少一个第二设备中的每个第二设备的设备状态信息;确定针对每个第二设备的影响因子计算函数;基于每个第二设备的设备状态信息,分别利用对应的影响因子计算函数,计算每个第二设备对第一设备的影响因子;基于每个第二设备对第一设备的影响因子确定至少一个第二设备对所述第一设备的影响因子。
例如,对于要进行分析和优化的普通家用设备(第一设备),将除第一设备外的所有其他普通家用设备(第二设备)分别通过第二设备的设备状态得到第二设备对第一设备的影响因子。影响因子可以是一个向量,向量中的每个值表示该设备在某个“属性”上的影响。具体来说“属性”可以是环境温度,环境湿度,能耗大小等。对于每种设备类型,可定义一个影响因子计算函数,函数的输入是设备状态,输出是影响因子向量,如下所示:
factor=Cdtypei(设备状态)
通过除第一设备外所有其他普通家用设备的影响因子计算出其他普通家用设备对第一设备的影响因子。例如,假设客厅里有A类型灯设备1个,B类型灯设备1个,电视1台。A类型灯的影响因子计算公式为:factor=
设备状态*(0.5*亮度,0,0,0,能耗),B类型灯的影响因子计算公式为:factor=设备状态*(0.8*亮度,0,0,0,能耗)。A类型灯的亮度为60且能耗为50,B类型灯的亮度为80且能耗为100。经计算,A类型灯的影响因子为factor=(30,0,0,0,50),灯B的影响因子为factor=(64,0,0,0,100)。通过将A类型灯的影响因子与B类型灯的影响因子相加,计算对电视的影响因子,计算结果为factor=(94,0,0,0,150)。上述示例仅是示例性的,本公开不限于此。
可针对每种设备类型或者每个设备分别设置对应的影响因子计算函数。每种设备类型或者每个设备所对应的影响因子向量可被设置为具有相同的维度,如果某种设备类型或者某个设备不具有某个因素或属性,则影响因子向量中对应位置处的元素值可被设置为0。
图2是根据本公开实施例的计算影响因子的流程图。以由智能中控设备和多个普通家用设备组成的智能控制系统为例,可按照图2的方式计算每个普通家用设备对其他普通家用设备的影响因子。
参照图2,从设备表(包括智能控制系统的每个普通家用设备)中获取一个待计算的设备数据((诸如设备id和类型)),根据待计算的设备类型选择与之对应的预定义的影响因子函数(即影响因子计算函数),根据待计算设备的状态以及选择的影响因子函数来计算并输出影响因子。这里,待计算的设备可被理解为第二设备。
在步骤S103,基于获取的设备状态信息、环境信息和影响因子中的至少一个,获得针对第一设备的控制命令。可基于第一设备的设备状态信息、环境信息和对第一设备的影响因子中的至少一个,利用人工智能模型来获得针对第一设备的控制命令。人工智能模型可以部署在智能中控设备上,也可以部署在云端服务器上。
可将第一设备的设备状态、所感知的环境信息和其他设备对第一设备的影响因子作为输入参数组成特征向量,将该特征向量输入训练好的机器学习模型中,得到第一设备的控制命令。机器学习模型可以由任意神经网络实现,并且离线或在线训练。
在本公开中,考虑到每种类型的设备的“属性”不同,可针对每种类型的设备设置不同的人工智能模型,也就是说,对于A类型的设备,可使用与A类型对应的人工智能模型来预测控制指令,对于B类型的设备,可使用与B类型对应的人工智能模型来预测控制指令,这样,可更加准确地调控待优化的设备。
例如,针对每种普通家用设备,都有一个机器学习模型与之对应,模型的输入参数是该类型设备的状态、环境信息(例如环境温度、环境亮度、日出时间、日落时间、当前时间等)和影响因子(通过除该设备外其他所有普通家用设备的影响因子计算得到);模型的输出结果向量可以映射到一系列针对该设备的控制命令,执行该控制命令能够调整该设备的状态到最匹配当前环境(包含自然环境和家居中所有设备组成的环境)。
例如,机器学习模型拟合了一个函数,对于设备类型dtypei,其函数可以抽象表示为:
result=fdtypei(设备状态,环境信息,影响因子)
影响因子表示其他设备对于待优化设备的影响,影响因子的引入可以在优化单个设备的时候考虑其他设备的状态,使系统整体达到最优。
图3是根据本公开实施例的生成控制命令的流程图。以由智能中控设备和多个普通家用设备组成的智能控制系统为例进行描述。
参照图3,从设备表中获取一个待优化的设备的数据以及除该设备之外的其他设备数据(诸如设备id和类型)。
可根据待优化设备的类型选择一个合适的机器学习模型。
根据待优化设备的id从环境信息表中获取需要的环境信息,并且从待优化设备获取设备状态信息或者根据待优化设备的id从设备状态表中获取需要的设备状态信息。
此外,从其他设备获取所需的设备状态信息或者根据其他设备id从设备状态表中获取对应设备的设备状态信息,针对每个其他设备分别计算该其他设备对待优化设备的影响因子。
基于待优化设备的环境信息、设备状态信息和其他设备的影响因子来构造机器学习模型的输入参数,将构造的输入参数输入到所选择的机器学习模型中运行,输入向量结果,将输出的向量结果映射为针对待优化设备的一个设备执行命令。
以待优化设备是灯为例描述机器学习模型的运行。可将设备状态信息(灯亮度)、环境信息(当前时间、环境亮度、日升时间、日落时间)和影响因子输入到与灯对应的机器学习模型(灯模型),然后输出灯的目标亮度。
在步骤S104,向第一设备发送控制命令。
根据普通家用设备的来源,通过相应的途径将控制命令发送给被控制设备(第一设备)。命令发送的途径可包括但不限于ZigBee、红外、蓝牙、Wi-Fi等方式。
根据本公开的实施例,当通信系统中添加新的设备时,新设备与智能中控设备和/或其他设备通信连接,使得在调控待优化设备时能够考虑到新的设备对待优化设备的影响。这样,可部件可避免用户提前定义一系列设备控制命令,也无需用户再从新编辑场景来增加新设备的控制命令,从而减轻了用户负担。
根据本公开的实施例,上述智能中控设备可包括设备状态接收维护单元、环境感知单元、状态分析与优化单元和设备控制单元。普通家用设备可包括状态发送单元命令接收执行单元。上述单元名称仅是示例性的,对应单元的名称可根据单元的类型或功能而变化。根据本公开的各种实施例的单元/元件可被组合以形成单个实体,并且因此可等效地执行相应模块/元件在组合之前的功能。例如,备状态接收维护单元和环境感知单元可被称为数据获取单元,状态分析与优化单元也可被称为命令生成单元,设备控制单元也可被称为命令执行单元。
设备状态接收维护单元从各普通家用设备接收设备状态,并将设备状态记录在设备状态表中,对各普通家用设备的设备状态进行存储和维护。
环境感知单元主要通过系统内的传感器对当前区域的物理环境进行感知从而获取当前区域的环境信息,以及从网络上收集当前地区的实时温度/湿度/天气等数据获取当前地区的环境信息并将当前区域的环境信息和从网络上收集当前地区的环境信息记录在环境信息表中。如果有普通家用设备有感知以上数据的能力,可以综合两者构建更为准确的基准数据。
状态分析与优化单元对设备状态接收维护单元中维护的每个普通家用设备进行设备状态分析与优化。对要进行分析和优化的家用设备,将除该设备外所有其他普通家用设备分别通过设备的设备状态得到设备的影响因子。通过除该设备外所有其他普通家用设备的影响因子计算出其他设备对该设备的影响因子。将该设备的设备状态、环境感知单元中的环境信息和其他设备对该设备的影响因子作为输入参数组装成特征向量,将该特征向量输入训练好的机器学习模型中,得到设备控制命令。
设备控制单元对于状态分析与优化单元生成的控制命令,根据普通家用设备的来源,通过相应的途径将控制命令发送给被控制设备。
状态发送单元可定时将自身的状态发送给智能中控设备。对于不同种类的设备,其设备状态也不同。
命令接收执行单元可接收并执行从智能中控设备发送过来的控制命令。
实际上,可针对不同目标场景中包括的各个设备/智能设备安装上面描述的单元,以实现本公开的发明构思。可替代地,可使用目标场景中的各个设备/智能设备本身所具有的模块或单元来实现上述单元的功能。
本公开能够使得用户只要启动“全屋智能”自动控制模式,后续的操作用户都无需关心,智能控制系统会自动将系统中的智能设备实时地调整到最佳状态。
图4是根据本公开实施例的设备控制方法的流程图。
参照图4,通信系统内各普通家用设备(A、B、C)的状态发送单元周期性向智能中控设备发送本设备的当前状态。发送媒介包括但不限于ZigBee,红外,蓝牙,Wi-Fi。
智能中控设备中的设备状态接收维护单元将通过各种媒介接收到普通家用设备的状态注册到设备状态表中。
智能中控设备中的环境感知单元周期性地去获取当前时间、当前室内的环境信息和当前地区的环境信息,并将之存储到环境信息表中。信息包括但不限于温度、湿度、PM2.5、日出时间、日落时间等,获取的途径包括但不限于网络、系统中的传感器设备等。
智能中控设备中的状态分析与优化单元会周期性地对注册在设备状态表中的设备进行设备状态优化分析,具体步骤为:首先选中要进行设备状态分析优化的普通家用设备i,计算出除选中的家用设备i外所有普通家用设备的影响因子,通过除该设备i外所有其他普通家用设备的影响因子计算出其他设备对该设备i的影响因子。然后根据选中设备i的设备类型选择对应的机器学习模型,构造模型的输入参数(输入参数包含三个部分:设备状态、环境信息和影响因子),然后将输入参数送入机器学习模型得到输出结果向量,最后将输出结果向量映射到一系列设备控制命令。
智能中控设备中的设备控制单元将通过机器学习模型得到的设备控制命令发送给对应的设备i执行。
图5是根据本公开实施例的第一场景下的设备控制方法的流程图。
假设第一场景为对卧室里的空气净化器进行调控,卧室里运行有包括空气净化器的各种设备。
参照图5,空气净化器等设备的状态发送单元向智能中控设备发送当前的设备状态。空气净化器的设备状态可包括风力,模式等。
智能中控设备的设备状态接收维护单元将接收到的各种设备发送的设备状态信息储存在设备状态表中。
智能中控设备的环境感知单元通过智能控制系统中位于卧室的空气质量传感器获取卧室内的空气质量信息。
智能中控设备的状态分析与优化单元对卧室空气净化器进行设备状态优化分析。智能中控设备的状态分析与优化单元计算出除卧室空气净化器之外所有普通家用设备的影响因子。在空气净化器对应的机器学习模型中输入卧室空气净化器的设备状态、卧室的空气质量信息和影响因子。将通过机器学习模型输出的结果向量映射到一系列设备控制命令。
智能中控设备的设备控制单元将得到的设备控制命令发送给卧室的空气净化器,改变空气净化器的状态以达到最匹配当前环境的目的。
可周期性重复上述步骤,使得空气净化器一直处于最优状态。
图6是根据本公开实施例的第二场景下的设备控制方法的流程图。
假设第二场景为对客厅里的空调进行调控,客厅里运行有包括空调的各种设备,此时室外温度明显低于室内温度。
空调等设备的状态发送单元向智能中控设备发送当前的设备状态,空调的设备状态包括空调模式、目标温度、风力。此时空调模式为制冷模式、目标温度为24℃、风力为中。
智能中控设备的设备状态接收维护单元将接收到的普通家用设备发送来的状态信息储存在设备状态表中。
智能中控设备中的环境感知单元通过网络获取当前地区的环境信息、通过温度传感器获取客厅的温度信息。此时室外温度为21℃,室内温度为27℃。
智能中控设备中的状态分析与优化单元对客厅空调进行设备状态优化分析。智能中控设备的状态分析与优化单元计算出除客厅空调之外所有普通家用设备的影响因子。在空调对应的机器学习模型中输入客厅空调的设备状态、当前地区的环境信息、客厅的环境信息和影响因子,将通过机器学习模型输出的结果向量映射到一系列设备控制命令。得到将空调模式改为通风模式的设备控制命令。
智能中控设备中的设备控制单元将得到的设备控制命令发送给客厅空调,客厅空调的命令接收执行单元接收并执行智能中控设备发送来的设备控制命令,客厅空调的模式改为通风模式。
周期性重复上述步骤,使得空调一直处于最优状态。
图7是根据本公开实施例的第三场景下的设备控制方法的流程图。
假设第三场景为对客厅里的电视进行调控,客厅里运行有A类型灯设备1个、B类型灯设备1个、电视1台。
普通家用设备的状态发送单元向智能中控设备发送当前的设备状态。客厅中三个普通家用设备的状态分别为:
灯A---类型:A,状态:1(1表示开,0表示关),亮度:60(A类型灯的亮度范围为0~100),能耗:50(能耗由灯A依据自身当前的状态计算出并发送给中控设备)。
灯B---类型:B,状态:1(1表示开,0表示关),亮度:80(B类型灯的亮度范围为0~100),能耗:100(能耗由灯B依据自身当前的状态计算出并发送给中控设备)。
电视C---类型:C,状态:1(1表示开,0表示关),亮度:20(C类型电视的亮度范围为0~100),音量:30(C类型电视的音量范围为0~100),模式:0(0表示视频模式,1表示图像模式…),能耗:500(能耗由电视C依据自身当前的状态计算出并发送给中控设备)。
智能中控设备的设备状态接收维护单元将接收到的普通家用设备发送来的状态信息储存在设备状态表中。
智能中控设备中的环境感知单元通过传感器获取客厅环境信息,通过网络获取当地户外环境信息。
智能中控设备中的状态分析与优化单元对客厅电视进行设备状态优化分析。智能中控设备的状态分析与优化单元计算出除客厅电视之外所有普通家用设备的影响因子。
例如,影响因子向量为(亮度因子,温度因子,音量因子,湿度因子,能耗因子),则:
A类型灯的影响因子计算公式为:factor=设备状态*(0.5*
亮度,0,0,0,能耗);
B类型灯的影响因子计算公式为:factor=设备状态*(0.8*
亮度,0,0,0,能耗)。
经计算,灯A的影响因子为factor=(30,0,0,0,50),灯B的影响因子为factor=(64,0,0,0,100)。
通过其他所有家用设备的影响因子计算的对电视的影响因子,计算结果为factor=(94,0,0,0,150)。
在电视对应的机器学习模型中输入电视的状态、当前地区的环境信息、客厅的环境信息和其他设备对客厅电视的影响因子,将通过机器学习模型输出的结果向量映射到一系列设备控制命令。因为环境因子中的亮度因子为较大的正数,对电视亮度有提高作用,将电视的亮度提高到70来获得更好的观看体验,得到将电视亮度调为70的设备控制命令。
智能中控设备中的设备控制单元将得到的设备控制命令发送给客厅电视,客厅电视的命令接收执行单元接收并执行智能中控设备发送来的设备控制命令,客厅电视的亮度调为70。
周期性重复上述步骤,使得电视一直处于最优状态。
本公开公开了一种自动识别场景并动态调控智能设备的实现方法。由一个智能中控设备和多个普通家用设备组成了一个智能控制系统,智能中控设备收集系统内的设备状态和环境信息,结合两者以及其他设备的影响因子并利用机器学习技术分析系统内普通家用设备的状态是否合理。对于存在优化空间的普通家用设备,智能中控设备发送控制命令给该设备,以此改变该设备的设备状态从而达到优化设备状态、提升用户体验的目的。整个过程无需用户干预,智能控制系统自动分析、决策、控制。整个系统内的所有智能设备相互配合进行状态的调控,从而使整个系统达到全局最优状态,实现用户无感的一键式“全屋智能”控制。
图8是根据本公开实施例的第一设备的控制装置的框图。
参照图8,控制装置800可包括数据获取单元801、命令生成单元802和命令执行单元803。控制装置800中的每个模块/单元可由一个或多个模块/单元来实现,并且对应模块/单元的名称可根据模块/单元的类型而变化。在各种实施例中,可省略控制装置800中的一些模块/单元,或者还可包括另外的模块/单元。此外,根据本公开的各种实施例的模块/元件/单元可被组合以形成单个实体,并且因此可等效地执行相应模块/元件/单元在组合之前的功能。
数据获取单元801可被配置为:获取所述第一设备的设备状态信息和环境信息。
命令生成单元802可被配置为:获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令。
命令执行单元803可被配置为:向所述第一设备发送所述控制命令。
可选地,命令生成单元802可被配置为:获取所述至少一个第二设备中的每个第二设备的设备状态信息;确定针对所述每个第二设备的影响因子计算函数;基于所述每个第二设备的设备状态信息,分别利用对应的影响因子计算函数,计算所述每个第二设备对所述第一设备的影响因子;基于所述每个第二设备对所述第一设备的影响因子确定所述至少一个第二设备对所述第一设备的影响因子。
可选地,命令生成单元802可被配置为:基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,利用人工智能模型来获得针对所述第一设备的控制命令。
可选地,当所述通信系统中添加新的设备时,命令生成单元802可被配置为:获取所述新的设备对所述第一设备的影响因子。
可选地,数据获取单元可被配置为:按照预设时间间隔接收和存储所述第一设备和所述至少一个第二设备中的每个设备的最新的设备状态信息以及最新的环境信息;响应于目标事件的触发,基于所述第一设备的设备标识从存储的设备状态信息和环境信息中获取所述第一设备的设备状态信息和环境信息。
可选地,所述环境信息包括所述第一设备所在区域的环境信息和所述通信系统所在地区的环境信息;和/或所述环境信息包括温度、湿度、光照强度、空气质量、日出时间和日落时间、环境位置中的至少一个;和/或所述环境信息所包含的内容基于设备类型被不同地设置。
可选地,所述设备状态信息包括设备模式、设备温度、设备能耗、设备音量、设备亮度、设备风力、设备使用强度中的至少一个;和/或所述设备状态信息所包含的内容基于设备类型被不同地设置。
可选地,所述影响因子为一个具有预设维度的向量,所述向量中的每个元素值分别表示所述第二设备在相应的预设因素上对所述第一设备的影响权重,所述预设因素包括环境因素和设备状态因素中的至少一个。
公开实施例中还提供一种控制系统,包括:控制器;以及多个设备,与所述控制器通信连接,并且所述多个设备包括第一设备和至少一个第二设备;其中,所述控制器被配置为:获取所述第一设备的设备状态信息和环境信息;获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;向所述第一设备发送所述控制命令。
本公开实施例中还提供了一种电子设备,该电子设备包括处理器,可选地,还可包括与所述至少一个处理器耦接的至少一个收发器和/或至少一存储器,所述至少一处理器被配置为执行本公开任一可选实施例提供的方法的步骤。
图9中示出了本发明实施例所适用的一种电子设备的结构示意图,如图9所示,图9所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中处理器4001、存储器4003和收发器4004中每一个不限于一个,该电子设备4000的结构并不构成对本公开实施例的限定。可选地,该电子设备可以是第一网络节点、第二网络节点或第三网络节点。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本公开公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器4003用于存储执行本公开实施例的计算机程序或可执行指令,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序或可执行指令,以实现前述方法实施例所示的步骤。
本公开实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序或指令,计算机程序或指令在被至少一个处理器执行时可执行或实现前述方法实施例的步骤及相应内容。
本公开实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本公开实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本公开实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本公开实施例对此不限制。
以上文本和附图仅作为示例提供,以帮助阅读者理解本公开。它们不意图也不应该被解释为以任何方式限制本公开的范围。尽管已经提供了某些实施例和示例,但是基于本文所公开的内容,对于本领域技术人员而言显而易见的是,在不脱离本公开的范围的情况下,可以对所示的实施例和示例进行改变,采用基于本公开技术思想的其他类似实施手段,同样属于本公开实施例的保护范畴。
Claims (12)
1.一种第一设备的控制方法,其特征在于,所述第一设备与至少一个第二设备处于同一通信系统中,所述控制方法包括:
获取所述第一设备的设备状态信息和环境信息;
获取所述至少一个第二设备对所述第一设备的影响因子;
基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;
向所述第一设备发送所述控制命令。
2.根据权利要求1所述的控制方法,其特征在于,获取所述至少一个第二设备对所述第一设备的影响因子,包括:
获取所述至少一个第二设备中的每个第二设备的设备状态信息;
确定针对所述每个第二设备的影响因子计算函数;
基于所述每个第二设备的设备状态信息,分别利用对应的影响因子计算函数,计算所述每个第二设备对所述第一设备的影响因子;
基于所述每个第二设备对所述第一设备的影响因子确定所述至少一个第二设备对所述第一设备的影响因子。
3.根据权利要求1所述的控制方法,其特征在于,基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令,包括:
基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,利用人工智能模型来获得针对所述第一设备的控制命令。
4.根据权利要求1所述的控制方法,其特征在于,当所述通信系统中添加新的设备时,获取所述至少一个第二设备对所述第一设备的影响因子,还包括:获取所述新的设备对所述第一设备的影响因子。
5.根据权利要求1所述的控制方法,其特征在于,获取所述第一设备的设备状态信息和环境信息,包括:
按照预设时间间隔接收和存储所述第一设备和所述至少一个第二设备中的每个设备的最新的设备状态信息以及最新的环境信息;
响应于目标事件的触发,基于所述第一设备的设备标识从存储的设备状态信息和环境信息中获取所述第一设备的设备状态信息和环境信息。
6.根据权利要求1所述的控制方法,其特征在于,所述环境信息包括所述第一设备所在区域的环境信息和所述通信系统所在地区的环境信息;和/或
所述环境信息包括温度、湿度、光照强度、空气质量、日出时间和日落时间、环境位置中的至少一个;和/或
所述环境信息所包含的内容基于设备类型被不同地设置。
7.根据权利要求1所述的控制方法,其特征在于,所述设备状态信息包括设备模式、设备温度、设备能耗、设备音量、设备亮度、设备风力、设备使用强度中的至少一个;和/或
所述设备状态信息所包含的内容基于设备类型被不同地设置。
8.根据权利要求1所述的控制方法,其特征在于,所述影响因子为一个具有预设维度的向量,所述向量中的每个元素值分别表示所述第二设备在相应的预设因素上对所述第一设备的影响权重,
所述预设因素包括环境因素和设备状态因素中的至少一个。
9.一种第一设备的控制装置,其特征在于,所述第一设备与至少一个第二设备处于同一通信系统中,所述控制装置包括:
数据获取单元,被配置为:获取所述第一设备的设备状态信息和环境信息;
命令生成单元,被配置为:获取所述至少一个第二设备对所述第一设备的影响因子;基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;
命令执行单元,被配置为:向所述第一设备发送所述控制命令。
10.一种控制系统,包括:
控制器;以及
多个设备,与所述控制器通信连接,并且所述多个设备包括第一设备和至少一个第二设备;
其中,所述控制器被配置为:
获取所述第一设备的设备状态信息和环境信息;
获取所述至少一个第二设备对所述第一设备的影响因子;
基于所述设备状态信息、所述环境信息和所述影响因子中的至少一个,获得针对所述第一设备的控制命令;
向所述第一设备发送所述控制命令。
11.一种电子设备,包括:
至少一个处理器;
至少一个存储计算机可执行指令的存储器,
其中,所述计算机可执行指令在被所述至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1到8中的任一权利要求所述的方法。
12.一种存储指令的计算机可读存储介质,其特征在于,当所述指令被至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1到8中的任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186101.8A CN117111485A (zh) | 2023-09-13 | 2023-09-13 | 设备控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186101.8A CN117111485A (zh) | 2023-09-13 | 2023-09-13 | 设备控制方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117111485A true CN117111485A (zh) | 2023-11-24 |
Family
ID=88810964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311186101.8A Pending CN117111485A (zh) | 2023-09-13 | 2023-09-13 | 设备控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111485A (zh) |
-
2023
- 2023-09-13 CN CN202311186101.8A patent/CN117111485A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102553299B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
US11137161B2 (en) | Data learning server and method for generating and using learning model thereof | |
CN108488987B (zh) | 空气调节设备的控制方法、存储介质和设备 | |
CN110578994B (zh) | 一种运行方法及装置 | |
CN112051743A (zh) | 设备控制方法、冲突处理方法、相应的装置及电子设备 | |
JP2019512757A (ja) | ニューラルネットワークアーキテクチャを用いた分配システムの制御のための方法、制御装置およびシステム | |
Shah et al. | Dynamic user preference parameters selection and energy consumption optimization for smart homes using deep extreme learning machine and bat algorithm | |
CN112286150B (zh) | 一种智能家居设备管理方法、装置、系统及存储介质 | |
CN115826428B (zh) | 家居设备的控制方法和装置、存储介质及电子装置 | |
CN110377084B (zh) | 一种基于智慧控制策略的建筑室内环境调控方法 | |
Ke et al. | Data-driven predictive control of building energy consumption under the IoT architecture | |
CN117492380A (zh) | 智能家居的中央控制系统的控制方法和控制装置 | |
CN117111485A (zh) | 设备控制方法和装置 | |
US11371741B2 (en) | Air conditioning apparatus and method for controlling using learned sleep modes | |
CN111338227A (zh) | 基于强化学习的电子电器控制方法及控制设备、存储介质 | |
KR102473440B1 (ko) | 스마트팜용 통합 센서 모듈 및 이의 제어 방법 | |
CN114322260B (zh) | 空调自动驾驶、模型训练和预测方法、装置及设备 | |
CN114442697B (zh) | 一种温度控制方法、设备、介质及产品 | |
Yin et al. | Personalized ambience: an integration of learning model and intelligent lighting control | |
Tegelund et al. | A task-oriented service personalization scheme for smart environments using reinforcement learning | |
Paudel et al. | A context-aware architecture for energy saving in smart classroom environments | |
CN110598916A (zh) | 一种用户行为模型的构建方法及系统 | |
CN112364936A (zh) | 基于人工智能的温室控制方法、装置、设备及存储介质 | |
Karyono et al. | A smart adaptive lighting system for a multifunctional room | |
RU2772237C2 (ru) | Сервер обучения на основе данных и способ формирования и использования его обучающей модели |
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 |