CN117369349A - 一种远程监测智能机器人的管理系统 - Google Patents

Abstract

本发明公开了一种远程监测智能机器人的管理系统，涉及智能机器人通讯管理技术领域，包括智能机器人，由主控制器预设的任务或指令，通过远程通信网络模块的数据输入输出，进行环境交互、任务执行和信息传输的智能装置；主控制器，通过远程通信网络模块接收智能机器人的传感器组监测数据，标定为，在管理系统中远程操控智能机器人的行动和对子模块的数据进行分析和处理，以及信息反馈用户优化升级系统；本发明通过对智能机器人内部的传感器组采集数据的可靠性和准确性进行核查、检测校正和人员管控，避免数据泄露、监测数据不准确和系统管理运行异常的情况；具体通过5G网络提高信号输入输出速度、减缓信号延迟。

Description

一种远程监测智能机器人的管理系统

技术领域

本发明涉及智能机器人通讯管理技术领域，具体涉及一种远程监测智能机器人的管理系统。

背景技术

远程监测智能机器人是通过网络实现的远程监测和控制的智能设备，能够自主地或者按照预设的任务规划执行任务，包括巡逻、监控、检查、采样甚至进行一些复杂的操作等；而远程监测智能机器人的管理系统是用于控制、监视、维护智能机器人的软件系统，通常在远程环境中，通过网络进行通信，从而对机器人进行命令下发、状态监控抑或数据分析的管理，在实际使用过程中，系统可能会出现网络延迟、数据泄露、智能机器人监测数据不准确、环境噪声干扰造成通讯中断等异常的波动，极大地影响了远程控制的实时性和可靠性，导致操作与机器人之间存在通讯延迟、信息偏差或指令丢失的情况。

例如，申请号为CN202011277023.9公开的一种用于小区巡逻的智能机器人管理系统中，通过人脸识别模块、人脸数据库、公安预警模块、5G模块、动态监测模块、实时定位模块的系统结构设计，能够快速对可疑人员进行发现并进行实时监测，但是当巡逻机器人的电池/充电单元被人为损坏时或者外界环境干扰图像采集分辨率，则智能机器人的传感器采集数据中断、信号传输中止造成数据丢失或监测数据不精确的缺陷；申请号为CN201010217250.2公开的一种家用智能机器人系统中，通过对各种传感器采集到的信息进行实时分析处理，并根据用户定制的服务要求作出实时处理，且配备了多种检测家居生活环境的传感器，用于对家居环境进行实时监测，并告知用户针对当前环境的注意事项，但是环境监测模块的传感器会在检测中受到电磁干扰和环境噪音，导致传感器监测数据异常、通信中断或指令误解的情况，因此，上述的发明专利公开的智能机器人在所用场景的系统中，均存在传感器采集数据泄露、通信中断和监测数据受干扰造成信息异常的问题。

现有技术存在以下不足：智能机器人在采集数据时使用的传感器在系统中确保数据可靠和准确是极为重要的，其关乎着系统远程管理的监测精度和可靠性。无论是智能机器人运行在工业加工设备中，存在信号延误、指令错误或执行偏差造成企业严重的经济损失；还是运行在服务行业，会存在服务指令出错、设备故障不可控和获取信号不精确情况，易造成客户体验感差、耽误时间的问题。因此，在智能机器人在系统使用过程中，传感器出现偏差和故障，环境噪声和干扰，网络延迟和丢包率，均是造成远程监测智能机器人的管理系统在实际运行中异常、不稳定和鲁棒性差的原因。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的是提供一种远程监测智能机器人的管理系统，本发明通过远程通信网络模块连接智能机器人和主控制器，增加信号传输速度，利用数据滤波处理模块对传感器组监测数据进行滤波处理，采用的用户识别优化管理模块，增加了管理系统中管理员对智能机器人的优化管控操作，以解决上述背景技术中的问题。

为了实现上述目的，本发明提供如下技术方案：一种远程监测智能机器人的管理系统，包括智能机器人，由主控制器预设的任务或指令，通过远程通信网络模块的数据输入输出，进行环境交互、任务执行和信息传输；

主控制器，通过远程通信网络模块接收智能机器人的传感器组监测数据，标定为，在管理系统中远程操控智能机器人的行动和对子模块的数据进行分析和处理，以及信息反馈用户优化升级系统；

远程通信网络模块，采用5G网络技术，将智能机器人采集到的数据传输到远程管理系统中管理智能机器人；

传感器组监控模块，负责监测、采集和传输智能机器人的自身运动状态和智能机器人执行管理系统的任务指令相关参数，生成内部监测数据，标定为；

数据滤波处理模块，接收传感器组监控模块采集的传感器组监测数据，建立滤波模型对传感器组监测数据进行滤波、处理和转换；

传感器故障检测校准模块，建立回归模型计算和分析出智能机器人的传感器组的实际输入信号和输出信号关系，计算出每个数据样本的偏差，采用平均偏差作为传感器偏差系数，并根据回归模型的回归系数校正传感器的输出值；

环境检测模块，负责检测智能机器人工作环境的参数，生成外界监测数据，标定为；

用户识别优化管理模块，通过对用户面部图像进行特征提取和匹配，负责用户身份识别和用户安全命令下发的管理。

优选地，所述传感器组监测数据包括内部监测数据/>和外界监测数据/>，内部监测数据/>包括智能机器人的自身运动状态和智能机器人执行管理系统的任务指令相关参数，

其中，所述智能机器人的自身运动状态包括机器人电池电量、机器人路径/>和实时位置/>；

所述智能机器人执行管理系统的任务指令相关参数包括智能机器人的运行速度、响应时间/>、定位距离/>；

所述外界监测数据检测智能机器人工作环境，包括工作环境的温度、湿度/>、光线强度/>、气味浓度/>和噪音分贝/>。

优选地，所述内部监测数据是采用卡尔曼滤波模型对传感器组读数的实际输入信号进行滤波处理，卡尔曼滤波模型包括预测和更新两步，预测算法公式如下：

预测步骤：将管理系统中的离散变量采用线性方程并结合实际测量值来描述管理系统过程中状态预测量，

即状态预测算法公式：，式中，/>为/>时刻的管理系统状态向量，/>为内部监测数据的状态转移矩阵，/>内部监测数据的输入矩阵，为/>时刻的管理系统状态输入向量；其中，，式中，/>为管理系统系数，/>为内部监测数据矩阵，/>为/>时刻的管理系统状态量，/>为/>时刻的管理系统状态输入向量，/>为/>时刻的管理系统的高斯白噪声；

状态预测误差协方差公式：，式中，/>为/>时刻管理系统的状态误差协方差矩阵，/>为内部监测数据的输入矩阵的转置矩阵，/>为管理系统的过程噪音协方差矩阵。

优选地，更新算法公式如下：

预测步骤：将管理系统中现在状态的预测结果，根据传感器组监测数据而收集现在状态的测量值，结合预测值和测量值，更新出现在状态的最优化估算值，

测量残差公式：，式中，/>为/>时刻的管理系统的测量残差，为/>时刻的管理系统的测量向量，/>为内部监测数据的测量矩阵，/>为/>时刻的管理系统状态向量；

测量残差协方差公式：，式中，/>为/>时刻的管理系统的测量残差协方差矩阵，/>为内部监测数据的测量矩阵的转置矩阵，/>为管理系统的测量噪音协方差矩阵；

卡尔曼增益公式：，式中，/>为/>时刻管理系统的卡尔曼增益矩阵；

更新状态方程公式：，式中，/>为/>时刻的管理系统更新状态向量；

更新状态误差协方差公式：，式中，/>为/>时刻管理系统的更新状态误差协方差矩阵，/>为单位矩阵；

因此，根据卡尔曼滤波算法计算出内部监测数据的输出值/>，即输出值/>的矩阵表达式为/>。

优选地，所述外界监测数据是采用RLS滤波器的自适应滤波模型，根据工作环境数据特征自动调整滤波器参数的滤波算法，使得实时跟踪管理系统的动态变化，RLS滤波的步骤如下：

权重更新公式：，式中，/>为/>时刻管理系统的RLS滤波器权重向量，/>为步长参数，/>为预测误差值，/>为/>时刻外界监测数据的输入值；

预测输出公式：，式中，/>为/>时刻管理系统的RLS滤波器权重向量的转置矩阵，/>为外界监测数据的输出值，即输出值/>的矩阵表达式为。

优选地，建立回归模型，根据采集数据输入量和滤波计算输出量之间找寻变量关系，并对其进行定量描述，以表征自变量对因变量影响的程度，则令内部监测数据和外界监测数据/>为自变量，令内部监测数据输出值/>和外界监测数据输出值/>为因变量，采用多元线性回归模型，回归分析是自变量和预测因子因变量的数学统计分析结果，计算预测误差，获取传感器偏差系数和回归系数。

优选地，所述建立回归模型的步骤如下：

确定变量并收集数据：明确传感器组的实际输入值内部监测数据和外界监测数据/>为自变量，预测的输出量内部监测数据输出值/>和外界监测数据输出值/>为具体目标的因变量；

建立回归分析预测模型：根据自变量和因变量的数据进行计算，建立多元线性回归分析方程，即公式为、/>，式中，/>为传感器偏差系数，/>为回归系数，/>为误差项；

回归系数是自变量对因变量的影响程度，而误差项为回归模型中不能完全解释的差异或噪声，传感器偏差系数为在实际输入值为零时的输出值；

分析估计回归系数：使用最小二乘法求解回归系数，最小化实际输入值与回归模型预测输出值之间的误差平方和，即计算公式为、/>，式中，/>为内部监测数据实际输入均值，为内部监测数据预测输出均值，/>为外界监测数据实际输入均值，/>为外界监测数据预测输出均值，且/>、/>，、/>；传感器偏差系数的计算公式为/>、/>；

评估模型并解释结果：通过描述实际输入值和滤波输出值之间的关系，评估回归模型，并分析分析传感器偏差系数和回归系数的值，确定传感器组监测数据的实际输入值对滤波处理后的输出值的影响程度和方向。

优选地，校正传感器输出值是根据已知的偏差系数和回归系数，对实际输入值进行校正以获得精确的输出值，校正计算的步骤如下：

对于智能机器人内部的传感器组采集到的实际输入值，经过滤波处理并代入回归模型中计算，生成滤波预测的输出值/>，式中，/>为传感器组监测数据/>的输出值；

根据智能机器人内部传感器组采集数据经过远程通信传输后的真实输出值和回归模型预测的输出值/>之间的差异来确定校正值/>，即/>且回归模型预测的输出值/>；

将校正值与实际输入值/>相关联，形成一个校正曲线，该校正曲线将传感器组监测数据的实际输入值/>与校正值/>进行匹配，映射获得精确的输出值/>。

优选地，所述用户识别优化管理模块在管理系统中对人员进行管理，工作步骤如下：

人脸数据采集：在远程监测智能机器人的管理系统中，针对能够管控智能机器人的工作人员，采集工作人员的面部数据，将采集到的人脸图像识别录入，并保存相关的人脸特征数据；

人脸特征提取：采集人脸数据后，管理系统运行深度学习算法中的卷积神经网络CNN模型，对人脸图像进行处理训练过程中，通过多个卷积和池化层从原始图像中学习提取到人脸图像中的高级特征；

特征比对与识别：当管理系统需要对人员进行识别时，会采用特征向量计算当前的人脸特征与已存储的人脸特征进行比对分析，通过计算面部特征之间的相似度，管理系统用于确定当前人脸与已存储人脸的匹配程度；

用户认证和权限控制：根据人脸识别结果，管理系统会采用人脸识别结合用户名密码双认证方法进行用户认证和权限控制，以对工作人员身份进行验证，并根据验证结果授予管控智能机器人的相应权限，则权限控制包括远程监测数据权限、控制行为权限、数据访问权限和配置权限；

管理和记录：授权管控智能机器人的工作人员，管理系统会记录每一次的人脸识别结果并上传本地存储，这些记录数据被用于后续的用户管理、行为分析和安全审计。

优选地，所述卷积神经网络CNN模型中的卷积和池化层计算步骤如下：

卷积层主提取输入人脸图像中的空间特征，计算公式为，式中，/>为二维输出特征图，/>为二维输入图像，/>为卷积核权重矩阵，/>为偏置项，/>为卷积结果的求和；激活函数层并在池化层中采用最大池化的计算方式，将输入图像在局部区域的最大值作为输出值，通过若干次的卷积和池化层迭代操作，CNN逐渐提取到图像中的高级特征。

在上述技术方案中，本发明提供的技术效果和优点：

本发明通过对智能机器人内部的传感器组采集数据的可靠性和准确性进行核查、检测校正和人员管控，避免数据泄露、监测数据不准确和系统管理运行异常的情况；具体通过5G网络提高信号输入输出速度、减缓信号延迟；利用数据滤波处理模块对传感器组监测数据进行滤波处理，进行数据保真；采用的用户识别优化管理模块，增加了管理系统中工作人员对智能机器人的优化管控操作，有效管控智能机器人的访问和操作，确保管理系统的安全性和可控性；以及通过传感器故障检测校准模块中建立回归模型，对传感器偏差系数进行精确计算，校正智能机器人采集信号的输出结果，提高管理系统的鲁棒性和运行可靠性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明远程监测智能机器人的管理系统框图。

图2为本发明智能机器人的传感器组检测方法流程图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本公开的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

如图1所示，本发明提供了一种远程监测智能机器人的管理系统，包括智能机器人，由主控制器预设的任务或指令，通过远程通信网络模块的数据输入输出，进行环境交互、任务执行和信息传输，智能机器人用于采集工作环境数据、机器人的运动状态信号，执行系统的任务指令相关参数；

智能机器人包括视觉传感器、声音传感器、触觉传感器等各种传感器，电池电源管控单元、执行器、控制器、微处理器、数据I/O接口和存储器等结构，用于采集数据，通过远程通信网络模块与管理系统进行数据交互的作用执行实际任务，以实现远程监测和控制的功能，其中，智能机器人中的各种传感器采集的工作环境数据包括温度、湿度、光线强度、气味浓度和噪音分贝；采集自身的运动状态信号包括机器人电池电量、机器人路径和实时位置；采集管理系统的任务指令相关参数包括智能机器人的运行速度、响应时间、定位距离。

主控制器，通过远程通信网络模块接收智能机器人的传感器组监测数据，标定为，在管理系统中远程操控智能机器人的行动调度和传输指令、监控信息，运用机器学习算法和人工智能技术对子模块的数据进行分析和处理，以及信息反馈用户优化升级和维护智能机器人的软硬件系统，以确保智能机器人的稳定运行和任务完成；

远程通信网络模块，采用5G网络技术，将智能机器人采集到的数据传输到远程管理系统中管理智能机器人，包括数据传输、远程控制、故障排查和维护优化管理系统更新，以建立智能机器人与远程管理系统之间的通信连接；

传感器组监控模块，安装于智能机器人的内部，用于负责监测、采集和传输智能机器人的自身运动状态和智能机器人执行管理系统的任务指令相关参数，生成内部监测数据，标定为，以判断传感器组是否正常工作运行；

数据滤波处理模块，接收传感器组监控模块采集的传感器组监测数据，标定为，建立滤波模型对传感器组监测数据进行滤波、处理和转换，用于提高传感器组监测数据的准确性和可用性；

传感器故障检测校准模块，建立回归模型计算和分析出智能机器人的传感器组的实际输入信号和输出信号关系，计算出每个数据样本的偏差，采用平均偏差作为传感器偏差系数，并根据回归模型的回归系数校正传感器的输出值，用于负责检测传感器组的工作情况，判断传感器是否正常工作，并对传感器进行校准操作，以确保检测到的数据准确无误；

环境检测模块，负责检测智能机器人工作环境的温度、湿度、光线强度、气味浓度和噪音分贝的参数，生成外界监测数据，标定为，并将外界监测数据传输至传感器组监控模块进行分类统计为传感器组监测数据，传输至数据滤波处理模块进行处理和分析；

用户识别优化管理模块，采用计算机视觉技术，通过对用户面部图像进行特征提取和匹配，负责用户身份识别和用户安全命令下发的管理，用于限制智能机器人的功能和权限，以及对管理系统的优化和改进；

需要说明的是，传感器组监测数据包括内部监测数据/>和外界监测数据/>，内部监测数据/>包括智能机器人的自身运动状态和智能机器人执行管理系统的任务指令相关参数，其中，智能机器人的自身运动状态包括机器人电池电量/>、机器人路径/>和实时位置/>；智能机器人执行管理系统的任务指令相关参数包括智能机器人的运行速度/>、响应时间/>、定位距离/>；外界监测数据/>检测智能机器人工作环境，包括工作环境的温度、湿度/>、光线强度/>、气味浓度/>和噪音分贝/>；即传感器组监测数据的矩阵表达式，内部监测数据的矩阵表达式为/>，外界监测数据的矩阵表达式为/>。

需要说明的是，智能机器人的传感器组获取传感器组监测数据为传感器组实际输入的数据样本值，具体获取原理如下：智能机器人内部的传感器组将所测量的物理参数转化为相应的电信号，并将转化的电信号经过传感器组监控模块读取后转化为数字信号，再将数字信号通过网络通信传输到管理系统的控制器中，并进行处理计算数字信号后，下发任务指令管控智能机器人执行相应的任务；而在获取和传输传感器组监测数据/>过程中，数据样本值的精度受到多种因素影响，包括外界环境中的噪声、温度、湿度、运行时自身振动和自身灵敏度等；

噪声：过高或过低的噪声干扰信号均会影响传感器的数据准确性，噪声可能会使传感器读数不准确、读数出现误差，使得传感器采集的数据与实际值不匹配，降低传感器的精度，可能会降低传感器信号与噪声之间的信噪比，从而丢失重要信息，也可能会引起传感器数据的波动或漂移，导致传感器不稳定或不可靠；

温度：在智能机器人中，温度的变化可能会改变传感器内部元件的物理特性，比如电阻、电容、压差，影响传感器测量值的偏差，使得传感器不稳定性而读数的不一致性或准确性下降；

湿度：高湿度环境中的传感器会遭受水分和腐蚀的风险，可能会导致传感器部件的损坏或失效，从而影响传感器读数的精度；

运行时自身振动：高振动频率的智能机器人在运行操作时，可能会导致传感器读数的波动或误差；

自身灵敏度：灵敏度指的是传感器对所测量参数的敏感度，受到智能机器人电气和环境影响，可能会引起误报或误测。

因此，对远程监测智能机器人的管理系统中的智能机器人内部传感器组进行监测，可及时知晓传感器组在采集数据信号时存在的传感器偏差问题。

需要说明的是，内部监测数据是采用卡尔曼滤波模型对传感器组读数的实际输入信号进行滤波处理，用于去除系统噪声还原真实数据，卡尔曼滤波模型包括预测和更新两步，预测算法公式如下：

预测步骤：将管理系统中的离散变量采用线性方程并结合实际测量值来描述管理系统过程中状态预测量，

即状态预测公式：，式中，/>为/>时刻的管理系统状态向量，/>为内部监测数据的状态转移矩阵，/>为内部监测数据的输入矩阵，为/>时刻的管理系统状态输入向量；其中，，式中，/>为管理系统系数，/>为内部监测数据矩阵，/>为/>时刻的管理系统状态量，/>为/>时刻的管理系统状态输入向量，/>为/>时刻的管理系统的高斯白噪声；

状态预测误差协方差公式：，式中，/>为/>时刻管理系统的状态误差协方差矩阵，/>为内部监测数据的输入矩阵的转置矩阵，/>为管理系统的过程噪音协方差矩阵。

更新算法公式如下：

预测步骤：将管理系统中现在状态的预测结果，根据传感器组监测数据而收集现在状态的测量值，结合预测值和测量值，更新出现在状态的最优化估算值，

测量残差公式：，式中，/>为/>时刻的管理系统的测量残差，为/>时刻的管理系统的测量向量，/>为内部监测数据的测量矩阵，/>为/>时刻的管理系统状态向量；

测量残差协方差公式：，式中，/>为/>时刻的管理系统的测量残差协方差矩阵，/>为内部监测数据的测量矩阵的转置矩阵，/>为管理系统的测量噪音协方差矩阵；

卡尔曼增益公式：，式中，/>为/>时刻管理系统的卡尔曼增益矩阵；

更新状态方程公式：，式中，/>为/>时刻的管理系统更新状态向量；

更新状态误差协方差公式：，式中，/>为/>时刻管理系统的更新状态误差协方差矩阵，/>为单位矩阵；

因此，根据卡尔曼滤波算法计算出内部监测数据的输出值/>，即输出值/>的矩阵表达式为/>。

需要说明的是，外界监测数据是采用RLS滤波器的自适应滤波模型，根据工作环境数据特征自动调整滤波器参数的滤波算法，使得实时跟踪管理系统的动态变化，RLS滤波的步骤如下：

权重更新公式：，式中，/>为/>时刻管理系统的RLS滤波器权重向量，/>为步长参数，/>为预测误差值，/>为/>时刻外界监测数据的输入值；

预测输出公式：，式中，/>为/>时刻管理系统的RLS滤波器权重向量的转置矩阵，/>为外界监测数据的输出值，即输出值/>的矩阵表达式为。

需要说明的是，由于智能机器人的传感器组在采集数据传输过程中，会受到若干种因素的影响，造成不精确的情况，针对传感器需要建立回归模型，根据采集数据输入量和滤波计算输出量之间找寻变量关系，并对其进行定量描述，以表征自变量对因变量影响的程度，则令内部监测数据和外界监测数据/>为自变量，令内部监测数据输出值/>和外界监测数据输出值/>为因变量，采用多元线性回归模型，回归分析是自变量和预测因子因变量的数学统计分析结果，计算预测误差，获取传感器偏差系数和回归系数。

需要说明的是，建立回归模型的步骤如下：

确定变量并收集数据：明确传感器组的实际输入值内部监测数据和外界监测数据/>为自变量，预测的输出量内部监测数据输出值/>和外界监测数据输出值/>为具体目标的因变量；

建立回归分析预测模型：根据自变量和因变量的数据进行计算，建立多元线性回归分析方程，即公式为、/>，式中，/>为传感器偏差系数，/>为回归系数，/>为误差项；

分析估计回归系数：使用最小二乘法求解回归系数，最小化实际输入值与回归模型预测输出值之间的误差平方和，即计算公式为、/>，式中，/>为内部监测数据实际输入均值，为内部监测数据预测输出均值，/>为外界监测数据实际输入均值，/>为外界监测数据预测输出均值，且/>、/>，、/>；传感器偏差系数的计算公式为/>、/>；

评估模型并解释结果：通过描述实际输入值和滤波输出值之间的关系，评估回归模型，并分析分析传感器偏差系数和回归系数的值，确定传感器组监测数据的实际输入值对滤波处理后的输出值的影响程度和方向；

回归系数是自变量对因变量的影响程度，而误差项为回归模型中不能完全解释的差异或噪声，传感器偏差系数为在实际输入值为零时的输出值。

需要说明的是，管理系统中的主控制器采用传感器驱动程序对智能机器人的传感器组进行操作，智能机器人内传感器组运行软件组件，通过无线网络连接管理系统的主控制器中，读取、解析传感器的原始数据，而主控制器通过已知的偏差系数和回归系数，进行校正以获得精确的输入输出值，便控制传感器驱动程序校正传感器组，确保传感器获得了正确的输入值，并且提供准确的输出值，主控制器将校正后的输出值传输到智能机器人，并控制智能机器人的行动。

需要说明的是，校正传感器输出值是根据已知的偏差系数和回归系数，对实际输入值进行校正以获得精确的输出值，校正计算的步骤如下：

对于智能机器人内部的传感器组采集到的实际输入值，经过滤波处理并代入回归模型中计算，生成滤波预测的输出值/>，式中，/>为传感器组监测数据/>的输出值；

根据智能机器人内部传感器组采集数据经过远程通信传输后的真实输出值和回归模型预测的输出值/>之间的差异来确定校正值/>，即/>且回归模型预测的输出值/>；

将校正值与实际输入值/>相关联，形成一个校正曲线，该校正曲线将传感器组监测数据的实际输入值/>与校正值/>进行匹配，映射获得精确的输出值/>。

需要说明的是，用户识别优化管理模块在管理系统中对人员进行管理，用于有效管控智能机器人的访问和操作，确保系统的安全性和可控性，工作步骤如下：

人脸数据采集：在远程监测智能机器人的管理系统中，针对能够管控智能机器人的工作人员，采集工作人员的面部数据，将采集到的人脸图像识别录入，并保存相关的人脸特征数据；

人脸特征提取：采集人脸数据后，管理系统运行深度学习算法中的卷积神经网络CNN模型，对人脸图像进行处理训练过程中，通过多个卷积和池化层从原始图像中学习提取到人脸图像中的高级特征，以提高人脸识别的准确性和鲁棒性；

特征比对与识别：当管理系统需要对人员进行识别时，会采用特征向量计算当前的人脸特征与已存储的人脸特征进行比对分析，通过计算面部特征之间的相似度，管理系统用于确定当前人脸与已存储人脸的匹配程度，若待比对的特征向量与数据库中的特征向量相似度大于等于设定的阈值，则认为匹配成功，识别出该人脸，若待比对的特征向量与数据库中的特征向量相似度小于设定的阈值，认为匹配失败，未能识别该人脸；

用户认证和权限控制：根据人脸识别结果，管理系统会采用人脸识别结合用户名密码双认证方法进行用户认证和权限控制，以对工作人员身份进行验证，并根据验证结果授予管控智能机器人的相应权限，则权限控制包括远程监测数据权限、控制行为权限、数据访问权限和配置权限，如果当前人脸与已存储的人脸相匹配，则认为用户身份验证成功，并为该用户授予用户操控远程监测智能机器人、控制机器人行动的权限、对机器人的配置参数进行修改和设定、授权用户可以访问和获取机器人收集的数据、远程监测智能机器人的工作环境和运行情况，以及对机器人进行操作，完成特定的任务或执行特定的指令；

管理和记录：授权管控智能机器人的工作人员，管理系统会记录每一次的人脸识别结果并上传本地存储，包括人脸图像、匹配度、认证时间的信息，这些记录数据被用于后续的用户管理、行为分析和安全审计，其中，用户管理：通过分析存储的数据，管理系统了解用户的身份信息、访问权限和操作记录，用于用户管理和权限控制，管理员能够根据用户的需求和行为，对管理系统进行权限调整、用户重置和注销等操作；

行为分析：存储的数据用于用户行为分析，通过分析用户的操作记录和数据访问记录，管理系统获得用户的行为模式、偏好和使用习惯，通过分析结果用于改进管理系统功能、优化用户体验和定制智能机器人个性化服务；

安全审计：存储的数据亦能用于安全审计，管理系统通过检查用户的操作记录、敏感数据的访问情况和权限的使用情况，确保管理系统的安全性和合规性，而管理员通过对存储数据的分析和检查，发现潜在的安全风险和问题，并进行相应的处理和调整。

需要说明的是，卷积神经网络CNN模型中的卷积和池化层计算步骤如下：

卷积层主提取输入人脸图像中的空间特征，在卷积层中，输入人脸图像经过一组卷积核进行卷积运算，产生对应的特征图，计算公式为，式中，/>为二维输出特征图，/>为二维输入图像，/>为卷积核权重矩阵，为偏置项，/>为卷积结果的求和；激活函数层并在池化层中采用最大池化的计算方式，将输入图像在局部区域的最大值作为输出值，以减小特征图的尺寸，通过若干次的卷积和池化层迭代操作，CNN逐渐提取到图像中的高级特征，从而实现对人脸图像的更有效处理和学习，并将该特征作为输入传递给全连接层进行分类处理。/>

本发明实施例提供的一种远程监测智能机器人的管理系统，具体流程详见上述的实施例，此处不再赘述。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

应理解，在本申请的各种实施例中，上述各过程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，而不应对本申请实施例的实施过程构成任何限定。

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申请的范围。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种远程监测智能机器人的管理系统，其特征在于，包括智能机器人，由主控制器预设的任务或指令，通过远程通信网络模块的数据输入输出，进行环境交互、任务执行和信息传输；

主控制器，通过远程通信网络模块接收智能机器人的传感器组监测数据，标定为，其中，传感器组监测数据/>包括内部监测数据/>和外界监测数据/>，在管理系统中远程操控智能机器人的行动和对子模块的数据进行分析和处理，以及信息反馈用户优化升级系统；

远程通信网络模块，采用5G网络技术，将智能机器人采集到的数据传输到远程管理系统中管理智能机器人；

传感器组监控模块，负责监测、采集和传输智能机器人的自身运动状态和智能机器人执行管理系统的任务指令相关参数，生成内部监测数据，标定为，其中，内部监测数据/>包括智能机器人的自身运动状态和智能机器人执行管理系统的任务指令相关参数；

数据滤波处理模块，接收传感器组监控模块采集的传感器组监测数据，建立滤波模型对传感器组监测数据进行滤波、处理和转换；

传感器故障检测校准模块，建立回归模型计算和分析出智能机器人的传感器组的实际输入信号和输出信号关系，计算出每个数据样本的偏差，采用平均偏差作为传感器偏差系数，并根据回归模型的回归系数校正传感器的输出值；

环境检测模块，负责检测智能机器人工作环境的参数，生成外界监测数据，标定为；

用户识别优化管理模块，通过对用户面部图像进行特征提取和匹配，负责用户身份识别和用户安全命令下发的管理。

2.根据权利要求1所述的一种远程监测智能机器人的管理系统，其特征在于，所述智能机器人的自身运动状态包括机器人电池电量、机器人路径/>和实时位置/>；

所述智能机器人执行管理系统的任务指令相关参数包括智能机器人的运行速度、响应时间/>、定位距离/>；

所述外界监测数据检测智能机器人工作环境，包括工作环境的温度、湿度/>、光线强度/>、气味浓度/>和噪音分贝/>。

3.根据权利要求2所述的一种远程监测智能机器人的管理系统，其特征在于，所述内部监测数据是采用卡尔曼滤波模型对传感器组读数的实际输入信号进行滤波处理，卡尔曼滤波模型包括预测和更新两步，预测算法公式如下：

预测步骤：将管理系统中的离散变量采用线性方程并结合实际测量值来描述管理系统过程中状态预测量，

即状态预测算法公式：，式中，/>为/>时刻的管理系统状态向量，/>为内部监测数据的状态转移矩阵，/>为内部监测数据的输入矩阵，为/>时刻的管理系统状态输入向量；其中，，式中，/>为管理系统系数，/>为内部监测数据矩阵，/>为/>时刻的管理系统状态量，/>为/>时刻的管理系统状态输入向量，/>为/>时刻的管理系统的高斯白噪声；

状态预测误差协方差公式：，式中，/>为/>时刻管理系统的状态误差协方差矩阵，/>为内部监测数据的输入矩阵的转置矩阵，/>为管理系统的过程噪音协方差矩阵。

4.根据权利要求3所述的一种远程监测智能机器人的管理系统，其特征在于，更新算法公式如下：

预测步骤：将管理系统中现在状态的预测结果，根据传感器组监测数据而收集现在状态的测量值，结合预测值和测量值，更新出现在状态的最优化估算值，

测量残差公式：，式中，/>为/>时刻的管理系统的测量残差，/>为/>时刻的管理系统的测量向量，/>为内部监测数据的测量矩阵，/>为/>时刻的管理系统状态向量；

测量残差协方差公式：，式中，/>为/>时刻的管理系统的测量残差协方差矩阵，/>为内部监测数据的测量矩阵的转置矩阵，/>为管理系统的测量噪音协方差矩阵；

卡尔曼增益公式：，式中，/>为/>时刻管理系统的卡尔曼增益矩阵；

更新状态方程公式：，式中，/>为/>时刻的管理系统更新状态向量；

更新状态误差协方差公式：，式中，/>为/>时刻管理系统的更新状态误差协方差矩阵，/>为单位矩阵；

因此，根据卡尔曼滤波算法计算出内部监测数据的输出值/>，即输出值/>的矩阵表达式为/>。

5.根据权利要求4所述的一种远程监测智能机器人的管理系统，其特征在于，所述外界监测数据是采用RLS滤波器的自适应滤波模型，根据工作环境数据特征自动调整滤波器参数的滤波算法，使得实时跟踪管理系统的动态变化，RLS滤波的步骤如下：

权重更新公式：，式中，/>为/>时刻管理系统的RLS滤波器权重向量，/>为步长参数，/>为预测误差值，/>为/>时刻外界监测数据的输入值；

预测输出公式：，式中，/>为/>时刻管理系统的RLS滤波器权重向量的转置矩阵，/>为外界监测数据的输出值，即输出值/>的矩阵表达式为。

6.根据权利要求5所述的一种远程监测智能机器人的管理系统，其特征在于，建立回归模型，根据采集数据输入量和滤波计算输出量之间找寻变量关系，并对其进行定量描述，以表征自变量对因变量影响的程度，则令内部监测数据和外界监测数据/>为自变量，令内部监测数据输出值/>和外界监测数据输出值/>为因变量，采用多元线性回归模型，回归分析是自变量和预测因子因变量的数学统计分析结果，计算预测误差，获取传感器偏差系数和回归系数。

7.根据权利要求6所述的一种远程监测智能机器人的管理系统，其特征在于，所述建立回归模型的步骤如下：

确定变量并收集数据：明确传感器组的实际输入值内部监测数据和外界监测数据/>为自变量，预测的输出量内部监测数据输出值/>和外界监测数据输出值/>为具体目标的因变量；

建立回归分析预测模型：根据自变量和因变量的数据进行计算，建立多元线性回归分析方程，即公式为、/>，式中，/>为传感器偏差系数，/>为回归系数，/>为误差项；

回归系数是自变量对因变量的影响程度，而误差项为回归模型中不能完全解释的差异或噪声，传感器偏差系数为在实际输入值为零时的输出值；

分析估计回归系数：使用最小二乘法求解回归系数，最小化实际输入值与回归模型预测输出值之间的误差平方和，即计算公式为、，式中，/>为内部监测数据实际输入均值，/>为内部监测数据预测输出均值，/>为外界监测数据实际输入均值，/>为外界监测数据预测输出均值，且/>、/>，、/>；传感器偏差系数的计算公式为/>、/>；

评估模型并解释结果：通过描述实际输入值和滤波输出值之间的关系，评估回归模型，并分析分析传感器偏差系数和回归系数的值，确定传感器组监测数据的实际输入值对滤波处理后的输出值的影响程度和方向。

8.根据权利要求7所述的一种远程监测智能机器人的管理系统，其特征在于，校正传感器输出值是根据已知的偏差系数和回归系数，对实际输入值进行校正以获得精确的输出值，校正计算的步骤如下：

对于智能机器人内部的传感器组采集到的实际输入值，经过滤波处理并代入回归模型中计算，生成滤波预测的输出值/>，式中，/>为传感器组监测数据/>的输出值；

根据智能机器人内部传感器组采集数据经过远程通信传输后的真实输出值和回归模型预测的输出值/>之间的差异来确定校正值/>，即/>且回归模型预测的输出值/>；

将校正值与实际输入值/>相关联，形成一个校正曲线，该校正曲线将传感器组监测数据的实际输入值/>与校正值/>进行匹配，映射获得精确的输出值/>。

9.根据权利要求1所述的一种远程监测智能机器人的管理系统，其特征在于，所述用户识别优化管理模块在管理系统中对人员进行管理、工作步骤如下：

人脸数据采集：在远程监测智能机器人的管理系统中，针对能够管控智能机器人的工作人员，采集工作人员的面部数据，将采集到的人脸图像识别录入，并保存相关的人脸特征数据；

人脸特征提取：采集人脸数据后，管理系统运行深度学习算法中的卷积神经网络CNN模型，对人脸图像进行处理训练过程中，通过多个卷积和池化层从原始图像中学习提取到人脸图像中的高级特征；

特征比对与识别：当管理系统需要对人员进行识别时，会采用特征向量计算当前的人脸特征与已存储的人脸特征进行比对分析，通过计算面部特征之间的相似度，管理系统用于确定当前人脸与已存储人脸的匹配程度；

用户认证和权限控制：根据人脸识别结果，管理系统会采用人脸识别结合用户名密码双认证方法进行用户认证和权限控制，以对工作人员身份进行验证，并根据验证结果授予管控智能机器人的相应权限，则权限控制包括远程监测数据权限、控制行为权限、数据访问权限和配置权限；

管理和记录：授权管控智能机器人的工作人员，管理系统会记录每一次的人脸识别结果并上传本地存储，这些记录数据被用于后续的用户管理、行为分析和安全审计。

10.根据权利要求9所述的一种远程监测智能机器人的管理系统，其特征在于，所述卷积神经网络CNN模型中的卷积和池化层计算步骤如下：

卷积层主提取输入人脸图像中的空间特征，计算公式为，式中，/>为二维输出特征图，/>为二维输入图像，/>为卷积核权重矩阵，/>为偏置项，/>为卷积结果的求和；激活函数层并在池化层中采用最大池化的计算方式，将输入图像在局部区域的最大值作为输出值，通过若干次的卷积和池化层迭代操作，CNN逐渐提取到图像中的高级特征。