CN117589177B - 基于工业大模型自主导航方法 - Google Patents
基于工业大模型自主导航方法 Download PDFInfo
- Publication number
- CN117589177B CN117589177B CN202410069831.8A CN202410069831A CN117589177B CN 117589177 B CN117589177 B CN 117589177B CN 202410069831 A CN202410069831 A CN 202410069831A CN 117589177 B CN117589177 B CN 117589177B
- Authority
- CN
- China
- Prior art keywords
- industrial
- preset
- target
- scene
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 abstract description 22
- 238000013439 planning Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本申请公开了一种基于工业大模型自主导航方法,涉及工业机器人技术领域。基于工业大模型自主导航方法,利用工业大模型实现工业场景图像中不安全工业场景对象的检测,基于工业大模型的检测结果,对工业机器人前往不安全工业场景的导航路径进行规划。一方面,由于工业大模型能够处理大量的数据,所获得的检测结果较为准确性,能够提高路径规划的准确性。另一方面,将工业机器人用于不安全工业场景的排查,由于导航路径的规划,以及场景图像的获取,均是自主的,所以,该排查具有自主性。从而,该技术方案能够基于工业大模型,实现工业机器人至不安全工业场景的自主导航,从而使得工业机器人能够应用于不安全工业场景的排查。
Description
技术领域
本申请是关于工业机器人技术领域,特别是关于一种基于工业大模型自主导航方法。
背景技术
随着机器人技术的发展,以及随着工业自动化的发展,在各类工业场景中,工业机器人的应用也越来越多。目前,工业机器人的应用方式,例如:将工业机器人用于工业自动化产线上,由工业机器人代替人工执行相关的工作。
这种工业机器人的应用方式,工业机器人按照固定的方式进行工作,不具有自主性。
发明内容
本申请的目的在于提供一种基于工业大模型自主导航方法,其能够基于工业大模型,实现工业机器人至不安全工业场景的自主导航,从而使得工业机器人能够应用于不安全工业场景的排查。
为实现上述目的,本申请的实施例提供了一种基于工业大模型自主导航方法,包括:获取多张工业场景图像,每一所述工业场景图像中包括至少一种工业场景对象;根据预设的第一工业大模型,从所述多张工业场景图像中确定出第一目标场景图像和第二目标场景图像,所述第一目标场景图像中包括不安全工业场景对象,所述第二目标场景图像中包括的工业场景对象与所述不安全工业场景对象存在关联性;根据预设的工业场景对象库和所述第一目标场景图像,确定目标位置信息,所述预设的工业场景对象库中包括多个预设工业场景对象和所述多个预设工业场景对象分别对应的预设信息,所述预设信息包括预设图像和预设位置信息;根据所述目标位置信息、所述第二目标场景图像和目标工业机器人的当前位置,生成目标导航路径;根据所述目标导航路径对所述目标工业机器人进行导航。
在一种可能的实施方式中,工业场景中预先配置有至少一个图像采集机器人,所述至少一个图像采集机器人分别用于在所述工业场景中移动,以采集工业场景图像,还用于根据本地预设的工业场景对象识别算法对采集的工业场景图像进行初步筛选,所述获取多张工业场景图像,包括:接收所述至少一个图像采集机器人发送的多张经过初步筛选的工业场景图像;根据预设的图像分类模型和所述多张经过初步筛选的工业场景图像,确定所述多张工业场景图像。
在一种可能的实施方式中,所述基于工业大模型自主导航方法还包括:
获取第一训练数据集,所述第一训练数据集中包括多组样本工业场景图像,每组样本工业场景图像中包括多张样本工业场景图像,所述多张样本工业场景图像中包括第一样本工业场景图像和第二样本工业场景图像,所述第一样本工业场景图像设置有不安全工业场景对象标签,所述第二样本工业场景图像设置有影响元素标签,所述影响元素标签与所述不安全工业场景对象标签存在关联性,所述第一样本工业场景图像所对应的真实工业场景和所述第二样本工业场景图像所对应的真实工业场景之间的距离小于预设距离;根据所述第一训练数据集,对初始的第一工业大模型进行训练,获得所述预设的第一工业大模型。
在一种可能的实施方式中,所述根据预设的工业场景对象库和所述第一目标场景图像,确定所述目标位置信息,包括:确定所述第一目标场景图像与所述多个预设工业场景对象分别对应的预设图像之间的图像相似度;若根据所述图像相似度从所述多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,根据所述目标预设图像对应的预设工业场景对象的预设位置信息,确定所述目标位置信息,所述目标预设图像与所述第一目标场景图像之间的相似度大于预设相似度。
在一种可能的实施方式中,所述预设信息还包括:预设评估信息,所述预设评估信息包括预设风险等级和预设重要性等级,所述根据所述目标预设图像对应的预设工业场景对象的预设位置信息,确定所述目标位置信息,包括:若所述目标预设图像对应一个预设工业场景对象,且该一个预设工业场景对象的预设风险等级大于第一预设等级,从所述多个预设工业场景对象中确定出关联工业场景对象;根据该一个预设工业场景对象的预设位置信息和所述关联工业场景对象的预设位置信息,确定所述目标位置信息;若所述目标预设图像对应多个预设工业场景对象,且该多个预设工业场景对象分别对应的预设重要性等级均大于第二预设等级,根据该多个预设工业场景对象分别对应的预设位置信息,确定所述目标位置信息。
在一种可能的实施方式中,所述基于工业大模型自主导航方法还包括:若根据所述图像相似度未从所述多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,根据所述多个预设工业场景对象分别对应的预设评估信息,确定出目标预设工业场景对象,所述目标预设工业场景对象的预设风险等级大于所述第一预设等级,且预设重要性等级大于所述第二预设等级;根据所述目标预设工业场景对象的预设位置信息,确定所述目标位置信息。
在一种可能的实施方式中,所述第二目标场景图像中包括的工业场景对象与所述不安全工业场景对象之间的距离小于预设距离,所述根据所述目标位置信息、所述第二目标场景图像和目标工业机器人的当前位置,生成目标导航路径,包括:根据所述第二目标场景图像和预设的第二工业大模型,确定所述第二目标场景图像对应的中间工业场景对象;根据所述预设的工业场景对象库,确定所述中间工业场景对象对应的中间位置信息;根据所述中间位置信息和所述目标工业机器人的当前位置,生成第一导航路径;根据所述中间位置信息和所述目标位置信息,生成第二导航路径;根据所述第一导航路径和所述第二导航路径,确定所述目标导航路径。
在一种可能的实施方式中,所述基于工业大模型自主导航方法还包括:获取第二训练数据集,所述第二训练数据集中包括:多张样本工业场景图像,每一样本工业场景图像设置有中间工业场景对象标签,所述中间工业场景对象标签包括障碍物标签、风控区标签、协助区标签和保护区标签中的至少一种标签;根据所述第二训练数据集,对初始的第二工业大模型进行训练,获得所述预设的第二工业大模型。
在一种可能的实施方式中,所述中间工业场景对象包括:障碍物类型对象、风控类型对象、协助类型对象和保护类型对象,所述基于工业大模型自主导航方法还包括:若所述目标导航路径中包括所述障碍物类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述障碍物类型对象时,控制所述目标工业机器人在所述障碍物类型对象位置配置第一标识信息;若所述目标导航路径中包括所述风控类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述风控类型对象时,控制所述目标工业机器人在所述风控类型对象位置配置第二标识信息;若所述目标导航路径中包括所述协助类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述协助类型对象时,控制所述目标工业机器人在所述协助类型对象位置配置第三标识信息;若所述目标导航路径中包括所述保护类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述保护类型对象时,控制所述目标工业机器人在所述风控类型对象位置配置第四标识信息。
在一种可能的实施方式中,所述目标工业机器人为故障检测机器人,所述基于工业大模型自主导航方法还包括:在所述目标工业机器人沿着所述目标导航路径的行进过程中,获取所述目标工业机器人采集的自主导航图像;在所述目标工业机器人到达所述目标导航路径的终点时,获取所述目标工业机器人采集的终点位置图像,并获取所述目标工业机器人所获得的故障检测结果;根据所述自主导航图像和所述终点位置图像,确定的所述目标工业机器人的实时评估结果;根据所述实时评估结果和所述故障检测结果,确定最终的故障检测结果。
与现有技术相比,本申请实施例提供的基于工业大模型自主导航方法,利用工业大模型实现工业场景图像中不安全工业场景对象的检测,基于工业大模型的检测结果,对工业机器人前往不安全工业场景的导航路径进行规划。一方面,由于工业大模型能够处理大量的数据,所获得的检测结果较为准确性,能够提高路径规划的准确性。另一方面,将工业机器人用于不安全工业场景的排查,由于导航路径的规划,以及场景图像的获取,均是自主的,所以,该排查具有自主性。从而,该技术方案能够基于工业大模型,实现工业机器人至不安全工业场景的自主导航,从而使得工业机器人能够应用于不安全工业场景的排查。
附图说明
图1是根据本申请第一实施例的工业场景示例图;
图2是根据本申请实施例的基于工业大模型自主导航方法的流程图;
图3是根据本申请第二实施例的工业场景示例图;
图4是根据本申请实施例的基于工业大模型自主导航装置的框图;
图5是根据本申请实施例的机器人的框图。
具体实施方式
下面结合附图,对本申请的具体实施方式进行详细描述,但应当理解本申请的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本申请实施例提供的技术方案可以应用于各类工业场景中,在这些工业场景中,涉及到大量的工业设备、工业数据、工业流程和作业人员等。例如:化工场景、各类自动化工厂场景等。
在这些工业场景中,工业设备、作业人员、作业环境和作业机器人等,均可视为工业场景对象。不管是大型的工业场景,还是小型的工业场景,对这些工业场景对象的安全性进行及时有效的排查,能够保证整个工业场景的稳定性和安全性。
相关技术中,为了实现工业场景中的相关情况的排查,通常配置有大量的摄像头,由相关的工作人员通过摄像头采集的画面,排查工业场景中是否出现问题。这种排查方式,效率很慢,不具有及时性。
在一些场景中,也会配置机器人进行巡查,但是,机器人采用盲目的巡查方式,不具有目的性;并且,巡查的机器人可能还会工业场景中的相关对象造成影响,例如:影响作业人员的作业,影响工业设备等。
基于此,本申请实施例提供一种基于工业大模型自主导航方法,该自主导航方法,能够根据工业场景的实时情况,分析出安全性检测结果,并根据安全性检测结果为机器人规划路线,使得机器人前往目的地进行排查。即,该自主导航所规划的路线为机器人前往不安全工业场景的路线。从而,实现工业机器人至不安全工业场景的自主导航,使得工业机器人能够应用于不安全工业场景的排查。
请参照图1,为本申请实施例提供的工业场景示意图,如图1所示,其中示出了一个工厂,该工厂可视为一个大的工业场景。对于该工厂来说,其划分有多片子区域(区域A、区域B和区域C),每个子区域可视为一个小的工业场景。在该工厂中,可以配置至少一个工业机器人,具体的配置数量可以根据工厂的面积、事故发生率、重要等级等决定。
在该工厂中配置的工业机器人,可以用于排查故障、风险等情况;在没有故障和风险的情况下,该工业机器人可以处于一个预设位置,该预设位置可以是上一次排查的位置,也可以是初始配置的位置。然后,通过获取工厂中的相关数据,对工厂是否存在不安全的情况进行检测,当检测到不安全的情况之后,规划该工业机器人前往不安全对象的位置,进行排查。
其中,不安全情况的检测和路径的规划,可以由工业机器人自己实现,也可以由机器人后端控制台实现,在此不作限定。
在一些实施例中,如果有多个工业机器人,则可以由多个工业机器人分别实现不安全情况的检测和路径的规划,如果只有一个工业机器人,则可以由机器人后台实现不安全情况的检测和路径的规划。
在一些实施例中,在存在多个工业机器人的情况下,多个工业机器人分别负责相应区域的情况排查。
请参照图2,为本申请实施例提供的基于工业大模型自主导航方法的流程图,该方法可以应用于工业机器人,也可以应用于机器人控制后台,该方法包括:
步骤201,获取多张工业场景图像,每一工业场景图像中包括至少一种工业场景对象。
在一些实施例中,工业场景对象可以是:工业设备、作业人员、工业建筑和一些特殊对象等,处于工业场景中的对象。
工业设备,例如:工业作业仪器等;作业人员,例如:维修人员、操作人员等;工业建筑,例如:道路、房屋等;特殊对象,例如:水、树木等环境类的对象。
在一些实施例中,工业场景中的不同位置,可以分别配置图像采集设备,通过这些图像采集设备,可以采集工业场景图像。
请参照图3,为本申请实施例提供的又一种工业场景的示例图,在该工业场景中,除了包括用于排查的机器人,还包括图像采集机器人,该图像采集机器人配置在工业场景中,用于实现工业场景图像的采集。
作为一种可选的实施方式,工业场景中预先配置有至少一个图像采集机器人,至少一个图像采集机器人分别用于在工业场景中移动,以采集工业场景图像,还用于根据本地预设的工业场景对象识别算法对采集的工业场景图像进行初步筛选。
在这种实施方式中,图像采集机器人不仅具备图像采集能力,还具备图像处理能力。其可以根据本地预设的识别算法,对采集的工业场景图像作初步筛选。
在一些实施例中,本地预设的工业场景对象识别算法可以是安全工业场景对象的识别算法,通过该识别算法,可以将不包括工业场景对象的图像初步筛除掉。
进一步地,步骤201可以包括:接收至少一个图像采集机器人发送的多张经过初步筛选的工业场景图像;根据预设的图像分类模型和多张经过初步筛选的工业场景图像,确定多张工业场景图像。
可以理解,图像采集机器人的识别算法可能并不是很精确,所以,此处还可以通过较为精确的图像分类模型,确定出包含工业场景对象的工业场景图像。
在本申请实施例中,图像分类模型和对象识别算法,可以参照本领域的成熟技术。
在一些实施例中,如果工业场景涉及的范围较广,则不管是采用图像采集设备,还是采用图像采集机器人,步骤201中所获取到的多张工业场景图像可以是对应一片区域的图像,而不是分散的毫不相关的图像,这样可以提高排查效率。也即,在本申请实施例中,针对较为复杂的工业场景,可以采用分区域的排查方式。
步骤202,根据预设的第一工业大模型,从多张工业场景图像中确定出第一目标场景图像和第二目标场景图像,第一目标场景图像中包括不安全工业场景对象,第二目标场景图像中包括的工业场景对象与不安全工业场景对象存在关联性。
工业大模型是在工业领域中应用的大规模机器学习模型,主要用于解决复杂的问题,如预测、优化、控制等。工业大模型的应用场景包括但不限于生产过程优化、供应链管理、设备故障预测等。
工业大模型的优势在于能够处理大规模的数据,并且能够通过学习和自适应能力不断优化自身的表现。这使得工业大模型在处理复杂的问题时,能够提供更高的精度和更低的误差率。
为了充分发挥工业大模型的潜力,需要采取一系列的措施。首先,需要加强计算基础设施的建设,提高计算能力和存储能力。其次,需要加强数据治理和数据质量控制,确保数据的准确性和完整性。此外,还需要加强人才培养和技术研究,提高大模型的研发和应用水平。
总之,工业大模型是工业领域中的一种重要技术,具有广阔的应用前景和巨大的潜力。通过加强基础设施建设、数据治理和人才培养等措施,可以充分发挥工业大模型的优点,提高工业生产的效率和质量。
在本申请实施例中,基于工业大模型的技术背景,对工业大模型进行应用,使其可以检测出包括不安全工业场景对象的图像,以及检测出包括与不安全场景对象具有关联性的对象的图像。
例如,如果不安全工业场景对象是某个工业设备,则位于该工业设备周围的其他对象,均可视为与该不安全场景对象具有关联性的对象,这些对象的检测结果可能是安全的。从而,这些对象可能包含在其他的图像中,也需要一并进行检测。
在一些实施例中,不安全工业场景对象,例如:存在运行故障的工业设备、外来人员、存在安全影响的环境因素等。
为了使得工业大模型能够识别出这些不安全工业场景对象和关联的工业场景对象,需要利用训练数据集预先进行训练。
因此,作为一种可选的实施方式,该方法还包括:获取第一训练数据集,第一训练数据集中包括多组样本工业场景图像,每组样本工业场景图像中包括多张样本工业场景图像,多张样本工业场景图像中包括第一样本工业场景图像和第二样本工业场景图像,第一样本工业场景图像设置有不安全工业场景对象标签,第二样本工业场景图像设置有影响元素标签,影响元素标签与不安全工业场景对象标签存在关联性,第一样本工业场景图像所对应的真实工业场景和第二样本工业场景图像所对应的真实工业场景之间的距离小于预设距离;根据第一训练数据集,对初始的第一工业大模型进行训练,获得预设的第一工业大模型。
在一些实施例中,第一样本工业场景图像可以通过对不安全工业场景进行采集获取,也可以是历史数据库中所存储的数据。对应的,第二样本工业场景图像,也可以采取相应的方式获取,其与第一样本工业场景图像成组配置。
在一些实施例中,不安全工业场景对象标签,用于标识出不安全工业场景对象;影响元素标签,用于标识出与不安全工业场景对象存在关联性的工业场景对象。
在一些实施例中,对于一组样本工业场景图像来说,其可以是在一个范围内的图像,因此,第一样本工业场景图像所对应的真实工业场景和第二样本工业场景图像所对应的真实工业场景之间的距离小于预设距离。也即,在本申请实施例中,在满足距离条件的情况下,才能视为具备关联性。
其中,预设距离可以根据不同的情况进行配置,例如:2米、5米等。
进一步地,基于第一训练数据集,对工业大模型进行训练,即可获得预设的第一工业大模型,该第一工业大模型,可以从多张图像中,识别出第一目标场景图像和第二目标场景图像。
此外,第一目标场景图像和第二目标场景图像也是成组的,例如:针对一张第一目标场景图像,其可能对应3张第二目标场景图像,而针对另一张第一目标场景图像,其可能对应2张第二目标场景图像等。
在一些实施例中,工业大模型可以采用本领域成熟的模型实施方式,其训练方式也可以参照本领域的成熟技术,在此不作详细介绍。
步骤203,根据预设的工业场景对象库和第一目标场景图像,确定目标位置信息,预设的工业场景对象库中包括多个预设工业场景对象和多个预设工业场景对象分别对应的预设信息,预设信息包括预设图像和预设位置信息。
在一些实施例中,预设图像为针对各个预设工业场景对象,在安全的情况下,分别采集的图像。预设图像中包括的预设工业场景对象,可以是安全工业场景对象,也可以是不安全工业场景对象。预设位置信息,用于表征预设工业场景对象的位置,该位置可以是相较于整个工业场景的位置。
在本申请实施例中,预设的工业场景对象库为实时更新的库;也即,其中的位置信息可以理解为实时采集的信息,可以由其他的模块实现采集;其中的预设图像,也是定时更新的图像。
作为一种可选的实施方式,步骤203包括:确定第一目标场景图像与多个预设工业场景对象分别对应的预设图像之间的图像相似度;若根据图像相似度从多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,根据目标预设图像对应的预设工业场景对象的预设位置信息,确定目标位置信息,目标预设图像与第一目标场景图像之间的相似度大于预设相似度。
在一些实施例中,确定第一目标图像与各个预设工业场景对象分别对应的预设图像之间的图像相似度;根据该图像相似度,确定目标预设图像。其中,目标预设图像与第一目标场景图像之间的相似度大于预设相似度;预设相似度可以根据预设图像中安全场景对象和不安全场景对象的配置比例设置,如果不安全场景对象较多,则预设相似度可以在95%-99%以内;如果安全场景对象较多,则预设相似度可以在93%-98%以内。
在一些实施例中,图像相似度的确定算法,可以参照本领域的成熟技术,在此不作具体介绍。
在一些实施例中,如果多个预设工业场景对象分别对应的预设图像中包括目标预设图像,则可以根据目标预设图像对应的预设工业场景对象的预设位置信息,确定目标位置信息。
作为一种可选的实施方式,预设信息还包括:预设评估信息,预设评估信息包括预设风险等级和预设重要性等级。预设风险等级,用于表征预设工业场景对象的风险性,例如,等级越高,风险越大。预设重要性等级,用于表征预设工业场景对象的重要性,例如,等级越高,风险越大。
进而,根据目标预设图像对应的预设工业场景对象的预设位置信息,确定目标位置信息,包括:若目标预设图像对应一个预设工业场景对象,且该一个预设工业场景对象的预设风险等级大于第一预设等级,从多个预设工业场景对象中确定出关联工业场景对象;根据该一个预设工业场景对象的预设位置信息和关联工业场景对象的预设位置信息,确定目标位置信息;若目标预设图像对应多个预设工业场景对象,且该多个预设工业场景对象分别对应的预设重要性等级均大于第二预设等级,根据该多个预设工业场景对象分别对应的预设位置信息,确定目标位置信息。
在这种实施方式,如果目标预设图像对应一个预设工业场景对象,且该一个预设工业场景对象的预设风险等级大于第一预设等级,此时,还可以从多个预设工业场景对象中确定出关联工业场景对象。
需要注意的是,此处的关联工业场景对象,可以是不满足距离条件的对象,其可能是与预设工业场景对象存在应用层级上的关联性的对象。例如,如果预设工业场景对象是作业人员,则关联工业场景对象可以是与该作业人员负责相同工作的作业人员;如果预设工业场景对象是工业设备,则关联工业场景对象可以是与该工业设备存在数据影响关系的其他工业设备。
在一些实施例中,第一预设等级可以是不对其关联对象产生风险性的风险等级。
在一些实施例中,比较该一个预设工业场景对象的预设位置信息和关联工业场景对象的预设位置信息分别与目标工业机器人的当前位置之间的距离,如果该一个预设工业场景对象距离目标工业机器人更近,则将该一个预设工业场景对象的位置信息确定为目标位置信息。否则,将该一个预设工业场景对象的预设位置信息和关联工业场景对象的预设位置信息均作为目标位置信息。后续在进行路径规划时,可能先规划至更近的位置的路径,再规划从该更近的位置前往更远的位置的路径。
在一些实施例中,若目标预设图像对应多个预设工业场景对象,且该多个预设工业场景对象分别对应的预设重要性等级均大于第二预设等级,此时,可以优先将距离目标工业机器人更近的位置信息,确定为目标位置信息。或者,将预设重要性等级更高的对象的位置信息,确定为目标位置信息。
在一些实施例中,若根据图像相似度未从多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,根据多个预设工业场景对象分别对应的预设评估信息,确定出目标预设工业场景对象,目标预设工业场景对象的预设风险等级大于第一预设等级,且预设重要性等级大于第二预设等级;根据目标预设工业场景对象的预设位置信息,确定目标位置信息。
在这种实施方式,若根据图像相似度未从多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,说明对象库中可能没有相关的记录。此时,可以确定出目标预设工业场景对象,将目标预设工业场景对象视为当前需要排查的对象。从而,可以将目标预设工业场景对象的预设位置信息,确定为目标位置信息。
步骤204,根据目标位置信息、第二目标场景图像和目标工业机器人的当前位置,生成目标导航路径。
在一些实施例中,第二目标场景图像中包括的工业场景对象与不安全工业场景对象之间的距离小于预设距离。
进一步地,步骤204可以包括:根据第二目标场景图像和预设的第二工业大模型,确定第二目标场景图像对应的中间工业场景对象;根据预设的工业场景对象库,确定中间工业场景对象对应的中间位置信息;根据中间位置信息和目标工业机器人的当前位置,生成第一导航路径;根据中间位置信息和目标位置信息,生成第二导航路径;根据第一导航路径和所述第二导航路径,确定目标导航路径。
在一些实施例中,中间工业场景对象可以是排查时,可能会涉及的一些对象。
作为一种可选的实施方式,基于工业大模型自主导航方法还包括:获取第二训练数据集,第二训练数据集中包括:多张样本工业场景图像,每一样本工业场景图像设置有中间工业场景对象标签,中间工业场景对象标签包括障碍物标签、风控区标签、协助区标签和保护区标签中的至少一种标签;根据第二训练数据集,对初始的第二工业大模型进行训练,获得预设的第二工业大模型。
在一些实施例中,中间工业场景对象标签可以用于标识出样本工业场景图像中的中间工业场景对象。
障碍物,可以理解为排查过程中的障碍物,例如:树木、石头等。
风控区,可以理解为排查过程中需要标注的风控区,该风控区仍然通过对象进行标识,例如,不安全场景对象的预设范围内的对象。
协助区,可以理解为排查过程中需要标注的协助区,该协助区仍然通过对象进行标识,例如,不安全场景对象预设范围内的安全区域。
保护区,可以理解为排查过程中需要标注的保护区,该保护区仍然通过对象进行标识,例如,不安全对象周围的重要设备。
从而,通过第二训练数据集,可以完成第二工业大模型的训练,使得其可以从第二目标场景图像中识别出中间工业场景对象。
在一些实施例中,在预设的工业场景对象库查找中间工业场景对象,并确定出相应的位置信息。
在一些实施例中,先根据中间位置信息和目标工业机器人的当前位置,生成第一导航路径,该第一导航路径可以指引目标工业机器人从当前位置前往中间工业场景对象所在的位置。
然后,根据中间位置信息和目标位置信息,生成第二导航路径,该第二导航路径可以指引目标工业机器人从中间位置前往目标位置。其中,如果目标位置信息包括多个,则第二导航路径可以是中间位置至第一目标位置,第一目标位置至第二目标位置,以此类推,至最后一个目标位置的路径。其中,第一目标位置距离中间位置最近,以此类推。
在一些实施例中,将第一导航路径和第二导航路径合并,即可得到目标导航路径。以及,第一导航路径的终点,作为中间停留点。
在一些实施例中,如果目标位置信息距离目标工业机器人的当前位置信息更近,则,可以先生成当前位置至目标位置的导航路径,再生成目标位置至中间位置的导航路径。最终的导航路径中,导航路径的终点为附加排查点,即,先对目标位置进行排查,再处理中间位置。
在本申请实施例中,导航路径的生成方式,可以参照本领域成熟的机器人路径规划技术,在此不作详细介绍。
步骤205,根据目标导航路径对目标工业机器人进行导航。可以理解,在目标导航路径的指引下,目标工业机器人可以前往目标导航路径的终点。
在一些实施例中,由于配置了中间位置,其可以作为中途停留点,也可以作为附加的排查点。
因此,中间工业场景对象包括:障碍物类型对象、风控类型对象、协助类型对象和保护类型对象;基于工业大模型自主导航方法还包括:若目标导航路径中包括障碍物类型对象,在根据目标导航路径将目标工业机器人导航至障碍物类型对象时,控制目标工业机器人在所述障碍物类型对象位置配置第一标识信息;若目标导航路径中包括风控类型对象,在根据目标导航路径将目标工业机器人导航至风控类型对象时,控制目标工业机器人在风控类型对象位置配置第二标识信息;若目标导航路径中包括所述协助类型对象,在根据目标导航路径将所述目标工业机器人导航至协助类型对象时,控制目标工业机器人在协助类型对象位置配置第三标识信息;若目标导航路径中包括保护类型对象,在根据目标导航路径将目标工业机器人导航至保护类型对象时,控制目标工业机器人在风控类型对象位置配置第四标识信息。
在一些实施例中,目标工业机器人可以设置有标识装置,该标识装置可以配置不同的标识信息。该标识装置可以是:喷涂装置,该喷涂装置预设有不同的标识信息的喷涂方式。在目标工业机器人确定中间工业场景对象类型之后,根据预设的喷涂方式,实现不同的标识信息的配置。
在一些实施例中,在工业场景还配置有相应的巡逻人员,该巡逻人员在查看到相应的标识信息之后,可以通过实物进行进一步的标识,例如拉警戒线,封闭线等。
在一些实施例中,除了这种标识方式,目标工业机器人还可以在工业场景地图中,对中间场景对象进行标识;这种标识,属于一种虚拟的标识方式。
在一些实施例中,目标工业机器人为故障检测机器人,基于工业大模型自主导航方法还包括:在目标工业机器人沿着目标导航路径的行进过程中,获取目标工业机器人采集的自主导航图像;在目标工业机器人到达目标导航路径的终点时,获取目标工业机器人采集的终点位置图像,并获取目标工业机器人所获得的故障检测结果;根据自主导航图像和终点位置图像,确定的目标工业机器人的实时评估结果;根据实时评估结果和故障检测结果,确定最终的故障检测结果。
在这种实施方式中,在目标工业机器人沿着目标导航路径的行进过程中,目标工业机器人可以实时采集图像,所采集的图像即为自主导航图像。可以理解,目标工业机器人也配置有图像采集装置,可以实现图像的采集。
在一些实施例中,故障检测机器人可以根据现场的排查情况,确定出一个故障检测结果,该故障检测结果可以根据机器人配置的故障检测算法实现获取;具体的故障检测算法,可以参照本领域的成熟技术,在此不作详细介绍。
在一些实施例中,在机器人到达终点之后,还可以采集终点位置的图像。
进一步地,根据自主导航图像和终点位置图像,确定的目标工业机器人的实时评估结果,该实时评估结果可以表征目标工业机器人的运行稳定性。因此,可以比较自主导航图像和终点位置图像的图像质量,确定图像质量的稳定性。例如,图像质量均差不多,则较为稳定。否则,则存在不稳定性。在存在不稳定性的情况下,如果图像质量存在差异的图像数量较少,则依旧确定为具有稳定性。否则,视为不稳定。
从而,将图像质量的稳定性的判断结果,作为实时评估结果。
进而,如果稳定,则可以将故障检测结果作为最终的故障检测结果;否则,将故障检测结果作为辅助检测结果,需要等检测人员实地检测之后,更新最终的故障检测结果。
通过本申请实施例的介绍可以看出,利用工业大模型实现工业场景图像中不安全工业场景对象的检测,基于工业大模型的检测结果,对工业机器人前往不安全工业场景的导航路径进行规划。一方面,由于工业大模型能够处理大量的数据,所获得的检测结果较为准确性,能够提高路径规划的准确性。另一方面,将工业机器人用于不安全工业场景的排查,由于导航路径的规划,以及场景图像的获取,均是自主的,所以,该排查具有自主性。从而,该技术方案能够基于工业大模型,实现工业机器人至不安全工业场景的自主导航,从而使得工业机器人能够应用于不安全工业场景的排查。
请参照图4,本申请实施例还提供一种基于工业大模型自主导航装置,包括:
获取模块401,用于获取多张工业场景图像,每一所述工业场景图像中包括至少一种工业场景对象;确定模块402,用于根据预设的第一工业大模型,从所述多张工业场景图像中确定出第一目标场景图像和第二目标场景图像,所述第一目标场景图像中包括不安全工业场景对象,所述第二目标场景图像中包括的工业场景对象与所述不安全工业场景对象存在关联性;根据预设的工业场景对象库和所述第一目标场景图像,确定目标位置信息,所述预设的工业场景对象库中包括多个预设工业场景对象和所述多个预设工业场景对象分别对应的预设信息,所述预设信息包括预设图像和预设位置信息;导航模块403,用于根据所述目标位置信息、所述第二目标场景图像和目标工业机器人的当前位置,生成目标导航路径;根据所述目标导航路径对所述目标工业机器人进行导航。
该基于工业大模型自主导航装置可以参照前述方法实施例的介绍,在此不进行重复介绍。
请参照图5,本申请实施例还提供一种机器人,包括处理器501和存储器502,处理器501和存储器502通信连接,该机器人可作为前述的基于工业大模型自主导航方法的执行主体。
处理器501、存储器502之间直接或间接地电连接,以实现数据的传输或交互。例如,这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。前述的基于工业大模型自主导航方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器502中的软件功能模块。
处理器501可以是一种集成电路芯片,具有信号处理能力。处理器501可以是通用处理器,包括CPU (Central Processing Unit,中央处理器)、NP (Network Processor,网络处理器)等;还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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502可以存储各种软件程序以及模块,如本申请实施例提供的基于工业大模型自主导航方法及装置对应的程序指令/模块。处理器501通过运行存储在存储器502中的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现本申请实施例中的方法。
存储器502可以包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read Only Memory,只读存储器),PROM(Programmable Read-Only Memory,可编程只读存储器),EPROM(Erasable Programmable Read-Only Memory,可擦除只读存储器),EEPROM(Electric Erasable Programmable Read-Only Memory,电可擦除只读存储器)等。
可以理解,图5所示的结构仅为示意,机器人还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。本申请的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于工业大模型自主导航方法,其特征在于,包括:
获取多张工业场景图像,每一所述工业场景图像中包括至少一种工业场景对象;
根据预设的第一工业大模型,从所述多张工业场景图像中确定出第一目标场景图像和第二目标场景图像,所述第一目标场景图像中包括不安全工业场景对象,所述第二目标场景图像中包括的工业场景对象与所述不安全工业场景对象存在关联性,所述预设的第一工业大模型对应的训练数据包括:多组样本工业场景图像,每组样本工业场景图像中包括多张样本工业场景图像,所述多张样本工业场景图像中包括第一样本工业场景图像和第二样本工业场景图像,所述第一样本工业场景图像设置有不安全工业场景对象标签,所述第二样本工业场景图像设置有影响元素标签,所述影响元素标签与所述不安全工业场景对象标签存在关联性,所述第一样本工业场景图像所对应的真实工业场景和所述第二样本工业场景图像所对应的真实工业场景之间的距离小于预设距离;
根据预设的工业场景对象库和所述第一目标场景图像,确定目标位置信息,所述预设的工业场景对象库中包括多个预设工业场景对象和所述多个预设工业场景对象分别对应的预设信息,所述预设信息包括预设图像和预设位置信息;
根据所述目标位置信息、所述第二目标场景图像和目标工业机器人的当前位置,生成目标导航路径;
根据所述目标导航路径对所述目标工业机器人进行导航。
2.根据权利要求1所述的基于工业大模型自主导航方法,其特征在于,工业场景中预先配置有至少一个图像采集机器人,所述至少一个图像采集机器人分别用于在所述工业场景中移动,以采集工业场景图像,还用于根据本地预设的工业场景对象识别算法对采集的工业场景图像进行初步筛选,所述获取多张工业场景图像,包括:
接收所述至少一个图像采集机器人发送的多张经过初步筛选的工业场景图像;
根据预设的图像分类模型和所述多张经过初步筛选的工业场景图像,确定所述多张工业场景图像。
3.根据权利要求1所述的基于工业大模型自主导航方法,其特征在于,所述基于工业大模型自主导航方法还包括:
获取第一训练数据集,所述第一训练数据集中包括多组样本工业场景图像,每组样本工业场景图像中包括多张样本工业场景图像,所述多张样本工业场景图像中包括第一样本工业场景图像和第二样本工业场景图像,所述第一样本工业场景图像设置有不安全工业场景对象标签,所述第二样本工业场景图像设置有影响元素标签,所述影响元素标签与所述不安全工业场景对象标签存在关联性,所述第一样本工业场景图像所对应的真实工业场景和所述第二样本工业场景图像所对应的真实工业场景之间的距离小于预设距离;
根据所述第一训练数据集,对初始的第一工业大模型进行训练,获得所述预设的第一工业大模型。
4.根据权利要求1所述的基于工业大模型自主导航方法,其特征在于,所述根据预设的工业场景对象库和所述第一目标场景图像,确定所述目标位置信息,包括:
确定所述第一目标场景图像与所述多个预设工业场景对象分别对应的预设图像之间的图像相似度;
若根据所述图像相似度从所述多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,根据所述目标预设图像对应的预设工业场景对象的预设位置信息,确定所述目标位置信息,所述目标预设图像与所述第一目标场景图像之间的相似度大于预设相似度。
5.根据权利要求4所述的基于工业大模型自主导航方法,其特征在于,所述预设信息还包括:预设评估信息,所述预设评估信息包括预设风险等级和预设重要性等级,所述根据所述目标预设图像对应的预设工业场景对象的预设位置信息,确定所述目标位置信息,包括:
若所述目标预设图像对应一个预设工业场景对象,且该一个预设工业场景对象的预设风险等级大于第一预设等级,从所述多个预设工业场景对象中确定出关联工业场景对象;根据该一个预设工业场景对象的预设位置信息和所述关联工业场景对象的预设位置信息,确定所述目标位置信息;
若所述目标预设图像对应多个预设工业场景对象,且该多个预设工业场景对象分别对应的预设重要性等级均大于第二预设等级,根据该多个预设工业场景对象分别对应的预设位置信息,确定所述目标位置信息。
6.根据权利要求5所述的基于工业大模型自主导航方法,其特征在于,所述基于工业大模型自主导航方法还包括:
若根据所述图像相似度未从所述多个预设工业场景对象分别对应的预设图像中确定出目标预设图像,根据所述多个预设工业场景对象分别对应的预设评估信息,确定出目标预设工业场景对象,所述目标预设工业场景对象的预设风险等级大于所述第一预设等级,且预设重要性等级大于所述第二预设等级;
根据所述目标预设工业场景对象的预设位置信息,确定所述目标位置信息。
7.根据权利要求1所述的基于工业大模型自主导航方法,其特征在于,所述第二目标场景图像中包括的工业场景对象与所述不安全工业场景对象之间的距离小于预设距离,所述根据所述目标位置信息、所述第二目标场景图像和目标工业机器人的当前位置,生成目标导航路径,包括:
根据所述第二目标场景图像和预设的第二工业大模型,确定所述第二目标场景图像对应的中间工业场景对象;
根据所述预设的工业场景对象库,确定所述中间工业场景对象对应的中间位置信息;
根据所述中间位置信息和所述目标工业机器人的当前位置,生成第一导航路径;
根据所述中间位置信息和所述目标位置信息,生成第二导航路径;
根据所述第一导航路径和所述第二导航路径,确定所述目标导航路径。
8.根据权利要求7所述的基于工业大模型自主导航方法,其特征在于,所述基于工业大模型自主导航方法还包括:
获取第二训练数据集,所述第二训练数据集中包括:多张样本工业场景图像,每一样本工业场景图像设置有中间工业场景对象标签,所述中间工业场景对象标签包括障碍物标签、风控区标签、协助区标签和保护区标签中的至少一种标签;
根据所述第二训练数据集,对初始的第二工业大模型进行训练,获得所述预设的第二工业大模型。
9.根据权利要求8所述的基于工业大模型自主导航方法,其特征在于,所述中间工业场景对象包括:障碍物类型对象、风控类型对象、协助类型对象和保护类型对象,所述基于工业大模型自主导航方法还包括:
若所述目标导航路径中包括所述障碍物类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述障碍物类型对象时,控制所述目标工业机器人在所述障碍物类型对象位置配置第一标识信息;
若所述目标导航路径中包括所述风控类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述风控类型对象时,控制所述目标工业机器人在所述风控类型对象位置配置第二标识信息;
若所述目标导航路径中包括所述协助类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述协助类型对象时,控制所述目标工业机器人在所述协助类型对象位置配置第三标识信息;
若所述目标导航路径中包括所述保护类型对象,在根据所述目标导航路径将所述目标工业机器人导航至所述保护类型对象时,控制所述目标工业机器人在所述保护类型对象位置配置第四标识信息。
10.根据权利要求1所述的基于工业大模型自主导航方法,其特征在于,所述目标工业机器人为故障检测机器人,所述基于工业大模型自主导航方法还包括:
在所述目标工业机器人沿着所述目标导航路径的行进过程中,获取所述目标工业机器人采集的自主导航图像;
在所述目标工业机器人到达所述目标导航路径的终点时,获取所述目标工业机器人采集的终点位置图像,并获取所述目标工业机器人所获得的故障检测结果;
根据所述自主导航图像和所述终点位置图像,确定所述目标工业机器人的实时评估结果;
根据所述实时评估结果和所述故障检测结果,确定最终的故障检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069831.8A CN117589177B (zh) | 2024-01-18 | 2024-01-18 | 基于工业大模型自主导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069831.8A CN117589177B (zh) | 2024-01-18 | 2024-01-18 | 基于工业大模型自主导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117589177A CN117589177A (zh) | 2024-02-23 |
CN117589177B true CN117589177B (zh) | 2024-04-05 |
Family
ID=89918623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410069831.8A Active CN117589177B (zh) | 2024-01-18 | 2024-01-18 | 基于工业大模型自主导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117589177B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014833A (zh) * | 2024-04-09 | 2024-05-10 | 青岛创新奇智科技集团股份有限公司 | 基于工业大模型的图像生成方法、装置、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844545A (zh) * | 2018-06-29 | 2018-11-20 | 合肥信亚达智能科技有限公司 | 一种基于图像识别的辅助出行方法及系统 |
CN115576357A (zh) * | 2022-12-01 | 2023-01-06 | 浙江大有实业有限公司杭州科技发展分公司 | 一种无rtk信号场景下全自动无人机巡检智能路径规划方法 |
CN115995075A (zh) * | 2023-02-03 | 2023-04-21 | 芯砺智能科技(上海)有限公司 | 一种车辆自适应导航方法、装置、电子设备及存储介质 |
CN116242358A (zh) * | 2023-02-03 | 2023-06-09 | 瑞芯微电子股份有限公司 | 基于机器人的自主导航方法和系统、存储介质及机器人 |
CN116301046A (zh) * | 2023-03-24 | 2023-06-23 | 安徽送变电工程有限公司 | 一种基于电力杆塔识别的无人机航拍安全距离自动定位方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984341B2 (en) * | 2006-12-13 | 2018-05-29 | Crown Equipment Corporation | Information system for industrial vehicles including cyclical recurring vehicle information message |
CN109238281B (zh) * | 2017-07-10 | 2020-09-29 | 南京原觉信息科技有限公司 | 基于图像螺旋线的视觉导航及避障方法 |
US11282385B2 (en) * | 2018-04-24 | 2022-03-22 | Qualcomm Incorproated | System and method of object-based navigation |
-
2024
- 2024-01-18 CN CN202410069831.8A patent/CN117589177B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108844545A (zh) * | 2018-06-29 | 2018-11-20 | 合肥信亚达智能科技有限公司 | 一种基于图像识别的辅助出行方法及系统 |
CN115576357A (zh) * | 2022-12-01 | 2023-01-06 | 浙江大有实业有限公司杭州科技发展分公司 | 一种无rtk信号场景下全自动无人机巡检智能路径规划方法 |
CN115995075A (zh) * | 2023-02-03 | 2023-04-21 | 芯砺智能科技(上海)有限公司 | 一种车辆自适应导航方法、装置、电子设备及存储介质 |
CN116242358A (zh) * | 2023-02-03 | 2023-06-09 | 瑞芯微电子股份有限公司 | 基于机器人的自主导航方法和系统、存储介质及机器人 |
CN116301046A (zh) * | 2023-03-24 | 2023-06-23 | 安徽送变电工程有限公司 | 一种基于电力杆塔识别的无人机航拍安全距离自动定位方法 |
Non-Patent Citations (4)
Title |
---|
Alexander Artyshenko ; Mykola Kamaev.Integrated visual-aided navigation system.2014 IEEE 3rd International Conference on Methods and Systems of Navigation and Motion Control.2014,全文. * |
基于立体视觉测量的移动机器人导航技术研究;唐文秀;刘萍洋;等;森林工程;20131130;29(06);全文 * |
基于视觉导航和RBF的移动采摘机器人路径规划研究;崔维;丁玲;;农机化研究;20161130(11);全文 * |
移动机器人在工业大数据采集中不可替代;孙波;机器人产业;20231031(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117589177A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haq et al. | Comparing offline and online testing of deep neural networks: An autonomous car case study | |
CN117589177B (zh) | 基于工业大模型自主导航方法 | |
CN114792319B (zh) | 一种基于变电图像的变电站巡检方法及系统 | |
CN116777187B (zh) | 一种多路巡检智能中控调度方法及调度平台 | |
CN115373403B (zh) | 一种建筑机械设备巡检服务系统 | |
CN116512273A (zh) | 一种巡检机器人的运动智能控制方法及系统 | |
CN113326964A (zh) | 一种基于数据复合多级综合管廊风险管控方法及方法 | |
CN116954234A (zh) | 一种机器人巡检控制方法及系统 | |
CN115372748A (zh) | 电缆的维护数据处理方法及系统 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN117572863A (zh) | 用于变电站机器人的路径优化方法及系统 | |
CN105824308B (zh) | 饲喂机器人控制系统故障诊断专家系统及诊断方法 | |
CN117313969A (zh) | 变电站机器人巡视路径优化方法及装置 | |
CN112346481A (zh) | 一种无人机电力巡检作业的方法及系统 | |
CN114661057B (zh) | 一种智能仿生双足巡检机器人 | |
CN116295497A (zh) | 路径生成方法、装置、机器人和存储介质 | |
CN116382329A (zh) | 一种用于室内的无人机巡检方法及系统 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN116386128A (zh) | 一种隧道工人施工状态检测方法、系统、介质及设备 | |
Fan et al. | Navigation of Substation Inspection Robot Based on Machine Vision | |
CN116846892B (zh) | 一种应用边缘计算的能耗智能化监管系统及方法 | |
CN116277041B (zh) | 一种结合需求分析的机器人结构优化方法及系统 | |
CN117109598B (zh) | 一种地空协同多旋翼无人机巡检路径规划方法和系统 | |
CN112258602B (zh) | 一种停止线生成方法、装置、电子设备及存储介质 | |
CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 266000 Room 501, tower a, Haier International Plaza, No. 939, Zhenwu Road, Jimo Economic Development Zone, Qingdao, Shandong Patentee after: Innovation Qizhi Technology Group Co.,Ltd. Country or region after: China Address before: 266000 Room 501, tower a, Haier International Plaza, No. 939, Zhenwu Road, Jimo Economic Development Zone, Qingdao, Shandong Patentee before: Qingdao Chuangxin Qizhi Technology Group Co.,Ltd. Country or region before: China |