JP2013131100A - Number of persons prediction method, number of persons prediction device, movable robot, and program - Google Patents
Number of persons prediction method, number of persons prediction device, movable robot, and program Download PDFInfo
- Publication number
- JP2013131100A JP2013131100A JP2011280959A JP2011280959A JP2013131100A JP 2013131100 A JP2013131100 A JP 2013131100A JP 2011280959 A JP2011280959 A JP 2011280959A JP 2011280959 A JP2011280959 A JP 2011280959A JP 2013131100 A JP2013131100 A JP 2013131100A
- Authority
- JP
- Japan
- Prior art keywords
- dimensional
- distance
- distribution
- sensor
- people
- 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 description 31
- 238000001514 detection method Methods 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 102100026559 Filamin-B Human genes 0.000 description 21
- 101000913551 Homo sapiens Filamin-B Proteins 0.000 description 21
- 101100205174 Caenorhabditis elegans lars-1 gene Proteins 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 8
- 210000003423 ankle Anatomy 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
Description
本発明は、人数予測方法、人数予測装置、移動ロボット及びプログラムに関するものであり、特に、距離を測定するセンサと学習器を用いて、エレベータ等の空間内の人数予測を行う人数予測方法、人数予測装置、移動ロボット及びプログラムに関するものである。 The present invention relates to a number prediction method, a number prediction apparatus, a mobile robot, and a program, and in particular, a number prediction method for performing number prediction in a space such as an elevator using a sensor and a learning device for measuring distance, and the number of persons. The present invention relates to a prediction device, a mobile robot, and a program.
現在、搬送用や警備用の移動ロボットが開発されており、これらの移動ロボットはエレベータを有するオフィスや病院などの環境で利用されることが期待されている。このような環境においては、エレベータが1機しか存在しない環境や人口密度の高い環境である場合もあり、人々がエレベータを利用する頻度が高く、常に誰かがエレベータ内にいることが多い。 Currently, mobile robots for transportation and security have been developed, and these mobile robots are expected to be used in environments such as offices and hospitals having elevators. In such an environment, there may be an environment where there is only one elevator or an environment with a high population density, and people frequently use the elevator, and there are many people who are always in the elevator.
一方、オフィス等の環境で実際に使用されている移動ロボットにおいては、エレベータに人が乗っている場合は、エレベータに乗り込まないものしか存在しない（非特許文献１、２参照）。そのため、従来の移動ロボットでは、人がエレベータに乗っている場合に自らが利用することができず、移動時間のタイムロスが発生してしまっているものと想定される。したがって、人々がエレベータを利用する頻度の高い環境においては、エレベータの乗り込みが可能か否かを的確に判断して、移動ロボットが人と共にエレベータに乗り込み可能ならば同乗することにより、移動ロボット自身の任務遂行を速やかに行う必要がある。 On the other hand, in a mobile robot actually used in an environment such as an office, when a person is on the elevator, there is only one that does not get into the elevator (see Non-Patent Documents 1 and 2). For this reason, it is assumed that the conventional mobile robot cannot be used by a person when a person is on the elevator, and a time loss of travel time has occurred. Therefore, in an environment where people frequently use elevators, it is possible to accurately determine whether or not the elevator can be boarded, and if the mobile robot can board the elevator together with the person, It is necessary to perform the mission promptly.
平成２１年にロボットビジネス推進協議会が「人と同乗するサービスロボットの運用が可能なエレベータの検査指針」（非特許文献３参照）を示しており、人と同乗する移動ロボットの開発が進められている現状にある。また、エレベータを人と共に利用する移動ロボットに関する技術としては、エレベータ内のセンサによってエレベータ内の乗車数を検出して、人が乗車しているエレベータであっても乗込み可能な場合は、通信手段を介して移動ロボットを当該エレベータに乗り込ませるもの（特許文献１、２参照）や、移動ロボットに設けたセンサによってエレベータ内で人が存在しない位置を検出してエレベータに乗り込むもの（特許文献３、非特許文献４参照）がある。 In 2009, the Robot Business Promotion Council presented the “Elevator Inspection Guideline for Operation of Service Robots with People” (see Non-Patent Document 3), and the development of mobile robots with people is being promoted. Is in the current situation. In addition, as a technology related to a mobile robot that uses an elevator together with a person, the number of passengers in the elevator is detected by a sensor in the elevator, and even if the elevator is on board, a communication means is available. (See Patent Documents 1 and 2), or a position where a person is not present in the elevator by a sensor provided on the mobile robot and enter the elevator (Patent Documents 3, 2) Non-Patent Document 4).
しかしながら、前者のようにエレベータ内にセンサを設ける場合は、個々のエレベータを改造する必要があって高コストになってしまう。また、後者のように移動ロボットにセンサを設ける場合は、エレベータ外部からエレベータ内を検出する必要があり、エレベータ前方に人がいて死角が生じる場合には、エレベータ後方の人の有無が検出できず、エレベータ後方に空きスペースがあっても、エレベータ内に乗り込めないと判断してしまう可能性が高い。 However, when the sensor is provided in the elevator as in the former case, it is necessary to remodel each elevator, resulting in high cost. When the mobile robot is provided with a sensor like the latter, it is necessary to detect the inside of the elevator from the outside of the elevator. If there is a blind spot due to a person in front of the elevator, the presence or absence of a person behind the elevator cannot be detected. Even if there is an empty space behind the elevator, there is a high possibility that it will be determined that the passenger cannot get into the elevator.
本発明者らは、予備的実験として、測域センサ（LRS）を用いて脚の本数をカウントする手法や、カメラで顔を検出（認識）する手法を用いて、エレベータ外部からエレベータ内部の乗車数を直接的に検出した。しかしながら、下記の4点を主な理由として、エレベータ内の乗車数を検出することは困難であった。
・複数の人が前後に重なって死角が生じる場合、背後にいる人の脚や顔が検出されない場合があること。
・エレベータ前側の隅（死角）に人が入ると、その人の脚や顔が検出されない場合があること。
・エレベータ内の鏡に映った人などが顔認識されてしまうこと。
・顔認識精度がエレベータ内の人の顔の向きに依存し、エレベータ内の人が、例えば、エレベータ奥側を向いていた場合には、顔認識が不可能であること。
このように、いずれのセンサでも死角による人の不検出が大きな問題となっている。
As a preliminary experiment, the present inventors have used a method of counting the number of legs using a range sensor (LRS) or a method of detecting (recognizing) a face with a camera, so that the passenger can get inside the elevator from the outside of the elevator. Numbers were detected directly. However, it was difficult to detect the number of passengers in the elevator mainly due to the following four points.
・ If multiple people overlap each other to create a blind spot, the legs and faces of people behind them may not be detected.
-If a person enters the corner (dead area) on the front side of the elevator, the person's legs and face may not be detected.
-Faces recognized by people in the mirror in the elevator.
-Face recognition accuracy depends on the orientation of the face of the person in the elevator, and face recognition is impossible when the person in the elevator is facing the back of the elevator, for example.
Thus, in any sensor, the non-detection of a person due to a blind spot is a big problem.
また、センサの個数を増やして異なる位置からエレベータ内を検出すれば、死角を小さくすることができると考えられるものの、1台のロボットに搭載可能なセンサの数や配置には限界があるため、LRSの個数を増やしたとしても、乗車数検出の精度を大幅に向上させることは難しい。しかも、短時間での判断が必要となる。 Also, if the number of sensors is increased and the inside of the elevator is detected from different positions, the blind spot can be reduced, but there are limits to the number and arrangement of sensors that can be mounted on one robot. Even if the number of LRSs is increased, it is difficult to greatly improve the accuracy of detecting the number of passengers. In addition, judgment in a short time is required.
これまでは、エレベータ外部からエレベータ内部の乗車数を直接的に検出する場合について述べたが、エレベータ内の天井に設けたセンサからエレベータ内の乗車数を直接的に検出しようとする場合においても、センサから近い位置に背の高い人がいて、該背の高い人の背後の死角に人がいる場合には死角による人の不検出が生じる。 So far, the case of directly detecting the number of passengers inside the elevator from the outside of the elevator has been described, but even when trying to directly detect the number of passengers inside the elevator from the sensor provided on the ceiling in the elevator, If there is a tall person near the sensor and there is a person in the blind spot behind the tall person, non-detection of the person due to the blind spot occurs.
そこで、本発明では、エレベータ・電車・ホール・道路等の屋内外の所定空間への移動ロボットの進入の可否を判断するパラメータとしてその空間内の人数に着目して、所定空間内で人による死角が生じたとしても、所定空間内の人数の把握を行う人数予測方法、人数予測装置、移動ロボット及びプログラムを提供することを目的とする。 Therefore, in the present invention, paying attention to the number of people in the space as a parameter for determining whether or not the mobile robot can enter an indoor / outdoor predetermined space such as an elevator, train, hall, road, etc., a blind spot by a person in the predetermined space It is an object of the present invention to provide a number prediction method, a number prediction device, a mobile robot, and a program for grasping the number of people in a predetermined space even if such a problem occurs.
上記課題を解決するために、本発明の人数予測方法は、所定空間内の所定の二次元平面あるいは三次元空間に存在する物体との距離をセンサによって検出することにより、前記距離の前記二次元平面分布あるいは前記三次元空間分布を取得する取得工程と、前記センサの検出により新たに取得した前記距離の前記二次元平面分布あるいは前記三次元空間分布を、前記所定空間内の人数と前記距離の前記二次元平面分布あるいは前記三次元空間分布との関係を機械学習した学習器に入力して、前記学習器から出力値として予測人数を出力することによって、前記所定空間内の人数を予測する人数予測工程とを含むようにしたことを特徴とする。 In order to solve the above-described problem, the method for predicting the number of persons according to the present invention detects the distance to an object existing in a predetermined two-dimensional plane or a three-dimensional space in a predetermined space by a sensor, thereby An acquisition step of acquiring a planar distribution or the three-dimensional spatial distribution, and the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance newly acquired by detection of the sensor, the number of persons in the predetermined space and the distance of the distance The number of persons who predicts the number of persons in the predetermined space by inputting the relationship between the two-dimensional planar distribution or the three-dimensional spatial distribution to a machine learning machine and outputting the predicted number of persons as an output value from the learning apparatus. And a prediction step.
上記課題を解決するために、本発明の人数予測装置は、所定空間内の所定の二次元平面あるいは三次元空間に存在する物体との距離を検出するセンサと、前記センサによって検出することにより、前記距離の前記二次元平面分布あるいは前記三次元空間分布を取得する取得手段と、前記センサの検出により新たに取得した前記距離の前記二次元平面分布あるいは前記三次元空間分布を、前記所定空間内の人数と前記距離の前記二次元平面分布あるいは前記三次元空間分布との関係を機械学習した学習器に入力して、前記学習器から出力値として予測人数を出力することによって、前記所定空間内の人数を予測する人数予測手段とを設けたことを特徴とする。 In order to solve the above problems, the number of people prediction device of the present invention detects a distance from an object existing in a predetermined two-dimensional plane or three-dimensional space in a predetermined space, and detects by the sensor, An acquisition means for acquiring the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance, and the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance newly acquired by detection of the sensor within the predetermined space The relationship between the number of persons and the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance is input to a machine learning machine, and the predicted number of persons is output as an output value from the learning apparatus. It is characterized in that a number prediction means for predicting the number of people is provided.
上記課題を解決するために、本発明の移動ロボットは、所定空間外から前記所定空間内の所定の二次元平面あるいは三次元空間に存在する物体との距離を検出するセンサと、前記センサによって検出することにより、前記距離の前記二次元平面分布あるいは前記三次元空間分布を取得する取得手段と、前記センサの検出により新たに取得した前記距離の前記二次元平面分布あるいは前記三次元空間分布を、前記所定空間内の人数と前記距離の前記二次元平面分布あるいは前記三次元空間分布との関係を機械学習した学習器に入力して、前記学習器から出力値として予測人数を出力することによって、前記所定空間内の人数を予測する人数予測手段とを設けたことを特徴とする。 In order to solve the above-described problem, a mobile robot according to the present invention detects a distance from an outside of a predetermined space to a predetermined two-dimensional plane in the predetermined space or an object existing in the three-dimensional space, and the sensor detects the distance. The acquisition means for acquiring the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance, and the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance newly acquired by detection of the sensor, By inputting the relationship between the number of people in the predetermined space and the two-dimensional planar distribution of the distance or the three-dimensional spatial distribution into a machine learning machine, and outputting the predicted number of people as an output value from the learning device, The number of persons predicting means for predicting the number of persons in the predetermined space is provided.
上記課題を解決するために、本発明のプログラムは、コンピュータに、センサによって検出された、所定空間内の所定の二次元平面あるいは三次元空間に存在する物体との距離の前記二次元平面分布あるいは前記三次元空間分布を取得する取得手順と、前記センサの検出により新たに取得した前記距離の前記二次元平面分布あるいは前記三次元空間分布を、前記所定空間内の人数と前記距離の前記二次元平面分布あるいは前記三次元空間分布との関係を機械学習した学習器に入力して、前記学習器から出力値として予測人数を出力することによって、前記所定空間内の人数を予測する人数予測手順を実行させるようにしたことを特徴とする。 In order to solve the above-described problem, the program of the present invention causes a computer to detect the two-dimensional plane distribution of the distance from a predetermined two-dimensional plane in a predetermined space or an object existing in the three-dimensional space, detected by a sensor. The acquisition procedure for acquiring the three-dimensional spatial distribution, and the two-dimensional planar distribution or the three-dimensional spatial distribution of the distance newly acquired by detection of the sensor, the number of persons in the predetermined space and the two-dimensional of the distance A number prediction procedure for predicting the number of persons in the predetermined space by inputting a plane distribution or a relationship with the three-dimensional spatial distribution into a machine learning machine and outputting the predicted number of persons as an output value from the learning unit. It is characterized by being made to execute.
本発明の人数予測方法、人数予測装置、移動ロボット及びプログラムによれば、所定空間内の人数と、センサによって検出された、その空間内の二次元平面あるいは三次元空間に存在する物体との距離の二次元平面分布あるいは三次元空間分布との関係を機械学習した学習器を用いることにより、その空間内で人による死角が生じるような場合であっても、センサによって検出される人と当該人の背後の死角で形成される分布のパターンと人数との関係を考慮して間接的に人数を推定することができる。これにより、従来の直接的な人数検出の手法では不可能であった当該死角領域に存在する人も含めた人数の把握が可能になる。そのため、本発明の人数予測方法、人数予測装置、移動ロボット及びプログラムは、従来の直接的な人数検出の方法よりも効果的な人数把握が可能となる。 According to the number of people prediction method, number of people prediction device, mobile robot, and program of the present invention, the distance between the number of people in a predetermined space and the object existing in the two-dimensional plane or three-dimensional space in the space detected by the sensor By using a learner that has machine-learned the relationship between the two-dimensional planar distribution or the three-dimensional spatial distribution of a person, even if there is a blind spot caused by a person in that space, the person detected by the sensor and the person concerned The number of people can be estimated indirectly in consideration of the relationship between the number of people and the distribution pattern formed by the blind spots behind. As a result, it is possible to grasp the number of persons including the person existing in the blind spot area, which is impossible with the conventional method of directly detecting the number of persons. Therefore, the number prediction method, number prediction device, mobile robot, and program of the present invention can grasp the number of people more effectively than the conventional direct number detection method.
以下、図面を用いて本発明の人数予測装置を移動ロボットに実装した場合について説明する。 Hereinafter, the case where the number prediction device of the present invention is mounted on a mobile robot will be described with reference to the drawings.
図１は、本発明の実施形態となる移動ロボットがエレベータ内の人数予測を行う様子を模式的に表した平面図である。図に示したように、Robot２（移動ロボット・人数予測装置）は、Elevator３（エレベータ）の外に配置されている。また、Robot２に設けられたLRS１（Laser Range Scanner（センサ））は、水平方向にレーザ光を照射し、その照射方向にある障害物からの反射光を受光することによって、レーザ光の光源からその障害物までの水平方向における距離を検出する。したがって、このLRS１によって、Elevator３の中を観測した場合、LRS１によって検出された距離は、エレベータ内のObject４Ａ〜４Ｄ（物体）が占有するスペースと、当該Object４Ａ〜４Ｄ背後の死角を含むスペースを含む分布を代表するものであると言える。 FIG. 1 is a plan view schematically showing how a mobile robot according to an embodiment of the present invention predicts the number of people in an elevator. As shown in the figure, Robot 2 (mobile robot / number of persons prediction device) is arranged outside of Elevator 3 (elevator). Further, the LRS 1 (Laser Range Scanner (sensor)) provided in the Robot 2 irradiates laser light in the horizontal direction and receives reflected light from an obstacle in the irradiation direction. Detect the horizontal distance to the obstacle. Therefore, when the inside of the elevator 3 is observed by the LRS 1, the distance detected by the LRS 1 is a distribution including the space occupied by the objects 4A to 4D (objects) in the elevator and the space including the blind spots behind the objects 4A to 4D. It can be said that it is representative.
LRS１の出力データは、IDと距離から成る。ここで、このIDは、LRS１スキャン中で1番目のレーザを、基準となる所定方向に照射するときに、何番目に照射したレーザであるかを示す番号を示すものであり、また、LRS１の角速度は一定であり、IDが1つずつ増える毎に一定角度ずつレーザを照射する方向が変化するため、IDはどの方向にレーザを照射して物体との距離を検出するかを示す検出角度に相当するものである。また、LRS１で検出された障害物の位置をx座標、y座標に変換して出力することができる。ここで、LRS１スキャンにおけるエレベータ内の検出データは、例えば、距離のみを用いれば、1スキャンに含まれるレーザの数がN本のとき、N次元の特徴パラメータで表されることになる。
この検出データを用いて人数予測する場合には、SVM５（Support Vector Machine（学習器））を用いて新たに検出された1スキャンによるエレベータ内の検出データが、乗車数が何人となる場合に相当するパターンであるかを分類することによって、エレベータ内の乗車数を予測することになる。
The output data of LRS1 consists of ID and distance. Here, this ID indicates a number indicating which laser is irradiated when the first laser is irradiated in a predetermined direction as a reference in the LRS1 scan. Since the angular velocity is constant and the direction of laser irradiation changes by a fixed angle each time the ID increases by one, the ID has a detection angle that indicates which direction the laser is irradiated to detect the distance to the object. It is equivalent. Further, the position of the obstacle detected by the LRS 1 can be converted into x-coordinate and y-coordinate and output. Here, the detection data in the elevator in the LRS 1 scan is represented by an N-dimensional feature parameter when the number of lasers included in one scan is N, for example, when only the distance is used.
When predicting the number of people using this detection data, the detection data in the elevator by one scan newly detected using SVM5 (Support Vector Machine (learning device)) corresponds to the number of passengers. The number of passengers in the elevator is predicted by classifying whether or not the pattern is to be performed.
図２は、Robot２の構成を模式的に表したブロック図である。図に示したように、Robot２は、物体との間の距離を検出するLRS１とPC６を備えており、PC６は、取得手段７、SVM５を有する人数予測手段８、学習手段９、判断手段１０及び制御手段１１とを備えている。PC６が備える各手段は、CD-ROM等の記録媒体からインストールされたプログラムを実行することによって実現される。また、このプログラムは、インターネット等のネットワーク経由で接続されたサーバの記憶装置からダウンロードされた後にインストールされたものであってもよい。 FIG. 2 is a block diagram schematically showing the configuration of the Robot 2. As shown in the figure, the Robot 2 includes an LRS 1 and a PC 6 for detecting the distance between the object, and the PC 6 includes an acquisition unit 7, a number prediction unit 8 having an SVM 5, a learning unit 9, a determination unit 10, and And control means 11. Each means provided in the PC 6 is realized by executing a program installed from a recording medium such as a CD-ROM. The program may be installed after being downloaded from a storage device of a server connected via a network such as the Internet.
ここで、人数予測を行う前に、エレベータ内の人数に応じたクラス数とN次元の特徴パラメータの各データ（例えば、距離データ）からなる学習用のモデルデータを作成しておき、学習用のモデルデータに基づいて、特徴パラメータ（すなわち、距離の二次元平面分布あるいは三次元空間分布）とエレベータ内の人数との関係を、PC６の学習手段９を用いてSVM５（Support Vector Machine）に機械学習させておく。 Here, before the number of people is predicted, learning model data including the number of classes corresponding to the number of people in the elevator and each of the N-dimensional feature parameter data (for example, distance data) is created. Based on the model data, the relationship between the feature parameters (that is, the two-dimensional plane distribution or the three-dimensional spatial distribution of distance) and the number of people in the elevator is machine-learned to the SVM 5 (Support Vector Machine) using the learning means 9 of the PC 6. Let me.
具体的に人数予測を行う手順について説明すると、まず、所定空間内の所定の二次元平面に存在する物体とLRS１との間の距離を前記LRS１が検出し、検出された前記距離の前記二次元平面分布をPC６の取得手段７が取得する。次に、前記LRS１の検出により新たに取得した前記距離の前記二次元平面分布が、前記所定空間内の人数と前記距離の前記二次元平面分布との関係を予め機械学習したSVM５に入力される。これにより、PC６の人数予測手段８が、前記SVM５から出力値として予測人数を出力することによって、前記所定空間内の人数を予測する。なお、人数の代わりに、人数と等価になるような人の占有面積や占有密度が予測（出力）されるようにしてもよい。このようにして人数予測を行った結果に基づいて、移動ロボットのエレベータへの進入可否を判断手段１０で判断し、移動ロボットのエレベータへの進入動作・待機動作を制御手段１１で制御すれば、エレベータの有効利用（稼働量・時間の削減）、そして、移動ロボット自身の任務遂行を速やかに行うことが可能となる。 The procedure for predicting the number of people will be described in detail. First, the LRS 1 detects a distance between an object existing on a predetermined two-dimensional plane in a predetermined space and the LRS 1, and the two-dimensional of the detected distance is detected. The plane distribution is acquired by the acquisition means 7 of the PC 6. Next, the two-dimensional planar distribution of the distance newly acquired by the detection of the LRS 1 is input to the SVM 5 in which the relationship between the number of persons in the predetermined space and the two-dimensional planar distribution of the distance is machine-learned in advance. . Thereby, the number prediction means 8 of the PC 6 predicts the number of persons in the predetermined space by outputting the predicted number of persons as an output value from the SVM 5. In addition, instead of the number of people, the occupation area or occupation density of a person equivalent to the number of people may be predicted (output). Based on the result of predicting the number of persons in this way, the determination means 10 determines whether or not the mobile robot can enter the elevator, and the control means 11 controls the entry and standby operations of the mobile robot into the elevator. Efficient use of the elevator (reduction of operation amount and time) and the performance of the task of the mobile robot itself can be performed promptly.
ここで、この制御の例としては、予測した人数（占有面積・占有密度）と所定人数（所定占有面積・所定占有密度）とを比較して、予測した人数（占有面積・占有密度）が所定人数（所定占有面積・所定占有密度）以下であれば、移動ロボットがエレベータに進入可能と判断して、移動ロボットをエレベータに進入させる一方、予測した人数（占有面積・占有密度）が所定人数（所定占有面積・所定占有密度）を超えていれば、移動ロボットがエレベータに進入不可と判断して、移動ロボットを待機させる制御を行うことが挙げられる。なお、当該所定人数（所定占有面積・所定専有密度）は、エレベータの定員人数・面積、移動ロボット分の人数・占有面積や人口密度による人の不快感等を考慮して、適宜選択可能である。 Here, as an example of this control, the predicted number of people (occupied area / occupied density) is compared by comparing the predicted number of people (occupied area / occupied density) with a predetermined number of people (predetermined occupied area / occupied density). If the number is less than the number of people (predetermined occupation area / predetermined occupation density), it is determined that the mobile robot can enter the elevator and the mobile robot enters the elevator, while the predicted number of people (occupation area / occupation density) is the predetermined number of people ( If it exceeds the predetermined occupation area / predetermined occupation density), it may be determined that the mobile robot is determined to be unable to enter the elevator and the mobile robot is put on standby. The predetermined number of persons (predetermined occupation area / predetermined exclusive density) can be selected as appropriate in consideration of the number of persons / area of the elevator, the number of persons / occupied area for the mobile robot, human discomfort due to the population density, and the like. .
なお、前記所定空間の例としては、エレベータ・電車・ホール等の内部空間や、道路等の屋外空間が挙げられる。LRS1の有効検出範囲は、距離や座標位置を閾値で区分することによって変更可能であるため、前記所定空間は屋外の所定空間に適用して実施することは可能である。また、前記LRS１によって前記距離の前記二次元平面分布を取得する代わりに、二次元距離画像センサによって前記距離の三次元空間分布を取得してもよい。また、前記取得手段７・前記人数予測手段８を有する前記PC６の代わりに、CPUを用いることもできる。さらに、前記人数予測装置であるRobot２の代わりに、単にPC６等の装置を用いてもよい。 Examples of the predetermined space include internal spaces such as elevators, trains, and halls, and outdoor spaces such as roads. Since the effective detection range of LRS1 can be changed by dividing the distance and coordinate position by threshold values, the predetermined space can be applied to a predetermined outdoor space. Further, instead of acquiring the two-dimensional planar distribution of the distance by the LRS 1, a three-dimensional spatial distribution of the distance may be acquired by a two-dimensional distance image sensor. Further, a CPU may be used in place of the PC 6 having the acquisition means 7 and the number of people prediction means 8. Furthermore, instead of the robot 2, which is the number prediction device, a device such as a PC 6 may be used.
SVM５を用いて仮想エレベータ１２内の乗車数予測を行った実験について、以下述べる。 An experiment in which the number of passengers in the virtual elevator 12 is predicted using the SVM 5 will be described below.
（SVMにおける条件設定について）
SVM５を用いるのにあたって、多クラス分類を行うためのライブラリであるSVM-Multiclassを使用し、カーネル関数として、radial basis function（RBFカーネル：
When using SVM5, SVM-Multiclass, a library for performing multi-class classification, is used, and a radial basis function (RBF kernel:
（乗車数予測の実験条件について）
単純な事象から検討するため、初期条件については、（A）エレベータ：研究施設のエレベータ（前後の長さ：110cm、内部の幅：140cm、ドア幅：80cm）、（B）人：標準体重・標準体型の男性（子供、高齢者、荷物等の障害物などを除く。） 、（C）移動ロボット：標準体重・標準体型の男性の大きさとした。また、LRS１としては北陽電機製のSimple-URGを用いている。そして、エレベータに対するLRS１の配置については、エレベータ扉中央から約1m手前の位置に設定し、LRS１の高さ方向の配置は、高さ18cm（足首付近）と高さ100cm（胴体付近）を択一的に用いた。ここで、LRS１の高さ方向の一つの配置として高さ100cmを選択しているが、この高さは、エレベータに乗り込む移動ロボットの視点の高さ等を考慮して、人の上半身（胴体付近）を検出可能な高さの中から任意選択したものである。1スキャンでエレベータ内を検出して取得できるサンプル数は128個である。なお、以降で述べる実験は、図３に示すような、研究施設内のエレベータと同じ大きさの仮想エレベータ１２で実施した。
(Experimental conditions for predicting the number of passengers)
In order to consider simple events, the initial conditions are as follows: (A) Elevator: Research facility elevator (front and rear length: 110 cm, interior width: 140 cm, door width: 80 cm), (B) Person: standard weight Standard body type male (excluding children, elderly people, and obstacles such as luggage), (C) Mobile robot: Standard body weight / standard body type male. As the LRS1, Simple-URG manufactured by Hokuyo Electric is used. The LRS1 is placed about 1m before the center of the elevator door with respect to the elevator. The height of the LRS1 is 18cm (near the ankle) and 100cm (near the fuselage). Used. Here, 100cm height is selected as one arrangement in the height direction of LRS1, but this height considers the height of the viewpoint of the mobile robot that gets into the elevator, etc. ) Is arbitrarily selected from the detectable heights. The number of samples that can be acquired by detecting inside the elevator in one scan is 128. In addition, the experiment described below was implemented with the virtual elevator 12 of the same magnitude | size as the elevator in a research facility as shown in FIG.
（乗車数予測の実験方法について）
仮想エレベータ１２内で乗車数を0人から7人まで変更し、各乗車数毎に乗客をランダム配置して、学習データ用入力データのサンプルを乗車数毎に1000個、テスト用入力データのサンプルを乗車数毎に150個取得し、これらのデータとSVM５を用いて、乗車数予測を行った。
(About the experiment method for predicting the number of passengers)
The number of passengers in the virtual elevator 12 is changed from 0 to 7 people, passengers are randomly arranged for each number of passengers, 1000 samples of input data for learning data and 1000 samples of input data for testing 150 were obtained for each number of passengers, and the number of passengers was predicted using these data and SVM5.
（各種条件におけるSVMによる乗車数予測）
仮想エレベータ１２内で乗車数を0〜7人まで変更して取得したテスト用入力データの総サンプル数1200に対して、実際の乗車数を予測した割合である全正解率を、各種条件の下で導出した結果を図４に示す。ここで、各種条件は、2種類の特徴パラメータ（1・2）、物体幅によるノイズ除去（物体幅が30mm以下のものをノイズとして除去する処理。詳細は後述）の有無と、2種類のLRS１の高さ（18cm・100cm）の組み合わせである8通りの条件とした。
(Predicting the number of passengers using SVM under various conditions)
The total accuracy rate, which is the ratio of the actual number of passengers to the total number of test input data 1200 obtained by changing the number of passengers from 0 to 7 in the virtual elevator 12, under various conditions. FIG. 4 shows the result derived from the above. Here, the various conditions are two types of feature parameters (1 and 2), noise removal by object width (processing to remove objects with an object width of 30 mm or less as noise, details will be described later), and two types of LRS1 The eight conditions were combinations of heights (18cm / 100cm).
図４より、使用した2種類の特徴パラメータ間で実際の乗車数を予測した全正解率は同程度であった。検出角度に相当するIDと距離を用いれば、x座標とy座標の導出が可能であることから、特徴パラメータ1 と特徴パラメータ2 は等価であるため、このような結果が得られたものと思われる。 From FIG. 4, the total accuracy rate for predicting the actual number of rides between the two types of feature parameters used was similar. Since the x-coordinate and y-coordinate can be derived using the ID and distance corresponding to the detection angle, feature parameter 1 and feature parameter 2 are equivalent. It is.
そして、ノイズ除去を行わない場合の方が、ノイズ除去を行った場合よりも実際の乗車数を予測した全正解率が高かった。複数の人が前後に重なって後方の人の検出領域が小さくなった場合に、ノイズ除去によって後方の人の検出データが取り除かれてしまい、実際の乗車数に即した検出データが得られなくなったため、このような結果が得られたものと思われる。 And when noise removal was not performed, the total correct answer rate which predicted the actual boarding number was higher than the case where noise removal was performed. When multiple people overlap each other and the detection area of the rear person becomes smaller, the detection data of the rear person is removed by noise removal, and detection data according to the actual number of rides can no longer be obtained It seems that such a result was obtained.
また、LRS１の高さ方向の配置が高さ100cm（胴体部）である場合の方が、高さ18cm（足首付近）である場合よりも実際の乗車数を予測した全正解率が高かった。胴体部の方が足首付近よりも検出領域の幅が広いことに起因して、全サンプルで広範囲に渡って実際の乗車数に即した検出データが得られ易かったために、このような結果が得られたものと思われる。 In addition, the total accuracy rate for predicting the actual number of rides was higher when the height direction of LRS1 was 100 cm (body) than when it was 18 cm (near the ankle). This result was obtained because it was easier to obtain detection data based on the actual number of rides over a wide range for all samples because the torso had a wider detection area than the ankle area. Seems to have been.
（直接的乗車数検出の実験条件について）
本実験では、SVM５による乗車数予測との比較のため、LRS１を用いた直接的な乗車数の検出も行った。この場合の初期条件と仮想エレベータ１２については、SVM５による乗車数予測の実験条件と同条件としている。また、LRS１の高さ方向の配置は、高さ18cm（足首付近）を用いた。
(Experimental conditions for detecting the number of direct passengers)
In this experiment, the number of boarding was directly detected using LRS1 for comparison with the boarding number prediction by SVM5. The initial conditions and the virtual elevator 12 in this case are the same as the experimental conditions for the number of passengers predicted by the SVM 5. Further, the height of the LRS 1 was 18 cm (near the ankle).
（直接的乗車数検出の実験方法について）
仮想エレベータ１２内で乗車数を変更し、乗車数毎にランダム配置して、物体数検出アルゴリズムとノイズ除去を用いて、乗車数検出を行った。SVM５ではノイズ除去を採用しない方が良いという結果が得られたが、直接的乗車数検出では、ノイズによる誤検出が多かったため、ノイズ除去を採用した。なお、物体数検出アルゴリズムからの乗車数の導出は、簡易的に、検出される脚の本数を1 人あたりの脚の本数（=2）で除したもの（ただし、小数の場合は切り上げる）としている。
(Experimental method of direct boarding number detection)
The number of passengers was changed in the virtual elevator 12, and the number of passengers was detected by using an object number detection algorithm and noise removal, randomly arranged for each passenger number. In SVM5, the result that it is better not to use noise removal was obtained, but noise detection was adopted in the direct boarding number detection because there were many false detections due to noise. Note that the number of passengers derived from the object number detection algorithm is simply calculated by dividing the number of detected legs by the number of legs per person (= 2) (however, if it is a decimal number, round it up) Yes.
（物体数検出アルゴリズムについて）
LRS１による乗車数検出を行うための物体数検出アルゴリズムの手順について、下記（１）〜（３）に示す。
（１）エレベータ内壁よりも手前に存在するサンプリングデータを抽出する。
（２）（１）で抽出されたサンプリングデータの内、近距離にあるものを同じグループとしてグルーピングする。
（３）（２）でグルーピングされた数を物体数として検出する。
また、当該物体数検出アルゴリズムによって各物体をグループ化した結果を図５に示す。ここで、図５において、水色で囲んだ部分は検出された物体の位置を表している。
(About the object number detection algorithm)
The procedure of the object number detection algorithm for detecting the number of passengers using LRS 1 is shown in the following (1) to (3).
(1) Sampling data existing in front of the elevator inner wall is extracted.
(2) The sampling data extracted in (1) are grouped as the same group at a short distance.
(3) The number grouped in (2) is detected as the number of objects.
FIG. 5 shows the result of grouping the objects by the object number detection algorithm. Here, in FIG. 5, the portion surrounded by light blue represents the position of the detected object.
（ノイズ除去について）
LRS１での検出時には、図５に見られるようにノイズが検出されてしまう。そして、ノイズ除去を行う方法としては、グルーピングされたグループ毎に物体幅を導出し、当該物体幅が30mm以下のものをノイズとして無視する方法（物体幅によるノイズ除去の方法）を用いた。
(Noise removal)
At the time of detection by LRS1, noise is detected as seen in FIG. As a method of removing noise, a method of deriving an object width for each grouped group and ignoring noise having an object width of 30 mm or less as a noise (method of removing noise by object width) was used.
（SVM５による乗車数予測と直接的乗車数検出の比較）
前述の各種条件におけるSVM５による乗車数予測において、実際の乗車数を予測した正解率がより高かった特徴パラメータ1 とノイズ除去無しを条件として、実際の乗車数を変更したときに予測した乗車数の平均値と標準偏差を図６に示す。ここで、本出願人が提案する乗車数予測について、単純な乗車数検出の手法と対比して評価するために、図６には直接的な乗車数検出の結果も併せて示している。
(Comparison of ride number prediction with SVM5 and direct ride number detection)
In the number of passengers predicted by SVM5 under the various conditions described above, the number of passengers predicted when the actual number of passengers was changed on condition that feature parameter 1 with a higher accuracy rate that predicted the actual number of passengers and no noise removal were used. The average value and standard deviation are shown in FIG. Here, in order to evaluate the prediction of the number of passengers proposed by the present applicant in comparison with a simple method of detecting the number of passengers, FIG. 6 also shows the result of direct number of passengers detection.
図６より、実際の乗車数毎に平均値を見たとき、全体的に、乗車数予測の平均値の方が直接的な乗車数検出の平均値よりも実際の乗車数に近く、また、乗車数予測に限って、この平均値は実際の乗車数に対して±1人以内の範囲に入っていることがわかる。そのため、直接的な乗車数検出よりもSVM５を用いた乗車数予測の方が効果的であると言える。 From FIG. 6, when looking at the average value for each actual number of rides, overall, the average value of the ride number prediction is closer to the actual number of rides than the average value of direct ride number detection, It can be seen that this average value is within the range of ± 1 person with respect to the actual number of passengers only when the number of passengers is predicted. Therefore, it can be said that the boarding number prediction using the SVM 5 is more effective than the direct boarding number detection.
また、実際の乗車数6、7人の場合（乗車余裕が小さい場合）には、LRS１の高さ100cmでの乗車数予測の平均値の方が、LRS１の高さ18cmでの乗車数予測のものよりも実際の乗車数に近くなり、また、LRS１の高さ100cmでの乗車数予測の標準偏差の方が、LRS１の高さ18cmでの乗車数予測のものよりも小さくなる結果が得られた。 In addition, when the actual number of passengers is 6 or 7 (when the boarding margin is small), the average value of the estimated number of passengers at the height of 100cm for LRS1 is the estimated number of passengers at the height of 18cm for LRS1. It is closer to the actual number of passengers than the actual one, and the standard deviation of the estimated number of passengers at 100cm height of LRS1 is smaller than that of the estimated number of passengers at 18cm height of LRS1. It was.
実際の乗車数が増加するにつれ、エレベータ内の人の配置が限定的となるため、1スキャンで検出される物体と当該物体背後の死角で形成される分布のパターンは、類似したものが増加すると想定される。そして、エレベータ内の人の配置が特に限定的となる乗車数6、7人の場合においては、胴体部の方が足首付近よりも、エレベータ後方の死角が大きく、エレベータ後方の分布のパターン数が少なくなることに起因して、1スキャンで検出される物体と当該物体背後の死角で形成される分布が類似しているパターンの数は、LRS１の高さ100cmで検出したものの方が、LRS１の高さ18cmで検出したものよりも多くなるために、このような結果が得られたものと思われる。 As the actual number of passengers increases, the arrangement of people in the elevator becomes limited, so that the distribution pattern formed by the object detected in one scan and the blind spot behind the object increases as the similar one increases. is assumed. And in the case of the number of passengers 6 and 7 where the arrangement of people in the elevator is particularly limited, the trunk part has a larger blind spot behind the elevator than the vicinity of the ankle, and the number of distribution patterns behind the elevator Due to the decrease, the number of patterns that are similar in the distribution formed by the dead angle behind the object detected in one scan and that detected by the LRS1 at a height of 100 cm are those of the LRS1. It seems that this result was obtained because it was more than that detected at a height of 18 cm.
したがって、上記結果から、乗車数6、7人の場合においては、LRS１の高さ18cmでの乗車数予測よりもLRS１の高さ100cmでの乗車数予測の方が効果的であると言える。 Therefore, from the above results, it can be said that in the case of 6 or 7 passengers, the prediction of the number of rides at the height of 100 cm of LRS1 is more effective than the prediction of the number of rides at the height of 18 cm of LRS1.
そのため、LRS１の配置としては、人の上半身あるいは胴体付近を検出できる高さに配置した方が望ましい。この配置の場合、所定空間内の人数が所定人数（特に、定員人数に近い人数（例．定員人数−3以上））であるときには、特に、LRS１の高さが足首付近（高さ18cm）での乗車数予測よりも効果的な乗車数把握が可能である。 Therefore, it is desirable that the LRS 1 is arranged at a height at which the upper body of the person or the vicinity of the torso can be detected. In the case of this arrangement, when the number of people in the predetermined space is a predetermined number of people (especially the number of people close to the number of people (eg, number of people-3 or more)), the height of LRS 1 is particularly close to the ankle (height 18cm). It is possible to grasp the number of passengers more effectively than the number of passengers predicted.
SVM５によるエレベータ内の乗車数予測の実験について上述したことを踏まえると、エレベータ内の物体との距離についての分布と前記エレベータ内の乗車数との関係を学習器に学習させておき、新たに取得した前記分布と前記学習器に基づいて乗車数予測を行う発明によって、従来の直接的な乗車数検出の方法よりも効果的な乗車数把握が可能であることが分かる。また、電車やホール等の所定空間においても人による死角が生じる場合があることから、所定空間内の物体との距離についての分布と前記所定空間内の人数との関係を学習器に学習させておき、新たに取得した前記分布と学習器に基づいて人数予測を行う発明によって、従来の直接的な人数検出の方法よりも効果的な人数把握が可能であることが言える。 Based on the above-described experiment for predicting the number of passengers in the elevator using SVM5, the learning device learns the relationship between the distribution of the distance to the object in the elevator and the number of passengers in the elevator, and obtains a new one. It can be seen that the invention for predicting the number of passengers based on the distribution and the learning device makes it possible to grasp the number of passengers more effectively than the conventional method for directly detecting the number of passengers. In addition, because blind spots may be generated by people even in a predetermined space such as a train or a hall, the learning device learns the relationship between the distribution of the distance to an object in the predetermined space and the number of people in the predetermined space. In addition, it can be said that the invention of performing the number prediction based on the newly acquired distribution and the learning device makes it possible to grasp the number of persons more effectively than the conventional direct number detection method.
１ レーザレンジスキャナ
２ 移動ロボット
３ エレベータ
４Ａ〜４Ｄ 物体
５ ＳＶＭ
６ ＰＣ
７ 取得手段
８ 人数予測手段
９ 学習手段
１０ 判断手段
１１ 制御手段
１２ 仮想エレベータ
DESCRIPTION OF SYMBOLS 1 Laser range scanner 2 Mobile robot 3 Elevators 4A-4D Object 5 SVM
6 PC
7 Acquisition means 8 Number of people prediction means 9 Learning means 10 Judgment means 11 Control means 12 Virtual elevator
Claims (10)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011280959A JP2013131100A (en) | 2011-12-22 | 2011-12-22 | Number of persons prediction method, number of persons prediction device, movable robot, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011280959A JP2013131100A (en) | 2011-12-22 | 2011-12-22 | Number of persons prediction method, number of persons prediction device, movable robot, and program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2013131100A true JP2013131100A (en) | 2013-07-04 |
Family
ID=48908584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011280959A Pending JP2013131100A (en) | 2011-12-22 | 2011-12-22 | Number of persons prediction method, number of persons prediction device, movable robot, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2013131100A (en) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103466397A (en) * | 2013-09-11 | 2013-12-25 | 昆山新金福精密电子有限公司 | Method for identifying elevator group control traffic mode based on support vector machine |
| CN103552890A (en) * | 2013-11-07 | 2014-02-05 | 深圳市汇川技术股份有限公司 | System and method for detecting number of people in lift car |
| WO2015105074A1 (en) * | 2014-01-09 | 2015-07-16 | 三菱電機株式会社 | Control parameter detection method |
| JP2016166066A (en) * | 2015-03-10 | 2016-09-15 | 株式会社日立製作所 | Elevator system |
| CN106032232A (en) * | 2015-03-11 | 2016-10-19 | 上海三菱电梯有限公司 | An elevator car space occupying object identifying device and method |
| CN110678409A (en) * | 2017-06-01 | 2020-01-10 | 三菱电机株式会社 | Elevator device |
| CN110937480A (en) * | 2019-12-12 | 2020-03-31 | 广州赛特智能科技有限公司 | Method and system for robot to take elevator autonomously |
| CN111153300A (en) * | 2019-12-31 | 2020-05-15 | 深圳优地科技有限公司 | Ladder taking method and system for robot, robot and storage medium |
| CN111874764A (en) * | 2020-09-28 | 2020-11-03 | 上海木承智能医疗科技有限公司 | Robot scheduling method, server and storage medium |
| CN112255923A (en) * | 2020-10-13 | 2021-01-22 | 日立楼宇技术（广州）有限公司 | Electric equipment control method, device, server and medium |
| JP2021086199A (en) * | 2019-11-25 | 2021-06-03 | トヨタ自動車株式会社 | Control system, control method and program |
| WO2021186505A1 (en) * | 2020-03-16 | 2021-09-23 | 日本電気株式会社 | Status notification device, status notification system, status notification method, and program storage medium |
| CN114604700A (en) * | 2021-11-22 | 2022-06-10 | 杭州西奥电梯有限公司 | Method for counting and detecting number of people in elevator car |
| CN116362386A (en) * | 2023-03-15 | 2023-06-30 | 北京科技大学 | Method and system for predicting trapped people in urban elevator based on earthquake scene |
| WO2024027210A1 (en) * | 2022-08-03 | 2024-02-08 | 北京京东乾石科技有限公司 | Control method and apparatus for robot, electronic device, and storage medium |
-
2011
- 2011-12-22 JP JP2011280959A patent/JP2013131100A/en active Pending
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103466397A (en) * | 2013-09-11 | 2013-12-25 | 昆山新金福精密电子有限公司 | Method for identifying elevator group control traffic mode based on support vector machine |
| CN103552890A (en) * | 2013-11-07 | 2014-02-05 | 深圳市汇川技术股份有限公司 | System and method for detecting number of people in lift car |
| CN106061878A (en) * | 2014-01-09 | 2016-10-26 | 三菱电机株式会社 | Control parameter detection method |
| WO2015105074A1 (en) * | 2014-01-09 | 2015-07-16 | 三菱電機株式会社 | Control parameter detection method |
| JPWO2015105074A1 (en) * | 2014-01-09 | 2017-03-23 | 三菱電機株式会社 | Control parameter detection method, elevator group management simulation method, control parameter detection device, and elevator group management simulation device |
| CN105967007A (en) * | 2015-03-10 | 2016-09-28 | 株式会社日立制作所 | Elevator system |
| JP2016166066A (en) * | 2015-03-10 | 2016-09-15 | 株式会社日立製作所 | Elevator system |
| CN106032232A (en) * | 2015-03-11 | 2016-10-19 | 上海三菱电梯有限公司 | An elevator car space occupying object identifying device and method |
| CN110678409A (en) * | 2017-06-01 | 2020-01-10 | 三菱电机株式会社 | Elevator device |
| US11657634B2 (en) | 2019-11-25 | 2023-05-23 | Toyota Jidosha Kabushiki Kaisha | Control system, control method, and program |
| JP7243592B2 (en) | 2019-11-25 | 2023-03-22 | トヨタ自動車株式会社 | Control system, control method and program |
| JP2021086199A (en) * | 2019-11-25 | 2021-06-03 | トヨタ自動車株式会社 | Control system, control method and program |
| CN112947402A (en) * | 2019-11-25 | 2021-06-11 | 丰田自动车株式会社 | Control system, control method, and program |
| CN112947402B (en) * | 2019-11-25 | 2024-05-17 | 丰田自动车株式会社 | Control system, control method, and program |
| CN110937480B (en) * | 2019-12-12 | 2022-01-04 | 广州赛特智能科技有限公司 | Method and system for robot to take elevator autonomously |
| CN110937480A (en) * | 2019-12-12 | 2020-03-31 | 广州赛特智能科技有限公司 | Method and system for robot to take elevator autonomously |
| CN111153300A (en) * | 2019-12-31 | 2020-05-15 | 深圳优地科技有限公司 | Ladder taking method and system for robot, robot and storage medium |
| CN111153300B (en) * | 2019-12-31 | 2022-01-07 | 深圳优地科技有限公司 | Ladder taking method and system for robot, robot and storage medium |
| WO2021186505A1 (en) * | 2020-03-16 | 2021-09-23 | 日本電気株式会社 | Status notification device, status notification system, status notification method, and program storage medium |
| CN111874764A (en) * | 2020-09-28 | 2020-11-03 | 上海木承智能医疗科技有限公司 | Robot scheduling method, server and storage medium |
| CN112255923A (en) * | 2020-10-13 | 2021-01-22 | 日立楼宇技术（广州）有限公司 | Electric equipment control method, device, server and medium |
| CN112255923B (en) * | 2020-10-13 | 2023-12-19 | 日立楼宇技术（广州）有限公司 | Electric equipment control method, device, server and medium |
| CN114604700B (en) * | 2021-11-22 | 2023-08-29 | 杭州西奥电梯有限公司 | Method for counting and detecting number of people in elevator car |
| CN114604700A (en) * | 2021-11-22 | 2022-06-10 | 杭州西奥电梯有限公司 | Method for counting and detecting number of people in elevator car |
| WO2024027210A1 (en) * | 2022-08-03 | 2024-02-08 | 北京京东乾石科技有限公司 | Control method and apparatus for robot, electronic device, and storage medium |
| CN116362386A (en) * | 2023-03-15 | 2023-06-30 | 北京科技大学 | Method and system for predicting trapped people in urban elevator based on earthquake scene |
| CN116362386B (en) * | 2023-03-15 | 2023-11-17 | 北京科技大学 | Method and system for predicting trapped people in urban elevator based on earthquake scene |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2013131100A (en) | Number of persons prediction method, number of persons prediction device, movable robot, and program | |
| KR20190062171A (en) | Deep learning-based real-time detection and correction of compromised sensors in autonomous machines | |
| JP5190761B2 (en) | MOBILE ROBOT MONITORING DEVICE AND MONITORING METHOD | |
| JP6729793B2 (en) | Information processing apparatus, control method, and program | |
| CN107444998B (en) | Conveying equipment control system and conveying equipment control method | |
| Mojtahedzadeh et al. | Support relation analysis and decision making for safe robotic manipulation tasks | |
| EP4154170A1 (en) | Group identification and monitoring | |
| JP5866682B2 (en) | Measuring system and measuring method | |
| US20240085916A1 (en) | Systems and methods for robotic detection of escalators and moving walkways | |
| Jeong et al. | Point cloud segmentation of crane parts using dynamic graph CNN for crane collision avoidance | |
| JP2019117573A (en) | Person counter and person counting method | |
| JP5369036B2 (en) | Passer detection device, passer detection method | |
| JP7342664B2 (en) | Robots, control methods, and programs | |
| Rashed et al. | Robustly tracking people with lidars in a crowded museum for behavioral analysis | |
| Ragaglia et al. | Detecting, tracking and predicting human motion inside an industrial robotic cell using a map-based particle filtering strategy | |
| Liu et al. | Human face orientation recognition for intelligent mobile robot collision avoidance in laboratory environments using feature detection and LVQ neural networks | |
| Bogue | Detecting humans in the robot workspace | |
| CN112232271A (en) | Laser-based people stream detection method and device | |
| US20220414278A1 (en) | Architectural model data assistance system and architectural model data assistance method | |
| US20240037685A1 (en) | Detecting Suboptimal Performance of Security Check Operations | |
| Fernández-Caballero et al. | Lateral inhibition in accumulative computation and fuzzy sets for human fall pattern recognition in colour and infrared imagery | |
| Chen | Implementation and Application of Fall Detection on Mobile Perception Robot | |
| JP2019153184A (en) | System, method and program for controlling automatic driving vehicle | |
| Sokolova et al. | Fuzzy sets for human fall pattern recognition | |
| US20240160212A1 (en) | Object enrollment in a robotic cart coordination system |