TWI687785B - 自動回充方法 - Google Patents
自動回充方法 Download PDFInfo
- Publication number
- TWI687785B TWI687785B TW108106371A TW108106371A TWI687785B TW I687785 B TWI687785 B TW I687785B TW 108106371 A TW108106371 A TW 108106371A TW 108106371 A TW108106371 A TW 108106371A TW I687785 B TWI687785 B TW I687785B
- Authority
- TW
- Taiwan
- Prior art keywords
- electronic device
- area
- neural network
- sensing signal
- network model
- Prior art date
Links
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本案揭露一種自動回充方法,包括根據一電子裝置對應充電座的相對位置提供路徑規劃的權重分數,並用以訓練一神經網路模型,以產生一優化神經網路;根據感應訊號範圍內的感應訊號判斷電子裝置的即時位置;以及電子裝置依據感應訊號自動引導回到充電座,或是根據優化神經網路模型,對即時位置進行運算,以選擇最大權重分數之路徑規劃作為要走的最佳充電路徑。
Description
本案係有關一種基於神經網路的電子裝置自動回充方法。
移動式機器人(mobile robot)涵蓋範圍甚廣,舉凡掃地機器人、服務型機器人、娛樂型機器人、飛行監視器等,能夠藉由機械、電子、軟體技術並透過自動化功能完成所屬工作皆屬於移動式機器人的範疇。移動式機器人通常包括設置在內部的充電電池,以提供機器人所需之電源。當機器人需要對充電電池進行充電時,移動式機器人會搭配一個充電座,充電座上配置有紅外線或無線訊號發射器,以發出紅外線或無線訊號,移動式機器人之訊號接收器根據此紅外線或無線訊號進行自動引導,使移動式機器人回到充電座進行充電。然而,紅外線或無線訊號容易受到左右兩側的障礙物與周圍環境影響,對紅外線或無線訊號產生干擾,而導致移動式機器人無法回到充電座而導致自動回充失敗。
本案揭示一種自動回充方法,其係適用於一電子裝置,電子裝置透過一充電座進行充電,且充電座發射一感應訊號於一感應訊號範圍內,此自動回充方法包含於電子裝置建構一神經網路模型;根據一電子裝置對應充電座之相對位置提供路徑規劃的權重分數,用以訓練神經網路模型,以產生一優化神經網路模型;根據於感應訊號範圍內之感應訊號判斷電子裝置的一即時位置;以及電子裝置依據感應訊號自動引導回到充電座,或是根據優化神經網路模型,對即時位置進行運算,以選擇最大權重分數之路徑規劃作為要走的最佳充電路徑,直至回到充電座為止。
綜上所述,本案之自動回充方法係進行神經網路的適應學習,再利用神經網路模型引導電子裝置到訊號強且不被干擾的中間區域,以利於電子裝置回到充電座進行回充,避免電子裝置回充失敗的情況發生。
圖1為根據本發明一實施例之電子裝置充電架構的方塊示意圖,請參閱圖1所示,一充電座10係具有一訊號發射器12,以發射感應訊號於一感應訊號範圍內,在一些實施例中,感應訊號係為紅外線訊號或是無線訊號。一電子裝置20係具有一處理器22、一訊號接收器24及一距離感測器26,且處理器22電性連接訊號接收器24與距離感測器26,訊號接收器24用來接收訊號發射器12持續發出的感應訊號,以根據感應訊號自動引導電子裝置20回到充電座10進行充電,距離感測器26則用來偵測電子裝置20與充電座10的距離,以提供給處理器22進行運算。
一實施例中,距離感測器26係為聲納感測器或雷射感測器,且距離感測器26在此係以一個為例,但當不能以此為限,可依實際需求而有一個或多個不同數量的設計。在一些實施例中,電子裝置20可以是但不限於掃地機器人、服務型機器人、娛樂型機器人、飛行監視器等。
圖2為根據本發明一實施例之自動回充方法的流程示意圖,請同時參閱圖1及圖2所示,自動回充方法適用於上述之電子裝置20,且電子裝置20透過充電座10進行充電。首先如步驟S10,於電子裝置20中的處理器22先建構一神經網路模型,以利用神經網路可學習輸入資料與輸出資料之關係的特性來進行運算。
如步驟S12,處理器22根據電子裝置20對應充電座10的相對位置提供路徑規劃的權重分數,並用以訓練神經網路模型,以產生一優化神經網路模型。請配合圖3所示,充電座10發射感應訊號於一感應訊號範圍30內,以充電座10為基準,感應訊號範圍30具有一中間區域32以及位於中間區域32二側的左側區域34與右側區域36,在另一實施例中,中間區域32亦可為一扇形區域,當不能以此為限。
當電子裝置20之相對位置為超出感應訊號範圍30時,權重分數為一第一權重分數,當電子裝置20之相對位置為左側區域34或右側區域36時,權重分數為一第二權重分數,且當電子裝置20之相對位置為中間區域32時,權重分數為一第三權重分數,其中第三權重分數大於第二權重分數且第二權重分數大於等於第一權重分數,亦即第三權重分數>第二權重分數≥第一權重分數。因此,在電子裝置20進行路徑規劃時,會根據不同相對位置而得到不同之權重分數,以藉此訓練神經網路。
一實施例中,第一、第二及第三權重分數可為正數或是負數,舉例來說,第一權重分數為-2,第二權重分數為-1,且第三權重分數為2。在另一實施例中,中間區域又可以再細分為靠近充電座的前中間區域,遠離充電座的後中間區域,此時第三權重分數也可對應細分為二,前中間區域的第三權重分數為1,後中間區域的第三權重分數為2。在此係將權重分數依據感應訊號範圍之位置而分成三個權重分數(第一、第二及第三權重分數),但本案並不限於使用三個權重分數,而可視需求使用更多的權重分數,當不能以此為限。
接續如步驟S14,根據於感應訊號範圍30內的感應訊號判斷電子裝置20的一即時位置,由於電子裝置20之訊號接收器24可以接收來自充電座10的感應訊號,再配合距離感測器26之作用,因此電子裝置20可以知道本身所在的即時位置,包含位置與方向。最後如步驟S16,根據此即時位置,電子裝置20選擇依據感應訊號自動引導回到充電座10進行充電,或是根據優化神經網路模型,處理器22對即時位置進行運算,以選擇最大權重分數之路徑規劃作為要走的最佳充電路徑,直至回到充電座10為止。
一實施例中,處理器22在對即時位置進行運算時,可利用神經網路模型選擇電子裝置20與充電座10之間的距離,再利用畢氏定理計算電子裝置20於最佳充電路徑中要行進的距離。
一實施例中,如圖1~圖4所示,在步驟S12進行神經網路訓練時,此步驟更進一步細分為數個步驟。如步驟S121,電子裝置20利用處理器22進行一路徑規劃,此時係已取得電子裝置20對應於充電座10的相對位置。如步驟S122,判斷電子裝置20之相對位置是否有超出感應訊號範圍30,若電子裝置20的相對位置超出感應訊號範圍30時,如步驟S123,在神經網路模型的輸出分類中,對此路徑規劃給予最低的第一權重分數,以訓練神經網路;若電子裝置20的相對位置沒有超出感應訊號範圍30時,則繼續進行步驟S124。
如步驟S124,判斷電子裝置20的相對位置是否在充電座10的左側區域34或右側區域36,若電子裝置20的相對位置位於充電座10的左側區域34或右側區域36時,如步驟S125,在神經網路模型的輸出分類中,對此路徑規劃給予較低的第二權重分數,以訓練此神經網路。若電子裝置20的相對位置沒有位於充電座10的左側區域34或右側區域36時,則繼續進行步驟S126,表示電子裝置20的相對位置係位於感應訊號範圍30的中央區域32內,則在神經網路模型的輸出分類中,對此路徑規劃給予較高的第三權重分數,以訓練此神經網路,藉由前述訓練過程以產生優化神經網路模型。
在一實施例中,電子裝置更可先透過本機訊號或是遠端(雲端)訓練,以對神經網路模型進行訓練,亦即先以大量訓練資料對神經網路進行訓練,以取得出各個輸入節點的輸入資料與各個隱藏層神經元的權重
、各個輸出節點之權重分數等等,而後配合電子裝置即時位置的資料作為各個輸入節點的輸入資料,以進行路徑規劃預測。
圖5係為根據本發明一實施例之神經網路的示意圖,如圖5所示,此神經網路在第一層具有153個輸入節點,根據三個訊號發射器的三個感應訊號以及三個距離感測器各自的50次距離感測,共輸入153個訊號,在第二~五層中具有複數個以全聯結連接之隱藏層神經節點,在第六層具有9個輸出節點,每個輸出節點代表一路徑規劃的權重分數,在此係以總共六層為例,但本案並不限於使用六層的神經網路,而可視需求使用一至多層的隱藏層神經節點,且在此使用的輸入節點數量、隱藏層神經元節點數量、輸出節點數量等亦僅為一示範例,當不能以此限制限制本案,本案之輸入節點個數、隱藏層神經元個數、輸出節點個數可視情況調整為任意個數。另外,本案更可採用梯度下降演算法來修正各個權重值,以優化參數。初步訓練完成的神經網路模型,就可以根據即時位置的輸入資料,進行充電路徑的輸出預測。
一實施例中,請同時參閱圖1~圖3及圖6,在步驟S14根據感應訊號取得電子裝置的即時位置之後,步驟S16更進一步細分為數個步驟。如圖所示,在步驟S161中,根據取得的即時位置判斷電子裝置20是否位於充電座10的左側區域34或右側區域36,若電子裝置20不是位於左側區域34或右側區域36內,表示電子裝置20的即時位置位於中央區域32內,此時即進行步驟S163,電子裝置20根據充電座10發出的感應訊號自動引導回到充電座10進行充電。
若電子裝置20係位於左側區域34或右側區域36內,則進行步驟S162,根據優化神經網路模型,處理器22對即時位置進行運算,以選擇最大權重分數之路徑規劃作為要走的最佳充電路徑,並到達新的即時位置後,重新回到步驟S14,根據新的即時位置重複進行上述步驟,以藉此引導電子裝置20到中間區域32,直至回到充電座10為止。
請參閱圖7所示之一實施例,在此電子裝置20係以掃地機器人為例,如圖1及圖7所示,充電座10係利用三個紅外線發射器作為訊號發射器12,在此紅外線感應訊號範圍內會有不同編號,遠離充電座10的中線後段區域標示為7,靠近充電座10的中線前段區域標示為2,接近中線的中間區域標示為3和6,使中線後段區域7、中線前段區域2及接近中線的中間區域3、6組成的扇形區域係作為圖3中之感應訊號範圍30內的中間區域32,而在扇形區域二側的左側區域係標示為1,在扇形區域二側的右側區域則標示為4。
當電子裝置20位於左側區域1的A點時
,電子裝置20會透過優化神經網路模型提供的最佳充電路徑選擇0.6公尺作為A點(電子裝置所在位置)到充電座10的距離,再利用畢氏定理進行運算,取得A點到B點的距離為0.8公尺,使電子裝置20據此行進到B點的位置,此位置即為接近中線後段區域7的位置(亦即為圖3之中間區域32),當電子裝置20被引導到接近中線後段區域7位置時,即可以根據紅外線感應訊號的引導順利回到充電座10進行充電。
因此,本案之電子裝置自動回充方法,在神經網路模型的適應學習以及強化學習下,利用優化神經網路模型引導電子裝置到訊號強且不被干擾的中間區域,且因為路徑規劃訓練愈多,電子裝置就會愈來愈快到達中間區域,故可使電子裝置快速的回到充電座進行回充,有效避免電子裝置回充失敗的情況發生。
以上所述之實施例僅係為說明本發明之技術思想及特點,其目的在使熟悉此項技術者能夠瞭解本發明之內容並據以實施,當不能以之限定本發明之專利範圍,即大凡依本發明所揭示之精神所作之均等變化或修飾,仍應涵蓋在本發明之申請專利範圍內。
10:充電座
12:訊號發射器
20:電子裝置
22:處理器
24:訊號接收器
26:距離感測器
30:感應訊號範圍
32:中間區域
34:左側區域
36:右側區域
S10~S16:步驟
S121~S126:步驟
S161~S163:步驟
[圖1]係根據本發明一實施例之電子裝置充電架構的方塊示意圖。
[圖2]係根據本發明一實施例之自動回充方法的流程示意圖。
[圖3]係根據本發明一實施例之感應訊號範圍的示意圖。
[圖4]係根據本發明一實施例之訓練神經網路的流程示意圖。
[圖5]係根據本發明一實施例之神經網路的示意圖。
[圖6]係根據本發明一實施例之判斷即時位置的流程示意圖。
[圖7]係根據本發明另一實施例之感應訊號範圍的示意圖。
S10~S16:步驟
Claims (6)
- 一種自動回充方法,適用於一電子裝置,該電子裝置透過一充電座進行充電,該充電座發射一感應訊號於一感應訊號範圍內,且該感應訊號範圍中具有一中間區域以及該中間區域二側的一左側區域與一右側區域,該自動回充方法包括:於該電子裝置建構一神經網路模型;根據該電子裝置對應該充電座的相對位置提供路徑規劃的權重分數,並用以訓練該神經網路模型,以產生一優化神經網路模型;根據於該感應訊號範圍內的該感應訊號並配合至少一距離感測器判斷該電子裝置的一即時位置;以及該即時位置位於該中間區域時,該電子裝置依據該感應訊號自動引導回到該充電座,或是該即時位置位於該左側區域或該右側區域時,該電子裝置根據該優化神經網路模型,對該即時位置進行運算,以選擇最大權重分數之該路徑規劃作為要走的最佳充電路徑,以引導該電子裝置到該中間區域,直至回到該充電座為止。
- 如請求項1所述之自動回充方法,其中該電子裝置之該相對位置為超出該感應訊號範圍時,該權重分數為一第一權重分數;該電子裝置之該相對位置為該左側區域或該右側區域時,該權重分數為一第二權重分數;以及該電子裝置之該相對位置為該中間區域時,該權重分數為一第三權重分數,其中該第三權重分數大於該第二權重分數且該第二權重分數大於等於該第一權重分數。
- 如請求項2所述之自動回充方法,其中該感應訊號為紅外線訊號或無線訊號。
- 如請求項2所述之自動回充方法,其中該中間區域係為一扇形區域。
- 如請求項2所述之自動回充方法,其中對該即時位置進行運算時,係利用該優化神經網路模型取得該電子裝置與該充電座之間的距離,再利用畢氏定理計算該電子裝置於該最佳充電路徑中要行進的距離。
- 如請求項1所述之自動回充方法,其中該距離感測器係為聲納感測器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108106371A TWI687785B (zh) | 2019-02-25 | 2019-02-25 | 自動回充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108106371A TWI687785B (zh) | 2019-02-25 | 2019-02-25 | 自動回充方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI687785B true TWI687785B (zh) | 2020-03-11 |
TW202032305A TW202032305A (zh) | 2020-09-01 |
Family
ID=70767231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108106371A TWI687785B (zh) | 2019-02-25 | 2019-02-25 | 自動回充方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI687785B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444802A (zh) * | 2022-01-29 | 2022-05-06 | 福州大学 | 基于图神经网络强化学习的电动汽车充电引导优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201825037A (zh) * | 2016-11-24 | 2018-07-16 | 南韓商Lg電子股份有限公司 | 移動式清掃機器人及其控制方法 |
CN207937864U (zh) * | 2018-01-19 | 2018-10-02 | 上海未来伙伴机器人有限公司 | 采用多路外部环境检测模块实现机器人自动回充的装置 |
-
2019
- 2019-02-25 TW TW108106371A patent/TWI687785B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201825037A (zh) * | 2016-11-24 | 2018-07-16 | 南韓商Lg電子股份有限公司 | 移動式清掃機器人及其控制方法 |
CN207937864U (zh) * | 2018-01-19 | 2018-10-02 | 上海未来伙伴机器人有限公司 | 采用多路外部环境检测模块实现机器人自动回充的装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444802A (zh) * | 2022-01-29 | 2022-05-06 | 福州大学 | 基于图神经网络强化学习的电动汽车充电引导优化方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202032305A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168324B (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
CN111780777A (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
Mohanty et al. | Navigation of autonomous mobile robot using adaptive network based fuzzy inference system | |
CN111399541B (zh) | 无监督学习型神经网络的无人机全区域侦察路径规划方法 | |
CN106353725A (zh) | 基于rssi的室内移动目标定位方法 | |
CN105139072A (zh) | 应用于非循迹智能小车避障系统的强化学习算法 | |
CN104216409A (zh) | 基于模糊控制的两轮自平衡机器人避障系统及控制方法 | |
CN113242563A (zh) | 一种无线传感器网络覆盖率优化方法及系统 | |
JP2020537140A (ja) | 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法 | |
TWI687785B (zh) | 自動回充方法 | |
Lin et al. | Wall-following and navigation control of mobile robot using reinforcement learning based on dynamic group artificial bee colony | |
CN116540731B (zh) | 融合堆叠lstm与sac算法的路径规划方法及系统 | |
Chang et al. | Interpretable fuzzy logic control for multirobot coordination in a cluttered environment | |
CN116627162A (zh) | 基于多智能体强化学习的多无人机数据采集位置优化方法 | |
Du | A novel approach for swarm robotic target searches based on the DPSO algorithm | |
CN111614132B (zh) | 自动回充方法 | |
CN109597410B (zh) | 一种可自主移动的自适应测试平台及自主寻路方法 | |
Ntakolia et al. | A Genetic Algorithm enhanced with Fuzzy-Logic for multi-objective Unmanned Aircraft Vehicle path planning missions | |
Wu et al. | Convolutionally evaluated gradient first search path planning algorithm without prior global maps | |
Chen et al. | Mobile robot wall-following control by improved artificial bee colony algorithm to design a compensatory fuzzy logic controller | |
CN113923776B (zh) | 一种屏蔽目标位置确认及无人机自适应干扰系统和方法 | |
Xing et al. | 3d trajectory planning of positioning error correction based on pso-a* algorithm | |
CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
Xu et al. | Indoor multi-sensory self-supervised autonomous mobile robotic navigation |