CN108121347A - 用于控制设备运动的方法、装置及电子设备 - Google Patents
用于控制设备运动的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108121347A CN108121347A CN201711471549.9A CN201711471549A CN108121347A CN 108121347 A CN108121347 A CN 108121347A CN 201711471549 A CN201711471549 A CN 201711471549A CN 108121347 A CN108121347 A CN 108121347A
- Authority
- CN
- China
- Prior art keywords
- alternative parameter
- group
- target
- alternative
- parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006870 function Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 241000208340 Araliaceae Species 0.000 claims description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 7
- 235000008434 ginseng Nutrition 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0202—Control of position or course in two dimensions specially adapted to aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0248—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Optics & Photonics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种用于控制设备运动的方法、装置及电子设备,所述方法的一具体实施方式包括:检测目标设备周围目标范围内的物体相对于所述目标设备的位置信息;获取采集到的图像信息;基于所述位置信息确定初始数据,所述初始数据包括多组备选参数;基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数。该实施方式能够充分考虑到距离目标设备较近以及较远的障碍物,控制目标设备通过更为优化的路径行进,提高了行进路径的平滑度,实现了路径的优化。
Description
技术领域
本申请涉及无人驾驶技术领域,特别涉及一种用于控制设备运动的方法、装置及电子设备。
背景技术
一般来说,诸如机器人、无人车以及无人机等无人驾驶设备,在自动运行时,需要根据周围环境对该无人驾驶设备的运动进行调整,以躲避障碍物。目前来说,通常根据无人驾驶设备周围障碍物的分布状况进行路径规划,以使无人驾驶设备躲避开障碍物。但是,相关技术中,对无人驾驶设备的行进路径规划的效果较差。
发明内容
为了解决上述技术问题之一,本申请提供一种用于控制设备运动的方法、装置及电子设备。
根据本申请实施例的第一方面,提供一种用于控制设备运动的方法,包括:
检测目标设备周围目标范围内的物体相对于所述目标设备的位置信息;
获取采集到的图像信息;
基于所述位置信息确定初始数据,所述初始数据包括多组备选参数;
基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数。
可选的,所述初始数据还包括每组所述备选参数的权重;
所述基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数,包括:
基于所述图像信息对每组所述备选参数的权重进行修正;
根据修正后每组所述备选参数的权重从所述备选参数中选取目标参数。
可选的,所述基于所述图像信息对每组所述备选参数的权重进行修正,包括:
基于所述图像信息确定每组所述备选参数对应的修正数据;
根据所述修正数据对每组所述备选参数的权重进行修正。
可选的,所述基于所述图像信息确定每组所述备选参数对应的修正数据,包括:
将所述图像信息输入到预先训练的目标卷积神经网络中;
获取所述目标卷积神经网络输出的目标角度;
基于所述目标角度确定每组所述备选参数对应的修正数据。
可选的,所述基于所述目标角度确定每组所述备选参数对应的修正数据,包括:
生成以所述目标角度为期望值的正态分布函数;
根据所述正态分布函数确定每组所述备选参数对应的修正数据。
可选的,所述备选参数包括备选线速度和备选角速度;
所述根据所述正态分布函数确定每组所述备选参数对应的修正数据,包括:
分别确定每组所述备选参数中备选角速度与预设时长的乘积,作为所述正态分布函数的多个随机变量;
分别获取每个所述随机变量代入所述正态分布函数所得的概率密度值作为每组所述备选参数对应的修正数据。
根据本申请实施例的第二方面,提供一种用于控制设备运动的装置,包括:
检测模块,用于检测目标设备周围目标范围内的物体相对于所述目标设备的位置信息;
获取模块,用于获取采集到的图像信息;
确定模块,用于基于所述位置信息确定初始数据,所述初始数据包括多组备选参数;
选取模块,用于基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数。
可选的,所述初始数据还包括每组所述备选参数的权重;
所述选取模块包括:
确定子模块,用于基于所述图像信息对每组所述备选参数的权重进行修正;
选取子模块,用于根据修正后每组所述备选参数的权重从所述备选参数中选取目标参数。
根据本申请实施例的第三方面,提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的用于控制设备运动的方法。
根据本申请实施例的第四方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面中任一项所述的用于控制设备运动的方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的用于控制设备运动的方法和装置,通过检测目标设备周围的物体相对于目标设备的位置信息,获取采集到的图像信息,基于该位置信息确定初始数据,该初始数据包括多组备选参数,并基于该图像信息从上述备选参数中选取当前用于控制目标设备运动的目标参数。由于根据上述位置信息得到的备选参数能够较为准确的使目标设备避开周围较近的物体,而采集到的图像信息能够较为准确的体现出目标设备周围较远障碍物的分布状况。结合上述图像信息从备选参数中选取目标参数,能够充分考虑到距离目标设备较近以及较远的障碍物,控制目标设备通过更为优化的路径行进,提高了行进路径的平滑度,实现了路径的优化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种用于控制设备运动的方法的流程图;
图2是本申请根据一示例性实施例示出的另一种用于控制设备运动的方法的流程图;
图3是本申请根据一示例性实施例示出的另一种用于控制设备运动的方法的流程图;
图4是本申请根据一示例性实施例示出的一种用于控制设备运动的装置的框图;
图5是本申请根据一示例性实施例示出的另一种用于控制设备运动的装置的框图;
图6是本申请根据一示例性实施例示出的另一种用于控制设备运动的装置的框图;
图7是本申请根据一示例性实施例示出的另一种用于控制设备运动的装置的框图;
图8是本申请根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示,图1是根据一示例性实施例示出的一种用于控制设备运动的方法的流程图,该方法可以应用于电子设备中。在本实施例中,本领域技术人员可以理解,该电子设备为无人驾驶设备,可以包括但不限于导航定位机器人、无人机、无人车等等。该方法包括以下步骤:
在步骤101中,检测目标设备周围目标范围内的物体相对于目标设备的位置信息。
在本实施例中,目标设备为无人驾驶设备,可以是导航定位机器人,或者无人机,或者无人车等。在目标设备上可以设置测距传感器(如,激光测距传感器,或者红外测距传感器等),可以采用测距传感器检测目标设备周围的物体相对于目标设备的位置信息。目标范围可以是上述测距传感器所能够检测到的范围。该位置信息可以包括目标设备周围的物体相对于目标设备的距离信息以及方位信息等,本申请对此方面不限定。需要说明的是,距离目标设备较远的物体可能难以被检测到,因此,上述被检测到的位置信息更能体现目标设备周围较近物体的分布状况。
在步骤102中,获取采集到的图像信息。
在本实施例中,在目标设备上还可以设置图像采集装置(如,照相机,或者摄像机等),可以采用图像采集装置采集目标设备周围的图像信息。该图像信息中不仅包括目标设备周围近处物体的影像,还包括目标设备周围远处物体的影像。因此,上述图像信息与上述位置信息相比,更能体现目标设备周围较远物体的分布状况。
在步骤103中,基于该位置信息确定初始数据,该初始数据包括多组备选参数。
在本实施例中,可以基于目标设备周围的物体相对于目标设备的位置信息确定初始数据,该初始数据至少可以包括多组备选参数。其中,每组备选参数可以包括一个备选线速度和一个备选角速度,每组备选参数均可以用于控制目标设备运动,使目标设备运动时能够避开周围能够检测到的物体。
具体来说,可以根据上述位置信息采用任意合理的路径规划算法确定初始数据,例如,可以采用PRM(Probabilistic Roadmap Method,随机路标图)算法确定多组备选参数,也可以采用RRT(Rapidly exploring Random Tree,快速搜索随机树)算法确定多组备选参数。可选地,还可以采用DWA(Dynamic Window Approach,局部避障的动态窗口)算法确定多组备选参数,采用DWA算法确定多组备选参数,所得到的结果更为精准。当然,本领域中已知的以及将来可能出现的任何其他路径规划算法都可以应用于本申请,本申请对此方面不限定。
在步骤104中,基于该图像信息从上述备选参数中选取当前用于控制目标设备运动的目标参数。
在本实施例中,虽然按照每组备选参数均可以控制目标设备运动,并使目标设备运动时避开周围能够检测到的物体,但采用不同备选参数控制目标设备运动产生的路径不同。因此,需要从上述多组备选参数中选取能够使目标设备的行进路径更为优化的目标参数,作为当前用于控制目标设备运动的参数。
在本实施例中,可以基于采集到的图像信息从上述备选参数中选取目标参数。具体来说,目标参数可以包括目标线速度和目标角速度,该目标线速度和目标角速度可以是当前线速度和当前角速度的期望值。可以根据检测到的目标设备当前的瞬时线速度和瞬时角速度,结合目标线速度和目标角速度,计算出控制目标设备运动的控制数据(如,对目标设备的牵引力,或者对目标设备的牵引方向等)。
在一种实现方式中,可以确定每组备选参数的权重,基于该图像信息对每组备选参数的权重进行修正,并根据修正后每组备选参数的权重从备选参数中选取目标参数。
在另一种实现方式中,还可以根据上述备选参数及该图像信息提取障碍物特征向量,并将障碍物特征向量输入到预先训练的卷积神经网络中,获取该卷积神经网络输出的结果作为目标参数。
可以理解,还可以通过其它的方式从上述备选参数中选取目标参数,本申请对选取目标参数的具体方式方面不限定。
应当注意,尽管在上述图1的实施例中,以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。例如,步骤102可以在步骤101之前执行,也可以在步骤101与步骤103之间执行,也可以在步骤103之后执行,还可以与步骤101同时执行,或者与步骤103同时执行。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本申请的上述实施例提供的用于控制设备运动的方法,通过检测目标设备周围的物体相对于目标设备的位置信息,获取采集到的图像信息,基于该位置信息确定初始数据,该初始数据包括多组备选参数,并基于该图像信息从上述备选参数中选取当前用于控制目标设备运动的目标参数。由于根据上述位置信息得到的备选参数能够较为准确的使目标设备避开周围较近的物体,而采集到的图像信息能够较为准确的体现出目标设备周围较远障碍物的分布状况。结合上述图像信息从备选参数中选取目标参数,能够充分考虑到距离目标设备较近以及较远的障碍物,控制目标设备通过更为优化的路径行进,提高了行进路径的平滑度,实现了路径的优化。
如图2所示,图2根据一示例性实施例示出的另一种用于控制设备运动的方法的流程图,该实施例描述了选取目标参数的过程,该方法可以应用于电子设备中,包括以下步骤:
在步骤201中,检测目标设备周围的物体相对于目标设备的位置信息。
在步骤202中,获取采集到的图像信息。
在步骤203中,基于上述位置信息确定初始数据,该初始数据包括多组备选参数以及每组备选参数的权重。
在步骤204中,基于上述图像信息对每组备选参数的权重进行修正。
在本实施例中,初始数据除了可以包括多组备选参数,还可以进一步包括每组备选参数的权重。可选的,可以采用DWA算法获取多组备选参数及每组备选参数的权重,还可以采用PRM算法获取多组备选参数及每组备选参数的权重等等。其中,每组备选参数的权重为能够体现该组备选参数对行进路径优化程度的权重,但获得该权重时仅考虑了能够检测到的近处物体的分布状况。由于目标设备采集的图像数据更能体现目标设备周围较远障碍物的分布状况,因此,可以基于上述图像信息对每组备选参数的权重进行修正。使得对每组备选参数的权重的修正,进一步考虑了远处物体的分布状况。
具体来说,可以基于上述图像信息确定每组备选参数对应的修正数据,并根据每组备选参数对应的修正数据对每组备选参数的权重进行修正。可以理解,还可以通过其它方式对每组备选参数的权重进行修正,本申请对此方面不限定。
在步骤205中,根据修正后每组备选参数的权重从备选参数中选取目标参数。
在本实施例中,可以选取修正后权重最大的备选参数作为目标参数。
需要说明的是,对于与图1实施例中相同的步骤,在上述图2实施例中不再进行赘述,相关内容可参见图1实施例。
本申请的上述实施例提供的用于控制设备运动的方法,通过检测目标设备周围的物体相对于目标设备的位置信息,获取采集到的图像信息,基于上述位置信息确定初始数据,该初始数据包括多组备选参数以及每组备选参数的权重,基于上述图像信息对每组备选参数的权重进行修正,并根据修正后每组备选参数的权重从备选参数中选取目标参数。由于基于上述位置信息获得每组备选参数的权重时,仅考虑了能够检测到的近处物体的分布状况,因此,基于上述图像信息对每组备选参数的权重进行修正后,进一步考虑了远处物体的分布状况。有助于控制目标设备通过更为优化的路径行进,进一步提高了行进路径的平滑度,有助于实现路径的优化。
如图3所示,图3根据一示例性实施例示出的另一种用于控制设备运动的方法的流程图,该实施例描述了对每组备选参数的权重进行修正的过程,该方法可以应用于电子设备中,包括以下步骤:
在步骤301中,检测目标设备周围的物体相对于目标设备的位置信息。
在步骤302中,获取采集到的图像信息。
在步骤303中,基于上述位置信息确定初始数据,该初始数据包括多组备选参数以及每组备选参数的权重。
在步骤304中,基于上述图像信息确定每组备选参数对应的修正数据。
在本实施例中,修正数据用于对备选参数的权重进行修正,每组备选参数对应一组修正数据,可以采用每组备选参数对应的修正数据修正该组备选参数的权重。例如,可以通过如下方式确定每组备选参数对应的修正数据:将采集到的图像信息输入到预先训练的目标卷积神经网络中,获取目标卷积神经网络输出的目标角度,并基于目标角度确定每组备选参数对应的修正数据。
其中,目标角度为当前目标设备运动的期望角度,如果目标设备按照该期望角度运动,不仅可以避开障碍物,还可以以较优的路径行进。目标卷积神经网络为预先训练好的卷积神经网络,可以预先采集样本数据,并基于样本数据训练得到目标卷积神经网络。
具体来说,在训练阶段,首先,可以在目标设备上设置多个图像采集设备(如,照相机,或者摄像机等),使得一个图像采集设备能够采集目标设备正前方的图像信息,其它图像采集设备分别与正前方形成不同的角度(如,10°,或者20°,或者30°等)。将目标设备正前方设定为期望方向,与该期望方向所形成的角度设定为期望角度。因此,每个图像采集设备所对应的期望角度不同。
接着,由人控制目标设备以较为平滑的路径在指定场地中运动,且避开周围的障碍物。同时,采用多个图像采集设备实时采集图像信息。将采集到的图像信息与采集该图像信息的采集设备所对应的期望角度进行关联地存储,以得到采样数据。
最后,将采集到的图像信息输入到待训练的卷积神经网络中,将待训练的卷积神经网络输出的角度与该图像信息对应的期望角度进行比较,并基于比较的结果对卷积神经网络的参数进行不断调整,直至待训练的卷积神经网络输出的角度与该图像数据对应的期望角度的近似程度满足预设条件,将参数调整后的卷积神经网络作为目标卷积神经网络。
在本实施例中,可以基于目标角度确定每组备选参数对应的修正数据,例如,可以生成以目标角度为期望值的正态分布函数,并根据该正态分布函数确定每组备选参数对应的修正数据。
具体来说,首先,可以生成正态分布函数:
其中,数学期望值μ可以为目标角度,标准差σ可以是一个经验值,可以取任意合理的数值作为标准差。当确定随机变量x的数值后,可以根据上述正态分布函数确定随机变量x对应的概率密度值。
接着,可以将每组备选参数中包括的备选角速度取出,并分别与预设时长相乘,得到正态分布函数的多个随机变量,将每个随机变量分别代入上述正态分布函数,得到每个随机变量对应的概率密度值作为每组备选参数对应的修正数据。其中,预设时长可以是一个经验值,可以取任意合理的数值,例如可以是1秒,或者2秒等,本申请对预设时长的具体取值方面不限定。
在步骤305中,根据每组备选参数对应的修正数据对每组备选参数的权重进行修正。
在本实施例中,可以根据每组备选参数对应的修正数据对每组备选参数的权重进行修正。具体来说,可以将每组备选参数对应的修正数据与该组备选参数的权重相乘,得到修正后每组备选参数的权重。
在步骤306中,根据修正后每组备选参数的权重从备选参数中选取目标参数。
需要说明的是,对于与图1和图2实施例中相同的步骤,在上述图3实施例中不再进行赘述,相关内容可参见图1和图2实施例。
本申请的上述实施例提供的用于控制设备运动的方法,通过检测目标设备周围的物体相对于目标设备的位置信息,获取采集到的图像信息,基于上述位置信息确定初始数据,该初始数据包括多组备选参数以及每组备选参数的权重,基于上述图像信息确定每组备选参数对应的修正数据,根据每组备选参数对应的修正数据对每组备选参数的权重进行修正,并根据修正后每组备选参数的权重从备选参数中选取目标参数。本实施例由于基于上述图像信息确定每组备选参数对应的修正数据,并根据每组备选参数对应的修正数据对每组备选参数的权重进行修正,从而进一步控制目标设备更为准确的选择优化的路径行进。
与前述用于控制设备运动的方法实施例相对应,本申请还提供了用于控制设备运动的装置的实施例。
如图4所示,图4是本申请根据一示例性实施例示出的一种用于控制设备运动的装置框图,该装置可以包括:检测模块401,获取模块402,确定模块403以及选取模块404。
其中,检测模块401,用于检测目标设备周围目标范围内的物体相对于目标设备的位置信息。
获取模块402,用于获取采集到的图像信息。
确定模块403,用于基于上述位置信息确定初始数据,该初始数据包括多组备选参数。
选取模块404,用于基于上述图像信息从备选参数中选取当前用于控制目标设备运动的目标参数。
如图5所示,图5是本申请根据一示例性实施例示出的另一种用于控制设备运动的装置框图,该实施例在前述图4所示实施例的基础上,选取模块404可以包括:修正子模块501和选取子模块502。
其中,修正子模块501,用于基于上述图像信息对每组备选参数的权重进行修正。
选取子模块502,用于根据修正后每组备选参数的权重从备选参数中选取目标参数。
其中,初始数据还包括每组备选参数的权重。
如图6所示,图6是本申请根据一示例性实施例示出的另一种用于控制设备运动的装置框图,该实施例在前述图5所示实施例的基础上,修正子模块501可以包括:确定子模块601和权重修正子模块602。
其中,确定子模块601,用于基于上述图像信息确定每组备选参数对应的修正数据。
权重修正子模块602,用于根据上述修正数据对每组备选参数的权重进行修正。
如图7所示,图7是本申请根据一示例性实施例示出的另一种用于控制设备运动的装置框图,该实施例在前述图6所示实施例的基础上,确定子模块601可以包括:信息输入子模块701,信息输出子模块702和数据确定子模块703。
其中,信息输入子模块701,用于将上述图像信息输入到预先训练的目标卷积神经网络中。
信息输出子模块702,用于获取目标卷积神经网络输出的目标角度。
数据确定子模块703,用于基于目标角度确定每组备选参数对应的修正数据。
在一些可选实施方式中,数据确定子模块703被配置用于:生成以目标角度为期望值的正态分布函数,根据该正态分布函数确定每组备选参数对应的修正数据。
在另一些可选实施方式中,数据确定子模块703通过如下方式根据正态分布函数确定每组备选参数对应的修正数据:分别确定每组备选参数中备选角速度与预设时长的乘积,作为正态分布函数的多个随机变量。分别获取每个随机变量代入正态分布函数所得的概率密度值作为每组备选参数对应的修正数据。其中,备选参数包括备选线速度和备选角速度。
在另一些可选实施方式中,确定模块403被配置用于:根据上述位置信息采用局部避障的动态窗口DWA算法确定初始数据。
应当理解,上述装置可以预先设置在电子设备中,也可以通过下载等方式而加载到电子设备中。上述装置中的相应模块可以与电子设备中的模块相互配合以实现用于控制设备运动的方案。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1至图3任一实施例提供的用于控制设备运动的方法。
对应于上述的用于控制设备运动的方法,本申请实施例还提出了图8所示的根据本申请的一示例性实施例的电子设备的示意结构图。请参考图8,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成用于控制设备运动的装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种用于控制设备运动的方法,其特征在于,所述方法包括:
检测目标设备周围目标范围内的物体相对于所述目标设备的位置信息;
获取采集到的图像信息;
基于所述位置信息确定初始数据,所述初始数据包括多组备选参数;
基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数。
2.根据权利要求1所述的方法,其特征在于,所述初始数据还包括每组所述备选参数的权重;
所述基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数,包括:
基于所述图像信息对每组所述备选参数的权重进行修正;
根据修正后每组所述备选参数的权重从所述备选参数中选取目标参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述图像信息对每组所述备选参数的权重进行修正,包括:
基于所述图像信息确定每组所述备选参数对应的修正数据;
根据所述修正数据对每组所述备选参数的权重进行修正。
4.根据权利要求3所述的方法,其特征在于,所述基于所述图像信息确定每组所述备选参数对应的修正数据,包括:
将所述图像信息输入到预先训练的目标卷积神经网络中;
获取所述目标卷积神经网络输出的目标角度;
基于所述目标角度确定每组所述备选参数对应的修正数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标角度确定每组所述备选参数对应的修正数据,包括:
生成以所述目标角度为期望值的正态分布函数;
根据所述正态分布函数确定每组所述备选参数对应的修正数据。
6.根据权利要求5所述的方法,其特征在于,所述备选参数包括备选线速度和备选角速度;
所述根据所述正态分布函数确定每组所述备选参数对应的修正数据,包括:
分别确定每组所述备选参数中备选角速度与预设时长的乘积,作为所述正态分布函数的多个随机变量;
分别获取每个所述随机变量代入所述正态分布函数所得的概率密度值作为每组所述备选参数对应的修正数据。
7.一种用于控制设备运动的装置,其特征在于,所述装置包括:
检测模块,用于检测目标设备周围目标范围内的物体相对于所述目标设备的位置信息;
获取模块,用于获取采集到的图像信息;
确定模块,用于基于所述位置信息确定初始数据,所述初始数据包括多组备选参数;
选取模块,用于基于所述图像信息从所述备选参数中选取当前用于控制所述目标设备运动的目标参数。
8.根据权利要求7所述的装置,其特征在于,所述初始数据还包括每组所述备选参数的权重;
所述选取模块包括:
确定子模块,用于基于所述图像信息对每组所述备选参数的权重进行修正;
选取子模块,用于根据修正后每组所述备选参数的权重从所述备选参数中选取目标参数。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一项所述的用于控制设备运动的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-6中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711471549.9A CN108121347B (zh) | 2017-12-29 | 2017-12-29 | 用于控制设备运动的方法、装置及电子设备 |
US16/959,126 US20200401151A1 (en) | 2017-12-29 | 2018-11-12 | Device motion control |
PCT/CN2018/114999 WO2019128496A1 (zh) | 2017-12-29 | 2018-11-12 | 控制设备运动 |
EP18897378.8A EP3722906A4 (en) | 2017-12-29 | 2018-11-12 | DEVICE MOTION CONTROL |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711471549.9A CN108121347B (zh) | 2017-12-29 | 2017-12-29 | 用于控制设备运动的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108121347A true CN108121347A (zh) | 2018-06-05 |
CN108121347B CN108121347B (zh) | 2020-04-07 |
Family
ID=62232519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711471549.9A Active CN108121347B (zh) | 2017-12-29 | 2017-12-29 | 用于控制设备运动的方法、装置及电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200401151A1 (zh) |
EP (1) | EP3722906A4 (zh) |
CN (1) | CN108121347B (zh) |
WO (1) | WO2019128496A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128496A1 (zh) * | 2017-12-29 | 2019-07-04 | 北京三快在线科技有限公司 | 控制设备运动 |
CN111309035A (zh) * | 2020-05-14 | 2020-06-19 | 浙江远传信息技术股份有限公司 | 多机器人协同移动与动态避障方法、装置、设备及介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021143830A (ja) * | 2018-06-15 | 2021-09-24 | ソニーグループ株式会社 | 情報処理装置および情報処理方法 |
CN114355917B (zh) * | 2021-12-27 | 2023-11-21 | 广州极飞科技股份有限公司 | 超参确定方法、路径规划方法、装置、电子设备和可读存储介质 |
CN115309161B (zh) * | 2022-08-23 | 2024-06-28 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016090282A1 (en) * | 2014-12-05 | 2016-06-09 | Cowbyt Technologies Llc | Autonomous navigation system |
CN105955273A (zh) * | 2016-05-25 | 2016-09-21 | 速感科技(北京)有限公司 | 室内机器人导航***及方法 |
CN106558058A (zh) * | 2016-11-29 | 2017-04-05 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
CN106598054A (zh) * | 2017-01-16 | 2017-04-26 | 深圳优地科技有限公司 | 机器人路径调整方法及装置 |
CN106598055A (zh) * | 2017-01-19 | 2017-04-26 | 北京智行者科技有限公司 | 一种智能车局部路径规划方法及其装置、车辆 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN107054360A (zh) * | 2015-12-15 | 2017-08-18 | 大众汽车有限公司 | 用于自动控制带有侦察车的跟随车的方法和*** |
CN107065883A (zh) * | 2017-05-18 | 2017-08-18 | 广州视源电子科技股份有限公司 | 移动控制方法、装置、机器人及存储介质 |
CN107168305A (zh) * | 2017-04-01 | 2017-09-15 | 西安交通大学 | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 |
CN107515606A (zh) * | 2017-07-20 | 2017-12-26 | 北京格灵深瞳信息技术有限公司 | 机器人实现方法、控制方法及机器人、电子设备 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576680B (zh) * | 2012-07-25 | 2016-09-14 | 中国原子能科学研究院 | 一种机器人路径规划方法及装置 |
KR101807484B1 (ko) * | 2012-10-29 | 2017-12-11 | 한국전자통신연구원 | 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법 |
US9463571B2 (en) * | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
US9151626B1 (en) * | 2014-04-11 | 2015-10-06 | Nissan North America, Inc. | Vehicle position estimation system |
KR101610502B1 (ko) * | 2014-09-02 | 2016-04-07 | 현대자동차주식회사 | 자율주행차량의 주행환경 인식장치 및 방법 |
EP3248029A4 (en) * | 2015-01-19 | 2018-10-03 | The Regents of the University of Michigan | Visual localization within lidar maps |
US20170160751A1 (en) * | 2015-12-04 | 2017-06-08 | Pilot Ai Labs, Inc. | System and method for controlling drone movement for object tracking using estimated relative distances and drone sensor inputs |
JP6558239B2 (ja) * | 2015-12-22 | 2019-08-14 | アイシン・エィ・ダブリュ株式会社 | 自動運転支援システム、自動運転支援方法及びコンピュータプログラム |
CN105739495B (zh) * | 2016-01-29 | 2019-05-14 | 大连楼兰科技股份有限公司 | 行车路径规划方法、装置和自动转向*** |
JP6606442B2 (ja) * | 2016-02-24 | 2019-11-13 | 本田技研工業株式会社 | 移動体の経路計画生成装置 |
WO2017147747A1 (en) * | 2016-02-29 | 2017-09-08 | SZ DJI Technology Co., Ltd. | Obstacle avoidance during target tracking |
CN106020201B (zh) * | 2016-07-13 | 2019-02-01 | 广东奥讯智能设备技术有限公司 | 移动机器人3d导航定位***及导航定位方法 |
CN106767823A (zh) * | 2016-12-14 | 2017-05-31 | 智易行科技(武汉)有限公司 | 基于不完全信息情况下的智能移动路径规划方法 |
JP6285597B1 (ja) * | 2017-06-05 | 2018-02-28 | 大塚電子株式会社 | 光学測定装置および光学測定方法 |
CN108121347B (zh) * | 2017-12-29 | 2020-04-07 | 北京三快在线科技有限公司 | 用于控制设备运动的方法、装置及电子设备 |
-
2017
- 2017-12-29 CN CN201711471549.9A patent/CN108121347B/zh active Active
-
2018
- 2018-11-12 WO PCT/CN2018/114999 patent/WO2019128496A1/zh unknown
- 2018-11-12 US US16/959,126 patent/US20200401151A1/en not_active Abandoned
- 2018-11-12 EP EP18897378.8A patent/EP3722906A4/en not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016090282A1 (en) * | 2014-12-05 | 2016-06-09 | Cowbyt Technologies Llc | Autonomous navigation system |
CN107054360A (zh) * | 2015-12-15 | 2017-08-18 | 大众汽车有限公司 | 用于自动控制带有侦察车的跟随车的方法和*** |
CN105955273A (zh) * | 2016-05-25 | 2016-09-21 | 速感科技(北京)有限公司 | 室内机器人导航***及方法 |
CN106558058A (zh) * | 2016-11-29 | 2017-04-05 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
CN106598054A (zh) * | 2017-01-16 | 2017-04-26 | 深圳优地科技有限公司 | 机器人路径调整方法及装置 |
CN106598055A (zh) * | 2017-01-19 | 2017-04-26 | 北京智行者科技有限公司 | 一种智能车局部路径规划方法及其装置、车辆 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN107168305A (zh) * | 2017-04-01 | 2017-09-15 | 西安交通大学 | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 |
CN107065883A (zh) * | 2017-05-18 | 2017-08-18 | 广州视源电子科技股份有限公司 | 移动控制方法、装置、机器人及存储介质 |
CN107515606A (zh) * | 2017-07-20 | 2017-12-26 | 北京格灵深瞳信息技术有限公司 | 机器人实现方法、控制方法及机器人、电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128496A1 (zh) * | 2017-12-29 | 2019-07-04 | 北京三快在线科技有限公司 | 控制设备运动 |
CN111309035A (zh) * | 2020-05-14 | 2020-06-19 | 浙江远传信息技术股份有限公司 | 多机器人协同移动与动态避障方法、装置、设备及介质 |
CN111309035B (zh) * | 2020-05-14 | 2022-03-04 | 浙江远传信息技术股份有限公司 | 多机器人协同移动与动态避障方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US20200401151A1 (en) | 2020-12-24 |
EP3722906A1 (en) | 2020-10-14 |
CN108121347B (zh) | 2020-04-07 |
EP3722906A4 (en) | 2020-12-30 |
WO2019128496A1 (zh) | 2019-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121347A (zh) | 用于控制设备运动的方法、装置及电子设备 | |
CN113269098B (zh) | 一种基于无人机的多目标跟踪定位与运动状态估计方法 | |
CN106803271B (zh) | 一种视觉导航无人机的摄像机标定方法及装置 | |
CN207198663U (zh) | 压路机及压路机控制*** | |
CN106981082A (zh) | 车载摄像头标定方法、装置及车载设备 | |
US20200042656A1 (en) | Systems and methods for persistent simulation | |
CN114723955A (zh) | 图像处理方法、装置、设备和计算机可读存储介质 | |
CN107610235B (zh) | 一种基于深度学***台导航方法和装置 | |
JP2015501471A (ja) | 車載搭載型のコンピュータ・ベース視覚システムの校正方法 | |
CN114102585A (zh) | 一种物品抓取规划方法及*** | |
CN109961509B (zh) | 三维地图的生成及模型训练方法、装置及电子设备 | |
CN116679711A (zh) | 一种基于有模型与无模型强化学习的机器人避障方法 | |
CN109492835B (zh) | 车辆控制信息的确定方法、模型训练方法和相关装置 | |
CN114739391A (zh) | 跟踪目标的定位优化方法 | |
JP2020149186A (ja) | 位置姿勢推定装置、学習装置、移動ロボット、位置姿勢推定方法、学習方法 | |
Lim et al. | Evolution of a reliable and extensible high-level control system for an autonomous car | |
Xu et al. | Avoidance of manual labeling in robotic autonomous navigation through multi-sensory semi-supervised learning | |
CN117372536A (zh) | 激光雷达与相机标定方法、***、设备和存储介质 | |
Sabry et al. | Ground vehicle monocular visual odometry | |
CN109375210A (zh) | 基于雷达和全景联合的无人装置目标检测***和方法 | |
Jahoda et al. | Autonomous car chasing | |
CN108363387A (zh) | 传感器控制方法及装置 | |
Natan et al. | DeepIPC: Deeply integrated perception and control for an autonomous vehicle in real environments | |
CN109901589A (zh) | 移动机器人控制方法和装置 | |
Tagliabue et al. | Tube-NeRF: Efficient Imitation Learning of Visuomotor Policies from MPC via Tube-Guided Data Augmentation and NeRFs |
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 |