CN110833357A - 障碍物识别方法及装置 - Google Patents

Abstract

本发明公开了一种障碍物识别方法及装置。其中，该方法包括：获取障碍物的第一特征信息；将所述第一特征信息输入分类模型，由所述识别模型输出所述第一特征信息对应的障碍物的种类，其中，所述障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，所述分类模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第一特征信息和所述第一特征信息对应的障碍物的种类。本发明解决了相关技术无法对障碍物进行准确识别，导致障碍物识别准确率低的技术问题。

Description

障碍物识别方法及装置

技术领域

本发明涉及障碍识别领域，具体而言，涉及一种障碍物识别方法及装置。

背景技术

机器人在运行过程中，遇到障碍物是非常常见的情况，一般情况的机器人遇见障碍物会控制绕路，但是在障碍物的种类不同的情况下，不一定都需要机器人选择绕路，例如，扫地机器人在进行扫地工作时，扫描到一团废纸，如果检测到废纸团为障碍物，清扫机器人会绕开，实际上只要将该纸团进行清扫，或者撞开。再例如，清扫机器人遇到地板上的气球时，检测到为障碍物，清扫机器人会绕开，但是实际上只需要继续按照原来的路线行驶，该气球会被撞开。另外，清扫机器人也无法预测周围物体的运动趋势，例如，机器人在扫地过程中，周围物体有可能发生倾倒，导致该物体对扫地机器人造成损伤，导致扫地机器人需要维修，甚至损坏，使用寿命短，维护成本高。综上所述，现有技术中的机器人的障碍物识别无法对障碍物的种类进行准确识别，从而机器人的障碍物识别准确率低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种障碍物识别方法及装置，以至少解决相关技术无法对障碍物进行准确识别，导致障碍物识别准确率低的技术问题。

根据本发明实施例的一个方面，提供了一种障碍物识别方法，包括：获取障碍物的第一特征信息；将所述第一特征信息输入分类模型，由所述识别模型输出所述第一特征信息对应的障碍物的种类，其中，所述障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，所述分类模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第一特征信息和所述第一特征信息对应的障碍物的种类。

可选的，将所述第一特征信息输入分类模型，由识别模型输出所述第一特征信息对应的障碍物的种类之后还包括：根据所述障碍物的种类发送动作信号，其中，所述动作信号包括下列至少之一：移动所述可移动障碍物，绕行所述不可移动障碍物，躲避所述动态障碍物。

可选的，躲避所述动态障碍物包括：获取动态障碍物的第二特征信息；将所述第二特征信息输入预测模型，由所述预测模型预测所述动态障碍物的运动影响范围，其中，所述预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第二特征信息和所述第二特征信息对应的所述动态障碍物的运动影响范围；根据所述运动影响范围进行躲避。

可选的，根据所述运动影响范围进行躲避包括：判断机器自身运动范围是否与所述运动影响范围产生交集；在机器自身运动范围与所述运动影响范围产生交集的情况下，发出移至所述动作影响范围之外的动作指令，所述动作指令用于指示机器自身动作。

可选的，获取障碍物的第一特征信息包括：获取周围环境中障碍物的图像信息；从所述图像信息中提取障碍物的第一特征信息。

根据本发明实施例的另一个方面，提供了一种障碍物识别装置，包括：获取模块，用于获取障碍物的第一特征信息；分类模块，用于将所述第一特征信息输入分类模型，由所述识别模型输出所述第一特征信息对应的障碍物的种类，其中，所述障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，所述分类模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第一特征信息和所述第一特征信息对应的障碍物的种类。

可选的，该装置还包括：发送模块，用于根据所述障碍物的种类发送动作信号，其中，所述动作信号包括下列至少之一：移动所述可移动障碍物，绕行所述不可移动障碍物，躲避所述动态障碍物。

可选的，该装置还包括动作模块，用于根据所述动作信号进行躲避障碍物的动作，所述动作模块包括：获取单元，用于获取动态障碍物的第二特征信息；预测单元，用于将所述第二特征信息输入预测模型，由所述预测模型预测所述动态障碍物的运动影响范围，其中，所述预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第二特征信息和所述第二特征信息对应的所述动态障碍物的运动影响范围；躲避单元，用于根据所述运动影响范围进行躲避。

可选的，所述躲避单元包括：判断子单元，用于判断机器自身运动范围是否与所述运动影响范围产生交集；动作子单元，用于在机器自身运动范围与所述运动影响范围产生交集的情况下，发出移至所述动作影响范围之外的动作指令，所述动作指令用于指示机器自身动作。

可选的，所述获取模块包括：获取单元，用于获取周围环境中障碍物的图像信息；提取单元，用于从所述图像信息中提取障碍物的第一特征信息。

根据本发明实施例的另一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的方法。

根据本发明实施例的另一个方面，提供了一种扫地机器人，包括上述中任意一项所述的障碍物的识别装置。

在本发明实施例中，采用获取障碍物的第一特征信息；将第一特征信息输入分类模型，由识别模型输出第一特征信息对应的障碍物的种类，其中，障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，分类模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：第一特征信息和第一特征信息对应的障碍物的种类的方式，达到了对检测到障碍物准确识别和分类的目的，从而实现了根据对检测到的障碍物进行分类的技术效果，进而解决了相关技术无法对障碍物进行准确识别，导致障碍物识别准确率低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种障碍物识别方法的流程图；

图2是根据本发明实施例的一种障碍物识别装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种障碍物识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种障碍物识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取障碍物的第一特征信息；

步骤S104，将第一特征信息输入分类模型，由识别模型输出第一特征信息对应的障碍物的种类，其中，障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，分类模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：第一特征信息和第一特征信息对应的障碍物的种类。

通过上述步骤，采用获取障碍物的第一特征信息；将第一特征信息输入分类模型，由识别模型输出第一特征信息对应的障碍物的种类，其中，障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，分类模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：第一特征信息和第一特征信息对应的障碍物的种类的方式，达到了对检测到障碍物准确识别和分类的目的，从而实现了根据对检测到的障碍物进行分类的技术效果，进而解决了相关技术无法对障碍物进行准确识别，导致障碍物识别准确率低的技术问题。

上述第一特征信息，可以是图像信息，音频信息，或者视频信息。上述第一特征用于对该障碍物进行分类，分类的结果包括，可移动障碍物，不可移动障碍物，以及动态障碍物。上述可移动障碍物和不可移动障碍物均属于静态障碍物，该可移动障碍物，不可移动障碍物的划分原则，根据不同的机器人进行不同的制定，例如，可以根据机器人本申请的重量和可以承受的最大重量进行划分，该机器人能够移动的划分为可移动障碍物，该机器人不能够移动的划分为不可移动障碍物。

上述动态障碍物，为处于运动状态的障碍物，在很多情况下，动态障碍物的速度是比较快的，例如，从桌上掉下的水杯。因此，可以对上述静态障碍物进行预测，对于可能变为动态障碍物的静态障碍物应该提前进行预测和预防。例如在水杯置于桌边的情况，需要注意，水杯是很有可能从桌面上掉下来，对该水杯掉下来的区域尽量避免经过。

上述分类模型是使用多组数据通过机器学习训练得出的，例如，卷积神经网络识别模型，等能够进行机器学习的识别模型，例如，通过多组数据进行训练，直至模型收敛，拥有输入数据与输出数据之间的识别能力。多组数据中的每组数据均包括：第一特征信息和第一特征信息对应的障碍物的种类。

可选的，将第一特征信息输入分类模型，由识别模型输出第一特征信息对应的障碍物的种类之后还包括：根据障碍物的种类发送动作信号，其中，动作信号包括下列至少之一：移动可移动障碍物，绕行不可移动障碍物，躲避动态障碍物。

对不同的种类的障碍物进行的动作当然不同，对可移动障碍物，例如纸团，气球等质量较轻的障碍物，可以将其移动至其他位置，从而使其不会影响机器人运行。对于不可移动障碍物，只能进行绕行，或者从该障碍物上跨过。对于动态障碍物，需要对其运行轨迹进行预测，并判断机器人的运行是否受其影响，若受其影响，则需要提前预防，改变该动态障碍物的运行轨迹，例如，飞来的乒乓球，选择打回去；或者改变机器人的运行状态，例如，倒下的桌椅，选择控制机器人躲避。

可选的，躲避动态障碍物包括：获取动态障碍物的第二特征信息；将第二特征信息输入预测模型，由预测模型预测动态障碍物的运动影响范围，其中，预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：第二特征信息和第二特征信息对应的动态障碍物的运动影响范围；根据运动影响范围进行躲避。

在躲避动态障碍物时，需要注意的是，需要对该动态障碍物的运行轨迹进行预测，预测时，需要先获取该动态障碍物的第二特征信息，该第二特征信息，用于预测该动态障碍物的运动影响范围，然后根据该运动影响范围进行躲避。

上述预测模型是使用多组数据通过机器学习训练得出的，例如，卷积神经网络识别模型，等能够进行机器学习的识别模型，例如，通过多组数据进行训练，直至模型收敛，拥有输入数据与输出数据之间的识别能力。多组数据中的每组数据均包括：第二特征信息和第二特征信息对应的动态障碍物的运动影响范围。

可选的，根据运动影响范围进行躲避包括：判断机器自身运动范围是否与运动影响范围产生交集；在机器自身运动范围与运动影响范围产生交集的情况下，发出移至动作影响范围之外的动作指令，动作指令用于指示机器自身动作。

具体的，在根据动态障碍物的运动影响范围进行躲避时，判断自身运动范围是否与该运动影响范围产生交集，若自身运动范围是否与该运动影响范围产生交集，则说明有可能发生碰撞，则发出移动至该运动影响范围之外的动作指令。需要说明的是，上述机器，可以包括各类机器人或者可移动的机器。

可选的，获取障碍物的第一特征信息避包括：获取周围环境中障碍物的图像信息；从图像信息中提取障碍物的第一特征信息。在获取障碍物的第一特征信息时，可以是多种形式，从图像信息中获取，或者从音频信息中获取，或者从文本信息中获取。

图2是根据本发明实施例的一种障碍物识别装置的结构示意图，如图2所示，该障碍物识别装置20，包括：获取模块22和分类模块24，下面对该障碍物识别装置20进行详细说明。

获取模块22，用于获取障碍物的第一特征信息；分类模块24，与上述获取模块22相连，用于将第一特征信息输入分类模型，由识别模型输出第一特征信息对应的障碍物的种类，其中，障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，分类模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：第一特征信息和第一特征信息对应的障碍物的种类。

可选的，该障碍物识别装置20还包括：发送模块，用于根据障碍物的种类发送动作信号，其中，动作信号包括下列至少之一：移动可移动障碍物，绕行不可移动障碍物，躲避动态障碍物。

可选的，该障碍物识别装置20还包括动作模块，用于根据动作信号进行躲避障碍物的动作，动作模块包括：获取单元，用于获取动态障碍物的第二特征信息；预测单元，用于将第二特征信息输入预测模型，由预测模型预测动态障碍物的运动影响范围，其中，预测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：第二特征信息和第二特征信息对应的动态障碍物的运动影响范围；躲避单元，用于根据运动影响范围进行躲避。

可选的，上述躲避单元包括：判断子单元，用于判断机器自身运动范围是否与运动影响范围重合；动作子单元，用于在机器自身运动范围与运动影响范围重合的情况下，发出移至动作影响范围之外的动作指令，动作指令用于指示机器自身动作。

可选的，上述获取模块还包括：获取单元，用于获取周围环境中障碍物的图像信息；提取单元，用于从图像信息中提取障碍物的第一特征信息。

根据本发明实施例的另一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的方法。

根据本发明实施例的另一个方面，提供了一种扫地机器人，包括上述中任意一项的障碍物的识别装置。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种障碍物识别方法，其特征在于，包括：

获取障碍物的第一特征信息；

将所述第一特征信息输入分类模型，由所述识别模型输出所述第一特征信息对应的障碍物的种类，其中，所述障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，所述分类模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第一特征信息和所述第一特征信息对应的障碍物的种类。

2.根据权利要求1所述的方法，其特征在于，将所述第一特征信息输入分类模型，由识别模型输出所述第一特征信息对应的障碍物的种类之后还包括：

根据所述障碍物的种类发送动作信号，其中，所述动作信号包括下列至少之一：移动所述可移动障碍物，绕行所述不可移动障碍物，躲避所述动态障碍物。

3.根据权利要求2所述的方法，其特征在于，躲避所述动态障碍物包括：

获取动态障碍物的第二特征信息；

将所述第二特征信息输入预测模型，由所述预测模型预测所述动态障碍物的运动影响范围，其中，所述预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第二特征信息和所述第二特征信息对应的所述动态障碍物的运动影响范围；

根据所述运动影响范围进行躲避。

4.根据权利要求3所述的方法，其特征在于，根据所述运动影响范围进行躲避包括：

判断机器自身运动范围是否与所述运动影响范围产生交集；

在机器自身运动范围与所述运动影响范围产生交集的情况下，发出移至所述动作影响范围之外的动作指令，所述动作指令用于指示机器自身动作。

5.根据权利要求1所述的方法，其特征在于，获取障碍物的第一特征信息包括：

获取周围环境中障碍物的图像信息；

从所述图像信息中提取障碍物的第一特征信息。

6.一种障碍物识别装置，其特征在于，包括：

获取模块，用于获取障碍物的第一特征信息；

分类模块，用于将所述第一特征信息输入分类模型，由所述识别模型输出所述第一特征信息对应的障碍物的种类，其中，所述障碍物的种类包括，可移动障碍物，不可移动障碍物，动态障碍物，所述分类模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第一特征信息和所述第一特征信息对应的障碍物的种类。

7.根据权利要求6所述的装置，其特征在于，该装置还包括：

发送模块，用于根据所述障碍物的种类发送动作信号，其中，所述动作信号包括下列至少之一：移动所述可移动障碍物，绕行所述不可移动障碍物，躲避所述动态障碍物。

8.根据权利要求7所述的装置，其特征在于，该装置还包括动作模块，用于根据所述动作信号进行躲避障碍物的动作，所述动作模块包括：

获取单元，用于获取动态障碍物的第二特征信息；

预测单元，用于将所述第二特征信息输入预测模型，由所述预测模型预测所述动态障碍物的运动影响范围，其中，所述预测模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第二特征信息和所述第二特征信息对应的所述动态障碍物的运动影响范围；

躲避单元，用于根据所述运动影响范围进行躲避。

9.根据权利要求8所述的装置，其特征在于，所述躲避单元包括：

判断子单元，用于判断机器自身运动范围是否与所述运动影响范围产生交集；

动作子单元，用于在机器自身运动范围与所述运动影响范围产生交集的情况下，发出移至所述动作影响范围之外的动作指令，所述动作指令用于指示机器自身动作。

10.根据权利要求6所述的装置，其特征在于，该获取模块还包括：

获取单元，用于获取周围环境中障碍物的图像信息；

提取单元，用于从所述图像信息中提取障碍物的第一特征信息。

11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的方法。

12.一种扫地机器人，其特征在于，包括权利要求6至10中任意一项所述的障碍物的识别装置。

Images