CN111693938B - 机器人的楼层定位方法及装置、机器人、可读存储介质 - Google Patents
机器人的楼层定位方法及装置、机器人、可读存储介质 Download PDFInfo
- Publication number
- CN111693938B CN111693938B CN202010526086.7A CN202010526086A CN111693938B CN 111693938 B CN111693938 B CN 111693938B CN 202010526086 A CN202010526086 A CN 202010526086A CN 111693938 B CN111693938 B CN 111693938B
- Authority
- CN
- China
- Prior art keywords
- floor
- current
- wifi data
- prediction model
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供一种机器人的楼层定位方法及装置、机器人、可读存储介质。机器人的楼层定位方法,应用于机器人,所述方法包括:获取实时的wifi数据;判断本地wifi数据样本集中的样本数量是否大于预设的数量值;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签;若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。该方法提高了机器人楼层定位的稳定性和准确性。
Description
技术领域
本申请涉及机器人定位技术领域,具体而言,涉及一种机器人的楼层定位方法及装置、机器人、可读存储介质。
背景技术
在室内场景中,对机器人的所处的楼层号进行定位,一方面可以应用于机器人自身地图服务器;另一方面应用于机器人实现不同楼层的呼叫与楼层准确播报,方便于无接触场景使用。
目前机器人楼层定位方案有很多,如激光测距、433MHz测距等方法实现机器人楼层定位上报。这些方案均存在成本问题、需要人工安装传感器,费时费事费力,并且需要将测量的距离信息发送给机器人端计算并定位楼层,环节增多,会增加出现问题的概率。即,现有的机器人的楼层定位的方法的稳定性和准确性都较差。
发明内容
本申请实施例的目的在于提供一种机器人的楼层定位方法及装置、机器人、可读存储介质,用以提高机器人楼层定位的稳定性和准确性。
第一方面,本申请实施例提供一种机器人的楼层定位方法,应用于机器人,所述方法包括:获取实时的wifi数据;判断本地wifi数据样本集中的样本数量是否大于预设的数量值;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签;若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
在本申请实施例中,机器人获取实时的wifi数据,当本地wifi数据样本集中的样本数量大于预设值时,通过本地wifi数据集对在先训练好的预测模型进行实时训练,然后依据实时训练得到的预测模型来确定机器人当前所在的楼层,实现机器人的楼层定位。与现有技术相比,只需要利用机器人很容易获取到的wifi数据便可以实现楼层的定位,并且模型的训练过程也是实时的,该过程也不会对楼层定位产生影响,即机器人会自主训练(自主学习),进而还能够逐步地提高最终得到的结果的准确性。可见,该方法利用wifi数据在线训练,实现机器人的自动学习以及楼层定位,提高机器人楼层定位的准确性。
作为一种可能的实现方式,所述获取实时的wifi数据,包括:判断当前的状态是否为出电梯状态;若所述当前的状态为出电梯状态,重启无线网卡驱动;待所述无线网卡驱动重启完成时,获取当前的wifi数据。
在本申请实施例中,在获取实时的wifi数据时,可以对当前的状态进行判断,若当前的状态为出电梯状态时,由于此时获取到的wifi数据可能是前一时刻位于电梯内的数据,因而,为了确保wifi数据的准确性,在重启无线驱动网卡后,再获取当前的wifi数据,保证获取到的wifi数据能够用于楼层的预测。
作为一种可能的实现方式,所述方法还包括:若所述样本数量小于或者等于预设的数量值,获取外部传感器所采集到的楼层信息;所述采集到的楼层信息为所述实时的wifi数据对应的楼层标签;将所述实时的wifi数据和所述实时的wifi数据对应的楼层标签存储到所述本地wifi数据样本集中。
在本申请实施例中,若样本数量小于或者等于预设的数量值,可以将实时的wifi数据和对应的较准确的楼层信息(外部传感器采集到的楼层信息)都存储到本地wifi数据样本集中,以实现本地wifi数据样本集的实时更新。
作为一种可能的实现方式,在所述将所述实时的wifi数据和所述实时的wifi数据对应的楼层标签存储到所述本地wifi数据样本集中后,所述方法还包括:根据所述采集到的楼层信息确定当前所在的楼层。
在本申请实施例中,当样本数量小于或者等于预设的数量值时,考虑到预测模型得到的预测结果的准确性问题,可以不采用预测模型来确定当前的楼层,而是直接根据外部传感器采集到的楼层信息(较准确的楼层信息)来确定当前所在的楼层,以保证最终结果的准确性。
作为一种可能的实现方式,在所述根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层之前,所述方法还包括:将所述本地wifi数据样本集作为所述当前训练好的预测模型的测试数据集,测试所述当前训练好的预测模型的准确率;对应的,所述根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层,包括:在所述当前训练好的预测模型的准确率大于预设准确率时,根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
在本申请实施例中,在根据实时wifi数据和当前训练好的预测模型来预测当前所在的楼层之前,还可以先对当前训练好的预测模型的准确率进行评估,当准确率大于预设准确率时,才采用实时wifi数据和当前训练好的预测模型来预测当前所在的楼层,提高最终确定的结果的准确性。
作为一种可能的实现方式,所述方法还包括:在所述当前训练好的预测模型的准确率小于或者等于所述预设准确率时,获取外部传感器所采集到的楼层信息;根据所述采集到的楼层信息确定当前所在的楼层。
在本申请实施例中,若当前训练好的预测模型的准确率小于或者等于预设准确率时,考虑到预测模型得到的预测结果的准确性问题,可以不采用预测模型来确定当前的楼层,而是直接根据外部传感器采集到的楼层信息(较准确的楼层信息)来确定当前所在的楼层,以保证最终结果的准确性。
作为一种可能的实现方式,在所述根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层后,所述方法还包括:将所述实时的wifi数据和所述当前训练好的预测模型所确定的当前所在的楼层存储到所述本地wifi数据样本集中;所述当前所在的楼层为所述实时的wifi数据对应的楼层标签。
在本申请实施例中,在确定当前所在的楼层后,还可以将实时的wifi数据和当前训练好的预测模型所确定的当前所在的楼层存储到本地wifi数据样本集,以实现本地wifi数据样本集的实时更新。
第二方面,本申请实施例还提供一种机器人的楼层定位装置,应用于机器人,该楼层定位装置包括用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的方法的各个功能模块。
第三方面,本申请实施例还提供一种机器人,该机器人包括:机器人本体;设置在所述机器人本体内的处理器和存储器;所述处理器用于获取实时的wifi数据;所述存储器用于存储本地wifi数据样本集和在先训练好的预测模型;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签;所述处理器还用于判断所述本地wifi数据样本集中的样本数量是否大于预设的数量值;若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对所述在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
第四方面,本申请实施例提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如第一方面以及第一方面的任意一种可能的实现方式中所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的机器人的楼层定位方法的流程图;
图2为本申请实施例提供的机器人的楼层定位装置的功能结构模块框图;
图3为本申请实施例提供的机器人的结构示意图;
图4为本申请实施例提供的机器人的内部结构示意图。
图标:200-机器人的楼层定位装置;201-获取模块;202-判断模块;203-训练模块;204-确定模块;300-机器人;301-机器人本体;302-处理器;303-存储器。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
本申请实施例所提供的机器人的楼层定位方法可以应用于室内场景的机器人的楼层定位,因此,该楼层定位方法可以应用于各种在室内场景中进行活动的机器人,比如:智能酒店中的机器人;这种机器人通常会组成一个机器人的***,该***里面包括多个负责不同的区域或者负责不同的功能的机器人。楼层定位的作用一方面服务于机器人自身地图服务器,例如实时的路径规划;另一方面应用于机器人实现不同楼层的呼叫与楼层准确播报,比如位于不同楼层的机器人将各自所在的楼层播报到***中,或者播报给指定的终端(可以是其他机器人,也可以是机器人的监控端);再比如:机器人根据自身所在的楼层呼叫其他楼层的机器人,其他楼层的机器人再根据自身所在的楼层选择是否响应该呼叫。
此外,本申请实施例中应用的是wifi数据来辅助实现楼层的定位,可以理解,在室内场景中,不同楼层,不同位置所能接收到的wifi信号(包括信号强弱,信号稳定性等)都是有区别的,可见,wifi数据能够将不同的楼层进行区分,换句话说,wifi数据可以反映楼层。同样的,机器人内部设置有无线网卡,通过无线网卡可以连接到室内场景中的wifi,进行通信。进而,通过实时的wifi数据,可以反映机器人所在的楼层情况,实现楼层的定位。
基于上述应用场景,接下来请参照图1,为本申请实施例提供的楼层定位方法的流程图,该方法可以应用于机器人,该方法包括:
步骤101:获取实时的wifi数据。
步骤102:判断本地wifi数据样本集中的样本数量是否大于预设的数量值。本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签。
步骤103:若样本数量大于预设的数量值,根据本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型。
步骤104:根据实时的wifi数据和当前训练好的预测模型确定当前所在的楼层。
在本申请实施例中,机器人获取实时的wifi数据,当本地wifi数据样本集中的样本数量大于预设值时,通过本地wifi数据集对在先训练好的预测模型进行实时训练,然后依据实时训练得到的预测模型来确定机器人当前所在的楼层,实现机器人的楼层定位。与现有技术相比,只需要利用机器人获取到的wifi数据便可以实现楼层的定位,并且模型的训练过程也是实时的,该过程也不会对楼层定位产生影响,即机器人会自主训练(自主学习),进而还能够逐步地提高最终得到的结果的准确性。可见,该方法利用wifi数据在线训练,实现机器人的自动学习以及楼层定位,提高机器人楼层定位的准确性。
接下来对步骤101-步骤104的详细实施流程进行介绍。
在步骤101中,机器人需要获取实时的wifi数据,对于机器人来说,在机器人启动后,会运行自身的操作***,比如:ubuntu***(以桌面应用为主的Linux操作***),该***在机器人操作***环境下,运行机器人核心roscore(***+程序),以实现整个机器人的运行。为了获取到实时的wifi数据,在机器人启动操作***和开始运行核心roscore后,先检测无线网卡状态,如果无线网卡状态正常,再执行步骤101;如果无线网卡状态不正常,待无线网卡状态恢复正常后,再执行步骤101。
进一步地,作为一种可选的实施方式,步骤101包括:判断当前的状态是否为出电梯状态;若当前的状态为出电梯状态,重启无线网卡驱动;待无线网卡驱动重启完成时,获取当前的wifi数据。
其中,在判断当前的状态是否为出电梯状态时,可以通过将前一时刻所处的周围环境与当前时刻所处的周围环境进行对比来判断。比如:在机器人上,通常会设置激光传感器,可以对周围环境进行扫描,确定周围环境中的物体或者周围环境的属性。对于电梯来说,属于封闭的环境,可以检测到电梯的梯箱。对于非电梯来说,属于开放的环境,可以检测到许多物体。因此,将前一时刻和当前时刻所检测到的物体进行对比,如果前一时刻属于封闭的环境,当前时刻属于开放的环境,可判断当前为出电梯状态。如果前一时刻属于封闭的环境,当前时刻也属于封闭的环境,可判断为电梯中状态。如果前一时刻属于开放的环境,当前时刻也属于开放的环境,可判断当前为电梯外状态。当然,除了通过激光传感器对周围进行扫描来判断当前状态,还可以采用其他的实现方式。比如,还可以是:机器人所处的室内场景是固定的,可以提前拍摄各个电梯和电梯外的场景照片,并为每个场景照片附上标签(电梯内和电梯外),然后将附上标签的场景照片存储到机器人***中,然后机器人上设置摄像头,当摄像头拍摄到周围场景的照片后,将拍摄得到的实时照片与存储的场景照片进行匹配,当匹配到对应的场景照片后,依据场景照片设置的标签来确定各个时刻机器人所处的场景。然后再按照前一种实施方式中的前后时刻进行比对的方式来判断当前的状态。比如:如果前一时刻所处的场景为电梯内,当前时刻所处的场景为电梯外,可判断当前为出电梯状态。如果前一时刻所处的场景为电梯内,当前时刻所处的场景也为电梯内,可判断为电梯中状态。如果前一时刻所处的场景为电梯外,当前时刻所处的场景也为电梯外,可判断当前为电梯外状态。
进一步地,若当前的状态为出电梯状态,需要重启无线网卡驱动,待无线网卡驱动重启完成时,再获取当前的wifi数据。若当前的状态为电梯中状态,可以不执行步骤101;若当前的状态为电梯外状态,直接获取当前的wifi数据即可,不需要重启无线网卡驱动。其中,对于机器人来说,可以通过执行nmcli(Network Manager Client,网络管理命令行工具)来获取实时的wifi数据。
在本申请实施例中,在获取实时的wifi数据时,可以对当前的状态进行判断,若当前的状态为出电梯状态,由于此时获取到的wifi数据可能是前一时刻位于电梯内的数据,因而,为了确保wifi数据的准确性,在重启无线驱动网卡后,再获取当前的wifi数据,保证获取到的wifi数据能够用于楼层的预测。
此外,对于步骤101而言,可以是在需要进行楼层定位时执行,比如需要进行实时的路径规划或者楼层播报时执行;也可以是每隔一段时间,进行楼层定位,以进行路径规划或者播报,即按照预设的时间周期(比如每隔10分钟)来执行步骤101-步骤104的楼层定位过程。
进一步地,在步骤101中获取到实时的wifi数据后,执行步骤102,判断本地wifi数据样本集中的样本数量是否大于预设的数量值。对于本地wifi数据样本集,其中包括wifi数据样本和wifi数据样本设置的对应的标签。可以理解,其中的wifi数据样本是每次机器人获取到实时wifi数据后,将实时wifi数据进行处理后得到的,即本地wifi数据样本集中的wifi数据样本是随着机器人的自主学习不断进行更新的。因此,其数量也随着每次更新而增加,当样本数量较少时,基于样本进行训练得到的预测模型的预测准确率无法得到保证;当样本数量较多时,基于样本进行训练得到的预测模型的预测准确率就能得到保证。
进一步地,在步骤103中,若样本数量大于预设的数量值,根据本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型。其中,在先训练好的预测模型可以理解为在此次训练之前训练得到的预测模型,比如:若本次为第一次对楼层进行定位,此时的预测模型可以是通过预先设置的一些样本数据(非实时更新的样本数据)进行训练得到的预测模型,即初始的训练好的预测模型。若本次不是第一次对楼层进行定位,此时的预测模型可以是在先(比如前一次进行楼层定位时)在符合样本数量的要求的前提下,通过(前一次进行楼层定位时的)本地wifi数据样本集进行训练得到的预测模型。换句话说,不管是预测模型还是本地wifi数据样本集,在样本数量大于预设的数量值时,都会随着每一次的楼层定位,进行实时的更新。
其中,对于样本数量的预设的数量值,可以根据机器人实际情况进行设置,比如:若机器人的活动范围较广,那么样本集中的样本数据就会相应的较多,更新的较快,此时预设的数量值就可以设置的较大一些(例如:50);若机器人的活动范围较小,那么样本集中的样本数据就会相应的较少,更新的较慢,此时预设的数量值就可以设置的较小一些(例如:10)。
进一步地,假设是基于前一次进行楼层定位时训练好的预测模型进行再次训练,由于在前次训练后,本地wifi数据样本集中的样本会增加前一次进行楼层定位时得到的wifi数据,再次训练后,训练得到的预测模型的准确率就可以随着样本数量的增加进一步提高。
其中,预测模型可以是采用SVM(Support Vector Machine,支持向量机)算法的网络模型;还可以是各种神经网络模型,比如:FNN(feedforwardneural network,前馈神经网络)、BP(Back Propagation,逆向传播)神经网络模型等。
再进一步地,在步骤103中得到当前训练好的预测模型后,就可以执行步骤104,基于实时的wifi数据和当前训练好的预测模型来确定当前所在的楼层。
在本申请实施例中,考虑到当前训练好的预测模型对于最后得到的定位结果的影响,可以先对当前训练好的预测模型进行一个评估后,再决定是否利用当前训练好的预测模型进行楼层预测。因此,作为一种可选的实施方式,在执行步骤104之前,该方法还包括:将本地wifi数据样本集作为当前训练好的预测模型的测试数据集,测试当前训练好的预测模型的准确率。其中,在对当前训练好的预测模型进行测试时,可以将本地wifi数据样本集中的wifi样本数据和对应的楼层标签都输入到当前训练好的预测模型中,当前训练好的预测模型会根据wifi样本数据得到一个预测结果,然后将预测结果与对应的楼层标签进行比对,输出一个概率值,该概率值即为当前训练好的预测模型的预测准确率。
进一步地,当得到当前训练好的预测模型的预测准确率后,步骤104包括:在当前训练好的预测模型的准确率大于预设准确率时,根据实时的wifi数据和当前训练好的预测模型确定当前所在的楼层。其中,预设准确率可以设置为90%-100%之间的任意值。在确定当前所在的楼层时,直接将实时的wifi数据输入到当前训练好的预测模型中,当前训练好的预测模型便可以输出对应的楼层值。
在本申请实施例中,在根据实时wifi数据和当前训练好的预测模型来预测当前所在的楼层之前,还可以先对当前训练好的预测模型的准确率进行评估,当准确率大于预设准确率时,才采用实时wifi数据和当前训练好的预测模型来预测当前所在的楼层,提高最终确定的结果的准确性。
当然,当前训练好的预测模型的预测准确率也可能达不到预设准确率,在这种情况下,该方法还包括:在当前训练好的预测模型的准确率小于或者等于预设准确率时,获取外部传感器所采集到的楼层信息;根据采集到的楼层信息确定当前所在的楼层。
在这种实施方式中,由于实时训练的预测模型的准确率得不到保证,需要利用外部传感器采集到的楼层信息来确定当前所在的楼层。对于外部传感器,可以是激光测距传感器或者其他测距传感器,通过这些传感器的常用的测距方式,可以实现机器人的楼层定位。其测距原理可以是:测量机器人当前的位置与固定点的位置之间的距离,根据该距离值和预设的距离与楼层位置之间的关系来确定机器人当前所处的楼层位置。因此,对于楼层信息,可以是当前所处的楼层的标识,比如楼层号(1F、2F等),也可以是楼层编号(001、002)等。
在本申请实施例中,若当前训练好的预测模型的准确率小于或者等于预设准确率时,考虑到预测模型得到的预测结果的准确性问题,可以不采用预测模型来确定当前的楼层,而是直接根据外部传感器采集到的楼层信息(较准确的楼层信息)来确定当前所在的楼层,以保证最终结果的准确性。
进一步地,在步骤104中,如果是利用当前训练好的预测模型来确定当前的楼层,在步骤104后,还可以利用实时的wifi数据来更新样本数据,因此,在根据实时的wifi数据和当前训练好的预测模型确定当前所在的楼层后,该方法还包括:将实时的wifi数据和当前训练好的预测模型所确定的当前所在的楼层存储到本地wifi数据样本集中;当前所在的楼层为实时的wifi数据对应的楼层标签。
在这种实施方式中,相当于将当前训练好的预测模型得到的当前的楼层作为实时的wifi数据对应的楼层标签,然后将实时的wifi数据和对应的楼层标签都存储在本地wifi数据样本集中,完成本地wifi数据样本集的更新,如此一来,在下一次进行楼层定位时,就可以利用这一次更新的本地wifi数据样本集来进行这一次得到的训练好的预测模型的再次训练。
在本申请实施例中,在确定当前所在的楼层后,还可以将实时的wifi数据和当前训练好的预测模型所确定的当前所在的楼层存储到本地wifi数据样本集,以实现本地wifi数据样本集的实时更新。
在前述实施例中介绍的都是样本数量大于预设的数量值的情况下的实施流程,在实际情况中,有可能样本数量小于或者等于预设的数量值(比如前几次进行楼层定位时),在这种情况下,该方法还包括:若样本数量小于或者等于预设的数量值,获取外部传感器所采集到的楼层信息;所述采集到的楼层信息为实时的wifi数据对应的楼层标签;将实时的wifi数据和实时的wifi数据对应的楼层标签存储到本地wifi数据样本集中。
在这种实施方式中,为了使下一次进行楼层定位时,本地wifi数据样本集中的数据可用,获取外部传感器所采集到的楼层信息,将该楼层信息对应的楼层作为实时的wifi数据对应的楼层标签,然后存储到本地wifi数据样本集中,实现本地wifi数据样本集的更新。
在本申请实施例中,若样本数量小于或者等于预设的数量值,可以将实时的wifi数据和对应的较准确的楼层信息(外部传感器采集到的楼层信息)都存储到本地wifi数据样本集中,以实现本地wifi数据样本集的实时更新。
进一步地,在这种情况下,也需要对楼层进行定位,此时,可以根据采集到的楼层信息确定当前所在的楼层。即,不进行预测模型的训练,只进行本地wifi数据集的更新,并且,当前所在的楼层基于外部传感器所采集到的楼层信息进行确定。
在本申请实施例中,当样本数量小于或者等于预设的数量值时,考虑到预测模型得到的预测结果的准确性问题,可以不采用预测模型来确定当前的楼层,而是直接根据外部传感器采集到的楼层信息(较准确的楼层信息)来确定当前所在的楼层,以保证最终结果的准确性。
当机器人完成楼层的确定,以及本地wifi数据样本集的更新后,可以将当前的楼层进行播报,还可以根据当前的楼层来进行路径规划。
采用本申请实施例所提供的机器人的楼层定位的方法,无需对环境进行施工、修改,成本低廉,机器人通过无线网卡自动检测wifi,不存在其他传感器测量后的数据传输问题,仅仅要求环境中有wifi网络,并且即使场景的wifi信号源由于某种原因临时移动位置,机器人会自主学习(即预测模型和本地wifi数据都是实时更新的),不会对楼层定位有影响,非常方便于酒店、商场等各种公共场所的楼层定位,同时也方便于实现无接触式的楼层呼叫与实时播报。
基于同一发明构思,请参照图2,本申请实施例中还提供一种机器人的楼层定位装置200,应用于机器人,包括:获取模块201,判断模块202,训练模块203以及确定模块204。
获取模块201用于获取实时的wifi数据。判断模块202用于判断本地wifi数据样本集中的样本数量是否大于预设的数量值;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签。训练模块203用于若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型。确定模块204用于根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
可选的,获取模块201具体用于判断当前的状态是否为出电梯状态;若所述当前的状态为出电梯状态,重启无线网卡驱动;待所述无线网卡驱动重启完成时,获取当前的wifi数据。
可选的,获取模块201还用于若所述样本数量小于或者等于预设的数量值,获取外部传感器所采集到的楼层信息;所述采集到的楼层信息为所述实时的wifi数据对应的楼层标签。机器人的楼层定位装置200还包括存储模块,用于将所述实时的wifi数据和所述实时的wifi数据对应的楼层标签存储到所述本地wifi数据样本集中。
可选的,确定模块204还用于:根据所述采集到的楼层信息确定当前所在的楼层。
可选的,训练模块203还用于将所述本地wifi数据样本集作为所述当前训练好的预测模型的测试数据集,测试所述当前训练好的预测模型的准确率;确定模块204具体用于在所述当前训练好的预测模型的准确率大于预设准确率时,根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
可选的,获取模块201还用于在所述当前训练好的预测模型的准确率小于或者等于所述预设准确率时,获取外部传感器所采集到的楼层信息;确定模块204还用于根据所述采集到的楼层信息确定当前所在的楼层。
存储模块还用于:将所述实时的wifi数据和所述当前训练好的预测模型所确定的当前所在的楼层存储到所述本地wifi数据样本集中;所述当前所在的楼层为所述实时的wifi数据对应的楼层标签。
前述实施例中的机器人的楼层定位方法中的各实施方式和具体实例同样适用于图2的机器人的楼层定位装置200,通过前述对机器人的楼层定位方法的详细描述,本领域技术人员可以清楚的知道图2中的机器人的楼层定位装置200的实施方法,所以为了说明书的简洁,在此不再详述。
基于同一发明构思,请参照图3和图4,本申请实施例还提供一种机器人300,机器人300包括机器人本体301,和设置在机器人本体301内的处理器302和存储器303。机器人本体301上还可以设置显示器,输入输出模块等。
其中,处理器302、存储器303、显示器、输入输出模块各元件之间直接或间接地电连接,以实现数据的传输或交互。例如,这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。应用程序的启动方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器303中的软件功能模块,例如机器人的楼层定位装置200包括的软件功能模块或计算机程序。
存储器303可以存储各种软件程序以及模块,如本申请实施例提供的机器人的楼层定位方法及装置对应的程序指令/模块。处理器302通过运行存储在存储器303中的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现本申请实施例中的方法。
处理器302可以是一种集成电路芯片,具有信号处理能力。处理器302可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器303可以包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read Only Memory,只读存储器),PROM(ProgrammableRead-Only Memory,可编程只读存储器),EPROM(Erasable ProgrammableRead-Only Memory,可擦除只读存储器),EEPROM(Electric ErasableProgrammable Read-Only Memory,电可擦除只读存储器)等。
进一步地,处理器302用于:获取实时的wifi数据。存储器303用于存储本地wifi数据样本集(实时更新的样本集)和在先训练好的预测模型(实时更新的预测模型);所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签。处理器302还用于判断所述本地wifi数据样本集中的样本数量是否大于预设的数量值;若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对所述在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
可选的,机器人本体301内还设置有无线网卡驱动,处理器302具体用于:判断当前的状态是否为出电梯状态;若所述当前的状态为出电梯状态,重启无线网卡驱动;待所述无线网卡驱动重启完成时,获取当前的wifi数据。
可选的,机器人本体301上还可以设置外部传感器,处理器302还用于:若所述样本数量小于或者等于预设的数量值,获取外部传感器所采集到的楼层信息;所述采集到的楼层信息为所述实时的wifi数据对应的楼层标签;存储器303还用于将所述实时的wifi数据和所述实时的wifi数据对应的楼层标签存储到所述本地wifi数据样本集中。
可选的,处理器302还用于:根据所述采集到的楼层信息确定当前所在的楼层。
可选的,处理器302还用于将所述本地wifi数据样本集作为所述当前训练好的预测模型的测试数据集,测试所述当前训练好的预测模型的准确率;处理器302具体用于在所述当前训练好的预测模型的准确率大于预设准确率时,根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层。
可选的,处理器302还用于:在所述当前训练好的预测模型的准确率小于或者等于所述预设准确率时,获取外部传感器所采集到的楼层信息;根据所述采集到的楼层信息确定当前所在的楼层。
可选的,存储器303还用于将所述实时的wifi数据和所述当前训练好的预测模型所确定的当前所在的楼层存储到所述本地wifi数据样本集中;所述当前所在的楼层为所述实时的wifi数据对应的楼层标签。
可以理解,图3所示的结构仅为示意,机器人300还可包括比图3中所示更多的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
基于同一发明构思,本申请实施例还提供了一种可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被计算机运行时执行上述任一实施方式的机器人300的楼层定位方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种机器人的楼层定位方法,其特征在于,应用于机器人,所述方法包括:
获取实时的wifi数据;
判断本地wifi数据样本集中的样本数量是否大于预设的数量值;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签;
若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;
在所述当前训练好的预测模型的准确率大于预设准确率时,根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层;在所述当前训练好的预测模型的准确率小于或者等于所述预设准确率时,获取外部传感器所采集到的楼层信息,并根据所述采集到的楼层信息确定当前所在的楼层;
对所述当前所在的楼层进行播报,并根据当前楼层来进行路径规划;
其中,所述获取实时的wifi数据,包括:
扫描当前周围环境中的物体;
将前一时刻所检测到的物体与当前时刻所检测到的物体进行对比,判断所述当前的状态是否为出电梯状态;
若所述当前的状态为出电梯状态,重启无线网卡驱动;
待所述无线网卡驱动重启完成时,获取当前的wifi数据。
2.根据权利要求1所述的楼层定位方法,其特征在于,所述方法还包括:
若所述样本数量小于或者等于预设的数量值,获取外部传感器所采集到的楼层信息;所述采集到的楼层信息为所述实时的wifi数据对应的楼层标签;
将所述实时的wifi数据和所述实时的wifi数据对应的楼层标签存储到所述本地wifi数据样本集中。
3.根据权利要求2所述的楼层定位方法,其特征在于,在所述将所述实时的wifi数据和所述实时的wifi数据对应的楼层标签存储到所述本地wifi数据样本集中后,所述方法还包括:
根据所述采集到的楼层信息确定当前所在的楼层。
4.根据权利要求1所述的楼层定位方法,其特征在于,在所述根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层之前,所述方法还包括:
将所述本地wifi数据样本集作为所述当前训练好的预测模型的测试数据集,测试所述当前训练好的预测模型的准确率。
5.根据权利要求1所述的楼层定位方法,其特征在于,在所述根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层后,所述方法还包括:
将所述实时的wifi数据和所述当前训练好的预测模型所确定的当前所在的楼层存储到所述本地wifi数据样本集中;所述当前所在的楼层为所述实时的wifi数据对应的楼层标签。
6.一种机器人的楼层定位装置,其特征在于,应用于机器人,所述装置包括:
获取模块,用于获取实时的wifi数据;
判断模块,用于判断本地wifi数据样本集中的样本数量是否大于预设的数量值;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签;
训练模块,用于若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;
确定模块,用于在所述当前训练好的预测模型的准确率大于预设准确率时,根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层;以及在所述当前训练好的预测模型的准确率小于或者等于所述预设准确率时,根据所述获取模块采集到的楼层信息确定当前所在的楼层;
所述确定模块,还用于对所述当前所在的楼层进行播报,并根据当前楼层来进行路径规划;
其中,所述获取模块具体用于扫描当前周围环境中的物体;将前一时刻所检测到的物体与当前时刻所检测到的物体进行对比,判断所述当前的状态是否为出电梯状态;若所述当前的状态为出电梯状态,重启无线网卡驱动;待所述无线网卡驱动重启完成时,获取当前的wifi数据。
7.一种机器人,其特征在于,包括:
机器人本体;
设置在所述机器人本体内的处理器和存储器;
所述处理器用于获取实时的wifi数据;
所述存储器用于存储本地wifi数据样本集和在先训练好的预测模型;所述本地wifi数据样本集中的wifi数据样本设置有对应的楼层标签;
所述处理器还用于判断所述本地wifi数据样本集中的样本数量是否大于预设的数量值;若所述样本数量大于预设的数量值,根据所述本地wifi数据样本集对所述在先训练好的预测模型进行再次训练,得到当前训练好的预测模型;在所述当前训练好的预测模型的准确率大于预设准确率时,根据所述实时的wifi数据和所述当前训练好的预测模型确定当前所在的楼层;在所述当前训练好的预测模型的准确率小于或者等于所述预设准确率时,获取外部传感器所采集到的楼层信息,并根据所述采集到的楼层信息确定当前所在的楼层;
所述处理器还用于对所述当前所在的楼层进行播报,并根据当前楼层来进行路径规划;
其中,所述处理器具体用于扫描当前周围环境中的物体;将前一时刻所检测到的物体与当前时刻所检测到的物体进行对比,判断所述当前的状态是否为出电梯状态;若所述当前的状态为出电梯状态,重启无线网卡驱动;待所述无线网卡驱动重启完成时,获取当前的wifi数据。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526086.7A CN111693938B (zh) | 2020-06-10 | 2020-06-10 | 机器人的楼层定位方法及装置、机器人、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526086.7A CN111693938B (zh) | 2020-06-10 | 2020-06-10 | 机器人的楼层定位方法及装置、机器人、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111693938A CN111693938A (zh) | 2020-09-22 |
CN111693938B true CN111693938B (zh) | 2024-06-18 |
Family
ID=72480314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526086.7A Active CN111693938B (zh) | 2020-06-10 | 2020-06-10 | 机器人的楼层定位方法及装置、机器人、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693938B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114180428B (zh) * | 2021-11-29 | 2024-06-25 | 北京云迹科技股份有限公司 | 一种机器人恢复任务的方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108513259A (zh) * | 2018-02-07 | 2018-09-07 | 平安科技(深圳)有限公司 | 电子装置、楼层定位方法和计算机可读存储介质 |
CN109074502A (zh) * | 2018-07-26 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 训练人工智能模型的方法、装置、存储介质及机器人 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201699986U (zh) * | 2009-08-03 | 2011-01-05 | 武汉大学 | 基于无线局域网的室内定位设备 |
JP6221573B2 (ja) * | 2013-09-27 | 2017-11-01 | 富士通株式会社 | 場所モデル更新装置、位置推定方法及びプログラム |
WO2018040007A1 (zh) * | 2016-08-31 | 2018-03-08 | 华为技术有限公司 | 构建无线定位特征库的方法及装置 |
CN106548210B (zh) * | 2016-10-31 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于机器学习模型训练的信贷用户分类方法及装置 |
CN106454711A (zh) * | 2016-11-08 | 2017-02-22 | 北京创想智控科技有限公司 | 一种室内机器人定位方法及装置 |
CN106792553A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于wifi的多楼层定位方法及服务器 |
CN106412841A (zh) * | 2016-11-23 | 2017-02-15 | 沈阳航空航天大学 | 一种基于dbscan算法的室内定位方法 |
CN107368858B (zh) * | 2017-07-28 | 2018-04-13 | 中南大学 | 一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法 |
CN109579846B (zh) * | 2018-12-13 | 2021-03-09 | 中国科学院计算技术研究所 | 基于楼层切换行为识别的混合楼层定位方法 |
CN110401977B (zh) * | 2019-06-21 | 2021-03-02 | 湖南大学 | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 |
-
2020
- 2020-06-10 CN CN202010526086.7A patent/CN111693938B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108513259A (zh) * | 2018-02-07 | 2018-09-07 | 平安科技(深圳)有限公司 | 电子装置、楼层定位方法和计算机可读存储介质 |
CN109074502A (zh) * | 2018-07-26 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 训练人工智能模型的方法、装置、存储介质及机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN111693938A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197658B (zh) | 图像标注信息处理方法、装置、服务器及*** | |
CN110706509B (zh) | 车位及其方向角度检测方法、装置、设备及介质 | |
US20210124914A1 (en) | Training method of network, monitoring method, system, storage medium and computer device | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
US10989555B2 (en) | System and method for automated semantic map generation | |
CN111292327B (zh) | 机房巡检方法、装置、设备及存储介质 | |
EP4152258A1 (en) | Target part tracking method and apparatus, electronic device and readable storage medium | |
US20200388149A1 (en) | System and method for preventing false alarms due to display images | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN111693938B (zh) | 机器人的楼层定位方法及装置、机器人、可读存储介质 | |
CN109359032B (zh) | 测试数据收集方法、装置、***和电子设备 | |
CN112988484A (zh) | 内存装置测试方法及装置、可读存储介质、电子设备 | |
Salma et al. | Smart parking guidance system using 360o camera and haar-cascade classifier on iot system | |
CN114170543A (zh) | 数据处理方法、装置、计算机设备及计算机可读存储介质 | |
US20240153059A1 (en) | Method and system for anomaly detection using multimodal knowledge graph | |
US20240005648A1 (en) | Selective knowledge distillation | |
US20210264638A1 (en) | Image processing device, movable device, method, and program | |
CN111428858A (zh) | 样本数量的确定方法、装置、电子设备及存储介质 | |
CN115793632A (zh) | 无人车辆控制方法以及服务器 | |
CN112153341B (zh) | 一种任务监督方法、装置、***、电子设备及存储介质 | |
CN115114152A (zh) | 基于控件属性和图像识别的自动化测试方法、***、电子设备及存储介质 | |
KR101774642B1 (ko) | 점검자용 시설물 관리서비스 제공장치 및, 이를 포함하는 점검자용 시설물 관리서비스 제공시스템 | |
US20200077233A1 (en) | Method of tracking objects using thermostat | |
CN113076830A (zh) | 环境通行区域检测方法、装置、车载终端及存储介质 | |
CN113401749A (zh) | 电梯***与机器乘客交互的故障诊断方法、可读存储介质、电子设备及故障诊断*** |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 201, building 4, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing Applicant after: Beijing Yunji Technology Co.,Ltd. Address before: Room 201, building 4, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing Applicant before: BEIJING YUNJI TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |