CN112034847A - 具有双行走模式的分体式仿真机器人的避障方法和装置 - Google Patents
具有双行走模式的分体式仿真机器人的避障方法和装置 Download PDFInfo
- Publication number
- CN112034847A CN112034847A CN202010811366.2A CN202010811366A CN112034847A CN 112034847 A CN112034847 A CN 112034847A CN 202010811366 A CN202010811366 A CN 202010811366A CN 112034847 A CN112034847 A CN 112034847A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- split type
- preset
- main body
- body part
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 114
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 74
- 238000005096 rolling process Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 63
- 238000001514 detection method Methods 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 24
- 230000000712 assembly Effects 0.000 claims description 18
- 238000000429 assembly Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000696 magnetic material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 10
- 230000004888 barrier function Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000287107 Passer Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G05D1/021—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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0891—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Manipulator (AREA)
Abstract
本申请揭示了一种具有双行走模式的分体式仿真机器人的避障方法、装置、计算机设备和存储介质，包括：对第一区域进行实时环境信号检测，得到第一环境信号序列；将所述第一环境信号序列输入障碍物分析模型中得到分析结果；若分析结果为具有障碍物，则得到与第一障碍物类别；若第一障碍物类别记载于分体式避障名单中，则使两条腿部与主体部分离，并使分体式仿真机器人获取第一动量和第二动量；开启第二磁场发生器和第一磁场发生器，从而主体部受到磁力支持；向分离后的所述两条腿部发送滚动移动指令，以绕过障碍物；使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，完成避障过程，从而机器人纵使在小空间内也能进行避障，提高了适应性。
Description
技术领域
本申请涉及到计算机领域，特别是涉及到一种具有双行走模式的分体式仿真机器人的避障方法、装置、计算机设备和存储介质。
背景技术
智能机器人已广为人们所知，其中的仿真机器人也被广泛的应用。仿真机器人是仿真实人类的机器人，其具有与真人类似的外形，能够与真实人类类似地跨步行走，因此其在一些环境中特别适合代替真人工作，例如在餐厅中代替传统的传菜员承担传菜任务。在仿真机器人的移动过程中，若是碰到障碍物时，需要根据避障方案以绕过障碍物，但是传统的避障方案是使仿真机器人以模仿人类的方式从障碍物侧方绕过，这在绕行空间较小时（例如在窄小通道处时）难以施行。
发明内容
本申请提出一种具有双行走模式的分体式仿真机器人的避障方法，所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部分别与所述两条腿部的连接处设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作；所述方法包括：
S1、所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；
S2、将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
S3、判断所述分析结果是否为具有障碍物；
S4、若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；
S5、判断所述第一障碍物类别是否记载于预设的分体式避障名单中；
S6、若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
S7、向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；
S8、向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
S9、在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
进一步地，所述将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成的步骤S2之前，包括：
S11、从预设的样本数据库中调取指定数据的样本数据以构成样本集，再根据预设比例将所述样本集划分为训练集和验证集；其中，所述样本数据由预先收集的信号序列和与所述预先收集的信号序列对应的人工标注所构成；
S12、调取预设的神经网络模型，并将所述训练集输入所述神经网络模型中进行训练，从而得到初步神经网络模型；
S13、利用所述验证集对所述初步神经网络模型进行验证处理，以得到验证结果；
S14、判断所述验证结果是否为验证通过；
S15、若所述验证结果为验证通过，则将所述初步神经网络模型记为障碍物分析模型。
进一步地，所述判断所述分析结果是否为具有障碍物的步骤S3之后，包括：
S31、若所述分析结果为不具有障碍物，则控制所述分体式仿真机器人以跨步行走方式沿预设轨迹继续移动，并且停止环境探测传感器阵列的信号检测操作；
S32、在所述分体式仿真机器人通过所述第一区域之后，再次利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第二区域进行实时环境信号检测，从而得到第二环境信号序列；
S33、将所述第二环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型再次输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
S34、判断所述障碍物分析模型再次输出的分析结果是否为具有障碍物；
S35、若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第二区域内的障碍物对应的第二障碍物类别；
S36、判断所述第二障碍物类别是否记载于预设的分体式避障名单中；
S37、若所述第二障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
S38、向预设于所述第二区域的地板下方的第二磁场发生器发送开启指令，以开启第二磁场发生器，并开启预设于所述主体部上预设的第一磁场发生器，从而所述主体部能够在第二区域上方通过时受到磁力支持而不会坠落至障碍物上；
S39、向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
S310、在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二区域的地板下方的第二磁场发生器发送关闭指令。
进一步地，所述根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别的步骤S4，包括：
S401、根据预设的轮廓获取方法，获取与所述第一区域内的障碍物对应的第一轮廓；
S402、根据预设的轮廓相似度计算方法，计算所述指定轮廓与预设的标准轮廓的相似度数值，并判断所述相似度数值是否大于预设的相似度阈值；其中，所述标准轮廓预存于预设的数据库中，所述数据库中存储的不同轮廓分别对应不同的障碍物类别；
S403、若所述相似度数值大于预设的相似度阈值，则根据预设的轮廓与障碍物类别的对应关系，获取与所述标准轮廓对应的障碍物类别，并将所述标准轮廓对应的障碍物类别记为所述第一障碍物类别。
进一步地，所述主体部在连接处呈V字形凸出状，腿部在连接处呈V字形凹陷状，并且所述V字形凸出状与所述V字形凹陷状匹配，从而所述主体部与腿部的连接处呈V字形状；所述V字形凹陷状的前倾面的摩擦系数小于后倾面的摩擦系数，所述动力组件为弹射组件；其中，所述前倾面指所述V字形凹陷状的两个倾斜面中更靠近所述分体式仿真机器人前方的倾斜面，所述后倾面指所述V字形凹陷状的两个倾斜面中更靠近所述分体式仿真机器人后方的倾斜面；
所述控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量的步骤S6，包括：
S601、控制所述两条腿部上分别设置的弹射组件，从而使弹射组件以所述V字形凹陷状的后倾面与所述主体部的V字形凸出状为施力面，并且以所述V字形凹陷状的前倾面为轨道，向所述分体式仿真机器人的主体部赋予向上的第一动量和向前的第二动量。
进一步地，地板下方预先布设有轨道网络，运载有第二磁场发生器的载具沿所述轨道网络移动，并且所述轨道网络由非磁性材料制作而成，所述向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上的步骤S7之前，包括：
S61、向所述载具发送第一区域的位置信息，并要求所述载具根据所述第一区域的位置信息，
沿所述轨道网络移动至所述第一区域的地板下方。
本申请提供一种具有双行走模式的分体式仿真机器人的避障装置，所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部分别与所述两条腿部的连接处设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作；所述装置包括：
第一环境信号序列获取单元，用于所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；
分析结果获取单元，用于将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
分析结果判断单元，用于判断所述分析结果是否为具有障碍物；
障碍物分类单元，用于若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；
分体式避障名单判断单元，用于判断所述第一障碍物类别是否记载于预设的分体式避障名单中；
仿真机器人分离单元，用于若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
开启指令发送单元，用于向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；
滚动移动指令发送单元，用于向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
仿真机器人组合单元，用于在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的具有双行走模式的分体式仿真机器人的避障方法、装置、计算机设备和存储介质，通过采用双行走模式的分体式仿真机器人的设计，以实现分体式仿真机器人的避障方法，从而即使在窄小通道处（或者在障碍物侧方可供绕行的截面面积小于仿真机器人的截面面积时）碰到障碍物时，也能进行高效地避障操作。具体地，本申请在碰到障碍物时，并且障碍物记载于预设的分体式避障名单中时，使得分体式仿真机器人的主体部从障碍物上方越过，而分体式仿真机器人的腿部从障碍物侧方以滚动移动的方式绕过，再在绕过障碍物后重新组成分体式仿真机器人，从而通过这样的绕行方式，使得避障方法的适应性更强，并且在分体式仿真机器人的主体部从障碍物上方越过时，采用临时磁场支持的方式，避免分体式仿真机器人的主体部坠落至障碍物上，从而提高了整体的安全性。
附图说明
图1 为本申请一实施例的具有双行走模式的分体式仿真机器人的避障方法的流程示意图；
图2 为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种具有双行走模式的分体式仿真机器人的避障方法，所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部分别与所述两条腿部的连接处设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作；所述方法包括：
S1、所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；
S2、将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
S3、判断所述分析结果是否为具有障碍物；
S4、若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；
S5、判断所述第一障碍物类别是否记载于预设的分体式避障名单中；
S6、若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
S7、向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；
S8、向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
S9、在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
本申请的避障方法需要具特别的仿真机器人来实现，即由具有双行走模式的分体式仿真机器人来实现。而所述具有双行走模式的分体式仿真机器人的特殊之处在于：所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作。因此，所述分体式仿真机器人具有两种行走模式，即一种为仿真人的跨步行走，而仿真机器人的跨步行走为现有技术，在此不再赘述；另一种为腿部滚动移动，而主体部从空中越过障碍物的方式移动（这种移动方式是本申请的特点，将在下文结合具体步骤详细解释）。本申请的执行主体可为任意可行主体，例如为分体式仿真机器人终端（指设置上分体式仿真机器人上的终端）。所述主体部设置的第一磁场发生器可位于任意可行位置，优选设置于所述主体部分别与所述两条腿部的连接处。所述两条腿部分别与所述主体部可分离式机械连接，可通过电磁开关（电磁阀）的方式实现机械连接，即当电磁开关（电磁阀）关闭时保持机械连接（常态），而电磁开关（电磁阀）开启时所述两条腿部分别与所述主体部分离（分离状态）。其中，本申请的分体式仿真机器人的构成材料可为任意可行材料，优选为非磁性材料，或者优选大部分为非磁性材料。具体地，所述分体式仿真机器人中磁性材料的占比小于20%，优选小于10%，从而所述分体式仿真机器人的主体部在空中越过障碍物时，得到磁场支持时，磁场的控制更加精确，从而安全性更高。
如上述步骤S1-S3所述，所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；判断所述分析结果是否为具有障碍物。所述分体式仿真机器人在未遇到障碍物时，采用仿人类的跨步行走方式，并且其行动轨迹为预设轨迹。所述环境探测传感器阵列可为任意可行传感器阵列，例如为图像传感器阵列、超声波传感器阵列、红外线传感器阵列和/或激光传感器阵列等。将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果。所述障碍物分析模型是进行初步分析，以确定是否存在障碍物。
进一步地，所述将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成的步骤S2之前，包括：
S11、从预设的样本数据库中调取指定数据的样本数据以构成样本集，再根据预设比例将所述样本集划分为训练集和验证集；其中，所述样本数据由预先收集的信号序列和与所述预先收集的信号序列对应的人工标注所构成；
S12、调取预设的神经网络模型，并将所述训练集输入所述神经网络模型中进行训练，从而得到初步神经网络模型；
S13、利用所述验证集对所述初步神经网络模型进行验证处理，以得到验证结果；
S14、判断所述验证结果是否为验证通过；
S15、若所述验证结果为验证通过，则将所述初步神经网络模型记为障碍物分析模型。
从而保证了障碍物分析模型能够胜任障碍物分析任务。其中，所述神经网络模型可为任意可行模型，例如为长短型记忆模型、BP神经网络模型、卷积神经网络模型或递归神经网络模型等。所述预设比例例如为9:1。所述训练集和验证集均来自由同一批样本集，因此其训练与验证的过程存在一致性，因此其验证结果的可信度得到保证。
进一步地，所述判断所述分析结果是否为具有障碍物的步骤S3之后，包括：
S31、若所述分析结果为不具有障碍物，则控制所述分体式仿真机器人以跨步行走方式沿预设轨迹继续移动，并且停止环境探测传感器阵列的信号检测操作；
S32、在所述分体式仿真机器人通过所述第一区域之后，再次利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第二区域进行实时环境信号检测，从而得到第二环境信号序列；
S33、将所述第二环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型再次输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
S34、判断所述障碍物分析模型再次输出的分析结果是否为具有障碍物；
S35、若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第二区域内的障碍物对应的第二障碍物类别；
S36、判断所述第二障碍物类别是否记载于预设的分体式避障名单中；
S37、若所述第二障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
S38、向预设于所述第二区域的地板下方的第二磁场发生器发送开启指令，以开启第二磁场发生器，并开启预设于所述主体部上预设的第一磁场发生器，从而所述主体部能够在第二区域上方通过时受到磁力支持而不会坠落至障碍物上；
S39、向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
S310、在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二区域的地板下方的第二磁场发生器发送关闭指令。
从而使得分体式仿真机器人无论是否检测出障碍物，均能进行对应的行走，直到达到终点。并且，分体式仿真机器人采用的是间歇性地检测策略，即若所述分析结果为不具有障碍物，则控制所述分体式仿真机器人以跨步行走方式沿预设轨迹继续移动，并且停止环境探测传感器阵列的信号检测操作；在所述分体式仿真机器人通过所述第一区域之后，再次利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第二区域进行实时环境信号检测，从而得到第二环境信号序列。从而减少了数据计算量与能量消耗，提高了分体式仿真机器人的环境探测传感器阵列的使用寿命。
如上述步骤S4-S6所述，若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；判断所述第一障碍物类别是否记载于预设的分体式避障名单中；若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量。虽然已进行初步检测，确定具有障碍物。但是是否需要进行避障操作，却并不一定。例如，若第一区域中放置有作为障碍物的一双鞋子，但没必要进行避障操作，因为鞋子是可以通过跨步行走的方式跨过的；而第一区域中若存在餐车，则结果正好相反。因此，本申请通过根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；判断所述第一障碍物类别是否记载于预设的分体式避障名单中的方式，以确定是否应该进行避障操作。其中，预设的障碍物分类方法可采用任意可行方法，例如通过图像识别技术对障碍物进行识别处理，从而得知障碍物的类别。需要注意的是，此时的障碍物分类方法可采用前述的第一环境信号序列中的数据，也可再次通过环境探测传感器阵列进行信号检测以得到新的环境信号序列（例如为图像信号序列），再根据新的环境信号序列进行障碍物分类；此时，环境探测传感器阵列具有两种工作模式，即节电模式（例如仅有部分传感器工作）与高效模式（例如所有传感器均工作），当采集得到第一环境信号序列时，环境探测传感器阵列处于节电模式，而当再次通过环境探测传感器阵列进行信号检测以得到新的环境信号序列时，环境探测传感器阵列处于高效模式。通过这样的设计，无需环境探测传感器阵列在整个行走过程均处于高耗电高耗计算量的高效模式，从而在保证识别准确性的前提下节能省电。所述分体式避障名单中记载了能够采用分体式避障的障碍物类型，例如木制餐车等。进一步地，分体式避障名单中记载的障碍物类型对应的障碍物高度均较低，更具体地，分体式避障名单中记载的障碍物类型对应的障碍物高度均小于所述分体式仿真机器人的腰部高度，从而所述分体式仿真机器人在需要进行分体式避障时，无需获取过多的向上的动量。需要注意的是，本申请中需要避障的障碍物可为任意可行的障碍物，但优选由非磁性材料构成的障碍物，或者由非磁性材料为主要成分的障碍物。并且，可以通过预先收集在所述分体式仿真机器人所处工作区域的障碍物的类型，并将其中主要成分为磁性材料的障碍物类型不记入分体式避障名单中，而将其他障碍物的类型记入分体式避障名单中，从而使得利用分体式避障名单即可实现障碍物的筛选，以确定是否要采用本申请的分体式避障方法。若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量。其中，使所述两条腿部与所述主体部分离可采用任意可行方法，例如当所述两条腿部与所述主体部通过电磁阀连接时，则通过开启电磁阀以使所述两条腿部与所述主体部分离。控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量，可采用任意可行方式，例如采用仿人类的跳跃操作，使得使所述分体式仿真机器人获取向上的第一动量和向前的第二动量等。
进一步地，所述根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别的步骤S4，包括：
S401、根据预设的轮廓获取方法，获取与所述第一区域内的障碍物对应的第一轮廓；
S402、根据预设的轮廓相似度计算方法，计算所述指定轮廓与预设的标准轮廓的相似度数值，并判断所述相似度数值是否大于预设的相似度阈值；其中，所述标准轮廓预存于预设的数据库中，所述数据库中存储的不同轮廓分别对应不同的障碍物类别；
S403、若所述相似度数值大于预设的相似度阈值，则根据预设的轮廓与障碍物类别的对应关系，获取与所述标准轮廓对应的障碍物类别，并将所述标准轮廓对应的障碍物类别记为所述第一障碍物类别。
其中，本申请对于障碍物类别的识别，其目的在于识别出该障碍物是否可以采用本申请的避障方法进行越过，因此，本申请采用特别的方式以获得第一障碍物类别，即只进行轮廓获取与轮廓相似度计算，从而减轻了计算量，提高了整体识别速度。其中，轮廓获取方法可为任意可行方法，例如当已获取障碍物的图像信号时，通过对图像信号的轮廓进行处理即可得到。所述轮廓相似度计算方法可为任意可行方法，例如将两个轮廓进行重叠操作，以使两个轮廓的中心重叠，再计算两个轮廓的重叠面积与未重叠面积，再将重叠面积比去未重叠面积以得到面积比值，所述面积比值即为所述相似度数值。
进一步地，所述主体部在连接处呈V字形凸出状，腿部在连接处呈V字形凹陷状，并且所述V字形凸出状与所述V字形凹陷状匹配，从而所述主体部与腿部的连接处呈V字形状；所述V字形凹陷状的前倾面的摩擦系数小于后倾面的摩擦系数，所述动力组件为弹射组件；其中，所述前倾面指所述V字形凹陷状的两个倾斜面中更靠近所述分体式仿真机器人前方的倾斜面，所述后倾面指所述V字形凹陷状的两个倾斜面中更靠近所述分体式仿真机器人后方的倾斜面；
所述控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量的步骤S6，包括：
S601、控制所述两条腿部上分别设置的弹射组件，从而使弹射组件以所述V字形凹陷状的后倾面与所述主体部的V字形凸出状为施力面，并且以所述V字形凹陷状的前倾面为轨道，向所述分体式仿真机器人的主体部赋予向上的第一动量和向前的第二动量。
从而，通过这种特别的V字形设计，使得主体部在障碍物上方飞行的稳定性得到了保证。由于主体部在连接处呈V字形凸出状，腿部在连接处呈V字形凹陷状，所述V字形凹陷状的前倾面的摩擦系数小于后倾面的摩擦系数，所述动力组件为弹射组件，从而动力组件从V字形凹陷状的后倾面推动主体部，并以V字形凹陷状的前倾面为导向轨道，因此主体部得到了综合向量，而该综合向量可分解为向上的第一动量和向前的第二动量，同时所述V字形凹陷状的前倾面的摩擦系数小于后倾面的摩擦系数，即所述V字形凹陷状的前倾面很光滑，不会造成大量的动量损失，因此，主体部得到的这种综合向量的数值和方向能够进行准确的控制，从而使得主体部能够稳定越过障碍物上方。需要注意的是，本申请的V字形设计，除了利于上述的动量赋予的精准控制以使得主体部在空中的稳定性得到提高之外，还利于后续步骤中主体部与两个腿部进行组合为分体式仿真机器人（这是因为通过V字形设计，使得主体部在降落时，主体部与腿部的对准精度的要求客观上降低了，只需主体部的V字形凸出状的水平位置大致与腿部的V字形凹陷状的水平位置相同，则主体部在下落时由于V字形结构的客观特性，能够便于主体部与两个腿部组合为原样的分体式仿真机器人）。
如上述步骤S7-S9所述，向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
分体式避障的一个难点在于，主体部容易在未越过障碍物时就已经空中坠落。本申请为了防止这种情况出现，采用了特别的设计，即设置两个磁场发生器，以提供主体部的临时磁性浮力。其中，磁场发生器可为任意可行的器件，例如最简单地，采用电磁感应线圈等。由于磁感线生成技术与磁感线布设技术为现有技术，在此不再赘述。所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上，可采用任意方式实现，例如所述主体部上的第一磁场发生器在单独情况下（即不考虑第二磁场发生器的情况下）生成竖直向下的第一磁感线（指在障碍物所处区域），而对应地，第二磁场发生器生成竖直向上的第二磁感线（同样指单独情况下，即不考虑第一磁场发生器的情况下），并且控制磁感线密度（或者磁场强度），从而主体部将受到足够强的竖直向上的磁力支持。另外，向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动。其中腿部的隐藏式轮滑部件可采用伸缩式结构隐藏在脚底，当需要滚动时，则伸出轮滑部件，即可进行滚动移动（当然，所述腿部预设有提供动力的电机等装置）。此时，由于腿部在绕行时需要的空间远小于仿真机器人本身，因此实现了仅利用小空间即可实现避障。另外，本申请之所以不采用跃过式避障方法，其原因在于，仿真机器人毕竟不是真人，其采用跃过式避障时，其在空中的姿态保持是个大问题，难以保证安全地避障；而本申请的分体式避障法，由于只有主体部进行空中越过避障，因此其姿态能够进行精准控制（此处原因见上文V字形结构的介绍，并且虽然使用V字形结构的效果最好，但纵使不使用V字形结构，其姿态控制效果同样优于跃过式避障）。在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人。其中，所述组成分体式仿真机器人的方式与分体式仿真机器人分离的方式正好相反，即若是采用开启电磁阀的方式使得分体式仿真机器人分离，那么此时则采用关闭电磁阀的方式使得分体式仿真机器人组合。再向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
进一步地，地板下方预先布设有轨道网络，运载有第二磁场发生器的载具沿所述轨道网络移动，并且所述轨道网络由非磁性材料制作而成，所述向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上的步骤S7之前，包括：
S61、向所述载具发送第一区域的位置信息，并要求所述载具根据所述第一区域的位置信息，
沿所述轨道网络移动至所述第一区域的地板下方。
从而只需要预先设置一个第二磁场发生器即可，该磁场发生器将在第一区域需要临时磁场时，移动至第一区域并提供临时磁场。从而节省布设多个磁场发生器的成本。
本申请的具有双行走模式的分体式仿真机器人的避障方法，通过采用双行走模式的分体式仿真机器人的设计，以实现分体式仿真机器人的避障方法，从而即使在窄小通道处（或者在障碍物侧方可供绕行的截面面积小于仿真机器人的截面面积时）碰到障碍物时，也能进行高效地避障操作。具体地，本申请在碰到障碍物时，并且障碍物记载于预设的分体式避障名单中时，使得分体式仿真机器人的主体部从障碍物上方越过，而分体式仿真机器人的腿部从障碍物侧方以滚动移动的方式绕过，再在绕过障碍物后重新组成分体式仿真机器人，从而通过这样的绕行方式，使得避障方法的适应性更强，并且在分体式仿真机器人的主体部从障碍物上方越过时，采用临时磁场支持的方式，避免分体式仿真机器人的主体部坠落至障碍物上，从而提高了整体的安全性。
本申请实施例提供一种具有双行走模式的分体式仿真机器人的避障装置，所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部分别与所述两条腿部的连接处设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作；所述装置包括：
第一环境信号序列获取单元，用于所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；
分析结果获取单元，用于将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
分析结果判断单元，用于判断所述分析结果是否为具有障碍物；
障碍物分类单元，用于若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；
分体式避障名单判断单元，用于判断所述第一障碍物类别是否记载于预设的分体式避障名单中；
仿真机器人分离单元，用于若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
开启指令发送单元，用于向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；
滚动移动指令发送单元，用于向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
仿真机器人组合单元，用于在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
其中上述单元分别用于执行的操作与前述实施方式的具有双行走模式的分体式仿真机器人的避障方法的步骤一一对应,在此不再赘述。
本申请的具有双行走模式的分体式仿真机器人的避障装置，通过采用双行走模式的分体式仿真机器人的设计，以实现分体式仿真机器人的避障方法，从而即使在窄小通道处（或者在障碍物侧方可供绕行的截面面积小于仿真机器人的截面面积时）碰到障碍物时，也能进行高效地避障操作。具体地，本申请在碰到障碍物时，并且障碍物记载于预设的分体式避障名单中时，使得分体式仿真机器人的主体部从障碍物上方越过，而分体式仿真机器人的腿部从障碍物侧方以滚动移动的方式绕过，再在绕过障碍物后重新组成分体式仿真机器人，从而通过这样的绕行方式，使得避障方法的适应性更强，并且在分体式仿真机器人的主体部从障碍物上方越过时，采用临时磁场支持的方式，避免分体式仿真机器人的主体部坠落至障碍物上，从而提高了整体的安全性。
参照图2，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储具有双行走模式的分体式仿真机器人的避障方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种具有双行走模式的分体式仿真机器人的避障方法。
上述处理器执行上述具有双行走模式的分体式仿真机器人的避障方法，其中所述方法包括的步骤分别与执行前述实施方式的具有双行走模式的分体式仿真机器人的避障方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，通过采用双行走模式的分体式仿真机器人的设计，以实现分体式仿真机器人的避障方法，从而即使在窄小通道处（或者在障碍物侧方可供绕行的截面面积小于仿真机器人的截面面积时）碰到障碍物时，也能进行高效地避障操作。具体地，本申请在碰到障碍物时，并且障碍物记载于预设的分体式避障名单中时，使得分体式仿真机器人的主体部从障碍物上方越过，而分体式仿真机器人的腿部从障碍物侧方以滚动移动的方式绕过，再在绕过障碍物后重新组成分体式仿真机器人，从而通过这样的绕行方式，使得避障方法的适应性更强，并且在分体式仿真机器人的主体部从障碍物上方越过时，采用临时磁场支持的方式，避免分体式仿真机器人的主体部坠落至障碍物上，从而提高了整体的安全性。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现具有双行走模式的分体式仿真机器人的避障方法，其中所述方法包括的步骤分别与执行前述实施方式的具有双行走模式的分体式仿真机器人的避障方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，通过采用双行走模式的分体式仿真机器人的设计，以实现分体式仿真机器人的避障方法，从而即使在窄小通道处（或者在障碍物侧方可供绕行的截面面积小于仿真机器人的截面面积时）碰到障碍物时，也能进行高效地避障操作。具体地，本申请在碰到障碍物时，并且障碍物记载于预设的分体式避障名单中时，使得分体式仿真机器人的主体部从障碍物上方越过，而分体式仿真机器人的腿部从障碍物侧方以滚动移动的方式绕过，再在绕过障碍物后重新组成分体式仿真机器人，从而通过这样的绕行方式，使得避障方法的适应性更强，并且在分体式仿真机器人的主体部从障碍物上方越过时，采用临时磁场支持的方式，避免分体式仿真机器人的主体部坠落至障碍物上，从而提高了整体的安全性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种具有双行走模式的分体式仿真机器人的避障方法，其特征在于，所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部分别与所述两条腿部的连接处设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作；所述方法包括：
S1、所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；
S2、将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
S3、判断所述分析结果是否为具有障碍物；
S4、若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；
S5、判断所述第一障碍物类别是否记载于预设的分体式避障名单中；
S6、若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
S7、向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；
S8、向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
S9、在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
2.根据权利要求1所述的具有双行走模式的分体式仿真机器人的避障方法，其特征在于，所述将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成的步骤S2之前，包括：
S11、从预设的样本数据库中调取指定数据的样本数据以构成样本集，再根据预设比例将所述样本集划分为训练集和验证集；其中，所述样本数据由预先收集的信号序列和与所述预先收集的信号序列对应的人工标注所构成；
S12、调取预设的神经网络模型，并将所述训练集输入所述神经网络模型中进行训练，从而得到初步神经网络模型；
S13、利用所述验证集对所述初步神经网络模型进行验证处理，以得到验证结果；
S14、判断所述验证结果是否为验证通过；
S15、若所述验证结果为验证通过，则将所述初步神经网络模型记为障碍物分析模型。
3.根据权利要求1所述的具有双行走模式的分体式仿真机器人的避障方法，其特征在于，所述判断所述分析结果是否为具有障碍物的步骤S3之后，包括：
S31、若所述分析结果为不具有障碍物，则控制所述分体式仿真机器人以跨步行走方式沿预设轨迹继续移动，并且停止环境探测传感器阵列的信号检测操作；
S32、在所述分体式仿真机器人通过所述第一区域之后，再次利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第二区域进行实时环境信号检测，从而得到第二环境信号序列；
S33、将所述第二环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型再次输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
S34、判断所述障碍物分析模型再次输出的分析结果是否为具有障碍物；
S35、若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第二区域内的障碍物对应的第二障碍物类别；
S36、判断所述第二障碍物类别是否记载于预设的分体式避障名单中；
S37、若所述第二障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
S38、向预设于所述第二区域的地板下方的第二磁场发生器发送开启指令，以开启第二磁场发生器，并开启预设于所述主体部上预设的第一磁场发生器，从而所述主体部能够在第二区域上方通过时受到磁力支持而不会坠落至障碍物上；
S39、向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
S310、在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二区域的地板下方的第二磁场发生器发送关闭指令。
4.根据权利要求1所述的具有双行走模式的分体式仿真机器人的避障方法，其特征在于，所述根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别的步骤S4，包括：
S401、根据预设的轮廓获取方法，获取与所述第一区域内的障碍物对应的第一轮廓；
S402、根据预设的轮廓相似度计算方法，计算所述指定轮廓与预设的标准轮廓的相似度数值，并判断所述相似度数值是否大于预设的相似度阈值；其中，所述标准轮廓预存于预设的数据库中，所述数据库中存储的不同轮廓分别对应不同的障碍物类别；
S403、若所述相似度数值大于预设的相似度阈值，则根据预设的轮廓与障碍物类别的对应关系，获取与所述标准轮廓对应的障碍物类别，并将所述标准轮廓对应的障碍物类别记为所述第一障碍物类别。
5.根据权利要求1所述的具有双行走模式的分体式仿真机器人的避障方法，其特征在于，所述主体部在连接处呈V字形凸出状，腿部在连接处呈V字形凹陷状，并且所述V字形凸出状与所述V字形凹陷状匹配，从而所述主体部与腿部的连接处呈V字形状；所述V字形凹陷状的前倾面的摩擦系数小于后倾面的摩擦系数，所述动力组件为弹射组件；其中，所述前倾面指所述V字形凹陷状的两个倾斜面中更靠近所述分体式仿真机器人前方的倾斜面，所述后倾面指所述V字形凹陷状的两个倾斜面中更靠近所述分体式仿真机器人后方的倾斜面；
所述控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量的步骤S6，包括：
S601、控制所述两条腿部上分别设置的弹射组件，从而使弹射组件以所述V字形凹陷状的后倾面与所述主体部的V字形凸出状为施力面，并且以所述V字形凹陷状的前倾面为轨道，向所述分体式仿真机器人的主体部赋予向上的第一动量和向前的第二动量。
6.根据权利要求1所述的具有双行走模式的分体式仿真机器人的避障方法，其特征在于，地板下方预先布设有轨道网络，运载有第二磁场发生器的载具沿所述轨道网络移动，并且所述轨道网络由非磁性材料制作而成，所述向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上的步骤S7之前，包括：
S61、向所述载具发送第一区域的位置信息，并要求所述载具根据所述第一区域的位置信息，
沿所述轨道网络移动至所述第一区域的地板下方。
7.一种具有双行走模式的分体式仿真机器人的避障装置，其特征在于，所述分体式仿真机器人由可分离式连接的两条腿部与所述两条腿部上方的主体部构成，所述两条腿部分别与所述主体部可分离式机械连接，所述主体部分别与所述两条腿部的连接处设置有第一磁场发生器；所述两条腿部均设置有内置芯片，从而在所述两条腿部分别与所述主体部分离后，所述两条腿部能够根据收到的控制信号而执行与所述控制信号对应的操作；所述装置包括：
第一环境信号序列获取单元，用于所述分体式仿真机器人以预设的跨步行走方式沿预设轨迹进行移动，同时利用所述分体式仿真机器人上预设的环境探测传感器阵列，对所述分体式仿真机器人前方的第一区域进行实时环境信号检测，从而得到第一环境信号序列；
分析结果获取单元，用于将所述第一环境信号序列输入预设的障碍物分析模型中进行处理，从而得到所述障碍物分析模型输出的分析结果；其中，所述分析结果为具有障碍物或者不具有障碍物，所述障碍物分析模型基于神经网络模型并采用训练数据训练而成，所述训练数据由训练用信号序列和与所述训练用信号序列对应的人工标注所构成；
分析结果判断单元，用于判断所述分析结果是否为具有障碍物；
障碍物分类单元，用于若所述分析结果为具有障碍物，则根据预设的障碍物分类方法进行障碍物分类处理，从而得到与所述第一区域内的障碍物对应的第一障碍物类别；
分体式避障名单判断单元，用于判断所述第一障碍物类别是否记载于预设的分体式避障名单中；
仿真机器人分离单元，用于若所述第一障碍物类别记载于预设的分体式避障名单中，则使所述两条腿部与所述主体部分离，并控制所述两条腿部上分别设置的动力组件，以使所述分体式仿真机器人获取向上的第一动量和向前的第二动量；
开启指令发送单元，用于向预设于所述第一区域的地板下方的第二磁场发生器发送开启指令，以开启所述第二磁场发生器，并开启预设于所述主体部上预设的所述第一磁场发生器，从而所述主体部能够在所述第一区域上方通过时受到磁力支持而不会坠落至障碍物上；
滚动移动指令发送单元，用于向分离后的所述两条腿部发送滚动移动指令，以使所述两条腿部采用滚动移动的方式绕过障碍物；其中，每条腿部均预设有隐藏式轮滑部件，从而在分离后每条腿部均能够进行滚动移动；
仿真机器人组合单元，用于在所述主体部从空中越过障碍物并且所述两条腿部在所述主体部正下方且与所述主体部进行水平方向的同速运动时，关闭所述第一磁场发生器，以使所述主体部降落至所述两条腿部上并组成分体式仿真机器人，并且向所述第二磁场发生器发送关闭指令，从而完成具有双行走模式的分体式仿真机器人的避障过程。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811366.2A CN112034847B (zh) | 2020-08-13 | 2020-08-13 | 具有双行走模式的分体式仿真机器人的避障方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811366.2A CN112034847B (zh) | 2020-08-13 | 2020-08-13 | 具有双行走模式的分体式仿真机器人的避障方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112034847A true CN112034847A (zh) | 2020-12-04 |
| CN112034847B CN112034847B (zh) | 2021-04-13 |
Family
ID=73577891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010811366.2A Active CN112034847B (zh) | 2020-08-13 | 2020-08-13 | 具有双行走模式的分体式仿真机器人的避障方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112034847B (zh) |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002361574A (ja) * | 2001-06-07 | 2002-12-18 | Japan Science & Technology Corp | 二脚歩行式移動装置及びその歩行制御装置並びに歩行制御方法 |
| US20120173019A1 (en) * | 2010-12-29 | 2012-07-05 | Samsung Electronics Co., Ltd. | Robot and control method thereof |
| US20130297070A1 (en) * | 2011-04-30 | 2013-11-07 | Massachusetts Institute Of Technology | Robot having obstacle avoidance mechanism |
| EP2952993A1 (en) * | 2014-06-05 | 2015-12-09 | Aldebaran Robotics | Method for building a map of probability of one of absence and presence of obstacles for an autonomous robot |
| CA2951170A1 (en) * | 2014-06-05 | 2015-12-10 | Softbank Robotics Europe | Device for detecting an obstacle by means of intersecting planes and detection method using such a device |
| US20170008174A1 (en) * | 2013-04-15 | 2017-01-12 | Alan Rosen | Intelligent visual humanoid robot and computer vision system programmed to perform visual artificial intelligence processes |
| CN106505463A (zh) * | 2016-10-26 | 2017-03-15 | 湖北工业大学 | 一种高压直流磁悬浮巡检机器人避障装置 |
| US20170106738A1 (en) * | 2010-01-04 | 2017-04-20 | Carla R. Gillett | Self-Balancing Robot System Comprising Robotic Omniwheel |
| CN108153314A (zh) * | 2017-12-29 | 2018-06-12 | 弗徕威智能机器人科技（上海）有限公司 | 一种分体式服务机器人 |
| CN108937744A (zh) * | 2018-10-17 | 2018-12-07 | 芜湖市越泽机器人科技有限公司 | 一种可越障的清洁机器人 |
| US20180370021A1 (en) * | 2017-06-27 | 2018-12-27 | Massachusetts Institute Of Technology | Wearable robotic systems for supporting a load |
| CN109625093A (zh) * | 2018-12-31 | 2019-04-16 | 济宁山云宇内机电科技有限公司 | 一种分体式机器人移动平台及工作方法 |
| CN109792876A (zh) * | 2019-03-11 | 2019-05-24 | 潍坊科技学院 | 一种智能维护绿植机器人 |
| US10335962B1 (en) * | 2017-03-01 | 2019-07-02 | Knowledge Initiatives LLC | Comprehensive fault detection and diagnosis of robots |
| CN209220144U (zh) * | 2018-09-26 | 2019-08-09 | 深圳乐动机器人有限公司 | 清洁机器人及其避障装置 |
| KR102025739B1 (ko) * | 2019-02-26 | 2019-09-27 | 평원개발(주) | 관로 경사도 측정용 주행로봇 |
| CN110316276A (zh) * | 2019-07-27 | 2019-10-11 | 南京蹑波物联网科技有限公司 | 一种仿生足式机器人的形走装置 |
| CN110919665A (zh) * | 2019-11-15 | 2020-03-27 | 合肥工业大学 | 一种可分离式多功能康复机器人 |
| CN210233038U (zh) * | 2019-07-23 | 2020-04-03 | 北京精仪达盛科技有限公司 | 人形机器人实验*** |
| WO2020072567A1 (en) * | 2018-10-02 | 2020-04-09 | Sharkninja Operating Llc | Surface cleaning apparatus illumination system |
| CN210310632U (zh) * | 2019-06-27 | 2020-04-14 | 北京史河科技有限公司 | 一种行走装置 |
| CN210323885U (zh) * | 2019-06-28 | 2020-04-14 | 北京史河科技有限公司 | 一种机器人 |
| US20200117198A1 (en) * | 2018-10-12 | 2020-04-16 | Boston Dynamics, Inc. | Terrain Aware Step Planning System |
| WO2020123385A1 (en) * | 2018-12-11 | 2020-06-18 | Irobot Corporation | Magnetic navigation systems for autonomous mobile robots |
| CN111345746A (zh) * | 2018-12-21 | 2020-06-30 | 苏州宝时得电动工具有限公司 | 清洁机器人及其控制方法和地面处理*** |
| CN111399505A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种基于神经网络的移动机器人避障方法 |
| CN211030018U (zh) * | 2019-09-30 | 2020-07-17 | 深圳市银星智能科技股份有限公司 | 一种机场服务机器人以及机器人管理*** |
| CN111479662A (zh) * | 2017-10-25 | 2020-07-31 | Lg电子株式会社 | 学习障碍物的人工智能移动机器人及其控制方法 |
| CN111509614A (zh) * | 2020-04-20 | 2020-08-07 | 潍坊工程职业学院 | 一种高压线巡检机器人及巡检装置 |
-
2020
- 2020-08-13 CN CN202010811366.2A patent/CN112034847B/zh active Active
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002361574A (ja) * | 2001-06-07 | 2002-12-18 | Japan Science & Technology Corp | 二脚歩行式移動装置及びその歩行制御装置並びに歩行制御方法 |
| US20170106738A1 (en) * | 2010-01-04 | 2017-04-20 | Carla R. Gillett | Self-Balancing Robot System Comprising Robotic Omniwheel |
| US20120173019A1 (en) * | 2010-12-29 | 2012-07-05 | Samsung Electronics Co., Ltd. | Robot and control method thereof |
| US20130297070A1 (en) * | 2011-04-30 | 2013-11-07 | Massachusetts Institute Of Technology | Robot having obstacle avoidance mechanism |
| US20170008174A1 (en) * | 2013-04-15 | 2017-01-12 | Alan Rosen | Intelligent visual humanoid robot and computer vision system programmed to perform visual artificial intelligence processes |
| EP2952993A1 (en) * | 2014-06-05 | 2015-12-09 | Aldebaran Robotics | Method for building a map of probability of one of absence and presence of obstacles for an autonomous robot |
| CA2951170A1 (en) * | 2014-06-05 | 2015-12-10 | Softbank Robotics Europe | Device for detecting an obstacle by means of intersecting planes and detection method using such a device |
| CN106505463A (zh) * | 2016-10-26 | 2017-03-15 | 湖北工业大学 | 一种高压直流磁悬浮巡检机器人避障装置 |
| US10335962B1 (en) * | 2017-03-01 | 2019-07-02 | Knowledge Initiatives LLC | Comprehensive fault detection and diagnosis of robots |
| US20180370021A1 (en) * | 2017-06-27 | 2018-12-27 | Massachusetts Institute Of Technology | Wearable robotic systems for supporting a load |
| CN111479662A (zh) * | 2017-10-25 | 2020-07-31 | Lg电子株式会社 | 学习障碍物的人工智能移动机器人及其控制方法 |
| CN108153314A (zh) * | 2017-12-29 | 2018-06-12 | 弗徕威智能机器人科技（上海）有限公司 | 一种分体式服务机器人 |
| CN209220144U (zh) * | 2018-09-26 | 2019-08-09 | 深圳乐动机器人有限公司 | 清洁机器人及其避障装置 |
| WO2020072567A1 (en) * | 2018-10-02 | 2020-04-09 | Sharkninja Operating Llc | Surface cleaning apparatus illumination system |
| US20200117198A1 (en) * | 2018-10-12 | 2020-04-16 | Boston Dynamics, Inc. | Terrain Aware Step Planning System |
| CN108937744A (zh) * | 2018-10-17 | 2018-12-07 | 芜湖市越泽机器人科技有限公司 | 一种可越障的清洁机器人 |
| WO2020123385A1 (en) * | 2018-12-11 | 2020-06-18 | Irobot Corporation | Magnetic navigation systems for autonomous mobile robots |
| CN111345746A (zh) * | 2018-12-21 | 2020-06-30 | 苏州宝时得电动工具有限公司 | 清洁机器人及其控制方法和地面处理*** |
| CN109625093A (zh) * | 2018-12-31 | 2019-04-16 | 济宁山云宇内机电科技有限公司 | 一种分体式机器人移动平台及工作方法 |
| KR102025739B1 (ko) * | 2019-02-26 | 2019-09-27 | 평원개발(주) | 관로 경사도 측정용 주행로봇 |
| CN109792876A (zh) * | 2019-03-11 | 2019-05-24 | 潍坊科技学院 | 一种智能维护绿植机器人 |
| CN210310632U (zh) * | 2019-06-27 | 2020-04-14 | 北京史河科技有限公司 | 一种行走装置 |
| CN210323885U (zh) * | 2019-06-28 | 2020-04-14 | 北京史河科技有限公司 | 一种机器人 |
| CN210233038U (zh) * | 2019-07-23 | 2020-04-03 | 北京精仪达盛科技有限公司 | 人形机器人实验*** |
| CN110316276A (zh) * | 2019-07-27 | 2019-10-11 | 南京蹑波物联网科技有限公司 | 一种仿生足式机器人的形走装置 |
| CN211030018U (zh) * | 2019-09-30 | 2020-07-17 | 深圳市银星智能科技股份有限公司 | 一种机场服务机器人以及机器人管理*** |
| CN110919665A (zh) * | 2019-11-15 | 2020-03-27 | 合肥工业大学 | 一种可分离式多功能康复机器人 |
| CN111399505A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种基于神经网络的移动机器人避障方法 |
| CN111509614A (zh) * | 2020-04-20 | 2020-08-07 | 潍坊工程职业学院 | 一种高压线巡检机器人及巡检装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112034847B (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Leigh et al. | Person tracking and following with 2d laser scanners | |
| Koide et al. | Monocular person tracking and identification with on-line deep feature selection for person following robots | |
| CN106061806A (zh) | 用于操纵车辆的闭合元件的方法和装置 | |
| Sun et al. | Learn how to assist humans through human teaching and robot learning in human–robot collaborative assembly | |
| CN112034847B (zh) | 具有双行走模式的分体式仿真机器人的避障方法和装置 | |
| Volkhardt et al. | Finding people in home environments with a mobile robot | |
| Kang et al. | Navigation strategy for the service robot in the elevator environment | |
| Zhang et al. | Directional PointNet: 3D environmental classification for wearable robotics | |
| CN105718908B (zh) | 一种基于衣帽特征与姿态检测的交警检测方法和*** | |
| Stein et al. | Leader following: A study on classification and selection | |
| Kanda et al. | Recognizing groups of visitors for a robot museum guide tour | |
| Christensen et al. | Embodied social interaction for robots | |
| Ong et al. | Sensor fusion based human detection and tracking system for human-robot interaction | |
| Sun et al. | Real-time and fast RGB-D based people detection and tracking for service robots | |
| Kumar et al. | An intelligent computer vision integrated regression based navigation approach for humanoids in a cluttered environment | |
| Stein et al. | Navigating in populated environments by following a leader | |
| CN115586748B (zh) | 一种移动式智能柔性运动控制***及其方法 | |
| Šumanas et al. | Implementation of machine learning algorithms for autonomous robot trajectory resolving | |
| Gemignani et al. | Interactive semantic mapping: experimental evaluation | |
| Mikhaylov et al. | Control and navigation of forest robot | |
| Ragaglia et al. | Detecting, tracking and predicting human motion inside an industrial robotic cell using a map-based particle filtering strategy | |
| CN111590576B (zh) | 一种核辐射环境的救灾机器人 | |
| Silvers et al. | Human machine interface in weld seam detection using an RGB-D camera | |
| Zhang et al. | Development of an AI based teaching assisting system | |
| Wang et al. | A human detection system for proxemics interaction |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220208 Address after: 510000 No. 42, Dabu Road, Xiuquan street, Huadu District, Guangzhou, Guangdong Patentee after: Guangzhou Yidong Technology Co.,Ltd. Address before: No.42, Dabu Road, Huadu District, Guangzhou, Guangdong 510000 Patentee before: Guangzhou simulation robot Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220810 Address after: No.42, Dabu Road, Huadu District, Guangzhou, Guangdong 510000 Patentee after: Guangzhou simulation robot Co.,Ltd. Address before: 510000 No. 42, Dabu Road, Xiuquan street, Huadu District, Guangzhou, Guangdong Patentee before: Guangzhou Yidong Technology Co.,Ltd. |