本發明涉及計算機領域，具體而言，涉及一種機器人運動控制方法和裝置、機器人。

背景技術：

隨著機器人產業的興起，服務性機器人正在走進千家萬戶。然而作為新興工業領域，機器人的很多功能還是處于初級階段。其中，自主移動功能就是制約機器人發展的瓶頸之一。而自主移動側重于是指機器人能夠感知環境、決策規劃路徑、并執行移動指令。

機器人自主移動，其通常是將感知、定位、地圖建設、路徑規劃等各功能模塊融合在一起的系統解決方案。由于應用場景復雜多變，系統要處理的問題過于龐雜，所以很難到達可以實際應用的效果。

針對上述的問題，目前尚未提出有效的解決方案。

技術實現要素：

本發明實施例提供了一種機器人運動控制方法和裝置、機器人，以至少解決現有技術中實現機器人自主移動時人為干預較多的技術問題。

根據本發明實施例的一個方面，提供了一種機器人運動控制方法，包括：獲取機器人的數據采集設備當前采集的數據；根據當前采集的數據和預先獲得的數據與運動控制指令的第一映射關系，獲得機器人的當前運動控制指令；其中，第一映射關系為采用第一端到端的深度學習方式獲得的映射關系；根據當前運動控制指令控制機器人的運動。

可選地，在獲取機器人當前采集的數據之前，方法還包括：基于訓練數據通過第一端到端的深度學習方法獲得第一映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和數據采集設備在采集數據時的機器人的運動狀態數據。

可選地，訓練數據還包括：機器人處于不同場景下的危險信息，其中，危險信息為被數據采集設備采集到后發出告警的信息。

可選地，在獲取機器人的數據采集設備當前采集的數據之后，方法還包括：根據當前采集的數據、預先獲得的數據與機器人存在的危險情況的第二映射關系，預測機器人在保持當前運動控制指令所指示的運動狀態下存在的危險情況；其中，第二映射關系為采用第二端到端的深度學習方法獲得的映射關系；在預測到危險情況時，產生告警信息。

可選地，當前運動控制指令包括以下至少之一：徑向速度、轉向角速度、徑向加速度、轉向角加速度和機器人所在位置的高度。

可選地，數據采集設備包括以下至少之一：光學采集設備、聲學采集設備、電磁學采集設備。

可選地，機器人包括以下至少之一：騎行機器人、遙控機器人和跟隨機器人。

根據本發明實施例的另一方面，還提供了一種機器人，包括：數據采集設備、處理器和控制器；其中，數據采集設備，用于獲取機器人的數據采集設備當前采集的數據；處理器，用于根據當前采集的數據和預先獲得的數據與運動控制指令的第一映射關系，獲得機器人的當前運動控制指令；其中，第一映射關系為采用第一端到端的深度學習方式獲得的映射關系；控制器，用于根據當前運動控制指令控制機器人的運動。

可選地，處理器，還用于基于訓練數據通過第一端到端的深度學習方法獲得第一映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和數據采集設備在采集數據時的機器人的運動狀態數據。

可選地，訓練數據還包括：機器人處于不同場景下的危險信息，其中，危險信息為被數據采集設備采集到后發出告警的信息。

可選地，處理器，還用于根據當前采集的數據、預先獲得的數據與機器人存在的危險情況的第二映射關系，預測機器人在保持當前運動控制指令所指示的運動狀態下存在的危險情況；其中，第二映射關系為采用第二端到端的深度學習方式獲得的映射關系；機器人還包括：告警設備，用于在預測到危險情況時，產生告警信息。

在本發明實施例中，采用根據當前采集的數據和預先獲取的數據與運動控制指令的第一映射關系獲得機器人的當前運動控制指令，根據獲取的當前運動控制指令控制機器人的運動的方式，進而可以根據當前采集的數據來調整其運動狀態，自動實現了機器人的自主移動，達到了減少了人為干預的目的，進而解決了現有技術中實現機器人自主移動時人為干預較多的技術問題。

附圖說明

此處所說明的附圖用來提供對本發明的進一步理解，構成本申請的一部分，本發明的示意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。在附圖中：

圖1是根據本發明實施例的機器人運動控制方法的流程示意圖；

圖2是根據本發明實施例提供的機器人運動控制裝置的結構框圖；

圖3是根據本發明實施例的機器人的結構框圖。

具體實施方式

為了使本技術領域的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分的實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬于本發明保護的范圍。

需要說明的是，本發明的說明書和權利要求書及上述附圖中的術語“第一”、“第二”等是用于區別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的本發明的實施例能夠以除了在這里圖示或描述的那些以外的順序實施。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。

實施例1

根據本發明實施例，提供了一種機器人運動控制方法的方法實施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機可執行指令的計算機系統中執行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執行所示出或描述的步驟。

圖1是根據本發明實施例的機器人運動控制方法的流程示意圖，如圖1所示，該方法包括如下步驟：

步驟s102，獲取機器人的數據采集設備當前采集的數據；

步驟s104，根據當前采集的數據和預先獲得的數據與運動控制指令的第一映射關系，獲得機器人的當前運動控制指令；其中，第一映射關系為采用第一端到端的深度學習方式獲得的映射關系；

步驟s106，根據當前運動控制指令控制機器人的運動。

通過上述步驟，采用根據當前采集的數據和預先獲取的數據與運動控制指令的第一映射關系獲得機器人的當前運動控制指令，根據獲取的當前運動控制指令控制機器人的運動的方式，進而可以根據當前采集的數據來調整其運動狀態，自動實現了機器人的自主移動，達到了減少了人為干預的目的，進而解決了現有技術中實現機器人自主移動時人為干預較多的技術問題。

需要說明的是，端到端的深度學習方法為直接將數據采集設備所采集的數據映射成控制機器人的運動的運動控制指令，即得到上述第一映射關系。

在本發明的一個實施例中，在上述步驟s102之前，上述方法還可以包括：基于訓練數據通過第一端到端的深度學習方法獲得第一映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和數據采集設備在采集數據時的機器人的運動狀態數據。

需要說明的是，上述訓練數據中包括大量組數據，每一組數據中都包括一個數據采集設備所采集的數據和該數據采集設備在采集該數據時機器人的運動狀態數據(即與該數據采集設備所采集的數據對應的機器人真實的運動狀態數據)。

需要說明的是，基于訓練數據通過第一端到端的深度學習方法獲得第一映射關系可以表現為：將上述訓練數據中的一組數據中的機器人的數據采集設備所采集的數據作為與第一端到端的深度學習方法對應的第一卷積神經網絡模型的輸入；將該第一卷積神經網絡模型的輸出與該組數據中的運動狀態數據進行比較，得到該輸出與上述運動狀態數據的誤差，如果誤差大于第一預設閾值，則調整該第一卷積神經網絡模型的權值，繼續下一組數據，直到訓練數據中每一組數據的機器人的數據采集設備所采集的數據作為第一卷積神經網絡模型的輸入，該輸出與訓練數據中對應的運動狀態數據的誤差小于第一預設閾值為止，這樣就得到了一個經過訓練的第一卷積神經網絡模型，即上述第一映射關系。

需要說明的是，上述訓練數據還可以包括：機器人處于不同場景下的危險信息，其中，危險信息為被數據采集設備采集到后發出告警的信息。

在本發明的一個實施例中，在上述步驟s102之后，上述方法還可以包括：根據當前采集的數據、預先獲得的數據與機器人存在的危險情況的第二映射關系，預測機器人在保持當前運動控制指令所指示的運動狀態下存在的危險情況；其中，第二映射關系為采用第二端到端的深度學習方法獲得的映射關系；在預測到危險情況時，產生告警信息。通過上述方法可以進行預測告警，進而能夠提供機器人運動的安全性。

在本發明的一個實施例中，在上述步驟s102之前，上述方法還可以包括：基于訓練數據通過第二端到端的深度學習方法獲得第二映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和與機器人的數據采集設備所采集的數據對應的機器人的危險信息。

需要說明的是，上述訓練數據中包括大量組數據，每一組數據中都包括一個數據采集設備所采集的數據和與該數據采集設備在采集該數據對應的機器人的危險信息。

需要說明的是，基于訓練數據通過第二端到端的深度學習方法獲得第二映射關系可以表現為：將上述訓練數據中的一組數據中的機器人的數據采集設備所采集的數據作為與第二端到端的深度學習方法對應的第二卷積神經網絡模型的輸入；將該第一卷積神經網絡模型的輸出與該組數據中的機器人的危險信息進行比較，得到該輸出與上述機器人的危險信息的誤差，如果誤差大于第二預設閾值，則調整該第二卷積神經網絡模型的權值，繼續下一組數據，直到訓練數據中每一組數據的機器人的數據采集設備所采集的數據作為第二卷積神經網絡模型的輸入，該輸出與訓練數據中對應的機器人的危險信息的誤差小于第一預設閾值為止，這樣就得到了一個經過訓練的第二卷積神經網絡模型，即上述第二映射關系。

需要說明的是，上述當前運動控制指令可以包括以下至少之一：徑向速度、轉向角速度、徑向加速度、轉向角加速度和機器人所在位置的高度。

需要說明的是，上述數據采集設備包括以下至少之一：光學采集設備、聲學采集設備、電磁學采集設備。

需要說明的是，上述機器人可以包括以下至少之一：騎行機器人、遙控機器人和跟隨機器人。

需要說明的是，上述步驟的執行主體可以是機器人，但并不限于此。

需要說明的是，對于前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明并不受所描述的動作順序的限制，因為依據本發明，某些步驟可以采用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬于優選實施例，所涉及的動作和模塊并不一定是本發明所必須的。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到根據上述實施例的方法可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件，但很多情況下前者是更佳的實施方式。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端設備(可以是手機，計算機，服務器，或者網絡設備等)執行本發明各個實施例所述的方法。

實施例2

根據本發明實施例，提供了一種機器人運動控制裝置的產品實施例，圖2是根據本發明實施例提供的機器人運動控制裝置的結構框圖，如圖2所示，該裝置包括：

第一獲取模塊22，用于獲取機器人的數據采集設備當前采集的數據；

第二獲取模塊24，與上述第一獲取模塊22連接，用于根據所述當前采集的數據和預先獲得的數據與運動控制指令的第一映射關系，獲得所述機器人的當前運動控制指令；其中，所述第一映射關系為采用第一端到端的深度學習方式獲得的映射關系；

控制模塊26，與上述第二獲取模塊24連接，用于根據所述當前運動控制指令控制所述機器人的運動。

通過上述裝置，采用根據當前采集的數據和預先獲取的數據與運動控制指令的第一映射關系獲得機器人的當前運動控制指令，根據獲取的當前運動控制指令控制機器人的運動的方式，進而可以根據當前采集的數據來調整其運動狀態，自動實現了機器人的自主移動，達到了減少了人為干預的目的，進而解決了現有技術中實現機器人自主移動時人為干預較多的技術問題。

在本發明的一個實施例中，上述裝置還包括：第三獲取模塊，與上述第一獲取模塊22連接，用于基于訓練數據通過所述第一端到端的深度學習方法獲得所述第一映射關系；其中，所述訓練數據包括：所述機器人的數據采集設備所采集的數據和所述數據采集設備在采集所述數據時的所述機器人的運動狀態數據。

需要說明的是，對于第三獲取模塊獲取到上述第一映射關系的具體過程可以詳見實施例1中對應與對基于訓練數據通過所述第一端到端的深度學習方法獲得所述第一映射關系的解釋。

需要說明的是，上述訓練數據還包括：所述機器人處于不同場景下的危險信息，其中，所述危險信息為被所述數據采集設備采集到后發出告警的信息。

在本發明的一個實施例中，上述裝置還包括：預測模塊，與上述第一獲取模塊22連接，用于根據所述當前采集的數據、預先獲得的數據與所述機器人存在的危險情況的第二映射關系，預測所述機器人在保持所述當前運動控制指令所指示的運動狀態下存在的危險情況；其中，所述第二映射關系為采用第二端到端的深度學習方式獲得的映射關系；告警模塊，與上述預測模塊連接，用于在預測到危險情況時，產生告警信息。通過上述預測模塊和告警模塊可以提供機器人運動的安全性。

需要說明的是，上述裝置還包括：第四獲取模塊，與上述第一獲取模塊22連接，用于基于訓練數據通過第二端到端的深度學習方法獲得第二映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和與機器人的數據采集設備所采集的數據對應的機器人的危險信息。

需要說明的是，對于上述第四獲取模塊獲取到上述第二映射關系的具體過程參考上述實施例1中對基于訓練數據通過第二端到端的深度學習方法獲得第二映射關系的解釋。

需要說明的是，上述當前運動控制指令可以包括以下至少之一：徑向速度、轉向角速度、徑向加速度、轉向角加速度和機器人所在位置的高度。

需要說明的是，上述數據采集設備包括以下至少之一：光學采集設備、聲學采集設備、電磁學采集設備。

需要說明的是，上述機器人可以包括以下至少之一：騎行機器人、遙控機器人和跟隨機器人。

需要說明的是，上述裝置位于機器人中，但并不限于此。

需要說明的是，上述各個模塊是可以通過軟件或硬件來實現的，對于后者，可以通過以下方式實現，但不限于此：上述模塊均位于同一處理器中；或者，上述各個模塊以任意組合的形式分別位于不同的處理器中。

實施例3

根據本發明實施例，提供了一種機器人的產品實施例，圖3是根據本發明實施例的機器人的結構框圖，如圖3所示，該裝置包括：數據采集設備32、處理器34和控制器36；

數據采集設備32，用于獲取機器人的數據采集設備當前采集的數據；

處理器34，與上述數據采集設備32連接，用于根據當前采集的數據和預先獲得的數據與運動控制指令的第一映射關系，獲得機器人的當前運動控制指令；其中，第一映射關系為采用第一端到端的深度學習方式獲得的映射關系；

控制器36，與上述處理器34連接，用于根據當前運動控制指令控制機器人的運動。

通過上述機器人，采用根據當前采集的數據和預先獲取的數據與運動控制指令的第一映射關系獲得機器人的當前運動控制指令，根據獲取的當前運動控制指令控制機器人的運動的方式，進而可以根據當前采集的數據來調整其運動狀態，自動實現了機器人的自主移動，達到了減少了人為干預的目的，進而解決了現有技術中實現機器人自主移動時人為干預較多的技術問題。

在本發明的一個實施例中，上述處理器34，還可以用于基于訓練數據通過第一端到端的深度學習方法獲得第一映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和數據采集設備在采集數據時的機器人的運動狀態數據。

需要說明的是，對于處理器34獲取到上述第一映射關系的具體過程可以詳見實施例1中對應與對基于訓練數據通過所述第一端到端的深度學習方法獲得所述第一映射關系的解釋。

需要說明的是，上述訓練數據還包括：所述機器人處于不同場景下的危險信息，其中，所述危險信息為被所述數據采集設備采集到后發出告警的信息。

在本發明的一個實施例中，上述處理器34，還可以用于根據當前采集的數據、預先獲得的數據與機器人存在的危險情況的第二映射關系，預測機器人在保持當前運動控制指令所指示的運動狀態下存在的危險情況；其中，第二映射關系為采用第二端到端的深度學習方式獲得的映射關系；機器人還包括：告警設備，用于在預測到危險情況時，產生告警信息。

需要說明的是，上述處理器34還可以用于基于訓練數據通過第二端到端的深度學習方法獲得第二映射關系；其中，訓練數據包括：機器人的數據采集設備所采集的數據和與機器人的數據采集設備所采集的數據對應的機器人的危險信息。

需要說明的是，對于上述處理器34獲取到上述第二映射關系的具體過程參考上述實施例1中對基于訓練數據通過第二端到端的深度學習方法獲得第二映射關系的解釋。

需要說明的是，上述當前運動控制指令可以包括以下至少之一：徑向速度、轉向角速度、徑向加速度、轉向角加速度和機器人所在位置的高度。

需要說明的是，上述數據采集設備包括以下至少之一：光學采集設備、聲學采集設備、電磁學采集設備。

需要說明的是，上述機器人可以包括以下至少之一：騎行機器人、遙控機器人和跟隨機器人。

為了更好的理解本發明實施例，以下結合優選的實施例對本發明做進一步解釋。

本優選實施例采用了端到端的深度學習方案：直接將機器人當前的傳感器數據映射成機器人運動控制指令。

需要說明的是，傳感器數據可以包括：由各種光學采集設備，如rgb攝像頭、深度攝像頭、紅外攝像頭等，激光雷達、超聲波等等采集的數據。傳感器數據可以是這些的數據的任意組合，具體取決于機器人搭載的傳感器，對不同的數據組合，要訓練專門的神經網絡。

需要說明的是，上述運動控制指令：輪式機器人控制指令比較簡單，可以通過徑向速度、和轉向角速度控制；也可以通過徑向加速度和轉向角加速度控制。

深度學習：采用有監督式的學習方案，使用卷積神經網絡結合全鏈接層實現函數映射關系。

而監督式學習(英語：supervisedlearning)，是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式(函數/learningmodel)，并依此模式推測新的實例。訓練資料是由輸入物件(通常是向量)和預期輸出所組成。函數的輸出可以是一個連續的值(稱為回歸分析)，或是預測一個分類標簽(稱作分類)。

一個監督式學習者的任務在觀察完一些訓練范例(輸入和預期輸出)后，去預測這個函數對任何可能出現的輸入的值的輸出。要達到此目的，學習者必須以"合理"的方式從現有的資料中一般化到非觀察到的情況。

通過上述端到端的解決方案避免了人為地設計各個功能模塊、設定各種決策，將復雜的實際問題抽象為一個函數映射關系。

需要說明的是，有監督的深度學習方案需要大量的帶有真值的訓練樣本，并需要樣本多樣化，盡可能的代表機器人在應用中將要處理的各種情況。

本優選實施例通過記錄被操控的機器人的傳感數據和運動狀態來采集訓練數據。如用戶騎行、遙控控制、機器人跟蹤用戶行動等。

優選實施例1：騎行機器人自主移動學習方案包括以下幾個步驟：

步驟1，數據采集：在用戶騎行使用機器人的過程中，記錄機器人的傳感器信息和運動狀態數據，以及危險、意外情況信息，如摔倒、打滑、碰撞等。

步驟2，模型訓練。基于采集數據訓練機器人自主移動模型和危險情況檢測模型，可以用一個多任務的深度學習網絡實現。自主移動模型，輸出機器人根據當前傳感器的信息的機器人運動狀態控制指令。危險情況檢測模型輸出若保持當前運動狀態，馬上可能面臨的危險情況，并發送警告信息。如，前方有減速帶、積水等不良路況。

步驟3，自主移動應用。機器人可以根據學習到的模型自主運動，無需用戶騎行或控制。該功能可以與各種其他功能模塊搭配使用，解決各種真實問題。如導航(送貨)、行人檢測跟蹤(安檢巡邏)。

步驟4，危險預知應用。機器人加載訓練好的網絡模型之后，用戶再次騎行時，機器人就會分析用戶當前的行走路線，并進行危險情況分析和預測警告，從而提高用戶騎行行為的安全性。

優選實施例2：

遙控機器人自主移動學習方案類似于上述優選實施例1，不同的是采集數據時是針對可遙控的機器人。用戶通過遙控器控制機器人。同樣記錄機器人的傳感數據和運動狀態作為樣本和真值。

優選實施例3：

跟隨機器人自主移動學習方案類似于上述優選實施例1，不同的是其針對的是跟隨機器人。跟隨機器人跟隨人類行走，自然在模擬人類的行為方式。因此可以記錄跟隨過程中機器人的傳感器數據和機器人運動狀態來作為訓練數據。

如果一類型機器人同時具有上面多種屬性，那么這些不同狀態下采集的數據可以共享。只需傳感器類型統一，傳感器位置角度接近，那么數據就有很好的一致性，可以共同用來訓練這一類型的機器人。

實施例4

本發明的實施例還提供了一種存儲介質，該存儲介質包括存儲的程序，其中，上述程序運行時執行上述任一項所述的方法。

可選地，在本實施例中，上述存儲介質可以包括但不限于：u盤、只讀存儲器(read-onlymemory，簡稱為rom)、隨機存取存儲器(randomaccessmemory，簡稱為ram)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質。

本發明的實施例還提供了一種處理器，該處理器用于運行程序，其中，該程序運行時執行上述任一項方法中的步驟。

可選地，本實施例中的具體示例可以參考上述實施例及可選實施方式中所描述的示例，本實施例在此不再贅述。

上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。

在本發明的上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。

在本申請所提供的幾個實施例中，應該理解到，所揭露的技術內容，可通過其它的方式實現。其中，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。

另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。

所述集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可為個人計算機、服務器或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質。

以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。