机器人运动控制方法、装置、计算设备和存储介质制造方法及图纸

本发明专利技术提供一种机器人运动控制方法、装置、计算设备和存储介质，其中，方法应用于机器人，机器人设有视觉传感器，方法包括：获取视觉传感器采集的运动场景图像；将运动场景图像输入标识识别模型，识别目标标识，其中，标识识别模型基于多个标识样本训练得到，标识样本包括正常标识样本和异常标识样本，异常标识样本包括基于正常标识样本利用生成对抗网络生成的标识样本；获得目标标识的目标位置信息；基于目标位置信息，运动至目标标识所在的目标位置。通过获取运动场景图像，基于标识识别模型，能够获得目标标识的目标位置信息并运动至目标位置。无论目标标识正常还是异常，都能够获得目标位置，提高机器人路径导航和规划的准确性和效率。性和效率。性和效率。

【技术实现步骤摘要】
机器人运动控制方法、装置、计算设备和存储介质


[0001]本专利技术涉及计算机领域，特别涉及一种机器人运动控制方法、装置、计算设备和存储介质。

技术介绍

[0002]机器人在进行物流运输或者定点导航的过程中，通常需要对行走的路径进行规划，从而确定到达的目标位置。目前，机器人大多采用位于机器人底部且平行于地面的下视摄像机来识别二维码信息，根据识别的二维码信息定位当前位置。
[0003]然而，采用下视摄像机识别二维码信息以对机器人进行导航的方式，在二维码出现脏污破损、二维码在场地中布置位置不准确或者下视摄像机精度较低等情况下，存在无法准确识别二维码导致机器人无法移动至目标位置的问题。因此，亟需一种提高机器人路径规划准确性的方法。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种机器人运动控制方法。本专利技术同时涉及一种机器人运动控制装置、一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
[0005]根据本说明书实施例的第一方面，提供了一种机器人运动控制方法，应用于机器人，机器人设有视觉传感器，该方法包括：
[0006]获取视觉传感器采集的运动场景图像；
[0007]将运动场景图像输入标识识别模型，识别目标标识，其中，标识识别模型基于多个标识样本训练得到，标识样本包括正常标识样本和异常标识样本，异常标识样本包括基于正常标识样本利用生成对抗网络生成的标识样本；
[0008]获得目标标识的目标位置信息；
[0009]基于目标位置信息，运动至目标标识所在的目标位置。
[0010]根据本专利技术实施例的第二方面，提供了一种机器人运动控制装置，配置于机器人，机器人设有视觉传感器，该装置包括：
[0011]第一获取模块，被配置为获取视觉传感器采集的运动场景图像；
[0012]识别模块，被配置为将运动场景图像输入标识识别模型，识别目标标识，其中，标识识别模型基于多个标识样本训练得到，标识样本包括正常标识样本和异常标识样本，异常标识样本包括基于正常标识样本利用生成对抗网络生成的标识样本；
[0013]第二获取模块，被配置为获得目标标识的目标位置信息；
[0014]运动模块，被配置为基于目标位置信息，运动至目标标识所在的目标位置。
[0015]根据本专利技术实施例的第三方面，提供了一种计算设备，包括：存储器和处理器；
[0016]存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，计算机可执行指令被处理器执行时实现本专利技术实施例第一方面提供的方法。
[0017]根据本专利技术实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现本专利技术实施例第一方面提供的方法。
[0018]本专利技术提供的机器人运动控制方法，应用于机器人，机器人设有视觉传感器，获取视觉传感器采集的运动场景图像；将运动场景图像输入标识识别模型，识别目标标识，其中，标识识别模型基于多个标识样本训练得到，标识样本包括正常标识样本和异常标识样本，异常标识样本包括基于正常标识样本利用生成对抗网络生成的标识样本；获得目标标识的目标位置信息；基于目标位置信息，运动至目标标识所在的目标位置。
[0019]如此，通过获取视觉传感器采集的运动场景图像，基于标识识别模型识别运动场景图像中的目标标识，能够获得目标标识的目标位置信息并运动至目标标识所在的目标位置。基于正常标识样本利用生成对抗网络生成异常标识样本，能够增加异常标识样本的样本数量，提高标识识别模型对异常标识的识别能力，通过正常标识样本和异常标识样本训练标识识别模型，能够使得标识识别模型识别出运动场景图像中的目标标识，并且无论目标标识正常还是异常，都能够获得目标标识的目标位置信息，从而使机器人根据目标位置信息运动至目标标识所在的目标位置，避免目标标识异常的情况下，无法准确识别目标标识导致机器人无法定位目标位置，提高了机器人路径规划和导航的准确性和效率。
附图说明
[0020]图1是本专利技术一实施例提供的一种机器人运动控制方法的流程图；
[0021]图2是本专利技术一实施例提供的一种机器人运动控制方法的处理流程示意图；
[0022]图3是本专利技术一实施例提供的一种机器人运动控制装置的结构示意图；
[0023]图4是本专利技术一实施例提供的一种计算设备的结构框图。
具体实施方式
[0024]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但是本专利技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施的限制。
[0025]在本专利技术一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术一个或多个实施例。在本专利技术一个或多个实施例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，本专利技术一个或多个实施例中使用的术语“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。
[0026]应当理解，尽管在本专利技术一个或多个实施例中可能采用术语第一、第二等来描述各种信息，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，在不脱离本专利技术一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。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”。
[0027]首先，对本专利技术一个或多个实施例涉及的名词术语进行解释。
[0028]AMR(Autonomous Mobile Robot)自主移动机器人：是指自主性很强的移动机器人，能对环境中各种动态变化做出自己的合理反应，通常包括自动避障、自动识别货物、货
架、停靠工位等等。
[0029]BEV空间(Bird's Eye View空间)：目标视角空间，是移动方向前方的一个鸟瞰区域，是一种用于描述感知世界的视角或坐标系。
[0030]视觉传感器：是指对目标物进行图像采集，以获得图像数据的传感器。
[0031]目前，AMR大多采用朝下的视觉相机来识别二维码，AMR可以接收任务处理指令，移动至对应的任务处理位置，根据朝下的视觉相机识别任务处理位置处的二维码以获取机器人当前所处位置，在当前位置的任务处理完成后，可以根据任务处理指令，移动至下一个任务处理位置。
[0032]由于朝下的视觉相机通常安装在机器人底部，与地面平行的位置处，相机安装高度较低导致相机视野偏小，能够采集的真实场景中的视觉图像包括的面积较小，这就要求机器人对于二维码的采集位置必须非常准确，导致机器人严重依赖前一个二维码的定位结果，一旦前一个二维码在场地布置时误差较大或者识别精度较低，会导致机器人到下一个码时，由于二维码无法出现在相机视野，机器人无法踩上码本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人运动控制方法，其特征在于，应用于机器人，所述机器人设有视觉传感器，所述方法包括：获取所述视觉传感器采集的运动场景图像；将所述运动场景图像输入标识识别模型，识别目标标识，其中，所述标识识别模型基于多个标识样本训练得到，所述标识样本包括正常标识样本和异常标识样本，所述异常标识样本包括基于所述正常标识样本利用生成对抗网络生成的标识样本；获得所述目标标识的目标位置信息；基于所述目标位置信息，运动至所述目标标识所在的目标位置。2.根据权利要求1所述的方法，其特征在于，在所述将所述运动场景图像输入标识识别模型，识别目标标识之前，还包括：获取第一样本集，其中，所述第一样本集包括多个正常标识样本和多个异常标识样本，所述异常标识样本包括基于所述正常标识样本利用生成对抗网络生成的标识样本；利用所述多个正常标识样本和所述多个异常标识样本，对初始的标识识别模型进行训练，获得训练后的标识识别模型。3.根据权利要求2所述的方法，其特征在于，所述获取第一样本集，包括：获取多个正常标识样本；将所述多个正常标识样本输入预先训练的生成对抗网络，生成所述多个正常标识样本对应的多个异常标识样本；根据所述多个正常标识样本和所述多个异常标识样本组成第一样本集。4.根据权利要求2或3所述的方法，其特征在于，在所述将所述多个正常标识样本输入预先训练的生成对抗网络，生成所述多个正常标识样本对应的多个异常标识样本之前，还包括：获取多个训练样本对，其中，所述训练样本对包括正常标识样本和所述正常标识样本对应的标签异常标识样本；将所述正常标识样本输入初始的生成对抗网络，生成预测异常标识样本；根据所述标签异常标识样本和所述预测异常标识样本，计算损失值；根据所述损失值调整所述生成对抗网络的网络参数，直至达到预设训练条件，获得训练完成的生成对抗网络。5.根据权利要求2所述的方法，其特征在于，在所述利用所述多个正常标识样本和所述多个异常标识样本，对初始的标识识别模型进行训练，获得训练后的标识识别模型之前，还包括：获取第二样本集，其中，所述第二样本集包括第一预设数量的第一已标注样本，所述第一已标注样本携带对应的第一标注结果；根据所述第一已标注样本和所述第一标注结果，训练得到初始的标识识别模型。6.根据权利要求5所述的方法，其特征在于，在所述训练得到初始的标识识别模型之后，还包括：从所述第二样本集中除所述第一已标注样本以外的未标注样本中，提取第二预设数量的第二未标注样本；将所述第二未标注样本输入所述初始的标识识别模型，获得第一预测结果；
生成校准指令，以指示所述标注对象对所述第一预测结果进行校准，获得所述第二未标注样本的第二标注结果；根据所述第二未标注样本和对应的第二标注结果，训练所述初始的标识识别模型。7.根据权利要求6所述的方法，其特征在于，在所述训练所述初始的标识识别模型之后，还包括：从所述第二样本集中除所述第一已标注样本和所述第二未标注样本以外的未标注样本中，提取第三预设数量的第三未标注样本；将所述第三未标注样本输入所述初始的标识识别模型，获得第二预测结果，其中，所述第二预测结...

【专利技术属性】
技术研发人员：孙志雄，陈超，
申请(专利权)人：北京极智嘉科技股份有限公司，
类型：发明
国别省市：