【技术实现步骤摘要】
本专利技术涉及机器人，特别是涉及一种神经网络模型训练、机器人控制方法及装置、终端、计算机可读存储介质。
技术介绍
1、扫地机器人作为一种新型家用设备，在日常生活中逐渐被越来越多的家庭使用。扫地机器人的移动控制，通常需要经历传感器数据采集、建立地图、路径规划、路径跟踪、底盘控制等若干步骤。
2、在深度强化学习出现后，可以基于深度神经网络基于采集的数据进行速度输出，以便于控制机器人进行路径跟踪。但是需要预先准备足够的训练样本对深度神经网络进行训练。现有的数据采集方式多数是基于虚拟环境进行仿真，而仿真数据和真实数据之间存在着一定的区别。往往仿真数据过于理想，使得训练得到的深度神经网络在应用过程中的适用性不佳。
技术实现思路
1、本专利技术主要解决的技术问题是提供一种模型训练、机器人控制方法及装置、终端、计算机可读存储介质，解决现有技术中深度神经网络适用性不佳的问题。
2、为解决上述技术问题，本专利技术采用的第一个技术方案是：提供一种神经网络模型训练方法，模型训练方法包括：
3、获本文档来自技高网...
【技术保护点】
1.一种神经网络模型训练方法，其特征在于，所述模型训练方法包括：
2.根据权利要求1所述的模型训练方法，其特征在于，
3.根据权利要求2所述的模型训练方法，其特征在于，
4.根据权利要求3所述的模型训练方法，其特征在于，所述工作评价指标包括清扫面积评价值；
5.根据权利要求4所述的模型训练方法，其特征在于，所述工作评价指标包括清扫效率评价值；
6.根据权利要求4所述的模型训练方法，其特征在于，所述数据样本集还包括所述机器人在所述目标时段内各时刻采集的剩余电量；所述工作评价指标包括耗能评价值；
7....
【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，所述模型训练方法包括：
2.根据权利要求1所述的模型训练方法，其特征在于，
3.根据权利要求2所述的模型训练方法，其特征在于，
4.根据权利要求3所述的模型训练方法，其特征在于，所述工作评价指标包括清扫面积评价值；
5.根据权利要求4所述的模型训练方法，其特征在于，所述工作评价指标包括清扫效率评价值；
6.根据权利要求4所述的模型训练方法，其特征在于，所述数据样本集还包括所述机器人在所述目标时段内各时刻采集的剩余电量；所述工作评价指标包括耗能评价值；
7.根据权利要求2～6任一项所述的模型训练方法，其特征在于，所述工作评价指标包括耗能评价值、清扫效率评价值和清扫面积评价值，
8.根据权利要求1所述的模型训练方法，其特征在于，
9.根据权利要求1所述的模型训练...
【专利技术属性】
技术研发人员：王林源，马子昂，刘征宇，
申请(专利权)人：杭州华橙软件技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。