扫地机器人的行驶控制方法及装置、扫地机器人与流程

本发明涉及机器人领域，具体而言，涉及一种扫地机器人的行驶控制方法及装置、扫地机器人。

背景技术：

传统扫地机器人需要依靠红外传感器或者超声波技术来进行扫地机器人和障碍物的距离，从而避开障碍物，重新规划设计路线，但是，对于较小的待清洁物往往会检测不到，这样会导致有诸多测量盲区或清洁盲区，影响清洁效果。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种扫地机器人的行驶控制方法及装置、扫地机器人，以至少解决相关技术中扫地机器人存在测量盲区或清洁盲区的技术问题。

根据本发明实施例的一个方面，提供了一种地机器人的行驶控制方法，包括：获取扫地机器人所在空间的空间图像信息，其中，上述空间图像信息中包括待清扫的目标对象；获取上述空间图像信息中上述目标对象的位置信息；依据上述空间图像信息和上述位置信息确定上述扫地机器人的第一行驶路线，并控制上述扫地机器人按照上述第一行驶路线行驶。

可选地，依据上述空间图像信息和上述位置信息确定上述扫地机器人的第一行驶路线包括：将上述空间图像信息和上述位置信息作为预设模型的输入，确定与上述空间图像信息和上述位置信息对应的第一行驶路线，其中，上述预设模型为使用第一数据库中的多组数据通过机器学习训练得到的，上述第一数据库中多组数据中的每组数据均包括：空间图像信息和目标对象的位置信息以及与上述空间图像信息和目标对象的位置信息对应的第一行驶路线。

可选地，上述目标对象包括：第一类对象和第二类对象，其中，上述第一类对象包括：上述空间图像信息中靠近障碍物的目标对象；上述第二类对象为上述目标对象中除上述第一类对象之外的目标对象；

可选地，控制上述扫地机器人按照上述第一行驶路线行驶的过程中，上述方法还包括：检测上述行驶路线中是否存在上述第一类对象；在确定存在上述第一类对象时，获取第二行驶路线，其中，上述第二行驶路线中不经过上述第一类对象；确定上述第一行驶路线和第二行驶路线的优先级；从上述第一行驶路线和上述第二行驶路线中选择优先级最高的行驶路线作为上述扫地机器人的行驶路线。

可选地，确定上述第一行驶路线和第二行驶路线的优先级，包括：获取上述第一类对象所属的清扫类型，其中，上述清扫类型用于反映清扫上述第一类对象的难度等级；在上述第一类对象对应的难度等级大于预设阈值时，确定上述第一行驶路线的优先级低于上述第二行驶路线的优先级。

可选地，上述难度等级越大，清扫与上述难度等级对应的第一类对象所需要的时间越长。

可选地，在选择第二行驶路线作为上述扫地机器人的行驶路线时，上述方法还包括：在上述扫地机器人与上述障碍物的距离小于预设阈值时，进行告警；并在绕过障碍物后，继续按照上述第二行驶路线行驶。

可选地，获取扫地机器人所在空间的空间图像信息，包括：获取在上述空间中多个位置设置的图像采集装置采集的多个图像；将上述多个图像进行组合，得到上述空间图像信息。

根据本发明实施例的另一个方面，提供了一种扫地机器人的行驶控制装置，包括：第一获取模块，用于获取扫地机器人所在空间的空间图像信息，其中，上述空间图像信息中包括待清扫的目标对象；第二获取模块，用于获取上述空间图像信息中上述目标对象的位置信息；控制模块，用于依据上述空间图像信息和上述位置信息确定上述扫地机器人的第一行驶路线，并控制上述扫地机器人按照上述第一行驶路线行驶。

根据本发明实施例的另一个方面，提供了一种扫地机器人，包括：图像采集装置，用于获取扫地机器人所在空间的空间图像信息，其中，上述空间图像信息中包括待清扫的目标对象；处理器，用于获取上述空间图像信息中上述目标对象的位置信息；依据上述空间图像信息和上述位置信息确定上述扫地机器人的第一行驶路线，并控制上述扫地机器人按照上述第一行驶路线行驶。

根据本发明实施例的另一个方面，提供了一种存储介质，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行以上所述的扫地机器人的行驶控制方法。

根据本发明实施例的另一个方面，提供了一种处理器，其特征在于，上述处理器用于运行程序，其中，上述程序运行时执行以上所述的扫地机器人的行驶控制方法。

在本发明实施例中，采用图像识别技术，利用扫地机器人所在空间的空间图像信息和待清洁的目标对象的位置信息确定扫地机器人的第一行驶路线，并控制扫地机器人按照第一行驶路线行驶的方式，从而避免了清扫盲区和距离测量盲区，进而解决了相关技术中扫地机器人存在测量盲区或清洁盲区的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种扫地机器人结构示意图；

图2是根据本发明实施例的一种扫地机器人的行驶控制方法的流程示意图；

图3是根据本发明实施例的一种扫地机器人的行驶控制装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：

像素：是计算机屏幕上所能显示的最小单位，用来表示图像的单位，指可以显示出的水平和垂直像素的数组，屏幕中的像素点越多，画面的分辨率越高，图像就越细腻和逼真；像素点：指像素的数值。

二值化：是指对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内容，可以简单的分为前景与背景，先对彩色图进行处理，使图片只有前景信息与背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图了。

CNN：卷积神经网络，是指描述了对输入图像的操作，输出一组描述图像内容的分类或分类的概率，即对输入的图像进行识别，以输出图像中的对象的概率；通过一系列卷积层级建构出更为抽象的概念，包括建立多个神经元，并建立对应的输入层和输出层，从而将输入的节点通过神经元不断关联，得到优化对象，一般会包括卷积层、过滤层，通过前向传导、损失函数、后向传导、以及函数更新作为一个学习周期，对每一训练图片，程序将重复固定数目的周期过程，以不断优化训练学习结果。

以图搜图：是指在获取到图像后，通过深度学习对结果进行排序，并通过用户记录的三元组数据(查询图片、点击图片和未点击图片)来训练模型的排序损失函数，从而得到排序结果，在输入一张图像后，模型会自动检测出主体，然后按照排序分数高低排出相关对象的结果。

迁移学习：实质是图像匹配，通过迁移学习将模型应用在各个领域中，具体是数据库中的图片的矢量表示X通过线性变换迁移到别的领域的图像X1上，通过引用随机傅里叶函数，将迁移变换转变为非线性函数，然后得到需要的图像。

朴素贝叶斯：是指给一张图片，可以返回对象分类，将图片识别作为一个简单的态度，以得到相应的对象。

依存语法：是指构建主词与描述主词的词之间的关系，依存语法中没有词组这个层次，每一个结点都与句子中的单词相对应，能直接处理句子中词与词之间的关系，以便于分析和信息提取。

决策树：是指根据特征进行分类，每个节点提出一个问题，将数据分为两类，并继续提问，这些问题是在已有的数据上学习训练的，以在投入新数据时，根据数据所在的树上的问题，将数据划分到对应的叶子上。

深度学习：是机器学习中一种基于对数据进行表征学习的方法，概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，含多隐层的多层感知器就是一种深度学习结构。

KNN算法：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。

根据本发明实施例，提供了一种扫地机器人，如图1所示，该扫地机器人包括：

图像采集装置10，用于获取扫地机器人所在空间的空间图像信息，其中，空间图像信息中包括待清扫的目标对象；

处理器12，用于获取空间图像信息中目标对象的位置信息；依据空间图像信息和位置信息确定扫地机器人的第一行驶路线，并控制扫地机器人按照第一行驶路线行驶

基于上述扫地机器人的结构，根据本发明实施例，提供了一种扫地机器人的行驶控制当否的方法实施例，该方法可以应用于图1所示结构，但不限于此。需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本发明实施例的一种扫地机器人的行驶控制方法的流程示意图，如图2所示，该方法包括如下步骤：

步骤S202，获取扫地机器人所在空间的空间图像信息，其中，空间图像信息中包括待清扫的目标对象；

步骤S204，获取空间图像信息中目标对象的位置信息；

可选地，上述目标对象包括：第一类对象和第二类对象，其中，第一类对象包括：空间图像信息中靠近障碍物的目标对象；第二类对象为目标对象中除第一类对象之外的目标对象。例如，第一类对象包括但不限于：靠近墙壁或门的待清洁物等。其中，“靠近”的含义可以表现为待清洁物与障碍物的距离小于预设距离，该预设距离可以根据实际情况灵活设定，例如，1cm、2cm、3cm等。

作为本申请的一个可选实施例，在控制扫地机器人按照第一行驶路线行驶的过程中，还可以执行以下过程：检测行驶路线中是否存在第一类对象；在确定存在第一类对象时，获取第二行驶路线，其中，第二行驶路线中不经过第一类对象；确定第一行驶路线和第二行驶路线的优先级；从第一行驶路线和第二行驶路线中选择优先级最高的行驶路线作为扫地机器人的行驶路线。其中，上述检测过程可以采用传统的红外或超声波的方式检测，在采用传统方式和图像识别技术确定的路线冲突时，可以考虑两者的优先级，其中，该优先级可以通过以下方式确定：获取第一类对象所属的清扫类型，其中，清扫类型用于反映清扫第一类对象的难度等级；在第一类对象对应的难度等级大于预设阈值时，确定第一行驶路线的优先级低于第二行驶路线的优先级。上述清洁难度包括但不限于：清扫待清洁对象时所占用的时间。例如，难度等级越大，清扫与难度等级对应的第一类对象所需要的时间越长。该时间可以依据经验获得，或者，采用机器学习的方式确定。

采用上述两种方式设计行驶路线，可以实现传统方式和智能方式的互补。

在一个可选实施例中，在选择第二行驶路线作为扫地机器人的行驶路线时，如果遇到比较难以清扫的对象时，即在扫地机器人与障碍物的距离小于预设阈值时，进行告警；并在绕过障碍物后，继续按照第二行驶路线行驶。

步骤S206，依据空间图像信息和位置信息确定扫地机器人的第一行驶路线，并控制扫地机器人按照第一行驶路线行驶。

可选地，依据空间图像信息和位置信息确定扫地机器人的第一行驶路线可以通过以下方式实现：将空间图像信息和位置信息作为预设模型的输入，确定与空间图像信息和位置信息对应的第一行驶路线，其中，预设模型为使用第一数据库中的多组数据通过机器学习训练得到的，第一数据库中多组数据中的每组数据均包括：空间图像信息和目标对象的位置信息以及与空间图像信息和目标对象的位置信息对应的第一行驶路线。

可选地，可以通过以下方式获取扫地机器人所在空间的空间图像信息：获取在空间中多个位置设置的图像采集装置采集的多个图像；将多个图像进行组合，得到空间图像信息。

本申请实施例中，可以在设置有上述扫地机器人的房间内的指定区域设置一个或多个图像采集装置，(例如，摄像头)，本申请中对于摄像头的设置位置不做限定，例如，以上述扫地机器人设置在普通居民家庭为例，可以但不限于在客厅的房屋顶部的各个方向，分别设置一个摄像头。

在一个可选实施例中，图像采集装置也可以设置在扫地机器人上，例如，设置在扫地机器人侧面。也可以设置在其他家电设备上的图像采集装置，例如，设置在空调或冰箱等家电设备上。

通过设置在不同位置的摄像头可以分别采集所在区域的空间图像，在采集图像时，可以是每隔预设时间段(例如，每隔一分钟)拍摄一次图像，然后根据上述图像分析产生当前区域的状态信息(例如待清洁的赃物的多少)，并依据上述状态信息确定上述扫地机器人的控制指令，进而依据上述控制指令控制上述扫地机器人是否开始工作。

需要说明的是，本申请中对于拍摄的图像的类别不做限定，包括但不限于：黑白图像(灰度图像)、彩色图像(RGB图像)。在分析图像时，可以根据二值化图像处理方式分析图像中的信息，具体的，在分析时，可以对图像中多个像素点与历史图像中的像素点位置进行比较，以确定出存在差异的像素点，然后将存在差异的像素点区分出来，得到图像中是否存在油烟的图像信息。

其中，可以利用CNN算法，从拍摄到的图像信息中提取出目标对象的多个特征信息，在提取时，可以将图像中输入至神经网络中，以通过建立相应的神经元，并根据神经元之间的预设函数(如Sigmoid函数)确定图像特征和图像特征映射，从而根据确定的特征映射，输出图像的多个特征。另外，在分析图像差异时，可以采用深度学习，建立第一预设模型之后，可以利用以图搜图的方法搜索数据库中与当前拍摄图像相似的图像，并提取出图像中目标对象的特征信息，此外，还可以使用朴素贝叶斯算法提取目标对象的特征信息。

在分析空间图像中的目标对象时，可以利用深度学习或者KNN算法，将图像信息中存在相同特征的图像信息滤除，以得到存在差异的特征信息，进而得到目标对象的图像信息与模板图像的差异信息。例如，在拍摄到空间图像信息，将图像信息与预定模板图像进行比较，若判断出图像中并未存在目标对象，则可以不启动扫地机器人，如果该扫地机器人处于开启状态，还可以选择关闭该抽扫地机器人；若判断出存在目标对象，则可以根据目标对象的分布状态确定扫地机器人的控制指令。

本申请在分析包含目标对象的空间图像时，可以但不限于采用以图搜图的方式，将模型中与当前图像有相似特征的图像提取出来，并通过迁移学习算法，确定出最接近的图像。而在目标对象的分布状态信息对应的扫地机器人的控制指令，并依据上述控制指令控制上述扫地机器人的工作状态时，可以通过KNN算法提取出上述控制指令对应的扫地机器人的工作状态。

图3是根据本发明实施例的一种扫地机器人的行驶控制装置的结构示意图。如图3所示，该扫地机器人的行驶控制装置，包括：

第一获取模块30，用于获取扫地机器人所在空间的空间图像信息，其中，空间图像信息中包括待清扫的目标对象；

第二获取模块32，用于获取空间图像信息中目标对象的位置信息；

控制模块34，用于依据空间图像信息和位置信息确定扫地机器人的第一行驶路线，并控制扫地机器人按照第一行驶路线行驶。

此外，仍需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

通过上述方案，可以实现避免清扫盲区和距离测量盲区的效果，进而解决了相关技术中扫地机器人存在测量盲区或清洁盲区的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述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。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。