基于人流估计的机器人路径规划方法、装置、介质和设备与流程

基于人流估计的机器人路径规划方法、装置、介质和设备
【技术领域】
1.本发明涉及机器人领域，尤其涉及一种基于人流估计的机器人路径规划方法、装置、介质和设备。


背景技术：

2.移动机器人尤其是服务机器人，需要在运动中与人进行交互，因此对机器人进行路径规划时需要对行人的运动行为进行提前预判并避让，同时避让过程中不能影响机器人的运行效率。
3.目前普遍采用激光雷达对行人进行避障，激光雷达能够准确稳定的估计出环境的障碍物信息，同时估计出障碍物与机器人的距离值，但是当采用激光雷达进行人流避让时激光雷达只能够将行人当作是普通的障碍物，无法识别和区分出行人和其他的障碍物，而行人相对普通障碍物是一个具有特定模式的运动物体，因此现有基于激光雷达的路径规划方式难以满足机器人的路径规划需求。


技术实现要素：

4.本发明提供了一种基于人流估计的机器人路径规划方法、装置、介质和设备，解决了以上所述的难以对行人进行识别并针对人流进行机器人路径规划的技术问题。
5.第一方面，本发明提供了一种基于人流估计的机器人路径规划方法，包括以下步骤：
6.步骤1，对场景中每个行人的位置信息进行检测和跟踪，生成检测跟踪结果；
7.步骤2，根据预设运动模型并基于所述检测跟踪结果实时预测每个行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果；
8.步骤3，对每个位置预测结果中所述位置坐标分别设置不同的损失权重，并基于a*算法以及所有行人的位置预测结果对机器人的当前移动路径进行规划，以对每个行人进行避让。
9.在一个优选实施方式中，机器人上安装有摄像头，所述对场景中每个行人的位置信息进行检测和跟踪，生成检测跟踪结果具体包括以下步骤：
10.s101，获取所述摄像头采集到的多帧行人图像；
11.s102，采用预设目标检测模型对每帧行人图像中所有行人进行识别和标记，并生成每个行人的特征向量以及每个行人在空间的绝对坐标；
12.s103，计算不同行人图像中两个行人对应特征向量的距离值以及所述两个行人的像素距离正则项，并基于所述距离值和所述像素距离正则项生成不同行人图像中行人的最优匹配结果；
13.s104，根据所述行人的最优匹配结果将每个行人对应的所述绝对坐标按照时间顺序进行排序，并将每个排序结果和对应行人进行绑定生成所述检测跟踪结果。
14.在一个优选实施方式中，步骤s103采用预设匹配模型生成不同行人图像中行人的
最优匹配结果，所述预设匹配模型为：
15.i＝argmini(similarity(i)+regulation(i))，
16.其中similarity为不同行人图像中两个行人对应特征向量的距离值，regulation为所述两个行人的像素距离正则项；两帧行人图像中所述特征向量距离值与所述像素距离正则项之和最小的两个目标行人被匹配为同一人。
17.在一个优选实施方式中，所述生成每个行人在空间的绝对坐标具体包括以下步骤：
18.s1021，采用预设目标检测模型对每帧行人图像中的所有行人进行识别和标记，生成每个行人对应的检测框以及行人在所述检测框的像素坐标；
19.s1022，根据所述摄像头的相机参数将每个行人在检测框的像素坐标转换为对应行人在空间的相对坐标；
20.s1023，获取机器人在空间的实时定位坐标，并基于所述实时定位坐标将行人的所述相对坐标转换为行人在空间的绝对坐标。
21.在一个优选实施方式中，所述对场景中每个行人的位置信息进行检测和跟踪，生成检测跟踪结果还包括以下步骤：将每帧行人图像中每个行人的检测框信息、特征向量信息以及绝对坐标信息绑后加入待匹配的行人信息池，并通过调用所述行人信息池的对应信息进行不同帧行人图像的行人匹配和绝对坐标排序。
22.在一个优选实施方式中，所述预测每个行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果具体包括以下步骤：
23.s201，采用预设方法获取每帧行人图像中行人对应的深度信息；
24.s202，基于所述深度信息将所述检测跟踪结果中每个行人在空间的绝对坐标转换为对应行人的世界坐标；
25.s203，获取所述行人在多个连续时刻的世界坐标，基于预设卡尔曼估计方法生成对应行人的当前速度信息和加速度信息，并采用预设匀加速运动模型实时预测对应行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果。
26.在一个优选实施方式中，步骤3中，所述位置坐标对应的时间节点距离当前时刻越近，所述位置坐标的损失权重越高。
27.本发明实施例的第二方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上所述的基于人流估计的机器人路径规划方法。
28.本发明实施例的第三方面提供了一种基于人流估计的机器人路径规划设备，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于人流估计的机器人路径规划方法的步骤。
29.本发明实施例的第四方面提供了一种基于人流估计的机器人路径规划装置，包括检测跟踪模块、预测模块和路径规划模块，
30.所述检测跟踪模块用于对场景中每个行人的位置信息进行检测和跟踪，生成检测跟踪结果；
31.所述预测模块用于根据预设运动模型并基于所述检测跟踪结果实时预测每个行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果；
32.所述路径规划模块用于对每个位置预测结果中所述位置坐标分别设置不同的损
失权重，并基于a*算法以及所有行人的位置预测结果对机器人的当前移动路径进行规划，以对每个行人进行避让。
33.本发明的有益效果在于：本发明提供了一种基于人流估计的机器人路径规划方法、装置、介质和设备，通过对实时检测跟踪到的行人进行轨迹预测，并对于行人的预测轨迹进行损失计算，从而为机器人规划出能够提前避让人流的移动路径，不仅方便机器人对目标行人的交互空间合理避让，而且保证了机器人的工作效率。
34.为使发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。
【附图说明】
35.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
36.图1是实施例1提供的基于人流估计的机器人路径规划方法的流程示意图；
37.图2是实施例2提供的基于人流估计的机器人路径规划装置的结构示意图；
38.图3是实施例3提供的基于人流估计的机器人路径规划设备的结构示意图。
【具体实施方式】
39.为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
40.图1是实施例一提供的基于人流估计的机器人路径规划方法的流程示意图，如图1所示，所述方法包括以下步骤：
41.步骤1，对场景中每个行人的位置信息进行检测和跟踪，生成检测跟踪结果。具体来说，行人的识别与跟踪可以采用多种传感器进行，比如可以使用摄像头对行人进行识别与跟踪，可以使用3d激光雷达进行点云的分割从而对行人识别与跟踪，也可以通过摄像头和3d激光雷达等传感器进行数据融合得到行人识别跟踪结果。一个优选实施例中，通过设置在机器人上的摄像头采集行人图像，并对行人图像进行基于神经网络模型的识别，从而实现行人追踪，具体包括以下步骤：
42.s101，获取所述摄像头采集到的多帧行人图像。
43.s102，采用预设目标检测模型对每帧行人图像中所有行人进行识别和标记，并生成每个行人的特征向量以及每个行人在空间的绝对坐标。
44.这里预设目标检测模型为已经通过历史行人图像训练完成的模型，所采用的目标检测算法包括ssd(single shot multibox detector)目标检测算法、yolo目标检测算法、faster rcnn目标检测算法等等。首先通过设置在机器人上的摄像头采集连续的多帧行人图像，然后通过以上预设目标检测模型分别对每帧行人图像进行识别，得到该行人图像中所有行人的矩形检测框(u1,v1,u2,v2)，这里u1,v1,u2,v2分别为所述矩形检测框的左上角坐标和右下角坐标。同时，通过该预设目标检测模型还可以得到每个行人的特征向量，比如
颜色特征、纹理梯度特征、轮廓特征等等，从而通过这些特征向量判断不同图像中所框选的行人是否为同一人。这些目标检测模型的训练方法和识别方法在相关技术文件中已经存在记载，在此不进行详细说明。
45.需要说明的是，这里矩形检测框的坐标(u1,v1,u2,v2)为行人图像中行人像素点的像素坐标，在进行后续行人追踪前，需要将像素坐标转换为每个行人在空间的绝对坐标，即每个行人相对所述机器人的坐标。一个优选实施例中，上述坐标转换过程包括以下步骤：
46.s1021，采用预设目标检测模型对每帧行人图像中的所有行人进行识别和标记，生成每个行人对应的检测框以及行人在所述检测框的像素坐标(u1,v1,u2,v2)。
47.s1022，根据所述摄像头的相机参数将每个行人在检测框的像素坐标(u1,v1,u2,v2)转换为对应行人在空间的相对坐标(x，y)。此坐标转换过程需要利用摄像头的相机参数，主要包括相机内参以及摄像头的安装高度，具体可以采用以下坐标转换公式：
[0048][0049][0050]
这里f
x
、fy分别为摄像头的水平焦距和垂直焦距，hc为摄像头的安装高度，c
x
、cy为摄像头的光心坐标。
[0051]
然后执行s1023，获取机器人本体在空间的实时定位坐标，并基于所述实时定位坐标将行人的相对坐标(x，y)转换为行人在空间中的绝对坐标(x，y)，该绝对坐标即为行人相对所述机器人的坐标。
[0052]
然后执行后续行人追踪步骤，具体为：
[0053]
s103，计算不同行人图像中两个行人对应特征向量的距离值以及所述两个行人的像素距离正则项，并基于所述距离值和所述像素距离正则项生成不同行人图像中行人的最优匹配结果。
[0054]
s104，根据所述行人的最优匹配结果将每个行人对应的所述绝对坐标按照时间顺序进行排序，并将每个排序结果和对应行人进行绑定生成所述检测跟踪结果，该检测追踪结果包括了每个行人在预设时间范围的移动轨迹，即该多帧行人图像对应时间采集范围的移动轨迹。
[0055]
在上述行人追踪步骤中，若没有在任一历史时刻的行人图像中匹配到对应的目标行人，即说明该行人是在本时刻新出现的行人，此时可以创建新的行人编号，并根据后续行人图像中行人的识别和匹配结果生成该行人对应的移动轨迹。
[0056]
上述实施例中，通过计算行人特征向量的距离值和像素距离正则项来进行行人跟踪。具体来说，行人特征向量的距离值通过下述公式进行计算：
[0057]
[0058]
其中(f1,f2)为任意两个行人的特征向量，||f1||为f1的范数值，||f2||为f2的范数值。
[0059]
像素距离正则项通过下述计算公式计算：
[0060]
regulation(i)＝||x
1-x2||2[0061]
其中x1为前一时刻行人图像中行人的像素位置，x2为后一时刻行人图像中待跟踪的候选人的像素位置。
[0062]
然后采用预设匹配模型生成不同行人图像中行人的最优匹配结果，所述预设匹配模型为：
[0063]
i＝argmini(similarity(i)+regulation(i))，
[0064]
其中similarity为不同行人图像中两个行人对应特征向量的距离值，regulation为所述两个行人的像素距离正则项。即两帧行人图像中所述特征向量距离值与所述像素距离正则项之和最小的两个目标行人被匹配为同一人。
[0065]
一个优选实施例中，还可以将每帧行人图像中每个行人的检测框信息(即行人在检测框的像素坐标信息)、特征向量信息以及绝对坐标信息绑定后加入待匹配的行人信息池，这样可以方便在以上行人追踪过程中通过调用所述行人信息池的对应信息进行不同帧行人图像的行人匹配和绝对坐标排序。在其他实施例中，还可以对行人进行编号，并将行人编号信息一并绑定后加入行人信息池，从而更快速、便捷地进行行人匹配。
[0066]
在通过上述步骤得到检测追踪结果后继续执行步骤2，根据预设运动模型并基于所述检测跟踪结果实时预测每个行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果。一个具体实施例中，包括以下步骤：
[0067]
s201，采用预设方法获取每帧行人图像中每个行人对应的深度信息。
[0068]
s202，基于所述深度信息将所述检测跟踪结果中每个行人在空间的绝对坐标转换为对应行人的世界坐标。
[0069]
在进行位置预测前首先需要获取行人的三维位置，即行人的世界坐标。不同的传感器有不同的方法，对于图像传感器，可以通过单目深度估计或者双目深度估计，并利用标定数据和地面几何信息来计算得到行人对应像素的深度信息，而对于3d激光，可以直接从点云信息中获得行人的深度信息，从而基于深度信息将行人相对机器人的坐标转换为行人的世界坐标。
[0070]
一个优选实施例通过标定数据和地面几何信息来计算行人的深度信息。具体来说，轮式机器人在运动时，机器人的底盘是和地面贴合的，因此机器人的摄像头相对于地面的高度以及相对于地面的夹角是可以通过事先标定得到的。利用事先标定的高度信息和角度信息，对于图像中地面上的任意位置，都可以通过几何关系计算得到。而对于行人这个物体，当进行运动时，都是和地面是进行接触的，利用这个原理，可以直接方便的计算出行人与机器人的距离信息。
[0071]
首先，机器人上摄像头的逆投影函数为：
[0072]
x＝proj-1
((u，v))*depth
[0073]
其中u,v为行人图像中任意一个像素的像素坐标，proj为相机投影函数，depth为该像素距离摄像头的深度，x为该像素在三维空间中的对应点。
[0074]
假设通过事先标定得到摄像头距离机器人底盘中心的位置偏移为dt,摄像头相对
于地平面的旋转为r,地平面的方程为z＝0，则该像素距离摄像头的深度满足以下方程：
[0075]
(r*proj-1
((u，v))*depth+dt)z＝0
[0076]
通过求解上述方程就可以得到相应像素距离摄像头的深度信息depth，然后基于该深度信息即可将所述检测跟踪结果中每个行人相对机器人的坐标转换为对应行人的世界坐标，具体转换过程在相关文件中均有记载，在此不进行详细说明。
[0077]
在求解得到每个行人在多个连续时刻的世界坐标后即可执行s203，即，获取所述行人在多个连续时刻的世界坐标，基于预设卡尔曼估计方法生成对应行人的当前速度信息和加速度信息，并采用预设匀加速运动模型实时预测对应行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果。这里的时间节点根据具体场景需求进行设置，比如可以根据预设时间间隔生成相应的时间节点，从而根据运动模型计算每个时间节点的位置坐标。通常来说，当场景需要对机器人进行更加精确的路径规划时，可以将时间间隔设置得较小，从而得到更多的行人连续位置，提高机器人的行人避让效果。在其他实施例中，也可以根据不同天气、不同时段、不同人流量等因素设置变化的时间间隔或者直接预设需要计算行人位置坐标的时间节点，从而更加符合实际场景的应用需求。
[0078]
具体来说，人的轨迹估计可以通过卡尔曼滤波进行估计，其中对于每一个行人的系统状态变量定义如下：
[0079]
xi＝(xi,vi,ai)，其中x为行人的世界坐标，v为行人的运动速度，a为行人的加速度。
[0080]
卡尔曼滤波的传播方程如下：
[0081]
x
i+1
＝f
□
xi，
[0082][0083]
其中，δt为两帧图像的差值时间，f矩阵为转移矩阵。
[0084]
所述卡尔曼滤波的观测方程如下：
[0085]zi+1
＝h*x
ii+1
[0086]
h＝[1 0 0]，
[0087]
其中，h矩阵为观测矩阵。
[0088]
通过上述的卡尔曼估计，可以得到行人的当前速度信息与加速度信息，当需要向未来时刻进行预测时，通过卡尔曼估计得到的速度信息与加速度信息进行匀加速运动模型的向前预测，从而得到对应行人在未来多个时间节点的位置坐标。
[0089]
最后执行步骤3，对每个位置预测结果中所述位置坐标分别设置不同的损失权重，并基于a*算法以及所有行人的位置预测结果对机器人的当前移动路径进行规划，以对每个行人进行避让。a*(a-star)算法是进行机器人路径规划的常用算法，从起点开始，首先遍历起点周围邻近的点，然后再遍历已经遍历过的点邻近的点，逐步的向外扩散，直到找到终点，从而生成规划路径。在搜索过程中，估价函数表达式为：
[0090]
f(n)＝g(n)+h(n)，
[0091]
其中，f(n)表示从初始节点s经过当前所在节点n到达目标节点g的代价估值，g(n)表示从起始节点s到当前节点n的实际代价值，h(n)表示从当前节点n到目标节点g的估计代价值。估计代价值的计算通常用当前节点n和目标节点g这两个节点之间的距离来表示。距离的计算方法有很多种，常见的有欧氏距离计算法、马氏距离计算法和曼哈顿距离计算法等等。
[0092]
由于机器人的地图表达形式是栅格地图，常规的a*算法通过对栅格地图中的障碍物信息计算损失地图，从而得到每个像素的损失。而本发明实施例将行人作为障碍物，并得到每个行人的位置预测结果后，对每个位置预测结果中所述位置坐标分别设置不同的损失权重。由于预测的时间节点距离当前时刻越近，位置预测的精度越高，此时对应位置坐标的损失权重越高；预测的时间节点距离当前时刻越远，位置预测的精度越低，此时对应位置坐标的损失权重越低，从而对每个路径节点计算得到的代价估值越准确，为机器人快速有效的规划出可以避开人流的移动路径。
[0093]
上述实施例提供了一种基于人流估计的机器人路径规划方法，通过对实时检测跟踪到的行人进行轨迹预测，并对于行人的预测轨迹进行损失计算，从而为机器人规划出能够提前避让人流的移动路径，不仅方便机器人对目标行人的交互空间合理避让，而且保证了机器人的工作效率。
[0094]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0095]
本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上所述的基于人流估计的机器人路径规划方法。
[0096]
图2是实施例2提供的基于人流估计的机器人路径规划装置的结构示意图，如图2所示，包括检测跟踪模块100、预测模块200和路径规划模块300，
[0097]
所述检测跟踪模块100用于对场景中每个行人的位置信息进行检测和跟踪，生成检测跟踪结果；
[0098]
所述预测模块200用于根据预设运动模型并基于所述检测跟踪结果实时预测每个行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果；
[0099]
所述路径规划模块300用于对每个位置预测结果中所述位置坐标分别设置不同的损失权重，并基于a*算法以及所有行人的位置预测结果对机器人的当前移动路径进行规划，以对每个行人进行避让。
[0100]
一个优选实施例中，所述检测跟踪模块100具体包括：
[0101]
第一获取单元，用于获取所述摄像头采集到的多帧行人图像；
[0102]
识别单元，用于采用预设目标检测模型对每帧行人图像中所有行人进行识别和标记，并生成每个行人的特征向量以及每个行人在空间的绝对坐标；
[0103]
追踪单元，用于计算不同行人图像中两个行人对应特征向量的距离值以及所述两个行人的像素距离正则项，并基于所述距离值和所述像素距离正则项生成不同行人图像中行人的最优匹配结果；
[0104]
结果生成单元，用于根据所述行人的最优匹配结果将每个行人对应的所述绝对坐标按照时间顺序进行排序，并将每个排序结果和对应行人进行绑定生成所述检测跟踪结
果。
[0105]
一个优选实施例中，所述识别单元具体包括：
[0106]
标记单元，用于采用预设目标检测模型对每帧行人图像中的所有行人进行识别和标记，生成每个行人对应的检测框以及行人在所述检测框的像素坐标；
[0107]
第一坐标转换单位，根据所述摄像头的相机参数将每个行人在检测框的像素坐标转换为对应行人在空间的相对坐标；
[0108]
第二坐标转换单位，获取机器人在空间的实时定位坐标，并基于所述实时定位坐标将行人的所述相对坐标转换为行人在空间的绝对坐标。
[0109]
一个优选实施例中，所述预测模块具体包括：
[0110]
第二获取单元，用于采用预设方法获取每帧行人图像中行人对应的深度信息；
[0111]
第三坐标转换单元，用于基于所述深度信息将所述检测跟踪结果中每个行人在空间的绝对坐标转换为对应行人的世界坐标；
[0112]
位置预测单元，用于获取所述行人在多个连续时刻的世界坐标，基于预设卡尔曼估计方法生成对应行人的当前速度信息和加速度信息，并采用预设匀加速运动模型实时预测对应行人在未来多个时间节点的位置坐标，生成每个行人对应的位置预测结果。
[0113]
上述实施例提供了一种基于人流估计的机器人路径规划装置，通过对实时检测跟踪到的行人进行轨迹预测，并对于行人的预测轨迹进行损失计算，从而为机器人规划出能够提前避让人流的移动路径，不仅方便机器人对目标行人的交互空间合理避让，而且保证了机器人的工作效率。
[0114]
本发明实施例还提供了一种基于人流估计的机器人路径规划设备，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于人流估计的机器人路径规划方法的步骤，在一些实施例中，所述基于人流估计的机器人路径规划设备可以包括机器人或其他智能设备。图3是本发明实施例3提供的基于人流估计的机器人路径规划设备的结构示意图，如图3所示，该实施例的基于人流估计的机器人路径规划设备8包括：处理器80、可读存储介质81以及存储在所述可读存储介质81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个方法实施例中的步骤，例如图1所示的步骤1至步骤3。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块的功能，例如图2所示模块100至300的功能。
[0115]
示例性的，所述计算机程序82可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述可读存储介质81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述基于人流估计的机器人路径规划设备8中的执行过程。
[0116]
所述基于人流估计的机器人路径规划设备8可包括，但不仅限于，处理器80、可读存储介质81。本领域技术人员可以理解，图3仅仅是基于人流估计的机器人路径规划设备8的示例，并不构成对基于人流估计的机器人路径规划设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于人流估计的机器人路径规划设备还可以包括电源管理模块、运算处理模块、输入输出设备、网络接入设备、总线等。
[0117]
所称处理器80可以是中央处理单元(central processing unit，cpu)，还可以是
其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0118]
所述可读存储介质81可以是所述基于人流估计的机器人路径规划设备8的内部存储单元，例如基于人流估计的机器人路径规划设备8的硬盘或内存。所述可读存储介质81也可以是所述基于人流估计的机器人路径规划设备8的外部存储设备，例如所述基于人流估计的机器人路径规划设备8上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述可读存储介质81还可以既包括所述基于人流估计的机器人路径规划设备8的内部存储单元也包括外部存储设备。所述可读存储介质81用于存储所述计算机程序以及所述基于人流估计的机器人路径规划设备所需的其他程序和数据。所述可读存储介质81还可以用于暂时地存储已经输出或者将要输出的数据。
[0119]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0120]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0121]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0122]
在本发明所提供的实施例中，应该理解到，所揭露的装置/设备设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0123]
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网络单元上。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。
[0124]
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。
[0125]
本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。