技术领域
[0001] 本申请涉及智能信号处理领域，且更为具体地，涉及一种机器人智能信号采集处理系统及方法。
相关背景技术
[0002] 酒店机器人是一种应用于酒店场景，具备多种功能，旨在为酒店运营和客人服务提供便利的智能设备。酒店是人员密集的场所，为了保证酒店机器人在运行过程中自由行走而不会撞到客人和员工，同时需要避免与酒店的墙壁、家具、设备等设施发生碰撞，酒店机器人需具备良好的避障功能。
[0003] 由于酒店中人员走动频繁、物品摆放多样，环境较为复杂，传统依靠单一传感器的避障方法可能会因为环境中的各种因素而出现误判或漏判的情况，并且每种传感器还都有其探测的的薄弱区域。
[0004] 因此，需要一种机器人智能信号采集处理方案。
具体实施方式
[0024] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0025] 酒店作为一个人员高度密集的场所，每天都有大量的客人和员工穿梭其中。在这样的环境下，酒店机器人的出现为酒店的运营和客人服务带来了极大的便利。酒店机器人能够执行诸如引导客人前往房间、运送客房用品、传递物品等多种任务。然而，要确保这些机器人能够顺利地完成工作，良好的避障功能至关重要。对于客人和员工而言，他们在酒店内的行动路线是不确定的。可能会突然改变方向、停下脚步或者在走廊中驻足交谈。如果酒店机器人没有可靠的避障功能，就很可能与他们发生碰撞，这会严重影响客人的入住体验，甚至可能引发纠纷和投诉。在酒店的物理环境方面，酒店内部有各种各样的设施。酒店机器人在运行过程中，如果不能准确地避开这些设施，就可能会对自身造成损坏，同时也会对酒店的设施造成破坏，给酒店带来经济损失。
[0026] 由于酒店环境具有人员走动频繁、物品摆放多样复杂的特点，这使得传统依靠单一传感器的避障方法存在诸多问题。首先不同类型的传感器都有其自身的探测薄弱区域，使用单一传感器可能产生误判，其次环境中的干扰因素也会影响单一传感器的避障效果。因此，期待一种机器人智能信号采集处理方案。
[0027] 近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为机器人智能信号采集处理提供了新的解决思路和方案。
[0028] 图1为根据本申请实施例的机器人智能信号采集处理方法的流程图。如图1所示，根据本申请实施例的机器人智能信号采集处理方法，包括：S110，获取酒店机器人在移动运行过程中采集的红外探测回波信号和超声探测回波信号；S120，对所述红外探测回波信号和所述超声探测回波信号分别进行信号处理以得到红外探测特征向量和超声探测特征向量；S130，对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合以得到酒店机器人移动运行环境探测特征向量；S140，基于所述酒店机器人移动运行环境探测特征向量，得到所述酒店机器人的避障路径。
[0029] 在步骤S110中，获取酒店机器人在移动运行过程中采集的红外探测回波信号和超声探测回波信号。应可以理解，红外探测回波信号的生成主要依赖于红外传感器。人体和其他热源会发出特定波长的红外线，这些红外线可以被红外传感器捕捉并转化为电信号。当酒店机器人在移动过程中，其搭载的红外传感器会不断扫描周围环境，捕捉到人体、热源等发出的红外线，并生成相应的红外探测回波信号。红外探测回波信号中主要包含环境中热源的位置、强度等信息。由于人体和其他热源发出的红外线波长和强度不同，因此红外传感器可以通过分析这些信号来识别出热源的种类和位置。通过分析红外探测回波信号，酒店机器人可以实时感知到周围环境中热源(如人体)的位置和动态变化，从而及时调整行走路径，避免与热源发生碰撞。超声探测回波信号的生成依赖于超声波传感器。超声波传感器会发出高频声波，这些声波在遇到障碍物时会发生反射，形成回波信号。传感器接收到这些回波信号后，会将其转化为电信号进行处理。超声探测回波信号中主要包含障碍物的距离、形状和位置等信息。通过分析回波信号的强度、时间和频率等参数，可以推断出障碍物的具体位置和形状。通过分析超声探测回波信号来实时感知周围环境中障碍物的位置和形状，从而规划出最优的行走路径。例如，当机器人检测到前方有障碍物时，它会根据障碍物的位置和形状来调整行走方向或速度，以避免与障碍物发生碰撞。总的来说，红外探测回波信号和超声探测回波信号共同为酒店机器人提供了丰富的环境感知信息，使得酒店机器人能够实时感知周围环境中热源和障碍物的位置和动态变化，从而规划出最优的避障路径。
[0030] 在步骤S120中，对所述红外探测回波信号和所述超声探测回波信号分别进行信号处理以得到红外探测特征向量和超声探测特征向量。具体地，图2为根据本申请实施例的机器人智能信号采集处理方法中，对所述红外探测回波信号和所述超声探测回波信号分别进行信号处理以得到红外探测特征向量和超声探测特征向量的流程图。如图2所示，对所述红外探测回波信号和所述超声探测回波信号分别进行信号处理以得到红外探测特征向量和超声探测特征向量，包括：S121，对所述红外探测回波信号进行信号特征提取以得到所述红外探测特征向量；S122，对所述超声探测回波信号进行信号特征提取以得到所述超声探测特征向量。
[0031] 更具体地，图3为根据本申请实施例的机器人智能信号采集处理方法中，对所述红外探测回波信号进行信号特征提取以得到所述红外探测特征向量的流程图。如图3所示，对所述红外探测回波信号进行信号特征提取以得到所述红外探测特征向量，包括：S1211，将所述红外探测回波信号的波形图输入红外信号处理器以得到红外探测特征图；S1212，对所述红外探测特征图进行沿通道维度的各个特征矩阵的最大值池化处理以得到所述红外探测特征向量。
[0032] 在步骤S1211中，将所述红外探测回波信号的波形图输入红外信号处理器以得到红外探测特征图。相应地，考虑到原始采集到的红外探测回波信号往往包含大量的噪声和干扰信息，这些噪声和干扰信息会影响酒店机器人对周围环境的准确感知，为了减弱这些噪声和干扰信息，并从红外探测回波信号提取出有用的特征信息，进而为后续的避障路径规划提供更为准确的数据支持，在本申请的技术方案中，需要将所述红外探测回波信号的波形图输入红外信号处理器进行处理。需要说明的是，本申请中红外信号处理器指的是使用通道注意力机制的卷积神经网络模型。这种模型能够自动地从输入的红外探测回波信号波形图中提取有用的特征信息，并生成红外探测特征图。应可以理解，通道注意力机制能够根据特征的重要性程度改变资源分配方式，使资源更多地向重要的特征倾斜。对于红外探测来说，这意味着酒店机器人可以更准确地识别出环境中的热源和潜在障碍物，而不会被其他无关的信息所干扰。
[0033] 在步骤S1212中，对所述红外探测特征图进行沿通道维度的各个特征矩阵的最大值池化处理以得到所述红外探测特征向量。相应地，考虑到红外探测特征图包含了丰富的环境信息，但其中也包含了一些冗余和不必要的细节信息。这些冗余信息可能会增加后续处理的复杂性和计算量，同时也可能影响机器人对周围环境的准确感知，为了降低数据维度、减少计算量以及提取更为关键的特征信息，基于此，在本申请的技术方案中对所述红外探测特征图进行沿通道维度的各个特征矩阵的最大值池化处理以得到所述红外探测特征向量。
[0034] 更具体地，图4为根据本申请实施例的机器人智能信号采集处理方法中，对所述超声探测回波信号进行信号特征提取以得到所述超声探测特征向量的流程图。如图4所示，对所述超声探测回波信号进行信号特征提取以得到所述超声探测特征向量，包括：S1221，将所述超声探测回波信号的波形图输入超声信号处理器以得到超声探测特征图；S1222，对所述超声探测特征图进行沿通道维度的各个特征矩阵的最大值池化处理以得到所述超声探测特征向量。
[0035] 在步骤S1221中，将所述超声探测回波信号的波形图输入超声信号处理器以得到超声探测特征图。应可以理解，超声探测技术通过向周围环境发射超声波并接收其反射回来的信号，可以获取周围环境的距离、形状、结构等信息。为了从超声探测回波信号的波形图提取到有用的特征信息，进而更好地表征酒店机器人在移动运行时的环境变化，需要将所述超声探测回波信号的波形图输入超声信号处理器进行处理。需要说明的是，本申请中超声信号处理器为深度可分离卷积神经网络模型。本领域普通技术人员应该知晓，深度可分离卷积神经网络模型是一种轻量级的卷积神经网络结构，它将传统的卷积操作分解为深度卷积和逐点卷积两个部分，这种结构能够显著减少模型的计算量和参数量，同时保持较好的性能。这在面对超声探测回波信号的波形图这种输入数据时，可以更快地提取它的特征信息，提高实时性，并且由于深度可分离卷积神经网络模型的计算效率和模型复杂度较低，更适用于在嵌入式系统中运行，这使得酒店机器人能够在资源受限的环境下仍然保持较好的环境感知性能。
[0036] 在步骤S1222中，对所述超声探测特征图进行沿通道维度的各个特征矩阵的最大值池化处理以得到所述超声探测特征向量。应可以理解，超声探测特征图通常包含大量的数据点，这些数据点代表了不同的特征信息。池化处理通过选取每个特征矩阵中的最大值，将特征图在通道维度上进行压缩，从而降低了数据的维度。随着数据维度的降低，后续处理步骤所需的计算量也会相应减少，这有助于提高整个系统的处理速度和效率。并且最大值池化保留的是每个特征矩阵中的最大值，这些最大值通常代表了最显著或最重要的特征，通过提取关键特征并去除冗余信息，能够帮助酒店机器人更准确地识别环境中的障碍物和目标，从而提高其避障和导航的精度。
[0037] 在步骤S130中，对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合以得到酒店机器人移动运行环境探测特征向量。应可以理解，红外探测和超声探测在原理和应用上具有一定的互补性。红外探测主要依赖于物体发射的红外辐射，能够感知物体的温度和热辐射特性，适用于检测热源和温度差异。而超声探测则通过发射和接收超声波来感知物体的距离和形状，对物体的材质和表面特性不敏感。为了综合利用它们各自的优势，提供更全面、更准确的环境信息，可以融合所述红外探测特征向量和所述超声探测特征向量。通过融合这两个特征向量，酒店机器人可以更准确地感知周围环境中的障碍物和目标。这有助于提高避障的精度和可靠性，减少与障碍物的碰撞风险。
[0038] 特别地，考虑到红外探测和超声探测是两种不同的物理探测技术，它们在探测原理、信号特性以及环境适应性等方面存在显著差异，这些差异导致了经过这两种技术采集到的信号经过提取生成的红外探测特征向量和超声探测特征向量之间存在较为显著的特征异质性。并且由于所述红外探测特征向量和所述超声探测特征向量来自不同的特征空间，它们的特征流形(特征空间的几何结构)可能不匹配。这意味着在融合过程中，不同特征向量之间的关联性和互补性可能无法得到有效利用，导致融合后的特征向量无法充分表达原始特征空间的信息。除此之外，理想的特征融合应该保持特征流形的平滑度，即融合后的特征向量在特征空间中的变化应该是连续和平滑的。但由于这两个向量之间存在特征异质性，导致融合后的特征向量可能在某些区域出现不连续或突变，这会影响特征表达的准确性。基于此，在本申请的技术方案中，对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合以得到酒店机器人移动运行环境探测特征向量。
[0039] 具体地，在本申请实施例中，对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合以得到酒店机器人移动运行环境探测特征向量，包括：构造所述红外探测特征向量和所述超声探测特征向量之间的酒店机器人移动运行环境探测距离拓扑矩阵；构造所述红外探测特征向量和所述超声探测特征向量之间的酒店机器人移动运行环境探测特征值粒度关联矩阵；基于所述酒店机器人移动运行环境探测距离拓扑矩阵对所述酒店机器人移动运行环境探测特征值粒度关联矩阵进行拓扑关联调制以得到酒店机器人移动运行环境探测拓扑调制关联矩阵；以所述酒店机器人移动运行环境探测拓扑调制关联矩阵作为视角共投影空间，将所述红外探测特征向量和所述超声探测特征向量投影到所述视角共投影空间以得到视角调制红外探测特征向量和视角调制超声探测特征向量；融合所述视角调制红外探测特征向量和所述视角调制超声探测特征向量以得到所述酒店机器人移动运行环境探测特征向量。
[0040] 在本申请实施例中，对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合以得到酒店机器人移动运行环境探测特征向量的另一种表达方式可以为：以如下公式对所述红外探测特征向量和所述超声探测特征向量进行处理，从而得到酒店机器人移动运行环境探测特征向量；其中，所述公式为：
[0041] Mt＝D(V1,V2)
[0042]
[0043] Vc＝α·V1′+β·V2′
[0044] 其中，V1表示所述红外探测特征向量，V2表示所述超声探测特征向量，D(V1,V2)为所述红外探测特征向量和所述超声探测特征向量之间的酒店机器人移动运行环境探测距离拓扑矩阵，即di,j＝d(v1i,v2j)，di,j为所述酒店机器人移动运行环境探测距离拓扑矩阵中(i,j)位置的特征值，d(v1i,v2j)表示计算所述红外探测特征向量的第i位置的特征值和所述超声探测特征向量的第j位置的特征值的距离，且V1和V2均为列向量，Mt表示所述酒店机器人移动运行环境探测距离拓扑矩阵，T表示向量的转置， 表示矩阵乘法，Mv表示所述酒店机器人移动运行环境探测特征值粒度关联矩阵，exp表示自然指数函数，Mc表示所述酒店机器人移动运行环境探测拓扑调制关联矩阵，V1′表示所述视角调制红外探测特征向量，V2′表示所述视角调制超声探测特征向量，α和β表示加权超参数，Vc表示所述酒店机器人移动运行环境探测特征向量。
[0045] 也就是，在本申请的技术方案中，对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合，其首先构造所述红外探测特征向量和所述超声探测特征向量之间的酒店机器人移动运行环境探测距离拓扑矩阵。该步骤利用了图论的思想，以所述红外探测特征向量和所述超声探测特征向量中各个位置的特征值作为节点，并利用距离度量函数来确定节点与节点之间的边的低维嵌入表达，以构建能够量化所述红外探测特征向量和所述超声探测特征向量之间的拓扑关联关系的特征表达。该步骤对于理解数据点的空间分布及其相互联系至关重要，同时也为后续步骤提供了基础结构信息。
[0046] 接着，构造所述红外探测特征向量和所述超声探测特征向量之间的酒店机器人移动运行环境探测特征值粒度关联矩阵，该步骤侧重于探索特征向量内部属性之间的相关性。在一个具体的示例中，计算所述红外探测特征向量和所述超声探测特征向量的转置向量之间的乘积以得到所述酒店机器人移动运行环境探测特征值粒度关联矩阵。进而，基于所述酒店机器人移动运行环境探测距离拓扑矩阵对所述酒店机器人移动运行环境探测特征值粒度关联矩阵进行拓扑关联调制以得到酒店机器人移动运行环境探测拓扑调制关联矩阵。也就是，驱动所述红外探测特征向量和所述超声探测特征向量的特征值粒度关联信息在距离拓扑图上进行游走，以构造用于将所述红外探测特征向量和所述超声探测特征向量映射到具有连续高维回归空间属性的低维调制视角共投影空间域。
[0047] 接着，以所述酒店机器人移动运行环境探测拓扑调制关联矩阵作为视角共投影空间，将所述红外探测特征向量和所述超声探测特征向量投影到所述视角共投影空间以得到视角调制红外探测特征向量和视角调制超声探测特征向量。也就是，该技术方案的关键在于寻找具有调制能力的隐性第三空间，在这个空间中保留尽可能多的原始高维数据的信息，这样转换后的新特征向量不仅降低了维度，而且保持了原有特征间的相对位置关系。
[0048] 最终，融合所述视角调制红外探测特征向量和视角调制超声探测特征向量以得到所述酒店机器人移动运行环境探测特征向量。融合可以通过多种形式实现，从简单的算术平均到复杂的集成学习算法不等，具体取决于应用场景及所追求的目标。最终得到的酒店机器人移动运行环境探测特征向量综合了两组输入数据的主要特征，提供了一个更全面的数据表示，这不仅有利于提高机器学习模型的表现，也促进了跨模态或多源数据分析的能力，从而显著增强了对复杂数据结构的理解和利用效率。
[0049] 在步骤S140中，基于所述酒店机器人移动运行环境探测特征向量，得到所述酒店机器人的避障路径。具体地，在本申请实施例中，基于所述酒店机器人移动运行环境探测特征向量，得到所述酒店机器人的避障路径，包括：将所述酒店机器人移动运行环境探测特征向量通过机器人避障路径生成器以得到生成结果，所述生成结果为所述酒店机器人的避障路径。应可以理解，酒店机器人移动运行环境探测特征向量包含了丰富的环境信息，如障碍物的位置、形状、大小以及机器人与障碍物之间的相对距离等。这些信息是机器人进行避障路径规划的基础。然而，原始的特征向量数据是复杂的无法直接用于指导机器人的移动。因此，需要通过机器人避障路径生成器对这些特征向量进行处理和分析，以生成适合机器人移动的避障路径。机器人避障路径生成器是一种深度神经网络模型，通过训练能够对输入的酒店机器人移动运行环境探测特征向量进行解读和转换，从而生成出既安全又高效的避障路径。避障路径为酒店机器人提供了明确的移动方向和路径，使酒店机器人能够按照预定的路线进行自主安全移动。
[0050] 综上所述，基于本申请实施例的机器人智能信号采集处理方法被阐明，其采用基于深度学习的信号处理技术，通过对酒店机器人在移动运行过程中采集的红外探测回波信号和超声探测回波信号进行处理和分析，进而以了解酒店机器人移动运行时的周围环境，并基于移动时的周围环境来智能的生成避障路径。这样，通过综合利用两种探测方式，可以提高酒店机器人对环境感知的准确性和可靠性，进而有利于优化避障路径，提高避障精度。
[0051] 图5为根据本申请实施例的机器人智能信号采集处理系统的系统框图。如图5所示，根据本申请实施例的机器人智能信号采集处理系统100，包括：信号数据采集模块110，用于获取酒店机器人在移动运行过程中采集的红外探测回波信号和超声探测回波信号；信号数据处理模块120，用于对所述红外探测回波信号和所述超声探测回波信号分别进行信号处理以得到红外探测特征向量和超声探测特征向量；信号特征融合模块130，用于对所述红外探测特征向量和所述超声探测特征向量进行基于特征拓扑关联表达的调制视角投影融合以得到酒店机器人移动运行环境探测特征向量；机器人避障路径生成模块140，用于基于所述酒店机器人移动运行环境探测特征向量，得到所述酒店机器人的避障路径。
[0052] 这里，本领域技术人员可以理解，上述机器人智能信号采集处理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的机器人智能信号采集处理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0053] 综上所述，基于本申请实施例的机器人智能信号采集处理系统100被阐明，其采用基于深度学习的信号处理技术，通过对酒店机器人在移动运行过程中采集的红外探测回波信号和超声探测回波信号进行处理和分析，进而以了解酒店机器人移动运行时的周围环境，并基于移动时的周围环境来智能的生成避障路径。这样，通过综合利用两种探测方式，可以提高酒店机器人对环境感知的准确性和可靠性，进而有利于优化避障路径，提高避障精度。
[0054] 如上所述，根据本申请实施例的机器人智能信号采集处理系统100可以实现在各种无线终端中，例如用于机器人智能信号采集处理的服务器等。在一个示例中，根据本申请实施例的机器人智能信号采集处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该机器人智能信号采集处理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该机器人智能信号采集处理系统100同样可以是该无线终端的众多硬件模块之一。
[0055] 替换地，在另一示例中，该机器人智能信号采集处理系统100与该无线终端也可以是分立的设备，并且该机器人智能信号采集处理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0056] 以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述申请的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
[0057] 本申请中诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0058] 另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
[0059] 还需要指出的是，在本申请的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
[0060] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此申请的原理和新颖的特征一致的最宽范围。
[0061] 为了示例和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
