[发明专利]一种机器人及其跟随方法和系统

说明书

技术领域

本发明涉及机器人人工智能领域，尤其涉及一种机器人及其跟随方法和系统。

背景技术

目前市面上的跟随机器人或者跟随系统多采用单独基于视觉系统，或者单独基于UWB传感器定位跟踪，或者基于人体骨骼进行人体跟踪。

基于人体骨骼可以通过Kinect/或者其他双目传感器识别出人体的骨架。这种跟随方式识别速率较低，一般需要目标缓慢行走才能跟踪上，而且当目标区域有多个人出现时会出现干扰。造成跟踪错误。

基于UWB(超宽带、脉冲无线电)的传感器定位跟踪方式是通过UWB技术，由于UWB是无线电磁波，遮挡对它影响比较大。当在UWB基站与被测模块之间存在遮挡的情况下，对测量结果影响比较大。定位跟踪效果不稳定。存在目标跳动问题。

基于视觉的跟踪定位方式是通过视觉传感器识别出设置好的跟踪物体，在当存在遮挡的情况下会存在跟踪丢失的情况。再进行查找就很难跟踪上。有些产品是需要被跟踪目标佩戴相应视觉传感器，通过无线信号传输给机器人，通过与自身采集的图像信息进行比对，进行位置导航定位。这种方法给用户带来很多不便，需要用户佩戴视觉传感器。进行视觉slam存在计算量大，存在累计误差的问题。

发明内容

针对上述技术问题，本发明实施例提供了一种机器人及其跟随方法和系统，以解决需跟随目标消失后无法继续进行跟踪的问题。

本发明实施例的第一方面提供一种机器人跟随方法，包括如下步骤：

图像获取步骤，图像传感器实时采集机器人前方的图像；

视觉跟踪步骤，利用深度学习框架模型对图像传感器获取的图像进行识别检测，检测出需跟随的目标，并进行跟踪；

定位步骤，在目标丢失后，检测是否存在UWB信号；若存在，则进行UWB定位，确定目标所在的方位后控制机器人转向该方位，并返回视觉跟踪步骤；若不存在，则进行蓝牙定位，确定目标所在的方位后控制机器人转向该方位，并返回视觉跟踪步骤。

所述的机器人跟随方法，其中，所述视觉跟踪步骤具体包括：

预先利用需跟随目标的数据集进行深度学习训练，得到训练好的深度学习框架模型；

所述深度学习框架模型对图像传感器采集的图像进行目标识别，将识别出的目标图像传送给视觉跟踪算法模块；

视觉跟踪算法模块对所述目标图像进行特征提取，将第一帧目标图像提取的特征作为后续进行匹配的参考图像；对第二帧目标图像进行特征提取及匹配，匹配出需跟随目标的位置，并控制机器人对目标进行跟踪。

所述的机器人跟随方法，其中，所述UWB定位包括：

预设至少三个UWB基站，需跟随目标携带的第一定位标签与各个UWB基站进行测距，得到需跟随目标的位置；机器人携带的第二定位标签与各个UWB基站进行测距，得到机器人的位置；

根据需跟随目标的位置和机器人的位置得到需跟随目标相对于机器人的方位。

所述的机器人跟随方法，其中，所述蓝牙定位包括：

四个蓝牙模块接收需跟随目标发出的蓝牙信号；所述四个蓝牙模块分别设置在机器人的四个不同方位；

比较四个蓝牙模块接收的蓝牙信号的强弱，接收到信号强度最大的蓝牙信号的蓝牙模块所对应的方位为需跟随目标的方位。

本发明实施例的第二方面提供一种机器人跟随系统，包括：

图像传感器，用于实时采集机器人前方的图像；

视觉跟踪模块，用于利用深度学习框架模型对图像传感器获取的图像进行识别检测，检测出需跟随的目标，并进行跟踪；

UWB定位模块，用于在目标丢失后，检测是否存在UWB信号；若存在，则进行UWB定位，确定目标所在的方位后控制机器人转向该方位；若不存在，则启动蓝牙定位模块；

蓝牙定位模块，用于进行蓝牙定位，确定目标所在的方位后控制机器人转向该方位。

所述的机器人跟随系统，其中，所述视觉跟踪模块包括：

由需跟随目标的数据集进行深度学习训练得到的深度学习框架模型；所述深度学习框架模型用于对图像传感器采集的图像进行目标识别，将识别出的目标图像传送给视觉跟踪算法模块；

所述视觉跟踪算法模块，用于对所述目标图像进行特征提取，将第一帧目标图像提取的特征作为后续进行匹配的参考图像；对第二帧目标图像进行特征提取及匹配，匹配出需跟随目标的位置，并控制机器人对目标进行跟踪。

所述的机器人跟随系统，其中，所述UWB定位模块包括：

第二定位标签，用于接收和发射UWB信号；