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。

根据本发明实施例，提供了一种基于人工智能的机器人行走方法的方法实施例，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。

实施例一

图1是根据本发明实施例的一种基于人工智能的机器人行走方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取实时位置数据。

具体的，本发明实施例为了通过获取机器人需要行走的终端和起点的位置数据，来计算和分析相对于机器人而言最合理的行走路径，从而驱动机器人的步进电机进行行走，首先，需要根据机器人的定位装置来进行机器人实时位置的定位，并获取相关的坐标位置数据。

需要说明的是，在进行机器人实时定位的时候，可以是根据卫星定位对机器人的实时位置进行确认，也可以是根据其他机器人与该机器人互联而产生的相对位置，来确定具体的实时位置，通过相对位置计算实时位置可以更加精准地得到机器人的位置信息，以便后续进行分析和计算。

可选的，在所述获取实时位置数据之前，所述方法还包括：获取机器人的激活状态。

具体的，为了减少机器人的能源浪费，本发明实施例在机器人通过位置传感器获取机器人实时位置之前，需要先对机器人的运行状态进行判断，即获取机器人的激活状态，其中，上述激活状态可以包括：已激活、未激活。

步骤S104，根据所述实时位置数据，获取机器人的终点数据。

具体的，当机器人获取到了本地实时位置数据之后，需要根据实时位置来获取服务器或用户端设置的终点位置，并将上述终点位置的位置坐标数据进行获取和存储，以便后续进行机器人智能化路径规划之用。

需要说明的是，机器人的终点数据可以是根据机器人的起止点位置来进行确认，也可以是通过机器人历史行走数据，在用户进行偏好设置之后，根据历史数据以及行走模型，确定机器人的终点位置，节省了计算资源，增加了机器人行进的效率。

步骤S106，将所述实时位置数据和所述终点数据输入至行走模型中，生成最优路线。

可选的，在所述将所述实时位置数据和所述终点数据输入至行走模型中，生成最优路线之前，所述方法还包括：训练所述行走模型。

具体的，当本发明实施例获取到了机器人需要行走的起点和终点之后，则可以将上述起点位置坐标数据和终点位置坐标数据输入到行走模型中，进而通过行走模型的输出来生成最优的路线数据。

需要说明的是，行走模型是基于DNN的神经网络模型，在使用行走模型之前需要对行走模型进行成熟度训练，增加模型的可用性和精确度。神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也基本一样，DNN也叫做多层感知机(MLP)。DNN按不同层的位置划分，神经网络层可以分为三类，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。

还需要说明的是，生成机器人的最优路线的过程，可以是根据行走模型来确定行走路，也可以是根据若干机器人行走的历史数据进行规则化分析，并将历史数据中超过一定行走效率阈值的行走路线进行筛选，并结合实际的应用场景，最终选择一条适合此次行走的最优路线。

步骤S108，根据所述最优路线进行机器人行走操作。

具体的，当最优路线确定好之后，机器人会根据确定好的上述最优路线数据启动步进电机进行行走，并在到达终点位置的时候发出提示，以表示机器人已经根据最优路线完成了整个行走任务。

可选的，在所述根据所述最优路线进行机器人行走操作之后，所述方法还包括：将所述最优路线和预估行走时间进行展示。

通过上述实施例，解决了现有技术中当机器人行走的时候，步进电机会根据程序设计来进行传感器识别判断，从而进一步决定如何进行行走，如何规避障碍物的硬性，然而通过上述方法进行的机器人行走操作往往不具备一定的学习性，即每一次机器人的行走过程都是全新的，无规则的，无法适应用户在多次使用同一套机器人系统时的历史数据，降低了使用的效率的技术问题。

实施例二

图2是根据本发明实施例的一种基于人工智能的机器人行走方法的结构框图，如图2所示，该装置包括：

第一获取模块20，用于获取实时位置数据。

具体的，本发明实施例为了通过获取机器人需要行走的终端和起点的位置数据，来计算和分析相对于机器人而言最合理的行走路径，从而驱动机器人的步进电机进行行走，首先，需要根据机器人的定位装置来进行机器人实时位置的定位，并获取相关的坐标位置数据。

需要说明的是，在进行机器人实时定位的时候，可以是根据卫星定位对机器人的实时位置进行确认，也可以是根据其他机器人与该机器人互联而产生的相对位置，来确定具体的实时位置，通过相对位置计算实时位置可以更加精准地得到机器人的位置信息，以便后续进行分析和计算。

可选的，所述装置还包括：第三获取模块，用于获取机器人的激活状态。

具体的，为了减少机器人的能源浪费，本发明实施例在机器人通过位置传感器获取机器人实时位置之前，需要先对机器人的运行状态进行判断，即获取机器人的激活状态，其中，上述激活状态可以包括：已激活、未激活。

第二获取模块22，用于根据所述实时位置数据，获取机器人的终点数据。

具体的，当机器人获取到了本地实时位置数据之后，需要根据实时位置来获取服务器或用户端设置的终点位置，并将上述终点位置的位置坐标数据进行获取和存储，以便后续进行机器人智能化路径规划之用。

需要说明的是，机器人的终点数据可以是根据机器人的起止点位置来进行确认，也可以是通过机器人历史行走数据，在用户进行偏好设置之后，根据历史数据以及行走模型，确定机器人的终点位置，节省了计算资源，增加了机器人行进的效率。

路线模块24，用于将所述实时位置数据和所述终点数据输入至行走模型中，生成最优路线。

可选的，所述装置还包括：训练模块，用于训练所述行走模型。

具体的，当本发明实施例获取到了机器人需要行走的起点和终点之后，则可以将上述起点位置坐标数据和终点位置坐标数据输入到行走模型中，进而通过行走模型的输出来生成最优的路线数据。

需要说明的是，行走模型是基于DNN的神经网络模型，在使用行走模型之前需要对行走模型进行成熟度训练，增加模型的可用性和精确度。神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也基本一样，DNN也叫做多层感知机(MLP)。DNN按不同层的位置划分，神经网络层可以分为三类，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。

还需要说明的是，生成机器人的最优路线的过程，可以是根据行走模型来确定行走路，也可以是根据若干机器人行走的历史数据进行规则化分析，并将历史数据中超过一定行走效率阈值的行走路线进行筛选，并结合实际的应用场景，最终选择一条适合此次行走的最优路线。

行走模块26，用于根据所述最优路线进行机器人行走操作。

具体的，当最优路线确定好之后，机器人会根据确定好的上述最优路线数据启动步进电机进行行走，并在到达终点位置的时候发出提示，以表示机器人已经根据最优路线完成了整个行走任务。

可选的，所述装置还包括：展示模块，用于将所述最优路线和预估行走时间进行展示。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于人工智能的机器人行走方法。

具体的，上述方法包括：获取实时位置数据；根据所述实时位置数据，获取机器人的终点数据；将所述实时位置数据和所述终点数据输入至行走模型中，生成最优路线；根据所述最优路线进行机器人行走操作。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于人工智能的机器人行走方法。

具体的，上述方法包括：获取实时位置数据；根据所述实时位置数据，获取机器人的终点数据；将所述实时位置数据和所述终点数据输入至行走模型中，生成最优路线；根据所述最优路线进行机器人行走操作。

通过上述实施例，解决了现有技术中当机器人行走的时候，步进电机会根据程序设计来进行传感器识别判断，从而进一步决定如何进行行走，如何规避障碍物的硬性，然而通过上述方法进行的机器人行走操作往往不具备一定的学习性，即每一次机器人的行走过程都是全新的，无规则的，无法适应用户在多次使用同一套机器人系统时的历史数据，降低了使用的效率的技术问题。

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。