机器人的异常检测方法、装置、电子设备及存储介质与流程

1.本技术涉及智能机器人技术领域，具体涉及机器人的异常检测方法、装置、电子设备及存储介质。


背景技术：

2.目前，在很多领域，智能机器人都可以替代人工为人类提供服务，根据用户的选择命令，执行任务，例如，配送物品、引路、迎宾、陪护等等。
3.机器人在执行任务的途中，有时会遇到障碍物无法继续前行，或者机器人在乘坐电梯的过程中，因为网络异常或者人员拥挤等原因导致无法出梯，这都将导致机器人无法继续执行任务。
4.现有技术中，若机器人发生异常，会自动向运维平台告警，由运维人员进行处理。
5.但是，有时机器人因某种原因发生异常后，其自身并不知道发生了异常，例如，机器人在乘梯时，因为网络信号的延迟，机器人接收到电梯到达目标楼层的信息后出梯，而实际上电梯并没有在目标楼层停靠，这将会导致机器人出错楼层，位置丢失，而机器人并不知道自己出错楼层，也就不会向运维平台告警，运维人员将无法及时获知机器人的异常情况。
6.这就需要运维人员实时监控机器人的运行状况，当执行任务的机器人数量较多的情况下，运维人员可能无法兼顾所有的机器人，不能及时排查机器人的异常状况，导致机器人的工作效率低等问题。
7.因此，有必要对现有技术予以改良以克服现有技术中的所述缺陷。


技术实现要素：

8.本技术的目的在于提供一种机器人的异常检测方法、装置、电子设备及存储介质，用于解决目前机器人因为发生异常，导致无法继续执行任务的问题。
9.本技术的目的是通过以下技术方案实现：
10.第一方面，提供一种机器人的异常检测方法，包括：
11.获取不同机器人执行当前任务的任务信息；
12.接收各所述机器人发送的当前运行状态信息；
13.将各机器人的所述任务信息和所述当前运行状态信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果；
14.若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理；
15.其中，所述异常检测模型是使用多组训练数据进行训练得到的，每组所述训练数据均包括机器人执行任务的样本历史任务信息、样本历史运行状态信息和标签，所述标签指示机器人是否发生运行异常。
16.可选地，根据本技术第一方面实施例所述的异常检测方法，所述异常检测模型为长短期记忆网络+判别器构成的神经网络模型。
17.可选地，根据本技术第一方面实施例所述的异常检测方法，所述将各机器人的所
述任务信息和当前运行状态信息分别输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果，包括：
18.将所述任务信息输入所述长短期记忆网络，得到机器人当前时刻的运行状态预测结果；
19.将所述运行状态预测结果和机器人发送的当前运行状态信息输入所述判别器，得到所述机器人是否发生运行异常的检测结果。
20.可选地，根据本技术第一方面实施例所述的异常检测方法，还包括训练异常检测模型的步骤：
21.获取所述多组训练数据；
22.将所述训练数据输入预先构建的初始网络模型，得到机器人运行异常的预测结果；
23.基于所述预测结果与所述标签之间的差异，对所述初始网络模型的模型参数进行迭代训练，得到所述异常检测模型。
24.可选地，根据本技术第一方面实施例所述的异常检测方法，所述发送异常告警信息，包括：
25.确定发生运行异常的机器人所在的工作区域；
26.将所述异常告警信息发送至所述工作区域对应的运维管理平台。
27.第二方面，提供一种机器人的异常检测装置，包括
28.信息获取模块，用于获取不同机器人执行当前任务的任务信息；
29.信息接收模块，用于接收各所述机器人发送的当前运行状态信息；
30.运行检测模块，用于将各机器人的所述任务信息和所述当前运行状态信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果；
31.异常告警模块，用于若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理；
32.其中，所述异常检测模型是使用多组训练数据进行训练得到的，每组所述训练数据均包括机器人执行任务的样本历史任务信息、样本历史状态参数和标签，所述标签指示机器人是否发生运行异常。
33.可选地，根据本技术第二方面实施例所述的异常检测装置，所述异常检测模型为长短期记忆网络+判别器构成的神经网络模型；所述运行检测模块，包括：
34.第一输入单元，用于将所述任务信息、机器人上一时刻的运行状态信息输入所述长短期记忆网络，得到机器人当前时刻的运行状态预测结果；
35.第二输入单元，用于将所述运行状态预测结果与获取到的机器人当前的当前运行状态信息输入判别器进行比对，得到所述机器人是否发生运行异常的检测结果。
36.可选地，根据本技术第二方面实施例所述的异常检测装置，所述异常告警模块发送异常告警信息包括：
37.确定发生运行异常的机器人所在的工作区域；
38.将所述异常告警信息发送至所述工作区域对应的运维管理平台。
39.第三方面，提供一种电子设备，包括处理器和存储器，其中，所述存储器中存储有计算机程序，所述计算机程序在被处理器执行时，用以实现本技术第一方面任一实施例所
述方法的步骤。
40.第四方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时，用以实现本技术第一方面任一实施例所述方法的步骤。
41.与现有技术相比，本技术具有如下有益效果：本技术的异常检测方法通过将任务信息输入预先训练好的异常检测模型中，通过异常检测模型对每个机器人的运行状态进行检测，当检测到机器人发生运行异常时，发送告警信息到运维管理平台，提醒运维人员处理。本技术的异常检测方法可以同时监测多个机器人的运行状况，并及时排查机器人的异常状况，使运维人员能够及时处理，提高了机器人异常检测的效率，并进一步提高机器人的工作效率，而且不需要运维人员时刻监测每个机器人的运行状态，减少了运维人员的工作量。
附图说明
42.图1是本技术一个实施例提供的异常检测系统的系统构架图；
43.图2是本技术一个实施例提供的异常检测方法的流程图；
44.图3是本技术一个实施例提供的长短期记忆模型的示意图；
45.图4是本技术一个实施例提供的通过异常检测模型得到机器人异常检测结果的流程图；
46.图5是本技术一个实施例提供的异常检测装置的结构框图；
47.图6是本技术一个实施例提供的电子设备的结构框图。
48.图中，101-云监控平台，102-运维管理平台，103-机器人，104-服务器。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.图1是本技术一个实施例提供的能够实现本技术异常检测方法和装置的系统架构图，如图1所示，本技术实施例的能够实现异常检测方法和装置的系统架构包括：
51.云监控平台101，云监控平台用于实时监控机器人在执行任务的过程中是否发生运行异常。
52.本实施例的云监控平台中设置有训练好的异常检测模型，在监控过程中，获取机器人执行任务的任务信息，接收机器人的当前运行状态信息，将上述的任务信息和当前运行状态信息输入异常检测模型中，得到机器人是否发生运行异常的运行检测结果。
53.如果运行检测结果显示为运行异常，则发送异常告警信息给运维管理平台102。
54.运维管理平台102，接收云监控平台101发送的异常告警信息，对机器人103的异常情况进行处理，保证机器人继续执行任务。
55.机器人103，与云监控平台101和运维管理平台102建立通信连接，向云监控平台101发送当前运行状态信息。
56.服务器104，向机器人103下发任务指令，并发送任务信息给运维管理平台102。
57.本实施例的云监控平台101和运维管理平台102可以是计算机、ipad、手机等智能
设备，也可以是服务器。
58.本实施例异常检测方法的具体实施过程可以在云监控平台101中执行，本实施例的异常检测方法将在下文详述。
59.实施例1：
60.图2给出了本技术一个实施例提供的异常检测方法的流程图，本实施例异常检测方法的执行主体为图1所示系统架构中的云监控平台101，下面以云监控平台101为执行主体，对本技术实施例的异常检测方法进行说明。
61.如图2所示，本实施例的异常检测方法，至少包括：
62.s201：获取不同机器人执行当前任务的任务信息。
63.具体地，本实施例的任务信息是服务器104为各机器人103分配任务，下发任务指令后，将任务指令对应的任务信息发送给云监控平台101的。
64.本实施例的任务信息包括机器人执行任务的运行轨迹信息等，可以理解的，任务信息还可以包括机器人运行场景的参数信息，当然，其他实时方式中，还可以包括机器人当前执行何种任务。
65.例如，机器人u在工作区域p执行配送任务，运行轨迹信息可以包括：机器人u从等待点a移动至取货点b取货，从取货点b移动至目标点c送货，返回等待点a等等，运行场景的参数信息可以包括：a点到b点、b点到c点的距离信息等。
66.s202：接收各机器人发送的当前运行状态信息。
67.具体地，本实施例的当前运行状态信息是机器人在执行任务的过程中，每一次发生运行状态的变化后，发送给云监控平台101的。
68.机器人的运行状态指的是机器人在执行当前任务过程中的任务执行状态，例如，机器人执行乘梯任务时，当前的运行状态可以是进入电梯轿厢、已出梯等；机器人执行配送任务时，当前的运行状态可以是配送途中、取货中等等。
69.s203：将各机器人的所述任务信息和当前运行状态信息分别输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果。
70.s204：若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理。
71.具体地，云监控平台101设置有训练好的异常检测模型，将任务信息和当前运行状态信息输入异常检测模型，得到机器人是否发生运行异常的检测结果。
72.可选地，本实施例的异常检测模型为长短期记忆网络(long-shortterm memory,lstm)+判别器构成的神经网络模型。
73.图4给出了本技术一个实施例提供的步骤s202的具体实现方法的流程图，如图4所示，步骤s203的具体实现方法，包括：
74.s2031：将任务信息、机器人上一时刻的运行状态信息输入长短期记忆网络，得到机器人当前时刻的运行状态预测结果；
75.s2032：将运行状态预测结果与接收到的机器人当前运行状态信息输入判别器，得到机器人是否发生运行异常的检测结果。
76.lstm模型属于本领域比较熟知的神经网络模型，本实施例简单介绍lstm模型的结构和原理，不做详细介绍。lstm模型是一种时间递归神经网络，适合于处理和预测时间序列
中间隔和延迟相对较长的重要事件。图3给出了本技术一个实施例提供的lstm模型示意图，如图3所示，在t时刻，lstm的输入有三个：当前时刻网络的输入值x
t
，上一时刻lstm的输出值h
t-1
，上一时刻的单元状态c
t-1
。lstm的输出有两个：当前时刻lstm的输出值h
t
，当前时刻的单元状态c
t
。
77.本实施例中判别器可以是通过训练卷积神经网络得到的判别式模型，判别式模型是直接对条件概率p(y|x；θ)建模的，判别式模型属于本领域比较熟知的技术，在此不再详述。判别式模型也可以采用逻辑回归模型、线性回归模型等。
78.本实施例通过lstm模型可以预测机器人执行任务过程中当前时刻的运行状态。通过判别式模型可以对机器人运行状态的检测结果进行分类，判别机器人是否发生运行异常。
79.本实施例将任务信息输入lstm模型，lstm模型输出机器人当前时刻的运行状态预测结果。将当前时刻的运行状态预测结果与云监控平台接收到的机器人当前运行状态信息输入判别器，通过判别器的运算处理，输出机器人是否发生运行异常的检测结果。
80.以机器人执行乘梯任务为例，将乘梯任务信息(可以包括电梯速度信息等)、机器人上一时刻的运行状态信息(例如，进入电梯轿厢内)输入lstm模型后，如果经过lstm模型预测，得到机器人的当前运行状态应该为在目标楼层出梯。
81.但是，如果云监控平台并未接收到机器人在目标楼层出梯的信息，而只收到机器人在电梯轿厢内的信息，则可以得到机器人的当前运行状态依然为在电梯轿厢内的预测结果。此时，经过判别器，可以判定机器人发生运行异常。
82.当然，机器人当前也有可能已经被人为恶意推出至电梯轿厢外，但是这种情况下，机器人本身并不会发送信息给云监控平台，云监控平台并无法获知该状态，依然认为机器人处于电梯轿厢内。但是，无论机器人当前处于何种状态，只要云监控平台没有接收到机器人在目标楼层出梯的信息，就可以认为机器人发生运行异常。
83.或者，机器人在错误的楼层出梯，虽然云监控平台接收到了机器人在目标楼层出梯的信息，但是，机器人的实际出梯时刻与lstm模型预测的出梯时刻会有较大偏差，判别器依然也可以判定机器人发生运行异常。例如，机器人在10:02出梯，但是依据电梯的运行速度，lstm模型预测当前时刻机器人的运行状态应该还是在电梯轿厢内，因此，判别器就可以判定机器人发生运行异常。
84.因此，只要云监控平台接收到机器人当前时刻的当前运行状态信息与预测结果不一致，就可以判定机器人发生运行异常。
85.本实施例的异常检测模型是使用多组训练数据进行训练得到的，每组训练数据均包括机器人执行任务的样本历史任务信息、样本历史运行状态信息和标签，其中，标签指示机器人是否发生运行异常。
86.可选地，本实施例训练异常检测模型的步骤包括：
87.获取多组训练数据；将训练数据输入预先构建的初始网络模型，得到机器人运行异常的预测结果；基于预测结果与标签之间的差异，对初始网络模型的模型参数进行迭代训练，得到异常检测模型。
88.当然，异常检测模型也可以选择其他的神经网络模型，本实施例对神经网络模型的具体类型不做限定。lstm和卷积神经网络都属于本领域技术人员比较熟知的技术，在此
不再赘述。
89.步骤s204中，当判别器输出的检测结果为机器人发生运行异常时，云监控平台首先确定发生运行异常的机器人所在的工作区域，并将异常告警信息发送至该工作区域对应的运维管理平台，其中的异常告警信息可以是文字信息、语音信息等，运维人员接收到异常告警信息之后，对机器人及时进行异常处理。
90.综上所述，本技术的异常检测方法通过将任务信息输入预先训练好的异常检测模型中，通过异常检测模型对每个机器人的运行状态进行检测，当检测到机器人发生运行异常时，发送告警信息到运维管理平台，提醒运维人员处理。本技术的异常检测方法可以同时监测多个机器人的运行状况，并及时排查机器人的异常状况，使运维人员能够及时处理，提高了机器人异常检测的效率，并进一步提高机器人的工作效率，而且不需要运维人员时刻监测每个机器人的运行状态，减少了运维人员的工作量。
91.实施例2
92.图5给出了本技术一个实施例提供的异常检测装置的结构框图，如图5所示，本实施例异常检测装置，包括：
93.信息获取模块，用于获取不同机器人执行当前任务的任务信息；
94.信息接收模块，用于接收各所述机器人发送的当前运行状态信息；
95.运行检测模块，用于将各机器人的所述任务信息和所述当前运行状态信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果；
96.异常告警模块，用于若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理；
97.其中，所述异常检测模型是使用多组训练数据进行训练得到的，每组所述训练数据均包括机器人执行任务的样本历史任务信息、样本历史状态参数和标签，所述标签指示机器人是否发生运行异常。
98.可选地，本实施例的所述异常检测模型为长短期记忆网络+判别器构成的神经网络模型；所述运行检测模块，包括：
99.第一输入单元，用于将所述任务信息、机器人上一时刻的运行状态信息输入所述长短期记忆网络，得到机器人当前时刻的运行状态预测结果；
100.第二输入单元，用于将所述运行状态预测结果与接收到的机器人当前运行状态信息输入判别器，得到所述机器人是否发生运行异常的检测结果。
101.可选地，所述异常告警模块发送异常告警信息包括：
102.确定发生运行异常的机器人所在的工作区域；
103.将所述异常告警信息发送至所述工作区域对应的运维管理平台。
104.本实施例提供的异常检测装置与实施例1对应的异常检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
105.需要说明的是：上述实施例中提供的异常检测装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要将上述功能分配由不同的功能模块完成，即将异常检测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
106.实施例3
107.本技术实施例还提供一种电子设备，图6是本技术一个实施例提供的电子设备的
结构框图，如图6所示，该电子设备包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序，以实现异常检测方法实施例的相关步骤；其中：
108.处理器，可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmablel ogic array，可编程逻辑阵列)中的至少一种硬件形式来实现。
109.存储器，可以包括高速随机存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、内存器件、或其他易失性固态存储器件。
110.本实施例的存储器中存储有计算机程序，所述计算机程序可在所述处理器上运行，所述处理器执行所述计算机程序时，可以实现本技术异常检测方法或上述异常检测装置相关实施例中的所有或部分实施步骤，和/或文本中描述的其他内容。
111.本领域技术人员可以理解，图6仅仅是本技术实施例的一种可能的实现方式，其他实施方式中，还可以包括更多或更少的部件，或者组合某些部件，或者不同部件，本实施例对此不作限定。
112.本技术还提供一种计算机存储介质，所述计算机存储介质上存储有程序，所述程序被处理器执行时，用以实现异常检测方法实施例的步骤。
113.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
114.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种机器人的异常检测方法，其特征在于，包括：获取不同机器人执行当前任务的任务信息；接收各所述机器人发送的当前运行状态信息；将各机器人的所述任务信息和所述当前运行状态信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果；若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理；其中，所述异常检测模型是使用多组训练数据进行训练得到的，每组所述训练数据均包括机器人执行任务的样本历史任务信息、样本历史运行状态信息和标签，所述标签指示机器人是否发生运行异常。2.根据权利要求1所述的异常检测方法，其特征在于，所述异常检测模型为长短期记忆网络+判别器构成的神经网络模型。3.根据权利要求2所述的异常检测方法，其特征在于，所述将各机器人的所述任务信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果，包括：将所述任务信息、机器人上一时刻的运行状态信息输入所述长短期记忆网络，得到机器人当前时刻的运行状态预测结果；将所述运行状态预测结果和接收到的机器人当前运行状态信息输入所述判别器，得到所述机器人是否发生运行异常的检测结果。4.根据权利要求2或3所述的异常检测方法，其特征在于，所述方法还包括训练所述异常检测模型的步骤：获取所述多组训练数据；将所述训练数据输入预先构建的初始网络模型，得到机器人是否发生运行异常的预测结果；基于所述预测结果与所述标签之间的差异，对所述初始网络模型的模型参数进行迭代训练，得到所述异常检测模型。5.根据权利要求1所述的异常检测方法，其特征在于，所述发送异常告警信息，包括：确定发生运行异常的机器人所在的工作区域；将所述异常告警信息发送至所述工作区域对应的运维管理平台。6.一种机器人的异常检测装置，其特征在于，包括信息获取模块，用于获取不同机器人执行当前任务的任务信息；信息接收模块，用于接收各所述机器人发送的当前运行状态信息；运行检测模块，用于将各机器人的所述任务信息和所述当前运行状态信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果；异常告警模块，用于若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理；其中，所述异常检测模型是使用多组训练数据进行训练得到的，每组所述训练数据均包括机器人执行任务的样本历史任务信息、样本历史状态参数和标签，所述标签指示机器人是否发生运行异常。7.根据权利要求6所述的异常检测装置，其特征在于，所述异常检测模型为长短期记忆网络+判别器构成的神经网络模型；所述运行检测模块，包括：
第一输入单元，用于将所述任务信息、机器人上一时刻的运行状态信息输入所述长短期记忆网络，得到机器人当前时刻的运行状态预测结果；第二输入单元，用于将所述运行状态预测结果和接收的机器人当前运行状态信息输入所述判别器，得到所述机器人是否发生运行异常的检测结果。8.根据权利要求6所述的异常检测装置，其特征在于，所述告警模块发送异常告警信息包括：确定发生运行异常的机器人所在的工作区域；将所述异常告警信息发送至所述工作区域对应的运维管理平台。9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器中存储有计算机程序，所述计算机程序在被处理器执行时，用以实现权利要求1-5任一项所述方法的步骤。10.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器执行时，用以实现权利要求1-5任一项所述方法的步骤。

技术总结
本申请涉及一种机器人的异常检测方法、装置、电子设备及存储介质，其中，方法包括：获取不同机器人执行任务的任务信息；接收各机器人发送的当前运行状态信息；将各机器人的所述任务信息和当前运行状态信息输入预先训练好的异常检测模型，得到机器人是否发生运行异常的检测结果；若所述检测结果为发生运行异常，则发送异常告警信息，以提醒运维人员处理。本申请的异常检测方法能够同时监测多个机器人的运行状态，及时发现各机器人是否发生运行异常，解决现有技术中通过运维人员监测机器人的异常状况，不能及时发现运行异常状况的问题。不能及时发现运行异常状况的问题。不能及时发现运行异常状况的问题。


技术研发人员：陈琳
受保护的技术使用者：苏州优智达机器人有限公司
技术研发日：2022.11.22
技术公布日：2023/9/23