多机器人协同视觉感知方法、系统、电子设备及存储介质与流程

1.本技术涉及机器人视觉感知技术领域，特别涉及一种多机器人协同视觉感知方法、系统、电子设备及存储介质。


背景技术：

2.目标的识别与跟踪是机器人视觉感知的典型问题，但是大部分研究工作都集中于单机器人下的目标识别与跟踪，对多机器人系统之间协同的目标识别与跟踪研究相对较少，并且由于单机器人的视野有限，可能造成对目标的跟踪识别准确率低的问题，亟待解决。


技术实现要素：

3.本技术提供一种多机器人协同视觉感知方法、系统、电子设备及存储介质，以解决单机器人视野有限造成对目标跟踪识别准确率低问题。
4.本技术第一方面实施例提供一种多机器人协同视觉感知方法，包括以下步骤：获取感兴趣目标的每个特征的测度结果和测度权重；基于所述测度结果和所述测度权重，计算所有个体机器人对所述感兴趣目标的目标识别结果，并根据所述测度结果和所述感兴趣目标的目标真实类别的概率更新所述测度权重；根据所述目标识别结果和所述所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据所述目标识别结果与所述目标真实类别的概率更新所述投票权重；若所述视觉感知结果满足预设感知条件，则持续跟踪识别所述感兴趣目标，否则，停止跟踪识别所述感兴趣目标。
5.可选地，所述基于所述测度结果和所述测度权重计算所有个体机器人对感兴趣目标的目标识别结果，包括：根据第一目标识别公式计算所述目标识别结果，其中，所述第一目标识别公式为：
[0006][0007]
其中，z为感兴趣目标，i为时刻，j为个体机器人的序号，k和k为特征序号，d
i，j，k
(z)和λ
i，j，k
(z)分别为每个特征的测度结果和测度权重，各特征测度权重λ
i，j，k
(z)初始时刻赋予相同数值。
[0008]
可选地，所述根据所述测度结果和所述感兴趣目标的目标真实类别的概率更新所述测度权重，包括：基于第一更新公式更新所述测度权重，其中，所述第一更新公式为：
[0009][0010]
其中，y为z的真实类别，p(y＝sign[d
i，j，k
]|z)为特征的测度结果与目标真实类别一致时的概率，1-p(y＝sign[d
i，j，k
]|z)为特征测度结果与目标真实类别不一致时的概率，d
i，j，k
和λ
i，j，k
分别为每个特征的测度结果和测度权重。
[0011]
可选地，所述根据所述目标识别结果和所述所有个体机器人的投票权重计算多机
器人系统的视觉感知结果，包括：根据第二目标识别公式计算所述多机器人系统的视觉感知结果，其中，所述第二目标识别公式为：
[0012][0013]
其中，vi为视觉感知结果，d
i，j
(z)和w
i，j
(z)分别为每个个体机器人的测度结果和投票权重，j和j均为个体机器人的序号，个体机器人投票权重w
i，j
(z)初始时刻赋予相同数值。
[0014]
可选地，所述根据所述目标识别结果与所述目标真实类别的概率更新所述所有个体机器人的投票权重，包括：基于第二更新公式更新所述所有个体机器人的投票权重，其中，第二更新公式为：
[0015][0016]
其中，p(y＝sign[d
i，j
]|z)为所有个体机器人的目标识别结果与目标真实类别一致时的概率，1-p(y＝sign[d
i，j
]|z)为所有个体机器人目标识别结果与目标真实类别不一致时的概率，d
i，j
(z)和w
i，j
(z)分别为个体机器人的测度结果和投票权重。
[0017]
可选地，所述在持续跟踪识别所述感兴趣目标之后，包括：判断所述目标识别结果与所述视觉感知结果是否一致；若所述所有个体机器人中的部分个体机器人的目标识别结果与所述视觉感知结果不一致，则将所述部分机器人退出投票决策机制，所述所有个体机器人中的剩余个体机器人继续参与所述投票决策机制和跟踪识别所述感兴趣目标。
[0018]
本技术第二方面实施例提供一种多机器人协同视觉感知系统，包括：获取模块，用于获取感兴趣目标的每个特征的测度结果和测度权重；特征融合模块，用于基于所述测度结果和所述测度权重，计算所有个体机器人对所述感兴趣目标的目标识别结果，并根据所述测度结果和所述感兴趣目标的目标真实类别的概率更新所述测度权重；投票决策模块，用于根据所述目标识别结果和所述所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据所述目标识别结果与所述目标真实类别的概率更新所述投票权重；判断模块，用于若所述视觉感知结果满足预设感知条件，则持续跟踪识别所述感兴趣目标，否则，停止跟踪识别所述感兴趣目标。
[0019]
可选地，所述特征融合模块，还用于：根据第一目标识别公式计算所述目标识别结果，其中，所述第一目标识别公式为：
[0020][0021]
其中，z为感兴趣目标，i为时刻，j为个体机器人的序号，k和k为特征序号，d
i，j，k
(z)和λ
i，j，k
(z)分别为每个特征的测度结果和测度权重，各特征测度权重λ
i，j，k
(z)初始时刻赋予相同数值
[0022]
可选地，所述特征融合模块，还用于：基于第一更新公式更新所述测度权重，其中，所述第一更新公式为：
[0023][0024]
其中，y为z的真实类别，p(y＝sign[d
i，j，k
]|z)为特征的测度结果与目标真实类别
一致时的概率，1-p(y＝sign[d
i，j，k
]|z)为特征测度结果与目标真实类别不一致时的概率，d
i，j，k
和λ
i，j，k
分别为每个特征的测度结果和测度权重。
[0025]
可选地，所述投票决策模块，还用于：根据第二目标识别公式计算所述多机器人系统的视觉感知结果，其中，所述第二目标识别公式为：
[0026][0027]
其中，vi为视觉感知结果，d
i，j
(z)和w
i，j
(z)分别为每个个体机器人的测度结果和投票权重，j和j均为个体机器人的序号，个体机器人投票权重w
i，j
(z)初始时刻赋予相同数值。
[0028]
可选地，所述投票决策模块，还用于：基于第二更新公式更新所述所有个体机器人的投票权重，其中，第二更新公式为：
[0029][0030]
其中，p(y＝sign[d
i，j
]|z)为所有个体机器人的目标识别结果与目标真实类别一致时的概率，1-p(y＝sign[d
i，j
]|z)为所有个体机器人目标识别结果与目标真实类别不一致时的概率，d
i，j
(z)和w
i，j
(z)分别为个体机器人的测度结果和投票权重。
[0031]
可选地，所述判断模块，还用于：判断所述目标识别结果与所述视觉感知结果是否一致；若所述所有个体机器人中的部分个体机器人的目标识别结果与所述视觉感知结果不一致，则将所述部分机器人退出投票决策机制，所述所有个体机器人中的剩余个体机器人继续参与所述投票决策机制和跟踪识别所述感兴趣目标。
[0032]
本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的多机器人协同视觉感知方法。
[0033]
本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的多机器人协同视觉感知方法。
[0034]
本技术基于感兴趣目标的每个特征的测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重，若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。由此，解决了单机器人视野有限造成对目标跟踪识别准确率低问题，可以实现多机器人系统在目标识别与跟踪的协同作业，提升多机器人系统视觉感知的整体性能，保证了多机器人系统视觉感知的准确率和自适应能力。
[0035]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0036]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0037]
图1为根据本技术实施例提供的一种多机器人协同视觉感知方法的流程图；
[0038]
图2为根据本技术实施例的多机器人协同视觉感知系统的方框示意图；
[0039]
图3为根据本技术实施例的电子设备结构的示意图。
具体实施方式
[0040]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0041]
下面参考附图描述本技术实施例的多机器人协同视觉感知方法、系统、电子设备及存储介质。针对上述背景技术中心提到的单机器人视野有限造成对目标跟踪识别准确率低的问题，本技术提供了一种多机器人协同视觉感知方法，在该方法中，基于感兴趣目标的每个特征的测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重，若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。由此，解决了单机器人视野有限造成对目标跟踪识别准确率低的问题，赋予系统中的机器人较单独判断更好的效果，保证了多机器人系统视觉感知的准确率和自适应能力。
[0042]
具体而言，图1为本技术实施例所提供的一种多机器人协同视觉感知方法的流程示意图。
[0043]
如图1所示，该多机器人协同视觉感知方法包括以下步骤：
[0044]
在步骤s101中，获取感兴趣目标的每个特征的测度结果和测度权重。在本技术实施例中，感兴趣目标为小车，也可以为其他物体，本领域相关人员可自行设定，特征测度采用h-s特征和hog特征，分别度量感兴趣目标的颜色和形状特征。
[0045]
在本技术实施例中，多机器人系统由三个轮式机器人组成，每个机器人采用两驱动轮和单支撑轮的结构，以差分的方式进行驱动，采用stm32单片机作为移动底盘的核心处理单元，实现对底层信号的处理和电机驱动器的控制，每个机器人以颜色和形状特征为例对感兴趣目标进行识别与跟踪，其中，颜色特征选用h-s直方图作为特征向量，形状特征选用方向梯度直方图(hog)作为特征向量。hsv颜色空间包括色调(hue)、色饱和度(saturation)、亮度(value)三个分量，通过对图像的色调和饱和度分布进行统计，并将统计结果分布于一系列预定义的组距(bin)中，得到表征物体颜色信息的h-s直方图。通过计算和统计图像局部区域的梯度方向和强度分布得到方向梯度直方图(hog)特征的。
[0046]
在步骤s102中，基于测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重。
[0047]
可选地，在一些实施例中，根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重，包括：基于第一更新公式更新测度权重，其中，第一更新公式为：
[0048][0049]
其中，y为z的真实类别，p(y＝sign[d
i，j，k
]|z)为特征的测度结果与目标真实类别
一致时的概率，1-p(y＝sign[d
i，j，k
]|z)为特征测度结果与目标真实类别不一致时的概率，d
i，j，k
和λ
i，j，k
分别为每个特征的测度结果和测度权重。
[0050]
可选地，在一些实施例中，基于测度结果和测度权重计算所有个体机器人对感兴趣目标的目标识别结果，包括：根据第一目标识别公式计算目标识别结果，其中，第一目标识别公式为：
[0051][0052]
其中，z为感兴趣目标，i为时刻，j为个体机器人的序号，k和k为特征序号，d
i，j，k
(z)和λ
i，j，k
(z)分别为每个特征的测度结果和测度权重，各特征测度权重λ
i，j，k
(z)初始时刻赋予相同数值。
[0053]
具体地，在所有个体机器人进行特征融合时，每个检测到感兴趣目标的个体机器人按照第一目标识别公式，得到个体机器人基于多特征测度融合的目标识别结果d
i，j
(z)，其中，k＝1，...，k表示特征序号，j＝1，2，3表示机器人的序号，k＝1，2表示特征序号，d
i，j，k
(z)表示每个特征的测度结果，具体是h-s和hog在各自特征空间距离分类超平面的距离，λ
i，j，k
(z)分别表示每个特征的测度权重，具体是h-s和hog的权重，并且在初始时刻赋予相同数值。
[0054]
其中，本技术实施例通过最小化指数损失函数：
[0055][0055][0056]
得到更新特征测度权重的第一更新公式：
[0057][0058]
其中，当时，代入第一更新公式对特征测度权重进行更新，得到特征的测度权重更新公式：
[0059][0060]
其中，d
i，j，k
分别为h-s和hog的特征测度结果，d
i，j
为h-s和hog的特征测度融合结果，分别为h-s和hog的测度结果在特征融合的测度结果中所占比重。
[0061]
在步骤s103中，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重。
[0062]
可选地，在一些实施例中，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，包括：根据第二目标识别公式计算多机器人系统的视觉感知结果，其中，第二目标识别公式为：
[0063]
[0064]
其中，vi为视觉感知结果，d
i，j
(z)和w
i，j
(z)分别为每个个体机器人的测度结果和投票权重，j和j均为个体机器人的序号，个体机器人投票权重w
i，j
(z)初始时刻赋予相同数值。
[0065]
可选地，在一些实施例中，根据目标识别结果与目标真实类别的概率更新所有个体机器人的投票权重，包括：基于第二更新公式更新所有个体机器人的投票权重，其中，第二更新公式为：
[0066][0067]
其中，p(y＝sign[d
i，j
]|z)为所有个体机器人的目标识别结果与目标真实类别一致时的概率，1-p(y＝sign[d
i，j
]|z)为所有个体机器人目标识别结果与目标真实类别不一致时的概率，d
i，j
(z)和w
i，j
(z)分别为个体机器人的测度结果和投票权重。
[0068]
具体地，由检测到感兴趣目标的个体机器人构成的多机器人系统按照第二目标识别公式得到多机器人系统基于投票决策机制的视觉感知结果vi。
[0069]
在本技术实施例中，d
i，j
(z)为每个个体机器人的测度结果，具体是三个轮式机器人各自的识别结果。w
i，j
(z)为每个个体机器人的投票权重，具体是三个轮式机器人的投票权重，并在初始时刻赋予相同数值。
[0070]
其中，本技术实施例通过最小化指数损失函数：
[0071][0072]
得到个体机器人更新投票权重的第二更新公式：
[0073][0074]
其中，当时，代入第二更新公式对个体机器人的投票权重进行更新，得到投票权重更新公式：
[0075][0076]
其中，t
i，j
表示个体机器人在跟踪时返回的跟踪置信度，采用核化相关滤波算法(kcf)对目标进行跟踪。
[0077]
在步骤s104中，若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。
[0078]
具体地，所有检测到感兴趣目标的个体机器人构成参与投票决策的多机器人系统，并根据第一目标识别公式和第二目标识别公式：
[0079][0080][0081]
得到视觉感知结果vi，当vi的数值大于或等于给定阈值时，则判定视觉感知结果满
足预设感知条件系统，多机器人系统继续对感兴趣目标进行识别，否则，多机器人系统停止跟踪识别感兴趣目标。
[0082]
进一步地，在一些实施例中，在持续跟踪识别感兴趣目标之后，包括：判断目标识别结果与视觉感知结果是否一致；若所有个体机器人中的部分个体机器人的目标识别结果与视觉感知结果不一致，则将部分机器人退出投票决策机制，所有个体机器人中的剩余个体机器人继续参与投票决策机制和跟踪识别感兴趣目标。
[0083]
可以理解的是，与多机器人系统的视觉感知结果一致的部分个体机器人开始对感兴趣目标进行跟踪，并根据测度权重更新公式和投票权重更新公式：
[0084][0085][0086]
不断更新特征测度权重和个体机器人投票权重，并对感兴趣目标进行持续跟踪识别，将与多机器人系统的视觉感知结果判断不一致的个体机器人的投票权重置零，个体机器人根据多机器人系统发送的目标信息进行运动，并根据第一更新公式：不断更新特征测度权重，对感兴趣目标进行再识别，直到部分个体机器人的识别结果与多机器人系统的视觉感知结果一致时再次参与投票决策和投票权重更新。
[0087]
由此，通过三个轮式机器人的投票权重更新使个体机器人机器人在视觉感知过程中有效配合，而颜色和形状的特征测度权重更新使得特征表达对环境具有良好的自适应性，机器人投票权重和特征测度权重根据视野中的实际环境信息进行动态调整，使最具准确性的机器人及特征在视觉感知中起主导作用，可以有效应对相似物体和遮挡的干扰，提高了目标识别与跟踪的准确性。
[0088]
根据本技术实施例提出的多机器人协同视觉感知方法，基于感兴趣目标的每个特征的测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重，若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。由此，解决了单机器人视野有限造成对目标跟踪识别准确率低的问题，可以实现多机器人系统在目标识别与跟踪的协同作业，提升多机器人系统视觉感知的整体性能，保证了多机器人系统视觉感知的准确率和自适应能力。
[0089]
其次参照附图描述根据本技术实施例提出的多机器人协同视觉感知系统。
[0090]
图2是本技术实施例的多机器人协同视觉感知系统的方框示意图。
[0091]
如图2所示，该多机器人协同视觉感知系统10包括：获取模块100、特征融合模块200、投票决策模块300和判断模块400。
[0092]
其中，获取模块100，用于获取感兴趣目标的每个特征的测度结果和测度权重；特征融合模块200，用于基于测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重；投票决策
模块300，用于根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重；判断模块400，用于若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。
[0093]
可选地，在一些实施例中，特征融合模块200，还用于：根据第一目标识别公式计算目标识别结果，其中，第一目标识别公式为：
[0094][0095]
其中，z为感兴趣目标，i为时刻，j为个体机器人的序号，k和k为特征序号，d
i，j，k
(z)和λ
i，j，k
(z)分别为每个特征的测度结果和测度权重，各特征测度权重λ
i，j，k
(z)初始时刻赋予相同数值。
[0096]
可选地，在一些实施例中，特征融合模块200，还用于：基于第一更新公式更新测度权重，其中，第一更新公式为：
[0097][0098]
其中，y为z的真实类别，p(y＝sign[d
i，j，k
]|z)为特征的测度结果与目标真实类别一致时的概率，1-p(y＝sign[d
i，j，k
]|z)为特征测度结果与目标真实类别不一致时的概率，d
i，j，k
和λ
i，j，k
分别为每个特征的测度结果和测度权重。
[0099]
可选地，在一些实施例中，投票决策模块300，还用于：根据第二目标识别公式计算多机器人系统的视觉感知结果，其中，第二目标识别公式为：
[0100][0101]
其中，vi为视觉感知结果，d
i，j
(z)和w
i，j
(z)分别为每个个体机器人的测度结果和投票权重，j和j均为个体机器人的序号，个体机器人投票权重w
i，j
(z)初始时刻赋予相同数值。
[0102]
可选地，在一些实施例中，投票决策模块300，还用于：基于第二更新公式更新所有个体机器人的投票权重，其中，第二更新公式为：
[0103][0104]
其中，p(y＝sign[d
i，j
]|z)为所有个体机器人的目标识别结果与目标真实类别一致时的概率，1-p(y＝sign[d
i，j
]|z)为所有个体机器人目标识别结果与目标真实类别不一致时的概率，d
i，j
(z)和w
i，j
(z)分别为个体机器人的测度结果和投票权重。
[0105]
可选地，在一些实施例中，判断模块400，还用于：判断目标识别结果与视觉感知结果是否一致；若所有个体机器人中的部分个体机器人的目标识别结果与视觉感知结果不一致，则将部分机器人退出投票决策机制，所有个体机器人中的剩余个体机器人继续参与投票决策机制和跟踪识别感兴趣目标。
[0106]
需要说明的是，前述对多机器人协同视觉感知方法实施例的解释说明也适用于该实施例的多机器人协同视觉感知系统，此处不再赘述。
[0107]
根据本技术实施例提出的多机器人协同视觉感知系统，基于感兴趣目标的每个特
征的测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重，若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。由此，解决了单机器人视野有限造成对目标跟踪识别准确率低的问题，可以实现多机器人系统在目标识别与跟踪的协同作业，提升多机器人系统视觉感知的整体性能，保证了多机器人系统视觉感知的准确率和自适应能力。
[0108]
图3为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0109]
存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序。
[0110]
处理器302执行程序时实现上述实施例中提供的多机器人协同视觉感知方法。
[0111]
进一步地，电子设备还包括：
[0112]
通信接口303，用于存储器301和处理器302之间的通信。
[0113]
存储器301，用于存放可在处理器302上运行的计算机程序。
[0114]
存储器301可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0115]
如果存储器301、处理器302和通信接口303独立实现，则通信接口303、存储器301和处理器302可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0116]
可选的，在具体实现上，如果存储器301、处理器302及通信接口303，集成在一块芯片上实现，则存储器301、处理器302及通信接口303可以通过内部接口完成相互间的通信。
[0117]
处理器302可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0118]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的多机器人协同视觉感知方法。
[0119]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0120]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个
等，除非另有明确具体的限定。
[0121]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0122]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，
″
计算机可读介质
″
可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0123]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0124]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0125]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0126]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种多机器人协同视觉感知方法，其特征在于，包括以下步骤：获取感兴趣目标的每个特征的测度结果和测度权重；基于所述测度结果和所述测度权重，计算所有个体机器人对所述感兴趣目标的目标识别结果，并根据所述测度结果和所述感兴趣目标的目标真实类别的概率更新所述测度权重；根据所述目标识别结果和所述所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据所述目标识别结果与所述目标真实类别的概率更新所述投票权重；若所述视觉感知结果满足预设感知条件，则持续跟踪识别所述感兴趣目标，否则，停止跟踪识别所述感兴趣目标。2.根据权利要求1所述的方法，其特征在于，所述基于所述测度结果和所述测度权重计算所有个体机器人对感兴趣目标的目标识别结果，包括：根据第一目标识别公式计算所述目标识别结果，其中，所述第一目标识别公式为：其中，z为感兴趣目标，i为时刻，j为个体机器人的序号，k和k为特征序号，d
i,j,k
(z)和λ
i,j,k
(z)分别为每个特征的测度结果和测度权重，各特征测度权重λ
i,j,k
(z)初始时刻赋予相同数值。3.根据权利要求1所述的方法，其特征在于，所述根据所述测度结果和所述感兴趣目标的目标真实类别的概率更新所述测度权重，包括：基于第一更新公式更新所述测度权重，其中，所述第一更新公式为：其中，y为z的真实类别，p(y＝sign[d
i,j,k
]|z)为特征的测度结果与目标真实类别一致时的概率，1-p(y＝sign[d
i,j,k
]|z)为特征测度结果与目标真实类别不一致时的概率，d
i,j,k
和λ
i,j,k
分别为每个特征的测度结果和测度权重。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标识别结果和所述所有个体机器人的投票权重计算多机器人系统的视觉感知结果，包括：根据第二目标识别公式计算所述多机器人系统的视觉感知结果，其中，所述第二目标识别公式为：其中，v
i
为视觉感知结果，d
i,j
(z)和w
i,j
(z)分别为每个个体机器人的测度结果和投票权重，j和j均为个体机器人的序号，个体机器人投票权重w
i,j
(z)初始时刻赋予相同数值。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标识别结果与所述目标真实类别的概率更新所述所有个体机器人的投票权重，包括：基于第二更新公式更新所述所有个体机器人的投票权重，其中，第二更新公式为：其中，p(y＝sign[d
i,j
]|z)为所有个体机器人的目标识别结果与目标真实类别一致时
的概率，1-p(y＝sign[d
i,j
]|z)为所有个体机器人目标识别结果与目标真实类别不一致时的概率，d
i,j
(z)和w
i,j
(z)分别为个体机器人的测度结果和投票权重。6.根据权利要求1所述的方法，其特征在于，在所述持续跟踪识别所述感兴趣目标之后，包括：判断所述目标识别结果与所述视觉感知结果是否一致；若所述所有个体机器人中的部分个体机器人的目标识别结果与所述视觉感知结果不一致，则将所述部分机器人退出投票决策机制，所述所有个体机器人中的剩余个体机器人继续参与所述投票决策机制和跟踪识别所述感兴趣目标。7.一种多机器人协同视觉感知系统，其特征在于，包括：获取模块，用于获取感兴趣目标的每个特征的测度结果和测度权重；特征融合模块，用于基于所述测度结果和所述测度权重，计算所有个体机器人对所述感兴趣目标的目标识别结果，并根据所述测度结果和所述感兴趣目标的目标真实类别的概率更新所述测度权重；投票决策模块，用于根据所述目标识别结果和所述所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据所述目标识别结果与所述目标真实类别的概率更新所述投票权重；判断模块，用于若所述视觉感知结果满足预设感知条件，则持续跟踪识别所述感兴趣目标，否则，停止跟踪识别所述感兴趣目标。8.根据权利要求7所述的系统，其特征在于，所述特征融合模块，还用于：根据第一目标识别公式计算所述目标识别结果，其中，第一目标识别公式为：其中，z为感兴趣目标，i为时刻，j为个体机器人的序号，k和k为特征序号，d
i,j,k
(z)和λ
i,j,k
(z)分别为每个特征的测度结果和测度权重，各特征测度权重λ
i,j,k
(z)初始时刻赋予相同数值。9.根据权利要求7所述的系统，其特征在于，所述特征融合模块，还用于：基于第一更新公式更新所述测度权重，其中，所述第一更新公式为：其中，y为z的真实类别，p(y＝sign[d
i,j,k
]|z)为特征的测度结果与目标真实类别一致时的概率，1-p(y＝sign[d
i,j,k
]|z)为特征测度结果与目标真实类别不一致时的概率，d
i,j,k
和λ
i,j,k
分别为每个特征的测度结果和测度权重。10.根据权利要求7所述的系统，其特征在于，所述投票决策模块，还用于：根据第二目标识别公式计算所述多机器人系统的视觉感知结果，其中，所述第二目标识别公式为：其中，v
i
为视觉感知结果，d
i,j
(z)和w
i,j
(z)分别为每个个体机器人的测度结果和投票权重，j和j均为个体机器人的序号，个体机器人投票权重w
i,j
(z)初始时刻赋予相同数值。11.根据权利要求7所述的系统，其特征在于，所述投票决策模块，还用于：
基于第二更新公式更新所述所有个体机器人的投票权重，其中，第二更新公式为：其中，p(y＝sign[d
i,j
]|z)为所有个体机器人的目标识别结果与目标真实类别一致时的概率，1-p(y＝sign[d
i,j
]|z)为所有个体机器人目标识别结果与目标真实类别不一致时的概率，d
i,j
(z)和w
i,j
(z)分别为个体机器人的测度结果和投票权重。12.根据权利要求7所述的系统，其特征在于，在所述持续跟踪识别所述感兴趣目标之后，所述判断模块，还用于：判断所述目标识别结果与所述视觉感知结果是否一致；若所述所有个体机器人中的部分个体机器人的目标识别结果与所述视觉感知结果不一致，则将所述部分机器人退出投票决策机制，所述所有个体机器人中的剩余个体机器人继续参与所述投票决策机制和跟踪识别所述感兴趣目标。13.一种电子设备，其特征在于，包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-6中任一所述的多机器人协同视觉感知方法。14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的多机器人协同视觉感知方法。

技术总结
本申请涉及一种多机器人协同视觉感知方法、系统、电子设备及存储介质，方法包括：基于感兴趣目标的每个特征的测度结果和测度权重，计算所有个体机器人对感兴趣目标的目标识别结果，并根据测度结果和感兴趣目标的目标真实类别的概率更新测度权重，根据目标识别结果和所有个体机器人的投票权重计算多机器人系统的视觉感知结果，并根据目标识别结果与目标真实类别的概率更新投票权重，若视觉感知结果满足预设感知条件，则持续跟踪识别感兴趣目标，否则，停止跟踪识别感兴趣目标。由此，解决了单机器人视野有限造成对目标跟踪识别准确率低的问题，可以实现多机器人系统在目标识别与跟踪的协同作业，保证了多机器人系统视觉感知的准确率和自适应能力。准确率和自适应能力。准确率和自适应能力。


技术研发人员：任亮 请求不公布姓名 谷俊丽
受保护的技术使用者：大卓智能科技有限公司
技术研发日：2023.08.24
技术公布日：2023/10/19