1.本发明涉及机器人领域，特别是涉及包含移动机器人的移动机器人系统。
背景技术：
2.随着机器人性能不断地完善，移动机器人的应用范围不断扩大，不仅在工业、农业、医疗、服务等行业中得到广泛的应用，而且在环境探测领域也得到了很好的应用。
3.环境探测是移动机器人一项重要的安防安保应用功能，通过在移动机器人上搭载环境探测器，可实现对大范围区域内的通用环境变量、气味、毒害气体、特殊气体等的移动监测，有利于及早发现安全隐患、保障人员和园区的安全。
技术实现要素：
4.然而，现有的移动机器人所搭载的环境探测器，通常，依靠单一的传感器的数据采集，误报率高，缺乏通过多个传感器数据的组合应用。
5.如果环境探测器包含多种传感器，则在具有多个不同类型的传感器的情况下，有可能多种传感器同时检测出异常，此时，如果对各传感器的数据分别单独地进行分析，则可能无法准确判断出是由于什么原因导致的。
6.例如，当出现了燃烧烟雾时，烟雾传感器、pm2.5传感器、粉尘传感器、光照度传感器等均会检测出异常。此时，很难准确地找到导致这些传感器异常的原因。
7.本发明提供一种能够综合分析多种传感器的采集数据来准确地判断出异常原因的机器人系统。
8.本发明提供一种机器人系统，包括：移动机器人，移动机器人包括环境探测器，环境探测器包含多种传感器；以及异常原因推理装置，当两种以上的传感器检测出异常时，根据多个传感器的采集数据，通过神经网络，判断导致异常的原因。
9.在上述的机器人系统中，采集数据为二维矩阵，二维矩阵的每一种表示环境探测器中的每一个传感器的采样数据，
10.二维矩阵的每一列表示各时间点的采样数据。
11.在上述的机器人系统中，神经网络采用图像分类卷积神经网络。
12.在上述的机器人系统中，图像分类卷积神经网络在卷积层采用1
×
3 的卷积核，在池化层采用1
×
2的卷积核。
13.在上述的机器人系统中，图像分类卷积神经网络采用平移不变性的池化层。
14.在上述的机器人系统中，多种传感器分别属于不同的大类，多种传感器包括：环境变量传感器和气体传感器，并且，多种传感器还包括气味传感器、活体生物传感器、人体接近感器中的至少一种。
15.在上述的机器人系统中，环境变量传感器包括：气压传感器、温度传感器、湿度传感器、气压高度传感器、空气质量传感器、 pm1.0/pm2.5/pm10传感器、紫外线强度传感器、光照强度传感器、电磁辐射强度传感器、噪声强度传感器、降水状态传感器、雨量传感器、风
速传感器、风向传感器中的至少一种。
16.在上述的机器人系统中，气体传感器包括：烟雾传感器、一氧化碳传感器、天然气传感器、丁烷传感器、液化石油气传感器、氨气传感器、硫化氢传感器、二氧化碳传感器、氧气传感器、臭氧传感器、甲醛传感器、挥发性有机气体传感器、粉尘传感器中的至少一种。
17.在上述的机器人系统中，多种传感器还包括：位置传感器、磁向传感器、机器人姿态传感器、图像传感器中的至少一种。
18.在上述的机器人系统中，环境探测器还包括：
19.控制部，对所述传感器的数据采集进行控制；
20.风道，与所述移动机器人的外部气体连通，使得所述环境探测器与外部气体接触；以及
21.风扇，向所述风道施加风力，
22.其中，所述控制部还对所述风扇的开关和风力进行控制。
23.在上述的机器人系统中，环境探测器还包括：存储部，用于存储所述传感器部所采集的数据，
24.环境探测器为两层pcb电路板，包括上板和下板，多种传感器、风道、风扇、存储部、以及控制部被分为两组分别配置在上板和下板上。
25.在上述的机器人系统中，上板被配置在两层pcb电路板中的与外部环境直接接触的面上，多种传感器中需要与外界环境直接接触的传感器和风扇被配置在上板。
26.在本发明中，通过在环境探测器中设置环境变量传感器、气体传感器等多种传感器，能够采集多种环境数据，并且在这些多种传感器中的两种以上的传感器出现异常的情况下，能够综合这些数据，分析出异常原因。因此，能够准确地找到造成异常的原因，从而有利于采取针对性的处理对策。
附图说明
27.图1是示出本发明所涉及的机器人系统的示意图；
28.图2的(a)是示出移动机器人10的侧视图，图2的(b)是示出移动机器人10的主视图；
29.图3是示出环境探测器的一个示例的电路连接结构的示意图；
30.图4的(a)和(b)示出具有双层pcb电路板结构的环境探测器11的示例；
31.图5是示出构成异常原因推理装置的神经网络模型的一个示例的示意图。
具体实施方式
32.以下，参照附图，对本发明所涉及移动机器人、以及包含该机器人的机器人系统进行说明。在以下的说明中，对于相同或类似的部件标注相同或相似的标号。
33.图1是示出本发明所涉及的机器人系统的示意图。
34.如图1所示，本发明所涉及的机器人系统包括：移动机器人10和异常原因推理装置20。
35.《移动机器人》
36.图2的(a)是示出移动机器人10的侧视图，图2的(b)是示出移动机器人10的主视
图。
37.如图2的(a)和(b)所示，移动机器人包括环境探测器11，环境探测器11可以感知环境因素。
38.在这里，环境探测器11包含多种传感器，这些多种传感器分别属于不同种类。其中，每一种传感器可以只有一个，也可以有多个。
39.在这里，由于环境探测中应用的传感器种类繁多，有部分传感器存在一定的共性。因此，多种传感器可以分为环境变量传感器、气体传感器、气味传感器、活体生物传感器、人体接近感器、位置传感器、磁向传感器、机器人姿态传感器、图像传感器等不同的大类。
40.环境变量传感器可以包括：气压传感器、温度传感器、湿度传感器、气压高度传感器、空气质量传感器、pm1.0/pm2.5/pm10传感器、紫外线强度传感器、光照强度传感器、电磁辐射强度传感器、噪声强度传感器、降水状态传感器、雨量传感器、风速传感器、风向传感器中的至少一种。
41.通过搭载环境变量传感器能够获得气压、温湿度、空气质量、光线、噪声、风向风速、降水雨量等环境变量数据，使得移动机器人10能够适用于气象等环境监测中。
42.气体传感器可以包括：烟雾传感器、一氧化碳传感器、天然气传感器、丁烷传感器、液化石油气传感器、氨气传感器、硫化氢传感器、二氧化碳传感器、氧气传感器、臭氧传感器、甲醛传感器、挥发性有机气体传感器、粉尘传感器中的至少一种。
43.通过气体传感器能够获得各种气体的数据，使得移动机器人10能够适用于危险气体监测、灾害监测等环境监测中。
44.气味传感器可以包括异味传感器。通过搭载气味传感器，使得移动机器人10能够适用于环境污染检测等环境监测中。
45.人体接近传感器可以包括热释电传感器、人体移动传感器中的至少一个。通过搭载人体接近传感器，该移动机器人10还可以有效识别人的靠近。
46.多种环境探测器11还可以包括：位置传感器、磁向传感器、机器人姿态传感器、图像传感器中的至少一种。通过搭载这些传感器，该移动机器人10不仅能够进行环境监测，还可以采集与环境数据对应的位置数据、图像数据等。
47.本技术的移动机器人10通过搭载各种传感器，能够广泛地适用于各种需要环境监测的应用场景中。例如，可以应用于巡逻型的移动机器人上，通过在巡逻型的移动机器人上搭载各种不同大类的传感器，在进行巡逻的同时，采集目标场景中的多种多样的参数。
48.在本技术中，环境探测器11还可以包括控制部和存储部。控制部可以对传感器的数据采集进行控制。存储部可以用于存储传感器部所采集的数据。控制部可以包括cpu(central processing unit，中央处理器)等的处理器。存储部可以包括rom(read only memory，只读存储器)、ram (random access memory，随机存取存储器)等。控制部的处理器可以读取存储在存储部等中的各种程序的代码，执行各种处理。各种程序也可以经由网络从其他服务器装置等获取，也可以被存储在存储介质上并经由驱动装置而被读取。控制部也可以通过专用逻辑电路或集成了专用逻辑电路的asic(application specific integrated circuit，专用集成电路)来构成各功能。另外，控制部也可以通过与可编程逻辑控制器(plc)的组合来构成。另外，控制部和存储部也可以不位于环境探测器11，而位于移动机器人10中的其他部位。
49.另外，环境探测器11还可以包括：风道和风扇。该风道与移动机器人10的外部气体连通，使得环境探测器11与外部气体接触。该风扇向该风道施加风力。该风扇可以是进气涡轮风扇等任意的风扇。上述的控制部可以对风扇的开关和风力进行控制。环境探测器11还可以包括驱动风扇的风扇驱动电路。
50.另外，环境探测器11还可以包括通信部，该通信部使得移动机器人能够与异常原因推理装置、外部服务器等外部设备进行通信。另外，通信部也可以不位于环境探测器11，而位于移动机器人10中的其他部位。
51.另外，环境探测器11还可以包括供电部，该供电部能够接收外部电源的输入，而对环境探测器11进行供电。
52.图3是示出环境探测器11的一个示例的电路连接结构的示意图。
53.在图3所示的环境探测器11的示例中，环境探测器11包括多个传感器、风扇、风扇驱动电路、控制部、存储部、供电部等。
54.其中，多种传感器包括：温度传感器、湿度传感器、气压传感器、气压高度传感器、空气质量传感器、光照度传感器、紫外线强度传感器、二氧化碳传感器、氧气浓度传感器、imu固态陀螺仪、磁向传感器、风速风向传感器、pm1.0/pm2.5/pm10传感器、噪声强度传感器、降水状态传感器、雨量传感器、异味传感器、可燃气体传感器、一氧化碳传感器、粉尘传感器、浓雾传感器、甲醛传感器、有机挥发气体传感器、活体生物传感器、热释电传感器。
55.在环境探测器11所包含的传感器数量多的情况下，如何在尺寸较小的环境探测器11上配置多个传感器、使得多个传感器和风扇等设备更好地配合也成为需要解决的问题。在本发明的实施方式中，设计成了双层pcb电路板结构。即，环境探测器11包含上板和下板，上板和下板被层叠。该上板和下板也可以是一个pcb电路板的正反面。
56.环境探测器11所具有的多个传感器、风道、风扇、存储部、控制部等部件被分为两组配置在上板和下板上。其中，上板配置在与外部环境直接接触的面上。多个传感器中需要与外界环境接触的传感器和所述风扇被配置在上板。由此，在安装有多个传感器的情况下，也既能够实现环境探测器11的小型化，又能够提高其性能。
57.具体来说，图4的(a)和(b)示出具有双层pcb电路板结构的环境探测器11的示例。
58.在图4的(a)和(b)所示的示例中，环境探测器11的上板包括气体传感器，通过风扇将移动机器人10的外界环境中的气体吸入，并均匀通过各气体传感器。从而，气体传感器能够很好地与外部气体接触，从而有利于提高检测准确度。
59.环境探测器11的上板还包括环境变量传感器中的光照度传感器、紫外线强度传感器等，这些传感器直接采集外部环境光条件，因此也需要与外部接触。
60.热释电传感器等人体接近传感器也优选配置在上板上，从而能够更加准确地接收外部的信号，有利于提高检测精度。
61.环境探测器11的下板包括：控制部、存储部、通信部、供电部等电路，这些电路不需要与外部环境接触，而且为了延长其工作寿命，优选的是与外部环境隔离，从而，对于这些部件也可以进行密封处理。
62.气压传感器、温湿度传感器、噪音传感器、gps传感器等不需要与外部环境直接接触也能够采集数据，因此，根据电路板的设计空间随意配置在上板或下板上。在图4的(a)和(b)所示的示例中是配置在下板。
63.如上所述，通过将环境探测器11中的多个传感器和电路分为需要与外界环境直接接触和不需要直接接触的两类，分为两组分别配置在环境探测器11的上板和下板上，从而能够兼顾传感器等的检测准确性、以及传感器和电路的寿命。
64.《异常原因推理装置》
65.以下，对异常原因推理装置20进行说明。
66.在搭载有包含多个传感器的环境探测器11的移动机器人10的实际应用中，由于环境的复杂性，可能会发生多种传感器对一项具体的异常状态同时产生并发响应，多种传感器的采集数据均超出安全阈值、即多个传感器同时发生异常，从而多种传感器可能同时发出报警，从而安全管理人员无法确定异常原因的情况。
67.例如，在检测到雾状的可燃气体、燃气管道泄漏时，烟雾传感器、 pm2.5传感器、可燃气体传感器，可能都会发出异常报警。例如，当出现了燃烧烟雾时，烟雾传感器、pm2.5传感器、粉尘传感器、光照度传感器等均会检测出异常。例如，当发生了化粪池气体泄漏时，氨气传感器、硫化氢传感器、异味传感器、可燃气体传感器、空气质量传感器，可能都会发生异常。例如，当检测到垃圾异味时，氨气传感器、硫化氢传感器、异味传感器、空气质量传感器可能会同时发生数值异常。
68.为了解决这样的问题，在本实施方式中，如图5所示，构建了基于神经网络的异常原因推理装置，将多种传感器的数据采集结果作为输入到该异常原因推理装置的神经网络中，输出异常原因判断结果。
69.即，异常原因推理装置20在两种以上的传感器检测出异常时，根据多种传感器的采集数据，通过神经网络，判断出导致异常的原因。
70.异常原因推理装置20可以以硬件方式实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。例如，异常原因推理装置可以由设置有处理器的台式计算机、平板电脑、智能电话、服务器等任何合适的电子设备，以软硬件相结合的方式实现。图1中示出了计算机的形式，但是不限于此。
71.异常原因推理装置20的处理器可以执行异常判定处理。
72.异常原因推理装置20还可以包括存储器(未示出)和通信模块(未示出)等。
73.异常原因推理装置的通信模块可以支持在异常原因推理装置与外部电子装置之间建立直接(例如，有线)通信信道或无线通信信道，并经由建立的通信信道执行通信。例如，通信模块使得异常原因推理装置20能够经由网络与移动机器人10进行通信。
74.此外，异常原因推理装置20还可以包括显示器、麦克风、扬声器等输出部，以用于显示作为异常判断结果的异常原因、或者发出警告等。
75.《输入数据》
76.异常原因推理装置20的输入数据是由移动机器人10的环境探测器11 所采集的数据。环境探测器11可以以恒定的采样频率采集数据。由于环境探测器11安装在移动机器人10上，因此，采样频率不太大，例如优选为10hz左右。
77.该采集数据可以是二维矩阵数据，其中，每一行表示检测出异常的环境探测器中的每一种的采样数据，每一列表示以恒定采样频率进行数据采集时，各时间点的采样数据。换言之，每行表示传感器的不同种类，每列表示不同时间点。
78.例如，以燃气管道泄漏为例，此时，假设搭载在移动机器人10上的环境探测器11包
含n种传感器。每一种传感器为一个，即n个传感器。这些传感器均以采样频率10hz进行采样，并且，每次采样时间为10s，均采样100个数据。传感器种类、个数、采样频率、采样时间、采样数量等均是一个例子，并不限于此。例如，每一种传感器也可以是多个，此时，可以对该多个传感器的数值进行取平均等数据处理，来作为该种类传感器的采集数据。在图5所示的例子中，假定环境探测器包含烟雾浓度传感器、可燃气体浓度传感器、pm2.5传感器、pm10传感器、粉尘浓度传感器、空气质量传感器、二氧化碳浓度传感器、一氧化碳浓度传感器、氨气传感器、碳化氢浓度传感器、异味指数传感器、光照度传感器、噪音传感器等。
79.此时，每种传感器的采集数据为：
80.1)烟雾浓度传感器所采集的数据集：a＝[a1，a2
…
a100]；
[0081]
2)可燃气体浓度传感器所采集的数据集：b＝[b1，b2
…
b100]；
[0082]
3)pm2.5传感器所采集的数据集：c＝[c1，c2
…
c100]；
[0083]
4)pm10传感器所采集的数据集：d＝[d1，d2
…
d100]
[0084]
……
[0085]
然后，将这些传感器所采集数据组合起来，形成一个二维矩阵 data＝[a；b；c；d；
…
；n]。具体来说，如下所示：
[0086][0087]
其中，每一行表示是哪一种传感器。例如，在图5所示的例子中，作为二维矩阵数据的输入数据的第一行可以表示烟雾浓度传感器的采样数据，第二行可以表示可燃气体浓度传感器的采样数据，以此类推。
[0088]
每一列中的下标表示是采样数据中的哪一个，例如100个采样数据中的第几个，由于每个采样数据的采样时间不同，因此也可以理解为不同采样时间的采样数据。例如，a1表示第一个时间点的采样数据，a2表示第二个时间点的采样数据，以此类推。
[0089]
另外，由于本发明中的机器人是移动机器人，因此，在移动机器人移动的情况下，这些采样数据也可以是不同采样位置处的采样数据。
[0090]
在本技术中，针对每种传感器的数据是一维的，为了适用神经网络模型的分类能力，在这里，将这些一维数据组合为二维数据。然而，每个维度的数据相关性较小，具有一定的独立性。
[0091]
《模型构建》
[0092]
在现有技术中，卷积神经网络(cnn)可以用于解决将图像分类为不同类别的问题。
[0093]
而在本技术中，由于异常原因推理装置20在两种以上的传感器检测出异常时，根据多种传感器的采集数据，通过神经网络，判断出导致异常的原因，本技术的发明人发现其与图像分类有类似的特点，从而试图用图像分类卷积神经网络模型来实现异常原因推理装置20。
[0094]
如上所述，由于输入数据可以采用n
×
100
×
1的维度的数据、即二维数据。因此，这
样的输入数据可以应用到图像分类卷积神经网络模型中。从而能够利用图像分类卷积神经网络模型来判断出导致传感器异常的原因。
[0095]
然而，由于本技术的输入数据并不同于图像数据，因而，为了更好地适用于本技术的应用场景，在传统的图像分类卷积神经网络模型的基础上，进行了一些改进。
[0096]
如上所述，在本技术中，各维度数据之间还需要保持一定的独立性。
[0097]
然而，在通常的图像分类卷积神经网络模型中采用的是例如3
×
3或5
ꢀ×
5或1
×
1的卷积层或者2
×
2的池化层，如果直接使用这样的模型，则会把不同的输入数据去掉，并且会减少数据的维度。例如，如果使用2
×
2的池化层，10个传感器的数据在池化后变成了5个传感器数据，从而会改变数据源，无法很好地满足本技术中保持各维度数据独立性的要求。
[0098]
因此，在本技术中，图像分类卷积神经网络的隐藏层包含卷积层和池化层，且在卷积层采用1
×
3的卷积核，在池化层采用1
×
2的卷积核。
[0099]
通过卷积层采用1
×
3的卷积核、而在池化层采用1
×
2的卷积核，能够保证每个维度之间的独立性。
[0100]
另外，在通常的图像分类卷积神经网络中的图像数据是不具有时间相关性的。然而，本技术的输入数据是在不同的时间点采样的采样数据，因此，输入数据与时间有相关性。
[0101]
因此，在本技术中，在图像分类卷积神经网络中，可以采用平移不变性的池化层。通过采用平移不变性的池化层，能够在下采样过程中，保持一些变化信息，避免通过池化层操作把异常值平滑掉，从而保证在池化后曲线的趋势和变化点。由此，能够有利于保持池化层后每个维度变化趋势与原始数据一致。
[0102]
在本技术中，如果卷积层采用1
×
3的卷积核、而在池化层采用1
×
2的卷积核的同时，采用平移不变性的池化层，则既能够保持各维度数据独立性，又能够保持信息的连续性，从而能够使得异常原因分析更为准确。
[0103]
另外，为了增加模型的泛化能力，也可以对每个维度的数据引入噪声，从而增加随机性。
[0104]
《输出数据》
[0105]
本模型的输出数据是各种导致传感器异常的原因。
[0106]
在图5所示的例子中，输出数据可以包括：燃气管道泄露、燃烧烟雾、水雾、油烟、汽车尾气、化粪池气体泄漏、生活垃圾腐败、厕所异味、装修异味等。输出数据可以是各异常原因的概率，可以根据其概率值，找出最可能的原因。
[0107]
通过这样构成的异常原因推理装置20，能够在两种以上的传感器检测出异常时，判断出导致异常的原因，降低导致异常原因的误判率。
[0108]
以上，虽然结合附图描述了本发明的实施方式和具体实施例，但是本领域技术人员可以在不脱落本发明的精神和范围的情况下做出各种修改和变形，这样的修改和变形均落入由所述权利要求所限定的范围之内。