虚拟墙决策方法、装置和机器人与流程

本发明实施例涉及机器人导航技术领域，具体涉及一种虚拟墙决策方法、装置、机器人和计算机可读存储介质。

背景技术：

伴随着机器人技术的日益成熟，服务机器人已逐步进入人类生活的视线，包含社区的安保巡逻机器人、大型商场的清洁机器人、家庭的陪伴机器人等等。机器人为了能够更好的服务于人，一定要具备强大自主移动能力，机器人需要知道自己在哪里，哪些区域可以去，哪些区域不能去。其中，对于不适宜机器人进入的区域，如灌木丛、水池、沟渠等等，系统会通过发送指示或在导航地图上标示其为不可进入区域，使机器人避开这些区域，避免误入。

但是，本申请人发明人发现，由于现实中导航定位精度是存在一定误差的，会存在一定概率使得机器人误进入不适宜机器人进入的区域内，导致机器人无法按照规划路径行进，甚至由于实际路面复杂而导致机器人被卡住不能移动，需要人为将机器人移动出所述区域才可以使其继续行进。

技术实现要素：

鉴于上述问题，本发明实施例提供了一种虚拟墙决策方法、装置、机器人和计算机可读存储介质，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种虚拟墙决策方法，包括：

获取机器人的当前位置信息；

若所述机器人的当前位置位于预设的虚拟墙区域内时，获取当前位置的环境信息；

将所述环境信息输入预设的神经网络模型，并通过所述神经网络模型对所述环境信息的安全性进行评估；

若所述评估结果为安全，则所述机器人移出所述虚拟墙区域。

进一步的，执行所述方法之前，进一步包括：

获取所述机器人通行的环境信息集合和所述机器人的对应的通行结果集合；

将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练。

进一步的，所述将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练，包括：

采集所述机器人导航路径上的图片数据；

对采集到的图片数据进行预处理；

获取所述机器人的通行能力信息；

将所述预处理后的图片数据、通行能力信息以及通行结果输入所述神经网络模型进行训练。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域失败，则更新所述评估结果为危险，并发出危险信息。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域失败，记录所述机器人移出所述虚拟墙区域失败的次数；

若所述机器人移出所述虚拟墙区域失败的次数超过第一阈值，则更新所述评估结果为危险，并发出危险信息；

否则，继续采集所述机器人当前位置的环境信息，并发送给预设的神经网络模型进行评估。

进一步的，所述更新所述评估结果为危险，并发出危险信息，进一步包括：

获取所述机器人当前位置的环境信息，并将所述环境信息和所述通行结果输入所述神经网络模型。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域成功，则所述机器人寻找距离其最近的路径点，继续导航。

本发明实施例还提出了一种虚拟墙决策装置，包括：

位置信息获取模块：用于获取机器人的当前位置信息；

环境信息获取模块：用于在当前位置位于预设的虚拟墙区域内时，获取当前位置的环境信息；

评估模块：用于将所述环境信息输入预设的神经网络模型，并通过所述神经网络模型对所述环境信息的安全性进行评估；

决策模块：用于在所述评估结果为安全时，指示所述机器人移出所述虚拟墙区域。

本发明实施例还提出了一种机器人，包括：摄像头、处理器、存储器、通信接口和通信总线，所述摄像头、处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的虚拟墙决策方法。

本发明实施例还提出了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在虚拟墙决策装置上运行时，使得虚拟墙决策装置执行上述的虚拟墙决策方法。

本申请实施例提供的虚拟墙决策方法将环境识别能力和虚拟墙结合起来，当所述机器人发生误入虚拟墙区域的事件时，首先通过神经网络模型对周边环境进行分析，基于机器人自身能力和周边环境确定机器人是否具备自主移出的能力，当具备自主能力时，则依靠机器人自身的能力进行自主恢复，通过这种方式，降低了因误触发进入虚拟墙区域而使用人力解决的概率，提高了工作效率，节省了人力成本。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种虚拟墙决策方法流程图；

图2示出了本发明另一实施例提供的虚拟墙决策方法的流程图；

图3示出了本发明实施例提供的虚拟墙决策装置的结构示意图；

图4示出了本发明实施例提供的机器人设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

本发明实施例提出一种虚拟墙决策方法，应用于机器人系统中，比如：巡逻机器人、服务机器人、扫地机器人等等，该方法可以直接应用于机器人设备上，机器人采集当前位置的环境信息，然后通过自身携带的处理器进行分析和决策；也可以运行于机器人与远端服务器或云服务器组成的机器人系统中，机器人通过自身携带的摄像头或激光雷达等设备采集当前位置的环境信息，将所述环境信息通过网络发送给远端服务器或云服务器，由远端服务器或云服务器进行分析和决策，并将决策结果发送给所述机器人，指示所述机器人进行相应的操作。

目前机器人导航有多种方式，机器人可以通过获取导航地图，结合机器人设备的位置信息，进行导航，所述位置信息可以是gps位置信息，也可以通过wifi或其他系统确定的位置信息。本申请实施例采用栅格地图定位的方式，在预设的栅格地图中，预先为机器人划定虚拟墙区域，机器人通常在所述虚拟墙区域围成的区域内进行活动，当机器人靠近所述虚拟墙时，会自动进行调转，防止进入所述虚拟墙区域。所述虚拟墙通常可以事先设置，然后发送给所述机器人；也可以在服务器上进行实时修改，然后再更新给所述机器人进行导航。

本申请以巡逻机器人为例进行说明，巡逻机器人通过网络连接到云端服务器，所述云端服务器和巡逻机器人一起运行所述虚拟墙决策方法。所述巡逻机器人通常运行在住宅小区、工厂企业里面，所处的环境比较复杂，区域内通常会包括树木、花池、车辆、台阶以及游泳池等等，系统首先获取所述小区的地图信息，在小区地图上标示出虚拟墙区域，比如：花池，在地图上花池的位置就是虚拟墙区域，通过gps信息确定机器人的当前位置，当机器人的当前位置位于所述虚拟墙区域内时，则指引所述机器人不能进入虚拟墙区域。但是往往由于位置定位的不准确，或者位置信息更新不及时，导致机器人误入所述虚拟墙区域内，从而使所述机器人无法行走，不能正常进行巡逻。

本发明实施例提供了一种虚拟墙决策方法，如图1所示，所述虚拟墙决策方法包括：

步骤101：获取机器人的当前位置信息；

所述机器人通过自身携带的gps设备或其他定位设备获取其当前所处的位置信息，所述当前位置信息包括经度、纬度等信息，系统会将所述当前位置信息转换成与其携带的地图相适配的位置信息，比如栅格信息等，以便识别所述机器人在当前地图上所处的位置。

步骤102：若所述机器人的当前位置位于预设的虚拟墙区域内时，获取当前位置的环境信息；

根据所述机器人的当前位置信息判断其是否位于预设的虚拟墙区域内，以确定所述机器人是否进入了虚拟墙区域内，所述位于包括但不限于所述机器人在所述虚拟墙区域内、所述机器人的位置和所述虚拟墙区域有重叠等。当然，系统也可以在虚拟墙区域的基础上，对机器人禁止进入的区域进行修改，比如，可以在预设的虚拟墙区域的基础上，再向外扩展一部分区域，作为禁止进入区域。

当机器人位于所述虚拟墙区域内时，机器人将停止继续行进，来决定下一步的计划。在本申请中，机器人将自动启动其自身携带的摄像头，对其当前位置所处的环境进行拍照或录像，采集周边环境信息，以判断当前的环境是否安全。当然，机器人也可以采用其他方式进行周边环境信息的采集，比如采用激光雷达进行扫描；也可以结合其他工具进行采集，比如高度仪等。

其中，所述的安全也包括了多种含义，系统可以根据需要进行设置，比如：如果机器人处于草丛中，机器人判断依靠自身能力可以自主驶出所述区域，则确定为安全；如果处于水池中，即使机器人可以依靠自身能力驶出水池，但有可能会造成系统进水，或者某些部位进水，造成系统损坏，系统可以将这种情况设定为不安全，也就是说所谓的安全和危险，系统会根据具体情况进行设定，而不会设定统一的判断标准。

步骤103：将所述环境信息输入预设的神经网络模型，并通过所述神经网络模型对所述环境信息的安全性进行评估；

机器人将采集的当前位置的环境信息发送给服务器，服务器将通过预设的神经网络模型对所述环境的安全性进行评估。

所述神经网络模型可以为多种类型，比如：基于卷积运算的神经网络系统、基于多层神经元的自编码神经网等等。所述神经网络模型需要经过预先的训练，所述训练过程可以通过预设的数据集进行，比如根据预设的机器人通行的环境信息以及机器人在该环境下的通行结果，通过输入大量的预设数据进行学习；也可以结合所述机器人在日常巡逻过程中采集到的数据进行自主学习，比如：所述机器人在巡逻过程中，可以不停的拍摄周边环境信息，结合通行的结果，以及自身的通行能力，进行训练。

机器人在巡逻过程中，采集导航路径上的图片数据，对采集到的图片数据进行预处理，比如进行剪裁、翻转、镜像等，以便于系统进行识别，同时，获取所述机器人的通行能力信息，所述通行能力信息包括所述机器人的底盘高度、轮胎强度以及涉水性能等等。获取到上述数据后，将上述预处理后的图片数据、通行能力信息以及对应的通行结果输入所述神经网络模型，生成环境信息矩阵，所述神经网络模型根据所述环境信息矩阵进行训练，输出评估结果，所述评估结果通常为一个评估值，系统预先设定安全阈值，当所述评估值大于所述安全阈值时，则评估为安全，当所述评估值小于所述安全阈值时，则评估为危险。当然，不同的神经网络模型的训练方式和算法会有不同，在这里不再赘述。

步骤104：若所述评估结果为安全，则所述机器人移出所述虚拟墙区域。

所述神经网络模型基于上述输入的预处理后的图片数据、通行能力信息以及对应的通行结果信息，对是否能够通行进行评估，如果评估结果为安全，则意味着所述机器人具备从当前虚拟墙区域中移出的能力，则所述机器人移出所述虚拟墙区域；如果评估结果为危险，则意味着所述机器人不具备从当前虚拟墙区域中移出的能力，或者，强行移出会对所述机器人造成伤害，则所述机器人将保持原状，将评估结果上报给服务台或者人工终端，请求人工协助。

当所述评估结果为安全，并且所述机器人移出成功后，所述机器人将通过寻找距离其最近的路径点，继续进行导航巡逻。

因此，由上可以知悉，本申请实施例提供的虚拟墙决策方法将环境识别能力和虚拟墙结合起来，当所述机器人发生误入虚拟墙区域的事件时，首先通过神经网络模型对周边环境进行分析，基于机器人自身能力和周边环境确定机器人是否具备自主移出的能力，当具备自主能力时，则依靠机器人自身的能力进行自主恢复，通过这种方式，降低了因误触发进入虚拟墙区域而使用人力解决的概率，提高了工作效率，节省了人力成本。

进一步的，本发明另一实施例还提出了一种虚拟墙决策方法，如图2所示，该方法对上述实施例进行了改进和完善，使该方法更加高效。

在该步骤201和202之前，所述机器人会执行上述实施例中的常规步骤，比如：获取自身当前位置信息、判断当前位置是否位于虚拟墙区域等等，在这里不再赘述，本实施例重点描述所述机器人进入虚拟墙区域之后的步骤。

步骤203：判断评估结果是否安全；

机器人将在步骤201中获取的环境信息，输入步骤202中的神经网络模型中，所述神经网络模型输出评估结果。

当所述评估结果为安全时，则转步骤205；当所述评估结果为危险时，则转步骤204。

步骤204：发出危险信息；

如果评估结果为危险，则所述机器人将停止行进，并发出危险信息。所述发出危险信息有多种方式，比如：所述机器人停止继续行进后，可以自行发出警报，通知周边的工作人员进行人工协助；也可以直接将评估结果上报给机器人后台系统，由后台程序进行分析后，进行处理，由后台系统通知相关工作人员进行人工协助；也可以直接向距离其最近的工作人员的手持终端发送危险信号，请求人工协助。

步骤205：判断所述机器人是否成功移出虚拟墙；

当所述评估结果为安全时，所述机器人将自主移出所述虚拟墙区域。

如果所述机器人自主移出所述虚拟墙区域成功，则转步骤206。

但由于环境的复杂性，以及神经网络模型的分析也会存在误差等，有可能会造成评估结果为安全，但机器人实际不具备自主移出虚拟墙区域的能力，在这种情况下，系统会进行重新判断，转步骤207；

当然，所述机器人也可以在其尝试移出虚拟墙区域失败后，不再做尝试，直接将所述评估结果更新为危险，并发出危险信息，转步骤208。

步骤206：寻找最近的路径点进行导航；

当所述机器人成功移出所述虚拟墙区域时，则机器人自主寻找距离其最近的路径点进行导航，重新开始行进。所述路径点为系统预先设定的巡逻路线经过的点或者某些巡逻的点，系统在开始时会通过网络下发给机器人，由机器人沿着巡逻路线或者以路径点为目标进行导航。

步骤207：判断未成功次数是否超过第一阈值；

当所述机器人自主移出所述虚拟墙区域没有成功时，则记录所述机器人移出所述虚拟墙区域失败的次数，并进行累计。当然，该计数仅仅针对此次进入虚拟墙区域，当所述机器人在其他时间进入其他虚拟墙区域时，则重新计数。

若所述机器人移出所述虚拟墙区域失败的次数超过第一阈值，则更新所述评估结果为危险，并发出危险信息，说明机器人经过多次尝试，仍然无法移出虚拟墙区域，需要人工协助，此时，机器人将更新所述评估结果为危险，并将其上报给人工协助，转步骤208。

若所述机器人移出所述虚拟墙区域失败的次数没有超过第一阈值，则所述机器人可以再次尝试，转步骤201，重新进行环境的分析。机器人将重新对当前位置的周边环境进行拍摄，并将拍摄结果发送给神经网络模型，由神经网络模型进行重新分析和评估，并根据评估结果进行相应的操作。

步骤208：更新评估结果并发出危险信息；

说明机器人在评估结果为安全的情况下，经过自身的多次尝试，仍然没有办法移出所述虚拟墙区域，则表明所述神经网络的评估存在误差，则所述机器人更新评估结果为危险，并上报，及发出危险信息。发出危险信息的方式如上所述，此处不再赘述。

由上可以知悉，本发明实施例通过在评估结果为安全时，对机器人的下一步动作进行分析，判断其是否真正具备自主移出的能力，并给予所述机器人多次尝试的机会，最大程度的发挥了机器人自身的能力，进一步，降低了因误触发进入虚拟墙区域而使用人力解决的概率，提高了工作效率，节省了人力成本。

本发明另一实施例还提供了一种虚拟墙决策装置300，如图3所示，包括：

位置信息获取模块301：用于获取机器人的当前位置信息；

环境信息获取模块302：用于在当前位置位于预设的虚拟墙区域内时，获取当前位置的环境信息；

评估模块303：用于将所述环境信息输入预设的神经网络模型，并通过所述神经网络模型对所述环境信息的安全性进行评估，输出评估结果；

决策模块304：用于在所述评估结果为安全时，指示所述机器人移出所述虚拟墙区域。

进一步的，所述评估模块303在进行评估之前，用于获取所述机器人通行的环境信息集合和所述机器人的对应的通行结果集合；

将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练。

进一步的，所述评估模块303在进行评估之前，用于采集所述机器人导航路径上的图片数据；

对采集到的图片数据进行预处理；

获取所述机器人的通行能力信息；

将所述预处理后的图片数据、通行能力信息以及通行结果输入所述神经网络模型进行训练。

进一步的，所述决策模块304用于在所述机器人移出所述虚拟墙区域失败时，则更新所述评估结果为危险，并发出危险信息。

进一步的，所述决策模块304用于在所述机器人移出所述虚拟墙区域失败时，记录所述机器人移出所述虚拟墙区域失败的次数；

若所述机器人移出所述虚拟墙区域失败的次数超过第一阈值，则更新所述评估结果为危险，并发出危险信息；

否则，继续采集所述机器人当前位置的环境信息，并发送给预设的神经网络模型进行评估。

进一步的，所述评估模块303还用于更新所述评估结果为危险，并发出危险信息，获取所述机器人当前位置的环境信息，并将所述环境信息和所述通行结果输入所述神经网络模型。

进一步的，所述虚拟墙决策装置300还包括导航模块305，用于在所述机器人移出所述虚拟墙区域成功，则所述机器人寻找距离其最近的路径点，继续导航。

因此，由上可以知悉，本申请实施例提供的虚拟墙决策方法将环境识别能力和虚拟墙结合起来，当所述机器人发生误入虚拟墙区域的事件时，首先通过神经网络模型对周边环境进行分析，基于机器人自身能力和周边环境确定机器人是否具备自主移出的能力，当具备自主能力时，则依靠机器人自身的能力进行自主恢复，通过这种方式，降低了因误触发进入虚拟墙区域而使用人力解决的概率，提高了工作效率，节省了人力成本。

本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的虚拟墙决策方法。

可执行指令具体可以用于使得处理器执行以下操作：

获取机器人的当前位置信息；

若所述机器人的当前位置位于预设的虚拟墙区域内时，获取当前位置的环境信息；

将所述环境信息输入预设的神经网络模型，并通过所述神经网络模型对所述环境信息的安全性进行评估；

若所述评估结果为安全，则所述机器人移出所述虚拟墙区域。

进一步的，执行所述方法之前，进一步包括：

获取所述机器人通行的环境信息集合和所述机器人的对应的通行结果集合；

将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练。

进一步的，所述将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练，包括：

采集所述机器人导航路径上的图片数据；

对采集到的图片数据进行预处理；

获取所述机器人的通行能力信息；

将所述预处理后的图片数据、通行能力信息以及通行结果输入所述神经网络模型进行训练。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域失败，则更新所述评估结果为危险，并发出危险信息。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域失败，记录所述机器人移出所述虚拟墙区域失败的次数；

若所述机器人移出所述虚拟墙区域失败的次数超过第一阈值，则更新所述评估结果为危险，并发出危险信息；

否则，继续采集所述机器人当前位置的环境信息，并发送给预设的神经网络模型进行评估。

进一步的，更新所述评估结果为危险，并发出危险信息，进一步包括：

获取所述机器人当前位置的环境信息，并将所述环境信息和所述通行结果输入所述神经网络模型。

进一步的，则所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域成功，则所述机器人寻找距离其最近的路径点，继续导航。

本发明实施例提供的计算机可读存储介质可以执行该虚拟墙决策方法，通过将环境识别能力和虚拟墙结合起来，当所述机器人发生误入虚拟墙区域的事件时，首先通过神经网络模型对周边环境进行分析，基于机器人自身能力和周边环境确定机器人是否具备自主移出的能力，当具备自主能力时，则依靠机器人自身的能力进行自主恢复，通过这种方式，降低了因误触发进入虚拟墙区域而使用人力解决的概率，提高了工作效率，节省了人力成本。

图4示出了本发明提供的机器人的实施例的结构示意图，本发明具体实施例并不对机器人的具体实现做限定。

如图4所示，该机器人可以包括：摄像头401、处理器(processor)402、通信接口404、存储器(memory)406、以及通信总线408。

其中：摄像头401、处理器402、通信接口404以及存储器406通过通信总线408完成相互间的通信。摄像头401，用于进行视频或图像进行采集。处理器402，用于执行程序410，具体可以执行上述虚拟墙决策方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。机器人包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序410具体可以用于使得处理器402执行以下操作：

获取机器人的当前位置信息；

若所述机器人的当前位置位于预设的虚拟墙区域内时，获取当前位置的环境信息；

将所述环境信息输入预设的神经网络模型，并通过所述神经网络模型对所述环境信息的安全性进行评估；

若所述评估结果为安全，则所述机器人移出所述虚拟墙区域。

进一步的，执行所述方法之前，进一步包括：

获取所述机器人通行的环境信息集合和所述机器人的对应的通行结果集合；

将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练。

进一步的，所述将所述通行环境信息集合和所述通行结果集合输入所述神经网络模型进行训练，包括：

采集所述机器人导航路径上的图片数据；

对采集到的图片数据进行预处理；

获取所述机器人的通行能力信息；

将所述预处理后的图片数据、通行能力信息以及通行结果输入所述神经网络模型进行训练。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域失败，则更新所述评估结果为危险，并发出危险信息。

进一步的，所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域失败，记录所述机器人移出所述虚拟墙区域失败的次数；

若所述机器人移出所述虚拟墙区域失败的次数超过第一阈值，则更新所述评估结果为危险，并发出危险信息；

否则，继续采集所述机器人当前位置的环境信息，并发送给预设的神经网络模型进行评估。

进一步的，更新所述评估结果为危险，并发出危险信息，进一步包括：

获取所述机器人当前位置的环境信息，并将所述环境信息和所述通行结果输入所述神经网络模型。

进一步的，则所述机器人移出所述虚拟墙区域，进一步包括：

若所述机器人移出所述虚拟墙区域成功，则所述机器人寻找距离其最近的路径点，继续导航。

本发明实施例提供的机器人，通过将环境识别能力和虚拟墙结合起来，当所述机器人发生误入虚拟墙区域的事件时，首先通过神经网络模型对周边环境进行分析，基于机器人自身能力和周边环境确定机器人是否具备自主移出的能力，当具备自主能力时，则依靠机器人自身的能力进行自主恢复，通过这种方式，降低了因误触发进入虚拟墙区域而使用人力解决的概率，提高了工作效率，节省了人力成本。

本发明实施例提供一种虚拟墙决策装置，用于执行上述虚拟墙决策方法。

本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使机器人执行上述任意方法实施例中的虚拟墙决策方法。

本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的虚拟墙决策方法。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。