自动回充方法
技术领域
本发明是关于一种基于神经网络的电子装置自动回充方法。
背景技术
移动式机器人(mobile robot)涵盖范围甚广，凡扫地机器人、服务型机器人、娱乐型机器人、飞行监视器等，能够通过机械、电子、软件技术并通过自动化功能完成所属工作皆属于移动式机器人的范畴。移动式机器人通常包括设置在内部的充电电池，以提供机器人所需的电源。当机器人需要对充电电池进行充电时，移动式机器人会搭配一个充电座，充电座上配置有红外线或无线信号发射器，以发出红外线或无线信号，移动式机器人的信号接收器根据此红外线或无线信号进行自动引导，使移动式机器人回到充电座进行充电。然而，红外线或无线信号容易受到左右两侧的障碍物与周围环境影响，对红外线或无线信号产生干扰，而导致移动式机器人无法回到充电座而导致自动回充失败。
发明内容
有鉴于此，本发明公开一种自动回充方法，其适用于一电子装置，电子装置通过一充电座进行充电，且充电座发射一感应信号于一感应信号范围内，此自动回充方法包含于电子装置建构一神经网络模型；根据一电子装置对应充电座的相对位置提供路径规划的权重分数，用以训练神经网络模型，以产生一优化神经网络模型；根据于感应信号范围内的感应信号判断电子装置的一实时位置；以及电子装置依据感应信号自动引导回到充电座，或是根据优化神经网络模型，对实时位置进行运算，以选择最大权重分数的路径规划作为要走的最佳充电路径，直至回到充电座为止。
综上所述，本申请的自动回充方法进行神经网络的适应学习，再利用神经网络模型引导电子装置到信号强且不被干扰的中间区域，以利于电子装置回到充电座进行回充，避免电子装置回充失败的情况发生。
有关本发明的其它功效及实施例的详细内容，配合图式说明如下。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的图作简单地介绍，显而易见地，下面描述中的图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其它的图。
图1是根据本发明一实施例的电子装置充电架构的方块示意图；
图2是根据本发明一实施例的自动回充方法的流程示意图；
图3是根据本发明一实施例的感应信号范围的示意图；
图4是根据本发明一实施例的训练神经网络的流程示意图；
图5是根据本发明一实施例的神经网络的示意图；
图6是根据本发明一实施例的判断实时位置的流程示意图；
图7是根据本发明另一实施例的感应信号范围的示意图。
具体实施方式
以下将详述本发明的实施例，并配合图式作为例示。除了这些详细说明之外，本发明亦可广泛地施行于其它的实施例中，任何所述实施例的轻易替代、修改、等效变化都包含在本发明的范围内，并以申请专利范围为准。在说明书的描述中，为了使读者对本发明有较完整的了解，提供了许多特定细节；然而，本发明可能在省略部分或全部特定细节的前提下，仍可实施。此外，众所周知的步骤或组件并未描述于细节中，以避免对本发明形成不必要的限制。图式中相同或类似的组件将以相同或类似符号来表示。特别注意的是，图式仅为示意用，并非代表组件实际的尺寸或数量。
请参照图1，为根据本发明一实施例的电子装置充电架构的方块示意图，请参阅图1所示，一充电座10具有一信号发射器12，以发射感应信号于一感应信号范围内。在一些实施例中，感应信号为红外线信号或是无线信号。一电子装置20具有一处理器22、一信号接收器24及一距离传感器26，且处理器22电性连接信号接收器24与距离传感器26，信号接收器24用来接收信号发射器12持续发出的感应信号，以根据感应信号自动引导电子装置回到充电座10进行充电，距离传感器26则用来侦测电子装置20与充电座10的距离，以提供给处理器22进行运算。
一实施例中，距离传感器26为声纳传感器或雷射传感器，且距离传感器26在此以一个为例，但当不能以此为限，可依实际需求而有一个或多个不同数量的设计。在一些实施例中，电子装置20可以是但不限于扫地机器人、服务型机器人、娱乐型机器人、飞行监视器等。
图2为根据本发明一实施例的自动回充方法的流程示意图，请同时参阅图1及图2所示，自动回充方法适用于上述电子装置20，且电子装置20通过充电座10进行充电。首先如步骤S10，于电子装置20中的处理器22先建构一神经网络模型，以利用神经网络可学习输入数据与输出数据的关系的特性来进行运算。
如步骤S12，处理器22根据电子装置20对应充电座10的相对位置提供路径规划的权重分数，并用以训练神经网络模型，以产生一优化神经网络模型。请配合图3所示，充电座10发射感应信号于一感应信号范围30内，以充电座10为基准，感应信号范围30具有一中间区域32以及位于中间区域32二侧的左侧区域34与右侧区域36。在另一实施例中，中间区域32亦可为一扇形区域，当不能以此为限。
当电子装置20的相对位置为超出感应信号范围30时，权重分数为一第一权重分数，当电子装置20的相对位置为左侧区域34或右侧区域36时，权重分数为一第二权重分数，且当电子装置20的相对位置为中间区域32时，权重分数为一第三权重分数，其中第三权重分数大于第二权重分数且第二权重分数大于等于第一权重分数。也就是，第三权重分数>第二权重分数≥第一权重分数。因此，在电子装置20进行路径规划时，会根据不同相对位置而得到不同的权重分数，以此训练神经网络。
一实施例中，第一、第二及第三权重分数可为正数或是负数，举例来说，第一权重分数为-2，第二权重分数为-1，且第三权重分数为2。在另一实施例中，中间区域又可以再细分为靠近充电座的前中间区域，远离充电座的后中间区域，此时第三权重分数也可对应细分为二，前中间区域的第三权重分数为1，后中间区域的第三权重分数为2。在此将权重分数依据感应信号范围的位置而分成三个权重分数(第一、第二及第三权重分数)，但本申请并不限于使用三个权重分数，而可视需求使用更多的权重分数，当不能以此为限。
接续如步骤S14，根据于感应信号范围30内的感应信号判断电子装置20的一实时位置，由于电子装置20的信号接收器24可以接收来自充电座10的感应信号，再配合距离传感器26的作用，因此电子装置20可以知道本身所在的实时位置，包含位置与方向。最后如步骤S16，根据此实时位置，电子装置20选择依据感应信号自动引导回到充电座10进行充电，或是根据优化神经网络模型，处理器22对实时位置进行运算，以选择最大权重分数的路径规划作为要走的最佳充电路径，直至回到充电座10为止。
一实施例中，处理器22在对实时位置进行运算时，可利用神经网络模型选择电子装置20与充电座10之间的距离，再利用勾股定理计算电子装置20于最佳充电路径中要行进的距离。
一实施例中，如图1～图4所示，在步骤S12进行神经网络训练时，此步骤更进一步细分为多个步骤。如步骤S121，电子装置20利用处理器22进行一路径规划，此时已取得电子装置20对应于充电座10的相对位置。如步骤S122，判断电子装置20的相对位置是否有超出感应信号范围30，若电子装置20的相对位置超出感应信号范围30时，如步骤S123，在神经网络模型的输出分类中，对此路径规划给予最低的第一权重分数，以训练神经网络；若电子装置20的相对位置没有超出感应信号范围30时，则继续进行步骤S124。
如步骤S124，判断电子装置20的相对位置是否在充电座10的左侧区域34或右侧区域36，若电子装置20的相对位置位于充电座10的左侧区域34或右侧区域36时，如步骤S125，在神经网络模型的输出分类中，对此路径规划给予较低的第二权重分数，以训练此神经网络。若电子装置20的相对位置没有位于充电座10的左侧区域34或右侧区域36时，则继续进行步骤S126，表示电子装置20的相对位置位于感应信号范围30的中央区域32内，则在神经网络模型的输出分类中，对此路径规划给予较高的第三权重分数，以训练此神经网络，通过前述训练过程以产生优化神经网络模型。
在一实施例中，电子装置可先通过本机信号或是远程(云端)训练，以对神经网络模型进行训练，也就是先以大量训练数据对神经网络进行训练，以取得出各个输入节点的输入数据与各个隐藏层神经元的权重、各个输出节点的权重分数等等，而后配合电子装置实时位置的数据作为各个输入节点的输入数据，以进行路径规划预测。
图5为根据本发明一实施例的神经网络的示意图，如图5所示，此神经网络在第一层具有153个输入节点，根据三个信号发射器的三个感应信号以及三个距离传感器各自的50次距离感测，共输入153个信号，在第二～五层中具有多个以全联结连接的隐藏层神经节点，在第六层具有9个输出节点，每个输出节点代表一路径规划的权重分数，在此以总共六层为例，但本申请并不限于使用六层的神经网络，而可视需求使用一至多层的隐藏层神经节点，且在此使用的输入节点数量、隐藏层神经元节点数量、输出节点数量等仅为一示范例，当不能以此限制限制本申请，本申请的输入节点个数、隐藏层神经元个数、输出节点个数可视情况调整为任意个数。另外，本申请更可采用梯度下降算法来修正各个权重值，以优化参数。初步训练完成的神经网络模型，就可以根据实时位置的输入数据，进行充电路径的输出预测。
一实施例中，请同时参阅图1～图3及图6，在步骤S14根据感应信号取得电子装置的实时位置之后，步骤S16更进一步细分为多个步骤。如图所示，在步骤S161中，根据取得的实时位置判断电子装置20是否位于充电座10的左侧区域34或右侧区域36，若电子装置20不是位于左侧区域34或右侧区域36内，表示电子装置20的实时位置位于中央区域32内，此时即进行步骤S163，电子装置20根据充电座10发出的感应信号自动引导回到充电座10进行充电。
若电子装置20位于左侧区域34或右侧区域36内，则进行步骤S162，根据优化神经网络模型，处理器22对实时位置进行运算，以选择最大权重分数的路径规划作为要走的最佳充电路径，并到达新的实时位置后，重新回到步骤S14，根据新的实时位置重复进行上述步骤，以引导电子装置20到中间区域32，直至回到充电座10为止。
请参阅图7所示的一实施例，在此电子装置20以扫地机器人为例，如图1及图7所示，充电座10利用三个红外线发射器作为信号发射器12，在此红外线感应信号范围内会有不同编号，远离充电座10的中线后段区域标示为7，靠近充电座10的中线前段区域标示为2，接近中线的中间区域标示为3和6，使中线后段区域7、中线前段区域2及接近中线的中间区域3、6组成的扇形区域作为图3中的感应信号范围30内的中间区域32，而在扇形区域二侧的左侧区域标示为1，在扇形区域二侧的右侧区域则标示为4。
当电子装置20位于左侧区域1的A点时，电子装置20会通过优化神经网络模型提供的最佳充电路径选择0.6米作为A点(电子装置所在位置)到充电座10的距离，再利用勾股定理进行运算，取得A点到B点的距离为0.8米，使电子装置20据此行进到B点的位置，此位置即为接近中线后段区域7的位置(也就是图3的中间区域32)，当电子装置20被引导到接近中线后段区域7位置时，即可以根据红外线感应信号的引导顺利回到充电座10进行充电。
因此，本申请的电子装置自动回充方法，在神经网络模型的适应学习以及强化学习下，利用优化神经网络模型引导电子装置到信号强且不被干扰的中间区域，且因为路径规划训练愈多，电子装置就会愈来愈快到达中间区域，故可使电子装置快速的回到充电座进行回充，有效避免电子装置回充失败的情况发生。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修饰为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。
