异常检测及解决的制作方法

1.本公开大体上涉及与异常检测及解决相关联的设备、非暂时性机器可读媒体及方法。


背景技术：

2.计算装置是传输或修改能量以执行或辅助执行人类任务的机械或电气装置。实例包含可自动复制某些人类活动及机能(例如，实行一系列动作)的机器人。如本文中使用，“自动”可包含在用户输入有限或无用户输入及/或提示有限或无提示的情况下执行的动作。在一些实例中，可通过外部控制装置指导机器人或控制可嵌入其内。
3.机器人可接受电子编程，用电子方式处理数据或物理感知，在某种程度上自主操作，四处移动，操作其自己的物理部分或物理过程，感测及操纵其环境，及展现智能行为(例如，模仿人类或其它动物的行为)。实例机器人包含移动机器人(例如，清洁机器人(例如，吸尘机器人、除尘机器人、拖地机器人、割草机器人等)及递送机器人(例如，无人机、包裹递送机器人等))、工业机器人、交互式机器人及模块化机器人等。
附图说明
4.图1是表示根据本公开的若干实施例的用于异常检测及解决的实例方法的流程图。
5.图2是表示根据本公开的若干实施例的用于异常检测及解决的实例方法的另一流程图。
6.图3是表示根据本公开的若干实施例的用于异常检测及解决的实例方法的又另一流程图。
7.图4是表示根据本公开的若干实施例的与其上写入有指令的存储器资源通信的处理资源的功能图。
8.图5是根据本公开的若干实施例的呈包含与其上写入有指令的多个存储器资源通信的多个处理资源的系统的形式的功能框图。
具体实施方式
9.描述与异常检测及解决有关的设备、系统及方法。机器人用于包含递送及清洁任务的数个任务。例如，清洁机器人可清洁其路径中的足够小尺寸的物品且可围绕大的静态物品(例如，椅子)移动。然而，这些机器人可能无法识别物品是什么且可能无法检测移动物品(例如，递送机器人附近的狗)。本公开的实例可通过允许异常检测及解决来改进机器人的有效性及性能。例如，本公开的实例可检测机器人路径中的物体，以及环境因素，且使用机器学习模型将其分类为异常或非异常。可解决异常，且机器人可继续执行其主要任务。
10.本公开的实例可包含：当机器人在环境中执行任务时，经由机器人的传感器检测机器人的路径中的物体；及使用机器学习模型将物体分类为异常或非异常且将环境分类为
异常或非异常。此类实例可包含：响应于将物体分类为非异常且将环境分类为非异常而继续进行任务；及响应于将物体分类为异常或将环境分类为异常而解决异常或异常环境并继续进行任务。
11.本公开的其它实例可包含一种设备，所述设备包含处理资源及与所述处理资源通信的存储器资源，所述存储器资源具有指令，所述指令可执行以在所述设备在环境中执行清洁任务时经由所述设备的传感器检测所述设备的路径中的物体。所述指令还可执行以：基于与先前由传感器检测到的物体相关联的历史数据使用机器学习模型将设备的路径中的物体分类为异常或非异常且将环境分类为异常或非异常；及基于分类及基于与先前由传感器检测到的物体相关联的历史解决方案数据的机器学习模型确定对设备的路径中的物体的响应。响应可包含指令，所述指令可执行以：响应于将设备的路径中的物体分类为非异常且将环境分类为非异常而移除设备的路径中的物体并继续进行清洁任务，及响应于将设备的路径中的物体分类为异常或将环境分类为异常而解决异常或异常环境并继续进行清洁任务。
12.本公开的又其它实例可包含一种包含彼此通信耦合的多个递送机器人的系统。多个递送机器人中的每一者可包含处理资源及与所述处理资源通信的存储器资源，所述存储器资源具有指令，所述指令可执行以在递送机器人在环境中执行递送任务时经由传感器检测递送机器人的路径中的物体。所述指令可执行以：基于与先前由传感器检测到的物体相关联的历史数据及从多个递送机器人中的其它递送机器人接收的历史数据使用机器学习模型将物体分类为异常或非异常且将环境分类为异常或非异常；及基于分类及基于与先前由传感器在环境中检测到的物体相关联的解决方案数据及从多个递送机器人中的其它递送机器人接收的历史数据的机器学习模型确定对物体的响应。
13.在此类实例中，响应可包含指令，所述指令可执行以：响应于将递送机器人的路径中的物体分类为非异常且将环境分类为非异常而继续进行递送任务；响应于将递送机器人的路径中的物体分类为异常或将环境分类为异常而解决异常或环境；及基于分类及经确定响应来更新机器学习模型。
14.在本公开的以下详细描述中，参考形成本公开的一部分且通过说明展示可如何实践本公开的一或多个实施例的附图。对这些实施例进行足够详细的描述以使所属领域的一般技术人员能够实践本公开的实施例，且应理解，可利用其它实施例，并且在不脱离本公开的范围的情况下可进行过程改变、电气改变及结构改变。
15.如本文中使用，特定来说关于图中的附图标记的例如“n”等的标志符指示可包含如此指定的特定特征的数目。还应理解，本文中使用的术语仅用于描述特定实施例的目的且不希望为限制性的。如本文中使用，单数形式“一”、“一个”及“所述”可包含单数及复数指示物，除非上下文另外明确规定。另外，“若干”、“至少一个”及“一或多个”(例如，若干存储器装置)可指一或多个存储器装置，而“多个”希望指超过一个此类事物。此外，在整个本技术中，词语“可”及“可能”以许可意义(即，有可能、能够)使用，而不是以强制意义(即，必须)使用。术语“包含”及其衍生词意味着“包含(但不限于)”。术语“耦合(coupled)”及“耦合(coupling)”意味着直接或间接地物理连接或存取及移动(传输)命令及/或数据，视上下文而定。术语“数据”及“数据值”在本文中可互换使用且可具有相同含义，视上下文而定。
16.本文中的图遵循编号惯例，其中第一数字或前几个数字对应于图号且剩余数字识
别图中的元件或组件。可通过使用类似数字来识别不同图之间的类似元件或组件。举例来说，448可指图4中的元件“48”，且类似元件在图5中可被标注为548。如将了解，本文中各种实施例中展示的元件可经添加、交换及/或消除以便提供本公开的若干额外实施例。另外，在图中提供的元件的比例及/或相对尺度希望说明本公开的某些实施例且不应被视为限制性意义。
17.一个图内的多个类似元件可用后接连字符及另一数字或字母的附图标记来引用。举例来说，558-1可指图4中的元件58-1且558-n可指可类似于元件58-1的元件58-n。可在无连字符及额外数字或字母的情况下一般性地引用此类类似元件。举例来说，元件558-1及558-n可统称为558。
18.本公开的一些实例包含使用传感器及机器学习模型来改进包含清洁及递送机器人的机器人的功能性。例如，本公开的实例可检测及解决机器人的路径中的异常(例如，异常物体、异常环境)。如本文中使用，异常可包含偏离标准、正常或预期的东西。异常可能不容易分类或可能偏离共同规则、类型、布置或形式。检测及解决异常可提高机器人的性能及效率，以及机器人的用户满意度。
19.例如，使用机器学习模型，根据本公开的机器人可获知物体a通常不在环境b中，且因此，可将物体a检测为异常。机器人可使用机器学习模型来确定如何解决异常(例如，移动其，处置其等)。类似地，机器人可检测异常环境(例如，攻击狗)且确定如何解决其(例如，撤退到更安全位置)。
20.图1是表示根据本公开的若干实施例的用于异常检测及解决的实例方法100的流程图。方法100可由系统或设备(例如关于图5描述的系统570或关于图4描述的设备)执行。
21.在102，方法100包含当机器人在环境中执行任务时在处理资源处且经由机器人的传感器检测机器人的路径中的物体。例如，机器人可使用图像传感器(例如，相机)或压力传感器以及其它传感器来接收图像数据、压力数据等，且当在环境中执行清洁任务或在环境中执行递送任务以及其它任务时使用所述传感器来检测物体。数据可包含描述并提供关于数据的信息(例如，位置、文件名等)的相关联元数据。环境可包含机器人操作所在的周围环境或条件。举例来说，当机器人执行清洁任务时，机器人可使用图像传感器(例如，“看到”玩具)或压力传感器(例如，“感觉到”玩具)来检测浴室地板上的儿童玩具。
22.在104，方法100包含在处理资源处使用机器学习模型将物体分类为异常或非异常且将环境分类为异常或非异常。本文中将进一步论述的机器学习模型可基于提供给机器人的训练数据集以及在先前任务期间收集的数据。在一些实例中，在分类期间可使用元数据作为机器学习模型的部分。例如，在一些例子中，将物体分类为异常或将环境分类为异常可包含基于所接收的数据及先前接收的数据，使用机器学习模型来确定物体或环境偏离通常在路径中检测到的物体或通常与任务相关联的环境。举例来说，机器人可能先前遇到过玩具及/或先前遇到过浴室环境。机器学习模型可使用在先前遭遇中作出的分类来确定当前物体及环境的分类。使用机器学习模型，可确定玩具是非异常的，但从浴室中的水槽喷出的水表明环境是异常的。在一些实例中，异常可为先前在表格中尚未识别、分类及表征的任何物体；或异常可为与先前识别物体具有阈值数目差异的任何物体。
23.在106，方法100包含响应于处理资源将物体分类为非异常且将环境分类为非异常而继续进行任务，且在108，方法100包含响应于处理资源将物体分类为异常或将环境分类
为异常而解决异常或异常环境并继续进行任务。举例来说，在以下实例中可在继续进行任务之前解决异常：物体分类为异常，环境分类为异常；物体分类为非异常，环境分类为异常；及物体分类为异常，环境分类为非异常。虽然本文中给出三个实例，但在继续进行任务之前解决异常时，其它情境可为可能的。
24.在机器人检测到泥室地板上的污垢的实例中，可确定物体(例如，污垢)或环境(例如，泥室)都不是异常的，所以机器人可继续进行其清洁任务(例如，吸尘)，其可包含清洁污垢。相反，在玩具实例中，可通过警告用户喷水(例如，警报、发送警告/消息等)来解决异常环境。在解决喷水后，机器人可继续进行其任务(例如，吸尘)。如果玩具被分类为非异常，那么机器人可在围绕其移动，但如果玩具被分类为异常，那么机器人可移动它。例如，解决异常可包含处理资源、存储器资源或两者指示机器人将物体移动到不同位置或处理资源、存储器资源或两者与不同机器人(例如，不同机器人的处理资源)通信以将物体移动到不同位置。
25.在一些例子中，不同位置可包含将异常物体带到(或发送到)的设置位置。例如，在仓库中，掉在地板上的箱子可被分类为异常，且机器人可将箱子移动到预定位置或指示另一机器人将箱子移动到预定位置以用于进一步分析或处理。在一些例子中，不同位置是异常应处的位置(例如，垃圾桶、合适的架子、儿童房间等)。
26.在一些实例中，方法100可包含当机器人执行任务时在处理资源处从传感器接收关于任务及任务环境的数据。例如，当机器人清洁或递送产品时，机器人(例如，在处理资源、耦合到处理资源的存储器资源或两者处)可取决于与清洁或递送相关联的传感器类型及发生清洁或递送的环境来接收图像数据、压力数据、温度数据及其它数据。
27.机器人的处理资源、耦合到处理资源的存储器资源或两者可基于所接收的数据经由机器学习模型获知任务及任务环境，且处理资源、存储器资源或两者可基于所接收的数据及先前在先前任务执行期间从传感器接收的数据来更新机器学习模型。在递送机器人实例中，机器人可基于在任务期间从传感器接收及从先前任务执行接收的数据来获知特定城市的天气(例如，下雨、刮风、晴朗等)。可相应地更新机器学习模型。例如，在华盛顿州西雅图市(seattle,washington)，机器学习模型可获知降雨是常见的而非异常的，而在加利福尼亚州死亡谷(death valley,california)，雷暴雨可为要解决的异常。
28.在一些例子中，处理资源、存储器资源或两者可从基于云的服务接收机器学习模型，运用在执行任务时收集的数据扩充机器学习模型，且在机器人耦合到充电站时运用所收集数据更新机器学习模型。例如，执行清洁任务的机器人可在清洁时经由传感器接收数据，但在执行清洁任务时几乎不执行处理。当机器人返回到其充电站时，所接收的数据与和机器学习模型相关联的其它数据组合，且可更新机器学习模型。例如，此可允许隐私保护，因为机器学习模型是从基于云的服务检索但在机器人进行充电时例如使用例如知识蒸馏及主动学习等的方法在本地进行重新训练。此可防止个人信息被发送到基于云的服务。
29.在一些实例中，处理资源、存储器资源或两者可获知任务及任务环境，且经由基于云的服务、局域网或其组合更新机器学习模型。例如，可在云中(例如，运用适当加密)、在本地(例如，在局域网内的机器人之间)或两者进行更新。例如，递送机器人可在充电位置处与其它递送机器人通信。在充电时，机器人可交换数据，且可使用共享数据在本地重新训练机器学习模型。在一些实例中，还可将数据发送到基于云的服务以用于进一步重新训练机器
学习模型。
30.图2是表示根据本公开的若干实施例的用于异常检测及解决的实例方法210的另一流程图。方法200说明与机器人相关联的机器学习模型在本地、在基于云的服务或其组合的部署。例如，机器人在212执行其主要任务(例如，清洁、递送等)。在214，机器学习模型m_1作为子任务运行且将在主要任务期间识别的物体及环境分类为异常/异常或非异常/非异常。当机器人在充电站时或当机器人正在执行主要任务时，可能发生这种情况。
31.在216，如果物体及/或环境被确定为异常，那么机器学习模型m_2作为子任务运行。例如，m_2可用于分析及比较物体及/或环境的特性并与先前遇到的物体及/或环境以及训练m_2的数据比较，以确定异常的解决方案。此可确认物体及/或环境是否异常以及物体及/或环境是什么类型的异常。如果按照m_1确定物体及环境都不异常，那么m_2不运行，此降低机器人的功率消耗。
32.在218，方法210可包含确定是否可解决异常物体及/或环境以及如何解决。在一些例子中，可确定多个潜在解决方案，且使用机器学习模型m_3，可作出关于异常物体及/或环境的解决方案的决策。在220可确定解决异常。例如，如果机器人遇到打开的门，那么解决方案选项可包含绕过门或关闭门。使用m_3，可确定用机器人自己的力量关闭门。
33.替代地，在222，可确定不解决异常，而代替地执行缓解动作。例如，代替机器人在它自己的力量下关闭门，机器人可传达门是打开的，使得用户可找到打开的门并关闭它。在一些例子中，缓解动作可被认为是异常的解决方案。
34.在224，机器人可继续进行主要任务。无论未检测到异常，检测到并解决异常，或检测到异常并执行缓解动作，都可能发生这种情况。
35.图3是表示根据本公开的若干实施例的用于异常检测及解决的实例方法326的又另一流程图。方法326包含机器学习模型m_1、m_2及m_3的训练过程。图3中说明的实例涉及清洁机器人，但实例不限于清洁机器人且可包含例如递送机器人的其它移动机器人。
36.在328，(例如，经由图像传感器)收集与机器人及/或与机器人相关联的先前物体及/或环境相关联的历史数据，且在334处理数据。在336，机器学习模型m_1经训练以作出关于异常、非异常(例如，垃圾、放错位置的物体、并非垃圾或异常的物品)的确定。例如，医院中的清洁机器人可受益于由其它机器人收集的历史数据，且此数据可连同清洁机器人每次清洁医院时收集的数据一起用于训练m_1。所收集数据可经处理且用于扩充m_1。
37.在330，可(例如，经由图像传感器、压力传感器、天气传感器等)收集与物体及/或环境以及其特性(例如，重量、尺寸、颜色、形状、结构、温度等)相关联的历史数据。可在338处理数据以及由机器人在其主要任务期间收集的数据，且可在340训练机器学习模型m_2。在332，可收集与不同物体及/或环境的异常解决相关联的历史数据(例如，先前如何解决特定异常)。可在342处理数据，且可训练机器学习模型m_3以基于物体及/或环境分类以及物体及/或环境的特性作出潜在决策。例如，m_3可用于确定机器人是否具有针对特定异常的解决方案，或机器人是否需要与用户通信以请求解决方案。
38.在一些实例中，可在机器人充电时执行机器学习模型m_1、m_2及m_3的训练，以保护机器人的电池寿命并增加安全性。例如，在机器人执行其主要任务时进行训练可降低电池寿命及性能。另外，在机器人执行其主要任务时进行训练可使个人数据容易受到黑客攻击，因为经由网络发送数据。在一些实例中，运用安全加密，可经由基于云的服务执行训练。
39.图4是表示根据本公开的若干实施例的与其上写入有指令450、452、454的存储器资源446通信的处理资源448的功能图。图4中说明的设备可为服务器或计算装置(例如，机器人或机器人的一部分)且可包含处理资源448。设备可进一步包含存储器资源446(例如，非暂时性mrm)，可在其上存储例如指令450、452、454的指令。尽管以下描述涉及一个处理资源及一个存储器资源，但是描述也可适用于具有多个处理资源及多个存储器资源的系统。在此类实例中，指令可跨多个存储器资源分布(例如，存储)且指令可跨多个处理资源分布(例如，通过多个处理资源执行)。
40.存储器资源446可为存储可执行指令的电子、磁性、光学或其它物理存储装置。因此，举例来说，存储器资源446可为非易失性或易失性存储器。举例来说，非易失性存储器可通过在未通电时保留写入数据来提供持久数据，且非易失性存储器类型可包含nand快闪存储器、nor快闪存储器、只读存储器(rom)、电可擦除可编程rom(eeprom)、可擦除可编程rom(eprom)及存储类存储器(scm)，其可包含电阻可变存储器，例如相变随机存取存储器(pcram)、三维交叉点存储器(例如，3d xpoint
tm
)、电阻随机存取存储器(rram)、铁电随机存取存储器(feram)、磁阻随机存取存储器(mram)及可编程导电存储器，以及其它类型的存储器。易失性存储器可能需要电力来维持其数据且可包含随机存取存储器(ram)、动态随机存取存储器(dram)及静态随机存取存储器(sram)等。
41.在一些实例中，存储器资源446是包括随机存取存储器(ram)、电可擦除可编程rom(eeprom)、存储驱动器、光盘及类似者的非暂时性mrm。可将存储器资源446安置于控制器及/或计算装置内。在此实例中，可将可执行指令450、452、454“安装”于装置上。额外地及/或替代地，存储器资源446可为便携式、外部或远程存储媒体，举例来说，其允许系统从便携式/外部/远程存储媒体下载指令450、452、454。在此情境中，可执行指令可为“安装包”的部分。如本文中描述，存储器资源446可运用可执行指令进行编码以用于环境中的(例如，机器人的)异常检测及解决。
42.指令450在由例如处理资源448的处理资源执行时可在设备在环境中执行清洁任务时经由设备的传感器检测设备的路径中的物体。例如，机器人可在其正在执行其任务的家中检测污垢、打开的门、移动物体、人、宠物、其它机器人、纸张、珠子等。虽然在此实例中使用家作为实例环境，但其它环境可包含医院、餐馆、超市、机场、仓库、商店、街道/道路/停车场、办公室等。例如，传感器可包含图像传感器(例如，相机)、压力传感器或其组合以及其它传感器。
43.指令452在由例如处理资源448的处理资源执行时，可基于与先前由传感器检测到的物体相关联的历史数据(包含(例如)与先前由传感器检测到的物体相关联的物理特性、环境特性(例如，可生物降解与不可生物降解)或其组合的历史数据)使用机器学习模型将设备的路径中的物体分类为异常或非异常且将环境分类为异常或非异常。举例来说，机器人可使用机器学习模型来检测打开的门，所述机器学习模型已使用包含与打开的门或具有类似特性的打开的门相关联的历史特性数据的数据来训练。因此，可将打开的门分类为异常。类似地，机器人可检测到纸张且如果其低于特定尺寸或包含很少颜色，那么使用机器学习模型将其分类为非异常(例如，垃圾)。相反，如果纸张大于特定尺寸或非常多颜色，那么可将其分类为异常或未知。通过机器学习模型学习的此类特性可指示儿童的艺术品或其它文书作品。
44.在一些例子中，可基于以下各者的组合使用机器学习模型对路径中的物体进行分类：与先前由传感器检测到的物体相关联的历史数据，与先前由传感器检测到的物体相关联的物理特性的历史数据，及与设备的路径中的物体及环境的分类、先前由传感器检测到的物体及环境的分类或两者相关联的所接收用户输入。例如，如果路径中的物体被确定为珠子，那么与物体相关联的历史数据、物理特性、环境特性及用户输入的组合可导致异常的分类，因为物体不是垃圾(例如，儿童的珠子收集)，而是放错位置的物品，其不应被清洁机器人清洁。
45.指令454在由例如处理资源448的处理资源执行时，可基于分类及基于与先前由传感器检测到的物体相关联的历史解决方案数据的机器学习模型来确定对设备的路径中的物体的响应。例如，如果所检测物体是被分类为异常的打开的门，那么机器人可基于机器人关闭门的成功历史解决方案通过使用其自己的力量关闭门来作出响应。
46.在一些例子中，确定对路径中的物体的响应可包含基于以下各者的组合使用机器学习模型：设备的路径中的物体的分类、与先前由传感器检测到的物体相关联的历史解决方案数据，及与设备的路径中的物体的解决方案及先前由传感器检测到的物体的解决方案或两者相关联的所接收用户输入。例如，在珠子实例中，机器人可基于组合来确定响应是将珠子移动到存储放错位置的物品的特定位置。
47.在一些实例中，指令454可执行以：响应于将设备的路径中的物体分类为非异常且将环境分类为非异常而移除设备的路径中的物体并继续进行清洁任务；及响应于将设备的路径中的物体分类为异常或将环境分类为异常而解决异常或异常环境并继续进行清洁任务。例如，可将污垢分类为非异常。在此一实例中，机器人可继续进行其任务并清洁污垢。在打开的门实例中，机器人可通过使用其自己的力量关闭门来解决异常。
48.在一些例子中，解决异常可包含指示设备将设备的路径中的物体移动到不同位置，指示不同设备将设备的路径中的物体移动到不同位置，或其组合。例如，在珠子实例中，机器人可将珠子移动到特定位置或指示不同设备移动珠子。在仓库实例中，从架子上掉落(且分类为异常)的箱子对于机器人来说可能太大而无法移动。在此一实例中，机器人可指示更强壮的机器人移动箱子。
49.在一些实例中，设备可包含指令，所述指令可执行以在机器人执行清洁任务时从传感器接收关于清洁任务及环境的数据，经由机器学习模型且基于所接收的数据获知清洁任务及环境，且基于所接收的数据、与先前由传感器检测到的物体相关联的历史数据、与先前由传感器检测到的物体相关联的历史解决方案数据、与清洁任务相关联的用户输入或其组合来更新机器学习模型。举例来说，如果机器人正在清洁房屋并检测到对环境的添加(例如，添加到房屋的房间)或新物体(例如，新灯)，那么其可收集新数据并在其返回到其充电站时使用所述新数据来训练相关联机器学习模型。当检测到新元素时，在作出其它决策之前所述新元素可被分类为异常。在此类实例中，用户可指示机器人如何处置新的环境元素或新物体，此可辅助训练机器学习模型。
50.图5是根据本公开的若干实施例的呈包含与其上写入有指令558、560、562的多个存储器资源546-1、546-2、
…
、546-n通信的多个处理资源548-1、548-2、
…
、548-n的系统570的形式的功能框图。
51.例如，图5可包含包括彼此通信耦合的多个递送机器人556-1、556-2、
…
、556-n的
系统570。如本文中使用，“通信耦合”可包含经由装置之间的各种有线及/或无线连接耦合，使得可在装置之间的各个方向上传送数据。耦合可能不是直接连接，且在一些实例中可为间接连接。多个递送机器人556中的每一者可包含传感器，举例来说，例如图像传感器、运动传感器、光传感器、加速度计、噪声传感器、相机装置、温度传感器、接近传感器(例如，距离传感器、范围传感器)、雷达传感器、激光雷达传感器、定位传感器、天气传感器、压力传感器、倾斜传感器、湿度传感器、烟雾、气体及酒精传感器，或其组合。还可包含其它传感器。多个递送机器人556中的每一者可具有相同传感器、不同传感器或其组合。
52.多个递送机器人556中的每一者可包含处理资源548及存储器资源546，所述存储器资源与处理资源548通信且具有指令(例如，指令558-1、558-2、
…
、558-n)，所述指令可执行以在递送机器人556在环境中执行递送任务时经由传感器检测递送机器人556的路径中的物体。举例来说，递送机器人556(例如无人机或包裹递送机器人)可能在其路径中遇到地面上的洞、树、狗或某一其它物体/人/动物。另外，递送机器人556可检测例如天气或交通的环境元素。
53.在一些实例中，存储器资源546可包含指令(例如，指令560-1、560-2、
…
、560-n)，所述指令可执行以基于与先前由传感器检测到的物体相关联的历史数据及从多个递送机器人556中的其它递送机器人接收的历史数据使用机器学习模型将物体分类为异常或非异常且将环境分类为异常或非异常。例如，树或洞可能不是异常，而是递送机器人556围绕其移动的东西。相反，异常或异常环境可能是对递送机器人556递送货物的威胁、对递送机器人的安全威胁或其组合。例如，异常可包含有攻击性的狗或包裹窃贼，且异常环境可包含龙卷风或暴洪。
54.在一些例子中，存储器资源546可包含指令(例如，指令562-1、562-2、
…
、562-n)，所述指令可执行以基于分类及基于与先前由传感器在环境中检测到的物体相关联的解决方案数据及从多个递送机器人556中的其它递送机器人接收的历史数据的机器学习模型来确定对物体的响应。所述响应可包含指令，所述指令可执行(例如)以响应于将递送机器人556的路径中的物体分类为非异常且将环境分类为非异常而继续进行递送任务，响应于将递送机器人556的路径中的物体分类为异常或将环境分类为异常而解决异常或环境，且基于分类及经确定响应来更新机器学习模型。在一些例子中，解决异常可包含指示递送机器人停止递送机器人556的货物的递送、向管理员报告异常、捕获异常的图像、指示不同设备解决异常，或其组合。
55.例如，如果递送机器人556遇到有攻击性的狗，那么使用机器学习模型，可确定响应包含移动到更安全位置、接合保护性装甲或部署保护性机器人。在其中异常包含潜在包裹窃贼的实例中，递送机器人556类似地作出响应，但如果需要，还可捕获封装窃贼的图像以用于调查。在其中环境异常(例如，龙卷风、暴洪)的实例中，如果递送机器人556能安全地返回到其充电站或找到更安全位置，那么其可通过返回到其充电站来解决异常。在此类实例中，可向管理员发送警告，指示异常情境。
56.在一些实例中，当多个递送机器人556中的递送机器人(例如，递送机器人556-1)及至少一个其它递送机器人(例如，递送机器人556-2)耦合到充电站并连接到本地网络时，可更新机器学习模型。举例来说，在完成递送任务后，递送机器人556-1可返回到其充电站并连接到本地网络。递送机器人556-2可在其充电站处并连接到位置网络。例如，充电站可
在仓库的充电区域中。递送机器人556可经由本地网络与其它递送机器人556共享其在最近递送中接收到的数据，且因此可更新相应的机器学习模型。此可通过增加用于训练相关联机器学习模型的数据来保持安全性，同时提高递送机器人的有效性。在一些实例中，可经由具有数据加密的基于云的服务来执行更新。
57.尽管本文中已说明及描述特定实施例，但是所属领域的一般技术人员将了解，经计算以实现相同结果的布置可代替所展示的特定实施例。本公开希望涵盖本公开的一或多个实施例的调适或变化。应了解，上文描述已以说明性方式而非限制性方式进行。所属领域的技术人员在检阅上文描述之后将明白上文实施例的组合及本文中未明确描述的其它实施例。本公开的一或多个实施例的范围包含其中使用上文结构及过程的其它应用。因此，应参考随附权利要求书以及此类权利要求有权获得的等效物完整范围确定本公开的一或多个实施例的范围。
58.在前述具体实施方式中，出于简化本公开的目的，一些特征被一起分组在单个实施例中。本公开的此方法不应解释为反映本公开的所公开实施例必须使用多于在每一权利要求中明确叙述的特征的意图。而是，如随附权利要求书反映，发明主题存在于少于单个所公开实施例的全部特征。因此，随附权利要求书特此并入到具体实施方式中，其中每一权利要求独立地作为单独实施例。

技术特征：
1.一种方法，其包括：当机器人在环境中执行任务时，在处理资源处且经由所述机器人的传感器检测所述机器人的路径中的物体；在所述处理资源处使用机器学习模型将所述物体分类为异常或非异常且将所述环境分类为异常或非异常；响应于所述处理资源将所述物体分类为非异常且将所述环境分类为非异常而继续进行所述任务；及响应于所述处理资源将所述物体分类为异常或将所述环境分类为异常而解决所述异常或所述异常环境并继续进行所述任务。2.根据权利要求1所述的方法，其进一步包括：当所述机器人执行所述任务时，在所述处理资源处从所述传感器接收关于所述任务及所述任务的所述环境的数据；所述机器人的所述处理资源、耦合到所述处理资源的存储器资源或两者基于所述所接收的数据经由所述机器学习模型获知所述任务及所述任务的所述环境；及所述处理资源、所述存储器资源或两者基于所述所接收的数据及先前在先前任务执行期间从所述传感器接收的数据来更新所述机器学习模型。3.根据权利要求2所述的方法，其中将所述物体分类为异常或将所述环境分类为异常包括基于所述所接收的数据及所述先前接收的数据，使用所述机器学习模型来确定所述物体或所述环境偏离通常在所述路径中检测到的物体或通常与所述任务相关联的环境。4.根据权利要求2所述的方法，其进一步包括所述处理资源、所述存储器资源或两者：从基于云的服务接收所述机器学习模型；运用在执行所述任务时收集的数据扩充所述机器学习模型；及在所述机器人耦合到充电站时运用所收集的数据更新所述机器学习模型。5.根据权利要求2所述的方法，其进一步包括：所述处理资源、所述存储器资源或两者获知所述任务及所述任务的所述环境；及经由基于云的服务、局域网或其组合更新所述机器学习模型。6.根据权利要求1到2中任一权利要求所述的方法，其中检测所述路径中的所述物体包括在所述机器人在所述环境中执行清洁任务时检测所述机器人的所述路径中的所述物体。7.根据权利要求1到2中任一权利要求所述的方法，其中检测所述路径中的所述物体包括在所述机器人在所述环境中执行递送任务时检测所述机器人的所述路径中的所述物体。8.根据权利要求1到2中任一权利要求所述的方法，其中解决所述异常或所述异常环境包括所述处理资源、耦合到所述处理资源的存储器资源或两者指示所述机器人将所述物体移动到不同位置。9.根据权利要求1到2中任一权利要求所述的方法，其中解决所述异常或所述异常环境包括所述处理资源、耦合到所述处理资源的存储器资源或两者与不同机器人的处理资源通信以将所述物体移动到不同位置。10.一种设备，其包括：处理资源；及存储器资源，其与所述处理资源通信，所述存储器资源具有指令，所述指令可执行以：
当所述设备在环境中执行清洁任务时，经由所述设备的传感器检测所述设备的路径中的物体；基于与先前由所述传感器检测到的物体相关联的历史数据使用机器学习模型将所述设备的所述路径中的所述物体分类为异常或非异常且将所述环境分类为异常或非异常；及基于所述分类及所述机器学习模型、基于与先前由所述传感器检测到的所述物体相关联的历史解决方案数据来确定对所述设备的所述路径中的所述物体的响应，其中所述响应包括指令，所述指令可执行以：响应于将所述设备的所述路径中的所述物体分类为非异常且将所述环境分类为非异常而移除所述设备的所述路径中的所述物体并继续进行所述清洁任务；及响应于将所述设备的所述路径中的所述物体分类为异常或将所述环境分类为异常而解决所述异常或所述异常环境并继续进行所述清洁任务。11.根据权利要求10所述的设备，其进一步包括可执行以基于与先前由所述传感器检测到的所述物体相关联的物理特性、环境特性或其组合的历史数据对所述物体进行分类的所述指令。12.根据权利要求10到11中任一权利要求所述的设备，其中可执行以解决所述异常或所述异常环境的所述指令包括可执行以用于以下各者的指令：指示所述设备将所述设备的所述路径中的所述物体移动到不同位置；指示不同设备将所述设备的所述路径中的所述物体移动到所述不同位置；或其组合。13.根据权利要求10所述的设备，其进一步包括可执行以基于以下各者的组合使用所述机器学习模型对所述设备的所述路径中的所述物体进行分类的所述指令：与先前由所述传感器检测到的所述物体相关联的所述历史数据；与先前由所述传感器检测到的所述物体相关联的物理特性的历史数据；及与所述设备的所述路径中的所述物体及所述环境的分类、先前由所述传感器检测到的所述物体及所述环境的分类或两者相关联的所接收用户输入。14.根据权利要求10到11中任一权利要求所述的设备，其进一步包括可执行以基于以下各者的组合使用所述机器学习模型来确定对所述设备的所述路径中的所述物体的所述响应的所述指令：设备的所述路径中的所述物体的所述分类；与先前由所述传感器检测到的所述物体相关联的所述历史解决方案数据；及与所述设备的所述路径中的所述物体的解决方案及先前由所述传感器检测到的所述物体的解决方案或两者相关联的所接收用户输入。15.根据权利要求10到11中任一权利要求所述的设备，其进一步包括可执行以用于以下各者的所述指令：当所述机器人执行所述清洁任务时，从所述传感器接收关于所述清洁任务及所述环境的数据；经由所述机器学习模型且基于所述所接收的数据来获知所述清洁任务及所述环境；及基于所述所接收的数据、与先前由所述传感器检测到的所述物体相关联的所述历史数据、与先前由所述传感器检测到的所述物体相关联的所述历史解决方案数据、与所述清洁
任务相关联的用户输入或其组合来更新所述机器学习模型。16.一种系统，其包括：多个递送机器人，其彼此通信耦合，其中所述多个递送机器人中的每一者包括：处理资源；及存储器资源，其与所述处理资源通信，所述存储器资源具有指令，所述指令可执行以：当所述递送机器人在环境中执行递送任务时，经由传感器检测所述递送机器人的路径中的物体；基于与先前由所述传感器检测到的物体相关联的历史数据及从所述多个递送机器人中的其它递送机器人接收的历史数据使用机器学习模型将所述物体分类为异常或非异常且将所述环境分类为异常或非异常；基于所述分类及所述机器学习模型、基于与先前由所述传感器在所述环境中检测到的所述物体相关联的解决方案数据及从所述多个递送机器人中的其它递送机器人接收的历史数据来确定对所述物体的响应，其中所述响应包括指令，所述指令可执行以：响应于将所述递送机器人的所述路径中的所述物体分类为非异常且将所述环境分类为非异常而继续进行所述递送任务；响应于将所述递送机器人的所述路径中的所述物体分类为异常或将所述环境分类为异常而解决所述异常或所述环境；及基于所述分类及经确定响应来更新所述机器学习模型。17.根据权利要求16所述的系统，其中在所述多个递送机器人中的所述递送机器人及至少一个其它递送机器人耦合到充电站并连接到本地网络时，所述指令可执行以更新所述机器学习模型。18.根据权利要求16所述的系统，其中所述传感器包括以下中的至少两者：图像传感器、运动传感器、光传感器、加速度计、噪声传感器、相机装置、温度传感器、接近传感器、雷达传感器、激光雷达传感器、天气传感器、压力传感器、倾斜传感器、湿度传感器、定位传感器及烟雾、气体及酒精传感器。19.根据权利要求16到18中任一权利要求所述的系统，其中所述异常或所述异常环境包括对所述递送机器人递送货物的威胁、对所述递送机器人的安全威胁或其组合。20.根据权利要求16到18中任一权利要求所述的系统，其中可执行以解决所述异常的所述指令包括可执行以用于以下各者的指令：指示所述递送机器人停止所述递送机器人的货物的递送；向管理员报告所述异常；捕获所述异常的图像；指示不同设备解决所述异常；或其组合。

技术总结
描述与异常检测及解决相关联的方法、设备及系统。实例可包含：当机器人在环境中执行任务时，经由所述机器人的传感器检测所述机器人的路径中的物体；及使用机器学习模型将所述物体分类为异常或非异常且将所述环境分类为异常或非异常。实例可包含：响应于将所述物体分类为非异常且将所述环境分类为非异常而继续进行所述任务；及响应于将所述物体分类为异常或将所述环境分类为异常而解决所述异常或所述异常环境并继续进行所述任务。述异常环境并继续进行所述任务。述异常环境并继续进行所述任务。


技术研发人员：D
受保护的技术使用者：美光科技公司
技术研发日：2021.10.08
技术公布日：2023/7/20