一种能够控制马达功率的清洁器及其控制方法与流程

相关申请的交叉引用

本申请要求2019年7月12日提交的公开号为10-2019-0084428的韩国申请的较早申请日和优先权的权益，其全部内容通过引用的方式并入本文。

实施例涉及一种能够控制马达功率的清洁器及其控制方法，更具体地，涉及一种能够选择适合于不同使用条件中的每一个的马达功率并通过学习人工智能模型控制马达具有所选择的功率的清洁器，以及控制该清洁器的方法。

背景技术：

本部分的描述仅提供实施例的背景信息，而不配置相关技术。

当使用清洁器时，污物吸取量可以根据用户的移动而改变。这是因为当马达功率恒定时，清洁器具有相同的污物吸取功率，但是实际污物吸取量可能会因不同的条件而改变。

例如，与缓慢移动清洁器时相比，当清洁器以恒定的马达功率快速移动时，污物吸取量可能减少。

因此，为了提高清洁器的效率，需要根据清洁器的使用条件来控制清洁器以使其具有适当的马达功率。

另一方面，近来，关于人工智能(ai)的技术被越来越多的研究和开发。人工智能是计算机工程科学和信息技术领域，研究使计算机模仿诸如推理、学习、自我提升等的智能人类行为的方法。

为了根据清洁器的使用条件控制清洁器以使其具有适当的马达功率，可以使用利用人工智能模型学习的技术。

公开号为10-2017-0030197的韩国专利申请中已经公开了一种技术，该技术感测清洁器的吸入口处的压力变化，然后基于感测的压力变化来控制马达的驱动速度。

然而，现有技术的文献中尚未公开根据清洁器的使用条件来控制清洁器以使其具有适当的马达功率的配置，以及使用人工智能学习模型来推导出每种使用条件的马达功率并控制清洁器以具有这种马达功率的配置。

公开号为10-2005-0073082的韩国专利申请中已经公开了一种机器人清洁器，该机器人清洁器具有使用由压电传感器检测的灰尘密度来选择吸取功率的配置。

然而，类似地，现有技术的文献中尚未公开根据清洁器的使用条件控制清洁器以使其具有适当的马达功率的配置，以及使用人工智能学习模型来推导出每种使用条件的马达功率并控制清洁器以具有这种马达功率的配置。

技术实现要素：

通过实施例解决的目的是提出一种方案，该方案根据清洁器的使用条件控制清洁器以使其具有适当的马达功率。

通过实施例解决的另一个目的是提出一种方案，该方案使用人工智能模型学习推导出适合于清洁器的使用条件的马达功率。

通过实施例解决的另一个目的是提出一种方案，该方案控制清洁器以使其具有通过人工智能模型学习推导出的马达功率。

实施例中要实现的目的不限于上述技术问题，并且本领域技术人员将从以下说明中清楚地理解本文中未陈述的其他目的。

为了实现这些目的，清洁器包括控制器，并且该控制器可以选择根据清洁器的每种使用条件推导出的用于吸取污物的马达的最小功率，并且可以控制马达使其具有选择的最小功率。

在这种情况下，可以通过人工智能模型学习来推导出最小功率。

清洁器可以包括：吸取外部污物的头部；与头部连通的杆，其长度可调，并提供了通道，被吸入的污物通过该通道移动；安装在杆上并感测杆的长度变化的长度传感器；向头部提供污物吸取功率的马达；测量头部的移动速度和移动方向速度测量器；控制马达的功率的控制器。

控制器可以基于关于杆的长度变化、头部的移动速度和头部的移动方向中的至少一项的信息来选择用于吸取污物的马达的最小功率，并且可以控制马达以使其具有选择的最小功率。

控制器可以从长度传感器接收关于杆的长度变化的信息，并且可以从速度测量器接收关于头部的移动速度和移动方向的变化的信息。

控制器可以与处理器连接，该处理器推导出马达的最小功率。

处理器可以基于关于杆的长度变化、头部的移动速度和头部的移动方向的信息中的至少一个来接收输入因素，并且可以推导出马达的最小功率。

输入因素可以是杆的长度、头部的移动速度、头部每单位面积的停留时间、以及清洁区域的同一部分中重复移动头部的次数中的至少之一。

可以从关于速度测量器感测的头部的移动速度和头部的移动方向的信息来计算头部每单位面积的停留时间和相同部分中重复移动头部的次数。

清洁器还可包括安装在头部上的位置传感器。

可以从关于位置传感器感测的头部的位置变化的信息来计算头部每单位面积的停留时间和相同部分中重复移动头部的次数。

最小功率可以是在清洁器的马达的最小功率的推导学习模式期间，通过在相应的条件下感测清洁器的污物吸取量而确定的最小功率，在相应的条件下，杆的长度、头部的移动速度、头部每单位面积的停留时间以及在相同部分中重复移动头部的次数中的至少一个是不同的。

处理器可以通过使用人工智能神经网络的学习，从输入因素中推导出每种不同条件下的最小功率。

当杆的长度是设定值或更短时，控制器可以控制马达，使得马达保持选择的最小功率恒定。

最小功率可以是在清洁器的马达的最小功率的推导学习模式期间，通过在具有不同的杆长度的相应的条件下感测清洁器的污物吸取量而确定的最小功率。

处理器可以通过使用人工智能神经网络的学习，从输入因素中推导出每种不同条件下的最小功率。

处理器可以设置在控制器中。

清洁器还可以包括通信单元，用于与服务器通信，其中处理器可以设置在服务器中。

清洁器还可以包括存储关于最小功率的信息的存储器，其中，控制器可以基于关于存储在存储器中的最小功率的信息来选择最小功率。

杆越长或头部的移动速度越高，最小功率可以增加的越多。

为了实现这些目的，可以在清洁器的学习模式和清洁器的使用模式下分别执行控制清洁器的方法。

该方法可以包括，在清洁器的学习模式下：在具有至少一个输入因素的每种条件下测量清洁器的污物吸取量，每种条件下包括关于杆的长度变化、头部的移动速度和头部的移动方向的信息的至少一个输入因素是不同的；推导出每种条件下所需的马达的最小功率；存储关于针对每种条件推导出的最小功率的信息。

此外，该方法可以包括，在清洁器的使用模式下：识别与输入因素有关的当前条件；从存储的关于最小功率的信息中选择与当前条件相对应的最小功率；以及控制马达以使其具有选择的最小功率。

在每种条件下所需的马达的最小功率可以是满足清洁器所需的最小污物吸取量的马达的功率。

在一个实施例中，效果在于，通过根据清洁器的使用条件适当地改变马达的功率，可以实现为用户带来便利并且降低功耗。

在一个实施例中，通过人工智能模型学习推导出与清洁器的每种使用条件相对应的马达的功率，即使清洁器的每种使用条件连续变化，也可以迅速且适当地改变马达的功率。

在一个实施例中，通过连续地执行人工智能模型学习，即使清洁器的使用条件迅速变化，也可以快速地推导适合于改变的使用条件的马达的功率范围。

附图说明

图1是示出根据实施例的能够控制马达功率的清洁器的图；

图2是示出根据实施例的能够控制马达功率的清洁器的结构的图；

图3是示出根据另一实施例的能够控制马达功率的清洁器的结构的图；

图4是示出根据实施例的人工智能神经网络的图；以及

图5是示出根据实施例的控制能够控制马达功率的清洁器的方法的流程图。

具体实施方式

附图仅用于帮助容易地理解本公开的实施例，并且应当理解，本公开的技术思想不受附图的限制，并且这些实施例包括本公开的思想和技术范围内的所有的变化、等同或替代。

此外，诸如“第一”、“第二”和其他数字术语之类的这些术语在本文中仅可用于描述各种元素，但是这些元素不应受到这些术语的限制。此外，诸如“第一”、“第二”和其他数字术语之类的这些术语仅用于区分一个元素与另一元素。

在实施例的描述中，当一个元素被描述为在另一个元素“上(上方)”或“下(下方)”时，它包括两种情况：两个元素彼此直接接触，以及另一个元素设置在两个元素之间。此外，术语“上(上方)”或“下(下方)”不仅包括从一个元素开始的向上方向，而且还可以包括向下的方向。

此外，诸如“上/上方/上部”和“下/下方/下部”等以下将描述的关系术语可用于区分任何一个主题或要素与另一主题或要素，而不一定要求或理解主题或元素的物理或逻辑关系或顺序。

图1是示出根据实施例的能够控制马达功率的清洁器的图。图2是示出根据实施例的能够控制马达功率的清洁器的结构的图。根据实施例的清洁器可以控制马达400的功率，并且可以包括头部100、杆200、长度传感器300、马达400、速度测量器500和控制器600。

头部100是清洁器中吸取外部污物的部分。头部100与具有要清洁的空间中的污物的部分接触或移动靠近该部分，然后可以利用由马达400的运行产生的吸取功率来吸取污物。头部100可以由用户操作，以在有灰尘的部分上移动的同时吸取污物。

杆200可以与头部100连通并且可以提供被吸取的污物移动通过的通道。吸取到头部100中的污物可以通过杆200到达污物存储装置。杆200可以被配置为长度可调，以便使用者可以方便地使用清洁器。

长度传感器300安装在杆200上，并且可以感测杆200的长度变化。例如，长度传感器300可以在杆200的纵向上设置为多个，因此可以根据杆200的长度的变化来测量多个长度传感器300之间的距离，并且可以基于测量到的值准确地测量杆200的长度变化。

马达400可以向头部100提供污物吸取功率。当马达400运行时，在头部100处产生污物吸取功率，并且污物被吸到头部100中并穿过杆200，由此污物可以存储在污物存储装置中。

速度测量器500可以测量头部100的移动速度和移动方向。例如，速度测量器500安装在头部100上，并且可以在头部100移动的同时测量头部100的移动速度和移动方向。

控制器600与马达400连接并且可以控制马达400的功率。在一个实施例中，需要适当地控制马达400的功率。如果马达400的功率不足，则污物吸取功率降低，因此清洁器的效率可能降低，或者清洁时间可能增加。

如果马达400的功率过大，则消耗的功率可能超过必要的功率。特别地，当清洁器是配备有内置电池的可再充电清洁器时，如果马达400的功率过大，则功耗增加，从而电池的充电周期缩短，这可能给用户带来不便。

因此，需要马达400具有适当的功率，以便头部100可以具有足够的污物吸取功率，并且可以减少功率消耗。以下，将马达400的适当功率称为最小功率。

在一个实施例中，最小功率可以是满足清洁器所需的最小污物吸取量的马达400的功率。即，最小功率可以是满足清洁器所需的最小污物吸取量所最低限度需要的马达400的功率。

污物吸取量例如可以指清洁器在马达400运行的时间(即，清洁时间)内吸取的污物的量。污物吸吸量可以表示为清洁器在马达400运行时在单位时间内吸取的污物的量。

最小污物吸取量可以根据诸如清洁器的种类、马达400的容量以及清洁器的尺寸等各种因素而改变。但是，对于相同产品的清洁器，最小污物吸取量相同。因此，最小污物吸取量是相同的，并且可以是在相同产品的清洁器中的自由设定值。

对于清洁器的结构，如果马达400的功率恒定，则头部100的移动速度越高，污物吸取量可能越少。此外，如果马达400的功率恒定，则当杆200的长度小时，清洁器的污物吸取功率增大，因此，杆200的长度越小，污物吸取量可能增加得越多。

因此，在一个实施例中，适当的是控制马达400，以使杆200越长或头部100的移动速度越高，最小功率增加得越多。可以通过学习如下所述的人工智能模型来推导出考虑这种趋势的最小功率值。

此外，如果马达400的功率恒定，则清洁器的污物吸取量可以根据头部100的移动方向而改变。这是因为当头部100的移动方向改变时，头部100的每单位面积的停留时间和在相同区域中重复移动的次数可以改变。

在这种情况下，当头部100的每单位面积的停留时间增加时，污物吸取量可以增加，当头部100在相同的区域中重复移动的次数增加时，该区域的污物吸取量可以增加。

在一个实施例中，即使改变头部100的长度、头部100的移动速度或头部100的移动方向，清洁器也可以始终满足设置的最小污物吸取量。为此，控制器600可以控制马达400的最小功率。显然，清洁器的马达400的最小功率可以根据杆200的长度、头部100的移动速度、或头部100的移动方向而改变。

在一个实施例中，当杆200的长度、头部100的移动速度或头部100的移动方向改变时，清洁器可通过调节最小功率的大小来保持设置的最小污物吸取量。

控制器600可以基于关于以下至少一项的信息来选择用于吸取污物的马达400的最小功率：杆200的长度变化、头部100的移动速度以及头部100的移动方向，并且可以控制马达400以使其具有选择的最小功率。

控制器600可以从长度传感器300接收关于杆200的长度变化的信息，可以从速度测量器500接收关于头部100的移动速度和移动方向的变化的信息，并且可以基于这些信息项控制马达400以使其具有最小功率。

在这种情况下，可以例如根据关于速度测量器500感测的头部100的移动速度和头部100的移动方向的信息，来计算头部100的每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部的次数。

例如可以考虑头部100在一个方向上移动的时间和头部100在与上述方向相反的方向上移动的时间来计算头部100的每单位面积的停留时间。例如可以考虑头部100在一个方向上的移动次数和头部100在与上述方向相反的方向上的移动次数，来计算在清洁区域的同一部分中重复移动头部100的次数。

图3是示出根据另一实施例的能够控制马达功率的清洁器的结构的图。清洁器还可以包括安装在头部100上的位置传感器800。位置传感器800可以通过与头部100一起移动来感测头部100的准确移动位置。位置传感器800例如可以是霍尔传感器、gps传感器或感测位置变化的其他各种传感器。

可以根据关于位置传感器800感测的头部100的位置变化的信息，来计算头部100的每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部100的次数。

由于可以使用位置传感器800准确地找出头部100的位置变化，因此可以更准确地测量头部100的每单位面积的停留时间和在清洁区域的同一部分中重复移动头部100的次数。

参照图2和图3，控制器600可以与处理器700连接，该处理器700推导出马达400的最小功率。处理器700可以通过学习人工智能模型来推导马达400的最小功率。处理器具有人工智能神经网络，接收输入因素，并且可以通过基于输入因素学习人工智能模型来推导出马达400的最小功率。

输入因素可以是以下至少一项：杆200的长度、头部100的移动速度、头部100的每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部100的次数。

输入因素的值可以根据时间细微地改变，因此将每单位时间的平均值作为输入因素的值可能是适当的。因此，在本说明书中，输入因素可以指单位时间的平均值。

另一方面，清洁器还可以包括用于与服务器通信的通信单元，控制器600可以通过通信单元与服务器通信。服务器可以存储人工智能模型，还可以存储学习人工智能模型所需的数据。此外，服务器可以评估人工智能模型，并且即使在评估之后，也可以更新人工智能模型以获得更好的性能。

通信单元可以被配置为包括移动通信模块和无线互联网模块中的至少一个。另外，通信单元还可以包括短距离通信模块。

移动通信模块可以将无线信号发送到移动通信网络上的基站、外部终端和服务器中的至少一个并从移动通信网络上的基站、外部终端和服务器中的至少一个接收无线信号，该移动通信网络是根据技术标准或用于移动通信的通信方法建立的，例如，移动通信是全球移动通信系统(gsm)、码分多址(cdma)、码分多址2000(cdma2000)、增强的语音数据优化或增强的仅语音数据(ev-do)、宽带cdma(wcdma)、高速下行链路分组接入(hsdpa)、高速上行链路分组接入(hsupa)、长期演进(lte)、长期演进高级(lte-a)、第5代(5g)通信等。

无线互联网模块指用于无线互联网连接的模块，并且可以设置在清洁器的内部或外部。无线互联网模块可以经由根据无线互联网技术的通信网络发送和接收无线信号。清洁器可以将数据发送到服务器和各种终端或从服务器和各种终端接收数据，服务器和各种终端可以通过5g网络执行通信。特别地，清洁器可以通过5g网络使用embb(增强型移动宽带)、urllc(超可靠和低延迟通信)和mmtc(大规模机器类型通信)中的至少一种服务与服务器和终端进行数据通信。

embb(增强型移动宽带)是一种移动宽带服务，并且通过embb(增强型移动宽带)提供多媒体内容、无线数据访问等。此外，可以通过embb提供用于接收极大增加的移动流量的诸如热点和宽带覆盖的更改进的移动服务。可以通过热点将大流量接收到移动性差且用户密度高的区域。宽带覆盖可确保广泛和稳定的无线环境和用户移动性。

在数据传输/接收的可靠性和传输延迟方面，urllc(超可靠和低延迟通信)服务限定了比现有lte更为严格的要求，用于工业现场的生产过程自动化、远程医疗、远程手术、运输、安全等的5g服务具有代表性。

mmtc(大规模机器型通信)是一种对需要相对少量数据传输的传输延迟不敏感的服务。不仅仅是普通移动电话，诸如传感器等大量终端通过mmtc可以同时连接到无线接入网络。在这种情况下，终端的通信模块的价格应该低，并且需要改进技术以提高功率效率并节省功率，以使得能够在不更换电池或不给电池充电的情况下运行几年。

处理器700可以设置在控制器600或服务器中。当处理器700设置在控制器600中时，清洁器可以执行学习人工智能模型以自身推导最小功率，而无需与服务器进行特定连接。

服务器可以将人工智能模型所需的信息发送到处理器700，或者可以在具有处理器700时使处理器700学习人工智能模型。

如上所述，在一个实施例中，由于马达400所需的最小功率是通过人工智能模型学习推导出的，因此下文将描述人工智能模型。

人工智能(ai)是计算机工程科学和信息技术领域，研究使计算机模仿诸如推理、学习、自我提升等的智能人类行为的方法。

另外，ai并不独立存在，而是与计算机科学中的许多其他领域直接或间接相关。近年来，进行了许多尝试来将ai的元素引入信息技术的各个领域，以解决相应领域中的问题。

机器学习是人工智能领域，其包括在无需明确地编程计算机的情况下给予计算机学习的能力的研究领域。

更具体地，机器学习是研究和构建系统以及用于这些系统的算法的技术，这些系统能够基于经验数据进行学习、做出预测并增强其自身性能。机器学习算法不是仅执行严格设置的静态程序命令，而是可以用于采取建立模型的方法，用于根据输入数据推导出预测和决策。

已经开发了许多机器学习算法，用于机器学习中的数据分类。这种用于数据分类的机器学习算法的代表性示例包括决策树、贝叶斯网络、支持向量机(svm)、人工神经网络(ann)等。

决策树指使用树状图或决策规则模型来执行分类和预测的分析方法。

贝叶斯网络可以包括表示成组的变量之间的概率关系(条件独立性)的模型。贝叶斯网络可能适合通过无监督学习进行数据挖掘。

svm可以包括用于模式检测和数据分析的监督学习模型，其在分类和回归分析中大量使用。

ann是在生物神经元和中间神经元连接的机制之后建模的数据处理系统，其中，许多神经元(称为节点或处理元素)以层的形式互连。

ann是在机器学习中使用的模型，并且可以包括从机器学习和认知科学中的生物神经网络(特别是动物的中枢神经系统中的大脑)构想的统计学习算法。

ann通常可以指具有通过突触互连形成网络的人工神经元(节点)的模型，并且随着在整个训练过程中调整突触互连的强度，获得解决问题的能力。

术语“人工神经网络”和“神经网络”在本文中可以互换使用。

ann可以包括多个层，每个层包括多个神经元。此外，ann可以包括将神经元彼此连接的突触。

可以通过以下三个因素来限定ann：(1)不同层上的神经元之间的连接模式；(2)更新突触权重的学习过程；以及(3)激活函数，该函数根据从前一层接收的输入的加权和生成输出值。

ann包括但不限于诸如深层神经网络(dnn)、递归神经网络(rnn)、双向递归深层神经网络(brdnn)、多层感知(mlp)和卷积神经网络(cnn)的网络模型。

基于其中的层数，ann可以被分类为单层神经网络或多层神经网络。

通常，单层神经网络可以包括输入层和输出层。

通常，多层神经网络可以包括输入层、一个或多个隐藏层以及输出层。

输入层从外部源接收数据，并且输入层中神经元的数量与输入变量的数量相同。隐藏层位于输入层和输出层之间，并从输入层接收信号，提取特征，并将提取的特征馈送到输出层。输出层从隐藏层接收信号，并基于接收到的信号输出输出值。在将神经元之间的输入信号乘以相应的连接强度(突触权重)之后，将它们相加，如果该总和超过相应神经元的阈值，则可以激活神经元并输出通过激活函数获得的输出值。

在输入层和输出层之间具有多个隐藏层的深度神经网络，作为一种机器学习技术，可能是实现深度学习的最典型的人工神经网络类型。

可以使用训练数据来训练ann。这里，训练可以指通过使用训练数据来确定人工神经网络的参数的过程，以执行诸如分类、回归分析和输入数据的聚类之类的任务。人工神经网络的此类参数可包括应用于神经元的突触权重和偏差。

使用训练数据训练的人工神经网络可以根据输入数据内的模式对输入数据进行分类或聚类。

在整个说明书中，使用训练数据训练的人工神经网络可以称为训练模型。

在下文中，将详细描述人工神经网络的学习范例。

人工神经网络运行的学习范例可以被分类为监督学习、非监督学习、半监督学习和强化学习。

监督学习是从训练数据中推导出单个函数的机器学习方法。

在由此推导出的函数中，可以将输出连续范围的值的函数称为回归器，可以将预测并输出输入向量的类别的函数称为分类器。

在监督学习中，可以利用已经被赋予标签的训练数据来训练人工神经网络。

这里，当训练数据被输入到人工神经网络时，标签可以指代人工神经网络要猜测的目标答案(或结果值)。

在整个本说明书中，当输入训练数据时由人工神经网络要猜测的目标答案(或结果值)可以被称为标签或标签数据。

在整个本说明书中，将一个或多个标签分配给训练数据以便训练人工神经网络可被称为利用标签数据标记训练数据。

训练数据和与训练数据相对应的标签一起可以形成单个训练集，因此，它们可以作为训练集被输入到人工神经网络中。

训练数据可以表现出许多特征，并且用标签标记的训练数据可以解释为通过标签标记的训练数据所表现的特征。在这种情况下，训练数据可以将输入对象的特征表示为矢量。

一起使用训练数据和标签数据，人工神经网络可以推导出训练数据和标签数据之间的相关函数。然后，通过评估从人工神经网络推导出的函数，可以确定(优化)人工神经网络的参数。

无监督学习是一种机器学习方法，其从尚未被赋予标签的训练数据中学习。

更具体地，无监督学习可以是这样一种训练方案，其训练人工神经网络以发现给定训练数据内的模式，并通过使用所发现的模式而不是通过使用给定训练数据和与给定的训练数据相对应的标签之间的相关性来进行分类。

无监督学习的示例包括但不限于聚类和独立成分分析。

使用无监督学习的人工神经网络的示例包括但不限于生成式对抗网络(gan)和自动编码器(ae)。

gan是这样一种机器学习方法：其中两个不同的人工智能，即生成器和鉴别器，通过彼此竞争来提高性能。

生成器可以是生成新数据的模型，该模型基于真实数据生成新数据。

鉴别器可以是识别数据中的模式的模型，该模型确定输入的数据是来自真实数据还是来自生成器生成的新数据。

此外，生成器可以接收并从未能欺骗鉴别器的数据中学习，而鉴别器可以接收并从成功欺骗鉴别器的数据中学习。因此，生成器可以进化以便尽可能有效地欺骗鉴别器，而鉴别器则进化为尽可能有效地在真实数据和生成器生成的数据之间区分。

自动编码器(ae)是一种旨在将其输入重构为输出的神经网络。

更具体地，ae可以包括输入层、至少一个隐藏层和输出层。

由于隐藏层中的节点数小于输入层中的节点数，因此降低了数据的维数，从而导致数据压缩或编码。

此外，从隐藏层输出的数据可以被输入到输出层。假设输出层中的节点数大于隐藏层中的节点数，则数据的维数增加，从而导致数据解压缩或解码。

此外，在ae中，当通过训练来调整中间神经元的连接强度，将输入的数据表示为隐藏层数据。当表示信息时隐藏层能够通过使用少于输入层的神经元来重构输入数据作为输出的事实可以表明该隐藏层已经在输入数据中发现了隐藏模式，并且正在使用发现的隐藏模式来表示信息。

半监督学习是使用标记的训练数据和未标记的训练数据两者的机器学习方法。

半监督学习技术涉及推理未标记的训练数据的标签，然后使用该推理的标签进行学习。当与标记过程相关的成本高时，可以有利地使用该技术。

强化学习可以基于这样的理论：给定强化学习代理可以在每个时间实例确定选择什么动作的条件，代理可以仅基于经验而不参考数据来找到通往方案的最佳路径。

可以主要通过马尔可夫(markov)决策过程来执行强化学习。

马尔可夫决策过程由四个阶段组成：首先，给代理一个条件，该条件包含执行下一动作所需的信息；其次，限定了代理在该条件下如何表现；第三，限定了代理应该选择哪些动作以得到奖励以及选择哪些动作以得到惩罚；第四，代理迭代直到将来的报酬最大化，从而推导出最优策略。

人工神经网络的特征在于其模型的特征，该特征包括激活函数、损失函数或成本函数、学习算法、优化算法等。而且，在学习之前设置超参数，并且可以通过学习来设置模型参数以指定人工神经网络的架构。

例如，可以由许多因素确定人工神经网络的结构，这些因素包括隐藏层的数量、每个隐藏层中包括的隐藏节点的数量、输入特征向量、目标特征向量等等。

超参数可以包括需要初始设置用于学习的各种参数，非常类似于模型参数的初始值。而且，模型参数可以包括试图通过使用人工智能神经网络的学习来确定的各种参数。

例如，超参数可包括节点之间的权重和偏差的初始值、最小批量大小、迭代次数、学习率等。此外，模型参数可以包括节点之间的权重、节点之间的偏差等等。

损失函数可以用作在人工神经网络的学习过程中确定最佳模型参数的指标(参考)。人工神经网络中的学习涉及调整模型参数以减少损失函数的过程，并且学习的目的可能是确定最小化损失函数的模型参数。

损失函数通常使用均方误差(mse)或交叉熵误差(cee)，但是本公开不限于此。

当真实标签是独热编码(one-hotencoded)时，可以使用交叉熵误差。独热编码可以包括这样一种编码方法，其中，在给定神经元中，仅将与目标答案对应的那些神经元指定1为真实标签值，而将与目标答案不对应的那些神经元指定0为真实标签值。

在机器学习或深度学习中，可以部署学习优化算法以最小化成本函数，这种学习优化算法的示例包括梯度下降(gd)、随机梯度下降(sgd)、动量、内斯特罗夫加速梯度(nag)、adagrad、adadelta、rmsprop、adam和nadam。

gd包括一种通过使用成本函数的当前斜率在减小成本函数的输出的方向上调整模型参数的方法。

模型参数将被调整的方向可被称为步长方向，并且模型参数将被调整的大小可被称为步长。

这里，步长可以表示学习率。

gd通过使用偏微分方程，使用每个模型参数来获得成本函数的斜率，并且通过斜率方向上的学习率调整模型参数来更新模型参数。

sgd可以包括这样一种方法：将训练数据集分成小批量，并且通过对这些小批量中的每一个进行梯度下降来增加梯度下降的频率。

adagrad、adadelta和rmsprop可以包括通过调整步长来增加sgd中的优化精度的方法，并且还可以包括通过调整动量和步长方向来增加sgd中的优化精度的方法。adam可以包括结合动量和rmsprop并通过调整步长和步长方向来增加sgd中优化精度的方法。nadam可以包括结合nag和rmsprop并通过调整步长和步长方向来提高优化精度的方法。

人工神经网络的学习率和准确性不仅取决于人工神经网络的结构和学习优化算法，而且还取决于其超参数。因此，为了获得良好的学习模型，重要的是为人工神经网络选择合适的结构和学习算法，而且还必须选择合适的超参数。

通常，首先通过实验地将超参数设置为各种值来训练人工神经网络，并且基于训练的结果，可以将超参数设置为提供稳定的学习率和准确性的最优值。

图4是示出根据实施例的人工智能神经网络的图。人工智能神经网络设置在处理器700中，并且处理器700可以通过人工智能神经网络学习人工智能模型。

在图4中，最小功率可以是在清洁器的马达400的最小功率的推导学习模式期间，通过在各种条件下感测清洁器的污物吸取量而确定的最小功率，在各种条件下，杆200的长度、头部100的移动速度、头部100每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部100的次数中的至少一个是不同的。处理器700可以通过使用人工智能神经网络的学习从输入因素中推导出每个不同条件下的最小功率。

这样的人工智能模型学习可以在人工智能神经网络上执行，该人工智能神经网络由输入因素被输入的输入层、输出最小功率的输出层以及在输入层和输出层之间的多个隐藏层组成。

处理器700可以基于关于杆200的长度变化、头部100的移动速度和头部100的移动方向中的至少一个信息来接收输入因素，并且可以推导出马达400的最小功率。

如上所述，输入因素可以是杆200的长度、头部100的移动速度、头部100每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部100的次数中的至少一项。

当具有不同条件的输入因素被输入到人工神经网络时，处理器700可以通过学习人工智能模型来推导与条件相对应的马达400的最小功率。最小功率可以是满足清洁器所需的最小污物吸取量的马达400的功率。在这种情况下，最小污物吸取量可以是设定值。

因此，清洁器可以通过在具有不同的输入因素的每种条件下感测污物吸取量来将满足设置的最小污物吸取量的马达400的功率推导为最小功率。清洁器可包括单独的污物感测装置，以感测污物吸取量。控制器600可以从污物感测装置获得关于污物吸取量的信息。

清洁器可以执行用于推导出马达400的最小功率的学习模式。在该学习模式中，当具有不同条件的输入因素输入到处理器700的人工神经网络时，控制器600可以改变马达400的功率，并且可以将关于马达400的功率变化和污物吸取量的相应变化的信息发送到处理器700。

处理器700可以将与设置的最小污物吸取量相对应的马达400的功率推导为输入因素的每种条件下的最小功率。最小功率可以在具有不同输入因素的条件下具有不同的值。

因此，可以通过在具有至少一个不同的输入因素的每种条件下感测清洁器的污物吸取量来获知最小功率。

当输入因素(即，杆200的长度、头部100的移动速度、头部100每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部100的次数)中的至少一个不同时，可以通过在每种情况下使用人工智能神经网络的学习来推导出最小功率。处理器700可以通过使用人工智能神经网络的学习从输入因素中推导出每个不同条件下的最小功率。

例如，当将rnn用作人工智能学习模型时，将不同条件的输入因素在不同时间顺序地输入到人工神经网络，并在隐藏层中对输入因素进行组合和计算，从而在具有不同输入因素的每种条件下，可以推导出与设置的污物吸取量相对应的每个最小功率。

由于杆200的长度越小，头部100的污物吸取功率越大，因此当杆200的长度减小时，可以减小马达400的功率。然而，当杆200的长度小时，头部100可能不移动或者其移动速度可能非常低。

当用户降低头部100的移动速度和杆200的长度以仔细清洁特定部分时，需要通过使清洁器具有超过预定水平的马达400的功率来遵循用户的意图。因此，在这种情况下，为了用户的方便，需要保持最小功率恒定而不随着设定值处的杆200的长度或更小的杆200的长度而减小。

当杆200的长度是设定值或更小时，控制器600可以控制马达400，以使马达400保持选择的最小功率恒定。显然，即使在这种情况下，最小功率也可以是在清洁器的马达400的最小功率的推导学习模式期间，通过在具有不同的杆200的长度的条件下感测清洁器的污物吸取量而确定的最小功率。类似地，处理器700可以通过使用人工智能神经网络的学习从输入因素中推导出每个不同条件下的最小功率。

因此，当杆200的长度减小并达到设定值时，即使杆200的长度进一步减小，也维持在设定值处通过学习推导出的最小功率。

返回参照图2和图3，清洁器还可以包括存储关于最小功率的信息的存储器900。最小功率是在具有不同输入因素的条件下通过处理器700获知的值。即，可以将由处理器700推导出的最小功率存储在存储器900中。

控制器600可以基于关于存储在存储器900中的最小功率的信息来选择最小功率。在具有不同输入因素的条件下的最小功率值被存储在存储器900中。因此，控制器600可以使用存储在存储器中的信息，选择对应于与清洁器的当前运行条件相同的输入因素的最小功率，并且可以控制马达400以使其具有所选择的最小功率。

在一个实施例中，处理器700可以随时学习人工智能模型，并且根据学习结果而改变的关于输入因素和最小功率的信息可以被更新到存储器900。

图5是示出根据实施例的控制能够控制马达400的功率的清洁器的方法的流程图。控制清洁器的方法可以包括清洁器的学习模式和清洁器的使用模式。

可以在清洁器的学习模式下执行以下处理。清洁器可以基于关于杆200的长度变化、头部100的移动速度以及头部的移动方向中的至少一项有关的信息，在具有至少一个不同的输入因素的每种条件下测量污物吸取量(s110)。

清洁器可以包括单独的污物感测装置，以感测污物吸取量。控制器600可以从污物感测装置获得关于污物吸取量的信息。

如上所述，输入因素可以是杆200的长度、头部100的移动速度、头部100每单位面积的停留时间以及在清洁区域的同一部分中重复移动头部100的次数中的至少一项。

处理器700可以推导出在每种条件下所需的马达400的最小功率(s120)。如上所述，马达400的最小功率可以是满足清洁器所需的最小污物吸取量的马达400的功率。

当具有不同条件的输入因素被输入到处理器700的人工神经网络时，控制器600可以改变马达400的功率，并且可以将关于马达400的功率变化和相应的污物吸取量的变化的信息发送到处理器700。

处理器700可以在输入因素的每种条件下，将与设置的最小污物吸取量相对应的马达400的功率推导为最小功率。最小功率在具有不同输入因素的条件下可以具有不同的值。处理器700可以通过使用人工智能神经网络的学习在具有不同输入因素的每种条件下来推导最小功率。处理器700的学习与以上描述相同。

存储器900可以存储关于在具有不同输入因素的每种条件下推导出的最小功率的信息(s130)。关于最小功率的信息可以是每个输入因素和与该输入因素相对应的最小功率。

当控制器600具有处理器700时，关于最小功率的信息可以直接存储在存储器900中。当服务器具有处理器700时，清洁器可以从服务器接收关于最小功率的信息并且可以将信息存储在存储器900中。

清洁器的学习模式可以在从仓库运送清洁器之前(即，在清洁器最初被使用之前)执行，并且可以在清洁器实际使用时的任何时间执行。通过随时执行学习模式而获得的结果值可以被连续地更新到存储器900。

可以在清洁器的使用模式下执行以下处理。控制器600可以识别与输入因素有关的当前条件(s140)。在s140中，控制器600可以找出具有不同输入因素的每种条件(s140)。当使用清洁器时，控制器600可以找出输入因素，即，杆200的长度、头部100的移动速度、头部100每单位面积的停留时间以及在相同部分中头部100的重复移动的次数。

控制器600可以从关于存储在存储器900中的最小功率的信息中选择与具有不同输入因素的每种条件相对应的最小功率(s150)。在s150中，控制器600可以从关于最小功率的信息中选择与当前条件相对应的最小功率。即，控制器600可以选择与当前使用状态的输入因素条件相对应的最小功率。

控制器600可以控制马达400以使其具有所选择的最小功率(s160)。控制器600可以根据每个输入因素的条件的改变来改变最小功率。

在一个实施例中，效果在于，通过根据清洁器的使用条件适当地改变马达400的功率，可以实现为用户带来便利并且降低功耗。

在一个实施例中，通过人工智能模型学习推导与清洁器的每种使用条件相对应的马达400的功率，即使清洁器的每种使用条件连续变化，也可以迅速且适当地改变马达400的功率。

在一个实施例中，通过连续地执行人工智能模型学习，即使清洁器的使用条件迅速变化，也可以快速地推导适合于改变的使用条件的马达400的功率范围。

上述示例实施例可以通过计算机程序来实现，该计算机程序可通过计算机上的各种部件来执行，并且这样的计算机程序可以被记录在计算机可读介质中。计算机可读介质的示例包括但不限于：诸如硬盘、软盘和磁带等磁性介质；诸如cd-rom盘和dvd-rom盘等光学介质；诸如软盘等磁光介质；以及诸如rom、ram和闪存装置等专门配置用于存储和执行程序代码的硬件装置。

计算机程序可以是出于本公开的目的而专门设计和构造的那些，或者可以是计算机软件领域的技术人员公知且可用的那种。程序代码的示例包括诸如由编译器生成的机器代码和可以由计算机使用解释器执行的更高级别的代码。

如以上结合实施例所述，尽管描述了一些情况，但是其他各种实施例也是可能的。除非它们不兼容，否则上述实施例的技术内容可以以各种方式组合，因此可以相应地实现新的实施例。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除