智能空间环境下基于本体的机器人服务自主认知及规划

为了提高机器人服务的自主性,针对动态家庭环境提出基于本体的机器人服务自主认知及规划方法.首先,利用本体技术为智能空间系统建立本体模型,并通过构建语义规则的方法,建立以用户为中心自适应调整的数据-概念转换机制,实现智能空间信息的整合.在此基础上,建立服务任务推理规则库对本体模型进行扩展,通过匹配实时更新的智能空间本体与规则库中的知识,推理出机器人需要执行的服务序列,实现机器人对用户所需服务的自主认知.最后,利用分层任务网络的思想,在JSHOP2规划器上实现服务任务的具体规划.智能空间环境下的任务执行实验结果表明,利用该方法服务机器人能够根据环境信息和用户信息实现对任务的自主认知,进而主动地为用户提供个性化的服务,其服务的智能化水平得以显著提高.     

实现家庭服务机器人中文指令解析问题研究

为了实现家庭服务机器人在无人干预的情况下自主地执行中文指令中蕴涵的服务任务,提出一种基于回答集的中文指令任务规划方法,将组块标注和回答集编程(answer set programming,ASP)应用于家庭服务机器人任务规划。首先通过组块标注对中文指令进行预处理,然后根据转换规则将关键信息转换为谓词集,并将它转写成ASP规则。此外,给出中文服务指令处理的各个环节的实验结果,并结合实例展示从谓词集到机器人可以执行的动作序列的映射过程。最后,通过合并部分原子动作的方式对回答集进行改进,提高了求解效率,并在任务规划时加入了成本规划,确认求得最优动作序列,该方法对促进自然人-机器人交互技术的发展有重要的意义。     

一种基于注意力机制的AUV控制层指令理解方法

为了更好地衔接水下机器人(AUV)规划层与控制层,参考Itti视觉注意力模型,提出了基于注意力机制的规划指令理解模型,建立了规划指令理解与再次规划环节.通过使用模糊推理的方法对指令元素特征、指令元素显著性进行分析处理,得到规划指令注意力聚焦;根据注意力聚焦进行再次规划,保证规划层关注的状态得到优先执行.仿真实验表明文章提出的规划指令理解环节实现了对规划层指令意图的获取,使规划指令得到更好地执行,有效地改善运动控制效果,提高了控制层的智能水平.     

家庭智能空间下多领域知识的共享与重用方法

为充分利用家庭环境中的多领域知识和提高服务质量,基于家庭智能空间提出了一种多领域知识的共享与重用方法.首先,根据先验知识构建基于本体的多领域知识模型,在此基础上,结合软件智能体实现知识的自动表征,解决数据的异构性问题和促进知识的共享与重用.然后根据用户的日常行为活动,提出一种基于多传感器和活动模板的行为活动理解方法,实现用户意图的识别和服务的推理.为降低计算成本和提高服务质量,通过重用行为活动领域知识实现服务执行序列的获取和动作的引导,并融合仿真系统生成的服务执行策略和物品领域共享的物品知识高效地执行机器人服务,从而提升服务执行的智能化水平.最后,实验结果表明了方法的有效性和可行性.     

基于情感-时空信息的机器人服务自主认知及个性化选择

为了提高机器人的人机交互能力,针对家庭服务机器人在认知服务任务时往往忽略用户情感因素的弊端,提出了以用户情感为核心的机器人服务任务自主认知方法以及个性化服务选择策略.首先,利用智能空间本体技术结合用户情感状态与时间空间信息建立情感-时空本体模型,消除智能空间中的信息异构性.在此基础上,将与情感-时空相关的服务规则库编码并训练BP（逆向传播）神经网络构建推理机,将实时更新的智能空间信息与神经网络相匹配,推理出机器人需要执行的服务,实现机器人对以用户情感为核心的服务任务自主认知.最后,将用户情感状态作为执行服务的奖惩反馈信号,对服务集合中的子类服务进行动态的偏好度调节,完成有针对性的服务选择.仿真结果表明,基于该方法能够实现以用户情感为核心的机器人服务任务自主认知,同时可以根据用户偏好变化提供个性化的服务,有效提高了家庭服务机器人的智能性和灵活性,增强了用户的服务体验.     

基于互信息最大化的意图强化学习方法的研究

强化学习主要研究智能体如何根据环境作出较好的决策,其核心是学习策略。基于传统策略模型的动作选择主要依赖于状态感知、历史记忆及模型参数等,其智能体行为很难受到控制。然而,当人类智能体完成任务时,通常会根据自身的意愿或动机选择相应的行为。受人类决策机制的启发,为了让强化学习中的行为选择可控,使智能体能够根据意图选择动作,将意图变量加入到策略模型中,提出了一种基于意图控制的强化学习策略学习方法。具体地,通过意图变量与动作的互信息最大化使两者产生高相关性,使得策略能够根据给定意图变量选择相关动作,从而达到对智能体的控制。最终,通过复杂的机器人控制仿真任务Mujoco验证了所提方法能够有效地通过意图变量控制机器人的移动速度和移动角度。     

基于IHDR算法和BP神经网络复合框架的机器人服务自主认知和发育系统

为了解决传统的基于知识或基于学习的机器人服务认知机制的智能性和普适性较差的问题,构建了一个基于IHDR(增量分层判别回归)算法和BP(反向传播)神经网络复合框架的机器人服务任务自主认知和自主发育系统.在家庭服务机器人智能空间中丰富的传感器和物联网技术的支持下,采集大量用于机器人学习和发育的样本数据;在此基础上,针对智能空间样本数据的混合特性,设计改进的IHDR算法,实现对混合型样本数据的聚类更新和响应计算,并将生成的IHDR树作为机器人存储历史经验的"大脑",使机器人能够利用"大脑"中已有的经验进行自主学习和相应判断,以实现对服务的自主认知;利用JSHOP2(Java simple hierarchical planner)规划器对认知的复杂任务进行分解,得到可被机器人直接执行的原子任务.为了避免IHDR树规模不足的局限性,设计基于BP神经网络的服务认知算法,利用样本数据训练BP神经网络,实现智能空间实际场景到用户所需服务的映射,在IHDR树无法提供历史经验的情况下,使机器人仍能基于BP神经网络自主进行服务决策.然后将此映射结果以增量的方式更新到IHDR树中,丰富其具备的经验知识,实现机器人服务自主认知能力的发育.仿真实验结果表明,该复合框架可以有效提高服务机器人对智能空间情景下用户所需服务的认知准确性及认知发育能力,推进人机共融的实现.     

基于意图识别的智能语音交互机器人设计

为提高智能语音交互机器人语音交互的准确率,提出一种基于意图识别的机器人智能英语语音交互方法。通过引入Glove＿BiGRU＿Self-attention分类预测模型构建意图识别功能模块,并采用ROS分布式架构对系统功能模块进行整合,实现人机的智能语音交互。仿真结果表明,采用所提方法进行的语音意图识别,具有更高的准确率,相较于基于DCNN模型、基于CNN-LSTM模型与基于单向构建的GRU-Self-attention模型的意图识别方法,识别准确率分别高出8.03%、4.07%和2.14%,具有更好的识别效果;在特征提取上,训练时间较传统基于BiLSTM模型的提取方法,BiGRU的训练时间缩短了4倍,训练效率更高。实验结果表明,采用所提意图识别方法搭建的语音交互系统,对用户英语语音指令的识别准确率和识别效率依然拥有较好的结果,识别平均准确率达到了89.72%,识别时间均在0.35 s之内,证明所提方法可以应用于实际语音交互之中。应用实验表明,采用基于意图识别方法搭建的智能语音交互机器人,无论是在问答交互还是控制命令上,都可以准确对用户英语指令进行识别,根据用户要求进行相关回答或完成相应动...     

服务机器人分层式图形化编程平台

为了简化服务机器人编程流程,针对服务机器人任务规划特点,基于分层编程的理念,设计了一套简易图形化编程平台。平台由基本模块层、执行协调层、任务规划层3层组成,用户在不同层次采用不同编程方式,兼顾了编程效率和执行效率。同时,提供了友好的图形化编程界面,方便机器人编程。在交龙服务机器人上的编程实验验证了该平台编程的有效性和便捷性。     

基于协作协进化的多智能体机器人协作研究

协作问题一直是自主多智能体机器人系统研究的关键问题之一。基于多智能体机器人系统的CCP协作协议所生成的各智能体机器人的任务序列依赖于目标的初始顺序,因此难以得到最优解。文章提出了利用协作协进化来实现多智能体机器人之间协作的一种机制。该方法采用基于协作种群的技术来生成多智能体机器人任务执行序列,在给定的任务分解产生的所有可能解中寻找最优解,并通过交换局部知识和并行决策等手段来优化系统的性能。利用该机制,对3个智能体协作搬运8个物体进行计算机模拟,结果表明,该机制在优化任务执行序列方面作用明显,从而能有效提高多智能体机器人系统的性能。     

一种服务机器人家庭全息地图构建方法研究*

提出了一种满足家庭服务机器人环境认知和智能服务需要的融合环境和目标信息的家庭全息地图。设计了局部几何—全局拓扑的全息地图分层表示模型。分析了机器人坐标系、局部环境坐标系和目标的相对关系,给出了机器人局部环境自定位算法和基于坐标变换的服务机器人全息地图构建方法。家庭环境下机器人实物实验表明,基于局部几何—全局拓扑表示的全息地图,服务机器人路径规划和任务执行效率得到有效提升。     

BSCRP网:机器人规划的赋时有色网实现方法

为了解决情景演算无法解决框架问题和生成动作序列效率底的问题,提出了一种基于情景演算推理规则的表示机器人规划的赋时有色网实现方法——BSCRP网(representation based on situation calculus for robot plan),并提出了一种基于双向搜索策略的BSCRP网系统的构造方法。实验结果表明了机器人规划的BSCRP网系统不仅能形式化地描述动作、状态以及动作和状态之间的关系,而且能动态地规划出实现目标的动作序列并计算执行动作序列所需时间。     

智能空间助老助残服务机器人人机协作导航

针对具有基本认知行为能力的行动不便老人、肢残人士、运动和语言患者这类服务对象,构建了助老助残服务机器人人机一体化导航系统。用户与机器人之间进行交互,自由切换随机行走和自主导航2种运动模式,机器人根据现场环境和作业条件的不同,实时触发人机条件响应生成规则而产生相应的行走行为,作业时人机界面同步呈现虚实结合、实时交互的智能空间,实现人机一体化感知、决策与执行。以移动作业服务机器人为对象进行室内人机一体化导航作业,验证了该人机一体化导航系统的可行性。     

智能空间下基于分层任务网络的服务机器人任务规划

针对在复杂、动态的家庭环境下,如何让机器人获取足够多的环境信息并根据环境信息进行自主的任务规划,提出了智能空间技术支持下基于分层任务网络的服务机器人任务规划方案.利用智能空间技术为机器人提供充足的环境上下文信息,用基于分层任务网络设计的JSHOP2规划器执行机器人任务规划.为了提高机器人任务规划的自主性和智能性,在规划领域文件中加入不同的模板信息,使机器人具有根据环境的不同自动对任务进行调整的能力.仿真实验结果表明利用该方法能够有效地提高机器人任务规划的性能.     

一种基于用户意图建模的Internet移动机器人控制方法

Internet上数据传输存在的不确定性时延,使得遥操作的网络机器人无法及时完成远程操作者期望的动作．提出一种新的方法,即对用户意图进行建模,通过移动机器人的自主性来补偿不确定时延对系统性能造成的影响．在对用户操作机器人的意图建立模型后,利用贝叶斯技术对用户意图进行渐进推断,从而使得机器人能够识别用户赋予的任务,并自主地执行该任务,而无需与用户频繁交互．这大大减少了数据传输、提高了整个控制系统的效率．实验结果证明了所提方法的有效性和可行性．     

RoboCup中基于动作序列模型的动作决策

RoboCup机器人足球比赛是当前人工智能领域的一个研究热点,其目的在于为多智能体系统提供一个标准的研究平台.为了让RoboCup仿真比赛中球员智能体实时地作出合理的动作决策,提出一种基于动作序列模型的决策机制,通过对球员智能体的动作空间分解、建立动作序列并对动作序列进行评价,而让智能体选择出当前最优的动作执行.仿真结果表明应用这种决策机制提高了智能体对环境的适应性.     

认知推理的家庭服务机器人演示学习研究

提出一种基于对比示范的演示学习方法,旨在指导家庭服务机器人快速智能地学习指定任务决策.在模拟家庭环境下,首先利用视觉手段检测和跟踪任务对象,获取”教师”演示正反例关键信息,通过动作识别和状态检测将信息抽象成符号形式,然后经过认知推理得到演示任务的执行决策和约束条件,并通过动作共享指导机器人重现任务.给定演示实例,在真实移动机器人平台上进行了多次成功演示验证,结果表明本方法在家庭服务机器人快速准确的任务学习方面是有效的.     

未知环境下基于A~＊的机器人路径规划算法

本文提出了一种未知环境下基于A*的机器人路径规划算法。采用基于A*算法的二次路径规划策略,机器人在遇到未知障碍物的情况下能有效地进行路径重规划;采用基于优先级的子节点生成策略,考虑了机器人的宽度信息,使规划路径能在真实的物理机器人上得到执行;最后,通过MobileSim仿真平台和Pioneer P3DX真实机器人验证了此算法的有效性和可靠性。基于A~*的新算法拓宽了原算法的适用范围,提高了机器人的智能水平和实时路径规划能力。     

面向室内智能机器人的中文服务指令自主处理方法

为了实现机器人理解自然语言的目的,提出了一种应用于中文服务指令的自主处理方法,旨在将中文服务指令直接映射为动作序列.首先深入地分析收集的中文服务指令,提炼出了关键信息与句法结构的对应关系.在此基础上,以短语组块的语法规则为基础,利用概率模型提取指令中的关键信息.为了解决指令解析问题,设计了一种服务任务分解模板,机器人依据该模板可以将中文服务指令直接映射为动作序列.最后进行仿真实验,统计了中文服务指令自主处理过程中各个环节的实验结果,其中组块标注、信息提取及指令解析的准确率平均值分别达到了92.9%、92.7%和97.2%,验证了本文方法的有效性和可行性.     

基于经验感知的自适应用户界面模型

针对传统自适应界面缺乏自主学习用户交互历史、难以根据用户经验有效预测用户意图的现状,基于认知心理学相关理论,该文提出了基于经验感知的自适应用户界面模型,从界面静态组成元素、动态交互行为和自适应策略三个方面建立了该模型的统一描述,然后研究了自适应界面模型的实现架构、关键技术和建模方法.最后开发了一个个性化的虚拟家居定制原型系统,并进行了实验评估.实验结果表明,该模型能够根据用户交互历史和上下文环境,准确预测用户意图,实时调整界面布局和交互行为以主动地适应用户.