CN111385348A - 一种云脑机器人系统 - Google Patents

Abstract

本发明实施例提供一种云脑机器人系统，包括机器人智库，机器人云脑，机器人；其中，所述机器人智库，用于对不同数据模态进行有效编码和表征，以实现将非结构化数据转换成结构化数据；所述机器人智库包括机器人大数据以及人类社会大数据；所述机器人云脑为N个机器人的大脑在云中的镜像和服务；所述机器人智库通过所述机器人云脑指导所述机器人执行任务，所述机器人的行动触发所述机器人的传感器；所述机器人智库中的技术策略和知识通过机器人云脑在机器人执行任务中加以检验和改进。本发明能够解决由于网络带宽限制，大数据、云计算、移动互联网等新一代信息技术同机器人技术相互融合中通信时延长的问题，且能降低机器人制造成本。

Description

一种云脑机器人系统

技术领域

本发明属于机器人技术领域，尤其涉及一种云脑机器人系统。

背景技术

人工智能作为新一轮产业变革的核心驱动力，大数据驱动的视觉分析，将进一步释放历次科技革命和产业变革积蓄的巨大能量，大数据、云计算、移动互联网等新一代信息技术同机器人技术相互融合步伐加快，有利于智能机器人“成本不断降低，性能不断提升”，大数据、云计算与物联网带来的变革，以及脑科学研究和认知计算技术的兴起，给云脑机器人领域带来了新的跨越式发展机遇。目前，云脑机器人以及人与机器人共生物理空间研究仍然是国际上的空白，云脑机器人系统跨时空知识耦合上，工业机器人终端耦合误差具有时间尺度上误差因素与空间尺度误差因素相互耦合特性，它的研发、制造和应用是衡量一个国家智能机器人创新、高端制造业水平和综合实力的重要标志，必将是国家安全的基石和形成支柱产业的战略引擎。

目前由于网络带宽限制，大数据、云计算、移动互联网等新一代信息技术同机器人技术相互融合中通信时延得不到解决。

此外，每一个机器人的个体建设成本和拥有成本还比较高，以及个性化水平和智能化水平还处在较低阶段。

发明内容

本发明的目的在于提供一种云脑机器人系统，能够解决由于网络带宽限制，大数据、云计算、移动互联网等新一代信息技术同机器人技术相互融合中通信时延长的问题，且能降低机器人制造成本。

为了解决上述技术问题，本发明实施例提供一种云脑机器人系统包括机器人智库，机器人云脑，机器人；其中，

所述机器人智库，用于对不同数据模态进行有效编码和表征，以实现将非结构化数据转换成结构化数据；所述机器人智库包括机器人大数据以及人类社会大数据；

所述机器人云脑为N个机器人的大脑在云中的镜像和服务；

所述机器人智库通过所述机器人云脑指导所述机器人执行任务，所述机器人的行动触发所述机器人的传感器；其中；所述机器人大数据由所述机器人的传感器产生；

所述机器人智库中的技术策略和知识通过机器人云脑在机器人执行任务中加以检验和改进。

进一步地，所述机器人智库包括：

HDFS分布式存储存系统，用于存储所述人类社会大数据和所述机器人大数据；其中，在所述HDFS分布式存储系统中，每个离散存储结点部署DataNode节点，用于存放数据块，每个所述数据块根据设定的数值分别配置副本；存储集群部署一个NameNode中心节点，用于管理文件系统命名空间，处理客户端发起的文件访问操作；

计算模块，所述计算模块采用Map/Reduce分布式计算模式对所述人类社会大数据和机器人大数据进行大数据计算；其中，所述计算的算法包括聚类分析算法、关联分析算法和分类分析算法。

进一步地，所述机器人大数据根据用户与机器人交互的数据和机器人与环境交互的数据形成的，其中，所述用户与机器人交互的数据包括用户对机器人表现的评价的数据，所述机器人与环境交互的数据包括环境对机器人反馈的数据。

进一步地，所述机器人智库中的技术策略和机器人知识根据所述机器人大数据和所述人类社会大数据生成。

进一步地，所述机器人包括位置识别装置，所述位置识别装置包括：

M个传感器，用于周期性地采集设定区域内由K个目标发射的信号，并将在该周期内收到的信号强度值做累加；其中，所述设定区域为方形区域，所述方形区域划分为N个网格，所述方形区域中随机布设M个传感器且每个所述传感器的位置为已知，所述方形区域中有K个目标；其中，M大于等于1，K大于等于1，N大于等于1；

定位模块，用于在周期时间片结束后，根据每个传感器的信号强度值累加结果和压缩感知定位算法定位出所述K目标在所述N个网格中的哪些位置。

进一步地，K个所述目标周期性地发射信号，发送周期为T，K个所述目标之间相互独立。

进一步地，第m个传感器接收到的位于第n个网格中的目标的信号强度由以下公式确定：

其中，

也为测量矩阵Φ∈R^M×N(M<<N)中的元素，P_m,n为第n个网格中的目标发出的信号到第m个传感器处衰减后的信号强度；

P_m,n＝P₀-10n_p lg(D_m,n/D₀)

D_m,n为第m个传感器和第n个网格中的目标的欧式距离，P₀为在参考传输距离为D₀时的接收信号强度，n_p为路径衰减指数。

在本发明实施例中，各种网络方式连接的机器人里的传感器会产生大量数据，形成机器人大数据、结合来自互联网的人类社会大数据，挖掘发现出更多更先进的知识加入机器人智库，机器人智库又通过机器人云脑指导机器人去更精确地执行任务，机器人的行动又会触发机器人里的传感器，从而使得机器人智库、机器人云脑、机器人三者协同进化，进而使得机器人云脑能够在各种新情境下更快速敏捷地完成各种任务，降低通信时延。

此外，本发明实施例形成机器人制造商、机器人软件商和机器人用户共同参与的，建立以机器人云脑和机器人智库为中心的机器人大众化平台，通过云的集中管理，降低每一个机器人的个体建设成本和拥有成本、提高每一个机器人的个性化水平和智能化水平，同时通过集中化的行业推进，迅速地推进整个机器人产业大众化进程。

附图说明

图1为本发明实施例提供的创建机器人智库的框架图；

图2为本发明实施例提供的机器人的数据分布式存储与计算资源实现过程；

图3为本发明实施例的提供的机器人智库，机器人云脑和机器人协同进化的循环图；

图4为本发明实施例的提供的机器人智库，机器人云脑和机器人协同进化的框架图；

图5为本发明实施例提供的基于PaaS云计算系统的机器人云脑实现逻辑架构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种云脑机器人系统，包括机器人智库，机器人云脑，机器人；其中，

所述机器人智库，用于对不同数据模态进行有效编码和表征，以实现将非结构化数据转换成结构化数据；所述机器人智库包括机器人大数据以及人类社会大数据；

所述机器人云脑为N个机器人的大脑在云中的镜像和服务；

所述机器人智库通过所述机器人云脑指导所述机器人执行任务，所述机器人的行动触发所述机器人的传感器；其中；所述机器人大数据由所述机器人的传感器产生；

所述机器人智库中的技术策略和知识通过机器人云脑在机器人执行任务中加以检验和改进。

在本发明实施例中，所述机器人智库是一个大规模众源(crowd-sourcing)大数据库，用于存储机器人大数据以及人类社会大数据。所述机器人智库存储的数据(知识)多样，包括：机器人在完成各种任务，如感知、计划和控制等时所关涉的物理互动、万维网知识基础以及全球机器人研究者们所创建的各种可学习性知识表征。

机器人智库的知识表征、挖掘发现将机器人智库知识表征构架的创建看作是网络理论问题。把知识表征为定向图表，其中的节点以各种各样的数据模态体现，如图像、文本、视频、触觉数据或者学术概念等。机器人智库还是一个“无止境学习”的知识引擎，它不间断地实时获取以边集形式呈现的新信息，这些新信息通过和节点子集链接的方式得到表征。任何在机器人智库中搜索节点概念的机器人云脑，都可以通过下载相关边集和它们所代表的节点概念来进行深度学习。

机器人智库在一段时间内可从互联网、物联网或移动互联网上下载和处理大约数亿幅图片、数万段视频、数亿份说明文件，这些信息将被翻译并存储成机器人友好型格式(大数据)，以使机器人云脑在需要时可随时访问和提取。

机器人智库将处理所述大数据，将文本、图片和视频等多模态数据联系在一起，并从中提取目标知识，以使机器人云脑能够从机器人智库获取所述目标知识并知道如何利用所述目标知识。

机器人智库采用“结构深度知识发现”的技术，信息在其中以多种层次结构存储。

在其中一种优选的实施例中，所述机器人智库包括：

HDFS分布式存储存系统，用于存储所述人类社会大数据和所述机器人大数据；其中，在所述HDFS分布式存储系统中，每个离散存储结点部署DataNode节点，用于存放数据块，每个所述数据块根据设定的数值分别配置副本；存储集群部署一个NameNode中心节点，用于管理文件系统命名空间，处理客户端发起的文件访问操作；

计算模块，所述计算模块采用Map/Reduce分布式计算模式对所述人类社会大数据和机器人大数据进行大数据计算；其中，所述计算的算法包括聚类分析算法、关联分析算法和分类分析算法。

请参阅图1，图1为创建机器人智库的框架图。

请参阅图2，图2为机器人的数据分布式存储与计算资源实现过程；

基于上述的机器人智库在一个例子中，如果一个机器人看到一个咖啡杯，它不仅仅可以通过机器人智库知道这是一个咖啡怀，还知道可将液体倒进倒出，还知道可以通过手柄抓住它，知道满的时候只能竖直携带等。

受制于技术局限性，面向人类的大规模知识引擎的数据来源主要是万维网中“结构化”的文本模态数据，而无法有效挖掘其他一些“非结构化”的数据模态，如符号、图片、视频、音频等。“结构化数据”主要指能被数据库所理解的、可以被逻辑表征的数据，而“非结构化数据”主要指无法被逻辑表征的数据，主要包括多种数据模态：文本、图片或图像、触感、XML、HTML、各类图表或报表、音频和视频信息等等。本发明实施例的机器人智库在很大程度上改变了大数据挖掘发现过度依赖单一文本数据模态来源，机器人智库通过挖掘互联网上的人类社会大数据及机器人大数据发现各种深度知识，它能解释自然语言文本、图像和视频，还能运用机器人传感器数据来观察人类，且能通过互动的方式来发现知识。

在本发明实施例中，一个机器人云脑是一个机器人个体的驱动程序、功能软件、知识、数据在云中的虚拟机镜像。机器人云脑为机器人提供云服务的一个主要特点是同一个云脑可以克隆成多个云脑为多个机器人同时提供云服务，从而从一个机器人云脑可以发展成为多个个性化的机器人云脑。

机器人云脑拥有学习功能，可以通过机器人智库学习提升自己的储备，也能引导机器人用户提出自己的需求和偏好，然后利用机器人智库中的大量知识资源，为机器人用户提供有针对性的智能化服务。

请参阅图3，机器人智库、机器人云脑、机器人三者协同进化，机器人智库中的知识通过机器人云脑在机器人执行任务中加以检验和改进，甚至需要在长期使用中不断检验、提高和完善。为此，请参阅图4，需要借助物联网、移动互联网、互联网，收集在机器人执行任务过程中，用户、环境与机器人之间的人机交互、人机互动、机器人与环境交互的原始数据，以及用户对机器人表现的评价、环境对机器人的反馈，形成机器人大数据，结合人类社会大数据，分析相关知识和技术的性能、缺陷及原因，也可以挖掘用户行为的主要特点，从而进化生成更好的机器人技术策略、知识。

新一代云脑机器人要求借助脑科学和类人认知计算方法，通过云计算、大数据处理技术，增强机器人感知、环境理解和认知决策能力。通过对人和机器人认知和物理能力、需求的深入分析和理解，构造人和机器人的共生物理空间。使得机器人能够完成复杂、动态环境下的主动服务和自适应操作。

机器人在感知外界事物时，需要从多个感官模态获取信息，对这些信息有效整理用于认知过程、指导后续行为，并可通过云计算和云存储延伸感知能力。为此，需要发展云脑机器人的类人认知基础理论和方法，解决多模态信息“如何表达、如何处理、如何使用”以及类人认知与现有信息处理系统如何高效融合等问题。

云脑机器人研究需要大数据技术的支撑。目前的大数据计算的前沿研究热点目前正拓展对信息系统、物理系统和人类社会之间的高度耦合机理和互动模型研究。

云脑机器人需要高效处理来自网络空间、物理空间和人类社会空间的跨时空复杂信息。因此，如何在与环境交互和共同进化过程中实现自适应的决策与控制是云脑机器人必须具备的能力。为此，需要研究跨时空复杂环境下的智能控制理论、方法与系统。包括：

云脑控制的分层递阶结构；

云脑控制的认知机理；

面向云脑控制的人机交互；

云脑协调多任务规划与决策；

云脑机器人核心功能部件，包括多模态、高分辩率阵列传感装置、仿生肌肉纤维和记忆合金协同驱动装置以及关键传动与控制器件等。

云脑机器人需要高效处理来自于网络空间、物理空间和人类社会空间的跨时空大数据。如何智能地从与环境交互的海量历史数据及实时数据中自适应学习与决策是云脑机器人必须具备的能力。为此，需要研究跨时空大数据环境下的智能信息处理理论、方法和系统，包括：

跨时空大数据的统一表达以及数据、属性和语义的交互机制建模；

跨时空数据的变粒度结构挖掘及其高度耦合机理；

知识与数据驱动相结合的学习理论和高效算法；

开放式动态复杂环境下的隐含结构识别、异构推理与融合；

不确定环境下的高效智能决策与自适应学习；

支持云脑机器人数据计算的大数据分析处理系统架构、质量控制模型与高效算法，实现跨时空大数据并行处理机制及知识管理模式。

请参阅图3，基于PaaS云计算系统的机器人云脑实现逻辑架构如图3所示。

在机器人云脑中，云计算机器人控制系统是PaaS的大脑模块，是整个集群的管理中枢，主要负责为PaaS的客户端提供REST API接口，管理App的整个生命周期的状态及运行环境、日志等。通过云控制调度并与IaaS管理组件结合可以实现对虚拟机或者容器的复制，重启，自动部署，弹性伸缩等功能。

用户权限控制

与容器封装模块一起对应用进行打包上传和预处理

应用和服务的生命周期管理

应用运行资源管理

通过RESTful API来进行交互

云控制主要支撑多种管理功能，需要高的可靠性和一致性。要求轻量灵活。能支持外部大对象存储软件，并上传和下载大数据对象，自身不存储对象数据灵活用户权限模块集成方式，可以支持企业用户的LDAP和单独登录系统。

云控制最重要的作用是通过消息通讯组件和容器封装组件，IaaS管理组件共同工作。由于以上三个软件都是基于脚本语言开发为主，因此，云控制建议使用Ruby的SinatraHTTP框架开发：

提供与PaaS云统一的http能力，满足restful api要求

每个请求生成一个线程，比进程模式提供更高的并发能力；

云控制使用基于Ruby实现标准的Restful API，为每个客户端提供一个独立入口,是用户对PaaS云的控制台，也是云自动化运维的控制组件。下图为云控制与其他组件直接的关系。

云控制由三个部分组成：

云控制器服务器，提供一系列可操作的后台Restful API服务，并可以有PaaS客户端进行操作

云控制数据库，记录各种元数据信息。

云大数据对象存储，保存用户上传的应用代码和封装好的Droplet

以部署一个App到PaaS平台为例。用户在客户端在输入push命令后，云控制即开始工作。

首先，CC连接数据库实现用户鉴权；

接着，同Nats检查目前PaaS云的资源状况，确认所部署的App数量是否超过预定数；

最后，对App元数据进行检查，并确认无误，发送应用创建指令。

发一个POST到“apps”，创建一个App；

发一个PUT到“apps/:name/application”，上

从客户端服务器上传App至PaaS中；

发一个GET到“apps/:name/”，取得App状态，查看是否已启动；

如果没有启动，发一个PUT到“apps/:name/”，使其启动。

最终封装好的应用Dorplet被保存在云大数据存储对象中。

本发明实施例形成机器人制造商、机器人软件商和机器人用户共同参与的，建立以机器人云脑和机器人智库为中心的机器人大众化平台，通过云的集中管理，降低每一个机器人的个体建设成本和拥有成本、提高每一个机器人的个性化水平和智能化水平，同时通过集中化的行业推进，迅速地推进整个机器人产业大众化进程.

在其中一种优选的实施例中，所述机器人包括位置识别装置，所述位置识别装置包括：

M个传感器，用于周期性地采集设定区域内由K个目标发射的信号，并将在该周期内收到的信号强度值做累加；其中，所述设定区域为方形区域，所述方形区域划分为N个网格，所述方形区域中随机布设M个传感器且每个所述传感器的位置为已知，所述方形区域中有K个目标；其中，M大于等于1，K大于等于1，N大于等于1；

定位模块，用于在周期时间片结束后，根据每个传感器的信号强度值累加结果和压缩感知定位算法定位出所述K目标在所述N个网格中的哪些位置。

其中，第m个传感器(1≤m≤M)和第n个网格(1≤n≤N)中的目标的欧式距离为

公式(1)中，x_m和y_m为第m个传感器的坐标，x_n和y_n为第n个网格中目标的坐标。无线信号强度的衰落受障碍物遮挡、多径传播等环境因素影响较大。大量实验统计结果表明，平均接收信号强度与信号传输距离之间的函数关系为：

公式(2)中，

为平均接收信号强度，单位为dBm，P₀为在参考传输距离为D₀时的接收信号强度，n_p为路径衰减指数，通常介于2和4之间，D为信号传输距离。

设第n个网格中的目标发出的信号到第m个传感器处衰减后，变为

P_m,n＝P₀-10n_p lg(D_m,n/D₀) (3)

对噪声的处理方法是对传感器的测量结果叠加高斯白噪声。

测量矩阵Φ∈R^M×N(M<<N)中的元素

为第m个传感器接收到的位于第n个网格中目信号强度：

对于本例，由于信号X本身就是稀疏信号，所以Ψ＝I，有

需要说明的是，将矩阵Φ和Ψ限定为正交矩阵对压缩感知不是必须的，只是简化分析过程。由以上分析可得，需要的测量次数即传感器数量M，和目标个数K、测量矩阵和单位矩阵的互相关系数、网格划分数量N有关。

取决于传感器和划分的网格中心之间的最短距离。因此，布设的机器人传感器最好和网格中心保持较大的距离，这样测量矩阵中的值就比较平均，每个测量结果的权重大致相同，可以取得较好的定位结果。如果测量矩阵中的个别值极大，对应个别传感器的权重很大，削弱其他传感器的测量结果的作用，将使得定位结果变差。

由于N维向量X的元素的取值只有0和1(假设一个网格中不会有多个目标)，所以最理想的重构结果只有0和1。计算重构误差的目标函数选择为实际重构结果和理想重构结果的偏差

最小。E为重构结果中的元素x_n和理想结果的偏差：

重构的信号中绝大部分接近于0，该值的大小也近似表示了该网格中存在目标的概率。因此可以只对大于某阈值的信号进行迭代回溯算法，降低算法的复杂度：

x_n≥TH，1≤n≤N (7)

本发明实施例提出的定位方法在Matlab中进行了仿真验证，所采用的重构算法为l₁范数最小重构算法(BP)。定位区域设为60m×60m的方形区域。测得其采集的数据准确率提高10-15％，大大提高云脑机器人识别准确性和工作效率。

Claims (7)

1.一种云脑机器人系统，其特征在于，包括机器人智库，机器人云脑，机器人；其中，

所述机器人智库，用于对不同数据模态进行有效编码和表征，以实现将非结构化数据转换成结构化数据；所述机器人智库包括机器人大数据以及人类社会大数据；

所述机器人云脑为N个机器人的大脑在云中的镜像和服务；

所述机器人智库通过所述机器人云脑指导所述机器人执行任务，所述机器人的行动触发所述机器人的传感器；其中；所述机器人大数据由所述机器人的传感器产生；

所述机器人智库中的技术策略和知识通过机器人云脑在机器人执行任务中加以检验和改进。

2.根据权利要求1所述的云脑机器人系统，其特征在于，所述机器人智库包括：

HDFS分布式存储存系统，用于存储所述人类社会大数据和所述机器人大数据；其中，在所述HDFS分布式存储系统中，每个离散存储结点部署DataNode节点，用于存放数据块，每个所述数据块根据设定的数值分别配置副本；存储集群部署一个NameNode中心节点，用于管理文件系统命名空间，处理客户端发起的文件访问操作；

计算模块，所述计算模块采用Map/Reduce分布式计算模式对所述人类社会大数据和机器人大数据进行大数据计算；其中，所述计算的算法包括聚类分析算法、关联分析算法和分类分析算法。

3.根据权利要求2所述的云脑机器人系统，其特征在于，所述机器人大数据根据用户与机器人交互的数据和机器人与环境交互的数据形成的，其中，所述用户与机器人交互的数据包括用户对机器人表现的评价的数据，所述机器人与环境交互的数据包括环境对机器人反馈的数据。

4.根据权利要求3所述的云脑机器人系统，其特征在于，所述机器人智库中的技术策略和知识根据所述机器人大数据和所述人类社会大数据生成。

5.根据权利要求4所述的云脑机器人系统，其特征在于，所述机器人包括位置识别装置，所述位置识别装置包括：

M个传感器，用于周期性地采集设定区域内由K个目标发射的信号，并将在该周期内收到的信号强度值做累加；其中，所述设定区域为方形区域，所述方形区域划分为N个网格，所述方形区域中随机布设M个传感器且每个所述传感器的位置为已知，所述方形区域中有K个目标；其中，M大于等于1，K大于等于1，N大于等于1；

定位模块，用于在周期时间片结束后，根据每个传感器的信号强度值累加结果和压缩感知定位算法定位出所述K目标在所述N个网格中的哪些位置。

6.根据权利要求5所述的云脑机器人系统，其特征在于，K个所述目标周期性地发射信号，发送周期为T，K个所述目标之间相互独立。

7.根据权利要求6所述的云脑机器人系统，其特征在于，第m个传感器接收到的位于第n个网格中的目标的信号强度由以下公式确定：

其中，

也为测量矩阵Φ∈R^M×N(M<<N)中的元素，P_m,n为第n个网格中的目标发出的信号到第m个传感器处衰减后的信号强度；

P_m,n＝P₀-10n_plg(D_m,n/D₀)

D_m,n为第m个传感器和第n个网格中的目标的欧式距离，P₀为在参考传输距离为D₀时的接收信号强度，n_p为路径衰减指数。

Images