CN103203753A - 用于识别和处理异常情况的机器人和方法 - Google Patents

用于识别和处理异常情况的机器人和方法 Download PDF

Info

Publication number
CN103203753A
CN103203753A CN2013100128782A CN201310012878A CN103203753A CN 103203753 A CN103203753 A CN 103203753A CN 2013100128782 A CN2013100128782 A CN 2013100128782A CN 201310012878 A CN201310012878 A CN 201310012878A CN 103203753 A CN103203753 A CN 103203753A
Authority
CN
China
Prior art keywords
robot
memory cell
learning model
model
service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013100128782A
Other languages
English (en)
Other versions
CN103203753B (zh
Inventor
张峻源
卢庆植
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN103203753A publication Critical patent/CN103203753A/zh
Application granted granted Critical
Publication of CN103203753B publication Critical patent/CN103203753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/54—Link editing before load time
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33056—Reinforcement learning, agent acts, receives reward, emotion, action selective
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45108—Aid, robot for aid to, assist human disabled

Abstract

在此公开了一种用于识别和处理异常情况的机器人和方法。所述机器人包括：感测单元，用于感测机器人的内部信息和外部信息；存储单元，用于存储由感测单元感测的信息、推断模型、学习模型、机器人可提供的服务、用于提供服务的子任务以及用于处理异常情况的处理任务；控制器，用于通过存储单元中的学习模型来确定在用于提供选择的服务的子任务正被执行时是否发生异常情况，如果确定发生异常情况，则通过存储单元中的推断模型选择用于处理异常情况的处理任务。即使除机器人的设计者定义的数据以外的数据由于噪声或操作环境被输入到机器人中，所述机器人也可识别和处理异常情况。

Description

用于识别和处理异常情况的机器人和方法
技术领域
本发明的实施例涉及一种识别和处理可能在机器人正提供服务时发生的异常情况、例外情况或错误情况（在下文中统称为异常情况）的机器人和方法。
背景技术
与那些安装在工业现场的按照相同的方式处理给定任务的机器人不同，安装在家中的机器人需要在多种操作情况下提供服务，并灵活地处理在提供服务时由于操作情况的不确定性而可能发生的情况。
但是，在现有技术中，当非预期的信息被输入到机器人中或者由于操作情况的不确定性而发生设计者未预料的例外情况时，机器人将它们识别为输入错误或者仅定义发生例外情况，而可能不能适当地识别和处理这样的情况。
在这种关系下，提出了这样的机器人：使用由机器人的感测单元输入的数据来配置分层数据结构，使用所述分层数据结构来增强机器人对环境情况的识别能力，并确定将来的情况以使得机器人可适当地处理非预期的情况。
然而，如果机器人确定的情况与实际识别的情况不匹配，则机器人继续探测周围，直到确定的数据被输入到机器人为止，或者仅仅是忽略这样的情况。因此，现有技术的机器人可能不能适当地处理异常情况。
发明内容
因此，本发明的一方面在于提供一种用于基于除机器人的设计者预定义的输入数据以外的输入数据来识别由于噪声或操作情况的不确定性是否发生异常情况，并执行用于处理异常情况的处理任务的机器人和方法。
在以下描述中将部分阐述本发明的另外的方面，还有一部分从描述中将是显而易见的，或者可由本发明的实施而得知。
根据本发明的一方面，一种机器人包括：感测单元，用于感测机器人的内部信息和外部信息；存储单元，用于存储由感测单元感测的信息、推断模型、学习模型、机器人可提供的服务、用于提供服务的子任务以及用于处理异常情况的处理任务；控制器，用于根据用户命令或通过存储单元中的推断模型来选择将由机器人提供的服务，通过存储单元中的学习模型确定在用于提供选择的服务的子任务正被执行时是否发生异常情况，如果确定发生异常情况，则通过存储单元中的推断模型选择用于处理异常情况的处理任务。
关于选择将由机器人提供的服务的步骤，控制器可确定将由机器人提供的服务是否被选择，如果将由机器人提供的服务没有被选择，则在存储单元中检索所述信息、推断模型和机器人可提供的服务，并确定所述信息是否满足推断模型中包括的规则，从而选择将由机器人提供的服务。
关于确定异常情况是否发生的步骤，控制器可选择用于提供选择的服务的子任务，确定与所述子任务相应的学习模型是否在存储单元中，如果在存储单元中存在与所述子任务相应的学习模型，则从存储单元检索与选择的子任务相应的学习模型并从存储单元检索与学习模型的输入相应的信息，将检索的信息输入到学习模型，并基于来自学习模型的结果确定是否发生异常情况。
如果在存储单元中不存在与所述子任务相应的学习模型，则控制器可在存储单元中检索所述信息，通过将所述信息映射到异常情况的发生/未发生来训练学习模型，并将经过训练的学习模型存储在存储单元中，从而创建与所述子任务相应的学习模型。
关于选择用于处理异常情况的处理任务的步骤，控制器可在存储单元中检索所述信息、推断模型和用于处理异常情况的处理任务，并确定所述信息是否满足推断模型中包括的规则，以选择用于处理异常情况的处理任务。
根据本发明的另一方面，一种用于识别和处理机器人中的异常情况的方法包括：根据用户命令或通过机器人的存储单元中的推断模型来选择将由机器人提供的服务；通过存储单元中的学习模型来确定在用于提供选择的服务的子任务正被执行时是否发生异常情况；如果确定发生异常情况，则通过存储单元中的推断模型来选择用于处理异常情况的处理任务。
选择的步骤可包括：确定将由机器人提供的服务是否被选择；如果将由机器人提供的服务没有被选择，则在存储单元中检索机器人的内部信息和外部信息、推断模型和机器人可提供的服务；确定所述信息是否满足推断模型中包括的规则，从而选择将由机器人提供的服务。
确定是否发生异常情况的步骤可包括：选择用于提供选择的服务的子任务；确定与所述子任务相应的学习模型是否在存储单元中；如果在存储单元中存在与所述子任务相应的学习模型，则从存储单元检索与选择的子任务相应的学习模型并从存储单元检索与学习模型的输入相应的信息；将检索的信息输入到学习模型，并基于来自学习模型的结果确定是否发生异常情况。
确定是否发生异常情况的步骤可还包括：如果在存储单元中没有与所述子任务相应的学习模型，则在存储单元中检索所述信息；通过将所述信息映射到异常情况的发生/未发生来训练学习模型；将经过训练的学习模型存储在存储单元中，从而创建与所述子任务相应的学习模型。
选择处理任务的步骤可包括：在存储单元中检索所述信息、推断模型和用于处理异常情况的处理任务；确定所述信息是否满足推断模型中包括的规则，以选择用于处理异常情况的处理任务。
附图说明
通过结合附图对实施例的以下描述，本发明的这些和/或其他方面将变得清楚并更易于理解，其中：
图1是示意性地示出根据本发明的实施例的用于识别和处理异常情况的机器人的配置的框图；
图2是示出根据本发明的实施例的存储在机器人的存储单元中的内容的框图；
图3是示出根据本发明的实施例的用于创建学习模型的方法的流程图；
图4是示出根据本发明的实施例的由机器人执行的，用于识别异常情况并选择处理任务的方法的流程图。
具体实施方式
现在将详细描述本发明的实施例，其示例在附图中被示出，其中，相同的标号始终是指相同的元件。
图1是示意性地示出根据本发明的实施例的用于识别和处理异常情况的机器人的配置的框图，图2是示出根据本发明的实施例的存储在机器人的存储单元中的内容的框图，图3是示出根据本发明的实施例的用于创建学习模型的方法的流程图。
参照图1和图2，根据本发明的实施例的机器人包括：感测单元101，用于感测机器人的内部信息和外部信息；存储单元102，用于存储由感测单元101感测的信息、推断模型202、学习模型203、机器人可提供的服务204、用于提供服务的子任务205以及用于处理异常情况的处理任务206；控制器103，用于选择将由机器人提供的服务，确定在用于提供服务的子任务正被执行时是否发生异常情况，并且如果确定发生异常情况，则选择针对所述异常情况的应对任务；驱动单元104，用于驱动机器人以提供由控制器103选择的服务，并驱动机器人的胳膊和腿以由控制器等完成子任务或处理任务。
感测单元101包括布置在机器人中的多个传感器。
可包括用于感测机器人的内部信息的传感器（诸如用于感测在机器人的接合处（joint）上设置的电动机的扭矩的加速度传感器、用于感测机器人的位置、速度、加速度等的惯性传感器、用于感测倾斜度的倾斜传感器、或陀螺仪传感器）以及用于感测机器人的外部环境的传感器或用于感测用户信息的传感器（诸如用于感测视觉信息的视觉传感器、用于感测听觉信息的音频传感器、用于感测触觉信息的触觉传感器、用于感测距物体的距离的超声传感器、用于感测温度的温度传感器、或用于感测湿度的湿度传感器）。
存储单元102存储由感测单元101感测的关于机器人、环境和用户的信息201、推断模型202、学习模型203、机器人可提供的服务204、用于提供服务的子任务205以及用于处理异常情况的处理任务206。
关于机器人、环境和用户的信息201包括机器人信息、机器人外部环境信息和用户信息。
机器人信息包括由机器人的加速度传感器感测的在机器人的接合处上设置的电动机的扭矩值、由惯性传感器感测的机器人的位置、速度和加速度值等。机器人外部环境信息包括由视觉传感器感测的视觉信息、由温度传感器感测的温度、由湿度传感器感测的湿度、以及通过处理视觉信息或听觉信息而产生的指示对象是否损坏或者地板是否脏的信息。用户信息包括由视觉传感器感测的视觉信息、由音频传感器感测的听觉信息、以及通过处理视觉信息或听觉信息而产生的指示用户是否口渴或是否饥饿的信息。
例如，当用户说“我渴了”时，机器人的感测单元101的音频传感器感测用户的语音，并且指示用户口渴的信息被存储在存储单元102中。
机器人可提供的服务204包括机器人可按照适于机器人的目的而提供的所有类型的服务，诸如递送饮料、准备膳食、清扫等。
机器人可提供的服务204由用于提供服务的子任务205组成，所述子任务205按照预定顺序与机器人可提供的服务204相关联地存储在存储单元102中。
用于提供服务的子任务205是指机器人执行的用于提供服务的各个动作，例如，提起特定物体的任务、移动到特定位置的任务、通知用户特定信息的任务等。
通过按顺序执行用于提供服务的子任务205来实现机器人可提供的服务204。例如，将饮料递送给用户的服务明确包括搜索饮料的任务、拿起饮料的任务、携带饮料移向用户的任务、以及将饮料递给用户的任务，所述任务需要按预定顺序来执行以完成将饮料递送给用户的服务。
异常情况是指正在执行用于提供服务的子任务之一的机器人可能不能执行下一子任务的情况。例如，正在执行搜索饮料的任务以提供饮料递送服务的机器人可能不能找到饮料的情况，以及正在执行携带饮料移向用户的任务的机器人落下容纳饮料的杯子的情况。
用于处理异常情况的处理任务206是指在识别出异常情况时由机器人执行以处理异常情况的各个动作。处理任务206的示例包括：在机器人在执行搜索饮料的任务中可能不能找到饮料的情况下用于向用户通知指示没有找到饮料的信息的任务、以及在机器人在执行携带饮料移向用户的任务中落下容纳饮料的杯子的情况下用于拾起容纳饮料的杯子的任务。
推断模型202用于使用若干命题（包括事实和规则）来推断新信息，所述推断模型202的示例包括一阶逻辑（FOL）和贝叶斯网络。
存储在存储单元102中的推断模型202包括与对将由机器人提供的服务的选择相关的规则以及与对用于处理异常情况的处理任务的选择相关的规则。
例如，存储在存储单元102中的推断模型202可包括：“如果用户口渴，则递送饮料”的规则、“如果用户忙并且地板脏，则清扫地板”的规则、“如果用户饿了，则准备膳食”的规则、“如果有未损坏的物体，则拾起该物体”的规则以及“如果物体损坏并且用户不忙，则通知用户”的规则。
学习模型203是一种用于针对输入数据计算输出数据的映射函数，所述学习模型203的示例包括支持向量机（SVM）。在接收到输入数据时，学习模型输出与输入数据相应的输出数据。
基本上，学习模型203由机器人的设计者预定义并被存储在存储单元102中。然而，在存储单元102中没有与由机器人提供的服务相应的学习模型的情况下，控制器103从存储单元102检索与学习模型的产生相关的信息201，以创建学习模型。
学习模型的产生意味着用于从训练数据推断学习模型的一系列处理，其中，所述训练数据包括输入数据和相应的输出数据。
参照图3，由控制器103产生学习模型203的具体处理包括：控制器103收集与学习模型相关的训练数据的操作301、控制器103通过将输入数据映射到训练数据中的输出数据来训练学习模型的操作302、以及控制器103将经过训练的学习模型存储在存储单元102中的操作303。
训练数据包括与在用于提供选择的服务的子任务正被执行时可能发生的异常情况相关的信息以及异常情况的发生/未发生。
将描述以下示例，在该示例中，控制器103通过接收机器人的手部接合处的扭矩值来创建确定机器人是否正握住物体的学习模型，从而通过该学习模型确定异常情况。
具体地讲，假设机器人的手部被设计为具有二十二个接合处，拇指、食指和中指中包括的九个接合处对握住物体起主要作用，其中，所述九个接合处的九个扭矩值可被定义为九阶向量。
当机器人正握住物体时，控制器103实时测量所述九个扭矩值若干次，并在各个测量时序将所述九个扭矩值存储为输入数据和作为输出数据的（+1）。此外，当机器人落下物体时，控制器103实时测量所述九个扭矩值若干次，并在各个测量时序将所述九个扭矩值存储为输入数据和作为输出数据的（-1）。
控制器103可通过将输入数据（即，所述九个扭矩值）映射到输出数据来创建学习模型。
当机器人正在执行用于提供服务的子任务时，在感测单元101实时测量包括在机器人的拇指、食指和中指中的接合处的九个扭矩值并且控制器103输入所述九个扭矩值以创建学习模型时，学习模型输出（+1）或（-1）。此外，控制器103可通过学习模型的输出来确定机器人是否落下了物体。
控制器103通过存储单元102中的推断模型202选择将由机器人提供的服务，通过存储单元102中的学习模型203来确定在执行用于提供选择的服务的子任务中是否发生异常情况，并且，如果确定发生异常情况，则通过存储单元102中的推断模型202选择用于处理所述异常情况的任务。
对于选择将由机器人提供的服务，控制器103确定将由机器人提供的服务是否被选择。如果将由机器人提供的服务未被选择，则控制器103从存储单元102检索关于机器人和用户的周围的信息201、推断模型202和机器人可提供的服务204，并通过检索的信息201和推断模型202选择将由机器人提供的服务。
具体地讲，控制器103针对机器人可提供的服务中的每一个服务确定存储单元102中的信息201是否满足包括在推断模型202中的规则，以选择将由机器人提供的服务。
例如，假设“用户1口渴”的信息、“用户1忙”的信息、“用户2忙”的信息以及“起居室干净”的信息被存储在存储单元102中，包括“如果用户口渴，则递送饮料”的规则、“如果用户忙并且地板脏，则清扫地板”的规则以及“如果用户饿了，则准备膳食”的规则的推断模型被存储在存储单元102中，并且饮料递送服务、膳食准备服务以及清扫服务被存储在存储单元102中。
控制器103从存储单元102检索所述信息、推断模型和机器人可提供的服务。然后，控制器103确定检索的信息是否满足推断模型的规则。具体地讲，控制器103从“用户1口渴”的信息推断要将饮料递送给用户1，并且控制器103对用户1选择饮料递送服务作为将由机器人提供的服务。按照类似方式，由于用户1和用户2不饿，因此控制器103不选择膳食准备服务，并且由于起居室干净，因此控制器103不选择清扫服务。
控制器103在与选择的服务相应的多个任务205中选择将由机器人按照预定顺序执行的子任务。此外，控制器103确定与选择的子任务相应的学习模型是否在存储单元102中，如果确定与选择的子任务相应的学习模型在存储单元102中，则控制器103从存储单元102检索与选择的子任务相应的学习模型。如果确定在存储单元102中没有与选择的子任务相应的学习模型，则控制器103从存储单元102检索信息201，并创建与选择的子任务相应的学习模型。
控制器103从存储单元102检索用于提供选择的服务的子任务，并根据所述子任务控制驱动单元104。例如，饮料递送服务可包括搜索饮料的任务、拿起饮料的任务、携带饮料移向用户的任务以及将饮料递给用户的任务，控制器103检索搜索饮料的任务，根据搜索饮料的任务控制驱动单元104。如果找到饮料，则搜索饮料的任务完成，控制器103从存储单元102检索拿起饮料的任务，以相应地控制驱动单元104。按照类似的方式，控制器103控制驱动单元，使得机器人按顺序执行包括在饮料提供服务中的所有子任务。
驱动单元104通过根据来自控制器103的控制信号驱动机器人的胳膊、腿等，来实现选择的服务。
在执行选择的子任务的过程中，控制器103从存储单元102检索与学习模型203的输入相应的信息201，将检索的信息201输入到学习模型203，并基于结果确定是否发生异常情况。
例如，假设在接收到机器人的手部的九个扭矩值时学习模型203被存储为：当机器人握住杯子时输出（+1），并当机器人落下杯子时输出（-1）。
在机器人正在执行携带物体移向用户的任务时，控制器103在存储单元102中检索九个扭矩值和学习模型203，并将所述九个扭矩值输入到学习模型203。这样做，如果从学习模型的输出是（+1），则控制器103可确定机器人正握住物体，因此没有发生异常情况，而如果从学习模型的输出是（-1），则控制器103可确定机器人落下了物体，因此发生异常情况。
如果发生异常情况，则控制器103从存储单元102检索关于机器人和用户的周围的信息201、推断模型202以及用于处理异常情况的任务206，确定检索的信息201是否满足推断模型202中包括的规则，并选择用于处理异常情况的处理任务。
例如，如果在机器人在执行将物体递送给用户的任务时落下所述物体并且用户忙的情况下发生异常情况，则“物体被损坏”的信息、“地板脏”的信息和“用户忙”的信息被存储在存储单元102中。此外，假设包括“如果用户忙并且地板脏，则清扫地板”的规则、“如果有未损坏的物体，则拾起所述物体”的规则和“如果有损坏的物体并且用户不忙，则通知用户”的规则的推断模型202被存储在存储单元102中，并且通知用户的任务、拾起物体的任务、和清扫地板的任务被存储为用于处理异常情况的处理任务。
控制器103检索所述信息、推断模型和用于处理异常情况的处理任务，确定检索的信息是否满足推断模型的规则，并选择用于处理异常情况的处理任务。
由于物体被损坏，因此控制器103不选择拾起物体的任务。并且由于用户忙，因此控制器103不选择通知用户的任务。由于用户忙并且地板脏，因此控制器103选择清扫地板的任务。
控制器103根据清扫地板的任务来控制驱动单元104，并且机器人的胳膊和腿实现清扫地板的任务。
图4是示出根据本发明的实施例的由机器人确定异常情况是否发生并选择处理任务的方法的流程图。根据本发明的实施例，将参照图4描述控制器103进行的用于确定异常情况和用于选择处理任务的操作。
控制器103确定将由机器人提供的服务是否被选择（401）。如果将由机器人提供的服务被选择，则控制器103不选择将由机器人提供的服务，而是选择用于提供选择的服务的子任务（411）。
如果将由机器人提供的服务没有被选择，则从存储单元102检索关于机器人和用户的周围的信息以及推断模型。然后，控制器103确定存储单元102中的信息是否满足推断模型中包括的规则，以选择将由机器人提供的服务（403）。
如果将由机器人提供的服务被选择，则控制器103选择用于提供选择的服务的子任务（411）。用于提供选择的服务的子任务按照预定顺序被存储以提供服务，并且控制器103按照所述预定顺序选择子任务（411）。
如果将由机器人执行的子任务被选择，则控制器103确定与选择的子任务相应的学习模型是否在存储单元102中（412）。
如果没有与选择的子任务相应的学习模型，则控制器103通过收集训练数据的操作301、使用所述训练数据训练学习模型的操作302和将经过训练的学习模型存储在存储单元102中的操作303来创建与选择的子任务相应的学习模型（419）。
如果在存储单元102中存在与选择的子任务相应的学习模型，则控制器103从存储单元102检索与选择的子任务相应的学习模型（413）。
然后，控制器103从存储单元102检索选择的子任务，并根据检索的子任务控制机器人的驱动单元104，以使机器人执行选择的子任务（414）。
当选择的子任务正被执行时，控制器103从存储单元102检索与学习模型的输入相应的信息（415），将检索的信息输入到学习模型，并基于来自学习模型的输出确定是否发生异常情况（416）。
如果确定没有发生异常情况，则控制器103确定选择的子任务是否被完成（417）。
如果选择的子任务未被完成，则控制器103实时地重复以下处理：从存储单元102检索与学习模型的输入相应的信息（415），将检索的信息输入到学习模型，并通过基于来自学习模型的输出确定是否发生异常情况（416）。也就是说，控制器103检索存储单元102中的信息，将所述信息输入到学习模型，并基于输出来监控是否发生异常情况，直到选择的子任务被完成为止。
如果选择的子任务被完成，则控制器103确定由机器人提供的服务是否被完成（418）。
如果由机器人提供的服务未被完成，则控制器103选择用于提供所述服务的下一子任务（411）。如果由机器人提供的服务被完成，则控制器103待机以选择下一服务。
如果确定发生异常情况，则控制器103从存储单元102检索关于机器人和用户的周围的信息、推断模型以及用于处理异常情况的处理任务（421）。
控制器103确定存储单元102中的信息是否满足推断模型中包括的规则，以选择用于处理异常情况的处理任务（422）。
然后，控制器103根据选择的处理任务控制机器人的驱动单元104，以使机器人执行选择的处理任务（423）。
当用于处理异常情况的处理任务被完成时，控制器103再次选择用于提供选择的服务的子任务（404），并按顺序执行所述子任务，以完成提供选择的服务的步骤。
从以上描述清楚的是，通过使用学习模型确定是否发生异常情况并使用推断模型选择用于处理异常情况的处理任务，即使除预定义的输入数据以外的输入数据（未见过的输入）由于噪声或机器人的操作情况的不确定性被输入到机器人中，学习模型也不将其识别为输入错误，而是可输出与其相应的数据，并且基于所述输出数据，机器人的控制器可确定是否发生异常情况。此外，控制器可选择用于处理异常情况的处理任务并使机器人执行所述处理任务。
尽管已显示和描述了本发明的一些实施例，但是本领域的技术人员将理解，在不脱离本发明的原理和精神的情况下，可在这些实施例中进行改变，本发明的范围在权利要求及其等同物中被限定。

Claims (12)

1.一种机器人，包括：
感测单元，用于感测机器人的内部信息和外部信息；
存储单元，用于存储由感测单元感测的信息、推断模型、学习模型、机器人可提供的服务、用于提供服务的子任务以及用于处理异常情况的处理任务；
控制器，用于根据用户命令或通过推断模型来选择将由机器人提供的服务，选择用于提供选择的服务的子任务，并通过学习模型确定在选择的子任务正被执行时是否发生异常情况。
2.根据权利要求1所述的机器人，其中，控制器确定将由机器人提供的服务是否被选择，如果将由机器人提供的服务没有被选择，则在存储单元中检索所述信息、推断模型和机器人可提供的服务，并确定所述信息是否满足推断模型中包括的规则，从而选择将由机器人提供的服务。
3.根据权利要求1所述的机器人，其中，控制器确定与所述子任务相应的学习模型是否在存储单元中，如果在存储单元中存在与所述子任务相应的学习模型，则从存储单元检索与选择的子任务相应的学习模型并从存储单元检索与学习模型的输入相应的信息，将检索的信息输入到学习模型，并基于来自学习模型的结果确定是否发生异常情况。
4.根据权利要求3所述的机器人，其中，如果在存储单元中不存在与所述子任务相应的学习模型，则控制器在存储单元中检索所述信息，通过将所述信息映射到异常情况的发生/未发生来训练学习模型，并将经过训练的学习模型存储在存储单元中，从而创建与所述子任务相应的学习模型。
5.根据权利要求1所述的机器人，其中，如果确定发生异常情况，则控制器通过推断模型选择用于处理异常情况的处理任务。
6.根据权利要求5所述的机器人，其中，控制器检索存储单元中的所述信息、推断模型和用于处理异常情况的处理任务，并确定所述信息是否满足推断模型中包括的规则，以选择用于处理异常情况的处理任务。
7.一种用于在机器人中识别和处理异常情况的方法，所述方法包括：
感测机器人的内部信息和外部信息；
根据用户命令或通过机器人的存储单元中的推断模型来选择将由机器人提供的服务；
选择用于提供选择的服务的子任务；
通过存储单元中的学习模型来确定在所述子任务正被执行时是否发生异常情况。
8.根据权利要求7所述的方法，其中，选择服务的步骤包括：
确定将由机器人提供的服务是否被选择；
如果将由机器人提供的服务没有被选择，则在存储单元中检索机器人的所述信息、推断模型和机器人可提供的服务；
确定所述信息是否满足推断模型中包括的规则，从而选择将由机器人提供的服务。
9.根据权利要求7所述的方法，其中，确定的步骤包括：
确定与所述子任务相应的学习模型是否在存储单元中；
如果在存储单元中存在与所述子任务相应的学习模型，则从存储单元检索与选择的子任务相应的学习模型并从存储单元检索与学习模型的输入相应的信息；
将检索的信息输入到学习模型，
基于来自学习模型的结果确定是否发生异常情况。
10.根据权利要求9所述的方法，其中，确定是否发生异常情况的步骤还包括：
如果在存储单元中没有与所述子任务相应的学习模型，则在存储单元中检索机器人的内部信息和外部信息；
通过将所述信息映射到异常情况的发生/未发生来训练学习模型；
将经过训练的学习模型存储在存储单元中，从而创建与所述子任务相应的学习模型。
11.根据权利要求7所述的方法，还包括：如果确定发生异常情况，则通过存储单元中的推断模型选择用于处理异常情况的处理任务。
12.根据权利要求11所述的方法，其中，选择处理任务的步骤包括：
检索存储单元中的机器人的内部信息和外部信息、推断模型和用于处理异常情况的处理任务；
确定所述信息是否满足推断模型中包括的规则，以选择用于处理异常情况的处理任务。
CN201310012878.2A 2012-01-12 2013-01-14 用于识别和处理异常情况的机器人和方法 Active CN103203753B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2012-0003641 2012-01-12
KR1020120003641A KR101945185B1 (ko) 2012-01-12 2012-01-12 로봇 및 이상 상황 판단과 대응방법

Publications (2)

Publication Number Publication Date
CN103203753A true CN103203753A (zh) 2013-07-17
CN103203753B CN103203753B (zh) 2016-07-06

Family

ID=48751263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310012878.2A Active CN103203753B (zh) 2012-01-12 2013-01-14 用于识别和处理异常情况的机器人和方法

Country Status (3)

Country Link
US (1) US9132547B2 (zh)
KR (1) KR101945185B1 (zh)
CN (1) CN103203753B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901888A (zh) * 2014-03-18 2014-07-02 北京工业大学 一种基于红外声纳传感器的机器人自主运动控制方法
CN105629947A (zh) * 2015-11-30 2016-06-01 东莞酷派软件技术有限公司 家居设备监测方法、家居设备监测装置和终端
CN105892994A (zh) * 2016-04-05 2016-08-24 东南大学 一种移动机器人任务规划与执行异常情况处理方法及装置
CN106313113A (zh) * 2015-06-30 2017-01-11 芋头科技（杭州）有限公司 一种对机器人进行训练的系统及方法
CN107255969A (zh) * 2017-06-28 2017-10-17 重庆柚瓣家科技有限公司 养老机器人用监管系统
CN107329445A (zh) * 2017-06-28 2017-11-07 重庆柚瓣家科技有限公司 机器人行为准则智能监管的方法
CN107544398A (zh) * 2017-09-30 2018-01-05 上海物景智能科技有限公司 一种适用于清洁装置的服务方法
CN107614214A (zh) * 2015-05-21 2018-01-19 日产自动车株式会社 故障诊断装置及故障诊断方法
CN110545353A (zh) * 2018-05-28 2019-12-06 三星电子株式会社 电磁传感器和包括其的移动设备
WO2021129346A1 (zh) * 2019-12-26 2021-07-01 炬星科技（深圳）有限公司 机器人自主管理执行能力的方法、设备及存储介质
WO2022095807A1 (zh) * 2020-11-03 2022-05-12 华为云计算技术有限公司 一种任务学习系统、方法及相关设备
CN117295589A (zh) * 2021-03-16 2023-12-26 谷歌有限责任公司 在训练和细化机器人控制策略中使用模仿学习的系统和方法

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2613138T3 (es) * 2013-08-23 2017-05-22 Lg Electronics Inc. Robot limpiador y método para controlar el mismo
CN103792943B (zh) * 2014-02-19 2017-01-11 北京工业大学 基于距离信息和实例学习的机器人自主运动控制方法
KR101643812B1 (ko) * 2014-08-14 2016-07-28 경북대학교 산학협력단 로봇가디언모듈과 이를 이용한 로봇 안전 보장 장치 및 방법
KR101624184B1 (ko) 2015-03-11 2016-06-07 연세대학교 산학협력단 에이전트 시스템을 위한 행동학습 모델의 의도-대응 인터페이스 장치 및 방법
CN105930167A (zh) * 2016-05-10 2016-09-07 北京光年无限科技有限公司 一种智能机器人及应用于智能机器人的操作系统
JP7000704B2 (ja) * 2017-05-16 2022-01-19 富士フイルムビジネスイノベーション株式会社 移動式サービス提供装置及びプログラム
US11017317B2 (en) 2017-12-27 2021-05-25 X Development Llc Evaluating robot learning
US10730181B1 (en) 2017-12-27 2020-08-04 X Development Llc Enhancing robot learning
US11475291B2 (en) * 2017-12-27 2022-10-18 X Development Llc Sharing learned information among robots
US11357376B2 (en) * 2018-07-27 2022-06-14 Panasonic Intellectual Property Corporation Of America Information processing method, information processing apparatus and computer-readable recording medium storing information processing program
US11399682B2 (en) * 2018-07-27 2022-08-02 Panasonic Intellectual Property Corporation Of America Information processing method, information processing apparatus and computer-readable recording medium storing information processing program
KR20200052444A (ko) 2018-10-30 2020-05-15 삼성전자주식회사 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들
KR102142582B1 (ko) * 2018-11-30 2020-08-07 동아대학교 산학협력단 로봇 제어 장치 및 방법
CN109732602B (zh) * 2019-01-08 2021-03-16 英华达（上海）科技有限公司 机械臂调速方法、系统、设备以及介质
KR102306394B1 (ko) * 2019-08-23 2021-09-30 엘지전자 주식회사 인공지능 로봇 청소기
JP7021158B2 (ja) * 2019-09-04 2022-02-16 株式会社東芝 ロボットシステムおよび駆動方法
CN114630734A (zh) * 2019-09-30 2022-06-14 西门子股份公司 具有专用硬件加速的支持机器学习的视觉伺服
KR102222468B1 (ko) * 2020-11-20 2021-03-04 한국과학기술연구원 인간-로봇 상호작용을 위한 인터랙션 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5367449A (en) * 1992-05-27 1994-11-22 Michael Manthey Artificial intelligence system
JP2003001578A (ja) * 2001-06-26 2003-01-08 Casio Comput Co Ltd ロボット、ロボット管理システム、ロボット制御プログラム、ロボット管理処理プログラム、ロボット管理方法、及び機器管理システム、機器管理処理プログラム、機器管理方法
JP2004030629A (ja) * 2002-05-10 2004-01-29 Sony Corp 顔検出装置、顔検出方法及びロボット装置、並びにプログラム及び記録媒体
US20070027579A1 (en) * 2005-06-13 2007-02-01 Kabushiki Kaisha Toshiba Mobile robot and a mobile robot control method
CN101890720A (zh) * 2004-07-13 2010-11-24 松下电器产业株式会社 物品保持系统、机器人以及机器人控制方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4122652B2 (ja) * 1999-09-27 2008-07-23 松下電器産業株式会社 ロボットの制御装置
US20040133453A1 (en) * 2002-11-27 2004-07-08 Jean-Philippe Jomini Method and system for providing at home health care service
JP2005219161A (ja) * 2004-02-05 2005-08-18 Matsushita Electric Ind Co Ltd ロボット把持制御装置及びロボット把持制御システム
US20100222925A1 (en) * 2004-12-03 2010-09-02 Takashi Anezaki Robot control apparatus
US7725418B2 (en) * 2005-01-28 2010-05-25 Honda Motor Co., Ltd. Responding to situations using multidimensional semantic net and Bayes inference
JP4525477B2 (ja) * 2005-02-23 2010-08-18 ソニー株式会社 学習制御装置および学習制御方法、並びに、プログラム
ATE524784T1 (de) * 2005-09-30 2011-09-15 Irobot Corp Begleitroboter für persönliche interaktion
US7668796B2 (en) * 2006-01-06 2010-02-23 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Automata learning algorithms and processes for providing more complete systems requirements specification by scenario generation, CSP-based syntax-oriented model construction, and R2D2C system requirements transformation
US8484146B2 (en) * 2006-01-18 2013-07-09 Sony Corporation Interaction device implementing a bayesian's estimation
JP4490448B2 (ja) * 2007-01-12 2010-06-23 日本電信電話株式会社 ロボット制御システム
KR101055282B1 (ko) 2008-04-28 2011-08-09 한양대학교 산학협력단 계층 구조적 예측 모델을 이용한 로봇의 상황예측장치 및 그 방법
KR20100086262A (ko) 2009-01-22 2010-07-30 삼성전자주식회사 로봇 및 그 제어방법
KR101239274B1 (ko) * 2009-07-06 2013-03-06 한국전자통신연구원 상호작용성 로봇
KR20110026212A (ko) * 2009-09-07 2011-03-15 삼성전자주식회사 로봇 및 그 제어방법
CN102163047B (zh) * 2010-02-19 2014-02-12 发那科株式会社 学习控制机器人

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5367449A (en) * 1992-05-27 1994-11-22 Michael Manthey Artificial intelligence system
JP2003001578A (ja) * 2001-06-26 2003-01-08 Casio Comput Co Ltd ロボット、ロボット管理システム、ロボット制御プログラム、ロボット管理処理プログラム、ロボット管理方法、及び機器管理システム、機器管理処理プログラム、機器管理方法
JP2004030629A (ja) * 2002-05-10 2004-01-29 Sony Corp 顔検出装置、顔検出方法及びロボット装置、並びにプログラム及び記録媒体
CN101890720A (zh) * 2004-07-13 2010-11-24 松下电器产业株式会社 物品保持系统、机器人以及机器人控制方法
US20070027579A1 (en) * 2005-06-13 2007-02-01 Kabushiki Kaisha Toshiba Mobile robot and a mobile robot control method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王丽杨等: ""一种小样本支持向量机控制器在两足机器人步态控制的研究"", 《控制理论与应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901888B (zh) * 2014-03-18 2017-01-25 北京工业大学 一种基于红外声纳传感器的机器人自主运动控制方法
CN103901888A (zh) * 2014-03-18 2014-07-02 北京工业大学 一种基于红外声纳传感器的机器人自主运动控制方法
CN107614214A (zh) * 2015-05-21 2018-01-19 日产自动车株式会社 故障诊断装置及故障诊断方法
CN107614214B (zh) * 2015-05-21 2019-07-09 日产自动车株式会社 故障诊断装置及故障诊断方法
CN106313113A (zh) * 2015-06-30 2017-01-11 芋头科技（杭州）有限公司 一种对机器人进行训练的系统及方法
CN106313113B (zh) * 2015-06-30 2019-06-07 芋头科技（杭州）有限公司 一种对机器人进行训练的系统及方法
CN105629947A (zh) * 2015-11-30 2016-06-01 东莞酷派软件技术有限公司 家居设备监测方法、家居设备监测装置和终端
CN105629947B (zh) * 2015-11-30 2019-02-01 东莞酷派软件技术有限公司 家居设备监测方法、家居设备监测装置和终端
CN105892994A (zh) * 2016-04-05 2016-08-24 东南大学 一种移动机器人任务规划与执行异常情况处理方法及装置
CN105892994B (zh) * 2016-04-05 2018-04-24 东南大学 一种移动机器人任务规划与执行异常情况处理方法及装置
CN107255969B (zh) * 2017-06-28 2019-10-18 重庆柚瓣家科技有限公司 养老机器人用监管系统
CN107255969A (zh) * 2017-06-28 2017-10-17 重庆柚瓣家科技有限公司 养老机器人用监管系统
CN107329445A (zh) * 2017-06-28 2017-11-07 重庆柚瓣家科技有限公司 机器人行为准则智能监管的方法
CN107544398A (zh) * 2017-09-30 2018-01-05 上海物景智能科技有限公司 一种适用于清洁装置的服务方法
CN110545353A (zh) * 2018-05-28 2019-12-06 三星电子株式会社 电磁传感器和包括其的移动设备
CN110545353B (zh) * 2018-05-28 2023-02-03 三星电子株式会社 电磁传感器和包括其的移动设备
WO2021129346A1 (zh) * 2019-12-26 2021-07-01 炬星科技（深圳）有限公司 机器人自主管理执行能力的方法、设备及存储介质
WO2022095807A1 (zh) * 2020-11-03 2022-05-12 华为云计算技术有限公司 一种任务学习系统、方法及相关设备
CN117295589A (zh) * 2021-03-16 2023-12-26 谷歌有限责任公司 在训练和细化机器人控制策略中使用模仿学习的系统和方法

Also Published As

Publication number Publication date
CN103203753B (zh) 2016-07-06
US20130184867A1 (en) 2013-07-18
KR20130083099A (ko) 2013-07-22
KR101945185B1 (ko) 2019-02-07
US9132547B2 (en) 2015-09-15

Similar Documents

Publication Publication Date Title
CN103203753A (zh) 用于识别和处理异常情况的机器人和方法
Anderson et al. On evaluation of embodied navigation agents
CN108759844A (zh) 机器人重定位与环境地图构建方法、机器人及存储介质
KR101945772B1 (ko) 로봇 시스템이 작업을 수행하기 위한 명령어를 생성하기 위한 방법 및 시스템
JP4495252B2 (ja) 経路危険性評価装置、経路危険性評価方法及びプログラム
CN101727180B (zh) 操纵虚拟对象的设备和方法
US8433442B2 (en) Methods for repurposing temporal-spatial information collected by service robots
CN110370279A (zh) 具有物体识别和处理机制的机器人系统及其操作方法
US11878425B1 (en) Robot task optimization based on historical task and location correlated durations
CN107428008A (zh) 机器人的触摸感知
CN1989514A (zh) 用户偏好推断装置、用户概况推断装置和机器人
CN107211113A (zh) 监控
CN104977038B (zh) 使用与关联存储器耦合的运动感测设备识别移动
CN103077184A (zh) 用于基于规则的情景获取的方法
JP2021160941A (ja) ピッキング用移動体
KR102402044B1 (ko) 전자 장치 및 그의 서비스 제공 방법
JP2021160937A (ja) ピッキング経路提案プログラム
WO2021200720A1 (ja) ピッキング経路提案プログラム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant