CN106126636A - 一种面向智能机器人的人机交互方法及装置 - Google Patents

Abstract

一种面向智能机器人的人机交互方法及装置，该方法包括：交互信息获取步骤，获取用户输入的多模态交互信息；反馈信息生成步骤，利用预设自学习引擎对多模态交互信息进行处理，得到自学习引擎结果，利用预设思维引擎对多模态交互信息进行处理，得到思维引擎结果，根据自学习引擎结果和思维引擎结果，生成针对多模态交互信息的反馈信息。该方法不仅能够克服现有交互方法中所存在的缺乏推理、联想以及归纳等思维方式来将大量的知识串联起来的缺陷，还能够有效减少所需要维护的知识库的数量，还能够反映出情感的理解与表达，进而使得整个人机交互过程更加的生动和人性化。

Description

一种面向智能机器人的人机交互方法及装置

技术领域

本发明涉及人机交互技术领域，具体地说，涉及一种面向智能机器人的人机交互方法及装置。

背景技术

随着科学技术的不断发展，信息技术、计算机技术以及人工智能技术的引入，机器人的研究已经逐步走出工业领域，逐渐扩展到了医疗、保健、家庭、娱乐以及服务行业等领域。而人们对于机器人的要求也从简单重复的机械动作提升为具有拟人问答、自主性及与其他机器人进行交互的智能机器人，人机交互也就成为决定智能机器人发展的重要因素。

传统的面向智能机器人的人机交互方法主要采用知识库检索的方式，由于与用户之间的交互内容主要来源于既定的知识库，因此这使得利用现有的人机交互方法时整个交互过程过于呆板、缺乏成长性。

发明内容

为解决上述问题，本发明提供了一种面向智能机器人的人机交互方法，其包括：

交互信息获取步骤，获取用户输入的多模态交互信息；

反馈信息生成步骤，利用预设自学习引擎对所述多模态交互信息进行处理，得到自学习引擎结果，利用预设思维引擎对所述多模态交互信息进行处理，得到思维引擎结果，根据所述自学习引擎结果和思维引擎结果，生成针对所述多模态交互信息的反馈信息。

根据本发明的一个实施例，在所述反馈信息生成步骤中，

分别获取所述自学习引擎结果和思维引擎结果的置信度，对应得到第一置信度和第二置信度；

判断所述第一置信度和第二置信度之间的差值是否大于第一预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

根据本发明的一个实施例，在所述反馈信息生成步骤中，如果所述第一置信度和第二置信度的差值不大于第一预设置信度差值阈值，则判断所述自学习引擎结果和思维引擎结果是否能够进行融合，

其中，如果能够进行融合，则将所述自学习引擎结果和思维引擎结果进行融合，形成所述反馈信息；

如果无法进行融合，则根据置信度较高的处理结果生成所述反馈信息，或从所述自学习引擎结果和思维引擎结果中随机选取一个作为反馈信息。

根据本发明的一个实施例，在所述反馈信息生成步骤中，还利用预设情感引擎对所述多模态交互信息进行处理，得到情感引擎结果，根据所述自学习引擎结果、思维引擎结果和情感引擎结果，生成所述反馈信息。

根据本发明的一个实施例，在所述反馈信息生成步骤中：

判断所述情感引擎结果所对应的情感强度是否大于预设情感阈值，如果大于，则根据所述情感引擎结果生成所述反馈信息。

根据本发明的一个实施例，在所述反馈信息生成步骤中，如果所述情感引擎结果所对应的情感强度不大于预设情感阈值，则：

根据所述自学习引擎结果和思维引擎结果，生成临时反馈信息；

分别获取所述临时反馈信息和情感引擎结果的置信度，对应得到第三置信度和第四置信度；

判断所述第三置信度和第四置信度之间的差值是否大于第二预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

根据本发明的一个实施例，如果所述第三置信度和第四置信度的差值不大于第二预设置信度差值阈值，则判断所述临时反馈信息和情感引擎结果是否能够进行融合，

其中，如果能够进行融合，则将所述临时反馈信息和情感引擎结果进行融合形成所述反馈信息；

如果无法进行融合，则根据置信度较高的处理结果生成所述反馈信息，或从所述临时反馈信息和情感引擎结果中随机选取一个作为反馈信息。

本发明还提供了一种面向智能机器人的人机交互装置，其包括：

交互信息获取模块，其用于获取用户输入的多模态交互信息；

反馈信息生成模块，其用户利用预设自学习引擎对所述多模态交互信息进行处理，得到自学习引擎结果，利用预设思维引擎对所述多模态交互信息进行处理，得到思维引擎结果，并根据所述自学习引擎结果和思维引擎结果，生成针对所述多模态交互信息的反馈信息。

根据本发明的一个实施例，所述反馈信息生成模块配置为分别获取所述自学习引擎结果和思维引擎结果的置信度，对应得到第一置信度和第二置信度，随后判断所述第一置信度和第二置信度之间的差值是否大于第一预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

根据本发明的一个实施例，如果所述第一置信度和第二置信度的差值不大于第一预设置信度差值阈值，所述反馈信息生成模块则配置为判断所述自学习引擎结果和思维引擎结果是否能够进行融合，

其中，如果能够进行融合，所述反馈信息生成模块则将所述自学习引擎结果和思维引擎结果进行融合，形成所述反馈信息；

如果无法进行融合，所述反馈信息生成模块则根据置信度较高的处理结果生成所述反馈信息，或从所述自学习引擎结果和思维引擎结果中随机选取一个作为反馈信息。

根据本发明的一个实施例，所述反馈信息生成配置为还利用预设情感引擎对所述多模态交互信息进行处理，得到情感引擎结果，根据所述自学习引擎结果、思维引擎结果和情感引擎结果，生成所述反馈信息。

根据本发明的一个实施例，所述反馈信息生成模块配置为判断所述情感引擎结果所对应的情感强度是否大于预设情感阈值，如果大于，则根据所述情感引擎结果生成所述反馈信息。

根据本发明的一个实施例，如果所述情感引擎结果所对应的情感强度不大于预设情感阈值，所述反馈信息生成模块则配置为：

根据所述自学习引擎结果和思维引擎结果，生成临时反馈信息；

分别获取所述临时反馈信息和情感引擎结果的置信度，对应得到第三置信度和第四置信度；

判断所述第三置信度和第四置信度之间的差值是否大于第二预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

根据本发明的一个实施例，如果所述第三置信度和第四置信度的差值不大于第二预设置信度差值阈值，所述反馈信息生成模块则配置为判断所述临时反馈信息和情感引擎结果是否能够进行融合，

其中，如果能够进行融合，则将所述临时反馈信息和情感引擎结果进行融合形成所述反馈信息；

如果无法进行融合，则根据置信度较高的处理结果生成所述反馈信息，或从所述临时反馈信息和情感引擎结果中随机选取一个作为反馈信息。

本发明所提供的面向智能机器人的人机交互方法及装置在生成针对输入交互信息的反馈信息时引入了思维引擎、自学习引擎和情感引擎，思维引擎、自学习引擎和情感引擎的引入不仅能够克服现有交互方法中所存在的缺乏推理、联想以及归纳等思维方式来将大量的知识串联起来的缺陷，还能够有效减少所需要维护的知识库的数量，还能够反映出情感的理解与表达，进而使得整个人机交互过程更加的生动和人性化。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：

图1是根据本发明一个实施例的面向智能机器人的人机交互方法的实现流程图；

图2是根据本发明一个实施例的根据自学习引擎结果和思维引擎结果生成反馈信息的实现流程图；

图3是根据本发明另一个实施例的面向智能机器人的人机交互方法的实现流程图；

图4是根据本发明一个实施例的根据自学习引擎结果、思维引擎结果和情感引擎结果生成反馈信息的实现流程图；

图5是根据本发明一个实施例的面向智能机器人的人机交互装置的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

当前智能机器人的交互系统主要采用知识库检索的方式来生成相应的反馈信息，然而由于所生成的反馈信息的内容主要来源于既定的知识库，因此使得交互系统缺乏成长性，人机交互过程显得过于笨拙。同时，现有的交互系统还缺乏相应的推理、联想以及归纳等思维方式来将大量的知识串联起来，这也就导致现有的交互系统需要维护大量的知识库。此外，现有的交互系统对上下文的理解和支持较差，同时由于缺乏情感的理解和表达，从而导致交互过程中智能机器人显得过于呆板。

针对现有人机交互系统所存在的上述问题，本发明提供了一种新的面向智能机器人的人机交互方法。该方法通过引入思维引擎、自学习引擎以及情感引擎，来使得机器人在整个人机交互过程中显得更加智能。

为了更加清楚地阐述本发明所提供的人机交互方法的实现原理、实现过程以及优点，以下分别结合不同的实施例来对该方法作进一步地说明。

实施例一：

图1示出了本实施例所提供的面向智能机器人的人机交互方法的流程图。

如图1所示，本方法首先在步骤S101中获取用户输入的多模态交互信息。本实施例中，该方法在步骤S101中所获取到的多模态信息优选地可以包括：视觉信息、语音信息以及触觉信息等。

其中，该方法可以通过配置在智能机器人中的视频传感器(例如摄像头)来获取相关的视觉信息，可以通过配置在智能机器人中的音频传感器(例如麦克风)来获取相关的语音信息，可以通过配置在智能机器人壳体上的相应传感器(例如压力传感器)来获取相关触觉信息。

需要指出的是，在本发明的其他实施例中，该方法在步骤S101中还可以采用其他合理的方式来获取上述视觉信息、语音信息和/或触觉信息，同时，该方法还在步骤S101中所获取得到的多模态交互信息既可以包含以上所列项中的某一项或几项，也可以包含未列出的其他合理项(例如文本信息等)，本发明不限于此。

如图1所示，在获取到多模态交互信息后，该方法在步骤S102中利用预设自学习引擎对步骤S101中所获取到的多模态交互信息进行处理，从而得到自学习引擎结果。随后，该方法还在步骤S103中利用预设思维引擎对步骤S101中所获取到的多模态交互信息进行处理，从而得到思维引擎结果。

本实施例中，自学习引擎可以通过不断的自我学习来达到不断扩充、完善自身数据的效果，自学习引擎优选地通过检索的方式来生成针对该多模态交互信息的结果(即自学习引擎结果)。思维引擎能够利用归纳思维、推理思维、对比思维以及直觉思维等方式来对上述多模态交互信息进行分析，从而得到理性的交互结果(即思维引擎结果)。

需要指出的是，本实施例中并不对上述步骤S102以及步骤S103的具体执行顺序进行限定，也就是说，根据实际需要，该方法既可以先得到自学习引擎结果再得到思维引擎结果，也可以先得到思维引擎结果再得到自学习引擎结果，还可以同时得到自学习引擎结果和思维引擎结果，本发明不限于此。

如图1所示，在得到自学习引擎结果和思维引擎结果后，该方法在步骤S104中根据步骤S102中所得到的自学习引擎结果和步骤S103中所得到的思维引擎结果，生成针对该多模态交互信息的反馈信息。

具体地，如图2所示，本实施例中，该方法在根据自学习引擎结果和思维引擎结果生成反馈信息的过程中，首先在步骤S201中分别获取自学习引擎结果和思维引擎结果的置信度，对应得到第一置信度和第二置信度。其中，自学习引擎结果的置信度为第一置信度，思维引擎结果的置信度为第二置信度。结果的置信度表征了该结果能够被最终采纳的程度。如果结果的置信度越高，那么该结果能够被最终采纳的概率也就越大；反之，如果结果的置信度越低，那么该结果能够被最终采纳的概率也就越小。

在得到第一置信度和第二置信度后，该方法在步骤S202中计算第一置信度与第二置信度的差值φ₁。本实施例中，计算得到的第一置信度与第二置信度的差值即第一置信度与第二置信度之差的绝对值，即存在：

φ₁＝|α₁-α₂| (1)

其中，α₁表示第一置信度，α₂表示第二置信度。

在得到第一置信度与第二置信度的差值φ₁后，如图2所示，该方法在步骤S203中判断该差值是否大于第一预设置信度差值阈值ε₁。如果差值φ₁大于第一预设置信度差值阈值ε₁，该方法则在步骤S206中抛弃置信度较低的处理结果，并根据置信度较高的处理结果来生成反馈信息。

例如，第一置信度α₁大于第二置信度α₂，其二者的差值φ₁大于第一预设置信度差值阈值ε₁，那么该方法则根据第一置信度α₁所对应的自学习引擎结果来生成反馈信息。

本实施例中，如果第一置信度与第二置信度的差值φ₁小于或等于第一预设置信度差值阈值ε₁，那么则表示自学习引擎结果和思维引擎结果的置信度相近，此时该方法在步骤S204中进一步判断自学习引擎结果和思维引擎结果是否能够进行融合。

如果自学习引擎结果和思维引擎结果能够进行融合，如图2所示，该方法将在步骤S205中将自学习引擎结果和思维引擎结果进行融合，从而形成针对步骤S101中所获取的多模态交互信息的反馈信息。

而如果自学习引擎结果和思维引擎结果无法进行融合，那么该方法将在步骤S206中根据置信度较高的处理结果来生成反馈信息。

需要指出的是，在本发明的其他实施例中，如果自学习引擎结果和思维引擎结果无法进行融合且自学习引擎结果和思维引擎结果的置信度相等，那么该方法还可以从自学习引擎结果和思维引擎结果中随机选取一个来作为反馈信息，本发明不限于此。

同时，还需要指出的是，在本发明的不同实施例中，第一预设置信度差值阈值ε₁的取值可以根据实际需要进行配置，本发明同样不限于此。

从上述描述中可以看出，本实施例所提供的面向智能机器人的人机交互方法在生成针对输入交互信息的反馈信息时引入了思维引擎和自学习引擎，思维引擎和自学习引擎的引入不仅能够克服现有交互方法中所存在的缺乏推理、联想以及归纳等思维方式来将大量的知识串联起来的缺陷，还能够有效减少所需要维护的知识库的数量。

实施例二：

图3示出了本实施例所提供的面向智能机器人的人机交互方法的流程图。

如图3所示，本方法首先在步骤S301中获取用户输入的多模态交互信息，随后分别在步骤S302和步骤S303中利用预设自学习引擎和预设思维引擎来对步骤S301中所获得的多模态交互信息进行处理，对应得到自学习引擎结果和思维引擎结果。

需要指出的是，本实施例所提供的人机交互方法的步骤S301至步骤S303的实现原理以及实现过程与实施例一中步骤S101至步骤S103的实现原理以及实现过程类似，故在此不再对本实施例中步骤S301至步骤S303的实现原理以及实现过程进行赘述。

如图3所示，本实施例所提供的人机交互方法在得到自学习引擎结果和思维引擎结果的同时，还在步骤S304中利用预设情感引擎对步骤S301中所获取到的多模态交互信息进行处理，从而得到情感引擎结果。

本实施例中，该方法利用情感引擎来对步骤S301中所获取到的多模态交互信息进行相关情绪识别，并结合交互过程的上下文数据以及历史交互情况计算出当前用户的情感状态以及智能机器人的情感状态，从而得到相应的感性交互结果(即情感引擎结果)。

在得到自学习引擎结果、思维引擎结果和情感引擎结果后，本方法在步骤S305中根据自学习引擎结果、思维引擎结果和情感引擎结果，生成针对上述多模态交互信息的反馈信息。

具体地，如图4所示，本实施例中，该方法在根据自学习引擎结果、思维引擎结果和情感引擎结果生成反馈信息的过程中，首先在步骤S401中获取情感引擎结果的情感强度，随后在步骤S402中判断该情感强度是否大于预设情感阈值。

具体地，如果步骤S401中所获取到的情感引擎结果的情感强度大于预设情感阈值，那么该方法则在步骤S410中根据情感引擎结果生成反馈信息。本实施例中，该方法优选地在步骤S410中直接采用情感引擎结果来作为反馈信息。

而如果步骤S401中所获取到的情感引擎结果的情感强度小于或等于预设情感阈值，那么该方法则在在步骤S403中根据自学习引擎结果和思维引擎结果生成临时反馈信息。

需要指出的是，本方法根据自学习引擎结果和思维引擎结果生成临时反馈信息的实现原理以及实现过程优选地与实施例一中图2所涉及的内容类似，故在此不再赘述。

如图4所示，当得到临时反馈信息后，该方法在步骤S404中分别获取临时反馈信息和思维引擎结果的置信度，对应得到第三置信度和第四置信度。其中，临时反馈信息的置信度为第三置信度α₃，情感引擎结果的置信度为第四置信度α₄。

在得到第三置信度α₃和第四置信度α₄后，该方法在步骤S405中计算第三置信度α₃与第四置信度α₄的差值φ₂。本实施例中，计算得到的第三置信度α₃与第四置信度α₄的差值即第三置信度与第四置信度之差的绝对值，即存在：

φ₂＝|α₃-α₄| (2)

在得到第三置信度α₃与第四置信度α₄的差值φ₂后，如图4所示，该方法在步骤S406中判断该差值是否大于第二预设置信度差值阈值ε₂。如果差值φ₂大于第二预设置信度差值阈值ε₂，该方法则在步骤S409中抛弃置信度较低的处理结果，并根据置信度较高的处理结果来生成反馈信息。

例如，第三置信度α₃大于第四置信度α₄，其二者的差值φ₂大于第二预设置信度差值阈值ε₂，那么本该方法则根据第三置信度α₃所对应的临时反馈信息来生成反馈信息。

本实施例中，如果第三置信度α₃与第四置信度α₄的差值φ₂小于或等于第二预设置信度差值阈值ε₂，那么则表示临时反馈信息和情感引擎结果的置信度相近，此时该方法在步骤S407中进一步判断临时反馈信息和情感引擎结果是否能够进行融合。

如果临时反馈信息和情感引擎结果能够进行融合，该方法将在步骤S408中将临时反馈信息和情感引擎结果进行融合，从而形成针对步骤S401中所获取的多模态交互信息的反馈信息。

而如果临时反馈信息和情感引擎结果无法进行融合，那么该方法将在步骤S409中根据置信度较高的处理结果来生成反馈信息。

需要指出的是，在本发明的其他实施例中，如果临时反馈信息和情感引擎结果无法进行融合且临时反馈信息和情感引擎结果的置信度相等，那么该方法还可以从自临时反馈信息和情感引擎结果中随机选取一个来作为反馈信息，本发明不限于此。

从上述描述中可以看出，本实施例所提供的人机交互方法在实施例一所提供的方法的基础上，引入了情感引擎，从而使得最终生成的反馈信息在一定程度上能够反映出情感的理解与表达，进而使得整个人机交互过程更加的生动和人性化。

本发明还提供了一种面向智能机器人的人机交互装置，图5示出了本实施例中该装置的结构示意图。

如图5所示，本实施例所提供的人机交互装置优选地包括：交互信息获取模块501和反馈信息生成模块502。其中，交互信息获取模块501用于获取用户输入的多模态交互信息。本实施例中，该多模态交互信息优选地可以包括：视觉信息、语音信息以及触觉信息等。

其中，交互信息获取模块501可以通过配置在智能机器人中的视频传感器(例如摄像头)来获取相关的视觉信息，可以通过配置在智能机器人中的音频传感器(例如麦克风)来获取相关的语音信息，可以通过配置在智能机器人壳体上的压力传感器来获取相关触觉信息。

需要指出的是，在本发明的其他实施例中，交互信息获取模块501还可以采用其他合理的方式来获取上述视觉信息、语音信息和/或触觉信息，同时，交互信息获取模块501所获取得到的多模态交互信息既可以包含以上所列项中的某一项或几项，也可以包含未列出的其他合理项(例如文本信息等)，本发明不限于此。

交互信息获取模块501在获取到用户输入的多模态交互信息后，会将该多模态交互信息传输给反馈信息生成模块502，以由反馈信息生成模块502生成针对该多模态交互信息的反馈信息。

具体地，本实施例中，反馈信息生成模块502分别利用预设自学习引擎、预设思维引擎以及预设情感引擎来对步骤S101中所获取到的多模态交互信息进行处理，从而对应得到自学习引擎结果、思维引擎结果和情感引擎结果。反馈信息生成模块502可以根据所得到的自学习引擎结果、思维引擎结果和情感引擎结果，生成针对上述多模态交互信息的反馈信息。

需要指出的是，本实施例中，反馈信息生成模块502根据自学习引擎结果、思维引擎结果和情感引擎结果生成反馈信息的实现原理以及实现过程与上述实施例二中步骤S305所涉及的内容类似，故在此不再赘述。

需要指出的是，在本发明的其他实施例中，反馈信息生成模块502还可以根据自学习引擎结果、思维引擎结果和情感引擎结果中的任两个来生成针对多模态交互信息的反馈信息，本发明不限于此。

例如在本发明的一个实施例中，反馈信息生成模块502还可以根据自学习引擎结果和思维引擎结果来生成反馈信息，其具体实现原理以及实现过程与上述实施例一中步骤S104所涉及的内容类似，故在此不再赘述。

从上述描述中可以看出，本实施例所提供的面向智能机器人的人机交互方法在生成针对输入交互信息的反馈信息时引入了思维引擎、自学习引擎和情感引擎，思维引擎、自学习引擎和情感引擎的引入不仅能够克服现有交互方法中所存在的缺乏推理、联想以及归纳等思维方式来将大量的知识串联起来的缺陷，还能够有效减少所需要维护的知识库的数量，还能够反映出情感的理解与表达，进而使得整个人机交互过程更加的生动和人性化。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。

Claims (14)

1.一种面向智能机器人的人机交互方法，其特征在于，包括：

交互信息获取步骤，获取用户输入的多模态交互信息；

反馈信息生成步骤，利用预设自学习引擎对所述多模态交互信息进行处理，得到自学习引擎结果，利用预设思维引擎对所述多模态交互信息进行处理，得到思维引擎结果，根据所述自学习引擎结果和思维引擎结果，生成针对所述多模态交互信息的反馈信息。

2.如权利要求1所述的方法，其特征在于，在所述反馈信息生成步骤中，

分别获取所述自学习引擎结果和思维引擎结果的置信度，对应得到第一置信度和第二置信度；

判断所述第一置信度和第二置信度之间的差值是否大于第一预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

3.如权利要求2所述的方法，其特征在于，在所述反馈信息生成步骤中，如果所述第一置信度和第二置信度的差值不大于第一预设置信度差值阈值，则判断所述自学习引擎结果和思维引擎结果是否能够进行融合，

其中，如果能够进行融合，则将所述自学习引擎结果和思维引擎结果进行融合，形成所述反馈信息；

如果无法进行融合，则根据置信度较高的处理结果生成所述反馈信息，或从所述自学习引擎结果和思维引擎结果中随机选取一个作为反馈信息。

4.如权利要求1～3中任一项所述的方法，其特征在于，在所述反馈信息生成步骤中，还利用预设情感引擎对所述多模态交互信息进行处理，得到情感引擎结果，根据所述自学习引擎结果、思维引擎结果和情感引擎结果，生成所述反馈信息。

5.如权利要求4所述的方法，其特征在于，在所述反馈信息生成步骤中：

判断所述情感引擎结果所对应的情感强度是否大于预设情感阈值，如果大于，则根据所述情感引擎结果生成所述反馈信息。

6.如权利要求5所述的方法，其特征在于，在所述反馈信息生成步骤中，如果所述情感引擎结果所对应的情感强度不大于预设情感阈值，则：

根据所述自学习引擎结果和思维引擎结果，生成临时反馈信息；

分别获取所述临时反馈信息和情感引擎结果的置信度，对应得到第三置信度和第四置信度；

判断所述第三置信度和第四置信度之间的差值是否大于第二预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

7.如权利要求6所述的方法，其特征在于，如果所述第三置信度和第四置信度的差值不大于第二预设置信度差值阈值，则判断所述临时反馈信息和情感引擎结果是否能够进行融合，

其中，如果能够进行融合，则将所述临时反馈信息和情感引擎结果进行融合形成所述反馈信息；

如果无法进行融合，则根据置信度较高的处理结果生成所述反馈信息，或从所述临时反馈信息和情感引擎结果中随机选取一个作为反馈信息。

8.一种面向智能机器人的人机交互装置，其特征在于，包括：

交互信息获取模块，其用于获取用户输入的多模态交互信息；

反馈信息生成模块，其用户利用预设自学习引擎对所述多模态交互信息进行处理，得到自学习引擎结果，利用预设思维引擎对所述多模态交互信息进行处理，得到思维引擎结果，并根据所述自学习引擎结果和思维引擎结果，生成针对所述多模态交互信息的反馈信息。

9.如权利要求8所述的装置，其特征在于，所述反馈信息生成模块配置为分别获取所述自学习引擎结果和思维引擎结果的置信度，对应得到第一置信度和第二置信度，随后判断所述第一置信度和第二置信度之间的差值是否大于第一预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

10.如权利要求9所述的装置，其特征在于，如果所述第一置信度和第二置信度的差值不大于第一预设置信度差值阈值，所述反馈信息生成模块则配置为判断所述自学习引擎结果和思维引擎结果是否能够进行融合，

其中，如果能够进行融合，所述反馈信息生成模块则将所述自学习引擎结果和思维引擎结果进行融合，形成所述反馈信息；

如果无法进行融合，所述反馈信息生成模块则根据置信度较高的处理结果生成所述反馈信息，或从所述自学习引擎结果和思维引擎结果中随机选取一个作为反馈信息。

11.如权利要求8～10中任一项所述的装置，其特征在于，所述反馈信息生成配置为还利用预设情感引擎对所述多模态交互信息进行处理，得到情感引擎结果，根据所述自学习引擎结果、思维引擎结果和情感引擎结果，生成所述反馈信息。

12.如权利要求11所述的装置，其特征在于，所述反馈信息生成模块配置为判断所述情感引擎结果所对应的情感强度是否大于预设情感阈值，如果大于，则根据所述情感引擎结果生成所述反馈信息。

13.如权利要求12所述的装置，其特征在于，如果所述情感引擎结果所对应的情感强度不大于预设情感阈值，所述反馈信息生成模块则配置为：

根据所述自学习引擎结果和思维引擎结果，生成临时反馈信息；

分别获取所述临时反馈信息和情感引擎结果的置信度，对应得到第三置信度和第四置信度；

判断所述第三置信度和第四置信度之间的差值是否大于第二预设置信度差值阈值，如果大于，则根据置信度较高的处理结果生成所述反馈信息。

14.如权利要求13所述的装置，其特征在于，如果所述第三置信度和第四置信度的差值不大于第二预设置信度差值阈值，所述反馈信息生成模块则配置为判断所述临时反馈信息和情感引擎结果是否能够进行融合，

其中，如果能够进行融合，则将所述临时反馈信息和情感引擎结果进行融合形成所述反馈信息；

如果无法进行融合，则根据置信度较高的处理结果生成所述反馈信息，或从所述临时反馈信息和情感引擎结果中随机选取一个作为反馈信息。