CN107290957A - 智能设备及其优化方法和装备 - Google Patents
智能设备及其优化方法和装备 Download PDFInfo
- Publication number
- CN107290957A CN107290957A CN201610200061.1A CN201610200061A CN107290957A CN 107290957 A CN107290957 A CN 107290957A CN 201610200061 A CN201610200061 A CN 201610200061A CN 107290957 A CN107290957 A CN 107290957A
- Authority
- CN
- China
- Prior art keywords
- sequence
- task object
- optimization
- operating result
- smart machine
- 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.)
- Withdrawn
Links
Classifications
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
Abstract
本发明涉及一种智能设备及其优化方法和装备。该方法包括从智能设备的一个或多个传感器接收数据;至少部分地基于所接收数据的类型来确定任务目标;基于所确定的任务目标来生成用于处理所接收数据的序列;以及优化该序列直至达成所确定的任务目标或被有条件地终止。本发明能够不断自我优化以实现高效运转和低功耗。
Description
技术领域
本发明涉及人工智能,尤其是涉及一种智能设备及其优化方法和装备。
背景技术
智能设备(例如机器人,诸如企鹅机器人、智能探索类机器人、智能家居、宠物机器人、或军用侦查型机器人)需要拥有优化的思维。这种优化的思维体现在实际生活中不断提高自身的运动效率,在执行运动的过程中达到更高、更快、更强,在自身能耗方面达到更低、更有效。在学习周围环境中,能够自己组建学习模块和学习方法,不断优化自身智能对周围环境的适应能力。
智能设备含多种学习模型,并且决定最终的输出行为。需要不断地优化才能不断适应复杂的生活环境,更好地为陪伴人类,承担智能家庭的管理等等。因此,需要对智能设备进行优化以提高运动效能、增强对特定环境或事物的认知理解、不断进化和适应,实现自身系统的高效运转和低功耗。
发明内容
本发明所要解决的技术问题是提供一种智能设备及其优化方法,能够不断自我优化以实现高效运转和低功耗。
为此,本发明提供了一种用于智能设备的优化方法,包括:从所述智能设备的一个或多个传感器接收数据;至少部分地基于所接收数据的类型来确定任务目标;基于所确定的任务目标来生成用于处理所接收数据的序列;以及优化所述序列直至达成所确定的任务目标或被有条件地终止。根据本发明的一方面,所接收数据包括运动检测数据和学习检测数据。
根据本发明的一方面,所述任务目标为识别优化和运动优化之一。
根据本发明的一方面,如果所述任务目标为识别优化,则所述序列包括从以下学习组件中所选择的学习组件组合:滤波组件、降噪组件、降维组件、模糊处理组件、平滑处理组件和分类器组件。
根据本发明的一方面,如果所述任务目标为运动优化,则所述序列包括运动参数的组合。
根据本发明的一方面,优化所述序列包括:按所述序列来进行对应于所述任务目标的操作以得到第一操作结果;改变所述序列并按改变后的序列进行对应于所述任务目标的操作以得到第二操作结果;以及将所述第一操作结果与所述第二操作结果作比较并排除对应于较差操作结果的序列。
根据本发明的一方面,改变所述序列包括:将所述序列的各组成部分重新排序和/或将所述序列的至少一部分进行替换。
本发明还提供了一种用于智能设备的优化装备,包括:接收装置,其被配置成从所述智能设备的一个或多个传感器接收数据;确定装置,其被配置成至少部分地基于所接收数据的类型来确定任务目标;生成装置,其被配置成基于所确定的任务目标来生成用于处理所接收数据的一个或多个序列;以及优化装置,其被配置成优化所述序列直至达成所确定的任务目标或被有条件地终止。
根据本发明的一方面,所接收数据包括运动检测数据和学习检测数据。
根据本发明的一方面,所述任务目标为识别优化和运动优化之一。
根据本发明的一方面,如果所述任务目标为识别优化,则所述序列包括从以下学习组件中所选择的学习组件组合:滤波组件、降噪组件、降维组件、模糊处理组件、平滑处理组件和分类器组件。
根据本发明的一方面,如果所述任务目标为运动优化,则所述序列包括运动参数的组合。
根据本发明的一方面,所述优化装置还被配置成:按所述序列来进行对应于所述任务目标的操作以得到第一操作结果;改变所述序列并按改变后的序列进行对应于所述任务目标的操作以得到第二操作结果;以及将所述第一操作结果与所述第二操作结果作比较并排除对应于较差操作结果的序列。
根据本发明的一方面,改变所述序列包括:将所述序列的各组成部分重新排序和/或将所述序列的至少一部分进行替换。
本发明还提供了一种智能设备,包括如上所述的优化装备。
本发明可以针对不同问题使用智能设备的不同功能得出优化解决方案,不依赖特定问题和特定任务。在复杂数据条件下,无法建立优化数学模型或者控制模型的情况下,自主学习训练,得到最优解决方案,具有高度的适应性和自主性,并且能使优化解决方案的搜索和计算逃出本地最优解的限制,找到全局最优解,从而能够使智能设备的各种效能达到最大值。
附图说明
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明,其中:
图1示出了根据本发明实施例的用于智能设备的优化方法的示例性流程图;
图2示出了根据本发明实施例的用于智能设备的优化方法的实现的示意图;
图3示出了根据本发明实施例的对应于识别优化的序列的示例性框图;
图4示出了根据本发明实施例的优化装备的示例性框图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步说明,在以下的描述中阐述了更多的细节以便于充分理解本发明,但是本发明显然能够以多种不同于此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎,因此不应以此具体实施例的内容限制本发明的保护范围。
图1示出了本发明用于智能设备的优化方法100的示例性流程图。在步骤102,从一个或多个传感器接收数据;这一个或多个传感器包括智能设备的运动检测传感器或学习检测传感器;如果智能设备进行运动检测,则这一个或多个传感器包括但不限于以下运动检测传感器中的至少一者:视觉传感器、声音传感器、触觉传感器、陀螺仪、加速计以及电能管理器;如果智能设备进行学习检测,则这一个或多个传感器包括但不限于以下学习检测传感器中的至少一者:识别率检测组件以及识别效率检测组件;相应地,所接收数据包括从这一个或多个传感器所接收的运动检测数据或学习检测数据。在步骤104,至少部分地基于所接收数据的类型来确定任务目标;如果所接收数据的类型为运动检测数据,则确定任务目标是运动优化;如果所接收数据的类型为学习检测数据,则确定任务目标是学习优化;还可以基于所接收数据的类型和分类算法来确定任务目标,例如在用分类算法处理所接收数据之后再确定任务目标,该任务目标为识别优化和运动优化之一。在步骤106,基于所确定的任务目标来生成用于处理所述数据的序列;如果任务目标为运动优化,则所述序列包括运动参数的组合;例如在智能机器人奔跑时各舵机转动配合的运动参数的组合,以得到最快的行动速度、最平稳的姿态和最小的能耗;如果任务目标为识别优化,则所述序列包括但不限于从以下学习组件中所选组件的组合:滤波组件、降噪组件、降维组件、模糊处理组件、平滑处理组件和分类器组件;学习优化包括但不限于最快地识别以及最准地识别;例如,在识别人脸时,利用各学习组件的组合能够最快最准地识别人脸图像数据。在步骤108,优化所述序列直至达成所确定的任务目标或被有条件地终止;优化所述序列包括按所述序列来进行对应于所述任务目标的操作以得到第一操作结果;改变所述序列并按改变后的序列进行对应于所述任务目标的操作以得到第二操作结果;以及将所述第一操作结果与所述第二操作结果作比较并排除对应于较差操作结果的序列。例如,按序列来进行对应于任务目标的操作得到智能设备反馈的第一操作结果;反馈的操作结果可以对应于特定反馈函数,反馈函数评价了系统运行的效能和任务达成度的综合结果,例如运动检测时的反馈函数,是由执行了所有运动组件(即,运动参数的组合)后得到的所有传感器(例如,加速器、陀螺仪和电能管理器)的反馈组成;这个评价是基于移动的速率高低、身体状态的平稳和执行动作的耗能的综合评价。然后,对先前序列进行改变并按改变后的序列进行前述类似操作以得到智能设备反馈的第二操作结果;例如将所述序列的各组成部分重新排序和/或将所述序列的至少一部分进行替换后再次执行所代表任务目标的联合输出。随后将第一操作结果与第二操作结果作比较,将对应于优秀结果的序列保存并排除对应于较差结果的序列。不断重复以上对序列的改变以及排除较差序列直至反馈的操作结果不再改变(即,达成服务目标)或者该过程被有条件地终止。
图2示出了本发明用于智能设备的优化方法的实现的示意图。(1)从智能设备的运动检测传感器或学习检测传感器接收数据。运动检测传感器包括加速器、陀螺仪和电能管理器,学习检测传感器包括识别率检测组件和识别效率检测组件;所接收数据分别为运动检测数据和学习检测数据。(2)基于所接收数据的类型为运动检测数据或学习检测数据来确定任务目标是运动优化还是识别优化。(3)基于所确定的任务目标来生成用于处理所述数据的序列。在该实施例中,如果所确定的任务目标是识别优化,则可基于遗传算法将灵魂模型的学习组件例如识别所用的滤波方法、降噪降维方法、特征提取方法、分类器等进行组合并编码,编码的结果是一系列作为识别序列的基因序列(如图2和3所示)。将每个基因序列集合到一起形成基因群;同样在任务目标是运动优化时,则将运动组件的运动参数,例如每个舵机转角值和计算的转角动能按照上述方法组合编码,形成基因群。(4)遗传模型按照不同的任务目标(识别优化或运动优化)将从特定的基因群中选择基因序列,作为父代基因链;执行父代基因链所代表的功能得到反馈评价。对父代基因链部分进行重组和变异,得到子代基因链后再次执行所代表功能的联合输出,从而再次得到反馈评价;将两次的反馈评价对比后,将优秀的基因序列保存到基因群中,淘汰劣质的基因链。(5)继续执行步骤(4),直到特定任务的反馈评价不再改变或者优化训练被有条件的终止。此时得到基因群就是针对不同任务目标的最优化解决方案。
本发明的优化方法可以针对不同问题使用智能设备的不同功能得出优化解决方案,不依赖特定问题和特定任务。在复杂数据条件下,无法建立优化数学模型或者控制模型的情况下,自主学习训练,得到最优解决方案,具有高度的适应性和自主性,并且能使优化解决方案的搜索和计算逃出本地最优解的限制,找到全局最优解,从而能够使智能设备的各种效能达到最大值。
图4示出了本发明的用于智能设备的优化装备的示例性框图。该装备400包括:接收装置405,其被配置成从智能设备的一个或多个传感器接收数据,所接收数据包括运动检测数据和学习检测数据;确定装置410,其被配置成至少部分地基于所接收数据的类型来确定任务目标包括识别优化和运动优化之一;生成装置415,其被配置成基于所确定的任务目标来生成用于处理所接收数据的序列,若任务目标为识别优化,则序列包括但不限于从以下学习组件中所选的学习组件组合:滤波组件、降噪组件、降维组件、模糊处理组件、平滑处理组件和分类器组件,若任务目标为运动优化,则序列包括运动参数的组合;以及优化装置420,其被配置成优化所述序列直至达成任务目标或被有条件地终止。进一步,优化装置420还被配置成按该序列来进行对应于任务目标的操作以得到第一操作结果;改变该序列并按改变后的序列进行对应于任务目标的操作以得到第二操作结果;以及将第一操作结果与第二操作结果作比较并排除对应于较差操作结果的序列;其中改变该序列包括:将该序列的各组成部分重新排序和/或将该序列的至少一部分进行替换。
本发明的用于智能设备的优化装备可以针对不同问题使用智能设备的不同功能得出优化解决方案,不依赖特定问题和特定任务。在复杂数据条件下,无法建立优化数学模型或者控制模型的情况下,自主学习训练,得到最优解决方案,具有高度的适应性和自主性,并且能使优化解决方案的搜索和计算逃出本地最优解的限制,找到全局最优解,从而能够使智能设备的各种效能达到最大值。
进一步,前述优化装备可被集成于智能设备中。
虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可作出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (15)
1.一种用于智能设备的优化方法,其特征在于,包括:
从所述智能设备的一个或多个传感器接收数据;
至少部分地基于所接收数据的类型来确定任务目标;
基于所确定的任务目标来生成用于处理所接收数据的序列;以及
优化所述序列直至达成所确定的任务目标或被有条件地终止。
2.如权利要求1所述的方法,其特征在于,所接收数据包括运动检测数据和学习检测数据。
3.如权利要求1所述的方法,其特征在于,所述任务目标为识别优化和运动优化之一。
4.如权利要求3所述的方法,其特征在于,如果所述任务目标为识别优化,则所述序列包括从以下学习组件中所选择的学习组件组合:滤波组件、降噪组件、降维组件、模糊处理组件、平滑处理组件和分类器组件。
5.如权利要求3所述的方法,其特征在于,如果所述任务目标为运动优化,则所述序列包括运动参数的组合。
6.如权利要求1所述的方法,其特征在于,优化所述序列包括:
按所述序列来进行对应于所述任务目标的操作以得到第一操作结果;
改变所述序列并按改变后的序列进行对应于所述任务目标的操作以得到第二操作结果;以及
将所述第一操作结果与所述第二操作结果作比较并排除对应于较差操作结果的序列。
7.如权利要求6所述的方法,其特征在于,改变所述序列包括:
将所述序列的各组成部分重新排序和/或将所述序列的至少一部分进行替换。
8.一种用于智能设备的优化装备,其特征在于,包括:
接收装置,其被配置成从所述智能设备的一个或多个传感器接收数据;
确定装置,其被配置成至少部分地基于所接收数据的类型来确定任务目标;
生成装置,其被配置成基于所确定的任务目标来生成用于处理所接收数据的序列;以及
优化装置,其被配置成优化所述序列直至达成所确定的任务目标或被有条件地终止。
9.如权利要求8所述的装备,其特征在于,所接收数据包括运动检测数据和学习检测数据。
10.如权利要求8所述的装备,其特征在于,所述任务目标为识别优化和运动优化之一。
11.如权利要求10所述的装备,其特征在于,如果所述任务目标为识别优化,则所述序列包括从以下学习组件中所选择的学习组件组合:滤波组件、降噪组件、降维组件、模糊处理组件、平滑处理组件和分类器组件。
12.如权利要求10所述的装备,其特征在于,如果所述任务目标为运动优化,则所述序列包括运动参数的组合。
13.如权利要求8所述的装备,其特征在于,所述优化装置还被配置成:
按所述序列来进行对应于所述任务目标的操作以得到第一操作结果;
改变所述序列并按改变后的序列进行对应于所述任务目标的操作以得到第二操作结果;以及
将所述第一操作结果与所述第二操作结果作比较并排除对应于较差操作结果的序列。
14.如权利要求13所述的装备,其特征在于,改变所述序列包括:
将所述序列的各组成部分重新排序和/或将所述序列的至少一部分进行替换。
15.一种智能设备,其特征在于,包括如权利要求8-14中任一项所述的装备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610200061.1A CN107290957A (zh) | 2016-03-31 | 2016-03-31 | 智能设备及其优化方法和装备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610200061.1A CN107290957A (zh) | 2016-03-31 | 2016-03-31 | 智能设备及其优化方法和装备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107290957A true CN107290957A (zh) | 2017-10-24 |
Family
ID=60087927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610200061.1A Withdrawn CN107290957A (zh) | 2016-03-31 | 2016-03-31 | 智能设备及其优化方法和装备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107290957A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100583920B1 (ko) * | 2005-01-06 | 2006-05-29 | 가락전자 주식회사 | 표정인식 기능을 갖는 로봇을 이용한 네트워크 지원용 로봇 시스템 |
CN102156476A (zh) * | 2011-04-14 | 2011-08-17 | 山东大学 | 智能空间与护士机器人多传感器系统及其信息融合方法 |
CN102375412A (zh) * | 2010-08-13 | 2012-03-14 | 同济大学 | 基于韵律模式的机器人未知环境下行走学习信息处理方法 |
CN103832504A (zh) * | 2014-02-26 | 2014-06-04 | 南京航空航天大学 | 仿生足式机器人综合仿真策略 |
CN103996155A (zh) * | 2014-04-16 | 2014-08-20 | 深圳市易特科信息技术有限公司 | 智能交互及心理慰藉机器人服务系统 |
CN104123543A (zh) * | 2014-07-23 | 2014-10-29 | 泰亿格电子(上海)有限公司 | 一种基于人脸识别的眼球运动识别方法 |
CN104598924A (zh) * | 2015-01-14 | 2015-05-06 | 南京邮电大学 | 一种目标匹配检测方法 |
CN204790566U (zh) * | 2015-07-16 | 2015-11-18 | 高世恒 | 一种多功能智能家居机器人 |
CN105171752A (zh) * | 2015-09-10 | 2015-12-23 | 刘玉伟 | 机器人系统及其方法 |
-
2016
- 2016-03-31 CN CN201610200061.1A patent/CN107290957A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100583920B1 (ko) * | 2005-01-06 | 2006-05-29 | 가락전자 주식회사 | 표정인식 기능을 갖는 로봇을 이용한 네트워크 지원용 로봇 시스템 |
CN102375412A (zh) * | 2010-08-13 | 2012-03-14 | 同济大学 | 基于韵律模式的机器人未知环境下行走学习信息处理方法 |
CN102156476A (zh) * | 2011-04-14 | 2011-08-17 | 山东大学 | 智能空间与护士机器人多传感器系统及其信息融合方法 |
CN103832504A (zh) * | 2014-02-26 | 2014-06-04 | 南京航空航天大学 | 仿生足式机器人综合仿真策略 |
CN103996155A (zh) * | 2014-04-16 | 2014-08-20 | 深圳市易特科信息技术有限公司 | 智能交互及心理慰藉机器人服务系统 |
CN104123543A (zh) * | 2014-07-23 | 2014-10-29 | 泰亿格电子(上海)有限公司 | 一种基于人脸识别的眼球运动识别方法 |
CN104598924A (zh) * | 2015-01-14 | 2015-05-06 | 南京邮电大学 | 一种目标匹配检测方法 |
CN204790566U (zh) * | 2015-07-16 | 2015-11-18 | 高世恒 | 一种多功能智能家居机器人 |
CN105171752A (zh) * | 2015-09-10 | 2015-12-23 | 刘玉伟 | 机器人系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ayu et al. | A comparison study of classifier algorithms for mobile-phone's accelerometer based activity recognition | |
Walas et al. | Terrain classification and locomotion parameters adaptation for humanoid robots using force/torque sensing | |
Shukla et al. | A survey on interpretability-accuracy (IA) trade-off in evolutionary fuzzy systems | |
Berczi et al. | Learning to assess terrain from human demonstration using an introspective gaussian-process classifier | |
CN105654505B (zh) | 一种基于超像素的协同跟踪算法和系统 | |
Hossain et al. | Optimizing deep learning parameters using genetic algorithm for object recognition and robot grasping | |
Han et al. | Multi-modal haptic image recognition based on deep learning | |
Yeoh et al. | Genetic algorithm assisted by a svm for feature selection in gait classification | |
Yuan et al. | An ensemble approach for activity recognition with accelerometer in mobile-phone | |
CN107290957A (zh) | 智能设备及其优化方法和装备 | |
CN106033537A (zh) | 一种机器人定位用的视觉识别装置及其识别方法 | |
Liu et al. | A dual-branch balance saliency model based on discriminative feature for fabric defect detection | |
Rivera et al. | Towards a mobile and fast melanoma detection system | |
Kulić et al. | Towards lifelong learning and organization of whole body motion patterns | |
Wang et al. | Alignment method of combined perception for peg-in-hole assembly with deep reinforcement learning | |
EP2500847B1 (en) | Optimal technique search method and system | |
Korpela et al. | Tree-structured classifier for acceleration-based activity and gesture recognition on smartwatches | |
Turgut et al. | A deep learning architecture for place classification in indoor environment via 2d laser data | |
Li et al. | Rotating machinery fault diagnosis based on spatial-temporal GCN | |
CN111428224A (zh) | 基于人脸识别的电脑账户登录的方法 | |
Garstka et al. | Adaptive 3-D object classification with reinforcement learning | |
Komazaki et al. | Variables for controlling cluster sizes on fuzzy c-means | |
Felix M et al. | An approach to the morphological quality of fruits with applying deep learning, a lustrum of analysis | |
CN114474053B (zh) | 一种机器人地形识别及速度控制方法及系统 | |
Orban et al. | An Approach for Accurate Pattern Recognition of Four Hand Gestures Based on sEMG Signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171024 |