CN107958289B - 用于机器人的数据处理方法和装置、机器人 - Google Patents
用于机器人的数据处理方法和装置、机器人 Download PDFInfo
- Publication number
- CN107958289B CN107958289B CN201610907004.7A CN201610907004A CN107958289B CN 107958289 B CN107958289 B CN 107958289B CN 201610907004 A CN201610907004 A CN 201610907004A CN 107958289 B CN107958289 B CN 107958289B
- Authority
- CN
- China
- Prior art keywords
- event
- decision
- decided
- robot
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种用于机器人的数据处理方法和装置、机器人。其中，该方法包括：获取关联事件的一个或多个当前状态数据，其中关联事件为与待决策事件对应的事件；将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据；根据决策数据得到待决策事件的决策结果。本发明解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
Description
技术领域
本发明涉及机器人领域，具体而言，涉及一种用于机器人的数据处理方法和装置、机器人。
背景技术
通常情况下，机器人在获得外部感知信息后，需要对所有的感知信息进行综合的推理判断，然后得出最后的决策。现有技术中，机器人的决策模型大多都是根据接收到的单一的信息给出对应的决策信息。在感知信息不清楚或者感知错误信息时，特别是当多个感知信息对应相互矛盾的决策时，机器人将无从判断具体应该执行的决策。
针对现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种用于机器人的数据处理方法和装置、机器人，以至少解决现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
根据本发明实施例的一个方面，提供了一种用于机器人的数据处理方法，包括：获取关联事件的一个或多个当前状态数据，其中关联事件为与待决策事件对应的事件；将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据；根据决策数据得到待决策事件的决策结果。
根据本发明实施例的另一方面，还提供了一种用于机器人的数据处理装置，包括：第一获取单元，用于获取关联事件的一个或多个当前状态数据，其中关联事件为与待决策事件对应的事件；输入单元，用于将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据；决策单元，用于根据决策数据得到待决策事件的决策结果。
根据本发明实施例的又一方面，还提供了一种机器人，包括上述实施例中的任意一种用于机器人的数据处理装置。
在本发明实施例中，由上可知，本申请上述方案通过获取关联事件的当前状态数据，其中关联事件为与待决策事件对应的关联事件，将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据，将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据。上述方案通过将待决策事件的关联事件的当前状态数据输入至预设的决策模型，来得到最终的决策结果，实现了在获取的信息不全面，或获取的多个信息产生冲突的情况下，采用其他时间的信息来让机器人进行决策，解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例一的一种用于机器人的数据处理方法的流程图；
图2是根据本发明实施例一的一种关联事件的网络结构图；
图3是根据本发明实施例二的一种用于机器人的数据处理装置的示意图；
图4是根据本发明实施例二的一种可选的用于机器人的数据处理装置的示意图图；
图5是根据本发明实施例二的一种可选的用于机器人的数据处理装置的示意图图；
图6是根据本发明实施例二的一种可选的用于机器人的数据处理装置的示意图图；以及
图7是根据本发明实施例二的一种可选的用于机器人的数据处理装置的示意图图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种用于机器人的数据处理方法的方法实施例，需要说明的是，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。
图1是根据本发明实施例一的一种用于机器人的数据处理方法，如图1所示，该方法包括如下步骤：
步骤S102，获取关联事件的一个或多个当前状态数据，其中，关联事件为与待决策事件对应的事件。
具体的，在上述步骤中，关联事件作为与待决策事件对应的事件，用于表示与带觉得事件具有关联关系的事件，例如，可以是根据待决策事件的结果的不同，会具有不同状态的事件，也可以是具有在一定时刻具有一定状态，但在不同状态时待决策事件会有不同决策结果的事件。
在一种可选的实施例中，以机器人判断开门的人物是否为主人为例，在该应用场景中，关联事件可以是人物开门的时间、开门的日期、举例上一次开门的时间等。
在另一种可选的实施例中，仍以机器人判断开门的人物是否为主人为例，在该应用场景中，关联事件可以是，人物开门后是否关门、开门后是否向机器人发出口令、开门后是否直接进卧室等。
可以注意到的是，在上述实施例中，任意一个关联事件都是与待决策事件具有逻辑关系的事件，即会对待决策事件的结果产生影响，或会被待决策事件的结果所影响是事件。
此处需要说明的是，对于不同的决策事件，需要选取不同的关联事件，选取的关联事件与待决策事件包含预定的逻辑关系，可以用于机器人通过关联事件对待决策事件进行决策。
步骤S104，将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据。
具体的，在上述步骤中，决策模型可以根据人物开门习惯，以及与开门事件相关的关联事件的习惯得到的决策模型。在一种可选的实施例中，决策模型中的任意一个关联事件的分支都与待决策事件构建直接或间接的关联关系，即获知决策模型中的任意一个关联事件的状态，都能得到决策结果，获取多个关联事件的状态，也能够得带待决策事件的决策结果。
上述决策数据可以是概率值，也可以是二值化后的数据，可以用于表示待决策时间在一个或多个决策结果下的可能性。
在一种可选的实施例中，仍以机器人判断开门的人物是否为主人为例，机器人检测到的声音数据与主人开门的声音数据相似，但检测到的图像数据相互矛盾，无法判断开门的人物是否为主人，因此检测于开门人物是否为主人这一事件相关联的关联事件，例如，机器人检测到人物开门后向其发送了烹饪的口令，将“人物开门后向机器人发送口令”这一状态输入至预设的决策模型，从而得到决策结果，也可以向预设的决策模型输入其余关联事件的当前状态数据。
步骤S106，根据决策数据得到待决策事件的决策结果。
此处需要说明的是，无论上述步骤中，决策数据为概率值还是，决策结果，例如，在机器人判断开门的人物是否为主人为例，决策数据可以是例如0.153、0.713的概率值，而决策结果可以是例如“开门的人物是主人”、“1”等根据决策数据得到的最终结果。
由上可知，本申请上述步骤获取关联事件的当前状态数据，其中关联事件为与待决策事件对应的关联事件，将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据，根据决策数据得到待决策事件的决策结果。上述方案通过将待决策事件的关联事件的当前状态数据输入至预设的决策模型，来得到最终的决策结果，实现了在获取的信息不全面，或获取的多个信息产生冲突的情况下，采用其他时间的信息来让机器人进行决策，解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
可选的，在本申请上述实施例中，在将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据之前，上述方法还包括：获取预设的决策模型的决策参数，其中，获取预设的决策模型的决策参数。
步骤S1081，获取待决策事件的网络结构。
具体的，在上述步骤中，网络结构可以是根据多个关联事件的优先级以及相互之间的影响关系构成的网络结构。
在一种可选的实施例中，仍以机器人判断开门的人物是否为主人为例，设置关联事件为：
WE:当前日期是否是周末，True or False；
DO：开门事件时间是否在下午六点以前，'before'or'after'；
M：目标是否为主人，True or False；
DC：是否在开门后一段时间内观测到关门事件，True or False；
OR：是否有听到主人的语音指令，True or False；
BR：目标有没有直接进入卧室(从声音来判断，或者图像上不能立即追踪到目标)，True or False。
上述关联事件以“代码：关联事件，状态可选值”的格式表示，在一种可选的实施例中，仍以上述机器人判断开门的人物是否为主人为例，该事件的网络结构可以是如图2所示的网络结构，结合图2所示的网络结构，M事件为待决策事件，在与事件M相关的五个关联事件中，事件WE和事件DO为事件M的触发事件，即事件WE和事件DO的状态数据对事件M具有影响关系，而事件M为事件DC、BR、OR的触发事件，即事件M的结果(开门的人物是否为主人)会对上述三个事件的状态数据产生影响，上述六个事件之间的影响关系结合图2的箭头指向所示。
需要注意的是，事件WE和事件DO并非相互独立的事件，其中，人物是否在六点以后开门的概率受到是否是周末的概率值的影响，在该案例中工作日六点之前开门的人物是主人的概率极低为0.17，而当事件发生在周末时，六点前后两个时间段是主人开门的概率是均等的，因此事件WE与事件DO是相互关联，并均与事件M关联的非独立事件，其中，表一给出的数据就是事件WE到事件DO之间的转移概率。
步骤S1083，获取关联事件的历史状态数据以及与历史状态数据对应的历史结果数据。
在上述步骤中，关联事件的历史状态数据以及历史状态数据对应的历史结果可以是关联事件的经验值，获取的经验值越多，得到的决策模型准确率越高。
步骤S1085，根据历史状态数据和历史结果数据，得到网络结构中任意关联事件或相邻多个关联事件的当前状态数据对待决策事件进行影响的影响因子。
步骤S1087，确认影响因子为决策参数。
此处需要说明的是，由于影响因子为任意关联事件或多个关联事件的状态数据对待决策事件的影响因子，因此，在获得影响因子后，得到任意一个关联事件的状态，都能够得到对待决策事件的影响因子。
由上可知，本申请上述步骤获取待决策事件的网络结构，获取关联事件的历史状态数据以及历史状态数据对应的历史结果，根据历史状态数据和历史结果数据，得到网络结构中，任意事件或相邻多个事件的状态数据对待决策事件的影响因子，通过网络结构和影响因子构成决策模型。上述方案提供了构建预设的决策模型的方法，通过对相关事件历史状态数据和历史结果得到影响因子，再构成与到决策事件对应的决策参数，由于该方案使用了关联事件的历史状态数据和历史结果，从而得到关联事件的状态数据与结果的关联关系，将该经验应用于获取决策参数，使得决策模型所使用的决策参数具有经验基础，因此能够保证决策模型的准确性，从而解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
可选的，在本申请上述实施例中，根据历史状态数据和历史结果数据，得到网络结构中任意事件或相邻多个事件的当前状态数据对待决策事件进行影响的影响因子包括：
步骤S1089，将历史状态数据和历史结果数据输入至预设的网络模型。
步骤S1091，获取预设的网络模型输出的影响因子；其中，影响因子至少包括任意当前状态数据对应不同决策结果的概率值。
在上述步骤中，上述概率值可以是转移概率值。
在一种可选的实施例中，仍以机器人判断开门的人物是否为主人为例，基于上述待决策事件的网络结构，得到关联事件与待决策事件的关联关系，如表一至表五所示，该关联关系为各个事件之间的转移概率，由训练历史状态数据和结果得到。
表一
| WE/DO | before | after |
| True | 0.5 | 0.5 |
| False | 0.17 | 0.83 |
表二
| WE | DO | M＝True | M＝False |
| True | before | 0.7 | 0.3 |
| True | after | 0.7 | 0.3 |
| False | before | 0.15 | 0.85 |
| False | after | 0.7 | 0.3 |
表三
| M/DC | True | False |
| True | 0.7 | 0.3 |
| False | 0.25 | 0.75 |
表四
| M/OR | True | False |
| True | 0.65 | 0.35 |
| False | 0.05 | 0.95 |
表五
| M/BR | True | False |
| True | 0.2 | 0.8 |
| False | 0.85 | 0.15 |
需要说明的是，结合表一所示，数值0.5为事件WE取值“TRUE”时，事件DO取值“before”的概率值，表一至表五中的数值均用于表示转移概率，其中，由于事件WE和事件DO用于结合判断到决策事件，因此表一仅为事件WE和事件DO之间的转移概率，表二为事件WE和事件DO与待决策事件的转移概率。
由上可知，本申请上述步骤将历史状态数据和历史结果数据输入至预设的网络模型，获取预设的网络模型输出的影响因子；其中，影响因子至少包括任意状态数据对应不同决策结果的概率值。上述方案采用历史状态数据和历史结果作为获取影响因子的参数，使得影响因子以历史“经验”为基础获得，保证了影响因子的准确性，从而保证了决策模型的准确性。
可选的，在本申请上述实施例中，获取待决策事件的网络结构包括：
步骤S1093，获取与待决策事件对应的关联事件的优先级。
在一种可选的实施例中，上述优先级用于表征关联事件对待决策事件的影响程度，关联事件对待决策事件的影响程度越高，优先级越高；在另一种可选的实施例中，上述优先级也能够用于表征关联事件对待决策事件的影响稳定性，即关联事件在同一种状态下，待决策事件也相应的为一种对应的结果，上述稳定性越高，关联事件的优先级就越高。
步骤S1095，按照优先级构建网络结构。
在一种可选的实施例中，结合图2所示的待决策事件的网络结构示意图，事件WE具有最高优先级，事件DC、BR、OR剧透相等的优先级，可以认为，事件DC、BR、OR之间没有必然的关系，但他们均与事件M具有直接的关联关系。
由上可知，本申请上述步骤获取与待决策事件对应的关联事件的优先级，并按照优先级构建网络结构。上述方案通过多个关联事件的优先级得到待决策事件的网络结构，构建了待决策事件与多个关联事件的关联关系，进而为决策模型的构建提供了网络结构，并通过优先级的方式保证了决策模型的准确度。
可选的，在本申请上述实施例中，获取关联事件的当前状态数据，包括：
步骤S1021，获取与待决策事件对应的关联事件的当前状态。
步骤S1023，在预设的状态区域中查找当前状态。
步骤S1025，确认状态所属的状态区域对应的状态数据为关联事件的当前状态数据。
由上可知，本申请上述步骤获取与待决策事件对应的关联事件的当前状态，在预设的状态区域中查找状态，确认状态所属的状态区域对应的状态数据为关联事件的当前状态数据。上述方案实现了通过决策数据获取决策结果的技术效果，从而解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
可选的，在本申请上述实施例中，根据决策数据得到待决策事件的决策结果，包括：
步骤S1097，获取预设的决策区间以及预设的决策区间对应的决策结果。
在一种可选的实施例中，结合表六所示，NODE表示不同的节点，即不同的关联数据，VALUE用于表示事件的状态数据，包括False(表示事件未发生)、True(表示事件发生)、after(开门事件发生在预设时间之后)和before(开门事件发生在预设时间之前)，MARGIAL用于表征决策数据，利用上述决策模型，在未输入任何状态数据，即任意一个关联事件的状态数据都不能确定时，能够得到如表六所示的决策数据，其中，事件M为待决策数据，事件M对应的概率值为该待决策事件的决策数据，在表六所示的示例中，在机器人未检测到任何信息，或不能确定任何信息的准确性的情况下，开门的人物是主人的概率为0.633214，开门的人物不为主人的概率为0.366786。
表六
在另一种可选的实施例中，结合表七所示，在机器人获取到关联事件的准确状态数据后，能够得到更准确的决策结果，例如表七所示的示例，在该示例中，开门时间发生于周末的六点以前，且在人物开门之后的一段时间内未检测到关门事件，人物在开门之后向机器人发送了语音指令，并直接进入了卧室，根据上述机器人检测到的关联事件信息，得到了相应的决策数据，开门的人物是主人的概率为0.740590，不是主人的概率为0.259410。
表七
在又一种可选的实施例中，结合表八所示的示例，在该示例中，机器人仍然接收到了多个关联事件的状态数据，与上一实施例不同的是，在这一实施例中，机器人在检测到开门时间后的一段时间内检测到了关门事件，即事件DC与上一个实施例不同，由于事件DC的影响，导致最终的决策数据与上一实施例不同，在该实施例中，开门的人物是主人的概率为0.952345，不是主人的概率为0.047655。
表八
| NODE | VALUE | MARGINAL |
| BR | False | 0.000000 |
| BR | True | 1.000000 |
| DC | False | 0.000000 |
| DC | True | 1.000000 |
| DO | after | 0.000000 |
| DO | before | 1.000000 |
| M | False | 0.047655 |
| M | True | 0.952345 |
| OR | False | 0.000000 |
| OR | True | 1.000000 |
| WE | False | 0.000000 |
| WE | True | 1.000000 |
步骤S1099，确认决策数据所属的决策区间对应的决策结果为待决策事件的决策结果。
作为一种可选的实施例，仍以上述应用场景为例，可以分为两个决策区间，第一决策区间为(0,0.499999)，用于表示开门的人物是主人，第二决策区间为[0.499999.1),用于表示开门的人物不是主人。
由上可知，本申请上述步骤获取预设的决策区间以及预设的决策区间对应的决策结果，确认决策数据所属的决策区间对应的决策结果为待决策事件的决策结果。上述方案实现了通过决策数据得到决策结果的技术目的。
可选的，在本申请上述实施例中，预设的决策模型为贝叶斯网络模型。
在上述步骤中，贝叶斯网络是一种基于概率推理的数学模型，以贝叶斯公式为基础，概率推论就是通过一些变量的信息来获取其他的概率信息的构成，用于解决设备或时间的不定性和关联性引起的问题。本申请中采用关联事件与待决策时间的关联性，来进行决策。
在一种可选的实施例中，仍以机器人判断开门的人物是否为主人为例，在得到决策参数后，将获取得到的关联事件的状态数据输入至预设的贝叶斯网络模型(或贝叶斯公式)，即可得到决策数据。
实施例二
根据本发明实施例，提供了一种用于机器人的数据处理装置的装置实施例。
图3是根据本发明实施例二的一种用于机器人的数据处理装置的示意图，如图3所示，该装置包括：
第一获取单元30，用于获取关联事件的一个或多个当前状态数据，其中，关联事件为与待决策事件对应的事件。
具体的，在上述装置中，关联事件作为与待决策事件对应的事件，用于表示与带觉得事件具有关联关系的事件，例如，可以是根据待决策事件的结果的不同，会具有不同状态的事件，也可以是具有在一定时刻具有一定状态，但在不同状态时待决策事件会有不同决策结果的事件。
可以注意到的是，在上述实施例中，任意一个关联事件都是与待决策事件具有逻辑关系的事件，即会对待决策事件的结果产生影响，或会被待决策事件的结果所影响是事件。
此处需要说明的是，对于不同的决策事件，需要选取不同的关联事件，选取的关联事件与待决策事件包含预定的逻辑关系，可以用于机器人通过关联事件对待决策事件进行决策。
输入单元32，用于将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据。
具体的，在上述装置中，决策模型可以根据人物开门习惯，以及与开门事件相关的关联事件的习惯得到的决策模型。在一种可选的实施例中，决策模型中的任意一个关联事件的分支都与待决策事件构建直接或间接的关联关系，即获知决策模型中的任意一个关联事件的状态，都能得到决策结果，获取多个关联事件的状态，也能够得带待决策事件的决策结果。
上述决策数据可以是概率值，也可以是二值化后的数据，可以用于表示待决策时间在一个或多个决策结果下的可能性。
决策单元34，用于根据决策数据得到待决策事件的决策结果。
由上可知，本申请上述装置通过第一获取单元30获取关联事件的当前状态数据，其中关联事件为与待决策事件对应的关联事件，通过输入单元32将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据，通过决策单元34根据决策数据得到待决策事件的决策结果。上述方案通过将待决策事件的关联事件的当前状态数据输入至预设的决策模型，来得到最终的决策结果，实现了在获取的信息不全面，或获取的多个信息产生冲突的情况下，采用其他时间的信息来让机器人进行决策，解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
可选的，根据本申请上述实施例，结合图4所示，上述装置还包括第二获取单元40，用于获取决策模型的决策参数，其中，第二获取单元40包括：
第一获取模块42，用于获取待决策事件的网络结构。
第二获取模块44，用于获取关联事件的历史状态数据以及与历史状态数据对应的历史结果数据。
第一确认模块46，用于根据历史状态数据和历史结果数据，得到网络结构中，任意关联事件或相邻多个关联事件的状态数据对待决策事件的影响因子。
第二确认模块48，用于确认影响因子为决策参数。
此处需要说明的是，由于影响因子为任意关联事件或多个关联事件的状态数据对待决策事件的影响因子，因此，在获得影响因子后，得到任意一个关联事件的状态，都能够得到对待决策事件的影响因子。
由上可知，本申请上述装置通过第一获取模块获取待决策事件的网络结构，通过第二获取模块获取关联事件的历史状态数据以及历史状态数据对应的历史结果，通过第一确认模块根据历史状态数据和历史结果数据，得到网络结构中，任意事件或相邻多个事件的状态数据对待决策事件的影响因子，采用第二确认模块确认所述影响因子为决策参数。上述方案提供了构建预设的决策模型的方法，通过对相关事件历史状态数据和历史结果得到影响因子，再构成与到决策事件对应的决策参数，由于该方案使用了关联事件的历史状态数据和历史结果，从而得到关联事件的状态数据与结果的关联关系，将该经验应用于获取决策参数，使得决策模型所使用的决策参数具有经验基础，因此能够保证决策模型的准确性，从而解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
可选的，根据本申请上述实施例，结合图5所示，第一确认模块46包括：
输入子模块50，用于将历史状态数据和历史结果数据输入至预设的网络模型；
获取子模块52，用于获取预设的网络模型输出的影响因子；其中，影响因子至少包括任意当前状态数据对应不同决策结果的概率值。
由上可知，本申请上述装置通过将历史状态数据和历史结果数据输入至预设的网络模型，通过获取子模块获取预设的网络模型输出的影响因子；其中，影响因子至少包括任意状态数据对应不同决策结果的概率值。上述方案采用历史状态数据和历史结果作为获取影响因子的参数，使得影响因子以历史“经验”为基础获得，保证了影响因子的准确性，从而保证了决策模型的准确性。
可选的，根据本申请上述实施例，结合图6所示，第一获取模块42包括：
获取子模块60，用于获取与待决策事件对应的关联事件的优先级。
构建子模块62，用于按照优先级构建网络结构。
由上可知，本申请上述装置通过获取子模块获取与待决策事件对应的关联事件的优先级，并通过构建子模块按照优先级构建网络结构。上述方案通过多个关联事件的优先级得到待决策事件的网络结构，构建了待决策事件与多个关联事件的关联关系，进而为决策模型的构建提供了网络结构，并通过优先级的方式保证了决策模型的准确度。
可选的，根据本申请上述实施例，结合图7所示，第一获取单元30，包括：
第三获取模块70，用于获取与待决策事件对应的关联事件的当前状态。
查找模块72，用于在预设的状态区域中查找当前状态。
第三确认模块74，用于确认状态所属的状态区域对应的状态数据为关联事件的当前状态数据。
由上可知，本申请上述装置通过第三获取模块获取与待决策事件对应的关联事件的当前状态，通过查找模块在预设的状态区域中查找状态，通过第三确认模块74确认状态所属的状态区域对应的状态数据为关联事件的当前状态数据。上述方案实现了通过决策数据获取决策结果的技术效果，从而解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
可选的，根据本申请上述实施例，预设的决策模型为贝叶斯网络模型。
在上述装置中，贝叶斯网络是一种基于概率推理的数学模型，以贝叶斯公式为基础，概率推论就是通过一些变量的信息来获取其他的概率信息的构成，用于解决设备或时间的不定性和关联性引起的问题。本申请中采用关联事件与待决策时间的关联性，来进行决策。
在一种可选的实施例中，仍以机器人判断开门的人物是否为主人为例，在得到决策参数后，将获取得到的关联事件的状态数据输入至预设的贝叶斯网络模型(或贝叶斯公式)，即可得到决策数据。
实施例三
根据本发明实施例，还提供了一种机器人，包括实施例二中的任意一种用于机器人的数据处理装置。
上述实施例三所提供的机器人可以通过用于机器人的数据处理装置进行事件的决策，本申请实施例二提供的用于机器人的数据处理装置的装置通过第一获取单元30获取关联事件的当前状态数据，其中关联事件为与待决策事件对应的关联事件，通过输入单元32将一个或多个当前状态数据输入至预设的决策模型，得到待决策事件的决策数据，通过决策单元34根据决策数据得到待决策事件的决策结果。上述方案通过将待决策事件的关联事件的当前状态数据输入至预设的决策模型，来得到最终的决策结果，实现了在获取的信息不全面，或获取的多个信息产生冲突的情况下，采用其他时间的信息来让机器人进行决策，解决了现有技术中，机器人在进行决策时，由于接收到的信息不全面导致机器人无法进行决策的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用于机器人的数据处理方法，其特征在于，包括：
所述机器人获取关联事件的一个或多个当前状态数据，其中，所述关联事件为与待决策事件对应的事件；
将所述一个或多个当前状态数据输入至预设的决策模型，得到所述待决策事件的决策数据；
所述机器人根据所述决策数据得到所述待决策事件的决策结果；
其中，在将所述一个或多个当前状态数据输入至预设的决策模型，得到所述待决策事件的决策数据之前，所述方法还包括：获取所述预设的决策模型的决策参数，其中，获取所述预设的决策模型的决策参数包括：
获取所述待决策事件的网络结构；
所述机器人获取所述关联事件的历史状态数据以及与所述历史状态数据对应的历史结果数据；
根据所述历史状态数据和所述历史结果数据，得到所述网络结构中任意关联事件或相邻多个关联事件的当前状态数据对所述待决策事件进行影响的影响因子；
确定所述影响因子为所述决策参数；
其中，获取所述待决策事件的网络结构包括：
获取与待决策事件对应的关联事件的优先级；
按照所述优先级构建所述网络结构；
其中，所述优先级用于表征所述关联事件对所述待决策事件的影响程度，所述关联事件对所述待决策事件的影响程度越高，优先级越高；或
所述优先级用于表征所述关联事件对所述待决策事件的影响稳定性，所述关联事件对所述待决策事件的稳定性越高，优先级越高。
2.根据权利要求1所述的方法，其特征在于，根据所述历史状态数据和所述历史结果数据，得到所述网络结构中任意关联事件或相邻多个关联事件的当前状态数据对所述待决策事件进行影响的影响因子包括：
将所述历史状态数据和所述历史结果数据输入至预设的网络模型；
获取所述预设的网络模型输出的所述影响因子；
其中，所述影响因子至少包括任意当前状态数据对应不同决策结果的概率值。
3.根据权利要求1所述的方法，其特征在于，所述机器人获取关联事件的一个或多个当前状态数据包括：
所述机器人获取与待决策事件对应的关联事件的当前状态；
所述机器人在预设的状态区域中查找所述当前状态；
所述机器人确认所述状态所属的所述状态区域对应的状态数据为所述关联事件的当前状态数据。
4.根据权利要求1所述的方法，其特征在于，所述机器人根据所述决策数据得到所述待决策事件的决策结果包括：
所述机器人获取预设的决策区间以及所述预设的决策区间对应的决策结果；
所述机器人确认所述决策数据所属的决策区间对应的决策结果为所述待决策事件的决策结果。
5.根据权利要求1所述的方法，其特征在于，所述预设的决策模型为贝叶斯网络模型。
6.一种用于机器人的数据处理装置，其特征在于，包括：
第一获取单元，用于通过所述机器人获取关联事件的一个或多个当前状态数据，其中所述关联事件为与待决策事件对应的事件；
输入单元，用于将所述一个或多个当前状态数据输入至预设的决策模型，得到所述待决策事件的决策数据；
决策单元，用于通过所述机器人根据所述决策数据得到所述待决策事件的决策结果；
其中，所述装置还包括：第二获取单元，用于获取所述预设的决策模型的决策参数，其中，所述第二获取单元包括：
第一获取模块，用于获取所述待决策事件的网络结构；
第二获取模块，用于通过所述机器人获取所述关联事件的历史状态数据以及与所述历史状态数据对应的历史结果数据；
第一确认模块，用于根据所述历史状态数据和所述历史结果数据，得到所述网络结构中，任意关联事件或相邻多个关联事件的当前状态数据对所述待决策事件进行影响的影响因子；
第二构成模块，用于确认所述影响因子为所述决策参数；
其中，所述第一获取模块包括：
获取子模块，用于获取与待决策事件对应的关联事件的优先级；
构建子模块，用于按照所述优先级构建所述网络结构；
其中，所述优先级用于表征所述关联事件对所述待决策事件的影响程度，所述关联事件对所述待决策事件的影响程度越高，优先级越高；或
所述优先级用于表征所述关联事件对所述待决策事件的影响稳定性，所述关联事件对所述待决策事件的稳定性越高，优先级越高。
7.根据权利要求6所述的装置，其特征在于，所述第一确认模块包括：
输入子模块，用于将所述历史状态数据和所述历史结果数据输入至预设的网络模型；
获取子模块，用于获取所述预设的网络模型输出的所述影响因子；
其中，所述影响因子至少包括任意当前状态数据对应不同决策结果的概率值。
8.根据权利要求6所述的装置，其特征在于，第一获取单元，包括：
第三获取模块，用于通过所述机器人获取与待决策事件对应的关联事件的当前状态；
查找模块，用于在通过所述机器人预设的状态区域中查找所述当前状态；
第二确认模块，用于通过所述机器人确认所述状态所属的所述状态区域对应的状态数据为所述关联事件的当前状态数据。
9.根据权利要求6所述的装置，其特征在于，所述预设的决策模型为贝叶斯网络模型。
10.一种机器人，其特征在于，包括权利要求6至9中任意一种用于机器人的数据处理装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610907004.7A CN107958289B (zh) | 2016-10-18 | 2016-10-18 | 用于机器人的数据处理方法和装置、机器人 |
| PCT/CN2017/091979 WO2018072482A1 (zh) | 2016-10-18 | 2017-07-06 | 用于机器人的数据处理方法和装置、机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610907004.7A CN107958289B (zh) | 2016-10-18 | 2016-10-18 | 用于机器人的数据处理方法和装置、机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107958289A CN107958289A (zh) | 2018-04-24 |
| CN107958289B true CN107958289B (zh) | 2022-02-01 |
Family
ID=61954487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610907004.7A Active CN107958289B (zh) | 2016-10-18 | 2016-10-18 | 用于机器人的数据处理方法和装置、机器人 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107958289B (zh) |
| WO (1) | WO2018072482A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111775159A (zh) * | 2020-06-08 | 2020-10-16 | 华南师范大学 | 基于动态人工智能伦理规则的伦理风险防范方法和机器人 |
| CN117387649B (zh) * | 2023-10-26 | 2024-06-14 | 苏州大学 | 概率自更新的不确定环境机器人自适应导航方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101055630A (zh) * | 2006-04-12 | 2007-10-17 | 科凌力医学软件（深圳）有限公司 | 事件决策知识库组建方法及相应的事件决策方法和系统 |
| CN101807227A (zh) * | 2010-01-13 | 2010-08-18 | 中国电子科技集团公司第五十四研究所 | 一种常规设施目标毁伤效果的计算方法 |
| CN101923561A (zh) * | 2010-05-24 | 2010-12-22 | 中国科学技术信息研究所 | 一种文件自动分类方法 |
| CN102693498A (zh) * | 2012-05-16 | 2012-09-26 | 上海卓达信息技术有限公司 | 一种基于不完善数据的精准推荐方法 |
| CN104090573A (zh) * | 2014-06-27 | 2014-10-08 | 赵希源 | 一种基于蚁群算法的机器人足球动态决策装置及其方法 |
| CN105184386A (zh) * | 2015-07-22 | 2015-12-23 | 中国寰球工程公司 | 一种结合专家经验和历史数据建立异常事件预警系统的方法 |
| CN105975797A (zh) * | 2016-05-27 | 2016-09-28 | 北京航空航天大学 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7899060B2 (en) * | 2004-04-01 | 2011-03-01 | Nortel Networks Limited | Method for providing bearer specific information for wireless networks |
| JP4863778B2 (ja) * | 2006-06-07 | 2012-01-25 | ソニー株式会社 | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム |
| CN101282342B (zh) * | 2008-05-30 | 2012-05-23 | 腾讯科技（深圳）有限公司 | 一种网络内容拉取方法与系统 |
| CN104185973B (zh) * | 2012-01-20 | 2017-09-22 | 三星电子株式会社 | 用于设定数据发送的优先级的方法和设备 |
| CN103166819B (zh) * | 2013-03-07 | 2016-04-20 | 南京邮电大学 | 一种基于业务优先级的网络结构及其推送方法 |
| CN104346341B (zh) * | 2013-07-24 | 2019-03-15 | 腾讯科技（深圳）有限公司 | 一种实现数据与相关事件关联的方法及装置 |
| CN103885788B (zh) * | 2014-04-14 | 2015-02-18 | 焦点科技股份有限公司 | 一种基于模型组件化动态web 3d虚拟现实场景的搭建方法及系统 |
| CN104680031B (zh) * | 2015-03-18 | 2019-12-24 | 联想(北京)有限公司 | 一种联动规则生成方法和装置 |
| CN105490858B (zh) * | 2015-12-15 | 2018-08-03 | 北京理工大学 | 一种网络结构的动态链路预测方法 |
| CN105574350B (zh) * | 2015-12-30 | 2018-02-06 | 北京锐安科技有限公司 | 事件预测方法 |
| CN205510078U (zh) * | 2016-03-31 | 2016-08-24 | 深圳光启合众科技有限公司 | 群体广播信息发送装置 |
| CN105930924B (zh) * | 2016-04-15 | 2021-03-02 | 中国电力科学研究院 | 基于复杂事件处理技术和决策树的配电网态势感知方法 |
-
2016
- 2016-10-18 CN CN201610907004.7A patent/CN107958289B/zh active Active
-
2017
- 2017-07-06 WO PCT/CN2017/091979 patent/WO2018072482A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101055630A (zh) * | 2006-04-12 | 2007-10-17 | 科凌力医学软件（深圳）有限公司 | 事件决策知识库组建方法及相应的事件决策方法和系统 |
| CN101807227A (zh) * | 2010-01-13 | 2010-08-18 | 中国电子科技集团公司第五十四研究所 | 一种常规设施目标毁伤效果的计算方法 |
| CN101923561A (zh) * | 2010-05-24 | 2010-12-22 | 中国科学技术信息研究所 | 一种文件自动分类方法 |
| CN102693498A (zh) * | 2012-05-16 | 2012-09-26 | 上海卓达信息技术有限公司 | 一种基于不完善数据的精准推荐方法 |
| CN104090573A (zh) * | 2014-06-27 | 2014-10-08 | 赵希源 | 一种基于蚁群算法的机器人足球动态决策装置及其方法 |
| CN105184386A (zh) * | 2015-07-22 | 2015-12-23 | 中国寰球工程公司 | 一种结合专家经验和历史数据建立异常事件预警系统的方法 |
| CN105975797A (zh) * | 2016-05-27 | 2016-09-28 | 北京航空航天大学 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于贝叶斯网络的告警相关算法研究";秦拯等;《长沙电力学院学报（自然科学版）》;20050831;第20卷(第3期);第69-72页 * |
| "模糊语言环境下的网络舆情突发事件应急群决策模型";张倩生等;《山西大学学报(自然科学版)》;20151231;第38卷(第4期);第644-651页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018072482A1 (zh) | 2018-04-26 |
| CN107958289A (zh) | 2018-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tartakovsky et al. | Sequential analysis: Hypothesis testing and changepoint detection | |
| CN108108821A (zh) | 模型训练方法及装置 | |
| CN112365987A (zh) | 诊断数据异常检测方法、装置、计算机设备及存储介质 | |
| Oozeer et al. | Cognitive risk control for mitigating cyber-attack in smart grid | |
| Faraz et al. | Multiobjective Genetic Algorithm Approach to the Economic Statistical Design of Control Charts with an Application to bar and S2 Charts | |
| CN114528934A (zh) | 时序数据异常检测方法、装置、设备及介质 | |
| CN104539459B (zh) | 路由器及路由器上网控制方法 | |
| CN107852771A (zh) | 基于自适应滤波的网络异常检测 | |
| CN111030992B (zh) | 检测方法、服务器及计算机可读存储介质 | |
| CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
| Tomola et al. | Robust disjunctive-codiagnosability of discrete-event systems against permanent loss of observations | |
| CN107958289B (zh) | 用于机器人的数据处理方法和装置、机器人 | |
| JP6400834B2 (ja) | 推薦装置、推薦決定方法、およびコンピュータプログラム | |
| CN1954303A (zh) | 通过模式匹配的自适应学习方法 | |
| CN111740865A (zh) | 一种流量波动趋势预测方法、装置及电子设备 | |
| CN114338458A (zh) | 数据安全检测方法及装置 | |
| CN103870562B (zh) | 一种智能楼宇系统中的规则验证方法及系统 | |
| US20180285758A1 (en) | Methods for creating and analyzing dynamic trail networks | |
| Fu et al. | SPC methods for nonstationary correlated count data with application to network surveillance | |
| CN104933052B (zh) | 数据真实值的估计方法及数据真实值估计装置 | |
| CN111476965A (zh) | 火灾检测模型的构建方法、火灾检测方法及相关设备 | |
| WO2016129159A1 (ja) | 情報処理システム、情報処理装置、制御方法、および記憶媒体 | |
| CN113724892B (zh) | 一种人口流动的分析方法、装置、电子设备及存储介质 | |
| CN114861678A (zh) | 时间信息的确定方法和装置、存储介质及电子装置 | |
| CN109255016A (zh) | 基于深度学习的应答方法、装置及计算机可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220106 Address after: 518100 floor 1, building F, Huafeng International Robot Industrial Park, Hangcheng Avenue, Nanchang community, Xixiang street, Bao'an District, Shenzhen, Guangdong Applicant after: Shenzhen Zhongji Electric Technology Co.,Ltd. Address before: 518000 Guangdong, Shenzhen, Nanshan District, Nanhai Road, West Guangxi Temple Road North Sunshine Huayi Building 1 15D-02F Applicant before: SHEN ZHEN KUANG-CHI HEZHONG TECHNOLOGY Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |