CN108009624A - 机器人的记忆构建方法及装置 - Google Patents
机器人的记忆构建方法及装置 Download PDFInfo
- Publication number
- CN108009624A CN108009624A CN201711337101.8A CN201711337101A CN108009624A CN 108009624 A CN108009624 A CN 108009624A CN 201711337101 A CN201711337101 A CN 201711337101A CN 108009624 A CN108009624 A CN 108009624A
- Authority
- CN
- China
- Prior art keywords
- memory
- recall info
- recall
- construction method
- info
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Robotics (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种机器人的记忆构建方法及装置，方法包括，信息获取步骤，获取记忆信息；信息确定步骤，确定记忆信息的显隐性；记忆存储步骤，根据记忆信息的显隐性对记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。本发明提供的机器人的记忆构建方法及装置，为机器人建立记忆模型，记忆模型具有拟人性，其中的显性记忆模型为多维立体模型，不同维度间相连接，以实现记忆联想，且隐性记忆模型为人工智能模型，以实现学习与复用，真正使得机器人有了记忆。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种机器人的记忆构建方法及装置。
背景技术
所谓的记忆多是将一些经过选择的数据按照特定的格式存储起来，在使用的时候将数据抽调出来，如此以形成一种类似于“记忆”的感觉。目前的数据存储方式主要包括MySQL数据库，分布式的数据仓库，云存储等。
现有技术存在的缺陷是，现有的数据存储方式，当数据量大的时候，难以做到快速的存取，此外，现有的数据存储方式皆为一般通用技术，且目前尚不存在为机器人专门研发的用于增强机器人记忆属性和记忆功能的技术方案。
发明内容
本发明要解决的技术问题是提供一种机器人的记忆构建方法及装置，为机器人建立记忆模型，记忆模型具有拟人性，其中的显性记忆模型为多维立体模型，不同维度间相连接，以实现记忆联想，且隐性记忆模型为人工智能模型，以实现学习与复用，真正使得机器人有了记忆。
为解决上述技术问题，本发明提供的技术方案是：
一方面，本发明提供一种机器人的记忆构建方法，包括，
信息获取步骤，获取记忆信息；
信息确定步骤，确定记忆信息的显隐性；
记忆存储步骤，根据记忆信息的显隐性对记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。
进一步地，信息确定步骤，具体包括，
判断记忆信息能否使用自然语言描述，在记忆信息可使用自然语言描述时，将记忆信息确定为显性记忆；且在记忆信息不可使用自然语言描述时，将记忆信息确定为隐性记忆。
进一步地，记忆信息为显性记忆时，将记忆信息按照预先设定的划分规则划分成对应的维度信息；对每个维度信息进行关键信息提取；将获得的多个维度下的关键信息进行关联处理，并将关联后的数据存储至记忆库中。
进一步地，划分规则为，将记忆信息从四个维度进行划分，且四个维度分别为时间、地点、人物、事件。
进一步地，记忆信息为隐性记忆时，采用预先构建的分类模型，判断记忆信息指向的技能类别；根据技能类别将记忆信息输入对应的技能模型，以生成对应的技能记忆数据，并将技能记忆数据存储至记忆库中。
进一步地，还包括模型更新步骤，在对隐性记忆处理后，对技能模型进行更新；和/或，在处理的隐性记忆的条数达到设定数量时，对技能模型进行重建；和/或，将两个或多个机器人的技能模型进行融合，以获得新的技能模型。
进一步地，还包括，需求判断步骤，判断记忆信息是否符合存储需求，且在符合存储需求时，执行信息获取步骤。
进一步地，还包括记忆转化步骤，统计瞬时记忆的重复次数，且在重复次数超过第一阈值时，将瞬时记忆存储为短时记忆；且在短时记忆的重复次数超过第二阈值时，将短时记忆存储为长时记忆。
进一步地，记忆转化步骤还包括，判断短时记忆是否符合预设的长记忆转化条件，且在满足条件时，直接将短时记忆存储为长时记忆。
另一方面，本发明提供一种机器人的记忆构建装置，包括，
信息获取单元，用于获取记忆信息；
信息确定单元，用于确定记忆信息的显隐性；
记忆存储单元，用于根据记忆信息的显隐性对记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。
本发明提供的机器人的记忆构建方法及装置，为机器人建立记忆模型，记忆模型具有拟人性，其中的显性记忆模型为多维立体模型，不同维度间相连接，以实现记忆联想，且隐性记忆模型为人工智能模型，以实现学习与复用，真正使得机器人有了记忆。
附图说明
图1是本发明实施例提供的机器人的记忆构建方法的流程图；
图2是本发明实施例提供的机器人的记忆构建装置的框图。
具体实施方式
下面通过具体的实施例进一步说明本发明，但是，应当理解为，这些实施例仅仅是用于更详细具体地说明之用，而不应理解为用于以任何形式限制本发明。
实施例一
结合图1，本实施例提供的机器人的记忆构建方法，包括，
信息获取步骤S1，获取记忆信息；
信息确定步骤S2，确定记忆信息的显隐性；
记忆存储步骤S3，根据记忆信息的显隐性对记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。
本发明实施例提供的机器人的记忆构建方法，为机器人建立记忆模型。本实施例中，参考《普通心理学》对人类记忆的分类，在记忆的有效时间维度上，将机器人的记忆分为瞬时记忆、短时记忆和长时记忆三种。此外，针对每一获取到的记忆信息，都首先判断其显隐性，并根据记忆信息的显隐性进行不同的记忆信息处理，也就是说，记忆模型具有拟人性，能使得机器人有类人记忆。
具体地，记忆信息包括，声音，图像，触感，气味，味道。需要说明的是，记忆信息可以是机器人感知到的周围的任何信息，本实施例不作具体限定。
需要说明的是，本实施中，瞬时记忆信息的存储，可以根据实际需求确定：可以不存储瞬时记忆；可以在机器人本地的存储系统中存储瞬时记忆；可以将瞬时记忆临时保存到云端；可以将瞬时记忆永久保存到云端。
具体地，信息确定步骤S2，具体包括，
判断记忆信息能否使用自然语言描述，在记忆信息可使用自然语言描述时，将记忆信息确定为显性记忆；且在记忆信息不可使用自然语言描述时，将记忆信息确定为隐性记忆。本实施例中，能使用自然语言描述的记忆信息包括，个人经历、场景等，且不能用自然语言描述的记忆信息包括，程序记忆(例如，骑自行车的能力)，图形记忆(例如，认路能力)等。
进一步地，记忆信息为显性记忆时，将记忆信息按照预先设定的划分规则划分成对应的维度信息；对每个维度信息进行关键信息提取；将获得的多个维度下的关键信息进行关联处理，并将关联后的数据存储至记忆库中。本实施例中，具体地，划分规则为，将记忆信息从四个维度进行划分，且四个维度分别为时间、地点、人物、事件。针对每个维度信息，所提取的关键信息包括实体、实体关系和关键词。且更加具体地，例如，对于时间，设定时间坐标轴，将显性记忆的时间添加到坐标轴中，并将待记忆的时间点与其它要素在相应坐标轴的位置进行关联，当需要读取相关显性记忆时，从任一维度都可以读取到所有信息。本实施例中，显性记忆模型为多维立体模型，不同维度间相连接，可以实现记忆联想，
进一步地，记忆信息为隐性记忆时，采用预先构建的分类模型，判断记忆信息指向的技能类别；根据技能类别将记忆信息输入对应的技能模型，以生成对应的技能记忆数据，并将技能记忆数据存储至记忆库中。
本实施例中，隐性记忆由于无法用自然语言描述，因此利用人工智能(例如，强化学习、深度学习)处理隐性记忆。具体地，
先采用分类模型对隐性记忆进行人为划分，如分为：骑车、认路、打篮球等。当待处理的隐性记忆被确认为属于某一分类，就将该段隐性记忆添加到对应的技能模型中，并对技能模型进行调整。需要说明的是，所有机器人对应的模型可以是统一的，可选地，所有机器人的初始的模型都是根据一般人的水平和能力设定的。
需要说明的是，不论是分类模型还是技能模型，其初始都是使用大量的已有数据作为输入，利用相关的人工智能算法建立初始模型。
进一步优选地，还包括模型更新步骤，在对隐性记忆处理后，对技能模型进行更新；和/或，在处理的隐性记忆的条数达到设定数量时，对技能模型进行重建；和/或，将两个或多个机器人的技能模型进行融合，以获得新的技能模型。本实施例中，在机器人的隐性记忆处理过程中，根据人工智能生命在实际使用过程中获得新的隐性记忆和已有的模型，建立新的在具体技能上更为优秀的模型。这一模型调整的过程可以使用负反馈的方式实现，也可以每次在隐性记忆积累到一定数量时完全进行模型的重建。此外，模型的融合是将两个机器人建立的针对同一技能的模型进行融合，从而得到在该技能上更为优秀的模型。需要说明的是，本实施例对模型的更新方法不作具体限定，可以是以上三种中的一种或多种的组合。
进一步优选地，还包括，需求判断步骤，判断记忆信息是否符合存储需求，且在符合存储需求时，执行信息获取步骤。本实施例中，对于不需要被保存的瞬时记忆，可以通过人工设置的方式进行内容选择性屏蔽，可节约存储空间。
进一步优选地，还包括记忆转化步骤，统计瞬时记忆的重复次数，且在重复次数超过第一阈值时，将瞬时记忆存储为短时记忆；且在短时记忆的重复次数超过第二阈值时，将短时记忆存储为长时记忆。本实施例参考人类记忆的模式，具体地，当瞬时记忆的信息被机器人捕捉到或注意到的时候，瞬时记忆就会转化为短时记忆。
需要说明的是，瞬时记忆被机器人捕捉，是由于预设在机器人中的程序或者由于来自中央处理器的命令，当瞬时记忆转化为短时记忆后，需要对这部分记忆信息进行处理。需要说明的是，中央处理器不是一般理解的CPU，还可能是云服务器等可以下达控制命令的设备。
此外，当短时记忆被重复时，短时记忆即可转化为长时记忆(永久记忆)。
进一步地，记忆转化步骤还包括，判断短时记忆是否符合预设的长记忆转化条件，且在满足条件时，直接将短时记忆存储为长时记忆。需要说明的是，本实施例中，短时记忆转化为长时记忆的条件可以有：当短时记忆被不断重复时，短时记忆可以转化为长时记忆；根据项目或产品需求，预先设定长记忆转化条件(例如，预先设定需要转化为长时记忆的内容)，且在短时记忆满足长记忆转化条件时，直接将短时记忆存储为长时记忆。
实施例二
结合图2，本实施例提供的机器人的记忆构建装置，包括，
信息获取单元1，用于获取记忆信息；
信息确定单元2，用于确定记忆信息的显隐性；
记忆存储单元3，用于根据记忆信息的显隐性对记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。
本发明实施例提供的机器人的记忆构建装置，为机器人建立记忆模型。本实施例中，参考《普通心理学》对人类记忆的分类，在记忆的有效时间维度上，将机器人的记忆分为瞬时记忆、短时记忆和长时记忆三种。此外，针对每一获取到的记忆信息，都首先判断其显隐性，并根据记忆信息的显隐性进行不同的记忆信息处理，也就是说，记忆模型具有拟人性，能使得机器人有类人记忆。
具体地，记忆信息包括，声音，图像，触感，气味，味道。需要说明的是，记忆信息可以是机器人感知到的周围的任何信息，本实施例不作具体限定。
需要说明的是，本实施中，瞬时记忆信息的存储，可以根据实际需求确定：可以不存储瞬时记忆；可以在机器人本地的存储系统中存储瞬时记忆；可以将瞬时记忆临时保存到云端；可以将瞬时记忆永久保存到云端。
具体地，信息确定单元3，具体用于，
判断记忆信息能否使用自然语言描述，在记忆信息可使用自然语言描述时，将记忆信息确定为显性记忆；且在记忆信息不可使用自然语言描述时，将记忆信息确定为隐性记忆。本实施例中，能使用自然语言描述的记忆信息包括，个人经历、场景等，且不能用自然语言描述的记忆信息包括，程序记忆(例如，骑自行车的能力)，图形记忆(例如，认路能力)等。
进一步地，记忆信息为显性记忆时，将记忆信息按照预先设定的划分规则划分成对应的维度信息；对每个维度信息进行关键信息提取；将获得的多个维度下的关键信息进行关联处理，并将关联后的数据存储至记忆库中。本实施例中，具体地，划分规则为，将记忆信息从四个维度进行划分，且四个维度分别为时间、地点、人物、事件。针对每个维度信息，所提取的关键信息包括实体、实体关系和关键词。且更加具体地，例如，对于时间，设定时间坐标轴，将显性记忆的时间添加到坐标轴中，并将待记忆的时间点与其它要素在相应坐标轴的位置进行关联，当需要读取相关显性记忆时，从任一维度都可以读取到所有信息。本实施例中，显性记忆模型为多维立体模型，不同维度间相连接，可以实现记忆联想，
进一步地，记忆信息为隐性记忆时，采用预先构建的分类模型，判断记忆信息指向的技能类别；根据技能类别将记忆信息输入对应的技能模型，以生成对应的技能记忆数据，并将技能记忆数据存储至记忆库中。
本实施例中，隐性记忆由于无法用自然语言描述，因此利用人工智能(例如，强化学习、深度学习)处理隐性记忆。具体地，
先采用分类模型对隐性记忆进行人为划分，如分为：骑车、认路、打篮球等。当待处理的隐性记忆被确认为属于某一分类，就将该段隐性记忆添加到对应的技能模型中，并对技能模型进行调整。需要说明的是，所有机器人对应的模型可以是统一的，可选地，所有机器人的初始的模型都是根据一般人的水平和能力设定的。
需要说明的是，不论是分类模型还是技能模型，其初始都是使用大量的已有数据作为输入，利用相关的人工智能算法建立初始模型。
进一步优选地，还包括模型更新单元，用于在对隐性记忆处理后，对技能模型进行更新；和/或，在处理的隐性记忆的条数达到设定数量时，对技能模型进行重建；和/或，将两个或多个机器人的技能模型进行融合，以获得新的技能模型。本实施例中，在机器人的隐性记忆处理过程中，根据人工智能生命在实际使用过程中获得新的隐性记忆和已有的模型，建立新的在具体技能上更为优秀的模型。这一模型调整的过程可以使用负反馈的方式实现，也可以每次在隐性记忆积累到一定数量时完全进行模型的重建。此外，模型的融合是将两个机器人建立的针对同一技能的模型进行融合，从而得到在该技能上更为优秀的模型。需要说明的是，本实施例对模型的更新方法不作具体限定，可以是以上三种中的一种或多种的组合。
进一步优选地，还包括，需求判断单元，用于判断记忆信息是否符合存储需求，且在符合存储需求时，执行信息获取步骤。本实施例中，对于不需要被保存的瞬时记忆，可以通过人工设置的方式进行内容选择性屏蔽，可节约存储空间。
进一步优选地，还包括记忆转化单元，用于，统计瞬时记忆的重复次数，且在重复次数超过第一阈值时，将瞬时记忆存储为短时记忆；且在短时记忆的重复次数超过第二阈值时，将短时记忆存储为长时记忆。本实施例参考人类记忆的模式，具体地，当瞬时记忆的信息被机器人捕捉到或注意到的时候，瞬时记忆就会转化为短时记忆。
需要说明的是，瞬时记忆被机器人捕捉，是由于预设在机器人中的程序或者由于来自中央处理器的命令，当瞬时记忆转化为短时记忆后，需要对这部分记忆信息进行处理。需要说明的是，中央处理器不是一般理解的CPU，还可能是云服务器等可以下达控制命令的设备。
此外，当短时记忆被重复时，短时记忆即可转化为长时记忆(永久记忆)。
进一步地，记忆转化单元还用于，判断短时记忆是否符合预设的长记忆转化条件，且在满足条件时，直接将短时记忆存储为长时记忆。需要说明的是，本实施例中，短时记忆转化为长时记忆的条件可以有：当短时记忆被不断重复时，短时记忆可以转化为长时记忆；根据项目或产品需求，预先设定长记忆转化条件(例如，预先设定需要转化为长时记忆的内容)，且在短时记忆满足长记忆转化条件时，直接将短时记忆存储为长时记忆。
尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于实施方案，而归于权利要求的范围，其包括每个因素的等同替换。
Claims (10)
1.一种机器人的记忆构建方法，其特征在于，包括，
信息获取步骤，获取记忆信息；
信息确定步骤，确定记忆信息的显隐性；
记忆存储步骤，根据记忆信息的显隐性对所述记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。
2.根据权利要求1所述的机器人的记忆构建方法，其特征在于，所述信息确定步骤，具体包括，
判断所述记忆信息能否使用自然语言描述，在所述记忆信息可使用自然语言描述时，将所述记忆信息确定为显性记忆；且在所述记忆信息不可使用自然语言描述时，将所述记忆信息确定为隐性记忆。
3.根据权利要求2所述的机器人的记忆构建方法，其特征在于，所述记忆信息为显性记忆时，将所述记忆信息按照预先设定的划分规则划分成对应的维度信息；对每个维度信息进行关键信息提取；将获得的多个维度下的关键信息进行关联处理，并将关联后的数据存储至记忆库中。
4.根据权利要求3所述的机器人的记忆构建方法，其特征在于，所述划分规则为，将记忆信息从四个维度进行划分，且四个维度分别为时间、地点、人物、事件。
5.根据权利要求2所述的机器人的记忆构建方法，其特征在于，所述记忆信息为隐性记忆时，采用预先构建的分类模型，判断所述记忆信息指向的技能类别；根据所述技能类别将所述记忆信息输入对应的技能模型，以生成对应的技能记忆数据，并将所述技能记忆数据存储至记忆库中。
6.根据权利要求5所述的机器人的记忆构建方法，其特征在于，还包括模型更新步骤，在对隐性记忆处理后，对技能模型进行更新；和/或，在处理的隐性记忆的条数达到设定数量时，对技能模型进行重建；和/或，将两个或多个机器人的技能模型进行融合，以获得新的技能模型。
7.根据权利要求1所述的机器人的记忆构建方法，其特征在于，还包括，需求判断步骤，判断所述记忆信息是否符合存储需求，且在符合存储需求时，执行所述信息获取步骤。
8.根据权利要求1所述的机器人的记忆构建方法，其特征在于，还包括记忆转化步骤，统计所述瞬时记忆的重复次数，且在所述重复次数超过第一阈值时，将所述瞬时记忆存储为短时记忆；且在所述短时记忆的重复次数超过第二阈值时，将所述短时记忆存储为长时记忆。
9.根据权利要求8所述的机器人的记忆构建方法，其特征在于，记忆转化步骤还包括，判断所述短时记忆是否符合预设的长记忆转化条件，且在满足条件时，直接将所述短时记忆存储为长时记忆。
10.一种机器人的记忆构建装置，其特征在于，包括，
信息获取单元，用于获取记忆信息；
信息确定单元，用于确定记忆信息的显隐性；
记忆存储单元，用于根据记忆信息的显隐性对所述记忆信息进行数据处理，并将处理后的数据存储至记忆库中，以生成瞬时记忆。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711337101.8A CN108009624A (zh) | 2017-12-14 | 2017-12-14 | 机器人的记忆构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711337101.8A CN108009624A (zh) | 2017-12-14 | 2017-12-14 | 机器人的记忆构建方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108009624A true CN108009624A (zh) | 2018-05-08 |
Family
ID=62058922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711337101.8A Pending CN108009624A (zh) | 2017-12-14 | 2017-12-14 | 机器人的记忆构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009624A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472823A (zh) * | 2013-08-20 | 2013-12-25 | 苏州两江科技有限公司 | 一种智能机器人用的栅格地图创建方法 |
| JP2015231659A (ja) * | 2014-06-11 | 2015-12-24 | キヤノン株式会社 | ロボット装置 |
| CN105825268A (zh) * | 2016-03-18 | 2016-08-03 | 北京光年无限科技有限公司 | 面向机器人学习动作表达的数据处理方法和系统 |
| CN106599179A (zh) * | 2016-12-13 | 2017-04-26 | 竹间智能科技（上海）有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
| CN106949896A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
| CN107153685A (zh) * | 2017-04-25 | 2017-09-12 | 竹间智能科技（上海）有限公司 | 人机对话系统中基于时间线记忆的认知方法及装置 |
-
2017
- 2017-12-14 CN CN201711337101.8A patent/CN108009624A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472823A (zh) * | 2013-08-20 | 2013-12-25 | 苏州两江科技有限公司 | 一种智能机器人用的栅格地图创建方法 |
| JP2015231659A (ja) * | 2014-06-11 | 2015-12-24 | キヤノン株式会社 | ロボット装置 |
| CN105825268A (zh) * | 2016-03-18 | 2016-08-03 | 北京光年无限科技有限公司 | 面向机器人学习动作表达的数据处理方法和系统 |
| CN106599179A (zh) * | 2016-12-13 | 2017-04-26 | 竹间智能科技（上海）有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
| CN107153685A (zh) * | 2017-04-25 | 2017-09-12 | 竹间智能科技（上海）有限公司 | 人机对话系统中基于时间线记忆的认知方法及装置 |
| CN106949896A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孟英楠: "工业机器人在自动化控制领域的应用", 《设备管理与维修》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740243B (zh) | 一种基于分件强化学习技术的家具布局方法及系统 | |
| WO2019192260A1 (zh) | 一种设备型号识别方法、装置及处理设备 | |
| CN110347152B (zh) | 虚拟墙设置方法、系统及装置 | |
| CN111708366B (zh) | 机器人及其行动控制方法、装置和计算机可读存储介质 | |
| CN107291060B (zh) | 基于Oracle数据库的大规模工业信息控制系统及其控制方法 | |
| CN112232293A (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
| CN104007819A (zh) | 手势识别方法、装置及Leap Motion体感控制系统 | |
| US20160012150A1 (en) | System and method for main distribution network graph/model/data integration based on remote access and information interaction | |
| CN106997243A (zh) | 基于智能机器人的演讲场景监控方法及装置 | |
| CN108550107A (zh) | 一种图片处理方法、图片处理装置及移动终端 | |
| CN113469000B (zh) | 区域地图的处理方法及装置、存储介质及电子装置 | |
| CN104484058A (zh) | 一种输出即时表情图像的方法及装置 | |
| CN111711677A (zh) | 智能变电站过程层交换机虚实回路可视化方法、系统及介质 | |
| CN106202529A (zh) | 一种页面渲染方法及装置 | |
| CN111191503A (zh) | 一种行人属性识别方法、装置、存储介质及终端 | |
| CN105488226A (zh) | 数字博物馆观览系统 | |
| CN103793054B (zh) | 一种模拟陈述性记忆过程的动作识别方法 | |
| CN112199374B (zh) | 针对数据缺失的数据特征挖掘方法及其相关设备 | |
| CN113537122A (zh) | 动作识别方法和装置、存储介质及电子设备 | |
| CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
| CN108009624A (zh) | 机器人的记忆构建方法及装置 | |
| KR101698184B1 (ko) | 홈 네트워크 가상화 장치 및 그 방법 | |
| CN105704173B (zh) | 一种集群系统数据分布方法及服务器 | |
| CN105373720A (zh) | 一种应用于移动终端的模块控制方法及装置 | |
| CN105279230A (zh) | 通过主动学习方法构建互联网应用特征识别数据库的方法及系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 301, Building 39, 239 Renmin Road, Gusu District, Suzhou City, Jiangsu Province, 215000 Applicant after: SHENZHEN GOWILD ROBOTICS Co.,Ltd. Address before: 518000 Dongfang Science and Technology Building 1307-09, 16 Keyuan Road, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN GOWILD ROBOTICS Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
| RJ01 | Rejection of invention patent application after publication |