CN109165057B - 一种智能设备执行任务的方法和装置 - Google Patents

一种智能设备执行任务的方法和装置 Download PDF

Info

Publication number
CN109165057B
CN109165057B CN201710508911.9A CN201710508911A CN109165057B CN 109165057 B CN109165057 B CN 109165057B CN 201710508911 A CN201710508911 A CN 201710508911A CN 109165057 B CN109165057 B CN 109165057B
Authority
CN
China
Prior art keywords
event
importance
urgency
task
determining
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
Application number
CN201710508911.9A
Other languages
English (en)
Other versions
CN109165057A (zh
Inventor
李南君
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201710508911.9A priority Critical patent/CN109165057B/zh
Priority to PCT/CN2018/087616 priority patent/WO2019001170A1/zh
Priority to EP18822676.5A priority patent/EP3608777A4/en
Publication of CN109165057A publication Critical patent/CN109165057A/zh
Priority to US16/679,558 priority patent/US20200073733A1/en
Application granted granted Critical
Publication of CN109165057B publication Critical patent/CN109165057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/0005—Manipulators having means for high-level communication with users, e.g. speech generator, face recognition means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
    • G06F9/38—Concurrent instruction execution, e.g. pipeline, look ahead
    • G06F9/3854—Instruction completion, e.g. retiring, committing or graduating
    • G06F9/3856—Reordering of instructions, e.g. using queues or age tags
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/448—Execution paradigms, e.g. implementations of programming paradigms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Abstract

本发明实施例公开了一种智能设备执行任务的方法和装置，属于人工智能技术领域。所述方法包括：当检测到至少一个触发信息时，根据所述至少一个触发信息，确定所述至少一个触发信息触发的待处理的至少一个事件，其中，所述至少一个事件互不相同，所述触发信息是所述智能设备通过传感器检测到的外界的信息，所述事件是当所述智能设备检测到触发信息时能够确定的外界发生的事件；对于确定出的每个事件，在所述事件对应的至少一个任务中，选择所述事件对应的目标任务，其中，所述任务是所述智能设备针对外界发生的事件所能采取的处理方式；执行所述每个事件对应的目标任务。采用本发明，可以防止资源浪费。

Description

一种智能设备执行任务的方法和装置
技术领域
本申请涉及人工智能技术领域，特别涉及一种智能设备执行任务的方法和装置。
背景技术
随着人工智能技术的发展，各种各样的智能设备得到了广泛的应用，比如，智能设备可以是发现某人跌倒即会拨打家人电话的机器人。
目前，机器人可以执行多种任务，例如，可以执行图像处理的任务、执行语音识别的任务以及执行拨打某号码的任务。机器人执行某任务的具体处理可以是：机器人中可以预先存储有触发信息与任务的对应关系，机器人可以通过各种部件(比如摄像部件、语音获取部件)检测到不同的触发信息，每当机器人通过某部件检测到触发信息时，可以根据预先存储的触发信息与任务的对应关系，确定触发信息对应的任务，进而，可以执行该任务。例如，当机器人通过摄像部件检测到有人跌倒的触发信息时，可以执行向某号码拨打电话的任务。
在实现本申请的过程中，发明人发现现有技术至少存在以下问题：
很多情况下，通过不同部件检测到的触发信息对应的任务可能是相同的，例如，当有人跌掉时，机器人可能会通过摄像部件检测到有人跌倒的触发信息，也可能会通过语音获取部件检测有人跌倒的触发信息，此种情况下，通过两个部件检测到的触发信息对应同一个事件(有人跌倒)，即对应的任务是相同的。基于上述机器人执行某任务的方式，此种情况下，机器人会针对两个触发信息对应的同一事件执行两次对应的任务，从而，导致资源浪费。
发明内容
为了解决相关技术中资源浪费的问题，本发明实施例提供了一种智能设备执行任务的方法和装置。所述技术方案如下：
第一方面，提供了一种智能设备执行任务的方法，该方法包括：当智能设备检测到至少一个触发信息时，根据至少一个触发信息，确定至少一个触发信息触发的待处理的至少一个事件，其中，至少一个事件互不相同，触发信息是智能设备通过传感器检测到的外界的信息，事件是当智能设备检测到触发信息时能够确定的外界发生的事件；对于确定出的每个事件，在事件对应的至少一个任务中，选取事件对应的目标任务，其中，任务是智能设备针对外界发生的事件所能采取的处理方式；执行每个事件对应的目标任务。
本发明实施例所示的方案，每当智能设备检测到至少一个触发信息时，可以综合检测到的所有触发信息，确定所有触发信息触发的待处理的至少一个互不相同的事件，其中，机器人检测到的触发信息与事件不具有一一对应关系，不同的触发信息也可以触发同一件事件，检测到的至少一个触发信息可以是同时检测到的，也可以是在较小的预设时长内检测到的。确定出被触发的事件后，可以确定每个事件对应的目标任务，进而，智能设备可以执行每个事件对应的目标任务。这样，机器人会综合检测到的触发信息，确定出的事件都不相同，可以避免对不同触发信息对应的同一事件执行两次对应的任务，从而，可以防止资源浪费。
在一种可能的实现方式中，当智能设备检测到至少一个触发信息时，根据至少一个触发信息，确定至少一个触发信息触发的待处理的至少一个事件，包括：当智能设备检测到至少一个触发信息时，确定检测到的每个触发信息触发的待处理的事件；对确定出的全部事件进行去重处理，得到至少一个触发信息触发的待处理的至少一个事件。
本发明实施例所示的方案，当智能设备检测到至少一个触发信息时，对于每个触发信息，智能设备均可确定该触发信息触发的事件，进而，可以将各触发信息触发的事件中的相同事件删除，将各触发信息触发的事件中剩余的互不相同的事件，确定为至少一个触发信息触发的待处理的至少一个事件。
在一种可能的实现方式中，当智能设备检测到至少一个触发信息时，确定检测到的每个触发信息触发的事件，包括：当智能设备检测到至少一个触发信息时，根据预先训练的分类模型以及事件集合中的每个事件，对检测到的每个触发信息进行分类，确定每个触发信息对应的事件。
本发明实施例所示的方案，每当智能设备检测到至少一个触发信息时，可以将至少一个触发信息中的每个触发信息作为神经网络算法(分类器)的输入，通过神经网络算法(即通过训练网络)，对每个触发信息进行分类，确定该触发信息对应的类别(即确定触发信息触发的事件)，其中，神经网络算法中的每个类别可以是机器人所能识别的事件集合中的每个事件，如图3(a)所示。确定出每个触发信息的类别后，可以将重复的事件删除，得到至少一个触发信息触发的事件。
在一种可能的实现方式中，对于确定出的每个事件，在事件对应的至少一个任务中，选取所述事件对应的目标任务，包括：对于确定出的每个事件，在事件对应的至少一个任务中，根据事件对应的至少一个任务中的每个任务的选择概率，选取事件对应的目标任务。
本发明实施例所示的方案，智能设备确定出被触发的至少一个事件后，对于至少一个事件中的每个事件，可以在事件、任务、选择概率的对应关系中，确定该事件对应的至少一个任务，进而，可以根据确定出的每个任务对应的选择概率，随机在多个任务中选择该事件对应的目标任务，其中，选择概率表示对应的任务被选中的可能性。
在一种可能的实现方式中，该方法还包括：当接收到输入的对执行第一事件对应的目标任务中的第一任务的满意程度值时，根据输入的满意程度值，调整第一事件对应的第一任务的选择概率。
本发明实施例所示的方案，智能设备可以设置有人机交互界面(可视化图形界面和触摸方式)，用户可以通过人机交互界面进行人工干预。具体的，每当智能设备执行被触发的事件(可称为第一事件)对应的目标任务后，即在智能设备执行完成某事件对应的目标任务后或者执行某事件对应的目标任务的过程中，用户可以根据自己的满意程度，输入对本次执行该事件对应的目标任务中的第一任务的满意程度值，智能设备可以接收到用户输入的智能设备对执行第一事件对应的第一任务的满意程度值(可以用s表示，其中，s可以是大于0小于1的数值)，此时，智能设备可以对第一事件对应的第一任务的选择概率进行调整，除此之外，智能设备还可以对第一任务对应的所有事件中除第一事件之外的其他事件的选择概率进行调整。这样，用户希望设备处理某事件采用某种处理方式时，可以对智能设备执行的目标任务输入较高的满意度程度值，进而，可以使得智能设备提高该事件对应的目标任务的选择概率，从而，可以使得智能设备不断适用于该用户的习惯。
在一种可能的实现方式中，该方法还包括：根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定至少一个事件中的每个事件对应的重要度和紧迫度；对于每个事件，根据确定出的事件对应的重要度和紧迫度，确定事件的优先级；相应的，执行每个事件对应的目标任务，包括：根据每个事件的优先级，按照优先级由高到低的顺序，执行每个事件对应的目标任务。
本发明实施例所示的方案，智能设备中可以预先存储有事件集合中的每个事件对应的重要度和紧迫度。当确定出被触发的至少一个事件后，智能设备可以在预先存储的事件集合中的各事件对应的重要度和紧迫度中，确定至少一个事件中的每个事件对应的重要度和紧迫度，进而，对于每个事件，可以根据确定出的事件对应的重要度和紧迫度，确定事件的优先级。例如，可以计算该事件对应的重要度和紧迫度之和，并将计算得到的和作为该事件的优先级。确定出每个事件的优先级后，智能设备可以按照优先级由高到低的顺序，执行每个事件对应的目标任务。这样，当有多个事件需要处理时，智能设备可以优先处理更重要、更紧迫的事件。
在一种可能的实现方式中，对于每个事件，根据确定出的事件对应的重要度和紧迫度，确定事件的优先级，包括：对于每个事件，获取上一次执行事件对应的任务的实际成本和预期成本；根据上一次执行事件对应的任务的实际成本和预期成本，确定本次执行事件对应的目标任务需要的预期成本；根据确定出的事件对应的重要度、紧迫度和确定出的本次执行事件对应的目标任务需要的预期成本，确定事件的优先级。
本发明实施例所示的方案，每当智能设备执行事件集合中的每个事件对应的任务后，即每当智能设备处理该事件后，可以记录本次执行该事件对应的任务的实际成本，其中，实际成本可以是执行该事件对应的任务消耗的能量(比如，电量、中央处理器占有量)，也可以是消耗的时间，也可以是两者的结合。智能设备确定出本次被触发的至少一个事件后，对于每个事件，智能设备可以获取上一次执行该事件对应的任务的实际成本和预期成本，进而，可以确定本次执行该事件对应的目标任务需要的预期成本。得到预期成本和对应的重要度、紧迫度后，机器人可以确定事件的优先级。
在一种可能的实现方式中，根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定至少一个事件中的每个事件对应的重要度和紧迫度，包括：根据预先存储的重要度-紧迫度矩阵，以及重要度-紧迫度矩阵中的每个位置对应的事件，确定至少一个事件中的每个事件对应的重要度和紧迫度，其中，重要度-紧迫度矩阵中的每个位置表示对应位置的事件的重要度和紧迫度。
本发明实施例所示的方案，智能设备中可以预先存储有重要度-紧迫度矩阵，其中，重要度-紧迫度矩阵中的每个位置对应不同的事件，每个位置表示表示该位置对应事件的重要度和紧迫度，该矩阵可称为艾森豪威尔矩阵(Eisenhower Decision Matrix，EDM)。智能设备确定出至少一个事件后，可以在上述重要度-紧迫度矩阵中，确定至少一个事件中的每个事件所在重要度-紧迫度矩阵中的位置对应的重要度和紧迫度。
在一种可能的实现方式中，该方法还包括：对于事件集合中的每个事件，根据预先存储的事件在重要度-紧迫度矩阵中的各位置对应的概率，将对应的概率最大的位置确定为事件对应的位置。
本发明实施例所示的方案，智能设备中可以预先设置有每个事件在重要度-紧迫度矩阵中的各位置对应的概率，其中，概率可以是具有预设位数的数值，每个事件在重要度-紧迫度矩阵中的各位置对应的概率之和为1。对于事件集合中的每个事件，智能设备确定每个事件在重要度-紧迫度矩阵中的位置时，可以在该事件在重要度-紧迫度矩阵中的各位置对应的概率中，确定最大概率，进而，可以将最大概率对应的位置确定为事件在重要度-紧迫度矩阵中对应的位置。
在一种可能的实现方式中，该方法还包括：当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，获取调整指令下的重要度-紧迫度矩阵中的每个位置对应的激励因子，其中，第二位置对应的激励因子最大，第一位置对应的激励因子最小；根据获取到的重要度-紧迫度矩阵中的每个位置对应的激励因子、以及第二事件在重要度-紧迫度矩阵中的各位置对应的概率，计算第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率；根据第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
本发明实施例所示的方案，智能设备中可以预先存储有重要度-紧迫度矩阵中的每个位置对应的激励因子Kij，其中，不同的调整指令下，重要度-紧迫度矩阵中的各位置对应的激励因子不同，对于被调整位置的事件，调整后的位置对应的激励因子最大，调整前的位置对应的激励因子最小，其他位置对应的激励因子位于中间。当用户将第二事件对应的位置由第一位置调整到第二位置时，智能设备可以接收到第二事件对应的位置由第一位置到第二位置的调整指令，此时，智能设备可以获取该调整指令下，重要度-紧迫度矩阵中的每个位置对应的激励因子，进而，可以利用每个位置对应的激励因子，调整第二事件在重要度-紧迫度矩阵中每个位置对应的概率，得到第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率(即得到位置调整后，第二事件在重要度-紧迫度矩阵中的各个位置对应的概率)。得到第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率后，智能设备可以根据第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为事件对应的位置。
在一种可能的实现方式中，该方法还包括：当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，将第二事件在重要度-紧迫度矩阵中的第一位置对应的概率，确定为第二事件在第二位置对应的新的概率，并将第二事件在重要度-紧迫度矩阵中的第二位置对应的概率，确定为第二事件在所述第一位置对应的新的概率；根据第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为事件对应的位置。
本发明实施例所示的方案，当智能设备接收到第二事件对应的位置由第一位置到第二位置的调整指令时，可以只调整第二事件在第一位置和第二位置对应的概率，不对其他位置对应的概率进行调整。具体的，当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，可以将第二事件在重要度-紧迫度矩阵中的第一位置对应的概率，确定为第二事件在第二位置对应的新的概率，并可以将第二事件在重要度-紧迫度矩阵中的第二位置对应的概率，确定为第二事件在第一位置对应的新的概率。也就是说，智能设备可以将调整前第二事件在第一位置和第二位置对应的概率互换，将互换后的概率确定为调整后第二事件在第一位置和第二位置对应的新的概率，调整后第二事件在其他位置对应的新的概率与调整前第二事件在其他位置对应的概率相同。得到第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率后，可以将对应的新的概率最大的第二位置确定为事件对应的位置。
在一种可能的实现方式中，该方法还包括：当第二事件为待处理的事件时，根据重要度-紧迫度矩阵中的第二位置对应的重要度和紧迫度，重新确定第二事件对应的优先级。
本发明实施例所示的方案，如上所述，确定出被触发的至少一个事件，以及每个事件对应的目标任务后，可以将至少一个事件中的每个事件对应的目标任务添加到当前任务队列中，当目标任务执行完成后，可以将该目标任务从当前任务队列中删除。基于此种情况，当第二事件对应的目标任务位于当前任务队列中时，可以确定第二事件为待处理的事件，即待处理的事件可以包括正在处理的事件。另外，待处理的事件也可以不包括正在处理的事件。
当第二事件为待处理的事件时，智能设备可以按照上述确定事件的优先级的方法，重新计算第二事件对应的优先级，进而，智能设备可以按照重新计算的优先级，执行第二事件对应的目标任务。针对待处理的事件包括正在处理的事件的情况，当重新计算出的优先级退后时，可以暂停执行该事件对应的目标任务，执行优先级更高的事件对应的目标任务。
第二方面，提供了一种智能设备执行任务的装置，该装置包括至少一个模块，该至少一个模块用于实现上述第一方面所提供的智能设备执行任务的方法。
第三方面，提供了一种智能设备，该服务器包括处理器、存储器和传感器，处理器被配置为执行存储器中存储的指令；处理器通过执行指令来实现上述第一方面所提供的智能设备执行任务的方法。
上述本发明实施例第二到第三方面所获得的技术效果与第一方面中对应的技术手段获得的技术效果近似，在这里不再赘述。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例中，当检测到至少一个触发信息时，根据至少一个触发信息，确定至少一个触发信息对应的待处理的至少一个事件，其中，确定出的至少一个事件互不相同；对于确定出的至少一个事件中的每个事件，在事件对应的至少一个任务中，选取事件对应的目标任务；执行每个事件对应的目标任务。这样，机器人会综合检测到的触发信息，确定出的事件都不相同，可以避免对不同触发信息对应的同一事件执行两次对应的任务，从而，可以防止资源浪费。
附图说明
图1是本发明实施例提供的一种系统框架示意图；
图2是本发明实施例提供的一种执行任务的方法流程图；
图3(a)是本发明实施例提供的一种确定事件的示意图；
图3(b)是本发明实施例提供的一种确定目标任务的示意图；
图4(a)是本发明实施例提供的一种事件和目标任务的示意图；
图4(b)是本发明实施例提供的一种重要度-紧迫度矩阵的示意图；
图5(a)是本发明实施例提供的一种事件和目标任务的示意图；
图5(b)是本发明实施例提供的一种当前任务队列的示意图；
图5(c)是本发明实施例提供的一种当前任务队列的示意图；
图5(d)是本发明实施例提供的一种当前任务队列的示意图；
图5(e)是本发明实施例提供的一种当前任务队列的示意图；
图6是本发明实施例提供的一种执行任务的装置结构示意图；
图7是本发明实施例提供的一种执行任务的装置结构示意图。
具体实施方式
本发明实施例提供了一种智能设备执行任务的方法，该方法的执行主体为能够执行多种任务的智能设备。其中，该智能设备可以是可以执行多种任务的机器人。后续将以智能设备为机器人为例，对方案进行详细说明，其他情况与之类似，不再进行赘述。
智能设备可以包括处理器110、存储器120，处理器110可以与存储器120连接，如图1所示。处理器110可以包括一个或多个处理单元；处理器110可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件等。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。智能设备还可以包括存储器120，存储器120可用于存储软件程序以及模块，处理器110通过读取存储在存储器120的软件代码以及模块，从而执行任务。另外，智能设备还可以包括接收器130和发射器140，其中，接收器130和发射器140可以分别与处理器110连接，发射器130和接收器140可以统称为收发器。发射器140可以用于发送消息或数据，发射器140可以包括但不限于至少一个放大器、调谐器、一个或多个振荡器、耦合器、LNA(Low NoiseAmplifier，低噪声放大器)、双工器等。此外，智能设备还可以包括传感器150，其中，传感器150的数量可以是多个，传感器150可以与处理器110连接，其中，传感器150可以用于检测触发信息。
下面将结合具体实施方式，对图2所示的处理流程进行详细的说明，内容可以如下：
步骤201，当检测到至少一个触发信息时，根据至少一个触发信息，确定至少一个触发信息触发的待处理的至少一个事件，其中，确定出的至少一个事件互不相同。
其中，触发信息可以是机器人检测到的用于触发机器人确定事件的信息，可以是通过某传感器检测到的外界的信息。事件可以是机器人能够识别的事件，即事件是当机器人检测到触发信息时能够确定的外界发生的事件。
在实施中，机器人中可以设置有多种部件(比如摄像部件、语音获取部件等)，机器人可以通过其中的多种部件检测到触发信息。当机器人检测到至少一个触发信息时，可以综合检测到的所有触发信息，确定所有触发信息触发的待处理的至少一个互不相同的事件，其中，机器人检测到的触发信息与事件不具有一一对应关系，不同的触发信息也可以触发同一个事件，检测到的至少一个触发信息可以是同时检测到的，也可以是在较小的预设时长内检测到的。例如，有人跌倒时，跌倒人可以发出语音信息，此时，机器人的语音获取部件可以检测到语音信息，并对其进行语音识别，检测到有人跌倒的触发信息，同时，机器人的摄像部件也可以拍摄到有人跌倒的图像，从而，产生有人跌倒的触发信息，机器人检测到这两个触发信息后，可以综合这两个触发信息，确定这两个触发信息触发的待处理的事件为有人跌倒。
可选的，确定出的至少一个事件可以是删除相同事件后剩余的事件，相应的，步骤201的处理过程可以如下：当机器人检测到至少一个触发信息时，确定检测到的每个触发信息触发的事件；对确定出的全部事件进行去重处理，得到至少一个触发信息触发的待处理的至少一个事件。
具体的，机器人中可以预先存储有触发信息与事件的对应关系，当检测到至少一个触发信息时，可以在上述对应关系中确定每个触发信息对应的事件，当确定出的事件包含相同的事件时，可以删除重复的事件，最终确定出的事件均互不相同，另外，当确定出的事件包含待处理事件列表中的事件时，也可以将该事件删除，即当检测到至少一个触发信息时，机器人可以根据至少一个触发信息、以及待处理事件列表中的事件，确定至少一个触发信息触发的待处理的至少一个事件，其中，确定出的至少一个事件互不相同。
可选的，机器人可以通过分类模型，确定每个触发信息触发的事件，相应的，处理过程可以如下：当智能设备检测到至少一个触发信息时，根据预先训练的分类模型以及事件集合中的每个事件，对检测到的每个触发信息进行分类，确定每个触发信息对应的事件。
在实施中，当检测到至少一个触发信息时，可以通过预先训练好的分类模型(比如，神经网络算法)，得到至少一个触发信息触发的互不相同的至少一个事件，其中，神经网络算法可以由可见输入神经元、1层或多层隐藏神经元和可见输出神经元组成，每个可见输入神经元可以是检测到的多个触发信息，可见输出神经元可以是触发的事件，各个神经元之间连接为无线网格(mesh)联通，具体可以由隐马尔科夫模型(HMM)网络、叠加的受限玻尔兹曼机(RBM)实现。
在本发明实施例中，神经网络算法可以充作分类器的作用，即每当机器人检测到至少一个触发信息时，可以将至少一个触发信息中的每个触发信息作为神经网络算法(分类器)的输入，通过神经网络算法(即通过训练网络)，对每个触发信息进行分类，确定该触发信息对应的类别(即确定触发信息触发的事件)，其中，神经网络算法中的每个类别可以是机器人所能识别的事件集合中的每个事件，如图3(a)所示。确定出每个触发信息的类别后，可以将重复的事件删除，得到至少一个触发信息触发的事件。另外，机器人所能识别的触发信息的数量远远大于所能识别的事件的数量。例如，每当机器人检测到熄灯、把灯关上、关灯的触发信息时，均可确定出触发的事件为关灯。
另外，机器人可以包括多个工作元agent和中央处理器，中央处理器可以与各个工作元通信，其中，每个agent可以是能够相对独立执行某项任务的单元，通常具备独立的传感器、计算单元和相关软件，例如，机器人可以包括视觉工作元、语音工作元、通讯工作元等。本申请中，机器人检测到触发信息可以是各个工作元发送的消息，其中，消息可以包括消息的产生时刻、工作元标识、消息产生地点以及消息本体(其中，消息本体可以是由字符构成的短句)。各个agent产生消息后，可以将其发送至中央处理器，以便中央处理器进行步骤101所述的处理。
步骤202，对于确定出的每个事件，在事件对应的至少一个任务中，选取事件对应的目标任务。
其中，目标任务可以是本次处理该事件时所选择的任务。
在实施中，机器人中可以存储有事件集合中的每个事件对应的至少一个任务，其中，事件集合中的每个事件是机器人所能识别的事件。也就是说，每个事件对应的处理方式(任务)可以是一种，也可以是多种，不同事件也可以对应有相同的任务。确定出触发的至少一个事件后，可以将被触发的至少一个事件添加到待处理事件列表中，并且对于至少一个事件中的每个事件，机器人可以在预先存储的事件集合中的各事件对应的至少一个任务中，确定该事件对应的至少一个任务，进而，可以在对应的至少一个任务中，确定事件对应的目标任务，其中，至少一个任务可以是处理该事件所能采取的处理方式，例如，有人跌倒的事件，对应的任务可以是拨打预设电话号码、拨打视频电话等。具体的，机器人可以按照预设的随机算法，在对应的至少一个任务中随机确定该事件对应的目标任务，即确定本次处理该事件的处理方式，如图3(b)所示。其中，该步骤的处理过程具体可以由马尔科夫决策网络实现，被触发的事件可以作为马尔科夫决策网络的输入，每个事件对应的目标任务是该马尔科夫决策网络的输出。马尔科夫决策网络一般包括两类神经元，分别是：状态神经元(反应事件集合的排布和激活状态)、动作神经元(动作神经元可以是全连接，也可以是mesh连接)。
可选的，每个事件对应的每个任务可以对应有选择概率，进而，机器人根据选择概率选择事件对应的任务，相应的，步骤202的处理过程可以如下：对于确定出的至少一个事件中的每个事件，在事件对应的至少一个任务中，根据事件对应的至少一个任务中的每个任务的选择概率，选取事件对应的目标任务。
在实施中，机器人中除了存储有事件集合中的每个事件对应的至少一个任务外，还可以存储有每个任务对应的选择概率，即可以存储有事件、任务、选择概率的对应关系，其中，不同的事件可能对应有相同的任务，相同的任务对应不同的事件时，对应的选择概率可以相同，也可以不同，如表1所示。另外，每个任务对应的所有事件的选择概率之和还可以为1。
表1
Figure BDA0001335302150000081
机器人确定出被触发的至少一个事件后，对于至少一个事件中的每个事件，机器人可以在上述对应关系中，确定该事件对应的至少一个任务，进而，可以根据确定出的每个任务对应的选择概率，随机在多个任务中选择该事件对应的目标任务，其中，选择概率表示对应的任务被选中的可能性。例如，事件1对应的至少一个任务为任务a、任务b，任务a对应的选择概率为0.9、任务b对应的选择概率为0.1，则机器人可以通过产生1-10之间的随机数的方式确定目标任务，即当产生的随机数为1-9之间时，可以将任务a确定为目标任务，当产生的随机数为10时，可以将任务b确定为目标任务。
另外，事件被触发时，确定出的目标任务一定包括某任务时，则该事件对应的该任务的选择概率为1。即此种情况下，如果该事件被触发，则机器人确定出的该事件对应的目标任务一定包含该任务。例如，事件-听到呼救或异常声音对应的目标任务可以包括“移动到某处”、“给家人视频电话”，事件-发现有人跌倒对应的目标任务可以包括“身份识别”、“给家人视频电话”，如图4(a)所示。
可选的，用户在使用机器人的过程中，可以通过人工干预，调整某事件对应的每个任务的选择概率，相应的，处理过程可以如下：当接收到输入的对执行第一事件对应的目标任务中的第一任务的满意程度值时，根据输入的满意程度值，调整第一事件对应的第一任务的选择概率。
其中，第一事件可以是机器人处理过的事件中的任一事件。
在实施中，机器人可以设置有人机交互界面(可视化图形界面和触摸方式)，用户可以通过人机交互界面进行人工干预。具体的，每当机器人执行被触发的事件(可称为第一事件)对应的目标任务后，即在机器人执行完成某事件对应的目标任务后、或者执行某事件对应的目标任务的过程中，用户可以根据自己的满意程度，输入对本次执行该事件对应的目标任务中的第一任务的满意程度值，机器人可以接收到用户输入的机器人对执行第一事件对应的第一任务的满意程度值(可以用s表示，其中，s可以是大于0小于1的数值)，此时，机器人可以对第一事件对应的第一任务的选择概率进行调整，除此之外，机器人还可以对第一任务对应的所有事件中除第一事件之外的其他事件的选择概率进行调整。具体的，机器人得到用户输入的满意程度值s后，可以按照公式(1)计算第一任务对应的第一事件(可以用a表示)的选择概率的激励值ΔΩa，按照公式(2)计算第一任务对应第一事件a的新的选择概率，按照公式(3)计算第一任务对应其他事件的新的选择概率Ω'i。
ΔΩa＝Ωa*(s-0.5)/0.5 (1)
Ω'a＝Ωa+ΔΩa (2)
Ω'i＝Ωi-ΔΩa/(z-1) i≠a (3)
其中，i可以是1到z之间的任一整数，z是第一任务对应的所有事件的数量，Ωa表示第一任务对应事件a调整前的选择概率，Ωi表示第一任务对应事件i调整前的选择概率。
步骤203，执行每个事件对应的目标任务。
在实施中，机器人确定出每个事件对应的目标任务后，可以执行每个事件对应的目标任务，其中，机器人可以包含多个功能模块，每个功能模块可以执行某种任务，即机器人可以通过多个功能模块，分别执行每个事件对应的目标任务中的每个任务。另外，确定出每个事件对应的目标任务后，机器人可以将各事件的目标任务添加到当前任务队列中，每当执行某目标任务后，可以将该目标任务从当前任务队列中删除，并将该目标任务对应的事件从待处理事件列表中删除。如果当前任务队列中包含之前确定出的事件对应的目标任务时，本次将确定出被触发的事件对应的目标任务添加到当前任务队列中，相当于对当前任务队列进行更新。其中，机器人所能执行的所有任务列表可以包括：系统自检、定位、地图构建、移动到某处、认识家人、身份识别、物体识别、姿态识别、音频(语音或声音)理解与合成、自主充电、搜索某物、取某物、扫地、给某人视频电话、给某人发短信。
另外，在用户使用机器人的过程中，还可以为机器人新增功能模块(比如，可以增加相应的硬件和相应的功能程序)，并且对于新增的功能模块所能实现的任务，可以对应相应的事件设置相应的选择概率，在使用的过程中，用户也可以进行人工干预，使得机器人按照上述方法调整新增的功能模块所能实现的任务对应相应事件的选择概率。
可选的，确定出被触发的至少一个事件后，机器人可以确定处理每个事件的优先级，相应的，处理过程可以如下：根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定至少一个事件中的每个事件对应的重要度和紧迫度；对于每个事件，根据确定出的事件对应的重要度和紧迫度，确定事件的优先级。相应的，步骤203的处理过程可以如下：根据每个事件的优先级，按照优先级由高到低的顺序，执行每个事件对应的目标任务。
在实施中，机器人中可以预先存储有事件集合中的每个事件对应的重要度和紧迫度。当确定出被触发的至少一个事件后，机器人可以在预先存储的事件集合中的各事件对应的重要度和紧迫度中，确定至少一个事件中的每个事件对应的重要度和紧迫度，进而，对于每个事件，可以根据确定出的事件对应的重要度和紧迫度，确定事件的优先级。例如，可以计算该事件对应的重要度和紧迫度之和，并将计算得到的和作为该事件的优先级。确定出每个事件的优先级后，机器人可以按照优先级由高到低的顺序，执行每个事件对应的目标任务。
可选的，在计算优先级时，可以考虑到本次执行事件对应的目标任务的预期成本，相应的，处理过程可以如下：对于每个事件，获取上一次执行事件对应的任务的实际成本和预期成本；根据上一次执行事件对应的任务的实际成本和预期成本，确定本次执行事件对应的目标任务需要的预期成本；根据确定出的事件对应的重要度、紧迫度和确定出的本次执行事件对应的目标任务需要的预期成本，确定事件的优先级。
在实施中，每当机器人执行事件集合中的每个事件对应的任务后，即每当机器人处理该事件后，可以记录本次执行该事件对应的任务的实际成本，并计算下一次执行该事件对应的任务需要的预期成本，其中，实际成本可以是执行该事件对应的任务消耗的能量(比如，电量、中央处理器占有量)，也可以是消耗的时间，也可以是两者的结合。
以事件a为例，说明确定事件a的优先级的处理过程，其中，事件a是事件集合中的任一事件。具体的，机器人中可以预先设置第一次处理事件a的预期成本Ta，1＝1，机器人可以按照公式(4)计算每次执行事件a对应的任务的预期成本，其中，i表示第i次处理事件a。
Ta,i+1＝pTa,i+(1-p)Δwa,iΔta,i (4)
其中，Ta,i+1表示第i+1次处理事件a需要的预期成本，其中，i是大于或等于1的正整数，Ta,i表示第i次处理事件a需要的预期成本，p为权值，可以是0到1之间的数值(比如，可以是小于0.5的数值)，Δwa,i、Δta,i分别表示第i次处理事件a实际消耗的能量和时间，Δwa,iΔta,i表示第i次处理事件a的实际成本。
根据公式(4)确定出第i次执行事件a对应的任务需要的预期成本、以及得到事件a对应的重要度(可以用Φa表示)和紧迫度(可以用Ψa表示)后，可以按照公式(5)计算第i次被触发时，该次执行事件a对应的任务的优先级Θa。
Θa＝Φa+Ψa/Ta,i (5)
机器人确定出本次被触发的至少一个事件后，对于每个事件，机器人可以获取上一次执行该事件对应的任务的实际成本和预期成本，进而，可以按照公式(4)确定本次执行该事件对应的目标任务需要的预期成本。得到预期成本和对应的重要度、紧迫度后，机器人可以按照公式(5)确定事件的优先级。
可选的，事件集合中的每个事件对应的重要度和紧迫度可以通过重要度-紧迫度矩阵得到，相应的，确定每个事件的重要度和紧迫度的处理过程可以如下：根据预先存储的重要度-紧迫度矩阵，以及重要度-紧迫度矩阵中的每个位置对应的事件，确定至少一个事件中的每个事件对应的重要度和紧迫度，其中，重要度-紧迫度矩阵中的每个位置表示对应位置的事件的重要度和紧迫度。
在实施中，机器人中可以预先存储有重要度-紧迫度矩阵，其中，重要度-紧迫度矩阵中的每个位置对应不同的事件，每个位置表示表示该位置对应事件的重要度和紧迫度，如图4(b)所示，该矩阵可称为艾森豪威尔矩阵(Eisenhower Decision Matrix，EDM)。机器人确定出至少一个事件后，可以在上述重要度-紧迫度矩阵中，确定至少一个事件中的每个事件所在重要度-紧迫度矩阵中的位置对应的重要度和紧迫度。
可选的，每个事件在重要度-紧迫度矩阵中的位置是由该事件在各个位置对应的概率决定的，相应的，处理过程可以如下：对于事件集合中的每个事件，根据预先存储的事件在重要度-紧迫度矩阵中的各位置对应的概率，将对应的概率最大的位置确定为事件对应的位置。
在实施中，机器人中可以预先设置有每个事件在重要度-紧迫度矩阵中的各位置对应的概率，其中，概率可以是具有预设位数的数值，每个事件在重要度-紧迫度矩阵中的各位置对应的概率之和为1。对于事件集合中的每个事件，机器人确定每个事件在重要度-紧迫度矩阵中的位置时，可以在该事件在重要度-紧迫度矩阵中的各位置对应的概率中，确定最大概率，进而，可以将最大概率对应的位置确定为事件在重要度-紧迫度矩阵中对应的位置。
具体的，重要度-紧迫度矩阵可以是大小为m*n的EDM，其中，事件集合中的事件数量即为m*n。对于事件a，令其在E中的(i，j)位置的概率为Pij(a)(其中，i∈[0,m),j∈[0,n))，事件a在重要度-紧迫度矩阵中的各位置对应的概率之和为1，即满足归一化条件：
Figure BDA0001335302150000111
假设事件a在重要度-紧迫度矩阵中的实际位置为(i′,j′)，即事件a在该位置对应的概率最大，满足：
Pi′j′(a)＝max{Pij(a)}
可选的，用户可以通过机器人的人机交互界面，调整事件集合中的每个事件在重要度-紧迫度矩阵中对应的位置，每当用户调整事件在重要度-紧迫度矩阵中对应的位置时，机器人可以相应的调整该事件在重要度-紧迫度矩阵中的各位置对应的概率，基于调整概率的方法不同，具体的处理方式可以多种多样，以下给出了几种可行的处理方式：
方式一，当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，获取调整指令下的重要度-紧迫度矩阵中的每个位置对应的激励因子，其中，第二位置对应的激励因子最大，第一位置对应的激励因子最小；根据获取到的重要度-紧迫度矩阵中的每个位置对应的激励因子、以及第二事件在重要度-紧迫度矩阵中的各位置对应的概率，计算第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率；根据第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为事件对应的位置。
其中，第二事件可以是事件集合中的任意事件。
在实施中，机器人中可以预先存储有重要度-紧迫度矩阵中的每个位置对应的激励因子Kij，其中，不同的调整指令下，重要度-紧迫度矩阵中的各位置对应的激励因子不同，对于被调整位置的事件，调整后的位置对应的激励因子最大，调整前的位置对应的激励因子最小，其他位置对应的激励因子位于中间。当用户将第二事件对应的位置由第一位置调整到第二位置时，机器人可以接收到第二事件对应的位置由第一位置到第二位置的调整指令，此时，机器人可以获取该调整指令下，重要度-紧迫度矩阵中的每个位置对应的激励因子，进而，可以利用每个位置对应的激励因子，调整第二事件在重要度-紧迫度矩阵中每个位置对应的概率，得到第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率(即得到位置调整后，第二事件在重要度-紧迫度矩阵中的各个位置对应的概率)。得到第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率后，机器人可以根据第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为事件对应的位置。
具体的，假设事件a为第二事件，第一位置是(i′,j′)，第二位置是(i″,j″)，调整前第二事件在重要度-紧迫度矩阵中每个位置对应的概率为Pij(a)，调整后第二事件在重要度-紧迫度矩阵中每个位置对应的概率为P′ij(a)，激励因子为Kij，则机器人可以按照公式(6)，计算第二事件a在重要度-紧迫度矩阵中的各位置对应的新的概率。
Figure BDA0001335302150000121
可以看出，P′ij(a)也是归一化的。另外，Kij的值可以如下所示。
Kij＝0.8(当i＝i′,j＝j′)
Kij＝1.2(当i＝i″,j＝j″)
Kij＝0.95(其他位置)
可以看出，第二事件在重要度-紧迫度矩阵中的第二位置对应的新的概率最大，即用户调整后，用户调整的第二位置即是第二事件在重要度-紧迫度矩阵中对应的位置。
方式二，当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，将第二事件在重要度-紧迫度矩阵中的第一位置对应的概率，确定为第二事件在第二位置对应的新的概率，并将第二事件在重要度-紧迫度矩阵中的第二位置对应的概率，确定为第二事件在第一位置对应的新的概率；根据第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为事件对应的位置。
在实施中，当机器人接收到第二事件对应的位置由第一位置到第二位置的调整指令时，可以只调整第二事件在第一位置和第二位置对应的概率，不对其他位置对应的概率进行调整。具体的，当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，可以将第二事件在重要度-紧迫度矩阵中的第一位置对应的概率，确定为第二事件在第二位置对应的新的概率，并可以将第二事件在重要度-紧迫度矩阵中的第二位置对应的概率，确定为第二事件在第一位置对应的新的概率。也就是说，机器人可以将调整前第二事件在第一位置和第二位置对应的概率互换，将互换后的概率确定为调整后第二事件在第一位置和第二位置对应的新的概率，调整后第二事件在其他位置对应的新的概率与调整前第二事件在其他位置对应的概率相同。得到第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率后，可以将对应的新的概率最大的第二位置确定为事件对应的位置。
其中，第二事件在重要度-紧迫度矩阵中的各位置对应的新的概率也可以按照公式(6)计算，只是每个位置对应的激励因子Kij的定义不同于方式一中的定义，可以如下：
Kij＝Pi″j″(a)/Pi′j′(a) (当i＝i′,j＝j′)
Kij＝Pi′j′(a)/Pi″j″(a) (当i＝i″,j＝j″)
Kij＝0.95 (其他位置)
可以看出，第二事件在重要度-紧迫度矩阵中的第二位置对应的新的概率最大，即用户调整后，用户调整的第二位置即是第二事件在重要度-紧迫度矩阵中对应的位置。
另外，用户在对第二事件在重要度-紧迫度矩阵中对应的位置进行调整时，相当于是对两个事件在重要度-紧迫度矩阵中对应的位置进行交换，即将第二事件对应的位置由第一位置调整到第二位置的同时，也将原来对应的位置为第二位置的第三事件对应的位置由第二位置调整到第一位置。也就是说，用户调整第二事件对应的位置后，机器人按照方式一或者方式二重新确定第二事件对应的位置的同时，也可以按照方式一或者方式二重新确定第三事件对应的位置，具体实现过程与第二事件类似，不再进行赘述。
可选的，当对应的位置进行调整的第二事件是待处理的事件时，机器人可以重新计算第二事件的优先级，相应的，具有处理过程可以如下：当第二事件为待处理的事件时，根据重要度-紧迫度矩阵中的第二位置对应的重要度和紧迫度，重新确定第二事件对应的优先级。
在实施中，如上所述，确定出被触发的至少一个事件，以及每个事件对应的目标任务后，可以将至少一个事件中的每个事件对应的目标任务添加到当前任务队列中，当目标任务执行完成后，可以将该目标任务从当前任务队列中删除。基于此种情况，当第二事件对应的目标任务位于当前任务队列中时，可以确定第二事件为待处理的事件，即待处理的事件可以包括正在处理的事件。另外，待处理的事件也可以不包括正在处理的事件。
当第二事件为待处理的事件时，机器人可以按照上述确定事件的优先级的方法，重新计算第二事件对应的优先级，进而，机器人可以按照重新计算的优先级，执行第二事件对应的目标任务。针对待处理的事件包括正在处理的事件的情况，当重新计算出的优先级退后时，可以暂停执行该事件对应的目标任务，执行优先级更高的事件对应的目标任务。
例如，机器人通过某部件检测到“地上有土”的触发信息，确定该触发信息触发的事件为发现需要扫地，进而，可以将该事件对应的目标任务添加到当前任务队列中，如图5(a)所示。此时机器人又通过另一部间检测到“给我拿药”的触发信息，确定该触发信息触发的事件为需要取物，进而，将该事件对应的目标任务添加到当前任务队列中，如图5(b)所示。根据这两件事件对应的重要度和紧迫度，计算出的“发现需要扫地”事件的优先级高于“需要取物”事件。当用户对该优先级不满意时，可以调整这两个事件在重要度-紧迫度矩阵中对应的位置，即可以调整这两个事件的重要度和紧迫度，如图5(c)所示，相应的，机器人可以重新计算这两个事件的优先级(得到“需要取物”的优先级高于“发现需要扫地”的优先级)，并改变这两个事件对应的目标任务在当前任务队列中的顺序，如图5(d)所示。最后，机器人可以先执行“需要取物”对应的目标任务，执行完成后，可以将“需要取物”对应的目标任务从当前任务队列中删除，如图5(e)所示，并继续执行“发现需要扫地”对应的目标任务。
本发明实施例中，当检测到至少一个触发信息时，根据至少一个触发信息，确定至少一个触发信息对应的待处理的至少一个事件，其中，确定出的至少一个事件互不相同；对于确定出的至少一个事件中的每个事件，在事件对应的至少一个任务中，选取事件对应的目标任务；执行每个事件对应的目标任务。这样，机器人会综合检测到的触发信息，确定出的事件都不相同，可以避免对不同触发信息对应的同一事件执行两次对应的任务，从而，可以防止资源浪费。
基于相同的技术构思，本发明实施例还提供了一种智能设备执行任务的装置，如图6所示，该装置包括：
确定模块610，用于当检测到至少一个触发信息时，根据所述至少一个触发信息，确定所述至少一个触发信息触发的待处理的至少一个事件，其中，确定出的至少一个事件互不相同，所述触发信息是智能设备通过传感器检测到的外界的信息，所述事件是当所述智能设备检测到触发信息时能够确定的外界发生的事件，具体可以实现上述步骤201中的确定功能，以及其他隐含步骤。
所述确定模块610，还用于对于确定出的每个事件，在所述事件对应的至少一个任务中，选取所述事件对应的目标任务，其中，所述任务是所述智能设备针对外界发生的事件所能采取的处理方式，具体可以实现上述步骤202中的确定功能，以及其他隐含步骤。
执行模块620，用于执行所述每个事件对应的目标任务，具体可以实现上述步骤203中的执行功能，以及其他隐含步骤。
可选的，所述确定模块610，用于：
当智能设备检测到至少一个触发信息时，确定检测到的每个触发信息触发的事件；
对确定出的全部事件进行去重处理，得到所述至少一个触发信息触发的待处理的至少一个事件。
可选的，所述确定模块610，用于：
当智能设备检测到至少一个触发信息时，根据预先训练的分类模型以及事件集合中的每个事件，对检测到的每个触发信息进行分类，确定每个触发信息对应的事件。
可选的，所述确定模块610，用于：
对于确定出的每个事件，在所述事件对应的至少一个任务中，根据所述事件对应的至少一个任务中的每个任务的选择概率，选取所述事件对应的目标任务。
可选的，如图7所示，所述装置还包括：
调整模块630，用于当接收到输入的对执行第一事件对应的目标任务中的第一任务的满意程度值时，根据所述输入的满意程度值，调整所述第一事件对应的第一任务的选择概率。
可选的，所述确定模块610，还用于：
根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定所述至少一个事件中的每个事件对应的重要度和紧迫度；
对于每个事件，根据确定出的所述事件对应的重要度和紧迫度，确定所述事件的优先级；
所述执行模块620，用于：
根据每个事件的优先级，按照优先级由高到低的顺序，执行每个事件对应的目标任务。
可选的，所述确定模块610，用于：
对于每个事件，获取上一次执行所述事件对应的任务的实际成本和预期成本；
根据上一次执行所述事件对应的任务的实际成本和预期成本，确定本次执行所述事件对应的目标任务需要的预期成本；
根据确定出的所述事件对应的重要度、紧迫度和确定出的本次执行所述事件对应的目标任务需要的预期成本，确定所述事件的优先级。
可选的，所述确定模块610，用于：
根据预先存储的重要度-紧迫度矩阵，以及所述重要度-紧迫度矩阵中的每个位置对应的事件，确定所述至少一个事件中的每个事件对应的重要度和紧迫度，其中，所述重要度-紧迫度矩阵中的每个位置表示对应所述位置的事件的重要度和紧迫度。
可选的，所述确定模块610，还用于：
对于事件集合中的每个事件，根据预先存储的所述事件在所述重要度-紧迫度矩阵中的各位置对应的概率，将对应的概率最大的位置确定为所述事件对应的位置。
可选的，所述确定模块610，还用于：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，获取所述调整指令下的所述重要度-紧迫度矩阵中的每个位置对应的激励因子，其中，所述第二位置对应的激励因子最大，所述第一位置对应的激励因子最小；
根据获取到的所述重要度-紧迫度矩阵中的每个位置对应的激励因子、以及所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的概率，计算所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
可选的，所述确定模块610，还用于：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，将所述第二事件在所述重要度-紧迫度矩阵中的第一位置对应的概率，确定为所述第二事件在所述第二位置对应的新的概率，并将所述第二事件在所述重要度-紧迫度矩阵中的第二位置对应的概率，确定为所述第二事件在所述第一位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
可选的，所述确定模块610，还用于：
当所述第二事件为待处理的事件时，根据所述重要度-紧迫度矩阵中的所述第二位置对应的重要度和紧迫度，重新确定所述第二事件对应的优先级。
需要说明的是，上述确定模块610、执行模块620、调整模块630可以由处理器实现，或者处理器配合存储器来实现，或者，处理器执行存储器中的程序指令来实现。
本发明实施例中，当检测到至少一个触发信息时，根据至少一个触发信息，确定至少一个触发信息对应的待处理的至少一个事件，其中，确定出的至少一个事件互不相同；对于确定出的至少一个事件中的每个事件，在事件对应的至少一个任务中，选取事件对应的目标任务；执行每个事件对应的目标任务。这样，机器人会综合检测到的触发信息，确定出的事件都不相同，可以避免对不同触发信息对应的同一事件执行两次对应的任务，从而，可以防止资源浪费。
需要说明的是：上述实施例提供的执行任务的装置在执行任务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将智能设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的执行任务的装置与执行任务的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令，在智能设备上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴光缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是智能设备能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如软盘、硬盘和磁带等)，也可以是光介质(如数字视盘(DigitalVideo Disk，DVD)等)，或者半导体介质(如固态硬盘等)。
以上所述仅为本发明一个实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (22)

1.一种智能设备执行任务的方法，其特征在于，所述方法包括：
当智能设备检测到至少一个触发信息时，根据所述至少一个触发信息，确定所述至少一个触发信息触发的待处理的至少一个事件，其中，所述至少一个事件互不相同，所述触发信息是所述智能设备通过传感器检测到的外界的信息，所述事件是当所述智能设备检测到触发信息时能够确定的外界发生的事件；
对于确定出的每个事件，在所述事件对应的至少一个任务中，根据所述事件对应的至少一个任务中的每个任务的选择概率，选取所述事件对应的目标任务，其中，所述任务是所述智能设备针对外界发生的事件所能采取的处理方式，所述选择概率表示对应的任务被选中的可能性；
对于所述每个事件，根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定所述每个事件对应的重要度和紧迫度；
对于所述每个事件，获取上一次执行所述事件对应的任务的实际成本和预期成本，根据上一次执行所述事件对应的任务的实际成本和预期成本，确定本次执行所述事件对应的目标任务需要的预期成本，其中，所述实际成本为执行所述事件对应的任务消耗的能量和时间；
根据确定出的所述事件对应的重要度、紧迫度和确定出的本次执行所述事件对应的目标任务需要的预期成本，确定所述事件的优先级；
根据所述每个事件的优先级，按照优先级由高到低的顺序，执行所述每个事件对应的目标任务。
2.根据权利要求1所述的方法，其特征在于，所述当智能设备检测到至少一个触发信息时，根据所述至少一个触发信息，确定所述至少一个触发信息触发的待处理的至少一个事件，包括：
当智能设备检测到至少一个触发信息时，确定检测到的每个触发信息触发的事件；
对确定出的全部事件进行去重处理，得到所述至少一个触发信息触发的待处理的至少一个事件。
3.根据权利要求2所述的方法，其特征在于，所述当智能设备检测到至少一个触发信息时，确定检测到的每个触发信息触发的事件，包括：
当智能设备检测到至少一个触发信息时，根据预先训练的分类模型以及事件集合中的每个事件，对检测到的每个触发信息进行分类，确定每个触发信息对应的事件。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当接收到输入的对执行第一事件对应的目标任务中的第一任务的满意程度值时，根据所述输入的满意程度值，调整所述第一事件对应的第一任务的选择概率。
5.根据权利要求1所述的方法，其特征在于，所述根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定所述至少一个事件中的每个事件对应的重要度和紧迫度，包括：
根据预先存储的重要度-紧迫度矩阵，以及所述重要度-紧迫度矩阵中的每个位置对应的事件，确定所述至少一个事件中的每个事件对应的重要度和紧迫度，其中，所述重要度-紧迫度矩阵中的每个位置表示对应所述位置的事件的重要度和紧迫度。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对于事件集合中的每个事件，根据预先存储的所述事件在所述重要度-紧迫度矩阵中的各位置对应的概率，将对应的概率最大的位置确定为所述事件对应的位置。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，获取所述调整指令下的所述重要度-紧迫度矩阵中的每个位置对应的激励因子，其中，所述第二位置对应的激励因子最大，所述第一位置对应的激励因子最小；
根据获取到的所述重要度-紧迫度矩阵中的每个位置对应的激励因子、以及所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的概率，计算所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，将所述第二事件在所述重要度-紧迫度矩阵中的第一位置对应的概率，确定为所述第二事件在所述第二位置对应的新的概率，并将所述第二事件在所述重要度-紧迫度矩阵中的第二位置对应的概率，确定为所述第二事件在所述第一位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
9.根据权利要求7或8所述的方法，其特征在于，所述方法还包括：
当所述第二事件为待处理的事件时，根据所述重要度-紧迫度矩阵中的所述第二位置对应的重要度和紧迫度，重新确定所述第二事件对应的优先级。
10.一种智能设备执行任务的装置，其特征在于，所述装置包括：
确定模块，用于当检测到至少一个触发信息时，根据所述至少一个触发信息，确定所述至少一个触发信息触发的待处理的至少一个事件，其中，所述至少一个事件互不相同，所述触发信息是智能设备通过传感器检测到的外界的信息，所述事件是当所述智能设备检测到触发信息时能够确定的外界发生的事件；
所述确定模块，还用于对于确定出的每个事件，在所述事件对应的至少一个任务中，根据所述事件对应的至少一个任务中的每个任务的选择概率，选取所述事件对应的目标任务，其中，所述任务是所述智能设备针对外界发生的事件所能采取的处理方式，所述选择概率表示对应的任务被选中的可能性；对于所述每个事件，根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定所述每个事件对应的重要度和紧迫度；
对于所述每个事件，获取上一次执行所述事件对应的任务的实际成本和预期成本，根据上一次执行所述事件对应的任务的实际成本和预期成本，确定本次执行所述事件对应的目标任务需要的预期成本，其中，所述实际成本为执行事件对应的任务消耗的能量和时间；
根据确定出的所述事件对应的重要度、紧迫度和确定出的本次执行所述事件对应的目标任务需要的预期成本，确定所述事件的优先级；
执行模块，用于根据所述每个事件的优先级，按照优先级由高到低的顺序，执行所述每个事件对应的目标任务。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
调整模块，用于当接收到输入的对执行第一事件对应的目标任务中的第一任务的满意程度值时，根据所述输入的满意程度值，调整所述第一事件对应的第一任务的选择概率。
12.根据权利要求11所述的装置，其特征在于，所述确定模块，还用于：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，获取所述调整指令下的重要度-紧迫度矩阵中的每个位置对应的激励因子，其中，所述第二位置对应的激励因子最大，所述第一位置对应的激励因子最小；
根据获取到的所述重要度-紧迫度矩阵中的每个位置对应的激励因子、以及所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的概率，计算所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
13.根据权利要求10所述的装置，其特征在于，所述确定模块，还用于：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，将所述第二事件在重要度-紧迫度矩阵中的第一位置对应的概率，确定为所述第二事件在所述第二位置对应的新的概率，并将所述第二事件在所述重要度-紧迫度矩阵中的第二位置对应的概率，确定为所述第二事件在所述第一位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
14.一种智能设备，其特征在于，所述智能设备包括处理器、传感器和存储器，其中：
所述处理器，用于当通过所述传感器检测到至少一个触发信息时，根据所述至少一个触发信息，确定所述至少一个触发信息触发的待处理的至少一个事件，其中，所述至少一个事件互不相同；对于确定出的每个事件，在所述存储器中预先存储到的所述事件对应的至少一个任务中，根据所述事件对应的至少一个任务中的每个任务的选择概率，选取所述事件对应的目标任务；对于所述每个事件，根据预先存储的事件集合中的各事件对应的重要度和紧迫度，确定所述每个事件对应的重要度和紧迫度；对于所述每个事件，获取上一次执行所述事件对应的任务的实际成本和预期成本，根据上一次执行所述事件对应的任务的实际成本和预期成本，确定本次执行所述事件对应的目标任务需要的预期成本；根据确定出的所述事件对应的重要度、紧迫度和确定出的本次执行所述事件对应的目标任务需要的预期成本，确定所述事件的优先级；根据所述每个事件的优先级，按照优先级由高到低的顺序，执行所述每个事件对应的目标任务；
其中，所述触发信息是所述智能设备通过传感器检测到的外界的信息，所述事件是当所述智能设备检测到触发信息时能够确定的外界发生的事件，所述任务是所述智能设备针对外界发生的事件所能采取的处理方式，所述选择概率表示对应的任务被选中的可能性，所述实际成本为执行事件对应的任务消耗的能量和时间。
15.根据权利要求14所述的智能设备，其特征在于，所述处理器，用于：
当通过所述传感器检测到至少一个触发信息时，确定检测到的每个触发信息触发的事件；
对确定出的全部事件进行去重处理，得到所述至少一个触发信息触发的待处理的至少一个事件。
16.根据权利要求15所述的智能设备，其特征在于，所述处理器，用于：
当智能设备检测到至少一个触发信息时，根据预先训练的分类模型以及事件集合中的每个事件，对检测到的每个触发信息进行分类，确定每个触发信息对应的事件。
17.根据权利要求14所述的智能设备，其特征在于，所述处理器，还用于：
当接收到输入的对执行第一事件对应的目标任务中的第一任务的满意程度值时，根据所述输入的满意程度值，调整所述第一事件对应的第一任务的选择概率。
18.根据权利要求14所述的智能设备，其特征在于，所述处理器，用于：
根据所述存储器中预先存储的重要度-紧迫度矩阵，以及所述重要度-紧迫度矩阵中的每个位置对应的事件，确定所述至少一个事件中的每个事件对应的重要度和紧迫度，其中，所述重要度-紧迫度矩阵中的每个位置表示对应所述位置的事件的重要度和紧迫度。
19.根据权利要求18所述的智能设备，其特征在于，所述处理器，还用于：
对于事件集合中的每个事件，根据所述存储器中预先存储的所述事件在所述重要度-紧迫度矩阵中的各位置对应的概率，将对应的概率最大的位置确定为所述事件对应的位置。
20.根据权利要求19所述的智能设备，其特征在于，所述处理器，还用于：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，获取所述调整指令下的所述重要度-紧迫度矩阵中的每个位置对应的激励因子，其中，所述第二位置对应的激励因子最大，所述第一位置对应的激励因子最小；
根据获取到的所述重要度-紧迫度矩阵中的每个位置对应的激励因子、以及所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的概率，计算所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
21.根据权利要求19所述的智能设备，其特征在于，所述处理器，还用于：
当接收到第二事件对应的位置由第一位置到第二位置的调整指令时，将所述第二事件在所述重要度-紧迫度矩阵中的第一位置对应的概率，确定为所述第二事件在所述第二位置对应的新的概率，并将所述第二事件在所述重要度-紧迫度矩阵中的第二位置对应的概率，确定为所述第二事件在所述第一位置对应的新的概率；
根据所述第二事件在所述重要度-紧迫度矩阵中的各位置对应的新的概率，将对应的新的概率最大的第二位置确定为所述事件对应的位置。
22.根据权利要求20或21所述的智能设备，其特征在于，所述处理器，还用于：
当所述第二事件为待处理的事件时，根据所述重要度-紧迫度矩阵中的所述第二位置对应的重要度和紧迫度，重新确定所述第二事件对应的优先级。
CN201710508911.9A 2017-06-28 2017-06-28 一种智能设备执行任务的方法和装置 Active CN109165057B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201710508911.9A CN109165057B (zh) 2017-06-28 2017-06-28 一种智能设备执行任务的方法和装置
PCT/CN2018/087616 WO2019001170A1 (zh) 2017-06-28 2018-05-21 一种智能设备执行任务的方法和装置
EP18822676.5A EP3608777A4 (en) 2017-06-28 2018-05-21 INTELLIGENT DEVICE METHOD AND APPARATUS FOR PERFORMING A TASK
US16/679,558 US20200073733A1 (en) 2017-06-28 2019-11-11 Method and Apparatus for Executing Task by Intelligent Device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710508911.9A CN109165057B (zh) 2017-06-28 2017-06-28 一种智能设备执行任务的方法和装置

Publications (2)

Publication Number Publication Date
CN109165057A CN109165057A (zh) 2019-01-08
CN109165057B true CN109165057B (zh) 2021-03-30

Family

ID=64740337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710508911.9A Active CN109165057B (zh) 2017-06-28 2017-06-28 一种智能设备执行任务的方法和装置

Country Status (4)

Country Link
US (1) US20200073733A1 (zh)
EP (1) EP3608777A4 (zh)
CN (1) CN109165057B (zh)
WO (1) WO2019001170A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109571450B (zh) * 2019-01-17 2020-12-01 北京理工大学 用于多关节蛇形机器人在水下避障的浸入边界控制方法
CN111586165A (zh) * 2020-05-06 2020-08-25 珠海格力智能装备有限公司 可移动设备的控制方法、控制终端、存储介质与处理器
US11734518B2 (en) * 2021-12-21 2023-08-22 The Adt Security Corporation Analyzing monitoring system events using natural language processing (NLP)
CN115469559B (zh) * 2022-09-30 2023-07-07 武汉天业数智信息技术有限公司 一种基于物联网技术的设备控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69417804D1 (de) * 1993-06-15 1999-05-20 Xerox Corp Gerät und Verfahren zur interaktiven Benutzerunterstützung mit Benutzung von Sensoren und künstlicher Intelligenz
CN104680046A (zh) * 2013-11-29 2015-06-03 华为技术有限公司 一种用户活动识别方法及装置
CN106294351A (zh) * 2015-05-13 2017-01-04 阿里巴巴集团控股有限公司 日志事件处理方法和装置
CN106447028A (zh) * 2016-12-01 2017-02-22 江苏物联网研究发展中心 改进的服务机器人任务规划方法
CN106873773A (zh) * 2017-01-09 2017-06-20 北京奇虎科技有限公司 机器人交互控制方法、服务器和机器人

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180056262A1 (en) * 2012-07-03 2018-03-01 Amerge, Llc Chain drag system for treatment of carbaneous waste feedstock and method for the use thereof
CN106484253A (zh) * 2014-02-14 2017-03-08 华为终端有限公司 用户设备的智能响应方法和用户设备
US9630318B2 (en) * 2014-10-02 2017-04-25 Brain Corporation Feature detection apparatus and methods for training of robotic navigation
US10264971B1 (en) * 2015-08-28 2019-04-23 Verily Life Sciences Llc System and methods for integrating feedback from multiple wearable sensors
US9998994B2 (en) * 2015-09-14 2018-06-12 Squadle, Inc. Low power redundant transmission network
CN105182777A (zh) * 2015-09-18 2015-12-23 小米科技有限责任公司 设备控制方法及装置
CN106900052A (zh) * 2015-12-21 2017-06-27 深圳富泰宏精密工业有限公司 功率调整模组及具有该功率调整模组的穿戴装置
US9965683B2 (en) * 2016-09-16 2018-05-08 Accenture Global Solutions Limited Automatically detecting an event and determining whether the event is a particular type of event
US20180233018A1 (en) * 2017-02-13 2018-08-16 Starkey Laboratories, Inc. Fall prediction system including a beacon and method of using same
CN111452044A (zh) * 2017-03-11 2020-07-28 陕西爱尚物联科技有限公司 一种机器人体系架构及其机器人
US10496877B2 (en) * 2017-03-14 2019-12-03 Stmicroelectronics, Inc. Device and method of characterizing motion

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69417804D1 (de) * 1993-06-15 1999-05-20 Xerox Corp Gerät und Verfahren zur interaktiven Benutzerunterstützung mit Benutzung von Sensoren und künstlicher Intelligenz
CN104680046A (zh) * 2013-11-29 2015-06-03 华为技术有限公司 一种用户活动识别方法及装置
CN106294351A (zh) * 2015-05-13 2017-01-04 阿里巴巴集团控股有限公司 日志事件处理方法和装置
CN106447028A (zh) * 2016-12-01 2017-02-22 江苏物联网研究发展中心 改进的服务机器人任务规划方法
CN106873773A (zh) * 2017-01-09 2017-06-20 北京奇虎科技有限公司 机器人交互控制方法、服务器和机器人

Also Published As

Publication number Publication date
EP3608777A4 (en) 2020-04-08
EP3608777A1 (en) 2020-02-12
WO2019001170A1 (zh) 2019-01-03
US20200073733A1 (en) 2020-03-05
CN109165057A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109165057B (zh) 一种智能设备执行任务的方法和装置
US11436449B2 (en) Method and electronic apparatus for processing image and training image tag classification model
CN108228270B (zh) 启动资源加载方法及装置
US20130066815A1 (en) System and method for mobile context determination
CN109389162B (zh) 样本图像筛选方法和装置、电子设备及存储介质
KR101506964B1 (ko) 메시지 쓰레드들을 우선순위화하기 위한 방법들 및 디바이스들
EP3614628A1 (en) Electronic apparatus and control method thereof
CN108960283B (zh) 分类任务增量处理方法及装置、电子设备和存储介质
CN110998607A (zh) 用于神经网络的系统和方法
CN113164056A (zh) 睡眠预测方法、装置、存储介质及电子设备
CN111428645A (zh) 人体关键点的检测方法、装置、电子设备及存储介质
US20190370745A1 (en) System and method for processing of designated items in a facility
CN115546574A (zh) 图像分类、模型训练方法、设备、存储介质及计算机程序
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
US8538160B2 (en) Electronic device and method for sorting pictures
CN112997148A (zh) 睡眠预测方法、装置、存储介质及电子设备
EP3876117A1 (en) Model selection method and terminal
CN114943336A (zh) 模型剪枝方法、装置、设备和存储介质
EP2571292B1 (en) System and method for mobile context determination
CN111602410B (zh) 适合性判定装置、适合性判定方法和存储介质
CN111800537B (zh) 终端使用状态的评估方法、装置、存储介质及电子设备
CN113726785B (zh) 网络入侵检测方法、装置、计算机设备以及存储介质
KR102181835B1 (ko) 고 영향 노드의 결정 방법, 고 영향 노드의 결정 장치, 바이럴 마케팅에서의 마케팅 비용 최소화 방법 및 이를 수행하기 위한 시스템
US20160132837A1 (en) Action encouragement method, apparatus, and program for encouraging user to move to facility suitable for schedule or task
CN115129978A (zh) 偏好查询方法、用户终端、服务器及存储介质

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
GR01 Patent grant
GR01 Patent grant