CN109783652A - 一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法 - Google Patents
一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法 Download PDFInfo
- Publication number
- CN109783652A CN109783652A CN201910090552.9A CN201910090552A CN109783652A CN 109783652 A CN109783652 A CN 109783652A CN 201910090552 A CN201910090552 A CN 201910090552A CN 109783652 A CN109783652 A CN 109783652A
- Authority
- CN
- China
- Prior art keywords
- article
- room
- probability
- inference network
- type
- 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.)
- Granted
Links
Abstract
本发明提供了一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，属于服务机器人任务规划与执行的技术领域。本发明的方法主要包括：步骤1，查询常识知识库获取各种物品在各种类型房间中的出现概率；步骤2，判断每种物品与各种房间类型之间是否存在显著性相关关系；步骤3，将具有显著性相关关系的物品和房间类型生成一阶逻辑，利用原概率计算该一阶逻辑的参数，构成推理网络。本发明机器人根据室内物品推理房间类型的推理网络的构建方法，综合考虑了常识知识与室内环境的差异性和常识知识的通用性以及推理网络的复杂程度，提出的发明可以有效的减小推理网络的复杂度，提升房间分类的准确性。
Description
技术领域
本发明涉及服务机器人任务规划与执行的技术领域，特别是涉及一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法。
背景技术
随着智能机器人技术的快速发展，服务机器人开始从实验室环境走向家庭等现实环境，从确定性环境走向不确定性环境，从封闭环境走向开放环境，因此，服务机器人利用常识知识推断出未知的事实并进行高效的任务规划和执行成为新的研究热点。利用机器人观察到的物品判断机器人所在房间的类型是机器人有效利用常识知识的基础。
1、构建和利用知识库是提升机器人智能的重要方向。其中，常识知识(commonsense)是指基于对形势和事实的直觉作出明智和稳妥的判断。MIT的OMCS(open mindcommon sense)项目的目标是从Web上的广大贡献者中构建和利用大型常识性知识库。而OMICS(open mindindoor common sense)同样通过web进行知识收集，但是致力于室内知识，以期获得更加集中的知识内容。这种通过web收集的语义常识具有很多的不确定性。
2、马尔可夫逻辑网是一种全新的统计关系学习模型，在众多领域都有重要的作用。它将马尔可夫网络和一阶逻辑相结合，被认为是一种较完美地结合一阶谓词逻辑和概率图模型的复杂性和不确定性问题表示和处理方法，具有十分重要的研究价值和广阔的应用前景。
发明内容
为了解决以上问题，本发明提供一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，利用该方法可以有效降低推理网络的复杂度，提升推理网络的准确性，为达此目的，本发明提供一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，具体步骤如下：
步骤一、查询常识知识库获取每种物品在各类型的房间中出现的概率；
步骤二、判断每种物品是否和某种类型的房间具有显著相关性关系；
步骤三、利用具有显著相关性关系的物品和房间类型构建一阶逻辑，以物品出现在该类型房间的概率计算该一阶逻辑的参数，构建逻辑推理网络。
作为本发明进一步改进，步骤一中常识知识库在通过互联网收集物品在各类型房间出现的常识时，一个合法的用户输入包括一种物品和其所在房间。采用古典概率模型计算每种物品出现在房间的概率。对于物品O，统计用户提交总数NO，统计该物品在房间类型R中的提交总数NO,R，则物品O出现在房间R的概率PO,R的大小由公式(1)计算。机器人通过查询和计算获得每种物品在各种房间中的概率，剔除0值后得到概率分布。
作为本发明进一步改进，步骤二中机器人判断每种物品和各房间类型是否具有显著性相关关系，其判断规则如下：
A、如果一种物品只在一个类型的房间中出现，则该物品和该房间类型具有显著相关关系；
B、如果一种物品在多个房间类型中出现，假设该物品在这些房间中的分布为均匀分布，对该假设进行假设验证，如果假设不成立，则该物品和出现概率高于阀值的房间具有显著相关关系。假设某种物品在各种房间类型的概率分布为其中Po,i代表物品O在房间i的概率，则该分布的均值由公式(2)计算，方差δ由公式(3)计算，阀值P由公式(4)计算。
作为本发明进一步改进，步骤二中利用具有显著相关性关系的物品和房间类型构建逻辑推理网络，其中，以物品和房间为参数，以物品在房间出现为前提，以该房间为对应房间类型为结果构建一阶逻辑，同时使用该物品出现在房间的概率作为该一阶逻辑的权重参数，利用上述所得构建逻辑推理网络。
本发明提供了一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，属于服务机器人任务规划与执行的技术领域。本发明的方法主要包括：步骤1，查询常识知识库获取各种物品在各种类型房间中的出现概率；步骤2，判断每种物品与各种房间类型之间是否存在显著性相关关系；步骤3，将具有显著性相关关系的物品和房间类型生成一阶逻辑，利用原概率计算该一阶逻辑的参数，构成推理网络。本发明机器人根据室内物品推理房间类型的推理网络的构建方法，综合考虑了常识知识与室内环境的差异性和常识知识的通用性以及推理网络的复杂程度，提出的发明可以有效的减小推理网络的复杂度，提升房间分类的准确性。
附图说明
图1为本发明一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，该方法从常识知识库的用户提交中筛选出具有显著相关关系的物品和房间，构建由物品推理房间类型的一阶逻辑，并计算权重参数，构建推理网络。利用该方法可以有效降低推理网络的复杂度，提升推理网络的准确性。
本发明提供一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，其流程如图1所示。方法首先向常识知识库查询物品在各种类型房间中出现的概率，然后假设该概率分布满足均匀分布，进行假设验证，如果假设不满足，则认为该物品的分布与房间类型有相关关系，将存在显著相关关系的物品和房间类型生成一阶逻辑，并计算其参数，构建推理网络。下面结合图1与一种具体实现方式加以说明。
本发明方法向常识库查询所有的物品的在各种类型房间的分布，判断物品和房间类型是否具有显著相关关系，并据此创建推理网络。这里给出一种假设检验方法以及利用本发明构建马尔科夫逻辑网的算法。具体的算法流程见表1。该算法的输入是一个常识知识库(CSD)，输出为一个马尔科夫逻辑网。对于常识知识库里的每一种物品类型object，查询该object在所有房间类型的分布∑(Ri，Pi)，其中Ri为房间类型，Pi为对应的概率。计算该分布的均值和方差δ，对于该分布中所有满足值，则对应的房间类型Ri和物品类object有显著相关关系，将该物品类object和房间类型Ri加入马尔科夫逻辑网的Domain的类型Types中，将物品类型object的实例(individuals)加入对应的Domain中。将该物品类型object和房间类型Ri加入一元谓词集Predicates中，然后创建根据object推理房间类型Ri的规则formula，即通过谓词object指定物品种类，Room指定房间，谓词LocateAt指定关系，作为推理前提，Ri指定房间类型作为结果。然后计算该formula的权重wi，生成有序对<wi,formula>并加入Formulas中。最终，将Domain，Predicates，Formulas合成一个马尔可夫逻辑网。
表1：构建方法的一种具体算法实现
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (4)
1.一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，具体步骤如下，其特征在于：
步骤一、查询常识知识库获取每种物品在各类型的房间中出现的概率；
步骤二、判断每种物品是否和某种类型的房间具有显著相关性关系；
步骤三、利用具有显著相关性关系的物品和房间类型构建一阶逻辑，以物品出现在该类型房间的概率计算该一阶逻辑的参数，构建逻辑推理网络。
2.根据权利要求1所述的一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，其特征在于：步骤一中常识知识库在通过互联网收集物品在各类型房间出现的常识时，一个合法的用户输入包括一种物品和其所在房间。采用古典概率模型计算每种物品出现在房间的概率，对于物品O，统计用户提交总数NO，统计该物品在房间类型R中的提交总数NO,R，则物品O出现在房间R的概率PO,R的大小由公式(1)计算。机器人通过查询和计算获得每种物品在各种房间中的概率，剔除0值后得到概率分布；
3.根据权利要求1所述的一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，其特征在于：步骤二中机器人判断每种物品和各房间类型是否具有显著性相关关系，其判断规则如下：
A、如果一种物品只在一个类型的房间中出现，则该物品和该房间类型具有显著相关关系；
B、如果一种物品在多个房间类型中出现，假设该物品在这些房间中的分布为均匀分布，对该假设进行假设验证，如果假设不成立，则该物品和出现概率高于阀值的房间具有显著相关关系。假设某种物品在各种房间类型的概率分布为其中Po,i代表物品O在房间i的概率，则该分布的均值由公式(2)计算，方差δ由公式(3)计算，阀值P由公式(4)计算。
4.根据权利要求1所述的一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法，其特征在于：步骤二中利用具有显著相关性关系的物品和房间类型构建逻辑推理网络，其中，以物品和房间为参数，以物品在房间出现为前提，以该房间为对应房间类型为结果构建一阶逻辑，同时使用该物品出现在房间的概率作为该一阶逻辑的权重参数，利用上述所得构建逻辑推理网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090552.9A CN109783652B (zh) | 2019-01-30 | 2019-01-30 | 一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910090552.9A CN109783652B (zh) | 2019-01-30 | 2019-01-30 | 一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109783652A true CN109783652A (zh) | 2019-05-21 |
| CN109783652B CN109783652B (zh) | 2023-01-17 |
Family
ID=66503668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910090552.9A Active CN109783652B (zh) | 2019-01-30 | 2019-01-30 | 一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109783652B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794209A (zh) * | 2015-04-24 | 2015-07-22 | 清华大学 | 基于马尔科夫逻辑网络的中文微博情绪分类方法及系统 |
| CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
| CN108595548A (zh) * | 2018-04-09 | 2018-09-28 | 南京网感至察信息科技有限公司 | 一种基于马尔可夫逻辑网络的案件裁判结果预测方法 |
-
2019
- 2019-01-30 CN CN201910090552.9A patent/CN109783652B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794209A (zh) * | 2015-04-24 | 2015-07-22 | 清华大学 | 基于马尔科夫逻辑网络的中文微博情绪分类方法及系统 |
| CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
| CN108595548A (zh) * | 2018-04-09 | 2018-09-28 | 南京网感至察信息科技有限公司 | 一种基于马尔可夫逻辑网络的案件裁判结果预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| K.S. GAYATHRI等: "Composite Activity Recognition in Smart Homes Using Markov Logic Network", 《 2015 IEEE 12TH INTL CONF ON UBIQUITOUS INTELLIGENCE AND COMPUTING AND 2015 IEEE 12TH INTL CONF ON AUTONOMIC AND TRUSTED COMPUTING AND 2015 IEEE 15TH INTL CONF ON SCALABLE COMPUTING AND COMMUNICATIONS AND ITS ASSOCIATED WORKSHOP》 * |
| MORITZ TENORTH等: "KNOWROB — Knowledge Processing for Autonomous Personal Robots", 《THE 2009 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
| 于凤等: "领域知识学习中的马尔可夫逻辑网应用研究", 《计算机工程与应用》 * |
| 田国会等: "一种家庭服务机器人的环境语义认知机制", 《华中科技大学学报（自然科学版）》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109783652B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rotnitzky et al. | Efficient adjustment sets for population average causal treatment effect estimation in graphical models | |
| Pfeiffer III et al. | Attributed graph models: Modeling network structure with correlated attributes | |
| Tang et al. | Distributed robust synchronization of dynamical networks with stochastic coupling | |
| Chen et al. | Improving Bayesian network structure learning with mutual information-based node ordering in the K2 algorithm | |
| Yang et al. | A time efficient approach for detecting errors in big sensor data on cloud | |
| Liu et al. | Belief propagation for structured decision making | |
| Durak et al. | Degree relations of triangles in real-world networks and graph models | |
| Mir et al. | A differentially private estimator for the stochastic kronecker graph model | |
| CN106657038A (zh) | 一种基于对称度Sketch的网络流量异常检测与定位方法 | |
| CN107609469B (zh) | 社会网络关联用户挖掘方法及系统 | |
| CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
| Dash et al. | Exact model averaging with naive Bayesian classifiers | |
| Chattopadhyay et al. | Change‐point analysis through integer‐valued autoregressive process with application to some COVID‐19 data | |
| Zhang et al. | A many‐objective integrated evolutionary algorithm for feature selection in anomaly detection | |
| Farhadi et al. | Teamfinder: A co-clustering based framework for finding an effective team of experts in social networks | |
| CN105897774A (zh) | 一种基于机器学习的网络用户安全状态评估方法 | |
| Yu et al. | A genetic programming approach to distributed QoS-aware web service composition | |
| CN109783652A (zh) | 一种机器人利用常识根据室内物品推理房间类型的推理网络的构建方法 | |
| CN109242294A (zh) | 改进模糊神经网络的电力通信性能预警方法及装置 | |
| Rantanen et al. | Maximal ancestral graph structure learning via exact search | |
| Chadokar et al. | Optimizing network traffic by generating association rules using hybrid apriori-genetic algorithm | |
| CN106789163A (zh) | 一种网络设备用电信息监测方法、装置和系统 | |
| Mao et al. | Complex Event Processing on uncertain data streams in product manufacturing process | |
| Liu et al. | Estimating the optimal number of communities by cluster analysis | |
| Obradovic et al. | Optimal unbiased estimates of P {X< Y} for some families of distributions |
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 |