CN110532320A - 基于区块链的训练数据管理方法及装置 - Google Patents
基于区块链的训练数据管理方法及装置 Download PDFInfo
- Publication number
- CN110532320A CN110532320A CN201910707631.XA CN201910707631A CN110532320A CN 110532320 A CN110532320 A CN 110532320A CN 201910707631 A CN201910707631 A CN 201910707631A CN 110532320 A CN110532320 A CN 110532320A
- Authority
- CN
- China
- Prior art keywords
- training data
- block chain
- intelligent robot
- data
- candidate
- 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
Classifications
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Manipulator (AREA)
Abstract
本说明书实施例提供了一种基于区块链的训练数据管理方法及装置,方法包括:获取候选训练数据;调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量;在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。本说明书实施例的技术方案,可更为有效的避免智能机器人根据质量较差的训练数据自主学习。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种基于区块链的训练数据管理方法及装置。
背景技术
随着人工智能技术的快速发展,具有自主学习能力的智能机器人不断产生,智能机器人可根据向其提供的训练数据自主学习,从而提升其完成特定任务的效率,或者增加其完成特定任务的能力。
如果训练数据本身质量较差,或者训练数据被入侵者恶意更改而质量较差,智能机器人根据质量较差的训练数据自主学习之后,可能无法较好的完成特定任务,甚至增加智能机器人发生其它问题的风险。
有鉴于此,希望能有一种改进的方案,更为有效的避免智能机器人根据质量较差的训练数据自主学习。
发明内容
基于上述问题,本说明书一个或多个实施例提供了一种基于区块链的训练数据管理方法及装置,可更为有效的避免智能机器人根据质量较差的训练数据自主学习。
第一方面,提供了一种基于区块链的训练数据管理方法,该方法包括:
获取候选训练数据;
调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量;
在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;
响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。
在一种可能的实施方式中,
所述获取候选训练数据,包括:
通过第一数据采集终端,采集人物对象在设定时间段内执行特定任务时所对应的环境数据;
通过第二数据采集终端,采集所述人物对象在所述设定时间段内执行特定任务时所对应的响应数据;
将所述设定时间段内采集的所述环境数据及所述响应数据组合,得到候选训练数据。
在一种可能的实施方式中,
所述环境数据包括:目标物在设定时间段内的第一运动轨迹,以及所述第一运动轨迹中至少一个第一轨迹点分别对应的第一采样时刻;
所述响应数据包括:所述人物对象的多个观测部位在所述设定时间段内的第二运动轨迹,以及每个所述第二运动轨迹中至少一个第二轨迹点分别对应的第二采样时刻。
在一种可能的实施方式中,
所述方法还包括:
在响应结果满足预设质量要求的情况下,根据所述候选训练数据形成至少一个新的候选训练数据。
在一种可能的实施方式中,
所述响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:在区块链中存储的训练数据的当前数量达到预设数量的情况下,触发所述智能机器人根据区块链中存储的训练数据自主学习。
在一种可能的实施方式中,
所述触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:触发所述智能机器人读取区块链中存储的训练数据、根据读取的训练数据自主学习。
在一种可能的实施方式中,
所述触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:读取区块链中存储的训练数据,将读取的训练数据提供给智能机器人,使得智能机器人根据向其提供的训练数据自主学习。
第二方面,提供了一种基于区块链的训练数据管理装置,该装置包括:
数据获取模块,配置为获取候选训练数据;
机器人调控模块,配置为调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量;
存储处理模块,配置为在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;
条件触发模块,配置为响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。
第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行如第一方面中任一项所述的方法。
第四方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现如第一方面中任一项所述的方法。
通过本说明书一个或多个实施例提供的一种基于区块链的训练数据管理方法及装置,可在获取到可能用于智能机器人自主学习的候选训练数据之后,调控智能机器人在候选训练数据指示的特定环境中、以该候选训练数据指示的响应方式进行响应,即调控智能机器人对该候选训练数据指示的特定环境及响应方式进行回放,从而得到能够指示候选训练数据的质量的响应结果;在响应结果满足预设质量要求的情况下,即在该响应结果对应的候选训练数据质量较高的情况下,才将候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链,利用区块链中存储的质量较高的训练数据具有不可篡改的特点,避免入侵者对质量较高的训练数据进行恶意更改;相应的,后续可通过响应于触发条件,触发智能机器人根据区块链中存储的训练数据自主学习。如此,可确保智能机器人自主学习时使用的训练数据具有较高质量,更为有效的避免智能机器人根据质量较差的训练数据自主学习。
附图说明
图1示出了本说明书实施例提供的一种基于区块链的训练数据管理方法、装置所适用的一种应用场景示意图;
图2示出了本说明书实施例提供的一种基于区块链的训练数据管理方法的流程示意图;
图3示出了本说明书实施例提供的另一种基于区块链的训练数据管理方法的流程示意图;
图4示出了本说明书实施例提供的一种基于区块链的训练数据管理装置的结构示意图;
图5示出了本说明书实施例提供的另一种基于区块链的训练数据管理装置的结构示意图。
具体实施方式
用于智能机器人自主学习的训练数据,通常需要能够指示智能机器人执行特定任务时可能存在的特定环境,以及能够指示智能机器人在特定环境下执行特定任务时可能存在的响应方式。
对于因数据采集过程中噪声过高而产生的质量较低的训练数据,可能导致根据该训练数据自主学习后的智能机器人无法较好的执行特定任务。举例来说,期望智能机器人能够具有与真实人物对象进行羽毛球对打能力,如果训练数据指示了智能机器人执行与真实人物对象进行羽毛球对打任务时,可能存在的特定环境包括“羽毛球在设定时间段以一定的运动轨迹运动”,以及指示了在该特定环境下,智能机器人可能存在的响应方式包括“一个或多个特定的部位在该设定时间段内分别以一定的运动轨迹运动”;不难理解的,如果该训练数据质量相对较低,在该训练数据指示的特定环境下,智能机器人以该训练数据指示的响应方式进行响应,智能机器人可能无法成功将羽毛球击打至符合要求的位置,智能机器人根据该训练数据自主学习之后,可能导致智能机器人无法较好的执行与真实人物对象进行羽毛球对打的任务。
对于入侵者恶意伪造、被入侵者恶意更改的质量较低的训练数据,智能机器人根据该训练数据自主学习之后,还可能增加智能机器人发生其他问题的风险。举例来说,训练数据被入侵者恶意更改,具体如更改训练数据实际指示的响应方式,可能导致智能机器人发生自毁、对目标物进行暴力攻击等问题。
为了确保自主学习后的智能机器人能够较好的执行特定任务,以及降低智能机器人发生其他问题的风险,希望能够更为有效的避免智能机器人根据质量较差的训练数据自主学习。为此,本说明书各个实施例的基本构思是提供了一种基于区块链的训练数据管理方法及装置,可在获取到可能用于智能机器人自主学习的候选训练数据之后,调控智能机器人在候选训练数据指示的特定环境中、以该候选训练数据指示的响应方式进行响应,即调控智能机器人对该候选训练数据指示的特定环境及响应方式进行回放,从而得到能够指示候选训练数据的质量的响应结果;在响应结果满足预设质量要求的情况下,即在该响应结果对应的候选训练数据质量较高的情况下,才将候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链,利用区块链中存储的质量较高的训练数据具有不可篡改的特点,避免入侵者对质量较高的训练数据进行恶意更改;相应的,后续可通过响应于触发条件,触发智能机器人根据区块链中存储的训练数据自主学习。如此,可确保智能机器人自主学习时使用的训练数据具有较高质量,更为有效的避免智能机器人根据质量较差的训练数据自主学习。
在描述本说明书实施例的基本构思之后,下面结合附图,对本说明书所提供的各个非限制性实施例进行详细描述。
图1示出了本说明书实施例提供的一种基于区块链的训练数据管理方法及装置所适用的一种应用场景示意图。
如图1所示,该应用场景中,可以由多个区块链节点101构成区块链系统10(或者称为区块链节点网络),每个区块链节点101可以是一个或多个具有一定数据存储能力、一定计算能力的计算设备,若干个区块链节点101上可以分别存储区块链。
如图1所示,本说明书各个实施例中所述的基于区块链的训练数据管理装置40可通过软件程序的形式部署在一个区块链节点101上,或者部署在一个能够与区块链节点101进行数据交互的计算设备上,使得基于区块链的训练数据管理装置40可向区块链节点101的区块链上存储及查询数据,具体如向区块链节点101的区块链上存储用于智能机器人自主学习的训练数据。
如图1所示,基于区块链的训练数据管理装置40所依赖的计算设备可与智能机器人50通信连接,或者智能机器人也可与区块链节点101直接通信连接,或者智能机器人50本身可以作为区块链系统10中的一个区块链节点101。
图2示出了本说明书实施例提供的一种基于区块链的训练数据管理方法的流程示意图。
基于区块链的训练数据管理方法的执行主体,可以为与区块链系统中的区块链节点通信连接的、部署有基于区块链的训练数据管理装置的计算设备,或者为部署有基于区块链的训练数据管理装置的区块链节点,该方法至少可以包括如下步骤201~步骤207:
步骤201,获取候选训练数据。
需要说明的是,智能机器人可不断的自主学习,每次自主学习均需要使用大量的训练数据,即智能机器人每次自主学习之前,均需要获取大量的候选训练数据;鉴于对每个候选训练数据均需要执行包括但不限于步骤201~步骤203的处理流程,为了方便描述,本说明书各个实施例中通常以对一个候选训练数据的处理流程进行具体描述,另有明确说明的除外。
不难理解的,候选训练数据的获取方式、组织形式以及数据量,可结合智能机器人期望具有的执行特定任务的能力进行确定;特定任务包括但不限于“烹制特定菜肴”、“进行羽毛球对战”、“捡拾物品”等。
在外形及整体结构上,智能机器通常具有与真实人物对象相似的组成结构,比如,智能机器人通常也由头部、躯干及四肢等主要组成部分组成,且各组成部分之间的尺寸比例也相似于真实人物对象;相应的,在环境数据一定的情况下,智能机器人执行特定任务时具体实施的动作所对应的响应数据,与真实人物对象执行特定任务时具体实施的动作所对应的响应数据,具有较高的相似性。有鉴于此,这里考虑利用真实人物对象执行特定任务时所对应的环境数据及响应数据,作为得到用于智能机器人自主学习的训练数据的原始数据;换而言之,在一种可能的实施方式中,步骤201包括如下步骤2011~步骤2015:
步骤2011,通过第一数据采集终端,采集人物对象在设定时间段内执行特定任务时所对应的环境数据。
步骤2013,步骤通过第二数据采集终端,采集所述人物对象在所述设定时间段内执行特定任务时所对应的响应数据。
对于步骤2011以及步骤2013,可结合智能机器人期望具有的执行特定任务的能力,首先确定所需要获取的候选训练数据的组织形式,包括但不限于环境数据的组织形式以及响应数据的组织形式;然后,根据环境数据的组织形式确定用于采集环境数据的第一数据采集终端(比如一个或多个第一传感器),以及根据响应数据的组织形式确定用于采集响应数据的第二数据采集终端(比如一个或多个第二传感器);之后,即可将第一数据采集终端以及第二数据采集终端分配到相应的位置(比如将第二传感器固定到真实人物对象的手部、膝部等易于检测真实人物对象的动作的观测部位,又如将第一传感器分别部署到目标物和/或真实人物对象所在空间的指定位置),通过分配到相应位置的第一数据采集终端及第二数据采集终端具体实现上述步骤2011及步骤2013。
在一种可能的业务场景中,智能型机器人执行特定任务的过程可以包括:通过其本身配置的一个或多个传感器,采集智能机器人所在当前环境的实际环境数据,所采集实际环境数据所指示的特定环境可以包括“目标物以及智能机器人共同所在的空间中,目标物在一定时间段内的若干个采样时刻分别所处的位置”,智能机器人可根据得到的实际环境数据以相应的实际响应方式进行响应,该实际响应方式可能是针对目标物实施特定动作以达到期望的结果(比如,挥动球拍将目标物“羽毛球”拍击至指定位置),用于描述智能机器人所实施的动作的数据,即为该实际响应方式所对应的实际响应数据。
为了确保能够达到前述可能的业务场景所期望的结果(比如,挥动球拍将目标物“羽毛球”拍击至指定位置),上述步骤2011中,所采集环境数据至少应当能够描述目标物在一定时间段内的运动情况,上述步骤2013中,所采集响应数据至少应当能够描述真实人物对象所具体实施的动作;有鉴于此,在一个较为具体的示例中,所述环境数据包括:目标物在设定时间段内的第一运动轨迹,以及所述第一运动轨迹中至少一个第一轨迹点分别对应的第一采样时刻;所述响应数据包括:所述人物对象的多个观测部位在所述设定时间段内的第二运动轨迹,以及每个所述第二运动轨迹中至少一个第二轨迹点分别对应的第二采样时刻。
步骤2015,将所述设定时间段内采集的所述环境数据及所述响应数据组合,得到候选训练数据。
对于步骤201,在另一种可能的实施方式中,首先,通过对智能机器人执行特定任务时所对应的业务场景进行建模,得到与该业务场景对应的三维模型;然后,根据得到的三维模型,预测智能机器人执行特定任务时可能存在的特定环境所对应的环境数据,以及预测智能机器人在特定环境下执行特定任务时可能存在的响应方式所对应的响应数据;进一步的,可将预测的环境数据及对应预测的响应数据,组合成可能用于智能机器人自主学习的候选训练数据。
不难理解的,还可以有其它获取候选训练数据的方式,比如,接收第三方平台提供的候选训练数据。
为了方便候选训练数据在后续过程中未被作为训练数据的情况下,可对候选训练数据进行相应的逆向分析,在一种可能的实施方式中,可将步骤201获取的候选训练数据存储至区块链,比如,可能分析导致该候选训练数据质量较低的原因,且因存储在区块链中的候选训练数据不可篡改的原因,分析结果的准确性可得到保障。
步骤203,调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量。
需要说明的是,该特定环境可通过第一外部设备进行辅助提供,响应结果可以由第二外部设备检测并提供,或者响应结果由用户观测智能机器人以候选训练数据指示的响应方式进行响应之后,通过第三外部设备输入;响应结果可以包括用于指示了候选训练数据的质量的业务分值,或者包括用于指示候选训练数据是否具有较高质量的指示信息。
举例来说,候选训练数据中的环境数据,至少描述了目标物在一定时间段内的运动情况,候选训练数据中的响应数据至少描述了真实人物对象所具体实施的动作;那么,即可在通过相应的第一外部设备,调控目标物以该候选训练数据中的环境数据描述中的运动情况运动,形成环境数据所指示的特定环境,同时,调控智能机器人在该特定环境中,执行候选训练数据中响应数据描述的真实人物对象所具体实施的动作,从而实现调控智能机器人在候选训练数据指示的特定环境中、以候选训练数据指示的响应方式进行响应;之后,可通过第二外部设备检测并提供响应结果,或者由人为观测智能机器人的响应情况之后输入响应结果。
在一个较为具体的示例中,第二检测设备检测到“智能机器人在候选训练数据指示的特定环境中、以候选训练数据指示的响应方式进行响应”之后,达到期望的结果(比如,智能机器人挥动球拍将目标物“羽毛球”拍击至指定位置),可生成并提供能够指示候选训练数据的质量较高的业务分值,或者生成并提供能够指示候选训练数据具有较高质量的指示信息;反之,如果第二检测设备检测到“智能机器人在候选训练数据指示的特定环境中、以候选训练数据指示的响应方式进行响应”之后,未达到期望的结果,则可生成并提供能够指示候选训练数据的质量较低的业务分值,或者生成并提供能够指示候选训练数据具有较低质量的指示信息。
在另一个较为具体的示例中,当人为观测到“智能机器人在候选训练数据指示的特定环境中、以候选训练数据指示的响应方式进行响应”之后,达到期望的结果,可通过第三外部设备,输入能够指示候选训练数据的质量较高的业务分值,或者输入能够指示候选训练数据具有较高质量的指示信息;当人为观测到“智能机器人在候选训练数据指示的特定环境中、以候选训练数据指示的响应方式进行响应”之后,未达到期望的结果,可通过第三外部设备,输入能够指示候选训练数据的质量较地的业务分值,或者输入能够指示候选训练数据具有较低质量的指示信息。
需要说明的是,第二检测设备检测到或认为观测到“智能机器人在候选训练数据指示的特定环境中、以候选训练数据指示的响应方式进行响应”的过程中,智能机器人发生“自毁”或“对目标物(比如真实人物对象)进行暴力攻击”等其他问题,则说明候选训练数据可能是入侵者恶意伪造的,第二检测设备可生成并提供能够指示候选训练数据具有较低质量的响应结果,用户可通过第三设备输入能够指示候选训练数据具有较低质量的响应结果,避免智能机器人根据该候选训练数据自主学习。
步骤205,在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至c区块链。
比如,响应结果为业务分值时,在业务分值大于预设数值的情况下,将候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;又如,响应结果为指示信息时,在该指示信息指示了对应的候选训练数据具有较高质量的情况下,将候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链。
步骤207,响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。
在一种可能的实施方式中,步骤207具体可以包括:在区块链中存储的训练数据的当前数量达到预设数量的情况下,触发所述智能机器人根据区块链中存储的训练数据自主学习。
不难理解的,触发条件包括但不限于训练数据的当前数量需要达到预设数量,比如,触发条件还可以包括智能机器人自主学习的时间间隔达到预设周期,又如,触发条件还可以包括人为输入的触发信号。
在一个较为具体的示例中,当智能机器人为区块链系统(或区块链网络)中的一个区块链节点时,所述触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:触发所述智能机器人读取区块链中存储的训练数据、根据读取的训练数据自主学习。
在另一个较为具体的示例中,当智能机器人为与区块链节点通信连接或者与实施本发明的计算设备通信连接时,所述触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:读取区块链中存储的训练数据,将读取的训练数据提供给智能机器人,使得智能机器人根据向其提供的训练数据自主学习。
图3为本说明书实施例提供的另一种基于区块链管理训练数据的方法的流程示意图。
如图3所示,在如图2所示实施例的基础上,该方法还可以包括如下步骤301:
步骤301,在响应结果满足预设质量要求的情况下,根据所述候选训练数据形成至少一个新的候选训练数据。
由于智能机器人自主学习所需使用的训练数据的数据量通常相对较大,在响应结果满足预设质量要求的情况下,则说明与相应的训练数据差异相对较小的其他数据也可能具有较高质量,因此,可基于已经确定的具有较高质量的候选训练数据形成新的候选训练数据(比如,对候选训练数据中的某一项数据在一个相对较小的范围内对其进行更改),如此,即可减少从外部获取候选训练数据的数据量,快速获取大量候选训练数据的同时。
而且,对于利用真实人物对象执行特定任务时所对应的环境数据及响应数据,作为得到用于智能机器人自主学习的训练数据的原始数据情况,本实施例可以大量降低真实人物对象以不同的环境数据及响应数据执行特定任务的次数,提高用户体验。
不难理解的,对于形成的新的候选训练数据,再次执行前述各个步骤的处理流程即可。
图4示出了本说明书实施例提供的一种基于区块链的训练数据管理装置的结构示意图。
基于与本说明书方法实施例相同的构思,本说明书实施例还提供了一种基于区块链的训练数据管理装置40,该装置40可以通过软件程序的形式部署在一个区块链节点上,或者通过软件程序的形式部署在一个与区块链节点项链的计算设备上。如图4所示,基于区块链的训练数据管理装置40,至少可以包括:
数据获取模块401,配置为获取候选训练数据;
机器人调控模块403,配置为调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量;
存储处理模块405,配置为在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;
条件触发模块407,配置为响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。
在一种可能的实施方式中,所述数据获取模块401,包括:
第一数据采集单元,配置为通过第一数据采集终端,采集人物对象在设定时间段内执行特定任务时所对应的环境数据;
第二数据采集单元,配置为通过第二数据采集终端,采集所述人物对象在所述设定时间段内执行特定任务时所对应的响应数据;
数据组合单元,配置为将所述设定时间段内采集的所述环境数据及所述响应数据组合,得到候选训练数据。
在一种可能的实施方式中,所述环境数据包括:目标物在设定时间段内的第一运动轨迹,以及所述第一运动轨迹中至少一个第一轨迹点分别对应的第一采样时刻;所述响应数据包括:所述人物对象的多个观测部位在所述设定时间段内的第二运动轨迹,以及每个所述第二运动轨迹中至少一个第二轨迹点分别对应的第二采样时刻。
图5示出了本说明书实施例提供的另一种基于区块链的训练数据管理装置的结构示意图。
如图5所示,在一种可能的实施方式中,所述装置40还包括:
数据更新模块409,配置为在响应结果满足预设质量要求的情况下,根据所述候选训练数据形成至少一个新的候选训练数据。
在一种可能的实施方式中,所述条件触发模块407,配置为在区块链中存储的训练数据的当前数量达到预设数量的情况下,触发所述智能机器人根据区块链中存储的训练数据自主学习。
在一种可能的实施方式中,所述条件触发模块407,具体配置为触发所述智能机器人读取区块链中存储的训练数据、根据读取的训练数据自主学习。
在一种可能的实施方式中,所述条件触发模块407,具体配置为读取区块链中存储的训练数据,将读取的训练数据提供给智能机器人,使得智能机器人根据向其提供的训练数据自主学习。
上述各个实施例中提供的基于区块链的训练数据管理装置还可以由任何具有计算、处理能力的软件、硬件或其组合来实现。
本说明书还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现说明中任意一个实施例描述的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本说明书所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能所对应的计算机程序存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令/代码进行传输,以便这些功能所对应的计算机程序被计算机执行时,通过计算机实现本发明任意一个实施例中所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同、相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于用于文本分类的神经网络及文本分类装置所对应的各个实施例而言,其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于区块链的训练数据管理方法,所述方法包括:
获取候选训练数据;
调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量;
在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;
响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。
2.根据权利要求1所述的方法,其中,
所述获取候选训练数据,包括:
通过第一数据采集终端,采集人物对象在设定时间段内执行特定任务时所对应的环境数据;
通过第二数据采集终端,采集所述人物对象在所述设定时间段内执行特定任务时所对应的响应数据;
将所述设定时间段内采集的所述环境数据及所述响应数据组合,得到候选训练数据。
3.根据权利要求2所述的方法,其中,
所述环境数据包括:目标物在设定时间段内的第一运动轨迹,以及所述第一运动轨迹中至少一个第一轨迹点分别对应的第一采样时刻;
所述响应数据包括:所述人物对象的多个观测部位在所述设定时间段内的第二运动轨迹,以及每个所述第二运动轨迹中至少一个第二轨迹点分别对应的第二采样时刻。
4.根据权利要求1所述的方法,其中,
所述方法还包括:
在响应结果满足预设质量要求的情况下,根据所述候选训练数据形成至少一个新的候选训练数据。
5.根据权利要求1至4中任一所述的方法,其中,
所述响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:在区块链中存储的训练数据的当前数量达到预设数量的情况下,触发所述智能机器人根据区块链中存储的训练数据自主学习。
6.根据权利要求5所述的方法,其中,
所述触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:触发所述智能机器人读取区块链中存储的训练数据、根据读取的训练数据自主学习。
7.根据权利要求5所述的方法,其中,
所述触发所述智能机器人根据区块链中存储的训练数据自主学习,包括:读取区块链中存储的训练数据,将读取的训练数据提供给智能机器人,使得智能机器人根据向其提供的训练数据自主学习。
8.一种基于区块链的训练数据管理装置,所述装置包括:
数据获取模块,配置为获取候选训练数据;
机器人调控模块,配置为调控智能机器人在所述候选训练数据指示的特定环境中、以所述候选训练数据指示的响应方式进行响应,并获取对应的响应结果,该响应结果指示了所述候选训练数据的质量;
存储处理模块,配置为在响应结果满足预设质量要求的情况下,将所述候选训练数据作为用于智能机器人自主学习的训练数据存储至区块链;
条件触发模块,配置为响应于触发条件,触发所述智能机器人根据区块链中存储的训练数据自主学习。
9.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1至7中任一项所述的方法。
10.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707631.XA CN110532320B (zh) | 2019-08-01 | 2019-08-01 | 基于区块链的训练数据管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707631.XA CN110532320B (zh) | 2019-08-01 | 2019-08-01 | 基于区块链的训练数据管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532320A true CN110532320A (zh) | 2019-12-03 |
CN110532320B CN110532320B (zh) | 2023-06-27 |
Family
ID=68662028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707631.XA Active CN110532320B (zh) | 2019-08-01 | 2019-08-01 | 基于区块链的训练数据管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532320B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317894A (zh) * | 2014-10-23 | 2015-01-28 | 北京百度网讯科技有限公司 | 样本标注的确定方法和装置 |
CN104702666A (zh) * | 2015-01-30 | 2015-06-10 | 北京邮电大学 | 用户体验质量确定方法及系统 |
CN107092926A (zh) * | 2017-03-30 | 2017-08-25 | 哈尔滨工程大学 | 基于深度学习的服务机器人物体识别算法 |
CN107239790A (zh) * | 2017-05-10 | 2017-10-10 | 哈尔滨工程大学 | 一种基于深度学习的服务机器人目标检测与定位方法 |
US20180018590A1 (en) * | 2016-07-18 | 2018-01-18 | NantOmics, Inc. | Distributed Machine Learning Systems, Apparatus, and Methods |
CN108323200A (zh) * | 2018-01-25 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 基于区块链的数据训练方法、装置、存储介质及区块链节点 |
CN108734296A (zh) * | 2017-04-21 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 优化监督学习的训练数据的方法、装置、电子设备和介质 |
CN108898219A (zh) * | 2018-06-07 | 2018-11-27 | 广东工业大学 | 一种基于区块链的神经网络训练方法、装置及介质 |
CN109190769A (zh) * | 2018-08-21 | 2019-01-11 | 甲骨文科技时代(深圳)有限公司 | 一种基于区块链的人工智能训练方法 |
CN109472699A (zh) * | 2018-11-05 | 2019-03-15 | 陕西优米数据技术有限公司 | 区块链基础上的自动化人工智能数据共享方法及装置 |
CN109493216A (zh) * | 2018-09-30 | 2019-03-19 | 北京小米移动软件有限公司 | 模型训练方法、装置、系统及存储介质 |
CN109657008A (zh) * | 2018-12-18 | 2019-04-19 | 北京工业大学 | 基于Spark和区块链的数据处理系统 |
CN109760050A (zh) * | 2019-01-12 | 2019-05-17 | 鲁班嫡系机器人(深圳)有限公司 | 机器人行为训练方法、装置、系统、存储介质及设备 |
CN109922155A (zh) * | 2019-03-18 | 2019-06-21 | 众安信息技术服务有限公司 | 在区块链网络中实现智能代理的方法及装置 |
-
2019
- 2019-08-01 CN CN201910707631.XA patent/CN110532320B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317894A (zh) * | 2014-10-23 | 2015-01-28 | 北京百度网讯科技有限公司 | 样本标注的确定方法和装置 |
CN104702666A (zh) * | 2015-01-30 | 2015-06-10 | 北京邮电大学 | 用户体验质量确定方法及系统 |
US20180018590A1 (en) * | 2016-07-18 | 2018-01-18 | NantOmics, Inc. | Distributed Machine Learning Systems, Apparatus, and Methods |
CN107092926A (zh) * | 2017-03-30 | 2017-08-25 | 哈尔滨工程大学 | 基于深度学习的服务机器人物体识别算法 |
CN108734296A (zh) * | 2017-04-21 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 优化监督学习的训练数据的方法、装置、电子设备和介质 |
CN107239790A (zh) * | 2017-05-10 | 2017-10-10 | 哈尔滨工程大学 | 一种基于深度学习的服务机器人目标检测与定位方法 |
CN108323200A (zh) * | 2018-01-25 | 2018-07-24 | 深圳前海达闼云端智能科技有限公司 | 基于区块链的数据训练方法、装置、存储介质及区块链节点 |
CN108898219A (zh) * | 2018-06-07 | 2018-11-27 | 广东工业大学 | 一种基于区块链的神经网络训练方法、装置及介质 |
CN109190769A (zh) * | 2018-08-21 | 2019-01-11 | 甲骨文科技时代(深圳)有限公司 | 一种基于区块链的人工智能训练方法 |
CN109493216A (zh) * | 2018-09-30 | 2019-03-19 | 北京小米移动软件有限公司 | 模型训练方法、装置、系统及存储介质 |
CN109472699A (zh) * | 2018-11-05 | 2019-03-15 | 陕西优米数据技术有限公司 | 区块链基础上的自动化人工智能数据共享方法及装置 |
CN109657008A (zh) * | 2018-12-18 | 2019-04-19 | 北京工业大学 | 基于Spark和区块链的数据处理系统 |
CN109760050A (zh) * | 2019-01-12 | 2019-05-17 | 鲁班嫡系机器人(深圳)有限公司 | 机器人行为训练方法、装置、系统、存储介质及设备 |
CN109922155A (zh) * | 2019-03-18 | 2019-06-21 | 众安信息技术服务有限公司 | 在区块链网络中实现智能代理的方法及装置 |
Non-Patent Citations (2)
Title |
---|
HONGYI LIU 等: "Deep Learning-based Multimodal Control Interface for Human-Robot Collaboration", 《PROCEDIA CIRP》 * |
朱红蕾 等: "人体行为识别数据集研究进展", 《自动化学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110532320B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110300542A (zh) | 使用可穿戴的自动传感器预测肌肉骨骼位置信息的方法和装置 | |
CN103093453B (zh) | 计算可改变实体的姿势和/或形状 | |
CN107030691A (zh) | 一种看护机器人的数据处理方法及装置 | |
CN109847366A (zh) | 用于游戏的数据处理方法和装置 | |
CN110532874B (zh) | 一种物体属性识别模型的生成方法、存储介质及电子设备 | |
CN110339569B (zh) | 控制游戏场景中虚拟角色的方法及装置 | |
CN103827891A (zh) | 使用全球生成的多维姿势数据检测身体运动的系统和方法 | |
Seidl et al. | Bhostgusters: Realtime interactive play sketching with synthesized nba defenses | |
CN110152290A (zh) | 游戏运行方法和装置、存储介质及电子装置 | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
KR102089002B1 (ko) | 행동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법 | |
CN110478883A (zh) | 一种健身动作教学及矫正系统及方法 | |
US9384448B2 (en) | Action-based models to identify learned tasks | |
Barrett et al. | Learning teammate models for ad hoc teamwork | |
CN106874874A (zh) | 一种运动状态的识别方法及装置 | |
Lee et al. | Learning a Super Mario controller from examples of human play | |
Mirsky et al. | A survey of ad hoc teamwork: Definitions, methods, and open problems | |
O'Dowd et al. | The distributed co-evolution of an embodied simulator and controller for swarm robot behaviours | |
CN112884868B (zh) | 三维网格顶点特征确定方法、骨骼蒙皮方法及相关装置 | |
Andersen et al. | The dreaming variational autoencoder for reinforcement learning environments | |
Rigoli et al. | Employing models of human social motor behavior for artificial agent trainers | |
CN110532838A (zh) | 对象检测装置和方法及存储介质 | |
KR20210054349A (ko) | 환자의 상지 동작에 의해 도출되는 특징값을 이용한 임상평가척도 예측 방법 | |
CN107644201B (zh) | 一种基于随机森林的骨架线提取方法及其装置 | |
CN109407826A (zh) | 球类运动模拟方法、装置、存储介质及电子设备 |
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 |