CN111737492A - 一种基于知识图谱技术的自主机器人任务规划方法 - Google Patents

一种基于知识图谱技术的自主机器人任务规划方法 Download PDF

Info

Publication number
CN111737492A
CN111737492A CN202010576981.XA CN202010576981A CN111737492A CN 111737492 A CN111737492 A CN 111737492A CN 202010576981 A CN202010576981 A CN 202010576981A CN 111737492 A CN111737492 A CN 111737492A
Authority
CN
China
Prior art keywords
knowledge
entity
handle
node
test
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
Application number
CN202010576981.XA
Other languages
English (en)
Other versions
CN111737492B (zh
Inventor
张晓明
梅涛
付雄新
张兴义
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.)
Anhui University
Peng Cheng Laboratory
Original Assignee
Anhui University
Peng Cheng Laboratory
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 Anhui University, Peng Cheng Laboratory filed Critical Anhui University
Priority to CN202010576981.XA priority Critical patent/CN111737492B/zh
Publication of CN111737492A publication Critical patent/CN111737492A/zh
Application granted granted Critical
Publication of CN111737492B publication Critical patent/CN111737492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Manipulator (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于知识图谱技术的自主机器人任务规划方法，与现有技术相比解决了难以针对自主机器人进行任务规划的缺陷。本发明包括以下步骤：构建自主机器人任务知识库；构建基于优先级权重的知识图谱；构建基于图搜索的任务规划方法。本发明基于图结构的专业知识表示和组织模式来降低规划问题复杂度从而进行自主机器人的任务规划，利用知识图谱对问题强表达能力的特点，来解决特殊工作场景下机器人协同作业规划问题。

Description

一种基于知识图谱技术的自主机器人任务规划方法
技术领域
本发明涉及机器人智能控制技术领域，具体来说是一种基于知识图谱技术的自主机器人任务规划方法。
背景技术
任务规划是机器人领域的重要研究方向之一，自主机器人任务规划是通过任务规划方法，将复杂任务分解成若干个机器人可以直接执行的原子任务，并生成机器人可执行的操作序列。
自主机器人执行作业任务时，所涉及的作业信息和任务内容具有多样性、层次性和关联性，这大大增加了其自主完成各类作业任务的难度，需要使用一种有效的建模方法来对机器人作业任务规划控制过程进行建模，并且需要有效的规划方法进行规划。并且，当前大部分机器人任务规划方法存在可扩展性差、重规划效率低等不足，需要进行不断地优化和改进，机器人自动规划能力有待提高。
发明内容
本发明的目的是为了解决现有技术中难以针对自主机器人进行任务规划的缺陷，提供一种基于知识图谱技术的自主机器人任务规划方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于知识图谱技术的自主机器人任务规划方法，包括以下步骤：
11)构建自主机器人任务知识库：围绕自主机器人作业的需求分析，结合自主机器人工作原理和作业流程，收集和整理自主机器人任务知识，确定其全部原子任务实体知识，包括原子任务名称和属性并明确不同原子任务之间的关系；构建基于优先级权重的实体三元组知识表示方法，将任务知识按照实体三元组知识表示方法进行表示，并存储在非关系型数据库中，形成自主机器人任务知识库；
12)构建基于优先级权重的知识图谱：基于实体三元组知识表示方法在具体知识录入或导入中进行实体链接，通过构建领域本体和启发式编辑模式，进行实体消歧和共指消解，最终将任务知识存储到知识库中；采用前序扩展和后序扩展相结合的知识图谱构建方式，通过实体关系的关联，并行让不同的任务知识实体进行连接，快速构建任务知识图谱；
13)构建基于图搜索的任务规划方法：利用权重排序的双向深度优先图搜索算法，构建知识图谱更新机制和任务规划方案动态响应策略，设计和优化图搜索算法和遍历操作，针对自主机器人任务规划知识图谱的特点，构建基于权重排序的双向深度优先图搜索算法，高效生成任务规划方案。
所述构建自主机器人任务知识库包括以下步骤：
21)基于自主机器人工作原理数据，将自主机器人的任务作业功能从大到小进行逐级划分，构建自主机器人树状概念模型；从树状概念模型的叶子节点提取自主机器人原子任务知识实体集合E＝{e1,e2,...e|E|}，原子任务知识实体集合包括必要的属性信息；
22)基于自主机器人作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合R＝{riji,j分别为不同实体,i≠j}，并为关系赋予默认关系权重W＝{wiji,j分别为具有关系的不同实体,i≠j}；设计关系权重根据自主机器人作业案例的增加而自动变化，变化的依据是作业时使用过该时序关系的案例被用户评价为优秀的次数，时序关系包括必要的属性信息；
23)以某个知识实体为主体，选择并加入该实体的一个前序关系，该前序关系关联的一个实体作为前序实体；主体实体为作业初始知识时，其前序实体设定为空；
24)以某个知识实体为主体，选择并加入该实体的一个后序关系，该后序关系关联的一个实体作为后序实体；主体实体为作业结束知识时，其后序实体设定为空；
25)根据步骤23)和步骤24)的操作，形成基于关系权重的实体三元组知识l＝(e前序,e,e后序，r,w前序,w后序)，以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
26)重复上述步骤21)至步骤25)，直到所有实体、关系及其组合都包含在已有的基于关系权重的实体三元组知识集合L中。
所述构建基于优先级权重的知识图谱包括以下步骤：
31)进行前序扩展：任一选取一个知识实体作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体，将前序关系的数量作为该节点的入度，并绘制入度数量的输入连线，每条连线代表一个前序关系并标注相应的关系权重，将对应的前序知识实体作为连线的端点；
32)进行后序扩展：遍历上述实体具有的全部后序关系，将后序关系的数量作为该节点的出度，并绘制出度数量的输出连线，每条连线代表一个后序关系并标注相应的关系权重，将对应的后序知识实体作为连线的端点；
33)对所有的前序知识实体逐一进行前序扩展，直到所有知识实体都不存在未扩展的前序知识实体；
34)对所有的后序知识实体逐一进行后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
35)前序扩展和后序扩展完成后，形成基于优先级权重的自主机器人任务规划知识图谱。
所述构建基于图搜索的任务规划方法包括以下步骤：
41)设定基于优先级权重的自主机器人任务规划知识图谱构建任务规划问题模型：P＝(n,s0,st,m,l)，
其中n为任务规划知识图谱包含的任务网络，s0为n上的自主机器人任务规划的初始知识节点，st为n上的自主机器人任务规划的终止知识节点，m为基于权重排序的双向深度优先图搜索算法，l为自主机器人任务知识库；
42)设定权重排序的双向深度优先图搜索算法m＝(s0,st,a),a为基于权重的深度优先遍历算法；
43)设定权重排序的双向深度优先图搜索算法m，同时从s0和st开始进行双向图搜索，将获得的s0到st可达路径作为自主机器人任务规划方案；
其中，搜索过程为：每个节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
其中双向为：指从起始节点s0按照上述搜索规则，往目标节点扩展；同时从目标节点st按照上述搜索规则，往起始节点扩展；如果二者同时扩展到同一个节点，则算法终止；如果这同一个节点不是起始节点也不是终止节点，则以该节点为枢纽节点，连接目标节点方向已扩展节点和起始节点方向已扩展节点，形成可达路径；否则，必然形成了两条可达路径或两条路径重合，选择加权和最小的作为目标方案。
所述的自主机器人为自主作业插秧机，自主作业插秧机的任务是在田地进行自主插秧作业，自主作业插秧机的任务规划方法如下：
51)依据自主作业插秧机作业流程，进行自主作业插秧机任务规划，依次为启动发动机任务、插秧部试运转任务、田间作业任务，任务之间共享数据信息，并设定任务规划初始状态且规划期间定期反馈状态信息；
52)选定自主作业插秧机作业中的“插秧部试运转”环节，进行“插秧离合器手柄向后拉至‘上’位置”到“插秧离合器手柄至‘插植’位置”阶段的任务规划；
53)基于自主作业插秧机作业逻辑数据，将自主作业插秧机的作业任务节点进行逐级划分，构建自主作业插秧机作业树状概念模型；
从树状概念模型的叶子节点提取自主机器人在步骤52)所述作业阶段的原子任务知识实体集合
E＝{插秧离合器手柄向后拉至“上”位置，油压锁定手柄测试1，油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，副变速手柄测试，插秧离合器手柄测试1，插秧离合器手柄测试2，插秧离合器手柄至“插植”位置}；
54)基于自主作业插秧机作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合，并为关系赋予默认关系权重；
以“油压锁定手柄测试1”知识实体为主体，选择并加入该实体的一个前序关系“DO_NEXT_ACTION”，该前序关系关联的一个实体作为前序实体“插秧离合器手柄向后拉至‘上’位置”；主体实体为“插秧离合器手柄向后拉至‘上’位置”时，其前序实体设定为“null”；以“油压锁定手柄测试1”知识实体为主体，选择并加入该实体的一个后序关系“DO_NEXT_ACTION”，该后序关系关联的一个实体“油压锁定手柄拉至‘关’的位置”作为后序实体；主体实体为“插秧离合器手柄至‘插植’位置”时，其后序实体设定为“null”；
55)重复步骤54)的操作，形成基于关系权重的实体三元组知识集合：
L＝{(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试1，DO_NEXT_ACTION，null，2)；
(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试2，DO_NEXT_ACTION，null，2)；
(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，null，1)；
(插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，2，1)；
(插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，2，1)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION，1，2)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION，1，2)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION,1，2)；
(油压锁定手柄拉至“关”的位置，副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，1)；
(油压锁定手柄拉至“关”的位置，副变速手柄测试，副变速手柄置于“中立”位置，DO_NEXT_ACTION,2，1)；
(油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，插秧离合器手柄测试2，DO_NEXT_ACTION,2，1)；
(副变速手柄测试，副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，1)；
(副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，null，DO_NEXT_ACTION,1，null)；
(插秧离合器手柄测试1，插秧离合器手柄测试2，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，2)；
(插秧离合器手柄测试2，插秧离合器手柄置于“插植”位置，null，DO_NEXT_ACTION,2，null)}；
L以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
56)构建任务知识图谱：任意选取一个知识实体“油压锁定手柄测试1”，作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体“插秧离合器手柄向后拉至‘上’位置”，将前序关系的数量1作为该节点的入度，并绘制一条输入连线，标注相应的关系权重2，将对应的前序知识实体“插秧离合器手柄向后拉至‘上’位置”作为连线的端点；
57)进行后序扩展：遍历上述“油压锁定手柄测试1”实体具有的全部后序关系，将后序关系的数量1作为该节点的出度，并绘制一条输出连线，代表一个后序关系并标注关系权重1，将对应的后序知识实体“油压锁定手柄拉至‘关’的位置”作为连线的端点；
58)对前序知识实体“插秧离合器手柄向后拉至‘上’位置”进行前序扩展，若其不存在未扩展的前序知识实体，前序扩展结束；
59)对所有的后序知识实体逐一进行步骤57)所述的后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
510)前序扩展和后序扩展完成后，形成基于优先级权重的自主作业插秧机任务规划知识图谱；
511)开始基于权重排序的双向深度优先图搜索算法进行任务规划：同时从开始节点“插秧离合器手柄向后拉至‘上’位置”和终止节点“插秧离合器手柄至‘插植’位置”开始进行双向图搜索，将获得的“插秧离合器手柄向后拉至‘上’位置”到“插秧离合器手柄至‘插植’位置”的可达路径作为本环节自主作业插秧机任务规划方案；
其中，搜索过程为：“插秧离合器手柄向后拉至‘上’位置”节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
512)“插秧离合器手柄至‘插植’位置”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；直至生成任务规划结果。
所述自主机器人为若干个自主水面无人艇USV和若干个自主水下无人机器人AUV，自主机器人的任务是进行水下目标搜索，其任务规划方法如下：
61)设定水下目标搜索场景为1台USV和4台AUV组成一个小组，共5个小组；设定USV之间共享数据，并编制保持预定队形；每个小组内的AUV之间通过USV共享数据，并编制保持预定队形；每台USV都定期向母船报送小组状态数据，并接受母船新的指令；
62)选定自主机器人作业中的一个环节：从“USV组队”到“USV开始协同探测”阶段进行任务规划；
63)基于自主机器人作业原理数据，将自主机器人的任务作业功能从大到小进行逐级划分，构建多机器人作业树状概念模型；
从树状概念模型的叶子节点提取自主机器人在步骤61)所述作业阶段的原子任务知识实体集合E＝{USV组队，AUV组队，AUV组队测试，运动到指定区域，USV协同探测，USV小组测试，AUV跟随运行，AUV跟随测试1，AUV跟随测试2，AUV跟随测试3}；
64)基于自主机器人作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合，并为关系赋予默认关系权重；
以“AUV组队”知识实体为主体，选择并加入该实体的一个前序关系“DO_NEXT_ACTION”，该前序关系关联的一个实体作为前序实体“USV组队”；主体实体为“USV组队”时，其前序实体设定为“null”；以“AUV组队”知识实体为主体，选择并加入该实体的一个后序关系“DO_NEXT_ACTION”，该后序关系关联的一个实体“运动到指定区域”作为后序实体；主体实体为“USV协同探测”时，其后序实体设定为“null”；
65)重复步骤64)的操作，形成基于关系权重的实体三元组知识集合：
L＝{(null，USV组队，AUV组队，DO_NEXT_ACTION，null，1)；
(USV组队，AUV组队，运动到指定区域，DO_NEXT_ACTION，1，1)；
(USV组队，AUV组队，AUV组队测试，DO_NEXT_ACTION，1，2)；
(AUV组队，AUV组队测试，运动到指定区域，DO_NEXT_ACTION，2，1)；
(AUV组队，运动到指定区域，AUV跟随，DO_NEXT_ACTION，1，1)；
(AUV组队，运动到指定区域，USV小组测试，DO_NEXT_ACTION，1，2)；
(AUV组队测试，运动到指定区域，AUV跟随，DO_NEXT_ACTION，1，1)；
(AUV组队测试，运动到指定区域，USV小组测试，DO_NEXT_ACTION，1，2)；
(运动到指定区域，AUV跟随，USV协同探测，DO_NEXT_ACTION，1，1)；
(运动到指定区域，USV小组测试，AUV跟随测试1，DO_NEXT_ACTION,2，1)；
(运动到指定区域，USV小组测试，AUV跟随测试2，DO_NEXT_ACTION,2，2)；
(USV小组测试，AUV跟随测试1，AUV跟随测试3，DO_NEXT_ACTION,1，1)；
(USV小组测试，AUV跟随测试2，AUV跟随测试3，DO_NEXT_ACTION,2，1)；
(AUV跟随测试1，AUV跟随测试3，USV协同探测，DO_NEXT_ACTION,1，2)；
(AUV跟随测试2，AUV跟随测试3，USV协同探测，DO_NEXT_ACTION,1，2)；
(AUV跟随测试3，USV协同探测，null，DO_NEXT_ACTION,2，null)；
(AUV跟随，USV协同探测，null，DO_NEXT_ACTION,1，null)；}
L以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
66)构建任务知识图谱：任一选取一个知识实体，其中“AUV组队”作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体“USV组队”，将前序关系的数量1作为该节点的入度，并绘制一条输入连线，标注相应的关系权重1，将对应的前序知识实体“USV组队”作为连线的端点；
67)进行后序扩展：遍历上述“AUV组队”实体具有的全部后序关系，将后序关系的数量2作为该节点的出度，并绘制两条输出连线，每条连线代表一个后序关系并分别标注相应的关系权重2和1，将对应的后序知识实体“AUV组队测试”和“运动到指定区域”分别作为连线的端点；
68)对前序知识实体“USV组队”进行前序扩展，若其不存在未扩展的前序知识实体，前序扩展结束；
69)对所有的后序知识实体逐一进行步骤67)所述的后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
610)前序扩展和后序扩展完成后，形成基于优先级权重的多机器人任务规划知识图谱；
611)开始基于权重排序的双向深度优先图搜索算法进行任务规划：同时从开始节点“USV组队”和终止节点“USV协同探测”开始进行双向图搜索，将获得的“USV组队”到“USV协同探测”的可达路径作为本阶段多机器人作业任务规划方案；
其中，搜索过程为：“USV组队”节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
“USV协同探测”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；直至生成任务规划结果。
有益效果
本发明的一种基于知识图谱技术的自主机器人任务规划方法，与现有技术相比基于图结构的专业知识表示和组织模式来降低规划问题复杂度从而进行自主机器人的任务规划，利用知识图谱对问题强表达能力的特点，来解决特殊工作场景下机器人协同作业规划问题。
基于知识图谱技术的自主机器人任务规划方法具有强大的机器人任务知识表示、知识存储和知识推理能力，知识可扩展性好，而且随着知识量的增大可形成复杂的知识网络，配合高效图搜索算法，其任务规划能力会极大地增加，形成类似于人脑的复杂推理。基于知识图谱的自主机器人任务规划方法，将极大的提高自主作业机器人的任务知识管理和自主作业性能，具有重要的应用价值。
附图说明
图1为本发明的方法顺序图；
图2为本发明第一个实施方式的自主作业插秧机作业树状概念模型图；
图3为本发明第一个实施方式的自主作业插秧机任务规划知识图谱图；
图4为本发明第一个实施方式的自主作业插秧机任务规划结果图；
图5为本发明第二个实施方式的多机器人作业树状概念模型图；
图6为本发明第二个实施方式的基于优先级权重的多机器人任务规划知识图谱展示图；
图7为本发明第二个实施方式中多机器人任务规划结果图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于知识图谱技术的自主机器人任务规划方法，包括以下步骤：
第一步，构建自主机器人任务知识库。围绕自主机器人作业的需求分析，结合自主机器人工作原理和作业流程，收集和整理自主机器人任务知识，确定其全部原子任务实体知识，包括原子任务名称和属性并明确不同原子任务之间的关系；构建基于优先级权重的实体三元组知识表示方法，将任务知识按照实体三元组知识表示方法进行表示，并存储在非关系型数据库中，形成自主机器人任务知识库。本发明所涉及的知识表示方法不同于普通知识图谱的“实体-关系-实体”的三元组知识表示方法，而是密切结合机器人原子任务知识的特点和关联关系，强调实体和关系权重，突出任务作业业务逻辑，将单一的关系进行加权，为后期开展任务规划提供充分的知识支撑。其具体步骤如下：
(1)基于自主机器人工作原理数据，将自主机器人的任务作业功能从大到小进行逐级划分，构建自主机器人树状概念模型；从树状概念模型的叶子节点提取自主机器人原子任务知识实体集合E＝{e1,e2,...e|E|}，原子任务知识实体集合包括必要的属性信息；
(2)基于自主机器人作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合R＝{rij|i,j分别为不同实体,i≠j}，并为关系赋予默认关系权重W＝{wij|i,j分别为具有关系的不同实体,i≠j}；设计关系权重根据自主机器人作业案例的增加而自动变化，变化的依据是作业时使用过该时序关系的案例被用户评价为优秀的次数，时序关系包括必要的属性信息；
(3)以某个知识实体为主体，选择并加入该实体的一个前序关系，该前序关系关联的一个实体作为前序实体；主体实体为作业初始知识时，其前序实体设定为空；
(4)以某个知识实体为主体，选择并加入该实体的一个后序关系，该后序关系关联的一个实体作为后序实体；主体实体为作业结束知识时，其后序实体设定为空；
(5)根据上述步骤(3)和步骤(4)的操作，形成基于关系权重的实体三元组知识l＝(e前序,e,e后序，r,w前序,w后序)，以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
(6)重复上述步骤(1)至步骤(5)，直到所有实体、关系及其组合都包含在已有的基于关系权重的实体三元组知识集合L中。
第二步，构建基于优先级权重的知识图谱：基于实体三元组知识表示方法在具体知识录入或导入中进行实体链接，通过构建领域本体和启发式编辑模式，进行实体消歧和共指消解，最终将任务知识存储到知识库中；采用前序扩展和后序扩展相结合的知识图谱构建方式，通过实体关系的关联，并行让不同的任务知识实体进行连接，快速构建任务知识图谱。本发明所涉及的知识图谱的构建方法充分利用了本发明提出的实体三元组知识表示的特点，可以并行开展知识图谱的构建，极大提高的知识图谱的构建效率。其具体步骤如下：
(1)进行前序扩展：任一选取一个知识实体作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体，将前序关系的数量作为该节点的入度，并绘制入度数量的输入连线，每条连线代表一个前序关系并标注相应的关系权重，将对应的前序知识实体作为连线的端点；
(2)进行后序扩展：遍历上述实体具有的全部后序关系，将后序关系的数量作为该节点的出度，并绘制出度数量的输出连线，每条连线代表一个后序关系并标注相应的关系权重，将对应的后序知识实体作为连线的端点；
(3)对所有的前序知识实体逐一进行前序扩展，直到所有知识实体都不存在未扩展的前序知识实体；
(4)对所有的后序知识实体逐一进行后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
(5)前序扩展和后序扩展完成后，形成基于优先级权重的自主机器人任务规划知识图谱。
第三步，构建基于图搜索的任务规划方法：利用权重排序的双向深度优先图搜索算法，构建知识图谱更新机制和任务规划方案动态响应策略，设计和优化图搜索算法和遍历操作，针对自主机器人任务规划知识图谱的特点，构建基于权重排序的双向深度优先图搜索算法，高效生成任务规划方案。
在此，设计和优化图搜索算法和遍历操作，将集成BFS、DFS、混合搜索等先进图搜索算法和Dijkstra、Bellman-Ford、SPFA等最短路径算法，开展智能化快速任务规划；同时构建任务节点索引，提高节点查找的速度，避免后期随着机器人任务知识节点的增加导致任务规划速度减低的问题；针对多种决策方案情况，对图搜索和遍历过程的决策结果进行评价，动态生成机器人各类作业任务的默认最优决策执行序列。其具体步骤如下：
(1)设定基于优先级权重的自主机器人任务规划知识图谱构建任务规划问题模型：P＝(n,s0,st,m,l)，
其中n为任务规划知识图谱包含的任务网络，s0为n上的自主机器人任务规划的初始知识节点，st为n上的自主机器人任务规划的终止知识节点，m为基于权重排序的双向深度优先图搜索算法，l为自主机器人任务知识库；
(2)设定权重排序的双向深度优先图搜索算法m＝(s0,st,a),a为基于权重的深度优先遍历算法；
(3)设定权重排序的双向深度优先图搜索算法m，同时从s0和st开始进行双向图搜索，将获得的s0到st可达路径作为自主机器人任务规划方案；
其中，搜索过程为：每个节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
其中双向为：指从起始节点s0按照上述搜索规则，往目标节点扩展；同时从目标节点st按照上述搜索规则，往起始节点扩展；如果二者同时扩展到同一个节点，则算法终止；如果这同一个节点不是起始节点也不是终止节点，则以该节点为枢纽节点，连接目标节点方向已扩展节点和起始节点方向已扩展节点，形成可达路径；否则，必然形成了两条可达路径或两条路径重合，选择加权和最小的作为目标方案。
作为本发明的第一种实施方式，以自主机器人为自主作业插秧机为例，自主作业插秧机的任务是在田地进行自主插秧作业，自主作业插秧机的任务规划方法如下：
所述的自主机器人为自主作业插秧机，自主作业插秧机的任务是在田地进行自主插秧作业，自主作业插秧机的任务规划方法如下：
A1)依据自主作业插秧机作业流程，进行自主作业插秧机任务规划，依次为启动发动机任务、插秧部试运转任务、田间作业任务，任务之间共享数据信息，并设定任务规划初始状态且规划期间定期反馈状态信息；
A2)选定自主作业插秧机作业中的“插秧部试运转”环节，进行“插秧离合器手柄向后拉至‘上’位置”到“插秧离合器手柄至‘插植’位置”阶段的任务规划；
A3)基于自主作业插秧机作业逻辑数据，将自主作业插秧机的作业任务节点进行逐级划分，构建自主作业插秧机作业树状概念模型，如图2所示，为了更好地展示该方法的效果，本实例中增加了部分测试节点，即名称以“测试”结尾的实体节点。
从树状概念模型的叶子节点提取自主机器人在步骤A2)所述作业阶段的原子任务知识实体集合
E＝{插秧离合器手柄向后拉至“上”位置，油压锁定手柄测试1，油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，副变速手柄测试，插秧离合器手柄测试1，插秧离合器手柄测试2，插秧离合器手柄至“插植”位置}；
A4)基于自主作业插秧机作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合，并为关系赋予默认关系权重；
以“油压锁定手柄测试1”知识实体为主体，选择并加入该实体的一个前序关系“DO_NEXT_ACTION”，该前序关系关联的一个实体作为前序实体“插秧离合器手柄向后拉至‘上’位置”；主体实体为“插秧离合器手柄向后拉至‘上’位置”时，其前序实体设定为“null”；以“油压锁定手柄测试1”知识实体为主体，选择并加入该实体的一个后序关系“DO_NEXT_ACTION”，该后序关系关联的一个实体“油压锁定手柄拉至‘关’的位置”作为后序实体；主体实体为“插秧离合器手柄至‘插植’位置”时，其后序实体设定为“null”；
A5)重复步骤A4)的操作，形成基于关系权重的实体三元组知识集合：
L＝{(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试1，DO_NEXT_ACTION，null，2)；
(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试2，DO_NEXT_ACTION，null，2)；
(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，null，1)；
(插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，2，1)；
(插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，2，1)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION，1，2)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION，1，2)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION,1，2)；
(油压锁定手柄拉至“关”的位置，副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，1)；
(油压锁定手柄拉至“关”的位置，副变速手柄测试，副变速手柄置于“中立”位置，DO_NEXT_ACTION,2，1)；
(油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，插秧离合器手柄测试2，DO_NEXT_ACTION,2，1)；
(副变速手柄测试，副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，1)；
(副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，null，DO_NEXT_ACTION,1，null)；
(插秧离合器手柄测试1，插秧离合器手柄测试2，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，2)；
(插秧离合器手柄测试2，插秧离合器手柄置于“插植”位置，null，DO_NEXT_ACTION,2，null)}；
L以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
A6)构建任务知识图谱：任意选取一个知识实体“油压锁定手柄测试1”，作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体“插秧离合器手柄向后拉至‘上’位置”，将前序关系的数量1作为该节点的入度，并绘制一条输入连线，标注相应的关系权重2，将对应的前序知识实体“插秧离合器手柄向后拉至‘上’位置”作为连线的端点；
A7)进行后序扩展：遍历上述“油压锁定手柄测试1”实体具有的全部后序关系，将后序关系的数量1作为该节点的出度，并绘制一条输出连线，代表一个后序关系并标注关系权重1，将对应的后序知识实体“油压锁定手柄拉至‘关’的位置”作为连线的端点；
A8)对前序知识实体“插秧离合器手柄向后拉至‘上’位置”进行前序扩展，若其不存在未扩展的前序知识实体，前序扩展结束；
A9)对所有的后序知识实体逐一进行步骤A7)所述的后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
A10)前序扩展和后序扩展完成后，形成基于优先级权重的自主作业插秧机任务规划知识图谱，如图3所示。
A11)开始基于权重排序的双向深度优先图搜索算法进行任务规划：同时从开始节点“插秧离合器手柄向后拉至‘上’位置”和终止节点“插秧离合器手柄至‘插植’位置”开始进行双向图搜索，将获得的“插秧离合器手柄向后拉至‘上’位置”到“插秧离合器手柄至‘插植’位置”的可达路径作为本环节自主作业插秧机任务规划方案；
其中，搜索过程为：“插秧离合器手柄向后拉至‘上’位置”节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
A12)“插秧离合器手柄至‘插植’位置”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；直至生成任务规划结果。
插秧离合器手柄至‘插植’位置”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；在本实例中，将生成“插秧离合器手柄向后拉至“上”位置”->“油压锁定手柄拉至“关”的位置”->“副变速手柄至于中立位置”->“插秧离合器手柄至“插植”位置”。任务规划结果，如图4所示，加粗的路线即为本方法的规划结果。
作为本发明的第二种实施方式，以自主机器人为若干个自主水面无人艇USV和若干个自主水下无人机器人AUV，自主机器人的任务是进行水下目标搜索，其任务规划方法如下：
B1)设定水下目标搜索场景为1台USV和4台AUV组成一个小组，共5个小组；设定USV之间共享数据，并编制保持预定队形；每个小组内的AUV之间通过USV共享数据，并编制保持预定队形；每台USV都定期向母船报送小组状态数据，并接受母船新的指令；
B2)选定自主机器人作业中的一个环节：从“USV组队”到“USV开始协同探测”阶段进行任务规划；
B3)基于自主机器人作业原理数据，将自主机器人的任务作业功能从大到小进行逐级划分，构建多机器人作业树状概念模型。如图5所示，为了更好地展示该方法的效果，本实例中增加了部分测试节点，即名称以“测试”结尾的实体节点。
从树状概念模型的叶子节点提取自主机器人在步骤B1)所述作业阶段的原子任务知识实体集合E＝{USV组队，AUV组队，AUV组队测试，运动到指定区域，USV协同探测，USV小组测试，AUV跟随运行，AUV跟随测试1，AUV跟随测试2，AUV跟随测试3}；
B4)基于自主机器人作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合，并为关系赋予默认关系权重；
以“AUV组队”知识实体为主体，选择并加入该实体的一个前序关系“DO_NEXT_ACTION”，该前序关系关联的一个实体作为前序实体“USV组队”；主体实体为“USV组队”时，其前序实体设定为“null”；以“AUV组队”知识实体为主体，选择并加入该实体的一个后序关系“DO_NEXT_ACTION”，该后序关系关联的一个实体“运动到指定区域”作为后序实体；主体实体为“USV协同探测”时，其后序实体设定为“null”；
B5)重复步骤B4)的操作，形成基于关系权重的实体三元组知识集合
L＝{(null，USV组队，AUV组队，DO_NEXT_ACTION，null，1)；
(USV组队，AUV组队，运动到指定区域，DO_NEXT_ACTION，1，1)；
(USV组队，AUV组队，AUV组队测试，DO_NEXT_ACTION，1，2)；
(AUV组队，AUV组队测试，运动到指定区域，DO_NEXT_ACTION，2，1)；
(AUV组队，运动到指定区域，AUV跟随，DO_NEXT_ACTION，1，1)；
(AUV组队，运动到指定区域，USV小组测试，DO_NEXT_ACTION，1，2)；
(AUV组队测试，运动到指定区域，AUV跟随，DO_NEXT_ACTION，1，1)；
(AUV组队测试，运动到指定区域，USV小组测试，DO_NEXT_ACTION，1，2)；
(运动到指定区域，AUV跟随，USV协同探测，DO_NEXT_ACTION，1，1)；
(运动到指定区域，USV小组测试，AUV跟随测试1，DO_NEXT_ACTION,2，1)；
(运动到指定区域，USV小组测试，AUV跟随测试2，DO_NEXT_ACTION,2，2)；
(USV小组测试，AUV跟随测试1，AUV跟随测试3，DO_NEXT_ACTION,1，1)；
(USV小组测试，AUV跟随测试2，AUV跟随测试3，DO_NEXT_ACTION,2，1)；
(AUV跟随测试1，AUV跟随测试3，USV协同探测，DO_NEXT_ACTION,1，2)；
(AUV跟随测试2，AUV跟随测试3，USV协同探测，DO_NEXT_ACTION,1，2)；
(AUV跟随测试3，USV协同探测，null，DO_NEXT_ACTION,2，null)；
(AUV跟随，USV协同探测，null，DO_NEXT_ACTION,1，null)；}
L以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
B6)构建任务知识图谱：任一选取一个知识实体，其中“AUV组队”作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体“USV组队”，将前序关系的数量1作为该节点的入度，并绘制一条输入连线，标注相应的关系权重1，将对应的前序知识实体“USV组队”作为连线的端点；
B7)进行后序扩展：遍历上述“AUV组队”实体具有的全部后序关系，将后序关系的数量2作为该节点的出度，并绘制两条输出连线，每条连线代表一个后序关系并分别标注相应的关系权重2和1，将对应的后序知识实体“AUV组队测试”和“运动到指定区域”分别作为连线的端点；
B8)对前序知识实体“USV组队”进行前序扩展，若其不存在未扩展的前序知识实体，前序扩展结束；
B9)对所有的后序知识实体逐一进行步骤B7)所述的后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
B10)前序扩展和后序扩展完成后，形成基于优先级权重的多机器人任务规划知识图谱，如图6所示。前序扩展和后序扩展完成后，形成基于优先级权重的多机器人任务规划知识图谱。
B11)开始基于权重排序的双向深度优先图搜索算法进行任务规划：同时从开始节点“USV组队”和终止节点“USV协同探测”开始进行双向图搜索，将获得的“USV组队”到“USV协同探测”的可达路径作为本阶段多机器人作业任务规划方案；
其中，搜索过程为：“USV组队”节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
“USV协同探测”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；直至生成任务规划结果。在本实例中，将生成“USV组队”->“AUV组队”->“运动到指定区域”->“AUV跟随”->“USV协同探测”任务规划结果，如图7所示，加粗的路线即为本方法的规划结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.一种基于知识图谱技术的自主机器人任务规划方法，其特征在于，包括以下步骤：
11)构建自主机器人任务知识库：围绕自主机器人作业的需求分析，结合自主机器人工作原理和作业流程，收集和整理自主机器人任务知识，确定其全部原子任务实体知识，包括原子任务名称和属性并明确不同原子任务之间的关系；构建基于优先级权重的实体三元组知识表示方法，将任务知识按照实体三元组知识表示方法进行表示，并存储在非关系型数据库中，形成自主机器人任务知识库；
12)构建基于优先级权重的知识图谱：基于实体三元组知识表示方法在具体知识录入或导入中进行实体链接，通过构建领域本体和启发式编辑模式，进行实体消歧和共指消解，最终将任务知识存储到知识库中；采用前序扩展和后序扩展相结合的知识图谱构建方式，通过实体关系的关联，并行让不同的任务知识实体进行连接，快速构建任务知识图谱；
13)构建基于图搜索的任务规划方法：利用权重排序的双向深度优先图搜索算法，构建知识图谱更新机制和任务规划方案动态响应策略，设计和优化图搜索算法和遍历操作，针对自主机器人任务规划知识图谱的特点，构建基于权重排序的双向深度优先图搜索算法，高效生成任务规划方案。
2.根据权利要求1所述的一种基于知识图谱技术的自主机器人任务规划方法，其特征在于，所述构建自主机器人任务知识库包括以下步骤：
21)基于自主机器人工作原理数据，将自主机器人的任务作业功能从大到小进行逐级划分，构建自主机器人树状概念模型；从树状概念模型的叶子节点提取自主机器人原子任务知识实体集合E＝{e1,e2,...e|E|}，原子任务知识实体集合包括必要的属性信息；
22)基于自主机器人作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合R＝{rij|i,j分别为不同实体,i≠j}，并为关系赋予默认关系权重W＝{wij|i,j分别为具有关系的不同实体,i≠j}；设计关系权重根据自主机器人作业案例的增加而自动变化，变化的依据是作业时使用过该时序关系的案例被用户评价为优秀的次数，时序关系包括必要的属性信息；
23)以某个知识实体为主体，选择并加入该实体的一个前序关系，该前序关系关联的一个实体作为前序实体；主体实体为作业初始知识时，其前序实体设定为空；
24)以某个知识实体为主体，选择并加入该实体的一个后序关系，该后序关系关联的一个实体作为后序实体；主体实体为作业结束知识时，其后序实体设定为空；
25)根据步骤23)和步骤24)的操作，形成基于关系权重的实体三元组知识l＝(e前序,e,e后序，r,w前序,w后序)，以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
26)重复上述步骤21)至步骤25)，直到所有实体、关系及其组合都包含在已有的基于关系权重的实体三元组知识集合L中。
3.根据权利要求1所述的一种基于知识图谱技术的自主机器人任务规划方法，其特征在于，所述构建基于优先级权重的知识图谱包括以下步骤：
31)进行前序扩展：任一选取一个知识实体作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体，将前序关系的数量作为该节点的入度，并绘制入度数量的输入连线，每条连线代表一个前序关系并标注相应的关系权重，将对应的前序知识实体作为连线的端点；
32)进行后序扩展：遍历上述实体具有的全部后序关系，将后序关系的数量作为该节点的出度，并绘制出度数量的输出连线，每条连线代表一个后序关系并标注相应的关系权重，将对应的后序知识实体作为连线的端点；
33)对所有的前序知识实体逐一进行前序扩展，直到所有知识实体都不存在未扩展的前序知识实体；
34)对所有的后序知识实体逐一进行后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
35)前序扩展和后序扩展完成后，形成基于优先级权重的自主机器人任务规划知识图谱。
4.根据权利要求1所述的一种基于知识图谱技术的自主机器人任务规划方法，其特征在于，所述构建基于图搜索的任务规划方法包括以下步骤：
41)设定基于优先级权重的自主机器人任务规划知识图谱构建任务规划问题模型：P＝(n,s0,st,m,l)，
其中n为任务规划知识图谱包含的任务网络，s0为n上的自主机器人任务规划的初始知识节点，st为n上的自主机器人任务规划的终止知识节点，m为基于权重排序的双向深度优先图搜索算法，l为自主机器人任务知识库；
42)设定权重排序的双向深度优先图搜索算法m＝(s0,st,a),a为基于权重的深度优先遍历算法；
43)设定权重排序的双向深度优先图搜索算法m，同时从s0和st开始进行双向图搜索，将获得的s0到st可达路径作为自主机器人任务规划方案；
其中，搜索过程为：每个节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
其中双向为：指从起始节点s0按照上述搜索规则，往目标节点扩展；同时从目标节点st按照上述搜索规则，往起始节点扩展；如果二者同时扩展到同一个节点，则算法终止；如果这同一个节点不是起始节点也不是终止节点，则以该节点为枢纽节点，连接目标节点方向已扩展节点和起始节点方向已扩展节点，形成可达路径；否则，必然形成了两条可达路径或两条路径重合，选择加权和最小的作为目标方案。
5.根据权利要求1所述的一种基于知识图谱技术的自主机器人任务规划方法，其特征在于，所述的自主机器人为自主作业插秧机，自主作业插秧机的任务是在田地进行自主插秧作业，自主作业插秧机的任务规划方法如下：
51)依据自主作业插秧机作业流程，进行自主作业插秧机任务规划，依次为启动发动机任务、插秧部试运转任务、田间作业任务，任务之间共享数据信息，并设定任务规划初始状态且规划期间定期反馈状态信息；
52)选定自主作业插秧机作业中的“插秧部试运转”环节，进行“插秧离合器手柄向后拉至‘上’位置”到“插秧离合器手柄至‘插植’位置”阶段的任务规划；
53)基于自主作业插秧机作业逻辑数据，将自主作业插秧机的作业任务节点进行逐级划分，构建自主作业插秧机作业树状概念模型；
从树状概念模型的叶子节点提取自主机器人在步骤52)所述作业阶段的原子任务知识实体集合，
E＝{插秧离合器手柄向后拉至“上”位置，油压锁定手柄测试1，油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，副变速手柄测试，插秧离合器手柄测试1，插秧离合器手柄测试2，插秧离合器手柄至“插植”位置}；
54)基于自主作业插秧机作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合，并为关系赋予默认关系权重；
以“油压锁定手柄测试1”知识实体为主体，选择并加入该实体的一个前序关系“DO_NEXT_ACTION”，该前序关系关联的一个实体作为前序实体“插秧离合器手柄向后拉至‘上’位置”；主体实体为“插秧离合器手柄向后拉至‘上’位置”时，其前序实体设定为“null”；以“油压锁定手柄测试1”知识实体为主体，选择并加入该实体的一个后序关系“DO_NEXT_ACTION”，该后序关系关联的一个实体“油压锁定手柄拉至‘关’的位置”作为后序实体；主体实体为“插秧离合器手柄至‘插植’位置”时，其后序实体设定为“null”；
55)重复步骤54)的操作，形成基于关系权重的实体三元组知识集合：
L＝{(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试1，DO_NEXT_ACTION，null，2)；
(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试2，DO_NEXT_ACTION，null，2)；
(null，插秧离合器手柄向后拉至‘上’位置，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，null，1)；
(插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，2，1)；
(插秧离合器手柄向后拉至‘上’位置，油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，DO_NEXT_ACTION，2，1)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION，1，2)；
(插秧离合器手柄向后拉至“上”位置，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION，1，2)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试1，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄至于“中立”位置，DO_NEXT_ACTION，1，1)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，副变速手柄测试，DO_NEXT_ACTION,1，2)；
(油压锁定手柄测试2，油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，DO_NEXT_ACTION,1，2)；
(油压锁定手柄拉至“关”的位置，副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，1)；
(油压锁定手柄拉至“关”的位置，副变速手柄测试，副变速手柄置于“中立”位置，DO_NEXT_ACTION,2，1)；
(油压锁定手柄拉至“关”的位置，插秧离合器手柄测试1，插秧离合器手柄测试2，DO_NEXT_ACTION,2，1)；
(副变速手柄测试，副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，1)；
(副变速手柄置于“中立”位置，插秧离合器手柄置于“插植”位置，null，DO_NEXT_ACTION,1，null)；
(插秧离合器手柄测试1，插秧离合器手柄测试2，插秧离合器手柄置于“插植”位置，DO_NEXT_ACTION,1，2)；
(插秧离合器手柄测试2，插秧离合器手柄置于“插植”位置，null，DO_NEXT_ACTION,2，null)}；
L以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
56)构建任务知识图谱：任意选取一个知识实体“油压锁定手柄测试1”，作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体“插秧离合器手柄向后拉至‘上’位置”，将前序关系的数量1作为该节点的入度，并绘制一条输入连线，标注相应的关系权重2，将对应的前序知识实体“插秧离合器手柄向后拉至‘上’位置”作为连线的端点；
57)进行后序扩展：遍历上述“油压锁定手柄测试1”实体具有的全部后序关系，将后序关系的数量1作为该节点的出度，并绘制一条输出连线，代表一个后序关系并标注关系权重1，将对应的后序知识实体“油压锁定手柄拉至‘关’的位置”作为连线的端点；
58)对前序知识实体“插秧离合器手柄向后拉至‘上’位置”进行前序扩展，若其不存在未扩展的前序知识实体，前序扩展结束；
59)对所有的后序知识实体逐一进行步骤57)所述的后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
510)前序扩展和后序扩展完成后，形成基于优先级权重的自主作业插秧机任务规划知识图谱；
511)开始基于权重排序的双向深度优先图搜索算法进行任务规划：同时从开始节点“插秧离合器手柄向后拉至‘上’位置”和终止节点“插秧离合器手柄至‘插植’位置”开始进行双向图搜索，将获得的“插秧离合器手柄向后拉至‘上’位置”到“插秧离合器手柄至‘插植’位置”的可达路径作为本环节自主作业插秧机任务规划方案；
其中，搜索过程为：“插秧离合器手柄向后拉至‘上’位置”节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
512)“插秧离合器手柄至‘插植’位置”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；直至生成任务规划结果。
6.根据权利要求1所述的一种基于知识图谱技术的自主机器人任务规划方法，其特征在于，所述自主机器人为若干个自主水面无人艇USV和若干个自主水下无人机器人AUV，自主机器人的任务是进行水下目标搜索，其任务规划方法如下：
61)设定水下目标搜索场景为1台USV和4台AUV组成一个小组，共5个小组；设定USV之间共享数据，并编制保持预定队形；每个小组内的AUV之间通过USV共享数据，并编制保持预定队形；每台USV都定期向母船报送小组状态数据，并接受母船新的指令；
62)选定自主机器人作业中的一个环节：从“USV组队”到“USV开始协同探测”阶段进行任务规划；
63)基于自主机器人作业原理数据，将自主机器人的任务作业功能从大到小进行逐级划分，构建多机器人作业树状概念模型；
从树状概念模型的叶子节点提取自主机器人在步骤61)所述作业阶段的原子任务知识实体集合E＝{USV组队，AUV组队，AUV组队测试，运动到指定区域，USV协同探测，USV小组测试，AUV跟随运行，AUV跟随测试1，AUV跟随测试2，AUV跟随测试3}；
64)基于自主机器人作业流程数据，提取上述原子任务知识实体集合E中原子任务知识实体间的时序关系集合，并为关系赋予默认关系权重；
以“AUV组队”知识实体为主体，选择并加入该实体的一个前序关系“DO_NEXT_ACTION”，该前序关系关联的一个实体作为前序实体“USV组队”；主体实体为“USV组队”时，其前序实体设定为“null”；以“AUV组队”知识实体为主体，选择并加入该实体的一个后序关系“DO_NEXT_ACTION”，该后序关系关联的一个实体“运动到指定区域”作为后序实体；主体实体为“USV协同探测”时，其后序实体设定为“null”；
65)重复步骤64)的操作，形成基于关系权重的实体三元组知识集合：
L＝{(null，USV组队，AUV组队，DO_NEXT_ACTION，null，1)；
(USV组队，AUV组队，运动到指定区域，DO_NEXT_ACTION，1，1)；
(USV组队，AUV组队，AUV组队测试，DO_NEXT_ACTION，1，2)；
(AUV组队，AUV组队测试，运动到指定区域，DO_NEXT_ACTION，2，1)；
(AUV组队，运动到指定区域，AUV跟随，DO_NEXT_ACTION，1，1)；
(AUV组队，运动到指定区域，USV小组测试，DO_NEXT_ACTION，1，2)；
(AUV组队测试，运动到指定区域，AUV跟随，DO_NEXT_ACTION，1，1)；
(AUV组队测试，运动到指定区域，USV小组测试，DO_NEXT_ACTION，1，2)；
(运动到指定区域，AUV跟随，USV协同探测，DO_NEXT_ACTION，1，1)；
(运动到指定区域，USV小组测试，AUV跟随测试1，DO_NEXT_ACTION,2，1)；
(运动到指定区域，USV小组测试，AUV跟随测试2，DO_NEXT_ACTION,2，2)；
(USV小组测试，AUV跟随测试1，AUV跟随测试3，DO_NEXT_ACTION,1，1)；
(USV小组测试，AUV跟随测试2，AUV跟随测试3，DO_NEXT_ACTION,2，1)；
(AUV跟随测试1，AUV跟随测试3，USV协同探测，DO_NEXT_ACTION,1，2)；
(AUV跟随测试2，AUV跟随测试3，USV协同探测，DO_NEXT_ACTION,1，2)；
(AUV跟随测试3，USV协同探测，null，DO_NEXT_ACTION,2，null)；
(AUV跟随，USV协同探测，null，DO_NEXT_ACTION,1，null)；}
L以图数据库的结构进行存储，具有时序关系的实体数据在数据库中的物理地址也指向彼此；
66)构建任务知识图谱：任一选取一个知识实体，其中“AUV组队”作为知识图谱中的一个节点，遍历该实体具有的全部前序关系和前序知识实体“USV组队”，将前序关系的数量1作为该节点的入度，并绘制一条输入连线，标注相应的关系权重1，将对应的前序知识实体“USV组队”作为连线的端点；
67)进行后序扩展：遍历上述“AUV组队”实体具有的全部后序关系，将后序关系的数量2作为该节点的出度，并绘制两条输出连线，每条连线代表一个后序关系并分别标注相应的关系权重2和1，将对应的后序知识实体“AUV组队测试”和“运动到指定区域”分别作为连线的端点；
68)对前序知识实体“USV组队”进行前序扩展，若其不存在未扩展的前序知识实体，前序扩展结束；
69)对所有的后序知识实体逐一进行步骤67)所述的后序扩展，直到所有知识实体都不存在未扩展的后序知识实体；
610)前序扩展和后序扩展完成后，形成基于优先级权重的多机器人任务规划知识图谱；
611)开始基于权重排序的双向深度优先图搜索算法进行任务规划：同时从开始节点“USV组队”和终止节点“USV协同探测”开始进行双向图搜索，将获得的“USV组队”到“USV协同探测”的可达路径作为本阶段多机器人作业任务规划方案；
其中，搜索过程为：“USV组队”节点在扩展其下层节点时，首先对它与下层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；
“USV协同探测”节点在扩展其上层节点时，首先对它与上层节点的关系权重按照升序排序，基于深度优先搜索基本规则，优先扩展权重值最小的关系关联的节点，即优先级最高的节点；直至生成任务规划结果。
CN202010576981.XA 2020-06-23 2020-06-23 一种基于知识图谱技术的自主机器人任务规划方法 Active CN111737492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010576981.XA CN111737492B (zh) 2020-06-23 2020-06-23 一种基于知识图谱技术的自主机器人任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010576981.XA CN111737492B (zh) 2020-06-23 2020-06-23 一种基于知识图谱技术的自主机器人任务规划方法

Publications (2)

Publication Number Publication Date
CN111737492A true CN111737492A (zh) 2020-10-02
CN111737492B CN111737492B (zh) 2023-11-03

Family

ID=72650481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010576981.XA Active CN111737492B (zh) 2020-06-23 2020-06-23 一种基于知识图谱技术的自主机器人任务规划方法

Country Status (1)

Country Link
CN (1) CN111737492B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364853A (zh) * 2021-01-13 2021-02-12 之江实验室 基于知识库和pddl语义设计的机器人任务执行方法
CN113568324A (zh) * 2021-06-29 2021-10-29 之江实验室 一种基于仿真演绎的知识图谱修正方法
CN114055451A (zh) * 2021-11-24 2022-02-18 深圳大学 基于知识图谱的机器人操作技能表达方法
CN114201618A (zh) * 2022-02-17 2022-03-18 药渡经纬信息科技(北京)有限公司 药物研发文献可视化解读方法和系统
CN115129082A (zh) * 2022-07-13 2022-09-30 安徽大学 一种用于污染源搜索的感知探测无人机集群协同控制方法
CN115213885A (zh) * 2021-06-29 2022-10-21 达闼科技（北京）有限公司 机器人技能生成方法、装置、介质及云端服务器、机器人控制系统
CN117151338A (zh) * 2023-09-08 2023-12-01 安徽大学 一种基于大语言模型的多无人机任务规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190034780A1 (en) * 2017-07-31 2019-01-31 Microsoft Technology Licensing, Llc Knowledge Graph For Conversational Semantic Search
WO2019184103A1 (zh) * 2018-03-30 2019-10-03 深圳狗尾草智能科技有限公司 基于人物ip的人机交互方法、系统、介质及设备
CN110399457A (zh) * 2019-07-01 2019-11-01 吉林大学 一种智能问答方法和系统
CN111098301A (zh) * 2019-12-20 2020-05-05 西南交通大学 一种基于场景知识图谱任务型机器人的控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190034780A1 (en) * 2017-07-31 2019-01-31 Microsoft Technology Licensing, Llc Knowledge Graph For Conversational Semantic Search
WO2019184103A1 (zh) * 2018-03-30 2019-10-03 深圳狗尾草智能科技有限公司 基于人物ip的人机交互方法、系统、介质及设备
CN110399457A (zh) * 2019-07-01 2019-11-01 吉林大学 一种智能问答方法和系统
CN111098301A (zh) * 2019-12-20 2020-05-05 西南交通大学 一种基于场景知识图谱任务型机器人的控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
修立军, 胡祥培: "目标规划模型的知识表示与XPGP搜索算法研究", 系统工程, no. 09 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364853A (zh) * 2021-01-13 2021-02-12 之江实验室 基于知识库和pddl语义设计的机器人任务执行方法
CN112364853B (zh) * 2021-01-13 2021-03-30 之江实验室 基于知识库和pddl语义设计的机器人任务执行方法
CN113568324A (zh) * 2021-06-29 2021-10-29 之江实验室 一种基于仿真演绎的知识图谱修正方法
CN115213885A (zh) * 2021-06-29 2022-10-21 达闼科技（北京）有限公司 机器人技能生成方法、装置、介质及云端服务器、机器人控制系统
CN113568324B (zh) * 2021-06-29 2023-10-20 之江实验室 一种基于仿真演绎的知识图谱修正方法
CN114055451A (zh) * 2021-11-24 2022-02-18 深圳大学 基于知识图谱的机器人操作技能表达方法
CN114201618A (zh) * 2022-02-17 2022-03-18 药渡经纬信息科技(北京)有限公司 药物研发文献可视化解读方法和系统
CN115129082A (zh) * 2022-07-13 2022-09-30 安徽大学 一种用于污染源搜索的感知探测无人机集群协同控制方法
CN115129082B (zh) * 2022-07-13 2023-09-29 安徽大学 一种用于污染源搜索的感知探测无人机集群协同控制方法
CN117151338A (zh) * 2023-09-08 2023-12-01 安徽大学 一种基于大语言模型的多无人机任务规划方法
CN117151338B (zh) * 2023-09-08 2024-05-28 安徽大学 一种基于大语言模型的多无人机任务规划方法

Also Published As

Publication number Publication date
CN111737492B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN111737492A (zh) 一种基于知识图谱技术的自主机器人任务规划方法
Geffner et al. A concise introduction to models and methods for automated planning
Prieditis Machine discovery of effective admissible heuristics
US20070112609A1 (en) Methods and apparatus to incorporate user feedback during planning
Solnon Solving permutation constraint satisfaction problems with artificial ants
JPH0410165A (ja) 最適計画作成方法
Yi et al. Homotopy-aware RRT*: Toward human-robot topological path-planning
Zhang et al. Co-optimizing task and motion planning
CN113449910B (zh) 一种基于顺序存储二叉树的航线自动生成方法
CN110428015A (zh) 一种模型的训练方法及相关设备
CN114019983A (zh) 面向多任务点的无人艇协同路径规划方法
Jiménez et al. An efficient algorithm for searching implicit AND/OR graphs with cycles
CN114371711B (zh) 一种机器人编队避障路径规划方法
CN114627980A (zh) 一种化学逆合成分析方法及系统
Ganganath et al. Rapidly replanning A
Krishnamoorthy et al. Deep learning techniques and optimization strategies in big data analytics: automated transfer learning of convolutional neural networks using Enas algorithm
US20190236226A1 (en) Estimated distance calculator, estimated distance calculation method, estimated distance calculation program, and automated planner
CN106354633A (zh) 基于算法插件的任务调度表生成方法
Ishak et al. A two-way approach for probabilistic graphical models structure learning and ontology enrichment.
Panov et al. Automatic formation of the structure of abstract machines in hierarchical reinforcement learning with state clustering
Lee et al. A knowledge-based expert system as a pre-post processor in engineering optimization
Groza et al. Development of a faster shortest path search algorithm based on A* strategy integrated in an e-learning virtual environment
Navabi et al. Visualizing the Search Space
Mackay Path planning with d*-lite
Panghal A comparative study of searching and optimization techniques in artificial intelligence

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