CN112749309A - 一种ai智能机器人数据收集方法 - Google Patents

Abstract

本发明公开了一种AI智能机器人数据收集方法；包括有以下步骤：S1、AI智能机器人上的各种传感器和设备检测在接收到信息之后进行传输；S2、数据模块实现对AI智能机器人检测和接收到的信息进行有效的处理；S4、数据信息进行分别处理，并且传输给控制模块，控制模块对数据信息进行有效的处理；S5、控制模块对数据信息进行处理判断，然后控制AI智能机器人做出相应的正确举动和回答；S6、数据信息在进行传输的时候，需要对数据信息进行存储和缓存；本发明通过多组数据模块分别进行数据处理，实现数据信息处理的准确性和速率，提高了反应速度和反应动作，且存储方式减少存储压力，提高处理速率和存储速率。

Description

一种AI智能机器人数据收集方法

技术领域

本发明属于智能机器人技术领域，具体涉及一种AI智能机器人数据收集方法。

背景技术

智能机器人之所以叫智能机器人，这是因为它有相当发达的“大脑”。在脑中起作用的是中央处理器，这种计算机跟操作它的人有直接的联系。最主要的是，这样的计算机可以进行按目的安排的动作。正因为这样，我们才说这种机器人才是真正的机器人，尽管它们的外表可能有所不同，智能机器人具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉、触觉、嗅觉。除具有感受器外，它还有效应器，作为作用于周围环境的手段。这就是筋肉，或称自整步电动机，它们使手、脚、长鼻子、触角等动起来。由此也可知，智能机器人至少要具备三个要素：感觉要素，反应要素和思考要素，大多数专家认为智能机器人至少要具备以下三个要素：一是感觉要素，用来认识周围环境状态；二是运动要素，对外界做出反应性动作；三是思考要素，根据感觉要素所得到的信息，思考出采用什么样的动作。感觉要素包括能感知视觉、接近、距离等的非接触型传感器和能感知力、压觉、触觉等的接触型传感器，然而市面上各种的智能机器人的数据传输仍存在各种各样的问题。

如授权公告号为CN106202418A所公开的一种用于智能机器人的图片数据收集方法及系统，其虽然实现了用于智能机器人的图片数据收集方法及系统能够通过与用户的对话来自动获取图片并对该图片进行数据标注从而得到带有标记数据的图片，该方法可以能够极大地减少图片采集的成本，同时该方法还能够较好地控制图片的内容(例如可以通过输出相应的人脸图片请求信息来定向的收集具有特定特征的图片)。此外，该方法还能够增加图片标记的准确率，由直接对图片进行数据标准，因此也就可以减少人工标注的成本以及出错风险，但是并未解决现有智能机器人存在的不能实现对数据信息进行快速的传输和处理，造成智能机器人的反应过慢等的问题，为此我们提出一种AI智能机器人数据收集方法。

发明内容

本发明的目的在于提供一种AI智能机器人数据收集方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种AI智能机器人数据收集方法，包括有以下步骤：

S1、AI智能机器人上的各种传感器和设备检测在接收到信息之后进行传输：AI智能机器人通过各种传感器和设备实现对外部的信息进行检测和接收，然后将数据进行有效的传输，并且进行处理；

S2、数据模块实现对AI智能机器人检测和接收到的信息进行有效的处理：数据模块中包括有数据采集、数据转换、数据分组、数据组织、数据计算、数据存储、数据检索和数据排序，进而实现对数据进行有效的处理，然后将数据信息传输给控制模块；

S3、数据信息进行分别处理，并且传输给控制模块，控制模块对数据信息进行有效的处理：在S2中的数据模块设有多组，分别处理不同的数据信息，并且至少包括有音视处理、动力检测处理、电压检测处理、传感器检测处理和网络数据接收处理，进而实现对不同的数据信息处理，加快数据信息的处理速度，提高AI智能机器人的反应速度；

S4、控制模块对数据信息进行处理判断，然后控制AI智能机器人做出相应的正确举动和回答：控制模块对数据信息进行有效的判断处理，且控制模块的判断处理采用的方法包括有粒子群算法、遗传算法、贪婪算法、蚁群算法、且AI智能机器人模型训练还包括有监督学习、无监督学习、半监督学习和强化学习四大类，通过上述各种算法对信息处理判断，然后在向各个分部发送指令，完成AI智能机器人的反应；

S5、数据信息在进行传输的时候，需要对数据信息进行存储和缓存；在数据信息进行传输的时候，以及数据信息处理完毕的时候，需要对数据信息进行有效的缓存和存储，使得数据信息能够逐步的进行有效的处理，防止数据信息堵塞，且数据信息在进行存储的时候采用的是DAS存储方法和NAS存储方法。

优选的，所述S1中的各种传感器包括有压力传感器、温度传感器、超声波雷达传感器、红外距离传感器、红外温度传感器、力矩传感器、物体识别传感器和听觉传感器，所述压力传感器、所述超声波雷达传感器、所述红外距离传感器、所述红外温度传感器、所述物体识别传感器和所述听觉传感器用于检测AI智能机器人的外部环境，所述温度传感器用于检测AI智能机器人内部的环境，所述力矩传感器用于检测AI智能机器人的各处关节所受力矩。

优选的，所述S1中的设备检测包括有运行电压电流检测、采音咪头、摄像头和充电电压电流检测，所述运行电压电流检测用于检测AI智能机器人在运行的时候各处电压电流的大小和稳定性，所述采音咪头和所述摄像头分别用于采集外部的声音和视觉画面，所述充电电压电流检测用于对AI智能机器人的充电电压电流的大小和稳定性进行检测。

优选的，所述S2中的所述数据采集是用于采集各处传感器和设备检测采集的数据信息，所述数据转换是用于把信息转换成机器能够接收的形式，所述数据分组是用于指定编码，按有关信息进行有效的分组，所述数据组织是用于整理数据或用某些方法安排数据，以便进行处理，所述数据计算是用于进行各种算术和逻辑运算，以便得到进一步的信息，所述数据存储是用于将原始数据或计算的结果保存起来，供以后使用，所述数据检索是用于按用户的要求找出有用的信息，所述数据排序是用于把数据按一定要求排成次序。

优选的，所述S4中的音视处理用于接收处理所述采音咪头和所述摄像头传输的数据信息，所述动力检测处理用于处理AI智能机器人运动的动力和力矩传感器采集的数据信息，所述电压检测处理用于处理所述运行电压电流检测和所述充电电压电流检测采集的数据信息，所述传感器检测处理用于处理所述压力传感器、所述温度传感器、所述超声波雷达传感器、所述红外距离传感器、所述红外温度传感器、所述物体识别传感器和所述听觉传感器采集的数据信息，所述网络数据接收处理用于处于网络通讯传输的数据信息。

优选的，所述S5中的监督学习中包括有人工神经网络类、贝叶斯类、决策树类、线性分类器类，所述无监督学习中包括有关联规则学习类、分层聚类算法、聚类分析和异常检测类，所述半监督学习中包括有生成模型、低密度分离、基于图形的方法和联合训练，所述强化学习包括有强化学习类算法和深度学习类算法，所述强化学习类算法包含有Q学习、状态-行动-奖励-状态-行动、DQN、策略梯度算法、基于模型强化学习和时序差分学习，所述深度学习类算法包含有深度信念网络、深度卷积神经网络、深度递归神经网络、分层时间记忆、深度波尔兹曼机、栈式自动编码器、生成对抗网络等。

优选的，所述S6中的DAS存储方法用于将数据信息存储在AI智能机器人内部，所述NAS存储方法是用于将数据信息存储在网络数据库内，进而可以有效的减缓AI智能机器人在存储方面存在的巨大的压力。

优选的，所述S6中的缓存采用的是Write Behind Caching更新模式，所述WriteBehind Caching更新模式可以实现先更新缓存，缓存定时异步更新数据库，进而可以实现对处理的信息进行优先处理再存储。

优选的，所述NAS存储方法在进行存储的时候需要使用到通讯模块进行数据的传输和接收，所述通讯模块采用的是GSM通讯和TDMA通讯，所述TDMA通讯能够实现一个射频同时支持多个数据频道。

优选的，所述采音咪头和所述摄像头在进行数据信息传输的时候能够进行滤波处理，有效的实现对信息中的噪声进行滤除。

与现有技术相比，本发明的有益效果是：

本发明通过多组数据模块实现对不同的检测模组进行数据处理，使得数据信息不会在处理的时候发生混乱，使得数据信息能够有效的进行处理，进而实现对数据信息的处理准确性和速率进行提高，极大的提高了AI智能机器人的反应速度，以及多种算法能够实现对AI智能机器人的数据信息进行判断处理，进而实现AI智能机器人能够做出准确的反应动作，且存储方式的多样能够减少AI智能机器人的存储压力，以及能够提高AI智能机器人的处理速率和存储速率。

附图说明

图1为本发明的步骤流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种AI智能机器人数据收集方法，包括有以下步骤：

S1、AI智能机器人上的各种传感器和设备检测在接收到信息之后进行传输：AI智能机器人通过各种传感器和设备实现对外部的信息进行检测和接收，然后将数据进行有效的传输，并且进行处理；

S2、数据模块实现对AI智能机器人检测和接收到的信息进行有效的处理：数据模块中包括有数据采集、数据转换、数据分组、数据组织、数据计算、数据存储、数据检索和数据排序，进而实现对数据进行有效的处理，然后将数据信息传输给控制模块；

S3、数据信息进行分别处理，并且传输给控制模块，控制模块对数据信息进行有效的处理：在S2中的数据模块设有多组，分别处理不同的数据信息，并且至少包括有音视处理、动力检测处理、电压检测处理、传感器检测处理和网络数据接收处理，进而实现对不同的数据信息处理，加快数据信息的处理速度，提高AI智能机器人的反应速度；

S4、控制模块对数据信息进行处理判断，然后控制AI智能机器人做出相应的正确举动和回答：控制模块对数据信息进行有效的判断处理，且控制模块的判断处理采用的方法包括有粒子群算法、遗传算法、贪婪算法、蚁群算法、且AI智能机器人模型训练还包括有监督学习、无监督学习、半监督学习和强化学习四大类，通过上述各种算法对信息处理判断，然后在向各个分部发送指令，完成AI智能机器人的反应；

S5、数据信息在进行传输的时候，需要对数据信息进行存储和缓存；在数据信息进行传输的时候，以及数据信息处理完毕的时候，需要对数据信息进行有效的缓存和存储，使得数据信息能够逐步的进行有效的处理，防止数据信息堵塞，且数据信息在进行存储的时候采用的是DAS存储方法和NAS存储方法。

为了实现对AI智能机器人的内部环境和外部环境进行有效的检测，以及对AI智能机器人进行关节力矩的控制调节，本实施例中，优选的，所述S1中的各种传感器包括有压力传感器、温度传感器、超声波雷达传感器、红外距离传感器、红外温度传感器、力矩传感器、物体识别传感器和听觉传感器，所述压力传感器、所述超声波雷达传感器、所述红外距离传感器、所述红外温度传感器、所述物体识别传感器和所述听觉传感器用于检测AI智能机器人的外部环境，所述温度传感器用于检测AI智能机器人内部的环境，所述力矩传感器用于检测AI智能机器人的各处关节所受力矩。

为了实现对AI智能机器人进行电压电流检测，以及实现语音的采集和环境画面的采集处理，本实施例中，优选的，所述S1中的设备检测包括有运行电压电流检测、采音咪头、摄像头和充电电压电流检测，所述运行电压电流检测用于检测AI智能机器人在运行的时候各处电压电流的大小和稳定性，所述采音咪头和所述摄像头分别用于采集外部的声音和视觉画面，所述充电电压电流检测用于对AI智能机器人的充电电压电流的大小和稳定性进行检测。

为了实现对各个传感器和设备检测到的数据进行有效的处理，本实施例中，优选的，所述S2中的所述数据采集是用于采集各处传感器和设备检测采集的数据信息，所述数据转换是用于把信息转换成机器能够接收的形式，所述数据分组是用于指定编码，按有关信息进行有效的分组，所述数据组织是用于整理数据或用某些方法安排数据，以便进行处理，所述数据计算是用于进行各种算术和逻辑运算，以便得到进一步的信息，所述数据存储是用于将原始数据或计算的结果保存起来，供以后使用，所述数据检索是用于按用户的要求找出有用的信息，所述数据排序是用于把数据按一定要求排成次序。

为了实现对对不同的检测设备和传感器的采用信息进行分别处理，防止信息在处理的时候发生混乱，本实施例中，优选的，所述S4中的音视处理用于接收处理所述采音咪头和所述摄像头传输的数据信息，所述动力检测处理用于处理AI智能机器人运动的动力和力矩传感器采集的数据信息，所述电压检测处理用于处理所述运行电压电流检测和所述充电电压电流检测采集的数据信息，所述传感器检测处理用于处理所述压力传感器、所述温度传感器、所述超声波雷达传感器、所述红外距离传感器、所述红外温度传感器、所述物体识别传感器和所述听觉传感器采集的数据信息，所述网络数据接收处理用于处于网络通讯传输的数据信息。

为了实现对采集的数据信息进行有效的处理，并且能够使得AI智能机器人做出相应的动作判断和回应，本实施例中，优选的，所述S5中的监督学习中包括有人工神经网络类、贝叶斯类、决策树类、线性分类器类，所述无监督学习中包括有关联规则学习类、分层聚类算法、聚类分析和异常检测类，所述半监督学习中包括有生成模型、低密度分离、基于图形的方法和联合训练，所述强化学习包括有强化学习类算法和深度学习类算法，所述强化学习类算法包含有Q学习、状态-行动-奖励-状态-行动、DQN、策略梯度算法、基于模型强化学习和时序差分学习，所述深度学习类算法包含有深度信念网络、深度卷积神经网络、深度递归神经网络、分层时间记忆、深度波尔兹曼机、栈式自动编码器、生成对抗网络等。

为了实现对采集的数据信息进行有效的存储和缓存，且为了减少AI智能机器人的存储压力，本实施例中，优选的，所述S6中的DAS存储方法用于将数据信息存储在AI智能机器人内部，所述NAS存储方法是用于将数据信息存储在网络数据库内，进而可以有效的减缓AI智能机器人在存储方面存在的巨大的压力。

为了提高AI智能机器人的数据处理速度和存储速度，本实施例中，优选的，所述S6中的缓存采用的是Write Behind Caching更新模式，所述Write Behind Caching更新模式可以实现先更新缓存，缓存定时异步更新数据库，进而可以实现对处理的信息进行优先处理再存储。

为了实现对数据信息进行远程存储，使得部分数据信息不会占用AI智能机器人内部的存储空间，并且能够实现快速的数据信息的传输，本实施例中，优选的，所述NAS存储方法在进行存储的时候需要使用到通讯模块进行数据的传输和接收，所述通讯模块采用的是GSM通讯和TDMA通讯，所述TDMA通讯能够实现一个射频同时支持多个数据频道。

为了实现对语音和画面中的噪声进行有效的处理，使得语音和画面能够更加的精准，本实施例中，优选的，所述采音咪头和所述摄像头在进行数据信息传输的时候能够进行滤波处理，有效的实现对信息中的噪声进行滤除。

本发明的工作原理及使用流程：

第一步、AI智能机器人上的各种传感器和设备检测在接收到信息之后进行传输：AI智能机器人通过各种传感器和设备实现对外部的信息进行检测和接收，然后将数据进行有效的传输，并且进行处理；

第二步、数据模块实现对AI智能机器人检测和接收到的信息进行有效的处理：数据模块中包括有数据采集、数据转换、数据分组、数据组织、数据计算、数据存储、数据检索和数据排序，进而实现对数据进行有效的处理，然后将数据信息传输给控制模块；

第三步、数据信息进行分别处理，并且传输给控制模块，控制模块对数据信息进行有效的处理：在S2中的数据模块设有多组，分别处理不同的数据信息，并且至少包括有音视处理、动力检测处理、电压检测处理、传感器检测处理和网络数据接收处理，进而实现对不同的数据信息处理，加快数据信息的处理速度，提高AI智能机器人的反应速度；

第四步、控制模块对数据信息进行处理判断，然后控制AI智能机器人做出相应的正确举动和回答：控制模块对数据信息进行有效的判断处理，且控制模块的判断处理采用的方法包括有粒子群算法、遗传算法、贪婪算法、蚁群算法、且AI智能机器人模型训练还包括有监督学习、无监督学习、半监督学习和强化学习四大类，通过上述各种算法对信息处理判断，然后在向各个分部发送指令，完成AI智能机器人的反应；

第五步、数据信息在进行传输的时候，需要对数据信息进行存储和缓存；在数据信息进行传输的时候，以及数据信息处理完毕的时候，需要对数据信息进行有效的缓存和存储，使得数据信息能够逐步的进行有效的处理，防止数据信息堵塞，且数据信息在进行存储的时候采用的是DAS存储方法和NAS存储方法。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种AI智能机器人数据收集方法，其特征在于，包括有以下步骤：

S1、AI智能机器人上的各种传感器和设备检测在接收到信息之后进行传输：AI智能机器人通过各种传感器和设备实现对外部的信息进行检测和接收，然后将数据进行有效的传输，并且进行处理；

S2、数据模块实现对AI智能机器人检测和接收到的信息进行有效的处理：数据模块中包括有数据采集、数据转换、数据分组、数据组织、数据计算、数据存储、数据检索和数据排序，进而实现对数据进行有效的处理，然后将数据信息传输给控制模块；

S3、数据信息进行分别处理，并且传输给控制模块，控制模块对数据信息进行有效的处理：在S2中的数据模块设有多组，分别处理不同的数据信息，并且至少包括有音视处理、动力检测处理、电压检测处理、传感器检测处理和网络数据接收处理，进而实现对不同的数据信息处理，加快数据信息的处理速度，提高AI智能机器人的反应速度；

S4、控制模块对数据信息进行处理判断，然后控制AI智能机器人做出相应的正确举动和回答：控制模块对数据信息进行有效的判断处理，且控制模块的判断处理采用的方法包括有粒子群算法、遗传算法、贪婪算法、蚁群算法、且AI智能机器人模型训练还包括有监督学习、无监督学习、半监督学习和强化学习四大类，通过上述各种算法对信息处理判断，然后在向各个分部发送指令，完成AI智能机器人的反应；

S5、数据信息在进行传输的时候，需要对数据信息进行存储和缓存；在数据信息进行传输的时候，以及数据信息处理完毕的时候，需要对数据信息进行有效的缓存和存储，使得数据信息能够逐步的进行有效的处理，防止数据信息堵塞，且数据信息在进行存储的时候采用的是DAS存储方法和NAS存储方法。

2.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S1中的各种传感器包括有压力传感器、温度传感器、超声波雷达传感器、红外距离传感器、红外温度传感器、力矩传感器、物体识别传感器和听觉传感器，所述压力传感器、所述超声波雷达传感器、所述红外距离传感器、所述红外温度传感器、所述物体识别传感器和所述听觉传感器用于检测AI智能机器人的外部环境，所述温度传感器用于检测AI智能机器人内部的环境，所述力矩传感器用于检测AI智能机器人的各处关节所受力矩。

3.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S1中的设备检测包括有运行电压电流检测、采音咪头、摄像头和充电电压电流检测，所述运行电压电流检测用于检测AI智能机器人在运行的时候各处电压电流的大小和稳定性，所述采音咪头和所述摄像头分别用于采集外部的声音和视觉画面，所述充电电压电流检测用于对AI智能机器人的充电电压电流的大小和稳定性进行检测。

4.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S2中的所述数据采集是用于采集各处传感器和设备检测采集的数据信息，所述数据转换是用于把信息转换成机器能够接收的形式，所述数据分组是用于指定编码，按有关信息进行有效的分组，所述数据组织是用于整理数据或用某些方法安排数据，以便进行处理，所述数据计算是用于进行各种算术和逻辑运算，以便得到进一步的信息，所述数据存储是用于将原始数据或计算的结果保存起来，供以后使用，所述数据检索是用于按用户的要求找出有用的信息，所述数据排序是用于把数据按一定要求排成次序。

5.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S4中的音视处理用于接收处理所述采音咪头和所述摄像头传输的数据信息，所述动力检测处理用于处理AI智能机器人运动的动力和力矩传感器采集的数据信息，所述电压检测处理用于处理所述运行电压电流检测和所述充电电压电流检测采集的数据信息，所述传感器检测处理用于处理所述压力传感器、所述温度传感器、所述超声波雷达传感器、所述红外距离传感器、所述红外温度传感器、所述物体识别传感器和所述听觉传感器采集的数据信息，所述网络数据接收处理用于处于网络通讯传输的数据信息。

6.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S5中的监督学习中包括有人工神经网络类、贝叶斯类、决策树类、线性分类器类，所述无监督学习中包括有关联规则学习类、分层聚类算法、聚类分析和异常检测类，所述半监督学习中包括有生成模型、低密度分离、基于图形的方法和联合训练，所述强化学习包括有强化学习类算法和深度学习类算法，所述强化学习类算法包含有Q学习、状态-行动-奖励-状态-行动、DQN、策略梯度算法、基于模型强化学习和时序差分学习，所述深度学习类算法包含有深度信念网络、深度卷积神经网络、深度递归神经网络、分层时间记忆、深度波尔兹曼机、栈式自动编码器、生成对抗网络等。

7.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S6中的DAS存储方法用于将数据信息存储在AI智能机器人内部，所述NAS存储方法是用于将数据信息存储在网络数据库内，进而可以有效的减缓AI智能机器人在存储方面存在的巨大的压力。

8.根据权利要求1所述的一种AI智能机器人数据收集方法，其特征在于：所述S6中的缓存采用的是Write Behind Caching更新模式，所述Write Behind Caching更新模式可以实现先更新缓存，缓存定时异步更新数据库，进而可以实现对处理的信息进行优先处理再存储。

9.根据权利要求7所述的一种AI智能机器人数据收集方法，其特征在于：所述NAS存储方法在进行存储的时候需要使用到通讯模块进行数据的传输和接收，所述通讯模块采用的是GSM通讯和TDMA通讯，所述TDMA通讯能够实现一个射频同时支持多个数据频道。

10.根据权利要求5所述的一种AI智能机器人数据收集方法，其特征在于：所述采音咪头和所述摄像头在进行数据信息传输的时候能够进行滤波处理，有效的实现对信息中的噪声进行滤除。

Images