CN114153943A - 一种基于知识图谱构建机器人行为树的系统及方法 - Google Patents

Abstract

本发明公开了一种基于知识图谱构建机器人行为树的系统及方法，系统包括：知识图谱及行为树，知识图谱通过一组有向连接的动作节点，根据AOG格式构建，动作节点包括动作类别及其对应的一组动作特征、动作作用对象，有向连接根据比对动作特征连接动作节点；行为树根据主谓宾结构的任务，将主语和宾语作为动作作用对象，将谓语分类到动作类别对应的一组动作特征，根据动作特征构建对应的行为，根据行为构建行为节点，并根据子动作节点有向连接调换行为树各行为节点的顺序；方法包括：S1，构建对象知识库；S2，构建动作知识库；S3，构建知识图谱；S4，构建行为树。

Description

一种基于知识图谱构建机器人行为树的系统及方法

技术领域

本发明涉及机器人及人工智能技术领域，尤其是涉及一种基于与或关系知识图谱构建机器人行为树的方法。

背景技术

现有技术中，机器人行为控制多依赖于规则约束进行控制，无法与现有知识库进行交互，无法根据环境与认知的改变进行自身行为修正变更，无法自适应环境改变。例如：传统知识库只存放物体、人物、常识、动作知识，然后使用其他机器人规划方法进行规划，在此过程中的知识只是各个孤立的节点，并且参数属性需要在机器人执行任务的时候才能获取到。

并且，通常意义上的机器人任务规划输出为一个个的行为序列，这样构建复杂机器人任务时出现大量冗余行为。

对此，在现阶段基于大数据构建的知识图谱基础上，我们需要设计一种方案，将知识图谱应用到机器人行为决策上来。

发明内容

为解决现有技术的不足，构造一种知识图谱结构，实现避免机器人动作行为规划中，出现的动作、目标缺失的目的，本发明采用如下的技术方案：

一种基于知识图谱构建机器人行为树的系统，包括：知识图谱及行为树，知识图谱通过一组有向连接的动作节点，根据AOG格式构建，动作节点包括动作类别motion及其对应的一组动作特征feature、动作作用对象target，有向连接根据比对动作特征feature连接动作节点，有向连接包括连接类型type、执行顺序seq、路由可能性prop，连接类型type包括选择select、顺序sequence、并行parallel，当连接类型type为顺序sequence时，执行顺序seq表示执行父动作节点之后需要执行子动作节点，动作具有组合特性，当连接类型type为并行parallel时，表示执行顺序seq相同，并行执行的动作，当连接类型type为选择select时，表示执行父节点之后根据选择select中的条件信息选择执行子节点，路由可能性prop表示动作节点的选择强度，与并行parallel相关；行为树根据主谓宾结构的任务，将主语和宾语作为动作作用对象target，将谓语分类到动作类别motion对应的一组动作特征feature，根据动作特征feature构建对应的行为Behavior，在知识图谱中寻找与行为Behavior对应的全部子动作节点，依次构造成行为集合{Behavior}，并根据子节点的连接类型选择select和顺序sequence，将行为集合{Behavior}拆分为子行为集合{Behavior}sel和{Behavior}seq，将执行顺序seq相同的子动作节点拟定为parallel节点，对于所有的子行为集合{Behavior}sel构建选择select行为节点，对于所有的子行为集合{Behavior}seq构建顺序sequence行为节点，构建时，根据子动作节点的执行顺序seq和路有可能性prop调换行为树各个子行为节点的顺序。

一种基于知识图谱构建机器人行为树的方法，包括如下步骤：

S1，构建对象知识库，将场景中的人物信息记录为{Human}，物体信息记录为{Evn}，两者均包含属性和位置信息(property, position)，为场景中的人物、物体构建知识节点，各知识节点包括其对应的属性和位置信息。

属性包括人物名称、人物称呼、人物坐标、人物特征、物体名称、物体坐标、物体特征。

S2，构建动作知识库，包括动作类别标识motion、动作特征的标签列表features和动作作用对象target，动作作用对象target的值为对象知识库中的人物信息Human或物体信息Evn。

S3，构建知识图谱，以机器人具有的可被控制的最小动作建立动作节点M，包括动作作用对象target、动作类别motion及其对应的一组动作特征feature，动作节点之间建立有向连接关系R，根据动作特征feature的比对进行连接，动作节点M根据AOG（And OrGraph）格式构建知识图谱。

有向连接关系R包括连类型type、执行顺序seq、路由可能性prop。连接类型type包括选择select、顺序sequence、并行parallel；执行顺序seq与顺序sequence对应，表示的动作节点执行的顺序，即执行父动作节点之后需要执行子动作节点，且必须执行子节点，动作具有组合特性；当执行顺序seq相同时，连接类型type为并行parallel，表示并行执行的动作；当连接类型为选择select时，表示执行父节点之后根据条件选择执行子节点，选择select中包含条件信息，条件信息包括环境信息，记作cond(env)，条件计算与机器人感知信息相关，由深度神经网络依据多模态条件判决当前的条件是否可以执行；路由可能性prop表示动作节点的选择强度，与并行parallel相关。

动作作用对象target表示在对象知识库中的一个知识节点实例，使用唯一的id传递target。

动作作用对象target的值包括：地点place、目标物体object、目标人物human、语言内容speak。

S4，根据知识图谱，构建行为树，根据收到的主谓宾结构的任务，在对象知识库中找到主语s和宾语o对应的目标，作为动作作用对象target，当在场景中不存在时，构建失败；将谓语v经过分类器分类到一个具体动作，该动作与动作知识库中的动作特征的标签列表features对应，即动作节点M中的动作特征feature；对动作作用对象target进行填充，参数获取方式从当前该动作的主语s、宾语v所对应的场景知识中提取，语言内容从场景目标和上下文文本生成获得；依照动作特征构建对应行为，根据行为特征选择使用运动、行径还是语言对话，完成后的行为记作Behavior。

对于已经构建的行为Behavior，在动作知识图谱中寻找与之对应的全部子动作节点，节点依次构造成行为集合{Behavior}，在集合{Behavior}中，按照关联类型选择select、顺序sequence分离节点集合，拆分为{Behavior}sel和{Behavior}seq，分别拟定select节点和sequence节点，将seq相同的节点拟定为parallel节点，对于所有的{Behavior}sel构建sel行为节点，构建时进行条件判断cond(env)，获得布尔类型的实时条件判断结果，对于所有的{Behavior}seq构建sequence行为节点，构建时进行排序，按照seq和prop排序方法由大到小调换行为树各个子节点的顺序。

S5，对行为树进行参数注入，针对任意一个行为节点，使用如下方法进行参数注入：

主体始终使用任务理解中的主语s，根据主语s进行环境、人物目标查询，获取位置信息position、target的id（即动作类别motion）、描述信息注入Behavior的参数列表（target）中；动作id作为内容注入行为中，使用任务理解信息中的谓语v作为行为树名称，对于无法确定参数的行为，进行知识库检索，寻找feature相似的动作进行处理；对于完全无法确定参数target的动作，将导致无法构建行为，此时判定整个行为树构建失败。

S6，校验过程设计为：一个行为下的子行为必须全是sequence节点或者selector节点；Parallel作为并行执行节点，可以与sequence节点共存；一个selector行为必须包含条件判定布尔参数；任何行为必须包含可以完成的动作id参数。

本发明的优势和有益效果在于：

本发明在动作知识的基础上，将AOG的设计思维引入，使得动作知识间存在依存关系，仅仅依靠知识图谱就可以构建出机器人的行为；最终生成的行为树，在结构上由于行为序列，行为树既能够表示顺序又能够表示动作行为间的层次，而且相同的行为规划不会重复出现。

附图说明

图1是本发明中的场景知识图谱。

图2是本发明中的动作知识图谱。

图3是本发明中sequence和select关系图。

图4是本发明中使用知识库进行规划的示意图。

图5是本发明中完整行为树生成示例图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

一种基于与或关系知识图谱构建机器人行为树的方法，涉及人工智能机器人任务行为规划、知识图谱领域技术、行为树以及引擎技术、机器人控制论，可用于机器人自主行为决策和驱动控制，通过调整知识图谱，即可改变机器人的行为逻辑规划，具体如下：

该方案中规划将AOG（And Or Graph）图作为决策核心，使用动作节点按照AOG格式构建知识图谱；将任务分解为一个个动作，动作以机器人能够执行的最小动作为基准；将机器人可以进行交互的对象，存储在对象知识库中，该知识库随着场景的更新而更新。

如图3所示，前提之一是已存在周边环境的感知和对应人、物的知识库存储，将场景中的人物信息记录为{Human}，将场景中的物体的地点记录为{Evn}，两者均包含属性和位置信息(property, position)，包含可用性信息，均存放在对象知识库中；

每个知识节点包含物体的基本信息，表示物体或者人是否存在于场景中；

存在于场景中的知识节点，将拥有实体属性，属性有物体相对于机器人的世界坐标、物体的特征、物体名称、人物名称、人物称呼、人物坐标、人物的特征；以上信息均数据化存放在知识节点中。

如图2所示，机器人具有的可被控制的最小动作标识motion为单位，动作的标签列表features，动作的作用对象设置为target；target表示在对象知识库中的一个知识节点实例，使用唯一的id传递target，值为对象知识库中的Human或者Env；target分别为place、object、human、speak，分别表示地点、目标物体、目标人物、语言内容，这些内容在对象知识中获取。

一个动作节点M由motion、feature、target构成，分别表示动作类别、动作特征、动作作用目标；动作节点之间存在有向连接关系R，两个动作之间的关系记作M1-R->M2，根据特征的相似度比对，将具有相似特征的M节点尽可能有向连接起来，形成有向图，每个连接记作R，例如，“欢迎”和“迎宾”动作特征值类似，属于同一类动作。构成R的要素：type、seq、prop，分别表示R的类型、执行顺序、路由可能性，该属性人为指定初始值和状态。

其中type表示的类型为select、sequence、parallel，分别表示选择、顺序、并行；

Seq表示的执行顺序指出节点关系，与sequence相关；

prop表示的路有可能性，即选择强度，与属性parallel相关；

对于动作知识图谱，节点表示动作M，每个动作节点存储一个可以执行的动作，机器人的行为由若干个动作构成，允许重复。

如图1所示，对于Seq关系，表示执行父节点之后需要执行子节点，且必须执行子节点，动作具有组合特性；对于Seq相同情况下，将被视为并行parallel关系，表示并行执行的动作。对于Select关系，表示执行父节点之后按照条件选择执行子节点，select关系中包含条件关系。条件信息包括环境信息，记作cond(env)，条件计算与机器人感知信息相关，由深度神经网络依据多模态条件判决当前的条件是否可以执行。

如图4所示，依照建立的知识图谱，设计行为树构建步骤。构建行为树的初始条件是一个有主谓宾三个元素构成的任务，任务由主语s、谓语v、宾语o构成，我们收到一个任务，然后在对象知识库中找到主语s和宾语o所对应的目标物体或者人物，标记为target，如果在场景中不存在，那么规划失败。

将谓语v经过分类器（适用于一切已知的机器学习分类）分类到一个具体动作，该动作在动作知识库中（M中的feature）。对Target进行填充，参数获取方式从当前该动作的主语s、宾语v所对应的场景知识中提取，语言内容从场景目标和上下文文本生成获得。依照动作名称构建对应行为，根据行为特征选择使用运动、行径还是语言对话，完成后的行为记作Behavior，标志着行为构建完成。

对于已经构建的行为Behavior，在动作图谱中寻找与之对应的全部子动作节点，节点依次构造成行为集合{Behavior}，在集合{Behavior}中，按照关联类型Select、Sequence类型分离节点集合，拆分为{Behavior}sel和{Behavior}seq，分别拟定selector节点和sequence节点，将Seq相同的节点拟定为parallel节点。对于所有的{Behavior}sel构建sel行为节点，构建时进行条件判断cond(env)，获得布尔类型的实时条件判断结果。对于所有的{Behavior}seq构建seq行为节点，构建时进行排序，按照seq和prop排序方法调换行为树各个子节点的顺序。

如图5所示，最后对行为树进行参数注入，针对任意一个行为节点，我们使用如下方法进行参数注入：

主体始终使用任务理解中的主语s，按照主语s进行环境、人物目标查询，获取位置、Target的id、motion类型、描述信息注入Behavior的参数列表（target）中；动作id作为内容注入行为中，使用任务理解信息中的谓语v作为行为树名称，对于无法确定参数的行为，进行知识库检索，寻找feature相似的动作进行处理；对于完全无法确定参数target的动作，将导致无法构建行为，此时判定整个行为树构建失败。

校验过程设计为：一个行为下的子行为必须全是sequence节点或者selector节点；Parallel作为并行执行节点，可以与sequence节点共存；一个selector行为必须包含条件判定布尔参数；任何行为必须包含可以完成的动作id参数。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (10)

1.一种基于知识图谱构建机器人行为树的系统，包括：知识图谱及行为树，其特征在于所述知识图谱通过一组有向连接的动作节点，根据AOG格式构建，动作节点包括动作类别motion及其对应的一组动作特征feature、动作作用对象target，有向连接根据比对动作特征feature连接动作节点，有向连接包括连接类型type、执行顺序seq、路由可能性prop，连接类型type包括选择select、顺序sequence、并行parallel，当连接类型type为顺序sequence时，执行顺序seq表示执行父动作节点之后需要执行子动作节点，当连接类型type为并行parallel时，表示执行顺序seq相同，并行执行的动作，当连接类型type为选择select时，表示执行父节点之后根据选择select中的条件信息选择执行子节点，路由可能性prop表示动作节点的选择强度；所述行为树根据主谓宾结构的任务，将主语和宾语作为动作作用对象target，将谓语分类到对应的动作特征feature的动作motion，根据动作特征feature构建对应的行为Behavior，在知识图谱中寻找与行为Behavior对应的子动作节点，依次构造成行为集合{Behavior}，并根据子节点的连接类型选择select和顺序sequence，将行为集合{Behavior}拆分为子行为集合{Behavior}sel和{Behavior}seq，分别拟定select子行为和sequence子行为，将执行顺序seq相同的子动作节点拟定为parallel节点，对子行为集合{Behavior}sel构建选择select行为节点，对子行为集合{Behavior}seq构建顺序sequence行为节点，构建时，根据子动作节点的执行顺序seq和路有可能性prop由大到小调换行为树各个子行为节点的顺序。

2.根据权利要求1所述的一种基于知识图谱构建机器人行为树的系统，其特征在于所述选择select中的条件信息为环境信息，条件计算与机器人感知信息相关，由深度神经网络依据多模态条件，判决当前的条件是否可以执行，构建选择select行为节点时，进行条件判断，获得布尔类型的实时条件判断结果。

3.根据权利要求1所述的一种基于知识图谱构建机器人行为树的系统，其特征在于系统还包括对象知识库，记录场景中的目标对象及其属性，在构建行为树时，根据主语和宾语，在对象数据库中检索对应的目标对象，作为动作作用对象target。

4.根据权利要求1所述的一种基于知识图谱构建机器人行为树的系统，其特征在于为动作节点构建动作知识库，为动作类别motion构建标识，为动作特征feature构建标签列表，为动作作用对象target提供目标对象信息。

5.根据权利要求3所述的一种基于知识图谱构建机器人行为树的系统，其特征在于所述动作作用对象target，是在对象知识库中的一个知识节点实例，使用唯一的id传递动作作用对象target。

6.根据权利要求1所述的一种基于知识图谱构建机器人行为树的系统，其特征在于对所述行为树进行参数注入，针对行为节点，根据主语进行目标对象查询，获取位置信息、动作类别motion、描述信息注入行为Behavior的参数列表中，动作类别motion作为内容注入行为中，将谓语作为行为树名称，对于无法确定参数的行为，寻找动作特征feature相似的动作进行处理；对于完全无法确定参数动作作用对象target的动作，判定行为树构建失败。

7.根据权利要求3-6之一所述的一种基于知识图谱构建机器人行为树的系统，其特征在于所述目标对象的信息包括人物信息、物体信息，两者均包含属性和位置信息，属性包括人物名称、人物称呼、人物坐标、人物特征、物体名称、物体坐标、物体特征。

8.根据权利要求1所述的一种基于知识图谱构建机器人行为树的系统，其特征在于所述动作作用对象target的值包括：地点、目标物体、目标人物、语言内容。

9.一种基于知识图谱构建机器人行为树的方法，其特征在于包括如下步骤：

S1，构建对象知识库，记录场景中的目标对象及其属性；

S2，构建动作知识库，为动作节点构建动作知识库，动作类别motion构建标识，为动作特征feature构建标签列表，为动作作用对象target关联对象知识库中目标对象及其属性；

S3，构建知识图谱，通过一组有向连接的动作节点，根据AOG格式构建，动作节点包括动作类别motion及其对应的一组动作特征feature、动作作用对象target，有向连接根据比对动作特征feature连接动作节点，有向连接包括连接类型type、执行顺序seq、路由可能性prop，连接类型type包括选择select、顺序sequence、并行parallel，当连接类型type为顺序sequence时，执行顺序seq表示执行父动作节点之后需要执行子动作节点，当连接类型type为并行parallel时，表示执行顺序seq相同，并行执行的动作，当连接类型type为选择select时，表示执行父节点之后根据选择select中的条件信息选择执行子节点，路由可能性prop表示动作节点的选择强度；

S4，构建行为树，根据主谓宾结构的任务，通过主语和宾语，在对象数据库中检索对应的目标对象，作为动作作用对象target，将谓语分类到动作类别motion对应的一组动作特征feature，根据动作特征feature构建对应的行为Behavior，在知识图谱中寻找与行为Behavior对应的子动作节点，依次构造成行为集合{Behavior}，并根据子节点的连接类型选择select和顺序sequence，将行为集合{Behavior}拆分为子行为集合{Behavior}sel和{Behavior}seq，分别拟定select子动作节点和sequence子动作节点，将执行顺序seq相同的子动作节点拟定为parallel节点，对子行为集合{Behavior}sel构建选择select行为节点，对子行为集合{Behavior}seq构建顺序sequence行为节点，构建时，根据子动作节点的执行顺序seq和路由可能性prop调换行为树各个子行为节点的顺序；并对行为树进行参数的注入。

10.根据权利要求9所述的一种基于知识图谱构建机器人行为树的方法，其特征在于对构建的行为树进行校验，一个行为下的子行为必须全是顺序sequence行为节点或者选择selector行为节点；作为并行执行的行为节点，能够与顺序sequence行为节点共存；一个选择selector行为节点必须包含条件判定布尔参数；任何行为节点必须包含可以完成的动作类别motion参数；对于不能满足校验的行为树，记作构建失败。

Images