CN115890738A - 一种机器人迁移能力评价方法及系统 - Google Patents
一种机器人迁移能力评价方法及系统 Download PDFInfo
- Publication number
- CN115890738A CN115890738A CN202211399181.0A CN202211399181A CN115890738A CN 115890738 A CN115890738 A CN 115890738A CN 202211399181 A CN202211399181 A CN 202211399181A CN 115890738 A CN115890738 A CN 115890738A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- index
- migration
- task
- fuzzy
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 241
- 238000013508 migration Methods 0.000 title claims abstract description 147
- 230000005012 migration Effects 0.000 title claims abstract description 147
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013509 system migration Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 13
- 230000007704 transition Effects 0.000 description 7
- 238000004659 sterilization and disinfection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009513 drug distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种机器人迁移能力评价方法及系统，包括：S1、建立多层次的迁移能力评价指标体系；S2、基于层次分析法构造判断矩阵，确定评价指标权重；S3、基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，根据指标层的评价指标权重和模糊评价隶属度矩阵，得到迁移指标的迁移能力评价结果；根据迁移指标权重与迁移指标的迁移能力评价结果，得到任务评价结果；S4、在不同应用场景下，对多个任务进行测试，按照步骤S1‑S3分别对各个任务进行评价，得到多个任务评价结果，从而根据多个任务评价结果得到任务模糊评价向量；根据任务复杂度和场景复杂度，对多个任务分配权重，得到任务权重，将任务权重与任务模糊评价向量相乘得到整个迁移能力综合评价结果。
Description
技术领域
本发明涉及机器人迁移能力评估技术领域，特别涉及一种机器人迁移能力评价方法及系统。
背景技术
目前，数字孪生是一项非常前沿的技术，最早应用在航空航天领域。数字孪生机器人通常包括数化(物理世界的仿真建模)、互动(物理机器人、传感器的感知数据和数字模型之间的传输交互)、先知(通过确定模型机理基于完整信息预测未来)、先觉(通过大数据、机器学习等方式基于有限的信息预测未来)和共智(通过云计算等实现多机器人间的数据共享和协同进化)五个层次。借助数字孪生技术，构建高保真数字孪生模型，可在虚拟和现实环境中研究机器人的自主学习和智能发育机制，提高服务机器人的训练效率，实现虚实融合的机器人高效技能学习和能力迁移。
随着数字孪生技术的发展和应用，对数字孪生技术过程和机器人性能评价体系的建立成了急需解决的关键问题。目前缺乏基于数字孪生的室内服务机器人全过程智能行为综合评价体系的研究，针对机器人的决策行为和任务效果从虚拟场景到真实场景、从已知场景到未知场景的迁移能力评估还处在空白阶段。
因此，亟需一种能够解决数字孪生服务机器人迁移能力评价指标和评价方法缺失问题的方法。
发明内容
基于此，有必要提供一种能够解决数字孪生服务机器人迁移能力评价缺失的机器人迁移能力评价方法及系统。
本发明实施例一方面提供一种机器人迁移能力评价方法方法，包括如下步骤：
S1、建立多层次的迁移能力评价指标体系；
S2、基于层次分析法构造判断矩阵，确定评价指标权重，同时，对构造的判断矩阵进行一致性检验，若一致性检验通过，则进行步骤S3，否则，需要重新构造判断矩阵，从而确定新的评价指标权重；
S3、基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，根据步骤S2中确定的指标层的评价指标权重结合模糊评价隶属度矩阵，得到迁移指标的迁移能力评价结果；
根据迁移指标权重与迁移指标的迁移能力评价结果，得到任务评价结果；
S4、在不同应用场景下，对多个任务进行测试，按照步骤S1-S3分别对各个任务进行评价，得到多个任务评价结果，从而根据多个任务评价结果得到任务模糊评价向量；
根据任务复杂度和场景复杂度，对多个任务分配权重，得到任务权重，最后，将任务权重与任务模糊评价向量相乘得到整个数字孪生系统的迁移能力综合评价结果。
优选地，步骤S1中，通过分析数字驱动的机器人在进行任务时的智能行为全过程，根据机器人的决策行为和任务完成效果，将迁移能力评价指标体系分为目标层、准则层和指标层；
其中，目标层，为服务机器人执行任务的迁移能力体现；
准则层，为与系统迁移能力相关的场景迁移指标；
指标层，为与场景迁移指标相关的评价指标集。
优选地，步骤S1中，准则层的场景迁移指标包括虚拟场景到现实场景的第一迁移指标和已知场景到未知场景的第二迁移指标；指标层的评价指标集包括第一评价指标集和第二评价指标集，第一评价指标集与第一迁移指标相对应，第二评价指标集与第二迁移指标相对应。
优选地，第一评价指标集＝{一致性、连通性、智能性、稳定性、有效性}。
优选地，第二评价指标集＝{通用性、灵活性、自适应性、自演化性}。
优选地，步骤S1中，建立评语集，评语集＝{好、较好、一般、较差、差}。
优选地，步骤S2中，基于层次分析法构造判断矩阵，确定评价指标权重具体包括：
确定准则层的迁移指标，将指标层中与所所确定的迁移指标对应的低层级评价指标两两相比较，从而构造两两指标重要性对比判断矩阵；
将两两指标重要性对比判断矩阵按列进行归一化处理，再将每行求和除以矩阵的阶数n，得到各个低层级指标相对于高层级指标的评价指标权重值。
优选地，步骤S3中，基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵具体包括：
使用评语集中的评语等级对评价指标进行评价；
然后，统计各个评价者个体对评价指标的打分结果，根据各个评语等级的占比，得到评价指标对应的各个评语等级的隶属度；
根据评价指标对应的各个评语等级的隶属度，对准则层的各个迁移指标建立模糊评价隶属度矩阵。
本发明还提供一种机器人迁移能力评价系统，所述系统包括：
迁移能力评价指标体系建立模块：用于建立多层次的迁移能力评价指标体系；
层次分析模块:用于基于层次分析法，构造判断矩阵，从而确定指标层的评价指标权重；
模糊评价模块：用于基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，根据评价指标权重和模糊评价隶属度矩阵，得到迁移指标的迁移能力评价结果，用于根据迁移指标权重与迁移指标的迁移能力评价结果，得到任务评价结果；
系统综合评价模块：用于对多个任务进行测试，以及分别对各个任务进行评价，从而根据各个任务的任务评价结果得到任务模糊评价向量，根据任务困难度和场景复杂度为各个任务分配权重，最后，将多个任务的任务权重与任务模糊评价向量相乘得到整个数字孪生系统的迁移能力综合评价结果。
有益效果：本申请针对数字孪生室内服务机器人评价体系缺失问题，为有效评估虚拟场景到现实场景、已知场景到未知场景的机器人遂行任务效果差异和数字孪生机器人的迁移能力，设计了迁移能力评价指标，基于模糊层次综合分析法，建立多层次的迁移评价体系，实现对服务机器人迁移能力的有效评估。
弥补了服务机器人迁移能力评价体系和方法缺失的问题，本申请基于模糊层次综合分析法，提出了数字孪生服务机器人的迁移能力评价指标体系和评价方法，能对机器人智能行为的迁移能力进行合理评价，为数字孪生服务机器人的研发提供指导和评价参考。
附图说明
通过附图中所示的本发明优选实施例更具体说明，本发明上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本的主旨。
图1为本发明实施例的方法的流程图；
图2为本发明实施例的系统结构框架图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1和图2所示，本发明实施例一方面提供一种机器人迁移能力评价方法，包括如下步骤：
S1、建立多层次的迁移能力评价指标体系；
在优选实施例中，步骤S1中，通过分析数字驱动的机器人在进行任务时的智能行为全过程，根据机器人的决策行为和任务完成效果，将迁移能力评价指标体系分为目标层、准则层和指标层；
其中，目标层A，为服务机器人执行任务的迁移能力体现；
准则层B，为与系统迁移能力相关的场景迁移指标；
场景迁移指标包括虚拟场景到现实场景的第一迁移指标和已知场景到未知场景的第二迁移指标；
指标层C，为与场景迁移指标相关的评价指标集。
评价指标集包括第一评价指标集和第二评价指标集，第一评价指标集与第一迁移指标相对应，第二评价指标集与第二迁移指标相对应。
建立评语集，评语集＝{好、较好、一般、较差、差}。
下面对各个层级指标的描述进行说明：
(1)虚拟场景到现实场景的迁移能力评价(即第一迁移指标的迁移能力评价)指将从虚拟场景训练得到的智能算法应用到真实场景的遂行任务的效果。通过第一评价指标集＝{一致性、连通性、智能性、稳定性、有效性}中的五个方面对进行评价。
其中，第一迁移指标对应的评价指标的定义如下：
一致性：是指真实机器人任务执行过程中的行为与在虚拟环境中虚拟机器人做出的决策行为是否一致。
连通性：是对数字孪生模型反映现实实体之间存在的协同、竞争、约束等关联关系的连通程度。
智能性：指机器人能够根据实时环境自动更新虚拟模型并生成相应的决策方案的能力。
稳定性：指执行任务过程中，整个数字孪生服务机器人系统的稳定运行能力。
有效性：是对机器人任务完成质量的评价。
(2)已知场景到未知场景迁移能力评价(即第二迁移指标的迁移能力评价)指将从已知场景训练得到的智能算法应用到未知场景的遂行任务效果差异。可以从第二评价指标集＝{通用性、灵活性、自适应性、自演化性}中的四个方面进行评价。
其中，第二迁移指标对应的评价指标的定义如下：
通用性：是指在已知环境中训练做出的决策行为的可移植性程度。
灵活性：是指机器人针对不同环境灵活组合拆分决策行为的能力。
自适应性：指服务机器人对不确定因素的自适应能力。
自演化性：指服务机器人能够根据外界环境的实时变化改变自身决策行为和执行过程的能力。
S2、基于层次分析法构造判断矩阵，确定评价指标权重，同时，对构造的判断矩阵进行一致性检验，若一致性检验通过，则进行步骤S3，否则，需要重新构造判断矩阵，从而确定新的评价指标权重；
可选的，通过CR值判断是否通过一致性检验，使用以下公式计算CR值：
其中，n为判断矩阵的阶数，λmax为判断矩阵的最大特征值，RIn为随机一致性指标。
若CR＜0.1，则认为一致性检验通过，说明指标权重值符合经验；若否，则认为一致性检验没有通过，说明指标权重值不符合经验，需要重新构造判断矩阵，确定新的评价指标权重，直到一致性检验通过进行步骤S3。
在优选实施例中，步骤S2中，基于层次分析法构造判断矩阵，确定评价指标权重具体包括：
确定准则层的迁移指标，将指标层中与所述迁移指标对应的低层级评价指标两两相比较，使用Santy1-9标度法从而构造两两指标重要性对比判断矩阵；
将两两指标重要性对比判断矩阵按列进行归一化处理，再将每行求和除以矩阵的阶数n，得到各个低层级指标相对于高层级指标的评价指标权重值。
S3、基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，然后，根据步骤S2中确定的指标层的评价指标权重结合模糊评价隶属度矩阵，得到迁移指标的迁移能力评价结果；最后，根据迁移指标权重与迁移指标的迁移能力评价结果，得到任务评价结果；从而对数字孪生室内服务机器人进行的多个任务中的某一项任务的迁移能力进行综合评价。
在优选实施例中，步骤S3中，基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵具体包括：
首先，由专家评估组的成员使用评语集中的评语等级对评价指标进行评价；然后，统计各个评价者个体对评价指标的打分结果，根据各个评语等级的占比，得到评价指标对应的各个评语等级的隶属度；
最后，根据评价指标对应的各个评语等级的隶属度，对准则层的各个迁移指标建立模糊评价隶属度矩阵。
S4、首先，在多个不同应用场景下，对多个不同任务进行测试，按照步骤S1至S3分别对多个任务分别进行模糊分层综合评价，得到多个任务的任务评价结果，从而根据多个任务各自得到的任务评价结果得到模糊综合评价隶属度向量；
然后，根据任务复杂度和场景复杂度，对多个任务分别分配权重，得到多个任务中各个任务的任务权重，最后，将任务权重与任务模糊评价向量相乘得到整个数字孪生系统的迁移能力综合评价结果。
较优的，根据任务的不同和场景的不同，对整个数字孪生系统进行了多个测试，通过对每项测试进行模糊分层综合评价，得到了模糊评价结果隶属度向量。然后，邀请专家组根据任务复杂度和场景复杂度对多个测试进行权重分配，得到权重向量W，和模糊评价结果相乘可以得到整个数字孪生系统的迁移能力综合评价结果。根据最大隶属度原则，使用评语集，得到数字孪生服务机器人的迁移能力评价的等级(即得到数字孪生服务机器人的迁移能力评价为评语集中的“好”、“较好”、“一般”、“较差”或者“差”)。
数字孪生服务机器人可进行多个室内服务任务，例如，室内服务任务可抽象细分为定时消毒、药品配送、智能抓取、巡检等多个服务任务，下面，将采用上述方法以机器人进行“定时消毒”服务任务为例，对机器人进行“定时消毒”服务任务的迁移能力评价进行评估：
步骤S1：建立多层次的迁移能力评价指标体系。
分析数字驱动的服务机器人智能行为全过程，结合服务机器人性能评价指标和专家意见，确定数字孪生室内服务机器人的迁移能力评价指标，该指标体系分为三个层次。
第一层为目标层A；
第二层为准则层Bi(i＝1，2)，包含虚拟-现实迁移能力评价和已知-未知迁移能力评价两个迁移指标；
第三层为指标层Cij(i表示与准则层B哪个指标关联，j表示指标层的评价指标)；
其中，B1代表准则层的第一迁移指标，与B1关联的指标包括一致性C11、连通性C12、智能性C13、稳定性C14和有效性C15；
B2代表准则层的第二迁移指标，与B2关联的指标包括通用性C21、灵活性C22、自适应性C23和自演化性C24。
步骤S2：基于AHP(层次分析法)确定指标层中的评价指标相对于准则层各迁移指标的权重。
2.1、构造判断矩阵
按照上述的分层结构，可选取一个高层级指标和与之对应的所有低层级指标，将低层级指标两两相比较，构造两两指标重要性对比判断矩阵；相对重要性的值可以用数字1～9和他们的倒数表示，1表示同等重要，数值越大，表示指标i相对于指标j的重要性越高。
此处，选取准则层指标(高层级指标)第一迁移指标和与之对应的五个低层级指标，其中，相对于指标B1，指标一致性C11、连通性C12、智能性C13、稳定性C14和有效性C15的判断矩阵如表1所示。
表1与迁移指标B1对应的的低层级指标判断矩阵
| <![CDATA[B<sub>1</sub>]]> | <![CDATA[C<sub>11</sub>]]> | <![CDATA[C<sub>12</sub>]]> | <![CDATA[C<sub>13</sub>]]> | <![CDATA[C<sub>14</sub>]]> | <![CDATA[C<sub>15</sub>]]> |
| <![CDATA[C<sub>11</sub>]]> | 1 | 4 | 2 | 4 | 1 |
| <![CDATA[C<sub>12</sub>]]> | 1/4 | 1 | 1/2 | 1/2 | 1/4 |
| <![CDATA[C<sub>13</sub>]]> | 1/2 | 2 | 1 | 2 | 1/2 |
| <![CDATA[C<sub>14</sub>]]> | 1/4 | 2 | 1/2 | 1 | 1/4 |
| <![CDATA[C<sub>15</sub>]]> | 1 | 4 | 2 | 4 | 1 |
同理，选取准则层指标(高层级指标)第二迁移指标和与之对应的四个低层级指标，其中，相对于指标B2，指标通用性C21、灵活性C22、自适应性C23和自演化性C24的判断矩阵如表2所示：
表2与迁移指标B2对应的低层级指标判断矩阵
| <![CDATA[B<sub>2</sub>]]> | <![CDATA[C<sub>21</sub>]]> | <![CDATA[C<sub>22</sub>]]> | <![CDATA[C<sub>23</sub>]]> | <![CDATA[C<sub>24</sub>]]> |
| <![CDATA[C<sub>21</sub>]]> | 1 | 2 | 3 | 2 |
| <![CDATA[C<sub>22</sub>]]> | 1/2 | 1 | 2 | 1 |
| <![CDATA[C<sub>23</sub>]]> | 1/3 | 1/2 | 1 | 1/2 |
| <![CDATA[C<sub>24</sub>]]> | 1/2 | 1 | 2 | 1 |
2.2评价指标权重计算
将两两指标重要性对比判断矩阵各列进行归一化处理，再每行相加取均值，得到每个指标相对于高层及指标的权重值。
其中，相对于指标B1的判断矩阵按列归一化后如表3所示：
表3与迁移指标B1对应的低层级指标判断矩阵按列归一化
| <![CDATA[B<sub>1</sub>]]> | <![CDATA[C<sub>11</sub>]]> | <![CDATA[C<sub>12</sub>]]> | <![CDATA[C<sub>13</sub>]]> | <![CDATA[C<sub>14</sub>]]> | <![CDATA[C<sub>15</sub>]]> |
| <![CDATA[C<sub>11</sub>]]> | 1/3 | 4/13 | 1/3 | 8/23 | 1/3 |
| <![CDATA[C<sub>12</sub>]]> | 1/12 | 1/13 | 1/12 | 1/23 | 1/12 |
| <![CDATA[C<sub>13</sub>]]> | 1/6 | 2/13 | 1/6 | 4/23 | 1/6 |
| <![CDATA[C<sub>14</sub>]]> | 1/12 | 2/13 | 1/12 | 2/23 | 1/12 |
| <![CDATA[C<sub>15</sub>]]> | 1/3 | 4/13 | 1/3 | 8/23 | 1/3 |
上述表格中，每行相加取均值计算得出所有评价指标相对于高层级指标B1的权重值如下：C11＝0.331，C12＝0.074，C13＝0.166，C14＝0.098，C15＝0.331。
其中相对于指标B2的判断矩阵按列归一化后如表4所示：
表4与迁移指标B2对应的低层级指标判断矩阵按列归一化
| <![CDATA[B<sub>2</sub>]]> | <![CDATA[C<sub>21</sub>]]> | <![CDATA[C<sub>22</sub>]]> | <![CDATA[C<sub>23</sub>]]> | <![CDATA[C<sub>24</sub>]]> |
| <![CDATA[C<sub>21</sub>]]> | 3/7 | 4/9 | 3/8 | 4/9 |
| <![CDATA[C<sub>22</sub>]]> | 3/14 | 2/9 | 1/4 | 2/9 |
| <![CDATA[C<sub>23</sub>]]> | 1/7 | 1/9 | 1/8 | 1/9 |
| <![CDATA[C<sub>24</sub>]]> | 3/14 | 2/9 | 1/4 | 2/9 |
上述表格中，每行相加取均值计算得出所有指标相对于高层级指标B2的权重值如下：C21＝0.423，C22＝0.227，C23＝0.123，C24＝0.227。
2.3对构造的判断矩阵进行一致性检验
考虑到专家在设定判断矩阵相对重要性时依赖主观经验，还需要进行一致性检验。
B1关联的低层级指标判断矩阵的最大特征值λmax＝5.05862，n＝5，RIn＝1.12，CR＝0.01308＜0.1，一致性检验通过。
B2关联的低层级指标判断矩阵的最大特征值λmax＝4.01036，n＝4，RIn＝0.89，CR＝0.00388＜0.1，则一致性检验通过。
步骤S3：模糊综合评价
3.1建立评价集。
对每个评价指标分为“好，较好，一般，较差，差”五个等级，确定评价集Y＝{好，较好，一般，较差，差}。
3.2建立模糊评价隶属度矩阵
邀请专家组成评价组(或者称专家评估组)，对每一个指标层的评价指标进行评价，统计得到模糊评价隶属度矩阵。
例如，以专家评估组的成员使用评价集Y对“一致性指标C11”进行等级评价为例：
对于“一致性指标C11”，评价组内有40％的组员认为“好”，40％认为“较好”，10％认为“一般”，10％认为“较差”，0％认为“差”，则“一致性指标C11”各等级的隶属度为(0.4，0.4，0.1，0.1，0)。
使用与上述举例相同的方法，可得到B1关联的低层级指标模糊评价隶属度矩阵R1如下：
类似可得B2关联的低层级指标模糊评价隶属度矩阵R2如下：
3.3.1、所有评价指标相对于高层级第一迁移指标B1的权重值W1(即评价指标权重)：W1＝(0.331 0.074 0.166 0.098 0.331)
所有评价指标相对于高层级第二迁移指标B2的权重值W2(即评价指标权重)：
W2＝(0.423 0.227 0.123 0.227)
3.3.2、准则层中各迁移指标的迁移能力评价结果计算：
第一迁移指标B1的迁移能力评价结果计算：
B1＝W1·R1＝(0.3881 0.3331 0.2217 0.0497 0.0074)
第二迁移指标B2的迁移能力评价结果计算：
B2＝W2·R2＝(0.0877 0.4619 0.37 0.0577 0.0227)
3.3.3、取准则层中指标相对于高层级的迁移指标权重为W＝(0.5 0.5)，即表示“第一迁移指标B1”和“第二迁移指标B2”相对于高层级的权重均为0.5，则对目标层中“定时消毒”任务的任务评价结果A计算：
根据最大隶属度原则，因而，得出室内服务机器人在当前环境下的定时消毒任务的迁移能力最终评价结果为“较好”。
步骤S4：根据任务的不同和场景的不同，对整个数字孪生系统的各个任务分别进行不同的测试，按照步骤1～3对每项测试进行了模糊分层综合评价，得到了模糊评价结果隶属度向量Ai(此处，计算过程没有一一列举出来)。
邀请专家组根据任务复杂度和场景复杂度对所有任务测试进行了权重分配，得到权重向量W，和模糊评价结果相乘可以得到整个数字孪生系统的迁移能力综合评价结果。
最后，根据最大隶属度原则，得到该示例数字孪生服务机器人的迁移能力评价为“较好”。
本发明还提供一种机器人迁移能力评价系统，所述系统包括：
迁移能力评价指标体系建立模块：用于建立多层次的迁移能力评价指标体系；
层次分析模块:用于基于层次分析法，构造判断矩阵，从而确定指标层的评价指标权重；
模糊评价模块：用于基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，根据评价指标权重和模糊评价隶属度矩阵，得到准则层迁移指标的迁移能力评价结果，将准则层的评价结果进行加权平均，从而得到目标层任务评价结果；
系统综合评价模块：用于对多个任务进行测试，以及分别对各个任务进行评价，从而得到各个任务的任务模糊评价向量，根据任务复杂度和场景复杂度为各个任务分配不同的权重任务模糊评价向量，最后，将多个任务的任务权重与任务模糊评价向量相乘得到整个数字孪生系统的迁移能力综合评价结果。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种机器人迁移能力评价方法，其特征在于，包括如下步骤：
S1、建立多层次的迁移能力评价指标体系；
S2、基于层次分析法构造判断矩阵，确定评价指标权重，同时，对构造的判断矩阵进行一致性检验，若一致性检验通过，则进行步骤S3，否则，需要重新构造判断矩阵，从而确定新的评价指标权重；
S3、基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，根据步骤S2中确定的指标层的评价指标权重结合模糊评价隶属度矩阵，得到迁移指标的迁移能力评价结果；
根据迁移指标权重与迁移指标的迁移能力评价结果，得到任务评价结果；
S4、在不同应用场景下，对多个任务进行测试，按照步骤S1-S3分别对各个任务进行评价，得到多个任务评价结果，从而根据多个任务评价结果得到任务模糊评价向量；
根据任务复杂度和场景复杂度，对多个任务分配权重，得到任务权重，最后，将任务权重与任务模糊评价向量相乘得到整个数字孪生系统的迁移能力综合评价结果。
2.如权利要求1所述的方法，其特征在于，步骤S1中，通过分析数字驱动的机器人在进行任务时的智能行为全过程，根据机器人的决策行为和任务完成效果，将迁移能力评价指标体系分为目标层、准则层和指标层；
其中，目标层，为服务机器人执行任务的迁移能力体现；
准则层，为与系统迁移能力相关的场景迁移指标；
指标层，为与场景迁移指标相关的评价指标集。
3.如权利要求2所述的方法，其特征在于，步骤S1中，准则层的场景迁移指标包括虚拟场景到现实场景的第一迁移指标和已知场景到未知场景的第二迁移指标；指标层的评价指标集包括第一评价指标集和第二评价指标集，第一评价指标集与第一迁移指标相对应，第二评价指标集与第二迁移指标相对应。
4.如权利要求3所述的方法，其特征在于，第一评价指标集＝{一致性、连通性、智能性、稳定性、有效性}。
5.如权利要求4所述的方法，其特征在于，第二评价指标集＝{通用性、灵活性、自适应性、自演化性}。
6.如权利要求1所述的方法，其特征在于，步骤S1中，建立评语集，评语集＝{好、较好、一般、较差、差}。
7.如权利要求5所述的方法，其特征在于，步骤S2中，基于层次分析法构造判断矩阵，确定评价指标权重具体包括：
确定准则层的迁移指标，将指标层中与确定的迁移指标对应的低层级评价指标两两相比较，从而构造两两指标重要性对比判断矩阵；
将两两指标重要性对比判断矩阵按列进行归一化处理，再将每行求和除以矩阵的阶数n，得到各个低层级指标相对于高层级指标的评价指标权重值。
8.如权利要求7所述的方法，其特征在于，步骤S3中，基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵具体包括：
使用评语集中的评语等级对评价指标进行评价；
然后，统计各个评价者个体对评价指标的打分结果，根据各个评语等级的占比，得到评价指标对应的各个评语等级的隶属度；
根据评价指标对应的各个评语等级的隶属度，对准则层的各个迁移指标建立模糊评价隶属度矩阵。
9.一种机器人迁移能力评价系统，其特征在于,所述系统包括：
迁移能力评价指标体系建立模块：用于建立多层次的迁移能力评价指标体系；
层次分析模块:用于基于层次分析法，构造判断矩阵，从而确定指标层的评价指标权重；
模糊评价模块：用于基于模糊综合评价方法，得到迁移指标关联的低层级指标模糊评价隶属度矩阵，根据评价指标权重和模糊评价隶属度矩阵，得到准则层迁移指标的迁移能力评价结果，将准则层的评价结果进行加权平均，从而得到目标层任务评价结果；
系统综合评价模块：用于对多个任务进行测试，以及分别对各个任务进行评价，从而得到各个任务的任务模糊评价向量，根据任务复杂度和场景复杂度为各个任务分配不同的权重任务模糊评价向量，最后，将多个任务的任务权重与任务模糊评价向量相乘得到整个数字孪生系统的迁移能力综合评价结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211399181.0A CN115890738B (zh) | 2022-11-09 | 2022-11-09 | 一种机器人迁移能力评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211399181.0A CN115890738B (zh) | 2022-11-09 | 2022-11-09 | 一种机器人迁移能力评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115890738A true CN115890738A (zh) | 2023-04-04 |
| CN115890738B CN115890738B (zh) | 2024-07-02 |
Family
ID=86472075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211399181.0A Active CN115890738B (zh) | 2022-11-09 | 2022-11-09 | 一种机器人迁移能力评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115890738B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170279692A1 (en) * | 2016-03-24 | 2017-09-28 | Ca, Inc. | Deploying a service from a selected cloud service provider based on an evaluation of migration ability using graph analytics |
| CN112363402A (zh) * | 2020-12-21 | 2021-02-12 | 杭州未名信科科技有限公司 | 基于模型相关强化学习的足式机器人的步态训练方法、装置、电子设备及介质 |
| WO2021129509A1 (zh) * | 2019-12-25 | 2021-07-01 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
| CN113409384A (zh) * | 2021-08-17 | 2021-09-17 | 深圳市华汉伟业科技有限公司 | 一种目标物体的位姿估计方法和系统、机器人 |
| CN114120010A (zh) * | 2021-11-22 | 2022-03-01 | 西安交通大学 | 一种多视角多层次工业机器人迁移故障诊断方法 |
| CN114169683A (zh) * | 2021-11-09 | 2022-03-11 | 大唐东北电力试验研究院有限公司 | 基于模糊综合评价理论的发电机励磁系统状态评价方法 |
-
2022
- 2022-11-09 CN CN202211399181.0A patent/CN115890738B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170279692A1 (en) * | 2016-03-24 | 2017-09-28 | Ca, Inc. | Deploying a service from a selected cloud service provider based on an evaluation of migration ability using graph analytics |
| WO2021129509A1 (zh) * | 2019-12-25 | 2021-07-01 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
| CN112363402A (zh) * | 2020-12-21 | 2021-02-12 | 杭州未名信科科技有限公司 | 基于模型相关强化学习的足式机器人的步态训练方法、装置、电子设备及介质 |
| CN113409384A (zh) * | 2021-08-17 | 2021-09-17 | 深圳市华汉伟业科技有限公司 | 一种目标物体的位姿估计方法和系统、机器人 |
| CN114169683A (zh) * | 2021-11-09 | 2022-03-11 | 大唐东北电力试验研究院有限公司 | 基于模糊综合评价理论的发电机励磁系统状态评价方法 |
| CN114120010A (zh) * | 2021-11-22 | 2022-03-01 | 西安交通大学 | 一种多视角多层次工业机器人迁移故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨海玲;: "模糊层次分析法在图书馆总体服务质量评价中的应用", 现代情报, no. 03, 25 March 2010 (2010-03-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115890738B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191484B (zh) | 基于深度强化学习的联邦学习客户端智能选取方法及系统 | |
| Nasab et al. | Finding a probabilistic approach to analyze lean manufacturing | |
| Ahmadi et al. | Managing readiness-relevant activities for the organizational dimension of ERP implementation | |
| CN105550323B (zh) | 一种分布式数据库负载均衡预测方法和预测分析器 | |
| CN112990478B (zh) | 联邦学习数据处理系统 | |
| Napoli et al. | Toward work groups classification based on probabilistic neural network approach | |
| CN108632764B (zh) | 一种多传感器选择性量测数据融合估计方法 | |
| CN105654175A (zh) | 一种面向轴承制造企业的零件供应商多目标优选方法 | |
| Moldoveanu | Thinking strategically about thinking strategically: the computational structure and dynamics of managerial problem selection and formulation | |
| Yesil et al. | Goal-oriented decision support using big bang-big crunch learning based fuzzy cognitive map: An ERP management case study | |
| Selvarajah et al. | Identifying a team of experts in social networks using a cultural algorithm | |
| Yang et al. | Evolutionary neural architecture search for transformer in knowledge tracing | |
| Levy et al. | Data Center predictions using MATLAB machine learning toolbox | |
| Wang et al. | Initial task allocation for multi-human multi-robot teams with attention-based deep reinforcement learning | |
| Pereira et al. | Multi‐objective sunflower optimization: A new hypercubic meta‐heuristic for constrained engineering problems | |
| Zou et al. | An agent-based model for crowdsourcing systems | |
| CN117611018A (zh) | 基于无人集群规模和指标动态调整的效能推演评估方法 | |
| CN115890738B (zh) | 一种机器人迁移能力评价方法及系统 | |
| Connett et al. | Advancing the use of an analytical hierarchy process and improved random indexes for making prioritized decisions in systems | |
| CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 | |
| Chi et al. | Learning large-scale fuzzy cognitive maps using a hybrid of memetic algorithm and neural network | |
| CN110889635B (zh) | 一种用于对食品安全事件的处理进行应急演练的方法 | |
| Aiken | Artificial neural systems as a research paradigm for the study of group decision support systems | |
| Hidayat et al. | Sensitivity Analysis of Decision Support Systems for Selection of Achievement Students Using the TOPSIS Method | |
| CN110009415A (zh) | 一种电子商务系统中新卖家的声誉预测方法 |
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 |