CN115951588A - 基于ai自适应调整的按摩机械作用控制方法及系统 - Google Patents

Abstract

本发明实施例提供的基于AI自适应调整的按摩机械作用控制方法及系统，在对目标操作物进行作用的时，首先依据控制决策数据生成初始作用控制策略，并结合初始作用控制策略所指示的路径数据、姿态数据和作用力数据三个维度的特征控制机械臂对目标操作物进行作用，并且在机械臂对目标操作物进行作用的过程中，若目标操作物存在偏移，则对初始作用控制策略进行自适应调整得到目标作用控制策略，然后利用目标作用控制策略再次控制机械臂对目标操作物进行作用。如此一来，可以实现对目标操作物的自适应作用调整，在应用到按摩推拿场景时，可以提高机械臂的控制智能化程度，避免机械臂在按摩推拿作用过程中所呈现出的生硬性和僵化性。

Description

基于AI自适应调整的按摩机械作用控制方法及系统

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于AI自适应调整的按摩机械作用控制方法及系统。

背景技术

按摩是指用手法作用于人体体表的特定部位以调节机体生理、病理状况，达到理疗目的的方法，从性质上来说，它是一种物理的治疗方法。从按摩的治疗上，可分为保健按摩、运动按摩和医疗按摩。随着现代办公模式的改变，各类慢性的肌肉疲劳和急性的肌肉损伤都需要借助按摩进行治疗和保健。但是快节奏的社会性质决定了大部分人群的需求难以得到满足，而便携化的按摩仪可以很好解决这个问题。即便如此，发明人在研究过程中发现，传统的按摩仪同样存在需要改进的地方，比如按摩仪的智能化程度低，在使用过程中呈现出生硬化和僵硬化的缺点。

发明内容

为改善相关技术中存在的技术问题，本发明提供了一种基于AI自适应调整的按摩机械作用控制方法及系统。

第一方面，本发明实施例提供了一种基于AI自适应调整的按摩机械作用控制方法，应用于AI自适应调整控制系统，所述方法包括：响应于针对目标操作物的作用指令，启动目标传感器，获得所述目标传感器上传的控制决策数据；其中，所述控制决策数据包括路径数据、姿态数据和作用力数据；

基于所述控制决策数据生成初始作用控制策略，并利用所述初始作用控制策略控制机械臂对所述目标操作物进行作用；

在所述机械臂对所述目标操作物进行作用的过程中，若所述目标操作物存在偏移，对所述初始作用控制策略进行自适应调整得到目标作用控制策略，利用所述目标作用控制策略再次控制所述机械臂对所述目标操作物进行作用。

在一些优选的实施例中，所述方法还包括：

在所述机械臂对所述目标操作物进行作用的过程中，若接收到针对所述机械臂的作用反馈信息，利用所述作用反馈信息确定所述目标操作物的作用需求；

通过所述作用需求生成当前作用控制策略，并利用所述当前作用控制策略控制所述机械臂对所述目标操作物进行作用。

在一些优选的实施例中，所述利用所述作用反馈信息确定所述目标操作物的作用需求，包括：

从所述作用反馈信息中识别出体感反馈描述信息集，其中，所述体感反馈描述信息集包括存在时间先后的Q组体感反馈描述信息，所述Q为不小于1的整数；

依据所述体感反馈描述信息集获取控制建议描述信息集，其中，所述控制建议描述信息集包括存在时间先后的Q组控制建议描述信息；

结合所述体感反馈描述信息集，通过作用需求挖掘网络所包括的第一描述知识抽取子网获取体感反馈表征知识集，其中，所述体感反馈表征知识集包括Q个体感反馈表征知识；

结合所述控制建议描述信息集，通过所述作用需求挖掘网络所包括的第二描述知识抽取子网获取控制建议表征知识集，其中，所述控制建议表征知识集包括Q个控制建议表征知识；

结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重；

依据所述需求识别权重确定所述体感反馈描述信息集的作用需求。

在一些优选的实施例中，所述结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：

结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一作用轨迹关注模型获取Q个第一线性数组，其中，每个第一线性数组对应于一个体感反馈表征知识；

结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二作用轨迹关注模型获取Q个第二线性数组，其中，每个第二线性数组对应于一个控制建议表征知识；

对所述Q个第一线性数组以及所述Q个第二线性数组进行聚合操作，得到Q个目标线性数组，其中，每个目标线性数组包括一个第一线性数组以及一个第二线性数组；

结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

在一些优选的实施例中，所述结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一作用轨迹关注模型获取Q个第一线性数组，包括：

对于所述体感反馈表征知识集中的每组体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的局部提炼层获取第一局部提炼表征知识，其中，所述第一作用轨迹关注模型属于所述作用需求挖掘网络；

对于所述体感反馈表征知识集中的每组体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的全局提炼层获取第一全局提炼表征知识；

对于所述体感反馈表征知识集中的每组体感反馈表征知识，结合所述第一局部提炼表征知识以及所述第一全局提炼表征知识，通过所述第一作用轨迹关注模型所包括的窗口滑动处理层获取第一联动表征知识；

对于所述体感反馈表征知识集中的每组体感反馈表征知识，结合所述第一联动表征知识以及所述体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的第一全局提炼层获取第一线性数组。

在一些优选的实施例中，所述结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二作用轨迹关注模型获取Q个第二线性数组，包括：

对于所述控制建议表征知识集中的每组控制建议表征知识，通过所述第二作用轨迹关注模型所包括的局部提炼层获取第二局部提炼表征知识，其中，所述第二作用轨迹关注模型属于所述作用需求挖掘网络；

对于所述控制建议表征知识集中的每组控制建议表征知识，通过所述第二作用轨迹关注模型所包括的全局提炼层获取第二全局提炼表征知识；

对于所述控制建议表征知识集中的每组控制建议表征知识，结合所述第二局部提炼表征知识以及所述第二全局提炼表征知识，通过所述第二作用轨迹关注模型所包括的窗口滑动处理层获取第二联动表征知识；

对于所述控制建议表征知识集中的每组控制建议表征知识，结合所述第二联动表征知识以及所述控制建议表征知识，通过所述第二作用轨迹关注模型所包括的第二全局提炼层获取第二线性数组。

在一些优选的实施例中，所述Q为大于1的整数；所述结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：

结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，其中，所述目标线性数组为依据所述Q个目标线性数组以及Q个受力容忍因子确定的，每个目标线性数组对应于一个受力容忍因子；

结合所述目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

在一些优选的实施例中，所述结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，包括：

结合所述Q个目标线性数组，通过所述作用受力关注模型所包括的第一模型节点获取Q个第一阶段线性数组，其中，所述作用受力关注模型属于所述作用需求挖掘网络；

结合所述Q个第一阶段线性数组，通过所述作用受力关注模型所包括的第二模型节点获取Q个第二阶段线性数组；

依据所述Q个第二阶段线性数组确定Q个受力容忍因子，其中，每个受力容忍因子对应于一个目标线性数组；

依据所述Q个目标线性数组以及Q个受力容忍因子，确定所述目标线性数组。

在一些优选的实施例中，所述Q为大于1的整数；所述结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：

结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一全局提炼层获取Q个第一线性数组，其中，每个第一线性数组对应于一个体感反馈表征知识；

结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二全局提炼层获取Q个第二线性数组，其中，每个第二线性数组对应于一个控制建议表征知识；

对所述Q个第一线性数组以及所述Q个第二线性数组进行聚合操作，得到Q个目标线性数组，其中，每个目标线性数组包括一个第一线性数组以及一个第二线性数组；

结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，其中，所述目标线性数组为依据所述Q个目标线性数组以及Q个受力容忍因子确定的，每个目标线性数组对应于一个受力容忍因子；

结合所述目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

在一些优选的实施例中，所述依据所述体感反馈描述信息集获取控制建议描述信息集，包括：

对于所述体感反馈描述信息集中的每组体感反馈描述信息，通过描述信息分词网络获取第一控制建议文本、第二控制建议文本以及第三控制建议文本；

依据所述每组体感反馈描述信息所对应的所述第一控制建议文本、所述第二控制建议文本以及所述第三控制建议文本，生成所述每组体感反馈描述信息所对应的控制建议描述信息。

第二方面，本发明还提供了一种AI自适应调整控制系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在对目标操作物进行作用的时，首先依据控制决策数据生成初始作用控制策略，并结合初始作用控制策略所指示的路径数据、姿态数据和作用力数据三个维度的特征控制机械臂对目标操作物进行作用，并且在机械臂对目标操作物进行作用的过程中，若目标操作物存在偏移，则对初始作用控制策略进行自适应调整得到目标作用控制策略，然后利用目标作用控制策略再次控制机械臂对目标操作物进行作用。如此一来，可以实现对目标操作物的自适应作用调整，在应用到按摩推拿场景时，可以提高机械臂的控制智能化程度，避免机械臂在按摩推拿作用过程中所呈现出的生硬性和僵化性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种基于AI自适应调整的按摩机械作用控制方法的流程示意图。

实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本发明实施例所提供的方法实施例可以在AI自适应调整控制系统、计算机设备或者类似的运算装置中执行。以运行在AI自适应调整控制系统上为例，AI自适应调整控制系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述AI自适应调整控制系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述AI自适应调整控制系统的结构造成限定。例如，AI自适应调整控制系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于AI自适应调整的按摩机械作用控制方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至AI自适应调整控制系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括AI自适应调整控制系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本发明实施例所提供的一种基于AI自适应调整的按摩机械作用控制方法的流程示意图，该方法应用于AI自适应调整控制系统，进一步可以包括S1-S3。

S1、响应于针对目标操作物的作用指令，启动目标传感器，获得所述目标传感器上传的控制决策数据。

在本发明实施例中，所述控制决策数据包括路径数据、姿态数据和作用力数据。进一步地，AI自适应调整控制系统与目标传感器通信，目标传感器包括第一传感器和第二传感器，第一传感器和第二传感器均与机械臂通信，用于对机械臂进行控制拖拽，控制拖拽的方向为六维方向（上、下、左、右、前、后），第二传感器则用于采集与操作物的作用力。该操作物可以是人或者其他类型的动物，也可以是用于进行按摩推拿演示的标本等。基于此，第一传感器和第二传感器可以将采集到的路径数据、姿态数据和作用力数据上传至AI自适应调整控制系统，以供AI自适应调整控制系统进行控制决策数据处理。

S2、基于所述控制决策数据生成初始作用控制策略，并利用所述初始作用控制策略控制机械臂对所述目标操作物进行作用。

可以理解，AI自适应调整控制系统在接收到控制决策数据之后，可以根据控制决策数据对每一时刻的路径数据、姿态数据和作用力数据近关联记录，从而生成初始作用控制策略，然后将初始作用控制策略发送给机械臂，以控制机械臂对目标操作物进行作用，比如可以控制机械臂对目标操作物进行按摩推拿处理。

S3、在所述机械臂对所述目标操作物进行作用的过程中，若所述目标操作物存在偏移，对所述初始作用控制策略进行自适应调整得到目标作用控制策略，利用所述目标作用控制策略再次控制所述机械臂对所述目标操作物进行作用。

举例而言，在基于初始作用控制策略对目标操作物进行作用的过程中，机器臂可以复现之前每一时刻的路径、姿态（末端角度）和作用力，从而实现反复的作用。

在反复作用过程中，如果目标操作物存在偏移，则机械臂输出的作用力可能存在偏差，比如作用力不足或者过高，在此基础上，可以对初始作用控制策略进行自适应的调整，从而得到目标作用控制策略，以利用目标作用控制策略再次控制机械臂对目标操作物进行作用。又比如，目标作用控制策略可以指示在机械臂的姿态保持不变的前提下，控制机械臂自适应地沿末端轴方向前移使压力增加或后移使压力减小，从而实现作用过程的自适应调整。

在一些示例中，控制机械臂自适应地沿末端轴方向前移使压力增加或后移使压力减小，可以使得机械臂的作用力数据与之前所记录的作用力数据保持一致。

在实际应用过程中，第一传感器、第二传感器和机械臂之前可以互相协作以实现上述功能。

可见，应用于S1-S3，在对目标操作物进行作用的时，首先依据控制决策数据生成初始作用控制策略，并结合初始作用控制策略所指示的路径数据、姿态数据和作用力数据三个维度的特征控制机械臂对目标操作物进行作用，并且在机械臂对目标操作物进行作用的过程中，若目标操作物存在偏移，则对初始作用控制策略进行自适应调整得到目标作用控制策略，然后利用目标作用控制策略再次控制机械臂对目标操作物进行作用。如此一来，可以实现对目标操作物的自适应作用调整，在应用到按摩推拿场景时，可以提高机械臂的控制智能化程度，避免机械臂在按摩推拿作用过程中所呈现出的生硬性和僵化性。

在上述内容的基础上，发明人还创新性地引入了AI算法进行机械臂自适应控制的升级，示例性的，所述方法还包括S4和S5。

S4、在所述机械臂对所述目标操作物进行作用的过程中，若接收到针对所述机械臂的作用反馈信息，利用所述作用反馈信息确定所述目标操作物的作用需求。

在本发明实施例中，作用反馈信息可以是目标操作物（比如用户）通过输入终端向AI自适应调整控制系统输入的反馈。示例性的，目标操作物（比如用户）可以通过麦克风向AI自适应调整控制系统输入语音反馈，然后AI自适应调整控制系统将语音反馈转换成文本形式的作用反馈信息，然后利用AI算法对作用反馈信息进行作用需求挖掘，得到目标操作物的作用需求。

S5、通过所述作用需求生成当前作用控制策略，并利用所述当前作用控制策略控制所述机械臂对所述目标操作物进行作用。

在得到目标操作物的作用需求之后，可以基于作用需求生成个性化的当前作用控制策略，然后跟进当前作用控制策略控制机械臂对所述目标操作物进行作用，这样可以根据用户的实际反馈进行更为智能化和人性化的按摩推拿调整，从而进一步提高按摩推拿控制的智能化程度。

在一些示例性实施例中，上述S4中的利用所述作用反馈信息确定所述目标操作物的作用需求，包括S41-S46。

S41、从所述作用反馈信息中识别出体感反馈描述信息集。

在本发明实施例中，所述体感反馈描述信息集包括存在时间先后的Q组体感反馈描述信息，所述Q为不小于1的整数。

进一步地，可以通过自然语言处理技术从作用反馈信息中识别出反映用户体感反馈的体感反馈描述信息集。体感反馈描述信息可以理解为体感反馈文本信息。由于按摩推拿存在持续性，因此所得到的Q组体感反馈描述信息也是存在时间连续性的。

S42、依据所述体感反馈描述信息集获取控制建议描述信息集。

进一步地，所述控制建议描述信息集包括存在时间先后的Q组控制建议描述信息。

示例性的，S42中的依据所述体感反馈描述信息集获取控制建议描述信息集，包括S421和S422。

S421、对于所述体感反馈描述信息集中的每组体感反馈描述信息，通过描述信息分词网络获取第一控制建议文本、第二控制建议文本以及第三控制建议文本。

其中，描述信息分词网络可以对体感反馈描述信息进行分词处理，然后根据分词处理结果组合得到第一控制建议文本、第二控制建议文本以及第三控制建议文本，第一控制建议文本、第二控制建议文本以及第三控制建议文本分别对应控制建议词语、控制建议句子以及控制建议段落。

S422、依据所述每组体感反馈描述信息所对应的所述第一控制建议文本、所述第二控制建议文本以及所述第三控制建议文本，生成所述每组体感反馈描述信息所对应的控制建议描述信息。

可以理解，在得到不同尺度的控制建议文本之后，通过这些控制建议文本进行综合分析，能够准确、完整且合理地得到控制建议描述信息，避免控制建议描述信息出现语义偏差。

S43、结合所述体感反馈描述信息集，通过作用需求挖掘网络所包括的第一描述知识抽取子网获取体感反馈表征知识集。

在本发明实施例中，所述体感反馈表征知识集包括Q个体感反馈表征知识。

进一步地，作用需求挖掘网络可以是基于人工智能技术训练得到的决策树模型，用于进行作用需求决策和分析。相应的，描述知识抽取子网用于对体感反馈描述信息集进行特征提取，所得到的体感反馈描述信息的特征可以理解为体感反馈表征知识，表征知识是通过特征向量进行记录的特征。

S44、结合所述控制建议描述信息集，通过所述作用需求挖掘网络所包括的第二描述知识抽取子网获取控制建议表征知识集。

其中，所述控制建议表征知识集包括Q个控制建议表征知识。第二描述知识抽取子网和第一描述知识抽取子网的网络结构可以相同，也可以存在差异，可根据实际需求进行调整。

S45、结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

在本发明实施例中，需求回归子网用于确定体感反馈描述信息集的需求分类权重，也即需求识别权重，因而需求回归子网还可以作分类子网理解，比如可以选择多分类器作为需求回归子网。进一步地，不同的需求识别权重对应不同的需求类别，通过先确定需求识别权重在确定作用需求的方式，可以提高需求挖掘的精度和时效性。

S46、依据所述需求识别权重确定所述体感反馈描述信息集的作用需求。

在本发明实施例中，可以依据需求识别权重从预设的映射列表中匹配对应的作用需求，该作用需求包括作用需求类别和作用需求项目等，作用需求能够作为当前作用控制策略的生成参考，从而保障当前作用控制策略能够尽可能迎合不同用户的个性化按摩推拿需求。

可见，应用S41-S46，在确定作用需求时，能够从体感反馈描述信息集中抽取出控制建议描述信息，由于控制建议描述信息直观地表达了用户的控制需求，因而能够作为作用需求的保底，在此基础上结合控制建议描述信息和体感反馈描述信息进行需求分析，能够尽可能挖掘用户的潜在作用需求，这样所获得的需求识别权重更加全面合理。如此，基于需求识别权重可以准确、高效地确定作为当前作用控制策略的生成参考的作用需求，以保障当前作用控制策略能够尽可能迎合不同用户的个性化按摩推拿需求。

在一些可能的示例中，S45中的结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括S451-S454。

S451、结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一作用轨迹关注模型获取Q个第一线性数组。

其中，每个第一线性数组对应于一个体感反馈表征知识。进一步地，线性数组可以理解为特征向量，在AI领域，特征向量通常通过一串数值组成的向量/矢量表达，特征向量在输出时通常以线性形式输出，因而将线性数组理解为特征向量对本领域技术人员而言是没有障碍的。此外，作用轨迹关注模型可以理解为注意力模型，用于关注作用轨迹层面的用户需求。

S452、结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二作用轨迹关注模型获取Q个第二线性数组。

其中，每个第二线性数组对应于一个控制建议表征知识。

S453、对所述Q个第一线性数组以及所述Q个第二线性数组进行聚合操作，得到Q个目标线性数组。

其中，每个目标线性数组包括一个第一线性数组以及一个第二线性数组。进一步地，聚合操作可以理解为特征融合。

S454、结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

应用于S451-S454，可以基于作用轨迹层面进行需求识别权重的确定，从而提高作用轨迹层面的确定灵活性。

在一些可选的实施例中，S451所描述的结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一作用轨迹关注模型获取Q个第一线性数组，包括S4511-S4514。

S4511、对于所述体感反馈表征知识集中的每组体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的局部提炼层获取第一局部提炼表征知识，其中，所述第一作用轨迹关注模型属于所述作用需求挖掘网络。

在本发明实施例中，局部提炼层用于进行最大池化操作，所得到的局部提炼表征知识也可以理解为最大池化特征。

S4512、对于所述体感反馈表征知识集中的每组体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的全局提炼层获取第一全局提炼表征知识。

在本发明实施例中，全局提炼层用于进行平均池化操作，所得到的全局提炼表征知识也可以理解为平均池化特征。

S4513、对于所述体感反馈表征知识集中的每组体感反馈表征知识，结合所述第一局部提炼表征知识以及所述第一全局提炼表征知识，通过所述第一作用轨迹关注模型所包括的窗口滑动处理层获取第一联动表征知识。

在本发明实施例中，窗口滑动处理层可以理解为卷积层，用于对第一局部提炼表征知识以及第一全局提炼表征知识进行卷积处理，从而得到融合的联动表征知识。

S4514、对于所述体感反馈表征知识集中的每组体感反馈表征知识，结合所述第一联动表征知识以及所述体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的第一全局提炼层获取第一线性数组。

在上述内容的基础上，通过结合第一联动表征知识以及体感反馈表征知识进行第一线性数组的确定，可以在保障第一线性数组的特征识别度的前提下实现第一线性数组的维度最小化。

在一些可能的实施例中，S452中的结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二作用轨迹关注模型获取Q个第二线性数组，包括：对于所述控制建议表征知识集中的每组控制建议表征知识，通过所述第二作用轨迹关注模型所包括的局部提炼层获取第二局部提炼表征知识，其中，所述第二作用轨迹关注模型属于所述作用需求挖掘网络；对于所述控制建议表征知识集中的每组控制建议表征知识，通过所述第二作用轨迹关注模型所包括的全局提炼层获取第二全局提炼表征知识；对于所述控制建议表征知识集中的每组控制建议表征知识，结合所述第二局部提炼表征知识以及所述第二全局提炼表征知识，通过所述第二作用轨迹关注模型所包括的窗口滑动处理层获取第二联动表征知识；对于所述控制建议表征知识集中的每组控制建议表征知识，结合所述第二联动表征知识以及所述控制建议表征知识，通过所述第二作用轨迹关注模型所包括的第二全局提炼层获取第二线性数组。

可以理解，关于第二线性数组的确定方式可以参照第一线性数组的确定方式，本发明实施例在此不作赘述。

在一些示例下，所述Q为大于1的整数。基于此，S454中的结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括S4541和S4542。

S4541、结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组。

其中，所述目标线性数组为依据所述Q个目标线性数组以及Q个受力容忍因子确定的，每个目标线性数组对应于一个受力容忍因子。

在本发明实施例中，作用受力关注模型用于关注作用力的力度层面的用户需求，而受力容忍因子可以理解为用户受力的容忍系数，受力容忍因子越大，表明用户在按摩推拿过程中所承受的力越大，俗称“吃力型用户”。

S4542、结合所述目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

可见，应用于S4541和S4542，可以从作用力的力度层面出发，结合受力容忍因子对需求识别权重进行确定，这样能够灵活地获取需求识别权重，提高整体方案的可扩展性。

在一些可能的实施例中，S4541中的结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，包括S45411-S45414。

S45411、结合所述Q个目标线性数组，通过所述作用受力关注模型所包括的第一模型节点获取Q个第一阶段线性数组。

其中，所述作用受力关注模型属于所述作用需求挖掘网络。

S45412、结合所述Q个第一阶段线性数组，通过所述作用受力关注模型所包括的第二模型节点获取Q个第二阶段线性数组。

S45413、依据所述Q个第二阶段线性数组确定Q个受力容忍因子，其中，每个受力容忍因子对应于一个目标线性数组。

S45414、依据所述Q个目标线性数组以及Q个受力容忍因子，确定所述目标线性数组。

在本发明实施例中，模型节点可以理解为子模型，相应的阶段线性数组可以理解为局部的线性数组或者线性数组的子集。基于此，通过S45411-S45414，可以完整准确地确定出目标线性数组。

在另一些示例下，所述Q为大于1的整数。基于此，S45中的结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一全局提炼层获取Q个第一线性数组，其中，每个第一线性数组对应于一个体感反馈表征知识；结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二全局提炼层获取Q个第二线性数组，其中，每个第二线性数组对应于一个控制建议表征知识；对所述Q个第一线性数组以及所述Q个第二线性数组进行聚合操作，得到Q个目标线性数组，其中，每个目标线性数组包括一个第一线性数组以及一个第二线性数组；结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，其中，所述目标线性数组为依据所述Q个目标线性数组以及Q个受力容忍因子确定的，每个目标线性数组对应于一个受力容忍因子；结合所述目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于AI自适应调整的按摩机械作用控制方法，其特征在于，应用于AI自适应调整控制系统，所述方法包括：

响应于针对目标操作物的作用指令，启动目标传感器，获得所述目标传感器上传的控制决策数据；其中，所述控制决策数据包括路径数据、姿态数据和作用力数据；

基于所述控制决策数据生成初始作用控制策略，并利用所述初始作用控制策略控制机械臂对所述目标操作物进行作用；

在所述机械臂对所述目标操作物进行作用的过程中，若所述目标操作物存在偏移，对所述初始作用控制策略进行自适应调整得到目标作用控制策略，利用所述目标作用控制策略再次控制所述机械臂对所述目标操作物进行作用。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述机械臂对所述目标操作物进行作用的过程中，若接收到针对所述机械臂的作用反馈信息，利用所述作用反馈信息确定所述目标操作物的作用需求；

通过所述作用需求生成当前作用控制策略，并利用所述当前作用控制策略控制所述机械臂对所述目标操作物进行作用。

3.根据权利要求2所述的方法，其特征在于，所述利用所述作用反馈信息确定所述目标操作物的作用需求，包括：

从所述作用反馈信息中识别出体感反馈描述信息集，其中，所述体感反馈描述信息集包括存在时间先后的Q组体感反馈描述信息，所述Q为不小于1的整数；

依据所述体感反馈描述信息集获取控制建议描述信息集，其中，所述控制建议描述信息集包括存在时间先后的Q组控制建议描述信息；

结合所述体感反馈描述信息集，通过作用需求挖掘网络所包括的第一描述知识抽取子网获取体感反馈表征知识集，其中，所述体感反馈表征知识集包括Q个体感反馈表征知识；

结合所述控制建议描述信息集，通过所述作用需求挖掘网络所包括的第二描述知识抽取子网获取控制建议表征知识集，其中，所述控制建议表征知识集包括Q个控制建议表征知识；

结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重；

依据所述需求识别权重确定所述体感反馈描述信息集的作用需求。

4.根据权利要求3所述的方法，其特征在于，所述结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：

结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一作用轨迹关注模型获取Q个第一线性数组，其中，每个第一线性数组对应于一个体感反馈表征知识；

结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二作用轨迹关注模型获取Q个第二线性数组，其中，每个第二线性数组对应于一个控制建议表征知识；

对所述Q个第一线性数组以及所述Q个第二线性数组进行聚合操作，得到Q个目标线性数组，其中，每个目标线性数组包括一个第一线性数组以及一个第二线性数组；

结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

5.根据权利要求4所述的方法，其特征在于，所述结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一作用轨迹关注模型获取Q个第一线性数组，包括：对于所述体感反馈表征知识集中的每组体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的局部提炼层获取第一局部提炼表征知识，其中，所述第一作用轨迹关注模型属于所述作用需求挖掘网络；对于所述体感反馈表征知识集中的每组体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的全局提炼层获取第一全局提炼表征知识；对于所述体感反馈表征知识集中的每组体感反馈表征知识，结合所述第一局部提炼表征知识以及所述第一全局提炼表征知识，通过所述第一作用轨迹关注模型所包括的窗口滑动处理层获取第一联动表征知识；对于所述体感反馈表征知识集中的每组体感反馈表征知识，结合所述第一联动表征知识以及所述体感反馈表征知识，通过所述第一作用轨迹关注模型所包括的第一全局提炼层获取第一线性数组；

其中，所述结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二作用轨迹关注模型获取Q个第二线性数组，包括：对于所述控制建议表征知识集中的每组控制建议表征知识，通过所述第二作用轨迹关注模型所包括的局部提炼层获取第二局部提炼表征知识，其中，所述第二作用轨迹关注模型属于所述作用需求挖掘网络；对于所述控制建议表征知识集中的每组控制建议表征知识，通过所述第二作用轨迹关注模型所包括的全局提炼层获取第二全局提炼表征知识；对于所述控制建议表征知识集中的每组控制建议表征知识，结合所述第二局部提炼表征知识以及所述第二全局提炼表征知识，通过所述第二作用轨迹关注模型所包括的窗口滑动处理层获取第二联动表征知识；对于所述控制建议表征知识集中的每组控制建议表征知识，结合所述第二联动表征知识以及所述控制建议表征知识，通过所述第二作用轨迹关注模型所包括的第二全局提炼层获取第二线性数组。

6.根据权利要求4所述的方法，其特征在于，所述Q为大于1的整数；所述结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，其中，所述目标线性数组为依据所述Q个目标线性数组以及Q个受力容忍因子确定的，每个目标线性数组对应于一个受力容忍因子；结合所述目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重；

其中，所述结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，包括：结合所述Q个目标线性数组，通过所述作用受力关注模型所包括的第一模型节点获取Q个第一阶段线性数组，其中，所述作用受力关注模型属于所述作用需求挖掘网络；结合所述Q个第一阶段线性数组，通过所述作用受力关注模型所包括的第二模型节点获取Q个第二阶段线性数组；依据所述Q个第二阶段线性数组确定Q个受力容忍因子，其中，每个受力容忍因子对应于一个目标线性数组；依据所述Q个目标线性数组以及Q个受力容忍因子，确定所述目标线性数组。

7.根据权利要求3所述的方法，其特征在于，所述Q为大于1的整数；所述结合所述体感反馈表征知识集以及所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重，包括：

结合所述体感反馈表征知识集，通过所述作用需求挖掘网络所包括的第一全局提炼层获取Q个第一线性数组，其中，每个第一线性数组对应于一个体感反馈表征知识；

结合所述控制建议表征知识集，通过所述作用需求挖掘网络所包括的第二全局提炼层获取Q个第二线性数组，其中，每个第二线性数组对应于一个控制建议表征知识；

对所述Q个第一线性数组以及所述Q个第二线性数组进行聚合操作，得到Q个目标线性数组，其中，每个目标线性数组包括一个第一线性数组以及一个第二线性数组；

结合所述Q个目标线性数组，通过所述作用需求挖掘网络所包括的作用受力关注模型获取目标线性数组，其中，所述目标线性数组为依据所述Q个目标线性数组以及Q个受力容忍因子确定的，每个目标线性数组对应于一个受力容忍因子；

结合所述目标线性数组，通过所述作用需求挖掘网络所包括的所述需求回归子网获取所述体感反馈描述信息集所对应的需求识别权重。

8.根据权利要求3所述的方法，其特征在于，所述依据所述体感反馈描述信息集获取控制建议描述信息集，包括：

对于所述体感反馈描述信息集中的每组体感反馈描述信息，通过描述信息分词网络获取第一控制建议文本、第二控制建议文本以及第三控制建议文本；

依据所述每组体感反馈描述信息所对应的所述第一控制建议文本、所述第二控制建议文本以及所述第三控制建议文本，生成所述每组体感反馈描述信息所对应的控制建议描述信息。

9.一种AI自适应调整控制系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法。

Images