WO2020199690A1 - 基于云平台共享学习系统及方法、共享平台及方法、介质 - Google Patents

基于云平台共享学习系统及方法、共享平台及方法、介质 Download PDF

Info

Publication number
WO2020199690A1
WO2020199690A1 PCT/CN2019/130567 CN2019130567W WO2020199690A1 WO 2020199690 A1 WO2020199690 A1 WO 2020199690A1 CN 2019130567 W CN2019130567 W CN 2019130567W WO 2020199690 A1 WO2020199690 A1 WO 2020199690A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
cloud
private
terminal
sharing
Prior art date
Application number
PCT/CN2019/130567
Other languages
English (en)
French (fr)
Inventor
刘博艺
王鲁佳
刘明
须成忠
Original Assignee
深圳先进技术研究院
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 深圳先进技术研究院 filed Critical 深圳先进技术研究院
Publication of WO2020199690A1 publication Critical patent/WO2020199690A1/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/06—Simulation on general purpose computers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Definitions

  • Step 1 Private model generation terminal collects environmental information and generates a local private model
  • Step 1.3 Perform weighted summation based on the evaluation scores of the self-confidence evaluation to obtain label scores
  • Step 1.4 Calculate according to the environmental feature information and the tag score to obtain the new sharing model.
  • Fig. 6 is a schematic structural diagram of a preferred embodiment of an electronic device implementing the cloud platform-based robot sharing learning method in at least one example of the present application.
  • Fig. 1 is a system diagram of the robot sharing learning system based on the cloud platform of this application.
  • the cloud platform-based robot sharing learning system 100 includes a private model generation terminal 110 and a cloud integrated computing sharing platform 120.
  • the private model generation terminal 110 includes a characteristic collection module 111, an environment simulation module 112, an enhancement and migration learning module 113, a first data interpretation module 114, a data upload module 115, and a first communication module 116, of which the enhancement and migration learning module 113 It includes a reinforcement learning unit 113a and a migration calculation unit 113b.
  • the cloud converged computing sharing platform can accept the private model uploaded by the private model generation terminal, and combine it with other robot terminals, private model generation terminals and/or
  • the environment feature information uploaded by other private model generating terminals is fused with the shared model on the cloud fusion computing sharing platform to generate a new shared model; making other robot terminals, the private model generating terminal and/or other private model generating terminals download
  • the shared model on the cloud-converged computing sharing platform is used for local navigation, and can be further migrated and learned to generate new private models and upload to the cloud-converged computing sharing platform for further download and sharing, which can effectively solve robot navigation
  • the training time is long and the experience cannot be integrated.
  • the network where the computer device 5 is located includes, but is not limited to, the Internet, a wide area network, a metropolitan area network, a local area network, a virtual private network (Virtual Private Network, VPN), etc.
  • the embodiment of the present application also provides a computer-readable storage medium on which computer instructions are stored.
  • the cloud platform-based robot learns and executes as described in the above method embodiments.
  • the integrated unit is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the technical solution of this application essentially or the part that contributes to the existing technology or all or part of the technical solution can be embodied in the form of a software product, and the computer software product is stored in a storage medium , Including several instructions to make a computer device (which may be a personal computer, a server, or a network device, etc.) execute all or part of the steps of the method described in each embodiment of the present application.

Abstract

一种基于云平台的机器人共享学习系统（100），其包括私有模型生成终端（110）和云融合计算共享平台（120），私有模型生成终端（110）用于将本地生成的私有模型及用于生成私有模型而收集的环境特征信息上传云融合计算共享平台（120），云融合计算共享平台（120）包括模型融合计算模块（122），模型融合计算模块（122）用于将上传的私有模型，结合其他机器人终端、私有模型生成终端（110）及/或其他私有模型生成终端（110）上传的环境特征信息与云融合计算共享平台（120）上存储的共享模型进行融合计算，生成新的共享模型，新的共享模型用于供其他机器人终端、私有模型生成终端（110）及/或其他私有模型生成终端（110）下载及/或学习。

Description

基于云平台共享学习系统及方法、共享平台及方法、介质 技术领域
本申请属于机器人共享学习系统及方法技术领域，特别涉及一种用于仓储物流的基于云平台共享学习系统及方法、共享平台及方法、介质。
背景技术
机器人导航指的是给定机器人一个目标点，机器人能够不碰到障碍地到达目标点，同时又应该使得路径尽可能短。基于强化学习在进行路径规划的决策模型学习是目前较先进方法。强化学习是智能体(Agent)以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。然而这种方式依然存在一些缺点，其中就包括受制于训练环境的设定、训练时间较长、无法利用以前或者其他机器人学习的经验等。
机器人云共享技术是结合云计算技术解决机器人领域中的一些问题的技术。利用机器人云共享技术能够有效地解决机器人导航决策模型中的训练中训练时间长，无法进行经验融合的问题。中国专利CN108801269A提出了一种室内云机器人导航系统，但是该系统并没有在具体的路径规划方面提出方法，只 是在地图定位方面提出了方法，不能够解决训练时间长、和经验融合的问题。目前还没有关于机器人通过云共享技术强化学习进行导航决策模型学习系统的发明。
发明内容
本申请提供了基于云平台共享学习系统及方法、共享平台及方法、介质，解决了机器人导航受制于训练环境的设定、训练时间较长、无法利用以前或者其他机器人学习经验的技术问题。
为了解决上述问题，本申请提供了如下技术方案：
一种基于云平台的机器人共享学习系统，其包括私有模型生成终端和云融合计算共享平台，所述私有模型生成终端用于将本地生成的私有模型及用于生成所述私有模型而收集的环境特征信息上传所述云融合计算共享平台，所述云融合计算共享平台包括模型融合计算模块，所述模型融合计算模块用于将上传的所述私有模型，结合其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与所述云融合计算共享平台上存储的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载及/或学习。
本申请实施例采取的技术方案还包括：所述私有模型生成终端包括特性收集模块、环境仿真模块、强化及迁移学习模块，所述特性收集模块用于收集环境特征信息，所述环境仿真模块用于利用所述环境特征信息生成环境模型，所述强化及迁移学习模块包括强化学习单元，所述强化学习单元用于在所述环境模型上输入所述环境特征信息后进行强化学习，输出所述私有模型，所述私有 模型包括所述环境模型及所述私有模型生成终端针对所述环境模型生成的导航策略。
本申请实施例采取的技术方案还包括：所述强化及迁移学习模块还包括迁移计算单元，所述迁移计算单元用于在将所述环境特征信息输入到下载的共享模型后，进行迁移计算，输出新的环境特征信息，供所述强化学习单元进行强化学习，以输出新的私有模型，所述私有模型生成终端也将所述新的私有模型上传至所述云融合计算共享平台以进一步进行融合计算。
本申请实施例采取的技术方案还包括：所述私有模型生成终端采用智能机器人终端、电脑终端或其他智能终端设备。
本申请实施例采取的技术方案还包括：所述特征收集模块采用摄像头及/或激光雷达采集所述环境特征信息或者直接接收其他装置输入的仿真构造的特征信息作为所述环境特征信息。
本申请实施例采取的技术方案还包括：所述环境仿真模块采用gazebo仿真软件构建仿真环境。
本申请实施例采取的技术方案还包括：所述模型融合计算模块包括模型归一单元、融合计算单元，所述模型归一单元用于将所述环境特征信息输入到所述私有模型生成终端上传的所述私有模型及所述云融合计算共享平台上存储的所述共享模型获得输出结果进一步对所述输出结果进行归一化处理，并用信息熵对所述输出结果进行自信度评价，并基于所述自信度评价的评价分数进行加权求和得到标签分数，所述融合计算单元利用所述私有模型生成终端上传的所述环境特征信息和所述模型归一单元输出的所述标签分数进行融合计算得到所述新的共享模型。
本申请实施例采取的技术方案还包括：所述私有模型生成终端还包括第一 通信模块、第一数据接收模块、数据上传模块，所述云融合计算共享平台还包括第二通信模块，所述第一通信模块用于获取所述云融合计算共享平台网路地址，并与所述云融合计算共享平台的第二通信模块建立通信，所述数据上传模块用于在所述第一通信模块与所述云融合计算共享平台通信建立后将所述私有模型上传所述云融合计算共享平台，所述第一数据接收模块用于在与所述云融合计算共享平台通信建立后将所述云融合计算共享平台上的所述共享模型下载到所述私有模型生成终端。
本申请实施例采取的技术方案还包括：所述云融合计算共享平台还包括第二数据接收模块、数据下载模块、模型存储模块，所述第二数据接收模块用于在与所述私有模型生成终端通信建立后将所述私有模型生成终端上传的所述私有模型接收到所述云融合计算共享平台，所述数据下载模块用于在与所述私有模型生成终端通信建立后将所述云融合计算共享平台上的所述共享模型下载到所述私有模型生成终端，所述模型存储模块用于存储所述云融合计算共享平台上的所述共享模型。
本申请实施例采取的又一技术方案为：一种基于云融合计算共享平台，所述云融合计算共享平台包括模型融合计算模块，所述模型融合计算模块用于将机器人终端及/或其他智能终端上传的私有模型、环境特征信息与所述云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供所述机器人终端及/或其他智能终端及/或其他机器人终端下载及/或学习。
本申请实施例采取的技术方案还包括：所述模型融合计算模块包括模型归一单元、融合计算单元，所述模型归一单元用于将所述机器人终端及/或所述其他智能终端上传的所述环境特征信息输入到所述机器人终端及/或所述其他 智能终端上传的所述私有模型及所述云融合计算共享平台上存储的所述共享模型获得输出结果，进一步对所述输出结果进行归一化处理，并用信息熵对所述输出结果进行自信度评价，并基于评价分数进行加权求和得到标签分数，所述融合计算模块利用所述机器人终端及/或所述其他智能终端上传的所述环境特征信息和所述模型归一单元输出的所述标签分数进行融合计算得到所述新的共享模型。
本申请实施例采取的技术方案还包括：所述云融合计算共享平台还包括数据接收模块、数据下载模块、模型存储模块，所述数据接收模块用于在与所述机器人终端及/或所述其他智能终端通信建立后将所述机器人终端及/或所述其他智能终端上传的所述私有模型接收到所述云融合计算共享平台，所述数据下载模块用于在与所述机器人终端及/或所述其他智能终端通信建立后将所述云融合计算共享平台上的所述共享模型下载到所述机器人终端及/或所述其他智能终端及/或其他机器人终端，所述模型存储模块用于存储所述云融合计算共享平台生成的所述共享模型。
本申请实施例采取的又一技术方案为：一种基于云平台的机器人共享学习方法，包括如下步骤：
步骤1：私有模型生成终端收集环境信息，并生成本地私有模型；
步骤2：私有模型生成终端将本地生成的私有模型及收集的环境特征信息上传云融合计算共享平台；
步骤3：云融合计算共享平台将上传的私有模型，结合其他机器人终端、私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型；
步骤4：其他机器人终端、所述私有模型生成终端及/或其他私有模型生 成终端下载云融合计算共享平台上的共享模型。
本申请实施例采取的技术方案还包括：步骤1中，所述私有模型生成终端生成本地私有模型的步骤如下：
步骤1.1：所述私有模型生成终端收集环境信息或者接收其他装置输入的仿真构造的特征信息作为所述环境特征信息；
步骤1.2：所述私有模型生成终端基于所述环境特征信息利用gazebo软件构建环境模型；
步骤1.3：在所述环境模型上运行强化学习算法，得到导航策略，所述私有模型包括所述导航策略及所述环境模型。
本申请实施例采取的技术方案还包括：步骤2中，所述私有模型生成终端将本地生成的所述私有模型及收集的环境特征信息上传所述云融合计算共享平台的步骤如下：
步骤2.1：所述私有模型生成终端获取所述云融合计算共享平台通讯地址并发送请求；
步骤2.2：所述私有模型生成终端接收到所述云融合计算共享平台的信息后向所述云融合计算共享平台上传所述私有模型及所述环境特征信息。
本申请实施例采取的技术方案还包括：步骤3中，所述云融合计算共享平台生成新的共享模型步骤包括：
步骤3.1：所述云融合计算共享平台将所述私有模型生成终端上传的环境特征信息输入到所述私有模型和所述云融合计算共享平台上的存储的共享模型中获得输出结果，并对所述输出结果进行归一化处理；
步骤3.2：所述云融合计算共享平台用信息熵对所述归一化处理的结果做自信度评价；
步骤3.3：所述云融合计算共享平台基于所述自信度评价的评价分数进行加权求和得到标签分数；
步骤3.4：所述云融合计算共享平台根据所述私有模型生成终端上传的环境特征信息和所述标签分数进行计算得到新的共享模型。
本申请实施例采取的技术方案还包括：步骤4中，所述其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载云融合计算共享平台上的共享模型后还进行迁移学习，生成新的私有模型，其中所述私有模型生成终端进行迁移学习步骤为：
步骤4.1：所述私有模型生成终端从所述云融合计算共享平台下载所述共享模型；
步骤4.2：将新收集的环境特征数据输入到所述共享模型中，输出各个方向的评价值；
步骤4.3：将所述评价值加入到所述环境特征信息中，作为新的环境模型；
步骤4.4：在新的环境模型中进行强化学习，生成新的私有模型以供进一步上传至所述云融合计算共享平台。
本申请实施例采取的又一技术方案为：一种基于云融合计算共享的方法，包括以下步骤：
步骤1：将接收到的机器人终端、私有模型生成终端产生的私有模型与其他机器人终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供所述机器人终端、其他智能终端及/或其他机器人终端下载及/或学习。
本申请实施例采取的技术方案还包括：步骤1，生成新的共享模型步骤为：
步骤1.1：将接收到的环境特征信息输入到所述私有模型和云融合计算共 享平台上的共享模型中获得输出结果，并对所述输出结果进行归一化处理；
步骤1.2：用信息熵对所述归一化处理的结果做自信度评价；
步骤1.3：基于所述自信度评价的评价分数进行加权求和得到标签分数；
步骤1.4：根据所述环境特征信息和所述标签分数进行计算得到所述新的共享模型。
本申请实施例采取的又一技术方案为：一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述基于云平台的机器人共享学习方法及基于云融合计算共享的方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请基于云平台的机器人共享学习及系统中，所述云融合计算共享平台能够接受私有模型生成终端上传的私有模型，结合其他机器人终端、私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型；使得其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载云融合计算共享平台上的共享模型，供本地导航使用，并且可以进一步进行迁移学习，生成新的私有模型上传到所述云融合计算共享平台上，供进一步下载及共享，可以有效地解决机器人导航决策模型中的训练中训练时间长，无法进行经验融合的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创 造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本申请实施例的基于云平台的机器人共享学习系统的系统图；
图2是本申请实施例的基于云平台的机器人共享学习系统的流程图；
图3是本申请实施例的基于云平台的机器人共享学习方法流程图；
图4是本申请实施例的基于云平台的机器人共享学习方法迁移学习流程图；
图5是本申请实施例的基于云平台的机器人共享学习方法融合计算流程图；
图6是本申请至少一个实例中实现所述基于云平台的机器人共享学习方法的电子设备较佳实施例的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品 或设备固有的其它步骤或单元。
如图1所示，图1是实现本申请基于云平台的机器人共享学习系统的系统图。所述基于云平台的机器人共享学习系统100，包括私有模型生成终端110和云融合计算共享平台120。所述私有模型生成终端110包括特性收集模块111、环境仿真模块112、强化及迁移学习模块113、第一数据解释模块114、数据上传模块115和第一通信模块116，其中强化及迁移学习模块113包括强化学习单元113a和迁移计算单元113b。所述云融合计算共享平台120包括数据下载模块121、模型融合计算模块122、模型存储模块123、第二数据接收模块124和第二通信模块125，其中模型融合计算模块122包括模型归一单元122a及融合计算单元122b。
请一并参阅图2所示，图2本申请基于云平台的机器人共享学习系统的流程图。所述私有模型生成终端110中所述特性收集模块111用于收集环境特征信息，所述环境仿真模块112用于利用所述环境特征信息生成环境模型，所述强化及迁移学习模块113中包括强化学习单元113a，在所述环境模型上输入所述环境特征信息后进行强化学习，输出所述私有模型，所述私有模型包括所述环境模型及所述私有模型生成终端110针对所述环境模型生成的导航策略。所述私有模型生成终端110的所述第一通信模块116用于获取所述云融合计算共享平台120网路地址，并与所述云融合计算共享平台120的第二通信模块124建立通信，所述数据上传模块115用于在所述第一通信模块116与所述云融合计算共享平台120通信建立后将所述私有模型上传所述云融合计算共享平台120。
所述云融合计算共享平台120中所述第二数据接收模块124用于在与所述私有模型生成终端110通信建立后将所述私有模型生成终端110上传的所述私 有模型接收到所述云融合计算共享平台120。所述云融合计算共享平台120中的模型融合计算模块122用于将上传的所述私有模型，结合其他机器人终端、所述私有模型生成终端110及/或其他私有模型生成终端110上传的环境特征信息与所述云融合计算共享平台120上存储的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供其他机器人终端、所述私有模型生成终端110及/或其他私有模型生成终端120下载及/或学习。其中所述云融合计算共享平台120中的所述模型归一单元122a用于将所述环境特征信息输入到所述私有模型生成终端110上传的所述私有模型及所述云融合计算共享平台120上存储的所述共享模型获得输出结果进一步对所述输出结果进行归一化处理，并用信息熵对所述输出结果进行自信度评价，并基于所述自信度评价的评价分数进行加权求和得到标签分数，所述融合计算单元122b利用所述私有模型生成终端110上传的所述环境特征信息和所述模型归一单元122a输出的所述标签分数进行融合计算得到所述新的共享模型。所述私有模型生成终端110中所述第一数据接收模块114与所述云融合计算共享平台120的所述数据下载模块121在两者通信建立后，将所述云融合计算共享平台120上所述模型存储模块123中的所述共享模型下载到所述私有模型生成终端110。所述私有模型生成终端110中的所述强化及迁移学习模块113的所述迁移计算单元113b在将所述环境特征信息输入到下载的共享模型后，进行迁移计算，输出新的环境特征信息，供所述强化学习单元113a进行强化学习，以输出新的私有模型，所述私有模型生成终端110也将所述新的私有模型上传至所述云融合计算共享平台120以进一步进行融合计算，生成新的共享模型，所述新的共享模型用于供其他机器人终端、所述私有模型生成终端110及/或其他私有模型生成终端110下载及/或学习。通过重复这一步骤，云上的模型变得越来越强大。
具体地，所述私有模型生成终端110采用智能机器人终端、电脑终端及/或其他智能终端设备。其中所述智能机器人终端可以采用仓储物流系统的移动机器人，所述环境特征信息可以为仓储物流环境中收集的环境特征信息，但不并不以上述为限，所述私有模型生成终端110也可以为应用于多种环境的其他导航机器人。所述特征收集模块111采用摄像头及/或激光雷达随机采集所述环境特征信息或者直接接收其他装置输入的仿真构造的特征信息作为所述环境特征信息。所述环境仿真模块采用gazebo仿真软件构建仿真环境。
如图3所示，图3是本申请基于云平台的机器人共享学习系统采用的学习方法的流程图。可以理解，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1：私有模型生成终端收集环境信息，并生成本地私有模型；
步骤S2：私有模型生成终端将本地生成的私有模型及收集的环境特征信息上传云融合计算共享平台；
步骤S3：云融合计算共享平台将上传的私有模型，结合其他机器人终端、私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型；
步骤S4：其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载云融合计算共享平台上的共享模型，进行迁移学习，生成新的私有模型。
具体地，如下对该步骤S4中迁移学习进行进一步说明。
如图4所示，图4是本申请基于云平台的机器人共享学习方法迁移学习流程图：
步骤S41：私有模型生成终端收集环境信息或者接收其他装置输入的仿真 构造的特征信息作为所述环境特征信息利用gazebo软件构建环境模型，在所述环境模型上运行强化学习算法，得到导航策略，所述私有模型包括所述导航策略及所述环境模型。所述私有模型生成终端将本地生成的所述私有模型及收集的环境特征信息上传所述云融合计算共享平台生成第1代共享模型。
步骤S42：所述私有模型生成终端从所述云融合计算共享平台下载所述共享模型，将新收集的环境特征数据输入到所述共享模型中，将共享模型的输出作为附加特征输出到Q网络中，或将所有参数传递到Q网络中，输出各个方向的评价值，将所述评价值加入到所述环境特征信息中，作为新的环境模型；
步骤S43：在新的环境模型中进行强化学习，输入层的特征向量由原始特征向量和共享模型输出的向量组成，输出新的私有模型以供进一步上传至所述云融合计算共享平台，生成第2代共享模型。进一步地，关于第3代共享模型、第4代共享模型及第n代共享模型的生成原理与第2代共享模型的生成原理基本相同，此处就不再赘述。
进一步地，如下对该步骤S3中融合计算进行进一步说明。
如图5所示，图5是本申请基于云平台的机器人共享学习平台采用的融合计算方法的流程图。该步骤S3可以包括步骤S31、S32及S33。
步骤S31：所述云融合计算共享平台将所述私有模型生成终端上传的环境特征信息输入到所述私有模型和所述云融合计算共享平台上的存储的共享模型中获得输出结果。
步骤S32：对所述输出结果进行归一化处理，所述云融合计算共享平台用信息熵对所述归一化处理的结果做自信度评价，所述云融合计算共享平台基于所述自信度评价的评价分数进行加权求和得到标签分数。
步骤S33：所述云融合计算共享平台根据所述私有模型生成终端上传的环 境特征信息和所述标签分数进行计算得到新的共享模型。
相较于现有技术，本申请基于云平台的机器人共享学习及系统中，所述云融合计算共享平台能够接受私有模型生成终端上传的私有模型，结合其他机器人终端、私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型；使得其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载云融合计算共享平台上的共享模型，供本地导航使用，并且可以进一步进行迁移学习，生成新的私有模型上传到所述云融合计算共享平台上，供进一步下载及共享，可以有效地解决机器人导航决策模型中的训练中训练时间长，无法进行经验融合的问题。
如图6所示，为执行上述实施例中的方法的计算机装置5的结构示意图。所述计算机装置5包括，但不限于：至少一个存储器51、至少一个处理器52、至少一个通信装置53以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述计算机装置5是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述计算机装置5还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述计算机装置5可以是，但不限于任何一种可与用户通过键盘、触摸板 或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述计算机装置5所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述通信装置53可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器51用于存储程序代码。所述存储器51可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First In First Out，)等。或者，所述存储器也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digital card)、快闪存储器卡(flash card)等储存设备等等。
所述处理器52可以包括一个或者多个微处理器、数字处理器。所述处理器可调用所述存储器中存储的程序代码以执行相关的功能；例如，图3中所述的各个模块是存储在存储器的程序代码，并由所述处理器所执行，以实现一种云机器人共享学习方法。所述处理器又称中央处理器(CPU，Central Processing Unit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器执行时，使基于云平台的机器人学习执行如上文方法实施例所述的云机器人共享学习方法。
以上说明的本申请的特征性的手段可以通过集成电路来实现，并控制实现 上述任意实施例中所述云机器人共享学习方法的功能。
在任意实施例中所述云机器人共享学习方法所能实现的功能都能通过本申请的集成电路安装于所述电子设备中，使所述电子设备发挥任意实施例中所述云机器人共享学习方法所能实现的功能，在此不再详述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请的各个实施例中的各功能单元可以集成在一个处理单元 中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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申请各实施例技术方案的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (20)

  1. 一种基于云平台的机器人共享学习系统，其包括私有模型生成终端和云融合计算共享平台，其特征在于：所述私有模型生成终端用于将本地生成的私有模型及用于生成所述私有模型而收集的环境特征信息上传所述云融合计算共享平台，所述云融合计算共享平台包括模型融合计算模块，所述模型融合计算模块用于将上传的所述私有模型，结合其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与所述云融合计算共享平台上存储的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载及/或学习。
  2. 根据权利要求1所述的基于云平台的机器人共享学习系统，其特征在于：所述私有模型生成终端包括特性收集模块、环境仿真模块、强化及迁移学习模块，所述特性收集模块用于收集环境特征信息，所述环境仿真模块用于利用所述环境特征信息生成环境模型，所述强化及迁移学习模块包括强化学习单元，所述强化学习单元用于在所述环境模型上输入所述环境特征信息后进行强化学习，输出所述私有模型，所述私有模型包括所述环境模型及所述私有模型生成终端针对所述环境模型生成的导航策略。
  3. 根据权利要求2所述的基于云平台的机器人共享学习系统，其特征在于：所述强化及迁移学习模块还包括迁移计算单元，所述迁移计算单元用于在将所述环境特征信息输入到下载的共享模型后，进行迁移计算，输出新的环境特征信息，供所述强化学习单元进行强化学习，以输出所述新的私有模型，所述私有模型生成终端也将所述新的私有模型上传至所述云融合计算共享平台以进一步进行融 合计算。
  4. 根据权利要求1或2所述的基于云平台的机器人共享学习系统，其特征在于：所述私有模型生成终端采用智能机器人终端、电脑终端或其他智能终端设备。
  5. 根据权利要求2所述的基于云平台的机器人共享学习系统，其特征在于：所述特征收集模块采用摄像头及/或激光雷达采集所述环境特征信息或者直接接收其他装置输入的仿真构造的特征信息作为所述环境特征信息。
  6. 根据权利要求2所述的基于云平台的机器人共享学习系统，其特征在于：所述环境仿真模块采用gazebo仿真软件构建仿真环境。
  7. 根据权利要求1所述的基于云平台的机器人共享学习系统，其特征在于：所述模型融合计算模块包括模型归一单元、融合计算单元，所述模型归一单元用于将所述环境特征信息输入到所述私有模型生成终端上传的所述私有模型及所述云融合计算共享平台上存储的所述共享模型获得输出结果进一步对所述输出结果进行归一化处理，并用信息熵对所述输出结果进行自信度评价，并基于所述自信度评价的评价分数进行加权求和得到标签分数，所述融合计算单元利用所述私有模型生成终端上传的所述环境特征信息和所述模型归一单元输出的所述标签分数进行融合计算得到所述新的共享模型。
  8. 根据权利要求1所述的基于云平台的机器人共享学习系统，其特征在于：所述私有模型生成终端还包括第一通信模块、第一数据接收模块、数据上传模块，所述云融合计算共享平台还包括第二通信模块，所述第一通信模块用于获取所述云融合计算共享平台网路地址，并与所述云融合计算共享平台的第二通信模块建立通信，所述数据上传模块用于在所述第一通信模块与所述云融合计算共享平台通信建立后将所述私有模型上传所述云融合计算共享平台，所述第一数据接收模 块用于在与所述云融合计算共享平台通信建立后将所述云融合计算共享平台上的所述共享模型下载到所述私有模型生成终端。
  9. 根据权利要求1所述的基于云平台的机器人共享学习系统，其特征在于：所述云融合计算共享平台还包括第二数据接收模块、数据下载模块、模型存储模块，所述第二数据接收模块用于在与所述私有模型生成终端通信建立后将所述私有模型生成终端上传的所述私有模型接收到所述云融合计算共享平台，所述数据下载模块用于在与所述私有模型生成终端通信建立后将所述云融合计算共享平台上的所述共享模型下载到所述私有模型生成终端，所述模型存储模块用于存储所述云融合计算共享平台上的所述共享模型。
  10. 一种基于云融合计算共享平台，其特征在于：所述云融合计算共享平台包括模型融合计算模块，所述模型融合计算模块用于将机器人终端及/或其他智能终端上传的私有模型、环境特征信息与所述云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供所述机器人终端及/或其他智能终端及/或其他机器人终端下载及/或学习。
  11. 根据权利要求10所述的基于云融合计算共享平台，其特征在于：所述模型融合计算模块包括模型归一单元、融合计算单元，所述模型归一单元用于将所述机器人终端及/或所述其他智能终端上传的所述环境特征信息输入到所述机器人终端及/或所述其他智能终端上传的所述私有模型及所述云融合计算共享平台上存储的所述共享模型获得输出结果，进一步对所述输出结果进行归一化处理，并用信息熵对所述输出结果进行自信度评价，并基于评价分数进行加权求和得到标签分数，所述融合计算模块利用所述机器人终端及/或所述其他智能终端上传的所述环境特征信息和所述模型归一单元输出的所述标签分数进行融合计算得到所述新的共享模型。
  12. 根据权利要求10所述的基于云融合计算共享平台，其特征在于：所述云融合计算共享平台还包括数据接收模块、数据下载模块、模型存储模块，所述数据接收模块用于在与所述机器人终端及/或所述其他智能终端通信建立后将所述机器人终端及/或所述其他智能终端上传的所述私有模型接收到所述云融合计算共享平台，所述数据下载模块用于在与所述机器人终端及/或所述其他智能终端通信建立后将所述云融合计算共享平台上的所述共享模型下载到所述机器人终端及/或所述其他智能终端及/或其他机器人终端，所述模型存储模块用于存储所述云融合计算共享平台生成的所述共享模型。
  13. 一种基于云平台的机器人共享学习方法，其特征在于，包括如下步骤：
    步骤1：私有模型生成终端收集环境信息，并生成本地私有模型；
    步骤2：私有模型生成终端将本地生成的私有模型及收集的环境特征信息上传云融合计算共享平台；
    步骤3：云融合计算共享平台将上传的私有模型，结合其他机器人终端、私有模型生成终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型；
    步骤4：其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载云融合计算共享平台上的共享模型。
  14. 根据权利要求13所述的基于云平台的机器人共享学习方法，其特征在于：所述步骤1中，所述私有模型生成终端生成本地私有模型的步骤如下：
    步骤1.1：所述私有模型生成终端收集环境信息或者接收其他装置输入的仿真构造的特征信息作为所述环境特征信息；
    步骤1.2：所述私有模型生成终端基于所述环境特征信息利用gazebo软件构建环境模型；
    步骤1.3：在所述环境模型上运行强化学习算法，得到导航策略，所述私有模型包括所述导航策略及所述环境模型。
  15. 根据权利要求13所述的基于云平台的机器人共享学习方法，其特征在于：步骤2中，所述私有模型生成终端将本地生成的所述私有模型及收集的环境特征信息上传所述云融合计算共享平台的步骤如下：
    步骤2.1：所述私有模型生成终端获取所述云融合计算共享平台通讯地址并发送请求；
    步骤2.2：所述私有模型生成终端接收到所述云融合计算共享平台的信息后向所述云融合计算共享平台上传所述私有模型及所述环境特征信息。
  16. 根据权利要求13所述的基于云平台的机器人共享学习方法，其特征在于：所述步骤3中，所述云融合计算共享平台生成新的共享模型步骤包括：
    步骤3.1：所述云融合计算共享平台将所述私有模型生成终端上传的环境特征信息输入到所述私有模型和所述云融合计算共享平台上的存储的共享模型中获得输出结果，并对所述输出结果进行归一化处理；
    步骤3.2：所述云融合计算共享平台用信息熵对所述归一化处理的结果做自信度评价；
    步骤3.3：所述云融合计算共享平台基于所述自信度评价的评价分数进行加权求和得到标签分数；
    步骤3.4：所述云融合计算共享平台根据所述私有模型生成终端上传的环境特征信息和所述标签分数进行计算得到新的共享模型。
  17. 根据权利要求13所述的基于云平台的机器人共享学习方法，其特征在于：所述步骤4中，所述其他机器人终端、所述私有模型生成终端及/或其他私有模型生成终端下载云融合计算共享平台上的共享模型后还进行迁移学习，生成 新的私有模型，其中所述私有模型生成终端进行迁移学习步骤为：
    步骤4.1：所述私有模型生成终端从所述云融合计算共享平台下载所述共享模型；
    步骤4.2：将新收集的环境特征数据输入到所述共享模型中，输出各个方向的评价值；
    步骤4.3：将所述评价值加入到所述环境特征信息中，作为新的环境模型；
    步骤4.4：在新的环境模型中进行强化学习，生成新的私有模型以供进一步上传至所述云融合计算共享平台。
  18. 一种基于云融合计算共享的方法，其特征在于，包括以下步骤：
    步骤1：将接收到的机器人终端、私有模型生成终端产生的私有模型与其他机器人终端及/或其他私有模型生成终端上传的环境特征信息与云融合计算共享平台上的共享模型进行融合计算，生成新的共享模型，所述新的共享模型用于供所述机器人终端、其他智能终端及/或其他机器人终端下载及/或学习。
  19. 根据权利要求18所述的基于云融合计算共享的方法，其特征在于：步骤1，生成新的共享模型步骤为：
    步骤1.1：将接收到的环境特征信息输入到所述私有模型和云融合计算共享平台上的共享模型中获得输出结果，并对所述输出结果进行归一化处理；
    步骤1.2：用信息熵对所述归一化处理的结果做自信度评价；
    步骤1.3：基于所述自信度评价的评价分数进行加权求和得到标签分数；
    步骤1.4：根据所述环境特征信息和所述标签分数进行计算得到所述新的共享模型。
  20. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求13-19中任 意一项权利要求中所述的方法。
PCT/CN2019/130567 2019-03-29 2019-12-31 基于云平台共享学习系统及方法、共享平台及方法、介质 WO2020199690A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910248301.9A CN109993308A (zh) 2019-03-29 2019-03-29 基于云平台共享学习系统及方法、共享平台及方法、介质
CN201910248301.9 2019-03-29

Publications (1)

Publication Number Publication Date
WO2020199690A1 true WO2020199690A1 (zh) 2020-10-08

Family

ID=67131830

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/130567 WO2020199690A1 (zh) 2019-03-29 2019-12-31 基于云平台共享学习系统及方法、共享平台及方法、介质

Country Status (2)

Country Link
CN (1) CN109993308A (zh)
WO (1) WO2020199690A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993308A (zh) * 2019-03-29 2019-07-09 深圳先进技术研究院 基于云平台共享学习系统及方法、共享平台及方法、介质
CN110827167A (zh) * 2019-09-29 2020-02-21 武汉开目信息技术股份有限公司 面向协同制造的产品设计工艺性知识共享方法及装置
CN110766169A (zh) * 2019-10-31 2020-02-07 深圳前海微众银行股份有限公司 强化学习的迁移训练优化方法、装置、终端及存储介质
CN110796267A (zh) * 2019-11-12 2020-02-14 支付宝(杭州)信息技术有限公司 数据共享的机器学习方法和机器学习装置
CN111027713B (zh) * 2019-12-10 2022-09-02 支付宝(杭州)信息技术有限公司 共享机器学习系统及方法
CN111126609B (zh) * 2019-12-20 2021-04-23 深圳前海微众银行股份有限公司 基于联邦学习的知识迁移方法、装置、设备及介质
CN112100145B (zh) * 2020-09-02 2023-07-04 南京三眼精灵信息技术有限公司 数字化模型共享学习系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107053184A (zh) * 2017-06-22 2017-08-18 北京信息科技大学 基于私有云的多智能体协作处理系统和方法
CN108921298A (zh) * 2018-06-12 2018-11-30 中国科学技术大学 强化学习多智能体沟通与决策方法
CN109086550A (zh) * 2018-08-27 2018-12-25 山东师范大学 基于多Agent共享Q学习的疏散仿真方法及系统
CN109116854A (zh) * 2018-09-16 2019-01-01 南京大学 一种基于强化学习的多组机器人协作控制方法及控制系统
CN109993308A (zh) * 2019-03-29 2019-07-09 深圳先进技术研究院 基于云平台共享学习系统及方法、共享平台及方法、介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926838B (zh) * 2014-04-22 2017-02-15 山东大学 基于云计算的自主心智发育云机器人系统
US10754328B2 (en) * 2014-09-05 2020-08-25 Accenture Global Solutions Limited Self-adaptive device intelligence as a service enterprise infrastructure for sensor-rich environments
US9713871B2 (en) * 2015-04-27 2017-07-25 Microsoft Technology Licensing, Llc Enhanced configuration and control of robots
CN106027300B (zh) * 2016-05-23 2019-03-05 深圳市飞仙智能科技有限公司 一种应用神经网络的智能机器人参数优化系统及方法
CN108398660A (zh) * 2018-01-08 2018-08-14 国网江苏省电力有限公司 一种基于Wi-Fi云平台系统的终端设备定位方法及系统
CN108896739A (zh) * 2018-07-16 2018-11-27 河南聚合科技有限公司 一种可分析矿物成分的太阳能机器人云平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107053184A (zh) * 2017-06-22 2017-08-18 北京信息科技大学 基于私有云的多智能体协作处理系统和方法
CN108921298A (zh) * 2018-06-12 2018-11-30 中国科学技术大学 强化学习多智能体沟通与决策方法
CN109086550A (zh) * 2018-08-27 2018-12-25 山东师范大学 基于多Agent共享Q学习的疏散仿真方法及系统
CN109116854A (zh) * 2018-09-16 2019-01-01 南京大学 一种基于强化学习的多组机器人协作控制方法及控制系统
CN109993308A (zh) * 2019-03-29 2019-07-09 深圳先进技术研究院 基于云平台共享学习系统及方法、共享平台及方法、介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BUSONIU, LUCIAN ET AL.: "A Comprehensive Survey of Multiagent Reinforcement Learning", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS, vol. 38, no. 2, 31 March 2008 (2008-03-31), XP055739691, DOI: 20200318132315A *

Also Published As

Publication number Publication date
CN109993308A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
WO2020199690A1 (zh) 基于云平台共享学习系统及方法、共享平台及方法、介质
WO2021233199A1 (zh) 搜索推荐模型的训练方法、搜索结果排序的方法及装置
WO2022022274A1 (zh) 一种模型训练方法及装置
WO2019228358A1 (zh) 深度神经网络的训练方法和装置
EP3992857A1 (en) Method and device for generating neural network model, and computer-readable storage medium
WO2022068623A1 (zh) 一种模型训练方法及相关设备
CN114997412A (zh) 一种推荐方法、训练方法以及装置
CN111126590B (zh) 一种人工神经网络运算的装置及方法
WO2023246819A1 (zh) 一种模型训练方法及相关设备
WO2023217127A1 (zh) 一种因果关系确定方法及相关设备
CN111931901A (zh) 一种神经网络构建方法以及装置
US20230401799A1 (en) Augmented reality method and related device
WO2023185925A1 (zh) 一种数据处理方法及相关装置
WO2023207487A1 (zh) 一种电路走线确定方法及相关设备
CN115238909A (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
WO2024067113A1 (zh) 一种动作预测方法及其相关设备
WO2023197857A1 (zh) 一种模型切分方法及其相关设备
WO2024017282A1 (zh) 一种数据处理方法及其装置
CN116186295B (zh) 基于注意力的知识图谱链接预测方法、装置、设备及介质
CN113065633A (zh) 一种模型训练方法及其相关联设备
WO2023197910A1 (zh) 一种用户行为预测方法及其相关设备
WO2022127603A1 (zh) 一种模型处理方法及相关装置
CN116739154A (zh) 一种故障预测方法及其相关设备
WO2023284634A1 (zh) 一种数据处理方法及相关设备
CN114841361A (zh) 一种模型训练方法及其相关设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19922487

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19922487

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 180322)

122 Ep: pct application non-entry in european phase

Ref document number: 19922487

Country of ref document: EP

Kind code of ref document: A1