一种基于NRL的智能搬运机器人预测任务状态的方法技术

本发明专利技术提供一种基于NRL的智能搬运机器人预测任务状态的方法，根据搬运任务中状态对应的网络结构，借助网络表示学习技术，来深入挖掘边上蕴含的丰富语义信息以及顶点之间具体关系的建模和预测能力。从而提高任务状态预测的准确性和高效性，克服了现有技术方案应用于大规模数据时高计算复杂性和内存消耗、核参数难学习以及模型不支持增量式更新的缺陷。

A method of predicting the mission status of intelligent transport robot based on NRL

The invention provides a method for predicting the task state of an intelligent handling robot based on NRL. According to the network structure corresponding to the state of the handling task, the rich semantic information contained on the edge and the modeling and predicting ability of the specific relationship between vertices are deeply excavated by means of network representation learning technology. Thus, the accuracy and efficiency of task state prediction are improved, and the defects of high computational complexity, memory consumption, hard learning of kernel parameters, and the model does not support incremental updating are overcome.

【技术实现步骤摘要】
一种基于NRL的智能搬运机器人预测任务状态的方法
本专利技术涉及人工智能领域，更具体地，涉及一种基于NRL的智能搬运机器人预测任务状态的方法。
技术介绍
智能规划是人工智能的一个重要研究领域，其广泛存在于人类实践活动中，在诸如服务机器人任务规划、应急决策、游戏人工智能、生产线调度、危机管理、后勤规划以及宇航技术等领域中都得到了广泛应用，已经成为机器智能的一个核心问题。所谓规划是一种重要的问题求解技术，它从某个特定的问题状态出发，寻求一系列行为动作，并建立一个操作序列，直到求得目标状态为止。通过监控问题的求解过程，规划能够在造成较大的危害之前发现差错，并且为简化搜索、解决目标矛盾以及为差错补偿提供基础。智能搬运机器人是机器人的一种，从小到大、从轻到重、从简到繁、从工业到服务、从军工到特种、从生产到生活，它可以有很多的应用场景与价值功能。智能搬运机器人的品质对推动仓储物流的智能化，甚至是整个物流行业、整个制造业、生产和生活方方面面的智能化服务都有重要意义。智能规划技术便在智能搬运机器人的搬运任务规划方面有重要应用，但是目前仍面临一些限制，原因在于真实环境中的搬运任务状态几乎总是不能够完全获知的，而盲目地对任务状态空间进行探索代价又极其高，这就导致在这些环境中进行任务规划求解总是困难度高、鲁棒性低。现有方法通过将搬运任务中的状态翻译成多重图，然后利用“间隔最大化多值回归(MaximumMarginMulti-ValuedRegression,M3VR)”方法来预测多重图中缺失边的置信情况——即把搬运任务中的状态预测转化为网络图中缺失边的预测学习，进而将置信度高的预测边重新翻译回搬运任务中的状态。然而这种方法在大规模数据集上存在高计算复杂性和内存消耗、核参数难学习以及模型不支持增量式更新等问题，因此如果能够提出一种动态、增量式，适用于大规模数据的方法对于智能搬运机器人搬运任务规划前的状态预测具有重要意义。现有用于状态预测的M3VR方法是一种与支持向量机(SupportVectorMachine，SVM)相似、基于间隔最大化原则的核函数学习框架，该方法提出可以用实值函数来表示图中的边，进而我们可以用多线性函数来近似这些实值表示函数，如此便把图中缺失边的预测转化为凸单类分类(convexone-classclassification)问题。M3VR方法的目的在于构建一个表示图中边的函数，具体可以通过赋给每个源顶点一个预测函数，然后利用该函数将所有目的顶点映射到对应的边上来实现。这些预测函数需要捕获复杂、非线性网络图中潜在的信息，因此在欧几里得空间中是非常难操作的，所以需要把这些预测函数定义在顶点和边的特征空间。定义函数ψ把边映射到一个希尔伯特空间Hψ，定义函数φ映射顶点到希尔伯特空间Hφ。Hψ和Hφ分别代表边和顶点的特征空间，特征空间中的向量ψ(·)和φ(·)则分别是边和顶点的特征向量。如此非欧空间上的预测函数便可以定义在特征向量上，比如F:Hφ→Hψ，如果假定特征空间Hφ和Hψ存在线性关系，用线性映射操作W表示，则特征空间Hφ上的向量φ(·)进行线性操作Wφ(·)之后便被映射到特征空间Hψ。如此我们便可以在特征空间Hψ上用内积来描述向量Wφ(·)和ψ(·)的相似性，即如果向量Wφ(·)和ψ(·)的相似性较高，则二者的内积值也会较大，那么ψ(·)便可以用Wφ(·)来预测。M3VR方法在模型训练阶段定义的损失函数是间隔最大化损失函数，借助支持向量机的理论基础，可以方便地进行模型的构建，进而可以借助模型完成网络图中边的预测与完备。由于M3VR方法是一种基于核函数的学习框架，所以不可避免存在核学习方法应用于大规模数据时出现的高计算复杂度和内存消耗的缺点，以及由于核函数中的特征映射定义不精确导致核参数的学习常常无可行解。另外因为该方法所建立的数学模型的训练只发生一次，所以当有新数据产生时，就需要高成本地重新训练模型，因此该方法不支持增量式更新。此外，M3VR方法更侧重于顶点本身的信息，而把边简单地看做0,1值或者连续的实值，忽略了边上丰富的语义信息，也忽略了对顶点之间具体关系的建模和预测能力。
技术实现思路
本专利技术提供一种基于NRL的智能搬运机器人预测任务状态的方法，该方法挖掘边上蕴含的丰富语义信息以及顶点之间具体关系的建模和预测能力。为了达到上述技术效果，本专利技术的技术方案如下：一种基于NRL的智能搬运机器人预测任务状态的方法，包括以下步骤：S1：将与搬运任务相关的规划领域定义语言文件中所描述的问题当前状态转化成网络图G，PDDL文件中的实体转化为网络图的节点，实体之间的关系转化为图中的边；S2：在网络G上应用深度神经网络模型，从网络结构中习得网络节点的向量表示和边的向量表示；S3：根据TransE模型中的定义，网络图中的两个连接节点向量vh和vt，及对应的边向量eht，三者存在vh+eht≈vt的表示关系，换言之eht≈vt-vh，然后计算任意两个节点之间的向量差，进而対相应边上的关系标签进行预测；S4：将边上预测好的关系标签翻译回原始PDDL文件，即在搬运任务的状态描述里面把对应状态添加进来，从而达到减少搬运任务中状态不确定性的目的。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术提供一种基于NRL的智能搬运机器人预测任务状态的方法，根据搬运任务中状态对应的网络结构，借助网络表示学习技术，来深入挖掘边上蕴含的丰富语义信息以及顶点之间具体关系的建模和预测能力。从而提高任务状态预测的准确性和高效性，克服了现有技术方案应用于大规模数据时高计算复杂性和内存消耗、核参数难学习以及模型不支持增量式更新的缺陷。附图说明图1为本专利技术方法流程图；图2为状态翻译过程示意图；图3为自动编码器训练过程示意图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1如图1所示，一种基于NRL的智能搬运机器人预测任务状态的方法，包括以下步骤：S1：将与搬运任务相关的规划领域定义语言文件中所描述的问题当前状态转化成网络图G，PDDL文件中的实体转化为网络图的节点，实体之间的关系转化为图中的边；S2：在网络G上应用深度神经网络模型，从网络结构中习得网络节点的向量表示和边的向量表示；S3：根据TransE模型中的定义，网络图中的两个连接节点向量vh和vt，及对应的边向量eht，三者存在vh+eht≈vt的表示关系，换言之eht≈vt-vh，然后计算任意两个节点之间的向量差，进而対相应边上的关系标签进行预测；S4：将边上预测好的关系标签翻译回原始PDDL文件，即在搬运任务的状态描述里面把对应状态添加进来，从而达到减少搬运任务中状态不确定性的目的。任务状态翻译本专利技术方案的核心是借助网络表示学习技术来预测状态，所以任务状态翻译组件的目的是：将与搬运任务相关的PDDL文件中所描述的问题当前状态转化成网络图。以搬运机器人操作物体为例，状态描述空间包含{拿起-pickUp，推动-push，堆叠-stackOn，装入-fitInside}，环本文档来自技高网...

【技术保护点】
1.一种基于NRL的智能搬运机器人预测任务状态的方法，其特征在于，包括以下步骤：S1：将与搬运任务相关的规划领域定义语言文件中所描述的问题当前状态转化成网络图G，PDDL文件中的实体转化为网络图的节点，实体之间的关系转化为图中的边；S2：在网络G上应用深度神经网络模型，从网络结构中习得网络节点的向量表示和边的向量表示；S3：根据TransE模型中的定义，网络图中的两个连接节点向量vh和vt，及对应的边向量eht，三者存在vh+eht≈vt的表示关系，换言之eht≈vt‑vh，然后计算任意两个节点之间的向量差，进而対相应边上的关系标签进行预测；S4：将边上预测好的关系标签翻译回原始PDDL文件，即在搬运任务的状态描述里面把对应状态添加进来，从而达到减少搬运任务中状态不确定性的目的。

【技术特征摘要】
1.一种基于NRL的智能搬运机器人预测任务状态的方法，其特征在于，包括以下步骤：S1：将与搬运任务相关的规划领域定义语言文件中所描述的问题当前状态转化成网络图G，PDDL文件中的实体转化为网络图的节点，实体之间的关系转化为图中的边；S2：在网络G上应用深度神经网络模型，从网络结构中习得网络节点的向量表示和边的向量表示；S3：根据TransE模...

【专利技术属性】
技术研发人员：卓汉逵，李瑞鹏，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44