一种无人艇自主学习系统、方法和计算机可读存储介质技术方案

本发明专利技术提供的一种无人艇自主学习系统、方法和计算机可读存储介质，系统包括，多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；Tensorflow Serving服务模块，部署在Docker开源应用容器引擎中，用于接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，将计算结果发送到客户端；多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。本发明专利技术将Tensorflow Serving服务和Docker开源应用容器引擎相结合，在艇端将Tensorflow Serving服务部署在Docker容器中。在艇端程序发送请求之后，模型的调用和计算都在Docker容器中，运行结束后再将结果返回给艇端接收程序，极大地减小了系统开销。极大地减小了系统开销。极大地减小了系统开销。

【技术实现步骤摘要】
一种无人艇自主学习系统、方法和计算机可读存储介质


[0001]本专利技术涉及无人系统持续自主学习
，尤其涉及一种无人艇自主学习系统、方法和计算机可读存储介质。

技术介绍

[0002]无人艇是一种现代化智能船舶，以半自主或者全自主的方式在水面航行的无人化智能平台。在执行任务的过程中，水面无人艇可在海上担负人员物资转运输送、海洋探测、海上搜救以及测绘任务等。由于无人艇的功能和作用较为多样化，而且具有一定程度自主执行任务的需求，因此应当在无人艇软件系统中部署各项基于任务的智能算法，同时要求智能算法能够具有成长性，可通过算法的更新和验证提升无人艇的自主化能力。岸海协同水面无人系统持续自主学习技术是提升无人艇自主化能力的重要途径之一，随着机器学习等新兴技术的发展，通过大量的训练以提高机器自主能力将成为可能。因此，无人艇软件系统通过持续自主学习不断升级来提高其自主能力成为未来发展的一个趋势。
[0003]为了将智能算法部署和集成在无人艇以实现无人艇自主航行，同时利用岸海协同水面无人系统持续自主学习系统进行算法模型部署，管理和验证，通常采用的智能算法部署和集成方法主要是将各个智能算法生成Docker后部署在无人艇，再挂载到模型文件目录下，由算法自身实现模型调用、模型版本管理和部署。这种方法的缺陷在于：
[0004]无人艇客户端计算开销大，对设备性能要求较高。由于该方法的模型部署和调用过程由算法自身在无人艇客户端实现，因此，需要提前在客户端搭建程序和模型的环境，这对客户端硬件的配置和性能具有较高的要求。由于海上环境较陆地更加恶劣，对艇体的体积和重量有严格要求，因此无人艇硬件系统的配置和运行性能会受到制约，过大的计算开销会影响程序执行的效率，甚至导致较高的延迟。此外，模型部署和版本管理困难，由于该方法的模型部署和调用过程由算法自身在无人艇客户端实现，因此，需要整个过程完全自动且执行稳定，需要算法开发人员对模型的部署和调用过程进行额外的优化和调整。

技术实现思路

[0005]本专利技术为了克服上述问题，本专利技术提供一种无人艇自主学习系统、方法和计算机可读存储介质。该系统将Tensorflow Serving服务和Docker开源应用容器引擎相结合，在艇端将Tensorflow Serving服务部署在Docker容器中。在艇端程序发送请求之后，模型的调用和计算都在Docker容器中，运行结束后再将结果返回给艇端接收程序，极大地减小了系统开销。解决了现有技术中无人艇硬件系统的配置和运行性能受到制约，过大的计算开销影响程序执行的效率，甚至导致较高的延迟的问题。
[0006]本专利技术的上述目的可采用下列技术方案来实现：
[0007]本专利技术提供的一种无人艇自主学习系统，包括：
[0008]多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；
[0009]Tensorflow Serving服务模块，部署在Docker开源应用容器引擎中，用于接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，将计算结果发送到客户端；
[0010]多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。
[0011]进一步的，所述Tensorflow Serving服务模块包括：
[0012]文件监控组件，用于监控文件系统，搜索和读取多模型文件目录，在查找到更新版本的模型时为模型创建模型加载器，并在所述加载器创建完成之后发送至任务管理器；
[0013]模型加载器，用于指向连接到磁盘上存储的更新版本的模型；
[0014]任务管理器，用于收到模型加载器中指向的更新版本的模型后进行模型服务。
[0015]进一步的，所述任务管理器进行模型服务时，判断模型是否首次推送部署以及模型所需资源是否可用，若是首次部署且已获取相应资源，任务管理器赋予模型加载器权限进行模型加载；
[0016]或，任务管理器若判断出所述模型已上线，在对已上线模型进行版本更新时，首先查询版本管理插件，再根据选择的更新模式决定加载模型的更新方式。
[0017]进一步的，所述根据选择的更新模式决定加载模型的更新方式，包括步骤：
[0018]若选择优先保持可用性，则任务管理器会令所述模型加载器实例化新的计算图和新的权重，此时所述已上线模型和更新版本的模型都被加载，任务管理器确保新版本模型能够安全服务后，再卸载所述已上线模型；
[0019]或，选择保持资源，则任务管理器不再为更新版本的模型申请额外的资源。
[0020]进一步的，所述已训练的模型包括以下多种格式之一种：pb格式、ckpt格式和meta格式。
[0021]进一步的，支持Docker部署，将所述多模型文件目录挂载在Docker的虚拟目录下，拉取Docker镜像。
[0022]本专利技术的另一方面还提供一种无人艇自主学习方法，包括步骤：
[0023]接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；其中，所述Tensorflow Serving服务模块部署在Docker开源应用容器引擎中
[0024]接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，将计算结果发送到客户端；其中，所述多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。
[0025]进一步的，所述接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，包括步骤：
[0026]搜索和读取多模型文件目录，在查找到更新版本的模型时为模型创建模型加载器，并在所述加载器创建完成之后发送至任务管理器；其中，所述模型加载器用于指向连接到磁盘上存储的更新版本的模型；
[0027]所述任务管理器收到模型加载器中指向的更新版本的模型后，加载所述模型并根据选择的加载方式进行相应的模型服务。
[0028]进一步的，所述根据选择的加载方式进行相应的模型服务，包括步骤：
[0029]判断模型是否首次推送部署以及模型所需资源是否可用，若是首次部署且已获取相应资源，任务管理器赋予模型加载器权限进行模型加载；
[0030]或，任务管理器若判断出所述模型已上线，在对已上线模型进行版本更新时，首先查询版本管理插件，再根据选择的更新模式决定加载模型的更新方式。
[0031]本专利技术的第三方面提供一种计算机可读存储介质，其用于存储计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一所述方法的步骤。
[0032]本专利技术至少具有以下特点及优点：
[0033]本专利技术提供的基于Tensorflow Serving的岸海协同水面无人艇持续自主学习系统，包括，多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensor本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人艇自主学习系统，其特征在于，包括：多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；Tensorflow Serving服务模块，部署在Docker开源应用容器引擎中，用于接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算所述模型，将计算结果发送到客户端；多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。2.根据权利要求1所述的无人艇自主学习系统，其特征在于，所述Tensorflow Serving服务模块包括：文件监控组件，用于监控文件系统，搜索和读取多模型文件目录，在查找到更新版本的模型时为模型创建模型加载器，并在所述加载器创建完成之后发送至任务管理器；模型加载器，用于指向连接到磁盘上存储的更新版本的模型；任务管理器，用于收到模型加载器中指向的更新版本的模型后进行模型服务。3.根据权利要求2所述的无人艇自主学习系统，其特征在于，所述任务管理器进行模型服务时，判断模型是否首次推送部署以及模型所需资源是否可用，若是首次部署且已获取相应资源，任务管理器赋予模型加载器权限进行模型加载；或，任务管理器若判断出所述模型已上线，在对已上线模型进行版本更新时，首先查询版本管理插件，再根据选择的更新模式决定加载模型的更新方式。4.根据权利要求3所述的无人艇自主学习系统，其特征在于，所述根据选择的更新模式决定加载模型的更新方式，包括步骤：若选择优先保持可用性，则任务管理器会令所述模型加载器实例化新的计算图和新的权重，此时所述已上线模型和更新版本的模型都被加载，任务管理器确保新版本模型能够安全服务后，再卸载所述已上线模型；或，选择保持资源，则任务管理器不再为更新版本的模型申请额外的资源。5.根据权利要求1所述的无人艇自主学习系统，其特征在于，所述已训练的模型包括以下多种格式之一种：pb格式...

【专利技术属性】
技术研发人员：韩玮，王千一，吴与伦，谢杨柳，陈卓，胥凤驰，梁旭，郭晓晔，宋胜男，王伟，李哲，马向峰，王子帅，曾江峰，骆福宇，董钉，韩佩妤，刘如磊，
申请(专利权)人：中国船舶工业系统工程研究院，
类型：发明
国别省市：