一种机器人可解释性智能计算方法及其系统技术方案

本发明专利技术提出了一种机器人可解释性智能计算方法及其系统，包括以下步骤：S1，采集机器人在工作状态下目标对象操作任务的动作行为数据和触觉表征数据；S2，提取动作行为数据和触觉表征数据的语义描述的特征信息，并将其中有强关联的特征信息投影到一个共享语义子空间中，建立数据和任务对应的特征信息向量矩阵；S3，基于GEP算法将符号规划器与具体化的触觉模型相结合，以便完成将机器人长期任务结构与从触觉信号中学习到的操作策略相结合的目标；S4，基于贝叶斯信任模型，通过对机器人动作行为数据与触觉表征数据，采用概率方法进行认知融合和计算，以此预测机器人下一步采取的行动。有效解决了机器学习模型缺乏可解释性和透明性的问题。明性的问题。明性的问题。

【技术实现步骤摘要】
一种机器人可解释性智能计算方法及其系统


[0001]本专利技术涉及机器学习领域，尤其涉及一种机器人可解释性智能计算方法及其系统。

技术介绍

[0002]随着机器学习领域的深入发展，机器人在教育、引导、医疗各种方面都有着重大的应用，当下人们不但关注机器人执行任务的准确和效率，更希望理解其决策的原因和行动，从而判断是否可信。
[0003]然而由CN108881446A《一种基于深度学习的人工智能平台系统》可知，当下深度学习的模型，往往不给出确切的决策依据以及对决策是否可靠的判断。由于缺乏可解释性的结果，使得使用者感到困惑，从而严重限制了其在现实任务中的广泛应用。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种机器人可解释性智能计算方法及其系统，用于解决机器学习中人工智能的信任估计和可解释性缺失的问题。
[0005]本专利技术的技术方案是这样实现的：本专利技术提供了一种机器人可解释性智能计算方法，包括以下步骤，
[0006]S1，采集机器人在工作状态下目标对象操作任务的动作行为数据和触觉表征数据；
[0007]S2，提取上述两种数据语义描述的特征信息，并将其中有强关联的特征信息投影到一个共享语义子空间中，建立数据和任务对应的特征信息向量矩阵；
[0008]S3，基于GEP算法将符号规划器与具体化的触觉模型相结合，以便完成将机器人长期任务结构与从触觉信号中学习到的操作策略相结合的目标；
[0009]S4，基于贝叶斯信任模型，通过对机器人动作行为数据与触觉表征数据，采用概率方法进行认知融合和计算，以此预测机器人下一步采取的行动。
[0010]在以上技术方案的基础上，优选的，步骤S1具体包括以下步骤：
[0011]动作行为数据和触觉表征数据包括机器人的力量描述数据以及手势表情数据。
[0012]在以上技术方案的基础上，优选的，步骤S2具体包括以下步骤：
[0013]对机器人力量描述数据提取的语义特征信息包括握拳、抓、碰和捏。
[0014]在以上技术方案的基础上，优选的，步骤S3具体包括以下步骤：
[0015]符号规划器用于编码任务执行序列的语义知识，使用与上下文无关的语法来表示任务。
[0016]在以上技术方案的基础上，优选的，步骤S4具体包括以下步骤：
[0017]贝叶斯信任模型模拟机器人与交互者之间的联系，包括机器人的信任、动作和交互者的行动之间的联系以及对真实情况的估计；
[0018]借鉴粒子滤波技术，当遇到未知的交互者时，动态生成事件来训练新的贝叶斯信
任模型。
[0019]另一方面，本专利技术还提供一种机器人可解释性智能计算系统，所述系统包括：
[0020]数据采集模块：用于采集机器人在工作状态下目标对象操作任务的动作行为数据和触觉表征数据；
[0021]特征提取模块：用于提取上述两种数据语义描述的特征信息，并将其中有强关联的特征信息投影到一个共享语义子空间中，建立数据和任务对应的特征信息向量矩阵；
[0022]操作策略模块：基于GEP算法将符号规划器与具体化的触觉模型相结合，以便完成将机器人长期任务结构与从触觉信号中学习到的操作策略相结合的目标；
[0023]信任模型模块：基于贝叶斯信任模型，通过对机器人动作行为数据与触觉表征数据，采用概率方法进行认知融合和计算，以此预测机器人下一步采取的行动。
[0024]优选的，所述数据采集模块具体用于：
[0025]动作行为数据和触觉表征数据包括机器人的力量描述数据以及手势表情数据。
[0026]优选的，所述特征提取模块具体用于：
[0027]对机器人力量描述数据提取的语义特征信息包括握拳、抓、碰和捏。
[0028]优选的，所述操作策略模块具体用于：
[0029]符号规划器用于编码任务执行序列的语义知识，使用与上下文无关的语法来表示任务。
[0030]优选的，所述信任模型模块具体用于：
[0031]贝叶斯信任模型模拟机器人与交互者之间的联系，包括机器人的信任、动作和交互者的行动之间的联系以及对真实情况的估计；
[0032]借鉴粒子滤波技术，当遇到未知的交互者时，动态生成事件来训练新的贝叶斯信任模型。
[0033]本专利技术的一种机器人可解释性智能计算方法及其系统相对于现有技术具有以下有益效果：
[0034](1)通过融合机器人在具体场景下目标对象操作任务的动作行为数据和触觉表征数据，利用贝叶斯信任模型，建立了一个自学习融合计算系统，从而提供了功能和机械解释，使机器智能在具有可解释性的同时，保证了模型准确度和复杂度；
[0035](2)解决了机器学习模型的可解释性、透明性缺失的问题，使用户和决策模型之间建立了一定的信任关系，在决策的同时给出相应的解释，以获得用户的信任和理解。
附图说明
[0036]为了更清楚地说明本专利技术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专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术的一种机器人可解释性智能计算方法流程图；
[0038]图2为本专利技术的贝叶斯网络概述图；
[0039]图3为本专利技术的一种机器人可解释性智能计算系统模块图。
具体实施方式
[0040]下面将结合本专利技术实施方式，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，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方式，都属于本专利技术保护的范围。
[0041]实施例一
[0042]提供一种机器人可解释性智能计算方法，如图1所示，包括以下步骤，
[0043]S1，采集机器人在工作状态下目标对象操作任务的动作行为数据和触觉表征数据；
[0044]S2，提取上述两种数据语义描述的特征信息，并将其中有强关联的特征信息投影到一个共享语义子空间中，建立数据和任务对应的特征信息向量矩阵；
[0045]S3，基于GEP(Gene Expression Programming，基因表达式编程)算法将符号规划器与具体化的触觉模型相结合，以便完成将机器人长期任务结构与从触觉信号中学习到的操作策略相结合的目标；
[0046]S4，基于贝叶斯信任模型，通过对机器人动作行为数据与触觉表征数据，采用概率方法进行认知融合和计算，以此预测机器人下一步采取的行动。
[0047]人对机器的信任对决策提供解释的能力是智力的一个标志，但什么形式的解释最能促进人类对机器的信任还不明确。
[0048]其中，所述步骤S1具体包括以下步骤：
[0049]采集机器人在工作状态下目标对象操作任务的动作行为数据和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人可解释性智能计算方法，其特征在于：包括以下步骤，S1，采集机器人在工作状态下目标对象操作任务的动作行为数据和触觉表征数据；S2，提取动作行为数据和触觉表征数据的语义描述的特征信息，并将其中有强关联的特征信息投影到一个共享语义子空间中，建立数据和任务对应的特征信息向量矩阵；S3，基于GEP算法将符号规划器与具体化的触觉模型相结合，以便完成将机器人长期任务结构与从触觉信号中学习到的操作策略相结合的目标；S4，基于贝叶斯信任模型，通过对机器人动作行为数据与触觉表征数据，采用概率方法进行认知融合和计算，以此预测机器人下一步采取的行动。2.如权利要求1所述的一种机器人可解释性智能计算方法，其特征在于：所述步骤S1具体包括以下步骤：动作行为数据和触觉表征数据包括机器人的力量描述数据以及手势表情数据。3.如权利要求2所述的一种机器人可解释性智能计算方法，其特征在于：所述步骤S2具体包括以下步骤：对机器人力量描述数据提取的语义特征信息包括握拳、抓、碰和捏。4.如权利要求3所述的一种机器人可解释性智能计算方法，其特征在于：所述步骤S3具体包括以下步骤：符号规划器用于编码任务执行序列的语义知识，使用与上下文无关的语法来表示任务。5.如权利要求4所述的一种机器人可解释性智能计算方法，其特征在于：所述步骤S4具体包括以下步骤：贝叶斯信任模型模拟机器人与交互者之间的联系，包括机器人的信任、动作和交互者的行动之间的联系以及对真实情况的估计；借鉴粒子滤波技术，当遇到未知的交互者时，动态生成事件来训练新的贝叶斯信任模型。6.一种机器人可解...

【专利技术属性】
技术研发人员：许娟，黎浩田，杜乐，
申请(专利权)人：武汉东湖大数据交易中心股份有限公司，
类型：发明
国别省市：