一种基于综合评价及最优控制原理的机器人社交行为控制方法技术

本发明专利技术公开了一种基于综合评价及最优控制原理的机器人社交行为控制方法，通过对外部多模态信息采集，社交对象的综合决策，机器人眼

【技术实现步骤摘要】
一种基于综合评价及最优控制原理的机器人社交行为控制方法


[0001]本专利技术涉及机器人控制
，具体涉及一种基于综合评价及最优控制原理的机器人社交行为控制方法
。

技术介绍

[0002]近年来，服务机器人已经成长为一个充满活力的领域，并不断得到重视
。
对于在人机环境中工作的机器人来说，与人进行社交互动的能力是必不可少的
。
为了实现有效的人机交互
(HRI)
，提出了由社会注意驱动的多目标感知，旨在使机器人在决策和对象选择过程中明确考虑人类的意图
。
一个成功的多对象交互取决于两个方面
:
社会注意模型，它指定了一个人如何感知社会线索并从几个社会对象中选择目标，以及运动学模型来表示相关行为
。
尽管人们在日常生活中非常善于运用社会行为，但在机器人身上表现社会行为的难度往往被低估了
。
由于社会环境和协议的复杂属性，它们的一些属性可能难以甚至不可能以分析方式形式化
。
另一方面，为了提高
HRI
的协作成功率，理解个体对刺激作出反应并产生运动作为反应的潜在机制将是有益的
。
人工系统要同化于自然社会状态，就必须混合多模态，表达类人行为
。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术提供了一种基于综合评价及最优控制原理的机器人社交行为控制方法，通过对外部多模态信息采集，社交对象的综合决策，机器人眼
—
头执行器进行建模，求解神经传导噪声最小的运动轨迹，利用
MPC
控制器进行最优控制，实现机器人与多社交对象之间的并行交互
。
[0004]本专利技术的目的是解决机器人在多目标社交场景下的选择机制和注意控制问题
。
针对由多个社会对象和多模态社会线索组成的社会条件，利用一种定量的社会意向评价方法，可以使机器人根据量化社交意图强度生成社会对象的优先级
。
在行为层面上，在电机伺服模型中表示眼
‑
头协调注视，并通过最优控制建立运动学最小神经噪声约束方法，对机器人实施最优控制，产生仿人运动和注视效果，建立了多目标情境下社会对象选择与基于生理机制的凝视行为控制之间的联系
。
[0005]为实现上述目的，本专利技术涉及的一种基于综合评价及最优控制原理的机器人社交行为控制方法，包括以下步骤：
[0006](1)
采集多个社交对象表现出来的视觉以及声学多模态信息，这包括声音角度
、
声音大小
、
视场位置
、
距离
、
表情
、
嘴部开合
、
头部偏转角
、
挥手动作等；
[0007](2)
进而通过熵权计算获得多模态信息权重，通过综合评价获取每个社交对象的社交意图
EA
，机器人将选择
EA
值最高，即社交意图最高，的社会对象作为交流对象进行凝视；
[0008](3)
确定神经传导噪声最小情况下的机器人凝视
EA
值最高的社会对象进行时头部
和眼部的运动轨迹；
[0009](4)
最后通过基于高斯过程在线干扰观测器的模型预测控制系统，按照神经传导噪声最小情况下的机器人头部和眼部的运动轨迹，对机器人的行为进行最优控制
。
[0010]步骤
(2)
具体为：
[0011](201)
对于给定的包含
n
个社会对象的社交场景，采集每个社会对象对应的
m
种社交线索，构建决策矩阵
Q
，将社交线索信息组织为
[0012][0013]其中，每一列表示同一种社会线索
(
模态信息
)
，每一行表示同一个社会对象对应的社会线索，下标
j
表示不同种类的社会线索，
i
表示不同的社会对象，
q
ij
表示的第
i
个社会对象的第
j
种社会线索，
[0014]对于决策矩阵
Q
中的社会线索
q
ij
，如果其具有成本属性，按照公式
(2)
则将其转化为利益属性如果其具有利益属性则不进行处理，然后通过线性归一化得到归一化决策矩阵
E
，
[0015][0016]其中，为该类社交线索能取得的极大值，
a
c
为相对于的一个小量，
[0017][0018][0019]采用熵权法对社会线索进行权重分配，计算第
j
个社会线索的第
i
个样本值的比例为
[0020][0021]定义第
j
个社会线索的熵和系数分别为
[0022][0023]d
j
＝1‑
η
j
，
j∈{1
，2，
...
，
m}
ꢀꢀꢀꢀ
(7)
[0024]得到第
j
个社会线索的权重
w
j
，进而得到包括
m
种社交线索权重的权矩阵
W
＝
diag(w1，
w2，
...
，
w
m
)
[0025][0026]用权矩阵
W
＝
diag(w1，
w2，
...
，
w
m
)
左乘每个归一化向量
e
i
＝
(e1，
e2，
...
，
e
m
)
，得到权决策矩阵
E
′
＝
{e
′
ij
}
，通过以上计算，每个社会线索根据其离散度被分配权重，然后，利用
TOPSIS
算法根据
e
′
ij
与理想点集的距离对社交对象进行排序，和分别是
n
个社会对象中同一种社交线索的最大值和最小值的集合，定义如下
[0027][0028][0029]其中，
J
+
为效益属性索引集，表示第
j
个社会线索的最大值，表示第
j
个社会线索的最小值，
j∈{1
，2，
...
，
m}
，每个归一化状态向量到和的距离定义为和
[0030][0031][0032]每个社会对象与负理想点的接近程度为
[0033][0034](202)E<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于综合评价及最优控制原理的机器人社交行为控制方法，其特征在于，包括以下步骤：
(1)
采集多个社交对象表现出来的视觉以及声学多模态信息；
(2)
进而通过熵权计算获得多模态信息权重，通过综合评价获取每个社交对象的社交意图
EA
，机器人将选择
EA
值最高，即社交意图最高，的社会对象作为交流对象进行凝视；
(3)
确定神经传导噪声最小情况下的机器人凝视
EA
值最高的社会对象进行时头部和眼部的运动轨迹；
(4)
最后通过基于高斯过程在线干扰观测器的模型预测控制系统，按照神经传导噪声最小情况下的机器人头部和眼部的运动轨迹，对机器人的行为进行最优控制；步骤
(2)
具体为：
(201)
对于给定的包含
n
个社会对象的社交场景，采集每个社会对象对应的
m
种社交线索，构建决策矩阵
Q
，将社交线索信息组织为其中，每一列表示同一种社会线索
(
模态信息
)
，每一行表示同一个社会对象对应的社会线索，下标
j
表示不同种类的社会线索，
i
表示不同的社会对象，
q
ij
表示的第
i
个社会对象的第
j
种社会线索，对于决策矩阵
Q
中的社会线索
q
ij
，如果其具有成本属性，按照公式
(2)
则将其转化为利益属性如果其具有利益属性则不进行处理，然后通过线性归一化得到归一化决策矩阵
E
，其中，为该类社交线索能取得的极大值，
a
c
为相对于的一个小量，的一个小量，采用熵权法对社会线索进行权重分配，计算第
j
个社会线索的第
i
个样本值的比例为定义第
j
个社会线索的熵和系数分别为
d
j
＝1‑
η
j
,j∈{1,2,...,m}
ꢀꢀꢀꢀꢀꢀ
(7)
得到第
j
个社会线索的权重
w
j
，进而得到包括
m
种社交线索权重的权矩阵
W
＝
diag(w1,w2,...,w
m
)
用权矩阵
W
＝
diag(w1,w2,...,w
m
)
左乘每个归一化向量
e
i
＝
(e1,e2,...,e
m
),
得到权决策
矩阵
E
′
＝
{e
′
ij
}
，通过以上计算，每个社会线索根据其离散度被分配权重，然后，利用
TOPSIS
算法根据
e
′
ij
与理想点集的距离对社交对象进行排序，和分别是
n
个社会对象中同一种社交线索的最大值和最小值的集合，定义如下象中同一种社交线索的最大值和最小值的集合，定义如下其中，
J
+
为效益属性索引集，表示第
j
个社会线索的最大值，表示第
j
个社会线索的最小值，
j∈{1,2,...,m}
，每个归一化状态向量到和的距离定义为和和和每个社会对象与负理想点的接近程度为
(202)E
′
用于计算第
i
个社会对象
e
i
与理想点之间的
GC
系数与正理想点的系数为式中
ρ
∈[0,1]
表示分辨率因子，然后，每个目标与正理想点
E

【专利技术属性】
技术研发人员：朱浩宇，孙艳君，刘鹏，刘琳，刘晓瑞，
申请(专利权)人：青岛中电绿网新能源有限公司，
类型：发明
国别省市：