【技术实现步骤摘要】
本专利技术属于机器人领域，尤其涉及一种效率驱动的机器人适应性任务规划生成方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、机器人任务规划能够帮助家用机器人完成不熟悉的家庭任务，受到研究者的广泛关注。针对机器人任务规划设计，研究人员可以根据给定的信息，手动设计特定的动作和规则，从而获得详细而全面的计划。通过这种设计方式获得的任务规划可以用来辅助机器人完成家庭任务，但上述设计方法存在严格的环境限制，即任务计划中的物品和场景必须限制在固定的范式中，以确保机器人可以找到家庭物品。因此，这种方式不能够有效应对多样的家庭环境，随着环境复杂度的提升，任务规划过程中会伴随着大量的人力消耗。针对上述问题研究者通过知识构建的方式为机器人任务规划提供外部信息，辅助任务规划过程。例如，roboearth项目通过对不同的家庭物品进行建模，形成丰富的知识库，此外该项目还针对自身知识库提供相应的行动处方，帮助机器人完成不同家庭服务。tenorth等人构建了语义知识库knowrob,该知识库包含物品不同部位的相关功能信息，能够与机器人进行交互，实现机器人对家庭物品的理解和学习。beetz等人对knowrob进行了扩展，使机器人能够根据它执行复杂的家庭服务。上述研究在知识的构建过程中对物品和环境进行同时建模，因此基于此类知识生成的任务规划不利于适应动态的家庭环境。为了提高任务规划方法的适应性，研究人员致力于将深度学习与环境感知相结合，使任务规划生成模型对环境变化做出反应。branavan等人将强
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种效率驱动的机器人适应性任务规划生成方法及系统，适用于家用机器人，针对家庭环境的复杂性和动态性，通过构建物品认知模型和环境认知模型分别对家庭任务中的物品和环境进行理解和学习，并在此基础上设计适应性任务规划生成系统，根据当前环境变化生成任务规划，指导机器人高效完成家庭任务。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、第一方面，本专利技术提供了一种效率驱动的机器人适应性任务规划生成方法，包括：
4、构建基于多语义属性的先验知识，对家庭物品进行属性化表示，基于多语义属性先验知识构建物品认知模型；
5、对家庭物品和房间类型之间的关联关系进行建模，形成概率推理形式的环境认知模型；
6、结合物品认知和环境认知，构建基于分层任务网络的任务规划器，生成符合当前环境的机器人任务规划，并针对机器人在任务规划执行过程中的物品定位时间设置阈值，基于此完成对任务规划的在线更新。
7、进一步的，基于多语义属性先验知识的构建具体为：利用本体网络语言对先验知识进行表征，并引入描述逻辑赋予先验知识推理能力。
8、进一步的，所述多语义属性先验知识以家庭物品为面对对象，具备类别-属性-实例结构。
9、进一步的，所述物品认知模型为端到端结构，其编码器和生成器为长短时记忆网络。
10、进一步的，所述物品认知模型以多模态物品信息为输入，输出家庭物品对应的属性和物品替代物。
11、进一步的，形成概率推理形式的环境认知模型具体为：以家庭服务相关文本信息为信息源，根据语义属性提取动态物品、静态物品和房间类型，形成概率推理模型，作为环境认知模型。
12、进一步的，所述环境认知模型在进行概率推理的同时，能够构建不同的家庭房间布局对物品概率进行调整。
13、进一步的，构建基于分层任务网络的任务规划器具体为：以物品认知和环境认知提供的信息作为任务规划器的规划域信息，以服务执行前物品的初始状态和服务执行后物品的期望状态为规划问题，设计适应性任务规划系统。
14、进一步的，在适应性任务规划过程中，首先通过物品认知赋予任务中物品属性信息，之后利用环境认知将任务中物品对应的静态物品和房间类型信息引入，优化任务规划，最后根据物品定位时间确定是否替换当前物品。
15、第二方面，本实施例提供了一种效率驱动的机器人适应性任务规划生成系统，包括：
16、物品认知模型构建模块，其被配置为：构建基于多语义属性的先验知识，对家庭物品进行属性化表示，基于多语义属性先验知识构建物品认知模型；
17、环境认知模型构建模块，其被配置为：对家庭物品和房间类型之间的关联关系进行建模，形成概率推理形式的环境认知模型；
18、适应性任务规划系统设计模块，其被配置为：结合物品认知和环境认知，构建基于分层任务网络的任务规划器，生成符合当前环境的机器人任务规划，并针对机器人在任务规划执行过程中的物品定位时间设置阈值，基于此完成对任务规划的在线更新。
19、第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述的一种效率驱动的机器人适应性任务规划生成方法中的步骤。
20、第四方面，本专利技术提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现第一方面所述的一种效率驱动的机器人适应性任务规划生成方法中的步骤。
21、以上一个或多个技术方案存在以下有益效果：
22、本专利技术针对机器人物品认知问题，提出基于语义属性的物品认知模型，在属性层面帮助机器人对家庭物品进行高效学习和理解，为机器人在任务执行过程中进行物品替换，提高服务执行效率打下基础。
23、本专利技术针对机器人环境认知问题，提出基于统计学习的环境认知模型，将物品按照环境特性分为静态物品和动态物品，并利用统计学习方式构建(动态物品-静态物品-房间类型)形式的概率推理模型，为机器人在任务执行过程中进行物品定位提供必要的空间关联信息，提高任务执行效率。
24、本专利技术针对机器人任务规划适应性问题，提出基于物环认知的适应性任务规划方法，分别对物品和环境进行属性和概率层面认知，并根据环境的动态变化将认知的物品信息和环境信息进行关联，提高认知信息的环境适应性，进而保证机器人高效且成本文档来自技高网...
【技术保护点】
1.一种效率驱动的机器人适应性任务规划生成方法，其特征是，包括：
2.如权利要求1所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，基于多语义属性先验知识的构建具体为：利用本体网络语言对先验知识进行表征，并引入描述逻辑赋予先验知识推理能力。
3.如权利要求2所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，所述多语义属性先验知识以家庭物品为面对对象，具备类别-属性-实例结构。
4.如权利要求1所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，所述物品认知模型为端到端结构，其编码器和生成器为长短时记忆网络。
5.如权利要求4所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，所述物品认知模型以多模态物品信息为输入，输出家庭物品对应的属性和物品替代物。
6.如权利要求1所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，形成概率推理形式的环境认知模型具体为：以家庭服务相关文本信息为信息源，根据语义属性提取动态物品、静态物品和房间类型，形成概率推理模型，作为环境认知模型。
<...【技术特征摘要】
1.一种效率驱动的机器人适应性任务规划生成方法，其特征是，包括：
2.如权利要求1所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，基于多语义属性先验知识的构建具体为：利用本体网络语言对先验知识进行表征，并引入描述逻辑赋予先验知识推理能力。
3.如权利要求2所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，所述多语义属性先验知识以家庭物品为面对对象，具备类别-属性-实例结构。
4.如权利要求1所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，所述物品认知模型为端到端结构，其编码器和生成器为长短时记忆网络。
5.如权利要求4所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，所述物品认知模型以多模态物品信息为输入，输出家庭物品对应的属性和物品替代物。
6.如权利要求1所述的一种效率驱动的机器人适应性任务规划生成方法，其特征是，形成概率推理形式的环境认知模型具体为：以家庭服务相关文本信息为...
【专利技术属性】
技术研发人员：张梦洋，田国会，张营，崔永成，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。