面向服务任务的机器人语义知识辅助目标物品认知机制研究
发布时间：2020-09-09 15:20
近年来,服务机器人领域的研究已经取得了较为显著的进展,但当前服务机器人仍主要集中于清扫、陪护、教育娱乐等相对简单的应用,而在食品加工、餐具整理等较为复杂的家政作业中的应用较少。对目标物品的认知能力不足,成为制约服务机器人发展的关键瓶颈问题,具体表现在:服务机器人对于目标物品的认知大多停留在搜寻和检测层面,重点获取目标分类、目标定位和目标间位置关系等相对简单的信息,不能有效满足进一步理解目标物品、操作目标物品以提供复杂服务作业的要求。人类可以利用语义知识辅助目标物品认知,包括目标语义描述、规则推理、目标间关联构建和引导目标搜寻等。针对服务机器人目标物品的认知能力不足问题,本文模拟人类利用语义知识辅助认知的机理,对语义知识建模、推理、补充、引导检测和语义描述等在内的辅助认知机制开展研究工作。旨在通过设计高效的语义知识辅助机器人进行目标物品认知的机制,突破服务机器人认知瓶颈、提高服务机器人的智能化程度,增强机器人执行相对复杂服务作业的能力。因此,本文对服务机器人语义知识辅助目标物品认知机制进行研究,具有重要的理论意义与实际应用价值。随着泛在感知、深度神经网络和语义分析等相关领域研究的进展,面向机器人的语义处理和视觉认知等方面研究也取得了显著进步,部分达到或超过了人类水平。但是缺乏将语义知识和视觉感知深度结合、并辅助机器人进行认知的研究工作。因此需要综合运用相关手段,对语义知识描述、选择性注意、语义知识关联发现、语义辅助上下文推理和认知增强等方面开展研究,实现基于语义知识对家居环境下服务机器人物品认知地辅助。本文针对语义知识辅助机器人认知过程所涉及的五个主要方面进行了研究,具体的研究内容和研究成果如下:(1)针对服务机器人目标物品认知过程对语义知识的需求,提出了一种环境-机器人-服务任务三元组架构的语义知识建模方法。首先,设计基于本体的知识表征方法,由面向服务任务执行过程的顶层设计出发,模拟人类语义知识层级化组织结构,设计了“环境-机器人-服务任务”三元组为核心架构的语义知识描述方法,并构建了对应语义知识库,实现了对服务机器人认知过程相关语义知识的层级化表征。其次,基于描述逻辑设计了语义规则及推理机制,构建了基于描述逻辑的推理规则及对应查询推理机,实现面向类间关系、实例属性等的查询推理。实验表明本方法实现了对物品深层知识、服务执行的深层关联与融合,解决了辅助服务机器人物品认知过程中的知识表征、知识记忆与查询推理问题。(2)针对获取家居环境中服务任务关联区域的需求,设计了一种智能空间下选择性注意机制。首先,基于视觉信息提取多尺度下的动态特征和静态特征,利用事件项表征智能空间平台下离散传感信息,整合多种显著性特征以描述空间显著性;然后,基于信息熵将多个特征图融合形成显著性图,并进行兴趣区域的切换选择。实验表明该方法可以有效筛选智能空间下与服务任务相关的兴趣区域。(3)针对家居环境中物品检测缺少先验引导,检测效率低、所获取检测结果相对简单的问题,提出了一种选择性注意引导的物品检测与描述方法。首先,构建了一种选择性注意引导下的基于区域卷积神经网络的对象检测方法,利用选择性注意机制对区域卷积神经网络的区域提取操作进行优化,选择空间中显著性高、服务任务关联程度高的部分进行检测;然后,设计了基于语义分析的场景图生成方法,利用语义知识库中储存的知识对场景细节进行描述。实验证明该方法可提高目标物品检测效率,获取包含丰富语义的场景图描述。(4)针对语义关联挖掘和上下文推理的需求,构建了基于语义分析的语义关联挖掘及基于petri网的上下文推理机制。首先,设计潜在语义分析模型,面向互联网中服务任务语义描述文档挖掘其主题模型,利用apriori算法获取主题模型中语义关联;然后提出了一种基于改进模糊petri网的推理机制,构建了面向服务场景的离散动态系统,设计了面向语义知识的模糊petri网及对应上下文推理机制。实验表明,该方法可实现语义关联的挖掘,及语义关联支持下的上下文推理。(5)针对通过学习经验以增强认知能力的需求,设计了一种结合实例迁移和语义知识补全的认知强化机制。首先,提出一种面向实例迁移的改进TrAdaBoost算法,面向认知过程筛选实例并对其赋予权值,迁移加权的实例对卷积神经网络进行训练;然后,设计了语义知识库补全方法,将语义知识映射到低维空间,利用类比思想推理获取实体间缺失的关联。实验证明,该方法可以有效迁移实例以增强神经网络分类能力,并通过类比推理实现语义知识库补全。
【学位单位】：山东大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP242.3
【部分图文】：
识向低维空间映射，利用类比的思想推理实体间缺失关联。通过实例和语义逡逑知识补全两手段结合的方式增强了机器人物品认知能力。逡逑研宄内容及各部分之间的关系如图１邋－２所示。逡逑／逦＼逦／逦＼逦ｆ逦＼逡逑（１）辅助服务机器人逦（２）智能空间下多特征逦（３）选择性注意引导下逡逑认知的语义知识建模逦融合的选择性注意机制逦「的目标物品检测和描述逡逑Ｖ逦Ｊ逦Ｖ逦邋Ｊ逦Ｖ逦逦Ｊ逡逑—＾区域卷积神经网络逡逑＾逦个逦物品检测逡逑—？语义知识库逦＂一￣？歐ａ腿逡逑＾邋＾逦１逡逑ｆ＾＾］Ｙ逦＾逦［知识，补全１〔邋＊例迁移〕逡逑－—？上下文推理ｊ逡逑（４）语义关联挖掘与逦｜逦（５）基于实例迁移与知逡逑上下文推理逦识补全的认知能力增强逡逑Ｖ逦Ｊ逦Ｖ逦逦逦Ｊ逡逑图１－２研宄内容及各部分关系示意图逡逑１．３．２本文的章节安排逡逑本文利用深度神经网络、语义分析等手段，研[偧揖踊肪诚掠镆甯ㄖ义衔窕魅宋锲啡现幕啤８髡履谌莅才湃缦拢哄义系谝徽拢髀邸＝樯芰吮疚牡难绣潮尘昂鸵庖澹曰谌斯ど窬绲腻义先现扑恪⒎窕魅擞镆逯队τ谩⒅悄芸占湎路涸诟兄把≡裥宰⒁饣义现频南喙匮绣诚肿唇辛瞬觯⒎治隽擞镆逯陡ㄖ窕魅私形锲峰义先现讨写嬖诘闹饕侍猓樯芰吮疚牡难芯柯废吆椭饕ぷ鳌ｅ义系诙拢ㄖ窕魅巳现挠镆逯督！Ｌ岢隽艘恢帧盎肪常麇义先耍袢挝瘛钡挠镆逯督７椒āＩ杓屏艘恢掷没旌显浦悄芸占浠肪彻坼义喜夥椒ǎ菇恕盎肪常魅耍袢挝瘛奔芄瓜碌挠镆迕枋黾坝镆逯犊猓义仙杓朴镆逯豆嬖蚣巴评砘啤ｅ义系谌
本文编号：2815140
【学位单位】：山东大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP242.3
【部分图文】：
识向低维空间映射，利用类比的思想推理实体间缺失关联。通过实例和语义逡逑知识补全两手段结合的方式增强了机器人物品认知能力。逡逑研宄内容及各部分之间的关系如图１邋－２所示。逡逑／逦＼逦／逦＼逦ｆ逦＼逡逑（１）辅助服务机器人逦（２）智能空间下多特征逦（３）选择性注意引导下逡逑认知的语义知识建模逦融合的选择性注意机制逦「的目标物品检测和描述逡逑Ｖ逦Ｊ逦Ｖ逦邋Ｊ逦Ｖ逦逦Ｊ逡逑—＾区域卷积神经网络逡逑＾逦个逦物品检测逡逑—？语义知识库逦＂一￣？歐ａ腿逡逑＾邋＾逦１逡逑ｆ＾＾］Ｙ逦＾逦［知识，补全１〔邋＊例迁移〕逡逑－—？上下文推理ｊ逡逑（４）语义关联挖掘与逦｜逦（５）基于实例迁移与知逡逑上下文推理逦识补全的认知能力增强逡逑Ｖ逦Ｊ逦Ｖ逦逦逦Ｊ逡逑图１－２研宄内容及各部分关系示意图逡逑１．３．２本文的章节安排逡逑本文利用深度神经网络、语义分析等手段，研[偧揖踊肪诚掠镆甯ㄖ义衔窕魅宋锲啡现幕啤８髡履谌莅才湃缦拢哄义系谝徽拢髀邸＝樯芰吮疚牡难绣潮尘昂鸵庖澹曰谌斯ど窬绲腻义先现扑恪⒎窕魅擞镆逯队τ谩⒅悄芸占湎路涸诟兄把≡裥宰⒁饣义现频南喙匮绣诚肿唇辛瞬觯⒎治隽擞镆逯陡ㄖ窕魅私形锲峰义先现讨写嬖诘闹饕侍猓樯芰吮疚牡难芯柯废吆椭饕ぷ鳌ｅ义系诙拢ㄖ窕魅巳现挠镆逯督！Ｌ岢隽艘恢帧盎肪常麇义先耍袢挝瘛钡挠镆逯督７椒āＩ杓屏艘恢掷没旌显浦悄芸占浠肪彻坼义喜夥椒ǎ菇恕盎肪常魅耍袢挝瘛奔芄瓜碌挠镆迕枋黾坝镆逯犊猓义仙杓朴镆逯豆嬖蚣巴评砘啤ｅ义系谌
本文编号：2815140
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2815140.html
