近年來,服務(wù)機器人領(lǐng)域的研究已經(jīng)取得了較為顯著的進展,但當(dāng)前服務(wù)機器人仍主要集中于清掃、陪護、教育娛樂等相對簡單的應(yīng)用,而在食品加工、餐具整理等較為復(fù)雜的家政作業(yè)中的應(yīng)用較少。對目標(biāo)物品的認知能力不足,成為制約服務(wù)機器人發(fā)展的關(guān)鍵瓶頸問題,具體表現(xiàn)在:服務(wù)機器人對于目標(biāo)物品的認知大多停留在搜尋和檢測層面,重點獲取目標(biāo)分類、目標(biāo)定位和目標(biāo)間位置關(guān)系等相對簡單的信息,不能有效滿足進一步理解目標(biāo)物品、操作目標(biāo)物品以提供復(fù)雜服務(wù)作業(yè)的要求。人類可以利用語義知識輔助目標(biāo)物品認知,包括目標(biāo)語義描述、規(guī)則推理、目標(biāo)間關(guān)聯(lián)構(gòu)建和引導(dǎo)目標(biāo)搜尋等。針對服務(wù)機器人目標(biāo)物品的認知能力不足問題,本文模擬人類利用語義知識輔助認知的機理,對語義知識建模、推理、補充、引導(dǎo)檢測和語義描述等在內(nèi)的輔助認知機制開展研究工作。旨在通過設(shè)計高效的語義知識輔助機器人進行目標(biāo)物品認知的機制,突破服務(wù)機器人認知瓶頸、提高服務(wù)機器人的智能化程度,增強機器人執(zhí)行相對復(fù)雜服務(wù)作業(yè)的能力。因此,本文對服務(wù)機器人語義知識輔助目標(biāo)物品認知機制進行研究,具有重要的理論意義與實際應(yīng)用價值。隨著泛在感知、深度神經(jīng)網(wǎng)絡(luò)和語義分析等相關(guān)領(lǐng)域研究的進展,面向機器人的語義處理和視覺認知等方面研究也取得了顯著進步,部分達到或超過了人類水平。但是缺乏將語義知識和視覺感知深度結(jié)合、并輔助機器人進行認知的研究工作。因此需要綜合運用相關(guān)手段,對語義知識描述、選擇性注意、語義知識關(guān)聯(lián)發(fā)現(xiàn)、語義輔助上下文推理和認知增強等方面開展研究,實現(xiàn)基于語義知識對家居環(huán)境下服務(wù)機器人物品認知地輔助。本文針對語義知識輔助機器人認知過程所涉及的五個主要方面進行了研究,具體的研究內(nèi)容和研究成果如下:(1)針對服務(wù)機器人目標(biāo)物品認知過程對語義知識的需求,提出了一種環(huán)境-機器人-服務(wù)任務(wù)三元組架構(gòu)的語義知識建模方法。首先,設(shè)計基于本體的知識表征方法,由面向服務(wù)任務(wù)執(zhí)行過程的頂層設(shè)計出發(fā),模擬人類語義知識層級化組織結(jié)構(gòu),設(shè)計了“環(huán)境-機器人-服務(wù)任務(wù)”三元組為核心架構(gòu)的語義知識描述方法,并構(gòu)建了對應(yīng)語義知識庫,實現(xiàn)了對服務(wù)機器人認知過程相關(guān)語義知識的層級化表征。其次,基于描述邏輯設(shè)計了語義規(guī)則及推理機制,構(gòu)建了基于描述邏輯的推理規(guī)則及對應(yīng)查詢推理機,實現(xiàn)面向類間關(guān)系、實例屬性等的查詢推理。實驗表明本方法實現(xiàn)了對物品深層知識、服務(wù)執(zhí)行的深層關(guān)聯(lián)與融合,解決了輔助服務(wù)機器人物品認知過程中的知識表征、知識記憶與查詢推理問題。(2)針對獲取家居環(huán)境中服務(wù)任務(wù)關(guān)聯(lián)區(qū)域的需求,設(shè)計了一種智能空間下選擇性注意機制。首先,基于視覺信息提取多尺度下的動態(tài)特征和靜態(tài)特征,利用事件項表征智能空間平臺下離散傳感信息,整合多種顯著性特征以描述空間顯著性;然后,基于信息熵將多個特征圖融合形成顯著性圖,并進行興趣區(qū)域的切換選擇。實驗表明該方法可以有效篩選智能空間下與服務(wù)任務(wù)相關(guān)的興趣區(qū)域。(3)針對家居環(huán)境中物品檢測缺少先驗引導(dǎo),檢測效率低、所獲取檢測結(jié)果相對簡單的問題,提出了一種選擇性注意引導(dǎo)的物品檢測與描述方法。首先,構(gòu)建了一種選擇性注意引導(dǎo)下的基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的對象檢測方法,利用選擇性注意機制對區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域提取操作進行優(yōu)化,選擇空間中顯著性高、服務(wù)任務(wù)關(guān)聯(lián)程度高的部分進行檢測;然后,設(shè)計了基于語義分析的場景圖生成方法,利用語義知識庫中儲存的知識對場景細節(jié)進行描述。實驗證明該方法可提高目標(biāo)物品檢測效率,獲取包含豐富語義的場景圖描述。(4)針對語義關(guān)聯(lián)挖掘和上下文推理的需求,構(gòu)建了基于語義分析的語義關(guān)聯(lián)挖掘及基于petri網(wǎng)的上下文推理機制。首先,設(shè)計潛在語義分析模型,面向互聯(lián)網(wǎng)中服務(wù)任務(wù)語義描述文檔挖掘其主題模型,利用apriori算法獲取主題模型中語義關(guān)聯(lián);然后提出了一種基于改進模糊petri網(wǎng)的推理機制,構(gòu)建了面向服務(wù)場景的離散動態(tài)系統(tǒng),設(shè)計了面向語義知識的模糊petri網(wǎng)及對應(yīng)上下文推理機制。實驗表明,該方法可實現(xiàn)語義關(guān)聯(lián)的挖掘,及語義關(guān)聯(lián)支持下的上下文推理。(5)針對通過學(xué)習(xí)經(jīng)驗以增強認知能力的需求,設(shè)計了一種結(jié)合實例遷移和語義知識補全的認知強化機制。首先,提出一種面向?qū)嵗w移的改進TrAdaBoost算法,面向認知過程篩選實例并對其賦予權(quán)值,遷移加權(quán)的實例對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練;然后,設(shè)計了語義知識庫補全方法,將語義知識映射到低維空間,利用類比思想推理獲取實體間缺失的關(guān)聯(lián)。實驗證明,該方法可以有效遷移實例以增強神經(jīng)網(wǎng)絡(luò)分類能力,并通過類比推理實現(xiàn)語義知識庫補全。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP242.3
【部分圖文】：

識向低維空間映射，利用類比的思想推理實體間缺失關(guān)聯(lián)。通過實例和語義逡逑知識補全兩手段結(jié)合的方式增強了機器人物品認知能力。逡逑研宄內(nèi)容及各部分之間的關(guān)系如圖１邋－２所示。逡逑／邐＼邐／邐＼邐ｆ邐＼逡逑（１）輔助服務(wù)機器人邐（２）智能空間下多特征邐（３）選擇性注意引導(dǎo)下逡逑認知的語義知識建模邐融合的選擇性注意機制邐「的目標(biāo)物品檢測和描述逡逑Ｖ邐Ｊ邐Ｖ邐邋Ｊ邐Ｖ邐邐Ｊ逡逑—＾區(qū)域卷積神經(jīng)網(wǎng)絡(luò)逡逑＾邐個邐物品檢測逡逑—？語義知識庫邐＂一￣？歐ａ腿逡逑＾邋＾邐１逡逑ｆ＾＾］Ｙ邐＾邐［知識，補全１〔邋＊例遷移〕逡逑－—？上下文推理ｊ逡逑（４）語義關(guān)聯(lián)挖掘與邐｜邐（５）基于實例遷移與知逡逑上下文推理邐識補全的認知能力增強逡逑Ｖ邐Ｊ邐Ｖ邐邐邐Ｊ逡逑圖１－２研宄內(nèi)容及各部分關(guān)系示意圖逡逑１．３．２本文的章節(jié)安排逡逑本文利用深度神經(jīng)網(wǎng)絡(luò)、語義分析等手段，研[偧揖踴肪誠掠鏌甯ㄖ義銜窕魅宋鍥啡現(xiàn)幕�。各章闹R蒞才湃縵攏哄義系諞徽攏髀�。綑{芰吮疚牡難繡潮塵昂鴕庖�，对基又R斯ど窬緄膩義先現(xiàn)撲�、服务机器葦\鏌逯隊τ謾⒅悄蕓占湎路涸詬兄把≡裥宰⒁饣義現(xiàn)頻南喙匱繡誠腫唇辛瞬觶⒎治雋擻鏌逯陡ㄖ窕魅私形鍥峰義先現(xiàn)討寫嬖詰鬧饕侍猓檣芰吮疚牡難芯柯廢吆橢饕ぷ鰲ｅ義系詼攏ㄖ窕魅巳現(xiàn)撓鏌逯督�。提畴h艘恢幀盎肪常麇義先耍袢撾瘛鋇撓鏌逯督７椒�。设计了一謹S沒旌顯浦悄蕓占浠肪徹坼義喜夥椒ǎ菇恕盎肪常魅耍袢撾瘛奔芄瓜碌撓鏌迕枋黽壩鏌逯犢�，辶x仙杓樸鏌逯豆嬖蚣巴評砘�。辶x系諶

本文編號：2815140