机器人及用于其社会意图预测的方法与流程

摘要: 本发明属于机器人,具体提供了一种机器人及用于其社会意图预测的方法。背景技术:1、随着服务机器人在家庭陪护、养老助残、公共引导等场景中的广泛应用,机器人需要具备感...
机器人及用于其社会意图预测的方法与流程

本发明属于机器人,具体提供了一种机器人及用于其社会意图预测的方法。

背景技术:

1、随着服务机器人在家庭陪护、养老助残、公共引导等场景中的广泛应用,机器人需要具备感知用户社会状态并据此调整自身行为的能力。社会意图预测是指机器人通过采集用户的行为信号(包括语音特征、表情特征、运动特征等),推断用户当前的情绪状态、内在需求和行为意图,并据此决策以何种方式响应用户。

2、现有服务机器人对人类状态的感知普遍采用人群统一模型。即,以公开数据集训练的情绪识别模型、行为识别模型对所有用户使用同一组判别参数。此种感知方式,使得个体差异被平均化。

3、由于同一行为信号在不同个体上的含义可能相反。例如,语速每分钟120字对健谈者属低落表现,对寡言者属常态。而人群统一模型无法区分上述差异,导致对偏离人群均值但处于个人常态的用户持续误报,对处于个人异常但仍在人群正常带内的用户漏报。所以现有机器人的上述感知方式存在社会意图预测结果准确性较差的问题。

技术实现思路

1、本发明的一个目的在于,解决现有机器人存在社会意图预测结果准确性较差的问题。

2、为实现上述目的,本发明在第一方面提供了一种用于机器人社会意图预测的方法,包括:

3、采集目标用户的行为信号;

4、从所述行为信号中提取所述目标用户的当前行为特征;

5、根据所述目标用户的历史行为特征建立并更新个体基线;

6、计算所述当前行为特征与所述个体基线的偏差;

7、将所述偏差输入预测模型,得到预测结果;所述预测结果不包含自然语言形式的中间表达结果;

8、根据所述预测结果确定所述机器人的响应档位。

9、可选地,所述根据所述目标用户的历史行为特征建立并更新个体基线,包括:

10、获取所述目标用户的所述历史行为特征的累计样本量;

11、当所述累计样本量未达到预设门限时,将群体统计参考值与所述目标用户的所述历史行为特征的统计值按权重合成所述个体基线;所述群体统计参考值的权重随所述累计样本量的增加而衰减;

12、当所述累计样本量达到所述预设门限后,针对所述目标用户的所述历史行为特征更新所述个体基线;所述个体基线以所述历史行为特征在预设时间窗口内的统计值作为基准。

13、可选地,所述偏差为所述当前行为特征的值与所述个体基线的均值之差除以所述个体基线的标准差。

14、可选地,所述预测模型为前反思预测模型,所述偏差包括多个维度的偏差值;所述将所述偏差输入预测模型,得到预测结果,包括:

15、将所述偏差输入所述前反思预测模型;

16、所述前反思预测模型以所述偏差中的每一个维度的偏差值作为该维度的异常显著性指标,依据各维度的异常显著性指标之间的相对强弱关系和各维度的异常显著性指标是否同步出现,生成所述目标用户的综合状态表征;

17、所述前反思预测模型依据所述综合状态表征直接输出所述预测结果,所述预测结果包括所述目标用户的情绪状态分布、需求分布以及对各候选响应档位的接受概率。

18、可选地,所述响应档位为从低到高依次递增的多个递进响应档位,所述预测结果包括各所述递进响应档位分别对应的接受概率;

19、所述根据所述预测结果确定所述机器人的响应档位,包括:

20、从所述多个递进响应档位中的最高档位开始,依次将各档位的接受概率与其对应的预设阈值进行比较;

21、将首个所述接受概率达到或超过其对应的所述预设阈值的档位确定为所述响应档位;

22、若所有所述接受概率均未达到其对应的所述预设阈值,则将所述多个递进响应档位中的最低档位确定为所述响应档位。

23、可选地,所述的方法还包括:

24、执行确定的所述响应档位;

25、在执行后的预设时长内,采集所述目标用户的反应信号;

26、按预设规则判定所述反应信号是正样本或负样本;

27、将判定为正样本或负样本的所述反应信号作为校准样本,按所述目标用户与所述响应档位的组合进行分组存储;

28、当任一分组内的校准样本数量达到预设下限时,根据该分组内正样本所占比例更新对应的所述响应档位的接受概率。

29、可选地,所述根据该分组内正样本所占比例更新对应的所述响应档位的接受概率,包括:

30、获取所述分组内正样本所占比例与当前接受概率之间的差值;

31、根据所述差值的大小,按照预设的映射关系确定更新步长,所述差值越大则所述更新步长越大;

32、以所述更新步长对所述当前接受概率进行修正,得到更新后的接受概率。

33、可选地,所述更新步长通过以下公式计算:

34、;

35、其中,η0为基础步长,α为预设的比例系数,δp为所述正样本比例与所述当前接受概率的差值,n为分组内所述校准样本的总量。

36、可选地,所述方法还包括:

37、在根据所述预测结果确定所述机器人的响应档位之前,查询否决位;所述否决位包括物理否决位和社会否决位;

38、当所述物理否决位置位时,强制所述机器人执行最低响应档位并记录;

39、当所述社会否决位置位时,强制所述机器人执行最低响应档位并记录。

40、本发明在第二方面提供了一种机器人,包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时能够实现第一方面中任一项所述的方法。

41、基于前文的描述,本领域技术人员能够理解的是,在本发明前述的技术方案中,根据目标用户的历史行为特征建立并更新个体基线,使得本发明能够为每一个用户分别建立专属于其自身的个体基线。然后通过计算当前行为特征与个体基线的偏差;并将偏差输入预测模型,得到预测结果,提升了社会意图预测结果的准确性。因此,本发明相对于现有技术中采用人群统一模型进行判别的方式而言,能够从根本上消除因个体差异导致的误报与漏报。而且,本发明的预测结果因不包含自然语言形式的中间表达结果,还避免了因将感知结果转写为自然语言后再交由大语言模型推理而带来的时延和连续量信息丢失问题,进一步提升了机器人对社会意图预测的响应速度和准确性。

42、进一步地,通过获取历史行为特征的累计样本量,并在累计样本量未达到预设门限时,将群体统计参考值与个体统计值按权重合成个体基线;在累计样本量达到预设门限后,以历史行为特征在预设时间窗口内的统计值作为个体基线的基准,实现了新用户从无数据冷启动到数据充足的平滑过渡。具体来说,冷启动阶段能够以群体统计参考值弥补个体数据不足,然后随着样本积累使群体权重逐渐衰减,使个体权重逐渐增强,全程无基线跳变,无需人工干预切换,确保了目标用户跨时段使用体验的一致性。

43、进一步地,通过使前反思预测模型以偏差中的每一个维度的偏差值作为该维度的异常显著性指标,依据各维度的异常显著性指标之间的相对强弱关系和同步出现情况生成综合状态表征,并直接输出情绪分布、需求分布和逐档接受概率,能够直接捕获偏差共现模式。简单来说,本发明的前反思预测模型能够基于多个行为维度的同步异常(而非单一维度的异常),来判定目标用户的状态,提升了机器人对社会意图预测的准确率,减少了因单一维度随机波动或偶然异常导致的误判。

44、进一步地,通过预设规则判定目标用户的反应信号是正样本,还是负样本,并将判定结果作为校准样本,以按目标用户与响应档位的组合进行分组存储。当任一分组内的校准样本数量达到预设下限时,再根据正样本比例更新对应的接受概率,构建了不打扰目标用户的持续校准闭环,从根本上避免了确认过程对目标用户的打扰。而分组存储则确保了校准的细粒度--同一目标用户对不同档位的接受程度独立校准,不同目标用户对同一档位的接受程度也独立校准,从而使得预测精度能够随交互积累而持续提升。

45、进一步地,通过获取分组内正样本比例与当前接受概率之间的差值,并根据该差值确定更新步长,然后通过更新步长对当前接受概率进行修正,实现了“差值越大修正越快、样本越多修正越稳”的自适应校准。具体来说,在冷启动阶段样本量少时,能够使更新步长较大,以快速响应;在样本充足后,能够使更新步长自动减小,以精细收敛。

46、本发明的其他有益效果将会在后文中结合附图进行详细描述,以便本领域技术人员能够更加清楚地了解本发明的改进目的、特征和优点。