一种基于内部物理惯性保持的具身智能认知决策方法及系统与流程

本发明属于人工智能与认知计算，具体涉及一种基于内部物理惯性保持的具身智能认知决策方法及系统，可用于机器人、自动驾驶、智能体控制等需要将物理状态与高层认知决策深度融合的具身智能应用场景。

背景技术：

1、具身智能（embodied ai）的核心特征在于智能体不仅拥有认知决策能力，还拥有物理身体并与物理世界实时交互。近年来，随着人形机器人、四足机器人、自动驾驶等技术的发展，如何将机器人的物理运动状态与高层认知决策有机融合，已成为具身智能领域的关键技术问题。

2、现有技术中，认知决策系统与物理执行系统之间存在明显的“认知-物理断层”。具体表现为：

3、（一）认知决策层缺乏对自身物理运动状态的持续感知

4、现有的认知决策系统（如基于深度学习的决策模型、基于规则的状态机等）在做出决策时，通常仅依赖外部环境感知信息（如图像、点云、语音等），而忽视了智能体自身的物理运动惯性。例如，一个正在高速前进的机器人，其当前的动量、速度、加速度等物理状态，应当对其“下一步该做什么”的认知判断产生约束性影响。然而，现有技术中，认知层的决策过程与执行层的物理状态之间缺乏有效的双向信息通道，认知层“不知道自己正在以多快的速度运动”，导致决策结果可能脱离物理现实。

5、现有技术中虽有关于“内部扰动”的研究，聚焦于提升机器人对内部扰动（多关节高速运动时的惯性耦合效应、电机扭矩波动、负载变化引起的重心偏移等）的适应能力，但这些技术主要关注底层运动控制的稳定性，属于执行层的优化范畴，并未将物理状态抽象后反馈至认知决策层，也未涉及物理状态对高层态势判断的影响。

6、现有技术中还有基于鼠脑海马认知机理的机器人运动状态认知方法，以及基于速度细胞和视觉信息的感知速度求解方法，但这些方法主要服务于运动状态和位置的认知（即“我在哪里”、“我的运动速度多快”），并未将物理状态映射为高层态势类型以参与认知决策，也未涉及物理状态对认知态势判断的惯性保持机制。

7、（二）认知决策与物理执行之间缺乏闭环反馈机制

8、现有具身智能系统中，认知层的决策结果单向流向执行层，执行层执行完毕后，其执行结果（实际速度、实际加速度、实际位置等）不会回灌给认知层，作为下一次认知决策的输入条件。这导致认知层的每一次决策都如同“第一次”面对当前情境，缺乏对自身执行历史的连续感知，无法形成“感知→判断→行动→感知自身行动结果→再判断”的完整认知闭环。

9、部分现有技术中虽涉及“物理状态推演”或“物理空间反馈”，但其反馈机制主要服务于运动规划或强化学习的奖励计算，而非作为认知决策的态势判断依据，更未涉及将物理状态映射为高层认知态势的技术方案。

10、（三）缺乏将连续物理状态映射为离散认知态势的有效方法

11、认知决策系统通常工作在离散的态势空间（如“前进状态”、“停止状态”、“避障状态”等），而物理执行系统产生的是连续的运动参数（速度值、加速度值等）。现有技术缺乏一种将连续的物理状态量有效地映射为离散认知态势的方法，使得物理状态难以被认知层直接理解和利用。

12、（四）外部事件容易完全覆盖内部物理状态，导致决策失去物理连续性

13、在现有的事件驱动型认知系统中，每当新的外部事件（如“检测到红灯”、“检测到障碍物”）到来时，系统的认知状态往往会被完全重置或覆盖，而忽略了系统当前的物理运动惯性。例如，一个正在高速行驶的车辆在检测到红灯时，如果认知系统完全忽略其当前速度而直接跳变到“停止”判断，则无法规划出“先减速后停止”的平滑过渡路径，导致决策结果与实际物理运动脱节。

14、（五）现有态势迁移路径规划缺乏物理惯性的输入

15、申请日前，申请人的在先专利申请（如cn202610506445.x、cn202610601934.3等）已公开了基于六维能量向量的状态表征方法、完备态势空间、能量演化机制以及态势迁移路径规划方法。然而，上述在先申请中，态势迁移路径的规划仅基于事件类型、不确定度值和紧迫度等认知层内部参数，尚未将智能体当前的物理运动速度作为路径规划的输入条件。这导致规划出的路径可能脱离物理现实——例如，从“高速行驶”直接规划到“停止”路径，缺乏必要的减速中间态势。

16、综上所述，亟需一种能够将机器人的内部物理惯性状态持续保持并融入认知决策过程的方法和系统，使认知层“知道自己在做什么、以多快的速度在做”，并在态势迁移路径规划时将物理惯性作为重要输入，在外部事件到来时能够规划出符合物理现实的平滑过渡路径。

技术实现思路

1、（一）发明目的

2、本发明的目的在于提供一种基于内部物理惯性保持的具身智能认知决策方法及系统，以解决现有技术中认知决策层缺乏对自身物理运动状态的持续感知、认知决策与物理执行之间缺乏闭环反馈机制、缺乏将连续物理状态映射为离散认知态势的有效方法、以及外部事件容易完全覆盖内部物理状态导致决策失去物理连续性等技术问题。

3、具体目的包括：

4、（1）提供一种将机器人执行层的连续物理状态（速度、加速度等）映射为离散认知态势的方法，使认知层能够“理解”自身的物理运动状态。

5、（2）提供一种物理状态回灌的闭环机制，使执行层的实际执行结果能够持续反馈至认知层，作为下一次认知决策的初始条件，形成“感知→判断→行动→感知自身行动结果→再判断”的完整认知闭环。

6、（3）提供一种内部物理惯性保持的认知决策方法，使系统在接收到外部事件时，能够在保持当前物理惯性态势的基础上通过态势迁移路径规划引擎规划符合物理现实的态势迁移路径，而非被外部事件完全覆盖，从而实现决策的物理连续性和平滑性。

7、（4）提供一种速度-态势映射方法，将不同速度区间映射为不同的认知态势类型，使认知层能够根据当前速度感知自身所处的“运动态势”。

8、（5）使态势迁移路径规划引擎在规划态势迁移路径时，能够将当前物理速度对应的态势类型作为路径起点，确保规划出的路径从物理现实出发，符合运动学规律。

9、（二）技术方案

10、为实现上述目的，本发明提供如下技术方案：

11、1. 系统架构

12、一种基于内部物理惯性保持的具身智能认知决策系统，包括处理器、存储器以及与所述处理器连接的传感器接口和执行器接口，所述处理器配置为通过执行所述存储器中存储的程序指令实现以下模块：

13、（1）物理状态感知模块

14、物理状态感知模块用于通过所述传感器接口获取执行器的实时运动反馈数据，将智能体的当前物理运动状态表示为物理状态向量。

15、所述物理状态向量至少包括以下参数之一或其组合：当前线速度、当前角速度、当前加速度、当前位置坐标、当前朝向角。

16、所述物理状态感知模块以预设的采样频率（优选为50hz至200hz）持续获取所述物理状态向量，并将所述物理状态向量存储于所述存储器的缓存区域中供其他模块调用。

17、（2）速度-态势映射模块

18、速度-态势映射模块用于将所述物理状态向量中的速度参数映射为对应的认知态势类型，生成内部惯性态势标识。

19、所述速度-态势映射模块预设有多个速度区间与认知态势类型的对应关系。当所述当前线速度落入第一速度区间时，映射为第一认知态势类型；当所述当前线速度落入第二速度区间时，映射为第二认知态势类型；依此类推。

20、所述认知态势类型来自预设的完备态势空间。所述完备态势空间包含有限且固定的基础态势类型，优选为六十四种，对应于六维二值编码空间的全部组合（26=64），每种基础态势类型对应一个唯一的六维二值编码向量。

21、作为优选实施方式，所述速度区间与认知态势类型的对应关系为：

22、- 当所述当前线速度高于第一速度阈值（优选为0.8m/s）时，映射为第一认知态势类型，优选为全速扩张态，六维二值编码向量为[1,1,1,1,1,1]，表征“全维亢进、最大扩张”态势；

23、- 当所述当前线速度介于第二速度阈值和第一速度阈值之间（优选为0.4m/s至0.8m/s）时，映射为第二认知态势类型，优选为高速行进态，六维二值编码向量为[1,1,1,1,0,0]，表征“刚以动、壮”的中高速运动态势；

24、- 当所述当前线速度介于第三速度阈值和第二速度阈值之间（优选为0.1m/s至0.4m/s）时，映射为第三认知态势类型，优选为低速谨慎态，六维二值编码向量为[1,1,0,1,1,1]，表征“辨上下、谨慎行事”的低速谨慎运动态势；

25、- 当所述当前线速度低于第三速度阈值（优选为0.1m/s）时，映射为第四认知态势类型，优选为静止锁定态，六维二值编码向量为[0,0,1,0,0,1]，表征“止于所止、暂停观察”的停止态势。

26、所述速度-态势映射模块生成的内部惯性态势标识被传输至认知决策模块，作为认知决策的初始条件之一。

27、（3）物理状态回灌模块

28、物理状态回灌模块用于在每次认知决策周期完成后，将所述物理状态感知模块获取的最新物理状态向量传输至认知决策模块，更新所述认知决策模块的内部惯性态势。

29、所述物理状态回灌模块在每次执行器完成动作执行后，获取执行后的实际物理状态向量（包括实际达到的速度、实际加速度等），将所述实际物理状态向量与所述速度-态势映射模块生成的内部惯性态势标识一并传输至所述认知决策模块。

30、所述认知决策模块将接收到的内部惯性态势标识作为下一次认知决策的初始能量偏向，使得系统的认知状态在无外部事件时自然地沿物理惯性方向延续，在接收到外部事件时以当前物理惯性态势为起点进行态势迁移路径规划。

31、（4）认知决策模块

32、认知决策模块用于接收外部事件输入和所述物理状态回灌模块传输的内部惯性态势标识，基于所述内部惯性态势标识初始化认知能量向量，并在外部事件产生的势能场约束下驱动所述认知能量向量进行多步迭代演化，直至收敛至稳定态势。

33、所述认知能量向量为多维能量向量，优选为六维能量向量e=(e1,e2,e3,e4,e5,e6)，其中e_i∈[0,1]，每个维度的取值表示系统在该维度上的倾向强度。

34、所述认知决策模块在每次认知决策开始时，根据所述内部惯性态势标识对应的态势类型的六维编码向量，生成初始能量向量。具体地，对于所述内部惯性态势标识对应的六维二值编码向量y∈{0,1}6，所述初始能量向量的第i维取值为：若y_i=1则取0.7，若y_i=0则取0.3。

35、所述认知决策模块在所述初始能量向量的基础上，叠加外部事件产生的扰动能量，驱动所述认知能量向量在势能场约束下按照预设的能量演化方程进行多步迭代演化，直至收敛至稳定态势。

36、所述认知决策模块包含态势迁移路径规划引擎，用于根据当前态势类型、目标态势类型、全局认知确定度u值、动态紧迫度以及事件类型，规划从当前态势到目标态势的态势迁移路径。所述态势迁移路径规划引擎将所述内部惯性态势标识对应的态势类型作为路径规划的起点，确保规划出的路径从当前的物理运动状态出发。

37、所述态势迁移路径规划引擎采用图搜索算法（优选为a*搜索算法或dijkstra算法）在所述六维态势空间中进行路径搜索，以汉明距离为启发式函数，以预设的状态转移权重为边代价，规划从当前态势到目标态势的迁移路径。

38、所述能量演化方程至少包含耦合项、太极项、锐化项、觉知项、源项、饱和项和扰动项七项力学分量。

39、所述认知决策模块输出收敛后的当前态势类型、目标态势类型、态势迁移路径和全局认知确定度。

40、（5）执行模块

41、执行模块用于接收所述认知决策模块输出的态势类型和态势迁移路径，根据所述态势类型查询预设的态势-物理动作映射表，生成对应的执行器控制指令（包括但不限于速度指令、转向指令、制动力指令），通过所述执行器接口控制执行器执行物理动作。

42、所述态势-物理动作映射表中至少包含以下映射关系：

43、- 全速扩张态映射为全速前进动作；

44、- 高速行进态映射为强力前进动作；

45、- 低速谨慎态映射为谨慎前进动作；

46、- 静止锁定态映射为紧急停止动作；

47、- 减速态一映射为减速动作；

48、- 减速态二映射为减速动作；

49、- 减速态三映射为减速动作；

50、- 待机等待态映射为等待动作。

51、所述执行模块在执行完物理动作后，将实际执行结果（实际达到的速度、实际位置等）反馈至所述物理状态感知模块，触发新一轮的物理状态回灌。

52、2. 方法流程

53、一种基于内部物理惯性保持的具身智能认知决策方法，包括以下步骤：

54、步骤s1：物理状态感知

55、通过传感器接口获取执行器的实时运动反馈数据，将智能体的当前物理运动状态表示为物理状态向量。所述物理状态向量至少包括当前线速度。

56、所述物理状态向量以预设的采样频率（优选为50hz至200hz）持续获取并更新。

57、步骤s2：速度-态势映射

58、根据所述当前线速度，查询预设的速度区间与认知态势类型的对应关系，确定当前速度对应的认知态势类型，生成内部惯性态势标识。

59、所述认知态势类型来自预设的完备态势空间，所述完备态势空间包含六十四种基础态势类型，每种基础态势类型对应一个唯一的六维二值编码向量。

60、所述对应关系为：

61、- 当所述当前线速度高于第一速度阈值（优选为0.8m/s）时，映射为第一认知态势类型，优选为全速扩张态，六维二值编码向量为[1,1,1,1,1,1]；

62、- 当所述当前线速度介于第二速度阈值和第一速度阈值之间（优选为0.4m/s至0.8m/s）时，映射为第二认知态势类型，优选为高速行进态，六维二值编码向量为[1,1,1,1,0,0]；

63、- 当所述当前线速度介于第三速度阈值和第二速度阈值之间（优选为0.1m/s至0.4m/s）时，映射为第三认知态势类型，优选为低速谨慎态，六维二值编码向量为[1,1,0,1,1,1]；

64、- 当所述当前线速度低于第三速度阈值（优选为0.1m/s）时，映射为第四认知态势类型，优选为静止锁定态，六维二值编码向量为[0,0,1,0,0,1]。

65、步骤s3：物理状态回灌

66、在每次认知决策周期开始时，将最新的物理状态向量和所述内部惯性态势标识传输至认知决策模块，作为本次认知决策的初始条件。

67、步骤s4：认知能量初始化

68、根据所述内部惯性态势标识对应的六维二值编码向量，生成初始能量向量。所述初始能量向量的第i维取值为：若编码向量的第i位为1则取0.7，若为0则取0.3。

69、步骤s5：目标态势确定与路径规划

70、获取外部事件输入，根据预设的事件关系语法识别所述外部事件所属的事件关系类型，查询预设的关系-态势映射表，确定目标态势类型。

71、根据所述内部惯性态势标识对应的当前态势类型、所述目标态势类型、全局认知确定度u值和动态紧迫度，通过态势迁移路径规划引擎规划从当前态势到目标态势的态势迁移路径。

72、所述态势迁移路径由一个或多个中间态势类型按演化顺序排列构成，路径中的每一步仅改变六维二值编码向量中的一个维度。所述态势迁移路径规划引擎以所述内部惯性态势标识对应的态势类型作为路径起点，确保规划出的路径从当前的物理运动状态出发。

73、当所述当前态势类型与所述目标态势类型之间存在多个中间态势时，所述态势迁移路径规划引擎优先选择包含预设的减速态势类型的路径，所述减速态势类型包括减速态一、减速态二和减速态三中的至少一种，以实现符合物理运动规律的平滑减速过渡。

74、步骤s6：态势收敛与博弈

75、在所述初始能量向量的基础上叠加所述外部事件产生的扰动能量，驱动认知能量向量在势能场约束下按照能量演化方程进行多步迭代演化，直至收敛至稳定态势。

76、所述能量演化方程为离散时间动力学方程，包含耦合项、太极项、锐化项、觉知项、源项、饱和项和扰动项七项力学分量。

77、所述能量演化方程优选为：

78、δe = α·(j@(e-0.5)) + β·(0.5-e) + γ·sign(e-0.5)·|e-0.5|^1.5 +η·(e-ē) + ζ·(0.5-e) - κ·(e-0.5)³ + d·ξ

79、其中：

80、- e为六维能量向量；

81、- j为总耦合矩阵，由基础耦合矩阵和外部事件激活的特化耦合矩阵叠加而成；

82、- ē为e的均值；

83、- ξ为六维随机扰动向量；

84、- α、β、γ、η、ζ、κ为预设系数；

85、- d为扰动强度。

86、所述初始能量向量作为所述能量演化方程的初始条件e0。

87、步骤s7：态势输出与执行

88、输出收敛后的当前态势类型和所述态势迁移路径，根据所述当前态势类型查询预设的态势-物理动作映射表，生成执行器控制指令，控制执行器执行物理动作。

89、当所述态势迁移路径中包含减速态势类型（包括减速态一、减速态二和减速态三中的至少一种）时，所述执行模块依次执行各态势类型对应的物理动作，实现从高速到低速的平滑减速过渡。

90、步骤s8：执行反馈与回环

91、在执行器完成物理动作后，获取执行后的实际物理状态向量，返回步骤s1，形成“感知→映射→回灌→初始化→路径规划→博弈→执行→反馈”的完整认知闭环。

92、3. 待机等待态的语义锁定

93、在本发明中，待机等待态（六维二值编码向量为[1,1,1,0,1,0]）的语义被唯一且不可变更地锁定为“等待态势”，表征“待时而动、不急不躁”的等待状态。

94、待机等待态不包含任何与“减速”相关的语义。减速由减速态一、减速态二和减速态三共同承担，这三个态势类型在所述态势-物理动作映射表中均映射为减速动作。

95、待机等待态仅在系统已处于停止或极低速状态（即速度-态势映射已为静止锁定态），且需要长时间等待外部条件变化时，通过序贯路径的自然演化过渡到待机等待态。

96、4. 无外部事件时的惯性保持

97、当系统在无外部事件输入时，所述认知决策模块以所述内部惯性态势标识对应的初始能量向量为起点进行演化。由于没有外部势能场的干扰，所述认知能量向量保持在所述内部惯性态势对应的态势类型附近，系统的认知状态沿物理惯性方向自然延续。

98、执行模块持续执行与当前内部惯性态势对应的物理动作，物理状态感知模块持续获取执行后的实际物理状态并回灌至认知决策模块，使下一次认知决策仍然以更新后的物理惯性态势为初始条件。

99、通过这一机制，系统在没有外部事件时，其认知状态自然地沿物理惯性方向延续，不会因为“没有新输入”而丢失对自身运动状态的认知。

100、（三）有益效果

101、与现有技术相比，本发明具有以下有益效果：

102、（1）实现了认知决策层对自身物理运动状态的持续感知。本发明通过速度-态势映射模块，将执行层的连续速度参数映射为离散的认知态势类型，使认知层能够“理解”自己正在以何种速度运动、处于何种运动态势，填补了现有技术中认知层与物理层之间的语义鸿沟。

103、（2）实现了物理状态回灌的完整认知闭环。本发明通过物理状态回灌模块，使执行层的实际执行结果能够持续反馈至认知层，作为下一次认知决策的初始条件，形成了“感知→映射→回灌→初始化→路径规划→博弈→执行→反馈”的完整认知闭环，使系统具备了类似生物体的“本体感觉”能力。

104、（3）实现了内部物理惯性的认知保持。本发明通过将物理状态映射为认知态势并作为初始能量向量，使系统在无外部事件时自然地沿物理惯性方向延续认知状态，在接收到外部事件时以当前物理惯性态势为起点进行态势迁移路径规划，而非被外部事件完全覆盖，从而保证了决策的物理连续性和平滑性。

105、（4）使态势迁移路径规划具有物理现实性。本发明将内部惯性态势标识作为态势迁移路径规划引擎的路径起点，使规划出的态势迁移路径从当前的物理运动状态出发，并通过优先选择包含减速态势类型（减速态一、减速态二、减速态三）的路径，实现了符合运动学规律的平滑减速过渡。

106、（5）实现了外部事件与内部惯性的统一博弈。本发明使认知决策过程不再是“外部事件覆盖内部状态”的单向过程，而是“内部惯性态势”与“外部事件引力”在统一能量场中的双向博弈过程，决策结果更符合物理现实。

107、（6）各态势语义纯净、各司其职。本发明将待机等待态的语义唯一锁定为“等待”，将减速语义赋予减速态一、减速态二、减速态三，避免了单一态势类型承载多重语义导致的认知混淆，使认知层的态势语言更加清晰、可解释。

108、（7）为具身智能提供了“身体感知”的认知基础。本发明使认知系统不仅“知道”外部环境发生了什么，还“知道”自己的身体正在做什么、以多快的速度在做，为具身智能的更高层次认知（如自我意识、身体图式）奠定了基础。