双端智能体感设备协同交互方法与流程
本技术涉及生理状态分析，尤其涉及双端智能体感设备协同交互方法。
背景技术：
1、随着智能穿戴与体感交互技术的快速发展，基于多模态传感的双端体感交互设备在运动辅助、康复训练和远程交互等领域得到逐步应用。此类设备通常由成对使用的交互终端组成，一端采集使用者的力学与生理信号，另一端将信号转换为触觉反馈输出，实现双端之间的体感交互。
2、目前，双端体感交互设备普遍采用透传模式，即将一端采集的物理量直接映射为另一端的输出参数，缺乏对多模态传感信号的语义级理解与跨用户适配能力。不同使用者在身体特征、动作习惯和偏好节律等方面差异显著，透传模式无法根据接收端特征进行个性化转换。在仅单端在线的场景中，由于缺乏对端真实输入，现有方案仅能静默等待或播放固定脚本，无法生成具有拟真感的动态反馈。此外，网络传输时延导致触觉反馈滞后于输入动作，透传模式无法有效补偿，降低了交互的同步性。
3、因此，如何在实现多模态传感信号的跨用户语义级互译与个性化适配的同时，兼顾单端场景的拟真反馈生成、传输时延补偿以及输出安全保障，是本领域亟待解决的问题。
技术实现思路
1、本技术的主要目的在于提供一种双端智能体感设备协同交互方法，旨在解决现有技术中如何在实现多模态传感信号的跨用户语义级互译与个性化适配的同时，兼顾单端场景的拟真反馈生成、传输时延补偿以及输出安全保障的技术问题。
2、为实现上述目的，本技术提供了一种双端智能体感设备协同交互方法，该方法包括以下步骤：接收来自第一设备和第二设备的多模态传感数据，并对多模态传感数据进行预处理，得到标准化多模态时序序列，多模态传感数据包括压力空间分布、运动姿态、位移速度以及生物电信号；根据第一设备和第二设备的连接状态，在真实映射模式、虚拟仿真模式和云端调优模式中确定当前交互模式；根据当前交互模式，调用预配置的深度学习模型集群中的目标模型，对第一设备对应的标准化多模态时序序列进行处理，生成适配于第二设备的执行动作序列；对执行动作序列进行独立于深度学习模型集群的多层级安全过滤，得到安全执行动作序列，并下发至第二设备。
3、可选地，上述接收来自第一设备和第二设备的多模态传感数据，并对多模态传感数据进行预处理，得到标准化多模态时序序列，包括：获取第一设备和第二设备在边缘侧预计算的本地特征，本地特征包括短时往复频率估计、节律稳定性指标和综合强度指标；根据本地特征、设备标识、用户标识、设备角色和时间戳，构建结构化数据包；对结构化数据包进行时间轴对齐、单位归一化、缺失插补和跨设备时钟校正，得到标准化多模态时序序列。
4、可选地，上述深度学习模型集群包括跨设备状态互译模型；在真实映射模式下，根据当前交互模式，调用预配置的深度学习模型集群中的目标模型，对第一设备对应的标准化多模态时序序列进行处理，生成适配于第二设备的执行动作序列，包括：根据标准化多模态时序序列中的压力空间分布数据，利用压力空间卷积编码器进行二维卷积处理，得到空间分布特征；根据标准化多模态时序序列中的运动姿态和位移速度数据，利用高频时序编码器进行时序编码，得到高频时序特征；根据标准化多模态时序序列中的温度和握持力数据，利用低频状态编码器进行帧级前馈编码，得到低频状态特征；根据第二设备的用户画像和设备角色生成条件嵌入，将条件嵌入沿时间维广播后与空间分布特征、高频时序特征和低频状态特征进行融合，得到条件化时序特征；将条件化时序特征输入变换器主干网络和解码器，生成适配于第二设备角色的执行动作序列。
5、可选地，上述将条件嵌入沿时间维广播后与空间分布特征、高频时序特征和低频状态特征进行融合，得到条件化时序特征，包括：根据空间分布特征、高频时序特征和低频状态特征进行通道拼接和线性投影，得到统一维度的融合特征；将广播后的条件嵌入与融合特征进行加性融合，得到初步条件化特征；以空间分布特征作为查询，以高频时序特征作为键和值，对初步条件化特征进行交叉注意力计算，得到条件化时序特征。
6、可选地，上述深度学习模型集群包括虚拟对端生成模型；在虚拟仿真模式下，根据当前交互模式，调用预配置的深度学习模型集群中的目标模型，对第一设备对应的标准化多模态时序序列进行处理，生成适配于第二设备的执行动作序列，包括：根据仅在线设备自身的标准化多模态时序序列进行编码，得到上下文特征；获取从历史交互记录中学习的风格潜向量、用户画像嵌入和情境标签嵌入；以上下文特征、风格潜向量、用户画像嵌入和情境标签嵌入为条件，通过条件式解码器自回归生成仿真对端设备的执行动作序列。
7、可选地，上述深度学习模型集群包括节律增强与个性化调优模型；在云端调优模式下，根据当前交互模式，调用预配置的深度学习模型集群中的目标模型，对第一设备对应的标准化多模态时序序列进行处理，生成适配于第二设备的执行动作序列，包括：根据实时测量的往返时延确定预测步长；根据当前时刻的动作帧，利用前向预测头生成与预测步长对应的未来时刻预测动作帧；根据第二设备的用户风格嵌入，对未来时刻预测动作帧进行风格迁移处理，得到经延迟补偿和个性化风格适配的执行动作序列。
8、可选地，上述对执行动作序列进行独立于深度学习模型集群的多层级安全过滤，得到安全执行动作序列，包括：根据预设的物理量阈值对执行动作序列进行限幅，得到软件层过滤序列；在软件层过滤序列中注入异常波形检测指令，得到可供设备端固件独立执行急停的固件层监控序列；向设备端查询与主控芯片解耦的硬件保护回路的触发状态，在硬件保护回路被触发时终止指令下发，得到安全执行动作序列。
9、此外，为实现上述目的，本技术实施例还提出一种双端智能体感设备协同交互装置，该装置包括：
10、数据预处理模块，用于接收来自第一设备和第二设备的多模态传感数据，并对多模态传感数据进行预处理，得到标准化多模态时序序列；
11、模式决策模块，用于根据第一设备和第二设备的连接状态，在真实映射模式、虚拟仿真模式和云端调优模式中确定当前交互模式；
12、模型推理模块，用于根据当前交互模式，调用预配置的深度学习模型集群中的目标模型，对第一设备对应的标准化多模态时序序列进行处理，生成适配于第二设备的执行动作序列；
13、安全过滤模块，用于对执行动作序列进行独立于深度学习模型集群的多层级安全过滤，得到安全执行动作序列；
14、下发模块，用于将安全执行动作序列下发至第二设备。
15、此外，为实现上述目的，本技术还提出一种双端智能体感设备协同交互设备，双端智能体感设备协同交互设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的双端智能体感设备协同交互程序，双端智能体感设备协同交互程序配置为实现如上文的双端智能体感设备协同交互方法的步骤。
16、此外，为实现上述目的，本技术还提出一种存储介质，存储介质上存储有双端智能体感设备协同交互程序，双端智能体感设备协同交互程序被处理器执行时实现如上文的双端智能体感设备协同交互方法的步骤。
17、本技术提出的一个或多个技术方案，至少具有以下技术效果：通过将用户画像与设备角色作为条件嵌入注入模型推理链路，配合多路并行编码器对不同模态传感信号进行特征提取与跨模态融合，实现了从物理量透传到语义级跨用户互译的升级，缓解了因个体差异显著导致的交互适配困难。通过以在线端上下文特征结合风格潜向量生成仿真对端动作序列，填补了单端在线场景下缺乏拟真动态反馈的功能空白。通过根据实时往返时延动态设定预测步长并前向生成未来时刻动作帧，有效降低了网络延迟对输出同步性的影响。通过与深度学习模型集群解耦的多层级安全过滤机制，逐级约束输出范围，避免了模型异常输出引发的安全风险。上述环节协同构成从多模态采集、语义理解、个性化生成到安全输出的处理链路，在个体差异显著与网络条件多变的场景下实现了跨用户泛化适配、传输时延补偿与输出安全保障的兼顾。