一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法与流程

摘要: 本发明涉及智能机器人控制,尤其是一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法。背景技术:1、类人机器人灵巧操作是智能机器人领域的核心挑战之一,其目标...
一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法与流程

本发明涉及智能机器人控制,尤其是一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法。

背景技术:

1、类人机器人灵巧操作是智能机器人领域的核心挑战之一,其目标在于使机器人能够像人类一样灵活、稳定地操控各类物品。现有技术中,机器人灵巧操作系统多采用单一推理模型或固定的规划-执行架构。例如,基于大规模预训练视觉语言模型的具身智能系统,虽然具备较强的泛化能力,但其推理延迟高、算力消耗大,难以满足实时操作需求;而基于示教学习的记忆回放系统虽执行效率高,但面对未知物品或环境变化时泛化能力严重不足。

2、为兼顾效率与泛化性,已有研究者提出双系统或多模块协同架构。例如,通过情景记忆存储经验并利用元学习实现技能复用,但其记忆检索依赖于静态相似度匹配,缺乏对操作过程中动态时序依赖与物理交互反馈的建模,导致在面对接触动力学变化时适应性不足。另一类方案如:采用大模型进行高层推理,但规划层响应时间长,且大脑与小脑之间信息传递单向、缺乏执行层对规划层的实时反向修正,造成规划与现实脱节。

3、此外,现有双系统架构普遍存在以下技术瓶颈:其一,模式切换决策依赖于感知编码器的输出质量,在视觉受限或传感器噪声环境下容易产生决策震荡;其二,记忆与推理系统之间耦合度低,通常采用“最相似检索”的浅层复用,无法将结构化操作经验迁移至新任务;其三,成功操作后的经验更新方式多为参数级融合,容易导致功能差异巨大的操作模式被错误融合 ,产生物理上不可行的脚本;其四,执行过程中的物理不确定性缺乏有效量化与反馈机制,无法实现从记忆执行到局部适应的主动降级。

4、因此,亟需一种能够实现感知鲁棒决策、结构化经验迁移、执行反馈闭环的灵巧操作架构,以克服现有技术的上述缺陷。

技术实现思路

1、发明目的,提供一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法,以期能够解决现有技术存在的至少部分问题。

2、技术方案,一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法法,包括以下步骤:

3、步骤1:获取类人机器人的多模态感知数据与本体感觉数据,从而生成几何特征向量与基元概率向量;

4、步骤2:基于几何特征向量与基元概率向量,计算连续熟悉度分值与认知不确定度分值,根据执行层反馈的动态执行置信度,通过深度贝叶斯滤波不断更新隐状态置信分布,进一步输出记忆直行、泛化探索、引导适应三种操作模式的状态概率;

5、步骤3:当状态概率为非零分布时,根据状态概率,通过动态角色分配器计算记忆执行系统与泛化推理系统的连续主导权重,同时从结构化操作基元知识图谱中检索与当前任务最匹配的操作子图;

6、步骤4:以操作子图为拓扑骨架,生成泛化系统操作脚本,通过kl散度引导的协同优化,融合生成最终操作脚本;

7、步骤5:基于粒子扰动观测器实时计算期望接触力与实际接触力的残差,映射为动态执行置信度并反馈至贝叶斯滤波步骤。

8、有益效果,本发明通过神经状态机与动态角色协同架构,实现了类人机器人灵巧操作中记忆执行与泛化推理的深度耦合与自适应软切换,提升了感知不确定性下的决策鲁棒性、未知物品的操作成功率以及经验积累与迁移的效率。

1.一种基于神经状态机与动态角色协同的类人机器人灵巧操作方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,步骤1中所述生成几何特征向量与基元概率向量的步骤包括如下:

3.根据权利要求1所述的方法,其特征在于,步骤2中所述通过深度贝叶斯滤波不断更新隐状态置信分布的步骤包括如下:

4.根据权利要求1所述的方法,其特征在于,步骤2中所述动态执行置信度的计算方式为:

5.根据权利要求1所述的方法,其特征在于,步骤3中所述检索与当前任务最匹配的操作子图,包括:

6.根据权利要求1所述的方法,其特征在于,步骤3中所述通过动态角色分配器计算记忆执行系统与泛化推理系统的连续主导权重,包括:

7.根据权利要求1所述的方法,其特征在于,步骤4中所述生成泛化系统操作脚本,包括如下步骤:

8.根据权利要求1所述的方法,其特征在于,步骤4中所述融合生成最终操作脚本,包括如下步骤:

9.根据权利要求1所述的方法,其特征在于,所述方法还包括如下步骤:

10.根据权利要求9所述的方法,其特征在于,所述方法还包括如下步骤: