一种基于仿真演绎的知识图谱修正方法与流程

1.本发明涉及人工智能机器人任务行为规划、知识图谱领域技术、机器人虚拟仿真引擎技术，尤其是涉及一种基于仿真演绎的知识图谱修正方法。


背景技术：

2.早先机器人作业使用示教或者完备的程序控制，无法完成自主的行为作业。目前常用的机器人自主作业主要由知识图谱提供信息支撑，使用动态的任务规划替代先前硬编码式的任务规划，机器人能在一定程度上实现自主作业。但是，使用动态规划任务会造成规划结果混乱；在知识图谱缺失关键知识节点的前提下，任务规划将会失败。


技术实现要素：

3.为解决现有技术的不足，实现提升机器人任务规划效率和成功率的目的，本发明采用如下的技术方案：
4.一种基于仿真演绎的知识图谱修正方法，包括如下步骤：
5.s1，构建仿真环境、仿真机器人，定义完成任务的子任务及一系列子行为集合；
6.s2，构建机器人知识图谱，知识图谱包括构成任务的各节点和表示节点间权值的边；
7.s3，构建机器人仿真任务集合，进行仿真推导，得出能够完成任务的行为路径；
8.s4，展开机器人仿真，根据能够完成任务的行为路径，修正知识图谱的权值。
9.进一步地，所述s1包括如下步骤：
10.s11，基于机器人环境，建立周边场景的数字仿真环境，其环境受到现实世界物理定律约束，记作env；
11.s12，基于机器人物理和模型特征，在机器人仿真环境中构建出对应的仿真机器人，包括机器人的运动行走部件，机器人抓取关节等，记作sim
‑
robot；
12.s13，机器人作业任务记作task，包括一组子任务task
‑
c；
13.s14，机器人运行时，执行的各个子任务记作task
‑
c，完成任务task的一系列子任务，即一系列行为，记作{task
‑
c}集合；
14.s15，子任务task
‑
c，包括一组行为，且task
‑
c对应操作物件记作obj。
15.进一步地，所述s2包括如下步骤：
16.s21，定义任务task为{robo,obj,{task
‑
c}}，robo表示真实机器人real
‑
robot，obj表示真实机器人操作的物件，{task
‑
c}表示完成任务task的行为队列；
17.s22，实现task的行为队列不是唯一的，知识图谱根据子任务task
‑
c与操作物件obj的对应关系{obj，task
‑
c}，生成所有可能操作物件obj的行为，得到实现任务task的全部行为路径；
18.s23，使用全部子任务task
‑
c构建任务知识图谱，其中任务知识图谱的每个子任务记为一个task
‑
c节点，节点之间的边，表示task
‑
c节点之间构成任务task的任务权值；
19.s24，根据行为构建行为知识图谱，其中行为知识图谱的每个子行为记为一个子行为节点，节点之间的边，表示子行为构成任务task的行为的行为权值，子任务task
‑
c中被分解出的一组行为分别指向该行为对应的知识图谱；
20.s25，在知识图谱中，定义操作物件obj，在环境中全部可以操作的物件构成集合{obj}。
21.进一步地，所述s3包括如下步骤：
22.s31，在仿真环境env中，仿真机器人sim
‑
robot，具备刚体物理特征、多自由度机械臂、运动导航能力；
23.s32，设计仿真机器人sim
‑
robot的各个运动关节，捕捉运动轨迹，作为机器人基准轨迹trail；
24.s33，获取仿真机器人sim
‑
robot的行径轨迹route；
25.s34，获取完成任务task中，仿真机器人sim
‑
robot执行的每个动作motion；
26.s35，定义仿真机器人sim
‑
robot的任意一次子任务task
‑
c{trail,route,motion}；
27.s36，知识图谱中，对于执行task的trail、route、motion，是未知的，我们要通过仿真进行推导，得出能够实现任务task的行为路径，包括如下步骤：
28.s361，知识库中，定义已有全部可执行的行为集合，包括动作集合{motion}
‑
all，具有全部可规划的路径集合{route}
‑
all，现有规划出的全部轨迹路径为{trail}
‑
all；
29.s362，根据知识图谱，完成任务task所需的行为组合，动作motion、轨迹trail、路径route的组合，即行为集合{motion}
‑
all、{route}
‑
all、{trail}
‑
all的子集，由该子集形成能够实现各子任务task
‑
c的组合，记作{task
‑
c
‑
r}；
30.s363，对任何一个任务组合{task
‑
c
‑
r}，不能保证task
‑
c
‑
r一定能在真实机器人实体上完成子任务task
‑
c，因此，对仿真环境env下发{task
‑
c
‑
r}数据集合，使其使用该集合中所有的task
‑
c
‑
r任务组合进行尝试，观测是否能够完成任务task。
31.进一步地，所述s4包括如下步骤：
32.s41，在仿真器中，同时运行多个仿真实例，其中每一个实例使用{task
‑
c
‑
r}集合中的一个任务规划task
‑
c
‑
r；
33.s42，对于每一个任务规划task
‑
c
‑
r，在仿真实例中运行，观察仿真机器人sim
‑
robot在仿真环境env中的运行结果；
34.s43，对于运行结果，获取两个事实：仿真机器人sim
‑
robot是否能成功完成任务task，以及机器人在完成任务task的前提下需要的时间均值；
35.s44，对于能够完成任务task的任务规划task
‑
c
‑
r，获取其对应的行为路径{motion,trail,route}，及时间均值delta
‑
time，通过时间均值delta
‑
time更新任务知识图谱中task
‑
c节点间的边；设计算法，更新实现该任务规划中的行为在行为知识图谱中子行为节点间的边；
36.s45，对于不能完成任务task的规划task
‑
c
‑
r，将其对应的行为路径{motion,trail,route}，在知识图谱中，删除节点间的边关联；
37.s46，通过s44、s45，我们得到更新后的知识图谱，包含更新后的动作motion图谱、轨迹trail图谱、实现路径route图谱，使用更新后的知识图谱，按仿真环境env下的规划方
案，获得最佳机器人任务规划，并下发至真实机器人real
‑
robot进行任务作业。
38.进一步地，所述s44中，当有多种任务规划task
‑
c
‑
r都能完成任务task时，取时间均值delta
‑
time最小的任务规划task
‑
c
‑
r，增加任务规划task
‑
c
‑
r对应的各task
‑
c节点间的任务权值。
39.进一步地，所述行为包括动作motion、轨迹trail和路径route。
40.最终得到{task
‑
c}、{motion}、{trail}、{route}、{obj}五个知识图谱。
41.进一步地，所述s44中行为知识图谱的权值更新如下：
42.对于动作motion：
[0043][0044]
初始权值设置为1，每个边的权值范围为[0.1,10]，其中，t
motion
表示完成动作motion所需的时间总和，这意味着执行时间越长，该任务的权值就会越低；
[0045]
对于轨迹trail：
[0046][0047]
其中，t
trail
表示当前任务完成轨迹trail所需的时间总和；
[0048]
对于路径route：
[0049][0050]
主要为路径是否能够连通，以及作为task
‑
c串联时，对route权值进行更新，所以对于不能形成连通链路的路径route，权值为0，能够连通的路径route，权值为连通所有task
‑
c的权值总和，l表示连通节点数。
[0051]
进一步地，所述s44中任务知识图谱的权值更新包括如下步骤：
[0052]
s441，将各个子节点的边的权值设置为初始值：
[0053][0054]
t
max
＝∑t
route
∑t
motion
∑t
trail
[0055]
其中，t
max
表示最大行为执行时间，t包括t
route
、t
motion
和t
trail
中的一个或多个，t
route
表示完成动作路径route所需要的时间总和，t
motion
表示完成动作motion所需的时间总和，t
trail
表示完成轨迹trail所需的时间总和，
[0056]
s442，对于能够构成子任务task
‑
c的(motion trail route)，一定在对应的{motion}{route}{trail}构成链路，对于所有可能的链路，取最大时延作为基准：
[0057][0058]
ave＝max(delay
i
)
[0059]
一个节点i需要的时延就为：
[0060]
[0061][0062]
其中，n
i
表示节点i被连接的次数，按照统计次数进行均值求解，然后将这个结果与初始权值相加，weight表示任务节点的边的权值；
[0063]
当由仿真确定一条链路不能执行时，删除对应节点之间的边，对应链路上所有节点增加基于丢失节点的权值weight：
[0064][0065]
当仿真发生时，t、delay
i
、n
i
会根据仿真结果不断修正，例如某些任务的链路不通，n
i
总数就会下降，weight是根据仿真计算出的新值，与原来n
i
、t、t
max
不再相同，均需重新按公式计算；
[0066]
当一条仿真链路能够确定时，更新权值对应路径的权值：
[0067]
n
n
＝∑(frequency*n
i
)
[0068]
weight
new
＝weight
old
n
n
*ave
[0069]
其中，n
n
表示统计计数因子，frequency表示该节点(motion、trail、route)被不同子任务task
‑
c走过的频率，n
i
表示该节点i被连接的次数。
[0070]
如图6所示，对于节点5，分别连接下个节点3和7，节点3和7连接次数为2和1，走过次数f为3、7，频率为0.3、0.7，此时n
n
＝2*0.3 1*0.7＝1.3。
[0071]
最终完成仿真后，所有motion、trail、route的权值将被更新，故而完成任务的各个子任务链路的总权值也会不同。
[0072]
进一步地，所述动作motion，每个动作motion按顺序构成动作链路[motion]，动作链路是机器人完成任务task的动作序列，例如：打开柜子
‑
拿出杯子
‑
倒上水
‑
离开，机器人完成任务需要执行一系列动作，每一个motion为一个机器人动作指令，且是最小单元，例如：抓、握、行动、停止等动作，每一个动作由唯一id作为标识，所有motion构成集合{motion}，记录这些motion上下文数据库称为动作知识图谱。
[0073]
本发明的优势和有益效果在于：
[0074]
本发明基于知识图谱技术、机器人虚拟环境仿真技术、机器人控制论规划技术，通过使用虚拟仿真环境仿真演绎，修正经过计算知识图谱得出的错误的任务规划，让实体机器人在真实环境中获得正确的任务规划，解决了单一使用知识图谱进行机器人任务规划的不足，在机器人执行错误规划之前，先行将知识图谱进行修复。
附图说明
[0075]
图1是本发明的方法原理图。
[0076]
图2是本发明中任务构成示意图。
[0077]
图3是本发明中知识图谱结构示意图。
[0078]
图4是本发明中知识图谱进行机器人作业任务划分流程图。
[0079]
图5是本发明中知识图谱修正的流程图。
[0080]
图6是本发明中仿真链路示意图。
具体实施方式
[0081]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0082]
基于仿真演绎修正知识图谱的方法，包括如下步骤：
[0083]
如图1所示，首先我们建立机器人仿真环境，建立周边场景的数字仿真环境，其环境受到现实世界物理定律约束，记作env，机器人仿真将在env中进行。基于机器人物理和模型特征，在仿真环境中同样构建出对应的机器人模型，包括机器人的运动行走部件，机器人抓取关节等，记作sim
‑
robot。与此对应的真实机器人记作real_robot。
[0084]
机器人进行任务作业时会依次执行各个子任务，执行的各个子任务记作task
‑
c，机器人完成一个任务的一系列行为记作{task
‑
c}集合。每一个子任务task
‑
c，都可以被分解为动作motion，轨迹trail和路径route，且每一个task
‑
c都可以操作一个物件记作obj。机器人作业任务记作task，由若干的子任务task
‑
c组成。该过程如图2所示。
[0085]
如图3所示，对于一个任务task，主体机器人记为real
‑
robot，完成任务的行为队列记作{task
‑
c}，操作的物件为obj，那么一个任务被定义为{robo,obj,task
‑
c}，因为实现task的行为队列不是唯一的，知识图谱根据task
‑
c与obj的对应关系，生成所有可能操作物件obj的行为，这种一一对应的关系记作{obj，task
‑
c}，该组合由知识图谱生成，并将推理出实现该任务task的全部行为路径。使用全部task
‑
c构建知识图谱，其中图谱的每个节点记为一个task
‑
c，节点之间的边表示子任务之间构成主任务task的权重，分别构建motion、trail、route知识图谱，task
‑
c中被分解出的motion、trail、route分别指向对应的图谱。在知识图谱中，定义可操作性的物件为obj，在环境中全部可以操作的物件构成集合，记作{obj}。因此，我们有{task
‑
c}{motion}{trail}{route}{obj}五个知识图谱，其中{obj}图谱不需要更新。
[0086]
在仿真环境中，模拟机器人，记作sim
‑
robot，机器人具备刚体物理特征，具备多自由度机械臂，运动导航能力。设计robot
‑
sim虚拟机器人的各个运动关节，捕捉机器人运动轨迹，作为机器人基准轨迹trail；记录虚拟机器人sim
‑
robot的行径轨迹，轨迹记作route；机器人执行一个动作，记作motion，完成任务中，执行的每个动作按照顺序用作链路，记作[motion]。
[0087]
对于机器人的任意一次子任务task
‑
c，是trail、route、motion的组合，我们记作任务task
‑
c{trail,route,motion}；知识图谱中，对于执行task的trail、route、motion，是未知的，我们要通过仿真进行推导，得出能够实现任务的路径方法。
[0088]
知识库中，已有全部可执行的动作集合{motion}
‑
all，具有全部可规划的路径集合{route}
‑
all，现有规划出的全部轨迹路径为{trail}
‑
all。由此，根据知识图谱，完成任务task所需的动作、轨迹、规划有多种组合类型，其中每一种组合类型都是{motion}
‑
all、{route}
‑
all、{trail}
‑
all中的一个子集，由该子集形成能够实现task
‑
c任务的组合，记作{task
‑
c
‑
r}，如图4所示。
[0089]
针对{task
‑
c
‑
r}中的任何一个任务组合，不能保证task
‑
c
‑
r一定能在真实机器人实体上完成任务task
‑
c。因此，对仿真环境下发{task
‑
c
‑
r}数据集合，使其使用该集合中所有的task
‑
c
‑
r任务组合来尝试，观测是否能够完成任务。
[0090]
如图5所示，在仿真器中，同时运行多个仿真实例，其中每一个实例使用{task
‑
c
‑
r}集合中的一个任务规划task
‑
c
‑
r。对于每一个任务规划task
‑
c
‑
r，在仿真实例中运行，观察模拟机器人在仿真环境中的运行结果。对于运行结果，记录两个事实：机器人是否能成功完成任务，机器人在完成任务的前提下，需要的时间均值。对于能够完成任务的规划task
‑
c
‑
r，有与之对应的{motion,trail,route}，并附加完成任务规划的均值时间delta
‑
time；设计算法更新{motion,trail,route}，更新实现该任务规划中motion、trail、route知识图谱中节点的边的权值；对于不能完成任务的规划task
‑
c
‑
r，有与之对应的{motion,trail,route}，在知识图谱中去除节点间的边关联。
[0091]
通过上述步骤，我们得到更新后的知识图谱，包含更新后的动作图谱motion、轨迹图谱trail、实现路径图谱route、更新后的子任务图谱task
‑
c。使用更新后的知识图谱，按照在仿真环境下的规划方案，获得最佳机器人任务规划，并下发到现实场景中的机器人进行任务作业。
[0092]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。