一种基于传感器的仿生情绪交互行为输出方法与流程

1.本发明涉及传感器仿生应用技术领域，具体涉及一种基于传感器的仿生情绪交互行为输出方法，该方法应用于传感设备，可以模拟人物情绪表达。


背景技术：

2.情绪模拟的仿生技术是一个前沿技术，由于人类或动物的情绪只有定性没有定量，很难通过程序高保真地模拟，所以这类技术一直以来都存在这样那样的不足，开发的模式和算法都在探索中。无论哪种方法他们的目标都是尽量模拟人类接受外部事件后产生的高兴、痛苦、惊讶、幸福、害怕等情绪变化。
3.人类或动物在收到外部事件(此处为多种传感器数值的变化，比如压力、温度、扭曲度等数值变化)的影响下，人物在多维情绪上会做出相应的变化，从而影响人物的行为。如果采用通过程序设置人物状态和逻辑判断来处理，会导致情绪机械性变化，没有了生物情绪应有的柔性、惯性、适应性、个性等特性，通过添加随机扰动来模拟也不足以准确模仿情绪的适应性和个性。如果采用深度学习方法，其需要大量素材的学习成功很高，学习后只能模拟单一性格的人物，很难模拟不同性格人物的情绪反应。
4.外部事件输入设备的多样性、非线性的输出数据，不仅需要规范在一个范围内，而且需要规范变化的方式，否则很难定量外部事件数据变化带来的影响效果。
5.人物的情绪受外部事件量大小与变化量多少的影响，也受变化频率快慢的影响，当这些数据达到一定的阈值时，处理方式需要改变，比如0.1秒的改变是很难做出反应，连续0.1秒的改变，人物很大可能看作一次改变。
6.除了外部事件引发的情绪变化，人物内在性格也影响这情绪变化，如果没有了性格设定，模拟将偏偏一律，失去生物的个性就缺乏真实性，长久使用会导致单一的机械感。
7.由于人物是具有适应性即学习性，在经过一定外部事件后会自我调整部分性格来适应外部事件，使得自己情绪更加平衡。
8.本发明很好地解决当前情绪模拟技术的遗留问题。


技术实现要素：

9.本发明的目的在于提供一种基于传感器的仿生情绪交互行为输出方法，以解决仿生玩具、仿生机器人等非逻辑推理的人工智能生物特性的需求，利用多种安装在目标无上的传感器采集回来的数据，经过变换获得规范数据，利用人物性格多维情绪特征属性库，融合计算出当前情绪，并根据行为分类器输出行为，最后将计算结果、采集的数据和计算前的情绪数据(其中包含历史数据的影响信息)，融合计算出新的人物性格特征数据。
10.为实现上述目的，本发明提供如下技术方案：
11.一种基于传感器的仿生情绪交互行为输出方法，所述方法的步骤具体包括：
12.s1、外部事件第n次触发传感器采集原始数据，通过传感器原始数据输入输出曲线的反曲线获得随时间变化的线性变化数据，后经统一公式(1-1)映射到0-1之间的浮点数:
13.x[n]＝(x[n]-sx)/dx*4096；
[0014]
y[n]＝-c*log(a*x[n] b) d；
ꢀꢀꢀꢀꢀ
(1-1)
[0015]
公式(1-1)中的参数分别为dx:最大值与最小值的差值；
[0016]
xn:第n次的输入数据；
[0017]
xn:投射到当前最小最大区间的输入数据；
[0018]
yn:x[n]在区间[0-4096]内变换到0-1之间的数据；
[0019]
s2、第n次收到所有传感器的数据y[n]，找出那些相对上一次每个传感器数据的变化量大于误差值(0.1)的传感器，计算其变化量sl[n]和变化间隔时长st[n]，以及该传感器的sid；
[0020]
s3、把所有变化的传感器依次调用如下计算方式：计算n次与n-1次外部事件触发(任何传感器发生的事件)的间隔dt[n],并取出n-1次计算得到的最终情感数据ee[n-1]，根据dt[n]和人物特征库中情感衰减曲线计算获得每种情感的衰减量ed[n]，将上一次的最终情感数据ee[n-1]扣除衰减量获得新的情感数据e0[n]，如公式(1-2)：
[0021]
e0[n]＝ee[n-1]-ed[n]
ꢀꢀꢀꢀꢀꢀ
(1-2)
[0022]
s4、传感器的变化量sl[n]和其发生事件的时间间隔st[n]计算出变化的有效权重sfinit[n]；
[0023]
s5、用传感器sid去获取人物特征库中对应的情感变化区间re[n-1]，使用有效权重sfinit[n]和变化量sl[n]获得新的有效权重sf[n]，使用sf[n]在re[n-1]区间里求出情感变化量el[n]，sf[n]越大变化量越趋近最大值，同时将间隔时长st[n]换算为当前事件的有效权重ef[n]；
[0024]
s6、计算事件发生频率：
[0025]
freq[n]＝pow(st[n]/(99 st[n]),st[n])
ꢀꢀꢀꢀꢀꢀ
(1-3)；
[0026]
s7、判断事件发生频率freq[n]是否大于阈值(阈值为人物特征库中高低频率值的界限值，初始为人为设定)，如果大于阈值则为低频事件跳转至步骤s8，如果小于等于阈值则为高频事件跳转到步骤s9；
[0027]
s8、判定为低频事件，计算事件对情感的直接影响，当前情感e0[n]和情感变化量el[n]利用当前事件有效权重ef[n]计算出新的当前情感e1[n]:
[0028]
e1[n]＝e0[n]*(1 ef[n])
ꢀꢀꢀꢀꢀ
(1-4)
[0029]
跳转至s10进行下一步；
[0030]
s9、判定为高频事件，从人物特征库中获得情感相互关系矩阵mr，把s5步骤中获得的变化量sl[n]带入关系矩阵计算出变化量引发的情感增减量dl[n]，并直接与当前情感e0[n]相加获得新情感e1[n]:
[0031]
e1[n]＝e0[n] dl[n]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1-5)
[0032]
s10、将历史的变化量累计的值etotal[n]＝etotal[n-1] ee[n]-ee[n-1]通过指数函数换算为情感系数值exs，将exs乘以当前情感e1[n]获得本次最终情感值ee[n]:
[0033]
e2[n]＝e1[n]*exs
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1-6)
[0034]
s11、把当前情感ee[n]带入分类器，获得对应的行为aid；分类器采用公式：
[0035]
并返回dist最小的行为aid；
[0036]
s12、将当前情感ee[n]和上次情感ee[n-1]以及人物特征库、事件信息mn进行矩阵乘法运算获得5个元素的一维数组d0，再使用tanh激活函数计算出5个0-1之间的满意度数组d1：
[0037]
d1＝2.0/pow(exp,1 (-2*[ee[n],ee[n-1],mn]*d0))-1
ꢀꢀꢀꢀꢀꢀꢀ
(1-8)
[0038]
公式(1-8)中exp:自然常数、pow:指数函数、pow(a,b)表示a的b次方；
[0039]
s13、取出最近5次最终情感值：
[0040]
(ee[n],ee[n-1],ee[n-2],ee[n-3],ee[n-4])中的满意维度组成数组d2，计算差值d3＝d2-d1；
[0041]
s14、把d3带入人物特征库中的维度间关系矩阵md，获得其他维度的增减量即反馈的维度增减量rl：
[0042]
r1＝d3*md
ꢀꢀꢀꢀꢀ
(1-9)
[0043]
s15、反馈的维度增减量rl调整人物特征库中事件引发情感变化区间re[n-1]中的最大最小值(采用中心点为基准改变区间),获得新的re[n]，其次rl的平方值作为衰减调整参数带入衰减曲线的多项式梯度迭代法计算多项式新参数；
[0044]
s16、重复跳转s3，直到所有变化的传感器处理完都跳转至步骤s15为止。
[0045]
优选的，所述情感数据由五个维度组成：欲望、新奇、舒适、痛苦、满意，每个维度的数值取值区间为[0-1]。
[0046]
优选的，所述人物特征库为与情感数据五维度以及时间相关联的多个矩阵mn，部分数据为固定值，其他部分为动态调整值。
[0047]
与现有技术相比，本发明的有益效果是：
[0048]
(1)适应各类传感器的输出数据，无需改变算法；
[0049]
(2)除了外部事件影响，还参考增加情感间关系的内部变化，在模拟情绪的作用上，能够加强人物个性表现；
[0050]
(3)情感变化受权重影响，使得变化更加柔性，去掉高频变化，符合生物对变化反应的基本规则，权重由变化量和间隔时长以及人物参数计算获得，更加合理；
[0051]
(4)增加情感衰减既保留情感的延续又实现情感自然遗忘的特性，针对不同维度的情感其衰减方式不同，不同人物其衰减方式也不同，并受反馈调整来适应满意度(也称和谐度)的提升；
[0052]
(5)采用权重相似度算法，很好解决了形和量的相似，更加准确找到最能体现当前情感的行为；
[0053]
(6)反馈机制能够改变人物局部个性来适应外部需求，同时保留人物部分个性确保该人物独特性。
[0054]
综上所述，本发明所述的一种基于传感器的仿生情绪交互行为输出方法，已解决程序仿生情感的机械化问题，既保留了人物性格特性又实现了此性格的情感随外部事件变化而变化的功能，并给出最合理的行为。本发明模拟的内容是生物潜在的本能情感，而不是智能逻辑推理，努力解决的是人工智能人性的部分。
附图说明
[0055]
图1为本发明一种基于传感器的仿生情绪交互行为输出方法的逻辑流程图；
具体实施方式
[0056]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
本发明提供如下技术方案：
[0058]
一种基于传感器的仿生情绪交互行为输出方法，所述方法的步骤具体包括：
[0059]
s1、外部事件第n次触发传感器采集原始数据，通过传感器原始数据输入输出曲线的反曲线获得随时间变化的线性变化数据，后经统一公式(1-1)映射到0-1之间的浮点数:
[0060]
x[n]＝(x[n]-sx)/dx*4096；
[0061]
y[n]＝-c*log(a*x[n] b) d；
ꢀꢀꢀꢀꢀ
(1-1)
[0062]
公式(1-1)中的参数分别为dx:最大值与最小值的差值；
[0063]
xn:第n次的输入数据；
[0064]
xn:投射到当前最小最大区间的输入数据；
[0065]
yn:x[n]在区间[0-4096]内变换到0-1之间的数据；
[0066]
s2、第n次收到所有传感器的数据y[n]，找出那些相对上一次每个传感器数据的变化量大于误差值(0.1)的传感器，计算其变化量sl[n]和变化间隔时长st[n]，以及该传感器的sid；
[0067]
s3、把所有变化的传感器依次调用如下计算方式：计算n次与n-1次外部事件触发(任何传感器发生的事件)的间隔dt[n],并取出n-1次计算得到的最终情感数据ee[n-1]，根据dt[n]和人物特征库中情感衰减曲线计算获得每种情感的衰减量ed[n]，将上一次的最终情感数据ee[n-1]扣除衰减量获得新的情感数据e0[n]，如公式(1-2)：
[0068]
e0[n]＝ee[n-1]-ed[n]
ꢀꢀꢀꢀꢀꢀ
(1-2)
[0069]
s4、传感器的变化量sl[n]和其发生事件的时间间隔st[n]计算出变化的有效权重sfinit[n]；
[0070]
s5、用传感器sid去获取人物特征库中对应的情感变化区间re[n-1]，使用有效权重sfinit[n]和变化量sl[n]获得新的有效权重sf[n]，使用sf[n]在re[n-1]区间里求出情感变化量el[n]，sf[n]越大变化量越趋近最大值，同时将间隔时长st[n]换算为当前事件的有效权重ef[n]；
[0071]
s6、计算事件发生频率：
[0072]
freq[n]＝pow(st[n]/(99 st[n]),st[n])
ꢀꢀꢀꢀꢀꢀ
(1-3)；
[0073]
s7、判断事件发生频率freq[n]是否大于阈值(阈值为人物特征库中高低频率值的界限值，初始为人为设定)，如果大于阈值则为低频事件跳转至步骤s8，如果小于等于阈值则为高频事件跳转到步骤s9；
[0074]
s8、判定为低频事件，计算事件对情感的直接影响，当前情感e0[n]和情感变化量el[n]利用当前事件有效权重ef[n]计算出新的当前情感e1[n]:
[0075]
e1[n]＝e0[n]*(1 ef[n])
ꢀꢀꢀꢀꢀ
(1-4)
[0076]
跳转至s10进行下一步；
[0077]
s9、判定为高频事件，从人物特征库中获得情感相互关系矩阵mr，把s5步骤中获得的变化量sl[n]带入关系矩阵计算出变化量引发的情感增减量dl[n]，并直接与当前情感e0[n]相加获得新情感e1[n]:
[0078]
e1[n]＝e0[n] dl[n]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1-5)
[0079]
s10、将历史的变化量累计的值etotal[n]＝etotal[n-1] ee[n]-ee[n-1]通过指数函数换算为情感系数值exs，将exs乘以当前情感e1[n]获得本次最终情感值ee[n]:
[0080]
e2[n]＝e1[n]*exs
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1-6)
[0081]
s11、把当前情感ee[n]带入分类器，获得对应的行为aid；分类器采用公式：
[0082]
并返回dist最小的行为aid；
[0083]
s12、将当前情感ee[n]和上次情感ee[n-1]以及人物特征库、事件信息mn进行矩阵乘法运算获得5个元素的一维数组d0，再使用tanh激活函数计算出5个0-1之间的满意度数组d1：
[0084]
d1＝2.0/pow(exp,1 (-2*[ee[n],ee[n-1],mn]*d0))-1
ꢀꢀꢀꢀꢀꢀꢀ
(1-8)
[0085]
公式(1-8)中exp:自然常数、pow:指数函数、pow(a,b)表示a的b次方；
[0086]
s13、取出最近5次最终情感值：
[0087]
(ee[n],ee[n-1],ee[n-2],ee[n-3],ee[n-4])中的满意维度组成数组d2，计算差值d3＝d2-d1；
[0088]
s14、把d3带入人物特征库中的维度间关系矩阵md，获得其他维度的增减量即反馈的维度增减量rl：
[0089]
r1＝d3*md
ꢀꢀꢀꢀꢀ
(1-9)
[0090]
s15、反馈的维度增减量rl调整人物特征库中事件引发情感变化区间re[n-1]中的最大最小值(采用中心点为基准改变区间),获得新的re[n]，其次rl的平方值作为衰减调整参数带入衰减曲线的多项式梯度迭代法计算多项式新参数；
[0091]
s16、重复跳转s3，直到所有变化的传感器处理完都跳转至步骤s15为止。
[0092]
进一步的，所述情感数据由五个维度组成：欲望、新奇、舒适、痛苦、满意，每个维度的数值取值区间为[0-1]。
[0093]
进一步的，所述人物特征库为与情感数据五维度以及时间相关联的多个矩阵mn，部分数据为固定值，其他部分为动态调整值。
[0094]
本发明的工作原理为：
[0095]
一种基于传感器的仿生情绪交互行为输出方法：
[0096]
第一步，由于传感器数据的多样化，需要转换到统一的数据规范中，才能在后续计算里定量计算。采集传感器数据，转换数据到规范数据作为下一步的输入；
[0097]
第二步，传感器所在的身体部位对应身体刺激是不相同的，所以按部位分情感衰减曲线，比如针刺手指和手心，初期痛楚基本相同，但持续时长却不一样。根据变化传感器所在部位获得人物特征库中的衰减曲线参数，把事件发生的间隔时长带入曲线函数获得情
感衰减量，并计算衰减后的情感值；
[0098]
第三步，不同部位的事件引发的情感变化受变化量大小和频率影响，同时也受身体当时状况的影响，把身体状况设置为扰动量，把变化量设定为越大情感受影响越大，把频率设定为当达到阈值成为不能及时反应的高频事件时，不把当前事件引发的情感改变计入情感变化中，仅把导致的情感相互关系引发的本能转换后的变化量计入情感变化中。再次计算变化后的情感值；
[0099]
第四步，把当前情感值到人物特征库中的人物情感行为标签库中寻找相似度高的行为；
[0100]
第五步，把计算好的情感值和行为对应的标签情感以及情感变化量累计、历史情感数据、事件变化量、间隔时长、部位等信息综合计算一个满意值，利用此值与当前正常流程获得的满意值进行比较获得差值，正为好，但需要按此值部分回调；负为不好，需要按此值部分提升；
[0101]
第六步，将满意值的差值带入逆算函数，把人物特征库中的衰减和事件引发情感变化的区间进行小额调整，为下次事件发生做准备。
[0102]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。