[发明专利]一种基于概念学习的透彻感知与动态理解方法

权利要求书

1.一种基于概念学习的透彻感知与动态理解方法，其特征在于：所述方法包括以下步骤：

步骤一：基于深度学习与时序贝叶斯迭代训练构建大范围“场景-目标-行为”的静-动态概念关系模型，所述静-动态概念关系模型能够透彻反映场景属性、人物行为和事件关联的抽象关系，全面掌控大范围复杂场景动态；

步骤二：基于贝叶斯网络的概率图模型推理及场景深度理解技术，结合训练好的静-动态概念关系模型和环境上下文，预测目标行为状态；

步骤三：按照集群机器人任务为指引，以静-动态概念关系模型推理置信度最高为原则，设计机器人分布式协同策略，通过优化传感器配置实现对场景目标与态势的透彻感知与深度理解；

步骤四：按照任务执行指令为指引，驱动机器人对执行任务完成精准操控；

所述步骤一具体为：

步骤1.1、对集群机器人采集的场景RGB-D图像进行拼接，并将拼接后的场景分解为一定空间尺度的场景信息，所述尺度的设定由场景所含信息量、场景延迟时间和计算复杂度来决定；

步骤1.2、利用深度学习训练静态场景模型，提取场景中包含的语义概念及从属于该语义概念的结构和属性，建立“场景-目标”的静态概念模型；

步骤1.3、将语义概念作为贝叶斯网络节点，语义概念之间的相互关系作为网络的有向边，用条件概率表达关系强度，加入时间维度信息，利用时序贝叶斯迭代对场景中语义间的动态关系进行描述，建立“目标-行为”的动态关系模型；

步骤1.4、基于信息论将静态概念模型与动态关系模型进行统一。

2.根据权利要求1所述的方法，其特征在于：所述步骤二具体为：

步骤2.1、在集群机器人实时运行中，每一个机器人获取一帧场景RGB-D数据，并从中提取语义概念及状态、属性信息；

步骤2.2、利用训练好的“场景-目标-行为”静-动态概念关系模型，基于贝叶斯网络的概率图模型对当前场景语义概念进行推理，完成目标在当前场景中的深度理解，即对目标行为状态进行预测。

3.根据权利要求2所述的方法，其特征在于：所述步骤二还包括：若集群机器人场景获取有交叠，需根据机器人所处位置及预测结果进行投票，得到集群机器人一致的预测结论。

4.根据权利要求2所述的方法，其特征在于：所述步骤三具体为：

步骤3.1、将集群机器人任务作为指令，并将指令分解为环境感知指令和任务执行指令，将环境感知指令与理解出的场景目标行为状态进行对比，计算环境感知指令与场景理解的相似度；

步骤3.2、如果相似度达到一致，则执行步骤四；如果相似度不一致，则结合当前集群机器人的位置、姿态和方位信息，以静-动态概念关系模型推理置信度最高为原则，综合考虑机器人资源条件约束，设计机器人分布式协同策略，使机器人对目标进行透彻感知；

步骤3.3、按照机器人分布式协同策略，控制机器人按照规划的路径进行移动，从而产生新的场景信息，重复步骤二，直到环境感知指令与理解出的场景相似度达到一致要求。

5.根据权利要求4所述的方法，其特征在于：所述资源条件约束包括电池电量、移动能力和感知能力。