[发明专利]一种无人艇自主学习系统、方法和计算机可读存储介质

说明书

本发明提供的一种无人艇自主学习系统、方法和计算机可读存储介质，系统包括，多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；Tensorflow Serving服务模块，部署在Docker开源应用容器引擎中，用于接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，将计算结果发送到客户端；多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。本发明将Tensorflow Serving服务和Docker开源应用容器引擎相结合，在艇端将Tensorflow Serving服务部署在Docker容器中。在艇端程序发送请求之后，模型的调用和计算都在Docker容器中，运行结束后再将结果返回给艇端接收程序，极大地减小了系统开销。

技术领域

本发明涉及无人系统持续自主学习技术领域，尤其涉及一种无人艇自主学习系统、方法和计算机可读存储介质。

背景技术

无人艇是一种现代化智能船舶，以半自主或者全自主的方式在水面航行的无人化智能平台。在执行任务的过程中，水面无人艇可在海上担负人员物资转运输送、海洋探测、海上搜救以及测绘任务等。由于无人艇的功能和作用较为多样化，而且具有一定程度自主执行任务的需求，因此应当在无人艇软件系统中部署各项基于任务的智能算法，同时要求智能算法能够具有成长性，可通过算法的更新和验证提升无人艇的自主化能力。岸海协同水面无人系统持续自主学习技术是提升无人艇自主化能力的重要途径之一，随着机器学习等新兴技术的发展，通过大量的训练以提高机器自主能力将成为可能。因此，无人艇软件系统通过持续自主学习不断升级来提高其自主能力成为未来发展的一个趋势。

为了将智能算法部署和集成在无人艇以实现无人艇自主航行，同时利用岸海协同水面无人系统持续自主学习系统进行算法模型部署，管理和验证，通常采用的智能算法部署和集成方法主要是将各个智能算法生成Docker后部署在无人艇，再挂载到模型文件目录下，由算法自身实现模型调用、模型版本管理和部署。这种方法的缺陷在于：

无人艇客户端计算开销大，对设备性能要求较高。由于该方法的模型部署和调用过程由算法自身在无人艇客户端实现，因此，需要提前在客户端搭建程序和模型的环境，这对客户端硬件的配置和性能具有较高的要求。由于海上环境较陆地更加恶劣，对艇体的体积和重量有严格要求，因此无人艇硬件系统的配置和运行性能会受到制约，过大的计算开销会影响程序执行的效率，甚至导致较高的延迟。此外，模型部署和版本管理困难，由于该方法的模型部署和调用过程由算法自身在无人艇客户端实现，因此，需要整个过程完全自动且执行稳定，需要算法开发人员对模型的部署和调用过程进行额外的优化和调整。

发明内容

本发明为了克服上述问题，本发明提供一种无人艇自主学习系统、方法和计算机可读存储介质。该系统将Tensorflow Serving服务和Docker开源应用容器引擎相结合，在艇端将Tensorflow Serving服务部署在Docker容器中。在艇端程序发送请求之后，模型的调用和计算都在Docker容器中，运行结束后再将结果返回给艇端接收程序，极大地减小了系统开销。解决了现有技术中无人艇硬件系统的配置和运行性能受到制约，过大的计算开销影响程序执行的效率，甚至导致较高的延迟的问题。

本发明的上述目的可采用下列技术方案来实现：

本发明提供的一种无人艇自主学习系统，包括：

多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；

Tensorflow Serving服务模块，部署在Docker开源应用容器引擎中，用于接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，将计算结果发送到客户端；

多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。