本發(fā)明多智能體協(xié)同控制領域，尤其涉及基于人工智能的機器人遠程協(xié)同調(diào)度方法及系統(tǒng)。

背景技術(shù)：

1、隨著科技的不斷進步，機器人在各個領域的應用越來越廣泛，從工業(yè)制造中的自動化生產(chǎn)，到醫(yī)療衛(wèi)生領域的輔助手術(shù)、護理工作；從物流倉儲的貨物搬運、分揀，到危險環(huán)境下的探測、救援任務等。不同類型的機器人具備不同的功能和特點，能夠在特定的場景中發(fā)揮重要作用。

2、近年來，人工智能技術(shù)取得了巨大的進步。機器學習、深度學習、計算機視覺、自然語言處理等技術(shù)的不斷發(fā)展，為機器人的智能化提供了有力支持。人工智能可以使機器人具備自主感知、決策和學習能力，提高機器人的適應性和靈活性。

3、同時，人工智能技術(shù)也為機器人的遠程協(xié)同調(diào)度提供了新的思路和方法，為了滿足復雜任務需求，解決機器人在遠程工作環(huán)境中的協(xié)同問題，設計了基于人工智能的機器人遠程協(xié)同調(diào)度方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是要提供基于人工智能的機器人遠程協(xié)同調(diào)度方法及系統(tǒng)。

2、為達到上述目的，本發(fā)明是按照以下技術(shù)方案實施的：

3、本發(fā)明第一方面提供了基于人工智能的機器人遠程協(xié)同調(diào)度方法，包括：

4、s100將復雜任務劃分多個子任務，進行耦合性分析，獲得耦合子任務集和非耦合子任務集；

5、s200為耦合子任務之間構(gòu)建關(guān)聯(lián)性函數(shù)，分析非耦合子任務與耦合子任務之間的依賴關(guān)系，獲得依賴性函數(shù)；

6、s300基于所述關(guān)聯(lián)性函數(shù)和所述依賴性函數(shù)構(gòu)建拓撲關(guān)系網(wǎng)絡模型，根據(jù)所述拓撲關(guān)系網(wǎng)絡模型為機器人構(gòu)建神經(jīng)網(wǎng)絡模型；

7、s400對機器人進行基于偏好的任務分組，作為初始狀態(tài)，機器人通過各自的所述神經(jīng)網(wǎng)絡模型根據(jù)所述初始狀態(tài)計算下一步動作集合；

8、s500確定協(xié)同目標，從所述下一步動作集合中選擇最優(yōu)動作組合作為協(xié)同策略；

9、s600基于所述協(xié)同策略生成執(zhí)行邏輯，機器人根據(jù)執(zhí)行邏輯執(zhí)行子任務；

10、s700構(gòu)建智能體協(xié)作網(wǎng)絡對每次任務的執(zhí)行邏輯進行學習，基于所述智能體協(xié)作網(wǎng)絡對機器人的所述神經(jīng)網(wǎng)絡模型持續(xù)進行優(yōu)化。

11、作為進一步的方法，所述為耦合子任務之間構(gòu)建關(guān)聯(lián)性函數(shù)，分析非耦合子任務與耦合子任務之間的依賴關(guān)系，獲得依賴性函數(shù)的方法，包括：

12、基于耦合子任務間的特征參數(shù)構(gòu)建關(guān)聯(lián)性函數(shù)，表達式為：

13、

14、其中，n和m分別為耦合子任務a和耦合子任務b的特征數(shù)量，wij為和的關(guān)聯(lián)程度，和分別為耦合子任務a中的第i個特征值和耦合子任務b中第j個特征值，和分別為和的標準差，η為和的非線性影響因子，θ為和的差異衰減系數(shù)，和分別為和的均值；

15、對非耦合與耦合子任務提取特征數(shù)據(jù)，通過機器學習算法訓練模型，獲得依賴性函數(shù)，表達式為：

16、d＝σ2(w2·σ1(w1·[fnc，fc]+b1)+b2)

17、其中，σ1和σ2分別為隱藏層的非線性激活函數(shù)和輸出層的線性激活函數(shù)，w1和w2分別為輸入層到隱藏層的權(quán)重和隱藏層到輸出層的權(quán)重，b1和b2分別為隱藏層和輸出層的偏置。

18、作為進一步的方法，所述基于所述關(guān)聯(lián)性函數(shù)和所述依賴性函數(shù)構(gòu)建拓撲關(guān)系網(wǎng)絡模型的方法，包括：將每個子任務作為節(jié)點，對耦合子任務間建立無向邊，根據(jù)關(guān)聯(lián)函數(shù)的值確定邊的權(quán)重，為非耦合子任務和耦合子任務間建立有向邊，根據(jù)依賴性函數(shù)確定邊的權(quán)重。

19、作為進一步的方法，所述根據(jù)所述拓撲關(guān)系網(wǎng)絡模型為機器人構(gòu)建神經(jīng)網(wǎng)絡模型的方法，包括：

20、基于拓撲關(guān)系網(wǎng)絡模型計算子任務的優(yōu)先級，表達式為：

21、

22、其中，p(vi)為子任務vi的優(yōu)先級，ui為vi的重要性程度，ii為vi對其余子任務的影響因子的數(shù)量，ri為vi的資源需求，ci為vi的完成成本，ti為vi的完成所需的時間，v為子任務集合，wij表示為vi與子任務vj之間的權(quán)重，din(vi)為vi在拓撲關(guān)系網(wǎng)絡模型中的入度，dout(vj)表示為vj在拓撲關(guān)系網(wǎng)絡模型中的出度，sij為vi和vj在特征參數(shù)上的相似程度；

23、基于子任務優(yōu)先級定義決策規(guī)則，具體為：按子任務優(yōu)先級降序執(zhí)行，高優(yōu)先級子任務優(yōu)先分配更多資源；任務沖突優(yōu)先執(zhí)行高優(yōu)先級任務；出現(xiàn)緊急任務立即提升緊急任務優(yōu)先級并執(zhí)行；

24、基于前饋神經(jīng)網(wǎng)絡為機器人構(gòu)建神經(jīng)網(wǎng)絡模型，將子任務的優(yōu)先級作為權(quán)重，輸入層節(jié)點數(shù)量對應機器人獲取的特征數(shù)量，輸出層節(jié)點數(shù)量對應機器人動作維度，隱藏層節(jié)點數(shù)量設置為輸入層和輸出層節(jié)點數(shù)之和的一半；

25、根據(jù)決策規(guī)則獲得輸出與期望的差異，進行反向傳播，從輸出層向輸入層計算梯度并調(diào)整模型參數(shù)，進行迭代，直到模型符合決策規(guī)則。

26、作為進一步的方法，所述對機器人進行基于偏好的任務分組，作為初始狀態(tài)的方法，包括：

27、確定機器人的能力和偏好特征，為每個機器人通過決策樹算法構(gòu)建偏好模型，根據(jù)機器人的偏好模型和子任務的屬性，使用線性規(guī)劃方法為每個機器人分配子任務；

28、其中線性規(guī)劃方法中的目標函數(shù)的表達式為：

29、

30、其中，r為機器人的總數(shù)，t為子任務的總數(shù)，prt表示機器人r執(zhí)行子任務t時的基礎效益，xrt為執(zhí)行決策變量，當xrt＝1時，表示機器人r被分配執(zhí)行子任務t，否則xij＝0，qrt表示機器人r執(zhí)行子任務t時的效率，yrt為偏好決策變量，當yrt＝1時，表示機器人r偏好執(zhí)行子任務t，否則為yrt＝0，f為機器人的偏好特征集合，urf表示為機器人r對特征f的偏好強度，wrf為特征決策變量，當wrf＝1時，表示機器人r的偏好模型中特征f被激活，否則wrf＝0，vr為機器人r的負荷水平；

31、其中線性規(guī)劃方法中的約束條件包括：

32、

33、其中，hrt為機器人r執(zhí)行子任務t所需的資源量，hr為機器人r的可用的總資源，lr為機器人r的最大任務執(zhí)行能力，l為負荷平衡系數(shù)，cr為機器人r的最大任務容量；

34、為每個機器人定義初始狀態(tài)，包括機器人的子任務分配情況、當前位置信息和當前任務狀態(tài)信息。

35、作為進一步的方法，所述從所述下一步動作集合中選擇最優(yōu)動作組合作為協(xié)同策略的方法，包括：

36、從每個機器人的下一步動作獲取達到協(xié)同目標的聯(lián)合動作集合，以最大化任務完成效益和最大化協(xié)同效益為目標，從聯(lián)合動作集合中選擇選擇最優(yōu)動作組合；其中任務完成效益的評估函數(shù)的表達式為：

37、

38、其中，t為子任務的總數(shù)，n為已完成子任務數(shù)，rmax為最大子任務完成率，tmax為最長子任務完成時間，tmin為子任務最短完成時間，cmin為最低子任務成本，cmax為最高子任務成本，r為機器人的總數(shù)，crj為第j個機器人的運行成本，k為資源數(shù)量，crk為第k個資源的使用成本，q為子任務完成質(zhì)量評估分數(shù)，p為機器人總功率消耗，ηmax為理想最大系統(tǒng)效率；

39、其中協(xié)同效益的評估函數(shù)的表達式為：

40、

41、其中，e為時間步總數(shù)，γe為在時間步e時的折扣因子，r為機器人的總數(shù)，se為機器人在時間步e的全局狀態(tài)，為機器人i在時間步e的動作，為機器人i在狀態(tài)se下采取動作時的即時效益，λ為協(xié)同效益的權(quán)重參數(shù)，機器人i和j在時間步在狀態(tài)se下協(xié)同組合采取動作的即時效益，e*為最終時間步，為機器人i在最終時間步e*的動作，為機器人i在最終時間步e*的終端代價。

42、作為進一步的方法，所述機器人根據(jù)執(zhí)行邏輯執(zhí)行子任務的方法，包括：為機器人間引入動態(tài)任務分配機制，機器人定期更新狀態(tài)信息，并通過神經(jīng)網(wǎng)絡模型調(diào)整任務分配，其中當出現(xiàn)機器人故障和新任務加入時，觸發(fā)子任務重新分配。

43、作為進一步的方法，所述構(gòu)建智能體協(xié)作網(wǎng)絡對每次任務的執(zhí)行邏輯進行學習的方法，包括：

44、在子任務執(zhí)行過程中，收集每個機器人的狀態(tài)、動作、觀測和獎勵；

45、計算機器人每次執(zhí)行邏輯的策略梯度，基于決策樹構(gòu)建智能體協(xié)作網(wǎng)絡，根據(jù)策略梯度通過強化學習訓練智能體協(xié)作網(wǎng)絡，其中策略梯度的計算公式為：

46、

47、其中，θ為策略π的參數(shù)，j(π)策略π的累積回報，n為參與協(xié)作的機器人總數(shù)，為時間步t時機器人i采取的動作，為時間步t時機器人i的狀態(tài)，為在時間步t和狀態(tài)下，根據(jù)策略π選擇動作的概率分布，為策略π的期望值，γt為在時間步t時的折扣因子，為時間步t時機器人i獲得的獎勵。

48、作為進一步的方法，所述基于所述智能體協(xié)作網(wǎng)絡對機器人的所述神經(jīng)網(wǎng)絡模型持續(xù)進行優(yōu)化的方法，包括：

49、利用遷移學習將智能體協(xié)作網(wǎng)絡學習到的特征遷移至神經(jīng)網(wǎng)絡模型中，其中遷移后的神經(jīng)網(wǎng)絡模型輸出的表達式為：

50、

51、其中，a為神經(jīng)網(wǎng)絡模型，f為模型輸出層的激活函數(shù)，n為模型的層數(shù)，σ為模型隱藏層的激活函數(shù)，α為遷移學習率，為原始神經(jīng)網(wǎng)絡模型中第i層的權(quán)重矩陣，為從智能體協(xié)作網(wǎng)絡中遷移的權(quán)重矩陣特征，oc為智能體協(xié)作網(wǎng)絡的輸出，hi-1為模型第i-1層到第i層的輸入，為模型第i層的偏置向量，為從智能體協(xié)作網(wǎng)絡中遷移的偏置向量特征；

52、根據(jù)智能體協(xié)作網(wǎng)絡中決策樹的結(jié)構(gòu)調(diào)整神經(jīng)網(wǎng)絡模型，具體為：在神經(jīng)網(wǎng)絡模型中設計對應決策樹內(nèi)部節(jié)點特征的神經(jīng)元層，根據(jù)特征值激活不同神經(jīng)元路徑，后續(xù)節(jié)點依據(jù)前層輸出和當前特征激活，以葉子節(jié)點權(quán)重為輸出。

53、本發(fā)明第二方面提供了基于人工智能的機器人遠程協(xié)同調(diào)度系統(tǒng)，包括：

54、任務劃分模塊，用于將復雜任務劃分多個子任務，進行耦合性分析，獲得耦合子任務集和非耦合子任務集；

55、關(guān)聯(lián)構(gòu)建模塊，用于為耦合子任務之間構(gòu)建關(guān)聯(lián)性函數(shù)，分析非耦合子任務與耦合子任務之間的依賴關(guān)系，獲得依賴性函數(shù)；

56、網(wǎng)絡建模模塊，用于基于所述關(guān)聯(lián)性函數(shù)和所述依賴性函數(shù)構(gòu)建拓撲關(guān)系網(wǎng)絡模型，根據(jù)所述拓撲關(guān)系網(wǎng)絡模型為機器人構(gòu)建神經(jīng)網(wǎng)絡模型；

57、偏好分組模塊，用于對機器人進行基于偏好的任務分組，作為初始狀態(tài)，機器人通過各自的所述神經(jīng)網(wǎng)絡模型根據(jù)所述初始狀態(tài)計算下一步動作集合；

58、策略選擇模塊，用于確定協(xié)同目標，從所述下一步動作集合中選擇最優(yōu)動作組合作為協(xié)同策略；

59、邏輯執(zhí)行模塊，用于基于所述協(xié)同策略生成執(zhí)行邏輯，機器人根據(jù)執(zhí)行邏輯動態(tài)執(zhí)行子任務；

60、網(wǎng)絡優(yōu)化模塊，用于構(gòu)建智能體協(xié)作網(wǎng)絡對每次任務的執(zhí)行邏輯進行學習，基于所述智能體協(xié)作網(wǎng)絡對機器人的所述神經(jīng)網(wǎng)絡模型持續(xù)進行優(yōu)化。

61、相對于現(xiàn)有技術(shù)，本發(fā)明的實施例至少具有如下優(yōu)點或有益效果：

62、(1)本發(fā)明通過將復雜任務劃分為多個子任務，并進行耦合性分析，得到耦合子任務集和非耦合子任務集后，為耦合子任務構(gòu)建關(guān)聯(lián)性函數(shù)，有助于更好地協(xié)調(diào)和管理這些相互關(guān)聯(lián)的子任務，確保它們之間的協(xié)同工作。

63、(2)本發(fā)明通過確定協(xié)同目標并生成聯(lián)合動作集合，能夠找到最優(yōu)的聯(lián)合動作作為協(xié)同策略，確保機器人之間的協(xié)同工作達到最佳效果?；趨f(xié)同策略生成執(zhí)行邏輯，使機器人能夠準確地執(zhí)行相應任務，提高任務執(zhí)行的可靠性和穩(wěn)定性。

64、(3)本發(fā)明通過構(gòu)建智能體協(xié)作網(wǎng)絡對每次任務最優(yōu)策略的執(zhí)行邏輯進行學習，能夠不斷優(yōu)化智能體的神經(jīng)網(wǎng)絡模型。這種持續(xù)優(yōu)化的過程可以使智能體在面對不同任務和環(huán)境時不斷提高自身的性能和適應性，從而提高整個系統(tǒng)的效率和可靠性。