本發(fā)明涉及機器人交互技術(shù)領(lǐng)域，尤其涉及一種機器人交互內(nèi)容的生成方法、系統(tǒng)及機器人。

背景技術(shù)：

通常人類再交互過程中做出一個表情，一般是在眼睛看到或者耳朵聽到聲音之后，經(jīng)過大腦分析過后進行合理的表情反饋，人來在某一天的時間軸上的生活場景，比如吃飯，睡覺，運動等，各種場景值的變化會影響人類表情的反饋。而對于機器人而言，目前想讓機器人做出表情上的反饋，主要通過預(yù)先設(shè)計好的方式與深度學習訓練語料得來，這種通過預(yù)先設(shè)計好的程序與語料訓練的表情反饋存在以下缺點：表情的輸出依賴于人類的文本表示，即與一個問答的機器相似，用戶不同的話語觸發(fā)不同的表情，這種情況下機器人實際還是按照人類預(yù)先設(shè)計好的交互方式進行表情的輸出，這導致機器人不能更加擬人化，不能像人類一樣，根據(jù)人與人之間的交互次數(shù)，交互行為，親密度等，做出表情反饋，因此表情的生成需要大量的人機交互，導致機器人的智能性很差。

因此，如何提出一種基于多模態(tài)輸入與主動交互可變參數(shù)的表情生成方法，能夠提升機器人交互內(nèi)容生成的擬人性，是本技術(shù)領(lǐng)域亟需解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種機器人交互內(nèi)容的生成方法、系統(tǒng)及機器人，基于多模態(tài)輸入與主動交互可變參數(shù)，能夠提升機器人交互內(nèi)容生成的擬人性，提升人機交互體驗，提高智能性。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：

一種機器人交互內(nèi)容的生成方法，包括：

獲取多模態(tài)信號；

根據(jù)所述多模態(tài)信號確定用戶意圖；

根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

優(yōu)選的，所述機器人可變參數(shù)的生成方法包括：

將機器人的自我認知的參數(shù)與可變參數(shù)中場景的參數(shù)進行擬合，生成機器人可變參數(shù)。

優(yōu)選的，其中，所述可變參數(shù)至少包括改變用戶原本的行為和改變之后的行為，以及代表改變用戶原本的行為和改變之后的行為的參數(shù)值。

優(yōu)選的，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟進一步包括：根據(jù)所述用戶意圖和多模態(tài)信號，結(jié)合當前的機器人可變參數(shù)以及參數(shù)改變概率的擬合曲線生成機器人交互內(nèi)容。

優(yōu)選的，所述參數(shù)改變概率的擬合曲線的生成方法包括：使用概率算法，將機器人之間的參數(shù)用網(wǎng)絡(luò)做概率估計，計算當生活時間軸上的機器人在生活時間軸上的場景參數(shù)改變后，每個參數(shù)改變的概率，形成所述參數(shù)改變概率的擬合曲線。

優(yōu)選的，所述多模態(tài)信號至少包括圖像信號，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟具體包括：

根據(jù)所述圖像信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

優(yōu)選的，所述多模態(tài)信號至少包括語音信號，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟具體包括：

根據(jù)所述語音信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

優(yōu)選的，所述多模態(tài)信號至少包括手勢信號，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟具體包括：

根據(jù)所述手勢信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

本發(fā)明一種機器人交互內(nèi)容的生成系統(tǒng)，其特征在于，包括：

獲取模塊，用于獲取多模態(tài)信號；

意圖識別模塊，用于根據(jù)所述多模態(tài)信號確定用戶意圖；

內(nèi)容生成模塊，用于根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

優(yōu)選的，所述系統(tǒng)包括基于時間軸與人工智能云處理模塊，用于：

將機器人的自我認知的參數(shù)與可變參數(shù)中場景的參數(shù)進行擬合，生成機器人可變參數(shù)。

優(yōu)選的，其中，所述可變參數(shù)至少包括改變用戶原本的行為和改變之后的行為，以及代表改變用戶原本的行為和改變之后的行為的參數(shù)值。

優(yōu)選的，所述基于時間軸與人工智能云處理模塊進一步用于：根據(jù)所述用戶意圖和多模態(tài)信號，結(jié)合當前的機器人可變參數(shù)以及參數(shù)改變概率的擬合曲線生成機器人交互內(nèi)容。

優(yōu)選的，所述基于時間軸與人工智能云處理模塊進一步用于：使用概率算法，計算生活時間軸上的機器人在時間軸場景參數(shù)改變后的每個參數(shù)改變的概率，形成擬合曲線。

優(yōu)選的，所述多模態(tài)信號至少包括圖像信號，所述內(nèi)容生成模塊具體用于：根據(jù)所述圖像信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

優(yōu)選的，所述多模態(tài)信號至少包括語音信號，所述內(nèi)容生成模塊具體用于：根據(jù)所述語音信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

優(yōu)選的，所述多模態(tài)信號至少包括手勢信號，所述內(nèi)容生成模塊具體用于：根據(jù)所述手勢信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

本發(fā)明公開一種機器人，包括如上述任一所述的一種機器人交互內(nèi)容的生成系統(tǒng)。

相比現(xiàn)有技術(shù)，本發(fā)明具有以下優(yōu)點：現(xiàn)有機器人對于應(yīng)用場景來說，一般是基于固的場景中的問答交互機器人交互內(nèi)容的生成方法，無法基于當前的場景來更加準確的生成機器人的表情。本發(fā)明一種機器人交互內(nèi)容的生成方法，包括：獲取多模態(tài)信號；根據(jù)所述多模態(tài)信號確定用戶意圖；根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。這樣就可以根據(jù)多模態(tài)信號例如圖像信號、語音信號，結(jié)合機器人可變參數(shù)來更加準確地生成機器人交互內(nèi)容，從而更加準確、擬人化的與人進行交互和溝通?？勺儏?shù)為：人機交互過程中，用戶主動控制的參數(shù)，例如：控制機器人去做運動，控制機器人做交流等。本發(fā)明將機器人可變參數(shù)加入到機器人的交互內(nèi)容生成中去，使得機器人在生成交互內(nèi)容時可以根據(jù)之前的可變參數(shù)進行生成，例如當可變參數(shù)為機器人已經(jīng)運動了一個小時了，再次向機器人發(fā)送打掃衛(wèi)生等命令時，機器人就會說我累了，拒絕打掃。這樣使機器人與人交互時更加擬人化，使得機器人在生活時間軸內(nèi)具有人類的生活方式，該方法能夠提升機器人交互內(nèi)容生成的擬人性，提升人機交互體驗，提高智能性。

附圖說明

圖1是本發(fā)明實施例一的一種機器人交互內(nèi)容的生成方法的流程圖；

圖2是本發(fā)明實施例二的一種機器人交互內(nèi)容的生成系統(tǒng)的示意圖。

具體實施方式

雖然流程圖將各項操作描述成順序的處理，但是其中的許多操作可以被并行地、并發(fā)地或者同時實施。各項操作的順序可以被重新安排。當其操作完成時處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。處理可以對應(yīng)于方法、函數(shù)、規(guī)程、子例程、子程序等等。

計算機設(shè)備包括用戶設(shè)備與網(wǎng)絡(luò)設(shè)備。其中，用戶設(shè)備或客戶端包括但不限于電腦、智能手機、PDA等；網(wǎng)絡(luò)設(shè)備包括但不限于單個網(wǎng)絡(luò)服務(wù)器、多個網(wǎng)絡(luò)服務(wù)器組成的服務(wù)器組或基于云計算的由大量計算機或網(wǎng)絡(luò)服務(wù)器構(gòu)成的云。計算機設(shè)備可單獨運行來實現(xiàn)本發(fā)明，也可接入網(wǎng)絡(luò)并通過與網(wǎng)絡(luò)中的其他計算機設(shè)備的交互操作來實現(xiàn)本發(fā)明。計算機設(shè)備所處的網(wǎng)絡(luò)包括但不限于互聯(lián)網(wǎng)、廣域網(wǎng)、城域網(wǎng)、局域網(wǎng)、VPN網(wǎng)絡(luò)等。

在這里可能使用了術(shù)語“第一”、“第二”等等來描述各個單元，但是這些單元不應(yīng)當受這些術(shù)語限制，使用這些術(shù)語僅僅是為了將一個單元與另一個單元進行區(qū)分。這里所使用的術(shù)語“和/或”包括其中一個或更多所列出的相關(guān)聯(lián)項目的任意和所有組合。當一個單元被稱為“連接”或“耦合”到另一單元時，其可以直接連接或耦合到所述另一單元，或者可以存在中間單元。

這里所使用的術(shù)語僅僅是為了描述具體實施例而不意圖限制示例性實施例。除非上下文明確地另有所指，否則這里所使用的單數(shù)形式“一個”、“一項”還意圖包括復(fù)數(shù)。還應(yīng)當理解的是，這里所使用的術(shù)語“包括”和/或“包含”規(guī)定所陳述的特征、整數(shù)、步驟、操作、單元和/或組件的存在，而不排除存在或添加一個或更多其他特征、整數(shù)、步驟、操作、單元、組件和/或其組合。

下面結(jié)合附圖和較佳的實施例對本發(fā)明作進一步說明。

實施例一

如圖1所示，本實施例中公開一種機器人交互內(nèi)容的生成方法，包括：

S101、獲取多模態(tài)信號；

S102、根據(jù)所述多模態(tài)信號確定用戶意圖；

S103、根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

現(xiàn)有機器人對于應(yīng)用場景來說，一般是基于固定的場景中的問答交互機器人交互內(nèi)容的生成方法，無法基于當前的場景來更加準確的生成機器人的表情。本發(fā)明一種機器人交互內(nèi)容的生成方法，包括：獲取多模態(tài)信號；根據(jù)所述多模態(tài)信號確定用戶意圖；根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。這樣就可以根據(jù)多模態(tài)信號例如圖像信號、語音信號，結(jié)合機器人可變參數(shù)來更加準確地生成機器人交互內(nèi)容，從而更加準確、擬人化的與人進行交互和溝通?？勺儏?shù)為：人機交互過程中，用戶主動控制的參數(shù)，例如：控制機器人去做運動，控制機器人做交流等。本發(fā)明將機器人可變參數(shù)加入到機器人的交互內(nèi)容生成中去，使得機器人在生成交互內(nèi)容時可以根據(jù)之前的可變參數(shù)進行生成，例如當可變參數(shù)為機器人已經(jīng)運動了一個小時了，再次向機器人發(fā)送打掃衛(wèi)生等命令時，機器人就會說我累了，拒絕打掃。這樣使機器人與人交互時更加擬人化，使得機器人在生活時間軸內(nèi)具有人類的生活方式，該方法能夠提升機器人交互內(nèi)容生成的擬人性，提升人機交互體驗，提高智能性。其中多模態(tài)信號一般為多種信號的組合，例如圖片信號加上語音信號，或者圖片信號加語音信號再加手勢信號等。機器人可變參數(shù)300是提前進行擬合和設(shè)置完成的，具體來講，機器人可變參數(shù)300是一系列的參數(shù)合集，將這個參數(shù)傳輸給系統(tǒng)進行生成交互內(nèi)容。

本實施例中，可變參數(shù)具體是：人與機器發(fā)生的突發(fā)改變，比如時間軸上的一天生活是吃飯、睡覺、交互、跑步、吃飯、睡覺。那在這個情況下，假如突然改變機器人的場景，比如在跑步的時間段帶去海邊等等，這些人類主動對于機器人的參數(shù)，作為可變參數(shù)，這些改變會使得機器人的自我認知產(chǎn)生改變。生活時間軸與可變參數(shù)可以對自我認知中的屬性，例如心情值，疲勞值等等的更改，也可以自動加入新的自我認知信息，比如之前沒有憤怒值，基于生活時間軸和可變因素的場景就會自動根據(jù)之前模擬人類自我認知的場景，從而對機器人的自我認知進行添加。

例如，按照生活時間軸，在中午12點的時候應(yīng)該是吃飯的時間，而如果改變了這個場景，比如在中午12點的時候出去逛街了，那么機器人就會將這個作為其中的一個可變參數(shù)進行寫入，在這個時間段內(nèi)用戶與機器人交互時，機器人就會結(jié)合到中午12點出去逛街進行生成交互內(nèi)容，而不是以之前的中午12點在吃飯進行結(jié)合生成交互內(nèi)容，在具體生成交互內(nèi)容時，機器人就會結(jié)合獲取的多模態(tài)信號，例如語音信息和圖片信息的組合、或者與視頻信信號的組合等和可變參數(shù)進行生成。這樣就可以加入一些人類生活中的突發(fā)事件在機器人的生活軸中，讓機器人的交互更加擬人化。其中多模態(tài)信號一般為多種信號的組合，例如圖片信號加上語音信號，或者圖片信號加語音信號再加手勢信號等。

又如，多模態(tài)信號包括機器人獲取表情和文本情感等，這些可以通過語音輸入或者視頻輸入或者手勢輸入或組合，機器人表情輸入為開心，文本分析為不開心，同時用戶多次控制機器人做運動。機器人就會拒絕接受指令，并交互為：我非常疲勞，目前需要休息。

根據(jù)其中一個示例，所述機器人可變參數(shù)的生成方法包括：

將機器人的自我認知的參數(shù)與可變參數(shù)中場景的參數(shù)進行擬合，生成機器人可變參數(shù)。這樣通過在結(jié)合可變參數(shù)的機器人的場景，將機器人本身的自我認知行擴展，對自我認知中的參數(shù)與可變參會蘇軸中使用場景的參數(shù)進行擬合，產(chǎn)生擬人化的影響。

根據(jù)其中一個示例，其中，所述可變參數(shù)至少包括改變用戶原本的行為和改變之后的行為，以及代表改變用戶原本的行為和改變之后的行為的參數(shù)值。

可變參數(shù)就是按照原本計劃，是處于一種狀態(tài)的，突然的改變讓用戶處于了另一種狀態(tài)，可變參數(shù)就代表了這種行為或狀態(tài)的變化，以及變化之后用戶的狀態(tài)或者行為，例如原本在下午5點是在跑步，突然有其他的事，例如去打球，那么從跑步改為打球就是可變參數(shù)，另外還要研究這種改變的幾率。

根據(jù)其中另一個示例，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟進一步包括：根據(jù)所述用戶意圖和多模態(tài)信號，結(jié)合當前的機器人可變參數(shù)以及參數(shù)改變概率的擬合曲線生成機器人交互內(nèi)容。這樣就可以通過可變參數(shù)的概率訓練生成擬合曲線，從而生成機器人交互內(nèi)容。

根據(jù)其中另一個示例，所述參數(shù)改變概率的擬合曲線的生成方法包括：使用概率算法，將機器人之間的參數(shù)用網(wǎng)絡(luò)做概率估計，計算當生活時間軸上的機器人在生活時間軸上的場景參數(shù)改變后，每個參數(shù)改變的概率，形成所述參數(shù)改變概率的擬合曲線。概率算法可以采用貝葉斯概率算法。

通過在結(jié)合可變參數(shù)的機器人的場景，將機器人本身的自我認知行擴展，對自我認知中的參數(shù)與可變參會蘇軸中使用場景的參數(shù)進行擬合，產(chǎn)生擬人化的影響。同時，加上對于地點場景的識別，使得機器人會知道自己的地理位置，會根據(jù)自己所處的地理環(huán)境，改變交互內(nèi)容生成的方式。另外，我們使用貝葉斯概率算法，將機器人之間的參數(shù)用貝葉斯網(wǎng)絡(luò)做概率估計，計算生活時間軸上的機器人本身時間軸場景參數(shù)改變后，每個參數(shù)改變的概率，形成擬合曲線，動態(tài)影響機器人本身的自我認知。這種創(chuàng)新的模塊使得機器人本身具有人類的生活方式，對于表情這塊，可按照所處的地點場景，做表情方面的改變。

根據(jù)其中另一個示例，所述多模態(tài)信號至少包括圖像信號，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟具體包括：

根據(jù)所述圖像信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。多模態(tài)信號至少包括圖像信號，這樣可以讓機器人掌握用戶的意圖，而為了更好的了解到用戶的意圖，一般會加入其它信號，例如語音信號、手勢信號等，這樣可以更加準確的了解到用戶到底是真實的表達的意思，還是開玩笑試探的意思。

根據(jù)其中另一個示例，所述多模態(tài)信號至少包括語音信號，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟具體包括：

根據(jù)所述語音信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

根據(jù)其中另一個示例，所述多模態(tài)信號至少包括手勢信號，所述根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容的步驟具體包括：

根據(jù)所述手勢信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

例如，機器人在前一段時間內(nèi)持續(xù)的在唱歌，然后用戶這時通過語音告訴機器人，繼續(xù)唱吧。而圖片信號顯示的是用戶是一臉嚴肅的，那么機器人就會回復(fù)說，太累了，讓我休息一下，配上疲憊的臉。而如果圖片信息號顯示的是用戶是一臉開心，那么機器人就會回復(fù)說，主人我先休息一下再給你唱，配上開心的臉。這樣就可以根據(jù)多模態(tài)信號的不同而生成不同的回復(fù)。一般通過語音信號和圖片信號就可以較為準確地了解到用戶的意思，從而更加準確的回復(fù)用戶。當然加上其他信號更加準確，例如手勢信號，視頻信號等。

實施例二

如圖2所示，本實施例中公開本發(fā)明一種機器人交互內(nèi)容的生成系統(tǒng)，其特征在于，包括：

獲取模塊201，用于獲取多模態(tài)信號；

意圖識別模塊202，用于根據(jù)所述多模態(tài)信號確定用戶意圖；

內(nèi)容生成模塊203，用于根據(jù)所述多模態(tài)信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

這樣就可以根據(jù)多模態(tài)信號例如圖像信號、語音信號，結(jié)合機器人可變參數(shù)來更加準確地生成機器人交互內(nèi)容，從而更加準確、擬人化的與人進行交互和溝通?？勺儏?shù)為：人機交互過程中，用戶主動控制的參數(shù)，例如：控制機器人去做運動，控制機器人做交流等。本發(fā)明將機器人可變參數(shù)加入到機器人的交互內(nèi)容生成中去，使得機器人在生成交互內(nèi)容時可以根據(jù)之前的可變參數(shù)進行生成，例如當可變參數(shù)為機器人已經(jīng)運動了一個小時了，再次向機器人發(fā)送打掃衛(wèi)生等命令時，機器人就會說我累了，拒絕打掃。這樣使機器人與人交互時更加擬人化，使得機器人在生活時間軸內(nèi)具有人類的生活方式，該方法能夠提升機器人交互內(nèi)容生成的擬人性，提升人機交互體驗，提高智能性。其中多模態(tài)信號一般為多種信號的組合，例如圖片信號加上語音信號，或者圖片信號加語音信號再加手勢信號等。

本實施例中的多模態(tài)信息可以是用戶表情、語音信息、手勢信息、場景信息、圖像信息、視頻信息、人臉信息、瞳孔虹膜信息、光感信息和指紋信息等其中的其中一種或幾種。本實施例中優(yōu)選為圖片信號加語音信號再加手勢信號，這樣識別的準確并且識別的效率高。

例如，可變參數(shù)可以是機器人在一個預(yù)設(shè)的時間段做過的事情，如機器人在上個時間段與用戶互動交談了一個小時了，這時用戶如果通過多模態(tài)信號向機器人表達出繼續(xù)交談的意圖，那么機器人就可以說我累了需要休息一下，并且配上疲憊的狀態(tài)內(nèi)容，例如表情等。如果多模態(tài)信號顯示用戶為開玩笑，那么機器人就可以說別逗我啦，并配上開心的表情。其中多模態(tài)信號一般為多種信號的組合，例如圖片信號加上語音信號，或者圖片信號加語音信號再加手勢信號等。

根據(jù)其中一個示例，所述系統(tǒng)包括基于時間軸與人工智能云處理模塊，用于：

將機器人的自我認知的參數(shù)與可變參數(shù)中場景的參數(shù)進行擬合，生成機器人可變參數(shù)。

這樣通過在結(jié)合可變參數(shù)的機器人的場景，將機器人本身的自我認知行擴展，對自我認知中的參數(shù)與可變參會蘇軸中使用場景的參數(shù)進行擬合，產(chǎn)生擬人化的影響。

根據(jù)其中一個示例，其中，所述可變參數(shù)至少包括改變用戶原本的行為和改變之后的行為，以及代表改變用戶原本的行為和改變之后的行為的參數(shù)值。

可變參數(shù)就是按照原本計劃，是處于一種狀態(tài)的，突然的改變讓用戶處于了另一種狀態(tài)，可變參數(shù)就代表了這種行為或狀態(tài)的變化，以及變化之后用戶的狀態(tài)或者行為，例如原本在下午5點是在跑步，突然有其他的事，例如去打球，那么從跑步改為打球就是可變參數(shù)，另外還要研究這種改變的幾率。

根據(jù)其中另一個示例，所述基于時間軸與人工智能云處理模塊進一步用于：根據(jù)所述用戶意圖和多模態(tài)信號，結(jié)合當前的機器人可變參數(shù)以及參數(shù)改變概率的擬合曲線生成機器人交互內(nèi)容。這樣就可以通過可變參數(shù)的概率訓練生成擬合曲線，從而生成機器人交互內(nèi)容。

根據(jù)其中另一個示例，所述基于時間軸與人工智能云處理模塊進一步用于：使用概率算法，計算生活時間軸上的機器人在時間軸場景參數(shù)改變后的每個參數(shù)改變的概率，形成擬合曲線。

通過在結(jié)合可變參數(shù)的機器人的場景，將機器人本身的自我認知行擴展，對自我認知中的參數(shù)與可變參會蘇軸中使用場景的參數(shù)進行擬合，產(chǎn)生擬人化的影響。同時，加上對于地點場景的識別，使得機器人會知道自己的地理位置，會根據(jù)自己所處的地理環(huán)境，改變交互內(nèi)容生成的方式。另外，我們使用貝葉斯概率算法，將機器人之間的參數(shù)用貝葉斯網(wǎng)絡(luò)做概率估計，計算生活時間軸上的機器人本身時間軸場景參數(shù)改變后，每個參數(shù)改變的概率，形成擬合曲線，動態(tài)影響機器人本身的自我認知。這種創(chuàng)新的模塊使得機器人本身具有人類的生活方式，對于表情這塊，可按照所處的地點場景，做表情方面的改變。

根據(jù)其中另一個示例，所述多模態(tài)信號至少包括圖像信號，所述表情生成模塊具體用于：根據(jù)所述圖像信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

多模態(tài)信號至少包括圖像信號，這樣可以讓機器人掌握用戶的意圖，而為了更好的了解到用戶的意圖，一般會加入其它信號，例如語音信號、手勢信號等，這樣可以更加準確的了解到用戶到底是真實的表達的意思，還是開玩笑試探的意思。

根據(jù)其中另一個示例，所述多模態(tài)信號至少包括語音信號，所述表情生成模塊具體用于：根據(jù)所述語音信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

根據(jù)其中另一個示例，所述多模態(tài)信號至少包括手勢信號，所述表情生成模塊具體用于：根據(jù)所述手勢信號和所述用戶意圖，結(jié)合當前的機器人可變參數(shù)生成機器人交互內(nèi)容。

例如，機器人在前一段時間內(nèi)持續(xù)的在唱歌，然后用戶這時通過語音告訴機器人，繼續(xù)唱吧。而圖片信號顯示的是用戶是一臉嚴肅的，那么機器人就會回復(fù)說，太累了，讓我休息一下，配上疲憊的臉。而如果圖片信息號顯示的是用戶是一臉開心，那么機器人就會回復(fù)說，主人我先休息一下再給你唱，配上開心的臉。這樣就可以根據(jù)多模態(tài)信號的不同而生成不同的回復(fù)。一般通過語音信號和圖片信號就可以較為準確地了解到用戶的意思，從而更加準確的回復(fù)用戶。

本發(fā)明公開一種機器人，包括如上述任一所述的一種機器人交互內(nèi)容的生成系統(tǒng)。

以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當視為屬于本發(fā)明的保護范圍。