[发明专利]家庭服务机器人运行状态自主认知方法及系统

权利要求书

1.家庭服务机器人运行状态自主认知方法，其特征是，包括：

采集机器人内部运行数据和机器人外部环境数据；

基于采集的数据对机器人运行状态进行自主评估；根据自主评估结果，对机器人做出相应的决策和规划；根据决策和规划发出控制指令，完成机器人预定的服务任务；

所述对机器人运行状态进行自主评估，是指通过构造多线程神经网络对机器人运行状态数据中的时空特征进行自适应学习，完成对机器人运行状态自主认知模型的训练和构建，通过决策层的多级融合策略实现对机器人运行状态的识别；

所述机器人运行状态自主认知模型的训练步骤为：

步骤(21)：数据采集与预处理：

采集机器人传感器数据，采样频率大于机器人控制频率的2倍，设在运行状态K下采集得到的N帧传感器数据序列其中，为在运行状态K下采集到的第i帧样本；对采集得到的数据进行预处理，剔除野值后，对数据进行归一化，消除不同传感器量纲不同带来的影响；所述运行状态，包括：故障状态和非故障状态；

步骤(22)：机器人运行状态自主认知模型的构建与训练：

构建机器人运行状态自主认知模型，所述机器人运行状态自主认知模型，包括：依次连接的数据预处理层、特征学习层、特征融合层、决策层和池化层；其中数据预处理层的输入数据为步骤(21)预处理得到的数据；两级池化层输出数据为最终机器人运行状态；

所述机器人运行状态自主认知模型，包括：

数据预处理层：机器人运行状态数据同时包含空间和时间两个维度的分布和变化特性；

设预处理后的运行状态样本数据序列X＝[X₁,X₂,...,X_N]^T共有N帧数据，计算运行状态数据流，即分别用第i帧数据减去N帧数据的均值，所有帧的计算结果组成机器人运行状态样本数据流栈L_i；

对机器人运行状态样本数据求帧间差分，经高通滤波后，叠加成一阶差分栈

其中，和表示i′帧的帧间差分，c(X⁽ⁱ⁾)代表第i帧与第i+1帧的帧间差分，表示属性为m*n维的第i帧数据，表示属性为m*n维的第i+1帧数据，T为高通滤波器的阈值；

对一阶差分栈继续求差分，经高通滤波后，得到二阶差分栈依次迭代得到高阶差分栈其中n为差分栈阶次；在实施过程中，差分栈阶次n的取值根据机器人运行状态自主认知模型训练精度进行调整，选择使模型训练精度最高的n即可。

2.如权利要求1所述的方法，其特征是，所述基于采集的数据对机器人运行状态进行自主评估；根据自主评估结果，对机器人做出相应的决策和规划；根据决策和规划发出控制指令，完成机器人预定的服务任务的具体步骤为：

步骤(1)：采集机器人新的内部运行数据和新的外部环境数据；对采集的数据进行归一化预处理；

步骤(2)：将预处理得到的数据输入到预先训练好的机器人运行状态自主认知模型中；根据模型输出结果，首先判断机器人主控制器是否出现故障，如果无故障，则进入步骤(3)；如果有故障则进入步骤(4)；

步骤(3)：判断机器人是否正常运行，如果正常，则机器人正常执行服务任务；如果异常，则提示初期故障信息；

统计故障时间，判断故障时间是否超过设定时间阈值，如果超过就驱动断电，机器人停止动作，提示故障信息；如果否，机器人正常执行服务任务；

步骤(4)：判断冗余监控控制器是否发生故障，如果是，则控制驱动系统断电，机器人停止动作，提示故障信息，结束；如果否，则冗余监控控制器代替主控制器继续完成当前服务任务；完成当前服务任务后，控制驱动系统断电，机器人停止工作，提示故障信息，结束。

3.如权利要求1所述的方法，其特征是，机器人运行状态自主认知模型，包括：

特征学习层：选用三线程卷积神经网络对预处理数据分别进行特征提取，所述三线程卷积神经网络，分别包括：并列的第一、第二和第三卷积神经网络；

利用第一个卷积神经网络对单帧机器人运行状态样本数据X_i进行空间特征提取；

利用第二个卷积神经网络对单帧机器人运行状态样本数据流栈L_i进行时间特征提取；

利用第三个卷积神经网络对单帧机器人帧间差分栈进行时间特征提取。