[发明专利]无人系统决策方法、无人系统和该无人系统的应用

说明书

无人系统决策方法，提取无人系统决策场景内的基本元素信息建立知识库，在元素间建立因果联系，设定元素的所属层级，进而建立知识库配置文件；基于知识库和知识库配置文件，使用图结构表达知识库，得到一个因果推理网络；建立一层因式分解机输出层，并在输出层与因果推理网络之间建立连接，然后基于从现实场景中收集的数据形成的样本进行训练，在图结构上生长新节点，再将新节点以及与前驱节点的因果联系加入知识库及知识库配置文件中。本发明还提供了运行该无人系统决策方法的无人系统，可在游戏中替代人类玩家，与其他人类玩家一同游戏，也可在工业领域中替代人类进行决策控制。本发明解决了无人系统决策需依赖大数据的问题，且过程更加灵活。

技术领域

本发明属于人工智能、神经网络技术领域，特别涉及一种无人系统决策方法、无人系统和该无人系统的应用。

背景技术

人工智能领域基于深度神经网络的技术，需要大数据训练而且在新增数据重新训练时有着“灾难性遗忘”问题，小样本和增量学习技术可以减少对数据的依赖并且实现连续学习的目的。目前的增量学习技术大都采用增量监督式的学习算法，通过调整参数完成连续学习，主要应用场景是模式识别任务而非无人系统决策场景。图结构主要运用于知识图谱以及图神经网络之中，在算法中属于固定的结构，不能进行结构的自生长，主要应用场景仍然是模式识别任务。

无人系统领域的决策算法既有基于规则设定决策逻辑的算法，也有基于大数据训练的算法。然而基于规则设定决策逻辑的算法智能较低，不能自主决策；基于大数据训练的算法，需要采集大量数据，训练所消耗的时间和资源巨大，不适合终端本地决策。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种无人系统决策方法、无人系统和该无人系统的应用，基于自生长图结构进行小样本增量学习，以解决无人系统决策需依赖大数据的问题，并使得训练学习过程更具灵活性。

为了实现上述目的，本发明采用的技术方案是：

无人系统决策方法，包括：

步骤1，提取无人系统决策场景内的基本元素信息建立知识库，所述基本元素信息包括该场景的感知数据、场景描述信息、场景内的法定或业界约定的规则，场景中的所有基本元素信息构成一种集合；

步骤2，在知识库的元素间建立因果联系，设定所述元素的所属层级，所建立和设定的结果作为知识库的配置，进而建立知识库配置文件；

步骤3，基于知识库和知识库配置文件，使用图结构表达知识库，得到一个因果推理网络，图结构中的每个节点表示知识库中的任意一个元素信息，每条边表示一种因果联系；

步骤4，建立一层因式分解机输出层，并在输出层与因果推理网络之间建立连接，然后基于从现实场景中收集的数据形成的样本进行训练，在所述图结构上生长新节点，再将所述新节点以及与前驱节点的因果联系加入知识库及知识库配置文件中；所述前驱节点指图结构中通过边与新节点连接的节点。多次迭代，即可基于更新的知识库及知识库配置文件做出更符合人类思维的决策。

本发明的一个实施例，所述步骤1中，还引入高级元素信息；所述高级元素信息包括自定义规则，所述高级元素信息构成一种集合；所述知识库由基本元素信息和高级元素信息共同组成，表示描述无人系统决策场景的一个全部元素信息集合。

本发明的一个实施例，所述步骤1中，根据无人系统决策场景确定基本元素的内容和数量，将基本元素的内容转换为特定的符号表示，并根据基本元素的数量确定决策方法的输入大小，二者是相等关系。

本发明的一个实施例，所述步骤2，如果某个元素没有前驱元素，即不需要其他元素驱动，直接接收外界信息，则其层级为1；如果某个元素有前驱元素，即需要其他元素驱动，无法直接接收外界信息，则其层级为前驱元素中所属的最大层级加1。