[发明专利]机器人云与端协同计算处理方法、设备及存储介质

说明书

本发明公开了一种机器人云与端协同计算处理方法、设备及存储介质，每个机器人均部署一个本地计算处理模型和协同模型，云服务器部署云端计算处理模型，包括：步骤1，估算机器人计算任务要求的计算精度；步骤2，若由云服务器来完成机器人的当前状态下计算任务时，估算出网络延迟；步骤3，经多智能体深度强化学习算法用计算精度、计算数据和网络延时训练各机器人协同模型得出最优协同模型，步骤4，用得出的最优协同模型，根据云机器人系统的当前网络和计算任务状态确定处理计算任务的计算处理对象，计算处理对象为机器人本地计算处理模型或云服务器的云端计算处理模型。该方法实现最优的机器人云与端协同，有效提高云机器人系统总体性能。

技术领域

本发明涉及云机器人系统的计算处理领域，尤其涉及一种机器人云与端协同计算处理方法、设备及存储介质。

背景技术

机器人在应用过程中通常需要完成多种复杂计算任务，包括定位、感知、规划和目标检测等。随着人工智能和机器人技术的发展，机器人系统越来越多使用计算代价高昂的模型，如大型的深度神经网络(DNN)。然而受限于机器人本身机载的计算资源，通常没有足够的运算能力(如耗电量大的GPU显卡)或者电力储备(移动机器人通常电池供电)来运行高精度的神经网络模型。为了解决这个问题，机器人通常会把复杂的计算分流到云服务器上，形成云与端协同计算的云机器人系统。

使用机器人云与端协同进行复杂计算的问题在于，机器人端与云服务器需要利用无线网络进行通信，分流太多计算会导致网络拥塞乃至计算结果延迟或丢失。云与端协同策略作为云机器人系统的核心，对云机器人系统的性能提升起着至关重要的作用。然而，现有的云与端协同机制相关解决方案大多针对于选择何种通信方式来完成计算任务的协同分流，鲜有关于协同计算策略本身的改进。实际上，由于网络带宽、通信损失和难以预估的系统时延等问题，协同分流计算机制的稳定性和有效性并不能够得到充分保障。与此同时，执行计算分流操作时进行的通信数据传输也会带来一定的能量消耗，这无疑也会对机器人有限的机载能源存储(电池)造成压力。当机器人剩余能量过低时将导致其关机离线、无法响应工作，而如果该机器人同时承担着通信中继或任务协同等重要角色时，极有可能造成整个云机器人系统的崩溃。现有的解决方案都没有充分权衡到模型效用与网络传输成本。一个简单但是当前被普遍使用的策略是以固定频率与云端进行协同计算，例如：智能音箱就需要频繁的与云服务器通信，而固定频率的云与端协同计算方法，虽然也考虑到网络带宽的实际带宽限制，却没有考虑到每次协同传输时实际网络状况，也没有最大化利用云端模型的优点。另外也有一些比较细致的考虑到资源条件限制的手工决策方法，这些方法基于固定的经验规则，没有考虑到模型效用和网络传输成本，由于网络等限制条件只在特定条件下生效，手工设计的云与端协同计算方法常常只能作用于特定领域，缺乏应有的灵活性。设计这样的算法需要考虑到很多现实场景和各方面的权衡，因此比较困难，也不一定能够达到很好的效果。

鉴于以上方法的缺点，如何寻找一种充分考虑计算要求和网络通信能力的云与端协同计算的处理方法，能够处理不同网络条件，灵活权衡计算要求和网络条件，以切实发挥云机器人系统优势是需要解决的问题。

有鉴于此，特提出本发明。

发明内容

本发明的目的是提供了一种机器人云与端协同计算处理方法、设备及存储介质，能够处理不同网络条件，灵活权衡计算要求和网络条件，使云机器人系统的计算处理满足多种应用场景的需求，进而解决现有技术中存在的上述技术问题。

本发明的目的是通过以下技术方案实现的：

一种机器人云与端协同计算处理方法，用于云机器人系统的机器人与云服务器通信进行协同处理机器人计算任务中，每个机器人均部署一个本地计算处理模型和协同模型，云服务器部署云端计算处理模型，包括：

步骤1，估算机器人当前状态下计算任务要求的计算精度；

步骤2，若机器人的计算数据被协同到云服务器，由云服务器来完成所述机器人的当前状态下计算任务时，估算出在传输过程和处理计算任务过程的网络延迟；