CN115741782A - 一种机器人泛化能力评价方法及*** - Google Patents
一种机器人泛化能力评价方法及*** Download PDFInfo
- Publication number
- CN115741782A CN115741782A CN202211399184.4A CN202211399184A CN115741782A CN 115741782 A CN115741782 A CN 115741782A CN 202211399184 A CN202211399184 A CN 202211399184A CN 115741782 A CN115741782 A CN 115741782A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- index
- subtask
- comprehensive
- subtasks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 190
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims 1
- 238000004659 sterilization and disinfection Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 230000002996 emotional effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000011012 sanitization Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种机器人泛化能力评价方法及***,包括如下步骤:S1、采用模糊综合评价法建立机器人泛化能力评价模型;S2、对各个子任务的评价指标分别进行评价,根据评价结果得到各个子任务关联的指标层指标模糊评价矩阵;S3、基于层次分析法,确定指标层的各个评价指标的权重;根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重,确定子任务的泛化能力评价结果;S4、根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量;S5、根据子任务的泛化能力评价结果和子任务的泛化能力的权重向量进行计算,得出***层的泛化能力评估的综合得分值。
Description
技术领域
本发明涉及机器人泛化能力评价技术领域,特别涉及一种机器人泛化能力评价方法及***。
背景技术
目前,数字孪生包含物理实体、虚拟实体、孪生数据、连接和服务五个维度,是工业4.0的发展方向之一。数字孪生技术能够利用传感器监测、数据融合、物理规律分析等手段,将物理实体映射到虚拟模型中,实现在虚拟环境中对物理实体的全生命周期监测。随着人工智能领域的发展,服务机器人技术也逐渐落地。将数字孪生技术应用于室内服务机器人能够实现在虚拟环境中对机器人的智能行为进行训练、分析和预测,并能实时监控机器人的运行状态,实现虚实融合的机器人高效技能学习和能力泛化,是数字孪生技术的热门应用之一。
机器人泛化能力评价指评估智能算法从单机器人应用到复杂任务多机器人协作的遂行任务效果差异。随着数字孪生和服务机器人的发展,对数字孪生服务机器人泛化能力评价体系的建立成了急需解决的关键问题。目前基于数字孪生的室内服务机器人全过程智能行为泛化能力评价体系的研究还处在空白阶段。
因此,亟需一种方法来解决数字孪生服务机器人泛化能力评价指标和评价方法缺失的问题。
发明内容
基于此,有必要提供一种机器人泛化能力评价方法及***。
本发明实施例一方面提供一种机器人泛化能力评价方法,包括如下步骤:
S1、采用模糊综合评价法建立机器人泛化能力评价模型;
S2、对各个子任务的评价指标分别进行评价,根据评价结果得到各个子任务关联的指标层指标模糊评价矩阵;
S3、基于层次分析法,确定指标层的各个评价指标的权重;
然后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重,确定子任务的泛化能力评价结果;
S4、根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量;
S5、对子任务的泛化能力评价结果和子任务的泛化能力的权重向量进行计算,得出***层的泛化能力评估的综合得分值。
优选地,步骤S1中,机器人泛化能力评价模型包括:
***层:用于对服务机器人执行复杂任务的综合泛化能力进行评价;
任务层:包括复杂任务分解成的多个子任务,用于对各个子任务的泛化能力进行评价;
指标层:用于对各个子任务的智能行为进行评价。
优选地,步骤S1中,建立机器人泛化能力评价模型具体包括:
建立综合任务的各个子任务的评价指标集,评价指标集包括环境感知能力、状态稳定性、交互体验感、任务满意度、安全性、自主性、有效性、友好性;
建立综合任务和子任务评价指标的评语集,评语集包括好、较好、一般、较差、差。
优选地,步骤S2中,对各个子任务的评价指标分别进行评价具体包括:
建立等级评价集,等级评价集Y={好,较好,一般,较差,差};
评价组成员使用等极评价对各个子任务的评价指标分别进行评价;
统计各个子任务的评价指标的等极评价的占比,得到各个子任务的等级的隶属度,形成与各个子任务关联的指标层指标模糊评价隶属度矩阵。
优选地,步骤S3中,确定指标层中的各个评价指标相对于任务层的权重具体包括以下步骤:
构造指标层两两指标重要性对比判断矩阵;
将指标层两两指标重要性对比判断矩阵按列进行归一化处理,再将每行求和除以矩阵的阶数n,得到每个指标层指标相对于任务层指标的权重值,即指标层的各个评价指标的权重;
计算CR的值,从而根据计算得到的CR值进行一致性评价,判断是否通过一致性评价;
最后,根据指标层指标模糊评价隶属度矩阵R和指标层的各个评价指标的权重W,确定子任务的泛化能力评价结果。
优选地,判断是否通过一致性评价具体包括:若CR<0.1,则通过一致性检验,否则,返回步骤S3重新构造判断矩阵。
优选地,任务困难度e的取值范围为0~1,场景复杂度m的取值范围为0~1,综合难度值o为子任务分配任务困难度e和子任务场景复杂度m的乘积。
本发明还提供一种机器人泛化能力评价***,所述***包括:包括:
泛化能力评价模型模块:用于采用模糊综合评价法建立机器人泛化能力评价模型;
模糊评价模块:用于对各个子任务的评价指标分别进行评价,根据评价结果,得到各个子任务关联的指标层指标模糊评价隶属度矩阵;
层次分析模块:用于基于层次分析法,确定指标层的各个评价指标的权重;然后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重,确定子任务的泛化能力评价结果;
综合评估模块:用于根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量;根据子任务的泛化能力评价结果和子任务的泛化能力的权重向量进行计算,得出***层的泛化能力评估的综合得分值。
优选地,所述泛化能力评价模型模块包括:
***层:用于对服务机器人执行复杂任务的综合泛化能力进行评价;
任务层:包括复杂任务分解成的多个子任务,用于对各个子任务的泛化能力进行评价;
指标层:用于对各个子任务的智能行为进行评价。
本发明弥补了现有数字孪生服务机器人泛化能力评价体系和方法缺失的问题。本发明专利基于模糊层次综合分析法,提出了数字孪生服务机器人的泛化能力评价指标体系和评价方法,并引入了任务困难度和场景复杂度权数,能对机器人智能行为的泛化能力进行合理评价,为数字孪生服务机器人的研发提供指导和评价参考。
附图说明
通过附图中所示的本发明优选实施例更具体说明,本发明上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分,且并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本的主旨。
图1为本发明实施例的方法的流程图;
图2为本发明实施例的服务机器人泛化能力评价指标体系图;
图3为本发明实施例执行“家政服务”综合任务时的机器人泛化能力评价指标结构框架图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1-3所示,一种机器人泛化能力评价方法,包括如下步骤:
S1、采用模糊综合评价法建立机器人泛化能力评价模型;
在优选实施例中,机器人泛化能力评价模型包括:
***层A:用于对服务机器人执行复杂任务的综合泛化能力进行评价;
任务层B:包括复杂任务分解成的多个子任务,用于对各个子任务的泛化能力进行评价;
指标层C:用于对各个子任务的智能行为进行评价。
在优选实施例中,步骤S1中,建立机器人泛化能力评价模型具体包括:
建立综合性复杂任务的各个子任务的评价指标集,评价指标集={环境感知能力、状态稳定性、交互体验感、任务满意度、安全性、自主性、有效性、友好性};
S2、对各个子任务的评价指标分别进行评价,根据评价结果,得到各个子任务关联的指标层指标模糊评价矩阵R(第一个子任务关联的指标层指标模糊评价矩阵为R1,依次类推);
在优选实施例中,步骤S2中,对各个子任务的评价指标分别进行评价具体包括:
建立等级评价集,等级评价集Y={好,较好,一般,较差,差};
使用等极评价对各个子任务的评价指标分别进行评价;
根据各个子任务的评价指标的等极评价的占比,得到各个子任务的等级的隶属度,形成与各个子任务关联的指标层指标模糊评价矩阵R。
S3、基于层次分析法,确定指标层的各个评价指标的权重W;
然后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重W,确定子任务的泛化能力评价结果B;
在优选实施例中,步骤S3中,确定指标层C中的各个评价指标相对于任务层B的权重具体包括以下步骤:
构造指标层两两指标重要性对比判断矩阵;
然后,将指标层两两指标重要性对比判断矩阵按列进行归一化处理,再将每行求和除以矩阵的阶数n,得到每个指标层指标相对于任务层指标的权重值,即指标层的各个评价指标的权重W;
计算CR的值,从而根据计算得到的CR值进行一致性评价,判断是否通过一致性评价。CR值的计算公式:
其中,n为判断矩阵的阶数,λmax为判断矩阵的最大特征值,RIn为随机一致性指标。
在优选实施例中,判断是否通过一致性评价具体包括:若CR<0.1,则通过一致性检验,即说明指标权重值W符合经验,否则,重新构造判断矩阵,直到通过一致性为止。
最后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重W,确定子任务的泛化能力评价结果B;
S4、根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量O;
在优选实施例中,任务困难度e的取值范围为0~1,场景复杂度m的取值范围为0~1,综合难度值o为子任务分配任务困难度e和子任务场景复杂度m的乘积。
S5、根据子任务的泛化能力评价结果B和子任务的泛化能力的权重向量O进行计算,得出***层的泛化能力评估的综合得分值。
下面,将以数字孪生家政服务机器人进行“家政服务”这一***层综合性的复杂任务,对机器人的行为泛化能力评价做具体说明:
步骤S1、首先,建立多层次的泛化能力评价指标体系。
“家政服务”作为一个综合性较强的复杂任务,通常可分为“定时消毒B1”、“夜间巡检”、“地面清扫”和“情感陪护”四个子任务,交由不同的机器人个体完成。将泛化能力评价指标体系分为***层A、任务层B和指标层C三层。
***层A为整个机器人***“家政服务”泛化能力的综合泛化能力评价。
任务层B包含复杂任务分解成的各个子任务的泛化能力评价,本示例中包含定时消毒、夜间巡检、地面清扫和情感陪护四个子任务,其中,分别对四个子任务进行相应的标记:定时消毒B1、夜间巡检B2、地面清扫B3和情感陪护B4。
指标层C中,各个子任务的智能行为评价指标包括环境感知能力、状态稳定性、交互体验感、任务满意度、安全性、自主性、有效性、友好性;同样的,分别对八个评价指标进行相应的标记:环境感知能力C1、状态稳定性C2、交互体验感C3、任务满意度C4、安全性C5、自主性C6C6、有效性C7、友好性C8。
步骤S2、获得得各个子任务关联的指标层指标模糊评价矩阵R1
建立综合任务和子任务评价指标的评语集,评语集包括好、较好、一般、较差、差。
建立评语集:
对每个评价指标分为“好,较好,一般,较差,差”五个等级,确定评价集Y={好,较好,一般,较差,差}。
建立模糊评价隶属度矩阵:
邀请专家和用户组成评价组(或者,仅由专家组成的评价组),评价组内成员使用等级评价对每一个指标层的评价指标分别进行评价,统计得到模糊评价隶属度矩阵。例如,对于子任务定时消毒B1的环境感知能力C1进行评价,评价组内有50%的组员认为“好”,30%认为“较好”,10%认为“一般”,10%认为“较差”,0%认为“差”,则C11各等级的隶属度为(0.5,0.3,0.1,0.1,0)。
类似可得子任务“定时消毒”B1关联的指标层指标模糊评价矩阵R1如下:
步骤S3:基于AHP(层次分析法),确定指标层C中的各个评价指标相对于任务层B的权重(即确定指标层的各个评价指标的权重)。
S301、构造重要性对比判断矩阵:
按照附图2所示的分层结构,将指标层C中的指标两两相比较,构造两两指标重要性对比判断矩阵。相对重要性的值可以用数字1~9和他们的倒数表示,1表示同等重要,数值越大,表示指标i相对于指标j的重要性越高。
由于各个子任务的侧重点不同,因此指标层中各指标相对于不同的任务,其重要性也有所不同。下面以子任务定时消毒B1为例,介绍判断矩阵的构造和权重计算过程。
表1子任务B1的指标层指标判断矩阵
B<sub>1</sub> | C<sub>1</sub> | C<sub>2</sub> | C<sub>3</sub> | C<sub>4</sub> | C<sub>5</sub> | C<sub>6</sub> | C<sub>7</sub> | C<sub>8</sub> |
C<sub>1</sub> | 1 | 1 | 4 | 4 | 1 | 1 | 1 | 2 |
C<sub>2</sub> | 1 | 1 | 4 | 3 | 1 | 1 | 1 | 2 |
C<sub>3</sub> | 1/4 | 1/4 | 1 | 1 | 1/5 | 1/4 | 1/4 | 1/2 |
C<sub>4</sub> | 1/4 | 1/3 | 1 | 1 | 1/4 | 1/3 | 1/4 | 1/3 |
C<sub>5</sub> | 1 | 1 | 5 | 4 | 1 | 1 | 1 | 2 |
C<sub>6</sub> | 1 | 1 | 4 | 3 | 1 | 1 | 1 | 2 |
C<sub>7</sub> | 1 | 1 | 4 | 4 | 1 | 1 | 1 | 2 |
C<sub>8</sub> | 1/2 | 1/2 | 3 | 2 | 1/2 | 1/2 | 1/2 | 1 |
S302、指标层各个指标权重的计算:
将判断矩阵各列进行归一化处理,再每行相加取均值,得到每个指标相对于高层及指标的权重值。
其中相对于任务B1的判断矩阵按列归一化后如表2所示。
表2任务B1的指标层指标判断矩阵按列归一化
B<sub>1</sub> | C<sub>1</sub> | C<sub>2</sub> | C<sub>3</sub> | C<sub>4</sub> | C<sub>5</sub> | C<sub>6</sub> | C<sub>7</sub> | C<sub>8</sub> |
C<sub>1</sub> | 1/6 | 12/73 | 2/13 | 2/11 | 20/119 | 12/73 | 1/6 | 12/71 |
C<sub>2</sub> | 1/6 | 12/73 | 2/13 | 3/22 | 20/119 | 12/73 | 1/6 | 12/71 |
C<sub>3</sub> | 1/24 | 3/72 | 1/26 | 1/22 | 4/119 | 3/72 | 1/24 | 3/71 |
C<sub>4</sub> | 1/24 | 4/73 | 1/26 | 1/22 | 5/119 | 4/73 | 1/24 | 2/71 |
C<sub>5</sub> | 1/6 | 12/73 | 5/26 | 2/11 | 20/119 | 12/73 | 1/6 | 12/71 |
C<sub>6</sub> | 1/6 | 12/73 | 2/13 | 3/22 | 20/119 | 12/73 | 1/6 | 12/71 |
C<sub>7</sub> | 1/6 | 12/73 | 2/13 | 2/11 | 20/119 | 12/73 | 1/6 | 12/71 |
C<sub>8</sub> | 1/12 | 6/73 | 3/26 | 1/11 | 10/119 | 6/73 | 1/12 | 6/71 |
上述表格中,对每一行相加取均值计算得出所有指标相对于子任务B1的权重值如下:
C1=0.167,C2=0.161,C3=0.041,C4=0.043,C5=0.172,C6=0.161,C7=0.167,C8=0.088。S303、一致性检验:
为排除主观经验对判断矩阵的影响,还需要进行一致性检验,验证上面得到的权重值是否合理:
根据n的不同,RIn可以取不同的值。计算CR进行一致性检验,若CR<0.1,则一致性检验通过,否则,需进入步骤S301重新构造判断矩阵。
B1关联的低层级指标判断矩阵的最大特征值λmax=8.0371,n=8,RIn=1.41,CR=0.00376<0.1,一致性检验通过。
篇幅限制,计算指标层指标相对于子任务夜间巡检B2、地面清扫B3和情感陪护B4的权重的过程这里不再一一赘述。
按照上述获得子任务“定时消毒”B1的权重值一样的方法,可得到:所有指标相对于子任务“夜间巡检”B2的权重值如下:
C1=0.167,C2=0.161,C3=0.041,C4=0.043,C5=0.172,C6=0.161,C7=0.167,C8=0.088。
所有指标相对于子任务“地面清扫”B3的权重值如下:C1=0.167,C2=0.161,C3=0.041,C4=0.043,C5=0.172,C6=0.161,C7=0.167,C8=0.088。
所有指标相对于子任务“情感陪护”B4的权重值如下:C1=0.045,C2=0.095,C3=0.238,C4=0.143,C5=0.049,C6=0.096,C7=0.142,C8=0.192。
步骤S4:根据任务困难度e和场景复杂度m,确定任务级指标相对于***级权重值。具体步骤如下:
步骤S401、任务困难度e的取值范围为0~1,e越大表示任务越复杂困难。场景复杂度m的取值范围为0~1,m越大表示执行任务的场景复杂度越高。对任务层每个子任务分配任务困难度e和场景复杂度m,将两者相乘得到该子任务的综合难度值o。
步骤S402对任务级所有任务的综合难度值o进行归一化处理,得到各个任务相对于***级的权重值。
表3任务层各子任务相对***级的权重
子任务 | 任务困难度e | 场景复杂度m | 综合难度值o | 权重值 |
定时消毒B<sub>1</sub> | 0.6 | 0.5 | 0.3 | 0.18 |
夜间巡检B<sub>2</sub> | 0.7 | 0.8 | 0.56 | 0.34 |
地面清扫B<sub>3</sub> | 0.8 | 0.7 | 0.56 | 0.34 |
情感陪护B<sub>4</sub> | 0.6 | 0.4 | 0.24 | 0.14 |
步骤S5:***级泛化能力的模糊综合评价
S501、根据指标层各个指标权重向量W,进行综合评价(根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重W,确定子任务的泛化能力评价结果)。子任务“定时消毒”B1的泛化能力评价结果如下:
W1=(0.167 0.161 0.041 0.043 0.172 0.161 0.167 0.0088)
B1=W1·R1=(0.158 0.535 0.286 0.021 0)
按照与上述同样的步骤,可以得到子任务“夜间巡检”B2的泛化能力评价结果如下:
B2=(0.078 0.643 0.279 0 0)
子任务“地面清扫”B3的泛化能力评价结果如下:
B3=(0.132 0.454 0.281 0.133 0)
子任务“情感陪护”B4的泛化能力评价结果如下:
B4=(0 0.314 0.522 0.116 0.048)
S502、根据步骤S4中得到的各个子任务的权重向量O,以及子任务的泛化能力评价结果B,计算***层的泛化能力综合评价结果(即得出***层的泛化能力评估的综合得分值):
O=(0.18 0.34 0.34 0.14),
因此,根据模糊评价最大隶属度原则,得出家政服务机器人数字孪生***的泛化能力最终评价结果为“较好”。
另外,还提供一种机器人泛化能力评价***,泛化能力评价模型模块:用于采用模糊综合评价法建立机器人泛化能力评价模型;
模糊评价模块:用于对各个子任务的评价指标分别进行评价,根据评价结果,得到各个子任务关联的指标层指标模糊评价矩阵R;
层次分析模块:用于基于层次分析法,确定指标层的各个评价指标的权重W;然后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重W,确定子任务的泛化能力评价结果B;
综合评估模块:用于根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量O;并且,根据子任务的泛化能力评价结果和子任务的泛化能力的权重向量进行计算,得出***层的泛化能力评估的综合得分值。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种机器人泛化能力评价方法,其特征在于,包括如下步骤:
S1、采用模糊综合评价法建立机器人泛化能力评价模型;
S2、对各个子任务的评价指标分别进行评价,根据评价结果得到各个子任务关联的指标层指标模糊评价矩阵;
S3、基于层次分析法,确定指标层的各个评价指标的权重;
然后,根据指标层指标模糊评价矩阵和指标层的各个评价指标的权重,确定子任务的泛化能力评价结果;
S4、根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量;
S5、根据子任务的泛化能力评价结果和子任务的泛化能力的权重向量进行计算,得出***层的泛化能力评估的综合得分值。
2.如权利要求1所述的方法,其特征在于,步骤S1中,机器人泛化能力评价模型包括:
***层:用于对服务机器人执行复杂任务的综合泛化能力进行评价;
任务层:包括复杂任务分解成的多个子任务,用于对各个子任务的泛化能力进行评价;
指标层:用于对各个子任务的智能行为进行评价。
3.如权利要求2所述的方法,其特征在于,步骤S1中,建立机器人泛化能力评价模型具体包括:
建立综合任务的各个子任务的评价指标集,评价指标集包括环境感知能力、状态稳定性、交互体验感、任务满意度、安全性、自主性、有效性、友好性;
建立综合任务和子任务评价指标的评语集,评语集包括好、较好、一般、较差、差。
4.如权利要求2所述的方法,其特征在于,步骤S2中,对各个子任务的评价指标分别进行评价具体包括:
建立等级评价集,等级评价集Y={好,较好,一般,较差,差};
评价组成员使用等极评价对各个子任务的评价指标分别进行评价;
统计各个子任务的评价指标的等极评价的占比,得到各个子任务的等级的隶属度,形成与各个子任务关联的指标层指标模糊评价隶属度矩阵。
5.如权利要求1所述的方法,其特征在于,步骤S3中,确定指标层中的各个评价指标相对于任务层的权重具体包括以下步骤:
构造指标层两两指标重要性对比判断矩阵;
将指标层两两指标重要性对比判断矩阵按列进行归一化处理,再将每行求和除以矩阵的阶数n,得到每个指标层指标相对于任务层指标的权重值,即指标层的各个评价指标的权重;
计算CR的值,从而根据计算得到的CR值进行一致性评价,判断是否通过一致性评价;
最后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重W,确定子任务的泛化能力评价结果。
6.如权利要求5所述的方法,其特征在于,判断是否通过一致性评价具体包括:若CR<0.1,则通过一致性检验,否则,需重新构造判断矩阵,并进行一致性检验。
7.如权利要求1所述的方法,其特征在于,任务困难度e的取值范围为0~1,场景复杂度m的取值范围为0~1,综合难度值o为子任务分配任务困难度e和子任务场景复杂度m的乘积。
8.一种机器人泛化能力评价***,其特征在于,包括:
泛化能力评价模型模块:用于采用模糊综合评价法建立机器人泛化能力评价模型;
模糊评价模块:用于对各个子任务的评价指标分别进行评价,根据评价结果,得到各个子任务关联的指标层指标模糊评价矩阵;
层次分析模块:用于基于层次分析法,确定指标层的各个评价指标的权重;然后,根据指标层指标模糊评价矩阵R和指标层的各个评价指标的权重,确定子任务的泛化能力评价结果;
综合评估模块:用于根据任务困难度e和场景复杂度m,得到综合难度值o,将综合难度值o进行归一化处理,得到子任务的泛化能力的权重向量;并且,根据子任务的泛化能力评价结果和子任务的泛化能力的权重向量进行计算,得出***层的泛化能力评估的综合得分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399184.4A CN115741782B (zh) | 2022-11-09 | 2022-11-09 | 一种机器人泛化能力评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399184.4A CN115741782B (zh) | 2022-11-09 | 2022-11-09 | 一种机器人泛化能力评价方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115741782A true CN115741782A (zh) | 2023-03-07 |
CN115741782B CN115741782B (zh) | 2024-07-02 |
Family
ID=85369856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211399184.4A Active CN115741782B (zh) | 2022-11-09 | 2022-11-09 | 一种机器人泛化能力评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115741782B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06266689A (ja) * | 1993-03-15 | 1994-09-22 | Mazda Motor Corp | 神経回路網の構成方法,学習方法及び汎化能力評価方法 |
JPH0954764A (ja) * | 1995-08-15 | 1997-02-25 | Fujitsu Ltd | モデルの汎化能力評価方法 |
CN108791491A (zh) * | 2018-06-12 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于自评价学习的车辆侧向跟踪控制方法 |
CN109063976A (zh) * | 2018-07-12 | 2018-12-21 | 李振轩 | 基于模糊层次分析法的智能制造能力成熟度评价方法 |
CN112836754A (zh) * | 2021-02-05 | 2021-05-25 | 方玉明 | 一种面向图像描述模型泛化能力评估方法 |
CN114372682A (zh) * | 2021-12-27 | 2022-04-19 | 清华大学合肥公共安全研究院 | 基于ahp-模糊综合评价的消防服环境适应性评估方法及*** |
CN114450131A (zh) * | 2019-09-30 | 2022-05-06 | 三菱电机株式会社 | 机器人***的无导数模型学习***及设计 |
-
2022
- 2022-11-09 CN CN202211399184.4A patent/CN115741782B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06266689A (ja) * | 1993-03-15 | 1994-09-22 | Mazda Motor Corp | 神経回路網の構成方法,学習方法及び汎化能力評価方法 |
JPH0954764A (ja) * | 1995-08-15 | 1997-02-25 | Fujitsu Ltd | モデルの汎化能力評価方法 |
CN108791491A (zh) * | 2018-06-12 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于自评价学习的车辆侧向跟踪控制方法 |
CN109063976A (zh) * | 2018-07-12 | 2018-12-21 | 李振轩 | 基于模糊层次分析法的智能制造能力成熟度评价方法 |
CN114450131A (zh) * | 2019-09-30 | 2022-05-06 | 三菱电机株式会社 | 机器人***的无导数模型学习***及设计 |
CN112836754A (zh) * | 2021-02-05 | 2021-05-25 | 方玉明 | 一种面向图像描述模型泛化能力评估方法 |
CN114372682A (zh) * | 2021-12-27 | 2022-04-19 | 清华大学合肥公共安全研究院 | 基于ahp-模糊综合评价的消防服环境适应性评估方法及*** |
Non-Patent Citations (2)
Title |
---|
刘伊玲;刘秀;: "模糊综合评价法在电力客户中的应用", 云南电力技术, no. 04, 15 August 2015 (2015-08-15) * |
陶杰;章国宝;黄永明;万林;: "基于模糊综合评价的电梯安全运行状态评估", 河南理工大学学报(自然科学版), no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN115741782B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Faramarzi et al. | Equilibrium optimizer: A novel optimization algorithm | |
Lin et al. | Dynamic multi-attribute decision making model with grey number evaluations | |
Nasab et al. | Finding a probabilistic approach to analyze lean manufacturing | |
Garg | A hybrid GA-GSA algorithm for optimizing the performance of an industrial system by utilizing uncertain data | |
CN103218689B (zh) | 操作员状态评估的可靠性分析方法及装置 | |
CN103226566B (zh) | 用于优化小组的***和方法 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN113326863B (zh) | 建筑结构健康状况检测方法、***及修缮方案确定方法 | |
CN106934242A (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及*** | |
CN117075582A (zh) | 一种基于dsecmr-vae的工业过程广义零样本故障诊断方法 | |
Myšiak | Consistency of the results of different MCA methods: a critical review | |
Dominguez-Catena et al. | Assessing demographic bias transfer from dataset to model: A case study in facial expression recognition | |
JPH0736847A (ja) | 人工知能における学習・推論方法および装置 | |
CN115741782A (zh) | 一种机器人泛化能力评价方法及*** | |
Jamshidi et al. | Neural network based human reliability analysis method in production systems | |
Zhang et al. | Hierarchic entropy: An information theoretic measure of evolutionary robotic behavioral diversity | |
CN115890738B (zh) | 一种机器人迁移能力评价方法及*** | |
Panning | Blockmodels: From relations to configurations | |
Hidayat et al. | Sensitivity Analysis of Decision Support Systems for Selection of Achievement Students Using the TOPSIS Method | |
Thelagathoti et al. | A Correlation Network Model for Analyzing Mobility Data in Depression Related Studies. | |
CN101464980A (zh) | 公共品投资实验仿真***及实现方法 | |
Geng et al. | Noise-Filtering Enhanced Deep Cognitive Diagnosis Model for Latent Skill Discovering. | |
Yampolskiy et al. | Resource awareness in computational intelligence | |
Kinsner et al. | IEEE ICCI* CC Series in Year 20: Latest Advances in Cognitive Computing (Plenary Panel Report-II) | |
Candellone et al. | Community detection in bipartite signed networks is highly dependent on parameter choice |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |