(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210961008.9 (22)申请日 2022.08.11 (71)申请人 之江实验室 地址 311100 浙江省杭州市余杭区中泰街 道之江实验室南湖总部 (72)发明人 周元海　朱佳凯　宋伟　朱世强　 龙沁沁　任杰　穆宗昊　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 陈洁 (51)Int.Cl. G05D 1/02(2020.01) G06F 16/36(2019.01) (54)发明名称 一种基于状态知识图谱的机器人自主行为 驱动方法 (57)摘要 本发明属于人工智能机器人任务行为规划、 知识图谱技术领域， 一种基于状态知识图谱的机 器人自主行为驱动方法， 包括如下步骤： 步骤1： 构建任务组知识图谱； 步骤2： 构建三元组知识图 谱； 步骤3： 构建状态知识图谱； 步骤4： 设计决策 和驱动方法； 步骤5： 设计任务决策闭环控制系 统。 本发明方法使用知识图谱和动态感知系统， 生成一种自动的机器人行为 驱动方法。 使用该方 案能够将机器人的任意行为与动态感知系统结 合起来， 该结合过程不需要 过多的人为编辑和干 预， 作为技术使用方， 只需要进行设置状态的阈 值和期望附着状态， 即可以完成对机器人行为的 自主控制。 权利要求书3页 说明书7页 附图3页 CN 115328129 A 2022.11.11 CN 115328129 A 1.一种基于状态知识图谱的机器人自主行为驱动方法， 其特 征在于， 包括如下步骤： 步骤1： 构建任务组知识图谱； 步骤2： 构建三元组知识图谱； 步骤3： 构建状态知识图谱； 步骤4： 设计决策和驱动方法： 步骤4.1： 将感知信息转 化为一种空间曲面分布； 步骤4.2： 设计一种由感知到状态变化的方法， 使用该方法让感知信息按照知识图谱的 描述， 转化为形成一种知识 表征的算法； 步骤5： 设计任务决策闭环控制系统。 2.根据权利要求1所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤1包括如下 具体步骤： 将任务知识 节点分类为两个种类： 基本任务动作节点和任务节点； 对于动作节点， 其中的参数有name、 motionId、 dsp、 weight、 vars、 collection， 分别表 示任务名称动作执 行原语ID、 动作情景描述信息、 动作权 重、 参数变量表、 作为 集合判定； 对于任务节点， 其中参数有name、 collection、 weight， 分别表示节点名称、 集合判定、 权重。 3.根据权利要求1所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤2包括如下 具体步骤： 构造一个节点， 节点由名词构成， 包含名词特征 features列表； 节点之间关系为及物动 词节点vt， 表示源节点source通过动作vt作用到target节点； 可以出现环路； 再次， 根据环 境变化构建场景中人、 物的实时追踪信息 。 4.根据权利要求1所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤3包括如下 具体步骤： 状态知识图谱的节点表示两个相对的状态， 边为有向边， 表示状态之间发生转移 的动 作， 状态之间发生转移动作必须要与任务知识中的节点对应， 状态知识必须要提供感知信 息的获取方式和由感知到状态变化的算法， 通过这样的计算将实时的环境信息改变反馈到 场景改变。 5.根据权利要求4所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤3的状态知识的定义如下， 一个状态知识的知识节点记作S， 状态间的关系计算R； 其中S记录一个状态符号， R记录一个动作或者任务， 由两个S节点和一个有向R构成一个三 元组， 记作S1 –R‑>S2， 通过记录这样的三元组， 构成集 合{S1–R‑>S2}， 记作状态知识图谱。 6.根据权利要求1所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤4.1包括如下 具体步骤： 步骤4.1.1： 从知识库中取出采样点， 获得该种曲面分布的特殊值， 然后使用基础二次 函数进行插值， 形成一个特定的曲面， 该曲面必须是一个凸曲面， 该曲面认为是一个条件决 策空间； 步骤4.1.2： 获取实例化的目标在场景中的位置， 然后将其曲面中心(0,0)点置于该物 体在场景中的位置； 步骤4.1.3： 在场景中出现一个分布曲面， 该曲面认为是由状态向整体环境的影响。权　利　要　求　书 1/3 页 2 CN 115328129 A 27.根据权利要求1所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤4.2包括如下 具体步骤： 步骤4.2.1： 对于任意的感知， 在感知层面进行分类， 依托不同的状态识别算法， 归类到 状态知识图谱中对应的状态描述， 然后附加到对应场景的实例； 步骤4.2.2： 实例的强度由感知给出， 记作f， 周边形成的状态分布由状态知识和感知实 时计算得 出， 曲面将给 出每个空间分布点的状态， 表示 为以下： f＝F(x,y,z) 步骤4.2.3： 相同状态的曲面可以在空间中进行叠加， 这样相对于任意一个点出现决策 时将会获得一个标量的状态， 该标量从机器人所在位置作为另个一个标量， 即可认为存在 一个向量， 该向量指出了 机器人受到该状态的影响和状态作用到 机器人的强度： fsum＝∑F(x,y,z)。 8.根据权利要求1所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤5包括如下 具体步骤： 步骤5.1： 对于一个在预制集合中的状态s， 在场景中的状态曲面中搜索 该状态的表达， 如果不存在该状态， 那么则不进行任何 处理； 步骤5.2： 如果存在该状态s的实例， 那么计算该状态s对机器人的影响， 如果该状态s不 是处在一个极值状态， 那么机器人就会生成这样的决策， 使得当前状态s朝着预制状态改 变； 步骤5.3： 同时， 在知识库中可以查询到所有可以使得状态s朝着预制状态改变的事件， 该事件将会作为主任务触发自主决策； 步骤5.4： 在自主决策时， 当出现任务选择， 则使用知识库搜索状态， 获取到该状态在场 景中是否存在实例， 如果该状态在场景中存在实例， 那么该状态曲面在空间中的分布将会 影响到机器人当前的决策。 9.根据权利要求8所述的基于状态知识图谱的机器人自主行为驱动方法， 其特征在于， 所述步骤5影响决策的步骤包括类型一： 机器人对并发任务的选择和类型二： 状态变化触发 机器人行为； 所述类型一： 机器人对并发任务的选择包括： 对于机器人执行任务时， 同时收到多个任务， 每个任务记作Task， 那么由此时并发的任 务构成一个集 合{Task}； 即机器人的任务分解过程： 将task进行分解和展开， ， 形成一个task树， 记作Tree ‑ task， 对于场景中的状态 集合， 如果某一个状态与task形成一个 关联， 那么该状态 就对当前 task的执行产生影响， 如果该t ask的父节点依存于条件的选择， 那么就使用当前机器人在 该位置的状态强度作为该任务task的选择权 重， 记作 W＝F(x1,y1,z1) 那么， 在该任务树上将会有更多的task呈现这种状态， 这些task， 构成一个集合， 该集 合中所有task都可以根据F(x1,y1,z1)计算得出一个权重， 将 权重加权， 得出任务树对 该状 态在位置的总体权 重Ws， 总体权重在进行任务选择时进行； 所述类型二： 状态变化触发机器人 行为包括： 对于机器人处于静滞状态时， 对于周边的一个或多个状态改变， 机器人能够基于场景权　利　要　求　书 2/3 页 3 CN 115328129 A 3