一種飛行陪伴機器人控制方法及裝置與流程

本發明涉及電子技術領域，尤其涉及一種飛行陪伴機器人控制方法及裝置。

背景技術：

隨著智能手機產品的普及以及手機功能的豐富，現代人們對手機的依賴會愈加強烈，隨之而來的負面影響就是造成了嚴重的用眼過度，很難想象長此以往發展下去，未來十年、二十年、三十年后，人類的眼睛將是一個怎樣的狀況，因此如何能夠幫助人們擺脫對手機的依賴成為一個迫在眉睫的研究課題。

隨著智能機器人應用領域的擴大，人們期望機器人可以在更多領域為人類服務，現階段我國機器人行業也是群雄并起、如火如荼，在人機交互、大數據建立以及深度學習等方面技術已經走在了世界同行業的前列，可以說智能機器人行業應該是中國實現彎道超車的重要抓手，因此國家在這方面正在不斷的加大投資和政策傾斜力度。

現階段獲得專利的陪伴機器人大多是利用雙腿行走或者是輪式以及履帶式行走機構實現運動的，這類機器人大多體積龐大，行動緩慢，靈活性較低，因此對使用環境的要求就會比較高，成本也居高不下，造成了智能機器人普及率還比較低的現實情況。

另外，現有的智能機器人的學習效率較低，不能滿足人們的陪伴需求。

技術實現要素：

本發明旨在解決上述問題之一。

本發明的主要目的在于提供一種飛行陪伴機器人控制方法；

本發明的另一目的在于提供一種飛行陪伴機器人控制裝置。

為達到上述目的，本發明的技術方案具體是這樣實現的：

本發明一方面提供了一種飛行陪伴機器人控制方法，包括：建立蜂巢層級神經網絡系統，蜂巢層級神經網絡系統至少包括底層蜂巢神經網絡、中層蜂巢神經網絡以及高層蜂巢神經網絡，每層蜂巢神經網絡包括多個蜂巢單元，每個蜂巢單元組成一個指令應答模塊，包括六個單元壁，每個蜂巢單元根據互不相同的信息源通過六個單元壁獲取輸入信息，其中，六個單元壁對應六條信息源，每個單元壁對應的信息源互不相同，六條信息源分別為六個信息條件，六個信息條件包括：環境、大數據、云平臺、應用市場、情緒分析和信息提存；接收指令，判斷指令是自主動作還是指令動作；如果是自主動作，根據蜂巢層級神經網絡系統存儲的預設應答模式控制飛行陪伴機器人對指令進行響應；如果是指令動作，對指令進行指令意圖分析，將指令意圖分析結果融合到中層蜂巢神經網絡的加權系數中，并對指令進行字段分析，將字段分析結果輸入底層蜂巢神經網絡輔助信息采集，根據第三結果控制飛行陪伴機器人對指令進行響應；其中，第三結果通過如下方式獲得：底層蜂巢神經網絡根據指令結合字段分析結果以蜂巢單元為單位按照各自的信號采集路徑和采集方式采集輸入信息，組合成以底層蜂巢單元為單位的底層指令應答模塊，將每個蜂巢單元采集的輸入信號進行整合形成底層蜂巢單元信息總和值數據，將底層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第一結果輸出到中層蜂巢神經網絡；中層蜂巢神經網絡結合指令意圖分析結果對第一結果中的每個底層蜂巢單元中的每一個信息數據增加不同的加權系數并進行整合形成中層蜂巢單元信息總和值數據，將中層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第二結果輸出到高層蜂巢神經網絡；高層蜂巢神經網絡將第二結果中的每個中層蜂巢單元中的數據根據預設分析方式進行分析，選取理想的蜂巢單元中的數據代入激勵函數進行運算并輸出第三結果。

此外，第三結果通過如下公式計算：

oj＝f(f(f(xai+xbi+yai+ybi+zai+zbi)+(xan+xbn+yan+ybn+zan+zbn)wij)

+xaj+xbj+yaj+ybj+zaj+zbj)

其中，xai、xbi、yai、ybi、zai、zbi表示底蜂巢層神經網絡的各個輸入，xan、xbn、yan、ybn、zan、zbn表示中層蜂巢神經網絡的各個輸入，wij為加權系數，xaj、xbj、yaj、ybj、zaj、zbj表示高層蜂巢神經網絡的各個輸入，f(·)為激勵函數。

此外，接收指令包括：通過傳感器接收多模態的輸入信號，對輸入信號進行模數轉換，得到指令。

此外，如果是自主動作，且缺少輔助動作執行的參數，則請求補充指令中的參數，重新執行接收指令的操作。

此外，如果是指令動作，且根據第三結果不能對指令提出執行方案，則請求用戶補充指令中的參數，重新執行接收指令的操作。

此外，方法還包括：對指令以及第三結果進行存儲。

本發明另一方面還提供了一種飛行陪伴機器人控制裝置，包括：建立模塊，用于建立蜂巢層級神經網絡系統，蜂巢層級神經網絡系統至少包括底層蜂巢神經網絡、中層蜂巢神經網絡以及高層蜂巢神經網絡，每層蜂巢神經網絡包括多個蜂巢單元，每個蜂巢單元組成一個指令應答模塊，包括六個單元壁，每個蜂巢單元根據互不相同的信息源通過六個單元壁獲取輸入信息，其中，六個單元壁對應六條信息源，每個單元壁對應的信息源互不相同，六條信息源分別為六個信息條件，六個信息條件包括：環境、大數據、云平臺、應用市場、情緒分析和信息提存；接收模塊，接收指令，判斷指令是自主動作還是指令動作；第一響應模塊，用于在指令是自主動作時，根據蜂巢層級神經網絡系統存儲的預設應答模式控制飛行陪伴機器人對指令進行響應；第二響應模塊，用于在指令是指令動作時，對指令進行指令意圖分析，將指令意圖分析結果融合到中層蜂巢神經網絡的加權系數中，并對指令進行字段分析，將字段分析結果輸入底層蜂巢神經網絡輔助信息采集；根據第三結果控制飛行陪伴機器人對指令進行響應；其中，第三結果通過如下方式獲得：底層蜂巢神經網絡根據指令結合字段分析結果以蜂巢單元為單位按照各自的信號采集路徑和采集方式采集輸入信息，組合成以底層蜂巢單元為單位的底層指令應答模塊，將每個蜂巢單元采集的輸入信號進行整合形成底層蜂巢單元信息總和值數據，將底層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第一結果輸出到中層蜂巢神經網絡；中層蜂巢神經網絡結合指令意圖分析結果對第一結果中的每個底層蜂巢單元中的每一個信息數據增加不同的加權系數并進行整合形成中層蜂巢單元信息總和值數據，將中層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第二結果輸出到高層蜂巢神經網絡；高層蜂巢神經網絡將第二結果中的每個中層蜂巢單元中的數據根據預設分析方式進行分析，選取理想的蜂巢單元中的數據代入激勵函數進行運算并輸出第三結果。

此外，第三結果通過如下公式計算：

oj＝f(f(f(xai+xbi+yai+ybi+zai+zbi)+(xan+xbn+yan+ybn+zan+zbn)wij)

+xaj+xbj+yaj+ybj+zaj+zbj)

其中，xai、xbi、yai、ybi、zai、zbi表示底蜂巢層神經網絡的各個輸入，xan、xbn、yan、ybn、zan、zbn表示中層蜂巢神經網絡的各個輸入，wij為加權系數，xaj、xbj、yaj、ybj、zaj、zbj表示高層蜂巢神經網絡的各個輸入，f(·)為激勵函數。

此外，接收模塊通過如下方式接收指令：通過傳感器接收多模態的輸入信號，對輸入信號進行模數轉換，得到指令。

此外，第一響應模塊，還用于在指令是自主動作，且缺少輔助動作執行的參數時，請求補充指令中的參數，指示接收模塊重新執行接收指令的操作。

此外，第二響應模塊，還用于在指令是指令動作，且根據第三結果不能對指令提出執行方案時，請求用戶補充指令中的參數，指示接收模塊重新執行接收指令的操作。

此外，裝置還包括：存儲模塊；存儲模塊，用于對指令以及第三結果進行存儲。

由上述本發明提供的技術方案可以看出，本發明提供的飛行陪伴機器人控制方法及裝置，其中蜂巢層級神經網絡系統將輔助機器人系統做出決策的所有信息源整合成六類條件，與蜂巢單元的六個單元壁一一對應，每一個單元壁代表一種類型的條件，系統依據指令要求按單元壁分類采集信息條件，系統將采集的各類信息進行分析和分配權重，并最終做出決策判斷。通過蜂巢層級神經網絡系統可以最大限度的采集各類相關信息，大數據、云平臺和應用市場為系統提供標準化、模塊化的參數信息；環境和情緒分析為系統提供更人性化、個性化的參數信息；信息提存為系統提供更加智能化和深度學習后的一類參數信息，該類信息增加了系統的智能化程度，使飛行陪伴機器人的思考方式更加接近于人類。蜂巢層級神經網絡系統兼顧了人機智能交互的可控性和智能性，既保證了系統可以按照預設的程序模式按圖索驥，又賦予了系統深度學習和思考的能力，結合場境因素，給予用戶最符合其氣質特征和心理需求的目標答案。

附圖說明

為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域的普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他附圖。

圖1為本發明實施例提供的飛行陪伴機器人的俯視圖；

圖2為本發明實施例提供的飛行陪伴機器人的主視圖；

圖3為本發明實施例提供的飛行陪伴機器人的仰視圖；

圖4為本發明實施例提供的飛行陪伴機器人控制方法的流程圖；

圖5為本發明實施例提供的蜂巢層級神經網絡的數學模型；

圖6為本發明實施例提供的飛行陪伴機器人控制裝置的結構示意圖。

具體實施方式

下面結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明的保護范圍。

在本發明的描述中，需要理解的是，術語“中心”、“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”、“內”、“外”等指示的方位或位置關系為基于附圖所示的方位或位置關系，僅是為了便于描述本發明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本發明的限制。此外，術語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或數量或位置。

在本發明的描述中，需要說明的是，除非另有明確的規定和限定，術語“安裝”、“相連”、“連接”應做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內部的連通。對于本領域的普通技術人員而言，可以具體情況理解上述術語在本發明中的具體含義。

下面將結合附圖對本發明實施例作進一步地詳細描述。

本發明實施例提供的飛行陪伴機器人，其可以設置為如圖1至圖3所示的結構，當然，還可以根據需要增加其他部件或者刪減部分部件，以下僅對本發明實施例提供的飛行陪伴機器人的結構進行簡要說明，但本發明并不局限于此，其他根據需要自行設定的增加或者刪減的結構均應屬于本發明的保護范圍。

參見圖1至圖3，本發明實施例提供的飛行陪伴機器人可以包括：球形艙1和基座2，球形艙1和基座2整體組合在一起可以呈飛碟形狀，球形艙1嵌在基座2內，可以依靠卡扣固定，當然也可以通過其他方式固定。

球形艙1內中間位置可以并排設置影像攝像模塊101(例如高清攝像頭)和第一紅外攝像模塊102(例如第一紅外攝像頭)，球形艙1的雙攝像頭中間還可以設置第一閃光燈103，球形艙1圓弧面下部分布內置天線104。

基座2上部可以設置為圓弧狀，底部為扁平的圓形平面，基座2的邊緣可以均勻分布四個超聲波模塊201(例如超聲波傳感器)，當然也可以根據需要設置為八個或者其他數量，這在本發明中并不做限制，本發明僅以四個為例進行說明。基座2上部圓弧面中間位置可以設置第一熱釋電紅外模塊202(例如第一熱釋電紅外傳感器)，基座2上部還設置慣性測量模塊203，可以包括陀螺儀傳感器2031和加速度傳感器2032，基座2上部還可以設置角度測量模塊204(例如角度傳感器)，基座2上部還可以設置溫度傳感器205，基座2上部還可以設置語音播放模塊206(例如音頻播放器)和聲學采集模塊207(例如聲學傳感器)，基座2上部圓弧面還可以設置指紋識別模塊208，基座2上部圓弧面靠近底面處還可以設置充電接口209和usb接口210等。

基座2底部中央可以設置紅外投影模塊211(例如紅外投影儀)，在基座底部接近紅外投影儀鏡頭處設置第二熱釋電紅外模塊212(例如第二熱釋電紅外傳感器)，基座2底部接近紅外投影儀鏡頭處還可以設置第二紅外攝像模塊213(例如小型的第二紅外攝像頭)，基座2底部紅外投影儀旁邊還可以設置第二閃光燈214。

基座2底部平面周邊可以均勻分布四個內嵌式旋翼215，當然也可以根據需要設置為八個或者其他數量，這在本發明中并不做限制，本發明僅以四個為例進行說明。基座2邊緣一周粘合環形橡膠護墊216，基座2底部對稱設置四個半球形實心橡膠護墊217，當然也可以根據需要設置為八個或者其他數量，這在本發明中并不做限制，本發明僅以四個為例進行說明。旋翼215外部有碳纖維護網218，防止旋翼傷手。基座2下部設兩組電機219，每組兩個，分別與四個旋翼215相連，通過電機控制器驅動旋翼飛行。

本發明實施例提供的飛行陪伴機器人基座底部周邊均勻分布的四個旋翼215為飛行陪伴機器人提供飛行動力，四個旋翼215處于一個高度平面，四個旋翼215結構和半徑完全相同，兩組電機219位于基座底部對稱兩側兩個旋翼中間，每組兩個電機219，通過電機控制器調節電機219轉速改變旋翼轉速，實現升力變化，從而控制飛行姿態和位置。四個旋翼215的兩個相對設置的旋翼逆時針旋轉，另外兩個相對設置的順時針旋轉，因此當飛行陪伴機器人平衡飛行時，陀螺效應和空氣動力扭矩效應均被抵消。飛行陪伴機器人通過調節四個旋翼215的旋轉方向和轉速實現垂直運動、俯仰運動、滾轉運動、偏航運動、前后運動和傾向運動。

基座2內下部的紅外投影儀兩側可以各設置一塊石墨烯基鋰離子電池220為飛行陪伴機器人提供電能。石墨烯基鋰離子電池儲電量高于普通鋰離子電池，充電速度快。

基座2外殼可以為碳纖維材質，球形艙1材質可以采用聚碳酸酯材質。

基座2內可以設置基于xilinx產品集成fpga(field-programmablegatearray，現場可編程門陣列)與arm(acornriscmachine，嵌入式微處理器)的片上系統(system-on-chip，soc)——zynq-7020為主控制單元。zynq-7020可以包括處理器系統(processorsystem，ps)與可編程邏輯(programmablelogic，pl)，其中ps可以基于armcortex-a9雙核處理器構建，而pl可以由xilinx的7系列fpga構成，可以使用verilog語言編程。飛行陪伴機器人可以使用ros(robotoperatingsystem，機器人操作系統)，系統可以集成機器人的人機交互模塊、傳感器數據采集模塊、視覺識別模塊、通訊模塊、拍攝模塊、無線網絡模塊、藍牙模塊、交互投影模塊、飛行控制模塊、導航模塊和翻譯模塊等功能模塊，負責人機交互、指令解析、行為控制、數據上傳等功能。為與ros通訊接口保持一致，可以使用ubuntu作為操作系統，運行于zynq的ps端arm處理器之中。

本發明實施例提供的飛行陪伴機器人可以依靠分布于基座2底部周邊的旋翼215飛行，處理器可以通過各種類型傳感器收集的信號指導飛行完成自主避障和各種飛行姿態以及各種指令任務。

本設計的飛行陪伴機器人體積小，行動靈活，攜帶方便，成本也大幅降低，因此該機器人更容易商業化和家庭普及。該機器人總體構造類似傳統意義上的飛碟形狀，上部的球形艙類似于飛碟的座艙，下部的蝶形基座類似于飛碟的船體部分，整體依靠四個旋翼實現飛行。機器人借助智能的控制系統和多傳感器的配合，可以為用戶提供人機交互、通訊、飛行拍攝、音視頻播放、獲取資訊、生活服務、安全陪護、導航、翻譯、游戲等服務，可以代替現在手機的絕大部分功能。

圖4示出了本發明實施例提供的飛行陪伴機器人控制方法，參見圖4，本發明實施例提供的飛行陪伴機器人控制方法，包括：

s401，建立蜂巢層級神經網絡系統(cellularhierarchicalneuralnetwork，chnn)，蜂巢層級神經網絡系統至少包括底層蜂巢神經網絡、中層蜂巢神經網絡以及高層蜂巢神經網絡，每層蜂巢神經網絡包括多個蜂巢單元，每個蜂巢單元組成一個指令應答模塊，包括六個單元壁，每個蜂巢單元根據互不相同的信息源通過六個單元壁獲取輸入信息，其中，六個單元壁對應六條信息源，每個單元壁對應的信息源互不相同，六條信息源分別為六個信息條件，六個信息條件包括：環境、大數據、云平臺、應用市場、情緒分析和信息提存。

具體地，本發明實施例可以將主控制單元分析判斷和決策的邏輯過程設計為蜂巢層級神經網絡系統，該系統模擬蜂巢結構特點建立數學模型，將輔助主控制單元判斷和決策的所有條件融合進蜂巢結構內。

本發明實施例提供的蜂巢層級神經網絡系統結構可以分為底層蜂巢神經網絡，中層蜂巢神經網絡和高層蜂巢神經網絡三層結構。具體地，蜂巢層級神經網絡系統按照六個信息條件方向輸入信息，每滿足六個條件的輸入就組成一個蜂巢單元，每一個蜂巢單元就是一個指令應答模塊，由多個蜂巢單元組合形成底層蜂巢神經網絡。在底層蜂巢神經網絡與中層蜂巢神經網絡之間沒有連接權，在底層蜂巢神經網絡向中層蜂巢神經網絡輸出的過程中每個蜂巢單元信息總和值數據要代入函數以決定輸出方式。中層蜂巢神經網絡對底層蜂巢單元輸入的每一條信息數據都加入相應的權系數，結合輸入意圖不同對權值進行調整，改善系統的行為。中層蜂巢神經網絡對加權后的蜂巢單元信息總和值數據再次代入函數并輸出高層蜂巢神經網絡。高層蜂巢神經網絡也不需要對輸入信息進行加權，但要對輸入信息進行記憶并且提取訓練樣本中的信息進行比對，同時將相應的期望輸出與中層蜂巢神經網絡輸出相比較，選取最為理想的蜂巢單元代入函數進行輸出。其中，底層蜂巢神經網絡向高層蜂巢神經網絡傳輸的過程中蜂巢單元數量是遞減的，通過加速收斂達到目的。

蜂巢層級神經網絡系統的基礎在于蜂巢單元，蜂巢單元以單元壁相互連接，每一個蜂巢單元的六個單元壁對應蜂巢層級神經網絡系統采集信息的六個來源，蜂巢層級神經網絡系統按照用戶指令要求以每一個蜂巢單元為一組采集信息，由于每相鄰兩個蜂巢單元共享一條信息單元壁，因此可以使信息既以組為單位集合，又彼此互聯互通，以為上層結構提取融合信息提供了方便。

蜂巢層級神經網絡系統將信息信號分為六大部分對應一個蜂巢單元的六個單元壁，分別是環境、大數據、云平臺、應用市場、情緒分析和信息提存。通過蜂巢層級神經網絡系統可以最大限度的采集各類輔助指令完成的相關信息，大數據、云平臺和應用市場為系統提供標準化、模塊化的參數信息，這是相對可控的一類信息；環境和情緒分析為系統提供更人性化、個性化的參數信息，這是條件可控的一類信息；信息提存為系統提供更加智能化和深度學習后的一類參數信息，這類信息一般由飛行陪伴機器人通過自主學習獲得，是相對不可控的一類信息，但是該類信息增加了系統的智能化程度，通過不斷的學習，使飛行陪伴機器人的思考方式更加接近于人類。蜂巢層級神經網絡系統兼顧了人機智能交互的可控性和智能性，既保證了系統可以按照預設的程序模式按圖索驥，又賦予了系統深度學習和思考的能力，結合場境因素，給予用戶最符合其氣質特征和心理需求的目標答案。

環境是指機器人所處的內外部情境要素的集合，主要由各類傳感器和攝像頭提供信息，蜂巢層級神經網絡系統對環境信息進行定位、判斷和選取；大數據是指蜂巢層級神經網絡系統通過互聯網針對用戶指令相關信息的模糊選取和收集；云平臺是指蜂巢層級神經網絡系統將所有同類型機器人信息系統上傳的資料整合后的平臺上選取的與指令相關的同質化信息數據的選取和收集；應用市場是蜂巢層級神經網絡系統后續自建的適應本類型機器人使用的應用程序軟件的集合；情緒分析是指蜂巢層級神經網絡系統通過視覺識別模塊對用戶表情、行為做出判斷的信息的采集和解讀；信息提存是指蜂巢層級神經網絡系統對歷史存儲信息和用戶習慣、個性化信息以及用戶語音模板的提取、匹配和存儲。

具體信息條件如下：

環境是指飛行陪伴機器人工作時所處的內外部情境要素的集合，主要依靠各類傳感器和攝像頭采集信息，環境信息主要分為可控和不可控信息，可控信息為可規劃或已存儲的室內外路徑路線信息，不可控信息包括室內外新增障礙信息，行人或者其他運動物體的位置變動信息，天氣變化信息等。另外蜂巢層級神經網絡系統會對用戶所處環境信息進行關聯考量，結合用戶前后使用環境的變化，對用戶情緒的影響做出預測性調整；

大數據是指蜂巢層級神經網絡系統通過互聯網針對用戶指令相關信息的模糊選取和收集。蜂巢層級神經網絡系統依據用戶指令要求通過搜索引擎在互聯網上檢索與指令要求相關的信息資源，通過數據挖掘算法對相關資源數據進行采集和提取，并將提取后的數據輸入蜂巢單元與其他信息一一匹配；

云平臺是指在飛行陪伴機器人支持平臺上建立的，為用戶提供云端計算、存儲、分析和應用支持服務的服務系統，它使用物理資源虛擬化技術，使飛行陪伴機器人支持平臺上運行的所有飛行陪伴機器人客戶間的資源實現共享。平臺為使用者提供虛擬存儲和計算服務，可以進一步提升飛行陪伴機器人的計算能力，云平臺可以為用戶提供云存儲管理，云通訊管理和云應用管理服務；

應用市場集成于飛行陪伴機器人支持平臺的云平臺之上，類似手機的應用軟件集合，像蘋果的appstore，但又不同于appstore，飛行陪伴機器人云平臺將組建應用程序網(applicationnetwork，an)，所有經過授權后的應用軟件全部集成到an中，用戶只需授權飛行陪伴機器人使用其中的某款app，飛行陪伴機器人就可以按照指令在云端an中打開并使用該app，并通過在平臺建立的賬戶存儲使用進度，應用市場集成第三方應用軟件，技術上通過云端虛擬化技術，實現多用戶共同分享應用軟件資源，通過云平臺共用計算和存儲資源，提高資源利用率，降低飛行陪伴機器人自身的計算和存儲壓力；

情緒分析是指蜂巢層級神經網絡系統通過視覺識別模塊對用戶表情、動作等做出解讀的信息的采集，他具體包括面部表情、行為動作、語音語調、體溫變化等。蜂巢層級神經網絡系統將數字化的各類情緒信號進行提取和分析，將各類情緒分類并映射到一些情緒狀態中，比如開心、驚訝、悲傷、緊張等，對用戶實時情緒跟蹤；

信息提存是飛行陪伴機器人通過不斷地訓練和學習，逐漸形成的對用戶認知的不斷完善過程，他通過對用戶語音語調、語言習慣、行為動作、生活習慣、以及其他個性化信息的不斷學習，可以不斷修正飛行陪伴機器人對用戶的個性認知，為蜂巢系統決策提供更符合用戶氣質特征和心理需求的參考數據。

s402，接收指令，判斷指令是自主動作還是指令動作；

飛行陪伴機器人的動作按照方式分類可以分為自主動作和指令動作。自主動作為機器人主控制單元初始程序設置的可以自主決策的行為。包括自主避障、自動充電和自動報警等。這些動作無需用戶指令即可自我決策，主要目的是為了保障機器人和用戶的自身安全和持續使用。指令動作為用戶主動發出的語音、圖像、動作等指令信號通過各種傳感器和攝像頭采集信息，傳送到主控制單元經過分析判斷和決策，做出符合用戶意圖的動作的過程。

作為本發明實施例的一個可選實施方式，接收指令可以包括：通過傳感器接收多模態的輸入信號，對輸入信號進行模數轉換，得到指令。由此，用戶可以通過語音等多種交互方式對飛行陪伴機器人進行指令的下達，方便用戶使用。

s403，如果是自主動作，根據蜂巢層級神經網絡系統存儲的預設應答模式控制飛行陪伴機器人對指令進行響應；

具體地，自主動作為機器人主控制單元初始程序設置的可以自主決策的行為，其可以是蜂巢層級神經網絡系統存儲的預設應答模式，由此在接收自主動作的指令后，直接根據存儲的預設應答模式控制飛行陪伴機器人的響應。

作為本發明實施例的一個可選實施方式，方法還包括：如果是自主動作，且缺少輔助動作執行的參數，則請求補充指令中的參數，重新執行接收指令的操作。例如：飛行陪伴機器人接收系統電力不足需要尋找電源充電的指令，判斷為自主動作并開始自行尋找電源準備充電，但是搜尋結果是沒有找到充電電源，此時，蜂巢層級神經網絡系統將要求用戶增加充電電源位置參數或者暫不充電指令參數。由此，在缺少參數時，要求對參數進行補充，可以保證自主動作的順利實現。

s404，如果是指令動作，對指令進行指令意圖分析，將指令意圖分析結果融合到中層蜂巢神經網絡的加權系數中，并對指令進行字段分析，將字段分析結果輸入底層蜂巢神經網絡輔助信息采集，根據第三結果控制飛行陪伴機器人對指令進行響應；

其中，第三結果通過如下方式獲得：

底層蜂巢神經網絡根據指令結合字段分析結果以蜂巢單元為單位按照各自的信號采集路徑和采集方式采集輸入信息，組合成以底層蜂巢單元為單位的底層指令應答模塊，將每個蜂巢單元采集的輸入信號進行整合形成底層蜂巢單元信息總和值數據，將底層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第一結果輸出到中層蜂巢神經網絡；

中層蜂巢神經網絡結合指令意圖分析結果對第一結果中的每個底層蜂巢單元中的每一個信息數據增加不同的加權系數并進行整合形成中層蜂巢單元信息總和值數據，將中層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第二結果輸出到高層蜂巢神經網絡；

高層蜂巢神經網絡將第二結果中的每個中層蜂巢單元中的數據根據預設分析方式進行分析，選取理想的蜂巢單元中的數據代入激勵函數進行運算并輸出第三結果。

具體地，首先對指令意圖做初步分析，并將分析結果融合到中層蜂巢神經網絡的加權系數中，之后對指令進行字段分析，并將分析結果輸入底層蜂巢神經網絡輔助信息采集，最后對指令進行蜂巢解析，包括底層蜂巢神經和中層蜂巢神經網絡的處理，最后進入高層蜂巢神經網絡進行蜂巢決策階段進行信息比對和選取并將結果輸出。

其中，指令意圖分析，即模糊分析：系統分析用戶的輸入，預估用戶的意圖，識別輸入中包含的實體，對中層蜂巢神經網絡中的蜂巢單元壁各信息數據給予權重分配，以決定各部分數據在此指令中所占的比重。

指令字段分析：蜂巢層級神經網絡系統通過指令意圖分析明確包含的實體，字段分析對包含的實體進行分解和識別，結合上下文語境同時針對漢語一音多義的獨特性，結合用戶個性化條件，在同音候選中優選更可能為用戶需求的結果。

作為本發明實施例的一個可選實施方式，第三結果通過如下公式計算：

oj＝f(f(f(xai+xbi+yai+ybi+zai+zbi)+(xan+xbn+yan+ybn+zan+zbn)wij)

+xaj+xbj+yaj+ybj+zaj+zbj)

其中，xai、xbi、yai、ybi、zai、zbi表示底蜂巢層神經網絡的各個輸入，xan、xbn、yan、ybn、zan、zbn表示中層蜂巢神經網絡的各個輸入，wij為加權系數，xaj、xbj、yaj、ybj、zaj、zbj表示高層蜂巢神經網絡的各個輸入，f(·)為激勵函數。

具體地，蜂巢層級神經網絡系統通過三層蜂巢網絡的加權和篩選，最終從海量的數據信息中選取出最符合用戶意圖的蜂巢單元信息組合，在蜂巢層級神經網絡系統中，每一個蜂巢單元運算都是并行的，便于系統并行處理，從蜂巢層級神經網絡系統結構特點和運行模式，可以反映出蜂巢單元是一個多輸入單輸出的信息處理單元，對信息的處理是非線性的，每一個蜂巢單元都具有閾值特性，依據上述特征，可以做出簡單的數學模型，參見圖5。

蜂巢單元按照信息源的不同，從六個方面獲取輸入信號，對應蜂巢六個單元壁，每個輸入的大小分別用xai、xbi、yai、ybi、zai、zbi表示，他們同時輸入蜂巢單元k，該單元作為蜂巢層級神經網絡系統的底層處理單元，必須對全部輸入信號進行提取和整理，以確定各類輸入信號在k單元的綜合效果，σ是蜂巢單元的閾值，蜂巢單元k是否產生輸出信號取決于預設閾值電平，也就是當輸入總和高于閾值時，蜂巢單元才會被激活釋放脈沖。激勵函數f(·)決定蜂巢單元受到輸入信號提示高于閾值時，以何種方式輸出信號。底層蜂巢單元將高于閾值的信號以一定的模式輸出，組成中層蜂巢單元v，中層蜂巢單元輸入信息大小分別用xan、xbn、yan、ybn、zan、zbn表示，該單元作為蜂巢層級神經網絡系統的中層處理單元，需要對提取的全部數據特征進行加權，對每一個數據輸入賦予加權系數wij,用以修正各類輸入數據在指令要求下的權重，修正權重值的中層蜂巢單元v依據閾值電平決定是否繼續輸出信號給高層，并通過激勵函數決定輸出方式。蜂巢層級神經網絡系統的高層處理單元o輸入信息大小分別用xaj、xbj、yaj、ybj、zaj、zbj表示，該單元為蜂巢層級神經網絡系統的決策、記憶和輸出單元，對輸入單元信息進行記憶并且提取訓練樣本中的信息進行比對，同時將相應的期望輸出與中層蜂巢神經網絡輸出相比較，選取最為理想的蜂巢單元代入函數進行輸出，一般輸出結果不多于三個，輸出用oj表示。

作為本發明實施例的一個可選實施方式，方法還包括：如果是指令動作，且根據第三結果不能對指令提出執行方案，則請求用戶補充指令中的參數，重新執行接收指令的操作。由此可以保證在指令動作缺少參數的情況下，請求用戶補充參數，以保證指令動作的順利完成。

作為本發明實施例的一個可選實施方式，方法還包括：對指令以及第三結果進行存儲。在對指令進行了正確響應后，可以存儲指令與第三結果的對應關系，一旦出現了相同的指令，可以采用相同的響應方式進行響應，提高響應速度。

以下，提供一種具體的指令響應方式，但本發明并不局限于此。

例如：用戶指令輸入我明天請xx吃飯，請推薦飯店。

蜂巢層級神經網絡系統對指令進行初步判斷，判斷是指令動作；

進入指令意圖初步分析，得出結果“請xx吃飯”為用戶主要意圖；

相應的存儲有xx個性信息的“信息提存”類信息和飯店類型信息的“應用市場”第三方軟件信息將被賦予更高的權值，

蜂巢層級神經網絡系統對指令字段進行分析得出結果“明天”“請xx”“推薦飯店”為關鍵字段，系統對關鍵字段進行理解和比對，并將結果輸入底層蜂巢神經網絡，輔助底層蜂巢神經網絡進行信息采集；

底層蜂巢神經網絡按照用戶意圖分類采集信息：

環境模塊將采集明天所在地氣象信息、道路交通信息、飯店停車位信息等；

大數據模塊將采集當地飯店的口碑信息以及衛生、消防安全信息等；

云平臺模塊將采集云平臺用戶與指令字段信息相關的共享信息作為參考，采集本飛行陪伴機器人上傳的與指令字段信息相關的信息；

應用市場模塊將采集與選取飯店相關app信息(如美團、大眾點評)；

情緒分析模塊將采集用戶發布指令時情緒和表情動作信息并處相關分析處理；

信息提存模塊將采集存儲在系統內的與xx個性特征相關的信息。

底層蜂巢神經網絡將所有信息排列組合，組成多個信息組合蜂巢單元，并將符合閾值電平蜂巢單元代入函數后以脈沖形式輸出中層蜂巢神經網絡；

中層蜂巢神經網絡將底層蜂巢神經網絡輸入的蜂巢單元每一條信息單元壁結合指令意圖分析結果加權，提高部分單元壁信息的權重值，使輸出更加接近期望值，中層蜂巢網絡將加權后的蜂巢單元代入函數后輸出至高層蜂巢神經網絡，也就是蜂巢決策階段；

高層蜂巢神經網絡對輸入單元信息進行記憶并且提取訓練樣本中的信息進行比對，同時將相應的期望輸出與中層蜂巢神經網絡輸出相比較，選取最為理想的蜂巢單元代入函數進行輸出，最終得到最符合用戶期望值的應答信息，高層蜂巢神經網絡輸出結果一般不多于三個選項。

用戶對飛行陪伴機器人輸出的應答方案滿意，指令操作結束，如果不滿意，增加參數取值后重新進行指令分析，直到用戶滿意，指令操作結束。

由此可見，蜂巢層級神經網絡系統將輔助機器人系統做出決策的所有信息源整合成六類條件，與蜂巢單元的六個單元壁一一對應，每一個單元壁代表一種類型的條件，蜂巢層級神經網絡系統依據指令要求按單元壁分類采集信息條件，蜂巢層級神經網絡系統將采集的各類信息進行分析和分配權重，并最終做出決策判斷。通過蜂巢層級神經網絡系統可以最大限度的采集各類相關信息，大數據、云平臺和應用市場為系統提供標準化、模塊化的參數信息；環境和情緒分析為蜂巢層級神經網絡系統提供更人性化、個性化的參數信息；信息提存為蜂巢層級神經網絡系統提供更加智能化和深度學習后的一類參數信息，該類信息增加了蜂巢層級神經網絡系統的智能化程度，使飛行陪伴機器人的思考方式更加接近于人類。蜂巢層級神經網絡系統兼顧了人機智能交互的可控性和智能性，既保證了蜂巢層級神經網絡系統可以按照預設的程序模式按圖索驥，又賦予了蜂巢層級神經網絡系統深度學習和思考的能力，結合場境因素，給予用戶最符合其氣質特征和心理需求的目標答案。

本飛行陪伴機器人的控制方法是基于蜂巢層級神經網絡系統為基礎建立的理論方法，與傳統的神經網絡和算法相比它們有明顯的不同和優勢：

(1)信息采集方式不同，蜂巢層級神經網絡系統采用分類定向采集信息的方式采集輔助決策的各類型信息，該方式使蜂巢層級神經網絡系統在信息采集階段就已經將信息條件進行歸類和整理，最大程度的保證了輸入信息之間的互補性和冗余性問題，實現信息高度融合處理，適用于飛行陪伴機器人這樣具有復雜的不確定性系統和多變量高度非線性系統的控制；

(2)蜂巢層級神經網絡系統各層均是由各種條件類型的信息單元壁組成的蜂巢單元組構成，相較于普通神經網絡，個體蜂巢單元信息構成更加豐富，理論上每一個蜂巢單元組合都是一個信息應答輸出模塊，由底層蜂巢神經網絡向高層蜂巢神經網絡傳遞的過程也是應答輸出模塊收斂的過程，而不是簡單的神經元信息的傳遞；

(3)由于減少了加權次數，提高了學習速率加快了網絡收斂，進而大大縮短訓練時間；

(4)采用豐富的信息采集方式和有針對性的采集渠道，可以組成較普通神經網絡更多地信息組合結構，提高了訓練精度；

(5)由于采用蜂巢單元應答模塊組合方式，使蜂巢網絡具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力；

(6)蜂巢層級神經網絡系統可以任意精度逼近任意的非線性函數，且具有全局逼近能力，從根本上解決了bp網絡的局部最優問題。

圖6示出了本發明實施例提供的飛行陪伴機器人控制裝置的結構示意圖，本發明實施例提供的飛行陪伴機器人控制裝置應用于上述方法，以下僅對本發明實施例提供的飛行陪伴機器人控制裝置的結構進行簡單說明，其他未盡事宜，請參見上述方法的相關描述，在此不再贅述。參見圖6，本發明實施例提供的飛行陪伴機器人控制裝置，包括：

建立模塊601，用于建立蜂巢層級神經網絡系統，蜂巢層級神經網絡系統至少包括底層蜂巢神經網絡、中層蜂巢神經網絡以及高層蜂巢神經網絡，每層蜂巢神經網絡包括多個蜂巢單元，每個蜂巢單元組成一個指令應答模塊，包括六個單元壁，每個蜂巢單元根據互不相同的信息源通過六個單元壁獲取輸入信息，其中，六個單元壁對應六條信息源，每個單元壁對應的信息源互不相同，六條信息源分別為六個信息條件，六個信息條件包括：環境、大數據、云平臺、應用市場、情緒分析和信息提存；

接收模塊602，接收指令，判斷指令是自主動作還是指令動作；

第一響應模塊603，用于在指令是自主動作時，根據蜂巢層級神經網絡系統存儲的預設應答模式控制飛行陪伴機器人對指令進行響應；

第二響應模塊604，用于在指令是指令動作時，對指令進行指令意圖分析，將指令意圖分析結果融合到中層蜂巢神經網絡的加權系數中，并對指令進行字段分析，將字段分析結果輸入底層蜂巢神經網絡輔助信息采集；根據第三結果控制飛行陪伴機器人對指令進行響應；

其中，第三結果通過如下方式獲得：底層蜂巢神經網絡根據指令結合字段分析結果以蜂巢單元為單位按照各自的信號采集路徑和采集方式采集輸入信息，組合成以底層蜂巢單元為單位的底層指令應答模塊，將每個蜂巢單元采集的輸入信號進行整合形成底層蜂巢單元信息總和值數據，將底層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第一結果輸出到中層蜂巢神經網絡；中層蜂巢神經網絡結合指令意圖分析結果對第一結果中的每個底層蜂巢單元中的每一個信息數據增加不同的加權系數并進行整合形成中層蜂巢單元信息總和值數據，將中層蜂巢單元信息總和值數據代入激勵函數進行運算，并將第二結果輸出到高層蜂巢神經網絡；高層蜂巢神經網絡將第二結果中的每個中層蜂巢單元中的數據根據預設分析方式進行分析，選取理想的蜂巢單元中的數據代入激勵函數進行運算并輸出第三結果。

由此可見，蜂巢層級神經網絡系統將輔助機器人系統做出決策的所有信息源整合成六類條件，與蜂巢單元的六個單元壁一一對應，每一個單元壁代表一種類型的條件，蜂巢層級神經網絡系統依據指令要求按單元壁分類采集信息條件，蜂巢層級神經網絡系統將采集的各類信息進行分析和分配權重，并最終做出決策判斷。通過蜂巢層級神經網絡系統可以最大限度的采集各類相關信息，大數據、云平臺和應用市場為蜂巢層級神經網絡系統提供標準化、模塊化的參數信息；環境和情緒分析為蜂巢層級神經網絡系統提供更人性化、個性化的參數信息；信息提存為蜂巢層級神經網絡系統提供更加智能化和深度學習后的一類參數信息，該類信息增加了蜂巢層級神經網絡系統的智能化程度，使飛行陪伴機器人的思考方式更加接近于人類。蜂巢層級神經網絡系統兼顧了人機智能交互的可控性和智能性，既保證了蜂巢層級神經網絡系統可以按照預設的程序模式按圖索驥，又賦予了蜂巢層級神經網絡系統深度學習和思考的能力，結合場境因素，給予用戶最符合其氣質特征和心理需求的目標答案。

作為本發明實施例的一個可選實施方式，第三結果通過如下公式計算：

oj＝f(f(f(xai+xbi+yai+ybi+zai+zbi)+(xan+xbn+yan+ybn+zan+zbn)wij)

+xaj+xbj+yaj+ybj+zaj+zbj)

其中，xai、xbi、yai、ybi、yai、zbi表示底蜂巢層神經網絡的各個輸入，xan、xbn、yan、ybn、zan、zbn表示中層蜂巢神經網絡的各個輸入，wij為加權系數，xaj、xbj、yaj、ybj、zaj、zbj表示高層蜂巢神經網絡的各個輸入，f(·)為激勵函數。

作為本發明實施例的一個可選實施方式，接收模塊通過如下方式接收指令：通過傳感器接收多模態的輸入信號，對輸入信號進行模數轉換，得到指令。由此，用戶可以通過語音等多種交互方式對飛行陪伴機器人進行指令的下達，方便用戶使用。

作為本發明實施例的一個可選實施方式，第一響應模塊603，還用于在指令是自主動作，且缺少輔助動作執行的參數時，請求補充指令中的參數，指示接收模塊602重新執行接收指令的操作。例如：飛行陪伴機器人接收系統電力不足需要尋找電源充電的指令，判斷為自主動作并開始自行尋找電源準備充電，但是搜尋結果是沒有找到充電電源，此時，蜂巢層級神經網絡系統將要求用戶增加充電電源位置參數或者暫不充電指令參數。由此，在缺少參數時，要求對參數進行補充，可以保證自主動作的順利實現。

作為本發明實施例的一個可選實施方式，第二響應模塊604，還用于在指令是指令動作，且根據第三結果不能對指令提出執行方案時，請求用戶補充指令中的參數，指示接收模塊602重新執行接收指令的操作。由此可以保證在指令動作缺少參數的情況下，請求用戶補充參數，以保證指令動作的順利完成。

作為本發明實施例的一個可選實施方式，裝置還包括：存儲模塊605；存儲模塊605，用于對指令以及第三結果進行存儲。在對指令進行了正確響應后，可以存儲指令與第三結果的對應關系，一旦出現了相同的指令，可以采用相同的響應方式進行響應，提高響應速度。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現特定邏輯功能或過程的步驟的可執行指令的代碼的模塊、片段或部分，并且本發明的優選實施方式的范圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執行功能，這應被本發明的實施例所屬技術領域的技術人員所理解。

應當理解，本發明的各部分可以用硬件、軟件、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執行系統執行的軟件或固件來實現。例如，如果用硬件來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用于對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現場可編程門陣列(fpga)等。

本技術領域的普通技術人員可以理解實現上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質中，該程序在執行時，包括方法實施例的步驟之一或其組合。

此外，在本發明各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現，也可以采用軟件功能模塊的形式實現。所述集成的模塊如果以軟件功能模塊的形式實現并作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。

上述提到的存儲介質可以是只讀存儲器，磁盤或光盤等。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。

盡管上面已經示出和描述了本發明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發明的限制，本領域的普通技術人員在不脫離本發明的原理和宗旨的情況下在本發明的范圍內可以對上述實施例進行變化、修改、替換和變型。本發明的范圍由所附權利要求及其等同限定。