一種應用神經網絡的智能機器人參數優化系統及方法
【專利摘要】本發明涉及一種應用神經網絡的智能機器人參數優化系統及方法，涉及智能機器人參數優化領域。通過云端服務器完成參數優化和壓縮過程，從而減少終端機器人的運算量。該系統包括至少一個云端服務器和至少一個終端機器人，所述終端機器人與云端服務器通過網絡連接，終端機器人內部嵌入有用于正向傳輸計算的終端神經網絡模塊，云端服務器內嵌入有用于根據樣本庫進行優化參數的云端神經網絡模塊。該方法包括以下步驟：終端機器人對環境信息和動作指令進行識別和采集；不同云端神經網絡模塊對不同種類的信息進行參數優化并存儲；判斷是否對神經網絡模塊的參數優化過程進行壓縮；對優化后的參數進行壓縮。本發明適用于智能機器人神經網絡模塊參數優化。
【專利說明】
一種應用神經網絡的智能機器人參數優化系統及方法
技術領域
[0001 ]本發明涉及智能機器人領域，具體涉及智能機器人參數優化領域。
【背景技術】
[0002]目前現有的智能機器人大多都是單機版本的，也就是并沒有通過遠程服務器來實現更好的性能的，這類機器人存在硬件條件不好，硬件成本高、可實現的智能程度不高，用戶體驗不好的缺陷。
[0003]為了克服單機版本機器人的不足，越來越多的云機器人逐漸出現，云機器人是應用的云端的服務器進行服務的。
[0004]中國專利發明名稱為“云機器人系統及實現方法”，公開號:101973031A，【公開日】:2011-02-16，利用遠程云計算平臺直接通過網絡發送控制命令。
[0005]中國專利發明名稱為“一種云機器人系統、機器人和機器人云平臺”，公開號:105563484A，【公開日】:2016-05-11，其中增加了人工坐席模塊，而且是通過專用通訊網絡實現數據傳輸。
[0006]以上兩個專利申請均采用了云機器人技術，，其中第一個是通過云端服務器進行終端控制，第二個采用云端服務器運算方式，都能夠實現網絡連接，但對通訊網絡的延時要求很高，網絡條件差時會導致服務不可用的情況出現。
[0007]同時，由于人工智能的發展，機器學習算法，特別是神經網絡等深度學習的算法給機器人產業帶來新的生機，比如卷積神經網絡(CNN)、遞歸神經網絡(RNN)和深度神經網絡(DNN)在語音識別、視覺識別和自然語言處理上帶來很大的進步，大大提升了機器人產品的應用價值，特別是服務類智能機器人的用戶體驗。
[0008]但是機器學習算法的優勢在于不斷使用大量的數據來優化算法的參數，用來訓練的數據集數量龐大，而且參數的數量也特別巨大，比如十幾層的應用于視覺識別的神經網絡的參數是十億數量級，完成其訓練需要的時間和運算資源是非常龐大的。
[0009]例如:利用AI e xNe t圖像庫來訓練一個神經網絡，使用dua 1-socket Xeonprocessors (3TFL0PS的運算能力)需要150個小時，即使使用昂貴的專用于機器學習的GPU服務器也需要2個小時，所以直接在終端機器人上實現深度神經網絡訓練的成本非常高。
【發明內容】
[0010]本發明所要解決的技術問題是提供一種應用神經網絡的智能機器人參數優化系統及方法，目的在于通過云端服務器完成參數優化和壓縮過程，從而減少終端機器人的運鈴舁里。
[0011]本發明解決上述技術問題的技術方案如下:一種應用神經網絡的智能機器人參數優化系統，所述系統包括至少一個云端服務器和至少一個終端機器人，所述終端機器人與云端服務器通過網絡連接。
[0012]在上述技術方案的基礎上，本發明還可以做如下改進。
[0013]進一步，所述終端機器人包括用于正向傳輸計算的終端神經網絡模塊。
[0014]進一步，所述終端機器人還包括以下模塊的一種或幾種:
[0015]用于識別語音環境信息的語音識別模塊；
[0016]用于識別三維環境信息的視覺識別模塊；
[0017]用于識別方向環境信息的導航模塊；
[0018]用于根據外界環境進行路徑規劃的路線規劃模塊；
[0019]用于執行動作指令的動作控制模塊；
[0020]所述語音識別模塊、視覺識別模塊、導航模塊、路線規劃模塊和動作控制模塊分別連接云端服務器中不同的終端神經網絡模塊。
[0021]采用上述進一步方案的有益效果是通過不同的終端神經網絡模塊對終端機器人中各模塊信息進行優化，減少了運算量，提高了運算的準確性。
[0022]進一步，所述云端服務器還包括:
[0023]用于根據樣本庫進行優化參數的云端神經網絡模塊；
[0024]用于根據優化后的參數集以及終端機器人中各模塊的硬件信息對云端神經網絡模塊的參數優化過程進行壓縮的壓縮模塊；
[0025]用于對優化參數進行存儲的數據存儲模塊。
[0026]進一步，所述壓縮模塊進一步包括:
[0027]用于獲取終端機器人的硬件信息的硬件信息獲取模塊，所述硬件信息包括型號、計算能力以及內存信息；
[0028]用于設定是否進行參數壓縮的條件壓縮條件設定模塊；當參數壓縮條件介于壓縮上限和壓縮下限之間時進行參數壓縮，所述壓縮上限為終端機器人的最大運算能力或內存的百分比，所述壓縮下限為云端神經網絡模塊對參數壓縮的最大容錯率；
[0029]用于根據終端機器人硬件信息對神經網絡的參數位數、神經網絡的層數、神經網絡每層的節點或連接數量中的一種或幾種參數進行壓縮的參數壓縮模塊。
[0030]采用上述進一步方案的有益效果是通過設定參數壓縮的上下限，能夠提升用戶體驗，在保證運算準確性的基礎上減少云端服務器的運算量。
[0031]進一步，所述壓縮模塊還包括:
[0032]用于根據壓縮后的參數和樣本庫信息獲得預算錯誤率，并將該預算錯誤率發送至終端機器人的錯誤率預算模塊；
[0033]用于判斷預算錯誤率是否大于參數壓縮的最大容錯率的錯誤率判斷模塊，是，則發出警告信息，否，則不作出任何操作。
[0034]采用上述進一步方案的有益效果是:終端服務器可以根據上述過程在系統軟件上作出相應的設計以提高用戶體驗。
[0035]本發明解決上述技術問題的另一技術方案如下:一種應用神經網絡的智能機器人參數優化方法，所述參數優化方法包括以下步驟:
[0036]步驟一、對環境信息和動作指令進行識別和采集；
[0037]步驟二、對不同種類的信息進行正向傳輸計算；
[0038]步驟三、根據樣本庫對不同種類的信息進行參數優化并存儲；
[0039]步驟四、判斷是否對優化后的參數進行壓縮，是，則執行步驟五，否，則終止執行并發出系統提示；
[0040]步驟五、對優化后的參數進行壓縮。
[0041]進一步，步驟一中識別和采集的環境信息包括語音環境信息、三維環境信息和方向環境信息。
[0042]進一步，步驟四中判斷是否對優化后的參數進行壓縮的過程為:
[0043]當參數壓縮條件介于壓縮上限和壓縮下限之間時進行參數壓縮，所述壓縮上限為終端機器人(I)的最大運算能力或內存的百分比，所述壓縮下限為云端神經網絡模塊(3)對參數壓縮的最大容錯率。
[0044]進一步，步驟五中對優化后的參數進行壓縮的過程為:
[0045]步驟五一、云端服務器(2)獲取終端機器人(I)的硬件信息，所述硬件信息包括型號、計算能力以及內存信息；
[0046]步驟五二、根據終端機器人(I)的硬件信息對神經網絡的參數位數、神經網絡的層數、神經網絡每層的節點或連接數量中的一種或幾種參數進行壓縮；
[0047]步驟五三、根據壓縮后的參數和樣本庫信息獲得預算錯誤率，并將該預算錯誤率發送至終端機器人(I);
[0048]步驟五四、判斷預算錯誤率是否大于參數壓縮的最大容錯率，是，則發出警告信息，否，則不作出任何操作。
[0049]本發明的有益效果是:本發明通過集中使用云端高性能的服務來訓練神經網絡，將優化好的參數送到所有的終端機器人中，使得可以通過使用更少的硬件資源實現正向運算和應用，一方面有利于降低終端機器人的硬件成本和提升用戶體驗，另一方面通過集中運算神經網絡來應用于所有的終端機器人，大大降低了整個系統的重復計算和運算量，并采用非實時更新參數的方式，減少對網絡實時性的依賴。
【附圖說明】
[0050]圖1為本發明所述的應用神經網絡的智能機器人參數優化系統的原理示意圖，其中終端機器人的個數為一個，且該終端機器人中包括了語音識別模塊、視覺識別模塊、導航模塊、路線規劃模塊和動作控制模塊中的所有模塊；
[0051]圖2為本發明以深度神經網絡為例的系統原理示意圖，其中終端機器人的個數為一個，且該終端機器人中包括了語音識別模塊、視覺識別模塊、導航模塊、路線規劃模塊和動作控制模塊中的所有模塊。
[0052]附圖中，各標號所代表的部件列表如下:
[0053]1、終端機器人，2、云端服務器，3、云端神經網絡模快，4、語音識別模塊，5、視覺識別模塊，6、導航模塊，7、路徑規劃模塊，8、動作控制模塊，9、壓縮模塊，10、存儲模塊，11、終端神經網絡模塊。
【具體實施方式】
[0054]以下結合附圖對本發明的原理和特征進行描述，所舉實例只用于解釋本發明，并非用于限定本發明的范圍。
[0055]如圖1所示，本發明提出了一種應用神經網絡的智能機器人參數優化系統及方法，所述參數優化即為通過訓練數據，對神經網絡模型中的參數進行訓練的過程。神經網絡包含有許多分支，包括卷積神經網絡、遞歸神經網絡和深度神經網絡，以下就以深度神經網絡為例對本發明進行進一步的解釋說明。
[0056]實施例1
[0057]如圖2所示，該系統包括至少一個云端服務器2和至少一個終端機器人I，所述終端機器人I與云端服務器2通過網絡連接，終端機器人I內部嵌入有用于正向傳輸計算的終端深度神經網絡模塊，云端服務器2內嵌入有用于根據樣本庫進行優化參數的云端深度神經網絡模塊。
[0058]在對參數進行優化時所依據的樣本庫可以來自終端機器人，也可以來自服務器的存儲設備或網絡數據等。
[0059]終端機器人I包括以下模塊的一種或幾種:
[0060]用于識別語音環境信息的語音識別模塊4;
[0061 ]用于識別三維環境信息的視覺識別模塊5;
[0062]用于識別方向環境信息的導航模塊6;
[0063]用于根據外界環境進行路徑規劃的路線規劃模塊7;
[0064]用于執行動作指令的動作控制模塊8；
[0065]所述語音識別模塊4、視覺識別模塊5、導航模塊6、路線規劃模塊7和動作控制模塊8分別連接云端服務器2中不同的終端深度神經網絡模塊。
[0066]本發明擬用遠程的高性能服務器來實現深度神經網絡的參數優化，優化后的參數定期非實時的更新到終端機器人上，終端機器人用本地計算資源實現深度神經網絡的正向計算，解除了對網絡的依賴。
[0067]為了能夠獲得更好的參數優化效果，本發明在云端服務器2中還增加了:
[0068]用于根據優化后的參數集以及終端機器人I中各模塊的硬件信息對經云端深度神經網絡模塊優化后的參數進行壓縮的壓縮模塊9;
[0069]用于對優化后的參數進行存儲的數據存儲模塊10。
[0070]壓縮模塊9進一步包括:
[0071]用于獲取終端機器人I的硬件信息的硬件信息獲取模塊，所述硬件信息包括型號、計算能力以及內存信息；
[0072]用于設定是否進行參數壓縮的條件壓縮條件設定模塊；當參數壓縮條件介于壓縮上限和壓縮下限之間時進行參數壓縮，所述壓縮上限為終端機器人I的最大運算能力或內存的百分比，所述壓縮下限為云端深度神經網絡模塊對參數壓縮的最大容錯率；
[0073]用于根據終端機器人I硬件信息對深度神經網絡的參數位數、深度神經網絡的層數、深度神經網絡每層的節點或連接數量中的一種或幾種參數進行壓縮的參數壓縮模塊。
[0074]在對參數進行優化過程中，需要對參數的進度進行精簡，對每層的節點數根據實際的參數情況進行刪減，即為參數壓縮，云端服務器獲取終端機器人的硬件信息，包括型號、計算能力以及內存信息，再根據這些信息對深度神經網絡的參數位數、深度神經網絡的層數、深度神經網絡每層的節點和連接數量進行優化，并將優化后的參數進行壓縮，壓縮條件的上限可以為終端機器人的最大運算能力或內存的百分比，壓縮條件的下限則是參數優化的最大容錯率，可以采用特定場景下的用戶體驗不受影響為限進行設定，云服務器在優化后的網絡中對特定的數據集進行回測，并向終端服務器報告需要的運算能力和可能的錯誤率，如果錯誤率超出最大容錯率，需要提出警告信息。
[0075]實施例2
[0076]本實施例提供了一種應用神經網絡的智能機器人參數優化方法，同樣以深度神經網絡為例進行進一步說明，所述參數優化方法包括以下步驟:
[0077]步驟一、終端機器人I對環境信息和動作指令進行識別和采集；
[0078]步驟二、終端深度神經網絡模塊對不同種類的信息進行正向傳輸計算；
[0079]步驟三、云端深度神經網絡模塊根據樣本庫對不同種類的信息進行參數優化并存儲；
[0080]步驟四、判斷是否對優化后的參數進行壓縮，是，則執行步驟五，否，則終止執行并發出系統提示；
[0081]步驟五、對優化后的參數進行壓縮，并將壓縮后的參數發送至終端機器人I。
[0082]環境信息包括語音環境信息、三維環境信息和方向環境信息。
[0083]步驟四中判斷是否對優化后的參數進行壓縮的過程為:
[0084]當參數壓縮條件介于壓縮上限和壓縮下限之間時進行參數壓縮，所述壓縮上限為終端機器人I的最大運算能力或內存的百分比，所述壓縮下限為云端深度神經網絡模塊對參數壓縮的最大容錯率。
[0085]步驟五中對優化后的參數進行壓縮的過程為:
[0086]步驟五一、云端服務器2獲取終端機器人I的硬件信息，所述硬件信息包括型號、計算能力以及內存信息；
[0087]步驟五二、根據終端機器人I的硬件信息對深度神經網絡的參數位數、深度神經網絡的層數、深度神經網絡每層的節點或連接數量中的一種或幾種參數進行壓縮；
[0088]步驟五三、根據壓縮后的參數和樣本庫信息獲得預算錯誤率，并將該預算錯誤率發送至終端機器人I;
[0089]步驟五四、判斷預算錯誤率是否大于參數壓縮的最大容錯率，是，則發出警告信息，否，則不作出任何操作。
[0090]實施例3
[0091 ]本實施例以將本發明應用于視覺識別信息的參數優化和壓縮為例進行說明。
[0092](I)云端服務器上嵌入有實現視覺識別信息的神經網絡模塊；
[0093](2)云端服務器通過收集數據庫，網絡上或者來自系統中的終端機器人獲取到的帶標記圖像數據，用于作為訓練神經網路的節點參數的輸入，通過特定的運算來實現參數的優化計算；
[0094](3)云端服務器實現參數的計算后，根據實際網絡參數的結果和目標的終端機器人的計算能力，可以選擇是否需要優化整個網絡的正向計算，其中包括減少參數精度和網絡的節點數和連接，同時也可以選擇把參數更新到終端機器人中；
[0095](4)終端機器人使用優化后的參數實現神經網絡的正向計算，同時，也可以選擇將本地獲取的帶標記圖像送回到云端服務器，作為云端服務器下一輪優化的圖像輸入；
[0096](5)云端服務器還可以增加某些功能，例如定時，或者根據數據集的更新情況來啟動下一輪的參數優化。
[0097]以上所述僅為本發明的較佳實施例，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1.一種應用神經網絡的智能機器人參數優化系統，其特征在于，所述系統包括至少一個云端服務器(2)和至少一個終端機器人(I )，所述終端機器人(I)與云端服務器(2)通過網絡連接。2.根據權利要求1所述的一種應用神經網絡的智能機器人參數優化系統，其特征在于，所述終端機器人(I)包括用于正向傳輸計算的終端神經網絡模塊(11)。3.根據權利要求1所述的一種應用神經網絡的智能機器人參數優化系統，其特征在于，終端機器人(I)還包括以下模塊的一種或幾種: 用于識別語音環境信息的語音識別模塊(4); 用于識別三維環境信息的視覺識別模塊(5); 用于識別方向環境信息的導航模塊(6); 用于根據外界環境進行路徑規劃的路線規劃模塊(7); 用于執行動作指令的動作控制模塊(8); 所述語音識別模塊(4)、視覺識別模塊(5)、導航模塊(6)、路線規劃模塊(7)和動作控制模塊(8)分別連接不同的終端神經網絡模塊(11)。4.根據權利要求1所述的一種應用神經網絡的智能機器人參數優化系統，其特征在于，所述云端服務器(2)還包括: 用于根據樣本庫進行優化參數的云端神經網絡模塊(3); 用于根據優化后的參數集以及終端機器人(I)中各模塊的硬件信息對經云端神經網絡模塊(3)優化后的參數進行壓縮的壓縮模塊(9); 用于對優化后的參數進行存儲的數據存儲模塊(10)。5.根據權利要求4所述的一種應用神經網絡的智能機器人參數優化系統，其特征在于，所述壓縮模塊(9)進一步包括: 用于獲取終端機器人(I)的硬件信息的硬件信息獲取模塊，所述硬件信息包括型號、計算能力以及內存信息； 用于設定是否進行參數壓縮的條件壓縮條件設定模塊；當參數壓縮條件介于壓縮上限和壓縮下限之間時進行參數壓縮，所述壓縮上限為終端機器人(I)的最大運算能力或內存的百分比，所述壓縮下限為云端神經網絡模塊(3)對參數壓縮的最大容錯率； 用于根據終端機器人(I)硬件信息對神經網絡的參數位數、神經網絡的層數、神經網絡每層的節點或連接數量中的一種或幾種參數進行壓縮的參數壓縮模塊。6.根據權利要求5所述的一種應用神經網絡的智能機器人參數優化系統，其特征在于，所述壓縮模塊(9)還包括: 用于根據壓縮后的參數和樣本庫信息獲得預算錯誤率，并將該預算錯誤率發送至終端機器人(I)的錯誤率預算模塊； 用于判斷預算錯誤率是否大于參數壓縮的最大容錯率的錯誤率判斷模塊，是，則發出警告信息，否，則不作出任何操作。7.—種應用神經網絡的智能機器人參數優化方法，其特征在于，所述參數優化方法包括以下步驟: 步驟一、對環境信息和動作指令進行識別和采集； 步驟二、對不同種類的信息進行正向傳輸計算； 步驟三、根據樣本庫對不同種類的信息進行參數優化并存儲； 步驟四、判斷是否對優化后的參數進行壓縮，是，則執行步驟五，否，則終止執行并發出系統提不; 步驟五、對優化后的參數進行壓縮。8.根據權利要求7所述的一種應用神經網絡的智能機器人參數優化方法，其特征在于，步驟一中識別和采集的環境信息包括語音環境信息、三維環境信息和方向環境信息中的一種或幾種。9.根據權利要求7所述的一種應用神經網絡的智能機器人參數優化方法，其特征在于，步驟四中判斷是否對優化后的參數進行壓縮的過程為: 當參數壓縮條件介于壓縮上限和壓縮下限之間時進行參數壓縮，所述壓縮上限為終端機器人(I)的最大運算能力或內存的百分比，所述壓縮下限為云端神經網絡模塊(3)對參數壓縮的最大容錯率。10.根據權利要求7所述的一種應用神經網絡的智能機器人參數優化方法，其特征在于，步驟五中對優化后的參數進行壓縮的過程為: 步驟五一、云端服務器(2)獲取終端機器人(I)的硬件信息，所述硬件信息包括型號、計算能力以及內存信息； 步驟五二、根據終端機器人(I)的硬件信息對神經網絡的參數位數、神經網絡的層數、神經網絡每層的節點或連接數量中的一種或幾種參數進行壓縮； 步驟五三、根據壓縮后的參數和樣本庫信息獲得預算錯誤率，并將該預算錯誤率發送至終端機器人(I); 步驟五四、判斷預算錯誤率是否大于參數壓縮的最大容錯率，是，則發出警告信息，否，則不作出任何操作。
【文檔編號】H04L12/24GK106027300SQ201610343978
【公開日】2016年10月12日
【申請日】2016年5月23日
【發明人】簡衛, 朱奇良
【申請人】深圳市飛仙智能科技有限公司