[發(fā)明專利]在線訓練的場景描述機器人系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 201910974489.5
• 申請日: 2019-10-14
• 公開（公告）號: CN110852171A
• 公開（公告）日: 2020-02-28
• 發(fā)明（設計）人: 李秀;宋愷祥;段桂春
• 申請（專利權）人: 清華大學深圳國際研究生院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;A61H3/06
• 代理公司: 深圳新創(chuàng)友知識產權代理有限公司 44223
• 代理人: 江耀純

1.一種場景描述機器人的在線訓練方法，其特征在于：

A1、接收新的圖像-文本對數據；

A2、根據所述新的圖像-文本對數據構建訓練集；

A3、使用所述訓練集對訓練狀態(tài)的圖像-文本模型進行訓練，得到訓練好的訓練模型；

A4、根據所述訓練好的訓練模型對用于服務的測試狀態(tài)的圖像-文本模型進行更新。

2.根據權利要求1所述的在線訓練方法，其特征在于所述A2包括：

對每一條所述新的圖像-文本對數據均賦予一個樣本權重；其中，所述樣本權重隨著所述新的圖像-文本對數據上傳的時間與當前時間的間隔成負相關；

基于所述樣本權重將所述新的圖像-文本對數據采集到所述訓練集中。

3.根據權利要求2所述的在線訓練方法，其特征在于所述A2還包括：

提取每一個所述新的圖像-文本對數據的全局特征；

將所述新的圖像-文本對數據的全局特征與全部數據集中的所有樣本進行比對排序，選出相似度最高的N個樣本與相似度最低的N個樣本一同加入所述訓練集；其中，N為整數。

4.根據權利要求1所述的在線訓練方法，其特征在于所述使用所述訓練集對訓練狀態(tài)的圖像-文本模型進行訓練包括：使用所述訓練集，通過神經網絡結構搜索方法搜索訓練模型的網絡結構和參數。

5.根據權利要求4所述的在線訓練方法，其特征在于：所述神經網絡結構搜索方法為基于梯度優(yōu)化的pdarts網絡結構搜索算法。

6.根據權利要求5所述的在線訓練方法，其特征在于所述網絡結構搜索的過程分成四個階段：階段一的搜索空間有八種，在訓練過程中把不重要的候選操作去掉；階段二的搜索空間有四種；階段三的搜索空間有兩種；階段四還剩下一個最重要的候選操作。

7.根據權利要求6所述的在線訓練方法，其特征在于：在搜索網絡結構的過程中，維護不同的矩陣；所述矩陣代表搜索空間中每種可選操作的權重；所述階段一維護的矩陣是12*8維，表示12條路徑，8種搜索空間；所述階段二維護的矩陣是12*4維，表示12條路徑，4種搜索空間；所述階段三維護的矩陣為12*2維，表示12條路徑，2種搜索空間；所述階段四維護的矩陣為12*1，表示最后還剩下一個最重要的候選操作。

8.一種在線訓練的場景描述機器人系統(tǒng)，其特征在于：包括導盲機器人和服務器；所述服務器包括計算機程序，所述計算機程序用于運行后執(zhí)行根據權利要求1至7任一項所述方法。

9.根據權利要求8所述的場景描述機器人系統(tǒng)，其特征在于：所述導盲機器人通過無線網絡與所述服務器連接；所述無線網絡的具體形式包括4G網絡和5G網絡。

10.一種計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質中存儲有程序指令，所述程序指令被計算機的處理器執(zhí)行時使所述處理器執(zhí)行根據權利要求1至7任一項所述方法。