一种对象之间关系智能认知的方法和设备

摘要

本发明公开了一种对象之间关系智能认知的方法和设备，其中，该方法包括：通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；提取识别出的对象的属性；基于各对象的属性匹配各对象之间的关系。以此实现了对象之间关系的智能化认知。

说明书

技术领域

本发明涉及计算机领域，特别涉及一种对象之间关系智能认知的方法和设备。

背景技术

现有技术中，机器人的核心软件技术在于基于当前计算机技术的人工智能相关算法，包括基于某一种信息的采集，量化，传输，分析，解析和大数据处理；而最核心的在于数据的智能分析，智能解析和大数据挖掘(特征匹配，分类，并行处理等)；

随着近几年的深度识别技术的发展，行业把关键智能技术聚焦在各种智能算法(比如，CNN/RNN/GAN)，能很好的解决某一信息领域(图形识别，语音识别等)的识别率问题，基于手机或者娱乐类机器人设备得到了很好的应用。或者基于某些用户反馈机制进行一些流程和架构说明，基于游戏或者软件系统有比较多的应用。

对于目前智能算法在一定程度上实现了某一信息或者某一类信息的智能信息处理和反馈，但是都没有从真正机器自身角度提供一个完善的系统性的智能架构，体现在机器人系统对外界世界的系统性认知，以及对自我存在能能力的认知。简单的说，具有局域性(不能综合各种信息)，客观性(不能从智能/机器人本身得出交互反馈)等问题。

发明内容

针对现有技术中的缺陷，本发明提出了一种对象之间关系智能认知的方法，用于克服现有技术中的缺陷。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种对象之间关系智能认知的方法，包括：

通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；

提取识别出的对象的属性；

基于各对象的属性匹配各对象之间的关系。

在一个具体的实施例中，输入的信息包括：文本信息、图像信息、感知信息。

在一个具体的实施例中，所述对象具体为机器对于外界可识别或抽象出的认知单元；所述对象具有可匹配和可划分的边界；所述对象可以基于一特征进行分类；

所述对象包括以下一种或多种的任意组合：有边界的实物设备，设备组件，逻辑对象,聚合对象。

在一个具体的实施例中，所述关系包括以下一种或多种的任意组合：拥有关系，组合关系，间接抽象关系，时间位移关系。

在一个具体的实施例中，该方法还包括：

基于新接收的输入信息对原有的对象之间的关系进行关系调整；其中，所述关系调整包括对原有的关系进行删除、对原有的关系进行修改、以及增加对象之间新的关系；

该方法还包括：根据反馈信息对原有的对象之间的关系进行动态平衡调整。

本发明实施例还提出了一种对象之间关系智能认知的设备，包括：

识别模块，用于通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；

提取模块，用于提取识别出的对象的属性；

匹配模块，用于基于各对象的属性匹配各对象之间的关系。

在一个具体的实施例中，输入的信息包括：文本信息、图像信息、感知信息。

在一个具体的实施例中，所述对象具体为机器对于外界可识别或抽象出的认知单元；所述对象具有可匹配和可划分的边界；所述对象可以基于一特征进行分类；

所述对象包括以下一种或多种的任意组合：有边界的实物设备，设备组件，逻辑对象,聚合对象。

在一个具体的实施例中，所述关系包括以下一种或多种的任意组合：拥有关系，组合关系，间接抽象关系，时间位移关系。

在一个具体的实施例中，该设备还包括：调整模块和反馈模块；其中，

所述调整模块用于：基于新接收的输入信息对原有的对象之间的关系进行关系调整；其中，所述关系调整包括对原有的关系进行删除、对原有的关系进行修改、以及增加对象之间新的关系；

所述反馈模块用于：根据反馈信息对原有的对象之间的关系进行动态平衡调整。

以此，本发明公开了一种对象之间关系智能认知的方法和设备，其中，该方法包括：通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；提取识别出的对象的属性；基于各对象的属性匹配各对象之间的关系。以此实现了对象之间关系的智能化认知。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提出的一种对象之间关系智能认知的方法的流程示意图；

图2为本发明实施例提出的一种对象之间关系智能认知的方法中进行对象识别的方法的流程示意图；

图3为本发明实施例提出的一种对象之间关系智能认知的方法中进行关系调整的方法流程示意图；

图4为本发明实施例提出的一种对象之间关系智能认知的设备的结构示意图；

图5为本发明实施例提出的一种对象之间关系智能认知的设备的结构示意图；

图6为本发明实施例提出的一种对象之间关系智能认知的设备的结构示意图。

具体实施方式

在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。

在下文中，可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本公开的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

在本公开的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。

在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本公开的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。

应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。

在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如，人工智能电子装置)。

在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。

实施例1

本发明实施例1公开了一种对象之间关系智能认知的方法，如图1所示，包括：

步骤101、通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；

步骤102、取识别出的对象的属性；

步骤103、基于各对象的属性匹配各对象之间的关系。

在一个具体的实施例中，输入的信息包括：文本信息、图像信息、感知信息。

具体的，感知信息具体为机器感知得到的信息，例如温度信息，湿度信息，气候数据，亮度数据，灰度数据等等各种机器感知可以得到的信息；而文本信息可以有各种格式的文本中的文本信息，例如可以有PDF格式的文本中的文本信息，还可以有TXT格式的文本中的文本信息，还可以为各种电子文档中的文本信息。

至于图像信息，也可以是各种格式图像中的图像信息，例如为jpg格式的图像中的图像信息，还可以为BMP格式的图像中的图像信息等等。

具体的，如图2所示，对象识别以一个具体的例子来进行说明：

例如输入的信息是语音信息，则基于自然语言理解的算法对输入的语音信息进行处理，以提取对象以及对象的属性，例如提取的语音信息中的目标作为对象，或者所涉及到的人，物来作为对象，而目标的属性，例如体积，重量，范围等等，则是属性信息。后续可以提取对象的信息和匹配；以及关系和场景的匹配。

相应的图形信息的处理过程，与此类似，在此不再进行赘叙。

在一个具体的实施例中，所述对象具体为机器对于外界可识别或抽象出的认知单元；所述对象具有可匹配和可划分的边界；所述对象可以基于一特征进行分类；

所述对象包括以下一种或多种的任意组合：有边界的实物设备，设备组件，逻辑对象,聚合对象。

在一个具体的实施例中，所述关系包括以下一种或多种的任意组合：拥有关系，组合关系，间接抽象关系，时间位移关系。

具体的，在现实世界，对象和关系是万物的基本属性，人机界面主要在于单人对应多个设备(对象)的场景，人与设备或者设备与设备之间的关系众多但简单。对象可以包括：有边界的实物设备，设备组件，逻辑对象(人为定义),聚合对象(人为抽象)，我们可以给不同对象用以不同属性(也是对象)和关系进行匹配；而关系可以包括：拥有关系，组合关系，间接抽象关系，时间位移关系等，在DeepMap架构中，本方案基于DeepMap架构为设备或者设备自己动态的建立和维护对象与关系的自适应系统，从而系统化满足用户交付，提供一个简单明了智能的交互架构，也即对象关系提取模型。

具体的，通过对象和关系层次系统的建立，可以定位出设备的对于外界世界和行为的基础知识，包括尝试和感觉裂解。

在一个具体的实施例中，还包括：

基于新接收的输入信息对原有的对象之间的关系进行关系调整；其中，所述关系调整包括对原有的关系进行删除、对原有的关系进行修改、以及增加对象之间新的关系；

还包括：根据反馈信息对原有的对象之间的关系进行动态平衡调整。

具体的，如图所示，调整的过程对于对象关系网络，根据信息的输入，动态进行增加，删除和调整；同时针对上层的利益反馈，也可以进行动态平衡调整

以此，本发明公开了一种对象之间关系智能认知的方法和设备，其中，该方法包括：通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；提取识别出的对象的属性；基于各对象的属性匹配各对象之间的关系。以此实现了对象之间关系的智能化认知。

实施例2

本发明实施例2还提出了一种对象之间关系智能认知的设备，如图4所示，包括：

识别模块201，用于通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；

提取模块202，用于提取识别出的对象的属性；

匹配模块203，用于基于各对象的属性匹配各对象之间的关系。

在一个具体的实施例中，输入的信息包括：文本信息、图像信息、感知信息。

在一个具体的实施例中，所述对象具体为机器对于外界可识别或抽象出的认知单元；所述对象具有可匹配和可划分的边界；所述对象可以基于一特征进行分类；

所述对象包括以下一种或多种的任意组合：有边界的实物设备，设备组件，逻辑对象,聚合对象。

在一个具体的实施例中，所述关系包括以下一种或多种的任意组合：拥有关系，组合关系，间接抽象关系，时间位移关系。

在一个具体的实施例中，如图5以及图6所示，该设备还包括：调整模块204和反馈模块205；其中，

所述调整模块204用于：基于新接收的输入信息对原有的对象之间的关系进行关系调整；其中，所述关系调整包括对原有的关系进行删除、对原有的关系进行修改、以及增加对象之间新的关系；

所述反馈模块205用于：根据反馈信息对原有的对象之间的关系进行动态平衡调整。

以此，本发明公开了一种对象之间关系智能认知的方法和设备，其中，该方法包括：通过对象关系提取模型对输入的信息进行对象识别；其中，所述对象关系提取模型是基于智能深度映射DeepMap架构生成的；提取识别出的对象的属性；基于各对象的属性匹配各对象之间的关系。以此实现了对象之间关系的智能化认知。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。