一种岗位数据存储方法、装置及岗位机器人

摘要

本申请提供一种岗位数据存储方法、装置及岗位机器人。该方法包括：获取自身采集的感知数据；将感知数据输入至预设的岗位技能模型中进行处理，生成与感知数据对应的岗位数据；根据预先构建的记忆存储模型对岗位数据进行识别，以确定岗位数据的存储类型；其中，存储类型包括：不存储、本地暂存以及云端数据库永久存储；根据岗位数据的存储类型对岗位数据进行存储。通过上述方式，一来可以将存储的数据与岗位机器人的场景相结合，使得岗位机器人的“记忆”具有岗位行业特性，便于岗位机器人有效、且快速地利用存储的数据。二来，通过上述分类存储方式可以针对不同的岗位数据进行针对性地分类存储，该方式也降低了岗位机器人的存取压力。

说明书

技术领域

本申请涉及机器人技术领域，具体而言，涉及一种岗位数据存储方法、装置及岗位机器人。

背景技术

随着社会的发展和科学技术的不断进步，越来越来的机器人进入到用户的日常生活中。针对不同的场景下有不同的机器人，比如针对仓储环境设计有仓储机器人，针对酒店等公共环境设计有服务机器人。

然而，发明人在实践中发现，目前的机器人，在数据存储时会将所有采集的数据进行存储，且通常是将所有数据上传至云端，该方式会对机器人造成过大的存取压力，同时，机器人若需要使用存储的此类采集数据时，还需要再次对采集数据进行解析识别，无法有效、且快速地利用存储的数据。

发明内容

本申请实施例的目的在于提供一种岗位数据存储方法、装置及岗位机器人，以改善“机器人存取数据压力大，且无法有效、且快速地利用存储的数据”的问题。

本发明是这样实现的：

第一方面，本申请实施例提供一种岗位数据存储方法，应用于岗位机器人，所述方法包括：获取自身采集的感知数据；其中，所述感知数据与自身预先配置的岗位身份相关联；将所述感知数据输入至预设的岗位技能模型中进行处理，生成与所述感知数据对应的岗位数据；根据预先构建的记忆存储模型对所述岗位数据进行识别，以确定所述岗位数据的存储类型；其中，所述存储类型包括：不存储、本地暂存以及云端数据库永久存储；根据所述岗位数据的存储类型对所述岗位数据进行存储。

在本申请实施例中，岗位机器人在获取自身采集的感知数据后，将其输入至预设的岗位技能模型中，进而得到与岗位相关联的岗位数据；然后再将岗位数据进行识别，以针对不同的岗位数据采用不同的存储方式，通过上述方式，一来可以将存储的数据与岗位机器人的场景相结合，使得岗位机器人的“记忆”具有岗位行业特性，便于岗位机器人有效、且快速地利用存储的数据。二来，通过上述分类存储方式可以针对不同的岗位数据进行针对性地分类存储，该方式也降低了岗位机器人的存取压力。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述将所述感知数据输入至预设的岗位技能模型中进行处理，生成与所述感知数据对应的岗位数据，包括：确定所述感知数据的数据格式；其中，所述感知数据的数据格式包括图片格式、视频格式及音频格式；将所述感知数据输入至与所述感知数据的数据格式所对应的岗位技能模型中进行处理，生成与所述感知数据对应的岗位数据；其中，所述与所述感知数据的数据格式所对应的岗位技能模型包括图像识别模型、语音转换模型。

在本申请实施例中，岗位机器人根据采集的感知数据的数据格式的不同，采用各自对应的岗位技能模型进行处理，通过该方式，以使得岗位机器人能够同时用于多种数据格式的数据的有效处理。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述方法还包括：统计输入至所述岗位技能模型中的感知数据的数量；当所述输入至所述岗位技能模型中的感知数据的数量大于第一阈值时，采用输入所述岗位技能模型的感知数据对所述岗位技能模型进行更新。

在本申请实施例中，在岗位机器人的运行过程中，岗位机器人可以统计输入至岗位技能模型中的感知数据的数量，并在该数量大于第一阈值时，触发岗位技能模型的更新，即，采用输入岗位技能模型的实时感知数据再对模型的训练，以此可以优化模型。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述记忆存储模型包括检索策略、暂存策略以及永久存储策略；所述根据预先构建的记忆存储模型对所述岗位数据进行识别，以确定所述岗位数据的存储类型，包括：基于所述检索策略，将所述岗位数据与自身存储的数据和云端数据库的数据进行数据比对；若数据比对为重复数据，则确定所述岗位数据的存储类型为不存储；若数据比对为非重复数据，则判断所述岗位数据是否与所述暂存策略或所述永久存储策略匹配；其中，若所述岗位数据与所述暂存策略匹配，则确定所述岗位数据的存储类型为本地暂存；若所述岗位数据与所述永久存储策略匹配，则确定所述岗位数据的存储类型为云端数据库永久存储。

在本申请实施例中，通过记忆存储模型所配置的检索策略能够使得当岗位数据为已存储在数据时，不会对该岗位数据再次存储，进而避免岗位机器人反复存储重复数据，给自身造成过大的存取压力。并且，通过记忆存储模型所述配置的暂存策略以及永久存储策略，使得岗位机器人能够根据岗位数据按照不同的策略进行存储，通过该方式，也在一定程度上降低了岗位机器人的存取压力。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述记忆存储模型还包括：定期清理策略；所述方法还包括：基于所述定期清理策略，获取本地暂存的数据的存储时长，及将达到预设时长的本地暂存的数据进行清理。

在本申请实施例中，岗位机器人还用于获取本地暂存的数据的存储时长，当其存储的某项数据的存储时长达到预设时长后，将其进行清理，进而有效地减少本地存储的压力。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，在所述基于所述定期清理策略，获取本地暂存的数据的存储时长，及将达到预设时长的本地暂存的数据进行清理之前，所述方法还包括：将所述本地暂存的数据上传至云端数据库进行存储。

在本申请实施例中，岗位机器人在将本地暂存的数据清理之前，可以将本地暂存的数据上传至云端数据库进行存储备份，以便后续岗位机器人能够再次从云端数据库中调用该数据。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述岗位数据的存储类型对所述岗位数据进行存储，包括：基于预先配置的岗位知识图谱对所述岗位数据进行重构；其中，所述岗位知识图谱与自身预先配置的岗位身份相关联；将重构后的岗位数据根据所述岗位数据的存储类型进行存储。

在本申请实施例中，岗位机器人在配置岗位身份时，会配置岗位知识图谱，进而使得岗位机器人在获取到岗位数据后，可以基于配置的岗位知识图谱对岗位数据进行重构，而后续存储重构后的岗位数据，通过该方式能够使得岗位机器人存储的数据更加具有岗位行业特性，使得岗位机器人的“记忆”更符合自身的岗位身份。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，在所述获取自身采集的感知数据之前，所述方法还包括：获取用户配置的特征数据；其中，所述特征数据包括配置的岗位身份信息；确定所述特征数据的数据格式；其中，所述特征数据的数据格式包括图片格式或文本格式；将所述特征数据输入至与所述特征数据的数据格式所对应的岗位技能模型中进行处理，生成与所述特征数据对应的岗位数据；其中，所述与所述特征数据的数据格式所对应的岗位技能模型包括图片扫描模型、文本抽取模型；将与所述特征数据对应的岗位数据进行存储。

在本申请实施例中，岗位机器人在配置过程，首先获取用户配置的特征数据，然后确定特征数据的数据格式；再将特征数据输入至与特征数据的数据格式所对应的岗位技能模型中进行处理，生成与特征数据对应的岗位数据；最后再将与特征数据对应的岗位数据进行存储，通过该方式使得岗位机器人可以根据获取的特征数据的数据格式的不同，采用各自对应的岗位技能模型进行处理，同时，通过岗位技能模型也便于岗位机器人确定自身的岗位身份，以及实现对特征数据对应的岗位数据的有效存储。

第二方面，本申请实施例提供一种岗位数据存储装置，应用于岗位机器人，所述装置包括：获取模块，用于获取自身采集的感知数据；其中，所述感知数据与自身预先配置的岗位身份相关联；处理模块，用于将所述感知数据输入至预设的岗位技能模型中进行处理，生成与所述感知数据对应的岗位数据；确定模块，用于根据预先构建的记忆存储模型对所述岗位数据进行识别，以确定所述岗位数据的存储类型；其中，所述存储类型包括：不存储、本地暂存以及云端数据库永久存储；存储模块，用于根据所述岗位数据的存储类型对所述岗位数据进行存储。

第三方面，本申请实施例提供一种岗位机器人，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的一种岗位机器人的模块框图。

图2为本申请实施例提供的一种岗位数据存储方法的步骤流程图。

图3为本申请实施例提供的一种岗位数据存储装置的模块框图。

图标：100-岗位机器人；110-处理器；120-存储器；200-岗位数据存储装置；210-获取模块；220-处理模块；230-确定模块；240-存储模块。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

请参阅图1，本申请实施例提供的一种应用岗位数据存储方法及装置的岗位机器人100的示意性结构框图。

在结构上，岗位机器人100可以包括处理器110和存储器120。

处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。岗位数据存储装置包括至少一个可以软件或固件（Firmware）的形式存储在存储器120中或固化在岗位机器人100的操作系统（Operating System，OS）中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，岗位数据存储装置200所包括的软件功能模块及计算机程序等，以实现岗位数据存储方法。处理器110可以在接收到执行指令后，执行计算机程序。

其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器（Central Processing Unit，CPU）、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit ，ASIC）、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。

存储器120可以是，但不限于，随机存取存储器（Random Access Memory，RAM）、只读存储器（Read Only Memory，ROM）、可编程只读存储器（Programmable Read-OnlyMemory，PROM）、可擦可编程序只读存储器（Erasable Programmable Read-Only Memory，EPROM），以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM）。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。

需要说明的是，图1所示的结构仅为示意，本申请实施例提供的岗位机器人100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。比如，根据岗位机器人100的功能需求，设置不同的组件，岗位机器人100可以设置的组件包括但不限于温度传感器、距离传感器、红外识别模块、激光雷达，麦克风、扬声器、控制面板（如显示屏）；当然，岗位机器人100还可以设置图像采集设备，比如摄像头、相机等等，对此，本申请不作限定。此外，图1所示的各组件可以通过软件、硬件或其组合实现。

请参阅图2，图2为本申请实施例提供的岗位数据存储方法的步骤流程图，该方法应用于图1所示的岗位机器人100。需要说明的是，本申请实施例提供的岗位数据存储方法不以图2及以下所示的顺序为限制，该方法包括：步骤S101-步骤S104。

步骤S101：获取自身采集的感知数据；其中，感知数据与自身预先配置的岗位身份相关联。

作为岗位机器人，会预先配置有对应的虚拟员工身份。比如岗位机器人所配置的岗位身份可以是前台接待接待身份、也可以是考勤打卡身份，也可以是安保巡检身份。上述岗位身份可以根据岗位需求所设定，本申请不作限定。

针对不同的岗位身份，岗位机器人会执行与岗位身份对应的岗位工作。比如，当岗位机器人的身份是接待身份时，岗位机器人会调用摄像头识别前台来客的身份，以及通过语音交互的方式获取前台来客的来访目的。又比如，当岗位机器人的身份是考勤打卡身份时，岗位机器人会验证员工的身份，并记录该员工的签到。又比如，当岗位机器人的身份是安保巡检身份时，岗位机器人可以通过传感器检测环境数据，以及执行设备的巡检。

上述的感知数据，即为岗位机器人在执行自身的岗位工作时，所采集的数据。感知数据可以是但不限于图像采集设备（如摄像头）或声音采集设备（如麦克风）所采集的用户或客户数据；感知数据也可以是由自身传感器所检测到的环境数据，比如温湿度数据、红外数据、激光雷达数据等。

步骤S102：将感知数据输入至预设的岗位技能模型中进行处理，生成与感知数据对应的岗位数据。

岗位机器人在获取到感知数据后，将其输入至预设的岗位技能模型中进行处理，以通过岗位技能模型将感知数据转换为对应的岗位数据。

一实施例中，该步骤可以具体包括：确定感知数据的数据格式；将感知数据输入至与感知数据的数据格式所对应的岗位技能模型中进行处理，生成与感知数据对应的岗位数据。

其中，上述的感知数据的数据格式可以包括图片格式、视频格式及音频格式。相应的，与感知数据的数据格式所对应的岗位技能模型可以包括图像识别模型、语音转换模型。图像识别模型、语音转换模型可以采用已公开的模型进行训练得到。

示例性的，当岗位机器人的身份是接待身份时，岗位机器人会调用摄像头识别前台来客的身份。具体的，当岗位机器人获取到感知数据（摄像头拍摄的人脸图像）后，确定感知数据为图片格式，然后将感知数据输入至图像识别模型中，以生成与感知数据对应的岗位数据（即来客身份）。此处的图像识别模型可以用于识别出来客身份，来客身份可以包括但不限于公司同事、公司合作伙伴、公司客户以及面试人员等。

而当岗位机器人的身份是接待身份时，岗位机器人还可以通过与前台来客进行语音交互，以确定出前台来客的目的。具体的，当岗位机器人获取到感知数据（与前台来客的语音交互数据）后，确定感知数据为音频格式，然后将感知数据输入至语音转换模型中，以生成与感知数据对应的岗位数据（即来访目的）。此处的语音转换模型用于进行语音识别以及转换，来访目的可以包括但不限于公司同事找前台申领物品、询问公司制度，公司伙伴或公司客户来访洽谈合作，面试人员来面试等目的。

此外，上述的感知数据的数据格式还可以是文本格式，相应的，与文本格式所对应的岗位技能模型可以是文本抽取模型。对此，本申请不作限定。

上述的岗位数据也可以理解为对感知数据进行处理后得到的与岗位相关的实体数据，该实体数据可以具体包括图片、视频、音频、文本中的人、物、事或身份（岗位）、职责、目标、任务等等。

可见，在本申请实施例中，岗位机器人根据采集的感知数据的数据格式的不同，采用各自对应的岗位技能模型进行处理，通过该方式，以使得岗位机器人能够同时用于多种数据格式的数据的有效处理。

作为一种实施方式，岗位机器人在执行步骤S102的过程中还可以执行以下操作：统计输入至岗位技能模型中的感知数据的数量；当输入至岗位技能模型中的感知数据的数量大于第一阈值时，采用输入岗位技能模型的感知数据对岗位技能模型进行更新。

其中，第一阈值的具体数值可以根据需求设定，本申请不作限定。

需要说明的是，上述过程为采用输入岗位技能模型的实时感知数据再次对模型的训练，通过该方式以对模型进行优化。

示例性的，岗位技能模型为图像识别模型。该图像识别模型用于识别出来客身份。当输入至图像识别模型中的人脸图像的数量大于第一阈值时，采用输入图像识别模型的人脸图像对图像识别模型进行更新。由于在不同时间人脸面部特征可能会发生细微变化，因此，在岗位机器人的应用过程中，不断的通过采集的实时数据对模型进行更新，以使得该模型能够更加准确地对来客身份进行识别。

此外，当有新数据导入时也需要系统后台对岗位技能模型进行更新。示例性的，各类岗位技能模型可以基于输入的新数据进行更新，比如公司入职了新员工，公司对接了新客户，则此时会将新员工、新客户等人脸身份信息特征提取，更新模型的权重文件，增加识别的身份数据库，即更新了模型。

步骤S103：根据预先构建的记忆存储模型对岗位数据进行识别，以确定岗位数据的存储类型；其中，存储类型包括：不存储、本地暂存以及云端数据库永久存储。

岗位机器人在获取到岗位数据后，再通过记忆存储模型确定出该岗位数据的存储类型。

于本申请实施例中，记忆存储模型可以包括检索策略、暂存策略以及永久存储策略；即，记忆存储模型中预先配置有检测策略、暂存策略以及永久存储策略。

相应的，上述步骤S103可以具体包括：基于检索策略，将岗位数据与自身存储的数据和云端数据库的数据进行数据比对；若数据比对为重复数据，则确定岗位数据的存储类型为不存储；若数据比对为非重复数据，则判断岗位数据是否与所述暂存策略或永久存储策略匹配；其中，若岗位数据与暂存策略匹配，则确定岗位数据的存储类型为本地暂存；若岗位数据与永久存储策略匹配，则确定岗位数据的存储类型为云端数据库永久存储。

需要说明的是，检索策略配置为确定新获取的岗位数据是否为已经存储过的数据。岗位机器人在获取到岗位数据后，先通过记忆存储模型所配置的检索策略，将岗位数据与自身存储的数据和云端数据库的数据进行数据比对，以确定该岗位数据是否为重复数据。

示例性的，公司同事的日常考勤打卡这一岗位数据仅需存储一次即可，后续仅需记录次数即可。因此，云端数据库或本地无需将公司同事每次打开的指纹、蓝牙或人脸数据进行存储。

若岗位数据并非为重复数据，则将岗位数据依次与暂存策略和永久存储策略进行匹配。

暂存策略可以是根据项目或者需求进行配置。比如，公司伙伴和客户的周期性访问数据可以本地暂存。

一实施例中，在暂存策略中可以预先配置有标识信息，比如标识信息为公司伙伴A，当岗位数据中包括公司伙伴A时，则确定岗位数据与暂存策略匹配。又比如标识信息为公司伙伴B拜访，则当岗位数据中包括公司伙伴B拜访等数据时，则确定岗位数据与暂存策略匹配。

永久存储策略也可以是根据项目或者需求进行配置。比如，重点客户的商务洽谈可以永久存储在云端数据库。

一实施例中，在永久存储策略中可以预先配置有标识信息，比如标识信息为公司客户A，当岗位数据中包括公司客户A时，则确定岗位数据与永久存储策略匹配。又比如标识信息为公司伙伴B商务洽谈，则当岗位数据中包括公司伙伴B商务洽谈时，则确定岗位数据与永久存储策略匹配。

可见，在本申请实施例中，通过记忆存储模型所配置的检索策略能够使得当岗位数据为已存储在数据时，不会对该岗位数据再次存储，进而避免岗位机器人反复存储重复数据，给自身造成过大的存取压力。并且，通过记忆存储模型所述配置的暂存策略以及永久存储策略，使得岗位机器人能够根据岗位数据按照不同的策略进行存储，通过该方式，也在一定程度上降低了岗位机器人的存取压力。

作为一种实施方式，记忆存储模型还包括：定期清理策略。即，记忆存储模型中预先配置有定期清理策略。

相应的，本申请实施例提供的岗位数据存储方法还包括：基于定期清理策略，获取本地暂存的数据的存储时长，及将达到预设时长的本地暂存的数据进行清理。

上述的预设时长可以根据具体需求进行设定，比如可以是三天、一周、一个月，对此，本申请不作限定。上述的数据清理即为数据删除。

此外，上述定期清理策略针对的存储数据本身，即，岗位机器人会获取本地暂存的每项数据的存储时长，然后仅将达到预设时长的某项数据进行清理。

示例性的，本地暂存有数据A、数据B和数据C。岗位机器人获取三项数据的在本地暂存的存储时长，若只有数据A的存储时长达到预设时长，则将数据A进行清理，而继续保留数据B和数据C。

可见，在本申请实施例中，岗位机器人还用于获取本地暂存的数据的存储时长，当其存储的某项数据的存储时长达到预设时长后，将其进行清理，进而有效地减少本地存储的压力。

此外，定期清理策略还可以是：周期性的清除所有数据。即，岗位机器人间隔预设时间对本地暂存的数据清理一次。

其中，预设时间也可以根据需求设定，比如可以是三天、一周、一个月等，本申请不作限定。示例性的，岗位机器人每隔一周将本地暂存的所有数据清理一次。

作为一种实施方式，在将本地暂存的数据进行清理之前，该方法还包括：将本地暂存的数据上传至云端数据库进行存储。

也即，岗位机器人在将本地暂存的数据清理之前，可以将本地暂存的数据上传至云端数据库进行存储备份，以便后续岗位机器人能够再次从云端数据库中调用该数据。

此外，上传至云端数据库的数据也可以区分为云端暂存和云端永久存储。

步骤S104：根据岗位数据的存储类型对岗位数据进行存储。

最后，岗位机器人根据不同的岗位数据的存储类型对该岗位数据进行分类存储，比如岗位数据A的存储类型为不存储，则岗位机器人将岗位数据A删除。又比如岗位数据B的存储类型为本地暂存，则岗位机器人将岗位数据B暂存在本地。又比如岗位数据C的存储类型为云端数据库永久存储，则岗位机器人将岗位数据C上传至云端数据库，并永久存储在云端数据库。

作为一种实施方式，步骤S104可以具体包括：基于预先配置的岗位知识图谱对岗位数据进行重构；将重构后的岗位数据根据岗位数据的存储类型进行存储。

其中，岗位知识图谱与自身预先配置的岗位身份相关联。即，不同岗位身份所对应的岗位知识图谱不同。

一实施例中，岗位知识图谱包括岗位、职责、目标以及任务。其中，岗位可以是公司名称、也可以是岗位名称；职责可以是负责商务或技术合作；目标可以是如达成某一项目合作的具体额度值、任务可以是完成某一技术项点的合作。

不同的岗位所对应的职责、目标、以及任务均不同。当然，岗位知识图谱还可以包括更多或更少的组成，本申请不作限定。

可见，在本申请实施例中，岗位机器人在配置岗位身份时，会配置岗位知识图谱，进而使得岗位机器人在获取到岗位数据后，可以基于配置的岗位知识图谱对岗位数据进行重构，而后续存储重构后的岗位数据，通过该方式能够使得岗位机器人存储的数据更加具有岗位行业特性，使得岗位机器人的“记忆”更符合自身的岗位身份。

此外，在岗位机器人投入使用之前，还需要对岗位机器人进行配置，即，岗位机器人在获取自身采集的感知数据之前，还需要执行如下操作：获取用户配置的特征数据；其中，特征数据包括配置的岗位身份信息；确定特征数据的数据格式；其中，特征数据的数据格式包括图片格式或文本格式；将特征数据输入至与特征数据的数据格式所对应的岗位技能模型中进行处理，生成与特征数据对应的岗位数据；其中，与特征数据的数据格式所对应的岗位技能模型包括图片扫描模型、文本抽取模型；将与特征数据对应的岗位数据进行存储。

需要说明的是，上述的岗位技能模型的处理方式可以参考前述实施例中的说明，本申请不作赘述。上述的图片扫描模型可以用于扫描图片中的文字信息，上述的本文抽取模型主要用于提取文字。

此外，在将与特征数据对应的岗位数据进行存储时，也可以是按照步骤S104的实现方式进行存储。

上述的特征数据还可以包括岗位机器人的自身硬件信息、自身能力特征（包括不限于语音交互、时间管理、AI（Artificial Intelligence，人工智能）工具、学习管理、工作管理及其他特定场景应用技能）、自身知识结构、自身外形体重等数据、存储任务所需要的社会关系数据、行业特征数据。

相应的，在对特征数据对应的岗位数据进行存储时，也可以基于岗位机器人知识图谱进行数据重构，然后再将重构后的数据进行存储。其中，岗位机器人知识图谱包括机器人本身的软硬件属性技能等信息。

可见，在本申请实施例中，岗位机器人在配置过程，首先获取用户配置的特征数据，然后确定特征数据的数据格式；再将特征数据输入至与特征数据的数据格式所对应的岗位技能模型中进行处理，生成与特征数据对应的岗位数据；最后再将与特征数据对应的岗位数据进行存储，通过该方式使得岗位机器人可以根据获取的特征数据的数据格式的不同，采用各自对应的岗位技能模型进行处理，同时，通过岗位技能模型也便于岗位机器人确定自身的岗位身份，以及实现对特征数据对应的岗位数据的有效存储。

此外，于本申请实施例中，还可以通过如下方式对本地数据和云端数据库的存取方式进行优化：

1.对数据采取分区操作：如针对按年份存取的数据，可以按年进行分区，如SQL（Structured Query Language，结构化查询语言）的数据库分区是将不同的数据存于不同的文件组下，而不同的文件组存于不同的磁盘分区下，这样将数据分散开，减小磁盘I/O（Input /Output，输入/输出），减小了系统负荷，而且还可以将日志、索引等放于不同的分区下。

2.建立了广泛的索引：对海量的数据处理，对大表建立索引。建立索引需要考虑具体情况，如针对大表的分组、排序等字段，都要建立相应索引，还可以建立复合索引。

3.建立缓存机制：缓存大小设置的好差也关系到数据处理的成败，如在处理2亿条数据聚合操作时，缓存设置为100000条/Buffer（缓冲）。

4.加大虚拟内存：对于海量数据进行处理时，可以采用加大虚拟内存的方法来解决。

5.分批处理：可以对海量数据分批处理，然后对处理后的数据再进行合并操作，一般的数据按天、按月、按年等存储的，都采用先分后合的方法，对数据进行分开处理。

6.使用文本格式进行处理：理由是程序操作文本速度快，对文本进行处理不容易出错，文本的存储不受限制等；

7.使用数据仓库和多维数据库存储：传统的报表可能5、6个小时出来结果，而基于Cube的查询可能只需要几分钟，因此处理海量数据的利器是OLAP（Online AnalyticalProcessing，联机分析处理）多维分析，即建立数据仓库，建立多维数据集，基于多维数据集进行报表展现和数据挖掘等。

下面结合一个具体的示例对上述实施例提供的岗位数据的存储方法进行说明。

例如岗位机器人预先配置的岗位身份为前台接待身份。

步骤S1：岗位机器人获取感知数据，包括调用摄像头识别前台来客身份所拍摄的图片文件及来客与自身的语音交互的音频文件。

步骤S2：岗位机器人对前台来客拍摄的图片数据、对话的语音数据进行格式分类，分为图片数据、音频数据。

步骤S3：岗位机器人针对分类后的不同格式的数据分别输入不同的岗位技能模型，包括图像识别模型、语音转换模型等。

步骤S4：岗位机器人得到各类岗位技能模型产生的岗位数据，比如通过图像识别模型得到来客身份（如公司同事、公司伙伴、公司客户、面试人员），通过语音转换模型得到来客的目的（如公司同事找前台申领物品、询问公司制度、公司伙伴或客户来访洽谈合作、面试人员面试等目标任务）。

步骤S5，岗位机器人基于记忆存储模型的检查策略将岗位数据与自身存储的数据和云端数据库的数据进行数据比对，对于重复的岗位数据进行删除，不存储，如公司同事的日常考勤打卡这一岗位数据存储一次即可，后续只记录次数。

步骤S6，将步骤S5检查策略比对后的新数据（来客身份、目标任务等数据）进行暂存策略和永久存储策略匹配。若岗位数据与暂存策略匹配，则确定岗位数据的存储类型为本地暂存；若岗位数据与永久存储策略匹配，则确定岗位数据的存储类型为云端数据库永久存储。比如公司伙伴和客户的周期性访问会暂时本地存储，比如重要客户的商务洽谈可永久存储于云端数据库。

步骤S7，基于预先配置的岗位知识图谱对岗位数据进行重构，如公司伙伴和客户的周期访问和重要客户的商务洽谈等岗位数据，将以岗位知识图谱中的岗位、职责、目标、任务的形式进行重构，如公司伙伴来访这一场景的数据格式将包括岗位（如公司名称、岗位名称等）、职责（如负责商务或技术合作）、目标（如达成某一项目合作的具体额度值）、任务（如完成某一技术项点的合作）。

步骤S8，最后将重构后的岗位数据根据岗位数据的存储类型进行存储。

如供应商的产品推荐来访的数据可基于暂存策略先本地化储存，并基于定期清理机制设置时间阈值进行定期清理，也可以因没有需求直接删除不存储，常规伙伴的周期合作事宜可基于暂存策略本地化暂存数据，重要客户的商机洽谈可基于永久存储机制在云端数据库永久性存储。

步骤S9，步骤S8中的本地化暂存数据可以同时上传到云端数据库备份，如有需要可再次下载到本地。

综上，在本申请实施例中，岗位机器人在获取自身采集的感知数据后，将其输入至预设的岗位技能模型中，进而得到与岗位相关联的岗位数据；然后再将岗位数据进行识别，以针对不同的岗位数据采用不同的存储方式，通过上述方式，一来可以将存储的数据与岗位机器人的场景相结合，使得岗位机器人的“记忆”具有岗位行业特性，便于岗位机器人有效、且快速地利用存储的数据。二来，通过上述分类存储方式可以针对不同的岗位数据进行针对性地分类存储，该方式也降低了岗位机器人的存取压力。

请参阅图3，基于同一发明构思，本申请实施例还提供一种岗位数据存储装置200，该装置包括：

获取模块210，用于获取自身采集的感知数据；其中，所述感知数据与自身预先配置的岗位身份相关联。

处理模块220，用于将所述感知数据输入至预设的岗位技能模型中进行处理，生成与所述感知数据对应的岗位数据。

确定模块230，用于根据预先构建的记忆存储模型对所述岗位数据进行识别，以确定所述岗位数据的存储类型；其中，所述存储类型包括：不存储、本地暂存以及云端数据库永久存储。

存储模块240，用于根据所述岗位数据的存储类型对所述岗位数据进行存储。

可选地，处理模块220具体用于确定所述感知数据的数据格式；其中，所述感知数据的数据格式包括图片格式、视频格式及音频格式；将所述感知数据输入至与所述感知数据的数据格式所对应的岗位技能模型中进行处理，生成与所述感知数据对应的岗位数据；其中，所述与所述感知数据的数据格式所对应的岗位技能模型包括图像识别模型、语音转换模型。

可选地，岗位数据存储装置200还包括更新模块。

更新模块用于统计输入至岗位技能模型中的感知数据的数量；当输入至岗位技能模型中的感知数据的数量大于第一阈值时，采用输入岗位技能模型的感知数据对岗位技能模型进行更新。

可选地，所述记忆存储模型包括检索策略、暂存策略以及永久存储策略。确定模块230具体用于基于所述检索策略，将所述岗位数据与自身存储的数据和云端数据库的数据进行数据比对；若数据比对为重复数据，则确定所述岗位数据的存储类型为不存储；若数据比对为非重复数据，则判断所述岗位数据是否与所述暂存策略或所述永久存储策略匹配；其中，若所述岗位数据与所述暂存策略匹配，则确定所述岗位数据的存储类型为本地暂存；若所述岗位数据与所述永久存储策略匹配，则确定所述岗位数据的存储类型为云端数据库永久存储。

可选地，所述记忆存储模型还包括：定期清理策略。岗位数据存储装置200还包括清理模块。清理模块用于基于所述定期清理策略，获取本地暂存的数据的存储时长，及将达到预设时长的本地暂存的数据进行清理。

可选地，存储模块240还用于在所述基于所述定期清理策略，获取本地暂存的数据的存储时长，及将达到预设时长的本地暂存的数据进行清理之前，将所述本地暂存的数据上传至云端数据库进行存储。

可选地，存储模块240还用于基于预先配置的岗位知识图谱对所述岗位数据进行重构；其中，所述岗位知识图谱与自身预先配置的岗位身份相关联；将重构后的岗位数据根据所述岗位数据的存储类型进行存储。

可选地，岗位数据存储装置200还包括配置模块，配置模块用于在所述获取自身采集的感知数据之前，获取用户配置的特征数据；其中，所述特征数据包括配置的岗位身份信息；确定所述特征数据的数据格式；其中，所述特征数据的数据格式包括图片格式或文本格式；将所述特征数据输入至与所述特征数据的数据格式所对应的岗位技能模型中进行处理，生成与所述特征数据对应的岗位数据；其中，所述与所述特征数据的数据格式所对应的岗位技能模型包括图片扫描模型、文本抽取模型；将与所述特征数据对应的岗位数据进行存储。

需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。

该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。