一种机器人的学习方法和系统技术方案

本发明专利技术涉及工业机器人领域，尤其涉及一种机器人的学习方法和系统，首先预设置一学习任务，所述主机器人完成所述学习任务，所述主机器人根据完成所述学习任务的情况生成一学习数据，再导出所述学习数据，所述从机器人学习所述学习数据，并且对所述学习数据进行优化，判断所述从机器人是否对所述学习数据进行优化，若是则导出优化的所述学习数据，所述从机器人学习优化的所述学习数据，否则，继续对所述学习数据进行优化，无需专业编程人员的参与，无需重复性的编程，是一种更省人力、更加高效的方法。

【技术实现步骤摘要】

本专利技术涉及工业机器人领域，尤其涉及一种机器人的学习方法和系统。
技术介绍
机器人是自动执行工作的机器装置，它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。它可以协助或取代人类的工作，并越来越广泛应用于人们的日常工作生活之中。比如生产业、建筑业、服务业或是高危险的工作，或者是近几年流行的家庭清扫机器人等等。如图1所示，机器人一般由机械部分、传感部分、控制部分三大部分组成，这三大部分可分成驱动系统、机械系统、感受系统、机器人环境交互系统、人机交互系统、控制系统这六个子系统。机器人控制系统一般由一台或多台微型计算机构成以完成对机器人的控制。这类机器人均存在明显缺点。首先，复杂的控制系统必须由专业的编程人员对机器人进行编程，编程好之后才能进行实际作业，一旦作业发生改变，就必须对机器人重新编程才能继续作业，这使得编程人员的负担大大增加。其次，不同厂商的机器人控制系统平台和标准往往是不一样的。例如，Saphira是SRI国际人工智能中心在20世纪90年代开发的机器人控制系统，支持Unix和Windows平台，采用C语言开发；TeamBots是一个基于JAVA的应用程序和开发包集合；国内最早的机器人系统是沈阳自动化研究所研制的OSMOR系统，它是基于Windows操作系统的开放式体系结构。可见，不同厂商的机器人的编程语言和系统结构都不一样，这无疑进一步使编程人员的工作变得困难。再次，简单的人机交互系统无法精准控制机器人，譬如清洁机器人，由于作业目标经常发生变化，就不断需要对机器人进行控制调整，但是又不能做到精确调整，使得作业效果并不理想。最后，传统的机器人以CPU或MCU为底层控制硬件，虽然具备一定存储功能，但是远远不能实现自我学习的功能，因此这样的机器人不会因为用户使用时间的增加而变得更“聪明”。因此，传统机器人仍然有待改进。
技术实现思路
针对上述问题，本专利技术提出了一种机器人的学习方法，所述机器人包括主机器人和至少一个从机器人，所述学习方法包括：步骤S1，预设置一学习任务，所述主机器人完成所述学习任务；步骤S2，所述主机器人根据完成所述学习任务的情况生成一学习数据；步骤S3，导出所述学习数据，所述从机器人学习所述学习数据，并且对所述学习数据进行优化；步骤S4，判断所述从机器人是否对所述学习数据进行优化，若是则执行步骤S5，否则，执行所述步骤S3；步骤S5，导出优化的所述学习数据，所述从机器人学习优化的所述学习数据。上述的机器人的学习方法，其中，步骤S1中，所述从机器人的人工神经网络芯片具备感知、学习及记忆能力，以对所述学习数据进行优化。上述的机器人的学习方法，其中，所述人工神经网络芯片由硬件电路实现，且包括大容量的非易失性存储器。上述的机器人的学习方法，其中，所述学习方法还包括：对所述学习数据进行处理，使得所述学习数据中的参数按比例改变，以适应不同尺寸的从机器人。上述的机器人的学习方法，其中，所述参数包括：环境参数和/或坐标参数和/或位置参数和/或负载参数。上述的机器人的学习方法，其中，步骤S1中，人工示教所述主机器人完成所述学习任务，且所述人工示教包括直接示教和间接示教。上述的机器人的学习方法，其中，步骤S3中，人工导出的所述学习数据具有一预设的文件格式。上述的机器人的学习方法，其中，步骤S3中，人工导出所述学习数据，所述从机器人学习所述学习数据，并且对所述学习数据进行优化。上述的机器人的学习方法，其中，所述主机器人和所述从机器人为同类型机器人。上述的机器人的学习方法，其中，所述学习任务为预设动作。一种机器人的学习系统，所述学习系统包括：主机器人，完成预设的学习任务生成学习数据；至少一从机器人，与所述主机器人连接，从所述主机器人导入所述学习数据，以学习所述学习数据，并且对所述学习数据进行优化；判断模块，与每个所述从机器人连接，判断所述从机器人是否对所述学习数据进行优化，且将优化的所述学习数据导出至其他所述从机器人中，未优化的所述学习数据保持不变。上述的机器人的学习系统，其中，所述学习系统中：所述从机器人中包括人工神经网络芯片，所述从机器人的人工神经网络芯片具备感知、学习及记忆能力，以对所述学习数据进行优化。上述的机器人的学习系统，其中，所述人工神经网络芯片由硬件电路实现，且包括大容量的非易失性存储器。综上所述，本专利技术提出一种机器人的学习方法和系统，首先预设置一学习任务，所述主机器人完成所述学习任务，所述主机器人根据完成所述学习任务的情况生成一学习数据，再导出所述学习数据，所述从机器人学习所述学习数据，并且对所述学习数据进行优化，判断所述从机器人是否对所述学习数据进行优化，若是则导出优化的所述学习数据，所述从机器人学习优化的所述学习数据，否则，继续对所述学习数据进行优化，无需专业编程人员的参与，无需重复性的编程，是一种更省人力、更加高效的方法。附图说明图1为现有机器人的内部结构原理图；图2为本专利技术实施例机器人的学习方法的方法原理图；图3为本专利技术实施例机器人的学习系统的结构原理图；图4为本专利技术实施例飞机模型的示意图。具体实施方式本专利技术提出一种机器人的学习方法和系统，该机器人可以配备人工神经网络芯片，该人工神经网络芯片可以采用硬件电路来模拟实现人脑功能，分布式、平行的方式来储存、处理信息，与人脑中的神经元和突触对信息的处理方式一致。本专利技术人工神经网络芯片可以具备大容量的数据存储能力，而且即使掉电后数据依然能够保存，因而可以像大脑一样具备记忆功能。因此，本专利技术机器人具备认知、记忆和自学习能力。当通过人工引导的方式使机器人完成预期动作或任务的时候，其人工神经网络芯片就能在该过程中不断感知和自学习，并把该过程中产生的大量数据保存下来，像人脑一样长久的记录下来，因而机器人就能通过这种记忆功能而重复上述动作或任务。如果将机器人再将该学习过程中产生的大量数据按照某种特定格式导出并下载到其他同类型机器人中的人工神经网络芯片中，那么其他机器人就无需编程、无需引导就能够完成上述同样的预期动作和任务。可见，这种实现方法无需专业编程人员的参与，且不需要重复引导，并且由于本专利技术这种机器人具备自学习能力，从而可以应对不同的环境变化、坐标或位置变化以及负载变化，相应的调整工作程序，使更精准、更出色的完成预期的任务。因此本专利技术这种机器人的智能学习方法能够大大降低编程的成本和难度。下面结合附图和实施例对本专利技术进行进一步说明。实施例一如图2所示，本实施例提供了一种机器人的学习方法，机器人包括主机器人和至少一个从机器人，该学习方法可以包括：步骤S1，预设置一学习任务，主机器人完成学习任务；步骤S2，主机器人根据完成学习任务的情况生成一学习数据；步骤S3，导出学习数据，从机器人学习学习数据，并且对学习数据进行优化；步骤S4，判断从机器人是否对学习数据进行优化，若是则执行步骤S5，否则，执行步骤S3；步骤S5，导出优化的学习数据，从机器人学习优化的学习数据。优选地，步骤S1中，从机器人中可以包括有人工神经网络芯片，该人工神经网络芯片具备感知、学习及记忆能力，以对学习数据进行优化；更为优选地，人工神经网络芯片可以由硬件电路实现，且包括大容量的非易失性存储器。优选地，该学习方法还可以包括：对学习数本文档来自技高网...

【技术保护点】
一种机器人的学习方法，其特征在于，所述机器人包括主机器人和至少一个从机器人，所述学习方法包括：步骤S1，预设置一学习任务，所述主机器人完成所述学习任务；步骤S2，所述主机器人根据完成所述学习任务的情况生成一学习数据；步骤S3，导出所述学习数据，所述从机器人学习所述学习数据，并且对所述学习数据进行优化；步骤S4，判断所述从机器人是否对所述学习数据进行优化，若是则执行步骤S5，否则，执行所述步骤S3；步骤S5，导出优化的所述学习数据，所述从机器人学习优化的所述学习数据。

【技术特征摘要】
1.一种机器人的学习方法，其特征在于，所述机器人包括主机器人和至少一个从机器人，所述学习方法包括：步骤S1，预设置一学习任务，所述主机器人完成所述学习任务；步骤S2，所述主机器人根据完成所述学习任务的情况生成一学习数据；步骤S3，导出所述学习数据，所述从机器人学习所述学习数据，并且对所述学习数据进行优化；步骤S4，判断所述从机器人是否对所述学习数据进行优化，若是则执行步骤S5，否则，执行所述步骤S3；步骤S5，导出优化的所述学习数据，所述从机器人学习优化的所述学习数据。2.根据权利要求1所述的机器人的学习方法，其特征在于，所述步骤S1中，所述从机器人的人工神经网络芯片具备感知、学习及记忆能力，以对所述学习数据进行优化。3.根据权利要求2所述的机器人的学习方法，其特征在于，所述人工神经网络芯片由硬件电路实现，且包括大容量的非易失性存储器。4.根据权利要求1所述的机器人的学习方法，其特征在于，所述学习方法还包括：对所述学习数据进行处理，使得所述学习数据中的参数按比例改变，以适应不同尺寸的从机器人。5.根据权利要求4所述的机器人的学习方法，其特征在于，所述参数包括：环境参数和/或坐标参数和/或位置参数和/或负载参数。6.根据权利要求1所述的机器人的学习方法，其特征在于，步骤S1中，人工示教所述主机器人完成所述学习任务，且所述人工示...

【专利技术属性】
技术研发人员：易敬军，陈邦明，王本艳，
申请(专利权)人：上海新储集成电路有限公司，
类型：发明
国别省市：上海;31