【摘要】：情感計算是人工智能學科的一個重要研究課題,多機器人行為決策是多機器人協(xié)作系統(tǒng)的重要研究內(nèi)容,將兩者結(jié)合起來研究多機器人協(xié)作系統(tǒng)中的情感機器人的行為決策是一個更有趣更復雜的問題。情感能夠調(diào)節(jié)行為,也是一種交流信號,能促進機器人和機器人團隊的自動化。本文的主要研究內(nèi)容包括:(1)為多機器人協(xié)作系統(tǒng)中的機器人提出一個可解釋和可計算的情感模型。我們結(jié)合前期基礎工作,構建了一個相對完善的情感模型,該模型包括了個性、情緒、意愿度幾個基本元素,和情緒衰減、情緒感染、外界刺激幾個影響關系。本文詳細描述了情感模型各模塊及其耦合關系,提出了CASE個性模型以描述協(xié)作中的機器人的個性特征,完善了刺激類型定義與計算,最終通過意愿度來衡量機器人對任務的執(zhí)行意愿,并作為任務分配的主要依據(jù)。最后通過仿真實驗展示了情感的各組件在任務協(xié)作各環(huán)節(jié)中發(fā)揮的積極作用。(2)任務分配是多機器人協(xié)作的關鍵問題之一,研究如何高效協(xié)調(diào)地組織機器人執(zhí)行任務�；诒疚奶岢龅那楦心Ｐ�,針對有情感的多機器人協(xié)作系統(tǒng)設計了任務分配算法,發(fā)揮情感的積極作用。最后通過多機器人追捕任務仿真實驗展示了該任務分配算法的有效性。(3)多機器人協(xié)作系統(tǒng)中的機器人行為決策還包括任務執(zhí)行中的行為策略,本文以追捕任務為實例研究了多機器人的追捕策略。本文引入勢點分配的思想,并將勢點集合擴展到連續(xù)空間,結(jié)合逃跑目標的移動方向給出了連續(xù)勢點的定義。通過為追捕者分配不同的勢點,使追捕者選擇不同的追捕行為。通過深度確定性策略梯度算法優(yōu)化團隊內(nèi)部追捕勢點分配策略,通過多次迭代最終收斂到較優(yōu)的結(jié)果。最后在仿真實驗中展示了深度確定性策略梯度算法的有效收斂,驗證了基于勢點分配的圍捕算法的智能性和高效性,并分析了算法的優(yōu)勢和不足。
【圖文】：

通過情感特征觀察值給出特征觀察序列與情感狀態(tài)之間的統(tǒng)計關系程根據(jù)初始情感的分布概率和轉(zhuǎn)移概率來模擬情感狀態(tài)的自發(fā)轉(zhuǎn)移過3）Kismetismet 是由 MIT 的 Breazeal 博士設計的一個用于情感計算實驗的機器它可以識別和模擬情感。Kismet 通過視覺和聽覺感知外界社交信息，表情、姿勢和聲樂表達社交信息。該機器人通過低級特征提取系統(tǒng)于傳感器的特征，通過注意系統(tǒng)確定這些特征中最突出和相關的刺組織行為反應的關注點，對應的低級特征在高級感知系統(tǒng)中被封裝的感知信息，通過感知信息影響其他行為、動機和運動過程。Kism件觸發(fā)，這些事件與機器人的幸福感相關。被觸發(fā)后的情緒作為連境的功能集合。Kismet 的情感狀態(tài)由喚醒、姿態(tài)和效價三個維度來間中的任意一點都表示一個情感狀態(tài)，三維空間被劃分為六個情感：憤怒、厭惡、恐懼、快樂、悲傷和驚訝，機器人根據(jù)當前情感點出該類情感對應的表情，距離區(qū)域中心越近情感強度越大。

圖 2.1 強化學習原理框架Fig 2.1 Reinforcement learning通常被建模為馬爾科夫決策過程（Ma義為一個四元組 S , A,P,r，其中：態(tài)的集合， sSt 表示智能體在t時刻所處，，則狀態(tài)值等于觀察值，如果是部分可作的集合， aAt 表示智能體在t時刻采取態(tài)轉(zhuǎn)移概率矩陣， Pssssatttass P','1狀態(tài)轉(zhuǎn)移到 s '的概率；， rRssaatttas E,1表示智能體在狀。獎勵值是一個標量反饋信號，表示智能中的一個重要概念，策略就是智能體的行
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP242

【參考文獻】

相關期刊論文 前1條

1 王浩;張權益;方寶富;方帥;;基于狀態(tài)空間與概率空間映射的極大相似度匹配情感模型[J];模式識別與人工智能;2013年06期

相關碩士學位論文 前1條

1 孫博寒;大規(guī)模情感機器人追捕問題研究[D];合肥工業(yè)大學;2018年

本文編號：2624105