[发明专利]情绪表达的方法、装置和机器人

说明书

本发明公开了一种情绪表达的方法、装置和机器人。其中，该方法包括：对输入的外界刺激信息依据预设的神经网络模型匹配生成与外界刺激信息相对应的情绪反馈信息；依据预设的深度强化学习模型解析情绪反馈信息，得到与情绪反馈信息对应的情绪响应结果；输出情绪响应结果。本发明解决了由于相关技术中机器人的情绪系统对于情绪的反馈均为人工设置条件设定，导致机器人情绪学习效率低且情绪个性覆盖不全面的技术问题。

技术领域

本发明涉及电子技术应用领域，具体而言，涉及一种情绪表达的方法、装置和机器人。

背景技术

现有的机器人情绪系统专注于计算当前瞬时情绪的计算,以及考虑到上一个时间点的情绪对当前情绪的影响。但是没有任何检索到关于情绪对个性演变的研究设计。同时当前的情绪转移模型都是人为设置了转移条件，当外界刺激达到设定的转移条件时，情绪将发生转移。该模型并不是机器体学习而来。同时，对于相关情绪的表达的方式，也都是基于设计者提前设计好的动作集。

针对上述由于相关技术中机器人的情绪系统对于情绪的反馈均为人工设置条件设定，导致机器人情绪学习效率低且情绪个性覆盖不全面的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种情绪表达的方法、装置和机器人，以至少解决由于相关技术中机器人的情绪系统对于情绪的反馈均为人工设置条件设定，导致机器人情绪学习效率低且情绪个性覆盖不全面的技术问题。

根据本发明实施例的一个方面，提供了一种情绪表达的方法，包括：对输入的外界刺激信息依据预设的神经网络模型匹配生成与外界刺激信息相对应的情绪反馈信息；依据预设的深度强化学习模型解析情绪反馈信息，得到与情绪反馈信息对应的情绪响应结果；输出情绪响应结果。

可选的，对输入的外界刺激信息依据预设的神经网络模型匹配生成与外界刺激信息相对应的情绪反馈信息包括：通过由多个单层神经网络模型组成的多层神经网络模型，识别外界刺激信息，得到与外界刺激信息对应的情绪反馈信息。

进一步地，可选的，外界刺激信息至少包括：当前环境状态、声音环境、视觉环境或运动状态中的一种。

可选的，通过由多个单层神经网络模型组成的多层神经网络模型，识别外界刺激信息，得到外界刺激信息对应的情绪反馈信息包括：将外界刺激信息输入到第一层神经网络模型进行数据处理，得到第一层神经反馈输出；将第一层神经反馈输出输入到第二层神经网络模型进行数据处理，得到第二层神经反馈输出，并将第二层神经反馈输出依据逐级的神经网络模型进行数据处理后最终得到情绪反馈信息。

进一步地，可选的，神经网络模型包括：y＝w*x+b；其中，w是权重，x是每层神经反馈输出，y是每层神经反馈输出对应的下一层神经反馈输出，b是偏移向量。

可选的，依据每层神经网络模型的类型对权重采用后向传播方式进行动态调整。

进一步地，可选的，依据预设的深度强化学习模型解析情绪反馈信息，得到与情绪反馈信息对应的情绪响应结果包括：将情绪反馈信息输入预设的深度强化学习模型；依据预设的深度强化学习模型中的回报函数解析情绪反馈信息，得到与情绪反馈信息对应的情绪响应结果。

可选的，依据预设的深度强化学习模型中的回报函数解析情绪反馈信息，得到与情绪反馈信息对应的情绪响应结果包括：依据回报函数解析情绪反馈信息，得到回报值；对回报值匹配对应的情绪反馈项；将情绪反馈项确定为情绪响应结果。

进一步地，可选的，回报函数包括：Q＝r(ai,s,t)+p*r(ai,s+1,t+1)+...+p^(n-1)r(ai,s,t+n)；其中，Q为长期的期望回报；r为当前的回报，ai为当前采取的动作，s+n为在当前时间n下的状态；t+n为时间状态n；p为折扣率，且p的取值介于[0，1]中的一个实数。