[发明专利]直觉物理的机器学习方法、装置及计算机可读存储介质

说明书

本发明公开了一种直觉物理的机器学习方法，通过获取目标物体的深度图像，将所述深度图像和基于目标物体特性生成的第一条件向量输入生成网络，得到目标物体的预测变形量；然后获取目标物体的真实变形量，将所述预测变形量作为判别网络的输入值，结合真实变形量，确定生成网络输出的预测变形量是否符合期望；之后在所述预测变形量符合期望时，基于所述预测变形量执行任务。本发明还公开了一种直觉物理的机器学习装置及计算机可读存储介质。本发明方法预测出三维物体在受到外力时的实时变形情况，将该物体的材料特性和受力情况作为条件向量，附加给深度变分自动编码器和对抗性训练网络，实现了实时的变形预测。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种直觉物理的机器学习方法、装置及计算机可读存储介质。

背景技术

深度学习作为目前机器学习的重要领域，在图像识别、语音分析等方向都有着重要应用。深度学习由神经网络演化而来，深度学习本质上是深层的人工神经网络，它不是一项孤立的技术，而是数学、统计机器学习、计算机科学和人工神经网络等多个领域的综合。到目前为止，人们己经针对分类、检测、识别等各类不同的问题设计了多种行之有效的网络结构。由于现实中的问题往往比简单的识别和线性预测更加复杂，例如，立体图像重建需要输出完整的3D模型，智能排版需要输出完整的排版方案，这些是现有神经网络所不能做的。在高维度、高复杂度的生成模型上，仍然非常欠缺。作为近两年人工智能领域的里程碑式的工作，生成对抗网络和德雷斯登生成对抗网络(Wasserstein GAN)为高维生成模型奠定了基础，其中一项应用就是计算机视觉预测物理形变的高纬度模型，使机器人像人一样，对重力、摩擦力、张力等现实世界的理解变为可能。

对周围环境进行了解和交互，是机器人需要拥有的重要能力之一，也是包括机器人技术和增强现实技术在内的许多应用技术得以实现的前提条件，尤其是在预测目标物体在受外力作用下的实时变形情况时。然而，在实际中常常遇到目标物体被遮挡，出现干扰物，以及局部缺失等状况，上述情况都会导致对目标物体的变形进行实时预测时难度增加，例如机器人在操纵一个物体时只能观察到目标对象的局部而非整体。

同时，传统的机器人抓取方式将所有目标物体看作是静止且坚硬的不变形刚体，因此在抓取物体的过程中，并没有考虑到物体本身的变形，这明显有违于物理规律，因为现实世界中的大部分物体在受到外力时都会产生形变。另一方面，基于有限元技术的形变分析方法虽然具有较高精度，却无法通过一定的深度图来实现且需要花费高昂的运算成本，难以完成实时预测。因此有必要提出一种直觉物理的机器学习方法。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种直觉物理的机器学习方法、装置及计算机可读存储介质，旨在解决对非刚性物体变形情况进行实时预测的技术问题。

为实现上述目的，本发明提供一种直觉物理的机器学习方法，应用于直觉物理的机器学习系统，所述直觉物理的机器学习系统包括生成网络和判别网络，所述直觉物理的机器学习方法包括以下步骤：

获取目标物体的深度图像，将所述目标物体的深度图像和基于目标物体特性生成的第一条件向量输入生成网络，得到目标物体的预测变形量；

获取目标物体的真实变形量，将所述生成网络输出的预测变形量作为判别网络的输入值，结合所述真实变形量，确定生成网络输出的预测变形量是否符合期望；

在所述生成网络输出的预测变形量符合期望时，基于所述预测变形量执行任务。

优选地，所述获取目标物体的深度图像，将所述目标物体的深度图像和基于目标物体特性生成的第一条件向量输入生成网络，得到目标物体的预测变形量的步骤包括：

获取目标物体的深度图像，根据所述目标物体的深度图像得到对应的体素网格；

基于目标物体特性生成第一条件向量；