[发明专利]一种基于场景的开放式神经网络模型管理系统

说明书

本发明属于机器人控制技术认知领域，公开了一种基于场景的开放式神经网络模型管理系统。针对多态智能集群无人体系架构中基于环境模型进行观察、判断、决定和行动时，进行目标特征提取过程中需要用到大量模型以进行包含可见光、电磁、红外多类信号源的处理。本发明为这些不同框架下的模型建立一个统一格式的数据存储单元，并搭载在执行侦查或动作任务的机器人操作系统角色设备端和用以指挥与训练模型的人机交互与可视化地面站端上。本发明使得机器人操作系统角色实体设备采集到目标信号进行数据预处理后能从中提取出目标的特征参数并进行比对，以推断出目标类型或目标个体代码编号。

技术领域

本发明属于机器人控制技术认知领域，涉及机器人体系架构控制模块中的目标特征模型管理系统，尤其是一种基于场景的开放式神经网络模型管理系统。

背景技术

多态智能集群机器人系统有几个关键的要素：一是面向行为的概念抽象，即机器人体系架构的核心概念，包括基于「角色」的控制抽象和基于「语义视图」的数据抽象；二是多态分布的体系结构，即机器人群体如何组织管理，包括层次式结构、分布式结构和持续自主对抗学习架构。三是适应环境的群体智能，包括适应环境的持续自主学习系统的架构模型，其构建环境模型的思路是场景+语义，让机器人能够基于环境模型进行观察、判断、决定和行动，还能够利用平行控制架构实现感知、学习、抽象和推理，并具有空间分布性、功能异构性、任务并行性以及高智能性。最终使得群体智能通过结构性(自聚合机理)、适应性(自组织机理)、涌现性(自演化机理)实现突破。

机器人系统随着位置的移动和实时情景情境的变化，在群体观察和群体判断等环节中会涉及到大量的数据的管理，如导航定位、可见光、红外、电磁频谱等角色数据、情境感知数据、角色管理数据、任务管理数据、初始情境数据、目标特征信息等数据的管理，这些数据支撑着无人系统的智能行为，并基于群体优势发挥群体智能，涉及导航定位、可见光与情景感知数据、目标特征数据的管理，而磁辐射源指纹特征的产生主要体现在电磁设备内部基础硬件组成的细微差异。例如辐射源设备内部频率源振荡器、发射管、调制器和高压电源等器件或电路产生的所不希望的各种寄生调制造成的差异。然而针对不同类型的电磁设备，信号产生的方式以及类型等都不尽相同，因此导致其辐射源指纹提取的方式也需要进行相应的改变。对于不同的信号源来说，对可见光图像进行分类的神经网络模型有AlexNet、VGG、ResNet等，类似于可见光图像对红外数据集进行训练后能得到用于红外目标识别的神经网络。

当前机器学习领域有许多框架，如Caffee、tensorflow、Pytorch、Keras等等，每个框架都有其优缺点，例如Keras是一个高级的框架，将常用的深度学习层和操作包装到简洁的积木式的构建块中，将深度学习的复杂性抽象出来，降低了使用门槛，用户可以专注于算法层面而不必过分关心实现方法；PyTorch提供了一个更为底层的环境，使用户可以更自由地编写自定义层并查看数值优化任务的底层。当可以使用Python的全部功能并访问所使用的所有函数的内核时，可以更直接的开发更复杂的架构，当然其实现也更为复杂。由于每个框架的侧重点不同，往往单一框架无法满足用户需求，多框架并存的开发环境更受开发者的喜爱。但由于不同框架的底层架构不同，同一算法在不同框架下的模型是不能互用的，因此如何将多平台多框架下的机器学习模型进行统一的管理成为摆在开发者面前的问题。

发明内容

本发明要解决的技术问题是：针对多态智能集群无人体系架构中基于环境模型进行观察、判断、决定和行动时，进行目标特征提取过程中需要用到大量模型以进行包含可见光、电磁、红外多类信号源的处理，如图1所示。为这些不同框架下的模型建立一个统一格式的数据存储单元，并搭载在执行侦查或动作任务的机器人操作系统角色设备端和用以指挥与训练模型的人机交互与可视化地面站端上。使得机器人操作系统角色实体设备采集到目标信号进行数据预处理后能从中提取出目标的特征参数并进行比对，以推断出目标类型或目标个体代码编号。

本发明的技术方案是：