[发明专利]智能体行为建模方法、系统、介质和计算机设备

说明书

本发明提供智能体行为建模方法、系统、介质和计算机设备，该方法包括：获取场景图像数据；根据场景图像数据生成场景知识库；根据场景知识库生成行为知识库；根据场景知识库，行为知识库以及历史行为库确定智能体的机动行为。该方法通过获取场景图像数据，生成场景知识库以及行为知识库，使得本发明实施例的智能体行为建模方法拥有自我进化的能力，以实现对未知场景的适应；并基于强化学习策略，采用基于归一化径向基函数的行为生成模型，以实现行为知识库与历史行为库的数据融合，作为模型训练样本；通过将深度学习与逆向强化学习相结合，利用环境和状态特征的复杂相关性，实现奖励函数优化。

技术领域

本发明涉及仿真建模领域，具体涉及智能体行为建模方法、系统、介质和计算机设备。

背景技术

传统的仿真建模方法是从事件驱动行为的角度出发，构建智能体的行为决策模型。如状态机的构建、脚本规则的编写，这些方法不仅需要该领域的专业人员参与，而且工作量也很大，同时还难以保证最后获得的模型具有好的鲁棒性和准确性。目前的仿真建模技术无论是针对单智能体还是多智能体的行为决策均与现实有差距，难以满足实际开发中的需求。尤其是单智能体的仿真建模中的行为决策问题，目前尚未提出有效的建模框架和理论。现有的单智能体建模方法，主要有强调模拟人行动的规则类建模、强调模拟人思考的认知类建模和基于人工智能的近似建模三大类方法，其中尤其以第一种方法为学者们主要的研究领域，该方法强调从行为维度构建建模框架，这往往需要大量的与任务相关的人工参与，如状态机的构建、脚本规则的编写等均需要大量的外部知识，这些工作更多强调模拟人的行动而非人的认知过程。智能化建模强调用机器的方式代替人完成在仿真环境下的行为决策，并能够实现模型的自我进化以增强模型的鲁棒性。而目前现有的智能体行为建模方法大多数为以规则的方式构建状态机完成对智能体的控制，这种方式不仅耗费人力、系统本身的鲁棒性有限，当场景变化时需要重复建模，所以一个有效的仿真建模行为生成方法不仅应该能够节省人力，还应该具有自我进化的能力以实现对未知场景的适应。因此本发明针对仿真平台中的智能体的机动行为进行建模，通过设计新的建模框架并引入智能化的算法，以解决传统建模方法在机动行为建模中知识不足、任务量大、工作繁琐等问题。

发明内容

针对上述问题，本发明实施例的一个目的是提供一种智能体行为建模方法、系统、可读存储介质和计算机设备，以实现对智能体行为的智能化建模，并能够实现模型的自我进化以增强模型的鲁棒性。

为达上述目的，第一方面，本发明实施例提供了一种智能体行为建模方法，所述方法包括：

获取场景图像数据；

根据场景图像数据生成场景知识库；

根据场景知识库生成行为知识库；

根据行为知识库以及历史行为库确定智能体的机动行为。

进一步地，场景图像数据包括不同场景中对应的待识别图像；场景知识库包括对应多个不同场景的场景状态向量；根据所述场景图像数据生成场景知识库，具体包括：

对待识别图像进行特征提取，得到特征图；

根据特征图确定融合特征图；

根据融合特征图确定场景状态向量。

进一步地，特征图包括浅层特征图和深层特征图；特征图包括c个通道，其中，c大于或者等于1，且为整数；根据特征图确定融合特征图，具体包括：

确定特征图每个通道对应的权重系数；

将浅层特征图的每个通道的特征与对应的权重系数相乘后进行加法运算，得到浅层融合特征图；

将深层特征图的每个通道的特征与对应的权重系数相乘后进行加法运算，得到深层融合特征图；

对深层融合特征图进行上采样，获取与浅层特征图相同尺寸的剪裁深层特征图；