基于知识表示学习的工业云机器人制造能力服务推荐方法

随着工业云机器人的广泛应用,服务信息爆炸式增长造成服务信息过载,为了快速有效地从海量制造服务中为用户推荐优质可靠的服务,提出一种基于知识表示学习的工业云机器人制造能力服务推荐方法,从工业云机器人制造能力服务知识图谱的构建出发,对工业云机器人制造任务信息、制造能力信息、服务功能信息和非功能信息进行描述;为提高知识推荐的速度,引入知识表示学习,将实体和关系表示为低维稠密的向量,实现实体和关系的语义联系的高效计算。针对大多数翻译模型负样本生成采用随机替换的方法导致模型预测精度低的问题,提出了一种新的负样本生成策略,将其与TransE结合,在FB15K数据集上验证了负样本生成策略的有效性,实验结果证明本文所提方法在进行链接预测时具有更高的准确率。

云边协同下基于博弈论的云机器人部分任务卸载策略

如何合理地利用中心云、边缘云的资源,既降低系统设备能耗,又能缩短任务平均完成时间,是云机器人计算任务卸载面临的重大挑战。将云机器人的计算任务完成时间与能耗作为代价衡量指标,根据自身需求设置不同的代价权重,将多个云机器人的计算任务卸载问题转换成了一种多个玩家参与的博弈模型,设计了一种基于博弈论的部分任务卸载算法(game theory-partial task offloading,GT-PTO)。通过算法下的纳什平衡状态,找到参与者的最佳卸载阈值,从而达到系统总代价的优化。仿真结果表明,采用所提算法进行任务卸载,能够减少云机器人计算任务的能耗,缩短平均任务完成时间,大大提高云边协同服务质量。

云边端协同下的多云机器人卸载策略研究

如何充分利用中心云、边缘云和本地设备的计算资源,使得系统总代价尽可能降低,是云机器人任务卸载领域亟须解决的主要问题之一。针对该问题,提出一种基于遗传博弈的部分任务卸载算法(Genetic Game Theory-Partial Task Offloading, GGT-PTO)。将云机器人任务完成时间与系统能耗作为衡量系统总代价的两个指标,通过设置任务指标权重来模拟实际任务需求偏好,使用两个阈值对任务进行粒化分割。在每一轮对系统总代价的博弈中,使用遗传算法代替常规设置步长的方式,选出能使系统总代价降低量最大化的单个任务,并将该任务此时对应的卸载阈值更新入系统卸载策略集合中。不断重复以上过程,寻找该算法下的纳什平衡状态,确定整个系统的最佳卸载策略集合,进而降低整个系统的总代价。仿真结果表明,相比于常见二进制卸载算法和基于传统博弈的部分卸载算法,该算法在任务完成时间和能耗上均有明显降低,可使云边端协同服务的整体性能显著提升。

基于ROS的云机器人服务框架

随着机器人技术的发展和硬件的普及,机器人的市场应用前景越来越广泛.但是,目前的机器人仍存在着许多局限,具体表现为可移植性弱,本地计算成本高,服务应用较少等.云机器人的提出,将机器人的计算能力从本地迁移到云端,不但提高了机器人的计算能力,降低了机器人硬件成本,而且能使资源的分配更为均衡,为解决机器人发展面临的困难提供了有效的解决途径.在云机器人的基础思想之上,提出一种基于ROS的云机器人服务框架.该服务框架使用开源的机器人操作系统ROS作为机器人运行的基础,增强了其对于不同硬件和软件环境的可移植性.同时,在框架的云端部分加入了机器人的服务管理系统和服务解析模块,能够方便快速地对机器人服务进行扩展和调用.在最后的实验部分,通过人脸识别服务模块对云机器人服务框架进行了实验验证.

云机器人的研究进展

将云机器人作为传统分布式网络机器人的自然衍生和发展,并从这一视角分析了云机器人与其他机器人之间的联系与区别。进一步地,详细介绍和分析了云机器人的技术基础,对国内外基于云的机器人服务平台和云机器人相关研究项目与应用进行了综述;在此基础上,分析了一种较为通用的云机器人系统框架模型。最后归纳总结了云机器人亟待解决的关键技术,并对未来云机器人的发展趋势进行了展望。

云机器人系统研究综述

随着云计算、大数据和其他新兴技术的发展,云技术和多机器人系统的集成使得能够设计出具有改进能源效率、实时性高、成本低的多机器人系统。为了解决云增强系统中机器人的潜力,介绍了云机器人的起源、发展过程以及有关云机器人的研究项目。介绍了云机器人系统的整体架构,然后从开源源码、云计算、雾计算、网络切换管理、机器人即服务(Raa S)、大数据等方面分析了云机器人系统中各层的主要发展驱动力。详细阐述了当前云机器人系统中的关键技术,并给出了一些可能的解决方案。最后,对云机器人系统的未来发展进行了讨论。

基于神经网络的云机器人服务质量控制方法研究

云机器人通过动态"卸载"任务到云端高效处理,极大提高了节点的智能水平。然而,由于云端应用的实时性差异和负载的不可预知,对网络传输的服务质量(quality of service,QoS)需求不尽相同。从控制角度研究网络传输的服务质量问题,提出并实现了一种基于BP神经网络的双闭环接入控制方法(BPFD-MAC),在最大化能量利用率的同时,实现绝对服务质量和相对服务质量保证。通过反馈控制结构,将绝对QoS约束和相对QoS约束解耦为2个独立闭环:活动时间闭环根据高优先级的延迟控制节点活动时间,满足绝对约束;退避窗口闭环根据不同优先级的延迟比,调整退避时间的初始上限,保持相对延迟比例关系恒定,满足相对约束。并采用BP神经网络方法进行参数自适应校正和控制器设计。最后,基于ZigBit 900的硬件实验表明,相对于FD-MAC,BPFD-MAC不仅能够在负载动态变化时提供绝对和相对QoS保证,并且在网络高负载下,具有更高的吞吐量和能量利用率;在网络低负载下,具有更低的能耗。

云机器人前沿技术研究进展

近年来,服务机器人虽然得到很大发展,但由于功能单一、自主性差、智力水平低及成本高等问题,阻碍了其推广应用。随着云技术的不断成熟,将云计算技术和机器人学相结合,是解决上述瓶颈问题的重要途径,现已成为智能服务机器人领域的研究热点。本文从云机器人相关前沿技术角度入手,对云机器人的整体架构、资源配置、应用研究等方面的研究进展进行了综述,并结合国内外相关技术突破对云机器人未来发展趋势进行了展望。

基于组通信和节点链接加权的云机器人通信方案

云机器人系统是分布式机器人与云计算的结合,针对现有研究没有关注云机器人之间信息共享效率的问题,提出一种基于组通信和节点链接加权的云机器人信息共享协作通信方案。首先,根据属性特征,利用模糊系统将云机器人进行逻辑分组。然后,将链接加权函数和组通信技术相结合,形成一种可伸缩的自适应组通信(AGC)方案,根据节点能量和应答查询率来选择最重要的节点链接,进行对等节点之间的通信。实验结果表明,该方案具有较低的通信成本和查询应答延迟。

基于ROS和QoS的云机器人研究

针对在云机器人系统中,机器人端和云端之间消息需要转换格式才能传递,对异构机器人的兼容性较差,并且对网络环境的鲁棒性有待提高的情况,提出了基于ROS并只在本地端部署主节点的云机器人系统CloudROS。首先,本地和云端的服务均采用标准的ROS节点形式进行封装,云端的服务节点可以动态加入到机器人端的ROS网络,节点之间的消息格式无需进行转换,提高了系统的兼容性;然后,在云端采用了授权认证和Docker虚拟化技术,保证了系统的安全性;最后,提出了服务质量(QoS)监测与调节策略,通过动态调整任务参数或切换本地与云端的服务,使QoS保持一个较优的值。实验结果表明,CloudROS可以有效地把机器人的计算任务卸载到云端,使机器人的性能得到提升,并对网络环境具有较好的鲁棒性。

云机器人系统的计算卸载策略研究

为了解决云机器人系统中的计算卸载问题,提高边缘云资源的使用效率,降低群组机器人的能量消耗和对硬件计算资源的要求,提升机器人服务效率和质量,本文设计一种基于Stackelberg博弈的云机器人计算卸载策略。该方法将云机器人竞争同一边缘“网络”中相同类型资源或服务的过程抽象为主从关系的博弈问题,寻求机器人终端进行计算卸载需支付的成本开销与边缘云服务提供者的效用收益之间的平衡。边缘云服务器属于领导者,通过对自身计算能力的定价实现有限计算资源的收益最大化。每个移动机器人终端根据边缘云的定价策略,做出计算卸载的最佳决策,使其计算卸载策略达到Nash均衡状态,最大化自身效用。本文通过对云机器人业务进行任务分割,实现计算任务的部分卸载,证明了基于Stackelberg博弈模型的云机器人计算卸载系统的正确性,提出了一种结合Hamming距离的动态规划算法求解博弈的最终任务卸载策略。实验结果表明该算法降低了云机器人系统中的局部计算能耗,缩短了平均任务完成时间。

一种基于云机器人的综合管廊智能巡检调度算法

在先进感知技术的配合下,利用云机器人技术动态卸载复杂数据任务到云端处理,可以提高信息传输效率并提升巡检机器人系统的智能化水平。文章针对管廊运营的瞬发量和缓发量灾害,建立了云机器人巡检区域分配的调度数学模型,并分别利用粒子群和自适应权重粒子群算法对该模型进行求解;为解决算法迭代次数多和实时性差的问题,提出了一种改进的自适应权重粒子群-遗传混合优化算法,其结合粒子群算法的强导向性和遗传算法极强探索精度和求变功能,使得算法迭代次数少,可有效提高管廊内管线泄漏源检测的实时性。仿真结果验证了该算法的正确性,为综合管廊智能巡检提供了一种可行的策略。

基于并行强化学习的云机器人任务调度策略

为了解决机器人完成大规模状态空间强化学习任务时收敛慢的问题,提出一种基于优先级的并行强化学习任务调度策略。首先,证明Q学习在异步并行计算模式下的收敛性;然后,将复杂问题根据状态空间进行分割,调度中心根据所提策略将子问题和计算节点匹配,各计算节点完成子问题的强化学习任务并向调度中心反馈结果,实现在计算机集群中的并行强化学习;最后,以CloudSim为软件基础搭建实验环境,求解最优步长、折扣率和子问题规模等参数,并通过对实际问题求解证明在不同计算节点数的情况下所提策略的性能。在使用64个计算节点的情况下所提策略相比轮询调度和随机调度的效率分别提升了61%和86%。实验结果表明,该策略在并行计算情况下有效提高了收敛速度,并进一步验证了该策略得到百万级状态空间控制问题的最优策略需要约1. 6×10~5s。

基于SOA的云机器人服务框架设计

针对目前服务型机器人在执行复杂服务任务时面临着较高的本地计算和存储压力的问题以及机器人服务的可拓展性较低的问题,提出一种基于SOA架构的云机器人分布式服务框架。通过云机器人服务的分布式部署提高资源的利用率和服务质量,通过设计SOA接口层,消除异构机器人之间底层差异。针对单一云机器人服务的局限性,提出一种多服务副本下服务查找和组合算法,实现云机器人集群服务覆盖网络下服务执行的负载均衡和弹性容错,提高云机器人集群的稳定性和服务的吞吐量。通过仿真对比实验,验证了该算法的有效性。

基于H.265的云机器人图像采集系统设计与实现

针对传统机器人图像采集系统受限于本地处理计算能力有限,导致视频分辨率低、图像质量差等问题,提出一种云机器人图像采集系统。其中,本地机器人负责采集500万像素超高清视频、H.265编码压缩、搭建流媒体服务器,将视频通过无线网络传送至云端,云端负责做复杂计算、流媒体分发等服务,并实现了在PC、手机客户端中播放视频、截屏、录像等功能。最后,对系统传输延时和编码性能进行了测试。测试结果表明,相比H.264编码技术,本系统能够有效节省46%以上的网络带宽,且图像的PSNR值更高。

基于ROS的云机器人系统设计与实现

作为物联网的一种新形式,机器人与互联网融合展现出强劲的发展的趋势.为通过互联网远程操控监视机器人和实现多机器人云端协同信息共享问题,提出一种ROS云端克隆(ROSClone)云机器人系统.基于一种新的轻量级异步通信协议,通过云上代理服务器,将支持ROS的机器人与远程应用相连接,实现机器人状态在云端的克隆.ROSClone系统性能在云上进行测试评估,结果表明此方式的高效性与可靠性.

基于深度学习和云机器人的工业机器人未来发展方向的研究

工业机器人发展的趋势是人工智能化,深度学习和云机器人是智能机器人领域的前沿技术,是近几年社会各界的关注热点。该文介绍了深度学习的主要思想、发展历程和主要应用;简述了云机器人的概念、关键技术及其突出的优势;最后分析指出深度学习构建的神经网络是驱动工业机器人的"引擎",而云机器人则为工业机器人提供大量的"燃料",二者的相互结合与促进,必将引领一场工业机器人走向人工智能化的变革。

云机器人在手术室二级库房高值耗材管理中的应用

目的:分析云机器人(JIT管理系统)配送高值耗材方法在手术室二级库房管理中的应用效果。方法:将2017年12月至2018年2月我院术中需配送高值耗材的140台胃肠外科手术分为云机器人(JIT管理系统)配送组与传统人工配送组,对比两组高值耗材平均每台手术配送时间、高值耗材核对时效性、医护人员满意度等。结果:应用云机器人(JIT管理系统)配送高值耗材平均每台手术配送时间、高值耗材核对时效性、医护人员满意度优于传统人工配送,差异具有统计意义(P<0.01)。结论:应用云机器人(JIT管理系统)配送高值耗材优化了高值耗材的管理流程,有效缩减高值耗材存放量,缩短配送时间,节约手术室护士时间,值得推广。

云机器人架构和特征概述

机器人是未来最有前景的技术之一,现在正是机器人发展的黄金时代,其中,云机器人融合了云计算等新的信息技术,成为当下智能机器人研究的热点。本文主要分析了云机器人的主流平台架构、技术以及具有的两大特征,并结合国内外现状展望未来发展趋势。

基于SDN的软件定义云机器人

针对服务机器人服务的可扩展性和服务质量提升等问题,借鉴软件定义网络(SDN),结合云计算和机器人技术,提出由中间件子系统、后台任务子系统和控制子系统组成的软件定义云机器人(SDCR)结构。首先,详细介绍了与SDCR相关的网络机器人、云机器人技术的发展;然后详细描述了SDCR的架构组成;最后基于OpenStack描述了SDCR架构下的机器人协作。