机器人认知自动化(R&CA)在审计中的应用探索

创新审计技术方法是“科技强审”的迫切要求,机器人认知自动化(R&CA)是结合软件机器人和认知能力的自动化解决方案,能够在相当程度上满足灵活、智能的自动化需求。R&CA技术的功能、对象以及理念与审计活动的不同维度存在内在耦合性,可以据此构建“人机协同”的R&CA技术审计模型。R&CA技术在审计中的应用主要涉及原有审计业务流程诊断与优化、独立审计任务自动化处理、基于R&CA技术的审计业务流程再造等实施步骤。该技术的应用有利于提升审计效率、审计质量并优化审计资源配置,但仍需关注其面临的现实困境和潜在风险。

机器人多模态智能操作技术研究综述

制造业柔性化的生产趋势、服务业应用场景的多元化扩展,促使机器人应用需求发生根本性变化,任务、环境的不确定性对机器人操作的智能程度提出了更高的要求。使用多模信息引导机器人操作,能够有效提高机器人自主性与易用性。围绕操作认知与操作控制两个关键问题,从多模态信息融合的角度,深入分析该手段对机器人操作智能化提升所起的作用。首先,明确了机器人智能操作与多模信息的具体概念,并阐述使用多模信息的优势;接着,深入分析了常用的认知计算模型与操作控制方法,并对现有工作展开系统性的梳理与介绍,依据认知目标层级的不同将机器人操作认知划分为对象认知、约束认知与状态认知三种类型,依据控制方法的不同介绍基于分析模型的控制融合、基于示教学习的控制和基于策略模型的控制三种常用的机器人操作控制模型;最后,分析了目前所面临的技术挑战并对其未来发展趋势做出了展望。

基于UPPAAL的认知机器人控制行为建模与验证

随着机器人技术的高速发展,越来越多的人开始聚焦到认知机器人领域的研究,机器人系统中的两大研究领域主要是路径规划和任务规划,而传统的规划问题主要侧重于任务规划.本文的研究是在机器人基于行为的控制结构的基础上,提出机器人系统的任务规划层次框架.认知机器人的大部分的控制行为需要人的参与,这就要求这类机器人系统具有在线自适应的能力,而采用传统的验证方法验证其正确性和实时性上存在一定的局限性.采用形式化方法对认知机器人系统的简单实例建模并验证几个重要的属性,采用时间自动机对系统进行形式化的描述,并结合符号化模型检测工具Uppaal进行验证.针对系统的重要属性采用计算树逻辑的形式表述.

情感智能在机器人趋光认知中的作用研究

情感智能是影响生物认知的关键因素之一,意志力是情感的一种特殊形式,在生物的行为决策中起重要作用,根据意志强度的3个定律,构建意志力表达函数,将意志力表达函数的输出作为内部奖惩信号,并采用强化机制构建基于情感智能的认知模型。针对未知环境移动机器人趋光行为学习问题,采用基于情感智能的认知模型,机器人通过感知到行动的往复学习,逐渐具备趋光技能。通过趋光仿真实验证明机器人通过学习可以在有障碍物的未知环境中自主趋近光源,对比实验表明该方法可以减少机器人趋光学习步数和增加试探成功次数。

一种基于情感智能的机器人自主趋光行为研究

针对移动机器人的自主趋光行为问题,提出了一种基于情感智能的内发动机仿生学习机制。该学习机制以生物体感觉运动系统的学习机制为基础,包括评价环节、行为选择环节和取向环节,采用模糊神经网络构建情感模型,情感模型的输出作为评价环节的内部奖赏信号。该学习机制能够使机器人在未知环境下通过自主的学习和训练逐渐形成、发展和完善趋光行为技能,通过情感智能的作用可以增加试探成功次数和减小学习步数,仿真实验证明了该方法的有效性。

仿人脑多巴胺调控机制的机器人视觉自发育学习算法研究

针对传统机器人学习离线、任务特定、无法在学习过程中扩展智能,且实时性、适应性差等问题,借鉴认知机器人、神经生物学、认知科学等思想,提出一种仿人脑多巴胺调控机制的机器人视觉自发育学习算法,模拟人脑海马与前额叶神经回路,用多巴胺调控学习进程,实现仿人类的视觉学习能力。实验结果表明:该算法能有效地实现视觉图像的自发育学习,能完成非特定任务,且识别率高,实时性好,适应性强。

内在动机轮式倒立摆反应式认知系统

针对直线运动的轮式倒立摆常规自平衡控制方法存在自适应性差和鲁棒性差的问题,建立轮式倒立摆反应式认知系统,在与环境交互过程中涌现出自平衡控制规则.该系统由感知模块、执行模块和认知模块组成,前两者分别负责系统的输入与输出.认知模块涉及到知识模型与学习策略:前者由连续动作学习自动机组构成,用于描述控制规则;后者负责优化知识模型,采用不确定性动机驱动的学习算法.详细描述该系统的结构、原理和算法,理论证明学习算法的收敛性,并通过仿真实验验证系统的自学习能力.结合常规PID和LQR算法通过仿真实验验证自适应性和鲁棒性.实验结果表明,该系统能够自主涌现出自平衡控制规则,表现出良好的自主学习认知技能,具有较好的自适应性与鲁棒性.

基于分析函数描述的认知机器人潜在动作模型

根据人类的视觉注意机制,提出了分析函数,并在此基础上建立了认知机器人的潜在动作模型.模型的形式化方法以动作为中心,前置条件和后置条件为动作的执行提供了参考准则.实验部分以机器人学习抓取物体为例,模仿了婴儿的学习过程,并在Webots仿真平台上验证了潜在动作模型,为认知机器人的研究提供了一种新的有效途径.

An Autonomous Navigation Methodology for a Pioneer 3DX Robot

Autonomous navigation is a complex challenge that involves the interpretation and analysis of information about the scenario to facilitate the cognitive processes of a robot to perform free trajectories in dynamic environments. To solve this, the paper introduces a Case-Based Reasoning methodology to endow robots with an efficient decision structure aiming of selecting the best maneuver to avoid collisions. In particular, Manhattan Distance was implemented to perform the retrieval process in CBR method. Four scenarios were depicted to run a set of experiments in order to validate the functionality of the implemented work. Finally, conclusions emphasize the advantages of CBR methodology to perform autonomous navigation in unknown and uncertain environments.