本發(fā)明涉及人機(jī)共融的物理人機(jī)交互操作，具體而言，涉及一種基于kan-transformer和模糊推理的人機(jī)交互行為評(píng)價(jià)方法。

背景技術(shù)：

1、隨著機(jī)器人技術(shù)的不斷發(fā)展，智能機(jī)器人出現(xiàn)在人們的生產(chǎn)生活中，機(jī)器人代替人類完成危險(xiǎn)作業(yè)是機(jī)器人應(yīng)用的重要方向，特別在如核電站、深海、太空等作業(yè)場(chǎng)景中，機(jī)器人代替作業(yè)人員工作能夠降低人類的安全風(fēng)險(xiǎn)。受當(dāng)前傳感、控制、機(jī)構(gòu)和人工智能等技術(shù)水平的限制，設(shè)計(jì)制造出能在未知環(huán)境中自主完成任務(wù)的全自主型機(jī)器人還有很大的難度。借助人類智慧和行為經(jīng)驗(yàn)增強(qiáng)機(jī)器人作業(yè)能力是機(jī)器人遙操作發(fā)展的重要?jiǎng)訖C(jī)，安全、可靠的遙操作技術(shù)能夠增加機(jī)器人的作業(yè)潛力。在遙操作任務(wù)的人機(jī)交互過(guò)程中，人類幫助機(jī)器人進(jìn)行不確定或者未知環(huán)境中難以實(shí)現(xiàn)的決策及規(guī)劃，而機(jī)器人可以代替人類去遠(yuǎn)距離環(huán)境或者惡劣環(huán)境中完成任務(wù)。

2、在遙操作任務(wù)過(guò)程中，遠(yuǎn)端操作員的行為直接影響現(xiàn)場(chǎng)機(jī)器人運(yùn)動(dòng)，熟練的操作將提升任務(wù)實(shí)施成功率。在人機(jī)交互過(guò)程中，需要智能體來(lái)預(yù)測(cè)操作員的運(yùn)動(dòng)軌跡，來(lái)評(píng)價(jià)操作員的行為。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供了一種基于kan-transformer和模糊推理的人機(jī)交互行為評(píng)價(jià)方法，以至少解決現(xiàn)有技術(shù)中在遙操作任務(wù)中，無(wú)法確定目標(biāo)用戶的行為的熟練程度的技術(shù)問(wèn)題。

2、根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種基于kan-transformer和模糊推理的人機(jī)交互行為評(píng)價(jià)方法。其中，該方法可以包括：采集專家用戶的多個(gè)采樣數(shù)據(jù)，其中，專家用戶的多個(gè)采樣數(shù)據(jù)為專家用戶控制手控器時(shí)產(chǎn)生的數(shù)據(jù)；通過(guò)專家用戶的多個(gè)采樣數(shù)據(jù)對(duì)預(yù)構(gòu)建的kan-transformer模型中進(jìn)行訓(xùn)練，獲得訓(xùn)練好的kan-transformer模型；獲取目標(biāo)用戶的采集數(shù)據(jù)，將目標(biāo)用戶的采集數(shù)據(jù)構(gòu)成第一軌跡曲線，其中，目標(biāo)用戶的采集數(shù)據(jù)為目標(biāo)用戶控制手控器時(shí)產(chǎn)生的數(shù)據(jù)；將目標(biāo)用戶的采集數(shù)據(jù)中部分采集數(shù)據(jù)輸入至訓(xùn)練好的kan-transformer模型中，預(yù)測(cè)目標(biāo)用戶的采集數(shù)據(jù)的第二軌跡曲線，其中，第一軌跡曲線和第二軌跡曲線相對(duì)應(yīng)，第一軌跡曲線和第二軌跡曲線均處于三維空間中；基于第一軌跡曲線和第二軌跡曲線，確定目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量，其中，平均絕對(duì)誤差向量包括目標(biāo)坐標(biāo)軸上的數(shù)據(jù)；將目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量輸入至熟練度評(píng)價(jià)體系中，得到目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量的評(píng)級(jí)分?jǐn)?shù)；基于目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量的評(píng)級(jí)分?jǐn)?shù)，確定目標(biāo)用戶的屬性信息。

3、可選地，預(yù)構(gòu)建的kan-transformer模型包括：編碼器、解碼器和全連接層，其中，編碼器包括：兩個(gè)多頭稀疏注意力層，在第二個(gè)多頭稀疏注意力層后連接一個(gè)前饋層，在每個(gè)多頭稀疏注意力層和前饋層后均連接有殘差網(wǎng)絡(luò)和歸一化處層，解碼器包括：兩個(gè)kan神經(jīng)網(wǎng)絡(luò)層，在每個(gè)kan神經(jīng)網(wǎng)絡(luò)層后均連接有殘差網(wǎng)絡(luò)和歸一化層，在解碼器后連接有全連接層。

4、可選地，將目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量輸入至熟練度評(píng)價(jià)體系中，得到目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量的評(píng)級(jí)分?jǐn)?shù)，包括：將目標(biāo)平均絕對(duì)誤差向量中的x值輸入至輸入量x的隸屬設(shè)計(jì)中，得到目標(biāo)平均絕對(duì)誤差向量中的x值的隸屬度；將目標(biāo)平均絕對(duì)誤差向量中的y值輸入至輸入量x的隸屬設(shè)計(jì)中，得到目標(biāo)平均絕對(duì)誤差向量中的y值的隸屬度；將目標(biāo)平均絕對(duì)誤差向量中的z值輸入至輸入量x的隸屬設(shè)計(jì)中，得到目標(biāo)平均絕對(duì)誤差向量中的z值的隸屬度；基于目標(biāo)平均絕對(duì)誤差向量中的x值的隸屬度、y值的隸屬度和z值的隸屬度，確定目標(biāo)平均絕對(duì)誤差向量的對(duì)應(yīng)的評(píng)級(jí)分?jǐn)?shù)。

5、可選地，基于目標(biāo)平均絕對(duì)誤差向量中的x值的隸屬度、y值的隸屬度和z值的隸屬度，確定目標(biāo)平均絕對(duì)誤差向量的對(duì)應(yīng)的評(píng)級(jí)分?jǐn)?shù)，包括：將目標(biāo)平均絕對(duì)誤差向量中的x值的隸屬度、y值的隸屬度和z值的隸屬度進(jìn)行模糊推理和去模糊化，得到目標(biāo)平均絕對(duì)誤差向量的對(duì)應(yīng)的評(píng)級(jí)分?jǐn)?shù)。

6、可選地，基于目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量的評(píng)級(jí)分?jǐn)?shù)，確定目標(biāo)用戶的屬性信息，包括：將目標(biāo)平均絕對(duì)誤差向量的對(duì)應(yīng)的評(píng)級(jí)分?jǐn)?shù)輸入至輸出量score的隸屬設(shè)計(jì)中，得到目標(biāo)用戶的屬性信息。

7、本發(fā)明的有益效果：

8、本發(fā)明提出了一種基于kan-transformer和模糊推理的人機(jī)交互行為評(píng)價(jià)方法，首先設(shè)計(jì)了kan-transformer（kolmogorov?arnold?network，簡(jiǎn)稱為kan）網(wǎng)絡(luò)框架，通過(guò)專家用戶控制手控器時(shí)產(chǎn)生的多個(gè)采樣數(shù)據(jù)對(duì)kan-transformer網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的kan-transformer網(wǎng)絡(luò)；獲取目標(biāo)用戶的采集數(shù)據(jù)，將目標(biāo)用戶的采集數(shù)據(jù)構(gòu)成第一軌跡曲線，將目標(biāo)用戶的采集數(shù)據(jù)中部分采集數(shù)據(jù)輸入至訓(xùn)練好的kan-transformer模型中，預(yù)測(cè)目標(biāo)用戶的采集數(shù)據(jù)的第二軌跡曲線，第一軌跡曲線和第二軌跡曲線相對(duì)應(yīng)，且第一軌跡曲線和第二軌跡曲線均處于三維空間中；根據(jù)第一軌跡曲線和第二軌跡曲線，得到目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量，設(shè)計(jì)了熟練度體系框架，對(duì)目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量進(jìn)行處理，確定目標(biāo)用戶的屬性信息；解決了現(xiàn)有技術(shù)中在遙操作任務(wù)中，無(wú)法確定目標(biāo)用戶的行為的熟練程度的技術(shù)問(wèn)題，達(dá)到了通過(guò)提出的kan-transformer網(wǎng)絡(luò)框架目標(biāo)用戶的行為軌跡進(jìn)行預(yù)測(cè)，根據(jù)目標(biāo)用戶行為的真實(shí)軌跡和預(yù)測(cè)軌跡，得到目標(biāo)用戶的平均絕對(duì)誤差向量，設(shè)計(jì)了熟練度體系框架，對(duì)平均絕對(duì)誤差向量進(jìn)行處理，得到目標(biāo)用戶行為的熟練程度的技術(shù)效果。

技術(shù)特征：

1.一種基于kan-transformer和模糊推理的人機(jī)交互行為評(píng)價(jià)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，預(yù)構(gòu)建的kan-transformer模型包括：編碼器、解碼器和全連接層，其中，編碼器包括：兩個(gè)多頭稀疏注意力層，在第二個(gè)多頭稀疏注意力層后連接一個(gè)前饋層，在每個(gè)多頭稀疏注意力層和前饋層后均連接有殘差網(wǎng)絡(luò)和歸一化處層，解碼器包括：兩個(gè)kan神經(jīng)網(wǎng)絡(luò)層，在每個(gè)kan神經(jīng)網(wǎng)絡(luò)層后均連接有殘差網(wǎng)絡(luò)和歸一化層，在解碼器后連接有全連接層。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，將目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量輸入至熟練度評(píng)價(jià)體系中，得到目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量的評(píng)級(jí)分?jǐn)?shù)，包括：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于目標(biāo)平均絕對(duì)誤差向量中的x值的隸屬度、y值的隸屬度和z值的隸屬度，確定目標(biāo)平均絕對(duì)誤差向量的對(duì)應(yīng)的評(píng)級(jí)分?jǐn)?shù)，包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于目標(biāo)用戶對(duì)應(yīng)的平均絕對(duì)誤差向量的評(píng)級(jí)分?jǐn)?shù)，確定目標(biāo)用戶的屬性信息，包括：

6.一種處理器，其特征在于，所述處理器用于運(yùn)行程序，其中，所述程序運(yùn)行時(shí)執(zhí)行權(quán)利要求1至5中任意一項(xiàng)所述的方法。

7.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行權(quán)利要求1至5中任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于KAN?Transformer和模糊推理的人機(jī)交互行為評(píng)價(jià)方法。其中，該方法包括：采集專家用戶的多個(gè)采樣數(shù)據(jù)，其中，專家用戶的多個(gè)采樣數(shù)據(jù)為專家用戶控制手控器時(shí)產(chǎn)生的數(shù)據(jù)；通過(guò)專家用戶的多個(gè)采樣數(shù)據(jù)對(duì)預(yù)構(gòu)建的KAN?Transformer模型中進(jìn)行訓(xùn)練，獲得訓(xùn)練好的KAN?Transformer模型；獲取目標(biāo)用戶的采集數(shù)據(jù)，將目標(biāo)用戶的采集數(shù)據(jù)構(gòu)成第一軌跡曲線，其中，目標(biāo)用戶的采集數(shù)據(jù)為目標(biāo)用戶控制手控器時(shí)產(chǎn)生的數(shù)據(jù)；將目標(biāo)用戶的采集數(shù)據(jù)中部分采集數(shù)據(jù)輸入至訓(xùn)練好的KAN?Transformer模型中，預(yù)測(cè)目標(biāo)用戶的采集數(shù)據(jù)的第二軌跡曲線。本發(fā)明解決了現(xiàn)有技術(shù)中在遙操作任務(wù)中，無(wú)法確定目標(biāo)用戶的行為的熟練程度的技術(shù)問(wèn)題。

技術(shù)研發(fā)人員：馬志強(qiáng),李文娟,郭瑤瑤,黃攀峰,劉正雄
受保護(hù)的技術(shù)使用者：西北工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/2