(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210950027.1 (22)申请日 2022.08.09 (65)同一申请的已公布的文献号 申请公布号 CN 115034335 A (43)申请公布日 2022.09.09 (73)专利权人 北京东方通网信科技有限公司 地址 100044 北京市海淀区中关村南大街2 号1号楼19层A座2 201 (72)发明人 陈企华　黄永军　张春林　 (74)专利代理 机构 北京辰权知识产权代理有限 公司 11619 专利代理师 孔垂超 (51)Int.Cl. G06K 9/62(2022.01) G06N 5/00(2006.01)G06N 20/00(2019.01) G06F 17/18(2006.01) (56)对比文件 CN 111781922 A,2020.10.16 CN 102169346 A,201 1.08.31 DE 102021201918 A1,202 2.04.07 审查员 蒋娜 (54)发明名称 一种基于决策树模型的机器人自主协同控 制方法和系统 (57)摘要 本发明请求保护一种基于决策树模型的机 器人自主协同控制方法和系统， 目的是帮助网络 找到更好的局部最小值， 并且加快训练的过程。 其主要方法是： 获取多个机器人的待执行指令， 对所述待执行指令进行预处理； 对 所述预处理后 的待执行指令初始化， 根据可控制性概率的计算 方法确定每个机器人可控制的范围； 在所述的范 围内， 对新机器人加入、 机器人主动退出和机器 人失效进行维护； 基于多变量决策树模 型的分布 式大时序数据分类； 基于聚类 之后的待执行指令 进行协同控制训练完成后将无障碍场景下训练 的网络参数用于静态障碍物的场景， 随后依次增 加难度到动态障碍物和复杂场景下， 使网络学到 更加泛化的策略， 且 减少训练时间。 权利要求书4页 说明书10页 附图2页 CN 115034335 B 2022.10.21 CN 115034335 B 1.一种基于决策树模型的机器人自主协同控制方法， 其特 征在于， 包括： 获取多个机器人的待执 行指令， 对所述待执 行指令进行 预处理； 对所述预处理后的待执行指令初始化， 根据 可控制性概率的计算方法确定每个机器人 可控制的范围； 在所述的范围内， 对新机器人加入、 机器人主动退 出和机器人失效进行维护； 基于多变量决策树模型的分布式大时序数据分类； 基于聚类之后的待执 行指令进行协同控制； 所述对所述预处理后的待执行指令初始化， 根据 可控制性概率的计算方法确定每个机 器人可控制的范围， 还 包括： 对于同类型 结构可控制性 概率的计算方法为： 同类型结构可控制性 概率： k为已知的半径即已知机器人中与当前机器人的最远距离， q为单个机器人失效的概 率， n为同类型 结构机器人总数； 对于异类型 结构可控制性 概率的计算方法为： k为已知的半径即已知机器人中与当前机器人的最远距离， q为单个机器人失效的概 率， n为异类型 结构机器人总数。 2.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法， 其特 征在于： 所述获取多个机器人的待执 行指令， 对所述待执 行指令进行 预处理， 包括： 将收集到时序数据标准 化以形成标准 化训练时序数据及标准 化测试时序数据； 将所述标准 化训练时序数据及所述标准 化测试时序数据存 储在本地机器人； 通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学 习模型及模型参数； 将训练完成的自动机器学习模型的表达式写入智能合约； 通过智能合约将所述模型参数同步至区块链机器人； 读取所述本地机器人的标准 化测试时序数据； 调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序 数据进行 预处理。 3.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法， 其特 征在于： 所述基于多变量决策树模型的分布式大时序数据分类， 包括： 局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本 进行分类并标记类别标签， 并将已知类别标签且可信度超过预设阈值的样本存入时序数据权　利　要　求　书 1/4 页 2 CN 115034335 B 2集； 当时序数据集的容量超过预设阈值时， 将其发送给中心机器人， 然后清空时序数据集； 中心机器人合并局部机器人发送的时序数据集生成训练样本集， 利用训练样本集训练基于 几何轮廓相似度的多变量决策树模型； 中心机器人将多变量决策树模型作为基分类器加入 集成分类器， 并定期更新集 成分类器； 中心机器人将集成分类器共享给局部机器人， 局部机 器人利用集成分类器对在线到达的流式大时序数据进 行分类； 所述利用训练样本集训练基 于几何轮廓相似度的多变量决策树模型， 具体包括： 利用几何轮廓相似度函数把m维空间下 的不同类别的样本点投影到一维空间的数轴上， 不同类别的投影点集合的上下边界即不同 类别样本时序数据的类别投影边界； 利用类别投影边界对一 维空间的数轴上的投影点进 行 排序、 分组， 得到一组有序 投影点集合， 将有序投影点集合划分为多个子集， 将差集中的投 影点标记为叶子机器人； 将交集中的投影点标记 为中间机器人； 在最优基准向量的引导下， 采用递归投影分裂方法， 确定多变量决策树模型。 4.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法， 其特征在于： 所述基于聚类之后的待执 行指令进行协同控制， 包括： 检测机器人的识别指令以及 在人体目标中选择的识别体型； 确定与所述识别体型对应的人体目标体型； 根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体 识别避让规则中的属性 参数， 并提 示所述机器人确认 识别； 接收确认识别的指令， 并将更新后的用于机器人的小空间人体识别避让规则对应的人 体目标空间分布进行识别， 指示所述机器人避让 所述人体。 5.一种基于决策树模型的机器人自主协同控制系统， 其特 征包括： 预处理模块， 获取多个机器人的待执 行指令， 对所述待执 行指令进行 预处理； 范围确定模块， 对所述预处理后的待执行指令初始化， 根据可控制性概率的计算方法 确定每个机器人 可控制的范围； 维护模块， 在所述的范围内， 对新机器人加入、 机器人主动退出和机器人失效进行维 护； 分类模块， 基于多变量决策树模型的分布式大时序数据分类； 协同控制模块， 基于聚类之后的待执 行指令进行协同控制； 所述对所述预处理后的待执行指令初始化， 根据 可控制性概率的计算方法确定每个机 器人可控制的范围， 还 包括： 对于同类型 结构可控制性 概率的计算方法为： 同类型结构可控制性 概率： k为已知的半径即已知机器人中与当前机器人的最远距离， q为单个机器人失效的概 率， n为同类型 结构机器人总数； 对于异类型 结构可控制性 概率的计算方法为：权　利　要　求　书 2/4 页 3 CN 115034335 B 3