技术领域
[0001] 本
发明属于
机器人控制技术认知领域，涉及机器人体系架构控
制模块中的目标特征模型管理系统，尤其是一种基于场景的开放式神经网络模型管理系统。
背景技术
[0002] 多态智能集群机器人系统有几个关键的要素：一是面向行为的概念抽象，即机器人体系架构的核心概念，包括基于「
角色」的控制抽象和基于「语义视图」的数据抽象；二是多态分布的体系结构，即机器人群体如何组织管理，包括层次式结构、分布式结构和持续自主对抗学习架构。三是适应环境的
群体智能，包括适应环境的持续自主学习系统的架构模型，其构建环境模型的思路是场景+语义，让机器人能够基于环境模型进行观察、判断、决定和行动，还能够利用平行控制架构实现
感知、学习、抽象和推理，并具有空间分布性、功能异构性、任务并行性以及高智能性。最终使得群体智能通过结构性(自聚合机理)、适应性(自组织机理)、涌现性(自演化机理)实现突破。
[0003] 机器人系统随着
位置的移动和实时情景情境的变化，在群体观察和群体判断等环节中会涉及到大量的数据的管理，如导航
定位、可见光、红外、电磁
频谱等角色数据、情境感知数据、角色管理数据、任务管理数据、初始情境数据、目标特征信息等数据的管理，这些数据
支撑着无人系统的智能行为，并基于群体优势发挥群体智能，涉及导航定位、可见光与
情景感知数据、目标特征数据的管理，而磁
辐射源指纹特征的产生主要体现在电磁设备内部
基础硬件组成的细微差异。例如辐射源设备内部
频率源
振荡器、发射管、
调制器和高压电源等器件或
电路产生的所不希望的各种寄生调制造成的差异。然而针对不同类型的电磁设备，
信号产生的方式以及类型等都不尽相同，因此导致其辐射源指纹提取的方式也需要进行相应的改变。对于不同的信号源来说，对可见光图像进行分类的神经网络模型有AlexNet、VGG、ResNet等，类似于可见光图像对红外数据集进行训练后能得到用于红外目标识别的神经网络。
[0004] 当前
机器学习领域有许多
框架，如Caffee、tensorflow、Pytorch、Keras等等，每个框架都有其优缺点，例如Keras是一个高级的框架，将常用的
深度学习层和操作
包装到简洁的积木式的构建块中，将深度学习的复杂性抽象出来，降低了使用
门槛，用户可以专注于
算法层面而不必过分关心实现方法；PyTorch提供了一个更为底层的环境，使用户可以更自由地编写自定义层并查看数值优化任务的底层。当可以使用Python的全部功能并
访问所使用的所有函数的
内核时，可以更直接的开发更复杂的架构，当然其实现也更为复杂。由于每个框架的侧重点不同，往往单一框架无法满足用户需求，多框架并存的开发环境更受开发者的喜爱。但由于不同框架的底层架构不同，同一算法在不同框架下的模型是不能互用的，因此如何将多平台多框架下的机器学习模型进行统一的管理成为摆在开发者面前的问题。
发明内容
[0005] 本发明要解决的技术问题是：针对多态智能集群无人体系架构中基于环境模型进行观察、判断、决定和行动时，进行目标特征提取过程中需要用到大量模型以进行包含可见光、电磁、红外多类信号源的处理，如图1所示。为这些不同框架下的模型建立一个统一格式的数据存储单元，并搭载在执行侦查或动作任务的
机器人操作系统角色设备端和用以指挥与训练模型的
人机交互与
可视化地面站端上。使得机器人操作系统角色实体设备采集到目标信号进行数据预处理后能从中提取出目标的特征参数并进行比对，以推断出目标类型或目标个体代码编号。
[0006] 本发明的技术方案是：
[0007] 一种基于场景的开放式神经网络模型管理系统，所述模型管理系统由统一神经网络格式
存储器、面向机器人操作特征数据单元进行情景选择的控制流模块、面向机器人体系架构用户进行特征筛选的连接管理器、用于数据特征提取和管理的编译执行器构成。
[0008] 所述统一神经网络格式存储器包含统一神经网络模型与目标识别文件构成关系存储架构体、模型原始框架存储架构体、统一神经网络模型面向用户对象存储架构体和模型调用专用存储架构体，所述统一神经网络格式存储器中的特征文件是以开放式神经网络交换格式进行保存的。
[0009] 所述统一神经网络模型与目标识别文件构成关系存储架构体用于存储认知神经网络模型输入目标数据后的推理结果和目标与网络模型之间的关系；
[0010] 所述模型原始框架存储架构体用于存储原框架转化通道信息，进而为用户提供参考；
[0011] 所述统一神经网络模型面向用户对象存储架构体用于机器人体系架构在仿真场景下的用户行为产生需求后，使得多态集群机器人体系架构角色
请求端能依照其所处场景选择适应的模型名称，并且当在特定的场景下训练模型后，将场景的具体信息存入模型使得模型适用于专有场景下的目标感知、识别和推断。
[0012] 所述模型调用专用存储架构体用于明确模型调用时所需模型管理系统中的模块。
[0013] 所述面向机器人操作特征数据单元进行情景选择的控制流模块用于根据信号类型判断提供可见光或是电磁分类模型，调用适合场景的特征模型载入模型进行识别，以提高识别的准确性，其由事务管理器、环境管理器、并发
控制模块、情景管理器和地形管理器组成；
[0014] 所述事务管理器用于将角色与
传感器、机器人、机器人群体进行绑定，实现并建立包括传感器、机器人平台、机器人群体链接模型管理系统的需求分配；
[0015] 所述事务管理器并发控制地形管理器和情景管理器得到目标区域信息从而确定模型调用场景，调取模型并选择场景通过面向机器人体系架构用户进行特征筛选的连接管理器对模型推理进行实现，最后处理模型输出类型并进行可视化展示。
[0016] 所述环境管理器根据事务管理器并发控制情景管理器和地形管理器
送达的模型管理环境需求链接，并搜索空间
数据库与模型训练情景。
[0017] 所述并发控制模块接收事务管理器所提事务，以对情景管理器和地形管理器进行并发控制。
[0018] 所述情景管理器和地形管理器包含环境地形存储架构体，用于对识别与
跟踪区域进行地理分区，并记录关注区域的地形
地貌环境信息，得到地形情景图作为机器人操作系统的数据抽象。
[0019] 所述面向机器人体系架构用户进行特征筛选的连接管理器(系统
控制器)，用于接受外部操作对连接管理器请求，并对请求操作进行预处理和分发，起到系统逻辑控制作用，其中，所述连接管理器由以下三个部分组成：存储器连接驱动模块、数据
接口模块和同步模块；
[0020] 所述存储器连接驱动模块用于接受多态集群智能操作系统用户的信息后连接统一格式模型存储器。
[0021] 所述数据接口模块用于处理外部应用请求和内部数据查询，当数据接口模块接收到外部数据后首先判断数据的安全性和可靠性，当数据通过验证后进行预处理操作，并进行内部数据查询，经过数据查询后返回结果。
[0022] 所述同步模块由数据传输模块和数据表同步模块两个模块构成，数据传输功能基于FTP协议构建，人机交互与可视化系统中
传感器数据通过格式封装向客户端进行数据传输；其中，所述同步模块把人机交互与可视化系统的目标数据同步至无人系统中，所述数据传输模块在无人系统中负责无人系统目标数据库的数据传输。
[0023] 所述用于数据特征提取和管理的编译执行器由动态参数配置模块、编译环境构建模块、完整性检查模块和命令生成模块四个部分构成，用于将数据存储单元路径、主模块信息、超参数等动态变量写入动态参数配置模块。
[0024] 所述编译环境构建模块用于从动态参数配置模块获取参数信息，并检查人机交互与可视化系统的
执行环境，同时将环境参数写入人机交互与可视化系统环境配置文件。
[0025] 所述动态参数配置模块与其他三个模块关联，其包含的信息包括机器人操作系统通过连接驱动模块登录模型管理系统的角色信息，机器人操作系统的电
磁传感器等传感设备获取到的数据、信号源类型、经纬度、时间等相关信息。
[0026] 所述完整性检查模块用于对特征文件结构进行解析，确保特征文件结构的完整，然后使用转换的特征值校验对原始命令流程进行校验，确保命令编写转化能正常进行。
[0027] 所述命令生成模块用于从动态参数配置模块获取转换需要的参数，然后生成命执行控制流以对整个项目进行编译与链接，生成可供使用的动态链接和应用方法。
[0028] 由于采用了上述技术方案，与
现有技术相比，本发明具有如下的有益效果：
[0029] 1)克服特征提取时易受成像视角变换，光照变换的影响，使得目标在不同尺度、光照或视角条件下对同一目标进行分析时，所提取的特征和进行的分类是相同的。
[0030] 2)能够给出目标的一级到三级分类结果和特征提取，也能获得目标的
颜色、形状、地理位置、电磁特征、目标与背景的影像分割。
[0031] 3)充分利用场景在目标特征库中做出的全方位目标特征描述，实现基于高维特征构建稳健的分类模型，为目标智能化无人识别与跟踪提供基础支撑关键作用。
附图说明
[0032] 图1无人系统采集多类目标信号，数据预处理和无人系统和人机交互与可视化系统中目标特征模型管理系统之间的总体
流程图；
[0033] 图2目标模型管理系统架构图。
具体实施方式
[0034] 下面结合具体
实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0035] 本发明所述模型管理系统由统一神经网络格式存储器、面向机器人操作特征数据单元进行情景选择的控制流模块、面向机器人体系架构用户进行特征筛选的连接管理器、用于数据特征提取和管理的编译执行器构成，如图2所示。
[0036] 所述统一神经网络格式存储器包含统一神经网络模型与目标识别文件构成关系存储架构体、模型原始框架存储架构体、统一神经网络模型面向用户对象存储架构体和模型调用专用存储架构体，所述统一神经网络格式存储器中的特征文件是以开放式神经网络交换格式进行保存的。
[0037] 所述统一神经网络模型与目标识别文件构成关系存储架构体用于存储认知神经网络模型输入目标数据后的推理结果和目标与网络模型之间的关系；
[0038] 所述模型原始框架存储架构体用于存储原框架转化通道信息，进而为用户提供参考；
[0039] 所述统一神经网络模型面向用户对象存储架构体用于机器人体系架构在仿真场景下的用户行为产生需求后，使得多态集群机器人体系架构角色请求端能依照其所处场景选择适应的模型名称，并且当在特定的场景下训练模型后，将场景的具体信息存入模型使得模型适用于专有场景下的目标感知、识别和推断。
[0040] 所述模型调用专用存储架构体用于明确模型调用时所需模型管理系统中的模块。
[0041] 所述面向机器人操作特征数据单元进行情景选择的控制流模块用于根据信号类型判断提供可见光或是电磁分类模型，调用适合场景的特征模型载入模型进行识别，以提高识别的准确性，其由事务管理器、环境管理器、并发控制模块、情景管理器和地形管理器组成；
[0042] 所述事务管理器用于将角色与传感器、机器人、机器人群体进行绑定，实现并建立包括传感器、机器人平台、机器人群体链接模型管理系统的需求分配；
[0043] 所述事务管理器并发控制地形管理器和情景管理器得到目标区域信息从而确定模型调用场景，调取模型并选择场景通过面向机器人体系架构用户进行特征筛选的连接管理器对模型推理进行实现，最后处理模型输出类型并进行可视化展示。
[0044] 所述环境管理器根据事务管理器并发控制情景管理器和地形管理器送达的模型管理环境需求链接，并搜索空间数据库与模型训练情景。
[0045] 所述并发控制模块接收事务管理器所提事务，以对情景管理器和地形管理器进行并发控制。
[0046] 所述情景管理器和地形管理器包含环境地形存储架构体，用于对识别与跟踪区域进行地理分区，并记录关注区域的地形地貌环境信息，得到地形情景图作为机器人操作系统的数据抽象。
[0047] 所述面向机器人体系架构用户进行特征筛选的连接管理器(系统控制器)，用于接受外部操作对连接管理器请求，并对请求操作进行预处理和分发，起到系统逻辑控制作用，其中，所述连接管理器由以下三个部分组成：存储器连接驱动模块、数据接口模块和同步模块；
[0048] 所述存储器连接驱动模块用于接受多态集群智能操作系统用户的信息后连接统一格式模型存储器。
[0049] 所述数据接口模块用于处理外部应用请求和内部数据查询，当数据接口模块接收到外部数据后首先判断数据的安全性和可靠性，当数据通过验证后进行预处理操作，并进行内部数据查询，经过数据查询后返回结果。
[0050] 所述同步模块由数据传输模块和数据表同步模块两个模块构成，数据传输功能基于FTP协议构建，人机交互与可视化地面站端中传感器数据通过格式封装向客户端进行数据传输；其中，所述同步模块把人机交互与可视化地面站端的目标数据同步至无人系统中，所述数据传输模块在无人系统中负责目标数据库的数据传输。如图1所示的人机交互与可视化地面站端和无人系统。
[0051] 所述用于数据特征提取和管理的编译执行器由动态参数配置模块、编译环境构建模块、完整性检查模块和命令生成模块四个部分构成，用于将数据存储单元路径、主模块信息、超参数等动态变量写入动态参数配置模块。
[0052] 所述编译环境构建模块用于从动态参数配置模块获取参数信息，并检查人机交互与可视化地面站端的执行环境，同时将环境参数写入人机交互与可视化地面站端的环境配置文件。
[0053] 所述动态参数配置模块与其他三个模块关联，其包含的信息包括机器人操作系统通过连接驱动模块登录模型管理系统的角色信息，机器人操作系统的
电磁传感器等传感设备获取到的数据、信号源类型、经纬度、时间等相关信息。
[0054] 所述完整性检查模块用于对特征文件结构进行解析，确保特征文件结构的完整，然后使用转换的特征值校验对原始命令流程进行校验，确保命令编写转化能正常进行。
[0055] 所述命令生成模块用于从动态参数配置模块获取转换需要的参数，然后生成命执行控制流以对整个项目进行编译与链接，生成可供使用的动态链接和应用方法。
