一种智能家居系统及服务生成方法与流程

本发明涉及智能家居技术领域，特别是涉及一种智能家居系统及服务生成方法。

背景技术

物联网、普适计算等技术不断进步推动了智能家居的快速发展，智能家居作为一种有效地方法可缓解人口增长所带来的问题，如：医疗资源保障、老人监护、社会服务等，同时还可以服务/帮助人们以提高他们的生活水平。随着人们的生活水平的不断提高，人们对生活的品质要求也越来越高，人们希望智能家居系统能够理解他们的意图，并以一种正确地方式为他们提供恰当地服务。然而，目前存在的智能家居系统大多数只是改善了人们的生活环境，并且所提供的服务方式并不能让人们满意。

中国发明专利号为zl201410480103.2发明了一种智能家居系统，通过红外传感器感知移动物品，当存在物品移动时，启动摄像头录制视频并上传至远程服务器，用户在远程可以对家庭进行远程监控，同时通过远程可对智能插座实现智能管理。

中国发明专利号为zl201410273087.x也发明了一种智能家居系统，通过采集模块实现家庭环境的监控，包括烟雾浓度、煤气浓度、甲醛浓度等，同时在离家模式下，当声音、光线有异常变化或者有物体移动时，智能终端可实现对家居情况的监控。

中国发明专利号为zl201510546929.9发明了一种基于无线传感器的家庭智能服务方法，通过在室内部署无线传感器节点，对用户的生活习惯进行检测并生成用户个性化定制列表，传感器实时采集用户的场景信息，并在用户个性化定制列表中进行查找，然后根据服务对相应的设备执行相应的操作。该专利只是对用户的一些习惯进行收集，如照明设施的使用习惯，并没有涉及行为的检测。

另外，中国发明申请号为201410627717.9公开了一种家庭服务机器人及具有其的家庭服务系统，通过家庭服务机器人的传感器检测家庭中的家庭环境参数，并根据家庭环境参数生成对应家用电器的控制指令，从而实现直接控制家用电器，并且能进行复杂的控制。

以上发明主要是基于数据实现对环境信息的检测与监控，并且没有提及到对用户行为活动的监测，另一方面，在执行服务操作时，均是采用设置的指令实现服务执行，并不能以一种人性化的服务方法执行服务等。

技术实现要素：

为了解决现有技术的不足，本发明提供了一种智能家居系统，本发明不仅可以对环境进行实时监控，还可以在不干涉用户行为活动的情况下，有效地监测用户行为活动及行为异常，另一方面服务机器人可以通过学习用户行为活动序列，进而以一种自然、人性化的服务方法服务用户，同时可按需获取深层次认知的物品知识和环境执行，以提高服务质量。

一种智能家居系统，包括智能家居仿真平台，所述智能家居仿真平台分别与知识库管理系统、服务机器人平台进行信息通讯，所述智能家居仿真平台、服务机器人平台分别接收传感器系统所采集的信息；

所述智能家居仿真平台学习获得每种服务所对应的用户行为序列并基于强化学习模拟用户行为序列中每个动作的执行过程，将模拟得到的执行参数进行记录并将所述执行参数与行为序列的组合生成了执行该服务的完整服务知识，并上传知识库管理系统保存；

所述服务机器人平台根据传感器系统感知实时信息和知识库管理系统推理出的用户所需服务或接收到用户发出的服务指令，服务机器人平台则获取执行该服务的包括执行参数与行为序列的服务知识。

进一步优选的技术方案，所述基于用户行为序列的智能家居系统还包括智能执行设备系统，所述智能执行设备系统与智能家居仿真平台进行信息通信并接收所述传感器系统所采集的信息。

进一步优选的技术方案，所述传感器系统包括行为活动检测传感器、环境信息检测传感器和用户生理指标检测传感器，所述传感器系统中具体的传感器的测量值均采用本体技术对其表示为语义知识。

进一步优选的技术方案，所述活动检测传感器检测的实时数据信息经本体技术完成语义知识表示后，实时实现用户的活动的检测与推理，并传输至智能家居仿真平台用于服务知识学习；

所述环境信息检测传感器检测的实时数据信息经本体技术完成语义知识表示后，实时实现环境的检测与服务推理，并将所需执行的服务传输至服务机器人平台或智能执行设备系统完成服务的执行；

所述生理指标检测传感器用于实时检测用户的生理特征信息。

进一步优选的技术方案，所述知识库管理系统包括服务知识库、规则知识库、物品知识库和环境知识库；

所述服务知识库包括学习到的用户活动行为序列和执行参数知识；

所述规则知识库用于服务的推理，当规则前提满足时，自动地推理出所需服务，包括异常服务和个性化服务，所推理的服务由服务机器人平台或智能执行设备系统执行；

所述物品知识库包括对操作物品的知识化描述，实现对操作物品的深层次认知；

所述环境知识库包括对环境的知识描述，便于对家庭环境的认知和服务的执行。

本申请还公开了一种智能家居系统的服务生成方法，包括机器人服务生成步骤，具体为：

将用户活动行为与操作物品之间完成语义知识映射；

将感知的用户活动行为传输至智能家居仿真平台并储存；

智能家居仿真平台中的仿真机器人基于用户活动历史知识出现最大概率学习出最优执行该行为的序列，这里称作为服务；

针对每项服务中的每个动作，基于强化学习模拟出执行每个动作的最优动作参数；

基于传感器系统感知的实时信息，结合知识库管理系统中规则知识库中的规则推理出服务；

服务机器人平台接受到推理的服务后，获取智能家居仿真平台学习到的服务与模拟的执行动作参数，以一种自然、人性化的服务方式执行服务；

在服务机器人平台执行服务期间，自动按需获取知识库管理系统中的物品知识、环境知识，以保证服务机器人服务执行的顺利进行。

进一步优选的技术方案，所述基于强化学习模拟出执行每个动作的最优动作参数，其步骤如下：

智能家居仿真平台以服务序列中的动作作为输入，以执行该动作对应的操作物品的最优动作参数作为输出；

选用物品状态组合作为动作完成的评判标准，当物品状态发生改变，则对应的动作参数为执行服务动作对应的参数；

通过构建神经网络将状态组合转码为固定维度的特征向量，利用余弦相似度衡量状态库向量与经智能家居仿真平台模拟后生成的状态向量的偏差，从而输出对应的激励值；

结合强化学习算法，根据物品状态对应的值函数，利用梯度下降算法获得值函数的偏导，并对对状态参数进行微调后对应的动作参数即是完成服务所需要的参数。

进一步优选的技术方案，选用物品状态组合作为动作完成的评判标准，需要构建物品状态库h，h(i)对应完成一项动作的物品状态组合，其中i对应一个动作，在动作执行过程中，智能家居仿真平台通过构建多种动作组合以及参数设置，从而使物品模型满足h(i)对应的状态，以获得产生该状态需要的动作参数。

进一步优选的技术方案，所述物品状态对应的值函数为：

vθ(s)＝e[r(h)]

其中，θ为状态参数，s记录执行该动作涉及物品的当前状态，h存储不同时间段的物品状态，表示为r(h)能够返回h对应的激励值；t指服务结束时间，s(ht)表示t时间段的物品状态集合；

利用梯度下降算法获得值函数的偏导，并对对状态参数进行微调：

这里p＝(a|s,θ)为softmax函数输出状态s下产生动作a的概率。当状态参数达到收敛时，这时候vθ(s)的值趋于最大，对应的动作参数即是完成服务所需要的参数。

进一步优选的技术方案，一种智能家居系统的服务生成方法，还包括环境和生理指标异常服务生成步骤，具体为：

分别对相关环境参数和生理指标设置阈值δ，当环境传感器或生理指标的测量值超过设置的阈值δ时，则定义为发生了环境或生理指标异常事项；

按照人类对环境和生理指标异常服务认知过程定义其swrl规则；

基于实时的环境和生理指标信息，推理并执行环境和生理指标异常服务。

进一步优选的技术方案，一种智能家居系统的服务生成方法，还包括用户活动异常服务生成步骤，具体为：

将用户活动行为与操作物品之间完成语义知识映射；

根据用户习惯设置正常活动行为时间阈值τ；

按照人类对活动行为异常服务认知过程定义其swrl规则；

基于实时的感知的活动行为和时间参数信息，推理并执行活动异常服务；

所述用户活动行为与操作物品之间的语义知识映射方法为：

定义：o代表完成活动需操作物品，m表示基于本体技术的映射模板，h表示物品o的语义知识，也就是活动行为；

当传感器检测到完成活动需操作的其中一个物品动作时，该传感器状态值由0变为1，那么该传感器的数值1通过基于本体技术的映射模板m描述其动作对应的语义知识；

当感知到某一动作发生或未发生间隔时间超过设置的时间阈值τ时，则定义为发生了活动异常事项。

进一步优选的技术方案，一种智能家居系统的服务生成方法，还包括个性化服务生成步骤，具体为：

将用户活动行为与操作物品之间完成语义知识映射；

根据服务类似设置个性化服务时间误差阈值

根据用户个人行为习惯，定义个性化服务swrl规则；

基于实时的感知的活动行为和时间参数信息，推理并执行个性化服务。

与现有技术相比，本发明的有益效果是：

1、本发明中，在不干涉用户行为活动及隐私的情况下，部署相应的传感器系统来监控用户行为活动和异常活动，如：活动序列监控、摔倒检测；同时智能家居系统可实现实时环境监控，及自主提供环境和行为等异常服务。

2、本发明中，通过用户实时的行为活动，基于活动序列和时间属性可以实现服务的推理，同时根据用户的个人偏好，可提供个性化服务，同时，基于多属性的物品深层次认知为服务的执行提供了保障。

3、本发明中，智能家居仿真系统中可以学习用户活动行为序列，并基于强化学习模拟物品操作的执行参数，基于学习到的服务知识，机器人可以按照用户习惯的活动序列以一种自然、人性化的服务方法执行服务，同时机器人在执行服务期间，可按需的自主获取知识库中的环境知识和物品知识，以提高服务质量。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明实施例子的一种智能家居系统示意图；

图2为本发明实施例子的操作物品与行为活动之间的语义知识映射方法示意图；

图中，10知识库管理系统、20智能家居仿真平台、301服务机器人平台、302智能执行设备系统、303传感器系统、101服务知识库、102规则知识库、103物品知识库、104环境知识库。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本申请的一种具体实施例子中，提供了一种智能家居系统，如图1所示，包括知识库管理系统10、智能家居仿真平台20、服务机器人平台301、智能执行设备系统302和传感器系统303，其中：

智能家居仿真平台为基于v-rep、python等软件搭建的虚拟家庭环境，包括家居、传感器、机器人等实体，服务机器人平台就是由家庭中常用的机器人组合的服务平台，简单地说，就是多机器人系统

智能执行设备主要指家庭中智能执行器，如：智能开关、智能插座、智能设备控制器等，均采用的是无线通信。

知识库管理系统10中的知识包括服务知识库101、规则知识库102、物品知识库103和环境知识库104，其中，知识库管理系统10与智能家居仿真平台20双向交互。

服务知识库101用于指导智能家居仿真平台20和服务机器人平台301服务的执行，包括学习到的用户活动行为序列和执行参数知识，并且服务知识库101可以实现新服务知识的自动添加和旧知识的自动修改，从而保证了服务知识库101的更新和增长。

关于学习用户活动行为序列即针对活动为h所包含的多种执行方式，通过计算这些序列出现的概率，将出现概率最大的用于指导执行，称为学习得到或者确定的动作序列执行。

上述指导是指为机器人提供主要的动作命令，比如“拿水杯”→“到客厅”等序列的指导。

执行参数的学习采用基于强化学习的方法，学习到的策略和参数称为知识。

关于服务知识库的更新和修改，主要是家庭环境中的环境、物品等信息的更新，比如某物品由一个地方移动到另一个地方，那么这个物品的一些关系知识就需要更新和替换，比如位置的更新，与其他新物品的关联知识的添加等，因为上述变化的数据均是通过本体模板映射成了语义知识，并且均是与服务相关的知识，所以称为服务知识。

规则知识库102主要用于服务的推理，并且规则知识库102采用swrl(semanticwebrulelanguage)逻辑语言表示，当规则前提满足时，会自动地推理出所需服务，包括异常服务和个性化服务，所推理的服务由服务机器人平台301和/或智能执行设备系统302执行。

物品知识库103主要包括对操作物品的知识化描述，主要通过增加类别属性、物理属性、视觉属性、状态属性、功能属性、操作属性实现对操作物品的深层次认知，所述类别属性主要是描述物品所述的类别，如容器类，所述物理属性主要是描述物品可定量描述的属性，如尺寸，所述视觉属性是描述物品的视觉特征，如颜色，所述状态属性是描述物品当前所具有的状态，如杯子是空的，所述功能属性是描述物品所满足某种功能需求，如可抓取，所述操作属性是描述物品操作时所需属性，如抓取力度。

环境知识库104主要是对环境的知识描述，包括室内环境的结构、房间的数目、房间的功能等知识，便于对家庭环境的认知和服务的执行。

本申请的实施例子中，智能家居仿真平台20一方面用于学习感知到的用户活动行为序列，另一方面，采用基于强化学习的方法模拟机器人对物品的执行，将学到的序列知识和模拟得到的执行参数储存到知识库管理系统10，同时可与服务机器人平台301实现知识的实时交互。

其中，服务机器人平台301主要是执行较复杂的服务，比如：为用户提供一杯牛奶，同时在服务执行时，知识库管理系统10中的服务知识库101、所需物品知识库103和环境知识库104会实时地被服务机器人平台301获取和利用，以保证服务的顺利的进行。

而智能执行设备系统302主要完成较简单的服务，比如：根据室内温湿度自主完成空调设备的调节，根据用户习惯自主调节合适的灯光等服务。

另外，本申请的实施例子中，传感器系统303采用在不干涉用户日常行为活动的前提下，以无缝、自然、合适地方式分布和嵌入到家庭环境中，主要分为三大类：行为活动检测传感器、环境信息检测传感器和用户生理指标检测传感器。

具体的，传感器系统303的测量值均采用本体技术对其表示为语义知识，比如压力传感器附加在水杯上，当该压力传感器数值状态变为1，其语义描述为拿起水杯。

关于本体技术，具体是用于知识表示的，简单的说，比如传感器数据就是一些数，并不能直接理解这个数所描述的含义，然而通过本体的映射，就直接能够反映出那个的语义知识，也就能人们能理解的内容。可参阅文献：ganzf,barnaghip,carrezf.automatedsemanticknowledgeacquisitionfromsensordata[j].ieeesystemsjournal,2016,10(3):1214-1225.

在具体实施时，活动检测传感器主要包括压力传感器、接触传感器、运动传感器、红外传感器、开关传感器、接近传感器和其他用户活动检测传感器，压力传感器附加在物品上，可用于检测物品的拿起或放下，接触传感器用于检测用户是否与该物品发生接触，红外传感器部署房间内，根据红外传感器的测量范围确定部署的个数，用于检测用户是否在某个房间内，运动传感器部署房间内，根据运动传感器的测量范围确定部署的个数，用于检测用户在房间内是否运动，开关传感器主要用于检测物品的当前所处的开或关的状态，如微波炉门的开关状态，接近传感器安装在房门上，用于检测用户对房门开关的操作，活动检测传感器检测的实时数据信息经本体技术完成语义知识表示后，实时实现用户的活动的检测与推理，并传输至智能家居仿真平台20用于服务知识学习。

在具体实施时，环境信息检测传感器主要包括温度传感器、湿度传感器、光照传感器、煤气浓度传感器、甲醛浓度传感器、co2传感器和其他环境检测传感器，其分别用于检测环境的温度、湿度、光照强度、甲醛浓度、co2浓度等其他环境信息，环境信息检测传感器检测的实时数据信息经本体技术完成语义知识表示后，实时实现环境的检测与服务推理，并将所需执行的服务传输至服务机器人平台301或智能执行设备系统302完成服务的执行。

上述数据与其语义知识的表示是在的传感器系统中完成的，也就说传感器获取数据后，就映射为语义知识，具体见图2的映射方法。

用户活动的检测就是传感器检测数据的变化。而推理是在知识库管理系统中执行的，因为服务的推理需要涉及推理规则。

在具体实施时，生理指标检测传感器主要包括血压传感器、心率传感器等生理指标传感器，主要用于实时检测用户的血压、心率等生理特征信息，所述生理指标传感器也可为能够检测生理指标的多功能智能手环。

本申请的另一具体实施例子中，还提供了智能家居系统服务生成方法，包括：环境异常和生理指标服务生成方法、用户活动异常服务生成方法、个性化服务生成方法和机器人服务生成方法。

其中，环境和生理指标异常服务、用户活动异常服务和个性化服务均是根据传感器303系统实时检测的环境和用户活动信息，通过知识库管理系统10中的规则知识库102实时推理出的服务信息，并将推理的服务合理地分配给机器人平台301或智能执行设备系统302完成服务的执行，同时在服务执行期间，会实时从知识库管理系统10中按需获取物品知识库103的内容和环境知识库104的内容，以保证服务的顺利进行。

本申请的再一具体实施例子中，公开了环境和生理指标异常服务生成方法，包括：

步骤a1：分别对相关环境参数和生理指标设置阈值δ；

步骤a2：按照人类对环境和生理指标异常服务认知过程定义其swrl规则；

步骤a3：基于实时的环境和生理指标信息，推理并执行环境和生理指标异常服务；

其中，所述步骤a1的目的是当环境或生理指标传感器的测量值超过设置的阈值δ时，则定义为发生了环境或生理指标异常事项。

针对环境和生理指标异常服务生成方法，用一个简单地实例进行说明，比如：“厨房煤气浓度过高”异常服务，首先设置煤气浓度异常阈值δ，然后采用swrl定义其规则：

其含义表示为：当厨房煤气浓度传感器检测到浓度高于设定阈值时，自动执行打开厨房窗户并发出向用户发出警告服务。

同样的，当检测到生理指标超过正常阈值(即是设定的阈值)时，则为生理异常。

本申请的又一具体实施例子中，公开了用户活动异常服务生成方法，包括：

步骤b1：将用户活动行为与操作物品之间完成语义知识映射；

步骤b2：根据用户习惯设置正常活动行为时间阈值τ；

步骤b3：按照人类对活动行为异常服务认知过程定义其swrl规则；

步骤:b4：基于实时的感知的活动行为和时间参数信息，推理并执行活动异常服务。

其中，所述步骤b1中所述活动行为与操作物品之间的语义知识映射方法如图2所示，o表示完成活动需操作物品，m表示基于本体技术的映射模板，h表示物品o的语义知识，也就是活动行为，比如，假设o1代表微波炉，并且开关传感器附加在微波炉的门合适的位置，用于检测微波炉门的开或关的状态，当该传感器状态值由0变为1，那么该传感器的数值1通过基于本体技术的映射模板m描述其动作h1语义知识为“打开微波炉的门”；所述步骤b2的目的是当感知到某一动作(多个动作组成一个活动行为，也即是图2中的h1、h2、h3、h4、h5、h6)发生或未发生间隔时间超过设置的时间阈值τ时，则定义为发生了活动异常事项。

针对用户活动异常服务生成方法，用一个简单地实例进行说明，比如：用户“摔倒行为”异常服务，首先设置正常活动行为时间阈值τ，然后采用swrl定义其规则：

其含义表示为：当房间红外传感器检测到用户存在，并且房间运动传感器没有检测到运动，同时在用户存在的情况下，没有运动的时间超过设定的时间阈值，那么推理出“摔倒行为”并发出警告服务。

本申请的另一具体实施例子中，公开了个性化服务生成方法，包括：

步骤c1：将用户活动行为与操作物品之间完成语义知识映射；

步骤c2：根据服务类似设置个性化服务时间误差阈值

步骤c3：根据用户个人行为习惯，定义个性化服务swrl规则；

步骤c4：基于实时的感知的活动行为和时间参数信息，推理并执行个性化服务。

其中，所述步骤c1的目的与活动异常服务步骤b1目的一致；所述步骤c2的目的是由于每个人在活动行为执行时，并不会严格意义上的一致，只会在一个时间范围内，比如：用户平时都是晚上九点睡觉，并不是指正好九点睡觉，而是这一行为发生在九点左右，为此定义了时间误差阈值，只要所发生的时间与定义的用户偏好时间差在这个时间误差阈值内，即定义为时间满足该个性化服务。

针对用户个性化服务生成方法，用一个简单地实例进行说明，比如：检测到用户回卧室睡觉时的个性化服务，首先设置个性化服务时间误差阈值然后采用swrl定义其规则：

其中timerangetest为比较当前时间是否在个人偏好时间的误差范围内，其规则含义表示为：当传感器系统303检测到用户进入卧室，并且当前的时间在用户睡觉时间的误差范围之内，那么推理出“打开床头灯”服务并自动调节到“softwhite”状态，同时服务机器人平台301执行“sendmilk”个性化服务。

本申请的又一具体实施例子中，公开了机器人服务生成方法，包括：

步骤d1：将用户活动行为与操作物品之间完成语义知识映射；

步骤d2：将感知的用户活动行为传输至智能家居仿真平台并储存；

步骤d3：智能家居仿真平台20中的仿真机器人基于用户活动的历史知识学习出最优执行该行为的序列，这里的最优执行序列就是出现概率最大的序列，这里称作为服务；

步骤d4：针对每项服务中的每个动作，基于强化学习模拟出执行每个动作的最优动作参数；

步骤d5：基于传感器系统303感知的实时信息，结合知识库管理系统10中规则知识102推理出服务；

步骤d6：服务机器人平台301接受到推理出的服务后，会获取智能家居仿真平台20学习到的服务与模拟的执行动作参数，以实现机器人能够以一种自然、人性化的服务方式执行服务；

步骤d7：在服务机器人平台301执行期间，会自动按需获取知识库管理系统10的物品知识、环境知识，以保证服务机器人的顺利进行。

其中，所述步骤d4涉及到一种基于强化学习的动作模拟方法，其方法如下：

智能家居仿真平台20以服务序列中的动作作为输入，以执行该动作对应的操作物品的最优动作参数作为输出。选用物品状态组合作为动作完成的评判标准，当物品状态发生改变，则对应的动作参数为执行服务动作对应的参数。首先，构建物品状态库h，h(i)对应完成一项动作的物品状态组合，其中i对应一个动作。因此，在动作执行过程中，智能家居仿真平台20会通过构建多种动作组合以及参数设置，从而使物品模型满足h(i)对应的状态，以获得产生该状态需要的动作参数。

通过构建神经网络将物品状态组合转码为固定维度的特征向量，利用余弦相似度衡量状态库向量与经智能家居仿真平台20模拟后生成的状态向量的偏差，从而输出对应的激励值。

结合强化学习算法，物品状态对应的值函数为：

vθ(s)＝e[r(h)]

其中，v是值函数，e表示r(h)的期望，θ为状态参数，s记录执行该动作涉及物品的当前状态，h存储不同时间段的物品状态，可表示为r(h)能够返回h对应的激励值，t指服务结束时间，s(ht)表示t时间段的物品状态集合。

利用梯度下降算法获得值函数的偏导，并对对状态参数进行微调：

其中，p(h|θ)表示参数θ下的物品状态分布，θ为学习参数。

这里p＝(a|s,θ)为softmax函数输出状态s下产生动作a的概率，t表示对应时间，当状态参数达到收敛时，这时候vθ(s)的值趋于最大，对应的动作参数即是完成服务所需要的参数。

为进一步清楚地描述机器人服务生成方法，结合图1和图2，用一个简单地实例进行说明，假设图2为用户活动映射表示方法，那么h即为该行活动行为，h1、h2、h3、h4、h5和h6代表用户完成该活动需要执行的动作，m为对应的语义知识映射模板，o为用户完成该活动涉及到的执行物品，物品o1、o2、o3、o4、o5和o6分别与动作h1、h2、h3、h4、h5和h6相对应，需要指出的是，用户针对该活动h，每次执行的动作顺序并不一定相同，比如上次的习性顺序为h1→h2→h3→h4→h5→h6，而这次的顺序：h1→h4→h3→h5→h2→h6，所以这就导致了一个活动对应了多种动作序列，所产生的多种动作序列会传输至智能家居仿真平台20进行储存和用于动作序列的学习。

假设用户在执行活动h时，以动作顺序h1→h2→h3→h4→h5→h6出现次数最多，也就是用户按照动作顺序h1→h2→h3→h4→h5→h6完成活动h的出现的频率最高，那么首先智能家居仿真平台20会学习这些动作知识，自动学习出用户执行该活动动作序列出现概率最大(也即是频率最高)的动作顺序，根据上述假设，也就是学习到动作序列h1→h2→h3→h4→h5→h6作为机器人执行该服务的动作序列，比如用户执行“做咖啡”这一活动，那么产生的最大概率动作序列将作为机器人执行“做咖啡”这一服务的序列。

如果用户的行为活动在一段时间(如一周)内发生较大的变化，比如：上一周用户执行活动h时，动作序列h1→h2→h3→h4→h5→h6出现的频率最高，而这一周，动作序列h1→h3→h4→h6→h2→h5，那么用于指导机器人执行该服务的动作序列也将会更新。

然后，针对学习得到的服务动作序列，智能家居仿真平台20基于强化学习模拟每个动作的执行过程，将模拟得到的执行参数记录下来，这些执行参数与动作序列的组合生成了执行该服务的完整服务知识，并上传数据库管理系统10中的服务知识101保存。

随后，当结合传感器系统303感知的实时信息和规则知识102推理出了用户所需服务h(如“做咖啡”)或接收到用户发出的服务指令，那么服务机器人平台301会获取执行该服务的服务知识(包括执行参数与动作序列)，这样可以保证了机器人可以按照用户习惯的动作顺序执行该服务，从而保证了机器人按照一种自然、人性化的顺序完成服务任务。

在服务机器人平台301执行服务期间，所需的物品知识和环境知识可以按需的从知识库管理系统10中自动获取，如执行“做咖啡”这一服务，那么机器人可以按需的获取咖啡杯的所属位置、当前的状态等知识，以保证了机器人的服务顺序进行，并保证了服务的质量。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。