智能机器人及其情绪交互方法、系统与流程

本发明属于智能机器人领域，尤其涉及智能机器人及其情绪交互方法、系统。

背景技术：

包括工业机器人、服务机器人、陪聊机器人和情感陪护机器人等在内的机器人目前已经逐步进入人们的视野，就全球范围而言，这些机器人现在以两位数的发展持续了数年。随着智能机器人技术的发展与进步，机器人更大范围地进入人们的商业与生活。在长期与人交互过程中，机器人不断地学习与耳濡目染，慢慢变得聪明与善解人意，一定程度上也懂得了人的情感(例如，喜怒哀乐)，可以读懂人的表情与肢体动作。

现在随着社会老龄化程度的加深，空巢老人越来越多，对定位于情感交互的机器人的需求也逐步上升。这些情感交互包括与主人对话、读懂主人的喜怒哀乐、提醒主人按时服药以及察觉老人身体发生的异常情况等。目前的智能机器人具有非常高的智商，能够完成人所赋予的许多工作，但其情商还比较低，从而极大地限制了其使用功能和应用范围。有些机器人虽然也被赋予了若干形式的“情感”，但这些情感都是非常低级的、零碎的、断续的或机械的，各种情感之间的互动不具有连续性、内在逻辑性和辩证统一性，实际上只是模仿了人类的某种情感表达，而不是真正意义上的情感。

综上，目前的智能机器人主要的缺陷在于只能按照人预先编制的程序和情感数据进行动作，不能自主地与人进行真正意义上的情感交互。

技术实现要素：

本发明的目的在于提供一种智能机器人及其情绪交互方法、系统，以提高智能机器人与人进行情绪交互的智能化水平。

本发明第一方面提供一种智能机器人情绪交互方法，所述方法包括：

采集用户与智能机器人交互时所述用户产生的语音、面部表情和肢体动作中的任意一种或多种；

将所述语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；

采用情绪引擎处理所述文字信息或句子语义表示，确定与所述文字信息或句子语义表示匹配的答案；

输出所述与所述文字信息或句子语义表示匹配的答案作为所述智能机器人对所述用户的回应。

本发明第二方面提供一种智能机器人情绪交互系统，所述系统包括：

采集模块，用于采集用户与智能机器人交互时所述用户产生的语音、面部表情和肢体动作中的任意一种或多种；

转换模块，用于将所述语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；

情绪引擎模块，用于采用情绪引擎处理所述文字信息或句子语义表示，确定与所述文字信息或句子语义表示匹配的答案；

输出模块，用于输出所述与所述文字信息或句子语义匹配的答案作为所述智能机器人对所述用户的回应。

本发明第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

采集用户与智能机器人交互时所述用户产生的语音、面部表情和肢体动作中的任意一种或多种；

将所述语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；

采用情绪引擎处理所述文字信息或句子语义表示，确定与所述文字信息或句子语义表示匹配的答案；

输出所述与所述文字信息或句子语义表示匹配的答案作为所述智能机器人对所述用户的回应。

本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

采集用户与智能机器人交互时所述用户产生的语音、面部表情和肢体动作中的任意一种或多种；

将所述语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；

采用情绪引擎处理所述文字信息或句子语义表示，确定与所述文字信息或句子语义表示匹配的答案；

输出所述与所述文字信息或句子语义表示匹配的答案作为所述智能机器人对所述用户的回应。

从上述本发明技术方案可知，由于用户与智能机器人交互时产生的语音、面部表情和/或肢体动作被转化为相应的文字信息或句子语义表示，而采用情绪引擎处理文字信息或句子语义表示，是深度学习的过程，所确定的与文字信息或句子语义表示匹配的答案具有高度的自适应性，因此，与现有技术智能机器人与用户交互时缺乏感情相比，本发明技术方案的智能机器人将这些与文字信息或句子语义表示匹配的答案作为对用户的回应，其中带有丰富的感情色彩，体现了智能机器人较高的智能化水平。

附图说明

图1是本发明实施例提供的智能机器人情绪交互方法的实现流程示意图；

图2是本发明实施例提供的智能机器人情绪交互系统的结构示意图；

图3是本发明另一实施例提供的智能机器人情绪交互系统的结构示意图；

图4是本发明另一实施例提供的智能机器人情绪交互系统的结构示意图；

图5本发明另一实施例提供的智能机器人情绪交互系统的结构示意图；

图6是本发明实施例提供的智能机器人的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种智能机器人及其情绪交互方法，所述方法包括：采集用户与智能机器人交互时用户产生的语音、面部表情和肢体动作中的任意一种或多种；将语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；采用情绪引擎处理所述文字信息或句子语义表示，确定与文字信息或句子语义表示匹配的答案；输出与文字信息或句子语义表示匹配的答案作为智能机器人对用户的回应。本发明实施例还提供相应的智能机器人情绪交互系统和一种智能机器人。以下分别进行详细说明。

请参阅附图1，是本发明实施例一提供的智能机器人情绪交互方法的实现流程示意图，主要包括以下步骤s101至步骤s104，详细说明如下：

s101，采集用户与智能机器人交互时用户产生的语音、面部表情和肢体动作中的任意一种或多种。

在本发明实施例中，采集用户与智能机器人交互时用户产生的语音可以通过声音摄录设备实现，例如，可通过麦克(microphone)采集用户与智能机器人交互时用户产生的语音，而用户与智能机器人交互时用户产生的面部表情或肢体动作可以通过图像拍摄设备实现，例如，通过摄像头采集用户与智能机器人交互时用户产生的面部表情或肢体动作等。用户与智能机器人交互时用户产生的面部表情可以是微笑、发怒、流泪、皱眉、双眉上扬、嘴唇闭拢或嘴角向上，等等，用户与智能机器人交互时用户产生的肢体动作可以是站姿、坐姿、头部、手和腿的姿态或运动等，包括摇头、点头、昂首挺胸、晃动拳头、鼓掌、打呵欠、轻拍肩背、抓耳饶腮等等。这些用户发出的面部表情或肢体动作蕴含用户丰富的情绪，例如，面部表情方面，“皱眉”通常表示愤怒或为难的情绪，包括忧郁、疑惑、怀疑等，“双眉上扬”通常表示一种非常欣赏或极度惊讶的神情，“嘴唇闭拢”通常表示的是和谐宁静、端庄自然，“嘴角向上”通常表示善意、喜悦之意，让对方感到真诚、善解人意，“微笑”一般采取亲密注视的方式，等等，可以将这些面部表情及其对应的含义做成智能机器人的面部表情库；至于动作方面，“摇头”在大多数的文化里表示不同意或者观点相左，“点头”在大多数的文化里表示同意或认可，“昂首挺胸”通常表示自信、果断，“晃动拳头”通常表示愤怒或富攻击性；“鼓掌”通常表示赞成或高兴，“打呵欠”通常表示厌烦，“轻拍肩背”通常表示鼓励、恭喜或安慰，“抓耳饶腮”通常表示迷惑或不相信，等等，可以将这些肢体动作及其对应的含义做成智能机器人的肢体动作库。

s102，将语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示。

如前所述，用户与智能机器人交互时用户产生的面部表情或肢体动作具有丰富的感情含义，而这些面部表情或肢体动作能够被智能机器人理解，需要将其进行转换。在本发明实施例中，可以将用户与智能机器人交互时用户产生的语音、面部表情和肢体动作转化为文字信息。具体实现时，可以采用语音处理软件或硬件，将语音生成对应的文字信息；可以通过查询智能机器人的面部表情库，获知这些面部表情对应的含义，从而转化为相应的文字信息；可以通过查询智能机器人的肢体动作库，获知这些肢体动作对应的含义，从而转化为相应的文字信息。

需要说明的是，单纯的文字信息可能还不足以让智能机器人理解。在本发明实施例中，还可以进一步将文字信息转化为相应的句子语义表示，例如，实数值向量。具体实现时，可以将文字信息输入到卷积神经网络(cnn)句子模型，得到这些文字信息的句子语义表示即实数值向量。

s103，采用情绪引擎处理句子语义表示，确定与文字信息或句子语义表示匹配的答案。

作为本发明一个实施例，采用情绪引擎处理语音、面部表情和肢体动作中的任意一种或多种所转化的文字信息或句子语义表示，确定与这些文字信息或句子语义表示匹配的答案可通过如下步骤sa1031和sa1032实现：

sa1031，提取上述文字信息中的关键词。

例如，假设用户的某句语音信息所转化成的一句文字信息是“放学了，今天我很开心呀”，可以从中提取的关键词包括“放学”和“开心”；再如，假设用户的某个面部表情所转化成的文字信息为“我现在好难受，想哭”，可以从中提取的关键词包括“难受”和“想哭”；等等。

sa1032，检索构建的问答知识库，从问答知识库搜索与关键词匹配的答案。

在本发明实施中，问答知识库可以是采用人工模板技术构建，也可以是通过自扩展技术构建情感词典的方法构建。人工模板技术构建问答知识库，是指在特定领域，针对每个应用场景，预先设计各种答案和关键词，关键词和答案的对应关系的集合构成了问答知识库，这种人工模板技术构建的问答知识库，由于是采用各种应用场景、配之以大量的数据去构建，因此具有关键词和答案的对应关系通常匹配得比较精准的特点。通过自扩展技术构建情感词典的方法构建问答知识库，实质是一种知识获取和循序渐进学习技术，其特点是只需要少量的数据样本，以此为基础，通过一次次地训练，将数据进行有效扩充，使得问答知识库最终达到需要的数据信息规模。具体地，通过自扩展技术构建情感词典的方法构建问答知识库包括如下主要步骤i)至iv)：i)重复地从一个情绪样本集合d中采样n个样本；ii)针对每次采样的子样本集，进行统计学习，获得假设hi；iii)将若干个假设进行组合，形成最终样本集合；iv)这些用于具体的分类任务的最终样本集合构成问答知识库。

对于步骤sa1032，在检索时，可以采用lucene全文检索框架，结合布尔操作、通配符搜索、域搜索、模糊查询和范围搜索等算法，将问答知识库的数据建立索引和搜索功能，根据用户与智能机器人交互时用户产生的语音、面部表情和肢体动作所转换成的文字信息，在问答知识库中进行模糊匹配，找到最合适的答案。以用户的某句语音信息所转化成的一句文字信息是“放学了，今天我很开心呀”为例，通过提取“放学”和“开心”这两个关键词，从问答知识库搜索到的与关键词匹配的答案可以是“我也很开心。是不是今天受到老师的表扬了”；以用户面部表情所转化成的文字信息是“我现在好难受，想哭”为例，通过提取“难受”和“想哭”这两个关键词，从问答知识库搜索到的与关键词匹配的答案可以是“你有什么不开心的事，可以说给我听，或许我能帮助你呀”，等等。

作为本发明另一实施例，采用情绪引擎处理语音、面部表情和肢体动作中的任意一种或多种所转化的文字信息或句子语义表示，确定与这些文字信息或句子语义表示匹配的答案可通过如下步骤sb1031和sb1032实现：

sb1031，检索情绪知识库，从情绪知识库中搜索与上述文字信息相似度最高的索引信息。

在本发明实施例中，情绪知识库作为知识库的一个分支，其中包含喜、怒、哀、乐等各种表达情绪的词组，包括“开心”、“愤怒”、“难过”、“悲伤”、“高兴”、“愉快”等，这些词组包含在与情绪相关的各种中应用场景中，这些应用场景匹配有与这些词组对应的各种应答内容。作为本发明的一个实施例，检索情绪知识库，从中搜索与上述文字信息相似度最高的索引信息可以采用贝叶斯方法即编辑距离算法来实现。具体地，为了提高检索的准确度，采用编辑距离(editdistance)算法，该算法中，将从字符串a变成字符串b所需的最少编辑(包括增加、删除和插入等)次数称为从字符串a变成字符串b的编辑距离；一般而言，这个编辑距离越小，字符串a与字符串b的相似度越高。

以用户的某句语音信息所转化成的一句文字信息是“放学了，今天我很开心呀”为例，若采用lucene全文检索框架，结合布尔操作、通配符搜索、域搜索、模糊查询和范围搜索等算法，检索到情绪库中有三个索引信息分别是“今天放学很开心”、“今天过节，很开心哦”和“放学时间到了，好高兴哦”，显然，按照上述编辑距离算法的原理，“今天放学很开心”这一索引信息与“放学了，今天我很开心呀”的相似度最高。

sb1032，将与文字信息相似度最高的索引信息对应的应答内容确定为与文字信息匹配的答案。

如前所述，情绪知识库中的应用场景匹配有与这些词组对应的各种应答内容。以上述用户的某句语音信息所转化成的一句文字信息是“放学了，今天我很开心呀”为例，由于“今天放学很开心”这一索引信息与“放学了，今天我很开心呀”的相似度最高，那么，可以将情绪知识库中“今天放学很开心”这一索引信息对应的应答内容，例如，“我也很开心。老师今天表扬了你吧？”确定为与“放学了，今天我很开心呀”匹配的答案。

作为本发明另一实施例，采用情绪引擎处理语音、面部表情和肢体动作中的任意一种或多种所转化的文字信息或句子语义表示，确定与这些文字信息或句子语义表示匹配的答案可通过如下步骤sc1031和sc1032实现：

sc1031，将应答内容和这些句子语义表示分别输入神经网络，由神经网络判断句子语义表示和应答内容的匹配程度。

具体实现时，可以将文字信息和从知识库(包括情绪知识库和问答知识库等)中检索到一个应答内容分别数收入到两个卷积神经网络(cnn)句子模型，得到它们的句子语义表示，例如，实数值向量，然后，再将这两个句子语义表示输入到一个多层神经网络，由神经网络判断这两个句子语义表示的匹配程度，从而判断该应答内容与文字信息是否可以成为一个匹配的问答。

sc1032，若句子语义表示和应答内容的匹配程度达到预设阈值，则将应答内容确定为与句子语义表示匹配的答案。

若经过步骤sc1031中神经网络的判断，文字信息和应答内容两者的句子语义表示的匹配程度达到预设阈值，则将应答内容确定为与文字信息对应的句子语义表示匹配的答案。

仍然以用户的某句语音信息所转化成的一句文字信息是“放学了，今天我很开心呀”为例，若“放学了，今天我很开心呀”与应答内容“我也很开心。是不是今天受到老师表扬了？”两者的句子语义表示的匹配程度达到预设阈值，则将应答内容“我也很开心。是不是今天受到老师表扬了？”确定为与文字信息“放学了，今天我很开心呀”匹配的答案。

在本发明实施例中，步骤sc1031和sc1032这种并列匹配算法的特点是文字信息和应答内容的句子语义表示分别通过两个独立的卷积神经网络(cnn)得到，在得到它们各自的表示之前，两个句子间的信息互不影响。这种模型是对两个需要匹配的句子从全局语义上进行匹配，在语句匹配的相关问题中，两个待匹配的句子中往往存在相互间的局部匹配。

需要说明的是，上述实施例提及的问答知识库或情绪知识库等知识库，可以是智能机器人的本地知识库，也可以是与智能机器人可交互的云端的知识库，这些可以通过对智能机器人的训练得到或扩充，而这些训练分为初级阶段的训练和高级阶段的训练。初级阶段的训练即智能机器人被动接受新知识，不断地训练智能机器人，给智能机器人输入更多的数据，使其能掌握较多的知识；智能机器人后台提供一个对智能机器人进行训练的功能，采用的方法是模拟现实的问答录入大量的模板问答数据；数据分为两类：一类是智能机器人专业领域内的数据，如果有现成的文字数据则直接导入到后台语料数据库中，如果没有则要录入专业的问答数据；另一类带有情感的数据，这类数据就像人们日常对话一样(例如，今天心情很不错？今天和同事吵架了，不开心、微笑、发怒等)。高级阶段的训练属于智能机器人智能自动学习阶段，即：智能机器人在日常与用户的交互中，通过声纹技术，慢慢熟悉不同的用户的言行举止以及性格；智能机器人学习的常用领域包括数据挖掘、视觉理解、语音识别和自然语言处理等方面，智能机器人可以自动根据自己的个性、兴趣、自动搜索相关知识，智能机器人从资料中根据文本特征的提取和附加权重，建立最优分类器和倒排索引分类问题，并存储在自己的知识库中；因为自然语言的复杂性和不确定性，使语言结构的类型划分不唯一，遇到具有二义性的词或结构复杂的句子时，可能不能准确识别和分析用户“意图”；因此在对智能机器人进行日常训练的过程中，不断地强化智能机器人的认知和对问题的附加权重，从而使智能机器人可以正确理解用户的真实意图。

s104，输出与文字信息或句子语义表示匹配的答案作为智能机器人对用户的回应。

在输出与文字信息或句子语义表示匹配的答案时，一个比较重要的环节是如何自动生成自然语言表示的回应或回复。在本发明实施例中，基于检索式的回复或回应机制是根据当前用户输入信息自动生成由词语序列组成的答案，这种机制主要是利用大量交互数据对构建自然语言生成模型，给定一个信息，能够自动生成一个自然语言表示的回应，其中的关键问题是如何实现这个自然语言生成模型。回应的自动生成需要解决两个重要问题，其一是句子语义表示，其二是自然语言生成。由于循环神经网络在语言的表示以及生成方面都表现出了优异的性能，因此，本发明采用基于神经网络的对话模型“神经响应机”(neuralrespondingmachine，nrm)来构建自然语言生成模型，该模型用于实现人机之间的单轮对话(single-turndialog)。nrm是从大规模的信息对，例如问题-答案对中检索最佳的回应，并将学到的模式存于系统的模型参数中，即得到一个自然语言生成模型；由自然语言生成模型可以输出与文字信息或句子语义表示匹配的答案作为智能机器人对用户的回应。

从上述附图1示例的智能机器人情绪交互方法可知，由于用户与智能机器人交互时产生的语音、面部表情和/或肢体动作被转化为相应的文字信息或句子语义表示，而采用情绪引擎处理文字信息或句子语义表示，是深度学习的过程，所确定的与文字信息或句子语义表示匹配的答案具有高度的自适应性，因此，与现有技术智能机器人与用户交互时缺乏感情相比，本发明技术方案的智能机器人将这些与文字信息或句子语义表示匹配的答案作为对用户的回应，其中带有丰富的感情色彩，体现了智能机器人较高的智能化水平。

请参阅附图2，是本发明实施例提供的智能机器人情绪交互系统的结构示意图。为了便于说明，附图2仅示出了与本发明实施例相关的部分。附图2示例的智能机器人情绪交互系统主要包括采集模块201、转换模块202、情绪引擎模块203和输出模块204，详细说明如下：

采集模块201，用于采集用户与智能机器人交互时用户产生的语音、面部表情和肢体动作中的任意一种或多种；

转换模块202，用于将用户与智能机器人交互时用户产生的语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；

情绪引擎模块203，用于采用情绪引擎处理文字信息或句子语义表示，确定与文字信息或句子语义表示匹配的答案；

输出模块204，用于输出与文字信息或句子语义表示匹配的答案作为智能机器人对用户的回应。

附图2示例的情绪引擎模块203可以包括提取单元301和第一检索单元302，如附图3所示本发明另一实施例提供的智能机器人情绪交互系统，其中：

提取单元301，用于提取用户与智能机器人交互时用户产生的语音、面部表情和肢体动作中的任意一种或多种所转化的文字信息中的关键词；

第一检索单元302，用于检索构建的问答知识库，从问答知识库搜索与关键词匹配的答案。

附图2示例的情绪引擎模块203可以包括第二检索单元401和第一确定单元402，如附图4所示本发明另一实施例提供的智能机器人情绪交互系统，其中：

第二检索单元401，用于检索情绪知识库，从中搜索与用户与智能机器人交互时用户产生的语音、面部表情和肢体动作中的任意一种或多种所转化的文字信息相似度最高的索引信息；

第一确定单元402，用于将与索引信息对应的应答内容确定为与文字信息匹配的答案。

附图2示例的情绪引擎模块203可以包括判断单元501和第二确定单元502，如附图5所示本发明另一实施例提供的智能机器人情绪交互系统，其中：

判断单元501，用于将应答内容和句子语义表示分别输入神经网络，由神经网络判断句子语义表示和应答内容的匹配程度；

第二确定单元502，用于若判断单元501的判断结果为句子语义表示和应答内容的匹配程度达到预设阈值，则将应答内容确定为与句子语义表示匹配的答案。

图6是本发明实施例提供的智能机器人的示意图。如图6所示，该实施例的智能机器人6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行计算机程序62时实现上述附图1方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块的功能。

示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述智能机器人6中的执行过程。例如，所述计算机程序62可以被分割成采集模块、转换模块、情绪引擎模块和输出模块(虚拟装置中的模块)，各模块具体功能如下：采集模块，用于采集用户与智能机器人交互时所述用户产生的语音、面部表情和肢体动作中的任意一种或多种；转换模块，用于将所述语音、面部表情和肢体动作中的任意一种或多种转化为相应的文字信息或句子语义表示；情绪引擎模块，用于采用情绪引擎处理所述文字信息或句子语义表示，确定与所述文字信息或句子语义表示匹配的答案；输出模块，用于输出所述与所述文字信息或句子语义匹配的答案作为所述智能机器人对所述用户的回应。

所述智能机器人6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述智能机器人可包括但不仅限于处理器60、存储器61。本领域技术人员可以理解，图6仅仅是智能机器人6的示例，并不构成对智能机器人6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述智能机器人还可以包括输入输出设备、网络接入设备、总线等。

所述处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述智能机器人6的内部存储单元，例如智能机器人6的硬盘或内存。所述存储器61也可以是所述智能机器人6的外部存储设备，例如所述智能机器人6上配备的插接式硬盘，智能存储卡(smartmediacard,smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述智能机器人6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述智能机器人所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述智能机器人的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/智能机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/智能机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，例如，附图1的步骤s101至s104。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。