本发明涉及人工智能视觉，具体涉及一种基于物理启发的机器人视觉认知方法、模型、设备及介质。
背景技术：
1、随着机器人应用的不断深化，视觉认知计算已成为智能机器人重点研究方向。近年来以深度学习为代表的人工智能技术发展迅猛，其中cnn(convolutional neuralnetwork，卷积神经网络)、rnn(recurrent neural network，循环神经网络)、gcn(graphconvolutional network，图卷积网络)等各类型神经网络在机器视觉、时序预测、知识图谱等方面实现重大突破，在机器人视觉认知领域得到大量应用。这些神经网络模拟生物神经元机制，利用大量数据训练学习，实现目标数据与输出数据的最小化损失。但是这些深度学习理论和技术仍存在一定的局限性，即强大的信息挖掘和表示能力主要依赖高质量标注数据，面对非结构化复杂环境的预测认知任务，传统神经网络普遍存在训练盲目性问题，学习的网络模型难以准确适应复杂动态数据。正因如此，当前基于数据驱动深度学习的认知技术已愈发难以满足机器人处理复杂混乱感知数据、动态环境高效决策等更高层次的智能化能力需求。
2、实际上神经网络的学习本质是一个动力学过程，深度神经网络可视为离散的动力学系统，为解决深度网络训练中梯度爆炸/消失问题而提出的resnet(he k,zhang x,rens,et al.deep residual learning for image recognition[c]//proceedings of theieee conference on computer vision and pattern recognition,2016:770-778.)、polynet(zhang x,li z,change loy c,et al.polynet:a pursuit of structuraldiversity in very deep networks[c]//proceedings of the ieee conference oncomputer vision and pattern recognition,2017:718-726.)等经典网络都可视为微分方程的不同离散方式。随着物理人工智能的发展，研究人员发现机器学习和物理科学共同的核心都是提取特征与规则，而借助物理智能研究中的动力学常微分方程(ode，ordinarydifferential equation)，可有助于构造启发式神经网络和相应的学习算法，极大提高拟合复杂数据能力。
3、机器人工作环境复杂，尤其是面对动态变化环境下的复杂视觉认知任务，仅利用数据驱动的深度学习方法会导致训练困难、学习盲目、可解释性差等问题。本发明拟公开一种新的具备高泛化抗干扰能力的机器人物理启发的视觉认知模型，以提升智能机器人在复杂环境中的鲁棒性和学习能力。
技术实现思路
1、本发明的目的是提供一种用于复杂视觉认知的基于物理启发的机器人视觉认知方法、模型、设备及介质，通过将数据驱动深度学习中神经元突触连接，转换为物理系统的粒子间相互作用，建立物理启发的新型认知模型用于机器人复杂环境视觉认知，解决传统深度学习在面对动态变化环境下的复杂视觉认知任务时的训练困难与认知盲点问题。
2、为实现上述目的，本发明提供的技术方案是：
3、一种基于物理启发的机器人视觉认知方法，包括以下步骤：
4、获取视觉图像，提取视觉图像的深度卷积特征；
5、将视觉图像的深度卷积特征转换为物理相空间特征；
6、对物理相空间特征进行动力学建模，学习哈密顿量；
7、根据物理相空间特征与哈密顿量，基于哈密顿正则方程，实现相空间位置状态演化；
8、将相空间位置状态转化为高维特征信息，并按维度需要实现目标任务特征输出。
9、所述的获取视觉图像，提取视觉图像的深度卷积特征，包括：由卷积神经网络conv提取视觉图像i的深度卷积特征，在计算资源有限时选用基本卷积块conv_blcok、计算资源充足时选用残差卷积块res_block，输出深度卷积特征xf：
10、xf＝conv(i，conv_blcok/res_block)。
11、所述的将视觉图像的深度卷积特征转换为物理相空间特征，包括：将深度卷积特征xf送入全连接网络fcenc，其中全连接网络fcenc的隐层通道数为2n，输出特征维度为(b，2n，h，w)，b为每批样本数量，h与w为经卷积提取后的特征尺度；将其输出按通道维度平均切分，得到物理相空间特征fi，表达式如下：
12、
13、其中，q表示广义物理位置，p表示广义物理动量，q、p的维度均为(b，n，h，w)，表示2n维实数空间。
14、所述的对物理相空间特征进行动力学建模，学习哈密顿量，包括：构建哈密顿神经网络hnnσ，k，b，学习哈密顿量用于对物理相空间特征fi进行能量表征，所述的哈密顿量表达式如下：
15、
16、其中σ表示激活函数，kt表示神经元权重，b表示偏置系数。
17、所述的根据物理相空间特征与哈密顿量，基于哈密顿正则方程，实现相空间位置状态演化，包括：对物理相空间特征构建第i层t时刻的哈密顿动力学模型，建立基于哈密顿演化轨迹的物理认知神经网络学习机制，通过变分积分器vi逐层推演变化的粒子位置状态信息推演过程如下：
18、qi+1＝vi(qi)
19、其中，qi表示当前时刻粒子位置状态信息，qi+1表示下一时刻粒子位置状态信息；变分积分器vi根据当前时刻粒子位置状态信息qi演化推理下一时刻粒子位置状态信息qi+1，从而将相空间转化为高维特征信息的相空间位置状态输入。
20、所述的通过变分积分器vi逐层推演变化的粒子位置状态信息包括：根据哈密顿量与物理相空间特征fi，由哈密顿正则运动方程演化，确立由不显含时间t的哈密顿动力学模型的运动方程构成的轨迹演化过程，表达式如下：
21、
22、其中，表示物理相空间特征位置状态量fq的导数，表示物理相空间特征动量状态量fp的导数，h表示哈密顿量。
23、所述的将相空间位置状态转化为高维特征信息，并按维度需要实现目标任务特征输出，包括：利用全连接网络fcdec，将哈密顿演化后的相空间位置状态转化为高维特征信息的目标任务特征输出，所述目标任务特征输出out的表达式如下：
24、out＝fcdec(qi+1)
25、其中，qi+1为下一时刻粒子位置状态信息，代表哈密顿演化后的相空间位置状态；fcdec表示全连接网络，其通道数根据视觉认知任务需求设定。
26、一种基于物理启发的机器人视觉认知模型，包括依次连接的以下模块：
27、卷积层模块，由常规卷积神经网络组成，用于提取视觉图像的深度卷积特征；
28、特征编码模块，用于将视觉图像的深度卷积特征转换为物理相空间特征；
29、相空间位置状态演化模块，包括若干可级联动力学演化层，所述可级联动力学演化层由哈密顿神经网络、变分积分器构成；所述哈密顿神经网络对物理相空间特征进行动力学建模，学习哈密顿量；所述变分积分器根据物理相空间特征与哈密顿量，基于哈密顿正则方程，实现相空间位置状态演化；
30、特征解码模块，用于将相空间位置状态转化为高维特征信息，并按维度需要实现目标任务特征输出。
31、一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的基于物理启发的机器人视觉认知方法。
32、一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上所述的基于物理启发的机器人视觉认知方法。
33、与现有技术相比，本发明的有益效果是：
34、1、本发明利用物理启发的动力学建模方式，将传统数据驱动深度学习通过调节权重和偏置参数的学习方式，转变为粒子动力学演化的学习机制，在物理先验知识引导下，突破数据拟合的分布限制，可有效提高学习能力，更适合动态复杂数据建模。
35、2、本发明架构灵活，可根据需要增加可级联动力学演化层模块，通过相空间特征演化过程，在复杂动态视觉认知任务下，可有效提高模型学习效率、增强训练稳定性，并提升视觉任务预测准确率，解决了现有数据驱动深度学习模型面对复杂图像数据学习过程中的震荡、不稳定问题。
36、3、本发明能够根据需要选用合适的变分积分器，通过不同的运动积分算法，可达到计算资源与模型精度的最佳匹配。
37、4、本发明使用哈密顿神经网络，基于哈密顿正则运动方程实现神经网络跨层级信息传递，在保证稳定性的基础上，有效解决传统深度学习模型中梯度爆炸和消失问题。
38、5、本发明扩展性强，迁移简单，根据任务需要调整特征解码模块的输出维度，就能适用于多样化复杂视觉认知任务，且易嵌入到已有深度认知模型，避免了现有认知模型重新开发。
1.一种基于物理启发的机器人视觉认知方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理启发的机器人视觉认知方法，其特征在于：所述的获取视觉图像，提取视觉图像的深度卷积特征，包括：由卷积神经网络conv提取视觉图像i的深度卷积特征，在计算资源有限时选用基本卷积块conv_blcok、计算资源充足时选用残差卷积块res_block，输出深度卷积特征xf：
3.根据权利要求1所述的基于物理启发的机器人视觉认知方法，其特征在于：所述的将视觉图像的深度卷积特征转换为物理相空间特征，包括：将深度卷积特征xf送入全连接网络fcenc，其中全连接网络fcenc的隐层通道数为2n，输出特征维度为(b，2n，h，w)，b为每批样本数量，h与w为经卷积提取后的特征尺度；将其输出按通道维度平均切分，得到物理相空间特征fi，表达式如下：
4.根据权利要求1所述的基于物理启发的机器人视觉认知方法，其特征在于：所述的对物理相空间特征进行动力学建模，学习哈密顿量，包括：构建哈密顿神经网络hnnσ，k，b，学习哈密顿量用于对物理相空间特征fi进行能量表征，所述的哈密顿量表达式如下：
5.根据权利要求1所述的基于物理启发的机器人视觉认知方法，其特征在于：所述的根据物理相空间特征与哈密顿量，基于哈密顿正则方程，实现相空间位置状态演化，包括：对物理相空间特征构建第i层t时刻的哈密顿动力学模型，建立基于哈密顿演化轨迹的物理认知神经网络学习机制，通过变分积分器vi逐层推演变化的粒子位置状态信息推演过程如下：
6.根据权利要求5所述的基于物理启发的机器人视觉认知方法，其特征在于：所述的通过变分积分器vi逐层推演变化的粒子位置状态信息包括：根据哈密顿量与物理相空间特征fi，由哈密顿正则运动方程演化，确立由不显含时间t的哈密顿动力学模型的运动方程构成的轨迹演化过程，表达式如下：
7.根据权利要求6所述的基于物理启发的机器人视觉认知方法，其特征在于：所述的将相空间位置状态转化为高维特征信息，并按维度需要实现目标任务特征输出，包括：利用全连接网络fcdec，将哈密顿演化后的相空间位置状态转化为高维特征信息的目标任务特征输出，所述目标任务特征输出out的表达式如下：
8.权利要求1-7任一项所述方法采用的基于物理启发的机器人视觉认知模型，其特征在于，包括依次连接的以下模块：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-7任一项所述的基于物理启发的机器人视觉认知方法。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如权利要求1-7任一项所述的基于物理启发的机器人视觉认知方法。
