课程研究报告与展示 · 要求及“家庭服务机器人”提交稿还原

#作业

教师要求

第 1 讲课件只明确了两点：

选择人工智能相关研究主题，撰写课程报告；在最后一次课进行现场报告。课程研究报告占总评 40 分。

课件没有把“家庭服务机器人”规定为全班统一题目，也没有在现存材料中给出更细的统一评分表。这个主题来自我与李智成、余泓畅、李腾未、蔡翌希五人的小组提交稿。因此下方内容是由提交内容还原，不能视为教师原题。

查看“家庭服务机器人”提交稿还原与复盘

小组选择的研究问题

报告先把家庭场景的需求拆成四项：

  1. 在室内流畅移动，完成定位、避障和导航；
  2. 通过自然语言与家庭成员交流；
  3. 关注情绪调节和心理健康；
  4. 适应不同家庭和不同成员，提供个性化服务。

对应设计为四个功能模块：室内运动、语音交互、Private Musician 情绪调节系统，以及基于强化学习的家庭适应服务。

模块一：移动、避障与导航

报告提出先通过超声、红外或视觉传感器检测障碍物，再用 vSLAM 一边定位、一边更新家庭地图。全局路径规划采用 Dijkstra 或 A*。其中 A* 的评价函数写为：

f(n)=g(n)+h(n)f(n)=g(n)+h(n)

gg 是已经走过的代价，hh 是到目标的估计。提交稿还提到动态环境、目标不可达和实时性会限制静态地图上的全局规划，这与第 13 讲对启发式搜索的边界一致。

模块二：语音交互

提交稿把交互链拆成：

  • 语音识别：把音频转成文本；
  • 场景语义理解：结合指令和感知结果判断意图与对象；
  • 语音合成：把系统回复变成声音。

报告列举 CNN、LSTM、深层网络和 WaveNet 等相关技术，但没有提交可运行原型或同一数据集上的实验比较。因此这些内容应理解为技术调研与系统构想，不是已经验证的实现结果。

模块三：Private Musician

构想先识别用户当前情绪和希望调节的方向，再给曲库中每个乐段计算一个“调节量” xx：

  1. 若已有乐段达到阈值，选择最合适的乐段播放；
  2. 若没有达到阈值的乐段，用带风格条件的音乐生成模型生成候选；
  3. 再评估新乐段的 xx，达标后播放并加入曲库。

报告调研了对话情绪识别、CNN/BiLSTM 音乐情绪解码和 Transformer-GAN 风格音乐生成。这里的 xx 和阈值是概念设计，提交稿没有给出可测量定义、训练数据或用户实验，不能把“能够有效调节情绪”当成已经证实的结论。

模块四：家庭个性化强化学习

报告把生命周期分成三阶段：

阶段目标
初始训练用已有数据学会理解服务请求、分解任务和组织工具顺序
家庭适应在具体家庭中，根据环境和用户反馈调整动作序列
跟进优化习惯或家庭环境变化时，以较弱学习持续跟进，必要时重新训练

服务请求先被转换为结构化策略，再映射为动作序列。报告希望在家庭仿真平台中训练，并用三种办法缓解奖励稀疏：

  • 内在激励：以好奇心鼓励机器人探索新环境；
  • Reward Shaping：把用户反馈加入额外奖励；
  • 多目标学习：把长任务拆成子任务，既给即时奖励，也给任务结束的延时奖励。

提交稿还设想用数字孪生模拟执行结果，与真实结果比较后生成反馈。当服务质量越过阈值时触发“重新学习”，环境巨变时重启家庭适应阶段。

这份提交实际完成了什么

现存材料包括小组 PPT、总报告和各成员调研材料，完成的是面向家庭服务机器人的需求分析、模块化系统方案和文献调研。没有发现整机代码、统一仿真环境、训练日志或量化实验，因此不应写成“机器人已经实现 vSLAM、音乐生成和强化学习”。

若把它继续做成可验证项目，最现实的缩小方式是只选一条闭环，例如“固定栅格家庭环境中的取物路径规划”，明确地图输入、障碍变化、成功率和路径长度；先把一个模块做通，再讨论语音、情绪和个性化的系统集成。

评论