本发明属于人工智能技术领域，尤其涉及一种机器模拟待模拟目标学习和工作的人工智能方法及系统。
背景技术：
人工智能(artificialintelligence)，英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能；然而，现有机器模拟待模拟目标学习和工作的人工智能方法涉及情感、语言习惯等个性问题，还不能应用深度学习去模拟；同时，对知识学习能力差。
综上所述，现有技术存在的问题是：现有机器模拟待模拟目标学习和工作的人工智能方法涉及情感、语言习惯等个性问题，还不能应用深度学习去模拟；同时，对知识学习能力差。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种机器模拟待模拟目标学习和工作的人工智能方法及系统。
本发明是这样实现的，一种机器模拟待模拟目标学习和工作的人工智能方法，包括以下步骤：
步骤一，通过训练程序初始化原始的深度神经网络；分别获取不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据和音频数据；
步骤二，对步骤一所述视频图像数据进行目标识别，将识别出的目标实体转换为文字；
步骤三，对步骤一所述音频数据进行语音识别，区分主体声音和客体声音并转换为文字，所述主体声音为佩戴者声音，所述客体声音为所述佩带着以外的声音；
步骤四，按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用；
步骤五，将新的视频图像数据或音频数据转换为相应文本输入所述待模拟目标思维模拟系统，输出文本信息作为所模拟的待模拟目标思维产生的结果；
步骤六，对步骤五输入所述待模拟目标思维模拟系统的文本信息通过构建程序建立计算机类脑知识库，包括词库、类库、资源库、智能信息管理库；
步骤七，计算机将自然语言语句中表示语法成分的词语及词性读入或添加到词库，然后调用语义分析器将由自然语言单句生成的类基本元素和语义性质以类的方法创建并存储于类库，同时将与类基本元素和语义性质对应的场景进行配置并存储于资源库；
步骤八，计算机基于类库中的智能知识元素，针对智能应用需求调用语义分析器，将由自然语言单句、复句或语句集来满足应用需求的自然语言程序生成智能应用程序，并存储于智能信息管理库；
步骤九，调用步骤八智能信息管理库存储的信息，构建多层机器拟人行为路径规划框架，基于人类规划的行为模式，模拟待模拟目标、人眼和人腿的功能对应设置机器全局层路径规划、感知层路径规划和执行层路径规划；
步骤十，建立完备性可调性轨迹规划算法，应用所述算法规划的轨迹能够同时满足机器人的运动学约束和环境约束条件；
步骤十一，建立动态监控和恢复行为策略，对机器人前方安全距离范围进行实时动态监控，如果遇到紧急状况采取恢复行为策略。
进一步，步骤一之前，需进行：步骤i，通过数据采集装置采集学习和工作的数据信息；
步骤ii，通过主控芯片控制识别程序对采集的数据进行识别；
步骤iii，通过数据分析程序对识别后的的数据进行分析。
进一步，步骤一中，采用摄像头拍摄在不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据；
采用麦克风收集不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的声音数据，所述声音数据与所述视频图像数据同步；
步骤四中，按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中采用梯度下降法、牛顿算法、共轭梯度法、准牛顿法或levenberg-marquardt算法进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用。
进一步，步骤八进一步包括：
(i)通过构建程序建立计算机类脑知识库，包括词库、类库、资源库、智能信息管理库；其中，
词库，用于存储以自然语言表示场景或事件的词语及与词语对应的词性；所述词库分为系统词库、私人词库和公共词库，系统词库用于存储逻辑联结词和生成语义性质的否定词，私人词库用于存储用户自定义的专用词语对应其专用领域或区块性的类库和资源库，公共词库用于存储词性规范的公共词语；
所述类库包括本体异构函数，所述本体异构函数是将不同词语或术语指称同一场景或场景元素的表述同时对应或定义为同一词语或术语的方法
类库，用于存储与自然语言语句的语法成分对应的类基本元素和由类基本元素组成的与主、谓两个逻辑单元对应的真的性质；其中，对应主语的对象元素的语义性质以肯定性质为真，用二进制代码1表示，对应谓语的函数元素的语义性质以肯定或否定为真，每一个自然语句谓语对应的函数的语义性质只能以肯定和否定中的一种性质为真，用二进制代码1或0表示，1表示肯定为真，0表示否定为真；
资源库，用于存储上述场景或事件的信息资源，并与类库中的类基本元素及对象和函数元素为真的性质对应；
智能信息管理库，用于存储类似待模拟目标管理思维的判断推理算法程序和管理行为的智能应用程序以及所述类库、资源库、词库三者之间的对应关系；
(ii)计算机将自然语言语句中表示语法成分的词语及词性读入或添加到词库，然后调用语义分析器将由自然语言单句生成的类基本元素和语义性质以类的方法创建并存储于类库，同时将与类基本元素和语义性质对应的场景进行配置并存储于资源库，其中对象、函数的语义性质与资源库对应场景的性质保持一致为真；对象对应场景的性质以肯定1为真，函数对应场景的性质以肯定1或否定0为真，其中语义性质为1的函数对应性质以肯定为真的场景、语义性质为0的函数对应性质以否定为真的场景，由此形成以主、谓概念对应对象、函数单元的逻辑知识元素；
(iii)计算机基于类库中的智能知识元素，针对智能应用需求调用语义分析器，将由自然语言单句、复句或语句集来满足应用需求的自然语言程序生成智能应用程序，并将其存储于智能信息管理库。
进一步，步骤九中，构建多层拟人行为路径规划框架的方法包括：规划的行为模式，分别对应待模拟目标、人眼和人腿设置全局层路径规划、感知层路径规划和执行层路径规划；所述全局层路径规划对应待模拟目标负责为机器人提供全局的运动指引；感知层路径规划对应人眼负责在感知范围内求解可行的避障路径；执行层路径规划对应人腿负责根据机器人周围的环境决定具体的执行路径。
进一步，步骤十中，建立完备性可调性轨迹规划算法的方法包括：在进行轨迹规划的过程中，首先根据机器的运动学约束条件计算速度限制曲线，然后加入环境约束条件计算调节速度限制曲线；在不击穿调节速度限制曲线的前提下，先后进行基于最大加速度的正向积分和基于最小加速度的反向积分；令s表示路径长度、表示s对时间的一阶导数，输入初始线速度和目标线速度，在长度为sm的给定路径上进行轨迹规划；
步骤十一中，建立动态监控和恢复行为策略的方法如下：
基于机器人的最小线加速度设置安全距离dsafe：
式中，vr为当前的机器人线速度，为机器人的最小线加速度，ds是为了确保安全设定的一个常数；
对机器人前方长度为dsafe、宽度略大于机器人直径的矩形区域进行实时动态监控；如果监控区域内存在障碍物且vr＞0，采取减速策略；如果监控区域内存在障碍物且vr＝0，采取恢复行为。
进一步，步骤十一后，还需进行：
步骤1，通过云数据库服务器存储采集的机器学习和工作的数据信息；
步骤2，通过云数据库服务器将采集的机器学习和工作的数据信息发送至移动终端，并通过移动终端对机器模拟待模拟目标学习和工作的过程进行远程操控；
步骤3，通过显示器显示采集的机器学习和工作的数据信息。
本发明的另一目的在于提供一种应用所述的机器模拟待模拟目标学习和工作的人工智能方法的机器模拟待模拟目标学习和工作的人工智能系统，包括：
数据采集模块、数据识别模块、数据分析模块、中央控制模块、训练模块、知识学习模块、执行模块、路径规划模块、数据存储模块、终端模块、显示模块；
数据采集模块，与中央控制模块连接，用于通过数据采集装置采集学习和工作的数据信息；
数据识别模块，与中央控制模块连接，用于通过识别程序对采集的数据进行识别；
数据分析模块，与中央控制模块连接，用于通过数据分析程序对识别后的的数据进行分析；
中央控制模块，与数据采集模块、数据识别模块、数据分析模块、中央控制模块、训练模块、知识学习模块、执行模块、路径规划模块、数据存储模块、终端模块、显示模块连接，用于通过主控芯片控制各个模块正常工作；
训练模块，与中央控制模块连接，用于通过训练程序训练机器模拟待模拟目标思维；
知识学习模块，与中央控制模块连接，用于通过知识学习程序模拟机器进行知识学习；
执行模块，与中央控制模块连接，用于通过执行结构根据识别信息进行机器工作的执行；
路径规划模块，与中央控制模块连接，用于通过路径规划对机器的执行路径进行规划；
数据存储模块，与中央控制模块连接，用于通过云数据库服务器存储采集的机器学习和工作的数据信息；
终端模块，与中央控制模块连接，用于通过云数据库服务器将采集的机器学习和工作的数据信息发送至移动终端，并通过移动终端对机器模拟待模拟目标学习和工作的过程进行远程操控；
显示模块，与中央控制模块连接，用于通过显示器显示采集的机器学习和工作的数据信息。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的机器模拟待模拟目标学习和工作的人工智能方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的机器模拟待模拟目标学习和工作的人工智能方法。
本发明的优点及积极效果为：本发明通过训练模块模拟待模拟目标进行决策，可以通过主体本身所见所闻和表达的视频和音频数据作为训练样本，将待模拟目标的思维方式永久的保存下来；对于待模拟目标的研究及行为分析以及重要待模拟目标的思维方式记录有重要的应用价值；同时，通过知识学习模块可使计算机以类脑方式学习知识；然后提供一种逻辑推理机，其可进行判断推理计算；本发明以人工的方法将待模拟目标以智能计算和判断来认识客观事物的认知模型和基于认知模型进行逻辑推理的智能机制模拟到计算机系统，实现机器模拟待模拟目标的智力功能学习知识，形成了类脑人工智能服务平台。
本发明通过路径规划模块，基于人类规划的行为模式，提出多层拟人行为路径规划框架，兼具预见性和灵活性，路径光滑，实时性好；然后，针对现有的数值积分方法没有完备性保证和无法处理环境约束条件的问题，提出完备性可调性轨迹规划算法，同时规划结果的效率较高；并且，为了有效地确保安全、提高鲁棒性，本发明提出动态监控和恢复行为策略。应用本发明提出的路径规划方法，可以使得移动机器人在大规模的、动态变化的、部分未知的、非结构化的室内环境中实现安全自主导航。
附图说明
图1是本发明实施例提供的机器模拟待模拟目标学习和工作的人工智能方法流程图。
图2是本发明实施例提供的机器模拟待模拟目标学习和工作的人工智能系统结构框图；
图中：1、数据采集模块；2、数据识别模块；3、数据分析模块；4、中央控制模块；5、训练模块；6、知识学习模块；7、执行模块；8、路径规划模块；9、数据存储模块；10、终端模块；11、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的机器模拟待模拟目标学习和工作的人工智能方法包括以下步骤：
s101，通过数据采集装置采集学习和工作的数据信息；通过识别程序对采集的数据进行识别。
s102，通过数据分析程序对识别后的的数据进行分析；通过主控芯片控制机器模拟待模拟目标学习和工作的人工智能系统的正常工作。
s103，通过训练程序训练机器模拟待模拟目标思维；通过知识学习程序模拟机器进行知识学习。
s104，通过执行结构根据识别信息进行机器工作的执行；通过路径规划对机器的执行路径进行规划。
s105，通过云数据库服务器将采集的机器学习和工作的数据信息发送至移动终端，并通过移动终端对机器模拟待模拟目标学习和工作的过程进行远程操控。
s106，云数据库服务器存储采集的机器学习和工作的数据信息；通过显示器显示采集的机器学习和工作的数据信息。
如图2所示，本发明实施例提供的机器模拟待模拟目标学习和工作的人工智能系统包括：数据采集模块1、数据识别模块2、数据分析模块3、中央控制模块4、训练模块5、知识学习模块6、执行模块7、路径规划模块8、数据存储模块9、终端模块10、显示模块11。
数据采集模块1，与中央控制模块4连接，用于通过数据采集装置采集学习和工作的数据信息；
数据识别模块2，与中央控制模块4连接，用于通过识别程序对采集的数据进行识别；
数据分析模块3，与中央控制模块4连接，用于通过数据分析程序对识别后的的数据进行分析；
中央控制模块4，与数据采集模块1、数据识别模块2、数据分析模块3、训练模块5、知识学习模块6、执行模块7、路径规划模块8、数据存储模块9、终端模块10、显示模块11连接，用于通过主控芯片控制各个模块正常工作；
训练模块5，与中央控制模块4连接，用于通过训练程序训练机器模拟待模拟目标思维；
知识学习模块6，与中央控制模块4连接，用于通过知识学习程序模拟机器进行知识学习；
执行模块7，与中央控制模块4连接，用于通过执行结构根据识别信息进行机器工作的执行；
路径规划模块8，与中央控制模块4连接，用于通过路径规划对机器的执行路径进行规划；
数据存储模块9，与中央控制模块4连接，用于通过云数据库服务器存储采集的机器学习和工作的数据信息；
终端模块10，与中央控制模块4连接，用于通过云数据库服务器将采集的机器学习和工作的数据信息发送至移动终端，并通过移动终端对机器模拟待模拟目标学习和工作的过程进行远程操控；
显示模块11，与中央控制模块4连接，用于通过显示器显示采集的机器学习和工作的数据信息。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的机器模拟待模拟目标学习和工作的人工智能方法如图1所示，作为优选实施例，本发明实施例提供的通过训练程序训练机器模拟待模拟目标思维的方法如下：
1)通过训练程序初始化原始的深度神经网络；分别获取不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据和音频数据。
2)对所述视频图像数据进行目标识别，将识别出的目标实体转换为文字。
3)对所述音频数据进行语音识别，区分主体声音和客体声音并转换为文字，其中，所述主体声音为佩戴者声音，所述客体声音为所述佩带着以外的人的声音。
4)按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用。
5)将新的视频图像数据或音频数据转换为相应文本输入所述待模拟目标思维模拟系统，输出文本信息作为所模拟的待模拟目标思维产生的结果。
本发明实施例提供的按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用，包括：
按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中采用梯度下降法、牛顿算法、共轭梯度法、准牛顿法或levenberg-marquardt算法进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用。
本发明实施例提供的分别获取不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据和音频数据，包括：
采用摄像头拍摄在不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据；
采用麦克风收集不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的声音数据，所述声音数据与所述视频图像数据同步。
实施例2
本发明实施例提供的机器模拟待模拟目标学习和工作的人工智能方法如图1所示，作为优选实施例，本发明实施例提供的通过知识学习程序模拟机器进行知识学习的方法如下：
(1)通过构建程序建立计算机类脑知识库，包括词库、类库、资源库、智能信息管理库，其中：
词库，用于存储以自然语言表示场景或事件的词语及与词语对应的词性；
类库，用于存储与自然语言语句的语法成分对应的类基本元素和由类基本元素组成的与主、谓两个逻辑单元对应的真的性质，其中:对应主语的对象元素的语义性质以肯定性质为真，用二进制代码1表示，对应谓语的函数元素的语义性质以肯定或否定为真，每一个自然语句谓语对应的函数的语义性质只能以肯定和否定中的一种性质为真，用二进制代码1或0表示，1表示肯定为真，0表示否定为真；
资源库，用于存储上述场景或事件的信息资源，并与类库中的类基本元素及对象和函数元素为真的性质对应；
智能信息管理库，用于存储类似待模拟目标管理思维的判断推理算法程序和管理行为的智能应用程序以及所述类库、资源库、词库三者之间的对应关系。
(2)计算机将自然语言语句中表示语法成分的词语及词性读入或添加到词库，然后调用语义分析器将由自然语言单句生成的类基本元素和语义性质以类的方法创建并存储于类库，同时将与类基本元素和语义性质对应的场景进行配置并存储于资源库，其中对象、函数的语义性质与资源库对应场景的性质保持一致为真；对象对应场景的性质以肯定1为真，函数对应场景的性质以肯定1或否定0为真，其中语义性质为1的函数对应性质以肯定为真的场景、语义性质为0的函数对应性质以否定为真的场景，由此形成以主、谓概念对应对象、函数单元的逻辑知识元素。
(3)计算机基于类库中的智能知识元素，针对智能应用需求调用语义分析器，将由自然语言单句、复句或语句集来满足应用需求的自然语言程序生成智能应用程序，并将其存储于智能信息管理库。
本发明实施例提供的词库分为系统词库、私人词库和公共词库，系统词库用于存储逻辑联结词和生成语义性质的否定词，私人词库用于存储用户自定义的专用词语对应其专用领域或区块性的类库和资源库，公共词库用于存储词性规范的公共词语。
本发明实施例提供的类库包括本体异构函数，所述本体异构函数是将不同词语或术语指称同一场景或场景元素的表述同时对应或定义为同一词语或术语的方法。
实施例3
本发明实施例提供的机器模拟待模拟目标学习和工作的人工智能方法如图1所示，作为优选实施例，本发明实施例提供的通过路径规划对机器的执行路径进行规划的方法如下：
1)构建多层机器拟人行为路径规划框架，基于人类规划的行为模式，模拟待模拟目标、人眼和人腿的功能对应设置机器全局层路径规划、感知层路径规划和执行层路径规划。
2)建立完备性可调性轨迹规划算法，应用所述算法规划的轨迹能够同时满足机器人的运动学约束和环境约束条件。
3)建立动态监控和恢复行为策略，对机器人前方安全距离范围进行实时动态监控，如果遇到紧急状况采取恢复行为策略。
本发明实施例提供的步骤1)的构建多层拟人行为路径规划框架的方法为：规划的行为模式，分别对应待模拟目标、人眼和人腿设置全局层路径规划、感知层路径规划和执行层路径规划；所述全局层路径规划对应待模拟目标负责为机器人提供全局的运动指引；感知层路径规划对应人眼负责在感知范围内求解可行的避障路径；执行层路径规划对应人腿负责根据机器人周围的环境决定具体的执行路径。
本发明实施例提供的步骤2)的建立完备性可调性轨迹规划算法的方法为：在进行轨迹规划的过程中，首先根据机器的运动学约束条件计算速度限制曲线，然后加入环境约束条件计算调节速度限制曲线；在不击穿调节速度限制曲线的前提下，先后进行基于最大加速度的正向积分和基于最小加速度的反向积分；令s表示路径长度、表示s对时间的一阶导数，输入初始线速度和目标线速度，在长度为sm的给定路径上进行轨迹规划。
本发明实施例提供的步骤3)的建立动态监控和恢复行为策略的方法如下：基于机器人的最小线加速度设置安全距离dsafe：
式中，vr为当前的机器人线速度，为机器人的最小线加速度，ds是为了确保安全设定的一个常数。
对机器人前方长度为dsafe、宽度略大于机器人直径的矩形区域进行实时动态监控；如果监控区域内存在障碍物且vr＞0，采取减速策略；如果监控区域内存在障碍物且vr＝0，采取恢复行为。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
1.一种机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，所述机器模拟待模拟目标学习和工作的人工智能方法包括以下步骤：
步骤一，通过训练程序初始化原始的深度神经网络；分别获取不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据和音频数据；
步骤二，对步骤一所述视频图像数据进行目标识别，将识别出的目标实体转换为文字；
步骤三，对步骤一所述音频数据进行语音识别，区分主体声音和客体声音并转换为文字，所述主体声音为佩戴者声音，所述客体声音为所述佩带着以外的声音；
步骤四，按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用；
步骤五，将新的视频图像数据或音频数据转换为相应文本输入所述待模拟目标思维模拟系统，输出文本信息作为所模拟的待模拟目标思维产生的结果；
步骤六，对步骤五输入的待模拟目标思维模拟系统文本信息通过构建程序建立计算机类脑知识库，包括词库、类库、资源库、智能信息管理库；
步骤七，计算机将自然语言语句中表示语法成分的词语及词性读入或添加到词库，然后调用语义分析器将由自然语言单句生成的类基本元素和语义性质以类的方法创建并存储于类库，同时将与类基本元素和语义性质对应的场景进行配置并存储于资源库；
步骤八，计算机基于类库中的智能知识元素，针对智能应用需求调用语义分析器，将由自然语言单句、复句或语句集来满足应用需求的自然语言程序生成智能应用程序，并存储于智能信息管理库；
步骤九，调用步骤八智能信息管理库存储的信息，构建多层机器拟人行为路径规划框架，基于人类规划的行为模式，模拟待模拟目标、人眼和人腿的功能对应设置机器全局层路径规划、感知层路径规划和执行层路径规划；
步骤十，建立完备性可调性轨迹规划算法，应用所述算法规划的轨迹能够同时满足机器人的运动学约束和环境约束条件；
步骤十一，建立动态监控和恢复行为策略，对机器人前方安全距离范围进行实时动态监控，如果遇到紧急状况采取恢复行为策略。
2.如权利要求1所述机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，步骤一之前，需进行：步骤i，通过数据采集装置采集学习和工作的数据信息；
步骤ii，通过主控芯片控制识别程序对采集的数据进行识别；
步骤iii，通过数据分析程序对识别后的的数据进行分析。
3.如权利要求1所述的机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，步骤一中，采用摄像头拍摄在不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的视频图像数据；
采用麦克风收集不同时间、不同地点或相同地点、不同景物或相同景物、以及不同待模拟目标或相同待模拟目标状态下的声音数据，所述声音数据与所述视频图像数据同步；
步骤四中，按照时间顺序，将所述客体声音对应的文字以及所述视频图像数据对应的文字作为输入，将所述主体声音作为输出，放入所述深度神经网络中采用梯度下降法、牛顿算法、共轭梯度法、准牛顿法或levenberg-marquardt算法进行训练直至深度神经网络收敛，将收敛后的深度神经网络作为待模拟目标思维模拟系统使用。
4.如权利要求1所述的机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，步骤八进一步包括：
(i)通过构建程序建立计算机类脑知识库，包括词库、类库、资源库、智能信息管理库；其中，
词库，用于存储以自然语言表示场景或事件的词语及与词语对应的词性；所述词库分为系统词库、私人词库和公共词库，系统词库用于存储逻辑联结词和生成语义性质的否定词，私人词库用于存储用户自定义的专用词语对应其专用领域或区块性的类库和资源库，公共词库用于存储词性规范的公共词语；
所述类库包括本体异构函数，所述本体异构函数是将不同词语或术语指称同一场景或场景元素的表述同时对应或定义为同一词语或术语的方法
类库，用于存储与自然语言语句的语法成分对应的类基本元素和由类基本元素组成的与主、谓两个逻辑单元对应的真的性质；其中，对应主语的对象元素的语义性质以肯定性质为真，用二进制代码1表示，对应谓语的函数元素的语义性质以肯定或否定为真，每一个自然语句谓语对应的函数的语义性质只能以肯定和否定中的一种性质为真，用二进制代码1或0表示，1表示肯定为真，0表示否定为真；
资源库，用于存储上述场景或事件的信息资源，并与类库中的类基本元素及对象和函数元素为真的性质对应；
智能信息管理库，用于存储类似待模拟目标管理思维的判断推理算法程序和管理行为的智能应用程序以及所述类库、资源库、词库三者之间的对应关系；
(ii)计算机将自然语言语句中表示语法成分的词语及词性读入或添加到词库，然后调用语义分析器将由自然语言单句生成的类基本元素和语义性质以类的方法创建并存储于类库，同时将与类基本元素和语义性质对应的场景进行配置并存储于资源库，其中对象、函数的语义性质与资源库对应场景的性质保持一致为真；对象对应场景的性质以肯定1为真，函数对应场景的性质以肯定1或否定0为真，其中语义性质为1的函数对应性质以肯定为真的场景、语义性质为0的函数对应性质以否定为真的场景，由此形成以主、谓概念对应对象、函数单元的逻辑知识元素；
(iii)计算机基于类库中的智能知识元素，针对智能应用需求调用语义分析器，将由自然语言单句、复句或语句集来满足应用需求的自然语言程序生成智能应用程序，并将其存储于智能信息管理库。
5.如权利要求1所述的机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，步骤九中，构建多层拟人行为路径规划框架的方法包括：规划的行为模式，分别对应待模拟目标、人眼和人腿设置全局层路径规划、感知层路径规划和执行层路径规划；所述全局层路径规划对应待模拟目标负责为机器人提供全局的运动指引；感知层路径规划对应人眼负责在感知范围内求解可行的避障路径；执行层路径规划对应人腿负责根据机器人周围的环境决定具体的执行路径。
6.如权利要求1所述的机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，步骤十中，建立完备性可调性轨迹规划算法的方法包括：在进行轨迹规划的过程中，首先根据机器的运动学约束条件计算速度限制曲线，然后加入环境约束条件计算调节速度限制曲线；在不击穿调节速度限制曲线的前提下，先后进行基于最大加速度的正向积分和基于最小加速度的反向积分；令s表示路径长度、表示s对时间的一阶导数，输入初始线速度和目标线速度，在长度为sm的给定路径上进行轨迹规划；
步骤十一中，建立动态监控和恢复行为策略的方法如下：
基于机器人的最小线加速度设置安全距离dsafe：
式中，vr为当前的机器人线速度，为机器人的最小线加速度，ds是为了确保安全设定的一个常数；
对机器人前方长度为dsafe、宽度略大于机器人直径的矩形区域进行实时动态监控；如果监控区域内存在障碍物且vr＞0，采取减速策略；如果监控区域内存在障碍物且vr＝0，采取恢复行为。
7.如权利要求1所述的机器模拟待模拟目标学习和工作的人工智能方法，其特征在于，步骤十一后，还需进行：
步骤1，通过云数据库服务器存储采集的机器学习和工作的数据信息；
步骤2，通过云数据库服务器将采集的机器学习和工作的数据信息发送至移动终端，并通过移动终端对机器模拟待模拟目标学习和工作的过程进行远程操控；
步骤3，通过显示器显示采集的机器学习和工作的数据信息。
8.一种应用如权利要求1～7任意一项所述的机器模拟待模拟目标学习和工作的人工智能方法的机器模拟待模拟目标学习和工作的人工智能系统，其特征在于，所述机器模拟待模拟目标学习和工作的人工智能系统包括：
数据采集模块、数据识别模块、数据分析模块、中央控制模块、训练模块、知识学习模块、执行模块、路径规划模块、数据存储模块、终端模块、显示模块；
数据采集模块，与中央控制模块连接，用于通过数据采集装置采集学习和工作的数据信息；
数据识别模块，与中央控制模块连接，用于通过识别程序对采集的数据进行识别；
数据分析模块，与中央控制模块连接，用于通过数据分析程序对识别后的的数据进行分析；
中央控制模块，与数据采集模块、数据识别模块、数据分析模块、中央控制模块、训练模块、知识学习模块、执行模块、路径规划模块、数据存储模块、终端模块、显示模块连接，用于通过主控芯片控制各个模块正常工作；
训练模块，与中央控制模块连接，用于通过训练程序训练机器模拟待模拟目标思维；
知识学习模块，与中央控制模块连接，用于通过知识学习程序模拟机器进行知识学习；
执行模块，与中央控制模块连接，用于通过执行结构根据识别信息进行机器工作的执行；
路径规划模块，与中央控制模块连接，用于通过路径规划对机器的执行路径进行规划；
数据存储模块，与中央控制模块连接，用于通过云数据库服务器存储采集的机器学习和工作的数据信息；
终端模块，与中央控制模块连接，用于通过云数据库服务器将采集的机器学习和工作的数据信息发送至移动终端，并通过移动终端对机器模拟待模拟目标学习和工作的过程进行远程操控；
显示模块，与中央控制模块连接，用于通过显示器显示采集的机器学习和工作的数据信息。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项所述的机器模拟待模拟目标学习和工作的人工智能方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的机器模拟待模拟目标学习和工作的人工智能方法。
技术总结