一种多设备参与的协作场景分析方法及系统

1.本发明涉及协同工作感知技术领域，特别是涉及一种多设备参与的协作场景分析方法及系统。


背景技术：

2.在通信技术和人工智能快速发展的背景下，丰富多样的智能设备及其搭载的各类应用，给人们的生产、生活方式带来了巨大的影响。多设备的使用给团队成员间的沟通和信息交互提供便利性，提升协同任务完成效率，然而多设备的“多”不仅仅是设备数量多，在设备的类型、所搭载的操作系统、交互模态和信息传递方式上都呈多样性，这增加了协同工作模式的复杂性。
3.团队成员与各类设备之间构成一个繁杂的协同场景，在这个空间中所进行的交互活动会产生大量的场景信息；协作者个人能力有限，一般难以从中充分获取有助于协同任务高效完成的信息，进而不易全面地了解协同场景状态，无法准确而有效地协调团队整体的协作。
4.已知的感知方法及技术对多设备参与的协同工作场景复杂度的判断以及如何处理多设备交互中的信息冗余等问题没有给予充分关注，多是以经验进行判断依据，缺乏较为系统的、科学的解决方案。


技术实现要素：

5.有鉴于此，本发明提供了一种多设备参与的协作场景分析方法及系统，利用相关装置，对该协同场景进行分析和识别，增强感知，实现信息的有效处理，确定团队协作水平，从而进行调整，以提高团队协作效率。
6.为实现上述目的，本发明提供了如下方案：
7.一种多设备参与的协作场景分析方法，包括：
8.基于协作场景确定信息要素，并基于所述信息要素构建感知模型；
9.基于融合目标函数构建神经网络模型，并对所述神经网络模型进行训练；
10.基于所述感知模型得到感知信息实际数据库；
11.将所述感知信息实际数据库输入训练好的所述神经网络模型，得到实际融合目标函数值数据库；
12.基于所述实际融合目标函数值数据库进行分析得到协作效率。
13.优选地，所述信息要素包括群组、设备、时间、环境和任务。
14.优选地，所述神经网络模型的激活函数为tanh函数或relu函数。
15.优选地，所述感知信息实际数据库以缓存的方式存储或进行多模态数据对齐后以张量的方式存储。
16.优选地，所述基于所述感知模型得到感知信息实际数据库，包括：
17.基于感知设备构建不同的传感组合得到传感组合集；
18.基于第x个所述传感组合结合所述感知模型对协作场景进行感知，得到第x个感知信息实际数据，令x取不同的值并重复此过程，得到所述感知信息实际数据库；x∈x；x为传感组合集内传感组合的数量。
19.本发明还提供了一种多设备参与的协作场景分析系统，包括：
20.感知单元，用于基于感知模型得到感知信息实际数据库；
21.处理单元，用于基于协作场景确定信息要素，并基于所述信息要素构建感知模型；所述处理单元还用于基于融合目标函数构建神经网络模型，并对所述神经网络模型进行训练，进一步根据所述感知信息实际数据库和训练好的神经网络模型进行计算得到实际融合目标函数值数据库，对所述实际融合目标函数值数据库进行分析得到协作效率。
22.优选地，所述系统还包括存储单元，所述存储单元对所述感知信息实际数据库以缓存的方式存储或进行多模态数据对齐后以张量的方式存储。
23.优选地，所述感知单元为摄像头、智能音响、电脑、智能手机、路由、视觉传感器、光线传感器、温度传感器和视听集成模块中的一者或几者的组合。
24.优选地，所述感知单元与所述存储单元之间通过wifi、zigbee或蓝牙连接。
25.根据本发明提供的具体实施例，本发明公开了以下技术效果：
26.本发明涉及一种多设备参与的协作场景分析方法及系统，所述方法包括：首先根据当前协作场景确定信息要素，进一步根据确定的信息要素构建感知模型；之后构建神经网络模型，并对其进行训练，以优化运算结果；进一步通过构建的感知模型获取感知信息实际数据库，并将其输入到训练好的神经网络模型进行运算，得到，得到实际融合目标函数值数据库，通过对所述实际融合目标函数值数据库进行分析得到团队的协作效率。本发明提取有效感知信息，减少了信息冗余，并对团队的协作水平进行分析，从而对其进行改进，以提高整体的协作效率。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
28.图1为本发明多设备参与的协作场景分析方法流程图；
29.图2为本发明多设备参与的协作场景分析系统结构图。
30.符号说明：1
‑
感知单元，2
‑
存储单元，3
‑
处理单元，4
‑
可视化单元。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.本发明的目的是提供一种多设备参与的协作场景分析方法及系统，利用相关装置，对该协同场景进行分析和识别，增强感知，实现信息的有效处理，确定团队协作水平，从
而进行调整，以提高团队协作效率。
33.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
34.图1为本发明多设备参与的协作场景分析方法流程图，如图1所示，本发明提供了一种多设备参与的协作场景分析方法，包括：
35.步骤s1，基于协作场景确定信息要素，并基于所述信息要素构建感知模型。作为一种可选的实施方式，本实施例中，所述信息要素包括群组、设备、时间、环境和任务。进一步地，所述感知模型为a＝g
×
d
×
t
×
e
×
w＝{a
i
|a
i
＝<g
i
,d
i
,t
i
,e
i
,w
i
>}；式中：a为感知信息集，g为群组集，d为设备集，t为时间集，e为环境集，w为任务集；a
i
∈a，g
i
∈g，d
i
∈d，t
i
∈t，e
i
∈e，w
i
∈w；群组集中的群组由2个及以上的成员组成；设备集为台式电脑、笔记本电脑、平板电脑、智能手机、智能手表、智能摄像头、智能音箱和智慧屏中的一者或几者的组合；时间集表示协同工作过程中的时间序列；环境集包括虚拟模式、现实模式和融合模式。
36.步骤s2，基于融合目标函数构建神经网络模型，并对所述神经网络模型进行训练。具体地，本实施例中，所述神经网络模型选用bp神经网络，所述融合目标函数为基于时间序列的，具体如下：
[0037][0038]
式中：为t时刻场景感知信息a
i
的协同信息熵，θ
t
为元素t的值的协同信息熵。
[0039]
优选地，所述神经网络模型的权重为场景感知因子μ，激活函数为tanh函数和relu函数中任意一者，偏置根据复杂程度调整，基于感知信息理论数据库对所述神经网络模型多次训练后，根据bp定力，即可得到能处理不同任务的神经网络模型，并在训练过程中得到每个任务的理想融合目标函数值，继而得到理想融合目标函数值数据库。
[0040]
步骤s3，基于所述感知模型得到感知信息实际数据库。所述感知信息实际数据库即为所述感知信息集。所述步骤s3具体包括：
[0041]
步骤s31，基于感知设备构建不同的传感组合得到传感组合集；
[0042]
步骤s32，基于第x个所述传感组合结合所述感知模型对协作场景进行感知，得到第x个感知信息实际数据，令x取不同的值并重复此过程，得到所述感知信息实际数据库；x∈x；x为传感组合集内传感组合的数量。
[0043]
作为一种可选的实施方式，本实施例中，所述感知信息实际数据库以缓存的方式存储或进行多模态数据对齐后以张量的方式存储。
[0044]
步骤s4，将所述感知信息实际数据库输入训练好的所述神经网络模型，得到实际融合目标函数值数据库。
[0045]
步骤s5，基于所述实际融合目标函数值数据库和所述理想融合目标函数值数据库进行分析得到协作效率。
[0046]
具体地，通过分析即可得到每个任务对应的协作效率，若实际值与理想值匹配，则说明任务、人员和设备的配置符合协作效率要求，若实际值大于理论值，则表示匹配不正
确，说明任务过于复杂，需要重新进行审查任务，对任务进行简化或者优化，以提高协作的工作效率，若实际值小于理论值，则表示匹配不正确，说明团队和设备组过于复杂，需要重新对团队及其设备组进行审查任务，对任务进行简化或者优化，以提高协作的工作效率。
[0047]
可选的，在协同活动开启之前，协同活动的负责人，可以利用一些相关项目的预设场景数据，代入协同场景复杂度的计算功能来估算该协同活动所涉及的协同场景复杂度，判断完成该协同任务所需的人员及设备，进行任务安排，优化工作内容，更好地将人员及设备调动起来。
[0048]
图2为本发明多设备参与的协作场景分析系统结构图，如图2所示，本发明提供了一种多设备参与的协作场景分析系统，包括：感知单元1、存储单元2和处理单元3。
[0049]
其中，所述处理单元3基于协作场景确定信息要素，并基于所述信息要素构建感知模型，发送至所述感知单元1，所述感知单元1基于所述感知模型通过采集得到感知信息实际数据库。本实施例中，所述感知单元1为摄像头、智能音响、电脑、智能手机、路由、视觉传感器、光线传感器、温度传感器和视听集成模块中的一者或几者的组合。所述感知模型能从协作过程所产生的庞大的场景信息中感知、分析和过滤出更为有效而精确的感知信息，便于后续的协同场景复杂度的计算和元素的关系可视化。
[0050]
所述感知单元1、所述存储单元2和所述处理单元3之间均通过wifi、zigbee或蓝牙连接，传输协议为tcp或ip。
[0051]
所述存储单元2对所述感知信息实际数据库以缓存的方式存储或进行多模态数据对齐后以张量的方式存储。
[0052]
所述处理单元3基于融合目标函数构建神经网络模型，并对所述神经网络模型进行训练，并得到理想融合目标函数值数据库，进一步根据所述感知信息实际数据库和训练好的神经网络模型进行计算得到实际融合目标函数值数据库，对所述实际融合目标函数值数据库和所述理想融合目标函数值数据库进行分析得到协作效率。
[0053]
作为一种可选的实施方式，本发明所述系统还包括：可视化单元4。
[0054]
所述可视化单元4基于自定义网络关系图对群组、设备、时间、环境和任务这五大要素进行视觉输出。
[0055]
具体地，所述自定义网络关系图是坐标系与关系图的组合可视化图形，其中坐标系横轴表示时间、纵轴表示环境，关系图表示任务、群组和设备的关系。用户可根据实际的需求选择查看的方式，例如按时间查看某一时刻的协同场景情况，即可了解在该时间点，有哪些成员使用了哪些设备，以怎样的模式在哪种空间中参与了什么任务。
[0056]
本发明提出的多设备参与的协作场景分析方法及系统，根据协同场景感知方法确定多设备参与的协同场景识别所涉及的要素对象，即成员、设备、时间、环境和任务，构建多设备参与的协作场景感知模型，计算协同场景复杂度；利用协同场景感知方法，结合所述感知模型对协同场景进行感知，获取实时协同场景协作信息；对所述协同场景信息进行融合处理，得到感知信息并存储；提取所述感知信息，分析协同场景复杂度，同时进行元素关系可视化。本发明实现对多设备参与的协同场景进行了更为全面的分析和刻画，为协作成员提供更为具体的协同工作环境，同时还可以对多设备参与的协同场景进行复杂度分析，在一定程度上提升团队成员对于多设备协作过程的“感知”能力，提升团队的协作效率。
[0057]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他
实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0058]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。