張曉冰,,,

(解放軍理工大學(xué) 國防工程學(xué)院,南京 210007)

0 概述

自適應(yīng)軟件近十幾年一直是軟件工程領(lǐng)域的研究熱點(diǎn)[1]。其能夠根據(jù)環(huán)境變化和用戶任務(wù)目標(biāo)來調(diào)整自身的參數(shù)和行為[2]以應(yīng)對變化。在前期工作中,課題組提出了軟件模糊自適應(yīng)(Software Fuzzy Self-adaptation,SFSA)范型[3]以及相應(yīng)的建模[4]和實(shí)現(xiàn)工具[5]:基于模糊控制理論構(gòu)造模糊自適應(yīng)環(huán),以消除模糊不確定性對自適應(yīng)過程的影響。在運(yùn)行過程中,模糊自適應(yīng)環(huán)在用戶設(shè)定的目標(biāo)制導(dǎo)下,基于模糊的、不完備的感知信息進(jìn)行推理和決策。

軟件模糊自適應(yīng)系統(tǒng)是目標(biāo)驅(qū)動的系統(tǒng),與用戶持續(xù)性的交互是其重要特征。特別是在任務(wù)型自適應(yīng)系統(tǒng)中(例如送餐機(jī)器人系統(tǒng)),由用戶事先設(shè)定任務(wù)目標(biāo)到系統(tǒng)中,系統(tǒng)基于目標(biāo)自動驅(qū)動自適應(yīng)過程進(jìn)行感知、決策和施動,以確保任務(wù)目標(biāo)的完成。在傳統(tǒng)方式下,用戶大多根據(jù)任務(wù)要求先將意圖轉(zhuǎn)化為文本形式的任務(wù)目標(biāo),進(jìn)而輸入到自適應(yīng)系統(tǒng)中。這種方法顯然存在實(shí)時(shí)性不強(qiáng)、交互性弱等問題。隨著語音識別技術(shù)的發(fā)展,用戶越來越傾向通過語音表達(dá)意圖,即直接將語音式的任務(wù)目標(biāo)輸入到系統(tǒng),從而提高任務(wù)目標(biāo)設(shè)定的實(shí)時(shí)性、便捷性。但是,這種非形式化、非結(jié)構(gòu)化特征的語音式任務(wù)目標(biāo)給系統(tǒng)的語音識別和處理帶來了極大挑戰(zhàn)。

為能直接捕獲語音式任務(wù)目標(biāo),文獻(xiàn)[6]提出直接將(英語)語音式任務(wù)目標(biāo)施加到模糊自適應(yīng)環(huán)。然而此方法限制用戶只能按照模糊規(guī)則庫中預(yù)設(shè)的詞組或短語表達(dá)需求,缺乏語義的包容性和拓展性處理,限制了用戶對任務(wù)目標(biāo)的靈活性表達(dá)。例如要求任務(wù)以“quickly”(快速)執(zhí)行,當(dāng)表述為 “speedily,rapidly”時(shí),雖含義相同但難仍難以被系統(tǒng)識別。該方法對語音輸入的強(qiáng)制性,限制了系統(tǒng)對任務(wù)目標(biāo)的識別能力:如果語音式任務(wù)目標(biāo)不夠標(biāo)準(zhǔn),表達(dá)不在規(guī)則集合內(nèi)就會導(dǎo)致識別失敗。

為此,本文提出一種面向軟件模糊自適應(yīng)的語音式任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換方法。對語音式任務(wù)目標(biāo)進(jìn)行詞法、句法分析,提取依賴關(guān)系;根據(jù)依賴關(guān)系識別任務(wù)關(guān)鍵成分進(jìn)行語義關(guān)聯(lián)拓展;按照模糊規(guī)則前件的格式,實(shí)現(xiàn)對任務(wù)目標(biāo)的結(jié)構(gòu)化轉(zhuǎn)換;將結(jié)構(gòu)化轉(zhuǎn)換后的語音式任務(wù)目標(biāo)輸入軟件模糊自適應(yīng)系統(tǒng),進(jìn)行規(guī)則匹配,從而實(shí)現(xiàn)對語音式任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換的目的。

1 相關(guān)工作

目前還缺少將語音式任務(wù)目標(biāo)進(jìn)行自然語言處理后施加到模糊自適應(yīng)軟件系統(tǒng)的針對性工作。然而在軟件工程與自然語言處理交叉領(lǐng)域,以及指令抽取與自然語言處理交叉等領(lǐng)域已有不少相關(guān)成果:

1)已經(jīng)有許多學(xué)者嘗試將自然語言處理技術(shù)應(yīng)用在軟件工程尤其是形式化領(lǐng)域,提出了自動或半自動抽取和建模的相關(guān)方法和技術(shù):文獻(xiàn)[7]將自然語言處理和KAOS需求工程融合(NLP-KAOS),實(shí)現(xiàn)了文檔集的目標(biāo)抽取和建模;文獻(xiàn)[8-9]提出了將文本需求自動轉(zhuǎn)化為UML和SysML形式化描述模型。

2)借助自然語言處理技術(shù)實(shí)現(xiàn)指令和語義抽取的相關(guān)工作有:

(1)文獻(xiàn)[10]運(yùn)用自然語言理解、知識庫、組合范疇語法理論知識,對中文語音指令的解析方法進(jìn)行了研究,利用條件隨機(jī)場和知識庫結(jié)合進(jìn)行句法分析識別實(shí)體,利用支持向量機(jī)學(xué)習(xí)未知指令。雖實(shí)現(xiàn)了語言指令解析系統(tǒng)但未能構(gòu)造完整的語音指令服務(wù)機(jī)器人平臺。

(2)文獻(xiàn)[11]對車輛行駛指令進(jìn)行抽取和結(jié)構(gòu)化,提出語義分類方法并利用K-means聚類對動詞進(jìn)行歸類,然而沒有實(shí)現(xiàn)語音接口。

(3)文獻(xiàn)[12]提出基于語義的寫作輔助方法,支持按照詞性、搭配和概念擴(kuò)展等語義條件來檢索短語和自動推薦搭配。

本文借鑒兩方面研究成果,實(shí)現(xiàn)將語音式任務(wù)目標(biāo)經(jīng)過自然語言處理后直接施加到模糊自適應(yīng)軟件系統(tǒng),提高了模糊自適應(yīng)軟件任務(wù)任務(wù)目標(biāo)輸入的快速性、靈活性和包容性。

2 預(yù)備知識

2.1 軟件模糊自適應(yīng)

軟件模糊自適應(yīng)是前期研究中提出的一種自適應(yīng)軟件范性[3],能對環(huán)境和用戶任務(wù)目標(biāo)含有的模糊性信息進(jìn)行處理,采用模糊數(shù)學(xué)工具來處理自適應(yīng)系統(tǒng)所面臨的模糊性,其概念模型如圖1所示。

圖1 軟件模糊自適應(yīng)概念模型

如圖1所示,模糊自適應(yīng)軟件系統(tǒng)根據(jù)軟件自適應(yīng)外部機(jī)制[3]要求,劃分為模糊自適應(yīng)層和應(yīng)用層。模糊自適應(yīng)層本質(zhì)是目標(biāo)驅(qū)動下的“感知-決策-執(zhí)行”自適應(yīng)環(huán),其基于用戶設(shè)定的自適應(yīng)目標(biāo),由感知器感知變化,由模糊推理機(jī)制作出合理決策并通過執(zhí)行器自動調(diào)整參數(shù)、結(jié)構(gòu)和行為。模糊化、模糊自適應(yīng)推理和去模糊化是自適應(yīng)決策的主要環(huán)節(jié)。

模糊自適應(yīng)規(guī)則庫由一套事先固化的規(guī)則“if A is A1then B is B1”(“A is A1”為規(guī)則前件)構(gòu)成。任務(wù)目標(biāo)與感知信息經(jīng)模糊化后輸入到規(guī)則庫進(jìn)行匹配、推理,完成自適應(yīng)決策。在前期研究中主要考慮了任務(wù)目標(biāo)以文本的形式預(yù)先輸入的情形,而本文研究工作主要關(guān)注如何支持用戶靈活而直接的語言(自然語言)形式來輸入任務(wù)目標(biāo),并提取其中的關(guān)鍵成分,把不規(guī)則的自然語言輸入轉(zhuǎn)換成結(jié)構(gòu)化的表示,從而實(shí)現(xiàn)高效精準(zhǔn)的匹配推理。

2.2 自然語言處理

自然語言作為信息溝通的最主要方式,可為人機(jī)交互時(shí)提供其他方式不可替代的直接和便利,缺點(diǎn)在于其描述的不充分性、語言歧義性(語法和語義歧義)[13]。處理口語和書面語(統(tǒng)稱為“語言”)的計(jì)算機(jī)技術(shù)稱為自然語言處理[14],其基礎(chǔ)研究內(nèi)容主要包括詞法分析、句法分析、語義分析與篇章分析等研究[15]?；谧匀徽Z言處理(Natural Language Processing,NLP)的技術(shù)應(yīng)用日益廣泛,涌現(xiàn)了許多優(yōu)秀的處理工具如NLTK、CoreNLP等。

自然語言處理工具箱NLTK(Natural Language Toolkit)在利用 Python 處理自然語言的工具中處于領(lǐng)先的地位。NLTK 包含大量的軟件、數(shù)據(jù)供直接使用,例如WordNet。WordNet[16]是一基于認(rèn)知語言學(xué)的詞匯語義網(wǎng)絡(luò)系統(tǒng)。其構(gòu)造核心在于根據(jù)單詞的語義來組織詞匯信息:將詞匯組織為同義詞集合(synset),每個(gè)集合表示一個(gè)詞匯概念,每個(gè)單詞對應(yīng)一個(gè)或多個(gè)同義詞集;同時(shí)概念之間建立不同指針,表達(dá)上下位、反義等不同的關(guān)系,可以有效表達(dá)詞匯語義。

CoreNLP[17]提供了一系列集成的自然語言分析工具,能分析語句中每個(gè)詞語的組成與語法,并且用短語和詞匯間的依賴關(guān)系來標(biāo)記出語句的組成結(jié)構(gòu)。

綜上,NLTK和CoreNLP都是功能強(qiáng)大的自然語言處理工具,本文主要選取這些工具構(gòu)建原型系統(tǒng)來驗(yàn)證方法。

2.3 應(yīng)用案例

以在生活中逐步開始應(yīng)用的送餐任務(wù)機(jī)器人作為應(yīng)用案例:送餐機(jī)器人需要經(jīng)常與用戶交互,獲取任務(wù)目標(biāo),將它們輸入到自適應(yīng)環(huán)完成指定的任務(wù)。前期研究中構(gòu)造了一種模糊自適應(yīng)送餐機(jī)器人,如圖2所示。

圖2 模糊自適應(yīng)送餐機(jī)器人案例

客戶提出要求(“convey the milk to the restaurant quickly”,“return to the charger”等),機(jī)器人識別語音,根據(jù)語音直接決策任務(wù)動作和目的。例如,識別得到語音要求速度“quickly”,系統(tǒng)綜合感知器感知的外界障礙物擁堵程度,根據(jù)模糊推理機(jī)制得出速度目標(biāo)“speed is fast”,再經(jīng)過去模糊化得到任務(wù)速度的具體值(如0.5 m/s)并將其發(fā)送到應(yīng)用層,機(jī)器人將按照指令速度完成任務(wù)。

然而研究中仍存在不足,系統(tǒng)對語音輸入的強(qiáng)制性限制了其任務(wù)目標(biāo)識別能力:雖仍是同義任務(wù)目標(biāo)但難以被識別,如果語義表達(dá)不夠標(biāo)準(zhǔn),捕獲到的詞組不在規(guī)則集合內(nèi)就會導(dǎo)致識別失敗。例如輸入“quickly”的同義詞“speedily,rapidly”等,由于庫涵規(guī)則只有“quickly”,系統(tǒng)不會識別用戶的任務(wù)目標(biāo)。為此本文試圖實(shí)現(xiàn)語音任務(wù)目標(biāo)輸入自適應(yīng)環(huán)的直接性,并提高模糊自適應(yīng)軟件系統(tǒng)對任務(wù)目標(biāo)的識別能力。

3 語音任務(wù)目標(biāo)的識別與結(jié)構(gòu)化轉(zhuǎn)換方法

本文提出的面向軟件模糊自適應(yīng)的語音式任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換方法的總體框架如圖3所示。其中,模糊自適應(yīng)軟件系統(tǒng)包含感知-決策-執(zhí)行的自適應(yīng)環(huán),其控制模器塊基于模糊規(guī)則構(gòu)造。通過自然語言處理,識別非形式化、非結(jié)構(gòu)化的語音式任務(wù)目標(biāo),并將其直接作用于自適應(yīng)環(huán)。

圖3 語音任務(wù)目標(biāo)的識別與結(jié)構(gòu)化轉(zhuǎn)換方法

語音任務(wù)目標(biāo)的識別與結(jié)構(gòu)化轉(zhuǎn)換方法主要包括以下關(guān)鍵步驟:文本預(yù)處理,詞法句法分析,語義關(guān)聯(lián)拓展和結(jié)構(gòu)化轉(zhuǎn)換。

系統(tǒng)經(jīng)過語音識別,得到文本形式的語音式任務(wù)目標(biāo)再進(jìn)行處理。首先定義任務(wù)目標(biāo)的句子成分:

S=(w1w2…wn),i=1,2,…,n

(1)

其中,句子S由多個(gè)單詞wi組成。

3.1 文本預(yù)處理

語音指令通常是簡單句或短語,系統(tǒng)將語音指令轉(zhuǎn)換為文本后,首先進(jìn)行預(yù)處理工作將句子分割為單獨(dú)的詞匯,為后續(xù)工作打下基礎(chǔ)。

分詞預(yù)處理的形式表述為:

S′=f(S),f=[(wiwi+1…)→(wi,wi+1,…)]

i=1,2,…,n

(2)

可得:

S′=(w1,w2,…,wn)

(3)

其中,f函數(shù)實(shí)現(xiàn)句子分詞,n為單詞個(gè)數(shù),例如“convey the milk to restaurant speedily”,經(jīng)過分詞處理后得到“convey,the,milk,to,restaurant,speedily”。

3.2 詞法分析

詞法分析的主要任務(wù)是詞性標(biāo)注(part of speech tagging),即對詞匯按語法范疇判定其詞性進(jìn)行分類并加以標(biāo)注的過程。對于多義詞,一個(gè)詞可以表達(dá)多個(gè)意義,但根據(jù)具體上下文語境,可以確定其含義[13]。詞性標(biāo)注的形式化表述為:

S″=f′(S′),f′=(wi|Posi),Posi∈{NN,VB,RB…}

(4)

其中,f′標(biāo)注單詞wi的詞性Posi(part of speech),詞性標(biāo)注為名詞NN,動詞VB,修飾詞RB等,可得:

S″=(‘w1,NN’,‘w2,VB’,‘wm,RB’,…)

(5)

例如圖4中的步驟1所示:S″=(‘convey,VB’,‘milk,NN’,‘to,TO’)。

圖4 任務(wù)目標(biāo)的識別

3.3 句法分析

句法分析用于對句子語法功能進(jìn)行分析,確定句子的句法結(jié)構(gòu)。在上一步詞法分析句子成分后,明確其之間的相互關(guān)系,進(jìn)而根據(jù)其句法結(jié)構(gòu)提取出關(guān)系到任務(wù)目標(biāo)的關(guān)鍵成分。

用戶給出的語音式任務(wù)目標(biāo)一般由關(guān)鍵成分(動作成分(多為謂語)、目的成分(多為賓語)和修飾成分)構(gòu)成。任務(wù)目標(biāo)中的關(guān)鍵成分決定自適應(yīng)軟件執(zhí)行的任務(wù)目的和要求,如執(zhí)行何種任務(wù)(“express drink”),其中的修飾成分決定任務(wù)指標(biāo),如以何種速度(“quickly”)。而在模糊自適應(yīng)軟件中,模糊自適應(yīng)規(guī)則前件一般也由動作成分、目的成分和修飾成分組成,因此要有選擇地提取這些任務(wù)目標(biāo)關(guān)鍵成分,便于下一步語義關(guān)聯(lián)拓展。

任務(wù)目標(biāo)的依賴關(guān)系可形式表達(dá)為:

S?=f″(S″),f″=[(wi&wj)→Rm],m=1,2,…,n

(6)

可得到包含多個(gè)元組Wm表示的依賴關(guān)系S?:

S?=[W1,W2,…,Wn],

Wm= (‘wi,NN’,Rm,‘wj,VB’),

(Rm∈(dobj,nsubj,adv mod,det…))

(7)

其中,Wm中R表示2個(gè)單詞wm之間的關(guān)系,包括直接賓語關(guān)系dobj,名詞性主語nsubj,副詞修飾advmod,冠詞det等。例如圖4步驟2所示,著色的是詞性,連接線是詞匯之間的依賴關(guān)系。元組(‘convey,VB’,dobj,‘milk,NN’)等抽象了句子中動賓語法關(guān)系,根據(jù)依賴關(guān)系,提取得關(guān)鍵成分 (convey,milk,speedily),如圖4步驟3所示。

如圖4所示,經(jīng)過以上步驟,實(shí)現(xiàn)對用戶語音式任務(wù)目標(biāo)的識別。然而仍無法靈活地與模糊規(guī)則進(jìn)行匹配。需要下一步進(jìn)行語義關(guān)聯(lián)拓展進(jìn)而實(shí)現(xiàn)結(jié)構(gòu)化轉(zhuǎn)換,使得任務(wù)目標(biāo)能較好地匹配模糊規(guī)則前件進(jìn)而驅(qū)動軟件模糊自適應(yīng)過程。

3.4 語義關(guān)聯(lián)拓展

語義關(guān)聯(lián)[18]是描述2個(gè)詞語之間存在的關(guān)聯(lián)關(guān)系(包括同義關(guān)系、上下位關(guān)系、反義關(guān)系等)。在分析句法得到任務(wù)目標(biāo)后,為盡可能實(shí)現(xiàn)語義關(guān)聯(lián)拓展并減少非必需的計(jì)算,選擇任務(wù)目標(biāo)的任務(wù)關(guān)鍵成分進(jìn)行語義關(guān)聯(lián)拓展。把不規(guī)則的自然語言輸入轉(zhuǎn)換成結(jié)構(gòu)化的表示以更好的匹配規(guī)則,(其本質(zhì)為將與A語義關(guān)聯(lián)(如、?)的任務(wù)目標(biāo)等價(jià)收斂為A)如圖5所示。關(guān)聯(lián)詞匯(細(xì)字體)就會統(tǒng)一收斂對應(yīng)規(guī)則庫中定義的詞匯(粗字體),以利于模糊自適應(yīng)規(guī)則的匹配與推理。

圖5 語義關(guān)聯(lián)拓展示例

由于模糊自適應(yīng)規(guī)則通常采取“if A is A1then B is B1”的形式,例如簡單的雙輸入單輸出模糊規(guī)則如表1所示。在規(guī)則1中,當(dāng)語音任務(wù)目標(biāo)表述食物類型是飲品以及速度目標(biāo)為快時(shí),規(guī)則設(shè)定速度為慢。

表1 模糊規(guī)則示例

拓展主要分為同義詞拓展和上位詞(上級概念與從屬概念的關(guān)系)拓展。語義關(guān)聯(lián)拓展可形式化表示為:

W′=Wm|w→(Ws,Wh)

Ws={wsim1,wsim2,…,wsimi},i=1,2,…,n

Ws={whyp1,whyp2,…,whypm},m=1,2,…,n

(8)

其中,W′為語音式任務(wù)目標(biāo)中的任務(wù)關(guān)鍵成分wm拓展后的關(guān)鍵詞集。wm可以被拓展為同義詞集Ws和上位詞集Wh(wsimi為第i個(gè)同義詞,whypm為第m個(gè)上位詞)。

3.4.1 同義詞拓展

以表1中規(guī)則為例,若輸入“convey the milk speedily”,如果不經(jīng)過語義關(guān)聯(lián)拓展處理,則此時(shí)系統(tǒng)不會匹配到任何規(guī)則。然而如圖5所示,“quickly”的同義詞是:“speedily,rapidly”等,若進(jìn)行語義關(guān)聯(lián)同義拓展,可以增加規(guī)則前件匹配的靈活性,會匹配到rule 1。

3.4.2 上位詞拓展

仍以上述情景為例,為使輸入運(yùn)送物品為drink的下級詞匯時(shí)可以被系統(tǒng)識別,將詞匯進(jìn)行上位詞匯拓展。如圖5所示,“drink”包括:“cocoa,coffee,milk”等,當(dāng)輸入“convey milk speedily”時(shí),通過上位詞聯(lián)想使原任務(wù)目標(biāo)被拓展,仍會成功匹配規(guī)則rule 1。

以上各步驟只以例句作為簡單示例,事實(shí)上,語義關(guān)聯(lián)詞庫是根據(jù)規(guī)則庫中的規(guī)則關(guān)鍵詞匯自動構(gòu)造而成,并不局限于圖5示例。

3.4.3 結(jié)構(gòu)化轉(zhuǎn)換

將提取并且轉(zhuǎn)換的任務(wù)關(guān)鍵成分(動作成分、目的成分和修飾成分)轉(zhuǎn)換為系統(tǒng)相統(tǒng)一的規(guī)則前件。若輸入:“convey this milk to the restaurant speedily”,經(jīng)過上述步驟將被識別為“convey milk speedily”;隨即語義關(guān)聯(lián)等價(jià)拓展為 “express drink quickly”;再進(jìn)行結(jié)構(gòu)化轉(zhuǎn)換得“food type is drink and speed goal is quickly”。使得原始的語音式任務(wù)目標(biāo)被轉(zhuǎn)換為與庫涵規(guī)則前件相統(tǒng)一的表示(如表1中rule 1)。

最后進(jìn)行規(guī)則匹配:將拓展后的語音式任務(wù)目標(biāo)W′與規(guī)則前件進(jìn)行匹配,若成功則激活相應(yīng)規(guī)則,系統(tǒng)進(jìn)入模糊決策及后續(xù)動作環(huán)節(jié)。

4 語音式任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換算法

根據(jù)前文提出的語音式任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換方法,本文設(shè)計(jì)其實(shí)現(xiàn)算法如下所示。

輸入識別到的原始語音式任務(wù)目標(biāo)S

輸出匹配得的規(guī)則 rulei

1 S1← Tokenize (S) //對句子進(jìn)行單詞分割

2 S2← Part-of-speech_tagging(S1) //詞性標(biāo)注

3 S3Parser(S2) //句法分析

4 tuple← Tuple(S3)//以元組形式提取依賴關(guān)系

5 for ‘relationship’ in tuple://遍歷依賴成分

6 return keywordi∈ List(keywordi)//得到目

//標(biāo)關(guān)鍵成分

7 if keywordi!= rule in Rule_Base://若匹配不到庫

//涵規(guī)則

8 set1 = synonyms(keywordi) //同義詞拓展

9 set2 = hypernyms(keywordi) //上位詞拓展

10 keywordi* = ( keywordi+set1+set2)// 輸出語

//義關(guān)聯(lián)詞集

11 trans-goal ← structuring(keywordi*)//得到結(jié)構(gòu)

//化轉(zhuǎn)換的任務(wù)目標(biāo)

12 if trans-goal matches ruleiin Rule_Base://匹配規(guī)

//則庫

13 return rulei//輸出匹配得到的規(guī)則

首先對句子分詞(第1行)、詞法和句法分析(第2行、第3行)取得依賴關(guān)系,進(jìn)而取得任務(wù)關(guān)鍵成分(第4行～第6行),并進(jìn)行語義關(guān)聯(lián)拓展(第7行～第10行),實(shí)現(xiàn)任務(wù)目標(biāo)的結(jié)構(gòu)化轉(zhuǎn)換(第11行)并匹配規(guī)則(第12行、第13行)。

5 原型實(shí)現(xiàn)

在前期工作[6]中構(gòu)建了語音驅(qū)動的模糊自適應(yīng)送餐機(jī)器人系統(tǒng)。在此基礎(chǔ)上,根據(jù)前文提出的語音任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換方法,利用自然語言處理工具,對原平臺進(jìn)行改進(jìn),構(gòu)建支持語音式任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換的自適應(yīng)送餐機(jī)器人原型系統(tǒng)VoiceGuider。

5.1 實(shí)現(xiàn)平臺

本文以Turtlebot為平臺構(gòu)建了模糊自適應(yīng)送餐機(jī)器人原型系統(tǒng)。Turtlebot是一款低成本機(jī)器人,硬件包括Kobuki底盤、Kinect傳感器等,由于其設(shè)計(jì)的大型開源機(jī)器人操作系統(tǒng)架構(gòu)ROS[19],成為一款理想的開發(fā)和測試平臺。運(yùn)行在Linux 平臺的ROS 類似于分散的進(jìn)程框架,提供了一個(gè)基于操作系統(tǒng)之上的結(jié)構(gòu)化的通信層。軟件功能有實(shí)時(shí)定位構(gòu)圖、圖像處理等。

由于機(jī)器人操作系統(tǒng)需要Linux運(yùn)行環(huán)境,因此選擇以Python作為編譯語言的NLTK,并將CoreNLP中的Parser加入到NLTK中,利用Parser提取依賴關(guān)系,由WordNet進(jìn)行語義關(guān)聯(lián)拓展。其模型如圖6所示,利用語音識別工具,在語言處理功能基礎(chǔ)上,集成機(jī)器人原有的自適應(yīng)定位、避障導(dǎo)航、跟隨等功能,實(shí)現(xiàn)語音式任務(wù)目標(biāo)驅(qū)動的模糊自適應(yīng)送餐機(jī)器人的平臺搭建。

圖6 模糊自適應(yīng)送餐機(jī)器人原型系統(tǒng) VoiceGuider

5.2 模糊自適應(yīng)送餐機(jī)器人軟件系統(tǒng)組件交互關(guān)系

序列圖如圖7所示,描繪原型系統(tǒng)內(nèi)部不同軟件實(shí)體之間的交互關(guān)系。

圖7 VoiceGuider軟件系統(tǒng)序列圖

語音識別模塊持續(xù)識別人類的聲音并發(fā)送回調(diào)給語言處理模塊。與此同時(shí)傳感器模塊持續(xù)發(fā)送信息到速度控制節(jié)點(diǎn)。語言處理模塊將語音式任務(wù)目標(biāo)進(jìn)行結(jié)構(gòu)化轉(zhuǎn)換,與規(guī)則庫規(guī)則前件匹配后然后發(fā)送到?jīng)Q策器。決策器下達(dá)動作指令到執(zhí)行器控制機(jī)器人完成所要求任務(wù)。

6 實(shí)驗(yàn)結(jié)果與分析

下面以VoiceGuider進(jìn)行實(shí)驗(yàn),驗(yàn)證方法是否實(shí)現(xiàn)語音任務(wù)目標(biāo)輸入自適應(yīng)環(huán)的直接性,是否提高了對語音任務(wù)目標(biāo)的識別能力。

6.1 實(shí)驗(yàn)設(shè)計(jì)

選取2臺具有模糊自適應(yīng)能力的送餐任務(wù)機(jī)器人,分別命名為V1和V2。其中,V1仍然采用任務(wù)目標(biāo)識別后直接匹配的方法,或稱之為任務(wù)目標(biāo)未處理機(jī)器人,而V2則采用本文所提出的語音式任務(wù)目標(biāo)處理方法,或稱之為任務(wù)目標(biāo)識別與結(jié)構(gòu)化轉(zhuǎn)換機(jī)器人,其實(shí)際情況如圖8所示。

圖8 自適應(yīng)送餐機(jī)器人實(shí)物圖

在2種實(shí)驗(yàn)場景下,通過對2臺機(jī)器人下達(dá)相同形式的任務(wù)目標(biāo),記錄機(jī)器人任務(wù)完成情況(實(shí)驗(yàn)中不考慮語音識別失敗或錯(cuò)誤的情況,即假設(shè)成功識別所有語音)。

模糊規(guī)則庫預(yù)先定義好,以速度變量為例,其隸屬度函數(shù)由5個(gè)模糊區(qū)間構(gòu)成,如圖9所示(模糊自適應(yīng)決策驗(yàn)證部分實(shí)驗(yàn)詳見前期工作[6],在此不做贅述)。

圖9 速度變量的隸屬度函數(shù)

實(shí)驗(yàn)1語音輸入規(guī)則庫庫涵任務(wù)目標(biāo)(庫涵指規(guī)則庫內(nèi)涵蓋的規(guī)則)如表2所示,規(guī)則以動作成分(express,follow,…)、目的成分(drink,somewhere,someone,…)和修飾成分(slowly,quickly,…)疊加,隨機(jī)不重復(fù)組合查詢3×3×3=27次。(動作成分表示執(zhí)行何種動作;目的成分表示任務(wù)的目的或目標(biāo);修飾成分決定任務(wù)指標(biāo),如以何種速度)。

表2 庫涵語音指令

實(shí)驗(yàn)2輸入非庫涵語義關(guān)聯(lián)任務(wù)目標(biāo),任務(wù)目標(biāo)來自于規(guī)則庫涵詞匯的同義詞和下級詞:例如“move to the kitchen rapidly”,“express the hot coffee slowly”,“follow me”,任務(wù)目標(biāo)按照動作成分、目的成分和修飾成分,隨機(jī)不重復(fù)組合查詢100條。

通過實(shí)驗(yàn)1、實(shí)驗(yàn)2,驗(yàn)證本文方法是否實(shí)現(xiàn)了語音任務(wù)目標(biāo)輸入自適應(yīng)環(huán)的直接性;是否提高了對語音任務(wù)目標(biāo)的識別能力。

6.2 結(jié)果分析

實(shí)驗(yàn)1中V1、V2都對語音進(jìn)行了成功處理,識別成功率達(dá)到100%(成功率=指令匹配成功數(shù)/總數(shù)),這是由于兩者都直接進(jìn)行if-then規(guī)則匹配。

在實(shí)驗(yàn)2中,在輸入非庫涵但語義關(guān)聯(lián)任務(wù)目標(biāo)時(shí)V1匹配率為0,V2則維持在很高的識別成功率(分別為93%、89%、100%),如圖10所示。

圖10 實(shí)驗(yàn)2運(yùn)行結(jié)果

通過上述實(shí)驗(yàn),可以判斷:

1)由實(shí)驗(yàn)1可知,V1、V2都實(shí)現(xiàn)了對任務(wù)目標(biāo)的直接捕獲,并將其直接注入模糊自適應(yīng)環(huán)驅(qū)動機(jī)器人,從而完成任務(wù)。

2)由實(shí)驗(yàn)2可知,V2具有更強(qiáng)的任務(wù)目標(biāo)識別能力,針對規(guī)則庫中未定義然而語義等價(jià)的任務(wù)目標(biāo),V2顯著提高了識別成功率;模糊自適應(yīng)決策驗(yàn)證部分可見前期工作[6]。

3)在實(shí)驗(yàn)過程中,發(fā)現(xiàn)本文方法會產(chǎn)生誤識別。這是由于在規(guī)則過多時(shí),語義關(guān)聯(lián)拓展會對應(yīng)多個(gè)前件,導(dǎo)致規(guī)則匹配沖突。

7 結(jié)束語

本文提出一種面向軟件模糊自適應(yīng)的語音式任務(wù)目標(biāo)的識別與結(jié)構(gòu)化轉(zhuǎn)換方法。對用戶語音描述進(jìn)行句法分析后將關(guān)鍵成分提取并以元組形式化表述,把不規(guī)則的語音式任務(wù)目標(biāo)轉(zhuǎn)換成類規(guī)則的結(jié)構(gòu)化表示,利用語義關(guān)聯(lián)拓展降低對語音輸入的要求。通過構(gòu)建模糊自適應(yīng)送餐機(jī)器人進(jìn)行實(shí)驗(yàn)驗(yàn)證,結(jié)果表明,所述方法有效實(shí)現(xiàn)了語音任務(wù)目標(biāo)輸入自適應(yīng)性,提高了系統(tǒng)對語音式任務(wù)目標(biāo)的識別能力和系統(tǒng)可用性。

為克服本文方法存在的誤識別缺點(diǎn),下一步計(jì)劃利用單詞之間的相似度[20]來定量計(jì)算單詞之間的語義關(guān)聯(lián)程度。在匹配到的多個(gè)規(guī)則前件發(fā)生沖突時(shí),通過比較關(guān)聯(lián)詞的關(guān)聯(lián)程度提高方法的匹配成功率。

[1] KRUPITIAER C,ROTH F M,VANSYCKEL S,et al.A survey on engineering approaches for self-adaptive systems[J].Pervasive & Mobile Computing,2014,17:184-206.

[2] LEMOS R D,GIESE H,MULLER H A,et al.Software engineering for self-adaptive systems:a second research roadmap[J].Lecture Notes in Computer Science,2011,7475:1-32.

[3] YANG Qiliang,XING Jianchun,TAO Xianping,et al.Fuzzy self-adaptation of mission-critical software under uncertainty[J].Journal of Computer Science and Technology,2013,28(1):165-187.

[4] HAN Deshuai,YANG Qiliang,XING Jianchun,et al.FAME:a UML-based framework for modeling fuzzy self-adaptive software[J].Information & Software Technology,2016,76:118-134.

[5] YANG Qiliang,TAO Xianping,XIE Hui,et al.FuAET:a tool for developing fuzzy self-adaptive software systems[C]//Proceedings of Asia-pacific Symposium on Internetware on Internetware.New York,USA:ACM Press,2014:54-63.

[6] ZHANG Xiaobing,YANG Qiliang,XING Jianchun,et al.Recognizing voice-based requirements to drive self-adaptive software systems[C]//Proceedings of Computer Software and Application Conference.Washington D.C.,USA:IEEE Press,2016:417-422.

[7] CASSAGRANDE E,WOLDEALAK S,WEI L W,et al.NLP-KAOS for systems goal elicitation:smart metering system case study[J].IEEE Transactions on Software Engineering,40(10):941-956.

[8] DRECJSLER R,SOEKEN M,WILLE R.Formal specification level:towards verification-driven design based on natural language processing[C]//Proceedings of Specification and Design Languages.Washington D.C.,USA:IEEE Press,2012:53-58.

[9] ALKHADER Y,HUDAIB A,HAMMO B.Experi-menting with extracting software requirements using NLP approach[C]//Proceedings of International Conference on Information and Automation.Washington D.C.,USA:IEEE Press,2006:349-354.

[10] 王 聰.家庭服務(wù)機(jī)器人中文語音指令解析器的研究[D].秦皇島:燕山大學(xué),2015.

[11] 袁樹明.基于自然語言理解的車輛行駛指令抽取[D].北京:北京郵電大學(xué).

[12] 朱葉霜,喻 純,史元春.基于語義的英文短語檢索與搭配推薦及其在輔助ESL學(xué)術(shù)寫作中的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào),2016,39(4):822-834.

[13] POHL K.Requirements engineering:fundamentals,principles,and techniques[M].Berlin,Germany:Springer-Verlag,2010.

[14] JURAFSKY D.Speech and language processing[M].London,UK:Pearson Education India,2000.

[15] 李 生.自然語言處理的研究與發(fā)展[J].燕山大學(xué)學(xué)報(bào),2013(5):377-384.

[16] MILLER G A.WordNet:a lexical database for english[J].Communications of the ACM,1995,38(11):39-41.

[17] MANNING C D,SURDEANU M,BAUER J,et al.The stanford CoreNLP natural language processing toolkit[C]//Proceedings of Meeting of the Association for Computational Linguistics:System Demonstrations.Baltimore,USA:ACL,2014:55-60.

[18] GRACIA J,MENA E.Web-based measure of semantic relatedness[C]//Proceedings of International Conference on Web Information Systems Engineering.Berlin,Germany:Springer-Verlag,2008:136-150.

[19] QUIGLEY M,CONLEY K,GERKEY B,et al.ROS:an open-source robot operating system[EB/OL].(2010-11-21).http://www.andrewng.org/portfolio/ros-an-open-source-robot-operating-system/.

[20] 張志昌,周慧霞,姚東任,等.基于詞向量的中文詞匯蘊(yùn)涵關(guān)系識別[J].計(jì)算機(jī)工程,2016,42(2):169-174.