服務機器人云平臺服務質量指標體系綜述

馮戒虛，司冠南，周風余

1.山東交通學院 信息科學與電氣工程學院，濟南250357

2.山東大學 控制科學與工程學院，濟南250000

在第四次工業革命中，機器人技術發揮了重要作用，2010年，卡耐基·梅隆大學的Kuffner教授提出了“云機器人”的概念，將機器人學與云計算相結合，將機器人的數據處理、規劃、決策、協作等復雜計算功能卸載到云端，機器人本體只需配備簡單的網絡設備和基本的傳感器就可以完成復雜的服務任務[1-3]。隨著互聯網技術以及點云庫（PCL）這類大型跨平臺開源編程庫的迅速發展，以及物聯網、大數據、云計算等新興信息技術與人工智能技術逐漸結合，服務機器人連接云平臺并從中選擇和調取算法服務已經能夠實現。而服務機器人云平臺不僅是交互平臺，也是與機器人進行數據傳輸的云端服務平臺。那么如何對服務機器人云平臺服務質量進行全面評估，是一項具有挑戰性的任務。

目前國內外許多專家學者已經做了有關軟件QOS評估、網絡QOS評估、服務機器人相關功能QOS評估三方面研究，本文通過對以上三個方面展開敘述，致力于建立一種服務機器人云平臺服務質量指標體系。首先要對云平臺軟件本身的服務質量進行檢驗；其次網絡的服務質量也會影響到云平臺的交互能力；此外機器人會將服務效果直接反饋出來，其自身的服務質量會表現得更為直觀。因此文章先從軟件服務質量入手，全方面總結了軟件QOS 的性能指標，并找出適合于云平臺的評估指標。再者，云平臺通過網絡進行大量數據流傳輸，需總結相應的網絡QOS指標進行評估。由于服務機器人分為很多不同的種類用以執行不同的功能，其評價指標也不盡相同，本文把服務機器人的功能進行歸納總結，將其中相似或相近的指標進行歸納再分類，使大部分服務機器人都可以依據分類出來的指標進行評估。將以上三方面相關方法進行總結分析，得出一種具有科學性的服務機器人云平臺服務質量指標體系，并對該體系的未來發展方向進行展望。圖1 為本文將要討論的指標體系內容，指標詳細描述將在各章節中展開。

1 軟件QOS評估指標

鑒于目前各類軟件QOS指標體系[4]，本文考慮了服務機器人云平臺的系統安全、操作、讀寫速度、請求時間這類主要方面的性能要求以及功能完備和業務處理兩方面。如圖2所示，依照著ISO/IEC 9126中主要的軟件QOS相關特征，討論功能性、可靠性、可用性、效率、可維護性、可移植性這六方面指標的評估，總結出服務機器人云平臺軟件方面的評估指標。

1.1 功能性評估指標

功能性評估指標指能體現軟件功能行為的指標。功能性指標包含適用性、準確度、互操作性、安全性四個子特征指標。適用性評估更傾向于用戶的主觀性評價[5]；準確度指遇到事件的準確頻率，已有多種研究方法[6-7]可用來評測；互操作性體現的是軟件與其他系統的交互能力[8]；安全性毋庸置疑是重點要考慮的問題，軟件自身缺陷以及其他問題會導致軟件容易被攻擊從而產生嚴重后果[9]。容易看出后三者更適合軟件本身進行性能評估。

1.2 可靠性評估指標

可靠性能夠反映軟件中存在的需求、設計和實現錯誤等方面內容，對性能的影響力非常大。包含成熟度、容錯性、可恢復性三個子特征。成熟性體現軟件的科學、標準程度，管理工作是否有章可循[10]；容錯性體現軟件故障檢測、糾正錯誤的能力[11]；可恢復性指軟件故障時恢復進程、數據的能力[12]；成熟度依照于開發者在軟件設計與建立的嚴謹程度，而其他兩個指標可由計算機模擬重大事故等操作來進行評估。

1.3 可用性評估指標

可用性評估指標是指不同的用戶在獨立或沒有外部幫助的情況下進行軟件操作時的使用情況，該指標包含可理解性、可操作性、吸引力性等特征。涉及到的均為界面設計、操作指引等方面的內容，與性能方面并無關系，因此本文不將其納入研究范圍。

1.4 效率評估指標

對軟件來說，效率指標主要可以通過時間和資源的花費兩方面來表示，是體現軟件服務情況好壞的關鍵所在。從宏觀上通過對請求的響應時間來進行評估[13]，微觀上可通過讀寫性能，內存等資源的使用情況來進行效率評測[14]。

圖1 服務機器人云平臺服務質量指標體系圖

圖2 軟件QOS指標圖

1.5 可維護性評估指標

目前已有的軟件可維護性度量標準如文獻[15]，選取其中具有主要影響力的指標包括可分析性、可改變性、穩定性和可測試性來進行分析。可分析性和可改變性主要依靠開發者主觀來評定；穩定性指軟件需求、代碼等變更對軟件系統的影響[16]；可測試性表示軟件系統進行測試工作的難易程度以及工作量[17]。后兩者更適合軟件自主評估。

1.6 可移植性評估指標

可移植性是指與軟件在不同環境下的運行能力有關的一組屬性，包含依從性、可安裝性、適應性、可替換性特征，但主要涉及軟件的安裝、運行環境等方面內容，與本文研究內容關系不大，因此不做討論。

可以看出，在軟件QOS指標中，對服務機器人云平臺性能影響較大的是功能性、可靠性、效率、可維護性這四個指標當中的部分子特征指標，因為對云平臺的評估要求是自動化進行，盡量減少人為干預操作過程，而其他指標所涉及性能方面比重較小，并且是以主觀評價的方式來進行評估。因此本文的云平臺指標體系重點考慮上述四類軟件QOS指標。

2 網絡QOS評估指標

Web服務發布數量日益增多，即便找到滿足功能需求的服務，也難以確定所選的服務是否具有足夠高的QOS[18]。有一些關于網絡QOS 評估方面的研究[19-22]，多數依賴于用戶評價來進行。而且目前網絡QOS指標的劃分有著不同的定義，如國際電聯-T[23]、IETF[24]。本文主要探究服務機器人與云平臺能夠保持穩定可靠的連接狀態和數據傳輸能力，如圖3所示將網絡QOS指標囊括為可靠性、效率、安全性三個主要指標。

圖3 網絡QOS指標圖

2.1 網絡可靠性評估指標

網絡可靠性指網絡服務正常工作的能力。一般來說，網絡的可靠性可通過現有的模型和方法進行分析，如長短時記憶網絡模型[25]、蒙特卡洛方法[26]等。而且通常是以實時監控或是Web 服務器日志作為分析依據[27-28]。本文將研究討論以下三方面內容作為衡量網絡可靠性的指標評估依據。

（1）失效率

網絡異常的類型較多且復雜，如錯誤請求（400）、服務不可用（503）等。在文獻[29]中對響應數據大小、失敗消息等數據進行處理后得到失效概率矩陣，繼而計算得出網絡失效率。文獻[30]中提出了一種思想是利用相似用戶的過去失效數據預測當前用戶的Web 服務失效概率。還有一些使用各種不同的組合結構來進行Web 服務的失效概率預測的方法。考慮到云平臺有大量的用戶和廠商入駐，需要對這些使用者網絡的失效情況進行統計計算便于改進服務質量。

（2）平均無故障時間

平均無故障時間（MTBF）是指網絡無故障工作時間的平均值。Tian 等人[31]就以服務器崩潰為核心的MTBF 作為可靠性評價指標，提出了一種基于日志分析的軟件Web 服務測試方法。在文獻[32]中給出了平均無故障時間的公式以及可靠性函數，通過與其他的模型相對比，統計得到的用戶會話數與失敗會話數更接近實際值。平均無故障時間的大小能夠幫助預測服務機器人云平臺使用過程中出現的故障危害程度。

（3）容錯性

容錯性是指網絡出現故障時網絡中某些特有性質的保持能力，已有不少學者提出了關于Web服務的容錯策略，如Kargar 等人[33]提出了一種服務組合算法，與Top-K方法相比，在服務的選擇以及服務的組合方面QOS 更高，容錯率更好[34]。云平臺內業務眾多，數據傳輸頻繁，需要不斷評估來改進提高容錯性，降低錯誤發生率。

2.2 網絡效率評估指標

對網絡效率的評估主要通過負載測試和壓力測試等方式來進行[35-36]，文獻[37]提出了一種模擬并發用戶工作負載的Web 性能測試方法與度量指標。本文考慮并綜合了大量服務機器人與云平臺建立連接時的情形，為使Web性能符合云平臺正常運作的要求，選擇以下四種指標作為評估依據。

（1）響應時間

響應時間指請求和操作完成之間的延遲，是Web服務中最重要的度量指標之一。在文獻[38]中，將Web服務器配置為使用固定線程來處理并發用戶請求并描繪了負載與響應時間的關系圖，當負載達到了一定程度并繼續增加時，響應時間的增長率便迅速提高。降低網絡的響應時間意味著網絡效率的提高，響應時間也是最能直觀反應出云平臺效率的指標。

（2）抖動程度

網絡抖動指分組延遲的變化程度，其值越小說明網絡質量越穩定。對于目前采用分布式集群的云平臺來說，互相之間的網絡通信都非常頻繁，數據流量也會更大，保持良好的網絡穩定性顯得非常必要。

（3）吞吐量

吞吐量一般以單位時間內通過網絡的數據量來計算，受帶寬或網絡額定速率的限制，直接影響著網絡效率。在文獻[39]中對云環境下的Web 應用系統進行了性能測試，根據其測試結果顯示，在并發用戶的數量從零增加到一定數量之后下吞吐量逐漸增長并到達峰值，但繼續增加并發用戶則會導致吞吐量下降。吞吐量的高低決定著網絡最大傳輸速度，因此將其作為效率評估的重要指標之一。

（4）丟包率

丟包率指丟失的數據包占發送數據組的比率，丟包率過大會造成傳輸速度降低及資源的浪費。

網絡的效率問題牽扯到服務機器人云平臺運行過程中的方方面面，需將其作為重點研究內容。

2.3 網絡安全性評估指標

網絡安全評估已經成為了非常重要的研究內容[40]，對網絡安全性評估就是要識別網絡系統中存在的資產、漏洞，對其被利用的可能性和所帶來的后果進行有效評估，提出合理的安全策略和防護措施[41]。本文對以下內容進行探討。

（1）漏洞數量

通常使用Web 應用的漏洞檢測工具如Nikto[42]等，將設計好的請求信息發送給服務器，在自動化工具的幫助下，在更短的時間內能完成數千次安全檢查。考慮到云平臺的數據等信息安全至關重要，可將Web漏洞掃描結果作為主要的安全性標準，并定期進行滲透測試等漏洞掃描方式來進行網絡安全評估。

（2）口令保護能力

口令也稱為秘鑰，是判斷訪問者身份最簡單的手段，應作為保護對象而不能被隨意竊取。在文獻[43]中提到了使用Salt 加密技術能夠減少字典攻擊破解的可能性，甚至能夠抵御SQL注入攻擊。還有例如通過使用嚴密的生成算法[44]和秘鑰保護算法[45]以及動態口令等安全機制都能使口令的安全性得到加強。在云平臺中，口令是使用者進入系統的最后一道關卡，對其安全性要高度重視。

（3）網絡攻擊防范能力

除了上述這些網絡攻擊方式外。還有例如Dos（拒絕服務攻擊）或是DDos（分布式拒絕服務攻擊）這類網絡攻擊[46-47]，雖然不會造成數據泄露，但會通過不斷占用系統資源，容易造成宕機，因此在網絡安全日常維護中應注意這方面的評測，在面對網絡攻擊時能保障云平臺的正常運作。

任何Web應用程序都應考慮網絡的性能，因此將上述指標納入云平臺指標體系。

3 基于服務機器人QOS相關評估指標

作為機器人產業的新興領域，服務機器人與移動互聯網的新業態、新模式相結合。服務機器人云平臺的最終服務對象是機器人，因此要總結并歸納出適用于云平臺的服務機器人的QOS評估指標，如圖4所示本文將服務機器人的功能歸納為移動導航、特定目標識別、語音識別、抓取四個方面。

圖4 服務機器人QOS指標圖

3.1 服務機器人移動導航性能評估指標

對移動機器人評估的關鍵是要測試機器人在沒有經過人工干預的情況下自主導航和執行預定任務的能力，從以下幾個方面進行研究探討。

（1）定位能力

迭代最近點（ICP）[48]是最常用的位置識別方法之一，但在機器人沒有任何相對姿勢的信息時，很難確定位置。文獻[49]中提出了一種室內移動機器人二次雷達無線局部定位系統，將雷達的距離和角度測量值與壁面探測傳感器相結合并在實際環境中得以驗證，與目前較為流行的激光定位方法相比，魯棒性較好。定位允許有輕微的延遲并且運算量較大，可以將位置信息的計算放在云平臺中進行。

（2）路徑規劃與跟蹤性能

統稱為導航，是指從當前位置到目標位置的路線確定及維護過程，需具備完整且符合要求的導航算法。相對云平臺來說，機器人自身終端實現路徑規劃這種復雜操作較為困難，且需要更長的時間；但對于路徑跟蹤來說，若交由云平臺來進行，在進行大量數據的即時傳輸與接收時對網絡質量有很高的要求，條件較為苛刻，在機器人終端進行更為方便。

（3）效率

可依據其走過的路徑以及花費的時間來進行效率評估，但對某些機器人卻不局限于此。如清潔機器人，其高效率的一般表現形式為覆蓋率高的情況下重復的路徑少[50]，而文獻[51]中提出了一種清潔機器人的面積覆蓋和能量消耗之間的權衡方法，不僅考慮到了區域覆蓋率，還考慮了機器人的能源利用情況。可見移動導航效率的評估標準并非單一，云平臺應不斷擴充算法方便進行評估。

（4）障礙物檢測率

服務機器人在移動過程中要進行路況的判斷，像Petrov等人[52]提出的一種移動機器人激光障礙物檢測方法，能夠將二維激光測距儀的測量數據集分割成代表每個障礙物的分段，并對多邊形障礙物進行直線擬合和角點提取，能夠有效地實現對障礙物的檢測，但對于整套體系的集成問題仍需進行研究改進。考慮到機器人移動過程中也會遇到非靜態障礙物以及突發情況，借助云平臺進行處理可能會由于延遲導致機器人反應時間過長，易引發事故，通過機器人自身某些機制來處理更為妥當。

由于具有移動性能的服務機器人種類太多，并不容易根據每一個功能特點進行側重評估，因此本文考慮將服務機器人移動導航的定位能力、路徑規劃性能、效率作為云平臺的重點評估指標。

3.2 服務機器人特定目標識別評估指標

鑒于目前多數服務機器人都具備了識別功能來實現對特定目標的識別，如通過手勢來判斷用戶的意圖，需要評估服務機器人是否具備高效、精確的視覺感知能力，來提高機器人的服務水平。國內外學者研究的主要問題可以劃分成兩個方面：圖像的分割與識別。

早先部分學者[53-56]研究了同時進行分割和識別手勢的方法，但隨著時間和技術的更替需不斷進行性能改進。在文獻[57]中提出了一種基于BoF-SURF支持向量機的手勢識別方法，與另外兩種算法的平均識別時間和平均識別率進行了比較，體現出其具有更高精度和更短的識別時間。在文獻[58]中提出了一種基于卷積神經網絡（CNN）的人臉情感識別方法并通過開發系統來實現，對人面部表情的五種不同情緒有著較高的平均識別精度。在機器人完成圖像采集后可傳輸至云平臺調用相關算法進行識別，而且方便進行評估。

3.3 服務機器人語音識別評估指標

隨著服務機器人的智能化的持續提高，服務機器人的語音識別功能也作為其重要組成部分作為重點關注。將語音信號進行處理分析后識別內容，并輸出響應的結果[59]。可通過以下指標進行評估。

（1）識別率

一般指對語音信號的文字轉換準確程度，Han 等人[60]通過NAO 機器人語音識別模塊調用API 進行語音識別性能評估，對漢語詞匯分割準確率及命令語句的識別成功率等方面做出評測。在文獻[61]中將對帶有噪聲抑制的訓練集進行評估，探尋了服務機器人在嘈雜環境中的語音識別能力。可由機器人將接受的語音信號傳至云平臺進行識別，云平臺可根據一定規模的識別結果進行識別率評估，并且無需再給每個機器人配置語音識別系統。

（2）聲源方向定位能力

用來評估機器人對聲音來源方向的判斷。如Jorge等人[62]提出了一種改進自動語音識別系統的方法，其中一部分圍繞了尋找最佳聲源方向展開研究，得到機器人面對聲源方向的定位誤差等結果。但該性能對最終識別結果影響并不大，而且通過機器人自身設備來進行更便捷，因此不作考慮。

（3）分類準確率

隨著技術的進步，機器人對聲音的識別性能不能只停留在完成對文字的轉換，在文獻[63]中為了改進家庭環境下服務機器人的語音識別性能，提出了一種語音增強方法，在年齡和性別的劃分上都有著較好的準確率。在文獻[64]中評估了社交機器人語音情感識別的結果，得到五種不同情緒下的平均分類精度。服務機器人在識別過程中，將聲音進一步分類，使信息進一步的細化，在評估時更具有針對性。

（4）信號失真

指信號在傳輸過程中與原信號的偏離程度。在文獻[65]中Matsumoto 等人對機器人聽覺展開研究，對降噪后的目標信號的失真程度進行評測，并通過圖像表示出來。在文獻[66]中Takeda 等人提出了多通道半盲獨立分量分析這樣一種聲源分離方法，語音分離和混響分離后信號失真程度，與以往的方法相比，信噪比更高。對信號的接受由服務機器人自身設備來進行，傳輸至云平臺的信號質量或多或少已經受到影響，因此對這方面指標主要應考慮自身設備的性能。

可以看出，語音識別的過程交由云平臺來處理更為便捷，而且像識別率和分類準確率這類指標可通過服務機器人云平臺進行量化統計。

3.4 服務機器人抓取性能指標評估

良好的自主抓取能力是機器人獲取和運輸目標物體的前提，抓取涉及到三個主要方面：檢測、規劃和控制[67]。目標檢測和規劃方面在之前幾節中有提及，本節主要對抓取性能的控制方面進行探討。

Guo等人[68]對機器人抓手做了性能評估實驗，圍繞著被抓取物體與抓取器之間的力度展開評測，得出夾緊力與摩擦力之間的關系來評估抓取器抓取力量方面的性能，以及在實驗中被抓取物體的損傷情況。Nguyen等人[69]對一種機器人手臂性能進行評測，對獲取到的數據流經過逆運動學方程式計算手臂的角度繪制出誤差直方圖測試出機器人機械臂的腕、臂等角度以及位置精度誤差和抖動的程度。可見機器人手臂控制性能可從抓取力度和準確度來進行分析，若由云端執行，在不斷調整最佳力度和角度的過程中會牽扯到大量運算，易造成網絡擁堵與資源的浪費現象。因此二者均不適合放在云平臺進行處理與測試，由機器人終端依據抓取機器人的服務項目內容進行固定參數設定更為恰當，因此本文的指標體系不將抓取性能考慮在內。

圖5 最終的服務機器人云平臺服務質量指標體系圖

4 服務機器人云平臺服務質量指標體系

本文圍繞著云平臺和相關服務機器人的業務，選出適用于服務機器人云平臺服務質量的評估指標進行提煉加工，形成了最終的指標體系如圖5所示。該體系由移動導航、特定目標識別、語音識別、基本服務能力四部分組成，基本服務能力是前三個功能指標的公共部分，因此融合于前三部分而不再單獨進行介紹。

4.1 移動導航

現如今大部分服務機器人應用于室內進行活動，而且通常采用像激光視覺導航這類較為先進的技術，本文便以室內移動服務機器人業務流程展開描述。如圖6所示，在機器人啟動后，先要確定自身位置所在，才能開始進行移動路線的規劃，一般是在已知的地圖環境中進行，若是在未知環境中，如掃地機器人的首次使用，則需讓機器人在移動過程中逐步描繪出此周邊的地圖，將完整的地圖存儲于機器人終端中以備使用，規劃完畢之后，服務機器人便按照擬定路線進行目的地的移動并進行路徑跟蹤，而且要根據實際移動過程中遇到障礙等情況要做出相應的臨時調整，順利到達指定位置即算完成移動導航操作。

圖6 移動導航業務流程及指標

其業務流程指標可劃分為定位、路徑規劃、路徑跟蹤以及障礙物檢測能力四方面，其中路徑跟蹤和障礙物檢測要求盡可能達到“零延遲”，只能由機器人自身終端配合傳感器來完成。而定位和路徑規劃不僅需要調用與之相匹配的算法，還要求云平臺具備較強的運算能力，以及服務過程中系統的穩定可靠，即使出現故障，若能通過切換備用服務器等方案進行快速修復以及進行數據恢復并且按照原來的進度繼續進行規劃，則能將影響降至最低，達到節約數據運算量的目的。因此納入響應時間、吞吐量、穩定性以及可恢復性指標來對云平臺服務質量作出評估。在調用算法時要求接口能正常執行相應的功能操作以及數據交互，引入互操作性指標。考慮到操作誤判等情況，云平臺應對數據異常值及時監測處理，引入容錯性指標。各類算法及功能需進行模擬測試，將可測試性指標納入體系中。下面將對移動導航業務流程以及應用案例進行詳細說明。

（1）定位能力

不同于路徑跟蹤這類需進行大量的數據運算的功能，如機器人在云平臺中使用基于軌跡推算的這種定位技術，只需獲取服務機器人單位時間間隔內走過的距離，以及在該段時間內機器人航向的變化就能夠計算出具體的位置信息。云平臺通過對機器人解析并定位其初始位置，在服務機器人運動過程中不斷更新其最新位置用以監視及輔助校對工作。

（2）路徑規劃能力

在云平臺中至少要考慮兩個層次的需求，一是全局規劃，指從起始位置到終點的完整路徑規劃；二是局部規劃，如移動過程中由于障礙物等原因無法按原路線進行移動，需進行局部調整。此外考慮掃地機器人等功能的特殊性，云平臺還需具備額外的規劃算法，進行有效而盡可能不重復的清掃。因此云平臺為了更好地完成服務機器人的路徑規劃任務，需要具備多種路徑規劃算法以滿足各類移動機器人的需求。

（3）響應時間

響應時間是最能直觀體現服務效率的指標，云平臺不僅能對移動導航完整的服務流程、數據傳輸時間效率來進行評估，還可以有針對性地對例如定位、路徑規劃這種具體的步驟進行有針對性地評估，云平臺可根據對其的評估結果來判斷系統整體的效率。

（4）吞吐量

頻繁的服務請求要求云平臺需具備較高的吞吐量才能進行高效處理，例如進行機器人路徑規劃過程需要進行多次模擬，大量運算，最后才能決策出最佳的行駛路徑。高吞吐量也就意味著高處理能力，決定著處理速度的高低。

（5）穩定性

云平臺作為一個大型的系統有著大規模的使用群體，幾乎任何時間都在開放使用，并且通常會有大量機器人接入，要時刻保證使用時的穩定和安全，不允許出現宕機等情況的發生。為保證持續不間斷的服務，必須要使系統以及網絡的保持穩定可靠。

（6）可恢復能力

可恢復能力指云平臺對短暫中斷服務的機器人數據恢復效果，維護服務進度的能力。如出現移動機器人在路徑規劃狀態下與云平臺出現短時間的失去連接，在服務機器人在規定時間內重新鏈接時，云平臺可根據原進度繼續進行路徑規劃操作，輔助機器人完成其功能。

（7）互操作性

互操作性指云平臺對算法接口的調取以及與服務機器人數據共享的能力。移動機器人在進行定位、路徑規劃過程中需要與云平臺進行數據傳輸，并且云平臺也需通過接口來進行對應功能的算法調用。

（8）容錯性

容錯性指云平臺根據對數據異常或危險操作的檢測進行算法的重新審查推薦以及操作的凍結等安全措施。如果云平臺對服務機器人解析完畢后進行算法調取時，由于部分機器人的相似屬性而采用了不完全滿足其功能的算法，此時云平臺可依據運算過程中數據的異常值來重新選擇更準確的算法。

（9）可測試性

可測試性指云平臺對自身所具有功能以及算法的評測能力。云平臺要對新增添或修改后的功能和算法進行模擬評估，對其性能和準確度等方面進行評測，達到一定的合格率才能允許被正式投入使用。

（10）應用案例

在文獻[70]中，機器人使用各種傳感器進行數據采集，考慮到特別是機器人的定位和構圖，由于計算復雜、耗時長等方面直接制約服務機器人的性能，將云機器人應用到SLAM 領域，將這些SLAM 子任務部署到云端，將地圖構建和閉環檢測的任務部署到云端，本地端只負責跟蹤相機姿態、確認關鍵幀以及維護局部地圖的大小，同時將跟蹤的任務部署到本地服務機器人端。本地在跟蹤過程中為了能夠達到系統穩定性的過程，需維護利用云端的地圖信息，云端在接受到本地機器人的關鍵幀信息后，利用云端其他關鍵幀數據進行特征匹配，進而三角化恢復特征點對應三維空間點的信息，同時進行定位和構圖。將此功能放在云端中進行，可保證計算速度較快在較短時間內能做出響應，而路徑跟蹤需結合本地終端來實現。在文獻[71]中，為了使物流機器人得出一條消耗值最小的路徑，展開了基于云計算的物流機器人路徑規劃的問題研究，對傳統的A*算法進行改進，為適應云平臺環境，使用Hadoop的Giraph框架，得出改進后的算法在小規模和獨立規劃物流機器人路徑時表現優于蟻群算法和傳統A*算法，可見通過云計算來進行路徑規劃效果更好，而且有利于數據的快速恢復。在文獻[72]中提到，全局避障算法實時性不能滿足要求，局部避障算法能夠基于距離傳感器數據，實時地構建局部環境地圖，快速地搜索局部無障礙通路，因此提出采用兩類算法動態結合的方式來實現避障功能，通過復雜環境進行測試，于機器人本地終端進行，能夠得到良好的避障效果。

4.2 特定目標識別

對于服務機器人特定目標識別流程來說，如圖7所示，服務機器人通過掃描設備經過采樣數字化得到圖像，采集到需要被識別的圖像后，要進行編碼與壓縮，方便快速進行傳輸與存儲，上述功能只能由服務機器人自身終端及設備來實現。在獲取圖像時難免會因為噪聲、運動、光線等原因使圖像產生模糊，而且圖像在采集、傳輸、復制等過程中圖像的質量或多或少會造成一定的退化，為使圖像主體層次結構更加明確，要進行圖像復原和增強，此外還要對圖像進行進一步變換、平滑、銳化等預處理操作，使圖像輪廓更加明顯。上述改善圖像品質的操作步驟可統稱為低層圖像處理，可由云平臺調取算法來完成服務。然后對處理后的圖像進行分割操作，提取其中的有效部分進行識別，如果之前的處理得當，并選取合適的分割算法，那么分割的精確度會更高。之后在對圖像進行特征提取處理，與數據庫內圖像進行比照或識別圖像內文字信息，完成識別操作并進行結果反饋。

圖7 特定目標識別業務流程及指標

其業務流程指標共劃分為四部分，分別為圖像采集能力、低層圖像處理能力、圖像分割能力、圖像識別準確率。圖像采集處理只能通過服務機器人配備的攝像工具和終端來進行。低層圖像處理、圖像分割處理以及圖像識別這三個連續的操作均能夠通過云平臺來完成，同樣要求云平臺具備相對應的算法來實現功能，也需考慮識別過程中的效率以及云平臺的平穩性、通過接口調用算法的能力、模擬測試和容錯的能力均能對識別的最終結果產生影響，引入響應時間、吞吐量、穩定性、互操作性、可測試性、容錯性指標。此外考慮到使用者通過人臉識別進行消費支付的過程中，如果有黑客進行數據攔截以及惡意修改等操作，那么會導致無法完成支付功能甚至是個人信息的泄露以及財產的丟失，因此需要加強云平臺對于網絡攻擊方面的防范措施，引入網絡攻擊防范能力指標。下面將對特定目標識別業務流程以及應用案例進行詳細說明。

（1）低層圖像處理能力

云平臺在進行各類圖像的識別預處理過程中，由于目標的屬性不同，需側重的預處理方式不同，云平臺要在算法服務提供方面為其尋求符合其屬性要求的算法并盡快完成處理。

（2）圖像分割能力

指圖像中需要識別的那部分進行單獨分割的能力，而這些算法都是針對具體被識別目標的，因此要求云平臺通過調用對應的算法完成分割操作，并計算出與之相對應的分割精度，用以對圖像處理效果的檢驗。

（3）圖像識別準確率

根據圖像識別率能夠直接看出識別性能的好壞。云平臺將已完成預處理以及分割后的圖像與數據庫中已知圖像相匹配或是進行讀取圖像內文字進行存儲操作，能夠成功識別的關鍵還是在于對圖像處理程度的把握。

（4）響應時間

響應時間指完成圖像識別整個操作的時間以及低層圖像處理這種具體步驟的時間，可以此來作為特定目標識別效率指標的評估依據。其余屬性之前已討論，不再過多闡述。

（5）吞吐量

吞吐量決定著云平臺與機器人之間圖像和數據的傳輸最高速度，其大小會影響業務完成的時間，進而影響到圖像識別效率，該特性之前已做總結，不再贅述。

（6）穩定性

服務機器人在進行車牌識別、人臉打卡等功能操作要求云服務要長時間保持穩定狀態，否則容易造成一些事情的延誤。其指標表現形式在之前已經概括，在此不再進行描述。

（7）互操作性

互操作性指云平臺通過接口調用圖像處理、識別模型的能力以及和服務機器人的交互能力，其他方面業務在之前已做交代。

（8）可測試性

對云平臺中的具體到每個圖像識別步驟的算法進行測評來確保功能完整，性能可靠，其他功能和特點在上文中已做詳細說明。

（9）容錯性

在云平臺進行特定目標識別過程中進行二次確認以及對模糊或難以確認的人臉、車牌等圖像實行有效的反饋機制。其他特征在文章前面已做概括，在此不再進行解釋說明。

（10）網絡攻擊防范能力

如在人臉支付識別過程中，在云平臺與機器人進行數據傳輸時容易被黑客進行信息攔截，黑客可以進行信息修改或是盜用，會造成使用者個人信息泄露甚至是財產損失等危險情況。因此云平臺要在識別過程中保證數據的安全，定期進行安全性評估。

（11）應用案例

在文獻[73]中通過實驗表明，在本地服務模式中，圖像采集和處理都在機器人端完成，CPU占用率達到了80%，運行壓力很大，并且絕大多數圖像在傳輸過程中丟失。機器人無法獨立完成計算密集型任務。而在云服務模式中，圖像處理任務在云端完成，機器人只負責圖像數據的采集，此時系統的CPU占用率大約在30%，系統完全有空閑的資源去完成其他任務，處理的效果也遠比機器人更加穩定高效。在文獻[74]中進行機器人目標識別和目標跟隨研究時，將機器人端以及云端均部署ROS系統，ROS系統提供接收感知數據的Topic，云端節點既能夠通過ROS的發布機制獲取傳感器收集的數據，又能夠通過ROS 的發布機制向物理世界的機器人發布命令，將機器人云端任務分配過程細分為感知數據收集、數據預處理和適配、構建群體視圖、全局任務分配以及結果輸出這幾個階段。通過云端調度執行基于機器人群體視圖的決策，而且還引入后臺云基礎架構和目標切換機制實現知識共享，推動個體知識向群體知識轉變，增強了目標圖像識別和跟蹤網絡的可重用性。在文獻[75]中，對實現云端支持的機器人復雜物體檢測展開研究，其中的“圖像語義解析”是指將機器人采集的圖像中物體的種類、顏色、物體間關系等解析出來，物體語義匹配”是上一階段解析的信息與復雜語義之間的匹配，這些與本文的低層圖像處理指標相類似，其核心思想為“圖像合成－匹配”模式，最終實現圖像分割與屬性識別算法、基于像素坐標的物體間相關等關系的計算機制，通過云端進行不僅簡化機器人設備配置，縮短復雜計算時間，而且當機器人遇到陌生標簽時，能不斷通過互聯網擴充自己的知識庫，不斷提高自身的識別準確度，從而增強其環境認知能力，提高對于復雜物體檢測的效果。

4.3 語音識別

對于服務機器人語音識別流程來說，如圖8 所示。首先是通過服務機器人身上配備的語音采集器或是機器人終端內的語音采集與分析系統來完成語音信號采集工作。然后對采集到的語音信號進行檢驗，以確保其具有足夠的信號連續性來進行后續的識別操作，在開始語音識別之前，要把首尾端的靜音切除，降低對后續步驟造成的干擾，之后要對聲音進行分析，使用移動窗函數將聲音分幀，使語音細化，這時波形在時域上幾乎沒有描述能力，因此需將波形做變換處理，如常見的MFCC特征提取，把每一幀波形變成一個多維向量。之后便利用訓練好的聲學模型算法向量矩陣轉換為文字或按照音素進行結果分類。除語音采集只能由服務機器人自身來完成外，其余處理操作均可由云平臺或是服務機器人終端來完成，但是考慮到云平臺來進行語音信號識別處理更加方便快捷，無需為每個機器人終端配備系統，因此本文考慮將語音識別納入云平臺服務質量體系當中。

圖8 語音識別業務流程及指標

語音識別的業務流程可以歸納為：信號采集、信號連續性檢測、信號處理、識別操作四方面。可由云平臺進行的為信號連續性檢測、信號處理和語音識別操作，如果服務機器人傳輸至云平臺的語音信號間斷性很大，很難進行處理和識別，便可將其視為無效信號，不再進行處理，在處理之前需進行信號連續性檢測，引入信號連續性指標。在云平臺對信號處理過程的評估指標與圖像處理類似，在此不再進行分析，引入響應時間、吞吐量、穩定性、互操作性、可測試性、網絡攻擊防范能力指標。本文考慮到目前的識別技術及實際需求情況，總體上很難做到語音與文字的一一對應轉換，只需識別出表達的具體含義即認為識別成功，在此引入語義識別率。部分服務機器人的功能是對樂器的屬性或是進行性別、年齡等分類，在此引入分類準確率作為評估指標。下面將對語音識別業務流程以及應用案例進行詳細說明。

（1）信號連續性

如果信號在傳輸過程中時間過長或者信號斷斷續續，云平臺可能會由于沒有及時接收到后續信號出現斷句誤判或提前終止語音識別服務從而會導致識別失敗或者出現偏差，需要云平臺對輸入信號的連續性進行評估。

（2）信號處理能力

指削弱信號中多余內容的能力，將信號變換成容易處理、傳輸、分析與識別的形式，以便后續進行的文字轉換操作能夠更加準確。

（3）語義識別率

即使服務機器人由于噪音干擾等情況沒有接受到全部語音，若能根據關鍵詞完成用戶提出的要求，即算識別成功，該指標更適應于現實需求。

（4）分類準確率

出于對語音數據分析的需要，云平臺在進行語音識別時還應當進行分類，如按照人的年齡、性別以及音樂的演奏樂器、聲調等，都需要云平臺調用合適的算法進行分類運算。

（5）響應時間

指語音識別的完整流程以及進行語音處理分析各個階段所花費的時間，可用來進行語音識別性能的衡量，其他屬性此前已進行闡述。

（6）吞吐量

云平臺和服務機器人傳輸語音信號和識別結果的傳輸速率，速率過低容易出現傳輸速度過慢以及信號的損失等嚴重問題，會導致語音信號分析不完全，其余特點之前已做探討。

（7）穩定性

如部分具有語音識別性能的服務機器人專門投入應用于身體有缺陷的人士，其主要依靠語音來指揮服務機器人，保證云平臺的穩定使機器人長期保持服務狀態，其他業務方面之前已進行闡述。

（8）互操作性

云平臺順利調用語音分析、處理算法及識別模型的能力，其余內容同特定目標識別類似，在此不再描述。

（9）可測試性

對語音信號分析、處理、翻譯等算法性能以及各功能的實現情況的評估難易度，其流程與方法在前文均有描述。

（10）網絡攻擊防范能力

部分語音信號涉及到使用者的隱私，為避免泄露，應加強安全性評估，其重點就是實行網絡傳輸過程中的數據信息保護。

（11）應用案例

文獻[76]中提到了一種嵌入式云語音識別方案，將語音識別中所需要的復雜計算、語音信號的特征提取過程以及識別時所需要的匹配特征庫放在云服務器中，嵌入式設備只需要完成語音信號的采集、語音信號的發送和語音識別結果接收，其中語音采集部分，采用的是一種面向對象、解析型計算機程序設計語言Python，將用到一些函數庫的功能，如PyAudio、pycurl和json等。在該方案中，云服務器采用的是百度云語音識別服務器，百度語音識別通過REST API 的方式給開發者提供一個通用的HTTP 接口，根據這個接口，開發者可以輕松地獲取語音識別能力。該方案通過采用第三方語音識別云服務器，可以滿足語音信號的識別工作，而且無需大量的采集語音信號進行訓練，彌補了嵌入式設備計算能力和存儲空間有限缺陷，大大降低了時間成本，提高了工作效率。在文獻[77]中，通過對云平臺日志的分析繪制了語音處理時間的直方圖，并對請求數量、處理時間和實時因素作出總結。可以看出通過云平臺來對云機器人的中間數據、結果等信息進行分析，有助于得到更確切的評估結果，也能更快速地幫助云平臺擴充知識庫，進行自我能力的提升。目前已經有像百度語音、科大訊飛語音以及其他的很多成熟的語音識別技術，那么云機器人只要通過云端調用其API來進行語音的識別，云平臺根據設定好的指標來進行結果評判的反饋來促使算法不斷改進，使服務體系不斷地完善。

5 結束語

5.1 總結

本文所提出的服務機器人云平臺服務質量指標體系是綜合考慮了軟件QOS、網絡QOS、服務機器人各項適用于服務機器人云平臺的指標匯總而成的指標體系。由于以往的評價指標過于單一，且涵蓋的評估范圍較小，無法對云平臺進行系統化的評估，而依照著該體系能夠對服務機器人云平臺進行較為全面的評估，找到云平臺功能及性能等方面的不足，便于對云平臺進行改進以提高其服務質量。

5.2 未來展望

最初的云平臺服務是為了集中存儲而提供更加經濟和便捷的方式，目前已經發展為以數據存儲和數據處理為主的計算型云平臺，而且技術日趨成熟，提供服務的過程也變得逐漸簡便化。就服務機器人云平臺而言，其主要作用是作為服務機器人的遠程云端進行相應算法的調用以及對大量的進行數據存儲和處理，該平臺技術的日趨成熟對今后的智能服務機器人發展，服務行業的現代化有很大的影響，擁有廣大的發展前景。但目前來講云平臺能為服務機器人提供的服務范圍還有很多的局限性，云平臺自身監測評估的能力和范圍仍有待提高，在面對網絡攻擊時如何更好地做好安全防御等問題亟需解決。并且隨著科技的迅速發展，服務機器人已經逐漸應用在醫療、教育娛樂、軍用、救援、科考等各個領域，所兼備的功能也會越來越復雜，這些服務機器人今后也一定會向依賴于云服務實現其功能作為發展趨勢。那么云平臺應如何更好地與服務機器人進行融合，并且在此基礎面對業務與需求的增加，如何進一步加強云平臺性能，使云服務更加智能化。綜合上述云平臺面臨的問題和挑戰，提出以下六個未來發展方向。

（1）提高云服務普適率。目前來看能夠通過云平臺來完成服務的機器人占比并不是很高，由于受到傳輸速率、延遲、功耗、系統容量以及超大規模設備連接等方面的限制，仍有部分服務機器人很難依靠云平臺的現有技術和算法服務來完成其功能，如移動機器人對障礙物的檢測所要求的“零延遲”以及抓取機器人在通過手臂實現物體抓取時對力度與角度的實時掌控，是目前云平臺難以實現的服務。可見歸根到底還是云平臺的處理能力和通信能力的不足。隨著5G時代的來臨，屆時5G的商用和普及有望能夠解決這一問題，使更多的服務機器人都能通過調用云服務來完成功能，而對于云服務的普適率的評測可以從云平臺對算法的調用情況展開研究。

（2）精準、詳細的監測。目前對云平臺的評估方面有限，要提高云平臺的自我評估能力，就要使云平臺對信息的剖析更加深刻，挖掘出更多有價值的信息，細致化的監測會讓系統察覺到異常的時間提前，避免重大事故的發生，也能夠使評估的結果更精準。怎樣能夠進一步確保隨時隨地地清楚明白用戶、機器人廠商、算法提供商以及服務機器人對云平臺的服務使用情況，使云平臺及時了解各種變更的情況，如服務機器人連接的虛擬機狀態屬性，各類需求的增加，服務上下架情況等，這是一個需要深入研究的問題。并且要對更加完善的監測功能進行測試對比，可以從云平臺對使用者的操作追蹤情況等方面入手研討。

（3）個性化服務。目前服務機器人在不同的場景下應用很單一，如用于醫療的機器人就只是用于醫療領域，用于送餐的機器人就只能在酒店等限定區域提供服務，在未來，服務機器人一定是能夠真正做到像普通人一樣身兼多種功能，并且根據不同的需求要求云平臺來進行“私人訂制”。因此實現服務的個性化、私有化也是未來云平臺的一個發展方向，使云平臺的服務更加嚴謹，有針對性、目的性。對個性化服務的考察可以從算法組合的邏輯性、嚴密程度以及具體的服務效果等方面展開研究。

（4）強化安全性。就目前的加密破解技術而言，可能對某些密碼的破解需要計算機運行數萬年，但由于量子計算的發展與突破，屆時任何的網絡算法加密等技術防御手段都無法通過量子計算的考驗，目前看來的強大的加密技術很可能在數秒之內就被攻破。云服務作為一種新的應用模式，與傳統互聯網相比，數據的高度集中和多用戶的訪問等方面勢必會引發新的安全隱患，一旦云平臺安全系統被攻破，帶來的損失是不可估量的。怎樣來解決包括云基礎設施安全、數據、認證和訪問管理安全以及審計合規性等存在的諸多安全隱患問題，目前而言還是一個技術性難題。隨著科技發展，不久的將來可能會出現一套較為完美的安全體系，屆時可根據更先進的網絡攻擊技術進行模擬攻擊展開進一步研究評估。

（5）重視邊緣計算。服務機器人在實現語音識別等功能時需要向云平臺傳遞數據并依靠云平臺進行計算分析來做出決策，在數據量不多時云平臺能夠準確高效地反饋出結果。但是如果服務機器人將采集到的大量數據直接傳遞給云平臺進行處理，那么不僅會增加云平臺的計算量，致使效率降低，而且傳輸的數據越多越容易出現丟包現象，并且安全性和隱私問題難以得到保障。那么如何解決這個問題，一個思路是將大量數據先由邊緣計算進行簡單處理或重要信息提取，然后再發往云平臺進行決策，避免大量的數據往返于云計算數據中心，這種云計算+邊緣計算的模式是未來的一個發展方向。云平臺可以通過邊緣計算的節點數量對計算實時性的增強效果以及對數據集的適應性兩方面展開評估研究。

（6）群智建設。目前云平臺調用的算法服務等功能是由算法供應商等單一群體來提供的，若僅僅依靠其來發展建立云平臺，并不利于云平臺服務的建設與進一步完善，那么如何來實現云平臺服務的高效建設。可以借鑒開源的思想，通過互聯網匯聚和借助大規模群體智慧的力量，協助完成云平臺的建設，加快云平臺完善進度，提高云平臺服務質量。可以依據云平臺群智建設的規模以及服務性能的變化趨勢來展開調研。

隨著公有云和私有云的市場發展及應用融合，以及我國政府出臺了一系列云計算產業的相關政策，越來越多的智能化產業服務與云服務掛鉤，部分知名企業如阿里、華為、浪潮已經推出了自己的云服務平臺，并且許多企業的數據也已經遷移到了云服務器上，這樣不僅節省了硬件成本，還能提高效率。服務機器人云平臺作為順應時代發展的產物，在為服務機器人提供其對應功能服務的同時，能夠節約服務機器人的設備、內置成本，提高服務質量，而且還具有很強的拓展性和延展性，云服務顯然已經成為了未來發展的必然趨勢，如果本文提出的發展規劃能夠在不久的將來實現，相信未來超過90%以上的服務機器人均能安全可靠地依靠云平臺來實現其功能，為人們提供更好的服務。