本发明公开一种基于云边端的机器人AI服务方法及系统，涉及人工智能机器人技术领域。
背景技术
随着云计算和大数据的发展，各个行业领域，各种应用系统和服务已经逐步上云，部署在了云端，云端汇集了越来越多的硬件资源，云端的计算能力也越来越强。云计算与大数据的迅猛发展带来了人工智能的新浪潮，其商业化速度超出预期，已经成为各国重要的发展战略，也是我国期望弯道超车的新型领域，人工智能模型的优化依赖于大量数据集的训练，而模型训练需要超强计算力，因此，云计算和人工智能的结合是必然的。
目前，各大云服务商都推出了相应的AI云服务，如微软的Azure认知服务、IBM的Watson认知服务、腾讯云、阿里云等等他们提供的AI服务大都是在线服务，用户需要通过相应API在线访问其云平台的AI服务，不支持离线，用户如需使用AI服务，必定要上传自己的数据集，易对个人数据隐私造成威胁。
嵌入式AI芯片的发展使机器人计算单元具备了一定的AI计算能力，但是由于功耗，体积、性能等的限制，其计算能力有限，很难运行大规模的AI计算模型。若要将模型运行在机器人端，需要把模型压缩；
故现发明一种基于云边端的机器人AI服务方法及系统为机器人提供在线和离线郎中AI服务模式，以解决上述问题。
技术实现要素：
本发明针对现有技术的问题，提供一种基于云边端的机器人AI服务方法及系统，所采用的技术方案为：一种基于云边端的机器人AI服务方法，所述的方法具体步骤包括：
S1云端自动更新AI模型并下发至边缘端；
S2边缘端根据不同压缩率对AI模型进行压缩、存储；
S3将压缩的AI模型在机器人端运行；
S4机器人根据用户的服务状态通过边缘端选定AI模型进行推理。
所述S1云端自动更新AI模型并下发至边缘端的具体步骤包括：
S101利用公共数据集训练AI模型并下发至边缘端；
S102定期从边缘端收集用户反馈数据集；
S103利用累计用户反馈数据集对AI模型进行优化调整；
S104更新AI模型并下发至边缘端。
所述S2边缘端根据不同压缩率对AI模型进行压缩、存储的具体步骤包括：
S201设置边缘端压缩率对AI模型进行压缩；
S202边缘端收集用户反馈数据集并上传至云端供模型优化使用。
所述S4机器人根据用户的服务状态通过边缘端选定AI模型进行推理的具体步骤包括：
S401用户选择在线或者离线服务；
S402选择在线服务时，机器人访问边缘端将推理放在边缘端执行；
S412选择离线服务时，机器人根据自身需求从边缘端下载压缩后的AI模型，在本地执行推理；
S403推理错误时，机器人选择将错误数据上传至边缘端。
一种基于云边端的机器人AI服务系统，所述的系统具体包括云端模块、边缘端模块、模型运行模块和机器人端模块：
云端模块：云端自动更新AI模型并下发至边缘端；
边缘端模块：边缘端根据不同压缩率对AI模型进行压缩、存储；
模型运行模块：将压缩的AI模型在机器人端运行；
机器人端模块：机器人根据用户的服务状态通过边缘端选定AI模型进行推理。
所述云端模块具体包括模型训练模块、反馈收集模块、模型调整模块和模型更新模块：
模型训练模块：利用公共数据集训练AI模型并下发至边缘端；
反馈收集模块：定期从边缘端收集用户反馈数据集；
模型调整模块：利用累计用户反馈数据集对AI模型进行优化调整；
模型更新模块：更新AI模型并下发至边缘端。
所述边缘端模块具体包括压缩设置模块和数据上传模块：
压缩设置模块：设置边缘端压缩率对AI模型进行压缩；
数据上传模块：边缘端收集用户反馈数据集并上传至云端供模型优化使用。
所述机器人端模块具体包括模式选择模块、在线服务模块、离线服务模块和数据收集模块：
模式选择模块：用户选择在线或者离线服务；
在线服务模块：选择在线服务时，机器人访问边缘端将推理放在边缘端执行；
离线服务模块：选择离线服务时，机器人根据自身需求从边缘端下载压缩后的AI模型，在本地执行推理；
数据收集模块：推理错误时，机器人选择将错误数据上传至边缘端。
本发明的有益效果为：本发明提出一种基于云边端的机器人AI服务方法及系统，利用云端、边缘端、机器人端三位一体，将云端计算的高计算力、边缘计算的时效性及机器人端的AI计算能力融合，为用户提供在线和离线两种AI服务模式，以满足不同用户的需求。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1是本发明方法的流程图；图2是本发明系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一：
一种基于云边端的机器人AI服务方法，所述的方法具体步骤包括：
S1云端自动更新AI模型并下发至边缘端；
S2边缘端根据不同压缩率对AI模型进行压缩、存储；
S3将压缩的AI模型在机器人端运行；
S4机器人根据用户的服务状态通过边缘端选定AI模型进行推理；
进一步的，所述S1云端自动更新AI模型并下发至边缘端的具体步骤包括：
S101利用公共数据集训练AI模型并下发至边缘端；
S102定期从边缘端收集用户反馈数据集；
S103利用累计用户反馈数据集对AI模型进行优化调整；
S104更新AI模型并下发至边缘端；
进一步的，所述S2边缘端根据不同压缩率对AI模型进行压缩、存储的具体步骤包括：
S201设置边缘端压缩率对AI模型进行压缩；
S202边缘端收集用户反馈数据集并上传至云端供模型优化使用。
再进一步的，所述S4机器人根据用户的服务状态通过边缘端选定AI模型进行推理的具体步骤包括：
S401用户选择在线或者离线服务；
S402选择在线服务时，机器人访问边缘端将推理放在边缘端执行；
S412选择离线服务时，机器人根据自身需求从边缘端下载压缩后的AI模型，在本地执行推理；
S403推理错误时，机器人选择将错误数据上传至边缘端；
本发明方法基于云端、边缘端和机器人端；在使用本发明方法时，其中，云端运用大量公共数据集训练AI模型，并将模型下发至边端；定期从边缘端收集用户反馈数据集，累计数据集达到一定数量后，云端在原有模型上调参优化模型，并下发至边缘端更新模型；
边缘端负责接收云端下发的模型并存储，同时根据不同压缩率压缩模型并存储；为用户提供AI服务，包括使用原模型提供在线AI服务和为用户提供压缩后模型的下载，用户下载压缩模型后即可使用离线AI服务；收集用户反馈数据集并上传至云端供模型优化使用；
用户机器人端具有一定的智能计算能力和算力，用户可以选择在线或者离线服务，在线服务即访问边缘端将推理放在边缘端执行，离线服务即根据自身需求从边缘端下载压缩后的模型，在本地执行推理；如遇推理错误，可选择性的将错误数据上传至边缘端，
实施例二：
一种基于云边端的机器人AI服务系统，所述的系统具体包括云端模块、边缘端模块、模型运行模块和机器人端模块：
云端模块：云端自动更新AI模型并下发至边缘端；
边缘端模块：边缘端根据不同压缩率对AI模型进行压缩、存储；
模型运行模块：将压缩的AI模型在机器人端运行；
机器人端模块：机器人根据用户的服务状态通过边缘端选定AI模型进行推理。
所述云端模块具体包括模型训练模块、反馈收集模块、模型调整模块和模型更新模块：
模型训练模块：利用公共数据集训练AI模型并下发至边缘端；
反馈收集模块：定期从边缘端收集用户反馈数据集；
模型调整模块：利用累计用户反馈数据集对AI模型进行优化调整；
模型更新模块：更新AI模型并下发至边缘端。
所述边缘端模块具体包括压缩设置模块和数据上传模块：
压缩设置模块：设置边缘端压缩率对AI模型进行压缩；
数据上传模块：边缘端收集用户反馈数据集并上传至云端供模型优化使用。
所述机器人端模块具体包括模式选择模块、在线服务模块、离线服务模块和数据收集模块：
模式选择模块：用户选择在线或者离线服务；
在线服务模块：选择在线服务时，机器人访问边缘端将推理放在边缘端执行；
离线服务模块：选择离线服务时，机器人根据自身需求从边缘端下载压缩后的AI模型，在本地执行推理；
数据收集模块：推理错误时，机器人选择将错误数据上传至边缘端。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
