一种机器人创意动作评估生成系统

摘要

本发明提供一种机器人创意动作评估生成系统，其特征在于，包括创意生成单元和创意度评估单元，所述创意生成单元构造为包括子系统的复杂系统并包括机器学习单元如深度学习单元，所述机器学习单元配置为借助于包括多个第一机器人动作的训练集进行训练并生成多个第二机器人动作，所述创意度评估单元配置为评估所述多个第二机器人动作的创意度并基于所述多个第二机器人动作的创意生成系数与预定评估标准相对比以选择至少部分第二机器人动作，其中，在所述复杂系统的子系统中定义量子系统，所述创意生成系数是通过测量和/或计算所述量子系统的纠缠熵而获得的。

权利要求

1.一种舞蹈机器人创意动作评估生成系统，其特征在于，包括创意生成单元和创意度评估单元，所述创意生成单元构造为包括子系统的复杂系统并包括深度学习单元，所述深度学习单元配置为借助于包括多个第一机器人舞蹈动作的训练集进行训练并基于所述训练集生成多个第二机器人舞蹈动作，所述创意度评估单元配置为评估所述多个第二机器人舞蹈动作的创意度并基于所述多个第二机器人舞蹈动作的创意生成系数与预定评估标准相对比以选择至少部分第二机器人舞蹈动作，其中，在所述复杂系统的子系统中定义量子系统，所述创意生成系数是通过测量和/或计算所述量子系统的纠缠熵而获得的，其中，所述深度学习单元包括具有多个神经元的神经网络，所述神经元被定义为所述量子系统的量子。

2.根据权利要求1所述的舞蹈机器人创意动作评估生成系统，其特征在于，所述评估生成系统还配置为干预所述复杂系统以促成所述量子系统退相干。

3.根据权利要求2所述的舞蹈机器人创意动作评估生成系统，其特征在于，所述创意生成单元为计算机程序实现的创意生成引擎，其中所述干预所述复杂系统包括改变、增加或减少所述计算机程序实现的创意生成引擎的输入和/或输出和/或参数。

4.一种评估生成舞蹈机器人创意动作的方法，其特征在于，包括如下步骤：

S1：提供被构造为包括子系统的复杂系统的创意生成单元，所述创意生成单元包括深度学习单元；

S2：在所述复杂系统的子系统中定义量子系统；

S3：利用包括多个第一机器人舞蹈动作的训练集训练所述深度学习单元；

S4：借助于经训练的深度学习单元生成多个第二机器人舞蹈动作；

S5：评估所述多个第二机器人舞蹈动作的创意度并基于所述多个第二机器人舞蹈动作的创意生成系数与预定评估标准相对比以选择至少部分第二机器人舞蹈动作，其中，所述创意生成系数是通过测量和/或计算所述量子系统的纠缠熵而获得的，其中，所述深度学习单元包括具有多个神经元的神经网络，其中，步骤S2包括：定义所述神经元作为所述量子系统的量子。

5.根据权利要求4所述的评估生成舞蹈机器人创意动作的方法，其特征在于，所述步骤S3还包括：干预所述复杂系统以促成所述量子系统退相干。

6.根据权利要求5所述的评估生成舞蹈机器人创意动作的方法，其特征在于，所述创意生成单元为计算机程序实现的创意生成引擎，其中所述干预所述复杂系统包括改变、增加或减少所述计算机程序实现的创意生成引擎的输入和/或输出和/或参数。

说明书

一种机器人创意动作评估生成系统

技术领域

[0001] 本发明涉及机器人领域，同时也涉及创意生成领域，尤其是涉及一种机器人创意动作评估生成系统及方法。

背景技术

[0002] 仿人机器人(Humanoid Robot)，又称为人形机器人，是一种外形似人，具有与人类相近的运动能力和一定智能的特种机器人。自从第一台仿人机器人Wabot-1诞生以来，仿人机器人已经成为一个结合机械，电子，计算机编程，传感技术，材料，控制技术，人工智能技术等多个领域的综合性高难度研究方向，是一个国家高科技实力和发展水平的重要标志。

[0003] 舞蹈机器人是众多机器人的中一种，现有舞蹈机器人只是外型像人，一般都只具有固定的舞姿，而不是根据人体动作实时模仿人体舞蹈动作。

[0004] 因此，在舞蹈机器人或仿人机器人中希望作出具有强观赏性、高灵活度或复杂度的舞蹈或动作。

[0005] CN105904460B提供了一种实时仿人舞蹈机器人控制系统。该系统实时采集人体舞蹈动作信息，经过处理器数据处理，控制舞蹈机器人舵机控制器动作，实时做出人体舞蹈动作。

[0006] 创意指有创造性的想法、构思等。当前，对各种系统的动作或设计的创意的评价都是主观层面的，而且具有创意的动作或设计的形成也有赖于人力的创造力和想法。这造成无法以相对客观、适于自动化的方式评价系统的动作或设计的创意度，也无法以这样的方式形成具有创意的动作或设计。例如，在上述CN105904460B专利中公开的实时仿人舞蹈机器人控制系统中需要实时采集人体舞蹈动作信息，再控制舞蹈机器人实时重现人体舞蹈动作。

发明内容

[0007] 在此，本发明的一些实施例的目的是提供一种机器人创意动作评估生成系统和方法，其能够以相对客观、适于自动化的方式评价所生成的机器人动作的创意度以及生成更可能具有创意的机器人动作。

[0008] 在此，本发明的一些实施例的目的是提供一种复杂系统的动作创意度的评估系统和方法或者一种在复杂系统中生成创意动作的系统和方法，其能够以相对客观、适于自动化的方式评估复杂系统的动作创意度，或者在复杂系统中生成具有创意的动作。

[0009] 一个方面，提供一种机器人创意动作评估生成系统，包括创意生成单元和创意度评估单元，所述创意生成单元构造为包括子系统的复杂系统并包括机器学习单元如深度学习单元，所述机器学习单元配置为借助于包括多个第一机器人动作的训练集进行训练并生成多个第二机器人动作，所述创意度评估单元配置为评估所述多个第二机器人动作的创意度并基于所述多个第二机器人动作的创意度系数与预定评估标准相对比以选择至少部分第二机器人动作，其中，在所述复杂系统的子系统中定义量子系统，所述创意生成系数是通过测量和/或计算所述量子系统的纠缠熵而获得的。

[0010] 在一个实施例中，所述评估生成系统还配置为干预所述复杂系统以促成所述量子系统退相干。

[0011] 在一个实施例中，所述创意生成单元为计算机程序实现的创意生成引擎，其中所述干预复杂系统包括改变、增加或减少所述计算机程序实现的创意生成引擎的输入和/或输出和/或参数。

[0012] 在一个实施例中，所述深度学习单元包括具有多个神经元的神经网络，其中至少一个所述神经元被定义为所述量子系统的量子。

[0013] 在一个实施例中，机器人创意动作评估生成系统包括具有量子处理器的量子计算机，如玻尔兹曼机或者在所述量子计算机中实现，其中所述量子系统在所述量子处理器中限定。

[0014] 另一个方面，提供一种评估生成机器人创意动作的方法，包括如下步骤：

[0015] S1：提供被构造为包括子系统的复杂系统的创意生成单元，所述创意生成单元包括机器学习单元；

[0016] S2：在所述复杂系统的子系统中定义量子系统；

[0017] S3：利用包括多个第一机器人动作的训练集训练所述机器学习单元；

[0018] S4：借助于机器学习单元生成多个第二机器人动作；

[0019] S5：评估所述多个第二机器人动作的创意度并基于所述多个第二机器人动作的创意生成系数与预定评估标准相对比以选择至少部分第二机器人动作，其中，所述创意生成系数是通过测量和/或计算所述量子系统的纠缠熵而获得的。

[0020] 在一个实施例中，所述步骤S3还包括：干预所述复杂系统以促成所述量子系统退相干。

[0021] 在一个实施例中，所述创意生成单元为计算机程序实现的创意生成引擎，其中所述干预复杂系统包括改变、增加或减少所述计算机程序实现的创意生成引擎的输入和/或输出和/或参数。

[0022] 在一个实施例中，所述深度学习单元包括具有多个神经元的神经网络，其中步骤S2包括：定义至少一个所述神经元作为所述量子系统。

[0023] 在一个实施例中，机器人创意动作评估生成系统包括具有量子处理器的量子计算机，如玻尔兹曼机或者在所述量子计算机中实现，其中步骤S2包括：在所述量子处理器中限定所述量子系统。

[0024] 在本发明的一些实施例中，提出了一种机器人学习框架，制定创意生成思维模式，模拟类脑行为，使其具有一定自我学习、自我评估，并自我演化的能力，能够在自我学习的基础上，进行人机协同交互性学习，扩展完善数据集，实现系统涌现过程，完成自我创作以及自我创作的创意性评估。

附图说明

[0025] 在下文结合附图描述了本发明的一个或多个实施例，其中：

[0026] 图1示出了根据本发明的一个实施例的机器人创意动作评估生成系统的示意图；

[0027] 图2示出了根据本发明的一个实施例的机器人创意动作评估生成系统的神经网络的示意图；

[0028] 图3示出了根据本发明的一个实施例的机器人创意动作评估生成系统的示意图；

[0029] 图4示出了根据本发明的一个实施例的机器人创意动作评估生成系统的示意图；

[0030] 图5A至图5D示出了机器人的示例，其执行根据本发明的实施例的评估生成系统和/或评估生成方法生成的动作。

具体实施方式

[0031] 为使本发明的目的、技术方案和优点更加清楚明白，下面结合具体实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

[0032] 在本文中，“复杂系统”(complex system)具有本领域的基本涵义，例如指具有中等数目基于局部信息做出行动的智能性、自适应性主体的系统。因此，复杂系统的整体行为存在不可控性和创新性的特点。人们提出了复杂度(熵)的概念来衡量复杂系统的复杂性。在本文中，复杂系统可包含计算机程序(产品)或可以以计算机程序(产品)实现。

[0033] 在本文中，“量子”及“量子系统”包含其标准的定义，因此在标准的量子系统中可发生标准的量子纠缠现象，并可按照标准的物理公式计算纠缠熵。参考上下文，在本文的描述中“量子系统”还可涵盖类量子系统，该类量子系统虽然不包含物理学意义上的量子，但存在最小的不可分割的基本单位，其在该类量子系统中可视作量子，并可以仿照计算纠缠熵的公式计算该类量子系统的“(近似)纠缠熵”。为简单起见，在本文中可能会对标准的量子系统或类量子系统不加区分地描述为量子系统，但可参考上下文明确其含义。在本文中，类量子系统中的量子可包含神经网络引擎/模型中的神经元。

[0034] 参考图1，示出了根据本发明的一个实施例的机器人创意动作评估生成系统1的示意图。该机器人创意动作评估生成系统1可包括创意生成单元11和创意度评估单元12。在本发明的一些实施例中，所述机器人创意动作评估生成系统1可以是或者包括计算机实现的系统。例如，创意生成单元11可以为计算机程序实现的创意生成引擎110。在所示的实施例中，创意生成单元11、如创意生成引擎110可构造为包括子系统的复杂系统。

[0035] 继续参考图1，所述创意生成单元11、如创意生成引擎110可包括机器学习单元111、如深度学习单元。所述机器学习单元配置为借助于包括多个第一机器人动作的训练集进行训练并生成多个第二机器人动作。在一个实施例中，机器学习单元111、如深度学习单元可包含具有多个神经元20的神经网络2，如图2所示。

[0036] 在一些实施例中，所述神经网络可以包括各种神经网络，包括但不限于RCNN网络(区域卷积神经网络)、HED(Holistically Nested Edge Detection Network)网络、GAN网络(生成式对抗网络)。

[0037] 在一些实施例中，所述机器学习单元的所述训练和生成可以包括多种可能的实现方式，还可以包括多个前置或后置的子模块，例如在训练前对数据集的标引子模块和在生成第二动作后的反馈子模块。在一些实施例中，例如利用RCNN网络标引识别训练集中的人或机器人的骨骼信息，利用HED网络生成肢体模板，利用GAN网络生成连续的机器人动作。

[0038] 继续参考图1，所述创意度评估单元12配置为评估所述多个第二机器人动作的创意度并基于所述多个第二机器人动作的创意生成系数与预定评估标准相对比以选择至少部分第二机器人动作。

[0039] 在所示的实施例的机器人创意动作评估生成系统1中，可在被构造成复杂系统的创意生成单元11、如创意生成引擎110的子系统中定义量子系统。在一些实施例中，例如神经网络中的神经元被定义为“类”量子系统中的量子。由此，在一些实施例中，创意生成系数可以通过测量和/或计算所述量子系统的纠缠熵而获得的。

[0040] 在一些实施例中，所述评估生成系统1还可配置为干预所述复杂系统以促成所述量子系统退相干。例如图1所示的实施例中，创意生成单元11、如创意生成引擎110可包括退相干促成单元112或子系统环境作用单元，其作用于量子系统，以促成量子系统退相干。尽管不受理论之约束，子系统环境可作用于微观量子系统，使其内部纠缠态解除，发生退相干现象，量子退相干促使系统的量子行为变迁成为经典行为，这过程称为“量子至经典变迁”；该过程是开放量子系统的量子相干性会因为与外在环境发生量子纠缠而随着时间逐渐丧失；进而在量子系统退相干的过程中，主动地使得量子系统内部更加有序，信息保存完整，熵值降低，导致复杂系统子系统的复杂度增加。因此，通过使得量子系统退相干，可以加快复杂系统的涌现现象，释放能量，从而能够以更高的效率生成具有创意度(概率)的创意动作。

[0041] 在一些实施例中，所述促成量子退相干包括但不限于任何可以促成(类)量子系统退相干的手段，例如自动、半自动地改变、增加或减少复杂系统或其子系统的输入和/或输出和/或参数，例如改变、增加或减少创意生成引擎110的输入和/或输出和/或参数。在一个示例性的实施例中，退相干促成单元112或子系统环境作用单元可以为或包括计算机程序模块，其例如以随机或有序的方式周期性地或时间随机地改变创意生成引擎110、如其机器学习单元、如神经网络的多个输入或参数。

[0042] 在一些实施例中，创意生成单元11还可以包括图形用户显示单元114，其例如可以选择性地显示生成的多个第二动作和被选定的多个第二动作。

[0043] 在一些实施例中，创意生成单元11还可以包括一个或多个功能模块/单元。例如在图1所示的实施例中，创意生成单元11还可以包括逻辑/规划单元(未示出)，其例如可以判断被选定的第二动作是否符合机器人的动作逻辑，以及/或者规划多个第二动作构成连贯的第三动作、如机器人50(如图5A至图5D示出了连贯动作)的整体表演动作。在一些实施例中，作为补充或替代，创意生成单元11还可包括自由度约束单元(未示出)，所述自由度约束单元可以在创意生成单元11、如创意生成引擎110、如其机器学习单元、如神经网络生成第二动作时提供自由度约束，从而使得所生成的第二动作是可以能为机器人50(如图5A至图5D所示)自身所具有的自由度来实现的。

[0044] 在一些实施例中，所述机器人创意动作评估生成系统可包括有串/并联设置的创意生成单元11(和可选的评估单元)，从而一些创意生成单元11生成(或选择的)的第二动作可以作为另外的创意生成单元的第一动作，以及/或者多个创意生成单元生成的且被选择的第二动作作为被选择的第二动作组。

[0045] 虽然在所示的实施例中，所定义的量子系统处于机器学习单元、如深度学习单元、如神经网络中，但可以想到在作为复杂系统的创意生成单元11中的其他(相关的)子系统、模块、单元中定义量子系统，例如上文所述的其他功能模块或单元。

[0046] 尽管在图1所示的实施例中以功能模块的形式描述了机器人创意动作评估生成系统1，但如前所述，机器人创意动作评估生成系统1可以借助于计算机程序所实现。

[0047] 由此，例如参考图3，在本发明的一些实施例中还提出这样的一种计算机设备或系统3，其包括一个或多个处理器31；一个或多个存储器32；以及能实现创意生成功能和创意度评估功能的一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，当所创意生成程序被所述处理器执行时，使得所述计算机设备或系统可实施上述创意生成单元和创意度评估和可选的上述其他功能模块的效果。并且，在所述一个或多个程序中构造出具有子系统的复杂系统并且可定义一个或多个(类)量子系统。

[0048] 在一些实施例中，一个或多个训练集可以存储在所述一个多个存储器中，也可以存储在云存储器中，而根据本发明的实施例的计算机设备或系统3可以调用云存储器中的训练集进行训练。

[0049] 在图3所示的实施例中，计算机设备或系统3可以实现为多种形式，包括但不限于个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏机、平板电脑、用于人工智能的图形处理器集群、超级计算机等。

[0050] 处理器31可以包括一个或多个处理单元。例如处理器31可以包括应用处理器(AP)，调制解调处理器，图形处理器(GPU)，图像信号处理器(ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

[0051] 存储器32可包括内部存储器、外部存储器或云存储器。存储器32、如内部存储器可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器31通过运行存储在存储器32的指令，从而执行计算机设备或系统3的各种功能应用以及数据处理。存储器可以包括存储程序区和存储数据区。其中，存储程序区可存储至少一个功能所需的应用程序(比如创意生成引擎等)等。存储数据区可存储计算机设备或系统3使用过程中所用的、所创建的数据(比如训练集等)等。此外，内部存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。

[0052] 可选地，计算机设备或系统3可包括用户接口33。

[0053] 参考图4，示出了根据本发明的一个实施例的机器人创意动作评估生成系统的示意图。在图4所示的实施例中，所述机器人创意动作评估生成系统包括具有量子处理器40的量子计算机或者在量子计算机中实现。所述量子计算机为如玻尔兹曼机或者在所述量子计算机中实现。由此，所述量子系统可以为“真”量子系统，并可以在所述量子处理器中限定。在优选的实施例中，还可以设置触发器或者如此设置量子计算机的控制器，以主动促成量子处理器或量子系统中退相干。在所示的实施例中，量子计算机可以为混合计算系统，该混合计算系统包括耦合到模拟计算机41的数字计算机42。在一些实施方式中，模拟计算机41是量子计算单元。示例性数字计算机42包括可用于执行经典数字处理任务的数字处理器(CPU)420。数字计算机42可包括至少一个数字处理器(诸如具有一个或多个核的中央处理器单元420)、至少一个系统存储器422、以及至少一个系统总线424，所述至少一个系统总线将各种系统部件(包括系统存储器422)耦合到中央处理器单元420。

[0054] 数字处理器可为任何逻辑处理单元，诸如一个或多个中央处理单元(“CPU”)、图形处理单元(“GPU”)、数字信号处理器(“DSP”)、专用集成电路(“ASIC”)、可编程门阵列(“FPGA”)、可编程逻辑控制器(PLC)等。

[0055] 数字计算机42可包括用户输入/输出子系统426。在一些实施方式中，用户输入/输出子系统包括一个或多个用户输入/输出部件，诸如显示器、鼠标和/或键盘。

[0056] 该混合计算系统可包括耦合到系统总线的适当接口或控制器44。所述控制器耦合该数字计算机42和量子计算单元41。

[0057] 在一些实施例中，机器人创意动作评估生成系统的处理可以根据需要在数字计算机或模拟计算机中执行，但除量子系统在量子处理器中定义外，其他处理可以在任一或两者中执行。在一些实施例中，机器人创意动作评估生成系统可以包括单一的量子计算机或由其实现。

[0058] 在本发明的一些实施例中，提供一种评估生成机器人创意动作的方法，包括如下步骤：

[0059] S1：提供被构造为包括子系统的复杂系统的创意生成单元，所述创意生成单元包括机器学习单元如深度学习单元；

[0060] S2：在所述复杂系统的子系统中定义量子系统；

[0061] S3：利用包括多个第一机器人动作的训练集训练所述机器学习单元；

[0062] S4：借助于机器学习单元生成多个第二机器人动作；

[0063] S5：评估所述多个第二机器人动作的创意度并基于所述多个第二机器人动作的创意生成系数与预定评估标准相对比以选择至少部分第二机器人动作，

[0064] 其中，所述创意生成系数是通过测量和/或计算所述量子系统的纠缠熵而获得的。

[0065] 在一些实施例中，所述步骤S3还包括：干预所述复杂系统以促成所述量子系统退相干。

[0066] 在一些实施例中，所述创意生成单元为计算机程序实现的创意生成引擎，其中所述干预复杂系统包括改变、增加或减少所述计算机程序实现的创意生成引擎的输入和/或输出和/或参数。

[0067] 在一些实施例中，所述深度学习单元包括具有多个神经元的神经网络，其中步骤S2包括：定义至少一个所述神经元作为所述量子系统。

[0068] 在一些实施例中，机器人创意动作评估生成系统包括具有量子处理器的量子计算机，如玻尔兹曼机或者在所述量子计算机中实现，其中步骤S2包括：在所述量子处理器中限定所述量子系统。

[0069] 下文，作为解释而非限制描述量子系统的纠缠态和退相干的相关信息。

[0070] 纠缠态和退相干

[0071] 量子的纠缠态的表示，可以用狄拉克标记表示为

[0072]

[0073] 其中|↑>，|↓>分别表示例子的自旋为上旋或下旋。

[0074] 量子纠缠也可以用数学表达，假设一个复合系统是由两个子系统A、B所组成，这两个子系统A、B的希尔伯特空间分别为HA，HB，则复合系统的希尔伯特空间HAB为张量积设定子系统A、B的量子态分别为|α>A′|β>B，假若复合系统的量子态|ψ>AB不能写为张量积 则称这复合系统为子系统A、B的纠缠系统，两个子系统A、B相互纠缠。

[0075] 纯态的量子态可以用态矢量|ψ>描述，也可以用密度算符ρ＝|ψ><ψ|描述。统计混合态只可以用密度算符描述，即ρ＝∑kPk|ψk><ψk|，其中Pk是在统计混合态ρ中纯态|ψk>出现的概率，满足归一化条件

[0076]

[0077] 在复合系统(腔场+环境)中，初态为

[0078] |ψ(0)>∝(|α>+|-α>)|ε>

[0079] t时刻复合系统状态变为

[0080] |ψ(t)>∝(|β(t)>|ε1>+|-β(t))|ε2>)

[0081] 其中β(t)＝αe-γt/2.腔场与环境发生纠缠后，复合系统的密度算符为

[0082] ρ＝|ψ(t)><ψ(t)|

[0083] 对环境变量求迹，则腔肠的约化密度算符为：

[0084]

[0085] 尽管腔场初始时处于纯态，即相干态的相干叠加态，但与环境作用后腔场将处于混合态，即相干态的非相干叠加态。

[0086] 对于线性熵，密度算符ρ的迹有如下性质：

[0087] trp＝1

[0088]

[0089] 则熵的定义为：

[0090] S(ρ)＝-Tr(plnρ)

[0091] 展开可得：

[0092] S(ρ)＝Tr(ρ-ρ2)

[0093] 因而熵随时间变化的变化率为：

[0094]

[0095] 纠缠量和复杂度表示

[0096] 在独立的量子系统中，量子纠缠的纠缠熵可以用动力学的原理进行计算和测量。

[0097] 在宏观系统混沌态下，复杂系统会出现涌现性特征。整体系统是由多个子系统合成的，涌现性是整合之后的系统所具有的属性，各个子系统并没有该性质。子系统环境作用于微观量子系统，使其内部纠缠态解除，发生退相干现象。量子系统与复杂系统的子系统环境建立新的纠缠，使得量子系统内部信息更加独立的保存，量子系统内部更加有序，信息保存完整，熵值降低，导致复杂系统子系统的复杂度增加。这个过程，本发明人用系统动力学理论遍历纠缠熵，并计算退相干后的量子系统信息熵。同样的，本发明人用熵衡量复杂系统复杂度的变化，实现从微观系统到宏观系统的信息传递。

[0098] 描述量子体系的是Hilbert空间H上的密度矩阵ρ，而子空间H1的纠缠熵定义为[0099]

[0100]

[0101] 即把H1以外的部分全都去掉，算剩下部分的冯·诺依曼熵。所以纠缠熵是Hilbert空间的子空间的一个性质，记为S(H1)。因为量子系统的特殊性质，纠缠熵并不是可加的。因此可以定义

[0102] I(A，B)＝S(A∪B)-S(A)-S(B)+S(A∩B)

[0103] 即共同信息，体现两个子空间之间的纠缠。共同信息是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。

[0104] 在本文的一些实施例中，将重点放在动力学的角度上，根据统计力学和热动力学原理，评估复杂系统的复杂性，从而引出复杂系统的信息熵理论。

[0105] 从微观系统和宏观系统的关系上来看，宏观复杂系统复杂度的增加情况，可以通过微观量子系统的纠缠度的变化来做平行映射。把复杂系统的复杂度从纯态开始，随时间的变化的过程做连续的观测与测量。由于系统总是向着无序的状态发展，因此复杂系统的复杂度是一个随时间t变化的复杂范式。从另一方面讲，由于量子系统的纠缠程度是一定的，其决定于微观粒子系统的固有属性，因此复杂系统的复杂程度并不会无限的增长，在达到一定的临界点之后，系统将表现出涌现现象，释放能量。这也就是接收创意时刻，并以此来筛选最有效的创意方法。在达到这个临界点之前，系统的涌现性的强弱，本发明人用复杂度和信息熵作为系统的评估标准。对于复杂系统的变化过程，本发明人制定一个系数，称之为“系统创意生成系数”。该系数总是在接近某一个域值时发生创意生成过程，即发生涌现现象。显而易见，时间越接近临界点，系统的涌现性越强。但是，本发明人并不以时间t为判别标准，而是以系统的熵值为标准，因为系统熵增的速率v也是不确定的，它受到外部环境和系统本身属性的制约。创意生成系数的确定与系统的熵值是线性关系。总而言之，当熵值达到某个值的时候，就可认为涌现现象即将发生，越接近这个临界值，系统本身的涌现性越强，反之亦然。

[0106] 一般熵的遍历

[0107] 作为解释而非限制，本发明人意识到，熵作为复杂系统和量子系统的桥梁，能够实现微观系统到宏观系统的映射。通过对量子系统纠缠熵的计算，定量判断子系统的信息量的多少，从而借助于密度矩阵维度的变化，估测复杂系统复杂度的高低，可以初步确定系统涌现性的强弱及创作力的多寡。

[0108] 若量子系统纠缠度低，表示量子系统各子系统构成的复合系统纠缠量相对较小，此时量子态的熵值低，子系统内部趋向于有序的状态，量子信息持有量相对完整，丢失较小，用以描述该系统的密度矩阵维数较低，这样一来，复杂系统更趋近于纯态，导致复杂系统复杂度相对较高，整体的宏观系统熵值较高，代表了其涌现性强，也就是说系统自身的创造力强。反之亦然。

[0109] 若以增强系统涌现性为目的，在一定程度上，可以通过降低量子系统的纠缠度来控制复杂系统的整体特性。利用量子退相干的过程，实现复杂系统涌现性的增加。

[0110] 香农曾提出信息熵的定义是“集合X中事件xi出现时提供的信息量I(xi)的数学期望”：

[0111]

[0112] 但是，量子混沌虽然可以导致纠缠度增加即量子纠缠熵的增加，但增加趋势被量子效应抑制。也就是说，纠缠熵不能无限大。换句话说，无法通过增加量子系统的纠缠度使复杂系统失去原有的涌现性特性。同时，若系统具备很强的涌现性，并发生涌现过程，系统从无序状态逐渐变为有序状态，系统的熵减少，此时系统涌现量可以用系统开始涌现到结束涌现的熵差表示：

[0113] ΔH＝Hstart-Hend

[0114] 孤立量子系统中动力学遍历依据

[0115]

[0116] 其中Jy和Jz是角动量算子。纠缠可以用纠缠熵S表征

[0117] S＝-Trρsqlog2(ρsq)

[0118] 其中ρsq是单量子比特的密度矩阵。

[0119] 孤立量子系统的动力学遍历过程是确定微观系统的纠缠态情况，评估系统的纠缠量和信息量，作为首个表示宏观复杂系统涌现性评估的参考值。

[0120] 作为解释而非限制地，本发明人将熵值和复杂系统涌现性建立了关系。熵值的计算分为复杂系统的复杂度熵和量子系统纠缠熵两部分，且两者成负相关关系，前者用于比对和评估，后者用于计算和测量。这两者的结果反映了系统的创意能力，即系统自身涌现性的强弱。

[0121] 对于信息量来说，是一个概率问题。大概率只需要一个比特的传输，也就是说概率越小需要传输的比特位越多。如果以比特位的多少来衡量信息量的多少，也就是概率越低信息量越大。基于此给出信息量的公式

[0122] I(x)＝-log2p(x)

[0123] 即如果信源的概率越大，该信源携带的信息量越小，传输存储代价越小；信源概率越小，该信源携带的信息越大，传输存储代价越大。

[0124] 从上节可知，信息熵时信息量的期望，因此在研究复杂系统的信息量时，需确定复杂系统纯态的复杂度初态值，以此为基础计算系统的信息熵，从而得到系统信息量的多少，并对复杂系统本身的涌现性做出评判。

[0125] 作为解释而非限制，量子退相干促使系统的量子行为变迁成为经典行为，这过程称为“量子至经典变迁”。该过程是开放量子系统的量子相干性会因为与外在环境发生量子纠缠而随着时间逐渐丧失。量子退相干的过程发生在复杂系统的子系统对孤立量子系统的作用过程中。在孤立系统的信息不会丢失，但一旦受子系统环境作用，并与其发生耦合后，原有的纠缠关系被打破，产生新的纠缠。量子系统内部的纠缠熵降低，复杂系统的复杂度增高，熵变大。反映在信息熵上，信息熵增大，涌现性增强。因此，在本文的一些场合，涌现性和创意评估系数可以替换使用。

[0126] 在本发明的一些实施例中，通过深度学习，将舞蹈表演片段进行分类整合，提取分类特征，构建特征识别模型，在仿真引擎中进行逻辑交互，不断迭代。在大规模学习的基础上，实现初步复现，在进行二次迭代，完成熵增的过程，实现系统相变，达到创意生成的效果，并结合场景迁移和场景生成，完成表演数据刻画。该数据用作排练指导，也可以驱动机器人完成舞蹈演示等。

[0127] 尽管在一些实施例中描述了机器人创意动作评估生成系统，但可以想到本发明的一些实施例还提出了可用于人的舞蹈或其他习得性动作如体育动作的生成、评估和/或指导系统，这落入发明的保护范围内。

[0128] 本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。

[0129] 除非明确指出，根据本发明实施例记载的方法、程序的动作或步骤并不必须按照特定的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0130] 在本文中，针对本发明的多个实施例进行了描述，但为简明起见，各实施例的描述并不是详尽的，各个实施例之间相同相似的特征或部分可能会被省略。在本文中，“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”意指适用于根据本发明的至少一个实施例或示例中，而非所有实施例。且上述术语并不必然意味着指代相同的实施例或示例。而且，各实施例的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

[0131] 在本文中，术语“包括”、“包含”或者其变体意在涵盖式，而非穷尽式，从而包括一系列要素的过程、方法、产品或者设备可包括这些要素，而不排除还可包括没有明确列出的其他要素。为了公开的目的且除非有它特别说明，“一”意味着“一个或多个”。就在本说明书和权利要求书中所使用的术语“包括”或“包括的”来说，它将是非遍举的，这一定程度上类似于“包含”，因为那些术语在用作过渡连接词时是解释性的。此外，就所用的术语“或”来说(例如A或B)，它将意味着“A或B或这两者”。当申请人打算表明“仅A或B但非这两者”时，将会使用“仅A或B但非这两者”。因此，术语“或”的使用是包含的而非排他的。参见Bryan.A.Garner的《现代法律用语词典》624页(2d.Ed.1995)。

[0132] 已参考上述实施例具体示出并描述了本发明的示例性系统及方法，其仅为实施本系统及方法的最佳模式的示例。本领域的技术人员可以理解的是可以在实施本系统及/或方法时对这里描述的系统及方法的实施例做各种改变而不脱离界定在所附权利要求中的本发明的精神及范围。所附权利要求意在界定本系统及方法的范围，故落入这些权利要求中及与其等同的系统及方法可被涵盖。对本系统及方法的以上描述应被理解为包括这里描述的全部的新的及非显而易见的元素的结合，而本申请或后续申请中可存在涉及任何新的及非显而易见的元素的结合的权利要求。此外，上述实施例是示例性的，对于在本申请或后续申请中可以要求保护的全部可能组合中，没有一个单一特征或元素是必不可少的。