服务机器人云平台服务质量指标体系综述

冯戒虚，司冠南，周风余

1.山东交通学院 信息科学与电气工程学院，济南250357

2.山东大学 控制科学与工程学院，济南250000

在第四次工业革命中，机器人技术发挥了重要作用，2010年，卡耐基·梅隆大学的Kuffner教授提出了“云机器人”的概念，将机器人学与云计算相结合，将机器人的数据处理、规划、决策、协作等复杂计算功能卸载到云端，机器人本体只需配备简单的网络设备和基本的传感器就可以完成复杂的服务任务[1-3]。随着互联网技术以及点云库（PCL）这类大型跨平台开源编程库的迅速发展，以及物联网、大数据、云计算等新兴信息技术与人工智能技术逐渐结合，服务机器人连接云平台并从中选择和调取算法服务已经能够实现。而服务机器人云平台不仅是交互平台，也是与机器人进行数据传输的云端服务平台。那么如何对服务机器人云平台服务质量进行全面评估，是一项具有挑战性的任务。

目前国内外许多专家学者已经做了有关软件QOS评估、网络QOS评估、服务机器人相关功能QOS评估三方面研究，本文通过对以上三个方面展开叙述，致力于建立一种服务机器人云平台服务质量指标体系。首先要对云平台软件本身的服务质量进行检验；其次网络的服务质量也会影响到云平台的交互能力；此外机器人会将服务效果直接反馈出来，其自身的服务质量会表现得更为直观。因此文章先从软件服务质量入手，全方面总结了软件QOS 的性能指标，并找出适合于云平台的评估指标。再者，云平台通过网络进行大量数据流传输，需总结相应的网络QOS指标进行评估。由于服务机器人分为很多不同的种类用以执行不同的功能，其评价指标也不尽相同，本文把服务机器人的功能进行归纳总结，将其中相似或相近的指标进行归纳再分类，使大部分服务机器人都可以依据分类出来的指标进行评估。将以上三方面相关方法进行总结分析，得出一种具有科学性的服务机器人云平台服务质量指标体系，并对该体系的未来发展方向进行展望。图1 为本文将要讨论的指标体系内容，指标详细描述将在各章节中展开。

1 软件QOS评估指标

鉴于目前各类软件QOS指标体系[4]，本文考虑了服务机器人云平台的系统安全、操作、读写速度、请求时间这类主要方面的性能要求以及功能完备和业务处理两方面。如图2所示，依照着ISO/IEC 9126中主要的软件QOS相关特征，讨论功能性、可靠性、可用性、效率、可维护性、可移植性这六方面指标的评估，总结出服务机器人云平台软件方面的评估指标。

1.1 功能性评估指标

功能性评估指标指能体现软件功能行为的指标。功能性指标包含适用性、准确度、互操作性、安全性四个子特征指标。适用性评估更倾向于用户的主观性评价[5]；准确度指遇到事件的准确频率，已有多种研究方法[6-7]可用来评测；互操作性体现的是软件与其他系统的交互能力[8]；安全性毋庸置疑是重点要考虑的问题，软件自身缺陷以及其他问题会导致软件容易被攻击从而产生严重后果[9]。容易看出后三者更适合软件本身进行性能评估。

1.2 可靠性评估指标

可靠性能够反映软件中存在的需求、设计和实现错误等方面内容，对性能的影响力非常大。包含成熟度、容错性、可恢复性三个子特征。成熟性体现软件的科学、标准程度，管理工作是否有章可循[10]；容错性体现软件故障检测、纠正错误的能力[11]；可恢复性指软件故障时恢复进程、数据的能力[12]；成熟度依照于开发者在软件设计与建立的严谨程度，而其他两个指标可由计算机模拟重大事故等操作来进行评估。

1.3 可用性评估指标

可用性评估指标是指不同的用户在独立或没有外部帮助的情况下进行软件操作时的使用情况，该指标包含可理解性、可操作性、吸引力性等特征。涉及到的均为界面设计、操作指引等方面的内容，与性能方面并无关系，因此本文不将其纳入研究范围。

1.4 效率评估指标

对软件来说，效率指标主要可以通过时间和资源的花费两方面来表示，是体现软件服务情况好坏的关键所在。从宏观上通过对请求的响应时间来进行评估[13]，微观上可通过读写性能，内存等资源的使用情况来进行效率评测[14]。

图1 服务机器人云平台服务质量指标体系图

图2 软件QOS指标图

1.5 可维护性评估指标

目前已有的软件可维护性度量标准如文献[15]，选取其中具有主要影响力的指标包括可分析性、可改变性、稳定性和可测试性来进行分析。可分析性和可改变性主要依靠开发者主观来评定；稳定性指软件需求、代码等变更对软件系统的影响[16]；可测试性表示软件系统进行测试工作的难易程度以及工作量[17]。后两者更适合软件自主评估。

1.6 可移植性评估指标

可移植性是指与软件在不同环境下的运行能力有关的一组属性，包含依从性、可安装性、适应性、可替换性特征，但主要涉及软件的安装、运行环境等方面内容，与本文研究内容关系不大，因此不做讨论。

可以看出，在软件QOS指标中，对服务机器人云平台性能影响较大的是功能性、可靠性、效率、可维护性这四个指标当中的部分子特征指标，因为对云平台的评估要求是自动化进行，尽量减少人为干预操作过程，而其他指标所涉及性能方面比重较小，并且是以主观评价的方式来进行评估。因此本文的云平台指标体系重点考虑上述四类软件QOS指标。

2 网络QOS评估指标

Web服务发布数量日益增多，即便找到满足功能需求的服务，也难以确定所选的服务是否具有足够高的QOS[18]。有一些关于网络QOS 评估方面的研究[19-22]，多数依赖于用户评价来进行。而且目前网络QOS指标的划分有着不同的定义，如国际电联-T[23]、IETF[24]。本文主要探究服务机器人与云平台能够保持稳定可靠的连接状态和数据传输能力，如图3所示将网络QOS指标囊括为可靠性、效率、安全性三个主要指标。

图3 网络QOS指标图

2.1 网络可靠性评估指标

网络可靠性指网络服务正常工作的能力。一般来说，网络的可靠性可通过现有的模型和方法进行分析，如长短时记忆网络模型[25]、蒙特卡洛方法[26]等。而且通常是以实时监控或是Web 服务器日志作为分析依据[27-28]。本文将研究讨论以下三方面内容作为衡量网络可靠性的指标评估依据。

（1）失效率

网络异常的类型较多且复杂，如错误请求（400）、服务不可用（503）等。在文献[29]中对响应数据大小、失败消息等数据进行处理后得到失效概率矩阵，继而计算得出网络失效率。文献[30]中提出了一种思想是利用相似用户的过去失效数据预测当前用户的Web 服务失效概率。还有一些使用各种不同的组合结构来进行Web 服务的失效概率预测的方法。考虑到云平台有大量的用户和厂商入驻，需要对这些使用者网络的失效情况进行统计计算便于改进服务质量。

（2）平均无故障时间

平均无故障时间（MTBF）是指网络无故障工作时间的平均值。Tian 等人[31]就以服务器崩溃为核心的MTBF 作为可靠性评价指标，提出了一种基于日志分析的软件Web 服务测试方法。在文献[32]中给出了平均无故障时间的公式以及可靠性函数，通过与其他的模型相对比，统计得到的用户会话数与失败会话数更接近实际值。平均无故障时间的大小能够帮助预测服务机器人云平台使用过程中出现的故障危害程度。

（3）容错性

容错性是指网络出现故障时网络中某些特有性质的保持能力，已有不少学者提出了关于Web服务的容错策略，如Kargar 等人[33]提出了一种服务组合算法，与Top-K方法相比，在服务的选择以及服务的组合方面QOS 更高，容错率更好[34]。云平台内业务众多，数据传输频繁，需要不断评估来改进提高容错性，降低错误发生率。

2.2 网络效率评估指标

对网络效率的评估主要通过负载测试和压力测试等方式来进行[35-36]，文献[37]提出了一种模拟并发用户工作负载的Web 性能测试方法与度量指标。本文考虑并综合了大量服务机器人与云平台建立连接时的情形，为使Web性能符合云平台正常运作的要求，选择以下四种指标作为评估依据。

（1）响应时间

响应时间指请求和操作完成之间的延迟，是Web服务中最重要的度量指标之一。在文献[38]中，将Web服务器配置为使用固定线程来处理并发用户请求并描绘了负载与响应时间的关系图，当负载达到了一定程度并继续增加时，响应时间的增长率便迅速提高。降低网络的响应时间意味着网络效率的提高，响应时间也是最能直观反应出云平台效率的指标。

（2）抖动程度

网络抖动指分组延迟的变化程度，其值越小说明网络质量越稳定。对于目前采用分布式集群的云平台来说，互相之间的网络通信都非常频繁，数据流量也会更大，保持良好的网络稳定性显得非常必要。

（3）吞吐量

吞吐量一般以单位时间内通过网络的数据量来计算，受带宽或网络额定速率的限制，直接影响着网络效率。在文献[39]中对云环境下的Web 应用系统进行了性能测试，根据其测试结果显示，在并发用户的数量从零增加到一定数量之后下吞吐量逐渐增长并到达峰值，但继续增加并发用户则会导致吞吐量下降。吞吐量的高低决定着网络最大传输速度，因此将其作为效率评估的重要指标之一。

（4）丢包率

丢包率指丢失的数据包占发送数据组的比率，丢包率过大会造成传输速度降低及资源的浪费。

网络的效率问题牵扯到服务机器人云平台运行过程中的方方面面，需将其作为重点研究内容。

2.3 网络安全性评估指标

网络安全评估已经成为了非常重要的研究内容[40]，对网络安全性评估就是要识别网络系统中存在的资产、漏洞，对其被利用的可能性和所带来的后果进行有效评估，提出合理的安全策略和防护措施[41]。本文对以下内容进行探讨。

（1）漏洞数量

通常使用Web 应用的漏洞检测工具如Nikto[42]等，将设计好的请求信息发送给服务器，在自动化工具的帮助下，在更短的时间内能完成数千次安全检查。考虑到云平台的数据等信息安全至关重要，可将Web漏洞扫描结果作为主要的安全性标准，并定期进行渗透测试等漏洞扫描方式来进行网络安全评估。

（2）口令保护能力

口令也称为秘钥，是判断访问者身份最简单的手段，应作为保护对象而不能被随意窃取。在文献[43]中提到了使用Salt 加密技术能够减少字典攻击破解的可能性，甚至能够抵御SQL注入攻击。还有例如通过使用严密的生成算法[44]和秘钥保护算法[45]以及动态口令等安全机制都能使口令的安全性得到加强。在云平台中，口令是使用者进入系统的最后一道关卡，对其安全性要高度重视。

（3）网络攻击防范能力

除了上述这些网络攻击方式外。还有例如Dos（拒绝服务攻击）或是DDos（分布式拒绝服务攻击）这类网络攻击[46-47]，虽然不会造成数据泄露，但会通过不断占用系统资源，容易造成宕机，因此在网络安全日常维护中应注意这方面的评测，在面对网络攻击时能保障云平台的正常运作。

任何Web应用程序都应考虑网络的性能，因此将上述指标纳入云平台指标体系。

3 基于服务机器人QOS相关评估指标

作为机器人产业的新兴领域，服务机器人与移动互联网的新业态、新模式相结合。服务机器人云平台的最终服务对象是机器人，因此要总结并归纳出适用于云平台的服务机器人的QOS评估指标，如图4所示本文将服务机器人的功能归纳为移动导航、特定目标识别、语音识别、抓取四个方面。

图4 服务机器人QOS指标图

3.1 服务机器人移动导航性能评估指标

对移动机器人评估的关键是要测试机器人在没有经过人工干预的情况下自主导航和执行预定任务的能力，从以下几个方面进行研究探讨。

（1）定位能力

迭代最近点（ICP）[48]是最常用的位置识别方法之一，但在机器人没有任何相对姿势的信息时，很难确定位置。文献[49]中提出了一种室内移动机器人二次雷达无线局部定位系统，将雷达的距离和角度测量值与壁面探测传感器相结合并在实际环境中得以验证，与目前较为流行的激光定位方法相比，鲁棒性较好。定位允许有轻微的延迟并且运算量较大，可以将位置信息的计算放在云平台中进行。

（2）路径规划与跟踪性能

统称为导航，是指从当前位置到目标位置的路线确定及维护过程，需具备完整且符合要求的导航算法。相对云平台来说，机器人自身终端实现路径规划这种复杂操作较为困难，且需要更长的时间；但对于路径跟踪来说，若交由云平台来进行，在进行大量数据的即时传输与接收时对网络质量有很高的要求，条件较为苛刻，在机器人终端进行更为方便。

（3）效率

可依据其走过的路径以及花费的时间来进行效率评估，但对某些机器人却不局限于此。如清洁机器人，其高效率的一般表现形式为覆盖率高的情况下重复的路径少[50]，而文献[51]中提出了一种清洁机器人的面积覆盖和能量消耗之间的权衡方法，不仅考虑到了区域覆盖率，还考虑了机器人的能源利用情况。可见移动导航效率的评估标准并非单一，云平台应不断扩充算法方便进行评估。

（4）障碍物检测率

服务机器人在移动过程中要进行路况的判断，像Petrov等人[52]提出的一种移动机器人激光障碍物检测方法，能够将二维激光测距仪的测量数据集分割成代表每个障碍物的分段，并对多边形障碍物进行直线拟合和角点提取，能够有效地实现对障碍物的检测，但对于整套体系的集成问题仍需进行研究改进。考虑到机器人移动过程中也会遇到非静态障碍物以及突发情况，借助云平台进行处理可能会由于延迟导致机器人反应时间过长，易引发事故，通过机器人自身某些机制来处理更为妥当。

由于具有移动性能的服务机器人种类太多，并不容易根据每一个功能特点进行侧重评估，因此本文考虑将服务机器人移动导航的定位能力、路径规划性能、效率作为云平台的重点评估指标。

3.2 服务机器人特定目标识别评估指标

鉴于目前多数服务机器人都具备了识别功能来实现对特定目标的识别，如通过手势来判断用户的意图，需要评估服务机器人是否具备高效、精确的视觉感知能力，来提高机器人的服务水平。国内外学者研究的主要问题可以划分成两个方面：图像的分割与识别。

早先部分学者[53-56]研究了同时进行分割和识别手势的方法，但随着时间和技术的更替需不断进行性能改进。在文献[57]中提出了一种基于BoF-SURF支持向量机的手势识别方法，与另外两种算法的平均识别时间和平均识别率进行了比较，体现出其具有更高精度和更短的识别时间。在文献[58]中提出了一种基于卷积神经网络（CNN）的人脸情感识别方法并通过开发系统来实现，对人面部表情的五种不同情绪有着较高的平均识别精度。在机器人完成图像采集后可传输至云平台调用相关算法进行识别，而且方便进行评估。

3.3 服务机器人语音识别评估指标

随着服务机器人的智能化的持续提高，服务机器人的语音识别功能也作为其重要组成部分作为重点关注。将语音信号进行处理分析后识别内容，并输出响应的结果[59]。可通过以下指标进行评估。

（1）识别率

一般指对语音信号的文字转换准确程度，Han 等人[60]通过NAO 机器人语音识别模块调用API 进行语音识别性能评估，对汉语词汇分割准确率及命令语句的识别成功率等方面做出评测。在文献[61]中将对带有噪声抑制的训练集进行评估，探寻了服务机器人在嘈杂环境中的语音识别能力。可由机器人将接受的语音信号传至云平台进行识别，云平台可根据一定规模的识别结果进行识别率评估，并且无需再给每个机器人配置语音识别系统。

（2）声源方向定位能力

用来评估机器人对声音来源方向的判断。如Jorge等人[62]提出了一种改进自动语音识别系统的方法，其中一部分围绕了寻找最佳声源方向展开研究，得到机器人面对声源方向的定位误差等结果。但该性能对最终识别结果影响并不大，而且通过机器人自身设备来进行更便捷，因此不作考虑。

（3）分类准确率

随着技术的进步，机器人对声音的识别性能不能只停留在完成对文字的转换，在文献[63]中为了改进家庭环境下服务机器人的语音识别性能，提出了一种语音增强方法，在年龄和性别的划分上都有着较好的准确率。在文献[64]中评估了社交机器人语音情感识别的结果，得到五种不同情绪下的平均分类精度。服务机器人在识别过程中，将声音进一步分类，使信息进一步的细化，在评估时更具有针对性。

（4）信号失真

指信号在传输过程中与原信号的偏离程度。在文献[65]中Matsumoto 等人对机器人听觉展开研究，对降噪后的目标信号的失真程度进行评测，并通过图像表示出来。在文献[66]中Takeda 等人提出了多通道半盲独立分量分析这样一种声源分离方法，语音分离和混响分离后信号失真程度，与以往的方法相比，信噪比更高。对信号的接受由服务机器人自身设备来进行，传输至云平台的信号质量或多或少已经受到影响，因此对这方面指标主要应考虑自身设备的性能。

可以看出，语音识别的过程交由云平台来处理更为便捷，而且像识别率和分类准确率这类指标可通过服务机器人云平台进行量化统计。

3.4 服务机器人抓取性能指标评估

良好的自主抓取能力是机器人获取和运输目标物体的前提，抓取涉及到三个主要方面：检测、规划和控制[67]。目标检测和规划方面在之前几节中有提及，本节主要对抓取性能的控制方面进行探讨。

Guo等人[68]对机器人抓手做了性能评估实验，围绕着被抓取物体与抓取器之间的力度展开评测，得出夹紧力与摩擦力之间的关系来评估抓取器抓取力量方面的性能，以及在实验中被抓取物体的损伤情况。Nguyen等人[69]对一种机器人手臂性能进行评测，对获取到的数据流经过逆运动学方程式计算手臂的角度绘制出误差直方图测试出机器人机械臂的腕、臂等角度以及位置精度误差和抖动的程度。可见机器人手臂控制性能可从抓取力度和准确度来进行分析，若由云端执行，在不断调整最佳力度和角度的过程中会牵扯到大量运算，易造成网络拥堵与资源的浪费现象。因此二者均不适合放在云平台进行处理与测试，由机器人终端依据抓取机器人的服务项目内容进行固定参数设定更为恰当，因此本文的指标体系不将抓取性能考虑在内。

图5 最终的服务机器人云平台服务质量指标体系图

4 服务机器人云平台服务质量指标体系

本文围绕着云平台和相关服务机器人的业务，选出适用于服务机器人云平台服务质量的评估指标进行提炼加工，形成了最终的指标体系如图5所示。该体系由移动导航、特定目标识别、语音识别、基本服务能力四部分组成，基本服务能力是前三个功能指标的公共部分，因此融合于前三部分而不再单独进行介绍。

4.1 移动导航

现如今大部分服务机器人应用于室内进行活动，而且通常采用像激光视觉导航这类较为先进的技术，本文便以室内移动服务机器人业务流程展开描述。如图6所示，在机器人启动后，先要确定自身位置所在，才能开始进行移动路线的规划，一般是在已知的地图环境中进行，若是在未知环境中，如扫地机器人的首次使用，则需让机器人在移动过程中逐步描绘出此周边的地图，将完整的地图存储于机器人终端中以备使用，规划完毕之后，服务机器人便按照拟定路线进行目的地的移动并进行路径跟踪，而且要根据实际移动过程中遇到障碍等情况要做出相应的临时调整，顺利到达指定位置即算完成移动导航操作。

图6 移动导航业务流程及指标

其业务流程指标可划分为定位、路径规划、路径跟踪以及障碍物检测能力四方面，其中路径跟踪和障碍物检测要求尽可能达到“零延迟”，只能由机器人自身终端配合传感器来完成。而定位和路径规划不仅需要调用与之相匹配的算法，还要求云平台具备较强的运算能力，以及服务过程中系统的稳定可靠，即使出现故障，若能通过切换备用服务器等方案进行快速修复以及进行数据恢复并且按照原来的进度继续进行规划，则能将影响降至最低，达到节约数据运算量的目的。因此纳入响应时间、吞吐量、稳定性以及可恢复性指标来对云平台服务质量作出评估。在调用算法时要求接口能正常执行相应的功能操作以及数据交互，引入互操作性指标。考虑到操作误判等情况，云平台应对数据异常值及时监测处理，引入容错性指标。各类算法及功能需进行模拟测试，将可测试性指标纳入体系中。下面将对移动导航业务流程以及应用案例进行详细说明。

（1）定位能力

不同于路径跟踪这类需进行大量的数据运算的功能，如机器人在云平台中使用基于轨迹推算的这种定位技术，只需获取服务机器人单位时间间隔内走过的距离，以及在该段时间内机器人航向的变化就能够计算出具体的位置信息。云平台通过对机器人解析并定位其初始位置，在服务机器人运动过程中不断更新其最新位置用以监视及辅助校对工作。

（2）路径规划能力

在云平台中至少要考虑两个层次的需求，一是全局规划，指从起始位置到终点的完整路径规划；二是局部规划，如移动过程中由于障碍物等原因无法按原路线进行移动，需进行局部调整。此外考虑扫地机器人等功能的特殊性，云平台还需具备额外的规划算法，进行有效而尽可能不重复的清扫。因此云平台为了更好地完成服务机器人的路径规划任务，需要具备多种路径规划算法以满足各类移动机器人的需求。

（3）响应时间

响应时间是最能直观体现服务效率的指标，云平台不仅能对移动导航完整的服务流程、数据传输时间效率来进行评估，还可以有针对性地对例如定位、路径规划这种具体的步骤进行有针对性地评估，云平台可根据对其的评估结果来判断系统整体的效率。

（4）吞吐量

频繁的服务请求要求云平台需具备较高的吞吐量才能进行高效处理，例如进行机器人路径规划过程需要进行多次模拟，大量运算，最后才能决策出最佳的行驶路径。高吞吐量也就意味着高处理能力，决定着处理速度的高低。

（5）稳定性

云平台作为一个大型的系统有着大规模的使用群体，几乎任何时间都在开放使用，并且通常会有大量机器人接入，要时刻保证使用时的稳定和安全，不允许出现宕机等情况的发生。为保证持续不间断的服务，必须要使系统以及网络的保持稳定可靠。

（6）可恢复能力

可恢复能力指云平台对短暂中断服务的机器人数据恢复效果，维护服务进度的能力。如出现移动机器人在路径规划状态下与云平台出现短时间的失去连接，在服务机器人在规定时间内重新链接时，云平台可根据原进度继续进行路径规划操作，辅助机器人完成其功能。

（7）互操作性

互操作性指云平台对算法接口的调取以及与服务机器人数据共享的能力。移动机器人在进行定位、路径规划过程中需要与云平台进行数据传输，并且云平台也需通过接口来进行对应功能的算法调用。

（8）容错性

容错性指云平台根据对数据异常或危险操作的检测进行算法的重新审查推荐以及操作的冻结等安全措施。如果云平台对服务机器人解析完毕后进行算法调取时，由于部分机器人的相似属性而采用了不完全满足其功能的算法，此时云平台可依据运算过程中数据的异常值来重新选择更准确的算法。

（9）可测试性

可测试性指云平台对自身所具有功能以及算法的评测能力。云平台要对新增添或修改后的功能和算法进行模拟评估，对其性能和准确度等方面进行评测，达到一定的合格率才能允许被正式投入使用。

（10）应用案例

在文献[70]中，机器人使用各种传感器进行数据采集，考虑到特别是机器人的定位和构图，由于计算复杂、耗时长等方面直接制约服务机器人的性能，将云机器人应用到SLAM 领域，将这些SLAM 子任务部署到云端，将地图构建和闭环检测的任务部署到云端，本地端只负责跟踪相机姿态、确认关键帧以及维护局部地图的大小，同时将跟踪的任务部署到本地服务机器人端。本地在跟踪过程中为了能够达到系统稳定性的过程，需维护利用云端的地图信息，云端在接受到本地机器人的关键帧信息后，利用云端其他关键帧数据进行特征匹配，进而三角化恢复特征点对应三维空间点的信息，同时进行定位和构图。将此功能放在云端中进行，可保证计算速度较快在较短时间内能做出响应，而路径跟踪需结合本地终端来实现。在文献[71]中，为了使物流机器人得出一条消耗值最小的路径，展开了基于云计算的物流机器人路径规划的问题研究，对传统的A*算法进行改进，为适应云平台环境，使用Hadoop的Giraph框架，得出改进后的算法在小规模和独立规划物流机器人路径时表现优于蚁群算法和传统A*算法，可见通过云计算来进行路径规划效果更好，而且有利于数据的快速恢复。在文献[72]中提到，全局避障算法实时性不能满足要求，局部避障算法能够基于距离传感器数据，实时地构建局部环境地图，快速地搜索局部无障碍通路，因此提出采用两类算法动态结合的方式来实现避障功能，通过复杂环境进行测试，于机器人本地终端进行，能够得到良好的避障效果。

4.2 特定目标识别

对于服务机器人特定目标识别流程来说，如图7所示，服务机器人通过扫描设备经过采样数字化得到图像，采集到需要被识别的图像后，要进行编码与压缩，方便快速进行传输与存储，上述功能只能由服务机器人自身终端及设备来实现。在获取图像时难免会因为噪声、运动、光线等原因使图像产生模糊，而且图像在采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，为使图像主体层次结构更加明确，要进行图像复原和增强，此外还要对图像进行进一步变换、平滑、锐化等预处理操作，使图像轮廓更加明显。上述改善图像品质的操作步骤可统称为低层图像处理，可由云平台调取算法来完成服务。然后对处理后的图像进行分割操作，提取其中的有效部分进行识别，如果之前的处理得当，并选取合适的分割算法，那么分割的精确度会更高。之后在对图像进行特征提取处理，与数据库内图像进行比照或识别图像内文字信息，完成识别操作并进行结果反馈。

图7 特定目标识别业务流程及指标

其业务流程指标共划分为四部分，分别为图像采集能力、低层图像处理能力、图像分割能力、图像识别准确率。图像采集处理只能通过服务机器人配备的摄像工具和终端来进行。低层图像处理、图像分割处理以及图像识别这三个连续的操作均能够通过云平台来完成，同样要求云平台具备相对应的算法来实现功能，也需考虑识别过程中的效率以及云平台的平稳性、通过接口调用算法的能力、模拟测试和容错的能力均能对识别的最终结果产生影响，引入响应时间、吞吐量、稳定性、互操作性、可测试性、容错性指标。此外考虑到使用者通过人脸识别进行消费支付的过程中，如果有黑客进行数据拦截以及恶意修改等操作，那么会导致无法完成支付功能甚至是个人信息的泄露以及财产的丢失，因此需要加强云平台对于网络攻击方面的防范措施，引入网络攻击防范能力指标。下面将对特定目标识别业务流程以及应用案例进行详细说明。

（1）低层图像处理能力

云平台在进行各类图像的识别预处理过程中，由于目标的属性不同，需侧重的预处理方式不同，云平台要在算法服务提供方面为其寻求符合其属性要求的算法并尽快完成处理。

（2）图像分割能力

指图像中需要识别的那部分进行单独分割的能力，而这些算法都是针对具体被识别目标的，因此要求云平台通过调用对应的算法完成分割操作，并计算出与之相对应的分割精度，用以对图像处理效果的检验。

（3）图像识别准确率

根据图像识别率能够直接看出识别性能的好坏。云平台将已完成预处理以及分割后的图像与数据库中已知图像相匹配或是进行读取图像内文字进行存储操作，能够成功识别的关键还是在于对图像处理程度的把握。

（4）响应时间

响应时间指完成图像识别整个操作的时间以及低层图像处理这种具体步骤的时间，可以此来作为特定目标识别效率指标的评估依据。其余属性之前已讨论，不再过多阐述。

（5）吞吐量

吞吐量决定着云平台与机器人之间图像和数据的传输最高速度，其大小会影响业务完成的时间，进而影响到图像识别效率，该特性之前已做总结，不再赘述。

（6）稳定性

服务机器人在进行车牌识别、人脸打卡等功能操作要求云服务要长时间保持稳定状态，否则容易造成一些事情的延误。其指标表现形式在之前已经概括，在此不再进行描述。

（7）互操作性

互操作性指云平台通过接口调用图像处理、识别模型的能力以及和服务机器人的交互能力，其他方面业务在之前已做交代。

（8）可测试性

对云平台中的具体到每个图像识别步骤的算法进行测评来确保功能完整，性能可靠，其他功能和特点在上文中已做详细说明。

（9）容错性

在云平台进行特定目标识别过程中进行二次确认以及对模糊或难以确认的人脸、车牌等图像实行有效的反馈机制。其他特征在文章前面已做概括，在此不再进行解释说明。

（10）网络攻击防范能力

如在人脸支付识别过程中，在云平台与机器人进行数据传输时容易被黑客进行信息拦截，黑客可以进行信息修改或是盗用，会造成使用者个人信息泄露甚至是财产损失等危险情况。因此云平台要在识别过程中保证数据的安全，定期进行安全性评估。

（11）应用案例

在文献[73]中通过实验表明，在本地服务模式中，图像采集和处理都在机器人端完成，CPU占用率达到了80%，运行压力很大，并且绝大多数图像在传输过程中丢失。机器人无法独立完成计算密集型任务。而在云服务模式中，图像处理任务在云端完成，机器人只负责图像数据的采集，此时系统的CPU占用率大约在30%，系统完全有空闲的资源去完成其他任务，处理的效果也远比机器人更加稳定高效。在文献[74]中进行机器人目标识别和目标跟随研究时，将机器人端以及云端均部署ROS系统，ROS系统提供接收感知数据的Topic，云端节点既能够通过ROS的发布机制获取传感器收集的数据，又能够通过ROS 的发布机制向物理世界的机器人发布命令，将机器人云端任务分配过程细分为感知数据收集、数据预处理和适配、构建群体视图、全局任务分配以及结果输出这几个阶段。通过云端调度执行基于机器人群体视图的决策，而且还引入后台云基础架构和目标切换机制实现知识共享，推动个体知识向群体知识转变，增强了目标图像识别和跟踪网络的可重用性。在文献[75]中，对实现云端支持的机器人复杂物体检测展开研究，其中的“图像语义解析”是指将机器人采集的图像中物体的种类、颜色、物体间关系等解析出来，物体语义匹配”是上一阶段解析的信息与复杂语义之间的匹配，这些与本文的低层图像处理指标相类似，其核心思想为“图像合成－匹配”模式，最终实现图像分割与属性识别算法、基于像素坐标的物体间相关等关系的计算机制，通过云端进行不仅简化机器人设备配置，缩短复杂计算时间，而且当机器人遇到陌生标签时，能不断通过互联网扩充自己的知识库，不断提高自身的识别准确度，从而增强其环境认知能力，提高对于复杂物体检测的效果。

4.3 语音识别

对于服务机器人语音识别流程来说，如图8 所示。首先是通过服务机器人身上配备的语音采集器或是机器人终端内的语音采集与分析系统来完成语音信号采集工作。然后对采集到的语音信号进行检验，以确保其具有足够的信号连续性来进行后续的识别操作，在开始语音识别之前，要把首尾端的静音切除，降低对后续步骤造成的干扰，之后要对声音进行分析，使用移动窗函数将声音分帧，使语音细化，这时波形在时域上几乎没有描述能力，因此需将波形做变换处理，如常见的MFCC特征提取，把每一帧波形变成一个多维向量。之后便利用训练好的声学模型算法向量矩阵转换为文字或按照音素进行结果分类。除语音采集只能由服务机器人自身来完成外，其余处理操作均可由云平台或是服务机器人终端来完成，但是考虑到云平台来进行语音信号识别处理更加方便快捷，无需为每个机器人终端配备系统，因此本文考虑将语音识别纳入云平台服务质量体系当中。

图8 语音识别业务流程及指标

语音识别的业务流程可以归纳为：信号采集、信号连续性检测、信号处理、识别操作四方面。可由云平台进行的为信号连续性检测、信号处理和语音识别操作，如果服务机器人传输至云平台的语音信号间断性很大，很难进行处理和识别，便可将其视为无效信号，不再进行处理，在处理之前需进行信号连续性检测，引入信号连续性指标。在云平台对信号处理过程的评估指标与图像处理类似，在此不再进行分析，引入响应时间、吞吐量、稳定性、互操作性、可测试性、网络攻击防范能力指标。本文考虑到目前的识别技术及实际需求情况，总体上很难做到语音与文字的一一对应转换，只需识别出表达的具体含义即认为识别成功，在此引入语义识别率。部分服务机器人的功能是对乐器的属性或是进行性别、年龄等分类，在此引入分类准确率作为评估指标。下面将对语音识别业务流程以及应用案例进行详细说明。

（1）信号连续性

如果信号在传输过程中时间过长或者信号断断续续，云平台可能会由于没有及时接收到后续信号出现断句误判或提前终止语音识别服务从而会导致识别失败或者出现偏差，需要云平台对输入信号的连续性进行评估。

（2）信号处理能力

指削弱信号中多余内容的能力，将信号变换成容易处理、传输、分析与识别的形式，以便后续进行的文字转换操作能够更加准确。

（3）语义识别率

即使服务机器人由于噪音干扰等情况没有接受到全部语音，若能根据关键词完成用户提出的要求，即算识别成功，该指标更适应于现实需求。

（4）分类准确率

出于对语音数据分析的需要，云平台在进行语音识别时还应当进行分类，如按照人的年龄、性别以及音乐的演奏乐器、声调等，都需要云平台调用合适的算法进行分类运算。

（5）响应时间

指语音识别的完整流程以及进行语音处理分析各个阶段所花费的时间，可用来进行语音识别性能的衡量，其他属性此前已进行阐述。

（6）吞吐量

云平台和服务机器人传输语音信号和识别结果的传输速率，速率过低容易出现传输速度过慢以及信号的损失等严重问题，会导致语音信号分析不完全，其余特点之前已做探讨。

（7）稳定性

如部分具有语音识别性能的服务机器人专门投入应用于身体有缺陷的人士，其主要依靠语音来指挥服务机器人，保证云平台的稳定使机器人长期保持服务状态，其他业务方面之前已进行阐述。

（8）互操作性

云平台顺利调用语音分析、处理算法及识别模型的能力，其余内容同特定目标识别类似，在此不再描述。

（9）可测试性

对语音信号分析、处理、翻译等算法性能以及各功能的实现情况的评估难易度，其流程与方法在前文均有描述。

（10）网络攻击防范能力

部分语音信号涉及到使用者的隐私，为避免泄露，应加强安全性评估，其重点就是实行网络传输过程中的数据信息保护。

（11）应用案例

文献[76]中提到了一种嵌入式云语音识别方案，将语音识别中所需要的复杂计算、语音信号的特征提取过程以及识别时所需要的匹配特征库放在云服务器中，嵌入式设备只需要完成语音信号的采集、语音信号的发送和语音识别结果接收，其中语音采集部分，采用的是一种面向对象、解析型计算机程序设计语言Python，将用到一些函数库的功能，如PyAudio、pycurl和json等。在该方案中，云服务器采用的是百度云语音识别服务器，百度语音识别通过REST API 的方式给开发者提供一个通用的HTTP 接口，根据这个接口，开发者可以轻松地获取语音识别能力。该方案通过采用第三方语音识别云服务器，可以满足语音信号的识别工作，而且无需大量的采集语音信号进行训练，弥补了嵌入式设备计算能力和存储空间有限缺陷，大大降低了时间成本，提高了工作效率。在文献[77]中，通过对云平台日志的分析绘制了语音处理时间的直方图，并对请求数量、处理时间和实时因素作出总结。可以看出通过云平台来对云机器人的中间数据、结果等信息进行分析，有助于得到更确切的评估结果，也能更快速地帮助云平台扩充知识库，进行自我能力的提升。目前已经有像百度语音、科大讯飞语音以及其他的很多成熟的语音识别技术，那么云机器人只要通过云端调用其API来进行语音的识别，云平台根据设定好的指标来进行结果评判的反馈来促使算法不断改进，使服务体系不断地完善。

5 结束语

5.1 总结

本文所提出的服务机器人云平台服务质量指标体系是综合考虑了软件QOS、网络QOS、服务机器人各项适用于服务机器人云平台的指标汇总而成的指标体系。由于以往的评价指标过于单一，且涵盖的评估范围较小，无法对云平台进行系统化的评估，而依照着该体系能够对服务机器人云平台进行较为全面的评估，找到云平台功能及性能等方面的不足，便于对云平台进行改进以提高其服务质量。

5.2 未来展望

最初的云平台服务是为了集中存储而提供更加经济和便捷的方式，目前已经发展为以数据存储和数据处理为主的计算型云平台，而且技术日趋成熟，提供服务的过程也变得逐渐简便化。就服务机器人云平台而言，其主要作用是作为服务机器人的远程云端进行相应算法的调用以及对大量的进行数据存储和处理，该平台技术的日趋成熟对今后的智能服务机器人发展，服务行业的现代化有很大的影响，拥有广大的发展前景。但目前来讲云平台能为服务机器人提供的服务范围还有很多的局限性，云平台自身监测评估的能力和范围仍有待提高，在面对网络攻击时如何更好地做好安全防御等问题亟需解决。并且随着科技的迅速发展，服务机器人已经逐渐应用在医疗、教育娱乐、军用、救援、科考等各个领域，所兼备的功能也会越来越复杂，这些服务机器人今后也一定会向依赖于云服务实现其功能作为发展趋势。那么云平台应如何更好地与服务机器人进行融合，并且在此基础面对业务与需求的增加，如何进一步加强云平台性能，使云服务更加智能化。综合上述云平台面临的问题和挑战，提出以下六个未来发展方向。

（1）提高云服务普适率。目前来看能够通过云平台来完成服务的机器人占比并不是很高，由于受到传输速率、延迟、功耗、系统容量以及超大规模设备连接等方面的限制，仍有部分服务机器人很难依靠云平台的现有技术和算法服务来完成其功能，如移动机器人对障碍物的检测所要求的“零延迟”以及抓取机器人在通过手臂实现物体抓取时对力度与角度的实时掌控，是目前云平台难以实现的服务。可见归根到底还是云平台的处理能力和通信能力的不足。随着5G时代的来临，届时5G的商用和普及有望能够解决这一问题，使更多的服务机器人都能通过调用云服务来完成功能，而对于云服务的普适率的评测可以从云平台对算法的调用情况展开研究。

（2）精准、详细的监测。目前对云平台的评估方面有限，要提高云平台的自我评估能力，就要使云平台对信息的剖析更加深刻，挖掘出更多有价值的信息，细致化的监测会让系统察觉到异常的时间提前，避免重大事故的发生，也能够使评估的结果更精准。怎样能够进一步确保随时随地地清楚明白用户、机器人厂商、算法提供商以及服务机器人对云平台的服务使用情况，使云平台及时了解各种变更的情况，如服务机器人连接的虚拟机状态属性，各类需求的增加，服务上下架情况等，这是一个需要深入研究的问题。并且要对更加完善的监测功能进行测试对比，可以从云平台对使用者的操作追踪情况等方面入手研讨。

（3）个性化服务。目前服务机器人在不同的场景下应用很单一，如用于医疗的机器人就只是用于医疗领域，用于送餐的机器人就只能在酒店等限定区域提供服务，在未来，服务机器人一定是能够真正做到像普通人一样身兼多种功能，并且根据不同的需求要求云平台来进行“私人订制”。因此实现服务的个性化、私有化也是未来云平台的一个发展方向，使云平台的服务更加严谨，有针对性、目的性。对个性化服务的考察可以从算法组合的逻辑性、严密程度以及具体的服务效果等方面展开研究。

（4）强化安全性。就目前的加密破解技术而言，可能对某些密码的破解需要计算机运行数万年，但由于量子计算的发展与突破，届时任何的网络算法加密等技术防御手段都无法通过量子计算的考验，目前看来的强大的加密技术很可能在数秒之内就被攻破。云服务作为一种新的应用模式，与传统互联网相比，数据的高度集中和多用户的访问等方面势必会引发新的安全隐患，一旦云平台安全系统被攻破，带来的损失是不可估量的。怎样来解决包括云基础设施安全、数据、认证和访问管理安全以及审计合规性等存在的诸多安全隐患问题，目前而言还是一个技术性难题。随着科技发展，不久的将来可能会出现一套较为完美的安全体系，届时可根据更先进的网络攻击技术进行模拟攻击展开进一步研究评估。

（5）重视边缘计算。服务机器人在实现语音识别等功能时需要向云平台传递数据并依靠云平台进行计算分析来做出决策，在数据量不多时云平台能够准确高效地反馈出结果。但是如果服务机器人将采集到的大量数据直接传递给云平台进行处理，那么不仅会增加云平台的计算量，致使效率降低，而且传输的数据越多越容易出现丢包现象，并且安全性和隐私问题难以得到保障。那么如何解决这个问题，一个思路是将大量数据先由边缘计算进行简单处理或重要信息提取，然后再发往云平台进行决策，避免大量的数据往返于云计算数据中心，这种云计算+边缘计算的模式是未来的一个发展方向。云平台可以通过边缘计算的节点数量对计算实时性的增强效果以及对数据集的适应性两方面展开评估研究。

（6）群智建设。目前云平台调用的算法服务等功能是由算法供应商等单一群体来提供的，若仅仅依靠其来发展建立云平台，并不利于云平台服务的建设与进一步完善，那么如何来实现云平台服务的高效建设。可以借鉴开源的思想，通过互联网汇聚和借助大规模群体智慧的力量，协助完成云平台的建设，加快云平台完善进度，提高云平台服务质量。可以依据云平台群智建设的规模以及服务性能的变化趋势来展开调研。

随着公有云和私有云的市场发展及应用融合，以及我国政府出台了一系列云计算产业的相关政策，越来越多的智能化产业服务与云服务挂钩，部分知名企业如阿里、华为、浪潮已经推出了自己的云服务平台，并且许多企业的数据也已经迁移到了云服务器上，这样不仅节省了硬件成本，还能提高效率。服务机器人云平台作为顺应时代发展的产物，在为服务机器人提供其对应功能服务的同时，能够节约服务机器人的设备、内置成本，提高服务质量，而且还具有很强的拓展性和延展性，云服务显然已经成为了未来发展的必然趋势，如果本文提出的发展规划能够在不久的将来实现，相信未来超过90%以上的服务机器人均能安全可靠地依靠云平台来实现其功能，为人们提供更好的服务。