本项目针对云机器人发展存在的障碍，联合参与单位构建通用的云机器人系统框架模型，归纳总结并解决云机器人本体及平台亟待解决的关键技术，打造在云平台系统的支撑之下的具有自主智能的服务机器人的本体以及云机器人服务平台。传统服务机器人在执行即时定位、物品抓取、定位导航等通用任务时，大量数据的获取和计算的执行会给机器人本体带来巨大的储存和计算压力，即使能够完成任务，实时性也并不理想。“云机器人”是云计算技术与机器人技术的结合，云机器人本体仅负责对外界的感知和交互，不需要存储所有资料信息或具备超强的智能处理能力，只是在需要的时候可以连接相关云服务器并获得所需智能处理。云机器人不仅可以卸载复杂的计算任务到云端，还可以分享信息和技能。 本项目分别在半自动知识库构建技术，人脸识别技术，动态异构云机器人实时感知的资源分配技术，多机器人地图融合技术，文本复述技术，语义识别技术，机器人本体的智能感知技术等方面取得部分突破性进展。

    本项目提出非结构化半自动知识库构建技术，将省略恢复分为省略判别和成分恢复，两个过程来处理，和这两个过程比较的对比系统都是国际上最优的算法；本项目采取SDM（Supervised Descent Method）算法对人脸关键点进行检测，采用了基于卷积神经网络的算法来实现特征值的提取。实现的人脸检测准确率，误识率，拒识率等指标的提升；本项目从面向动态异构云机器人实时感知的任务出发，以资源动态供需模型为依据，以提高系统资源分配效益和多机器人协作的实时响应为目标，设计采用最大熵机器学习算法的指代消解，相比传统基于决策树的方法，准确率有明显提高；本项目提出多机器人地图融合技术，分别控制多台机器人从各自位置对环境进行地图构建，系统自动进行地图坐标转换，将满足转换条件的机器人，转换到统一的坐标系下，并将地图进行拼接与融合。本项目采用的是机器翻译中枢轴语方法的文本复述技术，无需人工干预，可以智能化的抽取同义词和复述词典，相对传统的同义词词典替换法效果会更佳；基于字符串核函数的相似度计算的语义识别技术，相比传统的无法识别相同语义不同表达的语言模型方法，效果会更佳；采用决策树机器学习算法的问题判断，规则/统计相结合的智能感知技术，效果优于传统基于规则的方法。

    本项目研发了人脸识别，多机器人地图融合，语音对讲等三套系统。

    1）人脸识别系统：使用SDM（Supervised Descent Method），卷积神经网络搭建的人脸识别系统，识别准确率，误识率等指标都已到达行业领先水平。项目采用SDM（Supervised Descent Method）算法对于人脸关键点检测，该算法的主要实现是从训练数据中学习梯度下降的方向并建立相应的回归模型，然后利用得到的模型来进行梯度方向估计。在实际运用中，SDM算法有很好的检测关键点的效果，可以实现把人脸的眼睛，鼻子，嘴巴，下巴等64个关键点给检测出来。项目采用了基于卷积神经网络的算法来增强算法在速度上的实现，传统算法耗时过长不适合实时人脸识别系统。同时，借助caffe框架作为底层架构，来完成上层人脸识别系统的搭建。设计了人脸识别系统相关卷积层、池化层等输入输出参数。

     2）多机器人地图融合系统：多机器人地图融合系统，提升了大规模建图的速度，并使没有先验信息的机器人也能在未知区域导航。分别控制多台机器人从各自位置对环境进行地图构建，在此过程中，系统将对每个机器人实时场景进行分析，并与其他机器人所过场景进行分析匹配，检索出最为匹配的场景，当匹配度达到95%以上时，判定为匹配成功。此时系统认为2个机器人的当前场景为同一空间位置，系统将获取机器人的位置的坐标，当得到两个匹配点时，系统将把相匹配的位置用线段连接起来，以便能够对系统匹配的正确性进行直观的判断，同时，系统自动进行地图坐标转换，并将2个机器人的地图进行拼接与融合。

    3）语音对讲系统：系统功能可以从两个方面进行分类，第一，客户端功能和服务器端功能，第二，SIP （Session Initiation Protocol）呼叫功能、 流媒体数据传输功能、网络地址转换穿透、用户管理数据库、音频编解码、回音消除、视频编解码。在客户端，主要实现用户注册，用户登录，相关信息展示。在服务器端实现，用户之间视频通话，用户信息管理。