随着物联网与人工智能相结合形成了人工智能物联网技术,以及中国的人口老龄化社会的到来以及生活节奏的加快,家庭服务机器人的需求也开始增加。国内外家庭服务机器人行业市场按年27%规模增长及2019年预计达158.4亿元,并且目前世界上发展机器人的48个国家中有25个国家涉及服务型机器人的开发,故将研究重点放在了家庭服务机器人智能化的指令理解这一关键领域,并针对现有技术采用的基于云计算对单任务的指令理解存在任务单个和安全问题,设计了在边缘位置的家庭服务机器人多任务指令理解系统,其特点在于使用语音交互,可以理解包含多个任务的自然语言指令,并且将推理模型部署在本地达到保护用户隐私的目的。本系统采用C/S架构的方式,以用户APP和树莓派作为一个子系统,分别为客户端与服务器,以树莓派和家用设备APP作为一个子系统,分别为客户端与服务器。在用户APP上实现了语音识别的功能,在树莓派上实现了模型推理的功能,以及实现了客户端与服务器端通过蓝牙进行通信的功能。论文的研究内容主要体现在如下几个方面:其一,分析了国内外人工智能物联网发展现状,研究了国内外机器人指令理解技术、自然语言处理技术以及多标签文本分类算法的发展,将多任务指令理解任务转化为多标签文本分类任务。自然语言处理技术中研究了静态词向量以及预训练语言模型,静态词向量中研究了统计语言模型、One-Hot编码、神经网络语言模型以及Word2Vec等技术,预训练语言模型中研究了ELMo、GPT、BERT以及ALBERT等模型,提出字符作为模型的输入以及使用ALBERT作为本次实验的预训练语言模型。同时还研究了深度神经网络CNN、RNN、LSTM以及Transformer,根据CNN通过卷积计算提取序列局部语义特征的特点以及Transformer通过Self-Attention计算提取序列全局语义特征的特点,提出了使用CNN-Transformer网络来提取文本序列的语义特征。通过对多标签文本分类算法研究,采用了基于软注意力机制的分类器。研究了多种激活函数的输入输出特质那个,提出在CNN层使用Re LU函数,在Transformer层使用GELU函数。最后,提出了基于ALBERT的CNN-Transformer Attention模型。其二,实现了多种多任务指令理解模型,并对这些模型的评估结果进行了分析。通过对比,本文提出的模型效果最好,在准确匹配率上比CNN-LSTM模型高7.35%,比基于ALBERT的CNN-Transformer模型高2.79个百分点。其三,分析了系统的需求,设计了系统的总体结构,完成了用户手机APP、树莓派、家用设备APP的功能,然后对系统进行了仿真以及模型运行的分析。最后,系统完成一个流程所需的时间大约是700毫秒,满足系统的实时性要求。用户APP、树莓派、家用设备APP三部分的有机整合,构成了一套完整的基于边缘位置的家庭服务机器人多任务指令理解系统,因此本文的研究成果对促进家庭服务机器人的智能化具有一定的意义和参考价值。