本发明属于实验室，尤其是涉及一种面向组分中药药效物质筛选实验室的监管系统及方法。
背景技术：
1、组分中药药效物质筛选实验室是进行组分中药活性物质筛选的实验场所，配备了必要的仪器设备(如洗板机、孵育系统、移液系统)和技术资源，主要功能为通过实验验证组分中药活性物质。然而，组分中药药效物质筛选实验室环境复杂，使用的高电压设备、高转速设备、高低温设备等带来了多种安全隐患。尽管许多实验室现在配备了智能监控系统，如烟雾报警器和温度传感器等，能够实时监测实验室环境，但这些系统也存在一些缺点。例如，这些系统通常只能对单一类型的危害进行检测，对于多种潜在危险的综合分析能力较弱。
2、此外，对于实验员操作是否规范、违规物品进入实验室(食物等)，该实验室依旧依赖大量人力进行日常监控和维护，无法完全实现自动化处理。这些缺点表明，现有的智能监控系统在面对日常维护工作和实验室环境中的多种安全隐患时，仍存在明显不足，无法实现对实验室的巡检监管，进一步增加了系统的局限性。这些问题亟需通过改进和提升系统的综合监控和自动化处理能力来解决。
技术实现思路
1、有鉴于此，本发明旨在提出一种面向组分中药药效物质筛选实验室的监管系统及方法，以解决现有实验室智能监控系统无法实现对实验室的巡检监管，具有较大局限性的问题。
2、为达到上述目的，本发明的技术方案是这样实现的：
3、第一方面，本发明提供了一种面向组分中药药效物质筛选实验室的监管系统，包括机器人、rpa模块、大语言模型决策模块、多智能体调用模块、以及ros模块；
4、机器人，用于对组分中药药效物质筛选实验室进行巡检和监管；
5、rpa模块，用于采集实验设备状态信息、中药样品状态信息、实验室环境参数状态信息、以及实验人员状态信息；
6、大语言模型决策模块，用于解析组分中药药效物质筛选实验室的管理规则，并基于所述管理规则对所述采集实验设备状态信息、中药样品状态信息、实验室环境参数状态信息、以及实验人员状态信息进行决策，生成任务指令；
7、多智能体调用模块，用于接收所述任务指令，并利用基于动作和状态的联合注意力强化学习技术实现智能体的优先级调度管理，调用智能体执行任务；其中，所述智能体包括rpa模块、大语言模型决策模块、以及ros模块，每一所述智能体均设有actor-critic网络框架；
8、ros模块，用于根据所述多智能体调用模块的指令驱动机器人工作。
9、进一步的，所述rpa模块包括数据采集单元和图像采集单元。
10、进一步的，所述大语言模型决策模块包括语义解析单元、rag索引单元、cnn图像识别单元、以及指令调度单元；
11、语义解析单元，用于对状态信息进行语义解析和意图识别，得到数据信息；其中，当数据信息为文本信息时，则利用rag索引单元根据所述管理规则进行信息索引，得到索引结果并根据所述索引结果生成任务指令；当数据信息为图像信息时，则先利用cnn图像识别单元进行识别和解析，得到文本信息后，再利用rag索引单元根据所述管理规则进行信息索引，得到索引结果并根据所述索引结果生成任务指令；
12、指令调度单元，用于对大语言模型决策模块中不同阶段信息进行统一调度、发送与接收。
13、进一步的，所述多智能体调用模块包括任务分配单元和多目标优化单元；
14、任务分配单元，用于接收所述任务指令，并根据各任务指令对应的智能体对所述任务指令进行分配，得到各个智能体对应的子任务指令；
15、多目标优化单元，用于利用基于动作和状态的联合注意力强化学习技术对所述子任务指令进行优先级排序，并基于modpo强化学习技术对所述优先级排序进行优化后，根据所述优化后的优先级排序调用智能体依照其对应的子任务指令执行任务。
16、进一步的，所述ros模块包括节点话题单元、服务和动作库单元、参数服务器单元、以及驱动单元；
17、节点话题单元，用于读取所述多目标优化单元的调用指令，并根据所述调用指令控制驱动单元
18、服务和动作库单元，用于同步请求-应答通信、以及长时间任务的管理；
19、参数服务器单元，用于存储机器人的参数和数据，确保配置的一致性；
20、驱动单元，用于驱动机器人工作。
21、第二方面，本发明提供了一种面向组分中药药效物质筛选实验室的监管方法，包括：
22、在rpa模块、大语言模型决策模块、以及ros模块内分别设置一个actor-critic网络框架；
23、在实验室内布置带有rpa模块的机器人，并将rpa模块与实验室内的实验设备建立数据连接后，利用所述带有rpa模块的机器人对实验室进行数据采集和巡检监管；
24、利用大语言模型决策模块对所述rpa模块采集的数据进行解析，并基于组分中药药效物质筛选实验室的管理规则进行决策，生成任务指令；
25、利用多智能体调用模块接收所述任务指令，并利用基于动作和状态的联合注意力强化学习技术实现智能体的优先级调度管理，调用智能体执行任务；
26、利用ros模块接收所述多智能体调用模块的指令，并根据所述多智能体调用模块的指令驱动机器人对实验室进行巡检监管。
27、进一步的，所述在rpa模块、大语言模型决策模块、以及ros模块内分别设置一个actor-critic网络框架，包括：
28、在rpa模块、大语言模型决策模块、以及ros模块内分别设置一个actor网络；其中，所述actor网络的输入部分包括各智能体的状态信息；
29、在rpa模块、大语言模型决策模块、以及ros模块内分别设置一个critic网络；其中，所述critic网络的输入部分为状态-动作对；
30、利用所述actor网络接受当前状态信息作为输入，所述critic网络接受更新的状态-动作对，之后完成训练更新，以实现引导智能体学习如何在多种交互场景中作出最优决策。
31、进一步的，所述利用所述actor网络接受当前状态信息作为输入，所述critic网络接受更新的状态-动作对，之后完成训练更新，以实现引导智能体学习如何在多种交互场景中作出最优决策，包括：
32、在所述actor网络中使用动态的图注意力机制构建状态图；
33、利用所述critic网络在所述actor网络的状态图基础上，进一步结合动作信息，将所述actor网络的状态图扩展为状态-动作图，以学习状态信息与动作信息之间的复杂依赖。
34、进一步的，在所述利用所述actor网络接受当前状态信息作为输入，所述critic网络接受更新的状态-动作对，之后完成训练更新，以实现引导智能体学习如何在多种交互场景中作出最优决策之后，所述方法还包括：
35、基于modpo强化学习技术对所述最优决策进行多目标直接偏好优化，若智能体执行操作正确，则给予正奖励；若智能体执行操作错误，则给予负奖励。
36、相对于现有技术，本发明所述的一种面向组分中药药效物质筛选实验室的监管系统及方法具有以下优势：
37、(1)本发明所述的一种面向组分中药药效物质筛选实验室的监管系统及方法，其中系统通过集成机器人、rpa模块、大语言模型决策模块、多智能体调用模块以及ros模块，实现实验室员规范操作监测、违规物品识别、实验过程实时监控、问题预警与动态调整，提高巡检效率和实验室安全性，具有广泛的应用前景，适用于各类实验室需要严格安全监管的环境。
38、(2)本发明所述的一种面向组分中药药效物质筛选实验室的监管系统及方法，通过利用大语言模型的自主决策能力结合ros模块的自动化执行机制，形成了一个高效的操作体系。大语言模型通过对大量实验室数据的深入分析，能够实时识别潜在的问题和风险，及时发出预警，并提供基于数据驱动的精准决策支持。随后，ros模块根据这些决策生成具体的操作指令，自动调度实验室内的机器人执行任务，从日常维护到紧急情况应对。这种融合带来的全自动化操作减少了人为干预的需要，显著提高了实验室的响应速度和工作效率。
39、(3)本发明所述的一种面向组分中药药效物质筛选实验室的监管系统及方法，通过实时数据采集，系统可以连续监控实验室环境，捕捉瞬时变化和潜在风险，确保安全和质量管理的及时性和有效性。多模态数据融合包括传感器数据、视频监控、环境参数等，提供了全面的状态感知，并通过交叉验证提高数据的准确性和可靠性。这种融合不仅通过消除信息孤岛提供了全面的数据整合，有助于深入理解复杂系统的运行机制，还能通过提升数据的准确性和可靠性，增强问题预测和决策的精准度。
40、(4)本发明所述的一种面向组分中药药效物质筛选实验室的监管系统及方法，通过高效任务分配和优化资源利用，实现任务执行的高效性；同时通过数据整合与分析功能确保了全面且准确的数据支持，提升系统的决策能力。此外，智能调度与路径规划利用modpo强化学习技术，实现动态适应和优化调度策略，增强了系统的灵活性。
1.一种面向组分中药药效物质筛选实验室的监管系统，其特征在于：包括机器人、rpa模块、大语言模型决策模块、多智能体调用模块、以及ros模块；
2.根据权利要求1所述的一种面向组分中药药效物质筛选实验室的监管系统，其特征在于：所述rpa模块包括数据采集单元和图像采集单元。
3.根据权利要求1所述的一种面向组分中药药效物质筛选实验室的监管系统，其特征在于：所述大语言模型决策模块包括语义解析单元、rag索引单元、cnn图像识别单元、以及指令调度单元；
4.根据权利要求1所述的一种面向组分中药药效物质筛选实验室的监管系统，其特征在于：所述多智能体调用模块包括任务分配单元和多目标优化单元；
5.根据权利要求1所述的一种面向组分中药药效物质筛选实验室的监管系统，其特征在于：所述ros模块包括节点话题单元、服务和动作库单元、参数服务器单元、以及驱动单元；
6.应用权利要求1-5中任一项所述面向组分中药药效物质筛选实验室的监管系统的监管方法，其特征在于，包括：
7.根据权利要求6所述的方法，其特征在于，所述在rpa模块、大语言模型决策模块、以及ros模块内分别设置一个actor-critic网络框架，包括：
8.根据权利要求7所述的方法，其特征在于，所述利用所述actor网络接受当前状态信息作为输入，所述critic网络接受更新的状态-动作对，之后完成训练更新，以实现引导智能体学习如何在多种交互场景中作出最优决策，包括：
9.根据权利要求7或8所述的方法，其特征在于，在所述利用所述actor网络接受当前状态信息作为输入，所述critic网络接受更新的状态-动作对，之后完成训练更新，以实现引导智能体学习如何在多种交互场景中作出最优决策之后，所述方法还包括：
