一种地形感知方法技术

本发明专利技术公开了一种地形感知方法，包括离线训练与在线分类两部分，其优点在于：1)采用了较为简单、紧凑的特征描述子与分类器，能够降低运算资源与电量的消耗，保证了系统的实时性，并且在分类器输出后端加入修正算法；解决了准确率降低的问题；2)在分类修正算法中提取被错误分类的样例，分类器利用该样例对进行增量学习，提高了泛化性能，保证了长期运行的准确性；3)采用振动信号进行地形分类，不容易受到极端环境状况的影响。

【技术实现步骤摘要】
一种地形感知方法
本专利技术涉及机器人
，特别是涉及一种地形感知方法。
技术介绍
轮式机器人在地面上运动时会遇到各种地形，而保证机器人安全地穿越地形、避免其处于危险环境是十分重要的。已有的研究主要集中于基于激光雷达或视觉传感器的对障碍物的识别。对于墙壁、石块等无法通过的障碍物，我们称之为“几何威胁”。然而，地面本身可能也会对机器人产生威胁。例如：机器人穿越疏松的沙地时可能陷入其中。这种威胁我们称之为“非几何威胁”。通过实时的地形感知，机器人可以根据不用的地形采用不同的控制策略，使其能够安全有效的穿越不同的地形。因此，实时的地形感知对在野外工作的轮式机器人是十分重要的。专利技术专利104866819A公开了一种基于三目视觉系统的地形分类方法，利用三目立体视觉系统对地形进行采样并输出丰富的3D数据，然后将3D数据传送到几何分类器，结合地形颜色特征，最终通过颜色分类器区分地形。硕士论文[刘福帅.基于视觉的移动机器人室外地形识别[D].山东大学,2017.]公开了一种基于机器视觉的地形识别方法，对地形数据集样本提取了颜色直方图、LBP、SIFT、CEDD四种特征，并采用极限学习机作为地形识别分类器。博士论文[吴航.移动机器人地形分类的视觉方法研究[D].中国人民解放军军事医学科学院,2017.]优化了现有BOVW模型，构建了视觉地形分类的最优流程，从而快速、高效地完成视觉地形分类任务。关于地形分类的研究成果较少，已有的工作存在以下问题：1)机器人的运算能力往往较弱，而且需要较为持久的续航能力。然而，很多算法采用了复杂的特征描述子来表征地形，这样某种程度上能够提高分类的准确率，但是却占用了大量的运算资源，降低了实时性，同时还增加了能耗；2)基于训练数据集获取的分类器在短时间是有效的，但是随着时间的推移，即使在同一地形上采集的样本也会发生较大变化。如果不自动的调整分类器的参数，势必会降低分类的准确率。基于以上问题，我们针对轮式机器人提出一种地形感知方法。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提出一种地形感知方法，具有较快的运算速度，能够在线校正错误的分类，并且可以通过在线学习提高分类器的泛化性能。本专利技术的技术方案如下：一种地形感知方法，其特征在于：分为离线训练部分和在线分类部分，其中：离线训练部分如下：第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合Σ，样本集合Σ中的每个样本St∈Σ由6个特征描述，其中t＝1,2,…,μ，则每个样本是6维样本空间的一个向量，是St中的一个元素，上标i＝1,2,…,6；第四步，对第三步获取的样本集合Σ进行标记，得到样例集合Ω＝{(S1,Y1),(S2,Y2),…(Sμ,Yμ)}，其中Yt∈C,t＝1,2,…,μ表示样本St对应的标记，Yt即真实地形，μ表示Ω中样例的数量；地形集合C＝{c1,c2,…,cm}，m表示地形的数量；在线分类部分如下：第五步，采集第k秒的振动帧bk，k＝1,2,…；第六步，对第五步获取的振动帧bk提取特征并归一化得到第k秒的样本Sk；第七步，对第六步获取的样本Sk使用K近邻法模型进行地形预测，得到第k秒的预测的地形xk，存储得到预测的地形序列Xk＝{x1.x2,…,xk}；第八步，对第七步获取的Xk进行修正，得到修正的地形序列第九步，对第八步获取的进行分析，如果其中τ>0表示窗口长度，为正整数，则利用样例修正第四步中的样例集合Ω。第三步与第六步中的提取特征方法如下：定义表示一个振动帧，其中n为加速度计的采样率；对bt处理得到处理方法为：其中i＝1,2,…,n，为at中的一个元素，为bt中的一个元素；然后对at处理，得到样本其中：七步中的K近邻法模型如下：首先采用欧拉距离，对第四步中Ω的找到距离Sk最近的K个样本集合N(Sk)；然后找到N(Sk)中最多数的地形，即为第k秒的预测的地形xk；得到预测的地形序列Xk＝{x1.x2,…,xk}。第八步中的修正方法如下：其中，cj∈C；为示性函数，当xi＝cj时，否则τ>0表示窗口长度，为正整数；可以得到修正的地形序列第九步中的样例集合修正方法如下：首先，从样例集合Ω中删除标记为的一个较早的样例；然后，将样例E添加到样例集合Ω中，则得到修正后的样例集合；如果则不修正样例集合。本专利技术与现有技术相比，其优点在于：1)采用了较为简单、紧凑的特征描述子与分类器，能够降低运算资源与电量的消耗，保证了系统的实时性，并且在分类器输出后端加入修正算法；解决了准确率降低的问题；2)在分类修正算法中提取被错误分类的样例，分类器利用该样例对进行增量学习，提高了泛化性能，保证了长期运行的准确性；3)采用振动信号进行地形分类，不容易受到极端环境状况的影响。附图说明图1为本专利技术流程图；图2为实验涉及的6种地形；图3为分类器预测的混淆矩阵；图4位修正前后的地形分类结果局部放大图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本专利技术进行详细说明。离线训练部分如下：第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合Σ，样本集合Σ中的每个样本St∈Σ由6个特征描述，其中t＝1,2,…,μ，则每个样本是6维样本空间的一个向量，是St中的一个元素，上标i＝1,2,…,6；具体的特征提取方法为：定义表示一个振动帧，其中n为加速度计的采样率；对bt处理得到处理方法为：其中i＝1,2,…,n，为at中的一个元素，为bt中的一个元素；然后对at处理，得到样本其中：第四步，对第三步获取的样本集合Σ进行标记，得到样例集合Ω＝{(S1,Y1),(S2,Y2),…(Sμ,Yμ)}，其中Yt∈C,t＝1,2,…,μ表示样本St对应的标记，Yt即真实地形，μ表示Ω中样例的数量；地形集合C＝{c1,c2,…,cm}，m表示地形的数量；在线分类部分如下：第五步，采集第k秒的振动帧bk，k＝1,2,…；第六步，对第五步获取的振动帧bk提取特征并归一化得到第k秒的样本Sk；第七步，对第六步获取的样本Sk使用K近邻法模型进行地形预测，首先采用欧拉距离，对第四步中Ω的找到距离Sk最近的K个样本集合N(Sk)；然后找到N(Sk)中最多数的地形，即为第k秒的预测的地形xk；得到预测的地形序列Xk＝{x1.x2,…,xk}。第八步，对第七步获取的Xk进行修正，采用如下方法：其中，cj∈C；为示性函数，当xi＝cj时，否则τ>0表示窗口长度，为正整数；可以得到修正的地形序列第九步，对第八步获取的进行分析，如果其中τ>0表示窗口长度，为正整数，则利用样例修正第四步中的样例集合Ω，方法如下：首先，从样例本文档来自技高网...

【技术保护点】
1.一种地形感知方法，其特征在于：分为离线训练部分和在线分类部分，其中：离线训练部分如下：第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合∑，样本集合∑中的每个样本St∈∑由6个特征描述，其中t＝1，2，…，μ，则每个样本

【技术特征摘要】
1.一种地形感知方法，其特征在于：分为离线训练部分和在线分类部分，其中：离线训练部分如下：第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合∑，样本集合∑中的每个样本St∈∑由6个特征描述，其中t＝1，2，…，μ，则每个样本是6维样本空间的一个向量，是St中的一个元素，上标i＝1，2，…，6；第四步，对第三步获取的样本集合∑进行标记，得到样例集合Ω＝{(S1，Y1)，(S2，Y2)，…(Sμ，Yμ)}，其中Yt∈C，t＝1，2，…，μ表示样本St对应的标记，Yt即真实地形，μ表示Ω中样例的数量；地形集合C＝{c1，c2，…，cm}，m表示地形的数量；在线分类部分如下：第五步，采集第k秒的振动帧bk，k＝1，2，…；第六步，对第五步获取的振动帧bk提取特征并归一化得到第k秒的样本Sk；第七步，对第六步获取的样本Sk使用K近邻法模型进行地形预测，得到第k秒的预测的地形xk，存储得到预测的地形序列Xk＝{x1.x2，…，xk}；...

【专利技术属性】
技术研发人员：康宇，吕文君，昌吉，李泽瑞，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34