一种地形识别方法技术

本发明专利技术公开了一种地形识别方法，包括离线训练部分与在线分类部分。本技术方案的优点如下：1)基于关节压力数据的分析来进行地形分类，不易受到外界环境干扰的影响，具有较强的环境适应性；2)基于时域进行特征提取，具有较高的运算效率；3)将离线采集的样例获取的样例进行精简，得到了代表样例集，有助于减少后续分类算法的计算时间；4)通过对历史的地形预测数据的分析，能够找出被错误分类的样本，进而在线修正分类器以提升其性能。

【技术实现步骤摘要】
一种地形识别方法
本专利技术涉及机器人
，特别是涉及一种地形识别方法。
技术介绍
轮式机器人经常受到障碍物的影响，因此其往往要绕行以达到目的地。而腿足式机器人能够在粗糙和高度非结构化的地形移动，可以轻松的跨越沟槽，缝隙，台阶，或沙地等复杂地形。但是，腿足式机器人的站立稳定性是一个关键性问题。为了实现步行机器人在静态和动态下的高稳定性行走，需要考虑如粗糙度、摩擦系数、小型几何危害等地形参数。基于实时的地形识别，腿足式机器人能够优化步伐模式与腿部姿态控制算法，进而提高稳定性。在本专利技术中，我们针对腿足式机器人设计了一种地形识别方法，包括离线训练部分与在线分类部分。本技术方案的优点如下：1)基于关节压力数据的分析来进行地形分类，不易受到外界环境干扰的影响，具有较强的环境适应性；2)基于时域进行特征提取，具有较高的运算效率；3)将离线采集的样例获取的样例进行精简，得到了代表样例集，有助于减少后续分类算法的计算时间；4)通过对历史的地形预测数据的分析，能够找出被错误分类的样本，进而在线修正分类器以提升其性能。
技术实现思路
为解决上述问题，本专利技术提出了一种地形识别方法，包括以下步骤：离线训练部分：1.在腿足式机器人的腿部关节安装4个压力传感器，控制机器人在期望被识别的地形上行走，并收集压力传感器信号，传感器的采样频率为N赫兹，得到每个传感器读数的时间序列ri，在每个采样点上对4个压力传感器的读数求和，得到合并后的时间序列r。2.对第1步获取的时间序列r以时间T为单位进行数据分割，得到有μ个数据帧的数据帧集合f＝{a1,a2,a3,…,aμ}，f中的每个元素是一个数据帧，每一个数据帧包含l＝N·T个数据。3.对第2步获取的数据帧集合f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；特征的提取方式如下：4.对第3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。5.计算代表样例集从第4步获取的样例集Ω中提取代表样例集Φ，如下所示：5.1初始化代表样例集合Φ，并令Φ为空集；产生样例集合副本5.2从中取出一个样例E，并从中删除该样例；5.3产生一个新的代表样例子集R加入到Φ中，其中R＝E；5.4如果为空集，则跳至步骤5.6；否则，从中取出一个样例E，并从中删除该样例；然后计算R+，满足ρ(R+,E)＝min{ρ(Ri,E),Ri∈Φ}，其中ρ表示E的样本与Ri的样本中心的欧式距离，Ri的样本中心为Ri中所有样例对应的样本的均值；5.5如果ρ(R+,E)>σ或者E的标签与R+标签不同，则跳至步骤5.3；否则，将E加入到R+中，然后跳至步骤5.4；5.6算法停止，得到代表样例集Φ。在线分类部分：6.采集第k个数据帧ak。7.从第6步获取的数据帧中提取特征并归一化得到样本Sk。8.对第7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，在第4步中获取的Ω的计算距离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个预测的地形xk；得到预测的地形序列Xk＝{x1.x2,…,xk}。9.分类器结果修正对第8步获取的Xk＝{x1.x2,…,xk}进行修正，修正方法如下：其中，cj∈C；II为示性函数，当xi＝cj时，II＝1，否则II＝0；τ>0表示窗口长度，为正整数；可以得到修正的地形序列10.分类器修正对第9步获取的进行分析，如果则利用样例修正代表样例集Φ，方法如下：计算R+，满足ρ(R+,E)＝min{ρ(Ri,E),Ri∈Φ}，如果ρ(R+,E)>σ或者E的标签与R+标签不同，产生一个新的代表样例子集R加入到Φ中，其中R＝E，否则，将E加入到R+中。本专利技术与现有技术相比，优点在于：1)基于关节压力数据的分析来进行地形分类，不易受到外界环境干扰的影响，具有较强的环境适应性；2)基于时域进行特征提取，具有较高的运算效率；3)将离线采集的样例获取的样例进行精简，得到了代表样例集，有助于减少后续分类算法的计算时间；4)通过对历史的地形预测数据的分析，能够找出被错误分类的样本，进而在线修正分类器以提升其性能。附图说明图1为本专利技术中压力传感器的放置位置示意图图2为本专利技术中压力传感器的分布示意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。如图1所示，本专利技术分为离线训练部分和在线分类部分，具体实施步骤如下：离线训练部分：1.在腿足式机器人的腿部关节安装4个压力传感器，具体安装方式如图1、图2所示；控制机器人在期望被识别的地形上行走，并收集压力传感器信号，传感器的采样频率为N赫兹，得到每个传感器读数的时间序列ri，在每个采样点上对4个压力传感器的读数求和，得到合并后的时间序列r。2.对第1步获取的时间序列r以时间T为单位进行数据分割，得到有μ个数据帧的数据帧集合f＝{a1,a2,a3,…,aμ}，f中的每个元素是一个数据帧，每一个数据帧包含l＝N·T个数据。3.对第2步获取的数据帧集合f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；特征的提取方式如下：4.对第3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。5.计算代表样例集从第4步获取的样例集Ω中提取代表样例集Φ，如下所示：5.1初始化代表样例集合Φ，并令Φ为空集；产生样例集合副本5.2从中取出一个样例E，并从中删除该样例；5.3产生一个新的代表样例子集R加入到Φ中，其中R＝E；5.4如果为空集，则跳至步骤5.6；否则，从中取出一个样例E，并从中删除该样例；然后计算R+，满足ρ(R+,E)＝min{ρ(Ri,E),Ri∈Φ}，其中ρ表示E的样本与Ri的样本中心的欧式距离，Ri的样本中心为Ri中所有样例对应的样本的均值；5.5如果ρ(R+,E)>σ或者E的标签与R+标签不同，则跳至步骤5.3；否则，将E加入到R+中，然后跳至步骤5.4；5.6算法停止，得到代表样例集Φ。在线分类部分：6.采集第k个数据帧ak。7.从第6步获取的数据帧中提取特征并归一化得到样本Sk。8.对第7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，在第4步中获取的Ω的计算距离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个预测的地形xk；得到预测的地形序列Xk＝{x1.x2,…,xk}。9.分类器结果修正对第8步获取本文档来自技高网...

【技术保护点】
1.一种地形识别方法，其特征在于包含以下步骤：离线训练部分：第一步，在腿足式机器人的腿部关节安装4个压力传感器，控制机器人在期望被识别的地形上行走，并收集压力传感器信号，传感器的采样频率为N赫兹，得到每个传感器读数的时间序列ri，在每个采样点上对4个压力传感器的读数求和，得到合并后的时间序列r；第二步，对第一步获取的时间序列r以时间T为单位进行数据分割，得到有μ个数据帧的数据帧集合f＝{a1,a2,a3,…,aμ}，f中的每个元素是一个数据帧，每一个数据帧包含l＝N·T个数据；第三步，对第二步获取的数据帧集合f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

【技术特征摘要】
1.一种地形识别方法，其特征在于包含以下步骤：离线训练部分：第一步，在腿足式机器人的腿部关节安装4个压力传感器，控制机器人在期望被识别的地形上行走，并收集压力传感器信号，传感器的采样频率为N赫兹，得到每个传感器读数的时间序列ri，在每个采样点上对4个压力传感器的读数求和，得到合并后的时间序列r；第二步，对第一步获取的时间序列r以时间T为单位进行数据分割，得到有μ个数据帧的数据帧集合f＝{a1,a2,a3,…,aμ}，f中的每个元素是一个数据帧，每一个数据帧包含l＝N·T个数据；第三步，对第二步获取的数据帧集合f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；第五步，计算代表样例集从第四步获取的样例集Ω中提取代表样例集Φ，如下所示：5.1初始化代表样例集合Φ，并令Φ为空集；产生样例集合副本5.2从中取出一个样例E，并从中删除该样例；5.3产生一个新的代表样例子集R加入到Φ中，其中R＝E；5.4如果为空集，则跳至步骤5.6；否则，从中取出一个样例E，并从中...

【专利技术属性】
技术研发人员：王翠凤，梅明亮，
申请(专利权)人：安徽威奥曼机器人有限公司，
类型：发明
国别省市：安徽,34