一种足式机器人多模态感知的异常监测方法技术

本发明专利技术公开了一种足式机器人多模态感知的异常监测方法，所述方法包括：采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理；将所述采集到的传感数据集进行划分，得到划分后的传感数据集；基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型；输入所述传感数据集到所述训练后的模型，通过计算得出异常监测阈值来进行异常监测；基于所述异常监测的结果进行分析。在本发明专利技术实施中，提高了异常监测的可靠性和容错性，增强了学习复杂传感数据中潜在模式的能力，降低了建模的复杂性，提高异常监测的准确率。

An anomaly monitoring method for multimodal perception of foot robot

【技术实现步骤摘要】
一种足式机器人多模态感知的异常监测方法
本专利技术涉及足式机器人异常监测的
，尤其涉及一种足式机器人多模态感知的异常监测方法。
技术介绍
足式机器人的研发灵感源于哺乳动物，是仿生学与机器人技术的重要体现，其环境适应性好、运动范围广、负载能力强，具备一定的自主作业的能力，能够实现崎岖山地运输、危险灾难救援、负载能力强，具备一定的自主作业的能力；但是足式机器人往往是在野外或室内大范围的环境下作业，不可避免地引入对运动规划和系统控制的大量不确定性因素，造成异常事件，影响机器人的稳定性和自主操作性。而传统足式机器人的异常监测技术通过采用参数化的隐形马尔科夫模型对关节编码器的关节角度信息进行建模的方式，具有训练样本数量少和计算复杂程度低等优点，初步实现了异常监测，具有一定的可行性；但是随着环境的复杂性和任务的多样性增加，主要存在两方面的问题：(1)仅考虑单模态的传感信息，无法实现对环境的感知及机器人系统的状态监测，降低了异常监测的容错性；(2)采用参数化贝叶斯的建模方法将存在模型的隐性状态数量不确定和隐性状态快速转换的问题，无法从复杂的传感数据中学习到实际的潜在模式，降低了异常监测的准确率。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种足式机器人多模态感知的异常监测方法，基于多模态感知的非参数化层次狄利克雷过程隐马尔科夫模型，用于足式机器人运行过程中关节编码器、IMU、关节力矩等传感信息的联合建模。为了解决上述技术问题，本专利技术实施例提供了一种足式机器人多模态感知的异常监测方法，所述方法包括：采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理；将所述采集到的传感数据集进行划分，得到划分后的传感数据集；基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型；输入所述传感数据集到所述训练后的模型，通过计算得出异常监测阈值来进行异常监测；基于所述异常监测的结果进行分析。可选的，所述采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理包括：采集真实足式机器人在常规路面上行走2米的传感数据集；其中，所述传感数据集包括30组无任何异常的数据和20组存在一种或多种人为引入倾倒、碰撞、滑移的异常事件的数据；基于非线性的卡尔曼滤波算法对所述传感数据集进行去噪处理；在所述去噪处理之后，基于数值插补的算法对不同传感器所采集的数据进行频率对齐。可选的，所述将所述采集到的传感数据集进行划分，得到划分后的传感数据集包括：将所述采集到的传感数据集进行划分，划分为训练集和测试集；其中，所述训练集包括所述20组无任何异常的数据；所述测试集包括所述10组无任何异常的数据和所述20组存在一种或多种人为引入倾倒、碰撞、滑移的异常事件的数据。可选的，所述基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型包括：基于所述划分后的传感数据集来建立HDP-HMM模型；基于所述HDP-HMM模型设置观察模型的参数和先验模型的参数；基于所述观察模型的参数和所述先验模型的参数，对所述HDP-HMM模型进行训练，得到训练后的结果。可选的，所述HDP-HMM模型中，HDD的具体公式如下：则利用HDP对HMM的隐形状态转换概率进一步描述，具体公式如下：其中，G0、Gj为设定的离散分布；H为任意的基分布；γ为离散分布G0的集中系数；α为离散分布Gj的集中系数；DP为狄利克雷过程；πj为隐形状态装欢概率；β为变量；k为隐性状态的数量，取值为1，2，...；vk为中间变量；GEM表示折棍子的生成过程。可选的，所述观察模型的参数为多为高斯模型的两个参数，分别为均值和协方差；所述均值服从高斯分布；所述协方差服从逆威沙特分布；其中，所述高斯分布的具体公式如下：μ～N(μμ，∑μ)；所述逆威沙特分布的具体公式如下：∑～IW(v，Δ)；其中，μ为均值；∑为协方差；μμ为μ的均值；∑μ为μ的协方差；v为自由度参数；Δ为协方差的对称正定比例矩阵；N为N个维度。可选的，所述设置观察模型的参数具体公式如下：其中，yt为各时刻的观察值；sF为均值矩阵的比例系数，设置sF＝1；μμ和为μ的均值；∑μ为μ的协方差；v为自由度参数；Δ为协方差的对称正定比例矩阵；D为N个维度D的样本；Tn为每个样本的数据长度；T为转置的运算。可选的，所述输入所述传感数据集到所述训练后的模型，通过计算得出异常监测阈值来进行异常监测包括：将所述测试集中的10组无任何异常的数据，分别输入到所述训练后的模型中，并通过计算得到10组对数似然函数值的向量；根据所述10组对数似然函数值的向量，通过计算得到异常监测阈值；基于所述异常检测阈值来进行异常检测。可选的，所述通过计算得到异常监测阈值中，具体计算公式如下：其中，每个时刻t的异常监测阈值为：其中，设定N为足式机器人重复正常运动行为s的次数，一般地，N＞20，则Ne＝0.4N；为对数似然函数值的均值；为对数似然函数值的方差；c为比例常数；ρt，s为异常监测阈值。可选的，所述基于所述异常监测的结果进行分析包括：基于所述异常监测的结果，结合准确率、精确率、召回率、F1分数性能的评估指标，对所述异常监测的结果进行分析；其中，所述准确率的具体计算公式如下：所述精确率的具体计算公式如下：所述召回率的具体计算公式如下：所述F1分数的具体公式如下：其中，precision为准确率；recall为精确率；accuracy为召回率；F1score为F1分数；TP为TurePositive，即异常样本被监测为异常；FP为FalsePositive，即正常样本被监测为异常；FN为FalseNegative，即异常样本被监测为正常；TN为TureNegative，即正常样本被监测为正常。在本专利技术实施中，一种足式机器人多模态感知的异常监测方法基于多模态感知的非参数化层次狄利克雷过程隐马尔科夫模型，用于持续地监控足式机器人的运动状态，以识别执行过程中的异常事件，如倾倒、碰撞、滑移、零部件磨损等，实现足式机器人执行过程中的异常监测，有效地提高了足式机器人系统运行的安全性和稳定性；针对多模态感知问题，考虑不同模态之间具有完全不同的数据类型和复杂的耦合对应关系，利用层次狄利克雷过程隐马尔科夫模型把足式机器人执行过程中的多模态信息进行联合处理，能够获得更加全面的环境和系统状态，提高异常监测的可靠性和容错性；另外，所述非参数化层次狄利克雷过程隐马尔科夫模型，增强了学习复杂传感数据中潜在模式的能力，降低了建模的复杂性，提高了异常监测的准确率。本文档来自技高网...

【技术保护点】
1.一种足式机器人多模态感知的异常监测方法，其特征在于，所述方法包括：/n采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理；/n将所述采集到的传感数据集进行划分，得到划分后的传感数据集；/n基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型；/n输入所述传感数据集到所述训练后的模型，通过计算得出异常监测阈值来进行异常监测；/n基于所述异常监测的结果进行分析。/n

【技术特征摘要】
1.一种足式机器人多模态感知的异常监测方法，其特征在于，所述方法包括：
采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理；
将所述采集到的传感数据集进行划分，得到划分后的传感数据集；
基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型；
输入所述传感数据集到所述训练后的模型，通过计算得出异常监测阈值来进行异常监测；
基于所述异常监测的结果进行分析。


2.根据权利要求1所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理包括：
采集真实足式机器人在常规路面上行走2米的传感数据集；其中，所述传感数据集包括30组无任何异常的数据和20组存在一种或多种人为引入倾倒、碰撞、滑移的异常事件的数据；
基于非线性的卡尔曼滤波算法对所述传感数据集进行去噪处理；
在所述去噪处理之后，基于数值插补的算法对不同传感器所采集的数据进行频率对齐。


3.根据权利要求1所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述将所述采集到的传感数据集进行划分，得到划分后的传感数据集包括：
将所述采集到的传感数据集进行划分，划分为训练集和测试集；其中，
所述训练集包括所述20组无任何异常的数据；所述测试集包括所述10组无任何异常的数据和所述20组存在一种或多种人为引入倾倒、碰撞、滑移的异常事件的数据。


4.根据权利要求1所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型包括：
基于所述划分后的传感数据集来建立HDP-HMM模型；
基于所述HDP-HMM模型设置观察模型的参数和先验模型的参数；
基于所述观察模型的参数和所述先验模型的参数，对所述HDP-HMM模型进行训练，得到训练后的结果。


5.根据权利要求4所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述HDP-HMM模型中，HDD的具体公式如下：



则利用HDP对HMM的隐形状态转换概率进一步描述，具体公式如下：



其中，G0、Gj为设定的离散分布；H为任意的基分布；γ为离散分布G0的集中系数；α为离散分布Gj的集中系数；DP为狄利克雷过程；πj为隐形状态装欢概率；β为变量；k为隐性状态的数量，取值为1，2，...；vk为中间变量；GEM表示折棍子的生成过程。


6.根据权利要求4所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述观察模型的...

【专利技术属性】
技术研发人员：吴鸿敏，徐智浩，鄢武，周雪峰，唐观荣，
申请(专利权)人：广东省智能制造研究所，
类型：发明
国别省市：广东;44