基于路面特征聚类分析的机器人速度自适应控制方法技术

一种基于路面特征聚类分析的机器人速度自适应控制方法，是在复杂路面情况下，基于姿态传感器获取的运动中机器人本体垂直方向的振动加速度信号，采用聚类算法完成对路面信息的聚类分析，获得地面类型所处类别的概率，同时通过获取分析机器人本体的俯仰角信号，对机器人所处的路面坡度进行分类，最终通过决策完成对机器人的自适应速度控制。本发明专利技术根据机器人本体的垂直方向振动加速度以及机器人所处路面的坡度实现机器人运动速度的自适应控制，在保证机器人运动的稳定性的前提下实现了机器人运动的高效性，提高了机器人运动控制的总体性能。

An adaptive control method of robot speed based on road feature clustering analysis

【技术实现步骤摘要】
基于路面特征聚类分析的机器人速度自适应控制方法
本专利技术涉及一种用于在复杂路面环境下控制移动机器人速度的自适应方法，属于移动机器人运动稳定控制领域。
技术介绍
移动机器人对外部环境的感知及决策能力是决定其自治、高效、稳定地完成作业任务的关键。机器人在自主导航的过程中，必须具备感知通过的路面类别信息从而稳定安全地穿越未知地面的能力。因此，机器人行驶路面的类别信息感知及获取处理技术成为研究的热点。影响机器人自主行驶能力的主要威胁来自如岩石、树木、崖壁等几何性障碍的危害以及沼泽、沙地、冰雪路面等非几何性障碍危害。以往的研究信号采集所使用的传感器概括起来可分为两大类，即非接触式传感器和接触式传感器。非接触式传感器主要包括光学图像传感器、激光雷达、超声传感器、声学传感器等。利用的特征包括颜色、纹理图案、点云数据构建的环境、运行在不同地面的声音信号、路面对超声传感器发出的回波等进行地面分类。接触式传感器主要包括：加速度传感器、角速度传感器和力传感器等，基于这类传感器的研究主要是利用地面的振动的加速度、车辆俯仰角速度与角加速度以及横滚角速度本文档来自技高网...

【技术保护点】
1.一种基于路面特征聚类分析的机器人速度自适应控制方法，其特征是，包括以下步骤：/n(1)基于姿态传感器的路面特征原始信号的采集；/n通过姿态传感器采集路面特征信号，包括机器人在不同地面行驶的本体垂直方向加速度信号以及俯仰角信号；/n(2)小波特征提取，基于小波变换的噪声滤波及路面特征信息重构提取；/n采用小波变换的方法对路面特征信号进行信号特征的提取，完成信号噪声的滤除及特征重构；/n(3)基于改进高斯混合模型的路面特征聚类分析；/n包括路面特征聚类分析和坡度模糊化处理，路面类别的聚类分析采用的是基于改进的高斯混合模型来实现，通过聚类分析获取机器人所处路面隶属于所定义的地面类型的概率。/n(...

【技术特征摘要】
1.一种基于路面特征聚类分析的机器人速度自适应控制方法，其特征是，包括以下步骤：
(1)基于姿态传感器的路面特征原始信号的采集；
通过姿态传感器采集路面特征信号，包括机器人在不同地面行驶的本体垂直方向加速度信号以及俯仰角信号；
(2)小波特征提取，基于小波变换的噪声滤波及路面特征信息重构提取；
采用小波变换的方法对路面特征信号进行信号特征的提取，完成信号噪声的滤除及特征重构；
(3)基于改进高斯混合模型的路面特征聚类分析；
包括路面特征聚类分析和坡度模糊化处理，路面类别的聚类分析采用的是基于改进的高斯混合模型来实现，通过聚类分析获取机器人所处路面隶属于所定义的地面类型的概率。
(4)机器人自适应速度模糊决策控制；
制定模糊化决策，产生机器人的速度控制量获得机器人速度；机器人的速度控制量的产生是基于路面坡度信息以及路面类别隶属度的二维模糊控制器采用模糊决策方式完成机器人速度自适应决策控制。


2.根据权利要求1所述的基于路面特征聚类分析的机器人速度自适应控制方法，其特征是，所述小波特征提取的过程，包括：
①对原始信号进行归一化处理；
②小波变换多尺度分解：采用小波基Dmey进行5层小波分解；
③各尺度小波系数去噪：小波分解高频系数的阈值量化，对第1层到第5层的每一层高频系数选择一个阈值进行软阈值化处理；
④小波逆变换重构：
根据小波分解的第5层的低频系数和经过量化处理后的第1层到第5层的高频系数，进行信号的小波重构；
⑤得到去噪后特征信号。


3.根据权利要求1所述的基于路面特征聚类分析的机器人速度自适应控制方法，其特征是，所述改进的高斯混合模型算法描述如下：
输入：样本集D＝{＜xj,yj＞,1≤i≤n}，其中，xj为样本，yj为地面种类的标签，n为样本个数；
高斯混合成分个数，即典型地面类别个数k；
训练过程：
①初始化参...

【专利技术属性】
技术研发人员：刘明，张帅帅，荣学文，李贻斌，朱其刚，尹燕芳，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37