一种机器人地面环境感知方法技术

本发明专利技术涉及一种机器人地面环境感知方法，包括以下步骤：1)采集图像并进行标记；2)系统初始化；3)特征提取模块构建；4)目标分类模块构建；5)输入新的地面图像并预测其地面类型。该发明专利技术主要优点在于能够快速提取出有区分度的特征并且借助机器视觉实现周围地面类型的预测，以助于机器人及时地重新规划路线并调整控制策略，避免非几何危害。

【技术实现步骤摘要】
一种机器人地面环境感知方法
本专利技术属于机器人
，特别是涉及一种机器人地面环境感知方法。
技术介绍
实现移动机器人的自主运动是机器人技术中最具挑战性的问题之一，其成功的关键在于环境感知、姿态估计、运动控制和路径规划。姿态估计、运动控制和路径规划的实施往往需要我们在一定程度上引入环境信息，因此准确的环境感知至关重要。机器人无法穿越的环境隆起(如墙壁)和水槽(如河流)被称为几何危害，并且已被广泛研究过。另一方面，不平坦、松软和光滑的地面所造成的危险，通常被称为非几何危险，因此也获得了越来越多的关注。与几何危害不同，非几何危害不会完全阻碍机器人的运行，但对运行效率有很大的影响。不适当的规划路线和不适当的控制策略可能会导致机器人浪费过多的能量，甚至导致移动能力的丧失。因此，如果机器人能够准确、实时地分辨当前和前方的地面类型，那么它就可以及时地重新规划路线，避免非几何危害。在已有的工作中，《CN108844618B一种地形感知方法》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。基于一般的特征描述子的特征提取方法往往无法提取出有效的特征，进而导致无法区分具有相似外观的地面类型。《CN109249429B一种双足机器人地形分类系统》公开了一种双足机器人地形分类系统，该系统包括：1个加速度计，1个力传感器，2个触觉传感器，1个数据处理单元；数据处理单元能够接收来自所有传感器的数据，并对数据进行分析以推测当前地形。该系统融合多种传感器采集的数据，利用各传感器获取数据的互补特性，进行机器人所处地形种类的判别，具有较高的分类准确率和鲁棒性。该系统需要配置昂贵的力传感器与触觉传感器，且只能够分辨当前地面类型。《CN109344741A一种基于振动信号的地形分类方法》公开了一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其优点在于：1)利用贝叶斯滤波器/平滑器能够显著提升地形分类精度；2)通过对平滑结果和分类结果的在线分析，能够筛选出错误分类的振动帧样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑-分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在地形突变时由于惯性导致的低精度问题。类似的，以该方法为代表的基于振动的地面分类方法只能分辨当前地面类型。《CN110008894A一种面向六足机器人的地形分类方法》公开了一种面向六足机器人的地形分类方法，包括以下步骤：步骤一、利用六足机器人本体携带的摄像头，获取机器人所处环境的地形图片，形成地形数据集；步骤二、基于视觉词袋模型，对地形图片特征向量化；步骤三、对识别模型离线训练，实现对机器人所处地形图片进行分类；步骤四、六足机器人利用离线部分训练好的模型，对图片进行在线实时分类，根据分类的结果，选择合适的步态，实现六足机器人的运动。实现对机器人所处地形的高精度分类。基于地形分类的结果，六足机器人可自动选择步态，提高了机器人的环境适应性。该方案所采用的视觉词袋模型所提取的特征仍然不是通过学习得出的，因此具有较弱的区分性。针对以上问题，本专利技术提供了一种机器人地面环境感知方法，主要目的在于快速提取出有区分度的特征并且借助机器视觉实现周围地面类型的预测。
技术实现思路
本专利技术克服现有技术的不足，提出了一种机器人地面环境感知方法，其过程如下：步骤1、利用机器人的机载摄像头采集大量的地面图像，得到一系列图像并对进行标记，得到对应的地面类别标签其中，Vi表示第i个图像，yi表示第i个图像的地面类别标签，图像为灰度图，且为矩阵形式，共Ni个像素点，No为地面类别的数量，因此地面类别集合为y＝{1,2,…,No}，如果图像Vi的类别为y中的第c类，则yi的第c个元素为1，其余为0；表示实数域，i为1到n的正整数，n为图像总数，上标T表示转置；步骤2、初始化：将所有图像合并成向量，得到样本集合其中人工设定特征提取模块和目标分类模块的隐藏层节点数Na>0与Nb>0，Na与Nb均为正整数，设定损失系数C>0为正实数；步骤3、特征提取模块构建步骤3.1、初始化：阈值系数λ>0，衰减系数δ∈(0,1)，训练停止阈值th>0，迭代步t＝0，第t步的中心距向量yt＝0，第t步的特征提取模块的输出权重矩阵αt＝0，第t步的步长τt＝0；步骤3.2、生成特征提取模块的隐藏层输出矩阵Ha，如下：首先随机生成Na个得到随机生成Na个得到其中aa为特征提取模块的隐藏层输入权重向量，ba为特征提取模块的隐藏层输入偏置；然后计算特征提取模块的隐藏层输出函数其中，G(a,b,x)为激活函数，x表示样本；最后计算特征提取模块的隐藏层输出矩阵Ha：Ha＝[ha(x1),…,ha(xn)]T；步骤3.3、令其中，X＝[x1,…,xn]T；步骤3.4、令步骤3.5、令步骤3.6、如果‖αt-αt+1‖2<th，则令特征提取模块的最优输出权重矩阵并跳至步骤4；否则，令t自增1并跳至步骤3.3；步骤4、目标分类模块构建：步骤4.1、特征空间变换：将所有的初始样本转化为优化样本为，如下：得到步骤4.2、生成目标分类模块的隐藏层输出矩阵Hb，如下：首先随机生成Nb个得到随机生成Nb个得到其中ab为目标分类模块的隐藏层输入权重向量，bb为目标分类模块的隐藏层输入偏置；然后计算目标分类模块的隐藏层输出函数其中，G(a,b,x)为激活函数，x表示样本；最后计算目标分类模块的隐藏层输出矩阵Hb：步骤4.3、求解目标分类模块的最优输出权重矩阵如下：如果Hb的行数大于列数，且为列满秩，此时训练样本多于隐藏神经元数，则其中I为适维单位矩阵；如果Hb的行数小于列数，此时训练样本少于隐藏神经元数，则其中I为适维单位矩阵，Y＝[y1；…；yn]，Y中分号表示换行；步骤5、输入新的地面图像，输入到特征提取模块，得到优化样本接着将输入到目标分类模块，利用f(x)中最大值对应的序号即为地面类型。其中，所涉及的激活函数G(a,b,x)为：或者：其中，a为隐藏层输入权重向量，b为隐藏层输入偏置。该专利技术主要优点在于能够快速提取出有区分度的特征并且借助机器视觉实现周围地面类型的预测，以助于机器人及时地重新规划路线并调整控制策略，避免非几何危害。附图说明图1为本专利技术方法流程图；具体实施方式下面结合实例对本专利技术作进一步描述，但本专利技术的保护范围并不限于此。如图1所示，本专利技术包括以下步骤：步骤1、利用机器人的机载摄像头采集本文档来自技高网...

【技术保护点】
1.一种机器人地面环境感知方法，其特征在于，包括以下步骤：/n步骤1、利用机器人的机载摄像头采集大量的地面图像，得到一系列图像

【技术特征摘要】
1.一种机器人地面环境感知方法，其特征在于，包括以下步骤：
步骤1、利用机器人的机载摄像头采集大量的地面图像，得到一系列图像并对进行标记，得到对应的地面类别标签其中，Vi表示第i个图像，yi表示第i个图像的地面类别标签，图像为灰度图，且为矩阵形式，共Ni个像素点，No为地面类别的数量，因此地面类别集合为如果图像Vi的类别为中的第c类，则yi的第c个元素为1，其余为0；表示实数域，i为1到n的正整数，n为图像总数，上标T表示转置；
步骤2、初始化：将所有图像合并成向量，得到样本集合其中人工设定特征提取模块和目标分类模块的隐藏层节点数Na>0与Nb>0，Na与Nb均为正整数，设定损失系数C>0为正实数；
步骤3、特征提取模块构建
步骤3.1、初始化：阈值系数λ>0，衰减系数δ∈(0,1)，训练停止阈值th>0，迭代步t＝0，第t步的中心距向量yt＝0，第t步的特征提取模块的输出权重矩阵αt＝0，第t步的步长τt＝0；
步骤3.2、生成特征提取模块的隐藏层输出矩阵Ha，如下：首先随机生成Na个得到随机生成Na个得到其中aa为特征提取模块的隐藏层输入权重向量，ba为特征提取模块的隐藏层输入偏置；然后计算特征提取模块的隐藏层输出函数其中，G(a,b,x)为激活函数，x表示样本；最后计算特征提取模块的隐藏层输出矩阵Ha：Ha＝[ha(x1),…,ha(xn)]T；
步骤3.3、令



其中，X＝[x1,…,xn]T；
步骤3.4、令
步骤3.5、令

【专利技术属性】
技术研发人员：刘阳，刘珂，
申请(专利权)人：安徽果力智能科技有限公司，
类型：发明
国别省市：安徽;34