本发明专利技术公开了一种地形自适应的控制方法、系统、装置及介质，其中方法包括以下步骤：采集地形图像；将所述地形图像输入地形识别模型进行识别，获得地形的识别结果；根据识别结果控制蛇形机器人的步态。本发明专利技术采用卷积神经网络实现自适应步态控制，通过对实际环境中的地形进行识别，从而根据地形分类结果切换到最适合的运动步态，提高蛇形机器人在复杂非结构化环境中的适应性和存活率，可广泛应用于计算机视觉技术领域。觉技术领域。觉技术领域。
【技术实现步骤摘要】
一种地形自适应的控制方法、系统、装置及介质
[0001]本专利技术涉及计算机视觉
，尤其涉及一种地形自适应的控制方法、系统、装置及介质。
技术介绍
[0002]蛇形机器人是人们受生物蛇步态的鲁棒性和稳定性所启发，设计出来的一类具有生物蛇的机械结构特性的仿生机器人。得益于蛇形机器人多自由度、细长柔软，低重心的结构设计，使其具有稳定性高、适应能力强、冗余性高、灵活性好等特点，被广泛应用于地形勘察、灾后救援、外星探测等复杂环境中。
[0003]传统的蛇形机器人在运动过程中采取固定步态形式，即提前设定好步态形式，这种形式适用于在已知的平面环境中进行控制，但对于未知的非结构化环境，由于机器人无法根据实际场景对地形自适应，则不能保证机器人的稳定前进。因此若想让蛇形机器人在非结构化环境中实现自主稳定的运动，必须让蛇形机器人具备对所处的地形环境的感知能力和精确识别能力，以此做出不同的步态选择和适宜的运动控制策略。
技术实现思路
[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种地形自适应的控制方法、系统、装置及介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种地形自适应的控制方法，包括以下步骤：
[0007]采集地形图像；
[0008]将所述地形图像输入地形识别模型进行识别，获得地形的识别结果；
[0009]根据识别结果控制蛇形机器人的步态。
[0010]进一步，所述控制方法还包括建立地形识别模型的步骤，具体为：
[0011]建立地形图片数据集；
[0012]基于MobileNet轻量级卷积神经网络设计地形图片特征提取及地形分类网络；
[0013]利用迁移学习技术，根据地形图片数据集对地形图片特征提取及地形分类网络进行训练，获得地形识别模型。
[0014]进一步，所述利用迁移学习技术，根据地形图片数据集对地形图片特征提取及地形分类网络进行训练，获得地形识别模型，包括：
[0015]采用ImageNet数据集对地形图片特征提取及地形分类网络进行训练，获得预训练模型；
[0016]将基础特征参数冻结，再使用自建的地形图片数据集训练所述预训练模型，对所述预训练模型的参数进行微调，获得地形识别模型。
[0017]进一步，采用交叉熵损失函数，所述交叉熵损失函数的公式为：
[0018][0019]其中，N为样本数量，M为类别数量，y
ic
指示变量(0或1)，如果该类别和样本i的类别相同就是1，否则是0，p
ic
表示对于观测样本i属于类别c的预测概率。
[0020]进一步，所述蛇形机器人的步态包括蜿蜒运动步态、U型翻滚运动步态和行波运动步态，所述根据识别结果控制蛇形机器人的步态，包括：
[0021]若地形的识别结果为草地或水泥地面，控制所述蛇形机器人的步态切换至蜿蜒运动步态；
[0022]若地形的识别结果为瓷砖地面，控制所述蛇形机器人的步态切换至行波运动步态；
[0023]若地形的识别结果为砾石地面或护根覆盖地面，控制所述蛇形机器人的步态切换至U型翻滚运动步态。
[0024]进一步，所述蛇形机器人的步态的采用关节变量控制函数进行控制，所述关节变量控制函数的表达式为：
[0025]θ
i
＝A
i
sin(ω
·
t+v
·
i)+ε
i
[0026]其中，θ
i
表示第i个关节的转动角度，A
i
表示该关节的角度幅值，ω表示角频率，v表示空间频率，∈
i
表示第i个关节的角度偏移量。
[0027]进一步，所述蜿蜒运动步态对应的关节变量控制函数的表达式为：
[0028]θ
i
＝[1
‑
(imod2)]·
A
·
sin(ω
·
t+v
·
i)+ε
[0029]所述波运动步态对应的关节变量控制函数的表达式为：
[0030]θ
i
＝(imod2)
·
A
·
sin(ω
·
t+v
·
i)+ε
[0031]所述U型翻滚运动步态对应的关节变量控制函数的表达式为：
[0032][0033]其中，mod表示取余运算，A
i
≡A表示在该步态下，各个关节转动角度的幅值相同，ε
i
≡ε表示在该步态下，各个关节角度偏移量相同。
[0034]本专利技术所采用的另一技术方案是：
[0035]一种地形自适应的控制系统，包括以下步骤：
[0036]图像采集模块，用于采集地形图像；
[0037]地形识别模块，用于将所述地形图像输入地形识别模型进行识别，获得地形的识别结果；
[0038]步态控制模块，用于根据识别结果控制蛇形机器人的步态。
[0039]本专利技术所采用的另一技术方案是：
[0040]一种地形自适应的控制装置，包括：
[0041]至少一个处理器；
[0042]至少一个存储器，用于存储至少一个程序；
[0043]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0044]本专利技术所采用的另一技术方案是：
[0045]一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。
[0046]本专利技术的有益效果是：本专利技术采用卷积神经网络实现自适应步态控制，通过对实际环境中的地形进行识别，从而根据地形分类结果切换到最适合的运动步态，提高蛇形机器人在复杂非结构化环境中的适应性和存活率。
附图说明
[0047]为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0048]图1是本专利技术实施例中一种基于卷积神经网络的地形自适应的控制方法的流程图；
[0049]图2是本专利技术实施例中五种典型地形的示意图；
[0050]图3是本专利技术实施例中蛇形机器人的地形分类过程的示意图；
[0051]图4是本专利技术实施例中蛇形机器人的蜿蜒运动步态的示意图；
[0052]图5是本专利技术实施例中蛇形机器人的行波运动步态的示意图；
[0053]图6是本专利技术实施例中蛇形机器人的U型翻滚运动步态的示意图；
[0054]图7是本专利技术实施例中实际应用中蛇形机器人步态控制系统的结构框图；
[0055]图8是本专利技术实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种地形自适应的控制方法，其特征在于，包括以下步骤：采集地形图像；将所述地形图像输入地形识别模型进行识别，获得地形的识别结果；根据识别结果控制蛇形机器人的步态。2.根据权利要求1所述的一种地形自适应的控制方法，其特征在于，所述控制方法还包括建立地形识别模型的步骤，具体为：建立地形图片数据集；基于MobileNet轻量级卷积神经网络设计地形图片特征提取及地形分类网络；利用迁移学习技术，根据地形图片数据集对地形图片特征提取及地形分类网络进行训练，获得地形识别模型。3.根据权利要求2所述的一种地形自适应的控制方法，其特征在于，所述利用迁移学习技术，根据地形图片数据集对地形图片特征提取及地形分类网络进行训练，获得地形识别模型，包括：采用ImageNet数据集对地形图片特征提取及地形分类网络进行训练，获得预训练模型；将基础特征参数冻结，再使用自建的地形图片数据集训练所述预训练模型，对所述预训练模型的参数进行微调，获得地形识别模型。4.根据权利要求3所述的一种地形自适应的控制方法，其特征在于，在训练过程中，采用交叉熵损失函数，所述交叉熵损失函数的公式为：其中，N为样本数量，M为类别数量，y
ic
指示变量，如果该类别和样本i的类别相同就是1，否则是0，p
ic
表示对于样本i属于类别c的预测概率。5.根据权利要求1所述的一种地形自适应的控制方法，其特征在于，所述蛇形机器人的步态包括蜿蜒运动步态、U型翻滚运动步态和行波运动步态，所述根据识别结果控制蛇形机器人的步态，包括：若地形的识别结果为草地或水泥地面，控制所述蛇形机器人的步态切换至蜿蜒运动步态；若地形的识别结果为瓷砖地面，控制所述蛇形机器人的步态切换至行波运动步态；若地形的识别结果为砾石地面或护根覆盖地面，控制所述蛇形机器人的步态切换至U型翻滚运动步态。6.根据权利要求5所述的一种地形自适应的控制方法，其特征在于，所述蛇形机器人的步态的采用关节变量控制函数进行控制，所述关节变量控制函数的表达式为：θ
i
＝A
i
sin(ω
【专利技术属性】
技术研发人员：刘小慧，魏武，余秋达，肖文煜，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。