一种用于目标物体触觉属性识别的多标签学习方法技术

本发明专利技术公开了一种用于目标物体触觉属性识别的多标签学习方法。该方法包括：采集与目标物体交互过程中产生的多模态触觉数据；从所述多模态触觉数据中提取触觉特征构建训练集，该训练集用于表征描述交互过程的触觉形容词与所提取的触觉特征之间的对应关系；利用所述训练集训练多标签分类器，以获得用于实时预测目标物体触觉属性的识别模型。利用本发明专利技术能够挖掘不同触觉形容词之间的潜在关系，并通过设计合理的统计特征，利用标签间的联系，提高了分类速度和分类准确率。分类速度和分类准确率。分类速度和分类准确率。

【技术实现步骤摘要】
一种用于目标物体触觉属性识别的多标签学习方法


[0001]本专利技术涉及机器人
，更具体地，涉及一种用于目标物体触觉属性识别的多标签学习方法。

技术介绍

[0002]触觉感知是视觉和听觉感知的一种互补模式，在自主机器人中起着至关重要的作用。利用机器学习方法提高机器人的触觉感知能力越来越受到人们的关注。然而，一个物体通常用一个以上的触觉形容词来描述，对多个形容词的触觉理解可以表述为一个多标签分类问题。现有方法大多使用了非常复杂的特征，并将多标签触觉问题转换为多分类问题。不能充分利用多个触觉形容词之间的相关性。
[0003]智能机器人技术已经遍布于医疗、服务业、军事、农业、工业等各个领域，在实际应用中，机器人对物体的材料及类别的识别能力尤为重要。如何提高机器人对目标物分类的准确率成为了机器学习领域的一个常见问题。在传统机器学习对物体触觉属性进行识别的过程中，通常需要视觉或触觉的感知来对物体对象进行特征分析，以进一步对物体对象进行分类，然而对于特征相似物体，仅从单一模态无法辨识其物品类别，可能需要多种模态结合来提高物体的辨识度。
[0004]在现有技术中，专利CN102945371B提出了一种基于多标签柔性支持向量机的分类方法，该方法在多标签空间中定义一种新型的距离度量方法，用来衡量在特定的分类目标下多标签空间中点与点之间的距离；然后，在特定的分类目标下对多标签空间中的每个点定义一个邻域，某点的邻域包含在新型的距离度量方法下离中心点最近的几个点；最后，结合每个样本点在多标签空间中的邻域信息，利用提出的一种新的多标签柔性支持向量机分类器进行多标签分类训练。利用多标签空间中包含的信息来提高鉴别型分类器在多标签分类中的分类精度，降低噪声标签对分类的影响。
[0005]专利申请CN111340061A提供了一种基于多标签学习的无监督特征选择方法及系统，包括：对获取的每个数据样本进行特征提取，得到特征数据集，对特征数据集学习二值多标签矩阵和特征选择矩阵，构造基于多标签学习的无监督特征选择目标函数；采用基于增广拉格朗日乘子法的离散优化方法求解基于多标签学习的无监督特征选择目标函数，得到特征选择矩阵；对特征选择矩阵进行排序确定选择的目标特征。同时学习用于语义指导的多标签和执行特征选择，并在谱嵌入中施加二进制约束得到多标签来指导最终的特征选择过程；此外，通过自适应的方式构造动态的样本相似度图捕获数据结构，从而增强多标签的判别能力。
[0006]虽然上述现有方案用到了多标签分类的知识，在预测输出时，考虑到了输出一待定维度的标签集。然而，从用于预测分类的算法角度来看，现有方案用到的分类未考虑标签的相关性和样本分布不均衡问题，对于拥有多个标签的实例，没有很好地发掘不同标签之间的相关性；从特征提取方法上，现有方案所使用的特征均为自创的复杂特征，可信度不高，且复杂度和计算量都大幅增加。

技术实现思路

[0007]本专利技术的目的是克服上述现有技术的缺陷，提供一种用于目标物体触觉属性识别的多标签学习方法，旨在挖掘不同形容词之间的潜在关系，改进传统二分类器对某些含有少量正实例的触觉标签分类效果差的问题，并且通过设计合理的统计特征，利用标签间的联系，提高了分类速度和分类准确率。
[0008]根据本专利技术的第一方面，提供一种用于目标物体触觉属性识别的多标签学习方法。该方法包括以下步骤：
[0009]采集与目标物体交互过程中产生的多模态触觉数据；
[0010]从所述多模态触觉数据中提取触觉特征构建训练集，该训练集用于表征描述交互过程的触觉形容词与所提取的触觉特征之间的对应关系；
[0011]利用所述训练集训练多标签分类器，以获得用于实时预测触觉属性的识别模型。
[0012]根据本专利技术的第二方面，提供一种目标物体触觉属性识别方法。该方法包括：
[0013]实时采集与目标物体交互过程中产生的多模态触觉数据，并提取对应的触觉特征；
[0014]将所提取的触觉特征输入本专利技术提供的识别模型，获得识别结果。
[0015]与现有技术相比，本专利技术的优点在于，提出的统计特征具有模型简单、训练速度快等特点。此外，在分类准确率优化方面，采用了决策级融合的思想，集成两种特征选择方法的分类结果，使分类准确率达到更高的精度效果。
[0016]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0017]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0018]图1是根据本专利技术一个实施例的用于目标物体触觉属性识别的多标签学习方法的流程图；
[0019]图2是根据本专利技术一个实施例的用于目标物体触觉属性识别的多标签学习方法的过程示意图。
具体实施方式
[0020]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0021]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0022]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0023]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0024]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0025]简言之，本专利技术涉及一种基于多标签学习的目标物体分类方法，其技术方案包括：采集目标物体的触觉数据，例如，采集传感器压力变化、温度变化和电极分布等多种模态的数据进行预处理，以进行特征提取；提取多模态触觉数据的简单统计特征，并根据各个触觉形容词的正负实例分布情况将其分为训练集和测试集；将提取的特征在例如支持向量机(SVM)、K近邻(KNN)、自适应K值的多标签K近邻(AML
‑
KNN)等分类器下进行分类，得出不同分类方法在数据上的表现效果，提高分类准确率。
[0026]具体地，结合图1和图2所示，本专利技术提供的用于目标物体触觉属性识别的多标签学习方法包括以下步骤：
[0027]步骤S110，采集与目标物体交互过程中产生的多模态触觉数据。
[0028]例如，多种模态的触觉数据包括目标物体与BIOTAC传感器交互过程中产生的压力信号，温度信号和电极分布信号。
[0029]为了获得多种模态的触觉数据，例如，采用BIOTAC传感器对多种模态的数据进行采集，安装在PR2机器人上的BIOTAC传感器分别对60种生活中常见物品进行交互操作，交互过程分为按压，握持，慢速滑动，快速滑动等。传感器在每个交互过程中可以产生五种类型的信号：低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于目标物体触觉属性识别的多标签学习方法，包括以下步骤：采集与目标物体交互过程中产生的多模态触觉数据；从所述多模态触觉数据中提取触觉特征构建训练集，该训练集用于表征描述交互过程的触觉形容词与所提取的触觉特征之间的对应关系；利用所述训练集训练多标签分类器，以获得用于实时预测触觉属性的识别模型。2.根据权利要求1所述的方法，其中，所述多模态触觉数据包括：低频流体压力、高频流体振动、核心温度、核心温度变化和多个电极信号。3.根据权利要求2所述的方法，其中，对于低频流体压力、高频流体振动、核心温度和核心温度变化数据，提取的触觉特征是最大值、最小值、均值、峰值、绝对平均值、均方根值、方差、标准差、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子中的一项或多项；对于所述多个电极信号，使用主成分分析提取两个最重要的主成分用于表示电极信号，并随着时间的推移，将一个六阶多项式匹配到每个分量上，每个多项式都有六个系数，将这些系数作为提取的触觉特征。4.根据权利要求1所述的方法，其中，所述训练多标签分类器还包括：构建用于验证分类效果的测试集，并使所述训练集和所述测试集都有正负标记的对象。5.根据权利要求1所述的方法，其中，所述训练集中的触觉特征是经归一化处理后的特征，所述多模态触觉数据是经去燥处理的数据。6.根据权利要求1所述的方法，其中，根据以下步骤训练所述多标签分类器：基于所述训...

【专利技术属性】
技术研发人员：易正琨，吴新宇，伍汉诚，周贞宁，米婷婷，方森林，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：