【技术实现步骤摘要】
本申请涉及机器人控制算法领域，涉及基于冲击感知神经网络的机器人检测横向冲击方法。
技术介绍
1、在复杂的动态环境下，机器人在低摩擦地面上移动时，若机器人轮胎附着力较低，将极易发生侧滑。机器人侧滑一般是指机器人车轮发生横向位移（即轴向位移）的现象，视为机器人受到冲击，机器人在传感器无感知的情况下被瞬间移动到其他位置，安装在车轮上的旋转编码器无法感知冲击造成的横向位移，此时，采用惯性测量单元（inertialmeasurement unit，imu）的感测数据推算出机器人实际位姿。
2、机器人未受冲击的状态大致为三种场景：（1）机器人在光滑的地面上移动；（2）机器人主动撞击障碍物；（3）机器人越过障碍物并出现机体振动。在场景（2）和场景（3）下，惯性测量单元感测的加速度测量值会产生大幅变化，导致机器人在卡尔曼滤波（extendedkalman filter，ekf）框架下，利用预测的位姿结果判定发生横向位移时容易出现误判。
技术实现思路
1、本申请公开基于冲击感知神经网络的机器人检测横向冲击方法，具体的技术方案如下：
2、基于冲击感知神经网络的机器人检测横向冲击方法，机器人检测横向冲击方法包括：步骤a、控制机器人的感测装置采集原始位姿数据，并在原始位姿数据中提取出待感知测量值序列；步骤b、利用已训练的冲击感知神经网络对所述待感知测量值序列进行分类，得到第一目标预测概率与第二目标预测概率；步骤c、判断第一目标预测概率是否大于第二目标预测概率，是则确定机器人检测到其
3、与现有技术相比，本申请减少卡尔曼滤波或其它滤波信息的干扰，尽可能地让所述已训练的冲击感知神经网络针对所有采集到的原始且全面的样本数据进行分类处理，也加快训练和分类处理的效率，不会因为对感测装置实时采集的原始位姿数据进行有效性判断后而停止使用神经网络进行分类识别，也不会因为对感测装置实时采集的原始位姿数据进行卡尔曼滤波后才开始使用神经网络进行分类识别，提高机器人检测横向冲击的效率。
4、进一步地，所述已训练的冲击感知神经网络的构建方法包括：步骤1、利用滑动窗口从预先采集的位姿数据中提取出预感知测量值序列，其中，所述预感知测量值序列的长度是滑动窗口的窗口长度；步骤2、将所述预感知测量值序列沿着对应维度的通道连接，生成第一输入特征；步骤3、控制所述第一输入特征在预先构建的冲击感知神经网络内进行多层卷积操作和一层池化操作，得到待分类特征；其中，冲击感知神经网络是根据卷积神经网络的构建方式构建出来的神经网络模型，所述冲击感知神经网络包括多个连续堆叠的卷积层和一个池化层；步骤4、利用softmax算法对所述待分类特征进行分类，得到第一受冲击预测概率和第二受冲击预测概率；步骤5、基于损失函数，使用第一受冲击预测概率和第二受冲击预测概率计算冲击感知神经网络的损失值；并基于所述损失函数，通过梯度下降法对所述冲击感知神经网络进行权重更新，再将权重更新后的冲击感知神经网络更新为冲击感知神经网络；其中，损失函数是二元交叉熵，第一受冲击预测概率和第二受冲击预测概率在损失函数中分别是两个分类的预测结果；当前更新的权重是卷积层的权重；步骤6、重复执行步骤2至步骤5以实现所述预感知测量值序列输入权重更新后的冲击感知神经网络，直至最新计算出来的损失值小于预设损失阈值，将权重更新后的冲击感知神经网络标记为所述已训练的冲击感知神经网络。
5、经过执行上述步骤1至步骤6，本申请先后进行多层卷积操作、池化操作、softmax算法分类处理、计算损失值和权重更新，训练出所述已训练的冲击感知神经网络，不仅提高位姿特征的提取精度和分类精度，而且降低卷积神经网络（或所述冲击感知神经网络）参数的数量级，进而构建出的所述已训练的冲击感知神经网络形成轻量化网络模型，加快检测机器人受冲击情况。
6、进一步地，所述softmax算法在所述冲击感知神经网络是以softmax分类器的方式占据一个输出层；softmax分类器用于利用所述待分类特征计算出第一受冲击预测概率和第二受冲击预测概率；其中，所述待分类特征是其所连接到的两个节点经过多层卷积操作和池化操作后输出的信息；其中，所述第一受冲击预测概率是所述待分类特征被分类为来源于机器人受横向冲击状态下所提取的测量值序列的概率，以形成所述softmax算法产生的第1个分类的概率；其中，所述第二受冲击预测概率是所述预感知测量值序列或所述待分类特征被分类为来源于机器人不受横向冲击状态下所提取的测量值序列的概率，以形成所述softmax算法产生的第2个分类的概率。
7、从而能够减少对计算机存储资源的依赖，能够有效减少训练时间，提高位姿特征信息在所述冲击感知神经网络内的分类精度，且仅评估两个分类情况的模型概率（第一受冲击预测概率和第二受冲击预测概率），平衡所述冲击感知神经网络的检测效率、运算资源以及检测精度三个要求。
8、进一步地，在重复执行步骤2至步骤5的过程中，每次执行所述步骤5时，在使用所述损失函数计算所述损失值之前，判断步骤4得到的第一受冲击预测概率是否大于步骤4得到的第二受冲击预测概率，是则将损失函数所需的标签真实值设置为1并确定机器人受横向冲击是当前预判结果，否则将损失函数所需的标签真实值设置为0并确定机器人不受横向冲击是当前预判结果。从而依据第一受冲击预测概率与第二受冲击预测概率之间的大小关系得出的机器人受冲击情况是粗判断结果，即所述当前预判结果。因而，计算出的损失值由大于或等于预设损失阈值变为小于所述预设损失阈值的过程视为对所述冲击感知神经网络训练的过程，也是对所述权重、第一受冲击预测概率、第二受冲击预测概率、卷积层的相关模型参数以及池化层的相关模型参数的更新过程。
9、进一步地，所述步骤2中，构建冲击感知神经网络的方式包括：依次连接4个1维卷积层，再连接一个池化层，并将每个1维卷积层的核长度均配置为3，并将每个1维卷积层当中的卷积过滤器的移动步长均配置为1，并将池化层内的池化操作配置为取平均值的操作，以构建出所述冲击感知神经网络；其中，卷积层的权重的原始值是随机产生，且支持在确定所述损失函数的基础上由所述梯度下降法进行更新；所述输入特征与卷积层的权重被配置在卷积层中进行卷积操作。从而根据卷积神经网络的构建方式逐层构建所述冲击感知神经网络，形成多层卷积层堆叠连接的卷积神经网络。
10、进一步地，所述步骤3的操作方法包括：控制步骤2生成的第一输入特征依次在所述4个1维卷积层内进行卷积操作，得到第一判别特征，并确定该第一判别特征是在所述4个1维卷积层内的编码结果；然后将所述第一判别特征输入池化层；然后控制所述第一判别特征在所述池化层内进行平均池化处理，得到所述待分类特征。从而将4个1维卷积层中卷积结果和1本文档来自技高网...
【技术保护点】
1.基于冲击感知神经网络的机器人检测横向冲击方法，其特征在于，机器人检测横向冲击方法包括：
2.根据权利要求1所述机器人检测横向冲击方法，其特征在于，所述已训练的冲击感知神经网络的构建方法包括：
3.根据权利要求2所述机器人检测横向冲击方法，其特征在于，所述softmax算法在所述冲击感知神经网络是以softmax分类器的方式占据一个输出层；
4.根据权利要求3所述机器人检测横向冲击方法，其特征在于，在重复执行步骤2至步骤5的过程中，每次执行所述步骤5时，在使用所述损失函数计算所述损失值之前，判断步骤4得到的第一受冲击预测概率是否大于步骤4得到的第二受冲击预测概率，是则将损失函数所需的标签真实值设置为1并确定机器人受横向冲击是当前预判结果，否则将损失函数所需的标签真实值设置为0并确定机器人不受横向冲击是当前预判结果。
5.根据权利要求2所述机器人检测横向冲击方法，其特征在于，所述步骤2中，构建冲击感知神经网络的方式包括：
6.根据权利要求5所述机器人检测横向冲击方法，其特征在于，所述步骤3的操作方法包括：
7
8.根据权利要求5所述机器人检测横向冲击方法，其特征在于，在所述步骤5中，所述基于损失函数，使用第一受冲击预测概率和第二受冲击预测概率计算冲击感知神经网络的损失值的方法包括：
9.根据权利要求5所述机器人检测横向冲击方法，其特征在于，在所述步骤2中，将所述预感知测量值序列沿着对应维度的通道连接的方法包括：
10.根据权利要求9所述机器人检测横向冲击方法，其特征在于，在所述步骤B中，所述利用已训练的冲击感知神经网络对待感知测量值序列进行分类的方法包括：
...【技术特征摘要】
1.基于冲击感知神经网络的机器人检测横向冲击方法，其特征在于，机器人检测横向冲击方法包括：
2.根据权利要求1所述机器人检测横向冲击方法，其特征在于，所述已训练的冲击感知神经网络的构建方法包括：
3.根据权利要求2所述机器人检测横向冲击方法，其特征在于，所述softmax算法在所述冲击感知神经网络是以softmax分类器的方式占据一个输出层；
4.根据权利要求3所述机器人检测横向冲击方法，其特征在于，在重复执行步骤2至步骤5的过程中，每次执行所述步骤5时，在使用所述损失函数计算所述损失值之前，判断步骤4得到的第一受冲击预测概率是否大于步骤4得到的第二受冲击预测概率，是则将损失函数所需的标签真实值设置为1并确定机器人受横向冲击是当前预判结果，否则将损失函数所需的标签真实值设置为0并确定机器人不受横向冲击是当前预判结果。
5.根据权利要求2所述机器人检测横...
【专利技术属性】
技术研发人员：王珂，周和文，包敏杰，戴崑，许润泽，肖刚军，
申请(专利权)人：珠海一微半导体股份有限公司，
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。