【技术实现步骤摘要】
本专利技术涉及机器人触觉，尤其是涉及一种基于机器人触觉感知的物体形状重建方法。
技术介绍
1、在未知和非结构化环境中，机器人通过一系列的感知手段来建立和完善他们对世界的理解。特别是在复杂的未知环境中，机器人对外界环境或对象物体不了解，但可以与周围环境进行物理交互，从而获取想要的信息，从而建立起他们的相关表征。准确的估计并表征一个未知物体或环境的三维形状是许多工程应用中的挑战之一。物体的表征一旦建立起来，便可以被用于不同目的的后续任务，比如关于物体形状的准确信息是后续操作的基础，如伸手、抓取和操作。
2、在一些极端环境下，如黑暗、烟雾等，视觉传感器是不能完全且详尽的捕获物体信息的。触觉为极端环境的物体建模提供了一个有效的方法。然而，触觉捕获的数据具有随机性、稀疏性的特征，物体重建的效率、精度受限。现有技术中，公开号为cn115937043a的中国专利公开了一种触觉辅助点云补全的方法，该方法通过重复操作，对不同触摸区域添加触摸，虽然能够有利于重建点云的细节，但是，存在重复操作，效率必然发生降低。基于此，本专利技术提供一种基于机器人触觉感知的物体形状重建方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器人触觉感知的物体形状重建方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术提供一种基于机器人触觉感知的物体形状重建方法，包括以下步骤：
4、步骤1、利用触觉传感器接触未知物体，
5、步骤2、将所述感知的点云数据输入到编码器网络中，进行特征提取处理操作，得到点云的全局特征；
6、步骤3、利用解码器网络对所述点云的全局特征进行补齐操作，得到预测的点云数据；
7、步骤4、将感知的点云数据和预测的点云数据输入物体重建网络进行物体形状重建。
8、进一步地，所述步骤2具体包括：所述编码器网络包括全连接神经网络和最大池化层；
9、步骤21、通过全连接神经网络对输入的点云数据进行升维处理，输入的点云数据为n*3的触觉数据，输出为n*m的中间特征，其中，m大于3；
10、步骤22、通过最大池化层对中间特征进行处理，输出为点云的全局特征。
11、进一步地，所述步骤22中输出表示为1*m。
12、进一步地，所述步骤3具体通过使损失函数的值最小，得到预测的点云数据；
13、所述损失函数采用如下公式表示：
14、
15、其中，s1和s2分别代表真实点云和预测点云，x和y分别是真实点云和预测点云数据，是数据的范数；min代表最小值，∑代表累加和。
16、进一步地，所述步骤4中的物体重建网络包括多个混合密度网络和全连接神经网络；将感知的点云数据和预测的点云数据输入输入多个混合密度网络，所述全连接神经网络对多个混合密度网络的输出进行处理，并对高斯过程进行学习，所述全连接神经网络的输出为预测均值和方差。
17、进一步地，所述高斯过程采用如下公式表示：
18、
19、
20、其中，y和y′分别是已知位置的标签和未知位置标签，x和x′是已知数据和未知数据，δn是加入的白噪产，v[y′]是对应的未知位置的标签。
21、可选地，所述预测均值采用如下公式表示：
22、
23、进一步地，将物体内部点的标签设置为-1；物体外部点的标签设置为+1；物体表面点的数据设置为0。
24、第二方面，本专利技术提供一种电子设备，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述所述的方法。
25、第三方面，本专利技术提供一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法。
26、与现有技术相比，本专利技术具有以下有益效果：
27、1、本专利技术利用已知的部分数据，先进行一步预测，补齐部分缺失数据，能够减少主动探索次数，提高物体形状重建的效率。
28、2、在视觉受限制环境下，对于物体重建的数据，本专利技术包含感知数据和预测数据，通过结合感知数据和预测数据，能够提高物体重建精度，具有高精度、速度快的优点。
29、3、本专利技术采用的编码器网络、解码器网络、物体重建网络这些结构具有结构简单，模型训练的时间短的优点。
本文档来自技高网...【技术保护点】
1.一种基于机器人触觉感知的物体形状重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤2具体包括：所述编码器网络包括全连接神经网络和最大池化层；
3.根据权利要求2所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤22中输出表示为1*m。
4.根据权利要求1所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤3具体通过使损失函数的值最小，得到预测的点云数据；
5.根据权利要求1所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤4中的物体重建网络包括多个混合密度网络和全连接神经网络；将感知的点云数据和预测的点云数据输入输入多个混合密度网络，所述全连接神经网络对多个混合密度网络的输出进行处理，并对高斯过程进行学习，所述全连接神经网络的输出为预测均值和方差。
6.根据权利要求5所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述高斯过程采用如下公式表示：
7.根据权利要求5所述的
8.根据权利要求7所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，将物体内部点的标签设置为-1；物体外部点的标签设置为+1；物体表面点的数据设置为0。
9.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-8任意一项所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任意一项所述的方法。
...【技术特征摘要】
1.一种基于机器人触觉感知的物体形状重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤2具体包括：所述编码器网络包括全连接神经网络和最大池化层；
3.根据权利要求2所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤22中输出表示为1*m。
4.根据权利要求1所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤3具体通过使损失函数的值最小，得到预测的点云数据；
5.根据权利要求1所述的一种基于机器人触觉感知的物体形状重建方法，其特征在于，所述步骤4中的物体重建网络包括多个混合密度网络和全连接神经网络；将感知的点云数据和预测的点云数据输入输入多个混合密度网络，所述全连接神经网络对多个混合密度网络的输出进行处理，并对高斯过程进行学习，所述全连接神经网络的...
【专利技术属性】
技术研发人员：岳继光，栾锋，周艳敏，何斌，王志鹏，蒋烁，金屹阳，
申请(专利权)人：同济大学，
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。