[发明专利]一种基于多层感知机的振动信息地形分类识别方法

说明书

本发明提出了一种基于多层感知机的振动信息地形分类识别方法，所述识别方法包括以下步骤：采集振动传感器在不同地形环境下的原始振动数据，得到N个振动数据；步骤二：将步骤一采集到的振动信息的原始数据进行分段处理，每段对应于采集到的N个振动数据，形成一个3×N大小的向量；对步骤二分割处理后的向量进行地形类型标记；将分割后的向量转换到频域；将转换到频域后的向量利用设计的多层感知机神经网络进行学习训练，得到训练后的多层感知机地形分类识别网络；实时在线获取振动数据，执行步骤二至步骤四，利用步骤五训练后的多层感知机地形分类识别网络进行在线分类识别，获得地形类型。本发明实现了对五种不同软硬程度地形的有效识别，将直接对移动平台地形可通过性判断提供有效保障。

技术领域

本发明涉及一种基于多层感知机的振动信息地形分类识别方法，属于地形环境识别技术领域。

背景技术

随着深空探测任务的逐渐深入，地外天体巡视已经成为在地外开展探测活动的主要模式，需要巡视器具备对环境的精确感知能力，一方面可以直接获取未知环境的状态信息，另一方面可以为规划系统提供丰富的环境信息，为巡视器路径规划、障碍规避等提供支撑。这其中，如何有效的对途经地形进行分类识别尤为重要，这直接影响了巡视器的路径选择，进而决定了探测任务能否顺利进行，近几年该方向也逐渐成为研究的热点。

地形分类识别根据所采用的传感器类型不同，其基本原理和方法也区别较大，无论是地外天体巡视还是地面机器人应用，主要还是基于视觉和激光雷达来实现。

早在1975年来自马里兰大学的J.S.Weszka等人就对比分析了三种自动纹理分类的方法，其中基于傅里叶功率谱的特征分类效果较差，而基于二阶灰度统计和一阶灰度统计的效果相当。S.Otte等人提出了一种利用在重复出现的图像上生成特征序列来进行地形分类的新方法。该方法基于循环神经网络来学习生成的特征序列，同时作者与已有的标准RNN，LSTM，DCM等方法进行了对比，其实时验证结果要优于其它几类学习构架。F.Zeltner提出了基于无监督学习的地形分类识别方法，利用深度卷积神经网络训练图像分割后的特征矢量，包括颜色、深度及红外数据，减少了对训练数据标签的依赖，以及提高了系统对未知地形类别的适应能力。之后，B.Rothrock等人提出了基于视觉的地外天体地形分类软件系统，即SPOC(Soil Property and Object Classification)，通过深度神经网络学习人类专家给出的少量实例，最终得到了可以应用到大规模数据分析的学习模型，并在火星2020火星车任务(Mars 2020 Rover Mission)以及火星科学实验室任务(Mars ScienceLaboratory)中得到了验证。2017年Chu He等人提出了一种分层分类的方法，将多层贝叶斯网络和条件随机场结合先验知识一起用于对SAR图像的分类，取得了较高的分类精度。H.Wu等人通过改进视觉词袋框架和不同的融合算法提出了更加快速有效的视觉地形分类方法，相比目前仅从特征提取方法研究不同，作者从视觉词袋的整体框架入手研究，并阐述了不同阶段融合的特点，最后利用平均线性核以及乘法线性核两种形式对融合算法进行了评估。2018年P.Kozlowski和K.Walas将RGBD相机采集到的RGB信息、深度信息以及红外信息作为输入，利用新设计的深度神经网络实现了多种材质地形的有效识别。

针对含有植被的地形中安全导航的需求，2006年J.F.Lalonde等人提出了基于三维雷达点云数据的地形分类识别方法，其中利用“散射”类代表多孔体积，如草和树冠层；用“线性”类来表征薄的物体，如电线或树枝；用“面”特征来表征固体物体，如地面、岩石等。2015年B.Suger等人提出了一种半监督学习地形分类识别方法，利用部分标记好的3D激光雷达数据实现了地面通过性分析的模型学习，并验证了在不同平台上的有效性。