[发明专利]一种机器人触觉动作识别系统及识别方法

权利要求书

1.一种机器人触觉动作识别系统的动作识别方法，其特征在于，该识别方法包括以下步骤：

第一步、训练卷积神经网络；

(1)将阵列式触觉传感器穿戴于载体上，阵列式触觉传感器和嵌入式微控制器连接，嵌入式微控制器与上位机连接；所述阵列式触觉传感器是由m行n列的电极形成的阵列，行列之间的行列交点处设置有介电层；启动上位机和嵌入式微控制器；

动作设计者采用标准动作向M个参与者演示施加于阵列式触觉传感器的R种特征动作；再令M个参与者分别将R种特征动作按照动作设计者演示的标准动作施加于阵列式触觉传感器，每种特征动作重复N次；

每个参与者以一种特征动作施加于阵列式触觉传感器一次的输出信号记为一个训练样本，则得到P＝R×M×N个训练样本；每个训练样本中的每一帧包含u×u个压力数据，分别对应m行×n列的阵列式触觉传感器的各个行列交点处的压力值，压力矩阵若存在缺失位置则用0补全；u为m和n中的最大值；压力矩阵为阵列式触觉传感器各个行列交点处的压力值形成的矩阵；

嵌入式微控制器实时采集阵列式触觉传感器的输出信号并传输到上位机中储存；上位机实时显示阵列式触觉传感器的各个行列交点处的压力值以及总压力值随时间的变化曲线；总压力值为各个行列交点处受到的压力值之和；

(2)在上位机中计算各个训练样本的每一帧各自所包含的压力数据的和值，选取每个训练样本中各自的压力数据和值最大的一帧包含的u×u个压力数据组成特征动作数据集{Rp}，作为训练卷积神经网络时的输入；特征动作数据集{Rp}中包含P组u×u个压力数据；

(3)在上位机中构建卷积神经网络；再用特征动作数据集{Rp}训练卷积神经网络；训练完成后，得到卷积神经网络模型集合，从中选取验证集准确率最高的卷积神经网络模型；

(4)将卷积神经网络模型转化为编程文件，编程文件中包含应用程序编程接口；

第二步、设计判别算法进行动作识别；

(1)在上位机中对ADC模块进行编程，在ADC模块中设定压力阈值、压力作用时间阈值、总压力阈值和压力矩阵质心移动距离阈值；

(2)将编程后的ADC模块和第一步得到的编程文件嵌入到嵌入式微控制器中；

(3)嵌入式微控制器实时检测阵列式触觉传感器各个行列交点处的压力值，再在嵌入式微控制器中计算得到压力作用时间、总压力值和压力矩阵质心移动距离；再通过判别算法进行动作识别，得到识别结果；

判别算法是：通过各个行列交点处的压力值与压力阈值的比较来判别是否施加动作；当确定施加动作时，通过压力作用时间与压力作用时间阈值的比较来判别施加动作是否为应激动作；当确定施加动作为应激动作时，通过总压力值与总压力阈值的比较来判别动作施加力的大小以确定应激动作的类型；当确定施加动作不是应激动作时，经过卷积运算得到初步识别结果，再通过压力矩阵质心移动距离与压力矩阵质心移动距离阈值的比较来判别卷积神经网络模型易混淆的相似动作，来进一步修正初步识别结果，得到最终识别结果。

2.根据权利要求1所述的机器人触觉动作识别系统的动作识别方法，其特征在于所述介电层为离子凝胶纤维层。

3.根据权利要求1所述的机器人触觉动作识别系统的动作识别方法，其特征在于，第一步的步骤(1)中，设置嵌入式微控制器的采样频率，设置上位机的数据储存方式为连续储存。

4.根据权利要求1所述的机器人触觉动作识别系统的动作识别方法，其特征在于，第一步的步骤(2)中，分别将P组u×u个压力数据存储到名称为i_j的任何程序可读取格式的文件中，便于卷积神经网络在训练时的读取，其中i代表第i种动作特征，1≤i≤R，j代表第i种动作的第j个数据，1≤j≤M×N。

5.根据权利要求1所述的机器人触觉动作识别系统的动作识别方法，其特征在于，第一步的步骤(3)中，卷积神经网络的训练方法是：将特征动作数据集{Rp}中每种特征动作的前a％的数据作为训练集，后(1-a)％的数据作为验证集；训练卷积神经网络，得到卷积神经网络模型集合，从中选取验证集准确率最高的卷积神经网络模型，保存此卷积神经网络模型为相应的格式。