[发明专利]一种用于目标物体触觉属性识别的多标签学习方法

说明书

本发明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。

技术领域

本发明涉及机器人技术领域，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。

背景技术

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。

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。

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。

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。

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。

发明内容

本发明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。

根据本发明的第一方面，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：

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；