[发明专利]一种机器人地形识别及速度控制方法及系统有效
申请号: | 202111661244.0 | 申请日: | 2021-12-30 |
公开(公告)号: | CN114474053B | 公开(公告)日: | 2023-01-17 |
发明(设计)人: | 骆爱文;李媛;林卓;梁庭珲;张程怡 | 申请(专利权)人: | 暨南大学 |
主分类号: | B25J9/16 | 分类号: | B25J9/16 |
代理公司: | 广州粤高专利商标代理有限公司 44102 | 代理人: | 禹小明 |
地址: | 510632 广东*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 机器人 地形 识别 速度 控制 方法 系统 | ||
1.一种机器人地形识别及速度控制方法,其特征在于,包括以下步骤:
S1、获取设置在机器人足底的压力传感器采集的压力传感信号,对所述压力传感信号进行预处理,得到相应的电压数据;
S2、将所述电压数据基于时域进行特征提取,并将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别,得到地形识别结果;所述分类器包括SVM分类器和/或kNN分类器;
所述SVM分类器采用变换策略解决多类别的地形分类问题;所述变换策略包括OVR方法或OVO方法,其中:
采用OVR方法的SVM分类器中包括m个二元SVM模型,m为预设的地形类别数量;其中每个二元SVM模型都通过用正标签标记一个类,用负标签标记其余的m-1类进行离线训练;在测试过程中,采用完成训练的m个二元SVM模型对当前输入的特征向量进行分类,选择对超平面具有最大边距的类别作为地形识别结果进行输出;
采用OVO方法的SVM分类器中包括m(m-1)/2个二元SVM模型,其通过将一个m类多分类任务拆分为每对地形组合(i,j)的二元分类任务,分别输出二分类的识别结果;在测试过程中,采用OVO方法的SVM分类器从所有二元SVM模型的输出识别结果中选择具有投票数最高的类别作为当前实时输入的地形识别结果进行输出;
所述kNN分类器采用欧氏距离作为参考地形与实时输入地形的距离度量实现在线地形识别;所述kNN分类器内预设有机器人行走在多种不同的参考地形时所对应的特征向量;
所述kNN分类器将当前实时输入的电压数据对应的特征向量与每个参考地形的特征向量进行比较,分别计算出二者的欧氏距离Dist;所述kNN分类器通过比较当前实时输入的电压数据对应的特征向量FVin(i)与每个参考地形的特征向量FVref_j(i)的欧氏距离大小,得到与当前机器人行走的地形距离最接近的k个参考地形样本,并从中选择表示数最多的参考地形样本对应的类作为地形识别结果进行输出;
S3、将所述地形识别结果经过选通电路发送至机器人控制器,机器人控制器根据接收的地形识别结果,按照预设的行为姿态参数对机器人的姿态及行走速度进行控制。
2.根据权利要求1所述的机器人地形识别及速度控制方法,其特征在于,所述S1步骤中,对所述压力传感信号进行预处理的步骤包括:对所述压力传感信号以预设的采样速率进行采样,然后通过模数转换为时间离散的串行电压数据序列。
3.根据权利要求1所述的机器人地形识别及速度控制方法,其特征在于,所述S2步骤中,将所述电压数据基于时域进行特征提取的步骤包括:
S2.1、设定特征框定窗口的尺寸N、窗口时间长度tN和滑动步长Δt,其中所述特征框定窗口的滑动步长Δt小于或等于窗口时间长度tN;
S2.2、采用所述特征框定窗口对所述电压数据按时间序列进行分割,并在每一次特征框定窗口以滑动步长进行滑动后,对所述特征框定窗口选中的电压数据采用特征描述算子进行特征计算,得到特征向量。
4.根据权利要求3所述的机器人地形识别及速度控制方法,其特征在于,所述特征描述算子包括均方根、平均绝对值、方差和波形长度中的一种或多种;采用所述特征描述算子在所述特征框定窗口内进行特征计算的表达式分别如下:
式中,vRMS(n)表示以均方根特征描述算子计算得到的特征点,vMAV(n)表示以平均绝对值特征描述算子计算得到的特征点,vVAR(n)表示以方差特征描述算子计算得到的特征点,vWL(n)表示以波形长度特征描述算子计算得到的特征点;xi(n)表示当前特征框定窗口内时序为i的电压数据,N为单个特征框定窗口的窗口尺寸。
5.根据权利要求1所述的机器人地形识别及速度控制方法,其特征在于,所述SVM分类器中用于空间映射的核函数包括线性核函数、多项式核函数、高斯核函数或Sigmoid核函数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于暨南大学,未经暨南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111661244.0/1.html,转载请声明来源钻瓜专利网。