CN107368858A - 一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法 - Google Patents

Abstract

本发明提供了一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用KH算法优化的小波神经网络模型完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。

Description

一种智能环境运载机器人识别楼层的参数化测量多模型智能 融合方法

技术领域

本发明属于机器人识别领域，特别涉及一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法。

背景技术

机器人是伴随着现代自动控制领域的发展而出现的一项新技术，机器人可以显著提高劳动生产率，并对改善劳动条件、提升劳动质量、加速产品更新换代起着重要的作用。运载机器人是机器人学的一个分支，它可以代替人来完成物品的精确、快速搬运。由于现代应用环境的需求，运载机器人需要完成跨楼层的运载作业。而运载机器人如何在电梯中实现楼层的辨识，至今仍是一个难题。

目前，运载机器人辨识电梯所到楼层主要有机器视觉法和楼层信息交互读取法。机器视觉法是通过机器视觉原理对电梯内部或外部能够显示楼层特征的图像进行获取、识别和处理，该方法技术成熟，在图像特征明显、无强光、无视觉遮挡的环境下，识别准确度高，然而在一些复杂环境下，会出现无法识别的情况，直接应用较为困难。楼层信息交互读取法包含两个方面，一是通过对电梯进行改造或加装设备，实现电梯信息与运载机器人之间的交互，令运载机器人实时获取电梯楼层信息，如单片机楼层信息读取法；二是先通过外部设备获取楼层信息，再将信息传递给机器人，如网络授予法。楼层信息交互读取法准确度很高，但该方法依赖于外部设备，而电梯轿厢是一个封闭的环境，现实条件下给现有电梯轿厢专门安装运载机器人楼层信号交互系统非常困难。因此迫切需要提出一种能适用于复杂环境的运载机器人楼层自主辨识方法。气压是自主测量高度的一种方法，可以运用于运载机器人自主辨识楼层。然而即使在同一位置，气压也会随着时间、温度、湿度、风等的变化而变化。直接用气压来辨识楼层是不合适的。

发明内容

本发明提供了一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，其目的在于克服上述方法中存在的不足，利用气压随高度变化而变化的特征，对电梯所在环境数据进行特征融合处理，采用数据挖掘技术和基于KH优化的小波神经网络分类建模处理，对机器人所在楼层进行实时判别。

一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，包括以下步骤：

步骤1：采集楼层历史信息数据，构建楼层信息数据库；

所述楼层历史信息数据包括各楼层在各种天气条件下不同时间间隔区间中的天气观测值，所述天气观测值包括温度、湿度以及气压；

步骤2：对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合，每一种天气模式对应一组温度区间、湿度区间以及气压区间；

所述样本是指在一个时间间隔内采集的天气观测值均值，时间间隔是将历史数据采集时间作为一个连续的时间段，进行等间距划分，设定为1小时；

步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；

将所有样本中的气压均值按照天气模式进行划分后，对相同天气模式下所有楼层的气压均值进行合并，得到同一天气模式下全楼层的所有气压均值和对应楼层层号的训练子集，所有天气模式下的全楼层训练子集构成训练集合；

步骤4：构建基于天气模式的气压楼层预测模型；

将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练基于KH优化的小波神经网络分类模型，获得基于天气模式的气压楼层预测模型；

步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；

步骤6：利用机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。

进一步地，所述基于KH优化的小波神经网络分类模型是以同一天气模式下不同气压均值数据及相应的楼层层号分别作为输入和输出训练数据，建立小波神经网络模型进行分类训练获得；

其中，所建立的小波神经网络分类模型的权值和阈值的初始参数采用KH算法进行优化选择。

进一步地，所述小波神经网络分类模型的权值和阈值的初始参数采用KH算法进行优化选择的过程如下：

(1)将小波神经网络的所有权值和阈值作为磷虾位置向量，并对种群中的磷虾位置向量进行随机初始化；

设置磷虾群体规模、最大迭代次数、最大移动步长，最大觅食速度，最大扩散速度，时间常量；

(2)确定适应度函数；

利用小波神经网络分类模型对同一天气模式下各楼层的所有历史样本进行分类，得到每个样本的分类结果，将所有样本的楼层分类结果和真实楼层结果之间的差值绝对值求均值平方，作为适应度函数；

每个磷虾的适应度是指将每个磷虾位置向量对应的小波神经网络的所有权值和阈值代入小波神经网络分类模型得到的适应度，适应度值越小，磷虾位置越好；

(3)计算每个磷虾的适应度；

(4)根据KH算法的诱导运动、觅食活动、随机扩散3个部分，对磷虾个体进行位置更新，确定当前最优磷虾位置；

(5)判断是否满足终止条件，满足则输出最优权值和阈值，没有则返回(3)继续循环，直到满足终止条件；

所述终止条件是指达到最大迭代次数。

进一步地，所述磷虾种群规模范围为[5-30]、最大迭代次数范围为[50-300]、最大移动步长范围为[0.01-0.1]，最大觅食速度范围为[0.01-0.1]，最大扩散速度范围为[0.001-0.01]，时间常量范围为[0.1-0.9]。

进一步地，采用SOM聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合；

SOM聚类上限附加值d的取值范围为[0-9]。

进一步地，采用WSA算法获取构建SOM神经网络聚类模型的连接权值，具体过程如下：

步骤A：以SOM神经网络聚类模型的连接权值作为一只狼，随机初始化狼群；

设置狼群的种群规模，步长因子，探狼比例因子，最大游走次数，距离判定因子，最大奔袭次数，更新比例因子，最大迭代次数；

步骤B：设定适应度函数；

以每只狼对应的SOM神经网络聚类模型对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类时，产生的局部权重失真指数作为适应度函数；

每只狼的适应度是指将每一只狼代表的连接权值代入SOM神经网络聚类模型，利用得到SOM神经网络聚类模型，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类时，产生的局部权重失真指数；

步骤C：令有最大适应度的狼为头狼，根据探狼比例因子从狼群中随机选取探狼，计算探狼在各方向的适应度，并使探狼向适应度最大方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束，狼群进入奔袭状态；

拥有最大适应度的狼作为头狼，狼群中除头狼与探狼之外的人工狼都为猛狼；

每只狼在不同方向上的适应度是指利用不同方向对应的角度函数对每只狼所表示的权值进行调节，利用调节后的权值生成的狼对应的适应度；

调节后的权值是通过对原本的权值乘以方向角度函数获得，不同的方向对应的角度取值范围为0-360°]；

步骤D：猛狼向头狼所在方向奔袭，并不断计算猛狼适应度，若某猛狼适应度于头狼适应度，则该狼成为新的头狼，且其余猛狼改为向新头狼奔袭；

当猛狼与头狼距离小于判定距离时，猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态；

步骤E：除头狼以外所有人工狼计算向头狼方向前进一步的适应度，若适应度升高，则狼向头狼方向前进一步，若适应度降低，则人工狼保持原位置不变，狼群完成一次围攻；

所述人工狼向头狼方向前进一步是指将人工狼对应的权值加1后再乘以头狼方向角度函数，所述头狼方向角度是指人工狼与头狼之间连线与水平线构成的夹角；

步骤F：将所有狼按照当前适应度由高到低排序，适应度最高的设为头狼，按照更新比例因子选取排名靠后的人工狼被淘汰，并重新随机生成新的人工狼，判断是否达到最大迭代次数，若达到，则输出当前头狼对应的连接权值，否则，返回步骤C，继续迭代。

进一步地，所述狼群的种群规模取值范围为[10-30]，步长因子取值范围为[1000-5000]，探狼比例因子取值范围为[1-5]，最大游走次数取值范围为[5-20]，距离判定因子取值范围为[100-500]，最大奔袭次数为取值范围为[5-20]，更新比例因子取值范围为[1-10]，最大迭代次数取值范围为[100-500]。

进一步地，所述机器人上装载的气压传感器的相对气压精度为[﹣0.036，﹢0.036]hPa。

有益效果

本发明提供了一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，包括：步骤1：采集楼层历史数据，构建楼层信息数据库；步骤2：对楼层信息数据进行聚类，得到每个楼层的天气模式集合；步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；步骤4：构建基于天气模式的气压楼层预测模型；步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；步骤6：利用机器人实时采集的气压，输入气压楼层预测模型中，输出机器人所在的楼层层号；该方法利用简易的温度、湿度、气压传感器搜集数据，建立环境数据库，并针对气压随高度变化而变化的特性，采用数据挖掘技术，实现机器人在不同环境条件下的电梯楼层自动高准确度、高稳定性识别。此外，本发明无需对电梯进行改造，能适用于各种电梯，具有极高的普适性。

在聚类过程中，采用WSA优化的SOM神经网络聚类算法对楼层信息数据进行聚类，WSA算法用于优化SOM神经网络的初始权值，提高了SOM神经网络的泛化性能，且SOM聚类算法能够智能获得聚类类别，将WSA算法与SOM聚类算法结合，可以获得高质量的聚类结果。

利用KH优化的小波神经网络模型完成预测模型的建立，KH算法用于优化小波神经网络的初始权值和阈值，可以减少小波神经网络陷入局部最优的情况，且小波神经网络模型具有优良的多维非线性分类能力，将KH算法与小波神经网络相结合，可以获得高准确度的预测结果。

附图说明

图1为本发明所述方法的原理流程图；

图2为本发明中WSA优化的SOM模型构建流程图；

图3为本发明中KH优化的小波神经网络模型构建流程图；

图4为应用本发明所述方法的楼层识别准确率示意图。

具体实施方式

如图1所示，一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，包括以下步骤：

步骤1、在机器人投入使用前，搜集楼栋不同时间下各楼层的温度、湿度、气压数据，建立数据库且在机器人投入使用后数据库仍然保持更新。以10层楼为例。

步骤2、将楼层编号为楼层1-楼层10，将数据按照不同楼层进行分类。

步骤3、设定相邻两整点的每小时为时间间隔，提取10个楼层每小时内温度、湿度、气压的均值。

步骤4、对每一个单一楼层，将温度、湿度、气压的均值作为观测值，将每个时间间隔区间的观测值作为样品，则楼层1-楼层10构成样品集A₁-A₁₀，设每个样品集包括200个样品。对各样品集建立WSA(狼群搜索算法)优化的SOM神经网络聚类算法，设合适的模式有15个，得到单一楼层的模式1-模式15，建立各楼层模式集。

WSA优化的SOM聚类算法步骤如下：

(1)利用WSA算法随机生成代表SOM神经网络模型连接权值的狼群，每只狼代表SOM神经网络的一组权值，设置种群规模为15，步长因子为3000，探狼比例因子为3，最大游走次数为8，距离判定因子为300，最大奔袭次数为10，更新比例因子为5，最大迭代次数为200，选取SOM算法中的局部权重失真指数作为狼群算法的适应度函数；

(3)令有最大适应度的狼为头狼，从根据探狼比例因子从狼群中随机选取探狼，计算探狼在各方向的适应度，并使探狼向适应度最大的方向探索，当某只探狼适应度大于头狼(该狼成为新头狼)或者达到最大游走次数时，游走结束，狼群进入奔袭状态；

(4)除头狼与探狼之外的人工狼都为猛狼，猛狼向头狼所在方向奔袭，并不断计算适应度，若某猛狼适应度高于头狼，则该狼成为新的头狼，且其余猛狼改为向新头狼奔袭，当猛狼与头狼距离小于判定距离时，该猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态；

(5)除头狼以外所有狼计算向头狼方向前进一步的适应度，若适应度升高，则狼向头狼方向前进一步，若适应度降低，则狼保持原位置不变；

(6)进行一步围攻过程(步骤(5))后，狼群完成围攻行为，，所有人工狼按照当前适应度由高到低排序，适应度最高的设为头狼，排名靠后的人工狼被淘汰，并重新随机生成新的人工狼，当达到最大迭代次数时，优化结束；

(7)将求得的最优权值带入SOM网络，设置SOM聚类上限值n+d(n为最终得到的聚类类别，SOM聚类得到的类别会小于等于设定的上限值)；

(8)将样品集的q个样本数据导入SOM网络，进行聚类操作，得到单一楼层的模式1-模式15。

步骤5、提取所有楼层同一模式(同时间段)下各样品数据的气压均值数据，得到全楼层模式1’-模式15’，建立全楼层模式集。

步骤6、如图2所示，对于全楼层模式1’-模式15’，以同一模式下不同气压均值数据为输入，以相应的楼层数为输出，建立KH(磷虾群算法)优化的小波神经网络进行训练，得到训练模型1’-模型15’，建立模型集。

KH优化的小波神经网络计算步骤如下：

(1)将小波神经网络的所有权值阈值作为磷虾位置向量，设置磷虾群体规模为10、最大迭代次数为100、最大移动步长为0.02，最大觅食速度为0.04，最大扩散速度为0.006，时间常量为0.4；

(2)随机产生初始磷虾个体，选取小波神经网络预测结果的均方误差作为适应度函数，计算个体适应度，确定当前最优磷虾位置；

(3)根据KH算法的诱导运动、觅食活动、随机扩散3个部分，对磷虾个体进行位置更新，确定当前最优磷虾位置；

(4)判断是否满足终止条件，满足则输出最优权值和阈值，没有则继续循环，直到满足终止条件；

(5)以优化后的网络权值和阈值作为小波神经网络的初始参数，建立并训练网络，得到训练模型。

步骤7、设机器人开始工作时，处于楼层5。机器人获取楼层5的温度、湿度、气压数据(瞬时值或短时间内的均值)，根据各楼层模式集，与对应楼层5进行模式识别，判断此时模式为楼层5的模式8；根据全楼层模式集，找出此时对应的全楼层模式8’；同理，根据模型集，找出此时对应的模型8’。

步骤8、机器人得到指令前往楼层9，此时初始化微处理器和COM端口。

步骤9、机器人到达楼层7，电梯停止，机器人收集当前气压数据(瞬时值或短时间内的均值)。

步骤10、机器人将当前气压数据带入训练好的模型8’进行判定，此时输出为楼层7，机器人继续停留在电梯内，等待电梯下一次停止；

步骤11、机器人到达楼层9，电梯停止，机器人收集当前气压数据(瞬时值或短时间内的均值)，并将当前气压数据带入训练好的模型8’进行判定，此时输出为楼层9，则机器人在电梯门充分打开后离开电梯。

利用本发明所提出的方法对某运载机器人识别楼层的准确率进行试验检验，试验说明如下：(1)在不同日期分别运行辨识方法100次，合计运行10天，共计1000次；(2)机器人的车载笔记本自动读取电梯PLC的楼层信息，同时但机器人运行到不同楼层后，运用本专利所提出的方法识别当前层的楼层信息并存储到机器人的车载笔记本中；(3)对比分析本专利所提出的方法的识别准确率。试验结果见图4所示，在这1000次试验中，本专利所提出的方法成功识别出当前机器人楼层次959次(输出“1”代表识别成功)，错误识别21次(输出“0”代表识别错误)，因此识别成功率为95.9％，表明本发明所述楼层识别方法准确度较高。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法，其特征在于，包括以下步骤：

步骤1：采集楼层历史信息数据，构建楼层信息数据库；

所述楼层历史信息数据包括各楼层在各种天气条件下不同时间间隔区间中的天气观测值，所述天气观测值包括温度、湿度以及气压；

步骤2：对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合，每一种天气模式对应一组温度区间、湿度区间以及气压区间；

所述样本是指在一个时间间隔内采集的天气观测值均值，时间间隔是将历史数据采集时间作为一个连续的时间段，进行等间距划分，设定为1小时；

步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；

将所有样本中的气压均值按照天气模式进行划分后，对相同天气模式下所有楼层的气压均值进行合并，得到同一天气模式下全楼层的所有气压均值和对应楼层层号的训练子集，所有天气模式下的全楼层训练子集构成训练集合；

步骤4：构建基于天气模式的气压楼层预测模型；

将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练基于KH优化的小波神经网络分类模型，获得基于天气模式的气压楼层预测模型；

步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；

步骤6：利用机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。

2.根据权利要求1所述的方法，其特征在于，所述基于KH优化的小波神经网络分类模型是以同一天气模式下不同气压均值数据及相应的楼层层号分别作为输入和输出训练数据，建立小波神经网络模型进行分类训练获得；

其中，所建立的小波神经网络分类模型的权值和阈值的初始参数采用KH算法进行优化选择。

3.根据权利要求2所述的方法，其特征在于，所述小波神经网络分类模型的权值和阈值的初始参数采用KH算法进行优化选择的过程如下：

(1)将小波神经网络的所有权值和阈值作为磷虾位置向量，并对种群中的磷虾位置向量进行随机初始化；

设置磷虾群体规模、最大迭代次数、最大移动步长，最大觅食速度，最大扩散速度，时间常量；

(2)确定适应度函数；

利用小波神经网络分类模型对同一天气模式下各楼层的所有历史样本进行分类，得到每个样本的分类结果，将所有样本的楼层分类结果和真实楼层结果之间的差值绝对值求均值平方，作为适应度函数；

(3)计算每个磷虾的适应度；

(4)根据KH算法的诱导运动、觅食活动、随机扩散3个部分，对磷虾个体进行位置更新，确定当前最优磷虾位置；

(5)判断是否满足终止条件，满足则输出最优权值和阈值，没有则返回(3)继续循环，直到满足终止条件；

所述终止条件是指达到最大迭代次数。

4.根据权利要求3所述的方法，其特征在于，所述磷虾种群规模范围为[5-30]、最大迭代次数范围为[50-300]、最大移动步长范围为[0.01-0.1]，最大觅食速度范围为[0.01-0.1]，最大扩散速度范围为[0.001-0.01]，时间常量范围为[0.1-0.9]。

5.根据权利要求1-4任一项所述的方法，其特征在于，采用SOM聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合；

SOM聚类上限附加值d的取值范围为[0-9]。

6.根据权利要求5所述的方法，其特征在于，采用WSA算法获取构建SOM神经网络聚类模型的连接权值，具体过程如下：

步骤A：以SOM神经网络聚类模型的连接权值作为一只狼，随机初始化狼群；

设置狼群的种群规模，步长因子，探狼比例因子，最大游走次数，距离判定因子，最大奔袭次数，更新比例因子，最大迭代次数；

步骤B：设定适应度函数；

以每只狼对应的SOM神经网络聚类模型对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类时，产生的局部权重失真指数作为适应度函数；

步骤C：令有最大适应度的狼为头狼，根据探狼比例因子从狼群中随机选取探狼，计算探狼在各方向的适应度，并使探狼向适应度最大方向探索，当某只探狼适应度大于头狼或者达到最大游走次数时，游走结束，狼群进入奔袭状态；

拥有最大适应度的狼作为头狼，狼群中除头狼与探狼之外的人工狼都为猛狼；

每只狼在不同方向上的适应度是指利用不同方向对应的角度函数对每只狼所表示的权值进行调节，利用调节后的权值生成的狼对应的适应度；

调节后的权值是通过对原本的权值乘以方向角度函数获得，不同的方向对应的角度取值范围为[[0-360°]；]

步骤D：猛狼向头狼所在方向奔袭，并不断计算猛狼适应度，若某猛狼适应度于头狼适应度，则该狼成为新的头狼，且其余猛狼改为向新头狼奔袭；

当猛狼与头狼距离小于判定距离时，猛狼奔袭停止，当所有猛狼奔袭停止或达到最大奔袭次数时，奔袭结束，狼群进入围攻状态；

步骤E：除头狼以外所有人工狼计算向头狼方向前进一步的适应度，若适应度升高，则狼向头狼方向前进一步，若适应度降低，则人工狼保持原位置不变，狼群完成一次围攻；

所述人工狼向头狼方向前进一步是指将人工狼对应的权值加1后再乘以头狼方向角度函数，所述头狼方向角度是指人工狼与头狼之间连线与水平线构成的夹角；

步骤F：将所有狼按照当前适应度由高到低排序，适应度最高的设为头狼，按照更新比例因子选取排名靠后的人工狼被淘汰，并重新随机生成新的人工狼，判断是否达到最大迭代次数，若达到，则输出当前头狼对应的连接权值，否则，返回步骤C，继续迭代。

7.根据权利要求6所述的方法，其特征在于，所述狼群的种群规模取值范围为[10-30]，步长因子取值范围为[1000-5000]，探狼比例因子取值范围为[1-5]，最大游走次数取值范围为[5-20]，距离判定因子取值范围为[100-500]，最大奔袭次数为取值范围为[5-20]，更新比例因子取值范围为[1-10]，最大迭代次数取值范围为[100-500]。

8.根据权利要求1所述的方法，其特征在于，所述机器人上装载的气压传感器的相对气压精度为[﹣0.036，﹢0.036]hPa。