CN109242038A - 一种用于标签不足情况的机器人地形分类器训练方法 - Google Patents
一种用于标签不足情况的机器人地形分类器训练方法 Download PDFInfo
- Publication number
- CN109242038A CN109242038A CN201811119706.4A CN201811119706A CN109242038A CN 109242038 A CN109242038 A CN 109242038A CN 201811119706 A CN201811119706 A CN 201811119706A CN 109242038 A CN109242038 A CN 109242038A
- Authority
- CN
- China
- Prior art keywords
- landform
- sample
- robot
- classification
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种用于标签不足情况的机器人地形分类器训练方法,该方法首先利用有标注的加速度序列段,采用快速傅里叶变换对其进行特征提取,并分别训练初始的支持向量机、随机森林、朴素贝叶斯模型,然后将未标注样本分别输入初始分类器,并将三个模型的输出预测结果相同的样本加入到有标注样本集中,重复进行以上操作,直至达到预先设定的迭代次数阈值。最终得到的三个分类器即作为机器人实际工作过程中进行地形种类识别的模型,对三个分类器的输出使用投票法确定最终的地形种类。这种方法不依赖外界交互、自动地利用未标注样本来提升学习性能,大大降低了训练数据标注所需代价。
Description
技术领域
本发明涉及机器人领域,特别是涉及一种用于标签不足情况的机器人地形分类器训练方法。
背景技术
机器人对于路面环境感知能力指机器人能够根据不同的地面类型选取不同的运动模式,保证其安全、快速、平稳地通过某些特定路面的能力。由于机器人在户外行驶环境相对比较复杂,除了面对复杂多样的地面类型及各种障碍物带来的威胁之外,路面承载性能相对较差的松软地面如沼泽、沙土、黏土、雪地等,往往也会对机器人正常行驶造成极大的影响。如果机器人能够对不同的地面类型进行分类识别,那么机器人便具备很好的感知路面行驶环境的能力,进而规划出最优的行驶策略,实现自主导航。在地形分类器的训练中,由于大量标注数据的获取代价大,一般需要人工标注,因此大量的标注数据需要耗费大量人力,而未标注数据却能轻易获得。针对训练数据标签不足的情况,由于标注数据数量较少,仅依靠这些数据进行分类模型的训练会导致模型泛化能力差,在机器人实际工作过程中对地形的分类准确度低,因此如何利用大量的未标注数据进行模型的训练是一个关键的问题,本发明针对上述情况,公开一种一种用于标签不足情况的机器人地形分类器训练方法,使用少量的标注数据,充分利用大量的未标注数据,得到准确率高的分类模型。
发明内容
为解决上述问题,本发明公开了一种用于标签不足情况的机器人地形分类器训练方法,如图1所示,具体包括以下步骤:
步骤S1:令机器人在其工作环境中的每种地形上分别行驶一段时间,并收集机器人上安装的加速度计的垂直地面方向的数据,得到每种地形上采集的加速度时间序列;对每种地形上采集的加速度时间序列分别进行分割,分割长度为p个采样点,得到每种地形对应的加速度序列段的集合;采用快速傅里叶变换对每种地形对应的加速度序列段的集合中的加速度序列段进行特征提取,得到每种地形对应的样本集;用地形编号j=1,2,…,J对这些样本集中的样本进行标注,得到标注后的样本集其中J表示地形种类的总数,mj表示地形j对应的样本集的样本数;
步骤S2:令机器人在其工作环境中随机游走,得到游走中收集的加速度时间序列,对该序列进行进行分割,分割长度为p个采样点,得到游走情况下的加速度序列段的集合;采用快速傅里叶变换对该集合中的加速度序列段进行特征提取,得到无标注样本集U={ut,t=1,2,…,mu},其中mu表示无标注样本集中的样本数;
步骤S3:令迭代训练序号e=0,令有标注样本集
其中,
步骤S4:基于有标注样本集L分别训练三个分类器:支持向量机、随机森林、朴素贝叶斯,记为
步骤S5:从U中随机选取nu个样本,组成集合V,并输入到三个分类器 中,分别得到V中所有样本的地形预测结果的集合 其中,为V中样本vi输入到中得到的地形预测结果,为V中样本vi输入到中得到的地形预测结果,为V中样本vi输入到中得到的地形预测结果;将样本集 用来标注,得到新标注的样本集V′;将V′加入到有标注样本集中,即L←L∪V′,将集合V′从U中删除,即U←U-V′;
步骤S6:令e←e+1,如果U中元素个数不小于nu,则重复步骤S4和S5;否则,分类器训练结束,得到最终的分类器当机器人实际工作时,将采集的加速度计垂直于地面方向的数据经过分割及特征提取的操作之后,输入到分类器C(1)、C(2)、C(3)中,得到三个输出,用投票法确定最终的标签,即为相应的地形分类结果。
其中,所述的步骤S1、步骤S2中涉及的特征提取方法为:
先对每个加速度序列段进行快速傅里叶变换,获取该加速度序列段的频谱向量a=[a1,a2,…,ah],其中ar,r=1,2,…,h表示频率r对应的幅值;然后计算该数据帧的特征向量f=[f1,f2],具体为
其中,所述的步骤S6中涉及的投票法为:
如果C(1)、C(2)、C(3)的输出一致,则其共同输出的标签作为地形分类结果;如果C(1)、C(2)、C(3)的输出中有两个是一致的,其选取这两个一致的输出的标签作为地形分类结果;如果C(1)、C(2)、C(3)输出皆不一致,则任意选取其中一个输出的标签作为地形分类结果。
与已有技术相比,本发明具有以下优点:这种方法不依赖外界交互、自动地利用未标注样本来提升学习性能,大大降低了训练数据标注所需代价。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图与具体实施例对本发明进行详细说明。
一种用于标签不足情况的机器人地形分类器训练方法,具体包括以下步骤:
步骤S1:令机器人在其工作环境中的每种地形上分别行驶一段时间,并收集机器人上安装的加速度计的垂直地面方向的数据,得到每种地形上采集的加速度时间序列;对每种地形上采集的加速度时间序列分别进行分割,分割长度为p个采样点,得到每种地形对应的加速度序列段的集合;采用快速傅里叶变换对每种地形对应的加速度序列段的集合中的加速度序列段进行特征提取,得到每种地形对应的样本集;用地形编号j=1,2,…,J对这些样本集中的样本进行标注,得到标注后的样本集其中J表示地形种类的总数,mj表示地形j对应的样本集的样本数;
步骤S2:令机器人在其工作环境中随机游走,得到游走中收集的加速度时间序列,对该序列进行进行分割,分割长度为p个采样点,得到游走情况下的加速度序列段的集合;采用快速傅里叶变换对该集合中的加速度序列段进行特征提取,得到无标注样本集U={ut,t=1,2,…,mu},其中mu表示无标注样本集中的样本数;
步骤S3:令迭代训练序号e=0,令有标注样本集
其中,
步骤S4:基于有标注样本集L分别训练三个分类器:支持向量机、随机森林、朴素贝叶斯,记为
步骤S5:从U中随机选取nu个样本,组成集合V,并输入到三个分类器 中,分别得到V中所有样本的地形预测结果的集合 其中,为V中样本vi输入到中得到的地形预测结果,为V中样本vi输入到中得到的地形预测结果,为V中样本vi输入到中得到的地形预测结果;将样本集 用来标注,得到新标注的样本集V′;将V′加入到有标注样本集中,即L←L∪V′,将集合V′从U中删除,即U←U-V′;
步骤S6:令e←e+1,如果U中元素个数不小于nu,则重复步骤S4和S5;否则,分类器训练结束,得到最终的分类器当机器人实际工作时,将采集的加速度计垂直于地面方向的数据经过分割及特征提取的操作之后,输入到分类器C(1)、C(2)、C(3)中,得到三个输出,用投票法确定最终的标签,即为相应的地形分类结果。
优选地,所述的步骤S1、步骤S2中涉及的特征提取方法为:
先对每个加速度序列段进行快速傅里叶变换,获取该加速度序列段的频谱向量a=[a1,a2,…,ah],其中ar,r=1,2,…,h表示频率r对应的幅值;然后计算该数据帧的特征向量f=[f1,f2],具体为
进一步优选地,所述的步骤S6中涉及的投票法为:
如果C(1)、C(2)、C(3)的输出一致,则其共同输出的标签作为地形分类结果;如果C(1)、C(2)、C(3)的输出中有两个是一致的,其选取这两个一致的输出的标签作为地形分类结果;如果C(1)、C(2)、C(3)输出皆不一致,则任意选取其中一个输出的标签作为地形分类结果。
以上步骤中提到的对加速度计垂直于地面方向的数据进行的分割操作具体方法为:在加速度时间序列上,每经过p个采样点进行一次分割,每次分割的起点为p(q-1)+1,终点为pq,其中q=1,2,…表示分割的次数。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (3)
1.一种用于标签不足情况的机器人地形分类器训练方法,其特征在于,具体包括以下步骤:
步骤S1:令机器人在其工作环境中的每种地形上分别行驶一段时间,并收集机器人上安装的加速度计的垂直地面方向的数据,得到每种地形上采集的加速度时间序列;对每种地形上采集的加速度时间序列分别进行分割,分割长度为p个采样点,得到每种地形对应的加速度序列段的集合;采用快速傅里叶变换对每种地形对应的加速度序列段的集合中的加速度序列段进行特征提取,得到每种地形对应的样本集;用地形编号j=1,2,…,J对这些样本集中的样本进行标注,得到标注后的样本集其中J表示地形种类的总数,mj表示地形j对应的样本集的样本数;
步骤S2:令机器人在其工作环境中随机游走,得到游走中收集的加速度时间序列,对该序列进行进行分割,分割长度为p个采样点,得到游走情况下的加速度序列段的集合;采用快速傅里叶变换对该集合中的加速度序列段进行特征提取,得到无标注样本集U={ut,t=1,2,…,mu},其中mu表示无标注样本集中的样本数;
步骤S3:令迭代训练序号e=0,令有标注样本集
其中,
步骤S4:基于有标注样本集L分别训练三个分类器:支持向量机、随机森林、朴素贝叶斯,记为
步骤S5:从U中随机选取nu个样本,组成集合V,并输入到三个分类器 中,分别得到V中所有样本的地形预测结果的集合 其中,为V中样本vi输入到中得到的地形预测结果,为V中样本vi输入到中得到的地形预测结果,为V中样本vi输入到中得到的地形预测结果;将样本集 用来标注,得到新标注的样本集V′;将V′加入到有标注样本集中,即L←L∪V′,将集合V′从U中删除,即U←U-V′;
步骤S6:令e←e+1,如果U中元素个数不小于nu,则重复步骤S4和S5;否则,分类器训练结束,得到最终的分类器当机器人实际工作时,将采集的加速度计垂直于地面方向的数据经过分割及特征提取的操作之后,输入到分类器C(1)、C(2)、C(3)中,得到三个输出,用投票法确定最终的标签,即为相应的地形分类结果。
2.如权利要求1中所述的一种用于标签不足情况的机器人地形分类器训练方法,其特征在于,所述的步骤S1、步骤S2中涉及的特征提取方法为:
先对每个加速度序列段进行快速傅里叶变换,获取该加速度序列段的频谱向量a=[a1,a2,…,ah],其中ar,r=1,2,…,h表示频率r对应的幅值;然后计算该数据帧的特征向量f=[f1,f2],具体为
3.如权利要求2中所述的一种用于标签不足情况的机器人地形分类器训练方法,其特征在于,所述的步骤S6中涉及的投票法为:
如果C(1)、C(2)、C(3)的输出一致,则其共同输出的标签作为地形分类结果;如果C(1)、C(2)、C(3)的输出中有两个是一致的,其选取这两个一致的输出的标签作为地形分类结果;如果C(1)、C(2)、C(3)输出皆不一致,则任意选取其中一个输出的标签作为地形分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119706.4A CN109242038A (zh) | 2018-09-25 | 2018-09-25 | 一种用于标签不足情况的机器人地形分类器训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119706.4A CN109242038A (zh) | 2018-09-25 | 2018-09-25 | 一种用于标签不足情况的机器人地形分类器训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242038A true CN109242038A (zh) | 2019-01-18 |
Family
ID=65056983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811119706.4A Withdrawn CN109242038A (zh) | 2018-09-25 | 2018-09-25 | 一种用于标签不足情况的机器人地形分类器训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242038A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728328A (zh) * | 2019-10-22 | 2020-01-24 | 支付宝(杭州)信息技术有限公司 | 分类模型的训练方法和装置 |
CN111598885A (zh) * | 2020-05-21 | 2020-08-28 | 公安部交通管理科学研究所 | 高速公路团雾图片能见度等级自动标注方法 |
CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN112488160A (zh) * | 2020-11-16 | 2021-03-12 | 浙江新再灵科技股份有限公司 | 图像分类任务的模型训练方法 |
CN113111938A (zh) * | 2021-04-09 | 2021-07-13 | 中国工程物理研究院电子工程研究所 | 基于数字高程模型数据的地形分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120096819A (ko) * | 2011-02-23 | 2012-08-31 | 고려대학교 산학협력단 | 지형분류 기반 고도 지도 작성 방법 |
CN104635732A (zh) * | 2013-11-08 | 2015-05-20 | 三星电子株式会社 | 辅助行走机器人及其控制方法 |
CN105426858A (zh) * | 2015-11-26 | 2016-03-23 | 哈尔滨工业大学 | 一种基于视觉和振动信息融合的地面类型辨识方法 |
CN108197474A (zh) * | 2017-12-29 | 2018-06-22 | 北京交通大学 | 移动终端应用的分类和检测方法 |
-
2018
- 2018-09-25 CN CN201811119706.4A patent/CN109242038A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120096819A (ko) * | 2011-02-23 | 2012-08-31 | 고려대학교 산학협력단 | 지형분류 기반 고도 지도 작성 방법 |
CN104635732A (zh) * | 2013-11-08 | 2015-05-20 | 三星电子株式会社 | 辅助行走机器人及其控制方法 |
CN105426858A (zh) * | 2015-11-26 | 2016-03-23 | 哈尔滨工业大学 | 一种基于视觉和振动信息融合的地面类型辨识方法 |
CN108197474A (zh) * | 2017-12-29 | 2018-06-22 | 北京交通大学 | 移动终端应用的分类和检测方法 |
Non-Patent Citations (2)
Title |
---|
ALBERTO YUKINOBU HATA ET AL.: "Terrain mapping and classification using Support Vector Machines", 《IEEE》 * |
李强 等: "基于振动采用支持向量机方法的移动机器人地形分类", 《机器人》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728328A (zh) * | 2019-10-22 | 2020-01-24 | 支付宝(杭州)信息技术有限公司 | 分类模型的训练方法和装置 |
CN111598885A (zh) * | 2020-05-21 | 2020-08-28 | 公安部交通管理科学研究所 | 高速公路团雾图片能见度等级自动标注方法 |
CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN111680642B (zh) * | 2020-06-11 | 2023-06-23 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN112488160A (zh) * | 2020-11-16 | 2021-03-12 | 浙江新再灵科技股份有限公司 | 图像分类任务的模型训练方法 |
CN112488160B (zh) * | 2020-11-16 | 2023-02-07 | 浙江新再灵科技股份有限公司 | 图像分类任务的模型训练方法 |
CN113111938A (zh) * | 2021-04-09 | 2021-07-13 | 中国工程物理研究院电子工程研究所 | 基于数字高程模型数据的地形分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242038A (zh) | 一种用于标签不足情况的机器人地形分类器训练方法 | |
CN102254161B (zh) | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 | |
CN102842045B (zh) | 一种基于组合特征的行人检测方法 | |
CN111985494B (zh) | 一种基于轻量化车载终端的道路病害检测及分类方法 | |
US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN109359690A (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN106372666B (zh) | 一种目标识别方法及装置 | |
CN105954040A (zh) | 应用于无人驾驶汽车的测试方法和装置 | |
CN103605977A (zh) | 一种车道线的提取方法及装置 | |
CN110146910A (zh) | 一种基于gps与激光雷达数据融合的定位方法及装置 | |
CN104299417B (zh) | 基于波形检测的车辆识别方法 | |
CN103679205B (zh) | 基于阴影假设和分层hog对称特征验证的前车检测方法 | |
CN105374033A (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN105447504A (zh) | 一种交通模式行为识别方法及相应的识别模型构建方法 | |
CN104864873B (zh) | 一种利用人体运动特征辅助地图定位的方法 | |
CN102620766B (zh) | 地下道路交通标志动态视认性测试方法 | |
CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
CN106951829A (zh) | 一种基于最小生成树的视频显著对象检测方法 | |
CN104850844A (zh) | 一种基于快速构建图像特征金字塔的行人检测方法 | |
CN110516633A (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN104318781A (zh) | 基于rfid技术的行程速度获取方法 | |
CN109740454A (zh) | 一种基于yolo-v3的人体体态识别方法 | |
CN103678483A (zh) | 基于自适应概率超图和半监督学习的视频语义分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190118 |
|
WW01 | Invention patent application withdrawn after publication |