CN109249429A - 一种双足机器人地形分类系统 - Google Patents

Abstract

本发明公开了一种双足机器人地形分类系统，该系统包括：1个加速度计，1个力传感器，2个触觉传感器，1个数据处理单元；数据处理单元能够接收来自所有传感器的数据，并对数据进行分析以推测当前地形。该系统融合多种传感器采集的数据，利用各传感器获取数据的互补特性，进行机器人所处地形种类的判别，具有较高的分类准确率和鲁棒性。

Description

一种双足机器人地形分类系统

技术领域

本发明涉及机器人领域，特别是涉及一种双足机器人地形分类系统。

背景技术

双足机器人与轮式及其他多足机器人相比，更能适应复杂的地形，具有更加灵活的运动方向和速度变化范围。然而在其工作过程中，如果双足机器人无法准确辨别其所在地形，也就无法及时改变行走步态，其灵活性便无法施展。因此对地形的感知对于双足机器人来说具有重要意义。已有的双足机器人地形感知方法多依靠单一传感器采集的数据进行，因此极有可能在该单一传感器数据出现异常时方法失效。本发明面向双足机器人，通过机器人平台不同位置上安装的加速度计、力传感器和触觉传感器收集的数据进行分析，获取机器人所在地形的种类，据此机器人可调整步态来适应地形。利用不同位置上各种传感器的互补特性，帮助实现地形种类的更加准确高效的估计。

发明内容

本发明技术克服现有技术的不足，解决了双足机器人地形分类的问题。

为解决上述问题，本发明公开了一种双足机器人地形分类系统，如附图1与附图2所示，该系统包括：1个加速度计，1个力传感器，2个触觉传感器，1个数据处理单元；其中，加速度计安装在机器人的重心处，力传感器安装在机器人膝关节部位，2个触觉传感器分别安装在同一只脚的脚底的前部和后部，力传感器和2个触觉传感器安装在机器人同一侧的腿部和脚部，数据处理单元能够接收来自所有传感器的数据，并执行地形判别算法，具体如下：

步骤1：在系统上电时初始化，令行走步数k＝0，第k行走步数的截断时刻t_k为系统当前时间，根据机器人当前所处地形种类确定第k行走步数的地形最终预测的概率向量x_k，其中为L×1的向量，L为地形种类总数，i＝1,2,..·,L表示第i种地形的最终预测概率，如果确切可知机器人处在第i种地形，则且

步骤2：实时获取加速度计的垂直于地面的轴的加速度数据、力数据、触觉数据的时间序列；

步骤3：监测加速度数据，当加速度数据达到极小值时，k自增1，并令t_k为系统当前时间；

步骤4：截取t_k-1与t_k之间的加速度数据、力数据、触觉数据的时间序列，分别得到第k行走步数的加速度数据帧、力传感器数据帧、触觉数据帧A与触觉数据帧B，其中，A对应脚底前部触觉传感器产生的数据帧，B对应脚底后部触觉传感器产生的数据帧；

步骤5：对第k行走步数的加速度数据帧、力传感器数据帧、触觉数据帧A与触觉数据帧B分别进行特征提取，得到每个数据帧的特征，并将这4个数据帧的特征串联起来得到1个8维的特征向量，即为第k行走步数的样本；该步骤所涉及的特征提取方式为：

先对每个数据帧进行快速傅里叶变换，获取该数据帧的频谱向量v＝[v₁,v₂,···,v_n]，其中v_e,e＝1,2,···,n表示频率e对应的幅值；然后计算该数据帧的特征向量f＝[f₁,f₂]，具体为

步骤6：将第k行走步数的特征向量输入到事先训练好的支持向量机当中，得到第k行走步数的地形初步预测的概率向量其中i＝1,2,···,L表示第i种地形的初步预测概率；

步骤7：利用第k-1行走步数的地形最终预测的概率向量x_k-1与第k行走步数的地形初步预测的概率向量y_k进行融合，得到第k行走步数的地形最终预测的概率向量x_k，方法如下：

x_k＝w₁x_k-1+w₂y_k

其中，w₁∈(0,1)、w₂∈(0,1)为权重系数，且w₁+w₂＝1；取x_k中最大元素对应的地形种类为第k行走步数的地形最终预测结果c_k，其中c_k∈{1,2,...,L}，{1,2,...,L}为地形序号集合；

步骤8：重复步骤2至步骤7，即可获取每一行走步数的地形最终预测结果。

与已有的技术相比，本发明具有以下优点：1)充分利用不同位置上各种传感器的互补特性，实现地形种类的更加准确高效的识别；2)保证分类准确率的前提下，每种传感器数量达到最小，使系统总体成本最低；3)利用地形的相关性，进一步降低了分类的错误率。

附图说明

图1为本发明系统结构图；

图2位本发明触觉传感器安装示意图。

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。

本发明公开了一种双足机器人地形分类系统，该系统包括：1个加速度计，1个力传感器，2个触觉传感器，1个数据处理单元；其中，加速度计安装在机器人的重心处，力传感器安装在机器人膝关节部位，2个触觉传感器分别安装在同一只脚的脚底的前部和后部，力传感器和2个触觉传感器安装在机器人同一侧的腿部和脚部，数据处理单元能够接收来自所有传感器的数据，并执行地形判别算法，具体如下：

步骤1：在系统上电时初始化，令行走步数k＝0，第k行走步数的截断时刻t_k为系统当前时间，根据机器人当前所处地形种类确定第k行走步数的地形最终预测的概率向量x_k，其中为L×1的向量，L为地形种类总数，i＝1,2,···,L表示第i种地形的最终预测概率，如果确切可知机器人处在第i种地形，则且

步骤2：实时获取加速度计的垂直于地面的轴的加速度数据、力数据、触觉数据的时间序列；

步骤3：监测加速度数据，当加速度数据达到极小值时，k自增1，并令t_k为系统当前时间；

步骤4：截取t_k-1与t_k之间的加速度数据、力数据、触觉数据的时间序列，分别得到第k行走步数的加速度数据帧、力传感器数据帧、触觉数据帧A与触觉数据帧B，其中，A对应脚底前部触觉传感器产生的数据帧，B对应脚底后部触觉传感器产生的数据帧；

步骤5：对第k行走步数的加速度数据帧、力传感器数据帧、触觉数据帧A与触觉数据帧B分别进行特征提取，得到每个数据帧的特征，并将这4个数据帧的特征串联起来得到1个8维的特征向量，即为第k行走步数的样本；该步骤所涉及的特征提取方式为：

先对每个数据帧进行快速傅里叶变换，获取该数据帧的频谱向量v＝[v₁,v₂,···,v_n]，其中v_e,e＝1,2,···,n表示频率e对应的幅值；然后计算该数据帧的特征向量f＝[f₁,f₂]，具体为

步骤6：将第k行走步数的特征向量输入到事先训练好的支持向量机当中，得到第k行走步数的地形初步预测的概率向量其中i＝1,2,···,L表示第i种地形的初步预测概率；

步骤7：利用第k-1行走步数的地形最终预测的概率向量x_k-1与第k行走步数的地形初步预测的概率向量y_k进行融合，得到第k行走步数的地形最终预测的概率向量x_k，方法如下：

x_k＝w₁x_k-1+w₂y_k

其中，w₁∈(0,1)、w₂∈(0,1)为权重系数，且w₁+w₂＝1；取x_k中最大元素对应的地形种类为第k行走步数的地形最终预测结果c_k，其中c_k∈{1,2,···,L}，{1,2,···,L}为地形序号集合；

步骤8：重复步骤2至步骤7，即可获取每一行走步数的地形最终预测结果。

在上述步骤6中涉及的支持向量机需要在其他计算机平台预先训练获取，具体如下：

让机器人在期望被识别的地形上各行走一定步数，例如100步，并同时采集各传感器的数据；将这些数据进行分割以得到数据帧集合；对所有数据帧分别提取特征，得到样本集合，其中每个特征向量为8维；从每种地形所对应的的所有样本中随机选择70％个作为训练样本，剩余30％个作为测试样本，训练支持向量机。在训练过程中涉及的特征提取方法与本发明的地形判别算法中涉及的特征提取方法一致；训练过程中涉及的数据帧分割方法与本发明的地形判别算法中涉及的数据帧分割方法一致。

在上述步骤7中涉及的权重系数中，一般将w₁设为较大的值，例如0.9。

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 (1)

1.一种双足机器人地形分类系统，其特征在于，包括：1个加速度计，1个力传感器，2个触觉传感器，1个数据处理单元；其中，加速度计安装在机器人的重心处，力传感器安装在机器人膝关节部位，2个触觉传感器分别安装在同一只脚的脚底的前部和后部，力传感器和2个触觉传感器安装在机器人同一侧的腿部和脚部，数据处理单元能够接收来自所有传感器的数据，并执行地形判别算法，具体如下：

步骤1：在系统上电时初始化，令行走步数k＝0，第k行走步数的截断时刻t_k为系统当前时间，根据机器人当前所处地形种类确定第k行走步数的地形最终预测的概率向量x_k，其中为L×1的向量，L为地形种类总数，表示第i种地形的最终预测概率，如果确切可知机器人处在第i种地形，则且

步骤2：实时获取加速度计的垂直于地面的轴的加速度数据、力数据、触觉数据的时间序列；

步骤3：监测加速度数据，当加速度数据达到极小值时，k自增1，并令t_k为系统当前时间；

步骤4：截取t_k-1与t_k之间的加速度数据、力数据、触觉数据的时间序列，分别得到第k行走步数的加速度数据帧、力传感器数据帧、触觉数据帧A与触觉数据帧B，其中，A对应脚底前部触觉传感器产生的数据帧，B对应脚底后部触觉传感器产生的数据帧；

步骤5：对第k行走步数的加速度数据帧、力传感器数据帧、触觉数据帧A与触觉数据帧B分别进行特征提取，得到每个数据帧的特征，并将这4个数据帧的特征串联起来得到1个8维的特征向量，即为第k行走步数的样本；该步骤所涉及的特征提取方式为：

先对每个数据帧进行快速傅里叶变换，获取该数据帧的频谱向量v＝[v₁,v₂,···,v_n]，其中v_e,e＝1,2,···,n表示频率e对应的幅值；然后计算该数据帧的特征向量f＝[f₁,f₂]，具体为

步骤6：将第k行走步数的特征向量输入到事先训练好的支持向量机当中，得到第k行走步数的地形初步预测的概率向量其中表示第i种地形的初步预测概率；

步骤7：利用第k-1行走步数的地形最终预测的概率向量x_k-1与第k行走步数的地形初步预测的概率向量y_k进行融合，得到第k行走步数的地形最终预测的概率向量x_k，方法如下：

x_k＝w₁x_k-1+w₂y_k

其中，w₁∈(0,1)、w₂∈(0,1)为权重系数，且w₁+w₂＝1；取x_k中最大元素对应的地形种类为第k行走步数的地形最终预测结果c_k，其中c_k∈{1,2,…,L}，{1,2,···,L}为地形序号集合；

步骤8：重复步骤2至步骤7，即可获取每一行走步数的地形最终预测结果。