CN110147826A - 一种动态环境下机器人地面分类方法及系统 - Google Patents

一种动态环境下机器人地面分类方法及系统 Download PDF

Info

Publication number
CN110147826A
CN110147826A CN201910326955.9A CN201910326955A CN110147826A CN 110147826 A CN110147826 A CN 110147826A CN 201910326955 A CN201910326955 A CN 201910326955A CN 110147826 A CN110147826 A CN 110147826A
Authority
CN
China
Prior art keywords
time
vibration
frequency domain
domain
classifier
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.)
Pending
Application number
CN201910326955.9A
Other languages
English (en)
Inventor
康宇
吕文君
昌吉
李泽瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201910326955.9A priority Critical patent/CN110147826A/zh
Publication of CN110147826A publication Critical patent/CN110147826A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种动态环境下机器人地面分类方法及系统，可以利用振动信号实现动态环境下实时且准确的地面类型预测，主要包括信号采集与分割、特征提取、分类器预测、分类结果修正、分类器更新与分类结果输出共6步。本发明将振动视图分为时域和频域，实现了相互学习机制；并利用地面序列时间相关性实现了分类结果的校正，提高各域分类器的精度；同时引入了外部分歧和内部分歧两种机制，设计了一种新的伪标注算法，该算法在提取关键样本和标注方面具有巨大的优势；基于这种伪标注算法，机器人可以在线增量更新各域的分类器，进而实现动态环境下准确可靠的地面分类。

Description

一种动态环境下机器人地面分类方法及系统
技术领域
本发明涉及机器人领域，特别是涉及一种动态环境下机器人地面分类方法及系统。
背景技术
自主移动机器人执行野外任务通常需要穿越各种地形，如沙地、草地、砾石或粘土。一些表面光滑、泥泞或凹凸不平的地形可能对机器人产生威胁。例如，如果一个轮式机器人决定穿越沙地，它的轮子可能会陷进沙子里。因此，机器人只能以极低的速度移动，甚至被困住而丧失移动性。为了防止机器人遭受这种非几何威胁，移动机器人必须具备地形分类能力。机器人地形分类是指移动机器人将其正在穿越或将要穿越的地形进行分类为某个预定义类的过程。除了可以避免非几何威胁，许多已有工作表明精确的地形分类方法，可以显著提高机器人的位姿估计、路径规划、步态控制等方面的性能。因此，地形分类及其相关研究在DARPA超级挑战赛和火星探测计划中受到了高度重视。
视觉是一种实现地形分类的非交互式的方法，其主要存在两个问题。首先，视觉不能在极端光照(强光或黑暗)下工作；其次，视觉可能会被地面覆盖材料所迷惑，无法识别真实的地形。因此，人们更加关注基于声音、触觉和振动的交互式地形分类方法。由于基于声音的地形分类方法易受到环境噪声的干扰，因此这种方法并没有引起研究者的关注。基于触觉的地形分类方法通常是通过安装在机器人与地面接触区域的触觉传感器阵列来实现的，因此更适合于腿足式机器人。除了声音和触觉，机器人与地形交互产生的振动也能够提供足够的特征来区分不同类型的地形。加速度计采集的时间序列是振动和重力加速度的混合。由于重力几乎是定常的，因此振动信号可以很容易地从加速度计读数中恢复出来。此外，与触觉方法不同，基于振动的地形分类方法可以应用于轮式、履带式和腿足式机器人。因此，在非接触式地形分类中，基于振动的地形分类方法受到了更多的关注。
虽然目前已经产生了大量的基于各种感知方式的地形分类方法，但大多数方法只能在静态环境中使用，即离线训练数据集和在线测试数据在特征空间中分布一致。然而，这种静态环境的假设在大多数情况下都不能满足。例如，如果训练数据集来自某一草地区域，而测试数据集来自另一草地区域，那么很有可能这两个数据集的分布是不同的，因为这两个区域在湿度、粗糙度等方面是不同的。这种概念漂移现象在动态环境中经常发生，因此从离线训练数据集中学习到的分类器对在线输入的振动样本的预测能力将会下降。
发明内容
本发明技术克服现有技术的不足，解决了动态环境下基于振动的地面分类问题。
为解决上述问题，本发明公开了一种动态环境下机器人地面分类方法，具体包括以下步骤：
S101、使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列，接着将振动时间序列被分解成振动帧a＝[a1,a2,···,an]，每个振动帧包含n个振动信号，允许每个振动帧和其前后的振动帧有一定的重叠；
S102、提取振动帧a的时域特征与频域特征
S103、将与分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果θt与其中θt表示时域分类器的输出，表示频域分类器的输出；
S104、修正地面类型预测结果θt与得到修正后的时域与频域的地面类型分类结果与具体如下： 其中，ω1,ω2,···,ωk表示权重，其和为1，k为权重的总数；
S105、更新分类器，具体如下：如果且且则组成新的有标注样本其中表示时间t的频域样本，并用增量训练频域分类器；如果且且则组成新的有标注样本其中表示时间t的时域样本，并用增量训练时域分类器；
S106、输出作为时间t的地面类型分类结果。
其中，步骤S102所涉及的振动特征为具体如下：
过零率：其中I(·)为示性函数，该函数在(·)中表达式成立时输出1，否则输出0，该特征是振动帧频率的近似表达；
均值：该特征表征地面起伏的均匀性；
扩展过零率：其中φ3是φ1的扩展，用以避免机器人穿越粗糙地面时出现φ1趋向于0的情况；
方差：该特征表征地面粗糙程度；
自相关系数：其中τ表示时间差且τ<n，n、τ为常数，该特征表征地面起伏的非随机性，φ5随着ai和ai+τ之间的依赖性增强而变大；
最大值：φ6＝max(a)，该特征表征地面的最大起伏；
最小值：φ7＝min(a)，该特征表征地面的最深洼陷；
二范数：该特征表征振动帧的能量，如果φ2趋向于0，φ9具有与φ4类似的功能；
脉冲因子：φ9＝n(φ6-φ7)/φ8，该特征表征振动帧的冲击程度；
峰态：该特征表征振动帧的偏离高斯分布的程度。
进一步地，φ8可以使用一范数，即
进一步地，分类器可以采用支持向量机、决策树、神经网络实现，要求时域分类器与频域分类器是采用同一类型的分类模型。
进一步地，如果采用支持向量机实现分类，则对于时域分类器采用高斯核，频域分类器采用线性核。
进一步地，本发明还公开一种动态环境下机器人地面分类系统，包括获取模块、分解模块、提取模块、输入模块、修正模块、更新模块和输出模块；
所述获取模块用于使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列；
所述分解模块用于将振动时间序列被分解成振动帧；
所述提取模块用于提取振动帧a的时域特征与频域特征；
所述输入模块用于将时域特征和频域特征分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果；
所述修正模块用于修正分类结果，得到修正后的时域和频域分类结果；
所述更新模块用于更新时域分类器和频域分类器；
所述输出模块用于输出修正后的频域分类结果作为时间t的地面类型分类结果。
进一步地，本发明还公开一种计算机可读储存介质，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如下步骤：
使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列；
将振动时间序列被分解成振动帧；
提取振动帧a的时域特征与频域特征；
将时域特征和频域特征分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果；
修正分类结果，得到修正后的时域和频域分类结果；
输出修正后的频域分类结果作为时间t的地面类型分类结果。
与已有的技术相比，本发明具有以下优点：机器人可以在线地增量更新各域的分类器，进而一定程度上克服概念漂移问题，实现动态环境下准确可靠的地面分类。
附图说明
图1为本发明流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种动态环境下机器人地面分类方法及系统，该移动机器人的感知系统加速度计和综合计算机，加速度计电信连接综合计算机，实现以下步骤：
S101、使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列，接着将振动时间序列被分解成振动帧a＝[a1,a2,···,an]，每个振动帧包含n个振动信号，允许每个振动帧和其前后的振动帧有一定的重叠；
S102、提取振动帧a的时域特征与频域特征
S103、将与分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果θt与其中θt表示时域分类器的输出，表示频域分类器的输出；
S104、修正地面类型预测结果θt与得到修正后的时域与频域的地面类型分类结果与具体如下： 其中，ω1,ω2,···,ωk表示权重，其和为1，k为权重的总数；
S105、更新分类器，具体如下：如果且且则组成新的有标注样本其中表示时间t的频域样本，并用增量训练频域分类器；如果且且则组成新的有标注样本其中表示时间t的时域样本，并用增量训练时域分类器；
S106、输出作为时间t的地面类型分类结果。
优选地，步骤S102所涉及的振动特征为具体如下：
过零率：其中I(·)为示性函数，该函数在(·)中表达式成立时输出1，否则输出0，该特征是振动帧频率的近似表达；
均值：该特征表征地面起伏的均匀性；
扩展过零率：其中φ3是φ1的扩展，用以避免机器人穿越粗糙地面时出现φ1趋向于0的情况；
方差：该特征表征地面粗糙程度；
自相关系数：其中τ表示时间差且τ<n，n、τ为常数，该特征表征地面起伏的非随机性，φ5随着ai和ai+τ之间的依赖性增强而变大；
最大值：φ6＝max(a)，该特征表征地面的最大起伏；
最小值：φ7＝min(a)，该特征表征地面的最深洼陷；
二范数：该特征表征振动帧的能量，如果φ2趋向于0，φ9具有与φ4类似的功能；
脉冲因子：φ9＝n(φ6-φ7)/φ8，该特征表征振动帧的冲击程度；
峰态：该特征表征振动帧的偏离高斯分布的程度。
优选地，φ8可以使用一范数，即
优选地，分类器可以采用支持向量机、决策树、神经网络实现，要求时域分类器与频域分类器是采用同一类型的分类模型。
优选地，如果采用支持向量机实现分类，则对于时域分类器采用高斯核，频域分类器采用线性核。
进一步地，本发明还公开了一种动态环境下机器人地面分类系统，包括获取模块、分解模块、提取模块、输入模块、修正模块、更新模块和输出模块；
所述获取模块用于使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列；
所述分解模块用于将振动时间序列被分解成振动帧；
所述提取模块用于提取振动帧a的时域特征与频域特征；
所述输入模块用于将时域特征和频域特征分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果；
所述修正模块用于修正分类结果，得到修正后的时域和频域分类结果；
所述更新模块用于更新时域分类器和频域分类器；
所述输出模块用于输出修正后的频域分类结果作为时间t的地面类型分类结果。
进一步地，本发明还公开一种计算机可读储存介质，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如下步骤：
使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列；
将振动时间序列被分解成振动帧；
提取振动帧a的时域特征与频域特征；
将时域特征和频域特征分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果；
修正分类结果，得到修正后的时域和频域分类结果；
输出修正后的频域分类结果作为时间t的地面类型分类结果。
实施上述方法还需要注意：
1、时序在频域上的表达通常有利于简化数学分析和理解信号的构成。离散傅里叶变换(DFT)是产生时间序列幅值谱的有力工具，在时间序列分析中得到了广泛的应用。DFT通常采用快速傅里叶变换(FFT)实现。对于一个N点FFT，参数N通常被指定为2的幂或一个可以分解成小素数乘积的值。在N>n的情况下，可以用0填充振动帧，即an+1到aN的项被指定为0。
2、时域分类器和频域分类器需要事先离线训练。
在实验中，我们分两次从6种不同地面上采集了振动数据，记第一次采集的数据集为S1，第二次采集的数据集为S2。由于两次采集的天气条件不同，因此S1与S2之间存在概念漂移问题。在S1上训练的时域与频域分类器可以达到90％的分类精度，但是在S2上只能达到47.9％和70.8％的精度。通过使用本发明提供的方法，使得时域分类器与频域分类器在S2上相互学习、相互促进，通过不断地更新已有分类器，频域分类器最终可达到接近90％的分类精度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种动态环境下机器人地面分类方法，其特征在于，具体包括以下步骤：
S101、使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列，接着将振动时间序列被分解成振动帧a＝[a1,a2,…,an]，每个振动帧包含n个振动信号，允许每个振动帧和其前后的振动帧有一定的重叠；
S102、提取振动帧a的时域特征与频域特征
S103、将与分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果θt与其中θt表示时域分类器的输出，表示频域分类器的输出；
S104、修正地面类型预测结果θt与得到修正后的时域与频域的地面类型分类结果与具体如下： 其中，ω1,ω2,…,ωk表示权重，其和为1，k为权重的总数；
S105、更新分类器，具体如下：如果且且则组成新的有标注样本其中表示时间t的频域样本，并用增量训练频域分类器；如果且且则组成新的有标注样本其中表示时间t的时域样本，并用增量训练时域分类器；
S106、输出作为时间t的地面类型分类结果。
2.如权利要求1所述的动态环境下机器人地面分类方法，其特征在于，步骤S102所涉及的振动特征为具体如下：
过零率：其中为示性函数，该函数在(·)中表达式成立时输出1，否则输出0，该特征是振动帧频率的近似表达；
均值：该特征表征地面起伏的均匀性；
扩展过零率：其中φ3是φ1的扩展，用以避免机器人穿越粗糙地面时出现φ1趋向于0的情况；
方差：该特征表征地面粗糙程度；
自相关系数：其中τ表示时间差且τ<n，n、τ为常数，该特征表征地面起伏的非随机性，φ5随着ai和ai+τ之间的依赖性增强而变大；
最大值：φ6＝max(a)，该特征表征地面的最大起伏；
最小值：φ7＝min(a)，该特征表征地面的最深洼陷；
二范数：该特征表征振动帧的能量，如果φ2趋向于0，φ9具有与φ4类似的功能；
脉冲因子：φ9＝n(φ6-φ7)/φ8，该特征表征振动帧的冲击程度；
峰态：该特征表征振动帧的偏离高斯分布的程度。
3.如权利要求2所述的动态环境下机器人地面分类方法，其特征在于，φ8可以使用一范数，即
4.如权利要求1-3任意一项所述的动态环境下机器人地面分类方法，其特征在于，分类器可以采用支持向量机、决策树、神经网络实现，要求时域分类器与频域分类器是采用同一类型的分类模型。
5.如权利要求4所述的动态环境下机器人地面分类方法，其特征在于，如果采用支持向量机实现分类，则对于时域分类器采用高斯核，频域分类器采用线性核。
6.一种动态环境下机器人地面分类系统，其特征在于，包括获取模块、分解模块、提取模块、输入模块、修正模块、更新模块和输出模块；
所述获取模块用于使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列；
所述分解模块用于将振动时间序列被分解成振动帧；
所述提取模块用于提取振动帧a的时域特征与频域特征；
所述输入模块用于将时域特征和频域特征分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果；
所述修正模块用于修正分类结果，得到修正后的时域和频域分类结果；
所述更新模块用于更新时域分类器和频域分类器；
所述输出模块用于输出修正后的频域分类结果作为时间t的地面类型分类结果。
7.一种计算机可读储存介质，其特征在于，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如下步骤：
使用加速度计采集移动机器人的振动信号，得到加速度时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列，然后从加速度时间序列中减去重力加速度常数，从而得到振动时间序列；
将振动时间序列被分解成振动帧；
提取振动帧a的时域特征与频域特征；
将时域特征和频域特征分别输入到时域分类器与频域分类器，得到时间t的地面类型预测结果；
修正分类结果，得到修正后的时域和频域分类结果；
输出修正后的频域分类结果作为时间t的地面类型分类结果。
CN201910326955.9A 2019-04-23 2019-04-23 一种动态环境下机器人地面分类方法及系统 Pending CN110147826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910326955.9A CN110147826A (zh) 2019-04-23 2019-04-23 一种动态环境下机器人地面分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910326955.9A CN110147826A (zh) 2019-04-23 2019-04-23 一种动态环境下机器人地面分类方法及系统

Publications (1)

Publication Number Publication Date
CN110147826A true CN110147826A (zh) 2019-08-20

Family

ID=67593810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910326955.9A Pending CN110147826A (zh) 2019-04-23 2019-04-23 一种动态环境下机器人地面分类方法及系统

Country Status (1)

Country Link
CN (1) CN110147826A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956651A (zh) * 2019-12-16 2020-04-03 哈尔滨工业大学 一种基于视觉和振动触觉融合的地形语义感知方法
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
CN112198222A (zh) * 2020-09-17 2021-01-08 江苏美的清洁电器股份有限公司 地面材质识别方法、系统、设备及存储介质
CN112966559A (zh) * 2021-02-03 2021-06-15 中国科学技术大学 可靠主动域适应方法、环境感知方法、装置及存储介质
CN113246175A (zh) * 2021-05-07 2021-08-13 配天机器人技术有限公司 机器人末端震动分类方法、机器人及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108844618A (zh) * 2018-06-12 2018-11-20 中国科学技术大学 一种地形感知方法
CN109376783A (zh) * 2018-10-29 2019-02-22 合肥优控科技有限公司 机器人自适应地形分类方法、系统与计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108844618A (zh) * 2018-06-12 2018-11-20 中国科学技术大学 一种地形感知方法
CN109376783A (zh) * 2018-10-29 2019-02-22 合肥优控科技有限公司 机器人自适应地形分类方法、系统与计算机可读存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956651A (zh) * 2019-12-16 2020-04-03 哈尔滨工业大学 一种基于视觉和振动触觉融合的地形语义感知方法
CN110956651B (zh) * 2019-12-16 2021-02-19 哈尔滨工业大学 一种基于视觉和振动触觉融合的地形语义感知方法
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
CN112198222A (zh) * 2020-09-17 2021-01-08 江苏美的清洁电器股份有限公司 地面材质识别方法、系统、设备及存储介质
WO2022057209A1 (zh) * 2020-09-17 2022-03-24 美智纵横科技有限责任公司 地面材质识别方法、系统、设备及存储介质
CN112198222B (zh) * 2020-09-17 2022-04-05 美智纵横科技有限责任公司 地面材质识别方法、系统、设备及存储介质
CN112966559A (zh) * 2021-02-03 2021-06-15 中国科学技术大学 可靠主动域适应方法、环境感知方法、装置及存储介质
CN113246175A (zh) * 2021-05-07 2021-08-13 配天机器人技术有限公司 机器人末端震动分类方法、机器人及存储介质
CN113246175B (zh) * 2021-05-07 2024-05-03 配天机器人技术有限公司 机器人末端震动分类方法、机器人及存储介质

Similar Documents

Publication Publication Date Title
CN110147826A (zh) 一种动态环境下机器人地面分类方法及系统
Segoni et al. Landslide susceptibility assessment in complex geological settings: Sensitivity to geological information and insights on its parameterization
Chen Fast dictionary learning for noise attenuation of multidimensional seismic data
Wang et al. Suspension system state estimation using adaptive Kalman filtering based on road classification
CN107843925B (zh) 一种基于修正相位的反射波波形反演方法
Choi et al. Scaled spatial variability of soil moisture fields
CN103546789B (zh) 一种电视节目推荐方法、系统及智能终端
El-Diasty et al. Development of wavelet network model for accurate water levels prediction with meteorological effects
CN108256238A (zh) 一种基于深度学习的光纤光栅波长解调方法及装置
Kyrke-Smith et al. Relevance of detail in basal topography for basal slipperiness inversions: a case study on Pine Island Glacier, Antarctica
Chen et al. Efficient modeling of fiber optic gyroscope drift using improved EEMD and extreme learning machine
CN110135371A (zh) 一种基于Mixup算法的柑橘黄龙病识别方法及装置
Alkhalifah Linear wavefield optimization using a modified source
Zhong et al. Recognition and prediction of ground vibration signal based on machine learning algorithm
Langbein Methods for rapidly estimating velocity precision from GNSS time series in the presence of temporal correlation: A new method and comparison of existing methods
Dill et al. Improving atmospheric angular momentum forecasts by machine learning
CN111694053A (zh) 初至拾取方法及装置
Davis et al. Systematic identification of drag coefficients for a heaving wave follower
Barnard et al. Differences between the CME fronts tracked by an expert, an automated algorithm, and the Solar Stormwatch project
Yamada Estimation of fault rupture extent using near-source records for earthquake early warning
Van Den Hof et al. System Identification (SYSID'03): A Proceedings Volume from the 13th IFAC Symposium on System Identification, Rotterdam, the Netherlands, 27-29 August 2003
Christensen et al. Quantitative study on the modal parameters estimated using the PLSCF and the MITD methods and an automated modal analysis algorithm
Acosta et al. Optimized vehicle dynamics virtual sensing using metaheuristic optimization and unscented kalman filter
Wang et al. An improved supported vector regression algorithm with application to predict aftershocks
Ramírez et al. On the identification of damping from non-stationary free decay signals using modern signal processing techniques

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190820