CN111216126B - 基于多模态感知的足式机器人运动行为识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于多模态感知的足式机器人运动行为识别方法及系统，其中，所述方法包括：基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；对多模态传感数据信息按照不同类型地面来进行数据集划分，得到不同地面类型的多模态传感数据集；基于不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；将待识别样本信息输入最优粘性层次狄利克雷过程隐马尔科夫模型，并计算对数似然函数值之和；基于计算结果后进行足式机器人运动行为识别。在本发明实施中，提高了运动行为识别的可靠性和准确率。

Description

基于多模态感知的足式机器人运动行为识别方法及系统

技术领域

本发明涉及机器人运动行为识别技术领域，尤其涉及一种基于多模态感知的足式机器人运动行为识别方法及系统。

背景技术

足式机器人具备环境适应性好、运动范围广、负载能力强，能够实现崎岖山地运输、危险灾难救援、军事侦察等任务。从而，能够实时识别到足式机器人在不同类型地面(如泥沙、水泥、草地、木质、瓷砖等)行走的运动行为及运动特征将能直接对机器人的控制和步态进行调整，提高环境的适应性和系统的鲁棒性。因此，开展基于关节编码器、IMU、关节力矩等多模态感知的足式机器人运动行为识别是目前足式机器人前沿研究的关键技术。

传统足式机器人的运动行为识别技术通常采用参数化隐性马尔科夫模型(HiddenMarkov Model，HMM)对关节编码器的关节角度信息进行建模，具有训练样本数量少和计算复杂度低等优点，初步实现了运动行为识别，具有一定的可行性。但是随着环境的复杂性和任务的多样性增加，主要存在两方面的问题：(1)仅考虑单模态的传感信息，无法准确地实现对环境的感知及机器人系统的状态估计，降低了运动行为识别的容错性；同时，(2)采用参数化HMM的建模方法将存在模型的隐性状态数量不确定和隐性状态快速转换的问题，无法从复杂的传感数据中学习到实际的潜在模式，降低了运动行为识别的准确率。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于多模态感知的足式机器人运动行为识别方法及系统，提高运动行为识别的可靠性和提高运动行为识别的准确率。

为了解决上述技术问题，本发明实施例中提供了一种基于多模态感知的足式机器人运动行为识别方法，所述方法包括：

基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算；

基于对数似然函数值之和的计算结果进行足式机器人运动行为识别。

可选的，所述基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息，包括：

基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的数据信息；

基于人为方式对所述数据信息进行标注，获得标注数据信息；

基于非线性的卡尔曼滤波法对所述标注数据信息进行降噪处理，并对降噪后的数据信息利用数值插补法进行频率对齐，获得多模态传感数据信息。

可选的，所述多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息。

可选的，所述粘性层次狄利克雷过程隐马尔科夫模型的构建过程，包括：

获得层次狄利克雷过程，并定义所述层次狄利克雷过程如下：

则，利用层次狄利克雷过程对隐马尔科夫模型的隐形状态转换概率π_j进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布。

可选的，所述对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型，包括：

所述层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换，即：

E[π_jk|β]＝β_k； (3)

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数。

可选的，所述基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

对所述粘性层次狄利克雷过程隐马尔科夫模型设置需要学习的均值和协方差两个参数；

设置均值服从高斯分布，协方差服从逆威沙特分布；

假设所述同地面类型的多模态传感数据集中包含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

由公式(7)完成参数学习；

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；

利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；

基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

可选的，所述基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

基于所述学习后的粘性层次狄利克雷过程隐马尔科夫模型利用留一交叉验证法进行选择处理，获得最优粘性层次狄利克雷过程隐马尔科夫模型。

可选的，所述将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算，包括：

在给定的所述待识别样本信息

其中D为多模态传感数据信息的维度，T为运动行为的长度；

通过对数似然函数计算所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型中的对数似然函数值之和。

可选的，所述对数似然函数值之和的计算公式如下：

其中，T为运动行为的长度；L_c表示对比各个运动行为；Θ表示特定地面下所训练模型的参数空间；C表示地面的类型。

另外，本发明实施例还提供了一种基于多模态感知的足式机器人运动行为识别系统，所述系统包括：

数据产生模块：用于基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

数据划分模块：用于对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

学习训练模块：用于基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

计算模块：用于将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和计算；

运动行为识别模块：用于基于对数似然函数值之和的计算结果进行足式机器人运动行为识别。

在本发实施例中，通过足式机器人的多模态传感数据信息和提出了非参数化粘性层次狄利克雷过程隐马尔科夫模型，增强了对多模态数据建模的时间一致性，提高运动行为识别的可靠性；同时能够避免对数据的过拟合，降低了建模的复杂性，提高运动行为识别的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于多模态感知的足式机器人运动行为识别方法的流程示意图；

图2是本发明实施例中的粘性层次狄利克雷过程隐马尔科夫模型的概率图模型结构示意图。

图3是本发明实施例中的基于多模态感知的足式机器人运动行为识别系统的结构组成示意图。

具体实施方式

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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

实施例

请参阅图1，图1是本发明实施例中的基于多模态感知的足式机器人运动行为识别方法的流程示意图。

如图1所示，一种基于多模态感知的足式机器人运动行为识别方法，所述方法包括：

S11：基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

在本发明具体实施过程中，所述基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息，包括：基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的数据信息；基于人为方式对所述数据信息进行标注，获得标注数据信息；基于非线性的卡尔曼滤波法对所述标注数据信息进行降噪处理，并对降噪后的数据信息利用数值插补法进行频率对齐，获得多模态传感数据信息。

进一步的，所述多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息。

具体的，分别通过不同的传感器来采集多模态传感数据信息，足式机器人在不同类型的地面上行走预设距离，然后进行数据采集，该预设距离可以为2米，不同类型的地面包括泥沙、水泥、草地、木质、瓷砖等；每种类型的地面所采集的数据数量可以为30组；多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息；对于采集到的数据信息首先进行人为方式的标注，在标注之后，利用非线性的卡尔曼滤波方法对数据进行去噪处理，然后采用数值插补的方法对不同传感器的数据进行频率对齐，最终获得多模态传感数据信息；这样可以实现把运动行为识别的问题转换成监督学习的分类问题。

S12：对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

在本发明具体实施过程中，对于得到的多模态传感数据信息，因为不同的地面类型中重复采集数据量为30组，在具体实施例中，需要对数据集进行划分，主要是划分为训练集和测试集；因为数据集较少，因此划分29组为训练集，1组为测试集。

S13：基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

在本发明具体实施过程中，所述粘性层次狄利克雷过程隐马尔科夫模型的构建过程，包括：

获得层次狄利克雷过程，并定义所述层次狄利克雷过程如下：

则，利用层次狄利克雷过程对隐马尔科夫模型的隐形状态转换概率π_j进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布。

进一步的，所述对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型，包括：

所述层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换，即：

E[π_jk|β]＝β_k； (3)

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数。

进一步的，所述基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

对所述粘性层次狄利克雷过程隐马尔科夫模型设置需要学习的均值和协方差两个参数；

设置均值服从高斯分布，协方差服从逆威沙特分布；

假设所述同地面类型的多模态传感数据集中包含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

由公式(7)完成参数学习；

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；

利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；

基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

进一步的，所述基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

基于所述学习后的粘性层次狄利克雷过程隐马尔科夫模型利用留一交叉验证法进行选择处理，获得最优粘性层次狄利克雷过程隐马尔科夫模型。

具体的，在本发明构建的非参数化粘性层次狄利克雷过程隐马尔科夫模型，其概率图模型如图2所示，通过对隐性状态z_t分别π_j增加了参数β和超参数γ和κ，有利于对动态复杂的多模态传感信息y_t进行自动参数调整的建模，提高建模的简易性和计算效率，并且利用贝叶斯法则，计算新观测数据的对数似然函数值的方式实现对不同运动地面下的运动行为识别。

假设离散的分布G是一个对数据聚类的过程，它来自于狄利克雷过程DP(Dirichlet Process)那么G～DP(γ,H)，其中，H可以是任意的基分布，γ为集中系数；虽然基分布是连续分布，但是从DP采样却是离散的，γ直接影响到DP的离散程度；层级狄利克雷过程HDP是狄利克雷过程DP的一种扩展形式，它主要用于解决在DP中，当基分布是连续时所得到的采样参数与概率1不等的情况HDP通过在基分布上又定义一个先验分布，由每个DP获得基分布的采样，这样就保证了基分布的离散性，从而可知HDP的定义如下：

那么，利用HDP对HMM模型(隐马尔可夫模型)的隐性状态转换概率π_j的进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布。

在层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换(Self-transition)，即：

E[π_jk|β]＝β_k； (3)

此时，会造成隐性状态间的快速转换，不利于捕捉现实世界中时间序列的持续性或一致性，即表示在有限的时间间隔内的观察数值由相同的隐性状态描述；另外，缺乏自转换概率将会产生大量冗余的隐性状态，削弱了模型的预测功能。

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数。

粘性层次狄利克雷过程隐马尔科夫模型中的参数包括观察模型的参数和先验模型的参数，其中，设定其观察模型为多维高斯模型时有两个需要学习的参数：均值μ和协方差Σ两个参数，当该两个参数都未知的情况，将采用正态逆逆威沙特分布(NIW)作为观察模型的先验分布，由该分布生成未知参数的样本；通过设置均值μ服从高斯分别μ～N(μ_μ,Σ_μ)，协方差则服从逆威沙特分布Σ～IW(v,Δ)；那么，针对观察模型的参数，假定运动行为的训练数据集中含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布Σ～IW(v,Δ)中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

因此，可以完成对观察模型的参数进行学习。

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

基于所述学习后的粘性层次狄利克雷过程隐马尔科夫模型利用留一交叉验证法进行选择处理，获得最优粘性层次狄利克雷过程隐马尔科夫模型。

S14：将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算；

在本发明具体实施过程中，所述将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算，包括：在给定的所述待识别样本信息

其中D为多模态传感数据信息的维度，T为运动行为的长度；通过对数似然函数计算所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型中的对数似然函数值之和。

进一步的，所述对数似然函数值之和的计算公式如下：

其中，T为运动行为的长度；L_c表示对比各个运动行为；Θ表示特定地面下所训练模型的参数空间；C表示地面的类型。

具体的，在得到最优粘性层次狄利克雷过程隐马尔科夫模型之后，在给定的新的待识别样本信息

其中D为多模态传感数据信息的维度，T为运动行为的长度；通过对数似然函数计算所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型中的对数似然函数值之和。

对数似然函数值之和的计算公式如下：

其中，T为运动行为的长度；L_c表示对比各个运动行为；Θ表示特定地面下所训练模型的参数空间；C表示地面的类型。

S15：基于对数似然函数值之和的计算结果进行足式机器人运动行为识别。

在本发明具体实施过程中，通过对数似然函数值之和的计算结果来识别当前足式机器人的运动行为。

在本发实施例中，通过足式机器人的多模态传感数据信息和提出了非参数化粘性层次狄利克雷过程隐马尔科夫模型，增强了对多模态数据建模的时间一致性，提高运动行为识别的可靠性；同时能够避免对数据的过拟合，降低了建模的复杂性，提高运动行为识别的准确率。

实施例

请参阅图3，图3是本发明实施例中的基于多模态感知的足式机器人运动行为识别系统的结构组成示意图。

如图3所示，一种基于多模态感知的足式机器人运动行为识别系统，所述系统包括：

数据产生模块21：用于基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

在本发明具体实施过程中，所述基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息，包括：基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的数据信息；基于人为方式对所述数据信息进行标注，获得标注数据信息；基于非线性的卡尔曼滤波法对所述标注数据信息进行降噪处理，并对降噪后的数据信息利用数值插补法进行频率对齐，获得多模态传感数据信息。

进一步的，所述多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息。

具体的，分别通过不同的传感器来采集多模态传感数据信息，足式机器人在不同类型的地面上行走预设距离，然后进行数据采集，该预设距离可以为2米，不同类型的地面包括泥沙、水泥、草地、木质、瓷砖等；每种类型的地面所采集的数据数量可以为30组；多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息；对于采集到的数据信息首先进行人为方式的标注，在标注之后，利用非线性的卡尔曼滤波方法对数据进行去噪处理，然后采用数值插补的方法对不同传感器的数据进行频率对齐，最终获得多模态传感数据信息；这样可以实现把运动行为识别的问题转换成监督学习的分类问题。

数据划分模块22：用于对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

在本发明具体实施过程中，对于得到的多模态传感数据信息，因为不同的地面类型中重复采集数据量为30组，在具体实施例中，需要对数据集进行划分，主要是划分为训练集和测试集；因为数据集较少，因此划分29组为训练集，1组为测试集。

学习训练模块23：用于基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

在本发明具体实施过程中，所述粘性层次狄利克雷过程隐马尔科夫模型的构建过程，包括：

获得层次狄利克雷过程，并定义所述层次狄利克雷过程如下：

则，利用层次狄利克雷过程对隐马尔科夫模型的隐形状态转换概率π_j进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布。

进一步的，所述对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型，包括：

所述层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换，即：

E[π_jk|β]＝β_k； (3)

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数。

进一步的，所述基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

对所述粘性层次狄利克雷过程隐马尔科夫模型设置需要学习的均值和协方差两个参数；

设置均值服从高斯分布，协方差服从逆威沙特分布；

假设所述同地面类型的多模态传感数据集中包含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

由公式(7)完成参数学习；

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；

利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；

基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

进一步的，所述基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

基于所述学习后的粘性层次狄利克雷过程隐马尔科夫模型利用留一交叉验证法进行选择处理，获得最优粘性层次狄利克雷过程隐马尔科夫模型。

具体的，在本发明构建的非参数化粘性层次狄利克雷过程隐马尔科夫模型，其概率图模型如图2所示，通过对隐性状态z_t分别π_j增加了参数β和超参数γ和κ，有利于对动态复杂的多模态传感信息y_t进行自动参数调整的建模，提高建模的简易性和计算效率，并且利用贝叶斯法则，计算新观测数据的对数似然函数值的方式实现对不同运动地面下的运动行为识别。

假设离散的分布G是一个对数据聚类的过程，它来自于狄利克雷过程DP(Dirichlet Process)那么G～DP(γ,H)，其中，H可以是任意的基分布，γ为集中系数；虽然基分布是连续分布，但是从DP采样却是离散的，γ直接影响到DP的离散程度；层级狄利克雷过程HDP是狄利克雷过程DP的一种扩展形式，它主要用于解决在DP中，当基分布是连续时所得到的采样参数与概率1不等的情况HDP通过在基分布上又定义一个先验分布，由每个DP获得基分布的采样，这样就保证了基分布的离散性，从而可知HDP的定义如下：

那么，利用HDP对HMM模型(隐马尔可夫模型)的隐性状态转换概率π_j的进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布。

在层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换(Self-transition)，即：

E[π_jk|β]＝β_k； (3)

此时，会造成隐性状态间的快速转换，不利于捕捉现实世界中时间序列的持续性或一致性，即表示在有限的时间间隔内的观察数值由相同的隐性状态描述；另外，缺乏自转换概率将会产生大量冗余的隐性状态，削弱了模型的预测功能。

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数。

粘性层次狄利克雷过程隐马尔科夫模型中的参数包括观察模型的参数和先验模型的参数，其中，设定其观察模型为多维高斯模型时有两个需要学习的参数：均值μ和协方差Σ两个参数，当该两个参数都未知的情况，将采用正态逆逆威沙特分布(NIW)作为观察模型的先验分布，由该分布生成未知参数的样本；通过设置均值μ服从高斯分别μ～N(μ_μ,Σ_μ)，协方差则服从逆威沙特分布Σ～IW(v,Δ)；那么，针对观察模型的参数，假定运动行为的训练数据集中含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布Σ～IW(v,Δ)中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

因此，可以完成对观察模型的参数进行学习。

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

基于所述学习后的粘性层次狄利克雷过程隐马尔科夫模型利用留一交叉验证法进行选择处理，获得最优粘性层次狄利克雷过程隐马尔科夫模型。

计算模块24：用于将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算；

在本发明具体实施过程中，所述将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算，包括：在给定的所述待识别样本信息

其中D为多模态传感数据信息的维度，T为运动行为的长度；通过对数似然函数计算所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型中的对数似然函数值之和。

进一步的，所述对数似然函数值之和的计算公式如下：

其中，T为运动行为的长度；L_c表示对比各个运动行为；Θ表示特定地面下所训练模型的参数空间；C表示地面的类型。

具体的，在得到最优粘性层次狄利克雷过程隐马尔科夫模型之后，在给定的新的待识别样本信息

其中D为多模态传感数据信息的维度，T为运动行为的长度；通过对数似然函数计算所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型中的对数似然函数值之和。

对数似然函数值之和的计算公式如下：

其中，T为运动行为的长度；L_c表示对比各个运动行为；Θ表示特定地面下所训练模型的参数空间；C表示地面的类型。

运动行为识别模块25：用于基于对数似然函数值之和的计算结果进行足式机器人运动行为识别。

在本发明具体实施过程中，通过对数似然函数值之和的计算结果来识别当前足式机器人的运动行为。

在本发实施例中，通过足式机器人的多模态传感数据信息和提出了非参数化粘性层次狄利克雷过程隐马尔科夫模型，增强了对多模态数据建模的时间一致性，提高运动行为识别的可靠性；同时能够避免对数据的过拟合，降低了建模的复杂性，提高运动行为识别的准确率。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于多模态感知的足式机器人运动行为识别方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于多模态感知的足式机器人运动行为识别方法，其特征在于，所述方法包括：

基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

将待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算；

基于对数似然函数值之和的计算结果进行足式机器人运动行为识别；

所述粘性层次狄利克雷过程隐马尔科夫模型的构建过程，包括：

获得层次狄利克雷过程，并定义所述层次狄利克雷过程如下：

则，利用层次狄利克雷过程对隐马尔科夫模型的隐形状态转换概率π_j进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布；

所述对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型，包括：

所述层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换，即：

E[π_jk|β]＝β_k； (3)

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数；

所述基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

对所述粘性层次狄利克雷过程隐马尔科夫模型设置需要学习的均值和协方差两个参数；

设置均值服从高斯分布，协方差服从逆威沙特分布；

假设所述同地面类型的多模态传感数据集中包含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

由公式(7)完成参数学习；

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；

利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；

基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

2.根据权利要求1所述的足式机器人运动行为识别方法，其特征在于，所述基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息，包括：

基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的数据信息；

基于人为方式对所述数据信息进行标注，获得标注数据信息；

基于非线性的卡尔曼滤波法对所述标注数据信息进行降噪处理，并对降噪后的数据信息利用数值插补法进行频率对齐，获得多模态传感数据信息。

3.根据权利要求1或2所述的足式机器人运动行为识别方法，其特征在于，所述多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息。

4.根据权利要求1所述的足式机器人运动行为识别方法，其特征在于，所述基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

基于所述学习后的粘性层次狄利克雷过程隐马尔科夫模型利用留一交叉验证法进行选择处理，获得最优粘性层次狄利克雷过程隐马尔科夫模型。

5.根据权利要求1所述的足式机器人运动行为识别方法，其特征在于，所述将所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算，包括：

在给定的所述待识别样本信息

其中D为多模态传感数据信息的维度，T为运动行为的长度；

通过对数似然函数计算所述待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型中的对数似然函数值之和。

6.根据权利要求1所述的足式机器人运动行为识别方法，其特征在于，所述对数似然函数值之和的计算公式如下：

其中，T为运动行为的长度；L_c表示对比各个运动行为；Θ表示特定地面下所训练模型的参数空间；C表示地面的类型。

7.一种基于多模态感知的足式机器人运动行为识别系统，其特征在于，所述系统包括：

数据产生模块：用于基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

数据划分模块：用于对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

学习训练模块：用于基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

计算模块：用于将待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算；

运动行为识别模块：用于基于对数似然函数值之和的计算结果进行足式机器人运动行为识别；

所述粘性层次狄利克雷过程隐马尔科夫模型的构建过程，包括：

获得层次狄利克雷过程，并定义所述层次狄利克雷过程如下：

则，利用层次狄利克雷过程对隐马尔科夫模型的隐形状态转换概率π_j进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数k，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；

表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布；

所述对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型，包括：

所述层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换，即：

E[π_jk|β]＝β_k； (3)

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ>0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义

为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数；

所述基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

对所述粘性层次狄利克雷过程隐马尔科夫模型设置需要学习的均值和协方差两个参数；

设置均值服从高斯分布，协方差服从逆威沙特分布；

假设所述同地面类型的多模态传感数据集中包含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

由公式(7)完成参数学习；

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；

利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；

基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。

Images