CN111338338B - 基于路面特征聚类分析的机器人速度自适应控制方法 - Google Patents

基于路面特征聚类分析的机器人速度自适应控制方法 Download PDF

Info

Publication number
CN111338338B
CN111338338B CN202010105923.9A CN202010105923A CN111338338B CN 111338338 B CN111338338 B CN 111338338B CN 202010105923 A CN202010105923 A CN 202010105923A CN 111338338 B CN111338338 B CN 111338338B
Authority
CN
China
Prior art keywords
robot
ground
road surface
wavelet
speed
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.)
Active
Application number
CN202010105923.9A
Other languages
English (en)
Other versions
CN111338338A (zh
Inventor
刘明
张帅帅
荣学文
李贻斌
朱其刚
尹燕芳
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010105923.9A priority Critical patent/CN111338338B/zh
Publication of CN111338338A publication Critical patent/CN111338338A/zh
Application granted granted Critical
Publication of CN111338338B publication Critical patent/CN111338338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
    • G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Abstract

一种基于路面特征聚类分析的机器人速度自适应控制方法，是在复杂路面情况下，基于姿态传感器获取的运动中机器人本体垂直方向的振动加速度信号，采用聚类算法完成对路面信息的聚类分析，获得地面类型所处类别的概率，同时通过获取分析机器人本体的俯仰角信号，对机器人所处的路面坡度进行分类，最终通过决策完成对机器人的自适应速度控制。本发明根据机器人本体的垂直方向振动加速度以及机器人所处路面的坡度实现机器人运动速度的自适应控制，在保证机器人运动的稳定性的前提下实现了机器人运动的高效性，提高了机器人运动控制的总体性能。

Description

基于路面特征聚类分析的机器人速度自适应控制方法
技术领域
本发明涉及一种用于在复杂路面环境下控制移动机器人速度的自适应方法，属于移动机器人运动稳定控制领域。
背景技术
移动机器人对外部环境的感知及决策能力是决定其自治、高效、稳定地完成作业任务的关键。机器人在自主导航的过程中，必须具备感知通过的路面类别信息从而稳定安全地穿越未知地面的能力。因此，机器人行驶路面的类别信息感知及获取处理技术成为研究的热点。
影响机器人自主行驶能力的主要威胁来自如岩石、树木、崖壁等几何性障碍的危害以及沼泽、沙地、冰雪路面等非几何性障碍危害。以往的研究信号采集所使用的传感器概括起来可分为两大类，即非接触式传感器和接触式传感器。
非接触式传感器主要包括光学图像传感器、激光雷达、超声传感器、声学传感器等。利用的特征包括颜色、纹理图案、点云数据构建的环境、运行在不同地面的声音信号、路面对超声传感器发出的回波等进行地面分类。接触式传感器主要包括：加速度传感器、角速度传感器和力传感器等，基于这类传感器的研究主要是利用地面的振动的加速度、车辆俯仰角速度与角加速度以及横滚角速度与角加速度、车辆与地面的作用力等特征完成对地面类型的分类。
采用非接触式传感器获取信息进行分类或者分析的方法中，基于图像信息的分析数据量相对较大，因此在保证实时性的前提下对处理系统的要求较高，雷达系统相对成本高且不太适合于小型的移动机器人，超声信号的回波干扰处理是一个很大的难题，同时获取信息的准确性易受光照、天气、震动、地面覆盖物等外界环境的干扰，对识别的准确性有一定的影响。
而基于接触式传感器的信息获取完成地面分类的方法虽然能够克服一些非接触式传感器的一些局限，但也存在不同地面类型的振动信息区别较小的时候不易分类的问题。同时，路面分类的目的就是为了完成机器人的自适应控制，在较为复杂的室外环境下，单纯通过路面分类识别的结果完成的机器人控制将会是不连续的、非线性的，很难保证机器人运动的平稳性。
发明内容
本发明为解决上述现有移动机器人在复杂路面环境下控制技术存在的连续的、非线性、运动平稳性差等问题，提出一种高效稳定的基于路面特征聚类分析的机器人速度自适应控制方法。
本发明基于路面特征聚类分析的机器人速度自适应控制方法，是在复杂路面情况下，基于姿态传感器获取的运动中机器人本体垂直方向的振动加速度信号，采用聚类算法完成对路面信息的聚类分析，获得地面类型所处类别的概率，同时通过获取分析机器人本体的俯仰角信号，对机器人所处的路面坡度进行分类，最终通过决策完成对机器人的自适应速度控制。
本发明具体包括以下步骤：
(1)基于姿态传感器的路面特征原始信号的采集；
通过姿态传感器采集路面特征信号，包括机器人在不同地面行驶的本体垂直方向加速度信号以及俯仰角信号；
(2)小波特征提取，基于小波变换的噪声滤波及路面特征信息重构提取；
采用小波变换的方法对路面特征信号进行信号特征的提取，完成信号噪声的滤除及特征重构；
所述小波特征提取的过程，包括：
①对原始信号进行归一化处理；
②小波变换多尺度分解：采用小波基Dmey进行5层小波分解；
③各尺度小波系数去噪：小波分解高频系数的阈值量化，对第1层到第5层的每一层高频系数选择一个阈值进行软阈值化处理；
④小波逆变换重构：
根据小波分解的第5层的低频系数和经过量化处理后的第1层到第5层的高频系数，进行信号的小波重构；
⑤得到去噪后特征信号。
(3)基于改进高斯混合模型的路面特征聚类分析；
路面类别的聚类分析采用基于改进的高斯混合模型来实现，通过聚类分析获取机器人所处路面隶属于所定义地面类别(柏油路、草地、铺砖路面、沙地)的概率。
所述改进的高斯混合模型算法描述如下：
输入：样本集D＝{＜xj,yj＞,1≤i≤n}，其中，xj为样本，yj为地面种类的标签，n为样本个数；
高斯混合成分个数，即典型地面类别(柏油路、草地、铺砖路面、沙地)个数k；
训练过程：
①初始化参数γji(样本xj属于第i种地面的概率(每一个样本的每一个高斯混合成分的组成比例))，
②计算高斯混合初始参数{(αi,μi,Σi)1≤i≤k}，
③repeat：
④for j＝1,2…n do//E步骤，针对每一个样本，
⑤计算xj的后验概率其中αi为第i种类型地面的混合成分，即该类型地面的先验概率αi＝p(cj＝i)，满足条件/>μi为特征数据的均值向量，Σi为地面特征数据的协方差矩阵；
⑥end for，
⑦对γji进行修正，
⑧for i＝1,2,…k do//M步骤，针对每一个混合成分即典型地面类型，
⑨计算
⑩计算
⑾计算
⑿end for，
⒀更新模型参数，将{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k}，
⒁until满足条件停止。
输出：得到高斯混合模型{(αi,μi,i),1≤i≤k}。
(4)机器人自适应速度模糊决策控制；
制定模糊化决策，产生机器人的速度控制量获得机器人速度；机器人的速度控制量的产生是基于路面坡度信息以及路面类别隶属度的二维模糊控制器采用模糊决策方式完成机器人速度自适应决策控制。具体包括：
①模糊控制器的结构：
模糊控制器的输入有两个，即基于改进高斯混合模型的地面类别聚类输出gcm与地面坡度s，输出为控制机器人速度的PWM波脉宽uP，利用两个独立的一维模糊控制器的输出产生总控制输出量；
②模糊控制器的设计实现：
将地面坡度根据斜坡度数分为大下坡、中下坡、小下坡、平地、小上坡、中上坡、大上坡，与修正因子的模糊集均为：{NB,NM,NS,ZO,PS,PM,PB}；为与主控制量匹配，选择坡度及从控制量的隶属度均为高斯函数；
设置机器人在不同地面类别(柏油路、草地、铺砖路面、沙地)下的速度分别为v1、v2、v3、v3四个速度等级，若改进混合高斯模型聚类的输出gcm＝{μ1，μ2，μ3，μ4}，则利用重心法解模糊化，得主控制量输出um；
利用一维模糊控制器的推理原则及重心法解模糊，得到基于地面坡度的控制量修正因子ζ，从而控制器的输出uP表示为：uP＝ζum；即完成机器人速度控制量的生成输出。
本发明能够根据机器人本体的垂直方向振动加速度以及机器人所处路面的坡度实现机器人运动速度的自适应控制，在保证机器人运动的稳定性的前提下实现了机器人运动的高效性，提高了机器人运动控制的总体性能。具有以下有益效果：
1.利用姿态传感器获取机器人形式路面的特征信息，成本低且有效的避免了利用非接触式传感器获取信息存在的缺陷和不足；
2.采用改进的高斯混合模型获取当前路面的类别隶属度而不是进行分类，避免了路面分类后机器人速度控制的非线性、不连续性问题；
3.通过模糊决策实现了路面自适应控制，直面了以往的研究都回避的机器人速度自适应控制问题；通过这种控制策略既可以实现机器人运动的高效性也可以保证机器人运动的稳定性，很好地提高了机器人的自治运动控制性能。
4.该方法既能保证机器人运动的高效性又能保证运动的稳定性，很好地提高了机器人的运动控制性能。
附图说明
图1是本发明基于路面特征聚类分析的机器人速度自适应控制方法的流程图。
图2是本发明中基于小波分析的路面特征信息提取流程图。
图3是机器人模糊决策自适应速度控制器的控制策略流程图。
具体实施方式
本发明的基于路面特征聚类分析的机器人速度自适应控制方法，用于复杂路面环境机器人速度自适应控制，特征信号的采集利用的是树莓派控制板和姿态传感器的信号采集方式；信号特征的提取采用的是小波变换的方法，其作用是完成信号噪声的滤除及特征重构；路面类别的聚类分析采用的是基于改进的高斯混合模型来实现，通过聚类分析可以获取机器人所处路面隶属于所定义的几种地面类型的概率，而不是确定其种类。机器人的速度控制量的产生采用的是基于路面坡度信息以及路面类别隶属度的二维新型模糊控制器采用模糊决策方式完成机器人速度自适应决策控制。通过这种控制策略既可以实现机器人运动的高效性也可以保证机器人运动的稳定性，很好地提高了机器人的自治运动控制性能。
如图1所示，本发明的方法包括以下具体步骤。
1.路面特征原始信号采集
采集的路面特征信号包括在不同地面行驶的本体垂直方向加速度信号以及俯仰角信号。采集采用的传感器是维特智能的工业级姿态传感器HWT905，机器人控制系统采用的是带WIFI模块的树莓派3B+，与姿态传感器的接口采用的是RS232协议。
2.基于小波分析的特征提取
一般来说，通过传感器测量的数据序列都存在噪声信号，特别是机器人在运动过程中不可能保证没有任何振动的情况下，噪声信号表现的尤为突出。通常，测量数据序列的真实信号在时域和频域特性是局部化的且在频域上表现为低频特性，而噪声信号在时域和频域特性是全局化的且在频域上表现为高频信号。而小波分析作为一种时频多分辨率分析方法，是一个时间和频率的局域变换，能够有效地从信号中提取特征。因此，借助于两种信号的时频特性的不同，利用小波变换的多分辨率分析可以有效地对不同频率成分进行分离，从而可以达到剔除噪声，提取信号真实特征的目的。因此本发明采用了基于小波变换的信号特征提取方法。
图2所示为本发明完成机器人在不同地面行驶的本体垂直方向加速度信号以及俯仰角信号的特征提取的流程。小波特征提取的过程，包括：
(1)对原始信号进行归一化处理，即预处理；
(2)小波变换多尺度分解，采用小波基Dmey进行5层小波分解；
(3)各尺度小波系数去噪，小波分解高频系数的阈值量化。对第1层到第5层的每一层高频系数选择一个阈值进行软阈值化处理；
(4)小波逆变换重构；
根据小波分解的第5层的低频系数和经过量化处理后的第1层到第5层的高频系数，进行信号的小波重构。
(5)得到去噪后特征信号。
鉴于基于小波分析的特征提取过程中小波基、分解层数、阈值以及阈值函数的选择将直接影响噪声的去除效果。为保证特征提取及噪声去除的有效性，本发明在选择这些参量时采用了实验比较的方式。
本发明利用同一个坡度采集的Z轴方向的加速度信号以及俯仰角信号进行了不同模式下的小波特征提取实验。通过对实验结果的分析对比最终确定采用小波基Dmey进行5层小波分解，消噪过程基于固定阈值准则，利用软阈值函数对各层系数进行阈值量化处理的方式进行小波特征提取，实际分析结果表明该方法很好地提取到了机器人所处地面的特征。
3.基于改进高斯混合模型的路面特征聚类分析
通过改进的高斯混合模型算法进行路面特征聚类分析。本发明中视任意地面为k种典型地面的高斯混合组成。
3.1高斯混合模型
特征提取后的机器人振动状态数据(机器人本体垂直方向加速度信号)序列即为地面的特征信息，可表示为：
x＝{x(t+1),x(t+2)........x(t+m)} (1)
其中，m为序列长度，x为(t+1～t+m)时刻机器人振动状态数据，表示为当前地面特征。
根据高斯混合模型的定义，任意随机地面特征向量可以看作是k种典型地面类别高斯模型的混合组成，则x的概率密度函数p(x)可以表示为：
其中αi为第i种类型地面的混合成分，即该类型地面的先验概率αi＝p(cj＝i)，满足条件μi为特征数据的均值向量，Σi为地面特征数据的协方差矩阵；p(x|μi,Σi)为样本x在该模型下的概率密度。
机器人在几种典型参考地面类型(柏油路、草地、铺砖路面、沙地)上行驶，可以获取带标签的训练样本集：
D＝{＜xj,yj＞,1≤i≤n}，
其中，xj为样本，yj为地面种类的标签，n为样本个数。
若已知高斯混合模型的参数{(αi,μi,Σi)1≤i≤k}，针对样本xj计算其属于第i种地面的概率p(cj＝i|xj)，根据贝叶斯定理有：
利用公式(3)求解p(cj＝i|xj)的过程即为经典高斯混合模型EM算法中的E过程，cj为聚类出的地面类别。
同样，若已知p(cj＝i|xj)，简化为γji，也即每一个样本的每一个高斯混合成分的组成比例，根据极大似然估计和拉格朗日约束条件，为使给定样本集样本发生的概率最大，则每个高斯混合成分的参数应满足：
利用公式(4)计算高斯混合模型参数的过程，即EM算法中的M过程。
3.2改进的高斯混合模型算法
鉴于获取的样本集中样本所属的地面类型yj已知，而高斯混合模型算法是无监督的学习算法，只是利用数据自身的特征进行聚类，忽视了这些已知的信息，因此本发明提出了在参数初始化和E步算法中，充分利用其已知的信息，从而设计了带标签修正的高斯混合模型算法。
(1)参数初始化方法
高斯混合模型算法中，模型参数的初始化主要有两种方式：一种是随机初始化，另一种是先基于K均值聚类进行聚类，再计算初始的高斯混合模型参数。随机初始化方法容易导致模型收敛慢甚至偶尔会不收敛等问题；而先基于K均值的聚类，由于聚类结果与初始值的选择有很大关系，而且聚类出来的结果与真实所属的类别会有差异，这些错误的信息会影响模型的准确度。
由于样本集D的所属类别是明确的，因此参数初始化直接利用同种典型地面类别的信息进行计算：
设定，
然后利用公式(4)计算出初始参数{(αi,μi,Σi)1≤i≤k}。
(2)带标签修正的EM算法
在EM算法(经典高斯混合模型算法)迭代中，先通过公式(3)计算出p(cj＝i|xj)，即γji。高斯混合聚类中，样本xj所属簇cj由公式(6)确定：
但是由于干扰以及其他因素，根据公式(6)计算出来所属的类别存在与样本真实类别yj不一致的情况，即yj≠cj，这样计算的该样本的γji值不准确，如果因此该样本被归于错误的类别并且参与后面模型参数的计算，可能会降低模型参数计算的准确率。因此在每一次EM算法E过程后，用样本已知的yj类别信息对公式(3)计算出来的γji值进行修正，然后再进行M过程计算。本发明提出了三种修正方案：
方案1，针对所有的样本，用已知的yj类别信息强化该样本的γji值，修正公式如下：
方案2，只针对聚类出的所属簇类别cj与样本真实类别yj不一致即(yj≠cj)的样本用已知的yj类别信息强化该样本的γji值，γji值修正公式如下：
方案3，针对聚类出的所属簇类别cj与样本真实类别yj不一致(即(yj≠cj)的样本，为避免其对后面的模型参数计算产生影响不让其参与后继参数计算，修正公式如下：
经实验测试，方案3的效果最好，因此本发明采用方案3对E步骤的计算γji进行修正。
3.3改进的高斯混合模型算法描述
根据3.1高斯混合模型的原理和3.2对算法所作的改进，改进后的高斯混合模型算法描述如下：
输入：样本集D＝{＜xj,yj＞,1≤i≤n}，
高斯混合成分个数，即典型地面类别个数k；
训练过程：
①初始化参数γji，
②计算高斯混合初始参数{(αi,μi,Σi)1≤i≤k}，
③repeat:
④for j＝1,2…n do//E步骤，针对每一个样本，
⑤计算xj的后验概率
⑥end for，
⑦对γji进行修正，
⑧for i＝1,2,…k do//M步骤，针对每一个混合成分即典型地面类型，
⑨计算
⑩计算
计算/>
end for，
更新模型参数，将{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k}，
直至满足条件停止。
输出：得到高斯混合模型{(αi,μi,i),1≤i≤k}。
4.机器人模糊决策自适应速度控制器的设计
通过上述步骤3改进的高斯混合模型算法可以完成对路面信号的分类以及该信号隶属于所设定的四类地面(柏油路、草地、铺砖路面、沙地)的概率。鉴于不同路面情况下的路面崎岖度的差异，机器人的振动程度也会有较大差异，为保证机器人的驱动控制的稳定性，需要根据路面的种类的控制机器人以相应的速度运行。由于聚类分析的结果可以获得路面信号隶属于不同地面的概率，因此，采用模糊决策的方式设计机器人的自适应速度控制器。
机器人行驶的过程中，除了处于某种地面环境下之外还涉及所处的路面的坡度问题。因此，机器人的速度自适应控制应该既要考虑路面的种类，还应该考虑坡度的信息，也就是说机器人速度控制量输出是由机器人所处的地面种类以及坡度共同决定。
4.1模糊控制器的结构
如前所述，不难看出模糊控制器的输入有两个，即基于改进高斯混合模型的地面类别聚类输出gcm以及地面的坡度s，输出为控制机器人速度的PWM波脉宽uP。但该控制器并非传统的二维模糊控制器结构，而是采取图3所示结构。其本质是利用两个独立的一维模糊控制器的输出产生总控制输出量。
4.2模糊控制器的设计实现
将地面坡度根据斜坡度数分为大下坡、中下坡、小下坡、平地、小上坡、中上坡、大上坡进行模糊，与修正因子的模糊集均为：{NB,NM,NS,ZO,PS,PM,PB}。考虑到与主控制量的匹配，选择坡度及从控制量的隶属度均为高斯函数。
设置机器人在不同地面类别柏油路、草地、铺砖路面、沙地)下的速度分别为v1、v2、v3、v3四个速度等级，若改进混合高斯模型聚类的输出gcm＝{μ1，μ2，μ3，μ4}，则利用重心法解模糊化可得主控制量输出um。
利用一维模糊控制器的推理原则及重心法解模糊可得到基于地面坡度的控制量修正因子ζ，从而控制器的输出uP可表示为：
uP＝ζum (10)
至此完成了机器人速度控制量的生成输出。

Claims (1)

1.一种基于路面特征聚类分析的机器人速度自适应控制方法，其特征是，包括以下步骤：
(1)基于姿态传感器的路面特征原始信号的采集；
通过姿态传感器采集路面特征信号，包括机器人在不同地面行驶的本体垂直方向加速度信号以及俯仰角信号；
(2)小波特征提取，基于小波变换的噪声滤波及路面特征信息重构提取；
采用小波变换的方法对路面特征信号进行信号特征的提取，完成信号噪声的滤除及特征重构；
(3)基于改进高斯混合模型的路面特征聚类分析；
包括路面特征聚类分析和坡度模糊化处理，路面类别的聚类分析采用的是基于改进的高斯混合模型来实现，通过聚类分析获取机器人所处路面隶属于所定义的地面类型的概率；
(4)机器人自适应速度模糊决策控制；
制定模糊化决策，产生机器人的速度控制量获得机器人速度；机器人的速度控制量的产生是基于路面坡度信息以及路面类别隶属度的二维模糊控制器采用模糊决策方式完成机器人速度自适应决策控制；
所述小波特征提取的过程，包括：
①对原始信号进行归一化处理；
②小波变换多尺度分解：采用小波基Dmey进行5层小波分解；
③各尺度小波系数去噪：小波分解高频系数的阈值量化，对第1层到第5层的每一层高频系数选择一个阈值进行软阈值化处理；
④小波逆变换重构：
根据小波分解的第5层的低频系数和经过量化处理后的第1层到第5层的高频系数，进行信号的小波重构；
⑤得到去噪后特征信号；
所述改进的高斯混合模型算法描述如下：
输入：样本集D＝{＜xj,yj＞,1≤i≤n}，其中，xj为样本，yj为地面种类的标签，n为样本个数；
高斯混合成分个数，即典型地面类别个数k；
训练过程：
①初始化参数γji，
②计算高斯混合初始参数{(αi,μi,Σi)1≤i≤k}，
③repeat：
④for j＝1,2…n do//E步骤，针对每一个样本，
⑤计算xj的后验概率其中αi为第i种类型地面的混合成分，即该类型地面的先验概率αi＝p(cj＝i)，满足条件/>μi为特征数据的均值向量，Σi为地面特征数据的协方差矩阵；
⑥end for，
⑦对γji进行修正，监督修正公式如下：
⑧for i＝1,2,…k do//M步骤，针对每一个混合成分即典型地面类型，
⑨计算
⑩计算
⑾计算
⑿end for，
⒀更新模型参数，将{(αi,μi,Σi)1≤i≤k}更新为{(αi',μi',Σi')1≤i≤k}，
⒁until满足条件停止；
输出：得到高斯混合模型{(αi,μi,i),1≤i≤k}；
所述步骤(4)具体包括以下过程：
①模糊控制器的结构：
模糊控制器的输入有两个，即基于改进高斯混合模型的地面类别聚类输出gcm与地面坡度s，输出为控制机器人速度的PWM波脉宽uP，利用两个独立的一维模糊控制器的输出产生总控制输出量；
②模糊控制器的设计实现：
设置机器人在不同地面类别下的速度分别为v1、v2、v3、v4四个速度等级，改进混合高斯模型聚类的输出gcm＝{μ1，μ2，μ3，μ4}，利用重心法解模糊化，得主控制量输出um；将地面坡度根据斜坡度数分为大下坡、中下坡、小下坡、平地、小上坡、中上坡、大上坡进行模糊，基于地面坡度获得修正因子ζ，从而模糊控制器的输出uP表示为：uP＝ζum；即完成机器人速度控制量的生成输出。
CN202010105923.9A 2020-02-20 2020-02-20 基于路面特征聚类分析的机器人速度自适应控制方法 Active CN111338338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105923.9A CN111338338B (zh) 2020-02-20 2020-02-20 基于路面特征聚类分析的机器人速度自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105923.9A CN111338338B (zh) 2020-02-20 2020-02-20 基于路面特征聚类分析的机器人速度自适应控制方法

Publications (2)

Publication Number Publication Date
CN111338338A CN111338338A (zh) 2020-06-26
CN111338338B true CN111338338B (zh) 2024-01-16

Family

ID=71181814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105923.9A Active CN111338338B (zh) 2020-02-20 2020-02-20 基于路面特征聚类分析的机器人速度自适应控制方法

Country Status (1)

Country Link
CN (1) CN111338338B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880541B (zh) * 2020-08-03 2022-08-26 中车长春轨道客车股份有限公司 贵重物品运输车队最优行驶速度控制系统及其方法
CN112571418B (zh) * 2020-12-15 2022-02-25 山东科技大学 四足机器人运动状态聚类与自主决策方法
CN112598052A (zh) * 2020-12-21 2021-04-02 中建八局第二建设有限公司 一种基于K-Means的机械姿态分析方法及系统
CN113325720B (zh) * 2021-07-05 2023-07-18 沈阳工业大学 具有运动速度决策的康复训练机器人自适应跟踪控制方法
CN116879863B (zh) * 2023-09-09 2023-12-05 德心智能科技(常州)有限公司 一种连续波4d毫米波雷达多目标测量方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104718114A (zh) * 2012-08-16 2015-06-17 捷豹路虎有限公司 车辆速度控制系统
CN105427606A (zh) * 2015-12-24 2016-03-23 重庆云途交通科技有限公司 路面状况信息采集及发布方法
CN105473400A (zh) * 2013-08-21 2016-04-06 捷豹路虎有限公司 用于混合动力车辆实现一致的超限响应的动态减速度控制
CN105867373A (zh) * 2016-04-07 2016-08-17 重庆大学 一种基于激光雷达数据的移动机器人位姿推算方法及系统
CN106556412A (zh) * 2016-11-01 2017-04-05 哈尔滨工程大学 一种室内环境下考虑地面约束的rgb‑d视觉里程计方法
CN110244322A (zh) * 2019-06-28 2019-09-17 东南大学 基于多源传感器的路面施工机器人环境感知系统及方法
CN110457677A (zh) * 2019-06-26 2019-11-15 平安科技（深圳）有限公司 实体关系识别方法及装置、存储介质、计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040154718A1 (en) * 2003-02-06 2004-08-12 Doesburg Van I. Polyurethane filled tire and method of making same

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104718114A (zh) * 2012-08-16 2015-06-17 捷豹路虎有限公司 车辆速度控制系统
CN105473400A (zh) * 2013-08-21 2016-04-06 捷豹路虎有限公司 用于混合动力车辆实现一致的超限响应的动态减速度控制
CN105427606A (zh) * 2015-12-24 2016-03-23 重庆云途交通科技有限公司 路面状况信息采集及发布方法
CN105867373A (zh) * 2016-04-07 2016-08-17 重庆大学 一种基于激光雷达数据的移动机器人位姿推算方法及系统
CN106556412A (zh) * 2016-11-01 2017-04-05 哈尔滨工程大学 一种室内环境下考虑地面约束的rgb‑d视觉里程计方法
CN110457677A (zh) * 2019-06-26 2019-11-15 平安科技（深圳）有限公司 实体关系识别方法及装置、存储介质、计算机设备
CN110244322A (zh) * 2019-06-28 2019-09-17 东南大学 基于多源传感器的路面施工机器人环境感知系统及方法

Also Published As

Publication number Publication date
CN111338338A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111338338B (zh) 基于路面特征聚类分析的机器人速度自适应控制方法
CN103632382B (zh) 一种基于压缩感知的实时多尺度目标跟踪方法
CN110956154A (zh) 一种基于cnn-lstm的振动信息地形分类识别方法
CN106599827A (zh) 一种基于深度卷积神经网络的小目标快速检测方法
Guo et al. A novel image edge detection algorithm based on neutrosophic set
CN103955688B (zh) 一种基于计算机视觉的斑马鱼群检测与跟踪方法
CN108447041A (zh) 一种基于增强学习的多源图像融合方法
CN104050681A (zh) 一种基于视频图像的道路消失点检测方法
CN110388926B (zh) 一种基于手机地磁和场景图像的室内定位方法
CN111027627A (zh) 一种基于多层感知机的振动信息地形分类识别方法
CN111598142A (zh) 一种用于轮式移动机器人的室外地形分类方法
CN102930294A (zh) 基于混沌特征量视频运动模态分割和交通状况识别的方法
Ushani et al. Feature learning for scene flow estimation from lidar
CN114299607A (zh) 一种基于自动驾驶汽车的人车碰撞危险度分析方法
Oliveira et al. Three-dimensional mapping with augmented navigation cost through deep learning
Kazemi et al. Deep learning for direct automatic target recognition from SAR data
CN105894008A (zh) 结合特征点匹配及深度神经网络检测的目标运动跟踪方法
CN104392466A (zh) 一种基于视觉显著原始目标的检测跟踪方法
Chu et al. Target tracking via particle filter and convolutional network
CN111209813B (zh) 基于迁移学习的遥感图像语义分割方法
Al-Jarrah Intelligent vision-based real-time detection for rough terrain navigation robot
Tian et al. Robust identification of road surface condition based on ego-vehicle trajectory reckoning
CN114445456B (zh) 基于部分模型的数据驱动智能机动目标跟踪方法及装置
Wu et al. A survey of vision-based road parameter estimating methods
CN112328651B (zh) 基于毫米波雷达数据统计特征的交通目标识别方法

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
GR01 Patent grant
GR01 Patent grant