CN111680642B - 一种地形分类方法及装置 - Google Patents
一种地形分类方法及装置 Download PDFInfo
- Publication number
- CN111680642B CN111680642B CN202010529150.7A CN202010529150A CN111680642B CN 111680642 B CN111680642 B CN 111680642B CN 202010529150 A CN202010529150 A CN 202010529150A CN 111680642 B CN111680642 B CN 111680642B
- Authority
- CN
- China
- Prior art keywords
- training
- moving speed
- terrain
- domain features
- vibration signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明适用于地形识别技术领域,提供了一种地形分类方法及装置,包括:获取机器人在目标检测地形上以预设的移动速度移动产生的第一振动信号数据并进行预处理,得到第二振动信号数据;判断该移动速度是否大于预设临界速度;若该移动速度不大于预设临界速度,则提取第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若该移动速度大于预设临界速度,则提取第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别。本发明能够提高地形分类方法的准确率,保证移动机器人对其所处的地形进行正确分类。
Description
技术领域
本发明属于地形识别技术领域,尤其涉及一种地形分类方法及装置。
背景技术
随着机器人技术的快速发展,利用移动机器人实现搜救、侦查、采样等多种卫勤任务已经成为未来机器人技术发展的重要趋势,在民用及军用领域均有着广阔的应用前景。然而,在面对复杂的工作地形时,移动机器人很容易出现轮胎-地面滑动、运动学模型改变、位姿可靠性降低等问题,如果机器人能够对所处地形进行正确分类,就能够采取与地形相适应的运动策略,安全有效地穿越各类地形,因此,为了保证移动机器人在复杂路况下能够安全可靠地运行,提高地形分类方法的准确率具有十分重要的意义。
目前,现有技术中常用的地形分类方法为基于振动信号的地形分类方法,然而,由于受机器人速度的影响,不同的信号特征生成的分类器模型的分类准确率有所差异,所以现有地形分类方法的准确率不高。
发明内容
有鉴于此,本发明实施例提供了一种地形分类方法及装置,以解决现有技术中地形分类方法准确率不高的问题。
本发明实施例的第一方面提供了一种地形分类方法,包括:
获取目标检测地形对应的第一振动信号数据,该第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生;
对第一振动信号数据进行预处理,得到第二振动信号数据;
判断移动速度是否大于预设临界速度;若移动速度不大于预设临界速度,则提取第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若移动速度大于预设临界速度,则提取第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别。
本发明实施例的第二方面提供了一种地形分类装置,包括:
获取模块,用于获取目标检测地形对应的第一振动信号数据,该第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生;
预处理模块,用于对第一振动信号数据进行预处理,得到第二振动信号数据;
数据处理模块,用于判断移动速度是否大于预设临界速度;若移动速度不大于预设临界速度,则提取第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若移动速度大于预设临界速度,则提取第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,该处理器执行计算机程序时实现如上述地形分类方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现如上述地形分类方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明根据不同移动速度下,部分特征模型和全特征模型的分类准确率不同,确定一预设临界速度,当机器人的移动速度小于该预设临界速度时,只提取振动信号数据的时域特征输入至预设的部分特征模型中,得到目标检测地形的地形类别,当机器人的移动速度大于该预设临界速度,则提取振动信号数据的时域特征、频域特征和时频域特征输入至预设的全特征模型中,得到目标检测地形的地形类别。通过在不同的移动速度下提取不同的振动信号数据特征对移动机器人进行地形分类,能够提高地形分类方法的准确率,保证移动机器人对其所处的地形进行正确分类。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,显而易见地,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的地形分类方法的实现流程示意图;
图2是本发明实施例提供的部分特征模型和全特征模型的建立方法的实现流程示意图;
图3是本发明实施例提供的预设临界速度确定方法的流程示意图;
图4是本发明实施例提供的地形分类装置的示意图;
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的地形分类方法的实现流程示意图,详述如下:
步骤S101,获取目标检测地形对应的第一振动信号数据,该第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生。
在本发明实施例中,移动机器人顶部安装有惯性测量装置(IMU),当机器人以预设的移动速度在需要进行分类的地形上移动时,可以从惯性测量装置中获取包含振动信息的加速度信号,即为第一振动信号数据。
在本发明实施例中,移动机器人设置有0.1m/s,0.2m/s,0.3m/s,0.4m/s,0.5m/s五个速度档位,预设的移动速度可以为其中任一档速度。
步骤S102,对第一振动信号数据进行预处理,得到第二振动信号数据。
在本发明实施例中,在获取到第一振动信号数据后,需要先对其进行预处理,预处理后的信号数据即为第二振动信号数据。
可选的,对第一振动信号数据进行预处理,得到第二振动信号数据,包括:
将第一信号数据分割为多个等距离的数据段;
对各个数据段进行零均值化处理。
在本发明实施例中,预处理的过程为,先将第一信号数据分割为多个等距离的数据段,再对各个数据段进行零均值化处理,以消除数据中的直流分量。
零均值化处理的方法如下:
步骤S103,判断移动速度是否大于预设临界速度;若移动速度不大于预设临界速度,则提取第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若移动速度大于预设临界速度,则提取第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别。
在本发明实施例中,第二振动信号数据的时域特征可以包括各数据段的平均幅值、方根幅值、最大值、最小值、峰峰值、极大值、均方值、均方根值、峰值因子、最大偏差和峭度,各特征值的计算方法如下:
在本发明实施例中,可以采用快速傅里叶变换(FFT)从各个数据段内提取功率谱密度特征(PSD),作为第二振动信号数据的频域特征。
在本发明实施例中,可以采用离散小波分解(DWT)从各个数据段中提取第二振动信号数据的时频域特征。
所有特征提取完成后,最终会生成一个n维特征向量矩阵,分别将每列特征向量进行标准化处理,标准化处理的方法如下:
式中,Xi为第i个特征值,X_mean为特征值的平均值,std为特征值的标准差,标准化后所有的特征值聚集在0附近,方差为1。
在本发明实施例中,当机器人的移动速度不大于预设临界速度时,只提取第二振动信号数据的时域特征,经标准化处理后作为特征向量输入至预设的部分特征模型中,得到目标检测地形的地形类别;当机器人的移动速度大于预设临界速度时,则提取第二振动信号数据的时域特征、频域特征和时频域特征,经标准化处理后作为特征向量输入至预设的全特征模型中,得到目标检测地形的地形类别。模型的分类算法如下:
式中,hi(x)为单棵决策树分类结果,Y为目标分类,I为示性函数,n为决策树数目,argmax为求函数最大值自变量点集,H(x)为最终分类结果。
可选的,参见图2,部分特征模型和全特征模型的建立方法可以包括:
步骤S201,获取第一训练集,该第一训练集为机器人以不同的移动速度分别在不同种类的地形上移动产生的振动信号数据的集合。
在本发明实施例中,通过控制机器人以0.1m/s,0.2m/s,0.3m/s,0.4m/s,0.5m/s五个档位的移动速度分别在4种不同种类的地形上移动,获取机器人每种速度下在每种种类的地形上移动产生的振动信号数据,生成第一训练集。
步骤S202,对第一训练集进行预处理,得到第二训练集。
在本发明实施例中,对第一训练集进行预处理的方法与在步骤S102中对第一振动信号数据进行预处理的方法相同,分割的数据段长度也相等。
步骤S203,基于预设临界速度将第二训练集划分为第一训练子集和第二训练子集,提取第一训练子集的时域特征作为特征向量输入至随机森林分类器中进行训练,得到部分特征模型,提取第二训练子集的时域特征、频域特征和时频域特征作为特征向量输入至随机森林分类器中进行训练,得到全特征模型。
在本发明实施例中,将第二训练集中,移动速度不大于预设临界速度的数据划分为第一训练子集,相应的,移动速度大于预设临界速度的数据划分为第二训练子集,提取第一训练子集的时域特征作为特征向量输入至随机森林分类器中进行训练,可以得到部分特征模型,提取第二训练子集的时域特征、频域特征和时频域特征作为特征向量输入至随机森林分类器中进行训练,可以得到全特征模型。
随机森林分类器训练特征模型的过程如下:
(1)从m个训练样本中使用Bootstraping方法随机有放回地采样m次,采集数据放入训练集中,某样本在m次采样后没有出现的概率为:
共进行n次采样工作,生成n个训练集。
(2)对于n个训练集,分别训练生成n个决策树模型,对于单个决策树的每个节点,先从属性集合中选择一个包含k个属性的子集,一般取k=log2 d,d为属性集合数目;选择基尼(Gini)指数最小的属性作为决策树根节点的分裂属性,基尼指数的计算公式为:
其中,pk为拥有某属性的数据在训练集中出现的概率,每棵树不进行剪枝操作使其最大化分裂,直到该节点的所有数据都属于同一类。
(3)将生成的多棵决策树组成随机森林,即可得到特征模型。
可选的,参照图3,在步骤202对第一训练集进行预处理,得到第二训练集之后,还可以包括:
步骤2021,根据移动速度对第二训练集进行分组,得到多组训练数据,其中每组训练数据对应一个移动速度。
步骤2022,基于十折交叉验证法对各个移动速度对应的训练数据进行第一预训练,得到各个移动速度对应的第一分类准确率。
十折交叉验证法的原理是:将原始数据平均分为十组,令每组数据分别做一次测试集,其余的九组数据作为训练集,可以训练得到十个分类器特征模型,再利用测试集分别求得这十个模型的分类准确率的平均数,作为分类器特征模型的性能指标。
可选的,作为本发明实施例提供的地形分类方法的一种具体实施方式,步骤2022可以详述为:
对于某一移动速度对应的训练数据,提取该训练数据的时域特征作为第一特征向量;
基于十折交叉验证法对第一特征向量进行预训练,得到该移动速度对应的第一分类准确率。
步骤2023,基于十折交叉验证法对各个移动速度对应的训练数据进行第二预训练,得到各个移动速度对应的第二分类准确率。
可选的,作为本发明实施例提供的地形分类方法的一种具体实施方式,步骤2023可以详述为:
对于某一移动速度对应的训练数据,提取该训练数据的时域特征、频域特征、时频域特征作为第二特征向量;
基于十折交叉验证法对第二特征向量进行预训练,得到该移动速度对应的第二分类准确率。
步骤2024,根据各个移动速度对应的第一分类准确率以及各个移动速度对应的第二分类准确率确定预设临界速度。
可选的,作为本发明实施例提供的地形分类方法的一种具体实施方式,步骤2024可以详述为:
计算各个移动速度对应的第一分类准确率与第二分类准确率的比值,将计算得到的最接近1的比值对应的移动速度作为预设临界速度;
或,计算各个移动速度对应的第一分类准确率与第二分类准确率的差值,将计算得到的最小差值对应的移动速度作为预设临界速度。
在本申请实施例中,存在某个值,当机器人的移动速度不大于该值时,部分特征模型的分类准确率高于全特征模型的分类准确率,随着机器人移动速度的增加,部分特征模型的分类准确率逐渐变低,全特征模型的分类准确率逐渐变高,当机器人的移动速度超过该值时,全特征模型的分类准确率高于部分特征模型的分类准确率,该值即是临界速度值。在本发明实施例中,由于机器人的速度档位是预先设定的,所以,本申请将第一分类准确率与第二分类准确率的比值最接近1,或第一分类准确率与第二分类准确率的差值最小时对应的移动速度作为预设临界速度。
由以上内容可知,本发明根据不同移动速度下,部分特征模型和全特征模型的分类准确率不同,确定一预设临界速度,当机器人的移动速度小于该预设临界速度时,只提取振动信号数据的时域特征输入至预设的部分特征模型中,得到目标检测地形的地形类别,当机器人的移动速度大于该预设临界速度,则提取振动信号数据的时域特征、频域特征和时频域特征输入至预设的全特征模型中,得到目标检测地形的地形类别。通过在不同的移动速度下提取不同的振动信号数据特征对移动机器人进行地形分类,能够提高地形分类方法的准确率,保证移动机器人对其所处的地形进行正确分类。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4示出了本发明实施例提供的地形分类装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图4所示,地形分类装置4包括:
获取模块40,用于获取目标检测地形对应的第一振动信号数据,该第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生。
预处理模块41,用于对第一振动信号数据进行预处理,得到第二振动信号数据。
数据处理模块42,用于判断移动速度是否大于预设临界速度;若移动速度不大于预设临界速度,则提取第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若移动速度大于预设临界速度,则提取第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别。
可选的,预处理模块41还用于:
将第一信号数据分割为多个等距离的数据段;
对各个数据段进行零均值化处理。
可选的,地形分类装置4还包括:
模型训练模块410,用于,
获取第一训练集,该第一训练集为机器人以不同的移动速度分别在不同种类的地形上移动产生的振动信号数据的集合;
对第一训练集进行预处理,得到第二训练集;
基于预设临界速度将第二训练集划分为第一训练子集和第二训练子集,提取第一训练子集的时域特征作为特征向量输入至随机森林分类器中进行训练,得到部分特征模型,提取第二训练子集的时域特征、频域特征和时频域特征作为特征向量输入至随机森林分类器中进行训练,得到全特征模型。
可选的,模型训练模块410还用于,
根据移动速度对第二训练集进行分组,得到多组训练数据,其中每组训练数据对应一个移动速度;
基于十折交叉验证法对各个移动速度对应的训练数据进行第一预训练,得到各个移动速度对应的第一分类准确率;
基于十折交叉验证法对各个移动速度对应的训练数据进行第二预训练,得到各个移动速度对应的第二分类准确率;
根据各个移动速度对应的第一分类准确率以及各个移动速度对应的第二分类准确率确定预设临界速度。
可选的,作为本发明实施例提供的地形分类装置的一种具体实施方式,基于十折交叉验证法对各个移动速度对应的训练数据进行第一预训练,得到各个移动速度对应的第一分类准确率,可以详述为:
对于某一移动速度对应的训练数据,提取该训练数据的时域特征作为第一特征向量,基于十折交叉验证法对该第一特征向量进行预训练,得到该移动速度对应的第一分类准确率。
可选的,作为本发明实施例提供的地形分类装置的一种具体实施方式,基于十折交叉验证法对各个移动速度对应的训练数据进行第二预训练,得到各个移动速度对应的第二分类准确率,可以详述为:
对于某一移动速度对应的训练数据,提取该训练数据的时域特征、频域特征、时频域特征作为第二特征向量,基于十折交叉验证法对第二特征向量进行预训练,得到该移动速度对应的第二分类准确率。
可选的,作为本发明实施例提供的地形分类装置的一种具体实施方式,根据各个移动速度对应的第一分类准确率以及各个移动速度对应的第二分类准确率确定预设临界速度,可以详述为:
计算各个移动速度对应的第一分类准确率与第二分类准确率的比值,将计算得到的最接近1的比值对应的移动速度作为预设临界速度;或,计算各个移动速度对应的第一分类准确率与第二分类准确率的差值,将计算得到的最小差值对应的移动速度作为预设临界速度。
图5是本发明实施例提供的终端设备的示意图。如图5所示,该实施例的终端设备5包括:处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。处理器50执行计算机程序52时实现上述各个地形分类方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器50执行计算机程序52时实现上述各装置实施例中各模块的功能,例如图4所示模块40至42的功能。
示例性的,计算机程序52可以被分割成一个或多个模块,该一个或者多个模块被存储在存储器51中,并由处理器50执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序52在终端设备5中的执行过程。例如,计算机程序52可以被分割成获取模块40、预处理模块41和数据处理模块42,各模块具体功能如下:
获取模块40,用于获取目标检测地形对应的第一振动信号数据,该第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生;
预处理模块41,用于对第一振动信号数据进行预处理,得到第二振动信号数据;
数据处理模块42,用于判断移动速度是否大于预设临界速度;若移动速度不大于预设临界速度,则提取第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若移动速度大于预设临界速度,则提取第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别。
终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备5可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备5还可以包括输入输出设备、网络接入设备、总线等。
处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器51可以是终端设备5的内部存储单元,例如终端设备5的硬盘或内存。存储器51也可以是终端设备5的外部存储设备,例如终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器51还可以既包括终端设备5的内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及终端设备5所需的其他程序和数据。存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种地形分类方法,其特征在于,包括:
获取目标检测地形对应的第一振动信号数据,所述第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生;
对所述第一振动信号数据进行预处理,得到第二振动信号数据;
判断所述移动速度是否大于预设临界速度;若所述移动速度不大于预设临界速度,则提取所述第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若所述移动速度大于预设临界速度,则提取所述第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别;
其中,预设临界速度、部分特征模型和全特征模型由以下方法确定:
获取第一训练集,所述第一训练集为机器人以不同的移动速度分别在不同种类的地形上移动产生的振动信号数据的集合;
对第一训练集进行预处理,得到第二训练集;
根据移动速度对所述第二训练集进行分组,得到多组训练数据,其中每组训练数据对应一个移动速度;
对于某一移动速度对应的训练数据,提取该训练数据的时域特征作为第一特征向量;基于十折交叉验证法对所述第一特征向量进行预训练,得到该移动速度对应的第一分类准确率;
对于某一移动速度对应的训练数据,提取该训练数据的时域特征、频域特征、时频域特征作为第二特征向量;基于十折交叉验证法对所述第二特征向量进行预训练,得到该移动速度对应的第二分类准确率;
根据各个移动速度对应的第一分类准确率以及各个移动速度对应的第二分类准确率确定预设临界速度;
基于预设临界速度将所述第二训练集划分为第一训练子集和第二训练子集,提取所述第一训练子集的时域特征作为特征向量输入至随机森林分类器中进行训练,得到部分特征模型,提取所述第二训练子集的时域特征、频域特征和时频域特征作为特征向量输入至随机森林分类器中进行训练,得到全特征模型。
2.如权利要求1所述的地形分类方法,其特征在于,所述对所述第一振动信号数据进行预处理,得到第二振动信号数据,包括:
将所述第一振动信号数据分割为多个等距离的数据段;
对各个数据段进行零均值化处理。
3.如权利要求1所述的地形分类方法,其特征在于,所述根据各个移动速度对应的第一分类准确率以及各个移动速度对应的第二分类准确率确定预设临界速度,包括:
计算各个移动速度对应的第一分类准确率与第二分类准确率的比值,将计算得到的最接近1的比值对应的移动速度作为预设临界速度;
或,计算各个移动速度对应的第一分类准确率与第二分类准确率的差值,将计算得到的最小差值对应的移动速度作为预设临界速度。
4.一种地形分类装置,其特征在于,包括:
获取模块,用于获取目标检测地形对应的第一振动信号数据,所述第一振动信号数据由机器人在目标检测地形上以预设的移动速度移动产生;
预处理模块,用于对所述第一振动信号数据进行预处理,得到第二振动信号数据;
数据处理模块,用于判断所述移动速度是否大于预设临界速度;若所述移动速度不大于预设临界速度,则提取所述第二振动信号数据的时域特征作为特征向量,输入至预设的部分特征模型中,得到目标检测地形的地形类别;若所述移动速度大于预设临界速度,则提取所述第二振动信号数据的时域特征、频域特征和时频域特征作为特征向量,输入至预设的全特征模型中,得到目标检测地形的地形类别;
模型训练模块,用于通过以下方法确定预设临界速度、部分特征模型和全特征模型:
获取第一训练集,所述第一训练集为机器人以不同的移动速度分别在不同种类的地形上移动产生的振动信号数据的集合;
对第一训练集进行预处理,得到第二训练集;
根据移动速度对所述第二训练集进行分组,得到多组训练数据,其中每组训练数据对应一个移动速度;
对于某一移动速度对应的训练数据,提取该训练数据的时域特征作为第一特征向量;基于十折交叉验证法对所述第一特征向量进行预训练,得到该移动速度对应的第一分类准确率;
对于某一移动速度对应的训练数据,提取该训练数据的时域特征、频域特征、时频域特征作为第二特征向量;基于十折交叉验证法对所述第二特征向量进行预训练,得到该移动速度对应的第二分类准确率;
根据各个移动速度对应的第一分类准确率以及各个移动速度对应的第二分类准确率确定预设临界速度;
基于预设临界速度将所述第二训练集划分为第一训练子集和第二训练子集,提取所述第一训练子集的时域特征作为特征向量输入至随机森林分类器中进行训练,得到部分特征模型,提取所述第二训练子集的时域特征、频域特征和时频域特征作为特征向量输入至随机森林分类器中进行训练,得到全特征模型。
5.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述地形分类方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述地形分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529150.7A CN111680642B (zh) | 2020-06-11 | 2020-06-11 | 一种地形分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529150.7A CN111680642B (zh) | 2020-06-11 | 2020-06-11 | 一种地形分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680642A CN111680642A (zh) | 2020-09-18 |
CN111680642B true CN111680642B (zh) | 2023-06-23 |
Family
ID=72454652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529150.7A Active CN111680642B (zh) | 2020-06-11 | 2020-06-11 | 一种地形分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680642B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112716637B (zh) * | 2020-12-25 | 2022-10-25 | 东莞市力博得电子科技有限公司 | 一种牙面异常状态的检测方法及智能牙刷 |
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 |
CN113642433B (zh) * | 2021-07-30 | 2024-04-02 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
CN114048779B (zh) * | 2021-11-15 | 2024-04-30 | 吉林大学 | 一种基于智能轮胎的越野地面分类方法 |
CN116911176B (zh) * | 2023-07-08 | 2024-04-30 | 哈尔滨理工大学 | 一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
CN108830325A (zh) * | 2018-06-20 | 2018-11-16 | 哈尔滨工业大学 | 一种基于学习的振动信息地形分类识别方法 |
CN108844618A (zh) * | 2018-06-12 | 2018-11-20 | 中国科学技术大学 | 一种地形感知方法 |
CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
CN109242038A (zh) * | 2018-09-25 | 2019-01-18 | 安徽果力智能科技有限公司 | 一种用于标签不足情况的机器人地形分类器训练方法 |
CN109249429A (zh) * | 2018-09-25 | 2019-01-22 | 安徽果力智能科技有限公司 | 一种双足机器人地形分类系统 |
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 |
CN109708644A (zh) * | 2019-01-21 | 2019-05-03 | 北京艾瑞思机器人技术有限公司 | 移动机器人导航方法、装置和移动机器人 |
CN110147826A (zh) * | 2019-04-23 | 2019-08-20 | 中国科学技术大学 | 一种动态环境下机器人地面分类方法及系统 |
WO2020082732A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
-
2020
- 2020-06-11 CN CN202010529150.7A patent/CN111680642B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及系统 |
CN108844618A (zh) * | 2018-06-12 | 2018-11-20 | 中国科学技术大学 | 一种地形感知方法 |
CN108830325A (zh) * | 2018-06-20 | 2018-11-16 | 哈尔滨工业大学 | 一种基于学习的振动信息地形分类识别方法 |
CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
CN109242038A (zh) * | 2018-09-25 | 2019-01-18 | 安徽果力智能科技有限公司 | 一种用于标签不足情况的机器人地形分类器训练方法 |
CN109249429A (zh) * | 2018-09-25 | 2019-01-22 | 安徽果力智能科技有限公司 | 一种双足机器人地形分类系统 |
WO2020082732A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
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 |
CN109708644A (zh) * | 2019-01-21 | 2019-05-03 | 北京艾瑞思机器人技术有限公司 | 移动机器人导航方法、装置和移动机器人 |
CN110147826A (zh) * | 2019-04-23 | 2019-08-20 | 中国科学技术大学 | 一种动态环境下机器人地面分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111680642A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680642B (zh) | 一种地形分类方法及装置 | |
US8954365B2 (en) | Density estimation and/or manifold learning | |
CN109726391B (zh) | 对文本进行情感分类的方法、装置及终端 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN109918498B (zh) | 一种问题入库方法和装置 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN110059288B (zh) | 用于获得促进机器学习任务用的最佳母小波的系统和方法 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN109902731A (zh) | 一种基于支持向量机的性能故障的检测方法及装置 | |
CN113987188B (zh) | 一种短文本分类方法、装置及电子设备 | |
CN115034258A (zh) | 一种基于GAF和ResNet的通信辐射源个体识别方法及系统 | |
CN115238751A (zh) | 基于花朵授粉算法改进vmd算法的数据特征提取方法 | |
CN114692693A (zh) | 基于分形理论的分布式光纤信号识别方法、装置、存储介质 | |
CN113780351A (zh) | 一种基于随机森林的卫星接收机故障诊断方法 | |
CN111708884A (zh) | 文本分类方法、装置及电子设备 | |
CN109359694B (zh) | 一种基于混合协同表示的分类器的图像分类方法和装置 | |
CN111930935A (zh) | 图像分类方法、装置、设备和存储介质 | |
CN114449435B (zh) | 基于大间隔近邻的度量学习的指纹定位方法 | |
Zhou et al. | A Modulation Recognition Method Based on Bispectrum and Ensemble Learning | |
CN112285541B (zh) | 一种电流频率转换电路的故障诊断方法 | |
CN113011580B (zh) | 一种嵌入表征的处理方法以及相关设备 | |
EP4357978A1 (en) | Deep neural network (dnn) accelerator facilitating quantized inference | |
CN117235137B (zh) | 一种基于向量数据库的职业信息查询方法及装置 | |
CN112132007B (zh) | 一种基于ResNet-SVM的调制方式识别方法及系统 | |
Georgiev et al. | Feature selection for multiclass problems based on information weights |
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 |