CN112270076A - 一种基于智能体主动感知的环境模型构建方法和系统 - Google Patents

一种基于智能体主动感知的环境模型构建方法和系统 Download PDF

Info

Publication number
CN112270076A
CN112270076A CN202011104682.2A CN202011104682A CN112270076A CN 112270076 A CN112270076 A CN 112270076A CN 202011104682 A CN202011104682 A CN 202011104682A CN 112270076 A CN112270076 A CN 112270076A
Authority
CN
China
Prior art keywords
environment model
perception
array
pressure
exploration
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.)
Granted
Application number
CN202011104682.2A
Other languages
English (en)
Other versions
CN112270076B (zh
Inventor
何斌
汪亚飞
周艳敏
朱忠攀
李刚
王志鹏
沈润杰
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202011104682.2A priority Critical patent/CN112270076B/zh
Publication of CN112270076A publication Critical patent/CN112270076A/zh
Application granted granted Critical
Publication of CN112270076B publication Critical patent/CN112270076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于智能体主动感知的环境模型构建系统，包括，阵列压力传感装置机器人，压力传感器构成的感知阵列设置在机器人手臂的终端处；插值拟合程序模块，用于将压力数据信息分布图形成环境模型，对压力传感器单元之间间隔导致缺失的数据采用插值拟合的方法来填补扩充；探索移动方向确定程序模块，用于根据当前区域的纹理统计特征确定下一区域的探索移动方向；闭环检测程序模块，用于检测是否探索完毕；环境模型整合模块，用于将各区域的环境模型整合得到完整的环境模型。

Description

一种基于智能体主动感知的环境模型构建方法和系统
技术领域
本发明涉及智能体的主动感知技术领域，尤其涉及一种基于智能体主动感知的环境模型构建方法。
背景技术
人们一直希望利用自主移动机器人在一些未知极限或者复杂环境下，如狭窄的坑道等，能够自主完成环境的探索，并创建环境地图。主动触觉感知作为机器人感知研究的一个重要方面日益受到重视，并从单个传感器的研究与应用发展到系统的概念，将感知系统的各层次相关技术集成，并在理论分析上做了大量工作，利用现有机器人技术成就部分地实现了主动触觉感知实验。
目前面临的主要困难是机器人探索感知的主动性和智能性不足，长期以来对机器人智能性的研究始终受到包括传感器响应在内的硬软件环境的限制，难以轻易完成人类轻易做到的事情。另一方面，对于不确定性环境下触觉感知、在高层次先验知识的利用、触觉探索信息的解释等方面，则受到计算机智能与人脑功能的差异的限制，使模拟人类功能完善的机器人触觉感知系统的实现受阻。然而感知研究中单项技术经完善后可望在机器人与环境的交互方面得到应用。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是利用机器人实现在小型空间内利用触觉闭环感知的主动感知学习完成对狭小空间的环境模型构建。
为实现上述目的，本发明在第一方面提供了一种基于智能体主动感知的环境模型构建方法，包括步骤：(1)将压力传感器构成的感知阵列设置在机器人手臂的终端处，形成阵列压力传感装置机器人；(2)控制阵列压力传感装置机器人在当前区域内不断按压，采集压力数据信息；(3)将压力数据信息分布图形成环境模型，其中压力传感器单元之间间隔导致缺失的数据则采用插值拟合的方法来填补扩充；(4)根据当前区域的纹理统计特征确定下一区域的探索移动方向；(5)重复(2)和(3)直至闭环检测判断探索完毕；(6)将各区域的环境模型整合得到完整的环境模型。
进一步地，步骤(1)中，感知阵列为64x64阵列。
进一步地，步骤(2)中，采用三次样条插值拟合。
进一步地，步骤(3)中，纹理统计特征为方向测度。
进一步地，步骤(5)中，采用TF-IDF算法确定的两幅压力数据信息分布图的相似度并结合机器人手臂的运动数据进行闭环检测。
本发明在第二方面提供了一种基于智能体主动感知的环境模型构建系统，包括，阵列压力传感装置机器人，压力传感器构成的感知阵列设置在机器人手臂的终端处；插值拟合程序模块，用于将压力数据信息分布图形成环境模型，对压力传感器单元之间间隔导致缺失的数据采用插值拟合的方法来填补扩充；探索移动方向确定程序模块，用于根据当前区域的纹理统计特征确定下一区域的探索移动方向；闭环检测程序模块，用于检测是否探索完毕；环境模型整合模块，用于将各区域的环境模型整合得到完整的环境模型。
进一步地，感知阵列为64x64阵列。
进一步地，插值拟合程序模块采用三次样条插值拟合。
进一步地，探索移动方向确定程序模块采用方向测度作为纹理统计特征。
进一步地，闭环检测程序模块采用TF-IDF算法确定的两幅压力数据信息分布图的相似度并结合机器人手臂的运动数据进行闭环检测。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例中的环境模型构建步骤流程图；
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
如图1所示，根据本发明的基于智能体主动感知的环境模型构建方法包括步骤
1、机器人在起始点反复按压采集区域的压力阵列数据。
2、利用插值拟合方法将压力阵列数据补充为区域环境高度数据模型。
3、将该区域的方向测度作为下一区域的探索移动方向。
4、重复按压得到区域环境模型。
5、通过闭环检测判断是否该区域之前已经被探索过。
6、将各区域环境模型整合成完整环境模型。
具体地，首先将压力传感器布成64x64的感知阵列，结合STM32的数据采集系统贴在机器人手臂的终端处，形成一个64x64的阵列压力传感装置机器人。
进一步，控制压力传感装置机器人目标区域在探索范围内不断按压，采集压力的数据信息。
进一步地，将压力信息分布图形成环境模型，其中传感器单元之间间隔导致缺失的数据采用插值拟合的方法来填补扩充数据。
常用的样条插值方法是，设[a,b]上的插值节点构成[a,b]的一个划分Δ：a＝x0<x1<…<xn＝b，f(x)于各节点的值是f(xi)＝fi(i＝0，1，…，n)。三次样条插值问题是求[a，b]上关于分划Δ的三次样条函数s(x)。根据s(x)应满足的两个条件于[xi，xi+1]，有
Figure BDA0002726556500000031
其中hi＝xi+1-xi(i＝0，1，…，n-1)，Mi＝s″(xi)为待定参数。M0，M1，…，Mn满足线性方程组
Figure BDA0002726556500000032
该方程组是含有n+1个未知数Mi(i＝0，1，…，n)的由n-1个方程组成的线性方程组，不能定解。为此尚需补充两个条件。一般，在插值区间两个端点各补充一个条件，通常称为端点条件。最常用的端点条件有三种类型：
s′(x0)＝f0′，s′(xn)＝fn′.
s″(x0)＝f0″，s″(xn)＝fn″.
s(x0)＝s(xn)(j＝0，1，2).
用Mi表示，这三种条件依次为：
一、
Figure BDA0002726556500000033
二、
Figure BDA0002726556500000034
三、Mn＝M0 λnM1+μnMn-1+2Mn＝dn
Figure BDA0002726556500000035
将方程组与三种端点条件的任何一种联合，解关于M0，M1，…，Mn的线性方程组。
将Mi(i＝0，1，…，n)代入s(x)方程组就得到s(x)关于各子区间的表达式。
进一步地，通过纹理的判断下一个探索区域的移动方向。
如果一幅纹理在垂直方向上具有一定的方向性,也即沿纵向呈现条纹状或近似条纹状,那么这幅纹理在垂直方向上相邻象素间的灰度变化从平均意义上要比其它方向上小。据此统计一幅纹理的象素灰度在各个方向上的变化规律是能够反映这幅纹理的方向性特征的。
设(i,j)是NxN图像中任意一点，以其为中心的5x5窗口。假设其纹理在垂直方向上具有一定的方向性，也即沿纵向呈现条纹状活近似条纹状，那么这幅纹理在垂直方向上相邻橡塑件的灰度变化从平均意义上要比其他方向上小。据此依据统计一幅纹理的像素灰度在各个方向上的变化规律是能够反映这幅纹理的方向性特征的。
为了测量这种相邻像素的灰度变化，提出八个统计量[h(i),i＝1,2,3…8]，称为方向测度，具体表达式为：
Figure BDA0002726556500000041
Figure BDA0002726556500000042
Figure BDA0002726556500000043
Figure BDA0002726556500000044
Figure BDA0002726556500000045
Figure BDA0002726556500000046
Figure BDA0002726556500000047
Figure BDA0002726556500000048
其中f(i,j)代表(i,j)的灰度值。如果在压力分布图上各个位置取该窗口的方向测度具有一致性，那么该方向也可作为下一探索区域的移动方向。
进一步地，进行对区域进行闭环检测来判断是否探索到重复区域。
这里利用TF-IDF来确定两幅压力信息图像的相似度。TF是指某特征在一幅图像中经常出现，它的区分度就越高。另一方面，IDF是指某特征在字典中出现的频率越低，则分类图像时的区分度越高。对于IDF部分，假设所有特征数量为n，某个区域的特征wi所含的数量为ni，那么该单词的IDF为：
Figure BDA0002726556500000049
TF是指某个特征在单副压力信息图像中出现的频率。假设图像A中特征wi出现了ni次，而一共出现的特征次数是n，那么TF为：
Figure BDA00027265565000000410
而特征wi的权重为η＝TFi·IDFi。
考虑权重以后，对于某副图像，可以得到许多个特征及对应权重的向量：
Figure BDA0002726556500000051
利用L1范数形式计算图像相似度：
Figure BDA0002726556500000052
只有相似度还不够，因为就算没有回到起始点，也有可能出现两块特别相似的区域。这里还要结合机器人的运动信息。
P＝ω1×S(vA-vB)+ω2×a
其中α为在一定可信度上认为机械臂手臂的某一方向上的旋转角分量已经累积到一个圆周360°。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于智能体主动感知的环境模型构建方法，其特征在于，包括步骤：
(1)将压力传感器构成的感知阵列设置在机器人手臂的终端处，形成阵列压力传感装置机器人；
(2)控制阵列压力传感装置机器人在当前区域内不断按压，采集压力数据信息；
(3)将压力数据信息分布图形成环境模型，其中压力传感器单元之间间隔导致缺失的数据则采用插值拟合的方法来填补扩充；
(4)根据当前区域的纹理统计特征确定下一区域的探索移动方向；
(5)重复(2)和(3)直至闭环检测判断探索完毕；
(6)将各区域的环境模型整合得到完整的环境模型。
2.如权利要求1所述的基于智能体主动感知的环境模型构建方法，其中，步骤(1)中，感知阵列为64x64阵列。
3.如权利要求2所述的基于智能体主动感知的环境模型构建方法，其中，步骤(2)中，采用三次样条插值拟合。
4.如权利要求3所述的基于智能体主动感知的环境模型构建方法，其中，步骤(3)中，纹理统计特征为方向测度。
5.如权利要求4所述的基于智能体主动感知的环境模型构建方法，其中，步骤(5)中，采用TF-IDF算法确定的两幅压力数据信息分布图的相似度并结合机器人手臂的运动数据进行闭环检测。
6.一种基于智能体主动感知的环境模型构建系统，其特征在于，包括，
阵列压力传感装置机器人，压力传感器构成的感知阵列设置在机器人手臂的终端处；
插值拟合程序模块，用于将压力数据信息分布图形成环境模型，对压力传感器单元之间间隔导致缺失的数据采用插值拟合的方法来填补扩充；
探索移动方向确定程序模块，用于根据当前区域的纹理统计特征确定下一区域的探索移动方向；
闭环检测程序模块，用于检测是否探索完毕；
环境模型整合模块，用于将各区域的环境模型整合得到完整的环境模型。
7.如权利要求6所述的基于智能体主动感知的环境模型构建系统，其中，感知阵列为64x64阵列。
8.如权利要求7所述的基于智能体主动感知的环境模型构建系统，其中，插值拟合程序模块采用三次样条插值拟合。
9.如权利要求8所述的基于智能体主动感知的环境模型构建系统，其中，探索移动方向确定程序模块采用方向测度作为纹理统计特征。
10.如权利要求9所述的基于智能体主动感知的环境模型构建系统，其中，闭环检测程序模块采用TF-IDF算法确定的两幅压力数据信息分布图的相似度并结合机器人手臂的运动数据进行闭环检测。
CN202011104682.2A 2020-10-15 2020-10-15 一种基于智能体主动感知的环境模型构建方法和系统 Active CN112270076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011104682.2A CN112270076B (zh) 2020-10-15 2020-10-15 一种基于智能体主动感知的环境模型构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011104682.2A CN112270076B (zh) 2020-10-15 2020-10-15 一种基于智能体主动感知的环境模型构建方法和系统

Publications (2)

Publication Number Publication Date
CN112270076A true CN112270076A (zh) 2021-01-26
CN112270076B CN112270076B (zh) 2022-10-28

Family

ID=74337394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011104682.2A Active CN112270076B (zh) 2020-10-15 2020-10-15 一种基于智能体主动感知的环境模型构建方法和系统

Country Status (1)

Country Link
CN (1) CN112270076B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064202A1 (en) * 2002-08-26 2006-03-23 Sony Corporation Environment identification device, environment identification method, and robot device
KR20080087777A (ko) * 2008-09-11 2008-10-01 포항공과대학교 산학협력단 초음파 센서를 이용하는 로봇의 지도 작성을 위한 상충이 소거된 최대 근사 우도 방법
CN105427738A (zh) * 2015-11-10 2016-03-23 汕头大学 一种基于大气压的多层建筑物的地图构建方法
CN108627284A (zh) * 2018-05-06 2018-10-09 北京工业大学 一种人体站立姿态感知地板
CN108646761A (zh) * 2018-07-12 2018-10-12 郑州大学 基于ros的机器人室内环境探索、避障和目标跟踪方法
CN110060284A (zh) * 2019-04-25 2019-07-26 王荩立 一种基于触觉感知的双目视觉环境探测系统及方法
CN110320532A (zh) * 2019-06-13 2019-10-11 广州高新兴机器人有限公司 一种基于广义霍夫变换的机器人封闭环境自动建图方法
CN110806211A (zh) * 2019-11-29 2020-02-18 炬星科技（深圳）有限公司 机器人自主探索建图的方法、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064202A1 (en) * 2002-08-26 2006-03-23 Sony Corporation Environment identification device, environment identification method, and robot device
KR20080087777A (ko) * 2008-09-11 2008-10-01 포항공과대학교 산학협력단 초음파 센서를 이용하는 로봇의 지도 작성을 위한 상충이 소거된 최대 근사 우도 방법
CN105427738A (zh) * 2015-11-10 2016-03-23 汕头大学 一种基于大气压的多层建筑物的地图构建方法
CN108627284A (zh) * 2018-05-06 2018-10-09 北京工业大学 一种人体站立姿态感知地板
CN108646761A (zh) * 2018-07-12 2018-10-12 郑州大学 基于ros的机器人室内环境探索、避障和目标跟踪方法
CN110060284A (zh) * 2019-04-25 2019-07-26 王荩立 一种基于触觉感知的双目视觉环境探测系统及方法
CN110320532A (zh) * 2019-06-13 2019-10-11 广州高新兴机器人有限公司 一种基于广义霍夫变换的机器人封闭环境自动建图方法
CN110806211A (zh) * 2019-11-29 2020-02-18 炬星科技（深圳）有限公司 机器人自主探索建图的方法、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ADRIEN JULE ET.AL.: "Discriminative touch from pressure sensors", 《IEEE》 *
姜佳弟: "面向机器人自主行为的认知语义地图信息模型构建", 《CNKI》 *
朱胤: "基于仿生微结构的触觉感知方式的研究", 《CNKI》 *

Also Published As

Publication number Publication date
CN112270076B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
US11565407B2 (en) Learning device, learning method, learning model, detection device and grasping system
Kröse et al. A probabilistic model for appearance-based robot localization
Dellaert et al. Fast image-based tracking by selective pixel integration
Hepp et al. Learn-to-score: Efficient 3d scene exploration by predicting view utility
CN112734765B (zh) 基于实例分割与多传感器融合的移动机器人定位方法、系统及介质
CN111695562A (zh) 一种基于卷积神经网络的机器人自主抓取方法
EP3894789A1 (en) Time-aware occupancy grid mapping for robots in dynamic environments
An et al. Fast incremental 3d plane extraction from a collection of 2d line segments for 3d mapping
CN112085789A (zh) 位姿估计方法、装置、设备及介质
Ho et al. A near-to-far non-parametric learning approach for estimating traversability in deformable terrain
US11794350B2 (en) Interactive tactile perception method for classification and recognition of object instances
Chawla et al. Multimodal scale consistency and awareness for monocular self-supervised depth estimation
Altuntaş et al. Comparison of 3-dimensional SLAM systems: RTAB-Map vs. Kintinuous
CN115761393A (zh) 一种基于模板在线学习的无锚目标跟踪方法
CN112270076B (zh) 一种基于智能体主动感知的环境模型构建方法和系统
CN110785777A (zh) 确定可移动的设备的位置
US10074010B2 (en) Image processing method, device and non-transitory computer-readable medium
Vlassis et al. Robot environment modeling via principal component regression
Mount et al. Unsupervised selection of optimal operating parameters for visual place recognition algorithms using Gaussian mixture models
CN116129234A (zh) 一种基于注意力的4d毫米波雷达与视觉的融合方法
CN115588187A (zh) 基于三维点云的行人检测方法、装置、设备以及存储介质
Badalkhani et al. Multi-robot SLAM in dynamic environments with parallel maps
Wren et al. DYNAMAN; A recursive model of human motion
Vasudevan et al. A mine on its own
Liu et al. Multiresolution representations for large-scale terrain with local Gaussian process regression

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