CN115034335B - 一种基于决策树模型的机器人自主协同控制方法和系统 - Google Patents
一种基于决策树模型的机器人自主协同控制方法和系统 Download PDFInfo
- Publication number
- CN115034335B CN115034335B CN202210950027.1A CN202210950027A CN115034335B CN 115034335 B CN115034335 B CN 115034335B CN 202210950027 A CN202210950027 A CN 202210950027A CN 115034335 B CN115034335 B CN 115034335B
- Authority
- CN
- China
- Prior art keywords
- robot
- time sequence
- sequence data
- decision tree
- robots
- 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明请求保护一种基于决策树模型的机器人自主协同控制方法和系统,目的是帮助网络找到更好的局部最小值,并且加快训练的过程。其主要方法是:获取多个机器人的待执行指令,对所述待执行指令进行预处理;对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;基于多变量决策树模型的分布式大时序数据分类;基于聚类之后的待执行指令进行协同控制训练完成后将无障碍场景下训练的网络参数用于静态障碍物的场景,随后依次增加难度到动态障碍物和复杂场景下,使网络学到更加泛化的策略,且减少训练时间。
Description
技术领域
本发明属于机器人控制领域,具体的,涉及一种基于决策树模型的机器人自主协同控制方法和系统。
背景技术
随着机器人技术的日渐成熟,多个自主移动机器人在较大范围内协同工作已成为可能。为了实现多机器人协同工作,必须对机器人进行协同控制,以使机器人不发生任务冲突,提高工作效率;并且为机器人提供定位信息,以使机器人能够在较大的范围内完成任务。
自动化的机器人系统在越来越多的领域发挥着重要的作用,比如工业机器人,家用机器人,服务机器人等等。因此,机器人在结构化环境中的自动导航一直是一个热门的研究领域。与传统的人力系统相比,机器人系统有着多方面的优势,比如经济,时间和安全性等。而相比于单机器人系统,多机器人系统协同执行任务具有更大的优势和更广泛的应用场景,比如危险环境中的探索,农业中的监测以及极端条件下的军事任务。同一复杂任务,多机器人系统可以比单机器人更高效,更低花销地完成,同时具有更好的容错性(其中一个机器人失效时不会影响整个系统的运行),自适应和灵活性。因为多机器人系统具有这些优越性,并且当代处理器计算能力的不断增长,近年来多移动机器人系统吸引了越来越多国内外学者们的关注。从国内外研究情况看,多机器人协同控制系统较多,但都侧重于机器人任务分配方法的研究,很少涉及多机器人协同控制的研究。
现有技术中只能实现多机器人合作模式,不能真正意义上实现协同控制,机器人完成任务的效率较低,不能适应复杂任务的缺陷。
发明内容
为了解决当前多个机器人控制不协调的问题,本发明请求保护一种基于决策树模型的机器人自主协同控制方法和系统。
首先,所述方法,其特征在于,包括:
获取多个机器人的待执行指令,对所述待执行指令进行预处理;
对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;
在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;
基于多变量决策树模型的分布式大时序数据分类;
基于聚类之后的待执行指令进行协同控制。
进一步地,所述获取多个机器人的待执行指令,对所述待执行指令进行预处理,包括:
将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据;
将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人;
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数;
将训练完成的自动机器学习模型的表达式写入智能合约;
通过智能合约将所述模型参数同步至区块链机器人;
读取所述本地机器人的标准化测试时序数据;
调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
进一步地,所述对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围,还包括:
对于同类型结构可控制性概率的计算方法为:
同类型结构可控制性概率:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为同类型结构机器人总数,n为同类型结构机器人总数;
对于异类型结构可控制性概率的计算方法为:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概 率,n为异类型结构机器人总数。
进一步地,所述基于多变量决策树模型的分布式大时序数据分类,包括:
局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签,并将已知类别标签且可信度超过预设阈值的样本存入时序数据集;当时序数据集的容量超过预设阈值时,将其发送给中心机器人,然后清空时序数据集;中心机器人合并局部机器人发送的时序数据集生成训练样本集,利用训练样本集训练基于几何轮廓相似度的多变量决策树模型;中心机器人将多变量决策树模型作为基分类器加入集成分类器,并定期更新集成分类器;中心机器人将集成分类器共享给局部机器人,局部机器人利用集成分类器对在线到达的流式大时序数据进行分类;所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型,具体包括:利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上,不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界;利用类别投影边界对一维空间的数轴上的投影点进行排序、分组,得到一组有序投影点集合,将有序投影点集合划分为多个子集,将差集中的投影点标记为叶子机器人;将交集中的投影点标记为中间机器人;在最优基准向量的引导下,采用递归投影分裂方法,确定多变量决策树模型。
进一步地,所述基于聚类之后的待执行指令进行协同控制,包括:
检测机器人的识别指令以及在人体目标中选择的识别体型;
确定与所述识别体型对应的人体目标体型;
根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示所述机器人确认识别;
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
本发明还请求保护一种基于决策树模型的机器人自主协同控制系统,其特征包括:
预处理模块,获取多个机器人的待执行指令,对所述待执行指令进行预处理;
范围确定模块,对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;
维护模块,在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;
分类模块,基于多变量决策树模型的分布式大时序数据分类;
协同控制模块,基于聚类之后的待执行指令进行协同控制。
进一步地,所述获取多个机器人的待执行指令,对所述待执行指令进行预处理,包括:
将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据;
将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人;
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数;
将训练完成的自动机器学习模型的表达式写入智能合约;
通过智能合约将所述模型参数同步至区块链机器人;
读取所述本地机器人的标准化测试时序数据;
调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
进一步地,所述对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围,还包括:
对于同类型结构可控制性概率的计算方法为:
同类型结构可控制性概率:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为同类型结构机器人总数,n为同类型结构机器人总数;
对于异类型结构可控制性概率的计算方法为:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概 率,n为异类型结构机器人总数。
进一步地,所述基于多变量决策树模型的分布式大时序数据分类,包括:
局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签,并将已知类别标签且可信度超过预设阈值的样本存入时序数据集;当时序数据集的容量超过预设阈值时,将其发送给中心机器人,然后清空时序数据集;中心机器人合并局部机器人发送的时序数据集生成训练样本集,利用训练样本集训练基于几何轮廓相似度的多变量决策树模型;中心机器人将多变量决策树模型作为基分类器加入集成分类器,并定期更新集成分类器;中心机器人将集成分类器共享给局部机器人,局部机器人利用集成分类器对在线到达的流式大时序数据进行分类;所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型,具体包括:利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上,不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界;利用类别投影边界对一维空间的数轴上的投影点进行排序、分组,得到一组有序投影点集合,将有序投影点集合划分为多个子集,将差集中的投影点标记为叶子机器人;将交集中的投影点标记为中间机器人;在最优基准向量的引导下,采用递归投影分裂方法,确定多变量决策树模型。
进一步地,所述基于聚类之后的待执行指令进行协同控制,包括:
检测机器人的识别指令以及在人体目标中选择的识别体型;
确定与所述识别体型对应的人体目标体型;
根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示所述机器人确认识别;
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
基于本发明的方法,可以提供一种基于决策树模型的机器人自主协同控制方法和系统,目的是帮助网络找到更好的局部最小值,并且加快训练的过程。其主要方法是:获取多个机器人的待执行指令,对所述待执行指令进行预处理;对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;基于多变量决策树模型的分布式大时序数据分类;基于聚类之后的待执行指令进行协同控制训练完成后将无障碍场景下训练的网络参数用于静态障碍物的场景,随后依次增加难度到动态障碍物和复杂场景下,使网络学到更加泛化的策略,且减少训练时间。
附图说明
图1为本发明第一实施例提供的一种基于决策树模型的机器人自主协同控制方法流程示意图;
图2为本发明一实施例提供的一种基于决策树模型的机器人自主协同控制方法系统的结构模块图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如后。
本发明请求保护一种基于决策树模型的机器人自主协同控制方法和系统。
首先,所述方法,其特征在于,包括:
获取多个机器人的待执行指令,对所述待执行指令进行预处理;
对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;
在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;
基于多变量决策树模型的分布式大时序数据分类;
基于聚类之后的待执行指令进行协同控制。
进一步地,所述获取多个机器人的待执行指令,对所述待执行指令进行预处理,包括:
将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据;
将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人;
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数;
将训练完成的自动机器学习模型的表达式写入智能合约;
通过智能合约将所述模型参数同步至区块链机器人;
读取所述本地机器人的标准化测试时序数据;
调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
通过区块链技术和AutoML技术协同来完成在机器人上的时序数据预处理。本发明能够很好的将AutoML与区块链相结合,使用区块链存储,解决了传统的时序数据上传存储与处理方法依赖于中心化时序数据库的信任问题。时序数据存储时序数据处理放在区块链中完成,利用区块链的不可篡改特点很好的提高了时序数据存储准确安全性以及时序数据处理的安全性。在区块链的智能合约中加入AutoML算法,使得该方法能适应复杂场景,提高区块链的时序数据处理能力。最终实现区块链的时序数据智能化处理。本具体示例可行性高,可靠性强,解决了传统的时序数据上传存储与处理方法依赖于中心化时序数据库的信任问题,提高了区块链的时序数据挖掘能力。提高了时序数据存储准确安全性以及时序数据处理的安全性,最终实现区块链的时序数据智能化处理。
进一步地,所述对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围,还包括:
对于同类型结构可控制性概率的计算方法为:
同类型结构可控制性概率:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为同类型结构机器人总数,n为同类型结构机器人总数;
对于异类型结构可控制性概率的计算方法为:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概 率,n为异类型结构机器人总数。
进一步地,所述基于多变量决策树模型的分布式大时序数据分类,包括:
局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签,并将已知类别标签且可信度超过预设阈值的样本存入时序数据集;当时序数据集的容量超过预设阈值时,将其发送给中心机器人,然后清空时序数据集;中心机器人合并局部机器人发送的时序数据集生成训练样本集,利用训练样本集训练基于几何轮廓相似度的多变量决策树模型;中心机器人将多变量决策树模型作为基分类器加入集成分类器,并定期更新集成分类器;中心机器人将集成分类器共享给局部机器人,局部机器人利用集成分类器对在线到达的流式大时序数据进行分类;所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型,具体包括:利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上,不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界;利用类别投影边界对一维空间的数轴上的投影点进行排序、分组,得到一组有序投影点集合,将有序投影点集合划分为多个子集,将差集中的投影点标记为叶子机器人;将交集中的投影点标记为中间机器人;在最优基准向量的引导下,采用递归投影分裂方法,确定多变量决策树模型。
进一步地,所述基于聚类之后的待执行指令进行协同控制,包括:
检测机器人的识别指令以及在人体目标中选择的识别体型;
确定与所述识别体型对应的人体目标体型;
根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示所述机器人确认识别;
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
本发明还请求保护一种基于决策树模型的机器人自主协同控制系统,其特征包括:
预处理模块,获取多个机器人的待执行指令,对所述待执行指令进行预处理;
范围确定模块,对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;
维护模块,在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;
分类模块,基于多变量决策树模型的分布式大时序数据分类;
协同控制模块,基于聚类之后的待执行指令进行协同控制。
进一步地,所述获取多个机器人的待执行指令,对所述待执行指令进行预处理,包括:
将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据;
将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人;
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数;
将训练完成的自动机器学习模型的表达式写入智能合约;
通过智能合约将所述模型参数同步至区块链机器人;
读取所述本地机器人的标准化测试时序数据;
调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
进一步地,所述对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围,还包括:
对于同类型结构可控制性概率的计算方法为:
同类型结构可控制性概率:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为同类型结构机器人总数,n为同类型结构机器人总数;
对于异类型结构可控制性概率的计算方法为:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概 率,n为异类型结构机器人总数。
进一步地,所述基于多变量决策树模型的分布式大时序数据分类,包括:
局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签,并将已知类别标签且可信度超过预设阈值的样本存入时序数据集;当时序数据集的容量超过预设阈值时,将其发送给中心机器人,然后清空时序数据集;中心机器人合并局部机器人发送的时序数据集生成训练样本集,利用训练样本集训练基于几何轮廓相似度的多变量决策树模型;中心机器人将多变量决策树模型作为基分类器加入集成分类器,并定期更新集成分类器;中心机器人将集成分类器共享给局部机器人,局部机器人利用集成分类器对在线到达的流式大时序数据进行分类;所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型,具体包括:利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上,不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界;利用类别投影边界对一维空间的数轴上的投影点进行排序、分组,得到一组有序投影点集合,将有序投影点集合划分为多个子集,将差集中的投影点标记为叶子机器人;将交集中的投影点标记为中间机器人;在最优基准向量的引导下,采用递归投影分裂方法,确定多变量决策树模型。
进一步地,所述基于聚类之后的待执行指令进行协同控制,包括:
检测机器人的识别指令以及在人体目标中选择的识别体型;
确定与所述识别体型对应的人体目标体型;
根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示所述机器人确认识别;
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
以机器人识别当前人体目标中的人体目标动作特征为例,当机器人通过监控器浏览人体目标时,机器人显示界面201右下角有人体目标动作特征202弹出,机器人在人体目标动作特征位置进行特定操作,例如,在PC电脑终端通过点击鼠标右键,或,在移动终端通过手指在触控屏上长按以调出操作菜单,此时监控器检测到上述鼠标或手指的操作后弹出操作菜单,在该操作菜单中有识别动作特征相关选项,该操作菜单203中有“避让此动作特征”的选项,机器人点击此选项后,通过鼠标、手写系统或手指的操作将要识别的人体目标动作特征圈选出来,由粗黑线突出显示的黑色边框204围绕的部分为机器人选中的要识别的人体目标动作特征。
确定与该识别体型对应的人体目标体型;
确定与机器人选择的该识别体型对应的人体目标体型,该人体目标体型是与该识别体型的指定度量值相同的人体目标空间分布。计算运动人体的空间特征。此步骤需要计算当前第i帧的轮廓直方图及x方向和X方向的光流场直方图。具体方法为:
通过帧差法实现,首先将相邻的两帧图像转换为灰度图,然后作差。假设Ii和Ii+1是相邻的两帧图像,x为两帧中对应位置的像素值,那么它们的差定义为:
dIi(x)=|Ii(x)-Ii-1(x)|.
帧差图像Vi中像素x的灰度值定义为:
V i ( x ) = 255 ifdI i ( x ) >ϵ
= 0 otherwise ( 2 )
ε为预设的参数。如果ε过小,会使Vi中出现较多的噪点,如果选得太大又不能完整地提取人体运动区域,所以这个参数的选取需要事先调试至一合适值;
将得到的矩形区域Ri分成2×2的四个子区域,每一个子区域对应一个表征方向的饼状图。该饼状图的中心与子区域的中心重合,以x轴正半轴所在方向为0°角,每隔20°取一次值,则360°的圆盘被平均分成了18份,于是每一份的区间分别为[1°,20°],[21°,40°],…,[341°,360°]。通过统计轮廓走向落在这些区间的次数便可得到包含18个区间的轮廓统计直方图(也就是18维的特征向量)光流特征的计算采用Lucas-Kanade方法,其主要目的是求解如下的关于光流(u,v)的约束方程:
Ixu+IXv+Ii=0. (3);
求得(u,v)后,再分别在x方向和X方向做中值滤波,于是类似于轮廓统计直方图的获得方法,可以得到在x和X两个方向各18维的光流统计直方图。所以描述每个子区域的特征向量共有18×3=54维。又由于Ri被分成了2×2的四个子区域,所以第i帧的人体运动情形可以暂时用54×2×2=216维的特征向量表示。
根据该人体目标体型的属性更新与该识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示该机器人确认进行识别;
用于机器人的小空间人体识别避让规则用属性及属性值来表示,可通过更新不同的属性及属性值等属性参数,来更新已存在的人体目标网动作特征规则,得到与该识别体型对应的用于机器人的小空间人体识别避让规则。
具体地,用于机器人的小空间人体识别避让规则是已经预置在系统中了,通过更新规则中的各参数,便可得到对应的新的用于机器人的小空间人体识别避让规则。每个人体目标体型的属性均有对应的属性值(value),根据该识别体型的人体目标体型的属性更新用于机器人的小空间人体识别避让规则中的属性参数,得到与该识别体型对应的用于机器人的小空间人体识别避让规则。符合该属性值的人体目标内容均会被识别,不仅仅是人体目标动作特征内容可以被识别。
接收机器人监控器发送的针对目标用户的深度图像时序数据流和彩色图像时序数据流;
根据所述深度图像时序数据流和所述彩色图像时序数据流,获得所述机器人监控器至所述目标用户的距离;并获得所述目标用户在深度图像中的第一时序数据,其中,所述第一时序数据包括身高时序数据、上肢左右径时序数据、上肢前后径时序数据、下肢左右径时序数据和下肢前后径时序数据;
根据所述距离、所述第一时序数据以及实际尺寸与图像尺寸的比例,计算所述目标用户的实际时序数据,所述实际时序数据包括身高实际时序数据、上肢左右径实际时序数据、上肢前后径实际时序数据、下肢左右径实际时序数据和下肢前后径实际时序数据;
根据所述实际时序数据,评估所述目标用户的体型。
根据所述实际时序数据以及体型构建公式,计算所述体型构建公式的函数值;
根据所述函数值,评估所述目标用户的体型。
体型构建公式的公式为:
a1为上肢左右径实际时序数据,a2为上肢前后径实际时序数据,b1为下肢左右径实际时序数据,b2为下肢前后径实际时序数据,h为身高实际时序数据。
进一步地,提示该机器人确认进行识别,可以是弹出用于机器人的小空间人体识别避让的确认界面。该确认界面中包括识别提示信息,以及,取消和确定两个选择按钮,识别提示信息内容可以是“要避让选中的动作特征吗”,当机器人选择取消时,取消本次用于机器人的小空间人体识别避让,当机器人选择确定时,执行本次用于机器人的小空间人体识别避让。
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
接收确认识别的指令后,监控器将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体,这样,便将机器人选择的识别体型对应的人体目标内容进行了识别,即,机器人圈选的人体目标动作特征被识别掉了,下次再访问该人体目标此人体目标动作特征也会被识别,不会再显示在机器人显示界面上。
本发明实施例中,机器人选中要识别的人体目标动作特征所在的区域,监控器根据机器人的选择自动更新对应的识别规则,并将与该识别规则对应的人体目标空间分布进行识别,以达到识别该人体目标内容的目的,再次加载该人体目标时,识别的人体目标内容不再出现,操作更简单,效率更高,识别规则更新快。并且机器人根据自己的性能选择识别的人体目标内容,操作针对性更强。
基于类别间几何轮廓相似度偏差最大化的方法求解最优基准向量,使得在最优基准向量的引导下,不同类别投影点集合的交集最小,实现了类别归属不确定的样本集合最小化,所以可以准确地学习类别边界。另外,由于通过集合间的位置关系确定类别边界,因此学习过程受异常投影点的影响较小,具有较好的鲁棒性,在时序数据纯度低的分布流式大时序数据环境下,可以较准确的识别类别边界。
Claims (8)
1.一种基于决策树模型的机器人自主协同控制方法,其特征在于,包括:
获取多个机器人的待执行指令,对所述待执行指令进行预处理;
对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;
在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;
基于多变量决策树模型的分布式大时序数据分类;
基于聚类之后的待执行指令进行协同控制;
所述对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围,还包括:
对于同类型结构可控制性概率的计算方法为:
同类型结构可控制性概率:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为同类型结构机器人总数;
对于异类型结构可控制性概率的计算方法为:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为异类型结构机器人总数。
2.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法,其特征在于:
所述获取多个机器人的待执行指令,对所述待执行指令进行预处理,包括:
将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据;
将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人;
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数;
将训练完成的自动机器学习模型的表达式写入智能合约;
通过智能合约将所述模型参数同步至区块链机器人;
读取所述本地机器人的标准化测试时序数据;
调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
3.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法,其特征在于:
所述基于多变量决策树模型的分布式大时序数据分类,包括:
局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签,并将已知类别标签且可信度超过预设阈值的样本存入时序数据集;当时序数据集的容量超过预设阈值时,将其发送给中心机器人,然后清空时序数据集;中心机器人合并局部机器人发送的时序数据集生成训练样本集,利用训练样本集训练基于几何轮廓相似度的多变量决策树模型;中心机器人将多变量决策树模型作为基分类器加入集成分类器,并定期更新集成分类器;中心机器人将集成分类器共享给局部机器人,局部机器人利用集成分类器对在线到达的流式大时序数据进行分类;所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型,具体包括:利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上,不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界;利用类别投影边界对一维空间的数轴上的投影点进行排序、分组,得到一组有序投影点集合,将有序投影点集合划分为多个子集,将差集中的投影点标记为叶子机器人;将交集中的投影点标记为中间机器人;在最优基准向量的引导下,采用递归投影分裂方法,确定多变量决策树模型。
4.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法,其特征在于:所述基于聚类之后的待执行指令进行协同控制,包括:
检测机器人的识别指令以及在人体目标中选择的识别体型;
确定与所述识别体型对应的人体目标体型;
根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示所述机器人确认识别;
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
5.一种基于决策树模型的机器人自主协同控制系统,其特征包括:
预处理模块,获取多个机器人的待执行指令,对所述待执行指令进行预处理;
范围确定模块,对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围;
维护模块,在所述的范围内,对新机器人加入、机器人主动退出和机器人失效进行维护;
分类模块,基于多变量决策树模型的分布式大时序数据分类;
协同控制模块,基于聚类之后的待执行指令进行协同控制;
所述对所述预处理后的待执行指令初始化,根据可控制性概率的计算方法确定每个机器人可控制的范围,还包括:
对于同类型结构可控制性概率的计算方法为:
同类型结构可控制性概率:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为同类型结构机器人总数;
对于异类型结构可控制性概率的计算方法为:
k为已知的半径即已知机器人中与当前机器人的最远距离,q为单个机器人失效的概率,n为异类型结构机器人总数。
6.如权利要求5所述的一种基于决策树模型的机器人自主协同控制系统,其特征在于:
所述获取多个机器人的待执行指令,对所述待执行指令进行预处理,包括:
将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据;
将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人;
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数;
将训练完成的自动机器学习模型的表达式写入智能合约;
通过智能合约将所述模型参数同步至区块链机器人;
读取所述本地机器人的标准化测试时序数据;
调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
7.如权利要求5所述的一种基于决策树模型的机器人自主协同控制系统,其特征在于:
所述基于多变量决策树模型的分布式大时序数据分类,包括:
局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签,并将已知类别标签且可信度超过预设阈值的样本存入时序数据集;当时序数据集的容量超过预设阈值时,将其发送给中心机器人,然后清空时序数据集;中心机器人合并局部机器人发送的时序数据集生成训练样本集,利用训练样本集训练基于几何轮廓相似度的多变量决策树模型;
中心机器人将多变量决策树模型作为基分类器加入集成分类器,并定期更新集成分类器;中心机器人将集成分类器共享给局部机器人,局部机器人利用集成分类器对在线到达的流式大时序数据进行分类;所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型,具体包括:利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上,不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界;
利用类别投影边界对一维空间的数轴上的投影点进行排序、分组,得到一组有序投影点集合,将有序投影点集合划分为多个子集,将差集中的投影点标记为叶子机器人;将交集中的投影点标记为中间机器人;在最优基准向量的引导下,采用递归投影分裂方法,确定多变量决策树模型。
8.如权利要求5所述的一种基于决策树模型的机器人自主协同控制系统,其特征在于:
所述基于聚类之后的待执行指令进行协同控制,包括:
检测机器人的识别指令以及在人体目标中选择的识别体型;
确定与所述识别体型对应的人体目标体型;
根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数,并提示所述机器人确认识别;
接收确认识别的指令,并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别,指示所述机器人避让所述人体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950027.1A CN115034335B (zh) | 2022-08-09 | 2022-08-09 | 一种基于决策树模型的机器人自主协同控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950027.1A CN115034335B (zh) | 2022-08-09 | 2022-08-09 | 一种基于决策树模型的机器人自主协同控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034335A CN115034335A (zh) | 2022-09-09 |
CN115034335B true CN115034335B (zh) | 2022-10-21 |
Family
ID=83130239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210950027.1A Active CN115034335B (zh) | 2022-08-09 | 2022-08-09 | 一种基于决策树模型的机器人自主协同控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034335B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169346A (zh) * | 2011-02-18 | 2011-08-31 | 杭州电子科技大学 | 一种协调多机器人系统的智能控制方法 |
CN111781922A (zh) * | 2020-06-15 | 2020-10-16 | 中山大学 | 一种适用于复杂动态场景的基于深度强化学习的多机器人协同导航方法 |
DE102021201918A1 (de) * | 2020-10-07 | 2022-04-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und Verfahren zum Steuern ein oder mehrerer Roboter |
-
2022
- 2022-08-09 CN CN202210950027.1A patent/CN115034335B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169346A (zh) * | 2011-02-18 | 2011-08-31 | 杭州电子科技大学 | 一种协调多机器人系统的智能控制方法 |
CN111781922A (zh) * | 2020-06-15 | 2020-10-16 | 中山大学 | 一种适用于复杂动态场景的基于深度强化学习的多机器人协同导航方法 |
DE102021201918A1 (de) * | 2020-10-07 | 2022-04-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und Verfahren zum Steuern ein oder mehrerer Roboter |
Also Published As
Publication number | Publication date |
---|---|
CN115034335A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695562B (zh) | 一种基于卷积神经网络的机器人自主抓取方法 | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
Rong et al. | A peduncle detection method of tomato for autonomous harvesting | |
Zhang et al. | Fast covariance matching with fuzzy genetic algorithm | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN113282215A (zh) | 一种rpa系统中基于目标检测技术的ui元素拾取方法和系统 | |
CN111552269B (zh) | 一种基于姿态估计的多工业机器人安全性检测方法及系统 | |
CN109766790A (zh) | 一种基于自适应特征通道的行人检测方法 | |
CN115797811A (zh) | 一种基于视觉的农产品检测方法及系统 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 | |
CN109064497B (zh) | 一种基于颜色聚类补充学习的视频跟踪方法 | |
Knowles et al. | Toward robust and efficient online adaptation for deep stereo depth estimation | |
CN114332675A (zh) | 一种面向增强现实辅助装配的零件拾取感知方法 | |
KR20230061612A (ko) | 머신 러닝을 이용한 물체의 피킹 자동화 시스템 및 그 제어 방법 | |
CN113223018A (zh) | 细粒度图像分析处理方法 | |
CN110673642A (zh) | 无人机着陆控制方法、装置、计算机设备及存储介质 | |
Hwang et al. | Incremental hierarchical discriminating regression for indoor visual navigation | |
WO2022259575A1 (ja) | 学習装置、推論装置、学習方法、推論方法、及びプログラム | |
CN116812427B (zh) | 一种无人库房自动取档与归档控制系统及方法 | |
CN113642565B (zh) | 对象检测方法、装置、设备及计算机可读存储介质 | |
Fabricio et al. | Indoor autonomous robot: Perception of the environment through computer vision | |
Mohamed et al. | Deep Learning-Based Approaches for Automated Plant Leaf Detection and Classification | |
Gunji et al. | LayoutSLAM++: Simultaneous Estimation of Layout and Object Map Based on Geometric Features of Object Placement | |
Le et al. | Benchmarking convolutional neural networks for object segmentation and pose estimation |
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 |