CN116028841A - 通过触觉感知识别物品类别的工作系统和方法 - Google Patents

Abstract

本发明提出了一种通过触觉感知识别物品类别的工作系统和方法，包括：机械手的手指和手掌位置安装分布式柔性压力传感器，所述压力传感器的信号端连接Arduino开发板信号接收端，Arduino开发板信号发送端连接电脑控制装置；通过获取不同组合物品的所采集的传感器数据，进行数据分类计算，将分类计算结果进行归一化操作；对归一化数据通过分类器进行筛选，并根据优化目标函数得到压力数据度量值，用于判断机械手握持的物体。

Description

通过触觉感知识别物品类别的工作系统和方法

技术领域

本发明涉及智能化控制领域，尤其涉及一种通过触觉感知识别物品类别的工作系统和方法。

背景技术

触觉一直被认为是复杂的感官产物，因此很难被机器复制，未来的机器人与人类的互动会逐渐增多，如果我们希望机器能在处理一些日常事务时能遵循人类行为习惯，就必须要确保机器和我们感知到的几近相同。

我们的触觉机械手装置与传统机械手不同，本装置是在传统控制型机械手的基础上，在手掌和手指上嵌入传感元件，旨在模拟人体皮肤层的工作方式，从而为手套带来超凡的灵活度。我们人体的外层皮肤充满了“传感器”(感觉神经)，可以检测外界刺激，而这款机械手搭载的布式柔性压力传感器，能够感知外界对机械手本身的刺激并进行自然和准确的测试，几乎任何手动操作都可以通过机械手上的四组传感元件进行精确测量。

而位于手套表面的压力传感器能够同时感应压力的强度和方向，以模拟人类手指的运动，提高灵活度和灵敏度，保证机械手可以与人手进行隔空联动，与人手同步进行抓取、搬运’拆装等工作。

为了进一步“感知”刺激，我们还将压力传感器重新添加定义。比如当尖锐物品刺激机械手表面时，传感器会产生一组特有的刺激信号及模式，从而实现识别。同时，触感技术衍生出的还有一套描述感觉的标尺，它将物体表面性质，转化为符合人类感官的信息。假设我们在利用机械手抓取物体时，能够通过机械手上的传感器的触觉感知物体信息，转化为数字图表信息并展示出来。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过触觉感知识别物品类别的工作系统和方法。

为了实现本发明的上述目的，本发明提供了一种通过触觉感知识别物品类别的工作系统，包括：机械手，分布式柔性压力传感器，Arduino开发板和电脑控制装置；

机械手的手指和手掌位置安装分布式柔性压力传感器，所述压力传感器的信号端连接Arduino开发板信号接收端，Arduino开发板信号发送端连接电脑控制装置。

根据上述技术方案优选的，每个分布式柔性压力传感器通过若干信号输出端进行分压测量，由电压值和分压电阻值计算传感器敏感点受力后的电阻值。

本发明还公开一种通过触觉感知识别物品类别的工作方法，包括如下步骤：

S1，通过分布式柔性压力传感器进行传感器数据识别工作，对传感器数据进行分析，将分析的过程记录在文件中；

S2，获取不同组合物品的所采集的传感器数据，进行数据分类计算，将分类计算结果进行归一化操作；

S3，对归一化数据通过分类器进行筛选，并根据优化目标函数得到压力数据度量值，用于判断机械手握持的物体。

根据上述技术方案优选的，所述S1包括：

S1-1，将Vout接到开发板的ADC端口，通过标定算法，可将采集到的AD值和压力值进行对应；

S1-2，采用pinMode函数输出上拉模式设置传感器四个传感器电位器，为保证数据实时输出，执行循环指令，每个电位器通过protocol buffers生成工具对结构化数据进行自动程序化分析，使每个传感器电位器输出数据定义一次，并输出xml文本格式用于读取数据，将xml文本通过processing实时存储到excel文件中；

S1-3，利用processing图形处理框架语言将传感器数据可视化成折线图形；将四个传感器电位获取的数据在processing折线图形中展现，并实时保存到excel文件。

根据上述技术方案优选的，所述S2包括：

S2-1，相应的传感器电位分别对应拇指手指和虎口、四指手指、手掌进行数据采集；

S2-2，S2-2，将根据拇指和虎口的压力状态提取拇指和虎口的压力数据矩阵

m为拇指和虎口位置传感器的数量，n为第m个传感器获取的握持物体开始至结束时段的压力数据，x为拇指和虎口位置的压力数据，

根据四根手指的压力状态提取相应压力数据矩阵

m`为四根手指的位置传感器的数量，n`为第m`个传感器获取的握持物体开始至结束时段的压力数据，y为四根手指位置的压力数据，

根据手掌的压力状态提取相应的压力数据矩阵

m``为手掌的位置传感器的数量，n``为第m``个传感器获取的握持物体开始至结束时段的压力数据，z为手掌位置的压力数据。

根据上述技术方案优选的，所述S2包括：

将拇指和虎口压力数据每一行的数据进行均值计算，均值计算之后进行归一化处理，按照压力数据进行降序排列，完成每一行的降序排列之后，形成拇指和虎口压力数据关联特征集I，依次形成四根手指压力数据关联特征集J和手掌压力数据关联特征集K。

根据上述技术方案优选的，所述S2包括：

S2-3，选择k个初始簇中心，即为质心；

计算所有特征集中的压力特征值的每个质心的点到预测特征簇质心默认值的误差平方和，并进行迭代计算，直到误差平方和迭代结束；

其中，P为特征集全部压力数据的误差平方和，G为特征集中实际压力特征值，h_i为预测特征簇质心默认值，ω为误差调节参数，c为采集的压力数据数量，i为正整数。

根据上述技术方案优选的，所述S2包括：

S2-4，将平方和迭代计算之后，作为分类器E的优化条件，通过对E的分类器计算生成提取样本符合真实样本的概率分布，对先验概率建模从而学习真实物体类型的分布，根据分类器E的噪声因子对物体类型进行筛选判断，将复杂噪声压力数据进行剔除，分类器E中加入重新定义的偏移值，对提取数据准确性显著增强，在训练过程中，减少分类器E训练参数，提高训练效率。

根据上述技术方案优选的，所述S3包括：

S3-1，使用的分类器E如下：

E_I为拇指和虎口压力数据关联特征集I的分类器，E_J为四根手指压力数据关联特征集J的分类器，E_K为手掌压力数据关联特征集K的分类器，λ为特征权值，u为拇指和虎口压力数据特征维度，v为四根手指压力数据特征维度，w为手掌压力数据特征维度，H_I为拇指和虎口压力数据关联特征集I的样本数，H_J为四根手指压力数据关联特征集J的样本数，H_K为手掌压力数据关联特征集K的样本数。

根据上述技术方案优选的，所述S3包括：

S3-2，求取优化目标函数，根据迭代d次的预期度量条件概率Q(d)和迭代g次的实时度量条件概率Q(g)进行度量计算；

获得优化目标函数M，σ是进行精度调节的调节参数。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

(1)相比于已有的测量压力装置，我们的装置在部件数量、部件质量和电路方面进行了很大程度上的简化。数量方面，我们的传感器没有直接安装于机械手，机械手对于我们的装置来说就不是非必需品，在不是必须要机械手的环境，我们的装置就比其他装置减少机械手的部件总和。质量方面，在大部分工作状况，我们的装置可以使用手套戴于人手来代替机械手，且没有其他多余部件，这就比其他装置要减少许多重量。在电路方面，该装置简化了电路图，我们的装置是通过导线在开发板与传感器的特点接线引脚直连，在这两者之间不需接入其他电器元件。(2)从成本上来看，简化电路意味着更少的器件，更少的器件也就意味着更少的PCB面积，这样成本能做到最优。(3)从可靠性来看,简化电路，电路出现器件损坏的可能性就越小，可靠性会得到提升。不过简化电路也不是不顾一切的裁剪电路，我们的装置必须要的元件还是必不可少的。(4)从功耗来看,简化电路必然带来功耗的减少,有节能的作用。结构简单所来的总体效果就是：方便携带及拆装、成本低、推广性好、安全可靠功耗少。

2、实施环境影响小，能在多种环境下使用

(1)装置的电路中不含有热敏电阻及类似电子元件，能够保证装置不会因为使用环境的温度改变而影响到其功能，保证了专利的效果精度；(2)装置电子设备部分与手套结合在一起，能够有效的保证电子设备不被破坏，使其能够在与尖锐物体接触时不会受到损坏，保证专利功能的正常运行；(3)装置通过电脑指示进行相对应的动作，在某些极端条件下(如排雷等)能够避免人员受伤的同时完成任务。

3、通用性高

(1)装置能够作用于人手，其所具有的柔软特性能够支持使用者任何动作的进行，且不会对专利的功能有任何的影响和削弱；手套装置能够对使用者起到保护作用，检测到物体尖锐程度情况的同时，使用者不会被尖锐物品所伤；(2)装置可以嫁接于机械手臂之上，使其达到隔空操作的便捷，使得装置的应用空间不拘于使用者手臂的长度，我们能够通过电脑端对其进行动作命令。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明机械手和开发板的连接示意图；

图2是本发明机械手示意图；

图3是本发明电路原理图；

图4是本发明模块控制图；

图5是本发明工作流程图；

图6是本发明传感器电路原理图；

图7是本发明试验数据线形图；

图8是本发明K-mean分类计算示意图；

图9是本发明K-mean分类计算示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本专利旨在机器手能像人手一样通过触觉感知物品的尖锐程度，同样也能够使用在一般的手套上实现相应的功能。适应能力强，不被所处的环境所影响。一方面，本装置可以帮助盲人、老人和儿童等弱势群体，为他们带来生活上的便利，保护其安全，防止被过于锐利的物品所伤。另一方面，本装置能够辅助许多科学研究的进行，它能够使用在任何的受力情况分析的场合，且效果以图表呈现出来，十分的直观，分析方便，数据的提取也极为快捷，能够迅速进行对比并做出判断，得到理想并准确的结果。

本装置能够实现远程联动，即使用者不必亲自在场，可以通过电脑端控制就能够达到对物体尖锐程度测量的效果，避免了受到空间限制，大大减小了它的使用条件，使其能够适用于更多的场合。

如图1至3为电脑控制装置(整个程序编程、装置控制和数据提取与分析)；Arduino开发板单片微计算机(控制总端与机械手连接以及程序下载录入)；机械手装置(移动接触与抓取)；以及分布式柔性压力传感器(数据采集与信号接收)的连接示意图；

如图3和图4所示，机械手安装的分布式柔性压力传感器信号端连接Arduino开发板，开发板信号端连接电脑，通过电脑的工作控制模块进行物品判断过程，中控模块分别控制Arduino的单片机控制模块、视觉捕捉识别模块，压力信息采集模块，压力信息编码模块，压力信息解码模块，文本数据分析模块，图形数据分析模块和神经网络数据分类模块。通过上述模块进行物品类型的综合判断，从而准确得到抓取的物品类型。

如图5所示，本发明的工作方法为：启动机械手装置后，握持物品，从而判断识别尖锐物体的场景，电脑启动传输视频捕捉指令之后，摄像头开始工作，当机械手装置通过摄像头自动捕捉被测物体位置时，判断确定物体位置如果达到指定位置则开始抓紧物体，如果没有到达指定位置，则调节机械手位置，直到机械手握持相应的物体，机械手握持到物体后，通过分布式柔性压力传感器获取相应的压力数据，通过筛选算法对获取的数据进行分析，判断物体的类型，并输出至电脑，电脑开始下一步物体识别过程。

本发明公开的通过触觉感知识别物品类别的工作方法，其特征在于，包括如下步骤：

S1，通过分布式柔性压力传感器进行传感器数据识别工作，对传感器数据进行分析，将分析的过程记录在文件中；

S2，获取不同组合物品的所采集的传感器数据，进行数据分类计算，将分类计算结果进行归一化操作；

S3，对归一化数据通过条件权重进行收敛，从而筛选出更准确的压力数据用于判断机械手握持的物体。

所述S1包括：

如图6所示，通过机械手每个手指以及手掌布置的柔性薄膜压力传感器ZNS-01端子，接收压力信号，部分点共用一个输出端，每只传感器有4个信号输出端口，1#、6#引脚为公共端。图中所示采用分压法测量，根据测量到的Vout电压值和分压电阻值计算传感器敏感点受力后的电阻值。再根据压力-电阻曲线计算压力值。

S1-1，将Vout接到开发板的ADC端口，通过标定算法，可将采集到的AD值和压力值对应起来，从而无需计算中间过程量(电压值、电阻值)。如果对信号的输出阻抗有特殊要求，可在Vout后端增加运放电路。

S1-2，通过对分布式柔性压力传感器进行传感器识别工作，传感器电位器引脚命名为A0-A3，并采用pinMode函数输出上拉模式设置传感器四个传感器电位器，初始化串口波特率值为9600，无线循环(保证数据实时输出)后，每个电位器通过protocol buffers生成工具对结构化数据进行自动程序化分析，保证各个传感器电位器输出数据定义一次并输出xml文本格式以便直观读取数据，最后将数据文本通过processing实时存储到一个实时更新的excel文件中；

S1-3，再利用processing图形处理框架语言将数据可视化成折线图形。整个过程实现了本装置在传感器接收数据时，将四个传感器电位模块的数据在processing折线图形中展现，并实时保存到excel文件中。

所述S2包括：

本装置选择研究对象分为尖锐物品(薄片状尖锐物品、锥状尖锐物品、块状尖锐物品)、尖锐和非尖锐组合物品、非尖锐物品共三大类别(尖锐物品作为实验组，尖锐和非尖锐组合物品、非尖锐物品作为对照组)。

优选的，包括：S2-1，基于研究对象选择生活中较为代表性的物品进行数据采集分析，选择美工刀(薄片状尖锐物品)、尖嘴钳(锥状尖锐物品)、菱形和正、长方体积木(块状尖锐物品)、铅笔状积木(尖锐和非尖锐组合物品)、兵乓球和圆柱体积木(非尖锐物品)。

用该装置握住被测物体，装置上的压力传感器就会受到被测物体反作用与传感器的作用力，转化成电信号，通过电路传输并得出数据，通过可视化窗口显示在折线图形中。四个传感器电位分别对应拇指、四指部分、虎口、手掌，红色折线图显示拇指接触物体时受力数据，绿色折线图显示四指部分接触物体时受力数据，蓝色折线图显示虎口接触物体时受力数据，紫色折线图显示手掌接触物体时受力数据。

通过三类研究对象(尖锐物品、尖锐和非尖锐组合物品、非尖锐物品)采用类比法和数据归类法对数据进行分类比对，提出直观的三组数据对比：

1、尖锐物品与非尖锐物品对比；

2、尖锐物品与尖锐与非尖锐组合物品对比；

3、非尖锐物品与尖锐和非尖锐组合物品对比；

对第一组数据分析看出，拇指部分接触钳子尖端，数据峰峰值为50左右且图像波动大，四指部分、虎口、手掌接触钳子把手部位，数据峰峰值为10左右且图像波动平缓；四指部分、虎口、手掌接触接触整个乒乓球体，数据峰峰值为15左右且图像波动平缓，拇指部分未接触物体，无数据输出。

对第二组数据分析看出拇指部分接触铅笔状积木尖端，数据峰峰值为60左右且图像波动大，四指部分和手掌接触铅笔状积木上部和底部棱处，数据峰峰值为30左右且图像波动小，虎口部分接触铅笔状积木侧面平滑部位，数据峰峰值为5左右且图像波动平缓；拇指部分接触钳子尖端，数据峰峰值为50左右且图像波动大，四指部分、虎口、手掌接触钳子把手部位，数据峰峰值为10左右且图像波动平缓。

对第三组数据分析看出拇指部分接触铅笔状积木尖端，数据峰峰值为60左右且图像波动大，四指部分和手掌接触铅笔状积木上部和底部棱处，数据峰峰值为30左右且图像波动小，虎口部分接触铅笔状积木侧面平滑部位，数据峰峰值为5左右且图像波动平缓；四指部分、虎口、手掌接触接触整个乒乓球体，数据峰峰值为15左右且图像波动平缓，拇指部分未接触物体，无数据输出。

由三组数据得出结论：

1、尖锐类物品：接触尖锐物体时，输出数据峰的峰值大于50且图像波动大。

2、尖锐和非尖锐组合物品或非尖锐物品：接触非尖锐(突出棱和较光滑)物体时，输出数据峰的峰值在5至30且图像波动小或平缓。

3、数据波动图像大，物体则为尖锐物体；数据波动小而平缓，物体则为平滑物体；通过观察数据波动程度即可判别物体是否尖锐。

4、数据峰的峰值越大，物体尖锐程度越大；数据峰的峰值越小，物体尖锐程度越缓；观察峰的峰值大小即可判别物体尖锐程度。

本装置采集的数据中各取100组数据进行数据分类，结合k-means和归一化原理进行数据分类算法计算：

设置k均值聚类，是一种迭代数据划分算法，它将n个观测值分配给由质心定义的k个簇之一，其中k是在算法开始之前选择的。

算法的执行如下：

S2-2，将根据拇指和虎口的压力状态提取拇指和虎口的压力数据矩阵

m为拇指和虎口位置传感器的数量，n为第m个传感器获取的握持物体开始至结束时段的压力数据，x为拇指和虎口位置的压力数据，例如：握持1分钟，第一颗传感器获取从第1秒至第60秒的压力数据；

根据四根手指的压力状态提取相应压力数据矩阵

m`为四根手指的位置传感器的数量，n`为第m`个传感器获取的握持物体开始至结束时段的压力数据，y为四根手指位置的压力数据，

根据手掌的压力状态提取相应的压力数据矩阵

m``为手掌的位置传感器的数量，n``为第m``个传感器获取的握持物体开始至结束时段的压力数据，z为手掌位置的压力数据，

将拇指和虎口压力数据每一行的数据进行均值计算，均值计算之后进行归一化处理，按照压力数据进行降序排列，完成每一行的降序排列之后，形成拇指和虎口压力数据关联特征集I，该特征集为形成归一化数据的特征集，依次形成四根手指压力数据关联特征集J和手掌压力数据关联特征集K；

进行归一化数据处理在自变量具有不同单位和迥异的规模时会改善插值结果；在这种情况下，缩放输入以使其具有类似的量级改善插值的数值形态，通过归一化数据集，设置计算权重，得出相应的收敛参数值，并使用该参数值对传感器数据集进行数据筛选。

S2-3，选择k个初始簇中心，即为质心；例如，随机选择k个观测值(通过使用'Start','sample')或使用k-means算法进行簇中心初始化做为默认值；

计算所有特征集中的压力特征值的每个质心的点到预测特征簇质心默认值的误差平方和，并进行迭代计算，直到误差平方和迭代结束；

其中，P为特征集全部压力数据的误差平方和，G为特征集中实际压力特征值，h_i为预测特征簇质心默认值，ω为误差调节参数，c为采集的压力数据数量，i为正整数，

S2-4，将平方和迭代计算之后，作为分类器E的优化条件，通过对E的分类器计算生成提取样本符合真实样本的概率分布，对先验概率建模从而学习真实物体类型的分布，根据分类器E的噪声因子对物体类型进行筛选判断，将复杂噪声压力数据进行剔除，提高压力数据特征的筛选效果，分类器E中加入重新定义的偏移值，对提取数据准确性显著增强，在训练过程中，减少分类器E训练参数，提高训练效率；

所述S3包括：

S3-1，使用的分类器E如下：

E_I为拇指和虎口压力数据关联特征集I的分类器，E_J为四根手指压力数据关联特征集J的分类器，E_K为手掌压力数据关联特征集K的分类器，λ为特征权值，u为拇指和虎口压力数据特征维度，v为四根手指压力数据特征维度，w为手掌压力数据特征维度，H_I为拇指和虎口压力数据关联特征集I的样本数，H_J为四根手指压力数据关联特征集J的样本数，H_K为手掌压力数据关联特征集K的样本数；通过样本数除以误差平方和为相应的偏移参数，作为分类器的数据参考获取压力数据的偏移量。

S3-2，求取优化目标函数，根据迭代d次的预期度量条件概率Q(d)和迭代g次的实时度量条件概率Q(g)进行度量计算；

获得优化目标函数M，σ是进行精度调节的调节参数，其中d和g为正整数。

两种方法进行在线阶段OnlinePhase的指定：

批量更新-将每个观测值分配给离质心最近的簇。

在线更新-只要将观测值重新分配给另一质心可减少簇内点到质心距离平方和的总和，就对该观测值执行此分配。

4计算每个簇中观测值的平均值，以获得k个新质心位置。

重复步骤2到4，直到簇分配不变，或达到最大迭代次数。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种通过触觉感知识别物品类别的工作系统，其特征在于，包括：机械手，分布式柔性压力传感器，Arduino开发板和电脑控制装置；

机械手的手指和手掌位置安装分布式柔性压力传感器，所述压力传感器的信号端连接Arduino开发板信号接收端，Arduino开发板信号发送端连接电脑控制装置。

2.根据权利要求1所述的通过触觉感知识别物品类别的工作系统，其特征在于，每个分布式柔性压力传感器通过若干信号输出端进行分压测量，由电压值和分压电阻值计算传感器敏感点受力后的电阻值。

3.一种通过触觉感知识别物品类别的工作方法，其特征在于，包括如下步骤：

S1，通过分布式柔性压力传感器进行传感器数据识别工作，对传感器数据进行分析，将分析的过程记录在文件中；

S2，获取不同组合物品的所采集的传感器数据，进行数据分类计算，将分类计算结果进行归一化操作；

S3，对归一化数据通过分类器进行筛选，并根据优化目标函数得到压力数据度量值，用于判断机械手握持的物体。

4.根据权利要求3所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S1包括：

S1-1，将Vout接到开发板的ADC端口，通过标定算法，可将采集到的AD值和压力值进行对应；

S1-2，采用pinMode函数输出上拉模式设置传感器四个传感器电位器，为保证数据实时输出，执行循环指令，每个电位器通过protocol buffers生成工具对结构化数据进行自动程序化分析，使每个传感器电位器输出数据定义一次，并输出xml文本格式用于读取数据，将xml文本通过processing实时存储到excel文件中；

S1-3，利用processing图形处理框架语言将传感器数据可视化成折线图形；将四个传感器电位获取的数据在processing折线图形中展现，并实时保存到excel文件。

5.根据权利要求3所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S2包括：

S2-1，相应的传感器电位分别对应拇指手指和虎口、四指手指、手掌进行数据采集；

S2-2，S2-2，将根据拇指和虎口的压力状态提取拇指和虎口的压力数据矩阵

m为拇指和虎口位置传感器的数量，n为第m个传感器获取的握持物体开始至结束时段的压力数据，x为拇指和虎口位置的压力数据，

根据四根手指的压力状态提取相应压力数据矩阵

m`为四根手指的位置传感器的数量，n`为第m`个传感器获取的握持物体开始至结束时段的压力数据，y为四根手指位置的压力数据，

根据手掌的压力状态提取相应的压力数据矩阵

m``为手掌的位置传感器的数量，n``为第m``个传感器获取的握持物体开始至结束时段的压力数据，z为手掌位置的压力数据。

6.根据权利要求5所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S2包括：

将拇指和虎口压力数据每一行的数据进行均值计算，均值计算之后进行归一化处理，按照压力数据进行降序排列，完成每一行的降序排列之后，形成拇指和虎口压力数据关联特征集I，依次形成四根手指压力数据关联特征集J和手掌压力数据关联特征集K。

7.根据权利要求3所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S2包括：

S2-3，选择k个初始簇中心，即为质心；

计算所有特征集中的压力特征值的每个质心的点到预测特征簇质心默认值的误差平方和，并进行迭代计算，直到误差平方和迭代结束；

其中，P为特征集全部压力数据的误差平方和，G为特征集中实际压力特征值，h_i为预测特征簇质心默认值，ω为误差调节参数，c为采集的压力数据数量，i为正整数。

8.根据权利要求6所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S2包括：

S2-4，将平方和迭代计算之后，作为分类器E的优化条件，通过对E的分类器计算生成提取样本符合真实样本的概率分布，对先验概率建模从而学习真实物体类型的分布，根据分类器E的噪声因子对物体类型进行筛选判断，将复杂噪声压力数据进行剔除，分类器E中加入重新定义的偏移值，对提取数据准确性显著增强，在训练过程中，减少分类器E训练参数，提高训练效率。

9.根据权利要求3所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S3包括：

所述S3包括：

S3-1，使用的分类器E如下：

E_I为拇指和虎口压力数据关联特征集I的分类器，E_J为四根手指压力数据关联特征集J的分类器，E_K为手掌压力数据关联特征集K的分类器，λ为特征权值，u为拇指和虎口压力数据特征维度，v为四根手指压力数据特征维度，w为手掌压力数据特征维度，H_I为拇指和虎口压力数据关联特征集I的样本数，H_J为四根手指压力数据关联特征集J的样本数，H_K为手掌压力数据关联特征集K的样本数。

10.根据权利要求9所述的通过触觉感知识别物品类别的工作方法，其特征在于，所述S3包括：

S3-2，求取优化目标函数，根据迭代d次的预期度量条件概率Q(d)和迭代g次的实时度量条件概率Q(g)进行度量计算；

获得优化目标函数M，σ是进行精度调节的调节参数。

Images