CN117195744B - 一种子母式移动机器人协同穿越的通过性迁移评价方法 - Google Patents
一种子母式移动机器人协同穿越的通过性迁移评价方法 Download PDFInfo
- Publication number
- CN117195744B CN117195744B CN202311341880.4A CN202311341880A CN117195744B CN 117195744 B CN117195744 B CN 117195744B CN 202311341880 A CN202311341880 A CN 202311341880A CN 117195744 B CN117195744 B CN 117195744B
- Authority
- CN
- China
- Prior art keywords
- robot
- trafficability
- data
- parent
- data set
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 29
- 230000005012 migration Effects 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 title abstract description 24
- 238000013210 evaluation model Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种子母式移动机器人协同穿越的通过性迁移评价方法，包括：实时获取子机器人通过性指标数据以及通过性指标数据的通过性标签，构建子机器人软地面通过性评价模型；获取母机器人与子机器人同一位置时的通过性标签；提取子机器人源域数据集中的通过性指标数据，并与母机器人的通过性标签构成目标域数据集；通过设计合理的域自适应学习算法，在子母式移动机器人穿越松软地面时，将子机器人获取的通过性指标数据自适应迁移于母体机器人松软地面的可通过性评价，从而避免母机器人移动受阻或减少发生的概率，对更远距离、更安全的探测具有更重要的意义。
Description
技术领域
本发明涉及子母式移动机器人的技术领域，尤其涉及一种子母式移动机器人协同穿越的通过性迁移评价方法。
背景技术
目前，移动机器人以其独特的优越性已广泛应用于星球探测、灾后搜救、地面运输、以及地质勘探中，与室内或结构化道路等线性环境不同，野外场景地形-地面多样性且复杂，使得机器人易遇到障碍、阻拦或发生沉陷、滑转等无法安全通过或处于危险的情况，且松软土壤或地面使得机器人易发生沉陷、滑转等，降低了机器人的牵引性或动力性，进而产生运动或转向受限、甚至无法移动等通过失效的现象，严重阻碍了其实际应用。因此，移动机器人能否进行判断当前地面环境，是移动机器人实现避障或越障的关键性因素。
为保障母体机器人生存探测和穿越能力，多机器人协作一直为主要的解决方案之一，特别是基于子母式移动机器人的协同穿越探测具有巨大的优势。其中，母体机器人通常需要携带负载如科学仪器、战备物资等，一般情况体积较大、行走缓慢，对地面安全性要求高；子机器人则以地形地貌环境感知和探测为主，其灵活轻巧、机动性和通过性强，可将感知信息传回母巡游车，进行侦察预警，子母式移动机器人不仅能在遭遇危险时进行协作，更重要的是借助高机动高灵活的子机器人(侦察车)进行提前感知预警，是极具优势的安全可靠方案。现有的，由于母体机器人在行驶过程中遇到危险环境时会受到因阻碍而无法顺利通过的问题，严重阻碍了其实际应用。因此，解决母体机器人的通过能力非常重要。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种子母式移动机器人协同穿越的通过性迁移评价方法解决传统的移动机器人通过性问题多是采用单一的机器人和单一的评价指标来衡量其通过能力，且不具有预估、判断功能，单一的机器人无法协作；以及协作式移动机器人在危险环境穿越中，如何自适应迁移于母机器人行驶路径的可通过性评判或预警的问题。
为解决上述技术问题，本发明提供如下技术方案：
本发明实施例提供了一种子母式移动机器人协同穿越的通过性迁移评价方法，包括：
实时获取子机器人通过性指标数据以及所述通过性指标数据的通过性标签，构建子机器人软地面通过性评价模型；
将所述子机器人的通过性标签数据构成源域数据集；
获取母机器人与子机器人同一位置时的通过性标签，提取所述子机器人源域数据集中的通过性指标数据，并与母机器人的通过性标签构成目标域数据集；
基于所述目标域数据集，采用域自适应迁移学习算法获取目标域降维后的数据集；将所述目标域降维后的数据集与目标域数据集降维前对应的母机器人可通过标签数据集作为子机器人软地面通过性评价模型训练集进行训练，得到母机器人软地面通过性评价模型；
根据所述母机器人软地面通过性评价模型预测子母式移动机器人的协同穿越通过性。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：所述构建子机器人软地面通过性评价模型包括：
将子机器人通过性指标数据以及所述通过性指标数据的通过性标签构成支持向量机的数据集T，表示为：
T＝{(xi,yi)}
其中，xi为子机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量且yi为第i个样本数据的通过性标签真值，yi取值0或1；
将数据集T送入改进的支持向量机算法中进行训练，得到子机器人软地面通过性评价模型，表示为：
其中，σ2为n1个样本数据的方差，||x||2为n1个样本数据的范数之和，sign(·)为符号函数且sign(·)取值为0或1，fs(x)取值为0或1。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：构成目标域数据集包括：
将子机器人的通过性标签数据构成适用于迁移学习的源域数据集DS表示为：
DS＝{(xi，yi)}
在源域数据集DS的n1个通过性指示数据中随机抽取n2个通过性指示数据组成母机器人通过性指标数据，并与母机器人的通过性标签构成目标域数据集Dt，表示为：
其中，x′j为母机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量，yj为母机器人通过第j个样本数据对应的路面的通过性标签真值，yj取值为0或1。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：采用域自适应迁移学习算法获取目标域降维后的数据集，包括：
将子机器人源域数据集Ds的随机变量集合表示为母机器人目标域数据集Dt的随机变量集合表示为/>
结合Ds和Dt利用最大均值差异函数得到子机器人源域和母机器人目标域之间的第一经验均值距离，表示为：
其中，DIS(XS，XT)为XS和XT两个域之间子母机器人数据分布的经验均值距离函数，n1，n2分别表示源域和目标域的样本个数，H表示再生核希尔伯特空间，φ(·)表示高维映射函数。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：还包括：令子母机器人数据的高维映射函数为φ(·)
其中，X→H表示子母机器人数据的非线性核函数映射，X′S，X′T，X′分别表示子机器人源域数据集高维映射后的数据，母机器人目标域数据集高维映射后的数据，子机器人与母机器人的结合域数据集高维映射后的数据；
对所述子母机器人数据分布的距离函数DIS(XS，XT)平方，并采用核技巧公式k(xi，xj)＝φ(xi)′φ(xj)转化为核学习问题得到源域和目标域之间的第一经验均值距离；
在第一经验均值距离中引入核矩阵K以及半正定矩阵L，并采用经验核映射分解核矩阵K得到第一核矩阵K′；
第一核矩阵K′利用维度为(n1+n2)×m的实矩阵将特征变化到m维空间(m<<n1+n2)，得到第二核矩阵/>
结合第一核矩阵以及第二核矩阵采用迹循环性质tr(ABC)＝tr(BCA)＝tr(CAB)得到子机器人源域和母机器人目标域之间的第二经验均值距离，表示为：
DIS(X′S，X′T)＝tr((KWWTK)L)＝tr(WTKLKW)
其中，W和/>均表示维度为(n1+n2)×m的实矩阵。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：还包括：
在所述子机器人源域和母机器人目标域之间的第二经验均值距离函数中加入正则项tr(WTW)，并通过拉格朗日乘子法转化为迹优化，得到的解记P，表示为：
P＝Wmin×tr((WTKHKW)-1WT(I+μKLK)W)
其中，W的解P为(I+μKLK)-1KHK的前m个特征值对应的特征向量，前m个特征向量即为在子机器人源域和母机器人目标域上满足相同概率分布的母机器人目标域降维后的数据，P是维度为(n1+n2)×m的矩阵，Wmin为维度为(n1+n2)×m的最小实矩阵。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：记母机器人目标域Dt降维后的数据集为{x′}；
其中，{x′}＝{x′1，x′2，…，x′m}；
记m个数据降维前对应的母机器人可通过标签数据集为{y′}；
其中，{y′}＝{y′1，y′2，…，y′m}。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：对子机器人软地面通过性评价模型训练集进行训练，包括：
将所述目标域降维后的数据集{x′}和目标域数据集降维前对应的母机器人可通过标签数据集{y′}组合成母机器人训练集D′，表示为：
D′＝{(x′，y′)}＝{(x′1，y′1)，(x′2，y′2)，…，(x′m，y′m)}
根据母机器人训练集D′对子机器人软地面通过性评价模型fs(x)进行训练，得到母机器人软地面通过性评价模型，表示为：
其中，m为母机器人训练集D′的数据个数。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：还包括：
调整母机器人软地面通过性评价模型参数并进行训练，采用随机梯度下降算法最小化损失函数；
当损失函数值小于第一阈值时，则表示母机器人软地面通过性评价模型收敛，结束训练；否则继续训练，直至母机器人软地面通过性评价模型收敛。
作为本发明所述的子母式移动机器人协同穿越的通过性迁移评价的一种优选方案，其中：根据母机器人软地面通过性评价模型预测子母式移动机器人的协同穿越通过性，包括：
若输入母机器人软地面通过性评价模型的十维向量数据的输出结果为0，则表示母机器人不可通过；
若输入母机器人软地面通过性评价模型的十维向量数据的输出结果为1，则表示母机器人可通过。
与现有技术相比，本发明的有益效果：本发明通过设计合理的域自适应学习算法，在子母式移动机器人穿越松软地面时，将子机器人获取的轮壤接触作用力觉信息自适应迁移于母体机器人松软地面的可通过性评价，从而避免母机器人移动受阻或减少发生的概率，对更远距离、更安全的探测具有更重要的意义。本发明还特别关注车轮与地面作用力觉等通过能力的非几何特征。特别是在子母式协作式移动机器人穿越问题中，能够准确获取轮壤接触力觉信息，能够提前预估母机器人能否顺利通过松软地面的功能，即避免松软地面的发生滑转、沉陷等问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
图1为本发明一个实施例所述的一种子母式移动机器人协同穿越的通过性迁移评价方法的方法流程图；
图2为本发明一个实施例所述的一种子母式移动机器人协同穿越的通过性迁移评价方法的域自适应迁移学习算法框架原理图；
图3为本发明一个实施例所述的一种子母式移动机器人协同穿越的通过性迁移评价方法的迁移算法的框架原理图；
图4为本发明一个实施例所述的一种子母式移动机器人协同穿越的通过性迁移评价方法的子母式移动机器人协同穿越的通过性迁移评价示意图；
图5为本发明一个实施例所述的一种子母式移动机器人协同穿越的通过性迁移评价方法的预测结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图4，为本发明的一个实施例，该实施例提供了一种子母式移动机器人协同穿越的通过性迁移评价方法，包括：
S1:实时获取子机器人通过性指标数据以及通过性指标数据的通过性标签，构建子机器人软地面通过性评价模型；
在本发明实施例中，移动机器人是指广泛应用于野外作业或松软土壤上(泥地、沙地、雪地、滩涂)行驶的轮式移动机器人，如常见的电动小车、星球探测车、沙漠探测平台、以及无人越野车辆等，可应用于前轮动四轮驱动或以轮式为主的履带式机器人。
在本发明实施例中，采用一对车轮力传感器分别左右对称安装于子机器人的两个驱动轮上，采集驱动轮与地面接触的十维动态力信号，左右驱动轮在x、y方向的纵向力矩、侧向力矩定义为纵向力、侧向力与车轮半径R的乘积，即m＝f×R由车轮力传感器内置的旋转编码器输出计算获得。
子机器人的通过性指标数据包括：左右驱动轮本地坐标系下的x、y、z方向的纵向力fx_l，fx_r、侧向力fy_l，fy_r、垂向力fz_l，fz_r、纵向力矩mx_l，mx_r、侧向力矩my_l，my_r，将获取的通过性指标数据作为子机器人软地面通过性评价模型的输入数据；人为观测当前工况下的地面可通过度情况，作为输入数据的标签。
应说明的是，通过性指标数据的采集应采取相同的时间窗口，采样频率设为10Hz，并在当前地面工况下采集足够多的样本数据来构成大样本数据，样本数大于4000个，以保证模型的准确度；人为观测的子机器人软地面可通过标签采用0或1形式编码，即子机器人能够通过该地面记为1，不能通过则记为0。
更进一步的，构建子机器人软地面通过性评价模型包括：
将子机器人通过性指标数据以及通过性指标数据的通过性标签构成数据集T，表示为：
T＝{(xi，yi)}
其中，xi为子机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量且yi为第i个样本数据的通过性标签真值，yi取值0或1；
具体的，子机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量表示为：
其中，分别表示子机器采集的第i个数据左右轮的纵向力，/> 分别表示子机器采集的第i个数据左右轮的侧向力，/>分别表示子机器采集的第i个数据左右轮的垂向力，/>分别表示子机器采集的第i个数据左右轮的纵向力矩，分别表示子机器采集的第i个数据左右轮的侧向力矩，l表示左轮，r表示右轮。
更进一步的，将数据集T送入改进的支持向量机算法中进行训练，得到子机器人软地面通过性评价模型，表示为：
其中，σ2为n1个样本数据的方差，||x||2为n1个样本数据的范数之和，sign(·)为符号函数且sign(·)取值为0或1，fs(x)取值为0或1。
应说明的是，改进的支持向量机输出结果为0或1，能够更直观的表示机器人的通过性，0对应不可通过，1对应可通过。
具体的，方差表示为：
范数之和表示为：
符号函数取值为：
S2：将子机器人的通过性标签数据构成源域数据集；获取母机器人与子机器人同一位置时的通过性标签，提取子机器人源域数据集中的通过性指标数据，并与母机器人的通过性标签构成目标域数据集；
更进一步的，构成目标域数据集包括：
将子机器人的通过性标签数据构成适用于迁移学习的源域数据集DS表示为：
DS＝{(xi，yi)}
在源域数据集DS的n1个通过性指示数据中随机抽取n2个通过性指示数据组成母机器人通过性指标数据，并与母机器人的通过性标签构成目标域数据集Dt，表示为：
其中，x′j为母机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量，yj为母机器人通过第j个样本数据对应的路面的通过性标签真值，yj取值为0或1。
具体的，母机器人目标域数据集Dt中的x′是由源域DS中的 共n1个通过性指示数据中随机抽取n2个通过性指示数据组成，/>
具体的，母机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量表示为：
其中，分别表示第j个数据子机器人左右轮的纵向力，/>分别表示第j个数据子机器人左右轮的侧向力，/>分别表示第j个数据子机器人左右轮的垂向力，/>分别表示第j个数据子机器人左右轮的纵向力矩，/>分别表示第j个数据子机器人左右轮的侧向力矩。
S3：基于目标域数据集，采用域自适应迁移学习算法获取目标域降维后的数据集；将目标域降维后的数据集与目标域数据集降维前对应的母机器人可通过标签数据集作为子机器人软地面通过性评价模型训练集进行训练，得到母机器人软地面通过性评价模型；
更进一步的，采用域自适应迁移学习算法获取目标域降维后的数据集，包括：
将子机器人源域数据集Ds的随机变量集合表示为母机器人目标域数据集Dt的随机变量集合表示为/>
结合Ds和Dt利用最大均值差异函数得到子机器人源域和母机器人目标域之间的第一经验均值距离，表示为：
其中，DIS(XS，XT)为XS和XT两个域之间子母机器人数据分布的经验均值距离函数，n1，n2分别表示源域和目标域的样本个数，H表示再生核希尔伯特空间，φ(·)表示高维映射函数。
更进一步的，还包括：令子母机器人数据的高维映射函数为φ(·)
其中，X→H表示子母机器人数据的非线性核函数映射，X′S，X′T，X′分别表示子机器人源域数据集高维映射后的数据，母机器人目标域数据集高维映射后的数据，子机器人与母机器人的结合域数据集高维映射后的数据；
具体的，对子母机器人数据分布的距离函数DIS(XS，XT)平方，表示为：
其中，表示子机器人源域数据集高维映射后的第i个数据，/>表示母机器人目标域数据集高维映射后的第j个数据。
具体的，将平方后的距离函数，采用核技巧公式k(xi，xj)＝φ(xi)′φ(xj)转化为核学习问题得到源域和目标域之间的第一经验均值距离，表示为：
更进一步的，在第一经验均值距离中引入核矩阵K以及半正定矩阵L，并采用经验核映射分解核矩阵K得到第一核矩阵K′；
具体的，核矩阵K，表示为：
其中，核矩阵K为(n1+n2)×(n1+n2)大小的核矩阵，Ks，s，Kt，t分别表示由核矩阵K定义在子机器人源域，母机器人目标域的核矩阵，Ks，t，Kt，s分别表示由核矩阵K定义在子机器人与母机器人跨域数据集的核矩阵。
具体的，半正定矩阵L表示为：
其中，半正定矩阵L表示维度为(n1+n2)×(n1+n2)的矩阵，表示维度为1×(n1+n2)的全1列向量，lij表示半正定矩阵L第i行第j列的元素。
进一步的，每个元素的计算表示为：
具体的，第一核矩阵K′表示为：
更进一步的，第一核矩阵K′利用维度为(n1+n2)×m的实矩阵将特征变化到m维空间(m<<n1+n2)，得到第二核矩阵/>具体的，第二核矩阵/>表示为：
其中，W和均表示维度为(n1+n2)×m的实矩阵；
更进一步的，结合第一核矩阵以及第二核矩阵采用迹循环性质tr(ABC)＝tr(BCA)＝tr(CAB)得到子机器人源域和母机器人目标域之间的第二经验均值距离，表示为：
其中，W和/>均表示维度为(n1+n2)×m的实矩阵。
更进一步的，还包括：
在子机器人源域和母机器人目标域之间的第二经验均值距离函数中加入正则项tr(WTW)，并通过拉格朗日乘子法转化为迹优化，得到的解记P，表示为：
P＝Wmin×tr((WTKHKW)-1WT(I+μKLK)W)
其中，W的解P为(I+μKLK)-1KHK的前m个特征值对应的特征向量，前m个特征向量即为在子机器人源域和母机器人目标域上满足相同概率分布的母机器人目标域降维后的数据，P是维度为(n1+n2)×m的矩阵，Wmin为维度为(n1+n2)×m的最小实矩阵。
具体的，在子机器人源域和母机器人目标域之间的第二经验均值距离函数中加入正则项tr(WTW)，表示为：
Wmintr(WTKLKW)+μtr(WTKLKW)
约束条件表示为：
WTKHKW＝Im
其中，μ为权衡参数，μ∈(0，1)，表示维度为m×m的单位矩阵，H为中心矩阵，/>表示维度为(n1+n2)×(n1+n2)的单位矩阵，表示维度为1×(n1+n2)的全1列向量。
更进一步的，记母机器人目标域Dt降维后的数据集为{x′}；
其中，{x′}＝{x′1，x′2，…，x′m}；
记m个数据降维前对应的母机器人可通过标签数据集为{y′}；
其中，{y′}＝{y′1，y′2，…，y′m}。
更进一步的，对子机器人软地面通过性评价模型训练集进行训练，包括：
将目标域降维后的数据集{x′}和目标域数据集降维前对应的母机器人可通过标签数据集{y′}组合成母机器人训练集D′，表示为：
D′＝{(x′，y′)}＝{(x′1，y′1)，(x′2，y′2)，…，(x′m，y′m)}
根据母机器人训练集D′对子机器人软地面通过性评价模型fs(x)进行训练，得到母机器人软地面通过性评价模型，表示为：
其中，m为母机器人训练集D′的数据个数。
更进一步的，还包括：
调整母机器人软地面通过性评价模型参数并进行训练，采用随机梯度下降算法最小化损失函数；
当损失函数值小于第一阈值时，则表示母机器人软地面通过性评价模型收敛，结束训练；否则继续训练，直至母机器人软地面通过性评价模型收敛。
在一个可选的实施例中，利用Matlab2022环境的机器学习工具箱进行线下的模型训练，模型训练初始迭代周期设置为100，采用patternnet命令调用通过性评价模型，trainscg函数调用归一化的梯度反向传播算法进行训练，交叉熵函数crossentropy评价通过性评价模型的性能。
调整母机器人软地面通过性评价模型参数并多次训练，直至得到稳定收敛的通过性预测模型；模型训练参数调整具有以下特征：模型求解方法选用的为自适应学习率随机梯度下降算法；设置初始学习速率为0.1，初始最大迭代周期为100；选用十折交叉验证方式进行调校；采用随机梯度下降算法来最小化损失函数进而进行数据更新。
S4：根据母机器人软地面通过性评价模型预测子母式移动机器人的协同穿越通过性；
更进一步的，根据母机器人软地面通过性评价模型预测子母式移动机器人的协同穿越通过性，包括：
若输入母机器人软地面通过性评价模型的十维向量数据的输出结果为0，则表示母机器人不可通过；
若输入母机器人软地面通过性评价模型的十维向量数据的输出结果为1，则表示母机器人可通过。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照图5，为本发明的一个实施例，该实施例不同于第一个实施例的是，通过仿真实验，验证我方发明有益效果。
本发明实施例中，具体的传感器数据传输和读取可采用如下方式实现：车轮力传感器的微控制单元能够将测量的纵向力、侧向力、垂向力、纵向力矩、侧向力矩输出数据一起打包，通过蓝牙方式发送给上位机；惯性测量单元的输出数据则通过自身的USB串口与上位机直接通讯。安装于上位机的LabVIEW软件可读取每一时刻的数据，并在后台添加波形图标模块，使得其前面板能够显示出数值的波形图。
为了能够达到较优的效果，本发明描述的数据格式可采用以下设置：十个通过性指标的时间窗口t设定为1min，此时的第i个样本的输入数据可分别表示为：
/>
采集的样本总数为4000个，其中80％数据用于网络模型的训练，剩余20％的数据用于测试验证。子机器人的软地面通过性评价模型求解方法选用自适应学习率梯度下降法；设置初始学习速率为0.1，初始最大迭代周期为100；选用十折交叉验证方式进行调校。
本发明实施例迁移学习模型架构可基于TensorFlow环境实现迁移学习模型的构建，超参数调节设置包括：输入时间步长60、输入特征维为10、动量随机梯度采用Adam优化器、LSTM单元输入层节点数100、LSTM单元32、Softmax层节点数为3，采用的便携式硬件平台具备一块Intel(R)Core(TM)i7-10875H的中央处理器(CPU)、主频为3.60GHz、缓存RAM16.0GB。
在114s内，子母式移动机器人在沙地、泥地、雪地通过性预测准确率如图4所示，从图4可以看出，子母式移动机器人通过性预测准确率在90％左右，能够很好地完成通过性预测。
本发明方法在子母式协作式移动机器人穿越问题中，能够准确获取子机器人轮壤接触力觉信息，能够提前预估母机器人能否顺利通过松软地面的功能，避免母机器人在松软地面发生滑转、沉陷等问题。通过设计合理的域自适应迁移学习算法，能较好的融合子机器人获取的左右车轮纵向力、侧向力、垂向力、纵向力矩、侧向力矩十个通过性指标数据，能够自适应迁移于母机器人松软地面的可通过性评价，告知母机器人能否通过，从而避免母机器人移动受阻，减少发生的概率，对更远距离、更安全的探测具有更重要的意义。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，包括：
实时获取子机器人通过性指标数据以及所述通过性指标数据的通过性标签，构建子机器人软地面通过性评价模型；
将所述子机器人的通过性标签数据构成源域数据集；
获取母机器人与子机器人同一位置时的通过性标签，提取所述子机器人源域数据集中的通过性指标数据，并与母机器人的通过性标签构成目标域数据集；
基于所述目标域数据集，采用域自适应迁移学习算法获取目标域降维后的数据集；将所述目标域降维后的数据集与目标域数据集降维前对应的母机器人可通过标签数据集作为子机器人软地面通过性评价模型训练集进行训练，得到母机器人软地面通过性评价模型；
根据所述母机器人软地面通过性评价模型预测子母式移动机器人的协同穿越通过性。
2.如权利要求1所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，所述构建子机器人软地面通过性评价模型包括：
将子机器人通过性指标数据以及所述通过性指标数据的通过性标签构成支持向量机的数据集T，表示为：
T＝{(xi,yi)}
其中，xi为子机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量且yi为第i个样本数据的通过性标签真值，yi取值0或1；
将数据集T送入改进的支持向量机算法中进行训练，得到子机器人软地面通过性评价模型，表示为：
其中，σ2为n1个样本数据的方差，||x||2为n1个样本数据的范数之和，sign(·)为符号函数且sign(·)取值为0或1，fs(x)取值为0或1。
3.如权利要求2所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，构成目标域数据集包括：
将子机器人的通过性标签数据构成适用于迁移学习的源域数据集DS表示为：
DS＝{(xi,yi)}
在源域数据集DS的n1个通过性指示数据中随机抽取n2个通过性指示数据组成母机器人通过性指标数据，并与母机器人的通过性标签构成目标域数据集Dt，表示为：
其中，x′j为母机器人左右轮的纵向力、侧向力、垂向力、纵向力矩、侧向力矩组成的十维向量，yj为母机器人通过第j个样本数据对应的路面的通过性标签真值，yj取值为0或1。
4.如权利要求3所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，采用域自适应迁移学习算法获取目标域降维后的数据集，包括：
将子机器人源域数据集Ds的随机变量集合表示为母机器人目标域数据集Dt的随机变量集合表示为/>
结合Ds和Dt利用最大均值差异函数得到子机器人源域和母机器人目标域之间的第一经验均值距离，表示为：
其中，DIS(XS,XT)为XS和XT两个域之间子母机器人数据分布的经验均值距离函数，n1,n2分别表示源域和目标域的样本个数，H表示再生核希尔伯特空间，φ(·)表示高维映射函数。
5.如权利要求4所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，还包括：令子母机器人数据的高维映射函数为φ(·)
其中，X→H表示子母机器人数据的非线性核函数映射，X′S,X′T,X′分别表示子机器人源域数据集高维映射后的数据，母机器人目标域数据集高维映射后的数据，子机器人与母机器人的结合域数据集高维映射后的数据；
对所述子母机器人数据分布的距离函数DIS(XS,XT)平方，并采用核技巧公式k(xi,xj)＝φ(xi)′φ(xj)转化为核学习问题得到源域和目标域之间的第一经验均值距离；
在第一经验均值距离中引入核矩阵K以及半正定矩阵L，并采用经验核映射分解核矩阵K得到第一核矩阵K′；
第一核矩阵K′利用维度为(n1+n2)×m的实矩阵将特征变化到m维空间，得到第二核矩阵/>
结合第一核矩阵以及第二核矩阵采用迹循环性质tr(ABC)＝tr(BCA)＝tr(CAB)得到子机器人源域和母机器人目标域之间的第二经验均值距离，表示为：
DIS(X′S,X′T)＝tr((KWWTK)L)＝tr(WTKLKW)
其中，W和/>均表示维度为(n1+n2)×m的实矩阵。
6.如权利要求5所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，还包括：
在所述子机器人源域和母机器人目标域之间的第二经验均值距离函数中加入正则项tr(WTW)，并通过拉格朗日乘子法转化为迹优化，得到的解记P，表示为：
P＝Wmin×tr((WTKHKW)-1WT(I+μKLK)W)
其中，W的解P为(I+μKLK)-1KHK的前m个特征值对应的特征向量，前m个特征向量即为在子机器人源域和母机器人目标域上满足相同概率分布的母机器人目标域降维后的数据，P是维度为(n1+n2)×m的矩阵，Wmin为维度为(n1+n2)×m的最小实矩阵。
7.如权利要求6所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于：
记母机器人目标域Dt降维后的数据集为{x′}；
其中，{x′}＝{x′1，x′2,…,x′m}；
记m个数据降维前对应的母机器人可通过标签数据集为{y′}；
其中，{y′}＝{y′1,y′2,…,y′m}。
8.如权利要求7所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，对子机器人软地面通过性评价模型训练集进行训练，包括：
将所述目标域降维后的数据集{x′}和目标域数据集降维前对应的母机器人可通过标签数据集{y′}组合成母机器人训练集D′，表示为：
D′＝{(x′,y′)}＝{(x′1,y′1),(x′2,y′2),…,(x′m,y′m)}
根据母机器人训练集D′对子机器人软地面通过性评价模型fs(x)进行训练，得到母机器人软地面通过性评价模型，表示为：
其中，m为母机器人训练集D′的数据个数。
9.如权利要求8所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，还包括：
调整母机器人软地面通过性评价模型参数并进行训练，采用随机梯度下降算法最小化损失函数；
当损失函数值小于第一阈值时，则表示母机器人软地面通过性评价模型收敛，结束训练；否则继续训练，直至母机器人软地面通过性评价模型收敛。
10.如权利要求8或9所述的子母式移动机器人协同穿越的通过性迁移评价方法，其特征在于，根据母机器人软地面通过性评价模型预测子母式移动机器人的协同穿越通过性，包括：
若输入母机器人软地面通过性评价模型的十维向量数据的输出结果为0，则表示母机器人不可通过；
若输入母机器人软地面通过性评价模型的十维向量数据的输出结果为1，则表示母机器人可通过。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341880.4A CN117195744B (zh) | 2023-10-16 | 2023-10-16 | 一种子母式移动机器人协同穿越的通过性迁移评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341880.4A CN117195744B (zh) | 2023-10-16 | 2023-10-16 | 一种子母式移动机器人协同穿越的通过性迁移评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195744A CN117195744A (zh) | 2023-12-08 |
| CN117195744B true CN117195744B (zh) | 2024-04-05 |
Family
ID=88990698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311341880.4A Active CN117195744B (zh) | 2023-10-16 | 2023-10-16 | 一种子母式移动机器人协同穿越的通过性迁移评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195744B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19524569A1 (de) * | 1995-07-06 | 1997-01-09 | Bernhard Bilger | Bewegungseinheit zum Aufbau einer Handhabungseinrichtung für den Servicebereich |
| CN109461179A (zh) * | 2018-10-17 | 2019-03-12 | 河南科技学院 | 一种排爆子母机器人协作探测系统 |
| CN112947559A (zh) * | 2021-02-08 | 2021-06-11 | 北京理工大学 | 一种子母机协同方法及装置 |
| CN216875934U (zh) * | 2022-03-01 | 2022-07-05 | 汕头市大江电子商务有限公司 | 一种可拆换地垫 |
| CN115657725A (zh) * | 2022-11-10 | 2023-01-31 | 哈尔滨工业大学 | 一种子母式无人机投放决策及路径规划一体化方法及系统 |
| CN116627128A (zh) * | 2023-05-09 | 2023-08-22 | 北京理工大学 | 基于区域分割的子母多无人平台任务分配与协同规划方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10773382B2 (en) * | 2017-09-15 | 2020-09-15 | X Development Llc | Machine learning methods and apparatus for robotic manipulation and that utilize multi-task domain adaptation |
| CN113221905B (zh) * | 2021-05-18 | 2022-05-17 | 浙江大学 | 基于均匀聚类的语义分割的无监督域适应方法、装置、系统和存储介质 |
-
2023
- 2023-10-16 CN CN202311341880.4A patent/CN117195744B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19524569A1 (de) * | 1995-07-06 | 1997-01-09 | Bernhard Bilger | Bewegungseinheit zum Aufbau einer Handhabungseinrichtung für den Servicebereich |
| CN109461179A (zh) * | 2018-10-17 | 2019-03-12 | 河南科技学院 | 一种排爆子母机器人协作探测系统 |
| CN112947559A (zh) * | 2021-02-08 | 2021-06-11 | 北京理工大学 | 一种子母机协同方法及装置 |
| CN216875934U (zh) * | 2022-03-01 | 2022-07-05 | 汕头市大江电子商务有限公司 | 一种可拆换地垫 |
| CN115657725A (zh) * | 2022-11-10 | 2023-01-31 | 哈尔滨工业大学 | 一种子母式无人机投放决策及路径规划一体化方法及系统 |
| CN116627128A (zh) * | 2023-05-09 | 2023-08-22 | 北京理工大学 | 基于区域分割的子母多无人平台任务分配与协同规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| 可重构星球探测机器人的机构设计;贺鑫元;马书根;李斌;王越超;;机械工程学报;20051220(第12期);全文 * |
| 基于网络的城市非机动车辆管理系统;李秉璋;吴访升;徐亚平;罗烨;黄海军;;计算机工程;20080220(第04期);全文 * |
| 多功能两栖生物型子母机器人系统研究;郭书祥;《科技导报》;20151231;第64-71页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195744A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583571B (zh) | 一种基于lstm网络的移动机器人软地面通过性预测方法 | |
| Chu et al. | Curve speed model for driver assistance based on driving style classification | |
| Jin et al. | Stability and optimised H∞ control of tripped and untripped vehicle rollover | |
| CN108664687A (zh) | 一种基于深度学习的工控系统时空数据预测方法 | |
| CN104090977A (zh) | 一种桥面移动车辆载荷的随机识别方法 | |
| CN110184885B (zh) | 一种基于智能手机测试路面平整度的方法 | |
| CN104123463A (zh) | 一种随机动态载荷的时域识别方法 | |
| Tang et al. | Novel identification technique of moving loads using the random response power spectral density and deep transfer learning | |
| CN106096096A (zh) | 基于mpca的列车悬挂系统故障分析方法及系统 | |
| CN113033899B (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
| CN111598142A (zh) | 一种用于轮式移动机器人的室外地形分类方法 | |
| CN102360180B (zh) | 机动车安全监测系统制动性能辨识方法 | |
| Barbosa et al. | Lateral force prediction using Gaussian process regression for intelligent tire systems | |
| CN113406955B (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法 | |
| Gong et al. | A novel method for identifying inertial parameters of electric vehicles based on the dual H infinity filter | |
| Liu et al. | Road roughness acquisition and classification using improved restricted Boltzmann machine deep learning algorithm | |
| CN117195744B (zh) | 一种子母式移动机器人协同穿越的通过性迁移评价方法 | |
| Wang et al. | Digital twin analysis for driving risks based on virtual physical simulation technology | |
| Vosahlik et al. | Self-supervised learning of camera-based drivable surface friction | |
| Mahariba et al. | An efficient automatic accident detection system using inertial measurement through machine learning techniques for powered two wheelers | |
| CN114399064A (zh) | 基于多源传感器数据融合的设备健康指标构建方法 | |
| CN112487533B (zh) | 一种隧道结构健康监测系统的全断面受力感知方法 | |
| CN116467570A (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 | |
| Li et al. | Efficient method based on recurrent neural networks for pavement evenness detection | |
| Chen et al. | Hierarchical MPM-ANN multiscale terrain model for high-fidelity off-road mobility simulations: a coupled MBD-FE-MPM-ANN approach |
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 |