[发明专利]基于多模态感知的足式机器人运动行为识别方法及系统

权利要求书

1.一种基于多模态感知的足式机器人运动行为识别方法，其特征在于，所述方法包括：

基于多种类型的传感器采集足式机器人在不同类型地面上重复行走预设距离所产生的多模态传感数据信息；

对所述多模态传感数据信息按照不同类型地面进行数据集划分，得到不同地面类型的多模态传感数据集，所述不同地面类型的多模态传感数据集包括训练集和测试集；

基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行学习训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型；

将待识别样本信息输入所述最优粘性层次狄利克雷过程隐马尔科夫模型进行对数似然函数值之和的计算；

基于对数似然函数值之和的计算结果进行足式机器人运动行为识别；

所述粘性层次狄利克雷过程隐马尔科夫模型的构建过程，包括：

获得层次狄利克雷过程，并定义所述层次狄利克雷过程如下：

则，利用层次狄利克雷过程对隐马尔科夫模型的隐形状态转换概率π_j进行一般性描述如下：

即可获得层次狄利克雷过程隐马尔科夫模型如公式(2)所示；

对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型；

其中，H表示任意的基分布；γ表示集中系数；集中系数γ决定了β的相对离散比例，当γ越大表示数据越离散，反之，越集中；DP表示为狄利克雷过程；G表示一个对数据聚类的过程，在狄利克雷过程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成过程；α表示DP过程的集中系数；v_k表示第k个隐性状态的中间变量，有γ决定；β_k表示第k个隐性状态的转移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k个隐性状态的未知参数；表示取值只为0或1的逻辑函数；γ～Beta(1,γ)表示γ服从贝塔分布；

所述对所述层次狄利克雷过程隐马尔科夫模型增加隐性状态转换概率的先验超参数κ，获得粘性层次狄利克雷过程隐马尔科夫模型，包括：

所述层次狄利克雷过程隐马尔科夫模型中公式(2)中给定β的情况下转换概率的期望值转换概率值本身，并没有考虑到隐性状态间的自转换，即：

E[π_jk|β]＝β_k； (3)

参照公式(2)的描述，以增加自转换概率的方式来对隐性状态转换的概率分布作出以下的调整：

在公式(4)中，(αβ+κδ_j)项表示在αβ和第j个元素中增加一个常量值κ0，使得转换概率π_jk的期望自转换概率与常量值κ成正比，κ越大，表示模型对观察值的“粘性”越高；从而增加“粘性”后转换概率的期望值为：

其中，定义为模型的自转换的比例系数；GEM表示折棍子的生成过程；γ表示集中系数；α表示DP过程的集中系数；β_k表示第k个隐性状态的转移概率；δ_j表示第j个隐性状态的逻辑函数；β表示转移概率先验分布的参数；δ(j,k)表示隐性状态j和隐性状态k之间转移的逻辑函数；

所述基于所述不同地面类型的多模态传感数据集对粘性层次狄利克雷过程隐马尔科夫模型进行训练，获得最优粘性层次狄利克雷过程隐马尔科夫模型，包括：

对所述粘性层次狄利克雷过程隐马尔科夫模型设置需要学习的均值和协方差两个参数；

设置均值服从高斯分布，协方差服从逆威沙特分布；

假设所述同地面类型的多模态传感数据集中包含有N个维度D的样本，每个样本的数据长度为T_n，逆威沙特分布中协方差的对称正定比例矩阵Δ和自由度参数v设置如下：

其中，y_t表示各时刻的观察值；S_F表示均值矩阵的比例系数，其中，S_F＝1；

由公式(7)完成参数学习；

层次狄利克雷过程的集中系数γ和α+κ的先验模型均为Gamma(a,b)分布，自转换系数ρ的先验模型为Beta(c,d)分布，其中设置两个先验模型的超参数为a＝0.5,b＝5,c＝10,d＝1，对粘性层次狄利克雷过程设置截断隐性状态数量为K＝5，定义粘性参数κ＝50；

利用所述同地面类型的多模态传感数据集基于优化的变分推断法对后验分布进行学习，获得学习后的粘性层次狄利克雷过程隐马尔科夫模型；

基于学习后的粘性层次狄利克雷过程隐马尔科夫模型获得最优粘性层次狄利克雷过程隐马尔科夫模型。