[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

说明书

本发明公开了一种基于多模态感知的足式机器人运动行为识别方法及系统，其中，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；对多模态传感数据信息按照不同类型地面来进行数据集划分，得到不同地面类型的多模态传感数据集；基于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；将待识别样本信息输入最优粘性层次狄利克雷过程隐马尔科夫模型，并计算对数似然函数值之和；基于计算结果后进行足式机器人运动行为识别。在本发明实施中，提高了运动行为识别的可靠性和准确率。

技术领域

本发明涉及机器人运动行为识别技术领域，尤其涉及一种基于多模态感知的足式机器人运动行为识别方法及系统。

背景技术

足式机器人具备环境适应性好、运动范围广、负载能力强，能够实现崎岖山地运输、危险灾难救援、军事侦察等任务。从而，能够实时识别到足式机器人在不同类型地面(如泥沙、水泥、草地、木质、瓷砖等)行走的运动行为及运动特征将能直接对机器人的控制和步态进行调整，提高环境的适应性和系统的鲁棒性。因此，开展基于关节编码器、IMU、关节力矩等多模态感知的足式机器人运动行为识别是目前足式机器人前沿研究的关键技术。

传统足式机器人的运动行为识别技术通常采用参数化隐性马尔科夫模型(HiddenMarkov Model，HMM)对关节编码器的关节角度信息进行建模，具有训练样本数量少和计算复杂度低等优点，初步实现了运动行为识别，具有一定的可行性。但是随着环境的复杂性和任务的多样性增加，主要存在两方面的问题：(1)仅考虑单模态的传感信息，无法准确地实现对环境的感知及机器人系统的状态估计，降低了运动行为识别的容错性；同时，(2)采用参数化HMM的建模方法将存在模型的隐性状态数量不确定和隐性状态快速转换的问题，无法从复杂的传感数据中学习到实际的潜在模式，降低了运动行为识别的准确率。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于多模态感知的足式机器人运动行为识别方法及系统，提高运动行为识别的可靠性和提高运动行为识别的准确率。

为了解决上述技术问题，本发明实施例中提供了一种基于多模态感知的足式机器人运动行为识别方法，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；

将所述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。

可选的，所述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，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数据信息；

基于人为方式对所述数据信息进行标注，获得标注数据信息；

基于非线性的卡尔曼滤波法对所述标注数据信息进行降噪处理，并对降噪后的数据信息利用数值插补法进行频率对齐，获得多模态传感数据信息。

可选的，所述多模态传感数据信息包括关节编码器的关节角度和速度信息、IMU的姿态和加速度信息、关节电流信息及其相关的统计学信息。

可选的，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：