[发明专利]一种足式机器人多模态感知的异常监测方法

权利要求书

1.一种足式机器人多模态感知的异常监测方法，其特征在于，所述方法包括：

采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理；

将所述采集到的传感数据集进行划分，得到划分后的传感数据集；

基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型；

输入所述传感数据集到所述训练后的模型，通过计算得出异常监测阈值来进行异常监测；

基于所述异常监测的结果进行分析。

2.根据权利要求1所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述采集真实足式机器人在常规路面上行走一段距离的传感数据集，并对所述传感数据集进行预处理包括：

采集真实足式机器人在常规路面上行走2米的传感数据集；其中，所述传感数据集包括30组无任何异常的数据和20组存在一种或多种人为引入倾倒、碰撞、滑移的异常事件的数据；

基于非线性的卡尔曼滤波算法对所述传感数据集进行去噪处理；

在所述去噪处理之后，基于数值插补的算法对不同传感器所采集的数据进行频率对齐。

3.根据权利要求1所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述将所述采集到的传感数据集进行划分，得到划分后的传感数据集包括：

将所述采集到的传感数据集进行划分，划分为训练集和测试集；其中，

所述训练集包括所述20组无任何异常的数据；所述测试集包括所述10组无任何异常的数据和所述20组存在一种或多种人为引入倾倒、碰撞、滑移的异常事件的数据。

4.根据权利要求1所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述基于所述划分后的传感数据集来建立模型，并根据所述模型设置参数，以及对模型进行训练，得到训练后的模型包括：

基于所述划分后的传感数据集来建立HDP-HMM模型；

基于所述HDP-HMM模型设置观察模型的参数和先验模型的参数；

基于所述观察模型的参数和所述先验模型的参数，对所述HDP-HMM模型进行训练，得到训练后的结果。

5.根据权利要求4所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述HDP-HMM模型中，HDD的具体公式如下：

则利用HDP对HMM的隐形状态转换概率进一步描述，具体公式如下：

其中，G₀、G_j为设定的离散分布；H为任意的基分布；γ为离散分布G₀的集中系数；α为离散分布G_j的集中系数；DP为狄利克雷过程；π_j为隐形状态装欢概率；β为变量；k为隐性状态的数量，取值为1，2，...；v_k为中间变量；GEM表示折棍子的生成过程。

6.根据权利要求4所述的一种足式机器人多模态感知的异常监测方法，其特征在于，所述观察模型的参数为多为高斯模型的两个参数，分别为均值和协方差；

所述均值服从高斯分布；所述协方差服从逆威沙特分布；其中，

所述高斯分布的具体公式如下：

μ～N(μ_μ，∑_μ)；

所述逆威沙特分布的具体公式如下：

∑～IW(v，Δ)；

其中，μ为均值；∑为协方差；μ_μ为μ的均值；∑_μ为μ的协方差；v为自由度参数；Δ为协方差的对称正定比例矩阵；N为N个维度。