[发明专利]一种足式机器人多模态感知的异常监测方法

说明书

本发明公开了一种足式机器人多模态感知的异常监测方法，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。在本发明实施中，提高了异常监测的可靠性和容错性，增强了学习复杂传感数据中潜在模式的能力，降低了建模的复杂性，提高异常监测的准确率。

技术领域

本发明涉及足式机器人异常监测的技术领域，尤其涉及一种足式机器人多模态感知的异常监测方法。

背景技术

足式机器人的研发灵感源于哺乳动物，是仿生学与机器人技术的重要体现，其环境适应性好、运动范围广、负载能力强，具备一定的自主作业的能力，能够实现崎岖山地运输、危险灾难救援、负载能力强，具备一定的自主作业的能力；但是足式机器人往往是在野外或室内大范围的环境下作业，不可避免地引入对运动规划和系统控制的大量不确定性因素，造成异常事件，影响机器人的稳定性和自主操作性。

而传统足式机器人的异常监测技术通过采用参数化的隐形马尔科夫模型对关节编码器的关节角度信息进行建模的方式，具有训练样本数量少和计算复杂程度低等优点，初步实现了异常监测，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，无法实现对环境的感知及机器人系统的状态监测，降低了异常监测的容错性；(2)采用参数化贝叶斯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，降低了异常监测的准确率。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种足式机器人多模态感知的异常监测方法，基于多模态感知的非参数化层次狄利克雷过程隐马尔科夫模型，用于足式机器人运行过程中关节编码器、IMU、关节力矩等传感信息的联合建模。

为了解决上述技术问题，本发明实施例提供了一种足式机器人多模态感知的异常监测方法，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。

可选的，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。

可选的，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。