[发明专利]基于GA-BP网络的机器人行为校验识别方法

权利要求书

1.基于GA-BP网络的机器人行为校验识别方法，具体步骤如下，其特征在于；

Step1：采集数据；

针对于机器人动作库储存的动作{action_1、action_2、...、action_N}，其中N为动作库中储存的动作数，分别做每种动作的数据100次，采用Kinect平台采集每次动作中人体的27关节点的弧度数据{radian_1、radian_2、...、radian_27}，采样时间为3s，其中采集步长为0.2s；

Step2:使用最小二乘法对关节点弧度数据进行滤波；

建立关节点弧度数据radian_1与采集时步t的三次项关系式；

y＝a₀+a₁x+a₂x²+a₃x³

其中a₀、a₁、a₂、a₃为多项式各系数，y对应关节点弧度数据radian_1，x对应采集时步t，设定动态时窗为1s，每个时窗内包含5个点，五个点分别为；

(x_-2,y_-2),(x_-1,y_-1),(x₀,y₀),(x₁,y₁),(x₂,y₂)，将五个点的坐标一一代入，即有方程组

基于最小二乘法，方程组可转为；

上列方程组可用矩阵表示为Y_5×1＝X_5×4·A_4×1+E_5×1；

解得A的最小二乘解则滤波后的值；

从而对关节点弧度数据radian_1数据平滑与降噪，同理，对关节点弧度数据radian_2、…、radian_27进行平滑与降噪处理；

Step3：建立BP神经网络行为校验识别模型；

所使用的神经网络为三层BP神经网络，分别为输入层、隐含层和输出层，使用滤完波的27关节点弧度数据，为缩小BP网络输入层节点数，每3个时步取平均数，则动作序列变短为5个时步的序列，每组动作共有5*27＝135，分别对应输入向量元素x₁,x₂,…,x₁₃₅； 由于各数据参数单位不同，数量级相差也比较大，为了网络的收敛性更佳，需将输入数据进行归一化处理，即所有的输入向量取值都在0-1之间，网络的输入向量为分别表示6个特征向量归一化处理后的值，即

其中，为归一化后的特征值；x_i为第i个特征值，x_max,x_min分别为x_i中的最大值和最小值，针对输出层，对样本“ONE-HOT”处理，即输出动作匹配的得分向量Y_i为元素数为N的向量，当该动作序列为action_1时，则对应的第一个向量元素为100，作为匹配得分，则其他元素为0，其他动作序列类别以此类似；

隐含层第j个神经元输出为

其中ω_ij表示输入层神经元i与隐含层神经元j之间的连接权值，a_j表示隐含层神经元j的阈值，g()是隐含层神经元的激活函数，采用Sigmoid函数，形式为

输出层第k个神经元输出为

其中μ_jk表示隐含层神经元j与输出层神经元k之间的连接权值，b_k表示输出层神经元j的偏置值；

下面对上述BP网络进行训练学习：任取层与层之间的连接权值和隐层、输出层节点的偏置为(-1,1)之间随机小量，学习率η一般在[0.3～0.5]之间，选取η＝0.34；

Step4：使用遗传算法改进BP神经网络行为校验识别模型；

为进一步提升BP网络的收敛速度和校验识别精度，使用遗传算法对上述BP神经网络行为校验识别模型进行优化；

并采用步骤1中采集后的行为动作样本序列数据，并经过步骤2滤波后，最终获得最优连接权重和阈值；

步骤Step4具体步骤如下：

由于BP神经网络的权值和阈值均需要搜索，为便于计算采用实数编码，每个个体均为一个实数串，包含输入层与隐含层连接的权值及隐含层阈值、隐含层与输出层连接的权值及输出层阈值，选取0.6为交叉概率，迭代次数为100，种群大小为50；

建立适应度函数为

其中，n为训练样本总数；将和y_ij分别为第j个机器人模仿学习中行为动作样本的第i个网络输出节点的理想输出和实际输出；q为遗传算法优化BP网络输出神经元的个数；

Step5：机器人行为实时校验识别；

实时通过Kinect采集人体的关节点弧度数据，经过滤波处理后，使用上述训练好的GA-BP神经网络模型进行计算获得动作序列的得分向量做阈值判断，当得分向量中元素的最大值大于阈值point时，则判定动作库包含该动作，机器人提示用户，并告知元素的最大值对应的动作，调用该动作完成控制，若最大值小于等于阈值point，则进行机器人的模仿学习。