[发明专利]基于GA-BP网络的机器人行为校验识别方法

说明书

本发明提出基于GA‑BP网络的机器人行为校验识别方法，并利用遗传算法全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，该网络具有良好的识别效果。本发明提出的方法解决了机器人模仿学习的行为校验问题，在人体做出动作时，完成精确识别，如果匹配库内包含该动作，即调用该动作完成后续执行步骤，若不存在则进行学习，可以提高机器人的动作模仿效率。

技术领域

本发明涉及机器人行为校验识别领域，特别涉及基于GA-BP网络的机器人行为校验识别方法。

背景技术

机器人的动作模仿学习主要包括模仿、学习、复制和再现智能四个步骤，通过学习的方式机器人能够将模仿所需求的动作保存到机器人动作库，在使用时机器人调用内部的动作库来完成相应的动作。目前较为广泛的机器人动作模仿学习应用是基于Kinect的方法，该方法使用Kinect平台采集人体数据，并将数据传达给机器人进行学习，但机器人在模仿学习的过程中，对于一个具体的动作不可能每次学习的关节角度完全一致，通过机器人对动作的识别，能够识别出相似的动作，因此可以提高机器人对动作的认知能力，当机器人识别到重复的动作时，如果能及时识别校验，如果匹配度较大，即可调用内部的动作库。

针对上述问题，本发明提出一种运用基于GA-BP网络的机器人行为校验识别方法，并利用遗传算法全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，该网络具有良好的识别效果。本发明提出的方法解决了机器人模仿学习的行为校验问题，在人体做出动作时，完成精确识别，如果匹配库内包含该动作，即调用该动作完成后续执行步骤，若不存在则进行学习，可以提高机器人的动作模仿效率。

发明内容

为了解决以上问题，本发明提供基于GA-BP网络的机器人行为校验识别方法，实现行为精确识别，可以提高机器人的动作模仿效率。为达此目的：

本发明提供基于GA-BP网络的机器人行为校验识别方法，具体步骤如下；

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；