[發明專利]一種基于機器人仿真與物理采樣結合的深度學習訓練方法

有效

• 申請號: 201710719962.6
• 申請日: 2017-08-21
• 公開（公告）號: CN107622276B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 王燕波;梁斌焱;楊濤;張科;廖俞;王妍
• 申請（專利權）人: 北京精密機電控制設備研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 龐靜

1.一種基于機器人仿真與物理采樣結合的深度學習訓練方法，其特征在于包括第一階段、第二階段、第三階段的步驟：

第一階段，利用機器人仿真軟件仿真得到機器人仿真樣本，采用機器人仿真樣本對預設的深度學習訓練模型進行訓練，得到第一階段深度學習訓練模型；

第二階段，將第一階段深度學習訓練模型與預設深度學習訓練模型進行模型融合，采用物理樣本對融合后的深度學習訓練模型進行訓練，得到第二階段深度學習訓練模型；

第三階段，將第二階段深度學習訓練模型與預設深度學習訓練模型進行模型融合，采用機器人仿真樣本和物理樣本混合得到混合樣本對融合后的深度學習訓練模型進行訓練，得到最終的深度學習訓練模型，訓練過程結束。

2.根據權利要求1所述的一種基于機器人仿真與物理采樣結合的深度學習訓練方法，其特征在于每個階段采用樣本對深度學習訓練模型進行訓練，得到深度學習訓練模型的具體過程為：

(1.1)、采用深度學習訓練模型通過前向傳播方法對樣本進行計算，得到深度學習訓練模型中預設的多個類別的置信度，選取置信度最高的類別作為樣本所包含的被識別物所屬的類別信息，根據樣本所包含的被識別物的類別信息和預設訓練參數，采用反向傳播方法調整深度學習訓練模型參數，完成一個訓練回合，之后，重復本步驟，直到訓練回合達到預設的a次，減小預設訓練參數，轉入步驟(1.2)；

(1.2)、采用步驟(1.1)所獲得的深度學習訓練模型通過前向傳播方法對樣本進行計算，得到深度學習訓練模型中預設的多個類別的置信度，選取置信度最高的類別作為樣本所包含的被識別物所屬的類別信息，根據樣本所包含的被識別物的類別信息和調整后的預設訓練參數，采用反向傳播方法調整深度學習訓練模型參數，完成一個訓練回合，之后，重復本步驟，直到訓練回合達到預設的b次，轉入下一階段。

3.根據權利要求2所述的一種基于機器人仿真與物理采樣結合的深度學習訓練方法，其特征在于采用深度學習訓練模型通過前向傳播方法對樣本進行計算，得到深度學習訓練模型中預設的多個類別的置信度的具體過程為：對樣本圖像進行卷積，然后對卷積結果進行池化，最后對池化結果進行激活，得到圖像的第一圖像特征層；然后，對第一圖像特征層進行卷積，然后對卷積結果進行池化，最后對池化結果進行激活，得到圖像的第二圖像特征層，依次類推，最后得到第N圖像特征層，采用Softmax函數做前向計算，得到深度學習訓練模型中預設的多個類別的置信度，所述N≥6。

4.根據權利要求3所述的一種基于機器人仿真與物理采樣結合的深度學習訓練方法，其特征在于每個階段的深度學習訓練模型包括各層卷積、池化和激活函數處理：

各層卷積的處理結果為t表示第t階段，t＝1～3，表示第t階段第i層卷積核個數，當i＝1時，表示樣本圖像，否則，表示第i-1圖像特征層，為第t階段第i層卷積核，為大小為k×k的矩陣；

各層池化的處理結果為表示對矩陣X進行m×n的下采樣操作；

各層激活的處理結果為max(0,X)表示將矩陣X中的元素與0進行比較，取大值更新矩陣中的元素。

5.根據權利要求4所述的一種基于機器人仿真與物理采樣結合的深度學習訓練方法，其特征在于所述預設的深度學習訓練模型中各層卷積核矩陣的元素初值通過高斯函數分布隨機獲得，表示第i層卷積核個數的初值。

6.根據權利要求5所述的一種基于機器人仿真與物理采樣結合的深度學習訓練方法，其特征在于第二階段中，所述模型融合具體實現為：

將第二階段每層卷積核改為：

表示第i層卷積核個數初值，為第1階段第i層卷積核個數。