[發明專利]基于高斯混合噪聲生成式對抗網絡的物體硬度識別方法

有效

• 申請號: 201811328795.3
• 申請日: 2018-11-09
• 公開（公告）號: CN109508740B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 王慰;錢曉亮;趙素娜;李二凱;曾黎;王延峰;楊存祥;毋媛媛;吳青娥
• 申請（專利權）人: 鄭州輕工業學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01N3/40
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 陳勇

本發明涉及機器學習技術領域，公開了基于高斯混合噪聲生成式對抗網絡的物體硬度識別方法，包括：以小規模標注硬度等級的觸覺數據作為真值，訓練高斯混合噪聲生成式對抗網絡，將高斯混合噪聲輸入所述高斯混合噪聲生成式對抗網絡，獲取大規模生成樣本；以高斯混合噪聲生成式對抗網絡的判別器的參數作為硬度識別網絡參數的初值，利用所述大規模生成樣本對硬度識別網絡進行預訓練，使用標注硬度等級的觸覺數據對硬度識別網絡進行再次訓練，確定硬度識別網絡的參數；將待預測的觸覺數據輸入硬度識別網絡，獲得待預測的觸覺數據的硬度等級。本發明具有較高的硬度識別精度。

技術領域

本發明涉及機器學習技術領域，尤其涉及基于高斯混合噪聲生成式對抗網絡的物體硬度識別方法。

背景技術

物體的硬度識別實質是獲取物體的物理信息。近年來，隨著機器人的發展，工業機器人趨于成熟并加速了工廠自動化的程度，而人形的機械手只能做一些簡單的動作或抓取特定的物體，距離機械手成功抓取任意的物體還有很大的距離。機械手獲取目標物的信息越多越有利于抓取，而物體的硬度作為其重要的物理屬性之一，對物體的抓取有重要意義。

物體硬度識別的方法有多種，依據是否使用機器學習將現有基于觸覺的硬度識別方法分為兩大類，其中使用非機器學習的方法存在對硬件要求比較高，操作比較繁瑣的問題，因此基于機器學習的硬度識別方法是當前的主要發展趨勢。近幾年隨著深度學習的發展，可依據是否采用深度學習技術將基于機器學習的方法再細分為兩類。其中，基于深度學習的物體硬度識別的精度比非深度學習的識別精度高，因此，基于深度學習的物體硬度識別有更廣泛的應用。由于深度學習需要大量的訓練樣本來確定硬度識別網絡的參數，但觸覺數據的采集和標簽的標注較為繁瑣，浪費了大量的人力和時間成本。

發明內容

針對現有基于深度學習的物體硬度識別的樣本問題，本發明提出了基于高斯混合噪聲生成式對抗網絡物體硬度識別方法，可以快速獲取大量的生成樣本，從而初步確定硬度識別網絡的參數，再用少量標注硬度等級的觸覺數據對硬度識別網絡進行再次訓練，確定硬度識別網絡的參數的最終值，節省了大量的人力和時間成本，且具有較高的硬度識別精度。

為了實現上述目的，本發明采用以下技術方案：

基于高斯混合噪聲生成式對抗網絡的物體硬度識別方法，包括：

步驟1：以小規模標注硬度等級的觸覺數據作為真值，訓練高斯混合噪聲生成式對抗網絡，將高斯混合噪聲輸入所述高斯混合噪聲生成式對抗網絡，獲取大規模生成樣本；

步驟2：以高斯混合噪聲生成式對抗網絡的判別器的參數作為硬度識別網絡的參數的初值，利用所述大規模生成樣本對硬度識別網絡進行預訓練，使用標注硬度等級的觸覺數據對硬度識別網絡進行再次訓練，確定硬度識別網絡的參數的最終值；

步驟3：將待預測的觸覺數據輸入硬度識別網絡，獲得所述待預測觸覺數據的硬度等級。

進一步地，所述步驟1包括：

步驟1.1：用機械臂前端的傳感器碰觸目標物體，采集觸覺數據，將采集的觸覺數據依據其硬度物理屬性劃分為L個硬度等級，并標注相應的標簽為1、2、3、…、L，獲得L類標注硬度等級的觸覺數據；

步驟1.2：將L類標注硬度等級的觸覺數據作為真值，訓練高斯混合噪聲生成式對抗網絡：

步驟1.2.1：定義輸入高斯混合噪聲生成式對抗網絡的高斯混合噪聲的概率密度分布為：

其中，z_i∈Rⁿ為第i類標注硬度等級的觸覺數據對應的輸入高斯混合噪聲，n為輸入的高斯混合噪聲中包含數據點的個數，為z_i從第k個高斯分量中獲取的高斯混合噪聲，K為高斯分量的個數,表示高斯分布，和分別為第k個高斯分量的均值和協方差矩陣，為第k個高斯分量在所有高斯混合噪聲信號中的權重；令