[發明專利]基于多模態感知的足式機器人運動行為識別方法及系統

有效

• 申請號: 201911382275.5
• 申請日: 2019-12-27
• 公開（公告）號: CN111216126B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 吳鴻敏;鄢武;徐智浩;蘇澤榮;唐觀榮;周雪峰
• 申請（專利權）人: 廣東省智能制造研究所
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 廣東廣盈專利商標事務所(普通合伙) 44339
• 代理人: 李俊

1.一種基于多模態感知的足式機器人運動行為識別方法，其特征在于，所述方法包括：

基于多種類型的傳感器采集足式機器人在不同類型地面上重復行走預設距離所產生的多模態傳感數據信息；

對所述多模態傳感數據信息按照不同類型地面進行數據集劃分，得到不同地面類型的多模態傳感數據集，所述不同地面類型的多模態傳感數據集包括訓練集和測試集；

基于所述不同地面類型的多模態傳感數據集對粘性層次狄利克雷過程隱馬爾科夫模型進行學習訓練，獲得最優粘性層次狄利克雷過程隱馬爾科夫模型；

將待識別樣本信息輸入所述最優粘性層次狄利克雷過程隱馬爾科夫模型進行對數似然函數值之和的計算；

基于對數似然函數值之和的計算結果進行足式機器人運動行為識別；

所述粘性層次狄利克雷過程隱馬爾科夫模型的構建過程，包括：

獲得層次狄利克雷過程，并定義所述層次狄利克雷過程如下：

則，利用層次狄利克雷過程對隱馬爾科夫模型的隱形狀態轉換概率π_j進行一般性描述如下：

即可獲得層次狄利克雷過程隱馬爾科夫模型如公式(2)所示；

對所述層次狄利克雷過程隱馬爾科夫模型增加隱性狀態轉換概率的先驗超參數κ，獲得粘性層次狄利克雷過程隱馬爾科夫模型；

其中，H表示任意的基分布；γ表示集中系數；集中系數γ決定了β的相對離散比例，當γ越大表示數據越離散，反之，越集中；DP表示為狄利克雷過程；G表示一個對數據聚類的過程，在狄利克雷過程中，G～DP(γ,H)，G₀,G_j∈G；GEM表示折棍子的生成過程；α表示DP過程的集中系數；v_k表示第k個隱性狀態的中間變量，有γ決定；β_k表示第k個隱性狀態的轉移概率；l＝1,2,3,…,k-1；k＝1,2,3,4,…；θ_k表示第k個隱性狀態的未知參數；表示取值只為0或1的邏輯函數；γ～Beta(1,γ)表示γ服從貝塔分布；

所述對所述層次狄利克雷過程隱馬爾科夫模型增加隱性狀態轉換概率的先驗超參數κ，獲得粘性層次狄利克雷過程隱馬爾科夫模型，包括：

所述層次狄利克雷過程隱馬爾科夫模型中公式(2)中給定β的情況下轉換概率的期望值轉換概率值本身，并沒有考慮到隱性狀態間的自轉換，即：

E[π_jk|β]＝β_k； (3)

參照公式(2)的描述，以增加自轉換概率的方式來對隱性狀態轉換的概率分布作出以下的調整：

在公式(4)中，(αβ+κδ_j)項表示在αβ和第j個元素中增加一個常量值κ0，使得轉換概率π_jk的期望自轉換概率與常量值κ成正比，κ越大，表示模型對觀察值的“粘性”越高；從而增加“粘性”后轉換概率的期望值為：

其中，定義為模型的自轉換的比例系數；GEM表示折棍子的生成過程；γ表示集中系數；α表示DP過程的集中系數；β_k表示第k個隱性狀態的轉移概率；δ_j表示第j個隱性狀態的邏輯函數；β表示轉移概率先驗分布的參數；δ(j,k)表示隱性狀態j和隱性狀態k之間轉移的邏輯函數；

所述基于所述不同地面類型的多模態傳感數據集對粘性層次狄利克雷過程隱馬爾科夫模型進行訓練，獲得最優粘性層次狄利克雷過程隱馬爾科夫模型，包括：

對所述粘性層次狄利克雷過程隱馬爾科夫模型設置需要學習的均值和協方差兩個參數；

設置均值服從高斯分布，協方差服從逆威沙特分布；

假設所述同地面類型的多模態傳感數據集中包含有N個維度D的樣本，每個樣本的數據長度為T_n，逆威沙特分布中協方差的對稱正定比例矩陣Δ和自由度參數v設置如下：

其中，y_t表示各時刻的觀察值；S_F表示均值矩陣的比例系數，其中，S_F＝1；

由公式(7)完成參數學習；

層次狄利克雷過程的集中系數γ和α+κ的先驗模型均為Gamma(a,b)分布，自轉換系數ρ的先驗模型為Beta(c,d)分布，其中設置兩個先驗模型的超參數為a＝0.5,b＝5,c＝10,d＝1，對粘性層次狄利克雷過程設置截斷隱性狀態數量為K＝5，定義粘性參數κ＝50；

利用所述同地面類型的多模態傳感數據集基于優化的變分推斷法對后驗分布進行學習，獲得學習后的粘性層次狄利克雷過程隱馬爾科夫模型；

基于學習后的粘性層次狄利克雷過程隱馬爾科夫模型獲得最優粘性層次狄利克雷過程隱馬爾科夫模型。