[發明專利]基于梯度自適應采樣和3D神經網絡的觸覺物體識別方法

在審

• 申請號: 202310423918.6
• 申請日: 2023-04-18
• 公開（公告）號: CN116403091A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 王慰;鄧威;錢曉亮;孟佳;曾黎;岳偉超;任航麗;劉向龍;王芳;劉玉翠
• 申請（專利權）人: 鄭州輕大產業技術研究院有限公司;鄭州輕工業大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/80;G06V10/764;G06N3/0464;G06N3/08
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 張真真

1.一種基于梯度自適應采樣和3D神經網絡的觸覺物體識別方法，其特征在于，其步驟如下：

步驟一：使用梯度自適應采樣策略對原始觸覺幀進行自適應挑選，獲取梯度變化較快的觸覺幀集；

步驟二：對步驟一獲取的觸覺幀集進行多時間尺度下采樣；

步驟三：使用MR3D-18網絡對下采樣后的觸覺幀集分別進行特征提取得到不同時間尺度下的特征；將不同時間尺度下的特征進行融合，并依據融合后的特征識別物體的類別，得到預測分類結果。

2.根據權利要求1所述的基于梯度自適應采樣和3D神經網絡的觸覺物體識別方法，其特征在于，所述梯度自適應采樣策略進行觸覺幀的自適應挑選的方法為：

S1：將輸入的觸覺數據中的相鄰原始觸覺幀做矩陣減法獲取t時刻兩個相鄰觸覺幀的梯度絕對值矩陣；且對起始觸覺幀自身做矩陣減法處理獲取初始時刻觸覺幀的梯度絕對值矩陣；

S2：對梯度絕對值矩陣在時間維度上進行歸一化，計算歸一化后的梯度累計分布；

S3：依照累計梯度分布把觸覺幀的采樣時刻劃分為N個區間，從這N個區間中各隨機取出一幀作為觸覺幀，N個觸覺幀組成觸覺幀集。

3.根據權利要求2所述的基于梯度自適應采樣和3D神經網絡的觸覺物體識別方法，其特征在于，所述步驟S1的實現方式為：

其中，D表示原始觸覺幀的集合，H、W和T分別表示原始觸覺幀的高度、寬度和數量，F_t表示t時刻的原始觸覺幀，F_t-1表示t-1時刻的原始觸覺幀，FG_t表示兩個相鄰原始觸覺幀在t時刻的梯度絕對值矩陣，FG₁為起始幀的梯度絕對值矩陣；

所述步驟S2的實現方式為：

其中，FG_t(x,y)表示梯度絕對值矩陣FG_t在t時刻x行、y列的值，NFG_t表示梯度絕對值矩陣FG_t的歸一化矩陣，AFG_t∈[0,1]表示t時刻的梯度累積，且AFG₁＝0，AFG_T＝1。

4.根據權利要求2或3所述的基于梯度自適應采樣和3D神經網絡的觸覺物體識別方法，其特征在于，所述觸覺幀集的獲取方法為：

梯度累積AFG_t被分為N個子區間，即{[0,1/N],...,[n-1/N,n/N],...,[N-1/N,1]}，根據梯度累積AFG_t的函數曲線得到時間軸上對應的N個子區間，即{[0,si₁],...,[si_n-1,si_n],...,[si_N-1,T]}，最后從時間軸的N個子區間中均隨機選擇一個采樣點，得到N個采樣點，組成采樣點集TS＝{ts₁,ts₂,...,ts_N}；根據采樣點集TS從原始觸覺幀集D中采樣，采樣后的觸覺幀集標記為其中，T表示原始觸覺幀的數量，si_n表示在縱軸梯度累積上的點n/N基于梯度累積AFG_t的函數曲線在時間軸上的映射點，ts₁,ts₂,...,ts_N表示選擇的N個采樣點。

5.根據權利要求4所述的基于梯度自適應采樣和3D神經網絡的觸覺物體識別方法，其特征在于，所述多時間尺度下采樣的實現方法為：

其中，r_m＝(0.5)^m-1表示第m個時間尺度的下采樣率，DS(·,·)表示下采樣操作，DF_m表示觸覺幀集F_TS在第m個時間尺度下采樣后的觸覺幀集，N_m表示觸覺幀集DF_m中包含觸覺幀的數量。