论文部分内容阅读
随着人工智能技术的飞速发展和日益成熟,机器人对多模态触觉信号的识别成了自主机器人领域的研究热点。多模态的触觉信号识别是机器人与外界环境交互最本征的方式之一,有效识别多模态触觉信号是机器人理解触觉信号的关键,它是智能机器人准确的判断外部环境信息进而做出策略选择和行为控制的基础。目前多模态触觉信号的识别准确率不高,主要原因在于特征提取方法对挖掘触觉信号中的时空关联特征存在不足,适用触觉信号识别的分类方法在多分类问题上有待改进。本文搭建了多模态触觉信号采集系统完成实验数据的采集,通过挖掘信号中的时空关联特征,优化二叉树结构支持向量机(Support Vector Machine,SVM),提高了多模态触觉信号识别的准确率。主要研究工作如下:(1)多模态触觉信号采集系统的设计与实现。利用三维空间上的FSR传感器阵列采集多模态触觉信号,通过loadcell实时校正实验者的施力方向,搭建可以感知多模态信号的实验平台。在上位机上解决了FSR传感器和loadcell传感器的数据不同步问题;完成了多模态触觉信号的采集,建立了实验数据集。为后续的理论研究工作打下了实验基础。(2)提出多模态触觉信号的时空关联特征提取方法。在特征提取之前,先用自适应卡尔曼滤波器对数据滤波处理,降低噪声对触觉信号识别的干扰。时空关联特征的提取首先利用CNN提取不同触觉传感器信号的空间关联特征,同时将连续动态的触觉信号切割成多个短时间的触觉信号;然后利用GRU在时间序列上的前后关联特性在多时间片段的空间特征的基础上提取时空关联特征。实验表明,相较于其他方法提取的特征,本文方法提取的时空关联特征在各种分类算法中可以得到更高的分类准确率。(3)提出一种优化二叉树结构SVM多分类器的方法,提高了多模态触觉信号识别的准确率。利用改进的粒子群聚类算法优化二叉树结构,降低二叉树结构SVM多分类器的误差累积,进一步提高多模态触觉信号识别的准确率。通过实验对比本文方法与改进前方法对多模态触觉信号的识别准确率,结果证明了本文方法的有效性。