[发明专利]一种基于振动信号的地形分类方法

说明书

本发明公开了一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其优点在于：1)利用贝叶斯滤波器/平滑器能够显著提升地形分类精度；2)通过对平滑结果和分类结果的在线分析，能够筛选出错误分类的振动帧样例，进而利用这些样例对分类器进行增量训练，能够提升其泛化性能；4)平滑‑分类结果的在线分析还可以用于修正贝叶斯滤波器的参数，从而降低其在地形突变时由于惯性导致的低精度问题。

技术领域

本发明涉及机器学习领域，特别是涉及一种基于振动信号的地形分类方法。

背景技术

行星探测机器人在星球表面移动时会遇到各种地形，保证移动机器人安全地穿越地形、避免处于危险境地十分重要。以前的研究集中于基于激光雷达或视觉传感器的地形识别，这种方法能够识别地形上大的石块、陡坡等障碍物。移动机器人可以检测沟壑、上坡和下坡等地形.这些方法都是为了使机器人避开几何危害，然而地形本身也是有危害的，例如：移动机器人穿越疏松的沙地时可能陷入其中，但穿越压实的土地就没有这样的危险，这些危害称作“非几何危害”。因此，在人有限监督的情况下，移动机器人自治地识别地形的类型，即对地形进行分类，具有重要的意义，它能使机器人采取与地形相适应的驾驶风格，以安全有效地穿越不同的地形。

地形分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，计算必要的评估指标，评估分类模型的性能。

泛化能力是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。训练数据的完整性是决定泛化能力的一个主要因素。在现实中，往往很难在训练阶段将所有可能的样本收集完整，这就需要分类器能够在在线运行中主动进行增量学习，自我调整以达到最大的泛化能力。

发明内容

本发明技术克服现有技术的不足，解决了已有的地形分类器泛化能力不足的问题。

本发明采用的技术方案如下：提出一种基于振动信号的地形分类方法，包括离线训练、在线分类、在线修正三个部分，其中：

一种基于振动信号的地形分类方法，其特征在于：包括离线训练、在线分类、在线修正三个部分，其中：

1、离线训练部分

1.1控制移动机器人在希望被识别的地形上收集振动时间序列，以每N个点为1个振动帧，将该振动时间序列转换为振动帧集合；

1.2对1.1获取的振动帧集合中的振动帧进行快速傅里叶变换，变换结果即为每个振动帧的特征，一个特征向量表示一个样本；然后进行归一化处理，进而得到训练样本集合；

1.3对1.2获取的训练样本集合进行标记，为每个样本标记其对应的地形，得到训练样例集合；

1.4基于1.3获取训练样例集合训练分类器，得到训练好的分类器

2、在线预测部分

2.1获取时间t的振动帧，转换得到样本s_t，利用分类器进行预测，得到地形预测结果

2.2基于2.1获取的地形预测结果y_t进行贝叶斯滤波，计算先验概率密度和后验概率密度如下所示：

其中，x_t表示时间t的真实地形，可以取{1,2,…,λ}共λ种地形，Y_t＝{y₁,y₂,…,y_t}表示从时间1到t的所有地形预测结果，为地形转移概率密度，为分类混淆概率密度，其中，一般可设定