[发明专利]一种基于粒子滤波算法的语音机器人控制方法

说明书

本发明涉及一种基于粒子滤波算法的语音机器人控制方法，属于计算机领域。该方法包括以下步骤：第一步：语音识别，设计一种基于深度卷积神经网络算法的语音识别算法，通过训练与测试，得到最终的识别结果；第二步：目标检测识别，设计一种基于快速卷积神经网络的目标检测算法；第三步：通过改进的粒子滤波算法对目标物体进行跟踪；第四步：基于深度强化学习的机械臂控制算法。通过对传统的粒子滤波算法进行改进，提出了一种分组优化权重+变异的新型粒子滤波算法，减少了采样粒子数量，延缓了粒子退化问题，减少在粒子重采样阶段造成的样本多样性和有效性的损失，优化了重采样过程，克服了粒子匮乏问题，使其检测精度更高。

技术领域

本发明属于计算机领域，涉及一种基于粒子滤波算法的语音机器人控制方法。

背景技术

目前大部分的服务型机器人离不开人为的控制，缺乏智能化。并且在传统的目标检测方法中，由于外界环境复杂(光照、遮挡等)、相机会抖动等多因素影响，仅依赖检测的结果，检测框是很不稳定的，很容易造成错误的检测与遗漏的检测。近几年来，Montemerlo、Doucet等学者提出基于的粒子滤波算法一直被广泛使用于各类目标跟踪领域，并取得了不错的成效。相比于卡尔曼滤波，粒子滤波的优点在于它不受非线性非高斯问题与系统噪声问题的制约，可以广泛地应用于任何形式的系统状态模型上。突破了卡尔曼滤波算法只能用于线性系统且噪声必须符合高斯分布这一缺点。但是传统的粒子滤波算法存在状态向量维数高、计算量复杂，粒子退化严重，运行时间长等问题。

本发明中的服务型机器人可以通过获取模块获取语音信号，再通过解析模块得到对应的指令，最后根据处理模块完成对目标物体跟踪与抓取控制。设计了一种基于深度学习的语音识别算法与目标检测算法，并利用强化学习实现对机械臂的控制，使机器人实现真正意义上的智能化。在目标跟踪问题上，本发明采用基于改进的粒子滤波算法来解决传统粒子滤波所存在的问题。对权重过高或可忽略的粒子使用权值最优方案，以便在实施重采样之前提高采样性能。并且对所有粒子使用变异操作，以确保粒子集的多样性。优化了重采样过程，克服了粒子匮乏问题，使其检测精度更高。在抓取控制问题上，本发明提出了优化经验回放区的深度确定性策略梯度算法，显著减少了算法的训练时间，提高训练过程的稳定性，并提升模型的鲁棒性，从真正意义上实现机器人智能化。

发明内容

有鉴于此，本发明的目的在于提供一种基于粒子滤波算法的语音机器人控制方法。通过语音识别输入，对目标物体进行检测与跟踪，最后实现机械臂的智能抓取控制。解决服务型机器人需要人远程操作或者传感器不能跟踪检测的问题，以及无法自主学习控制的问题。

为达到上述目的，本发明提供如下技术方案：

一种基于粒子滤波算法的语音机器人控制方法，该方法包括以下步骤：

第一步：语音识别，设计一种基于深度卷积神经网络算法的语音识别算法，通过训练与测试，得到最终的识别结果；

第二步：目标检测识别，设计一种基于快速卷积神经网络的目标检测算法；

第三步：通过改进的粒子滤波算法对目标物体进行跟踪；

第四步：基于深度强化学习的机械臂控制算法。

可选的，所述第一步具体为：

首先，将语音信号进行一系列预处理操作后提取能代表此信号的特征参数；其次，根据提取出来的特征参数进行模型训练，分别建立相对应的语言模型和声学模型；最后，提取待识别的语音信号中的特征参数并放入已经建立好的模型中进行匹配，得到识别结果；

1.语音信号的预处理

在特征参数的提取之前，需要对输入的语音进行一系列的预处理，目的是得到一段高保真、去噪的高质量语音信号；