(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210862532.0 (22)申请日 2022.07.21 (71)申请人 中国北方车辆 研究所 地址 100072 北京市丰台区槐树岭4 号院 (72)发明人 曾日芽　钟必清　秦博男　高泽鹏　 刘炜杭　蒋海波　侯学轶　 (74)专利代理 机构 中国兵器 工业集团公司专利 中心 11011 专利代理师 祁恒 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种履带机 器人地面识别方法 (57)摘要 本发明提出一种基于内感受型传感器信息 融合的履带机器人地面识别方法， 首先根据履带 机器人室外工作环境的典型环 境选择路面种类， 采集履带机器人在不同路面上以不同速度运行 时的内感受型传感器数据， 并分为训练集和测试 集； 采用统计学特征提取及基于协方差的特征选 择方法， 获得各信号分量中适用于路面分类的特 征种类， 并融合成路面特征向量； 构建概率神经 网络， 以训练集路面特征向量作为输入， 训练得 到各单源信号的概率神经网络识别器， 并将测试 集输入至训练后的网络中， 得到路面识别的单源 识别结果； 采用加权投票决策方法进行多源融 合， 求得最终的路面种类。 本发明可实现在履带 机器人在直线多速度工况下的路面识别且准确 度较高。 权利要求书2页 说明书6页 附图1页 CN 115294449 A 2022.11.04 CN 115294449 A 1.一种基于内感受型传感器信息融合的履带机器人地面识别方法， 其特征在于， 所述 履带机器人地 面识别方法包括如下步骤： S1.采集履带机器人室外典型工作路面内感受型传感器数据 内感受型传感器包括惯性传感器和驱动电机电流传感器； 通过数据采集终端采集惯性 传感器和驱动电机电流传感器在柏油路面、 鹅卵石路面、 干砂路面、 砂壤土路面和黏土路面 的传感器信号； 惯性传感器信号包括三轴加速度和三轴角速度信号； 驱动电机电流传感器 信号包括在后驱模式下履带机器人直线行驶时的两侧驱动电机电流信号； S2.基于统计学计算的特 征提取及基于协方差特 征选择 S2‑1.基于统计学计算的特 征提取 特征提取中， 选用窗长度为1s且重叠度为50％的滑动窗口进行信号处理， 通过统计学 方法提取时域特征和频域特征； 对于离线训练， 随机抽取原数据集的60％作为训练集， 且保 证训练集中各类路面的样本量一致， 剩余的40％数据作为测试集； 通过有量纲统计值计算 和无量纲统计值计算， 对各类传感器信号进行时域特征提取； 对各类传感器信号分别进行 傅里叶变换， 进行 频域特征提取； S2‑2.基于协方差的特 征选择 根据以下公式， 采用协方差函数评估特征与标签之间的相关性RelF(Fi)、 特征与特征之 间的相关性RedF(Fi)： Cov(X， Y)＝E( (X‑E(X))(Y‑E(y))) 其中， E(X)和E(Y)分别代表X和Y的期望值； S、 L分别代表数据总量和数据标签， Fi,Fj∈F 为特征向量； RelF(Fi)和RedF(Fi)分别代表待评价特征与最终结果的相关性和与 其它特征 之间的冗余度； 根据以下公式， 计算RelF(Fi)和RedF(Fi)的差值Eval(Fi)： Eval(Fi)＝RelF(Fi)‑RedF(Fi) 在特征向量归一化的条件下， 差值Eval(Fi)越大代表该特征的优先级越高； 最终选取 Eval值最高的7个特 征种类组合成特 征向量， 作为神经网络的输入； S3.构建概 率神经网络并使用训练集对其进行训练 概率神经网络由输入层、 模式层、 求和层和输出层组成； 其中， 输入层的神经元数量等 于特征向量的维度； 作为神经网络输入的特征向量， 由输入层传递到模式层； 模式层的神经设为径向基函 数； 根据以下公式， 计算输入向量与中心向量之间的距离Φpq(x)： 式中， p＝1,2,3, …N(N为训练样本总数)， θ为平滑参数， k为样本空间维度， xpq表示第p权　利　要　求　书 1/2 页 2 CN 115294449 A 2类样本的第q个中心； 第p类在求和层的输出为： 其中， NL表示第p类的神经 元个数； 求和层中神经元的数量与路面种类数量相同， 将每个路面种类的概率密度估计按比例 传递到输出层； 输出层由竞争神经元 组成， 求和层的结果经过输出层的归一化处理， 计算得 到所有路面种类概率密度估计的最终结果， 通过阈值判别求得具有最大后验概率的神经 元， 从而计算得到机器人当前运行最有可能的路面种类； 该过程最终形成8个单源识别器， 分别对应8种信号类别； S4.基于加权投票决策 方法实现地 面种类融合 求解 将8个单源识别器在测试集中对各类路面的识别表现作为参考， 根据以下公式， 计算参 考准确率Rmn： Rmn＝Rm·Rn 式中， Rm表示单源识别器在测试集下的整体准确率， m＝1,2,3, …8， 且分别代表纵向、 横 向、 垂向加速度， 侧倾、 俯仰、 横摆角速度和内、 外侧电机电流； Rn表示单源识别器在测 试集 下各路面种类的准确率， n＝1,2,3,4,5， 且分别代表柏油路面、 鹅卵石路面、 干砂路面、 砂壤 土路面、 黏土路面； 加权投票决策过程为： 首先对8个单源识别器的路面种类识别结果进行汇总， 若不存在 两种或两种以上 的最高票路面， 则以该最高票路面种类为最终结果输出； 若最高票路面存 在两种或两种以上情形， 即发生平票现象， 则以平票路面对应投票的单源识别器的参考准 确率Rmn作为依据， 取高者作为 最终识别路面。 2.如权利要求1所述的履带机器人地面识别方法， 其特征在于， 所述惯性传感器安装在 机器人上安装平板的中心位置， 其数据直接发送至数据采集终端。 3.如权利要求1所述的履带机器人地面识别方法， 其特征在于， 所述驱动电机电流传感 器集成于电机控制器， 由电机控制器发送至数据采集终端。 4.如权利要求1所述的履带机器人地面识别方法， 其特征在于， 步骤S1中， 采集传感器 信号时， 履带机器人以后 驱模式作为前进模式， 分别以十种等间隔速度在五种路面上稳定 行走超过10 0m或1分钟的路程； 十种速度中包 含有履带机器人的最高速度。 5.如权利要求1所述的履带机器人地面识别方法， 其特征在于， 步骤S1中， 对采集的传 感器信号进行预处理， 去掉履带机器人加速及停止段的速度， 将惯性传感器信号降采样至 与驱动电机电流信号的采样频率相同。 6.如权利要求1所述的履带机器人地面识别方法， 其特征在于， 步骤S2 ‑1中， 有量纲统 计值包括： 绝对均值、 中位数值、 均值、 最大值、 最小值、 均方根值、 方根振幅、 方差、 歪度、 峰 态； 无量纲统计值包括： 峰态因数、 峰值因数、 波形因数、 脉冲因数、 余隙因数、 歪度因数。 7.如权利要求1所述的履带机器人地面识别方法， 其特征在于， 步骤S2 ‑1中， 频域特征 提取包括有量纲统计特征值和频率统计特征值； 其中， 有量纲统计特征值包括最大值、 中位 数值、 均方根值、 方根幅值、 方差， 频率统计特征值包括平均频率、 均方根频率、 中心频率、 根 方差频率。权　利　要　求　书 2/2 页 3 CN 115294449 A 3