多维触觉信息感知的特征提取及接触模式识别研究

With the ultimate goal to improve safety、flexibility and accuracy for robot to finish the task in complex environment, the present project focuses on the two issues accordingly, namely, feature extraction of multi-dimensional signal based on tactile perception, and the influence mechanism of three-dimensional contact pattern recgonition algorithm based on these features. A relational model between varied spatio-temporal tactile data and feature extraction of contact pattern is established to extract the features accurately and objectively; By using the computational-intelligence tools, the great potential information is mined from the tactile data , the classification algorithm applied in three-dimensional tactile pattern recognition is proposed in order to improve the accuracy, robust and real-time performance. By establishing the experimental platform with three-dimensional optical tactile array, the experimental verification is done for the two issues. In short, the research work of the project will establish a theoretical basis for Robots used in rehabilitation and assisted-living facilities, showing great prospect and social meaning to deal with the problems of the aging society in our country.

该项目以提高机器人在复杂环境下安全、灵活、准确地完成任务的能力为研究目标，围绕基于触觉感知技术的多维触觉信号的特征参数提取机制和基于这些特征参数的三维接触模式识别性能影响机理这两个科学问题，采用理论和实验相结合的研究方法，通过建立触觉的时域和空间改变与各种接触状态特征提取方面的关联模型，准确客观地提取特征参数；通过引入计算智能工具，深入挖掘触觉数据中的隐藏信息，提出和改进适用于三维接触模式识别的分类算法，以提高人机交互系统三维接触模式识别的准确性、鲁棒性和实时性；通过建立基于三维光纤触觉传感阵列的触觉感知实验平台对两个科学问题研究进行实验验证。该项目研究将为面向生活辅助和医疗康复的人机交互机器人研发提供理论基础，在应对我国人口结构老龄化所引起的社会问题方面具有广泛的应用前景和重要的社会意义。

本项目以提高机器人安全、灵活、准确地完成任务的能力为研究目标，围绕基于触觉感知技术的多维触觉信号的特征参数提取机制和基于这些特征参数的三维触觉模式识别的分类算法这两个基本科学问题，采用理论和实验相结合的研究方法，通过建立触觉的时域和空间改变与各种接触状态特征提取方面的关联模型，正确提取特征参数；通过引入计算智能工具，深入挖掘触觉数据中的隐藏信息，提出和改进适用于三维接触模式识别的分类算法，以提高人机交互系统多维触觉模式识别的准确性、鲁棒性和实时性。主要研究内容如下：.1..进行了基于静态数据的常规分类算法比较研究，实验表明线性常规分类算法SVM具有性能优势，同时研究发现PCA在提取关联特征时会产生信息缺损并导致分类正确率下降。.2..针对数据的时域特征，进一步的研究表明Sequential Forward Feature Selection (SFFS)可以有效提取时空关联数据的时域特征，避免了重要的非线性关联信息的缺损，该方法优于PCA，但没有结合考虑数据的空间域特征。在分类算法上，研究了多种常规分类算法的组合优化及其性能，具体将Quadratic SVM (QSVM) 与 AdaBoost Tree相结合，结合机制上采用网格寻优算法，实验数据表明分类性能普遍有所提高。.3..基于接触模式变换的动态数据，课题组采用深度学习领域的卷积神经网络CNN，客观提取非线性时空数据的关联特征，该方法明显优于适合线性特征提取的PCA，以及人为主观提取时域特征的SFFS，可以避免人工选取时域特征的主观性，又规避了非线性时空关联信息割裂和缺损，而在最后已经是线性空间的全链接层，采用SVM进行线性分类，又可以进一步提高分类正确率。实验表明，该方法在混合数据的分类准确率可达91.19%，明显优于前述的其它方法包括Adaboost，较好实现了人机交互系统多维触觉模式识别的准确性、鲁棒性和实时性。.本项目研究将为面向生活辅助和医疗康复的人机交互机器人研发提供理论基础，在应对我国人口结构老龄化所引起的社会问题方面具有广泛的应用前景和重要的社会意义。