一种机器人地形识别及速度控制方法及系统

摘要

本发明涉及人工智能技术领域，提出一种机器人地形识别及速度控制方法及系统，其中包括以下步骤：获取设置在机器人足底的压力传感器采集的压力传感信号，对所述压力传感信号进行预处理，得到电压数据；将所述电压数据基于时域进行特征提取，并将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别，得到地形识别结果；将所述地形识别结果经过选通电路发送至机器人控制器，机器人控制器根据接收的地形识别结果，按照预设的行为姿态参数对机器人的姿态及行走速度进行调整。本发明将低成本的压力传感器及低功耗的分类器应用于地形识别，能够在确保高准确率的地形识别同时，提高机器人的行进过程中的稳定性。

权利要求

1.一种机器人地形识别及速度控制方法，其特征在于，包括以下步骤：

S1、获取设置在机器人足底的压力传感器采集的压力传感信号，对所述压力传感信号进行预处理，得到相应的电压数据；

S2、将所述电压数据基于时域进行特征提取，并将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别，得到地形识别结果；所述分类器包括SVM分类器和/或kNN分类器；

所述SVM分类器采用变换策略解决多类别的地形分类问题；所述变换策略包括OVR方法或OVO方法，其中：采用OVR方法的SVM分类器中包括m个二元SVM模型，m为预设的地形类别数量；其中每个二元SVM模型都通过用正标签标记一个类，用负标签标记其余的m‑1类进行离线训练；在测试过程中，采用完成训练的m个二元SVM模型对当前输入的特征向量进行分类，选择对超平面具有最大边距的类别作为地形识别结果进行输出；

采用OVO方法的SVM分类器中包括m(m‑1)/2个二元SVM模型，其通过将一个m类多分类任务拆分为每对地形组合(i,j)的二元分类任务，分别输出二分类的识别结果；在测试过程中，采用OVO方法的SVM分类器从所有二元SVM模型的输出识别结果中选择具有投票数最高的类别作为当前实时输入的地形识别结果进行输出；

所述kNN分类器采用欧氏距离作为参考地形与实时输入地形的距离度量实现在线地形识别；所述kNN分类器内预设有机器人行走在多种不同的参考地形时所对应的特征向量；

所述kNN分类器将当前实时输入的电压数据对应的特征向量与每个参考地形的特征向量进行比较，分别计算出二者的欧氏距离Dist；所述kNN分类器通过比较当前实时输入的电压数据对应的特征向量FVin(i)与每个参考地形的特征向量FVref_j(i)的欧氏距离大小，得到与当前机器人行走的地形距离最接近的k个参考地形样本，并从中选择表示数最多的参考地形样本对应的类作为地形识别结果进行输出；

S3、将所述地形识别结果经过选通电路发送至机器人控制器，机器人控制器根据接收的地形识别结果，按照预设的行为姿态参数对机器人的姿态及行走速度进行控制。

2.根据权利要求1所述的机器人地形识别及速度控制方法，其特征在于，所述S1步骤中，对所述压力传感信号进行预处理的步骤包括：对所述压力传感信号以预设的采样速率进行采样，然后通过模数转换为时间离散的串行电压数据序列。

3.根据权利要求1所述的机器人地形识别及速度控制方法，其特征在于，所述S2步骤中，将所述电压数据基于时域进行特征提取的步骤包括：S2.1、设定特征框定窗口的尺寸N、窗口时间长度tN和滑动步长Δt，其中所述特征框定窗口的滑动步长Δt小于或等于窗口时间长度tN；

S2.2、采用所述特征框定窗口对所述电压数据按时间序列进行分割，并在每一次特征框定窗口以滑动步长进行滑动后，对所述特征框定窗口选中的电压数据采用特征描述算子进行特征计算，得到特征向量。

4.根据权利要求3所述的机器人地形识别及速度控制方法，其特征在于，所述特征描述算子包括均方根、平均绝对值、方差和波形长度中的一种或多种；采用所述特征描述算子在所述特征框定窗口内进行特征计算的表达式分别如下：式中，vRMS(n)表示以均方根特征描述算子计算得到的特征点，vMAV(n)表示以平均绝对值特征描述算子计算得到的特征点，vVAR(n)表示以方差特征描述算子计算得到的特征点，vWL(n)表示以波形长度特征描述算子计算得到的特征点；xi(n)表示当前特征框定窗口内时序为i的电压数据，N为单个特征框定窗口的窗口尺寸。

5.根据权利要求1所述的机器人地形识别及速度控制方法，其特征在于，所述SVM分类器中用于空间映射的核函数包括线性核函数、多项式核函数、高斯核函数或Sigmoid核函数。

6.根据权利要求5所述的机器人地形识别及速度控制方法，其特征在于，所述SVM分类器采用的变换策略包括OVR方法或OVO方法，其中：采用OVR方法的SVM分类器在测试过程中，采用完成训练的m个二元SVM模型对当前输入的特征向量进行分类，选择对超平面具有最大边距的类别作为地形识别结果进行输出；其表达式如下：式中，bi是第i对地形的二元SVM模型的标量偏差，列向量ωi是指第i对地形的离线训练获得的d维权值向量， 为SVM分类器的核函数；

采用OVO方法的SVM分类器中包括m(m‑1)/2个二元SVM模型，其通过将一个m类多分类任务拆分为每对地形组合(i,j)的二元分类任务，以解决如下所示的优化问题：m

式中，标签向量yk R 是对应第k类地形的核函数 的类别，且其取值范围在于yk{+

1,‑1}；列向量ωi,j是指对每个地形对(i,j)的离线训练获得的d维权值向量；bij是每个地形对(i,j)的二元SVM模型的标量偏差；k用于表征第k个地形类型对应的地形识别结果，且k＝

1,…,m；m是地形类别数量；C是惩罚因子，ξij(k)是用于减少训练误差的松弛变量。

7.根据权利要求5所述的机器人地形识别及速度控制方法，其特征在于，在识别过程中，所述kNN分类器将当前实时输入的电压数据对应的特征向量与每个参考地形的特征向量进行比较，分别计算出二者的欧氏距离Dist；其表达式如下：其中，FVref_j(i)为第j类参考地形通过特征描述算子计算获得的特征向量的第i维的特征值；FVin(i)为实时输入地形通过对应的特征描述算子计算获得的特征向量的第i维特征值；d为特征向量的维度。

8.根据权利要求7所述的机器人地形识别及速度控制方法，其特征在于，所述kNN分类器采用1‑NN分类器或基于OVO策略的kNN分类器；其中：所述kNN分类器采用1‑NN分类器时，在地形识别过程中，所述kNN分类器取与当前实时输入的电压数据对应的特征向量FVin(i)的欧氏距离最短的1个参考地形样本，并将其对应的类作为地形识别结果进行输出；

所述kNN分类器采用基于OVO策略的kNN分类器时，在地形识别过程中，所述kNN分类器分别对两两组合的地形(i,j)进行二分类，并通过统计kNN分类器中每个二元kNN分类模型的识别结果，采用投票数最多的参考地形作为地形识别结果进行输出。

9.一种机器人地形识别及速度控制系统，其特征在于，包括足型机器人，所述足型机器人双足足底分别设置有压力传感器；所述足型机器人内部设置有依次连接的地形识别模块、选通电路和控制模块；其中：所述地形识别模块包括依次连接的模/数转换器、特征提取单元和分类单元；其中，所述模/数转换器的输入端与所述压力传感器的输出端连接，用于采集压力传感信号并进行转换，得到相应的电压数据；所述特征提取单元用于将所述电压数据基于时域进行特征提取，得到当前地形的特征向量；所述分类单元用于根据当前提取得到的特征向量对当前足型机器人行走的地形进行识别，得到地形识别结果；

所述选通电路用于将地形识别模块输出的地形识别结果转换为反馈信号并输入控制模块中；

所述控制模块与设置在足型机器人身上的伺服电机连接；所述控制模块用于根据经选通电路输入的反馈信号，按照预设的行为姿态参数，向目标伺服电机发送控制信号，实现对足型机器人的姿态及行走速度进行控制。

10.根据权利要求9所述的机器人地形识别及速度控制系统，其特征在于，所述选通电路包括决策电路、数模转换器和滤波与放大电路，其中：所述决策电路包括一个设置在选通电路输入端的解复用器，用于将地形识别结果通过对应的路径传输到数模转换器；以及一个设置在选通电路输出端的多路复用器，用于为所述控制模块选择正确的反馈信号；

所述数模转换器用于将地形识别结果转换为PWM信号；

所述滤波与放大电路的输入端与数模转换器的输出端连接，所述滤波与放大电路用于放大PWM信号；所述滤波与放大电路的输出端与所述多路复用器的输入端连接。

说明书

一种机器人地形识别及速度控制方法及系统

技术领域

[0001] 本发明涉及人工智能技术领域，更具体地，涉及一种机器人地形识别及速度控制方法及系统。

背景技术

[0002] 机器人作为人类的新型工具，在减轻劳动强度、提高生产率、改变生产模式、将人类从危险、恶劣、繁重的工作环境中解放出来等方面，显示出极大的优越性。移动机器人是指具有路径移动规划目标的机器人，从给定的一个起始点运动到目的地。移动机器人的移动控制方法主要涉及：互联网远程控制、卫星定位技术、相对定位等技术。对于移动机器人，互联网所存在的带宽及延迟限制是其固有属性，在进行大数据传输处理时其网络延迟尤为明显，这严重影响了机器人移动的灵活性。而采用卫星定位导航技术对机器人进行移动定位、路线规划和任务部署时，不适用于室内或室外遮挡环境下的移动控制。

[0003] 由此可见，通过各类传感器赋予机器人一定的自主性来弥补网络延迟、卫星定位盲区等带来的影响，实现移动机器人自主行动是时代发展的迫切需求。目前有提出基于视觉和触觉融合的双模态地形识别方法，其中采用的触觉传感器包括压力传感单元和惯性测量单元，对足型机器人脚底传感器阵列输出信号进行压力信号特征提取，通过离线学习和在线检测完成基于深度神经网络的局部地形分类算法，得到触觉语义信息的导航地图，辅助足型机器人野外行走。然而，深度神经网络模型是典型的高复杂度、高功耗的算法模型，严重依赖于拥有强大计算力的处理器，并且多传感器融合的技术方案同样使得系统的计算与运行难度加大，过于复杂的算法与智能机器人的发展要求相违背。

发明内容

[0004] 本发明为克服移动机器人对地形识别存在高复杂度、高功耗以及高成本的缺陷，提供一种机器人地形识别及速度控制方法，以及一种机器人地形识别及速度控制系统。

[0005] 为解决上述技术问题，本发明的技术方案如下：

[0006] 一种机器人地形识别及速度控制方法，包括以下步骤：

[0007] S1、获取设置在机器人足底的压力传感器采集的压力传感信号，对所述压力传感信号进行预处理，得到相应的电压数据；

[0008] S2、将所述电压数据基于时域进行特征提取，并将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别，得到地形识别结果；

[0009] S3、将所述地形识别结果经过选通电路发送至机器人控制器，机器人控制器根据接收的地形识别结果，按照预设的行为姿态参数对机器人的姿态及行走速度进行控制。

[0010] 本技术方案中，采用低成本、超薄且速度敏感的单一触觉传感器，即压力传感器或传感器阵列，以实时检测足型机器人在运动过程中的地表面与机器人足部之间的物理相互作用力的变化，进一步结合经过预训练(离线训练)的分类器实现实时行走的地形识别。并且，由于足型机器人相对其他类型的机器人而言更容易摔倒，本技术方案中的机器人控制器接收到地形标识之后，根据预设的行为参数快速地调整及控制足型机器人的行走速度和/或姿态，从而提高足型机器人在不同室内地面的行进过程中的稳定性。

[0011] 进一步地，本发明还提出一种机器人地形识别及速度控制系统，应用上述机器人地形识别及速度控制方法。其中包括足型机器人，所述足型机器人双足足底分别设置有压力传感器；所述足型机器人内部设置有依次连接的地形识别模块、选通电路和控制模块。

[0012] 其中，所述地形识别模块包括依次连接的模/数转换器、特征提取单元和分类单元；其中，所述模/数转换器的输入端与所述压力传感器的输出端连接，用于采集压力传感信号并进行转换，得到相应的电压数据；所述特征提取单元用于将所述电压数据基于时域进行特征提取，得到当前地形的特征向量；所述分类单元用于根据当前提取得到的特征向量对当前足型机器人行走的地形进行识别，得到地形识别结果。所述选通电路用于将地形识别模块输出的地形识别结果转换为反馈信号并输入控制模块中。所述控制模块与设置在足型机器人身上的伺服电机连接；所述控制模块用于根据经选通电路输入的反馈信号，按照预设的行为姿态参数，向目标伺服电机发送控制信号，实现对足型机器人的姿态及行走速度进行控制。

[0013] 与现有技术相比，本发明技术方案的有益效果是：本发明采用低成本、超薄且速度敏感的压力传感器以实时检测机器人在运动过程中的地表面与足型机器人足部之间的压力数据(电压数据)，采用低功耗的分类器对电压数据进行地形识别，得到高准确率地形识别结果；本发明进一步根据地形识别结果通过控制器及预设的行为参数快速地调整足型机器人的行走速度和/或姿态，能够在确保高准确率的地形识别同时，提高足型机器人在不同室内地面的行进过程中的稳定性。

附图说明

[0014] 图1为实施例1的机器人地形识别及速度控制方法的流程图。

[0015] 图2为实施例1的机器人采集的电压数据波形图。

[0016] 图3为实施例2的基于重叠窗口的特征提取的示意图。

[0017] 图4为实施例2的原始传感数据与RMS、MAV、VAR和WL四种特征波形的曲线图。

[0018] 图5为实施例3的基于SVM分类器的地形识别实现方法流程示意图。

[0019] 图6为实施例3的基于SVM分类器的在线地形识别系统架构图。

[0020] 图7为实施例3中使用单独特征描述算子分别联合二元SVM模型进行10折交叉验证的平均精度示意图。

[0021] 图8为实施例3中单一特征描述算子联合基于OVO的SVM分类器获得的平均召回率混淆矩阵示意图。

[0022] 图9为实施例3的融合四种特征描述算子的SVM分类器识别结果的平均召回率混淆矩阵示意图。

[0023] 图10为实施例4的基于kNN多分类器的在线地形识别系统架构图。

[0024] 图11为实施例4的不同特征描述算子的kNN分类器对各个地形类别取得的最大召回率混淆矩阵示意图。

[0025] 图12为实施例4的kNN分类器与四种特征描述算子结合后的混淆矩阵示意图。

[0026] 图13为实施例5的机器人地形识别及速度控制系统的架构图。

[0027] 图14为实施例5的选通电路的结构示意图。

具体实施方式

[0028] 附图仅用于示例性说明，不能理解为对本专利的限制；

[0029] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

[0030] 下面结合附图和实施例对本发明的技术方案做进一步地说明。

[0031] 实施例1

[0032] 本实施例提出一种机器人地形识别及速度控制方法，如图1所示，为本实施例的机器人地形识别及速度控制方法的流程图。

[0033] 本实施例提出的机器人地形识别及速度控制方法中，包括以下步骤：

[0034] S1、获取设置在机器人足底的压力传感器采集的压力传感信号，对所述压力传感信号进行预处理，得到相应的电压数据。

[0035] S2、将所述电压数据基于时域进行特征提取，并将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别，得到地形识别结果。

[0036] S3、将所述地形识别结果经过选通电路发送至机器人控制器，机器人控制器根据接收的地形识别结果，按照预设的行为姿态参数对机器人的姿态及行走速度进行控制。

[0037] 在一实施例中，为提高数据计算速度，对采集的压力传感信号进行预处理，对所述压力传感信号进行预处理的步骤包括：对所述压力传感信号以预设的采样速率进行采样，然后通过模数转换为时间离散的串行电压数据序列。

[0038] 其中压力传感信号作为模拟信号，其等效振动电压以所需的采样速率进行采样，并通过模数转换转换为串行离散电压点，这些电压点用10位数据描述。其表达式如下：

[0039] Vout_sensor(i)＝5*Dforce(i)/1024

[0040] 式中，Vout_sensor(i)表示从力传感器传输的输出电压，Dforce(i)表示AD转换后0到1023之间的整数值。

[0041] 在具体实施过程中，基于机器人脚和地面的物理相互作用，本实施例测试了五种具有代表性的室内平面地形，包括：地形A‑光滑木板，地形B‑粗糙泡沫板，地形C‑光滑泡沫板，地形D‑厚地毯，地形E‑薄地毯。当足型机器人以190帧/步幅(即：76采样点/步幅)在上述5种平面上行走时，采集的电压数据波形如图2所示。由图可知，五种地形的形状和幅度值等电压波形特征有足够的差异，因此可以利用这种波形特征差异采用分类器对各种地形进行区分，使得机器人能够区分出每种地形类型。

[0042] 本实施例采用低成本、超薄且速度敏感的单一触觉传感器，即压力传感器或传感器阵列，以实时检测足型机器人在运动过程中的地表面与机器人足部之间的物理相互作用力的变化，进一步结合经过预训练的分类器实现实时行走的地形识别，经过离线训练的分类器能够降低算法模型的功耗。机器人控制器接收到地形标识之后，根据预设的行为参数快速地控制足型机器人的行走速度和/或姿态，从而提高足型机器人在不同室内地面的行进过程中的稳定性，可以根据实时地形识别结果，即时地控制最适合当前地形的步行速度，尤其是穿越两个具有不同物理特性的表面时，机器人的姿态及行走速度的控制发挥着重要的作用。

[0043] 实施例2

[0044] 本实施例应用实施例1提出的机器人地形识别及速度控制方法。其中，在对电压数据基于时域进行特征提取过程中，包括以下步骤：

[0045] S2.1、设定特征框定窗口的尺寸N、窗口时间长度tN和滑动步长Δt，其中所述特征框定窗口的滑动步长Δt小于或等于窗口时间长度tN。

[0046] S2.2、采用所述特征框定窗口对所述电压数据按时间序列进行分割，并在每一次特征框定窗口以滑动步长进行滑动后，对所述特征框定窗口选中的电压数据采用特征描述算子进行特征计算，得到特征向量。

[0047] 本实施例中，特征提取操作用于将原始的压力传感器信号映射到高维特征向量中，可以更有效地描述了机器人双足足底与地表面之间的物理相互作用力的特点，减少噪声干扰，从而提高地形识别准确率。

[0048] 本实施例中，设定特征框定窗口的尺寸(即采样点数量)为N

[0049] 在本实施例中，优选采用重叠滑动窗口(overlapped‑sliding‑window)，即特征框定窗口的滑动步长Δt小于窗口尺寸N，此时相邻窗口产生重叠，因此相邻窗口之间保留了数据关联，重叠窗口为地形识别带来了更多的可用信息，在一定程度上提高了数据的关联性而提高识别准确度，更能够及时检测到机器人在跨越两个不同地形上时引起的信息变化。如图3所示，为本实施例在电压数据上连续测量Δt时间间隔，通过滑动tN时间长度的N点特征窗口来进行基于重叠窗口的特征提取的示意图。

[0050] 在每一次以时间间隔Δt进行窗口滑动之后，采用多种时域特征描述算子对该特征框定窗口内的电压数据进行特征提取。特征提取的处理过程相当于周期为M点的传感数据与长度为N点采样点的矩形窗口之间的卷积，并且该矩形窗口以步长Δt移动。

[0051] 其中包括均方根(RMS)、平均绝对值(MAV)、方差(VAR)和波形长度(WL)。上述特征描述算子被定义为：

[0052]

[0053] 均方根RMS测量电压数据的振幅，这也类似于标准差的计算；

[0054]

[0055] 平均绝对值MAV用于分析特征框定窗口内的电压数据的平均绝对值；

[0056]

[0057] 方差VAR用于测量电压数据的平均功率；

[0058]

[0059] 波形长度WL也称为振幅均值(MA)，用于估计两个连续的电压数据点的每个长度间隔内的波形复杂度。

[0060] 上式中，vRMS(n)表示以均方根特征描述算子计算得到的特征点，vMAV(n)表示以平均绝对值特征描述算子计算得到的特征点，vVAR(n)表示以方差特征描述算子计算得到的特征点，vWL(n)表示以波形长度特征描述算子计算得到的特征点；xi(n)表示当前特征框定窗口内时序为i的电压数据，N为单个特征框定窗口的窗口尺寸。

[0061] 由上述一种特征描述算子，或融合两种或多种的特征描述算子实现基于线性或非线性特征融合，得到相应的特征点v(n)，最终得到d维特征向量，表示为：

[0062] vn＝{v(n),v(n+1),v(n+2),…,v(n+d‑1)}。

[0063] 与原始传感器数据相比，通过各种特征描述算子进行滤波后的特征向量可以减轻信号振动，去除噪声干扰，进一步使得分类器能够获得更稳定、更精确的地形识别结果。

[0064] 在一具体实施过程中，当机器人在刚性的光滑木板上以步行速度M＝MM＝76点/步幅行走(且N＝M/2＝38，滑动步长Δt为1，即特征窗口每次滑动一个采样点)时，原始传感数据与RMS、MAV、VAR和WL四种特征波形的曲线图如图4所示。由于特征框定窗口尺寸相同，且原始输入的传感数据为周期性数据，因此，原始输入的传感数据依照四个时域特征的计算公式，在长度为N的特征框定窗口内执行卷积操作时输出产生的特征曲线也是周期性信号。

[0065] 实施例3

[0066] 本实施例应用实施例1或实施例2提出的机器人地形识别及速度控制方法，在将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别的过程中，采用SVM(支持向量机)分类器进行地形识别。

[0067] 对于资源有限的边缘移动计算平台，SVM分类器与基于深度卷积神经网络(CNN)的解决方案相比仍然具有很强的竞争力，因为它计算效率较高，但消耗更少的硬件资源，同时获得相对CNN而言具有可比拟的准确性。

[0068] 标准SVM最初是为二元分类任务而设计的，通过超平面将数据分离为两种类别中的一种或另一种类别，可以表示为：

[0069]

[0070] 其中，列向量ω＝(ω[1]，ω[2]，...，ω[d])是指垂直于分离超平面的d维权重向量，b是标量偏差， 是用于将原始特征空间映射到另一个空间以解决各种分类问题的核函数。本实施例的SVM分类器中，用于空间映射的核函数包括线性核函数、高斯核函数、多项式核函数或Sigmoid核函数，其中，高斯核函数、多项式核函数、Sigmoid核函数主要应用于非线性分类。

[0071] 本实施例为了节省硬件资源消耗，优选采用具有线性核函数的SVM分类器。线性核函数实现的是将原始传感数据自映射到特征空间，即 行向量v＝(v[1]，v[2]，...，v[d])是动态特征向量。本实施例采用的基于线性核函数的SVM分类器进行地形识别能够显著提高硬件使用效率。

[0072] 进一步地，由于原来的标准SVM本身并不支持多类分类，而人类生活环境的实际应用场景通常涉及两种以上的行走表面。也就是说，机器人在行走时，有可能需要在不同的地形之间进行切换，因而必须在多个地形之中正确识别出每一个地形。这就导致了一个多类分类问题。

[0073] 本实施例中的SVM分类器采用变换策略解决多类别的地形分类问题，所述变换策略包括OVR(One‑vs‑Rest，一对多)方法或OVO(One‑vs‑One，一对一)方法。

[0074] 其中，采用OVR方法的SVM分类器中包括m个二元SVM模型，m为预设的地形类别数量；其中每个二元SVM模型都通过用正标签标记一个类，用负标签标记其余的m‑1类进行离线训练；在测试或识别过程中，采用完成训练的m个二元SVM模型对当前输入的特征向量进行分类，选择对超平面具有最大边距的类别作为地形识别结果进行输出；其表达式如下：

[0075]

[0076] 式中，bi是第i对地形的二元SVM模型的标量偏差，列向量ωi是指第i对地形的离线训练获得的d维权值向量。

[0077] OVR方法比OVO方法需要构建更少的二元SVM模型，但OVR方法的缺陷是，若其所采用的正样本(阳性样本)的数量通常与负样本(阴性样本)的数量差异较大时，OVR可能会导致不平衡的二分类结果。

[0078] 而采用OVO方法的SVM分类器中包括m(m‑1)/2个二元SVM模型，其通过将一个m类多分类任务拆分为每对地形组合(i,j)的二元分类任务，以解决如下所示的优化问题：

[0079]

[0080]m

[0081] 式中，标签向量yk∈R是对应第k类地形的核函数 的类别，且其取值范围在于yk∈{+1,‑1}；列向量ωi,j是指对每个地形对(i,j)的离线训练获得的d维权值向量；bij是每个地形对(i,j)的二元SVM模型的标量偏差；k用于表征第k个地形类型对应的地形识别结果，且k＝1,…,m；m是地形类别数量；C是惩罚因子，ξij(k)是用于减少训练误差的松弛变量。

[0082] 在测试或识别过程中，采用OVO方法的SVM分类器从所有二元SVM模型的输出识别结果中选择具有投票数最高的类别作为当前实时输入的地形识别结果进行输出，即采用投票策略来预测测试数据的类别。当有两个相同的最大值投票数时，将该两个地形在组合成二分类器时的二分类识别结果选定为最终的识别结果；当有两个以上的相同的最大值投票数时，可以进一步做投票或者直接采用电路结构上最先计算输出的那个识别结果，或者，随机的最大值。

[0083] 在一实施例中，SVM分类器要实现正确的目标分类，需要执行训练与测试两个过程。如图5所示，为本实施例基于SVM分类器的地形识别实现方法流程示意图。其中，训练过程的主要是建立一个新的机器模型，通过该机器模型找到一个超平面，能够将两种不同类别(正标签或负标签)的对象正确区分。当获得该超平面之后，可以运用其对实时输入的在线数据进行即时分类。

[0084] 为了节省硬件资源，图5所示的实施例中的SVM分类器主要包括离线训练，离线验证和在线测试三大模块。

[0085] 其中，为了实现地形识别系统在以机器人为代表的边缘设备终端上的部署与应用，本发明实施例还进一步提供了图5中的在线测试模块的一种具体实施例。如图6所示，为本实施例的基于SVM分类器的在线地形多分类识别系统的一种具体实施架构图。其中，在线SVM分类器所需的权重向量参数与标量偏差通过离线训练模块基于离线数据集训练生成，并预存于在线测试模块中；在线测试模块部署在边缘设备终端上，比如，可编程微处理器或双足机器人的控制器中，从而实现对实际应用场景中实时输入的地形进行在线识别。

[0086] 图6所示的在线地形多分类识别系统通过安装在足型机器人足底下的压力传感器(优选膜力传感器)实时捕捉机器人在不同的地形表面上行走时的接触力的变化，将其压力传感信号转换为模拟形式的电压信号进行输出；模数转换器将该电压信号进行模数转换获得数字形式的电压信号，即时间离散的串行电压数据序列。该在线地形多分类识别系统部署在微处理器上，主要包括特征提取引擎和分类引擎。

[0087] 其中，特征提取引擎通过一个或多个特征描述算子的组合实现；优选地，特征提取引擎通过MAV或RMS特征描述算子独立地实现对输入的电压信号进行特征提取，或者，以RMS特征描述算子为核心特征、其它的一种或多种特征描述算子为辅助特征对以电压值表征的压力传感信号的特征矢量进行计算。具体地，当采用MAV特征描述算子进行压力特征信号提取时，核心器件为绝对值计算器和由多个加法器级联构成的加法树；当采用RMS特征描述算子进行压力特征信号提取时，核心器件为乘法器、由多个加法器级联构成的加法树以及开平方根操作；当采用VAR特征描述算子进行压力特征信号提取时，核心器件为乘法器和多个加法器级联构成的加法树；当采用WL特征描述算子进行压力特征信号提取时，核心器件为减法器、绝对值计算器以及由多个加法器级联构成的加法树。

[0088] 针对由特征提取引擎输出的特征矢量，本实施例通过特征筛选模块选取其中一种特征矢量作为最终的输出特征，或者，通过特征融合模块对多种特征描述算子分别计算获得特征矢量进行融合，

[0089] 对于分类引擎，其包括多个二元SVM分类器，每个二元SVM分类器的模型参数分别由两两地形组合的数据集进行离线训练所得；当机器人处于多地形变换的环境中，即在进行涉及两种以上的多地形分类识别时，所述多个二元SVM分类器基于OVO或OVR策略组建一个多分类的SVM分类器。具体地，以五种地形类别(即：地形‑A，地形‑B，地形‑C，地形‑D，地形‑E)进行多分类识别检测为例。如图6所示，对于基于OVO策略的多分类SVM分类器而言，其两两地形组合有10组，分别为{A,B}，{A,C}，{A,D}，{A,E}，{B,C}，{B,D}，{B,E}，{C,D}，{C,E}，{D,E}。每个二元SVM分类器针对当前的实时输入传感信号进行分类识别并依次输出二分类的识别结果，即类别标签yAB，yAC，yAD，yAE，yBC，yBD，yBE，yCD，yCE，yDE，然后通过选择复用器和寄存器的组合对每个二元SVM分类器的识别结果进行统计和投票，最后以投票数最多的地形类别为获胜的识别标签，并将其作为最终的识别结果进行输出。当存在有两个最大投票值时，可以将其对应的地形组合的二元SVM分类器的识别结果作为最后的识别结果；当存在有两个以上的最大投票值时，可以采用进一步的投票策略或者随机选择策略。但在本实验中并未出现过两个或两个以上的最大投票值，即对于多种不同的地形进行识别时，本发明提供的地形识别方法中出现两个或两个以上的最大投票值的情况非常少见。对于基于OVR策略组建的多分类的SVM分类器，则图6中的每个二元SVM分类器的模型参数是经过“一对多”的方式进行训练获得的，即在每一个二元SVM分类器中，选择其中一种地形为阳性样本，剩下的其他所有类别的地形为阴性样本进行模型训练；训练获得的模型参数预存于在线测试模块中的二元SVM分类器中，然后再对实时输入的地形类别进行在线识别。

[0090] 此外，本发明实施例还提供了对机器人的行走速度进行实时监控的速度检测模块。由于当机器人的行走速度改变时，机器人的一个完整步伐中的传感信号的周期长度也会发生改变，经过时域特征提取之后的压力传感信号的特征矢量的维度也将发生改变，因而调用的微处理器上的计算资源亦发生改变。因此，需要实时检测的机器人行走速度的变化，并设置维度重配置模块依据机器人行走速度重新配置传感压力信号的特征矢量的维度。

[0091] 对于图5中的离线训练模块，具体实施时，预先采集大量的传感数据，将部分数据作为训练集，另一部分非重叠传感数据作为验证集。首先，利用训练集对每两种不同地形组成的二元SVM模型进行分别训练，获得相应的训练完成的二元SVM模型；然后利用验证集检验二元SVM模型的训练情况和泛化能力。而在线测试阶段应用在实际场景中，将训练以及功能验证之后的稳定的二元SVM模型布局在可编程微处理器上。加载了模式识别功能的可编程微处理器通过连接压力传感器，在足型机器人行走过程中实时识别出当前脚底下的地形类别。

[0092] 本实施例中SVM分类器的训练、验证及测试三个过程本质上都包括特征提取和分类两个阶段。但是，每个过程所采用的数据是不相同的(通常训练、验证和测试三个过程的数据不可以重叠)。

[0093] 对于用于区分两种或多种地形的二分类器或多分类器，其在训练阶段均只需要训练二元SVM模型；在验证和测试阶段，多分类器区别与直接调用训练参数进行识别的二分类器，多分类器需要通过一定的策略(如OVO或者OVR等)下组合多个二元SVM模型实现多类地形分类的功能。然后将训练和验证之后的分类模型加载到在线识别平台(可编程微处理器)上进行实现，从而实现地形的在线实时测试。

[0094] 在一具体实施过程中，针对采用OVO方法的SVM分类器采用10折交叉验证。本实施例选取五种具有代表性的室内平面地形，包括：地形A‑光滑木板，地形B‑粗糙泡沫板，地形C‑光滑泡沫板，地形D‑厚地毯，地形E‑薄地毯。给定每种步行速度下采用250个样本数据/地形，可以组合成10种二元SVM模型。由于每种地形所对应的250个压力传感数据被平分成10个大小相同的独立子集，然后分别采用各自的9个子集作为训练集，剩下的各自的1个子集作为验证集。即，二元SVM模型在训练时使用了“9×25个正样本+9×25个负样本＝450个样本”；在验证时使用了“1×25个正样本+1×25个负样本＝50个样本”；且训练集与验证集无重叠样本。当所有二元SVM模型执行完基于当前划分的训练集和验证集的训练与验证之后，对参与训练和验证的子集进行轮换，重新执行训练和验证。即把原参与训练的一个子集抽取出来作为验证集，然后将原验证集加入到训练集当中。如此循环迭代，执行10次轮换之后将所有可能的子集组合所获得的分类结果进行平均计算，获得最终的二元SVM模型的验证结果。

[0095] 在M＝64、76和88点/步幅的三种不同步行速度下，分别对前述五种地形类型的10对可能的地形组合，使用四个单独特征描述算子分别联合二元SVM模型进行10折交叉验证，估计的二元SVM模型的性能。在三种不同的速度之下，有交叉验证结果如下表1和图7所示。

[0096] 表1 二元SVM模型在不同速度下的平均精度

[0097]

[0098] 结果表明，在所有三种速度下，大多数地形对都可以在降低召回率的情况下达到100％的最大精度。如表1所示，最大平均精度AP可以在五种情况中获得，包括：在64点/步的步行速度下的利用RMS特征描述子的{B,E}和{D,E}地形对、在64点/步的步行速度下的利用VAR特征描述子的{A,B}和{D,E}地形对、在88点/步的步行速度下的利用MAV特征描述子的{D,E}地形对。而最差平均精度AP＝70.6％出现在76点/步的步行速度下的{D,E}地形组合对。

[0099] 此外，针对每个步行速度，本实施例评估了所有10组地形对的平均AP(mAP)。最终，在有效的步行速度范围内，所有四种特征7在不同条件下的mAP结果均大于91％。其中最大mAP均通过RMS特征描述算子获得，在相应的三个步行速度(M＝64、76和88点/步)分别获得97.1％、94.4％、96.1％的最大mAP值。

[0100] 根据表1和图7可以得知，步行速度并不是二分类器性能的严格限制因素，本实施例在多种不同的步行速度下仍然可以获得较高且较为稳定的二分类结果。

[0101] 此外，实验结果表明，与其他三种时域特征相比，RMS特征描述子获得了更好的分类效果。因此，RMS可以作为单独的特征描述子用于在线测试过程，也可以通过RMS结合其他时域特征进行在线特征提取，但计算复杂度和硬件资源消耗更多。

[0102] 需要说明的是，本实施例中仅列举了采用OVO方法的SVM分类器进行地形识别的实现，但采用OVR方法的SVM分类器也是本发明的可选实现方案之一，且基于采用OVR方法的SVM分类器所需构建的二元SVM模型与OVO方法所消耗的二元SVM模型要少，即其在硬件资源消耗上相对更少。

[0103] 进一步地，采用本实施例中基于OVO方法的SVM分类器对使用单一特征描述算子进行地形识别。针对前述的五种选定地形的分类识别结果，在10折交叉验证下可以在每一折(fold)的验证结果(以76点/步幅的速度为例)如下表2～5和图8(b)所示。

[0104] 表2 采用RMS特征时每折叠的交叉验证中的召回率结果

[0105]

[0106] 表3 采用MAV特征时每折叠的交叉验证中的召回率结果

[0107]

[0108]

[0109] 表4 采用VAR特征时每折叠的交叉验证中的召回率结果

[0110]

[0111] 表5 采用WL特征时每折叠的交叉验证中的召回率结果

[0112]

[0113] 从上表可知，本实施例提供的SVM分类器在76点/步幅的步速中，最大的召回率(Max Recall)达到100％。本实施例还进一步计算了全部10折的平均召回率(Average Recall,AR)，当采用RMS特征或MAV特征时，机器人以76点/步幅的步速走在刚性的光滑木板上时可以取得最大AR值98.4％。

[0114] 进一步地，当足型机器人以不同的步行速度行走时，基于不同的特征描述算子的SVM分类器分别与每个单独的特征描述算子独立运行，分别获得如下表6所示的平均精度AP结果和图8(a)～(c)所示的平均召回率AR结果(均进行了10折交叉验证)。其中图8(a)、图8(b)、图8(c)分别为以64点/步幅、76点/步幅、88点/步幅的步速的SVM分类器获得的平均召回率示意图。

[0115] 表6 SVM分类器的10折交叉验证下的平均精度

[0116]

[0117] 其中，最大值平均精度APmax可达100％，由64点/步幅的光滑木板(地形A)基于WL特征和光滑泡沫(地形E)基于RMS特征取得；而在76p/s的速度下利用WL特征识别光滑泡沫(地形E)时，本实施例的SVM分类器取得了最差的平均精度值APmin＝71.2％。

[0118] 多分类模型的总体平均准确率(OAA)可以根据如图8所示的每个混淆矩阵对角线中ARs的平均值来计算。因此，MAV、WL、RMS和VAR特性在64p/s的速度下分别实现平均准确率为94.64％、89.28％、96.00％和92.64％。相比之下，在76p/s速度下，平均准确率分别为91.92％、86.16％、93.36％和89.12％，而MAV、WL、RMS、VAR特征在88p/s速度下，平均准确率分别为97.60％、95.92％、98.16％和94.56％。显然，采用单一特征描述算子结合基于OVO方法的SVM分类器均能够得到高准确率的地形识别结果，尤其RMS优于其他三个特征。

[0119] 进一步地，采用本实施例中基于OVO方法的SVM分类器对使用融合四种特征描述算子进行地形识别，可以结合所有特征描述算子进行获胜者表面投票，以进一步提高分类性能。其中，投票前需要统计四个特征描述算子分别结合OVO策略的m(m‑1)/2*4个二元SVM模型的所有分类结果进行评估。这意味着，分类决策是由这些m(m‑1)/2*4个二元SVM模型进行投票做出的。由于本实施例同时使用四个特征描述算子，因此一个类的可能获胜者投票范围更新为[0,16]。其中采用单一特征描述算子还是融合四个特征描述算子，在上述两种解决方案中有2个或2个以上的最大值的情况下，解决的方法同前文所述。

[0120] 本实施例得到如表7和图9所示的融合四种特征描述算子的SVM分类器识别结果及平均召回率数据。

[0121] 表7 融合四种特征描述算子的SVM分类器的识别结果

[0122]

[0123] 由图可知，融合四种特征算子组合更多的二元SVM模型进行投票时，可以获得更高的平均召回率(AR)和mAP，例如，在76点/步的速度下，图9所示的基于融合特征的识别结果给出了比图8更好的平均召回率，表7给出了相同速度下比表6更好的AP。

[0124] 实施例4

[0125] 本实施例应用实施例1或实施例2提出的机器人地形识别及速度控制方法，在将提取得到的特征向量输入经过预训练的分类器中对当前机器人行走的地形进行识别的过程中，采用kNN分类器进行地形识别，即基于kNN(k最近邻)搜索法的分类器。

[0126] 所述kNN分类器采用欧氏距离作为参考地形与实时输入地形的距离度量实现在线地形识别；其中，所述kNN分类器内预设有机器人行走在多种不同的参考地形时提取的特征向量。

[0127] 在识别过程中，所述kNN分类器将当前实时输入的电压数据对应的特征向量FVin(i)与每个参考地形的特征向量FVref_j(i)进行比较，分别计算出二者的欧氏距离Dist；其表达式如下：

[0128]

[0129] 其中，FVref_j(i)为第j类参考地形通过特征描述算子计算获得的特征向量的第i维的特征值；FVin(i)为实时输入地形通过对应的特征描述算子计算获得的特征向量的第i维特征值；d为特征向量的维度。

[0130] 所述kNN分类器通过比较当前实时输入的电压数据对应的特征向量FVin(i)与每个参考地形的特征向量FVref_j(i)的欧氏距离大小，得到与当前机器人行走的地形距离最接近的k个参考地形样本，并从中选择表示数最多的参考地形样本对应的类作为地形识别结果进行输出。

[0131] 为了便于硬件实现以及节省硬件资源消耗，可以将欧氏距离做平方计算，再进行距离的比较。

[0132] 此外，参考地形的压力传感数据可以预先进行特征描述之后，将其对应的特征值进行预存储。

[0133] 进一步地，所述kNN分类器采用1‑NN分类器或基于OVO策略的kNN分类器。

[0134] 其中，所述kNN分类器采用1‑NN分类器时，在地形识别过程中，所述kNN分类器取与当前实时输入的电压数据对应的特征向量FVin(i)的欧氏距离最短的1个参考地形样本，并将其对应的类作为地形识别结果进行输出。

[0135] 所述kNN分类器采用基于OVO策略的kNN分类器时，在地形识别过程中，所述kNN分类器分别对两两组合的地形(i,j)进行二分类，并通过统计kNN分类器中每个二元kNN分类模型的识别结果，采用投票数最多的参考地形作为地形识别结果进行输出。当有两个相同的最大值投票数时，根据该两个地形的二分类识别结果选定最终的识别结果；当有两个以上的相同的最大值投票数时，可以进一步做投票或者直接采用电路结构上最先计算输出的那个识别结果，或者，随机的最大值。

[0136] 图10为本实施例的基于kNN多分类器的在线地形识别系统的一个具体实施架构图。其中，在该实施过程中，本实施例采用kNN多分类器的在线地形识别实现过程与SVM的实现过程类似，特征提取过程是可以完全相同的，因此不再赘述。kNN分类器先为每一种地形类别选取一种对应的参考样本(reference)，并为每种参考地形样本进行按照选定的特征描述算子进行计算，获得每一种参考地形样本的特征向量FVref_j(i)，然后再采用欧氏距离进行近似性度量，计算从实时输入电压数据中提取到的特征向量FVin(i)到每个选定的参考地形样本对应的特征向量FVref_j(i)之间的距离，最后将距离最小的参考地形样本选定为当前输入传感信号所对应的地形的类别。kNN分类器找到与输入模式最接近的k个参考模式，并根据最近的k个参考模式中表示数最多的类来确定该输入模式最终识别的类。

[0137] 如图10所示，在采用kNN分类器进行在线的多地形分类识别时，核心器件包括特征提取引擎以及并行架构的距离计算单元；实时检测的压力传感信号经过特征提取引擎获得的输入特征数据流经过特征筛选模块或特征融合模块后通过多个并行距离计算单元，计算出当前输入的特征数据流分别与不同的参考地形样本的欧氏距离。例如，在线的微处理器在寄存器上预存有n个参考地形样本的特征矢量refn且每一维特征值分别存储在流水线架构上的寄存器中；实时输入的第i组传感信号的特征数据流{vi[1]，vi[2]，…，vi[d]}依次与流水线架构上的寄存器中的参考地形样本的特征值按照欧氏距离计算公式执行计算操作，核心硬件计算单元是级联结构的减法器、乘法器与加法器。需要说明的是，为了简化欧氏距离的计算，本发明实施例直接计算欧氏距离的平方值，以避免复杂的开方操作。在计算出当前实时输入的传感信号与各个参考地形样本的欧氏距离之后，选取最小的距离值所对应的参考地形样本的类别标签作为实时输入的地形类别的识别结果。

[0138] 在一实施例中，考虑到在足型机器人的在线地形识别过程中，对突发情况的响应速度必须要足够快，因此，尽可能简单、快速、准确的计算方法是本发明的主要目标。因此，考虑到实时输出在线识别结果的需要，在kNN识别模型中，优选采用k＝1以减少处理时间，即采用1‑NN分类器，通过计算选定与输入地形最近的1个参考地形样本作为识别结果。

[0139] 为了验证kNN的多分类性能，本实施例使用一对多，也称为“一对所有”(One vs All，简称为OVA)方法，通过对每一个独立的地形分别提取150个验证样本和25个测试样本，独立使用前述的各种特征描述算子，对基于OVA方案的kNN模型(k＝1,3,5,7,9,11)的性能进行验证估计。对五个地形的分类性能进行评估，并将kNN模型(k＝1,3,5,7,9,11)中各个地形类别可以取得的最大召回率(max recall)构成图11所示的混淆矩阵。

[0140] 混淆矩阵可以通过来自每个实际输入类i(即行走表面)的测试样本在所有类j上的比例分类分布pi,j，给出了特征描述算子的分类灵敏度的可视化效果。特别地，混淆矩阵的每一行i都列出了一个实际测试类在所有可能的识别输出类上的概率分布。混淆矩阵的对角线上的最大比值pi,j(i＝j)是基于OVA的kNN多分类模型在k<12，且k为奇数的所有情况下的最大召回率(即最大真阳性率)。结合kNN(k<12)多分类模型后，光滑泡沫地形在四个特征描述算子下获得的分类最大召回率分别是RMS：96％，MA：96％，MAV：100％，VAR：100％。

[0141] 进一步地，对于kNN分类器，同样可以结合多个特征描述算子以提高识别效果。每个特征描述算子分别与一个独立的kNN分类器进行结合，当任意一个kNN多分类器对当前输入的地形类别识别为阳性(positive)时，则认为当前输入地形为阳性。这样，可以获得如图12所示的混淆矩阵结果及如下表8所示的分类精度比较结果。

[0142] 表8 分类精度比较结果

[0143]

[0144] 本实施例中使用了25个步幅样本测量每个表面的模型性能。与采用单独的特征描述算子的解决方案相比，各测试表面的组合召回率都有了显著提高(光滑木板：92％，粗糙泡沫：80％，光滑泡沫：100％；粗糙地毯：96％，光滑地毯：84％)。混淆矩阵的对角线值远高于每行中其他表面的非对角线值，因此使得组合特征描述符模型更容易区分正确的表面和其他负表面，具有较高的灵敏度。组合特征下的基于OVA的kNN分类器在对5类地形进行分类的总体准确率(overall accuracy)约为90.4％。此外，根据表5中列出的分类精度比较结果可知，在组合特征描述算法下的识别精度(precision)得到显著提高。其中，平均精度(AP)达到91.49％。

[0145] 此外，也可以采用如同SVM多分类器的构建方式，基于OVO或者OVR等方式融合多个kNN二分类器，并结合四个不同特征描述算子进行合力投票，通过增大投票总量来提高正确选出最大投票数的几率，从而获得更优的分类精度。

[0146] 实施例5

[0147] 本实施例提出一种机器人地形识别及速度控制系统，应用于实施例1～4任一提出的机器人地形识别及速度控制方法。如图13所示，为本实施例的机器人地形识别及速度控制系统的架构图。

[0148] 本实施例提出的机器人地形识别及速度控制系统中，包括足型机器人，所述足型机器人双足足底分别设置有压力传感器；所述足型机器人内部设置有依次连接的地形识别模块、选通电路和控制模块。

[0149] 本实施例中的地形识别模块包括依次连接的模/数转换器、特征提取单元和分类单元；其中，所述模/数转换器的输入端与所述压力传感器的输出端连接，用于采集压力传感信号并进行模数转换，得到相应的电压数据；所述特征提取单元用于将所述电压数据基于时域进行特征提取，得到当前地形的特征向量；所述分类单元用于根据当前提取得到的特征向量对当前足型机器人行走的地形进行识别，得到地形识别结果。

[0150] 本实施例中的选通电路用于将地形识别模块输出的地形识别结果转换为反馈信号并输入控制模块中。

[0151] 本实施例中的控制模块与设置在足型机器人身上的伺服电机连接；所述控制模块用于根据经选通电路输入的反馈信号，按照预设的行为姿态参数，向设置在足型机器人身上各个位置的目标伺服电机发送控制信号，对足型机器人各个部件的旋转角度和旋转速度进行控制，进而实现对足型机器人的姿态及行走速度进行控制。

[0152] 进一步地，在一实施例中，选通电路包括决策电路、数模转换器和滤波与放大电路。如图14所示，为本实施例的选通电路的结构示意图。

[0153] 其中，决策电路包括一个设置在选通电路输入端的解复用器，用于将地形识别结果通过对应的路径传输到数模转换器；以及一个设置在选通电路输出端的多路复用器，用于为所述控制模块选择正确的反馈信号。所述数模转换器用于将地形识别结果转换为PWM(脉冲宽度调制)信号，此时PWM信号较弱，难以区分代表不同识别结果的PWM信号的差异，因而将其接入一个滤波与放大电路来放大较弱的PWM信号，以更好地区分代表通过模式识别引擎预测获得的地形的类别。滤波与放大电路的输出端与所述多路复用器的输入端连接，通过多路复用器将放大的PWM信号发送到足型机器人控制器，进一步实现进行对足型机器人步行速度的反馈控制。

[0154] 本实施例中的选通电路的主要目的是进一步扩大每个地形类别的标签信号的振幅差异，以便这些信号在足型机器人控制进行速度控制时易于识别。

[0155] 在一具体实施过程中，采用原日本近藤科学公司的Kondo KHR‑3HV足型机器人，其主要由17个伺服电机和一个在RCB‑4HV板上实现的机器人控制器构成。所需的机器人运动是由安装在主计算机上的特定软件工具，设计对应不同机器人动作姿态的ASMF(application specific motion file，运动专用程序文件)。然后，将整个机器人运动的设置参数通过COM端口以最大1.25Mbps的通信速度加载到Kondo KHR‑3HV自带的机器人控制器上。需要说明的是，该足型机器人仅为本发明在实验中的一个具体实施例；本发明并未限定地形识别系统所适用的足型机器人的类别及其功能特征。

[0156] 当机器人控制器接收到经识别模块及选通电路传输的地形识别结果之后，通过比较判断该地形的类别，并为不同的地形类别配置相应的行走速度。

[0157] 进一步地，本实施例在Kondo KHR‑3HV足型机器人的每只足底贴合设置有低成本、超薄且速度敏感的压力传感器或传感阵列。根据不同的足部大小，可以选用不同感应面积2
的传感阵列。在本实施例中，压力传感器的有效面积为39.6mm ，已覆盖单只机器人足部中部的大部分核心面积。由于惯性和重力效应，在足型机器人运动过程中，作用力将发生变化。压力传感信号作为系统的输入信号被模/数转换器转换为0V～5V范围内的振荡电压信号。

[0158] 机器人的“脚‑地”接触力通过压力传感器可以采集输出相应的模拟电压信号。为了将该模拟电压信号转换为数字信号，以便于计算处理，本实施例通过Arduino开发板上的A/D转换器，以Ts＝50毫秒/点的固定采样率(即采样频率为fsamp＝20Hz)对压力传感器输出的模拟电压信号进行采样，将其转换为离散时间序列数据。

[0159] 本实施例中的地形识别模块选用Arduino Uno开发板作为可编程微处理器，用于对传感数据的数据预处理、传感数据采集、特征提取以及识别分类。

[0160] 此外，所述地形识别模块中的分类单元选用SVM与kNN两种实现方式，其中两种实现方式配置有维度重配置单元，用于适应不同步行速度下输入的电压数据经过特征提取过程之后的维度的变化，在检测到机器人步行速度改变时，及时将流水线宽度加长或者缩短，以对应每一个维度的数据正确写入流水线上相应的寄存器上。

[0161] 附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

[0162] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。