技术摘要：
本发明公开一种用于轮式移动机器人的室外地形分类方法，包括如下步骤：采集移动机器人在不同地形上运动时的动态车轮力信号；采用自回归滑动平均模型将车轮力信号进行时间序列建模；对该时间序列模型进行特征参数的提取，整理得到特征矩阵；将特征矩阵作为输入，地面类  全部
背景技术：
移动机器人在室外未知地面场景工作时如用于行星探测、野外侦察、环境监测等 会遇到各种地形。与室内或结构化道路等环境不同，野外场景地形-地面多样性且复杂，使 得机器人易遇到障碍、阻拦或发生沉陷、滑转等无法安全通过或处于危险的情况。因此，机 器人能否对其所处的地形环境进行准确分类，是机器人能否实现自主移动、进行判断调整， 进而实现避障或越障的关键性因素。 现有移动机器人的地形分类方法集中于采用“视觉传感器或激光雷达”的地面识 别，能够识别地形上的石块、陡坡，进而检测到沟壑、上坡、下坡等不同的地形。例如 201510213891.3公开了一种基于三目视觉系统的地形分类方法、201510176633.2公开了一 种基于多元线阵激光雷达的模拟月表地形的识别方法；201810599988、201910451893.4以 及201910130247.8均是基于视觉的移动机器人地形分类方法。这些方法能够使机器人识别 到地表的几何形状，进而避开危害或危险的地形，但它们在面对“非几何危害”(如穿越松软 的沙地、泥泞、滩涂等)时仍会发生沉陷、滑转等危险情况；同时，视觉的识别方法又容易受 到光线、遮挡、以及夜间行驶等干扰问题。 为了弥补上述问题，201811066546 .1还公开了一种基于振动信号的地形分类方 法，CN201811119967.6也公开了一种基于视觉和振动信号协同识别的地形分类方法。然而， 利用装在机器人上的振动传感器在并不能真正地测量到机器人车轮与地面的相互作用和 接触关系。理论上，机器人车能够运动是车轮与地面相互作用力的结果，车轮与地面接触而 相互作用产生的实时动态力信息，能更好地反映“非几何危害”的地面情况，进而在有限监 督的情况下，使得机器人自治自主的对当前地面进行“感知”，进而对地形进行分类，并采取 与地形相适应的的驾驶风格，安全有效的通过。
技术实现要素：
为了解决上述问题，本发明提供了一种用于轮式移动机器人的室外地形分类方 法，该方法通过获取移动机器人在不同地面运动时的动态的车轮力和力矩信号，提取其地 形特征信息并进行分类器训练，进而利用分类器实现机器人对“非几何危害”地形在线识 别，做到更加准确的地形分类。 为解决上述技术问题，本发明采取的技术方案为： 一种用于轮式移动机器人的室外地形分类方法，包括如下步骤： 步骤1、数据采集 离线采集移动机器人在地面类型i中运动时的车轮j所测量的动态力信号，记t时 刻的三轴车轮力为 其中t＝1，2，...，n，n为所采集的数据的序 5 CN 111598142 A 说　明　书 2/8 页 列长度，上标x、y、z分别表示三个方向轴； 步骤2、信号建模 采用自回归滑动平均模型(Auto  Regressive  Moving  Average  Model，ARMA)将步 骤1中每个方向的车轮力信号f(t)进行时间序列建模，得到序列自回归参数 和滑动平均参数{θ1，θ2，...，θq}； 步骤3、特征提取 对步骤2中所建立的车轮力信号f(t)的ARMA模型进行特征参数的提取，得到特征 参数矩阵X(i)，new； 步骤4、训练学习 将特征矩阵X(i)，new作为输入，对应的地面类型i作为标签，整理为完整的训练集， 即X (1)，new (2)，new (i)，newtrain＝{(X ，1)，(X ，2)，...，(X ，i)}，该训练集经归一化处理后，直接送入 一个浅层的人工神经网络模型进行训练学习，可得最终的分类器模型Net； 步骤5、在线识别 将步骤4训练得到的分类器Net写入机器人主控制程序，当机器人在新的未知地面 上运动时，每经过一段时间长度n，将采集到的数据依次送入步骤2和步骤3，然后将提取后 的特征数据送入分类器Net，此时Net将给出此时移动机器人当前状态下的地形类别，实现地 形的在线分类。 作为改进的是，步骤1中采集动态力信号时，采用一对车轮力传感器左右对称安装 于移动机器人的两个驱动轮上，每个车轮力传感器均为一体式的车轮结构，能实现车轮与 地面接触的三维动态力测量，即每个车轮本地坐标系下的x、y、z方向的纵向力fx、侧向力fy、 垂向力fz。 作为改进的是，步骤2中所述车轮力信号f(t)进行时间序列建模的步骤如下： 步骤2.1，选取f(t)中长度为Iength的连续平滑的数据f(k)作为样本，并进行一次 差分，即 x(k)＝f(k 1)-f(k)   (1) 其中，选取数据的长度取值0.75n≤length≤n，x(k)为差分后的结果，k表示时间 序列序号，即k＝τ，τ 1，τ 2，...，τ length-1，τ为序列点k的起始点，且τ∈[1，n-length- 1]； 步骤2.2，对步骤2.1中的x(k)取零均值化，得到平稳时间序列x′(k)，记作 其中 此时k＝τ，τ 1，τ 2，...，τ length-2； 步骤2.3，根据步骤2.2得到的零均值平稳时间序列x′(k)，给出其所对应的ARMA模 型，可写为 记作ARMA(p，q)，其中p和q为正整数的模型阶数， 为自回归参 6 CN 111598142 A 说　明　书 3/8 页 数， 为滑动平均参数，序列{ε(k)，ε(k-1)，...，ε(k-q)}称为残差序列； 步骤2.4，设x′(k)的方差为σ2，当ARMA(p，q)模型正确揭示x′(k)的结构和规律时， {ε(k)，ε(k-1)，...，ε(k-q)}为均值为0和方差为σ2的白噪声，根据该准则可确定步骤2.3中 ARMA模型的阶数p和q； 步骤2.5，采用最小池信息准则(Akaike  Information  Criterion，AIC)来进一步 验证ARMA模型的阶数p和q，然后利用最小二乘法求解该模型，最终得到序列自回归参数 和滑动平均参数{θ1，θ2，...，θq}。 作为进一步改进的是，步骤2中的ARMA(p，q)模型建立时，子步骤2.4和2.5中x′(k) 所对应的ARMA模型的阶数采用如下规则进行识别：若平稳序列的偏相关系数是p步截尾的， 而自相关系数是逐步衰减不截尾的，则序列适合AR(p)模型；若平稳序列的自相关系数是q 步截尾的，而偏相关系数是逐步衰减而不截尾的，则序列适合MA(q)模型；若平稳序列的偏 向管系数是p步截尾，自相关系数是q步截尾的，则序列适合ARMA(p，q)模型。 作为优选的是，步骤3的具体步骤如下： 步骤3.1，改变步骤2.1中选取的原信号f(k)的数据长度值Iength，重复步骤2.2到 2.4的步骤，求解获得不同Iength下的ARMA模型； 步骤3.2，选取步骤3.1中ARMA模型中残差ε(k)最小的序列对应的模型参数，将其 整理为矩阵形式，即移动机器人在地形i上运动时的特征矩阵X(i)， 其中，params表示对变量f进行特征提取的自定义函数，采用行列数下标的形式来 进行矩阵注释，此时X(i)为3行m列的矩阵，可记作 其中列数m＝j*(p q)，表征特征矩 阵X(i)的维数 步骤3.3，采用主成分分析法对步骤3.2提取的特征矩阵X(i)进行降维，可表示为 其中，X(i)，new为降维后形成的3行r列的新特征矩阵，r表示降维后维数或称之为主 成分轴的个数， 为主成分系数矩阵。 进一步改进的是，子步骤3.3的主成分系数矩阵 为采用奇异值分解方法进行 求解，即对协方差矩阵XTX进行分解并取最大的r个特征向量而得到的右奇异矩阵。 作为改进的是，步骤4中所述的数据归一化处理采用min-max算法，计算公式为 其中，Xmin表示特征集Xtrain中所有元素的最小值，Xmax为特征集Xtrain中所有元素的 的最大值，式(6)可将特征集合Xtrain映射成在区间[0，1]中的标准值Xnorm。 进一步改进的是，步骤4的浅层神经网络选用反馈神经网络(Back  Propagation  7 CN 111598142 A 说　明　书 4/8 页 Neural  Network，BPNN)作为训练的分类器，所述浅层神经网络选用反馈神经网络由输入 层、隐含层、输出层组成的神经网络，隐含层单元数为10。 作为改进的是，步骤5所述的分类器Net在机器人主控制程序中使用时，为了降低计 算消耗和提高识别速度，设定当机器人经历一段t＞6n的时间长度进行一次更新：更新时， 将当前最近的时间窗口n的一段数据重新依次送入步骤2、步骤3、步骤4，将步骤2中求解后 的ARMA模型参数、步骤3的主成分系数、步骤4的模型Net在后台进行更新；更新后，在随后的 剩余5个时间窗口n的长度内数据，可直接利用以获取的参数和模型进行当前行驶地形的识 别，以提高效率。 本发明所述的轮式移动机器人(Wheeled  Mobile  Robot，WMR)是指采用轮式驱动 的地面移动机器人，如星球探测车、巡检探测平台、无人越野车辆等，也可应用于类似轮式 驱动的履带式机器人。所述的室外地形是指机器人野外行驶中的‘非几何危害’的松软地 形，包括泥泞、滩涂、沙地、草地或雪地。 有益效果： 与现有技术相比，本发明一种用于轮式移动机器人的室外地形分类方法，该方法 通过获取移动机器人在不同地面运动时的车轮力信号，提取车轮与地面作用的力觉特征信 息，建立当前或接近区域的地形分类器，实现移动机器人的室外地形分类。该方法能够有效 的解决移动机器人行驶中“非几何危害”(如穿越松软的沙地、泥泞、滩涂等)地形的识别，进 而实现更好地机器人避障和地形穿越，特别是在视觉和雷达识别方法失效的情况下(如光 线、灰尘、夜间行驶)，做到更加准确的地形分类。 附图说明 图1为本发明步骤1的算法的整体框架； 图2为本发明步骤2的ARMA建模方法及其子步骤； 图3为本发明步骤3的特征提取方法的子步骤； 图4为四种地形的分类器训练的混淆矩阵示例； 图5为移动机器人实测的在线分类结果示例。