《多維觸覺信息感知的特徵提取及接觸模式識別研究》是依託武漢理工大學，由吳皓瑩擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：多維觸覺信息感知的特徵提取及接觸模式識別研究
- 項目類別：青年科學基金項目
- 項目負責人：吳皓瑩
- 依託單位：武漢理工大學
項目摘要,結題摘要,
項目摘要
該項目以提高機器人在複雜環境下安全、靈活、準確地完成任務的能力為研究目標，圍繞基於觸覺感知技術的多維觸覺信號的特徵參數提取機制和基於這些特徵參數的三維接觸模式識別性能影響機理這兩個科學問題，採用理論和實驗相結合的研究方法，通過建立觸覺的時域和空間改變與各種接觸狀態特徵提取方面的關聯模型，準確客觀地提取特徵參數；通過引入計算智慧型工具，深入挖掘觸覺數據中的隱藏信息，提出和改進適用於三維接觸模式識別的分類算法，以提高人機互動系統三維接觸模式識別的準確性、魯棒性和實時性；通過建立基於三維光纖觸覺感測陣列的觸覺感知實驗平台對兩個科學問題研究進行實驗驗證。該項目研究將為面向生活輔助和醫療康復的人機互動機器人研發提供理論基礎，在應對我國人口結構老齡化所引起的社會問題方面具有廣泛的套用前景和重要的社會意義。
結題摘要
本項目以提高機器人安全、靈活、準確地完成任務的能力為研究目標，圍繞基於觸覺感知技術的多維觸覺信號的特徵參數提取機制和基於這些特徵參數的三維觸覺模式識別的分類算法這兩個基本科學問題，採用理論和實驗相結合的研究方法，通過建立觸覺的時域和空間改變與各種接觸狀態特徵提取方面的關聯模型，正確提取特徵參數；通過引入計算智慧型工具，深入挖掘觸覺數據中的隱藏信息，提出和改進適用於三維接觸模式識別的分類算法，以提高人機互動系統多維觸覺模式識別的準確性、魯棒性和實時性。主要研究內容如下： 1. 進行了基於靜態數據的常規分類算法比較研究，實驗表明線性常規分類算法SVM具有性能優勢，同時研究發現PCA在提取關聯特徵時會產生信息缺損並導致分類正確率下降。 2. 針對數據的時域特徵，進一步的研究表明Sequential Forward Feature Selection (SFFS)可以有效提取時空關聯數據的時域特徵，避免了重要的非線性關聯信息的缺損，該方法優於PCA，但沒有結合考慮數據的空間域特徵。在分類算法上，研究了多種常規分類算法的組合最佳化及其性能，具體將Quadratic SVM (QSVM) 與 AdaBoost Tree相結合，結合機制上採用格線尋優算法，實驗數據表明分類性能普遍有所提高。 3. 基於接觸模式變換的動態數據，課題組採用深度學習領域的卷積神經網路CNN，客觀提取非線性時空數據的關聯特徵，該方法明顯優於適合線性特徵提取的PCA，以及人為主觀提取時域特徵的SFFS，可以避免人工選取時域特徵的主觀性，又規避了非線性時空關聯信息割裂和缺損，而在最後已經是線性空間的全連結層，採用SVM進行線性分類，又可以進一步提高分類正確率。實驗表明，該方法在混合數據的分類準確率可達91.19%，明顯優於前述的其它方法包括Adaboost，較好實現了人機互動系統多維觸覺模式識別的準確性、魯棒性和實時性。 本項目研究將為面向生活輔助和醫療康復的人機互動機器人研發提供理論基礎，在應對我國人口結構老齡化所引起的社會問題方面具有廣泛的套用前景和重要的社會意義。
