室外未知環(huán)境下的AGV地貌主動(dòng)探索感知

張威，葛泉波，劉華平，孫富春

（1. 上海海事大學(xué) 物流工程學(xué)院，上海 201306; 2. 同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 201804; 3. 清華大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)系 ，北京 100084）

移動(dòng)機(jī)器人行駛在復(fù)雜的環(huán)境中，如：火星和月球表面、火災(zāi)和戰(zhàn)爭現(xiàn)場等，在這些危險(xiǎn)地帶或者是遙遠(yuǎn)的不適合遠(yuǎn)程控制的時(shí)候[1-2]，機(jī)器人若能夠擁有像人類一樣不僅和地面進(jìn)行振動(dòng)式的接觸，而且能夠感知到并且有目的選擇運(yùn)動(dòng)的方式，通過探索性的過程，自主增強(qiáng)感知正在行駛或者即將行駛在正發(fā)生著變化的地面類型上，可靠、高效的地貌感知系統(tǒng)能夠準(zhǔn)確地讓移動(dòng)機(jī)器人探索出地面的幾何特性和非幾何特性[3]，這很大程度上決定著移動(dòng)機(jī)器人的自主移動(dòng)性，甚至是后期的任務(wù)是否圓滿完成。

當(dāng)前，許多專家學(xué)者已經(jīng)對多種傳感器的地形分類做了研究，研究最多的是基于視覺[4-8]、雷達(dá)[9-10]、觸覺[11]以及多傳感器融合[12-15]的地貌分類方法，視覺最容易受到外部光線的干擾，雷達(dá)也會(huì)因?yàn)樘鞖獾挠绊懚?，小型移?dòng)機(jī)器人會(huì)受到自身體積和空間的限制，搭載太多的設(shè)備會(huì)存在困難；最早在2002年麻省理工學(xué)院的Iagnemma等[16-18]提出利用振動(dòng)信號的特征對地面進(jìn)行分類，這相比于傳統(tǒng)的基于激光雷達(dá)或者是視覺技術(shù)鏡像的感官方法能夠有效地避免幾何危害[19]，但是很大程度上易受到光照和地面遮蓋物的干擾，嚴(yán)重影響到對非幾何危害的識別能力[20-22]。盡管基于振動(dòng)的方法能夠感知地面承載層的信息，但一直以來機(jī)器人僅僅被動(dòng)地收集振動(dòng)傳感器反饋得到的信號作為地形識別的依據(jù)，再對獲取的大量信號采取適當(dāng)?shù)姆椒ㄟM(jìn)行特征表達(dá)，常用到的是時(shí)域分析法和頻域分析法[23-24]提取對應(yīng)地貌特征信息，盡管其中的一些方法可以獲得準(zhǔn)確的地形環(huán)境特征，但是大量的數(shù)據(jù)處理起來很繁重，需要的訓(xùn)練樣本集龐大，此外，移動(dòng)機(jī)器人以不同速度或者不同的運(yùn)動(dòng)方式行駛時(shí)，對所得到的分類影響也不小[25-26]，但是這也反應(yīng)出移動(dòng)機(jī)器人對于某種地貌下的低水平和高水平識別的運(yùn)動(dòng)方式；隨著人工智能的不斷發(fā)展，傳統(tǒng)的機(jī)器學(xué)習(xí)分類方法[28]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)和無監(jiān)督學(xué)習(xí)[29-30]的智能算法更多地被用于地貌識別，這些用于地貌的硬分類機(jī)器學(xué)習(xí)算法是對單個(gè)特征樣本進(jìn)行所屬地面類型的識別，對于連續(xù)觀測樣本之間的時(shí)間相關(guān)性是不考慮的。

所以在本文中，提出了一種新穎的地貌探測識別方法，它允許移動(dòng)機(jī)器人自主地探索在某種地貌上感興趣的運(yùn)動(dòng)方式，從而可以獲得更好的信息改善感知，本文的方法是由一種振動(dòng)感知的貝葉斯公式和主動(dòng)的運(yùn)動(dòng)探索策略組成，貝葉斯公式和動(dòng)作順序分析方法允許機(jī)器人自主地積累證據(jù)并做出正在探索地貌類別的運(yùn)動(dòng)動(dòng)作決定，這種主動(dòng)的運(yùn)動(dòng)策略有目的的使移動(dòng)機(jī)器人選擇低水平或者高水平識別所處地貌的運(yùn)動(dòng)方式。

1 移動(dòng)機(jī)器人主動(dòng)地貌識別問題描述

本文以Autolabor Pro 1移動(dòng)機(jī)器人基礎(chǔ)平臺設(shè)計(jì)了主動(dòng)地貌感知方法，整個(gè)主動(dòng)地貌識別系統(tǒng)如圖1所示。

圖1 主動(dòng)地貌探索感知Fig. 1 Active landscape exploration perception

其中，移動(dòng)機(jī)器人身處未知地形之中，只有一種位于車底盤附近，靠近地面位置的三軸振動(dòng)傳感器負(fù)責(zé)感知與未知地面交互產(chǎn)生的振動(dòng)信息，在此情況下，并不能可視周圍地貌狀況，所以也不會(huì)有太大的動(dòng)作范圍感知所處的地形，這樣只能通過選擇自身的不同運(yùn)動(dòng)狀態(tài)，在一個(gè)較小的運(yùn)動(dòng)范圍快速感知所處的地貌。然而，常規(guī)的地貌識別在觀測噪聲較大、有遮擋、光線條件不足等復(fù)雜場景下對于目標(biāo)跟蹤預(yù)測表現(xiàn)得并不是很優(yōu)秀。

本文研究的地面識別方法是在對外界環(huán)境不明確的狀況下，移動(dòng)機(jī)器人系統(tǒng)選擇一套高效的運(yùn)動(dòng)狀態(tài)快速感知所處地貌，將主動(dòng)感知的方法運(yùn)用于基于振動(dòng)信號的移動(dòng)機(jī)器人地貌分類實(shí)驗(yàn)中，使得移動(dòng)機(jī)器人可獲得更多有利信息，減少地貌識別中的不確定性；貝葉斯方法和主動(dòng)探索行為相結(jié)合應(yīng)用于14種地貌分類實(shí)驗(yàn)中，不需要訓(xùn)練模型，計(jì)算量少。

2 主動(dòng)感知算法描述

概率模型在開發(fā)機(jī)器人的應(yīng)用中提供了一種有效的方法，例如移動(dòng)機(jī)器人通過與環(huán)境的交互來感知和學(xué)習(xí)。在本文的研究中使用貝葉斯公式并結(jié)合序列分析方法，利用移動(dòng)機(jī)器人的運(yùn)動(dòng)方式和振動(dòng)信息，為地貌類別的感知和探索提供了一個(gè)精確的框架。貝葉斯主動(dòng)感知系統(tǒng)如圖2所示，主要由3個(gè)部分組成：物理層面、感知層面和決策層面。在物理層面包含機(jī)?地交互振動(dòng)數(shù)據(jù)采集和數(shù)據(jù)預(yù)處理；接下來的感知層是利用貝葉斯公式處理分析，這個(gè)過程迭代地積累證據(jù)直到超過信念閾值；最終，決策層評估每個(gè)探索動(dòng)作的后驗(yàn)概率，以評估是否需要更多的傳感器測量或有足夠的信息來作出決定，其中總的探索動(dòng)作設(shè)定為10種，具體運(yùn)動(dòng)方式命名如下：左轉(zhuǎn)彎(LT)、右轉(zhuǎn)彎(RT)、0.2 m/s前進(jìn)(LSF)、0.4 m/s前進(jìn)(MSF)、0.6 m/s前進(jìn)(MHSF)、0.8 m/s前進(jìn)(HSF)、0.2 m/s后退(LSB)、0.4 m/s后退(MSB)、0.6 m/s后退(MHSB)、0.8 m/s后退(HSB)。

2.1 貝葉斯振動(dòng)感知

概率模型為開發(fā)機(jī)器人領(lǐng)域的魯棒應(yīng)用提供了一種靈活的方法，以貝葉斯方法為基礎(chǔ)，構(gòu)建地貌知識庫相對于觀測特征集的后驗(yàn)概率，并據(jù)此建立觀測特征集與已編目地貌相似程度的度量。

2.1.1 構(gòu)建貝葉斯振動(dòng)感知概率模型

貝葉斯概率公式從先驗(yàn)概率和似然的乘積遞歸地估計(jì)后驗(yàn)概率，采用信念閾值交叉分析的序列分析方法，控制地貌識別過程的自動(dòng)停止，貝葉斯方法為

式中：要被評估的對象地貌類別用sn∈n=1,2,…,N(N=14)定義；探索時(shí)間t是移動(dòng)機(jī)器人與每種地貌交互時(shí)所進(jìn)行動(dòng)作的順序；zt代表著觀測值，而對于每一個(gè)地貌類別，zt分別是由相應(yīng)探索時(shí)間t收集的交互振動(dòng)信號組成；P(sn|zt) 是后驗(yàn)概率；P(sn|zt?1) 和P(zt|sn) 分別是探索時(shí)間t時(shí)的先驗(yàn)概率和似然概率密度，只有t＞0，才有在探索時(shí)間t?1時(shí)的后驗(yàn)概率對先驗(yàn)概率進(jìn)行更新；邊緣概率P(zt|zt?1) 需要在[0,1]做適當(dāng)?shù)臍w一化處理。

圖2 貝葉斯主動(dòng)感知系統(tǒng)Fig. 2 Bayesian active perception system

2.1.2 先驗(yàn)概率

假設(shè)所有被探索的實(shí)驗(yàn)對象初始都符合均勻分布的先驗(yàn)概率密度。目標(biāo)探索過程的初始先驗(yàn)概率定義為

式中：sn代表著地貌類別；z0則代表著在t=0初始狀態(tài)感知的交互振動(dòng)；N代表著用于探索的測試對象的數(shù)量。

2.1.3 測量模型和似然概率評估

交互振動(dòng)信號由安裝在移動(dòng)機(jī)器人底盤靠近車輪附近的三軸振動(dòng)傳感器感知得到，利用這些信號建立了基于直方圖的非參數(shù)測量模型，Martinez-Hernandez等[31]也做過類似的工作，直方圖可以清楚地顯示在探索時(shí)間t處評估每個(gè)觀察zt的分布情況，并估算感知地貌類別sn的似然概率，測量模型為

式中：b表示直方圖間隔數(shù)；hv,n(b) 表示對應(yīng)地貌類別sn的訓(xùn)練樣本數(shù)據(jù)分布在直方圖b中的樣本計(jì)數(shù)。將采集的數(shù)據(jù)最大值和最小值之間劃分成Nbins個(gè)間隔，均勻地構(gòu)造直方圖，Pv(b|sn) 最終被歸一化為總和是1的概率。

通過上述評估方程對所有訓(xùn)練樣本進(jìn)行評估，探索t時(shí)刻交互振動(dòng)觀測值zt的可能性為

式中：dv(j) 表示傳感器采集的樣本；P(zt|sn) 是給定感知地貌類別sn的觀測值zt的可能性。使用基于先前探索t=1觀測結(jié)果的邊際概率，確保正確的歸一化值為

2.1.4 主動(dòng)地貌識別停止決策

當(dāng)貝葉斯更新過程的證據(jù)積累到超過了設(shè)定的置信閾值，主動(dòng)探索過程就會(huì)停止，地貌感知類別是由最大后驗(yàn)估計(jì)得到的，表達(dá)為當(dāng)任何P(sn|zt)>βthreshold時(shí)，sˉ=argmaxP(sn,zt) ， 其中sˉ 表示在探索時(shí)刻t感知出的地S貌類別，其中置信閾值為 βthreshold。

2.2 主動(dòng)探索行為

當(dāng)移動(dòng)機(jī)器人被有目的地引導(dǎo)去探索對地貌識別度高的運(yùn)動(dòng)方式以提高感知能力時(shí)，這種主動(dòng)探索行為受啟發(fā)于人類對于周圍環(huán)境的探索、互動(dòng)和操作，能夠影響感知精度和反應(yīng)時(shí)間，本文的主動(dòng)探索行為有別于傳統(tǒng)的地貌識別中單一的動(dòng)作模式下固定的閾值設(shè)置區(qū)別已知類地貌和未知地貌，考慮了移動(dòng)機(jī)器人每一步的動(dòng)作都會(huì)對下一步識別產(chǎn)生影響的特點(diǎn)，采用下列方式控制機(jī)器人的探索動(dòng)作。

2.2.1 預(yù)測誤差

預(yù)測誤差即為貝葉斯更新的后驗(yàn)概率和用來作為決策標(biāo)準(zhǔn)的置信閾值之間的差距，貝葉斯更新的后驗(yàn)概率包含在每種地貌類別中探索時(shí)間t處計(jì)算得到的概率為

2.2.2 低水平感知和高水平感知的預(yù)測模型

式中：I(PM(t)) 是在探索時(shí)間t的感知水平；eI(t) 、eI(t?1)是當(dāng)前探索時(shí)間t和前一探索時(shí)間t?1的預(yù)測誤差，使用最低和最高的預(yù)測誤差來模擬低感知行為和高感知行為。結(jié)合內(nèi)在動(dòng)機(jī)模型的思想[32]，由式(6)、(7)可以定義主動(dòng)控制移動(dòng)機(jī)器人的探測動(dòng)作，為

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)平臺

本實(shí)驗(yàn)采用型號為Autolabor Pro1(AP1)的移動(dòng)機(jī)器人，平臺如圖3所示，其在室內(nèi)外均可實(shí)現(xiàn)穩(wěn)定作業(yè)，且適用于全地形，車身尺寸726 mm×617 mm×273 mm，負(fù)載能力約50 kg。AP1共具有4種速度檔位，分別是0.2 m/s、0.4 m/s、0.6 m/s和0.8 m/s。在移動(dòng)機(jī)器人車身一側(cè)，平行且靠近地面的位置配備一個(gè)AKF392B三軸向加速度計(jì)，它提供的輸出速率范圍為5～1 000 Hz，共有8種選擇，偏差典型值小于 0.1%，具有輸出穩(wěn)定，環(huán)境性能好等優(yōu)點(diǎn)。加速度計(jì)采樣頻率選擇200 Hz采集不同地形的三維振動(dòng)信號。

圖3 實(shí)驗(yàn)采集平臺Fig. 3 Experimental acquisition platform

3.2 數(shù)據(jù)集

3.2.1 地貌種類選擇

根據(jù)路面材質(zhì)選取自然界中常見的若干類室外地形，本實(shí)驗(yàn)中共涉及14類室外地形，如圖4所示，分別是新修瀝青路面(new asphalt)、粗糙混凝土(rough concrete)、馬賽克磚塊路(mosaic road)、廢舊水泥磚塊路(old cement brick road)、大理石塊(marble cubes)、壓實(shí)碎石子路面(compacted crushed stone road)、木板(wood)、覆蓋落葉的土壤(deciduous soil)、茂盛草叢(lush grass)、枯草地(dry grass)、粗石子(coarse stone)、鵝卵石(cobble)、松散沙土(loose sand)以及新修混凝土(new concrete)。其中，松散砂土是起伏不平的路面，馬賽克路是巖石材質(zhì)組成的方格路面，新舊混凝土路面是使用年限不同而造成的路面損傷程度不一，具體地貌類別如圖4所示，采集地點(diǎn)均在清華大學(xué)校園內(nèi)，采集時(shí)間多集中在夏末秋初時(shí) 間段。

圖4 14種地貌類別Fig. 4 14 geomorphic categories

3.2.2 運(yùn)動(dòng)狀態(tài)和交互振動(dòng)數(shù)據(jù)采集

根據(jù)移動(dòng)機(jī)器人自身可控的4種速度模式和2種前后運(yùn)動(dòng)狀態(tài)排列組合為8種運(yùn)動(dòng)方式，以及左右2種轉(zhuǎn)彎運(yùn)動(dòng)狀態(tài)，由于移動(dòng)機(jī)器人平臺自身的重量不同也會(huì)對地貌變化產(chǎn)生的敏感度不同[25]，在本文的實(shí)驗(yàn)中移動(dòng)機(jī)器人質(zhì)量分布是不均勻的，重心和幾何中心是不重合的，所以會(huì)選擇機(jī)器人在前進(jìn)和倒車2種運(yùn)動(dòng)狀態(tài)下的振動(dòng)數(shù)據(jù)，具體運(yùn)動(dòng)方式命名如下：左轉(zhuǎn)彎(LT)、右轉(zhuǎn)彎(RT)、0.2 m/s前進(jìn)(LSF)、0.4 m/s前進(jìn)(MSF)、0.6 m/s前進(jìn)(MHSF)、0.8 m/s前進(jìn)(HSF)、0.2 m/s后退(LSB)、0.4 m/s后退(MSB)、0.6 m/s后退(MHSB)、0.8 m/s后退(HSB)，總共設(shè)定10種移動(dòng)機(jī)器人的可控運(yùn)動(dòng)模式；控制移動(dòng)機(jī)器人以上述10種運(yùn)動(dòng)模式在3.2.1選取的各類地貌上行駛，通過移動(dòng)機(jī)器人上搭載的三軸加速度計(jì)采集各種場景下的三維振動(dòng)信號中的Z軸振動(dòng)信號作為交互振動(dòng)數(shù)據(jù)樣本，移動(dòng)機(jī)器人采集情景如圖5所示。

圖5 新修瀝青路面下的兩種運(yùn)動(dòng)方式獲取的振動(dòng)信號Fig. 5 Vibration signals obtained by two kinds of motion modes under the new asphalt pavement

本文中控制AP1機(jī)器人在14種地貌上進(jìn)行10種運(yùn)動(dòng)方式，移動(dòng)機(jī)器人在每種地形上分別行駛了10 min，每種運(yùn)動(dòng)模式運(yùn)動(dòng)近似1 min，在10種運(yùn)動(dòng)模式和200 Hz采樣頻率下采集了近200萬個(gè)數(shù)據(jù)點(diǎn)，其中在落葉覆蓋的土壤路面分別采集左轉(zhuǎn)彎、右轉(zhuǎn)彎、0.2 m/s前進(jìn)、0.4 m/s前進(jìn)、0.6 m/s前進(jìn)、0.8 m/s前進(jìn)、0.2 m/s后退、0.4 m/s后退、0.6 m/s后退和0.8 m/s后退10種運(yùn)動(dòng)模式下的振動(dòng)數(shù)據(jù)，如圖6、7所示為10種運(yùn)動(dòng)模式下的信號反饋，其他13種地形也分別依次采集。

圖6 落葉覆蓋的土壤中10種運(yùn)動(dòng)方式振動(dòng)信號對比Fig. 6 Comparison of vibration signals of 10 motion modes in two deciduous soil

圖7 粗石子中10種運(yùn)動(dòng)方式振動(dòng)信號對比Fig. 7 Comparison of vibration signals of 10 motion modes in two coarse stones

3.2.3 對采集的交互振動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理

對實(shí)驗(yàn)中采集的各種場景下的三維振動(dòng)信號只選取Z軸振動(dòng)信號進(jìn)行分段和濾波處理；實(shí)驗(yàn)中為了確保數(shù)據(jù)的可靠穩(wěn)定，在分類前將移動(dòng)機(jī)器人初始啟動(dòng)以及停止等時(shí)間段采集的振動(dòng)信號去掉，保留了168萬個(gè)數(shù)據(jù)點(diǎn)，再將其數(shù)據(jù)信號分割成段，然后通過截止頻率為10 Hz的高通濾波器去除采集的Z軸振動(dòng)信號中因重力和加速度計(jì)漂移導(dǎo)致的干擾噪聲，得到14種地貌的樣本數(shù)據(jù)集，如圖6、7所示為落葉土壤和粗石子對應(yīng)的10種運(yùn)動(dòng)狀況下的振動(dòng)信號；將上述預(yù)處理后的所有運(yùn)動(dòng)狀態(tài)數(shù)據(jù)和交互振動(dòng)數(shù)據(jù)共同構(gòu)成地貌數(shù)據(jù)庫，每一運(yùn)動(dòng)狀態(tài)分別與一交互振動(dòng)數(shù)據(jù)相對應(yīng)。

4 實(shí)驗(yàn)結(jié)果

4.1 識別結(jié)果

本文將所有的地貌類別采集的數(shù)據(jù)輸入模型中計(jì)算得到所有執(zhí)行動(dòng)作的表現(xiàn)。在經(jīng)過每一次實(shí)驗(yàn)之后，都替換新的識別目標(biāo)和初始化動(dòng)作以進(jìn)行新目標(biāo)的實(shí)驗(yàn)測試。根據(jù)在模型中的每一種類別識別得到的平均表現(xiàn)精度作為最終結(jié)果。同時(shí)，也使用了順序策略和隨機(jī)策略實(shí)驗(yàn)與主動(dòng)探索方法相比較，其中隨機(jī)策略是在每個(gè)識別類別中都使用均勻概率的方式挑選下一個(gè)動(dòng)作得到的振動(dòng)數(shù)據(jù)序列，而順序策略是在每一個(gè)類別的實(shí)驗(yàn)中均利用相同的順序規(guī)則挑選下一個(gè)動(dòng)作得到的振動(dòng)數(shù)據(jù)序列；和被動(dòng)方法的實(shí)驗(yàn)結(jié)果相比，本文的主動(dòng)探索模型能夠產(chǎn)生一系列有趣的動(dòng)作順序和有效地識別地貌類型。

圖8為粗石子識別實(shí)驗(yàn)中 3 種不同策略的動(dòng)作順序挑選。

圖8 粗石子識別實(shí)驗(yàn)中3種不同策略的動(dòng)作順序挑選Fig. 8 Active sequence selection of three different strategies in coarse stone recognition experiment

4.2 動(dòng)作順序選擇

本節(jié)描述了主動(dòng)振感探索方法和被動(dòng)方法對應(yīng)的動(dòng)作選擇序列，如圖9所示。

圖9 3 種策略在測試振動(dòng)數(shù)據(jù)中的分類性能比較Fig. 9 Comparison of classification performance amongthree strategies

對這些動(dòng)作序列的表現(xiàn)做了分析，實(shí)驗(yàn)結(jié)果表明，模型系統(tǒng)往往選擇大角度轉(zhuǎn)彎或高速行進(jìn)動(dòng)作，這是容易產(chǎn)生更明顯振動(dòng)特征的。在各種地貌類別之中機(jī)器人的高速度運(yùn)動(dòng)會(huì)導(dǎo)致更強(qiáng)的振動(dòng)特征，從而得到更清晰的振動(dòng)信號，但機(jī)器人的伺服電機(jī)在運(yùn)行過程中會(huì)產(chǎn)生較大的噪聲沖擊識別效果。實(shí)驗(yàn)結(jié)果表明本文的方法對克服這個(gè)問題有很好的效果。例如，高速前進(jìn)在序列的第9個(gè)動(dòng)作中，那么這個(gè)相同的操作將不被再次選中，大量的運(yùn)動(dòng)確保了訓(xùn)練模型的高泛化性能。此外，用戶可以根據(jù)一定的精度范圍選擇適當(dāng)?shù)牟襟E停止采集樣本，以降低數(shù)據(jù)收集的成本。

4.3 動(dòng)作作用比較

在本文的實(shí)驗(yàn)中，計(jì)算出了所有地貌類別在經(jīng)過每步運(yùn)動(dòng)之后的識別性能。上述3種順序策略的精度比較如圖9所示。在所測試的實(shí)驗(yàn)集中，主動(dòng)振感探索方法的三步平均精度可以接近60%，而隨機(jī)策略的平均精度不到50%，序列策略的性能表現(xiàn)則更差一點(diǎn)。另外，本文的方法可以在5個(gè)步驟中快速獲得更高的精度，而其他方法則非常不穩(wěn)定。我們還發(fā)現(xiàn)，本文的主動(dòng)振覺探測方法比被動(dòng)方法表現(xiàn)出顯著的優(yōu)勢，能夠以更少的步驟來達(dá)到相同的精度，這證明本文的方法提高了識別效率。

4.4 地貌識別精度比較

為了進(jìn)一步分析本文的模型性能，了解每種地貌類別得到的平均識別精度是很必要的。本文特別計(jì)算了如圖10所示的混淆矩陣，結(jié)果表明粗石子是最具特征性的地貌類型，在所有測試中最高達(dá)到90%正確率，這種松散的大顆粒碎石振動(dòng)特征更為明顯。壓實(shí)碎石子路面(72%正確)和粗糙舊混凝土(69%正確)是易混淆的，舊混凝土路面表面裸露出一些碎石子，使得2種地貌的粗糙度和平整度間接的在振動(dòng)信號中表現(xiàn)得較相似，具體來說，本文的方法對較明顯振動(dòng)特性的地貌類別具有高靈敏度的辨識度，并且對于容易混淆的地貌有較高的識別精度。

圖10 使用主動(dòng)感知策略對實(shí)驗(yàn)數(shù)據(jù)集中的所有類別計(jì)算混淆矩陣Fig. 10 Using active perception strategy to calculate confusion matrix for all categories in experimental data set

5 結(jié)束語

在本文中，提出了在貝葉斯概率感知方法和主動(dòng)探索行為下，利用移動(dòng)機(jī)器人和地面的交互振動(dòng)信息探索和識別所處地貌，這一過程是通過主動(dòng)控制探索運(yùn)動(dòng)向識別度高的運(yùn)動(dòng)狀態(tài)轉(zhuǎn)換，以改善對被探索地貌的感知來實(shí)現(xiàn)的。結(jié)果表明，本文的方法使移動(dòng)機(jī)器人能夠通過振感感知和自主決定下一步的動(dòng)作，以便在勘探和識別任務(wù)中快速提取更好的信息；相比較下，本文的系統(tǒng)可經(jīng)過5次左右的短時(shí)動(dòng)作嘗試就能識別出移動(dòng)機(jī)器人所處地面類型，且利用主動(dòng)感知很好地解決了多種未知地貌類別的識別問題，未來還需要開發(fā)出更好的方法提升地貌相似度高的識別精度。