基于小波與SVM-kNN的機器人地面分類研究.pdf

1、人類對于未知環(huán)境探索主要借助于移動機器人，而提高移動機器人對所處環(huán)境的適應(yīng)能力至關(guān)重要，因此移動機器人的地面分類成為當(dāng)今研究的熱點。當(dāng)前地面分類方法主要基于激光雷達和視覺，二者對于表面有覆蓋物的地面的識別能力較差，特別是基于視覺方法對于光線的要求較高。在光線不足的情況時，基于振動的地面分類依然能夠真實地反應(yīng)地面的特性，這對提高移動機器人的自主移動性能十分重要。所以本文將從地面特征提取和分類器設(shè)計兩方面展開研究。
　　首先，搭建實驗

2、數(shù)據(jù)采集平臺，采集移動機器人以六種速度勻速穿越五種地面時相互作用所產(chǎn)生的振動信號，對采集到的原始振動信號進行分段，為下一步的地面特征提取和分類做準備。
　　其次，本文采用小波包變換對振動信號進行處理，主要考慮到小波包變換在處理局部信號細節(jié)有較好的效果；應(yīng)用小波包主成分法和小波包對數(shù)能量熵法提取地面特征，其中小波包主成分法主要采用特征評估法對幅值特征進行評估以及主成分分析。
　　最后，對于一對一SVM多分類，當(dāng)所得票數(shù)最多的類

3、別超過兩種以上時，存在無法分類問題；對于有向無環(huán)圖SVM（DAGSVM）多分類，存在錯誤向下積累問題，良好的分類路徑是解決該問題的關(guān)鍵。針對存在的問題，本文采用SVM與k-近鄰法（kNN）聯(lián)合算法，有效地解決一對一SVM和DAGSVM存在的不足，提高二者的實用性。采用基于小波包的兩種特征提取方法、kNN算法以及 SVM與kNN聯(lián)合分類算法分別對五種地面進行分類，并對分類結(jié)果進行比較與分析。
　　所采集數(shù)據(jù)的分類結(jié)果驗證了本文所提特