《低内存占用采摘作业机器人设计——基于分类器和top-k优化算法》由会员分享，可在线阅读，更多相关《低内存占用采摘作业机器人设计——基于分类器和top-k优化算法（9页珍藏版）》请在金锄头文库上搜索。
1、低内存占用采摘作业机器人设计基于分类器和 top-k 优化算法 段云涛 申玮 杨勇 南阳理工学院软件学院 湖北省鄂南高级中学 摘 要： 为了提高采摘作业机器人的智能识别和自主作业能力, 对路径规划大数据背景下的监测数据进行实时处理, 并降低计算和通信过程中占用的内存, 提出了一种基于 K 邻近和 top-k 的数据分类及低内存占用优化算法。利用该算法可以将机器人路径规划的各个节点数据进行筛选, 依据 K 邻近算法对路径进行优选, 调整实时监控数据的分类结果和数据处理流程, 从而使数据更新可以不依赖于网络通信, 只将少部分数据进行通信传输, 有效减轻了通信负担。以机器人的采摘作业为实验对象, 对
2、优化算法进行了实验验证, 结果表明:采摘机器人采用实时监测数据分类器可以对大量的数据进行有效地筛选, 从而降低了通信负担, 提高了内存的利用率和采摘作业的效率。关键词： 采摘机器人; 智能识别; 内存占用; 分类器; top-k 算法; 作者简介：段云涛 (1981-) , 男, 河南南阳人, 讲师, 硕士, (E-mail) 。收稿日期：2016-11-13基金：河南省自然科学基金项目 (2015GZC155) Design for Picking Robot of Low Memory Occupation Based on the Classifier and Top-k Optimiz
3、ation AlgorithmDuan Yuntao Shen Wei Yang Yong School of Software, Nanyang Institute of Technology; Southern Hubei High School; Abstract： In order to improve the intelligent recognition and independent operation ability of picking robot, real-time monitoring data under the background of big data for
4、path planning, and reduce the memory footprint of the computing and communication process, it proposed an optimization algorithm of K and top-k occupy adjacent data classification and low memory based on.By using this algorithm, each node can be data path planning, which were selected on the basis o
5、f K neighbor algorithm to optimize the path, adjusting the classification results of real-time monitoring data and data processing, so that the data update can not rely on the network communication, only small part of data transmission, effectively reduce the burden of communication.By picking robot
6、 as the experimental object, the optimization algorithm is verified by experiments, the experimental results show that the picking robot real-time monitoring data classifier can effectively screen the large amounts of data, thereby reducing the communication burden, improve the efficiency of memory
7、utilization and picking operation.Keyword： picking robot; intelligent recognition; memory occupancy; classifier; top-k algorithm; Received： 2016-11-130 引言自动分类器主要有两种:一种是将特征的数据空间划分为决策域, 需要确定分界面方程和判别函数;另一种方法是模式匹配, 将待分类的样本数据和已归类的标准模板进行对比, 利用匹配度来决定待测样本数据的分类。模式识别系统主要由两部分组成, 包括提取器和分类器, 最常用的是 K 邻近分类器。采摘机器人在
8、采摘作业过程中, 为了提高其机动性, 需要实时监测采摘环境的信息, 因此会产生大量的实时通信数据。而采用数据分类器的方法可以对大量的数据进行分类, 只将有效信息进行通信, 从而降低通信量, 提高内存的利用率和通信效率, 是提高采摘机器人作业效率的一种新方法。1 基于分类器和 top-k 算法的采摘机器人根据认知规律的不同可以将分类器分为很多种, 分类器的不同又决定了采摘机器人自主识别模式的不同。采用决策树方法可以构建树形的分类规则, 分类的主要步骤如图 1 所示。图 1 分类主要的 3 个步骤 Fig.1The three main steps of classification 下载原图一个
9、完整的分类过程主要包括模型构造、模型测试和模型应用, 具体如下:1) 模型构造。模型的构造主要是特征的提取, 从以往的样本数据中找到一些具备特征间的依赖关系, 然后用特定的关系模型表达出来, 如利用病历样本和诊断结果来构建诊断模型。构建模型的数据被称作训练样本。2) 模型测试。模型测试主要是对构建模型的准确度进行评价, 从而确定类别模型, 而用来评价的数据被称作测试样本。测试过程需要对测试样本中的数据逐一进行监测, 根据模型来确定测试数据的类别, 然后将测试结果和实际情况进行比较。如测试结果和实际情况相吻合, 则说明预测结果是正确的;否则是错误的, 需要重新调整构造模型。3) 模型应用。模型的
10、应用是使用已经确认的分类模型来预测未知的模型, 从而确定待测模型的类型。以果实采摘监测点为研究对象, 根据果实的成熟度, 可以利用 top-k 的监测结果来实现数据的调度, 从而缓解通信压力。top-k 算法的架构如图 2 所示。图 2 采摘环境监测数据 top-k 架构 Fig.2The top-k architecture for picking environmental monitoring data 下载原图假设采摘环境中有 m 个监测节点, 编号为 N1、N 2、N m和一个中心节点 N, 在实时监测系统中某一时刻对象的集合用 U 表示, U 中元素个数用 n 表示, 对每个对象都
11、会进行评价, 以此来筛选监测数据。利用 top-k 算法就是用来查询评价最好的 k 个对象。假设 Oi为某一个监测对象, i, j表示 Ni接受到的 Oi的评价分数增量, V i, j表示本地评分。初始化后, 系统中不存在对象, 当某个监测点 Ni接收到二元组后, 若 OiU, 则将 Oi加入到 U 中, 如果OiU, 则需要改变对象的评分, V i, j= i, j+Vi, j。通过这种方法可以有效地对监测数据进行筛选, 在数据传输之前完成操作, 可以有效提高通信的效率。2 采摘机器人自主识别模式分类器设计采摘机器人的模式识别就是将特征数据提取出来, 然后根据数据的特征进行分类识别。在采摘作
12、业过程中, 其特征数据可以根据成熟果实的颜色进行分类, 而较为有效的方法是最邻近算法。最邻近算法是将所有的训练样本都作为分类数据, 进行识别时需要统计所有样本点的特征邻近程度, 从而得到与训练样本最邻近所属的类别。假设有 c 个分类, 其模式分别为 w1, w2, , wc, 每个分类有 Ni (i=1, 2, , c) 个训练样本, 则类的判别函数为其中, x i的角标 i 表示 wi类, k 表示 wi类 Ni个样本中的第 k 个。分类器的决策可以定义为 gj (x) =mingi (x) , i=1, 2, , c, 则决策 xw j, 这种分类的模式结构如图 3 所示。图 3 近邻法分
13、类图示 Fig.3Classification of neighbor method 下载原图使用上述方法是根据果实的颜色之间具有近邻的相似特性, 然后在多维空间 R中寻找与样本比较接近的 k 个点, 最后根据 k 个点来判断待识别模式的类, 这些点表示待识别样本的 k-最近邻。这种算法是在一定的空间内, 假设所有的待采摘果实都对应在 n 维空间中, 一个果实特征向量为。其中, a r (x) 表示果实 x 的第 r 个属性值, 将两个果实 xi, xj之间的距离定义 d (xi, xj) , 即在最邻近算法中, 目标分类函数可以定义为 f:RV, V 表示有限的集合v 1, v2, , vs
14、, k 值的选择是根据样本数目和样本的离散程度来决定的。如果在待采摘果实样本 Si周围的样本点的数据较少, 那么对于 k 个点所覆盖的范围就会较大, 反之则会较小。这种模式识别方法没有具体的学习过程, 而是基于已知样本数据特征, 对未知样本的预测, 属于实例推测, 如果 k 等于 1, 则成为 NN 算法。理论上, 只要果实样本的数据足够多, 该算法就可以进行很好的分类。算法的具体步骤为:1) 输入。首先需要输入果实样本的训练数据集 D= (Xi, Yi) , 1iN。其中, X i表示第 i 个样本的条件属性, Y i表示类别, X 表示新样本, d 表示距离函数。2) 输出。X 的类别 Y
15、。3) for i=1 to N do求解向量 X 和 Xi之间的距离 d (Xi, X) ;end for4) 通过得到的距离数据, 对距离进行排序, 从而得到 d (X, Xi1) d (X, X i2) d (X, X i N) 。5) 根据距离选择数据样本中的前 K 个数据, S= (X i1, Yi1) (Xik, Yik) 。6) 通过对 S 中类别出线的次数, 从而确定 X 和 Y 所属的类别。为了验证 K 邻近分类器的可靠性, 还设计了一种局部平均向量分类器, 核心思想是对每个类的局部进行几何平均求解, 这个几何中心是局部平均向量。该方法将分类后的 K 个样本计算出局部平均向量
16、, 因此所有类加起来便是一类代表点, 算法的具体描述为 LMC (x, X, k) 。其中, x 表示待采摘果实的样本数据;X 表示训练样本;k 表示每个类这种选择的近邻样本的个数。其步骤如下:1) 确定果实的训练样本和待采摘样本之间颜色特征相似距离, 然后从已分好的每个 wj类中选择和待采摘测试样本果实 x 最近的 k 个样本, 用 Xk表示;2) 在每个类 wj中, 将选择出来的邻近样本进行局部平均向量的求解, 其表达式为3) 对每个确定的类 wj, 计算待采摘果实测试样本 x 和计算求解得到局部向量之间的欧式距离, 即4) 根据以上步骤得到的 dj, 将待采摘果实测试样本进行分类, 分类依据是将其分类到欧式距离最小的类别中。3 认知分类器和低内存占用实验验证为了验证采摘机器人自主认知和低内存占用的可行性, 设计了采摘机器人的作业实验。本次实验为一个范围是 5050 的二维平面, 平面内设置了 130 个传感器节点, 其节点布置如图
