CN100544622C - 机器人服装触觉传感信息融合数据处理方法 - Google Patents
机器人服装触觉传感信息融合数据处理方法 Download PDFInfo
- Publication number
- CN100544622C CN100544622C CNB2007100931234A CN200710093123A CN100544622C CN 100544622 C CN100544622 C CN 100544622C CN B2007100931234 A CNB2007100931234 A CN B2007100931234A CN 200710093123 A CN200710093123 A CN 200710093123A CN 100544622 C CN100544622 C CN 100544622C
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- robot
- sensing
- clothing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000003750 conditioning effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001143 conditioned effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 239000011551 heat transfer agent Substances 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 32
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002033 PVDF binder Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Force Measurement Appropriate To Specific Purposes (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种机器人服装触觉传感信息融合数据处理方法,它包括如下步骤:①首先在计算机内建立机器人服装触觉数据库;②数据获取:数据采集卡采集机器人服装上所有传感器传送过来的数据;③对传感器缓存器中的数据进行预处理;④传感数据补偿;⑤传感信息融合;⑥经融合处理后的数据用二维和三维图像显示出来,从而得到接触物的外形轮廓和接触面压力分布。本方法能能产生比单一传感器获得更精确、更完全、更可靠的估计和判断,可提高机器人全身的空间分解力和清晰度、机器人触觉图像测图精度、分类精度与可靠性,增强解译和动态监测能力,减少模糊度,有效提高触觉数据的利用率等。
Description
技术领域
本发明涉及一种机器人服装触觉传感信息融合数据处理方法,属于机器人技术领域。本发明将机器人服装触觉传感获取的触觉信号,通过信息融合算法,从而得到接触物的位置和接触压力的二维、三维分布数据。
背景技术
机器人触觉的原理就是通过触觉传感器与被识物体相接触或相互作用,完成对物体表面特征和物理性能的感知。机器人触觉传感服装是指分布于机器人全身的服装型触觉传感器,可根据机器人的形状进行剪裁及缝制加工,并可穿戴于机器人身上以感知环境信息。其主要特点是触觉表面柔性大,传感器形状不受限制及感觉的多功能化。
机器人触觉传感服装具有以下特点:(1)通过传感器获取位置、压力等数据。传感数据在空间上表现为二维平面信息。机器人服装触觉传感是被动式触觉,与机器视觉相似。可借助图像处理方法求取压力数据的时间、空间分布。(2)与机器视觉相比,触觉信息更具多样性。除空间数据、压力分布数据外,机器人通过触觉传感器可以获取接触物的多种物理信息,如接触物的表面粗糙度、温度、硬度、材质等。因此它类似于人体皮肤的功能,可以实现机器人对环境更丰富的感知,以便于人机信息的交互。
机器人触觉是20世纪60年代新兴的触觉研究方向,在迄今为止提出的智能机器人触觉传感方法中,有的利用PVDF膜压电效应获得力觉信息,有的利用超声波或压力引起电容变化,还有利用机械开关、光波导传感等多种方案,但这些方案中,考虑问题的重点都是将触觉传感技术应用于机器人手部、指部,有个别方案是将触觉传感用于机器人手臂关节处。目前分布于机器人全身服装型触觉传感技术的研究在国内外仍然处于起步阶段,可供研究的参考资料甚少。智能机器人触觉传感服装,不仅具有高灵敏度和大面积等特点,还可以检测接触物与机器人身体相接触面的外形轮廓和压力分布,其成果可望用于仿人机器人的全身触觉传感***,在机器人传感技术方面取得新的突破。
智能机器人触觉传感服装的难点是对各传感器获得的数据进行处理。这是因为机器人服装涉及的传感器多达几百上千个,各传感器的特性参数互不相同,接受作用的状态和效果不同,不但需要对获得的数据进行补偿,更重要的是还涉及到多传感器信息融合问题。多传感器信息融合是一个新兴的研究领域,是针对一个***使用多传感器这一特定问题而展开的一种关于数据处理的研究。多传感器信息融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
与单传感器***相比,运用多传感器信息融合技术在解决探测、跟踪和目标识别等问题方面,能够增强***生存能力,提高整个***的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个***的时间、空间覆盖率,增加***的实时性和信息利用率等。
利用多个传感器所获取的关于对象和环境全面、完整的信息,主要体现在融合算法上。因此,多传感器***的核心问题是选择合适的融合算法。对于多传感器***而言,信息具有多样性和复杂性,因此,对信息融合方法的基本要求是具有鲁棒性和并行处理能力。此外,还有计算方法的运算速度和精度问题;与前续预处理***和后续信息识别***的接口性能;与不同技术和方法的协调能力;对信息样本的要求等。一般情况下,基于非线性的数学方法,如果它具有容错性、自适应性、联想记忆和并行处理能力,都可以用来作为融合方法。
多传感器信息融合虽然未形成完整的理论体系和有效的融合算法,但在一些应用领域根据各自的具体应用背景,已经提出了具有针对性的融合方法。而对于机器人触觉传感服装来说,其信息融合的研究非常之少,这也是阻碍其发展的一大因素。目前机器人服装只局限于处理开关信号的处理无检测压力大小,在机器人压力传感方面信息处理比较多的有基于BP网络的压力传感器信息融合、人工神经网络、贝叶斯估计和Dempster-Shafer证据理论等等,但是都是局限在于机器人手部、指部,也有个别方案是将触觉传感用于机器人手臂关节处,机器人传感服装方面还没有运用。
发明内容
针对现有机器人触觉传感服装传感数据处理方法存在的上述不足,本发明的目的是提供一种机器入触觉传感服装的信息融合数据处理方法,本方法可以解决机器人服装大面积传感单元的信息获取与处理问题,即将分布在全身触觉传感的数据作智能综合,产生比单一传感器获得更精确、更完全、更可靠的估计和判断。
本发明的目的是这样实现的:机器人服装触觉传感信息融合数据处理方法,其特征在于:它包括如下步骤:
①首先在计算机内建立机器人服装触觉数据库,该数据库至少包括每个传感器的物理位置、从每个传感器获取数据所需要的时间、从每个传感器所获取数据的特性参数、每个传感器恢复误差补偿系数;
②数据获取:数据采集卡采集机器人服装上所有传感器传送过来的数据,并将采集到的传感数据送到计算机传感器缓存器中;
③对传感器缓存器中的数据进行预处理:将传感器缓存器中的每一个传感数据依次取出并按照时序对传感信号进行滤波和补偿处理,同时根据传感器的时序控制信号并结合机器人服装触觉数据库中的信息,确定该数据对应的传感器的地址信息,该地址与机器人服装传感单元是一一对应的映射关系,所有的数据处理完毕形成传感器模板,该模板为传感器的物理地址、数据格式和传感器的数量;
④传感数据补偿:对上步(第③步)处理后的数据再结合机器人服装触觉数据库中的特性参数和补偿系数进行数据补偿和修正;
⑤传感信息融合:将所有经补偿和修正后的传感数据综合成一个内在数据单元,通过概率密度公式曲线来分析传感器的特性功能,使用统计理论来定义误差探测标准,并定义间距量度标准来作为探测传感器误差的标准,把所有传感数据根据地址关联性逐一进行融合,同时对传感数据进行误差补偿和错误检测;
⑥将上步(第⑤步)经融合处理后的数据用二维和三维图像显示出来,从而得到接触物的外形轮廓和接触面压力分布。
所述第②步数据采集卡采集数据的方法为:把整个触觉服装传感器分成若干个阵列块,将每个阵列块中传感器的行列引出线接入采样扫描电路,通过采样扫描电路进行块选,扫描电路块选信号由安装了数据采集卡的计算机产生,接着将选定的块传感器中每个传感单元的电压信号依次送入信号调理电路,再由计算机控制的数据采集卡将已调理好的信号采集到计算机中,并将采集到的数据存放在计算机传感器缓存器中。
所述第⑥步图像显示方法为:首先在计算机内建立一个与实体机器人对应的机器人的三维图像,实体机器人服装上所有的传感器对应着三维图像中的坐标点,传感器的特征值用颜色深浅来表示所读取数值的大小并在三维图像中在该传感器对应的坐标点上表示出来,最后通过调用传感数据文档(即调用经过校正和融合处理后的传感数据)就可以进行触觉数据显示和触觉图像显示,从而得到接触物的外形轮廓和接触面压力分布。
进一步地,为了避免由于传感器偶然性的误差,将数据采集卡连续采集得到的同一传感器的三个数值在传感数据补偿和修正后取平均值作为该传感器补偿和修正后的实际输出。
本方法将分布在全身触觉传感的数据作智能综合,能有效处理并避免了单一触觉组单元不确定性误差的影响和传感器故障产生的错误信息,同时保证融合结果的精确性和可靠性,产生比单一传感器获得更精确、更完全、更可靠的估计和判断。鲁棒性强,可提高机器人全身的空间分解力和清晰度、机器人触觉图像测图精度、分类精度与可靠性,增强解译和动态监测能力,减少模糊度,有效提高触觉数据的利用率等。
本方法可以克服环境温度、电压扰动等各种外界环境的影响,提高接触物体表面轮廓数据测量和图像重构的精度,从而使机器人传感服装具有良好的稳定性、容错性和可靠性。
附图说明
图1-本发明的原理示意图;
图2-机器人触觉传感服装数据处理方法流程图;
图3-触觉传感数据显示结构示意图;
图4-具有不同方差的两个概率分布函数图;
图5-可信间距度的定义示意图。
具体实施方式
以下结合附图对本发明作进一步详细介绍。
图1是本发明的原理示意图。其中包括机器人传感服装、采样扫描电路、信号调理电路、数据采集卡和计算机。触觉服装传感器***的主体部分采用块状阵列式,即把整个触觉服装分成若干个阵列块,将每个块传感器的行列引出线接入采样扫描电路的核心组成部分-多路模拟开关,通过多路模拟开关进行块选(模拟开关块选信号由安装了NI公司的PCI-6259多功能数据采集卡的主机产生),接着将选定的块传感器中每个传感单元的电压信号依次送入信号调理电路,然后利用数据采集卡对机器人传感服装进行数据采集,并将采集到的传感数据送到传感器缓存器中,经过一系列的数据处理将接触物的外形轮廓和接触面压力分布以图像的形式直观显现。
图2是本机器人触觉传感服装数据处理方法流程图,它包括四大步骤:依次是数据获取、数据预处理、传感数据补偿和传感数据处理,其中每一步还包括一些具体的处理方法,本方法还包括一个重要的机器人服装触觉数据库,数据库内存储的信息是各步骤处理的依据。下面结合图2对本发明进行
详细说明:
机器人服装触觉数据库(分为3个资料库):
1、传感器数据库:该数据库包含了***中所有可用的传感器的相关信息,主要有:可用传感器的种类和它们各自的输出数据格式;每个传感器的操作约束;每个传感器的物理位置;从每个传感器获取数据所需要的时间;从每个传感器所获取数据的特性参数(如标准偏离等);对原始数据进行转换,获得具有运算法则特性的数据。
2、传感器错误检测与补偿数据库:该数据库包含了所有传感器及其各自性能的信息。有问题的传感器将在该数据库中被勾画出来,并且将对它们的数据作进一步分析,并允许传感数据的误差恢复。恢复误差补偿系数将存储在该数据库中。
3、环境数据库:该数据库存储与工作环境相关的信息。环境信息决定下一步的执行动作,成功地执行一项动作需要知道机器人操作者的性格特点和工作环境,这些数据都储存在环境数据库中。
数据获取步骤
本单元的主要任务是为以后的检索获取和存储原始传感数据,该单元有多个传感器输入信号,通过接口将原始传感数据存储在缓存器中,缓存器只是一个存储中介。
机器人触觉传感服装中触觉单元数目非常多,若直接连接到计算机上,则需开发带有大量输入端口的专用计算机板卡,显然此种方式是不合适的。因此机器人触觉传感服装的实验***设计中将整个触觉服装分成若干个阵列块,每个触觉传感器阵列的行列引出线接入扫描电路,通过扫描电路进行块选,接着将选定的块传感器阵列中每个敏感元件检测到的电压信号依次送入信号调理电路,信号调理电路主要对电压信号进行放大和滤波,再由主机控制的数据采集卡将已调理好的信号按照逐行扫描的方式采集到主机中,并将采集到的数据存放在计算机缓存器中。缓存器指的是PC内存的一个区域,它用来临时存放数据。当需要每秒采集几千个传感单元的数据,并进行实时显示是困难的。但是将采集卡的数据先送到缓存器,可以先将它们快速存储起来,稍后再重新找回它们进行显示或分析。
计算机通过数据采集卡输出时序控制信号进行同步采集,完成传感器的单元选择和数据采集。行扫描法每次扫描一行,从而大大提高了单次触觉阵列全部信息的读出速度,为整个***的实时性打下硬件基础,并且在提高采样速度的同时,较好地解决了行列间的串扰噪声问题。数据采集卡对多个变化较为缓慢的模拟信号进行A/D转换时,同时利用多路模拟开关将各路模拟信号轮流与A/D转换器接通,使一个A/D转换器能完成多个模拟信号的转换,节省硬件开销。
数据预处理步骤
该步骤涉及传感器选择、传感信号处理、传感数据处理和传感器模板的输出。
传感器选择:计算机通过数据采集卡输出时序控制信号进行同步采集,完成传感器的单元选择和数据采集,也就是说传感器单元的选择和数据获取是由计算机输出的时序控制信号决定,而该时序控制信号又是由机器人服装触觉数据库的传感器时序单元决定,并且该时序控制信号是与机器人传感服装的每个传感器有映射关系。
传感信号处理:传感信号处理是通过一定的算法控制对采集到的数据进行滤波和补偿。由于测量对象不是稳定的信号,因此外界干扰,如电磁干扰、环境温度、湿度等,都会对信号带来一定的影响。另外,人为影响因素比较多,实验台搭建过程中,触觉传感器阵列放置的平面平整度、稳压电源精度,导电橡胶压阻特性的迟滞性等都会有误差;前置扫描电路、信号调理电路,采集卡连接电缆等,都会引入一定的噪声以及模拟开关引起的电压损失。因为每个传感单元的数据采集并不是连续采集的,而是用分时采集的,采集的起止时刻和时间是由时序控制信号决定的,信号处理的一个依据就是要根据采样的时间来作出,即通过一定的算法控制。
信号处理采用数字滤波主要完成对信号进行筛选,只让特定频段的信号通过。假定输入信号中的有用成分和噪声成分各占不同的频带,通过滤波器后,可将噪声成分有效除去。由于采集的信号是直流的,所以通过低通滤波电路,对一些噪声的消除比较理想。而且在设计的过程中也充分考虑了如何避免和减小这些误差。采用数字滤波器的优点:(1)***稳定度高,灵活性强;(2)无阻抗匹配问题;(3)能处理低频信号并可实现严格的线性相位滤波和多维滤波;(4)可简单地获得自适应滤波;(5)控制数字字长可以精确地控制滤波器的精度等优点。
传感数据处理:传感数据处理是将获得的传感数据根据时序控制信号与对应传感器关系确定传感器地址,该地址与机器人服装传感单元是一一对应的映射关系。
传感器模板的输出:数据预处理单元是根据接收传感数据缓存器中的数据和时序控制信号决定每个传感器的物理地址和数据,并与传感器数据库结合建立了与实际传感服装映射的模板,即实现了传感器模板的输出,该模板为传感器的物理地址、数据格式和传感器的数量。
传感数据补偿步骤
由于机器人传感服装中每个传感器的特性参数并不完全一致。在使用之前要对每个传感器进行标定,得到每个传感器的特性参数从而建立了传感器补偿数据库。该步骤按已知补偿关系式,使用传感器补偿数据库中的参数,对所有由数据预处理步骤得到的传感器数据进行补偿和修正,使与实际值有差异的传感器得到纠正。同时为了避免由于传感器偶然性的误差,将同一传感器循环采集得到的三个数值取平均数,以此作为该传感器最终的数据值。
传感数据处理步骤
该步骤包括传感信息融合、传感图像处理和传感图像显示三个小步骤。
传感器信息融合:对机器人服装触觉传感器不同触觉单元检出信号进行信息融合的目的在于消除***噪声和随机噪声的干扰,把伪信号出现的可能降到最低,以获得高精度的物体表面轮廓估计。这是因为机器人服装触觉单元相互之间的间距很小,因此当接触物与触觉阵列接触时,会影响接触点周围的一些触点。如果用从不同传感器来的数据,表示同一个物体的属性,结果很有可能会发生偏离。传感器数据偏离主要由以下两点引起:(1)传感器的噪声、准确性等特性;(2)将数据转换成算术形式时的过程。因此,可信性测量就是,通过概率分布来描述传感器,描述有效数据综合的一个最初的平均值。
其融合思想是:将所有经补偿和修正后的传感数据综合成一个内在数据单元,通过概率密度公式曲线来分析传感器的特性功能,使用统计理论来定义误差探测标准,并定义间距量度标准来作为探测传感器误差的标准。多传感器的数据含有大量的不确定性,所以要找到这些传感器之间的内在联系。可以把一些很接近的传感器数据融合在一起,但是如果有些传感器的值相差很大,就要考虑这些值是不是正确的,并且不应该把它们综合在一起。
融合原理:两个概率曲线间的距离测量这一概念被广泛地应用在统计学中。在传感器误差探测和补偿数据中,定义一个间距量度标准以对传感器误差进行探测。考虑到如图4所示的两个概率分布Pi(x)和Pj(x),其中,它们的方差量度是不同的,如σi 2≠σj 2,xi,xj分别代表了第i个和第j个传感器的读数。定义条件概率分布函数Pij
Pij=P(xi/xj) (1)
同样,可以定义Pji
Pji=P(xj/xi) (2)
如图4所示,Pij比Pji大,因为概率分布Pi(x)中,xi是第i个传感器的值。对应xi时,条件概率函数值Pij=0.75,意味着第j个传感器为准确读数的概率为75%。相反,概率分布Pj(x),Pji=0.3,意味着第i个传感器有准确读数的概率为30%。
从上述分析可得出这样的结论:在函数Pi(x)中,xi和xj的值更加接近;同样的,在函数Pj(x)中,xi和xj的值相差就比较大。图4展示了两个概率分布函数Pi(x)和Pj(x)的间距具有不同的值,其差异是由所选择的概率分布函数所决定的。
鉴于多传感器数据的不确定性,必须找出传感器之间的内在联系。因此有必要把一些很接近的传感器数据作融合,如果传感器的某些数据值相差很大,属于不正常的值,则不应将其综合在一起。
在该分析的基础上,定义一种新的间距测量,用dij或者dji来表示探测传感器的误差。把这种新的间距称为可信间距度dij或者dji,如图5(a)和(b)所示。
其中,
和
A和B是在概率分布曲线Pi(x)或Pj(x)下,传感器取值xi和xj之间所围的面积。一般说来,dij≠dji,除非标准差σi 2=σj 2,并且0≤dij,dji≤1
举一个关于dij的特例,
(1)当xi=xj时,dij=0(如图5所示)。
(2)当xi和xj距离无限远时,dij=1。
可信间距度的优点主要有以下两个方面:它不仅提供了一个和前面描述相同的抽象标度值,也提出了间距和一致性测量的关系。比如,dij=0.6表示如果传感器的值xi是正确的,则传感器值xj在概率分布函数Pi(x)下也具有60%的置信区间。必须要注意的是,xi和xj之间的距离越大,置信度越高。
设有多个传感器对同一物体进行测量,传感器的一次观测值一般应该满足正态分布。如果引进置信距离测度dij来表示两个传感器之间的偏差大小,即表示它们之间的相互支持程度,则置信距离测度的值越小则测量值越接近,如果传感器完全相同值dij为0。所有的置信距离测度构成距离矩阵。在一般情况下,人为确定一个阀值ε,当置信距离测度小于ε时认为两个传感器相互支持,值为1(rij=1);否则为0。这样就构成了关系矩阵,即
式中rij表示第j个传感器对第i个传感器的支持程度。一般情况下阀值根据经验进行选择,阀值取1/2。各个传感器的综合支持程度,这在一定程度上更能反应传感器之间的相互关系。传感器给出的检测结果距离平均值越近,该结果同其他结果的可信度比值就会越高。
根据这些概念,能使用下面的步骤来解决数据融合的问题:
(1)首先,综合那些完全相互支持的传感单元,形成一个新的传感单元数据A。A值表示具有最高可信度的数据,这一数据是由其他很多数据综合成的,因此被称作优先传感数据。余下的传感单元根据前述原理方法融合,进而形成新的传感数据。
(2)被优先传感数据支持的传感单元的数据也是正确的,将被合并到优先传感数据中。
(3)任何一个支持优先传感数据的传感单元均稍微地偏离实际值,将不会被标注为错误或有误差。
(4)任何一个分离的传感单元将导致与其相关联的传感器被标注为错误或有误差,并将有错误和误差的传感数据将进行错误恢复和修正。
传感图像处理和传感图像显示:传感图像处理部分和图像显示部分主要就是把处理好的数据用二维和三维图像显示出来。触觉传感数据可视化是运用计算机图形学和图像处理技术,将触觉传感得到的数据换为图形或图像在屏幕上显示出来,并进行交互处理提供象人眼一样的直觉的、交互的和反应灵敏的可视化环境。传感器阵列采集到的数据是一个固定的二维矩阵,矩阵的行数和列数就是传感器阵列的行数和列数,并且行与行、列与列之间的距离是固定且已知的。选定好坐标系,每个传感器单元就对应着一个固定位置的点,触觉传感数据中每一个数据项作为单个图元元素表示,在坐标平面的相应点上按照二值化的结果作图,大量的数据集构成数据图像就可以恢复出整幅图像。同时将数据的各个属性值以多维数据的形式表示,可以从不同的维度观察数据,从而对数据进行更深入的观察和分析。将得到的数据用二维坐标系加灰度的方式显示出来,从而得到接触物的外形轮廓和接触面压力分布。
图3是触觉传感数据显示结构示意图。触觉传感器将采集到的三维坐标和在该坐标下的特征值(压力)的可视化。一个坐标对应一个值,通过处理,不同的传感数据(指压力值)对应不同的颜色在程序视窗显示出来,从而准确、直观的获得这些信息。数据读入了(x、y、z)坐标值和该点特征值及每组数据有4个值,然后通过程序处理,将依次读入的三维坐标点连接成三角形,并且每个点的颜色就是对应的特征值的颜色。这样,只要与标准色彩框架进行对比,就能知道每个点的具体特征值,从而做到了触觉传感数据的可视化。
数据可视化显示过程如下,
(1)经过数据处理触觉传感器的电压信号与空间坐标数据读入计算机,绘制出基本图形单元,根据基本图形单元建立景物模型,并且对所建立的模型在进行数学描述OpenGL中把点、线、多边形、图像和位图都作为基本图形单元。
(2)把景物模型放在三维空间中的合适的位置,并且设置视点(viewpoint)以观察所感兴趣的景观。
(3)确定物体的色彩,同时确定光照条件、纹理粘贴方式等。
(4)把景物模型的数学描述及其色彩信息转换至计算机屏幕上的象素,这个过程也就是光栅化(rasterization)。
为了显示处理好的触觉信息,实现触觉静态和动态图像的恢复,使用VC语言编制了三维显示软件。在传感图像显示模块中,首先建立一个简单机器人的三维形体,该形体可以在设定的三维空间行走。在机器人的前胸和后背分别布置可以显示的服装传感阵列,用传感点的颜色深浅来表示所读取数值的大小,最后通过调用传感数据就可以进行触觉数据显示和触觉图像显示,从而得到接触物的外形轮廓和接触面压力分布。
通过触觉传感得到大量的数据,在大量经过处理后的数据背后,隐藏着许多重要的信息,要提供象人眼一样的直觉的、交互的和反应灵敏的可视化环境。将传感数据用图像、曲线、二维图形、三维体和动画来显示,并可对其模式和相互关系进行可视化分析。数据可视化可以大大加快数据的处理速度,使实时产生的海量数据得到有效利用;可以在人与数据、人与人之间实现图像通信,从而使人们能够观察到数据中隐含的现象,为发现和理解科学规律提供有力工具;可以实现对计算和编程过程的引导和控制,通过交互手段改变过程所依据的条件,并观察其影响。
Claims (4)
1、机器人服装触觉传感信息融合数据处理方法,其特征在于:它包括如下步骤:
①首先在计算机内建立机器人服装触觉数据库,该数据库至少包括每个传感器的物理位置、从每个传感器获取数据所需要的时间、从每个传感器所获取数据的特性参数、每个传感器恢复误差补偿系数;
②数据获取:数据采集卡采集机器人服装上所有传感器传送过来的数据,并将采集到的传感数据送到计算机传感器缓存器中;
③对传感器缓存器中的数据进行预处理:将传感器缓存器中的每一个传感数据依次取出并按时序对传感信号进行滤波和补偿处理,同时根据传感器的时序控制信号并结合机器人服装触觉数据库中的信息,确定该数据对应的传感器的物理地址信息,该物理地址与机器人服装传感单元是一一对应映射关系,所有的数据处理完毕形成传感器模板的输出,该模板为传感器的上述物理地址、数据格式和传感器的数量;
④传感数据补偿:对上步处理后的数据再结合机器人服装触觉数据库中的特性参数和补偿系数进行数据补偿和修正;
⑤传感信息融合:将所有经补偿和修正后的传感数据综合成一个内在数据单元,通过概率密度公式曲线来分析传感器的特性功能,使用统计理论来定义误差探测标准,并定义间距量度标准来作为探测传感器误差的标准,把所有传感数据根据上述物理地址关联性逐一进行融合,同时对传感数据进行误差补偿和错误检测;
⑥将上步经融合处理后的数据用二维和三维图像显示出来从而得到接触物的外形轮廓和接触面压力分布。
2、根据权利要求1所述的机器人服装触觉传感信息融合数据处理方法,其特征在于:所述第②步数据采集卡采集数据的方法为:把整个触觉服装传感器分成若干个阵列块,将每个阵列块中传感器的行列引出线接入采样扫描电路,通过采样扫描电路进行块选,采样扫描电路块选信号由安装了数据采集卡的计算机产生,接着将选定的块传感器中每个传感单元的电压信号依次送入信号调理电路,再由计算机控制的数据采集卡将已调理好的信号采集到计算机中,并将采集到的数据存放在计算机传感器缓存器中。
3、根据权利要求1或2所述的机器人服装触觉传感信息融合数据处理方法,其特征在于:所述第⑥步图像显示方法为:首先在计算机内建立一个与实体机器人对应的机器人的三维图像,实体机器人服装上所有的传感器对应着三维图像中的坐标点,把步骤⑤经融合处理后的数据作为传感器的特征值,所述特征值在三维图像中在该传感器对应的坐标点上表示出来,特征值的大小用颜色深浅表示,最后通过调用传感数据就可以进行触觉数据显示和触觉图像显示,从而得到接触物的外形轮廓和接触面压力分布。
4、根据权利要求1或2所述的机器人服装触觉传感信息融合数据处理方法,其特征在于:将数据采集卡连续采集得到的同一传感器的三个数值在传感数据补偿和修正后取平均值作为该传感器补偿和修正后的实际输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100931234A CN100544622C (zh) | 2007-12-13 | 2007-12-13 | 机器人服装触觉传感信息融合数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100931234A CN100544622C (zh) | 2007-12-13 | 2007-12-13 | 机器人服装触觉传感信息融合数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101199370A CN101199370A (zh) | 2008-06-18 |
CN100544622C true CN100544622C (zh) | 2009-09-30 |
Family
ID=39514873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100931234A Expired - Fee Related CN100544622C (zh) | 2007-12-13 | 2007-12-13 | 机器人服装触觉传感信息融合数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100544622C (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011101927A1 (ja) * | 2010-02-19 | 2011-08-25 | チームラボ株式会社 | ディジタルサイネージシステム |
TW201317848A (zh) * | 2011-10-24 | 2013-05-01 | Rich Ip Technology Inc | 用以整合多組感測平面資料之控制系統 |
CN102331838B (zh) * | 2011-11-18 | 2014-04-16 | 东南大学 | 基于深度等高线的图像的振动触觉表达方法 |
CN102657400B (zh) * | 2012-04-27 | 2014-03-12 | 厦门理工学院 | 定位式组合缝制服装模板及其制备方法 |
CN103048069B (zh) * | 2013-01-15 | 2015-01-07 | 中国人民解放军总后勤部军需装备研究所 | 一种头盔适戴性测试评价*** |
CN104507180B (zh) * | 2014-12-29 | 2019-04-02 | 中山大学 | 基于数据密度相关度的无线传感器网络数据融合方法 |
CN105653021B (zh) * | 2015-08-31 | 2018-09-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种数据协同处理方法及装置 |
CN106980523A (zh) * | 2017-04-06 | 2017-07-25 | 裴克铭管理咨询(上海)有限公司 | 可视化工具自动化更新机制 |
CN108471176B (zh) * | 2018-05-02 | 2021-08-06 | 罗忠惠 | 一种用于移动设备的自对准无线充电宝及对准方法 |
CN110443879B (zh) * | 2019-07-24 | 2021-06-11 | 华中科技大学 | 一种基于神经网络的透视误差补偿方法 |
CN111000539A (zh) * | 2019-12-30 | 2020-04-14 | 北京丰顺科技发展有限公司 | 脉象采集、诊脉装置以及脉象采集数据处理方法 |
CN111000538A (zh) * | 2019-12-30 | 2020-04-14 | 北京丰顺科技发展有限公司 | 能超过人触觉空间分辨率的脉象采集、诊脉装置及方法 |
-
2007
- 2007-12-13 CN CNB2007100931234A patent/CN100544622C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101199370A (zh) | 2008-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100544622C (zh) | 机器人服装触觉传感信息融合数据处理方法 | |
CN101907448B (zh) | 一种基于双目三维视觉的深度测量方法 | |
CN109883533B (zh) | 基于机器视觉的低频振动测量方法 | |
Zuang et al. | A noise-tolerant algorithm for robotic hand-eye calibration with or without sensor orientation measurement | |
CN108269302B (zh) | 一种基于简易测量服的三维人体快速重建方法 | |
CN106951669B (zh) | 一种基于视觉认知的滚动轴承变工况故障诊断方法 | |
CN111062340B (zh) | 一种基于虚拟姿态样本合成的异常步态行为识别方法 | |
CN104240297A (zh) | 一种救援机器人三维环境地图实时构建方法 | |
CN102868811B (zh) | 一种基于实时视频处理的手机屏幕操控方法 | |
CN110443881B (zh) | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 | |
CN111553229A (zh) | 基于三维骨骼与lstm的工人动作识别方法及装置 | |
Yang et al. | Error analysis and planning accuracy for dimensional measurement in active vision inspection | |
Tongpadungrod et al. | An approach to optimise the critical sensor locations in one-dimensional novel distributive tactile surface to maximise performance | |
CN103217256A (zh) | 基于红外图像的局部灰度-熵差的泄漏检测定位方法 | |
Pezzementi et al. | Characterization and simulation of tactile sensors | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN115661862A (zh) | 一种基于压力视觉卷积模型的坐姿样本集自动标注方法 | |
CN113011344B (zh) | 一种基于机器视觉的引体向上数量计算方法 | |
CN115719363A (zh) | 可进行二维动态检测和三维重建的环境感知方法与*** | |
US11941851B2 (en) | Systems and methods for calibrating imaging and spatial orientation sensors | |
CN101794373B (zh) | 带旋转的亚像素匹配算法在机器视觉***中的应用方法 | |
Su | Camera calibration based on receptive fields | |
Zhao et al. | A real-time handheld 3D temperature field reconstruction system | |
Spence et al. | Automotive sheet metal and grid digitizing solutions | |
Wang et al. | Research on Dynamic Gesture Recognition with Low-Pixel ToF-Sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090930 Termination date: 20121213 |