張春宇, 劉福才, 程雪聰

(燕山大學 智能控制系統(tǒng)與智能裝備教育部工程研究中心, 河北 秦皇島 066004)

1 引 言

行為特征識別是對物體特定的動作類型或運動方式進行分類和識別,其具有很高的研究價值,是人們精準操控機器的重要條件。目前,對于物體特征識別的方法大致分為基于機器視覺識別以及基于傳感器識別兩大類[1]?；跈C器視覺的測量技術作為一種新的非接觸測量方法是以圖像處理為核心[2],對視頻序列中行為逐幀進行描述和識別,視覺識別處理運算量大,過程復雜,且容易受到環(huán)境因素影響。而基于傳感器的識別具有成本低,體積小和不易受環(huán)境影響等優(yōu)點。但高精度微機電系統(tǒng)(micro-electro-mechanical system，MEMS) 由于其成本高昂,目前只在航天,軍工等高端領域使用,無法廣泛應用于民用行業(yè),因此對低成本傳感器應用的相關研究依舊有著很重要的意義。如今中低精度的MEMS慣性傳感器已被廣泛應用于姿態(tài)檢測系統(tǒng)中以獲取人體的姿態(tài)信息,測量小型飛行器姿態(tài),確定移動設備的運動狀態(tài)以及步進信息等[3～5]。隨著MEMS傳感器的不斷發(fā)展,設計小型化、低功耗、低成本、精度適中的測姿系統(tǒng),使之靈活地應用于各領域成為可能[6]。

當前常用的姿態(tài)檢測算法主要分為基于閾值數(shù)據(jù)處理的算法和機器學習的算法。在閾值法中,首先測量當前載體的加速度和角速度值,通過數(shù)據(jù)處理得到組合特征量,設定合適的閾值。當載體的姿態(tài)特征值超過閾值時,判斷為行為變化狀態(tài);否則視為行為沒有變化。由于閾值的設定存在不確定性,在不同的應用領域準確度差異性較大。近年來研究者們開始將機器學習方法引入到姿態(tài)行為檢測系統(tǒng)中,其中包括支持向量機(SVM)[7]、隨機森林[8,9]、隱馬爾科夫鏈[10]等。作為機器學習的一種方法,人工神經(jīng)網(wǎng)絡具有自主學習性強、面對復雜數(shù)據(jù)快速尋找最優(yōu)解的能力。為此,本文通過慣性傳感器檢測載體運動行為參數(shù),提取行為特征向量,采用徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡訓練和構建分類模型,識別水下航行器的基本行為。

2 MEMS的數(shù)據(jù)采集與融合

將MEMS慣性傳感器應用到自主水下航行器上,采用RBF神經(jīng)網(wǎng)絡算法對水下航行器的基本行為進行識別分類,整個流程如圖1所示。

圖1 水下航行器行為識別流程Fig.1 Underwater vehicle behavior recognition process

將MEMS慣性傳感器做好防水后固定在水下航行器上,采集水下航行器在運動過程中的加速度計數(shù)據(jù)、陀螺儀數(shù)據(jù)以及陀螺儀與加速度計的數(shù)據(jù)解算得到實時的姿態(tài)角度,運用RBF神經(jīng)網(wǎng)絡對姿態(tài)檢測系統(tǒng)采集的上述數(shù)據(jù)進行狀態(tài)轉(zhuǎn)換和特征提取,對提取特征后的特征值進行訓練和分類,從而達到對水下航行器基本運動特征的識別。

目前,MEMS慣性器件主要包括3大類,微加速度計、微陀螺儀以及微慣性測量組合[11]。由于 MEMS 的慣性器件一般是以硅為材料,結(jié)合半導體工藝制成。它不但擁有尺寸小、成本低、功耗低、可靠性高等特點,而且環(huán)境適應性強、抗振動沖擊能力高等許多優(yōu)點更是其它傳感器所沒有的[12]。傳感器采集的數(shù)據(jù)是帶有噪音的,采用單傳感器在對目標進行估計時,會產(chǎn)生較大誤差且出現(xiàn)不穩(wěn)定現(xiàn)象。一般需要通過對加速度傳感器和陀螺儀獲取的數(shù)據(jù)進行融合來實時修正系統(tǒng)所采集到的角度值,從而克服單傳感器在姿態(tài)角測量過程中的偏差問題?；诙鄠鞲衅鞯男畔⑷诤鲜且粋€非常重要的研究內(nèi)容,只有采用適宜的融合方法才能達到最好的效果。文獻[13,14]采用的加權平均法是一種簡單、直觀的融合方法,它將傳感器信息進行加權平均的結(jié)果作為融合值,適用于動態(tài)環(huán)境,但運算精度不高。文獻[15]設計了基于梯度下降法的實時姿態(tài)測量系統(tǒng),并使用梯度下降算法來融合三軸加速度計IMU3000、三軸陀螺儀BMA180和三軸磁阻傳感器HMC5883L的數(shù)據(jù),完成了姿態(tài)角的測量。但梯度下降法收斂的步長對收斂性有很大影響,使用條件有所限制。

在慣性測量模塊中,相對于加速度計,陀螺儀的精度會高一些,但是時間長了會漂移;加速度計沒有明顯隨著時間增加的漂移，但其精度不高且對噪聲過于敏感。在MEMS慣性傳感器的數(shù)據(jù)融合算法中最為常見的莫過于卡爾曼濾波,卡爾曼濾波算法是一個最優(yōu)化自回歸數(shù)據(jù)處理算法,在大多數(shù)應用場景下都能夠提供最優(yōu)的解法。該算法的基本思想是采用遞推的計算形式,即根據(jù)前一時刻的估計值和當前時刻的測量值,以最小均方差的最優(yōu)估計原則,得到當前時刻的估計值[16]。 卡爾曼濾波算法最大特點就是可以實時地對狀態(tài)量進行動態(tài)估計,并利用遞推算法,根據(jù)新的觀測量對狀態(tài)量的先驗估計進行校正,從而提高濾波器的性能。根據(jù)卡爾曼濾波原理,構建系統(tǒng)狀態(tài)方程和測量方程:

Xk=FXk-1+Buk+wk

(1)

Zk=HXk+vk

(2)

式中:Xk為當前系統(tǒng)狀態(tài)矩陣;Xk-1為上一時刻系統(tǒng)狀態(tài);F為狀態(tài)轉(zhuǎn)移模型矩陣;uk為系統(tǒng)控制輸入,B為控制輸入模型矩陣;wk為過程噪聲;Zk為系統(tǒng)觀測值;vk為測量噪聲;H為觀測模型矩陣,作用是將系統(tǒng)真實狀態(tài)空間映射到觀測空間。過程噪聲和測量噪聲皆符合均值為0,協(xié)方差分別為Q和R的高斯分布。

(3)

Pk|k-1=FPk-1|k-1FT+Qk

(4)

(5)

Sk=HPk|k-1HT+R

(6)

計算卡爾曼增益Kk:

(7)

(8)

Pk|k=(I-KkH)Pk|k-1

(9)

卡爾曼濾波在數(shù)據(jù)融合中被廣泛應用,它屬于貝葉斯濾波的一種,在MEMS慣性傳感器融合中通常將陀螺儀數(shù)據(jù)作為預測,加速度數(shù)據(jù)作為觀測數(shù)據(jù),進而得出更完整的,一致的姿態(tài)角的狀態(tài)估計。

本文采用集成三軸加速度計與三軸陀螺儀于一身的JY901來獲取水下航行器在各個狀態(tài)下的加速度值、角速度值以及解算后的姿態(tài)角,將MEMS慣性傳感器安裝固定在水下航行器的質(zhì)心位置。根據(jù)分析水下航行器的運動特點,本設計數(shù)據(jù)采集頻率設置為20 Hz。通過對照視頻錄像與采集數(shù)據(jù)的絕對時間來對各類狀態(tài)的數(shù)據(jù)進行收集,每類行為的數(shù)據(jù)量為50組。

3 數(shù)據(jù)特征提取與RBF分類器實現(xiàn)

3.1 數(shù)據(jù)采集與特征提取

一般來講,RBF網(wǎng)絡需要的輸入具有固定的格式,而MEMS傳感器采集到的數(shù)據(jù)是1組數(shù)據(jù)流,因此需要將數(shù)據(jù)流分割成固定格式的數(shù)據(jù)窗,作為RBF網(wǎng)絡的輸入。目前主要使用重疊的滑動分割窗來分割數(shù)據(jù)?；瑒臃指畲暗闹丿B率是1個需要結(jié)合系統(tǒng)延遲、算力需求和計算功耗等因素綜合考慮的超參數(shù)。大部分研究人員通常會使用25%～75%的重疊率[17]。圖2是使用重疊率為50% 的滑動分割窗分割加速度數(shù)據(jù)的示意圖。假定1個滑動分割窗的長度為60個采樣點(按20 Hz的采用頻率計算,1個滑動分割窗的時間長度為3 s),第1個滑動分割窗的采樣范圍是從第1個采樣點到第60個采樣點。由于滑動分割窗的重疊率為50%,第2個滑動分割窗的采樣范圍是從第31個采樣點到第90個采樣點,生成2個滑動分割窗的時間一共為4.5 s。

圖2 滑動分割窗分割數(shù)據(jù)Fig.2 Sliding segmentation window to segment data

特征提取方法主要包括時域特征提取和頻域特征提取[18,19],本設計主要提取的時域特征和頻域特征特征主要為均值、標準差、最小值、最大值、眾數(shù)、范圍(一個窗口內(nèi)最大值與最小值的差)、直流分量、幅度和功率譜密度等。

3.2 RBF神經(jīng)網(wǎng)絡分類算法

RBF可以看作是一個高維空間中的曲面擬合(逼近)問題,學習是為了在多維空間中尋找一個能夠最佳匹配訓練數(shù)據(jù)的曲面,然后來一批新的數(shù)據(jù),用上述訓練的曲面來處理(比如分類、回歸)。RBF的本質(zhì)思想是反向傳播學習算法應用遞歸技術,這種技術在統(tǒng)計學中被稱為隨機逼近。RBF里的basis function(徑向基函數(shù)里的基函數(shù))就是在神經(jīng)網(wǎng)絡的隱單元里提供了提供了一個函數(shù)集,該函數(shù)集在輸入模式(向量)擴展至隱空間時,為其構建了一個任意的“基”。這個函數(shù)集中的函數(shù)就被稱為徑向基函數(shù)。很明顯,RBF屬于神經(jīng)網(wǎng)絡領域,所以像很多神經(jīng)網(wǎng)絡一樣,其結(jié)構由輸入層、隱含層和輸出層3層組成[17]。RBF神經(jīng)網(wǎng)絡結(jié)構如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡Fig.3 RBF neural network

RBF分類器的實現(xiàn)主要分訓練階段和測試階段2個階段。其中訓練過程主要分為2步: 1) 無監(jiān)督學習階段:確定輸入層與隱含層的連接參數(shù)bij和cij;2) 有監(jiān)督學習階段:確定隱含層與輸出層權值Wij。

在RBF網(wǎng)絡的訓練中常用的方法為梯度下降法,具體如下:

1) 根據(jù)提取的特征和預期結(jié)果確定輸入向量x=[xi]T、輸出向量y=[yi]T以及期望輸出o=[oi]T;

2) 初始化隱含層中各神經(jīng)元的中心參數(shù)cij、寬度向量bij和隱含層與輸出層連接權值W=[W1,W2,…,Wm]T;

3) 根據(jù)實際輸出y=[yi]T與期望輸出o=[oi]T,采用梯度下降法,中心值寬度和輸出權重等參數(shù)通過自適應學習調(diào)節(jié)到最佳值。

實驗中應用 RBF 神經(jīng)網(wǎng)絡構建分類模型。首先,根據(jù)輸入的訓練樣本以及隨機產(chǎn)生的數(shù)據(jù)中心值和寬度計算隱含層輸出值；然后，將實際輸出與期望值的差值作為計算誤差與設定的標準誤差ε進行比較,并通過5類訓練樣本尋找滿足誤差要求的最佳模型參數(shù)。如果不滿足設定的誤差要求,則進行下一輪訓練;一旦滿足誤差要求,則保存模型參數(shù)。RBF分類器工作流程如圖4所示。

圖4 RBF分類器工作流程Fig.4 RBF classifier workflow

4 數(shù)據(jù)處理與實驗驗證

4.1 行為的數(shù)據(jù)處理

本文將水下航行器的狀態(tài)分為5類,分別為靜止、前行、左轉(zhuǎn)、右轉(zhuǎn)和調(diào)頭。每類的數(shù)據(jù)量為50組,又將各類的數(shù)據(jù)分為訓練數(shù)據(jù)和測試數(shù)據(jù),其中每類訓練數(shù)據(jù)為30組,測試數(shù)據(jù)為20組。

對采集到的右轉(zhuǎn)、左轉(zhuǎn)、調(diào)頭和前行的MEMS數(shù)據(jù)進行處理,如圖5～圖8所示。圖5為在水下航行器進行右轉(zhuǎn)時MEMS三軸加速度、三軸角速度以及z軸角度值,由圖5可見在水下航行器右轉(zhuǎn)過程中x、y軸加速度以及z軸的角速度變化明顯,而z角度的變化也可明顯判斷左轉(zhuǎn)(MEMS傳感器設定右轉(zhuǎn)為z軸角度減小,角度的變化范圍為180°,在超出范圍是會循環(huán)的,如圖5(c)所示)。

圖5 水下航行器右轉(zhuǎn)數(shù)據(jù)Fig.5 Right turn data of underwater vehicle

圖6為水下航行器進行左轉(zhuǎn)時MEMS三軸加速度、三軸角速度以及z軸角度值,由圖6(b)可見在水下航行器右轉(zhuǎn)過程中z軸的角速度變化最為明顯,x、y軸加速度有略微變化,而z角度的變化也可明顯判斷左轉(zhuǎn)(MEMS傳感器設定左轉(zhuǎn)為z軸角度增大)。

圖6 水下航行器左轉(zhuǎn)數(shù)據(jù)Fig.6 Left turn data of underwater vehicle

圖7為水下航行器進行調(diào)頭時MEMS三軸加速度、三軸角速度以及z軸角度值,由圖7可見在水下航行器調(diào)頭過程中傳感器的各個數(shù)據(jù)變化都要比左、右轉(zhuǎn)彎時幅值大。

圖7 水下航行器調(diào)頭數(shù)據(jù)Fig.7 Underwater vehicle U-turn data

圖8為水下航行器直行時MEMS三軸加速度、三軸角速度以及z軸角度值,由圖8可見在水下航行器直行轉(zhuǎn)過程中傳感器的各個數(shù)據(jù)變化都比較穩(wěn)定。

圖8 水下航行器直行數(shù)據(jù)Fig.8 Straight travel data of underwater vehicle

由于實驗用水下航行器運動機制類似于仿生魚,在所有運動的過程中均是左右擺動前行的,在圖5～圖8中z軸的角速度以及z軸的角度變化得以體現(xiàn),兩者皆以類似正弦規(guī)律變化。那么在所有的動態(tài)過程都會有小幅度的左右轉(zhuǎn)的現(xiàn)象。所以在數(shù)據(jù)提取中,以一定時間內(nèi)轉(zhuǎn)動超過20°的動作定義為左、右轉(zhuǎn)行為。而后再根據(jù)加速度、角速度以及角度的特征加以分類。

由于本文設計主要是判斷水下航行器在平面的行為,為了減少數(shù)據(jù)量過于繁雜,對于采集的加速度,角速度以及解算后的角度只使用與平面運動強相關的數(shù)據(jù)進行特征提取,來降低輸入量的維度,減少神經(jīng)網(wǎng)絡的復雜度。

4.2 RBF訓練與測試

以召回率R作為分類有效性判別指標,它表示的是樣本中的正例有多少被預測正確了。有2種可能,一種是把原來的正類預測成正類(PT),另一種就是把原來的正類預測為負類(NF),召回率的表達式為:

(10)

首先運用水下航行器直行、左轉(zhuǎn)、右轉(zhuǎn)、調(diào)頭和靜止的前30組特征值來對RBF網(wǎng)絡進行訓練,設置RBF函數(shù)的均方差的目標為0.01,擴展速度為22,最大迭代次數(shù)為500(該參數(shù)為多次嘗試后識別率最高,運行速度最快的參數(shù),再降低均方差后,即使迭代到最大迭代次數(shù)也無法滿足要求,而且識別率也無法提高)。在迭代次數(shù)達到55時,滿足分類器的均方差需要。本系統(tǒng)迭代次數(shù)與誤差關系如圖9所示。

圖9 迭代次數(shù)與誤差關系Fig.9 The relationship between the number of iterations and the error

在訓練完RBF神經(jīng)網(wǎng)絡后,對水下航行器各項基本動作的后20組測試樣本來對RBF網(wǎng)絡進行測試,其中1、2、3、4、5分別代表水下航行器直行、左轉(zhuǎn)、右轉(zhuǎn)、調(diào)頭和靜止,其結(jié)果如圖10所示。

圖10 RBF分類結(jié)果Fig.10 RBF classification results

系統(tǒng)的平均召回率為94%,其中直行的召回率為100%,左轉(zhuǎn)的100%,右轉(zhuǎn)為85%,調(diào)頭為85%,靜止狀態(tài)為100%。由此可見,分類器在對右轉(zhuǎn)狀態(tài)和調(diào)頭狀態(tài)進行識別時,容易與其它狀態(tài)混淆,分析原因一是特征提取不夠完善，二是對于RBF函數(shù)的參數(shù)選取還需繼續(xù)優(yōu)化。其余狀態(tài)的RBF分類器識別的召回率都比較高，可達到準確識別。

5 結(jié) 論

本文提出了一種基于MEMS傳感器與RBF神經(jīng)網(wǎng)絡的對水下航行器進行姿態(tài)檢測的方法,避免了基于視覺姿態(tài)檢測方法的處理過程復雜、運算量大,且容易受到環(huán)境因素影響等缺點。以水下航行器為被測載體,實現(xiàn)對水下航行器直行、左轉(zhuǎn)、右轉(zhuǎn)、調(diào)頭和靜止等基本動作的識別。利用MEMS慣性傳感器采集水下航行器在運動過程中的加速度、角速度以及解算后的角度,作為基本的采集數(shù)據(jù),對采集數(shù)據(jù)進行處理與特征提取后輸入到由RBF神經(jīng)網(wǎng)絡搭建的分類器進行訓練與測試。對于來自于在水下航行器運動過程中采集的運動行為數(shù)據(jù),采用RBF神經(jīng)網(wǎng)絡分類器進行姿態(tài)識別。實驗表明,系統(tǒng)的平均召回率為94%,其中直行的召回率為100%,左轉(zhuǎn)的100%,右轉(zhuǎn)為85%,調(diào)頭為85%,靜止狀態(tài)為100%。因此,本文提出的基于MEMS傳感器與RBF神經(jīng)網(wǎng)絡的姿態(tài)檢測方法能夠準確地識別水下航行器的基本行為。