周　嶸，吳皓瑩

(武漢理工大學(xué) 信息工程學(xué)院 ，湖北 武漢 430070)

?

基于神經(jīng)網(wǎng)絡(luò)的觸覺感知方向識別研究

周嶸，吳皓瑩

(武漢理工大學(xué) 信息工程學(xué)院 ，湖北 武漢 430070)

摘要：觸覺感知信息的模式識別可以有效提高人機(jī)交互的效率，為此設(shè)計了一種觸覺傳感單元功能模塊，可以在2D平面內(nèi)識別人機(jī)接觸的方向信息。采用PCA算法來提取觸覺感知數(shù)據(jù)特征，從而去除數(shù)據(jù)的噪音并且降低維度；采用BP神經(jīng)網(wǎng)絡(luò)對人機(jī)接觸方式進(jìn)行識別分類，提高魯棒性。對于不同實驗對象的訓(xùn)練樣本和測試樣本進(jìn)行數(shù)據(jù)采集，結(jié)果表明該方法可以實現(xiàn)93.1%的模式識別正確率。

關(guān)鍵詞：觸覺；PCA算法；BP神經(jīng)網(wǎng)絡(luò)；模式識別

為了提高人機(jī)交互的效率，需要對各種人機(jī)交互模式進(jìn)行正確的識別和分類[1-2]。對人類而言，觸覺信息是探測和學(xué)習(xí)日常物品屬性的基礎(chǔ)。觸覺陣列傳感器擁有感知分布式觸覺信息的能力，是人機(jī)視、聽覺交互的不可或缺的補充，因此該傳感器已被廣泛地應(yīng)用于機(jī)器人對環(huán)境信息的感知以及對人類意圖感知方面[3]。目前大多數(shù)觸覺陣列系統(tǒng)被用來感知外界物體的材質(zhì)和形狀，但是在機(jī)器人感知人類抓握方向，進(jìn)而結(jié)合外部環(huán)境識別出人類傳遞意圖信息方面研究較少。為此，筆者提出一種有效的方法，用來識別人類與機(jī)器人觸覺交互二維空間的6種方向。

1數(shù)據(jù)采集和特征提取

1.1數(shù)據(jù)采集

實驗的硬件架構(gòu)由觸覺陣列傳感器、手柄、掃描電路、通信模塊，以及一臺用來進(jìn)行數(shù)據(jù)處理的PC組成。觸摸傳感器的掃描節(jié)點用來檢測觸覺信息。實驗所用陣列傳感器的柔韌性非常好，足以環(huán)繞在柱狀手柄上。這個多點觸摸傳感器具有一個活躍區(qū)，用來測量施加在手柄上的力。實驗中的掃描電路用來實時檢測每個單元并獲取信息[4]。傳感陣列的輸出送到一個由單片機(jī)控制的模擬-數(shù)字轉(zhuǎn)換器，并通過藍(lán)牙將信號送到PC。通過這種方法，就可以獲得手柄上的壓力分布。陣列傳感器如圖1所示。

圖1　觸覺陣列傳感器

由于觸摸傳感器表面是卷曲的，導(dǎo)致在一些區(qū)域出現(xiàn)虛假活躍狀態(tài)。為了排除測量前的初始壓力，用單片機(jī)進(jìn)行編程來調(diào)整偏移。在獲取測試數(shù)據(jù)之前，先測量10次初始電壓，取其平均值作為系統(tǒng)的偏移，模擬-數(shù)字轉(zhuǎn)換器的輸出減去偏移量便為施加在傳感器上的壓力。這樣，數(shù)據(jù)采集的預(yù)處理過程就完成了[5]。

1.2PCA處理

測量過程中最初的空間變量可以認(rèn)為是具有多維特征的特征值，并且它們通常彼此相關(guān)，數(shù)據(jù)也可以設(shè)置成顯著的模式。主成分分析(即PCA)，也叫Karhunen-Loeve變換，是一種廣泛使用的將多維空間變量劃分成最小維度子空間的方法[6]。特征向量對應(yīng)著最高的特征值和所定義的子空間。在這項工作中，采用PCA方法提取觸覺樣品的基本信息，算法步驟為：

(1)讀出10×16訓(xùn)練樣本的維度，并將其轉(zhuǎn)換為一個具有160個元素的矢量。

(3)計算樣本平均值，并從訓(xùn)練集中的每個樣本值減去該平均值。減法操作的結(jié)果形成矩陣A。每個圖像與平均圖像之間的差為φi=xi-ψ，該差矢量形成矩陣A，A={φ1,φ2，…，φM}。

(5)計算輸入樣本的特征Ωi=LTφi

2BP神經(jīng)網(wǎng)絡(luò)的原理

神經(jīng)網(wǎng)絡(luò)是一個模仿生物神經(jīng)系統(tǒng)一些行為的數(shù)學(xué)模型。其可以存儲信息，并且通過節(jié)點之間的連接就可以完成分類計算。反向傳播(BP)神經(jīng)網(wǎng)絡(luò)是一種廣泛使用的分類式神經(jīng)網(wǎng)絡(luò)，其中神經(jīng)元布置在各層中，每個神經(jīng)元只能與下一個層中的神經(jīng)元連接。每一層的狀態(tài)受其后面神經(jīng)細(xì)胞的影響。 BP網(wǎng)絡(luò)使用錯誤反饋算法和基于梯度下降的方法來糾正網(wǎng)絡(luò)的權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)的整個學(xué)習(xí)算法包括兩個階段[7]：向前傳播和向后傳播。在向前傳播的過程中，通過輸入信息算出輸出信息并傳播到輸出層，如果所需的輸出不能從輸出層中獲得，就應(yīng)該修改神經(jīng)元網(wǎng)絡(luò)的權(quán)重和閾值。當(dāng)誤差小于預(yù)定值或迭代次數(shù)大于預(yù)定值時，可以結(jié)束訓(xùn)練過程。

研究中采用BP神經(jīng)網(wǎng)絡(luò)來對6個不同的方向模式進(jìn)行分類。在這個網(wǎng)絡(luò)中有一個4神經(jīng)元的輸入層和一個6神經(jīng)元的輸出層，以及兩者之間的一個10神經(jīng)元的隱藏層。所選網(wǎng)絡(luò)訓(xùn)練功能根據(jù)BFGS準(zhǔn)牛頓方法更新權(quán)重和偏差，網(wǎng)絡(luò)性能通過誤差平方的平均值來度量。

3所用方法的操作步驟

由于干擾和觸覺信息的不確定性，初始信息矩陣被轉(zhuǎn)換為歸一化矩陣，PCA方法用來提取必要的信息，從而提高了觸覺信息的可靠性，降低了計算成本。引入BP神經(jīng)網(wǎng)絡(luò)是一種提高魯棒性的分類方法。

(1)數(shù)據(jù)采集和標(biāo)定。掃描電路驅(qū)動傳感器，通過硬件設(shè)備就可以獲得觸覺信息。獲得的電壓代表傳感器上的壓力分布，因此，初始的數(shù)據(jù)需要進(jìn)一步處理。

(2)初始數(shù)據(jù)預(yù)處理。獲得歸一化關(guān)系矩陣并且通過PCA方法提取初始數(shù)據(jù)的基本信息。所提取特征的維度低于初始數(shù)據(jù)，因而降低了計算量。

(3)使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別。 采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，當(dāng)一個預(yù)定的觸覺模式被識別，該模式的圖案就會在屏幕中顯示，同時觸發(fā)另一個序列。

4實驗

實驗由小組3名成員手握傳感器采集數(shù)據(jù)，采集到的數(shù)據(jù)被均分為兩份，一份用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另一份用于測試算法準(zhǔn)確性、魯棒性。所有成員均為右手握傳感器，實驗指定正北、西北、東北、正南、西南、東南6個方向作為實驗測試方向，分別讓測試者手握傳感器向該6個方向推拉，采集每人在每個方向上的100次使用數(shù)據(jù)，組成數(shù)據(jù)庫用于研究。圖2所示為各方向上采集到的典型樣本及所提取的特征值，可見采集到的數(shù)據(jù)在特征空間分布差異性，神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果及混淆矩陣，分別如圖3及表1所示。

圖2　采集到的典型樣本及提取的特征值

圖3　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

方式1方式2方式3方式4方式5方式6方式19402000方式20960000方式36293020方式40209820方式50002890方式6005007100

BP神經(jīng)網(wǎng)絡(luò)按照以下步驟進(jìn)行訓(xùn)練和測試：①提取所有觸覺樣品的基本特征并將其分為兩部分，每部分是獲得試驗樣本的一半，而且沒有共同樣本；②用第一部分特征值訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)和相應(yīng)的預(yù)期輸出數(shù)據(jù)創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò);③相應(yīng)的輸出數(shù)據(jù)可算出網(wǎng)絡(luò)的錯誤，改變權(quán)重來減小誤差;④重復(fù)上述步驟直到網(wǎng)絡(luò)的誤差小于之前設(shè)定的閾值；⑤用另一組樣品來測試所提出方法的準(zhǔn)確度和魯棒性。

從圖3和表1中可以看出，當(dāng)訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)都包含所有用戶的觸覺樣品時，可以達(dá)到93.1%的識別精度。

5結(jié)論

筆者采用PCA算法提取觸覺感知數(shù)據(jù)特征，用以消除數(shù)據(jù)的噪音并且降低維度，然后利用BP神經(jīng)網(wǎng)絡(luò)對人機(jī)接觸方式進(jìn)行識別分類，對于不同實驗對象的訓(xùn)練樣本和測試樣本，該方法可以實現(xiàn)93.1%的識別正確率，具有較好的魯棒性和正確率。但在個別二維方向上(西南方向)的識別率較低，需要進(jìn)一步改進(jìn)硬件平臺設(shè)計；未來還需進(jìn)一步研究三維空間的觸覺方向識別，為復(fù)雜環(huán)境下的人機(jī)交互提供更為豐富的意圖信息。

參考文獻(xiàn)：

[1]ARGALL B D,BILLARD A G.A survey of tactile human-robot interactions[J].Robotics and Autonomous Systems,2010,58(10):1159-1176.

[2]ROBINS B,AMIRABDOLLAHIAN F,JI Z,et al.Tactile interaction with a humanoid robot for children with autism: a casestudy analysis involving user requirements and results of an initialimplementation[C]∥RO-MAN.[S.l.]:[s.n.],2010:704-711.

[3]TIWANA M I,REDMOND S J， LOVELL N H.A review of tactile sensing technologies with applications in biomedical engineering[J].Sensors and Actuators A,2012(179):17-31.

[4]ZHANG T,LIU H,JIANG L,et al.Development of a flexible 3-D tactile sensor system for anthropomorphic artificial hand[J].Sensors Journal,2013,13(2):510-518.

[5]WU H,LIU H,LIU D.Two-dimensional direction recognition using uniaxial tactile arrays[J].Sensors Journal,2013,13(12):4897-4903.

[6]GHINEA G,KANNAN R,KANNAIYAN S.Gradient orientation based PCA subspace for novel face recognition[J].Access,2014(2):914-920.

[7]ZHOU J,GUO A,CELLER B.Fault detection and identification spanning multiple processes by integrating PCA with neural network[J].Applied Soft Computing,2014,1(14):4-11.

ZHOU Rong:Experimentalist；School of Information Engineering， WUT,Wuhan 430070,China.

[編輯：王志全]

文章編號：2095-3852(2016)01-0128-03

文獻(xiàn)標(biāo)志碼:A

收稿日期：2015-08-07.

作者簡介：周嶸(1974-),女，湖北武漢人，武漢理工大學(xué)信息工程學(xué)院實驗師.

基金項目：國家自然科學(xué)基金資助項目(61403289).

中圖分類號：TP391

DOI：10.3963/j.issn.2095-3852.2016.01.028

Tactile Pattern Recognition Based on BP Neural Network

ZHOU Rong， WU Haoying

Abstract：To improve the efficiency of communication in human-robot cooperation through tactile information,this paper proposes a method to recognize human intended direction in 2-D using an equipment with tactile arrays.The PCA method is employed in this study to extract essential information thus reduce computation complex and increase robustness.BP neural network is implemented for classifying the intended direction of human operators.Three members of the project team were involved in the study.The efficiency of proposed algorithm is investigated.Experimental results shows that the proposed method could achieve 93.1% recognition accuracy if both the training data and validation data contain tactile images from all the users.

Key words：tactile sensing；PCA method；BP neural network；pattern recognition