劉 罡, 朱茂飛， 張春鵬， 鐘 華

(合肥學院先進制造工程學院, 安徽 合肥 230601)

0 引 言

從傳感器數(shù)據(jù)中學習行為模式的問題出現(xiàn)在許多應(yīng)用中，包括智能環(huán)境[1，6]，監(jiān)控[7，9]，人類機器人交互[4,5]，以及殘疾人輔助技術(shù)。研究的熱點之一是使用來自傳感器的數(shù)據(jù)，來學習識別機器人在固定的時間段內(nèi)從事的活動[3,4]。這項研究的目標是將機器人活動的一天分為日?；顒樱纭肮ぷ鳌?、“訪問”，并識別和標記重要的地方“教室”、“學生公寓”、“物品站”。

1 分層活動模型

活動模型的基本概念如圖1所示。模型中的每個圓圈表示一個對象，如北斗定位系統(tǒng)讀數(shù)、活動或重要的位置。

北斗定位系統(tǒng)讀數(shù)是模型的輸入。每個活動節(jié)點代表某個區(qū)域內(nèi)的一組連續(xù)的北斗定位系統(tǒng)讀數(shù)。標準的動態(tài)貝葉斯網(wǎng)絡(luò)或隱馬爾可夫模型只有有限的支持。

活動是為空間分段的北斗定位系統(tǒng)軌跡中的每個節(jié)點估計的，如圖1所示。區(qū)分兩大類活動，導航活動和重要活動。與導航相關(guān)的活動包括自主行走、乘坐交通工具(節(jié)省機器人自身動力需要)。重要的活動通常在機器人停留在某個位置時執(zhí)行，例如送物品、休息、取物品/裝物品，或者當機器人切換移動模式時，例如上交通工具/下交通工具。

圖1 基于位置的活動識別的概念層次

重要位置是在機器人的活動中起重要作用的地方。這些地方包括機器人的充電站和工作站，機器人通常使用的交通工具乘坐點等等。

2 條件隨機場

研究目標是設(shè)計概率時間模型并從北斗導航讀數(shù)序列中提取高級活動。一種方法是使用生成模型，如隱馬爾可夫模型[7，8,2]或動態(tài)貝葉斯網(wǎng)絡(luò)。然而，諸如條件隨機場(CRF)之類的判別模型被證明在諸如自然語言處理和計算機視覺等領(lǐng)域優(yōu)于生成技術(shù)。

使用識別圖模型中的分層條件隨機場。條件隨機場中的節(jié)點代表一系列觀測值(如北斗定位系統(tǒng)讀數(shù))，表示為x = ，以及相應(yīng)的隱藏狀態(tài)(例如活動)，表示為y =。隱藏狀態(tài)y上的條件分布p(y|x)。設(shè)C為給定條件隨機場中所有派系的集合。條件隨機場將條件分布分解成團勢Фc(xc，yc)的乘積，其中每一個c∈C都是圖的團，xc和yc是這樣一個集團中觀察到的和隱藏的節(jié)點。隱藏狀態(tài)上的條件分布被寫成公式(1)：

(1)

其中Z(x)=Σy∏c∈Cφc(xc,yc)是歸一化函數(shù)。Фc(xc，yc)由特征函數(shù)fc()的對數(shù)線性組合來描述，如公式(2)：

(2)

(3)

(4)

2.1 參數(shù)學習

參數(shù)學習的目標是確定公式(4)中使用的特征函數(shù)的權(quán)重。權(quán)重的確定是為了最大化標記訓練數(shù)據(jù)的條件似然p(y|x)。

2.1.1 在學習算法的推導過程中，將式(4)改寫為公式(5)，(6)：

(5)

(6)

其中w和f分別是條件隨機場中所有集團的權(quán)重和特征函數(shù)“疊加”后得到的向量。為了避免過度擬合，將目標函數(shù)梯度定義如公式(7)-(10):

(7)

(8)

(9)

(10)

2.2 最大偽似然估計

條件似然性的以下近似如公式(11):

(11)

其中MB(yi)是變量yi的馬爾科夫毯，包含條件隨機場圖中yi的近鄰(學習過程中每個節(jié)點的值是已知的)。偽似然可以重寫為公式(12)：

(12)

其中f(yi，MB(yi))是涉及變量yi的局部特征計數(shù)，Z(MB(yi),w) =Σyi‘exp{wT· f(yi‘,MB(yi‘))}是局部歸一化函數(shù)。目標函數(shù)變成公式(13)，(14)：

(13)

(14)

梯度可以計算為公式(15)：

(15)

3 活動識別的條件隨機場

3.1 從北斗到街景

構(gòu)建了一個考慮北斗定位系統(tǒng)讀數(shù)之間空間關(guān)系的條件隨機場，結(jié)構(gòu)如圖2所示。觀察到的實心節(jié)點對應(yīng)于北斗定位系統(tǒng)讀數(shù)，其中下標t表示時間指數(shù)，白色節(jié)點代表街景斑塊st，對應(yīng)于第3章中的隱藏狀態(tài)y。北斗定位系統(tǒng)讀數(shù)gt一定距離內(nèi)的街景斑塊上的每個st的值。圖2中的線條定義了條件隨機場的團結(jié)構(gòu)。通過以下特征函數(shù)定義:

測量小集團(圖2中的藍色):北斗定位系統(tǒng)噪聲和地圖不確定性由小集團考慮，其特征測量北斗定位系統(tǒng)測量值與其關(guān)聯(lián)的斑塊中心之間的平方距離如公式(16):

(16)

其中g(shù)t是第t個北斗定位系統(tǒng)讀數(shù)的位置。st表示gt附近的一個街區(qū)的中心。σ用于控制距離的比例。

圖2 條件隨機場將北斗定位系統(tǒng)測量與街景斑塊相關(guān)聯(lián)

一致性小集團(圖2中的黃色):時間一致性由四個節(jié)點小集團保證。特征函數(shù)比較北斗定位系統(tǒng)讀數(shù)和相關(guān)斑塊之間的矢量如公式(17):

fcons(gt,gt+1,st,st+1)=

(17)

st和st+1是連續(xù)兩次關(guān)聯(lián)的街景斑塊的中心。

平滑小集團(圖2中的灰色):使用二進制特征來測試連續(xù)的斑塊是在同一條街景上、相鄰的街景上還是在同一個方向上。以下二元特征檢查街景和方向是否相同如公式(18):

fsmooth(st,st+1)=δ(st.street,st+1.street)·

δ(st.direction,st+1.direction)

(18)

其中，δ(u，v)是指示函數(shù)，如果u = v，則等于1，否則等于0。

3.2 推斷重要地點的活動和類型

一旦北斗定位系統(tǒng)軌跡被分割，系統(tǒng)就會生成一個新的條件隨機場，其中包含從北斗定位系統(tǒng)軌跡中提取的每個片段的隱藏活動節(jié)點。該條件隨機場由圖3所示的兩個較低級別組成。

圖3 標識活動和場所的條件隨機場

在一個地方發(fā)生的活動強烈地表明了這個地方的類型。例如，在工作站，機器人主要是工作，而在充電站，機器人主要是充電。圖3中的節(jié)點p1，a1和aN-2形成了這樣一個團。該模型計算每個地方發(fā)生的不同活動。在實驗中，將計數(shù)離散為四類:計數(shù)= 0，計數(shù)= 1，2 ≤計數(shù)≤ 3，計數(shù)≥ 4。對于地點類型、活動類型和頻率類別的每個組合，都有一個指示特征。

3.3 位置檢測和標記算法

表1總結(jié)了構(gòu)建的條件隨機場的算法。該算法將北斗定位系統(tǒng)軌跡作為輸入。

表1 檢測重要地點并推斷活動和地點類型的算法

4 實驗結(jié)果

從三個不同的機器人那里收集了北斗定位系統(tǒng)數(shù)據(jù)，每個機器人大約七d的數(shù)據(jù)。每個機器人的數(shù)據(jù)由大約800個北斗定位系統(tǒng)測量組成，導致大約200個片段。手動標記所有活動和重要位置。使用遺漏交叉驗證進行評估，使用最大偽似然進行學習，這需要(在3.0 GHz的PC上)大約5min來收斂到訓練數(shù)據(jù)。圖4(a)是將北斗定位系統(tǒng)軌跡捕捉到街道地圖的方法所實現(xiàn)的質(zhì)量。圖4(b)顯示了兩種方法實現(xiàn)的假陽性和假陰性率。模型相比閾值法表現(xiàn)得更好:它只產(chǎn)生4個假陽性和3個假陰性。

圖4 (a)街道地圖(線)上的北斗定位軌跡(灰色圓圈)和相關(guān)的網(wǎng)格單元(黑色圓圈);(b)提取的重要位置的準確性。

表2顯示了重要活動的活動估計結(jié)果。如果在沒有發(fā)生重大活動時檢測到重大活動，則該實例被視為假陽性(FP)，如果發(fā)生重大活動但被標記為非重大活動(如行走)，則該實例被視為假陰性(FN)。

表2 交叉驗證數(shù)據(jù)的活動混淆矩陣

表3提供了不同評估的活動推斷準確性。只顯示重要的活動，該系統(tǒng)實現(xiàn)了80%以上的導航活動的準確性，如自主行走，或交通工具。前兩行提供了表2所示混淆矩陣的準確度值。方法在估計重要活動時達到了85%以上的準確率，無論有沒有街道地圖。表4所示的混淆矩陣總結(jié)了在檢測和標記重要位置方面所取得的結(jié)果。該方法在標記用于測試的機器人的充電站和工作地點時沒有錯誤。位置檢測和標記的總體準確率為95%。無論是否使用街道地圖，地點檢測結(jié)果都是相同的。

表3 活動評估

表4 地點混淆矩陣

5 結(jié) 語

與現(xiàn)有技術(shù)相比，使用一致的框架來進行低級推理和提取機器人的重要位置。通過迭代構(gòu)建一個分層的條件隨機場來實現(xiàn)的，其中上層是基于下層的映射推理生成的。在模型中使用偽似然的判別學習和使用循環(huán)信念傳播的推理可以非常有效地執(zhí)行。基于北斗定位系統(tǒng)數(shù)據(jù)的實驗表明不僅能夠了解機器人的重要位置，它還可以推斷出低級別的活動，如走路、工作或上車。未來將在模型中添加更多類型的傳感器，包括由可穿戴多傳感器收集的數(shù)據(jù)，如3軸加速度、音頻信號。使用這些傳感器提供的附加信息，系統(tǒng)將能夠執(zhí)行極其細粒度的活動識別。