基于时序深度置信网络的在线人体动作识别

在线人体动作识别是人体动作识别的最终目标,但由于如何分割动作序列是一个待解决的难点问题,因此目前大多数人体动作识别方法仅关注在分割好的动作序列中进行动作识别,未关注在线人体动作识别问题.本文针对这一问题,提出了一种可以完成在线人体动作识别的时序深度置信网络（Temporal deep belief network, TDBN）模型.该模型充分利用动作序列前后帧提供的上下文信息,解决了目前深度置信网络模型仅能识别静态图像的问题,不仅大大提高了动作识别的准确率,而且由于该模型不需要人为对动作序列进行分割,可以从动作进行中的任意时刻开始识别,实现了真正意义上的在线动作识别,为实际应用打下了较好的理论基础.     

基于SE-CNN的服务机器人运动系统云端故障诊断方法

研究并设计了一种基于服务机器人云平台的故障诊断系统.传统算法只关注服务机器人某一时刻的状态数据,所提取的特征信息有限,因而难以较好地完成故障诊断任务.在这种背景下,提出了基于时间序列关联特征的故障诊断方法.首先,对采集的服务机器人数据进行归一化和后向差分预处理,消除数据量纲并获取数据变化特征;其次,利用滑动窗口来生成时间序列样本,保证每个样本包含足够的特征信息;然后,应用卷积神经网络(CNN)挖掘时间序列的关联特征,并在网络中引入通道注意力网络(squeeze-and-excitation network,SENet),构建了一种SE-CNN模型.该模型能够自适应调整特征通道的重要程度,聚焦于更有效的特征通道,从而提高了诊断精度.对比实验与实际场景下的综合测试证明了本文提出的故障自诊断方法的可行性和有效性.     

多PCA模型及SVM-DS融合决策的服务机器人故障诊断

针对轮式服务机器人驱动系统故障诊断问题,提出一种基于多主成分分析(principal component analysis,简称PCA)模型及支持向量机和DS证据理论(support vector machine and dempster-shafer,简称SVM-DS)融合决策的故障诊断方法,分别利用正常状态和故障状态下的传感器数据建立多个PCA模型。利用正常状态下的PCA模型实现故障的检测。传感器数据经多PCA模型特征提取后作为SVM的输入向量,实现故障的初步分离。基于混淆矩阵定义SVM的全局及局部可信度,并依据可信度值和故障初步分离结果完成基本概率分配函数的赋值,以实现SVM和DS证据理论在故障分离中的有效结合。实验结果表明,本研究方法能灵敏检测到机器人驱动系统故障的发生,故障分离平均正确率达92.6%,与传统单PCA模型的方法相比有更高的正确率和稳定性。     

STM32和iNEMO模块的高精度计步器设计

设计了一种基于STM32F103RET6和iNEMOMEMS模块的高精度计步器。采用ST公司基于ARMCortex—M3内核的STM32单片机作为核心处理器,iNEMOMEMS模块采集行人行走时腰部的加速度信息,结合人行走时的步态特征,对加速度信息的实时处理实现高精度计步功能。实验结果表明,本计步器能够将步态信息及计步数据可靠地传输至远端PC机,具有体积小、可靠性高、计步准确等优点。