一种基于气象传感时序模式的运载机器人智能识别楼层的方法与流程

本发明属于机器人控制领域，特别涉及一种基于气象传感时序模式的运载机器人智能识别楼层的方法。

背景技术：

随着先进制造技术和人工智能技术的飞速发展，机器人拥有越来越广阔的应用前景。运载机器人作为一种自动化运输工具，受到广泛的关注。由于现代运输任务的复杂性要求，运载机器人需要实现不同楼层的运输服务。而运载机器人如何辨识电梯所到楼层，至今仍是一个难点。

目前，运载机器人识别电梯楼层的方法主要包括机器人视觉法、单片机信息读取法等。机器人视觉法是通过图像处理方式对电梯内部楼层数标号、机器人可视范围内人为设置标号等图像信息进行识别，该方法识别率高，但在强光照射、视觉遮挡等复杂环境下，机器人难以正确识别出所处楼层。单片机信息读取法是通过电梯内部改造，建立电梯与运载机器人的交互，识别率很高，但基于安全性、方便性考虑，现实条件下为现有电梯配置运载机器人楼层信号交互设备非常困难，因此该方法难以得到广泛应用。

中国专利cn102009883b中公开一种电梯轿厢位置检测装置，电梯轿厢中安装有气压检测海拔高度的数据采集通讯模块，该模块与电梯控制器连接；电梯控制器处理来自气压检测海拔高度的数据采集通讯模块的信号来获取电梯轿厢在井道内的位置。然而，该方法需要对电梯进行改造，如果直接用于运载机器人，还需要建立运载机器人与电梯的交互，困难较大；同时，由于气压会随着环境变化，直接用气压来辨识高度会出现不同环境条件下同一层高度数据不同的情况，这会造成运载机器人楼层辨识错误。

技术实现要素：

本发明提供了一种基于气象传感时序模式的运载机器人智能识别楼层的方法，其目的在于克服上述方法中存在的不足，利用气压随高度变化而变化的特征，对电梯所在环境数据进行特征融合处理，采用数据挖掘技术和分类建模处理，对机器人所在楼层进行实时判别。

一种基于气象传感时序模式的运载机器人智能识别楼层的方法，包括以下步骤：

步骤1：采集楼层历史信息数据，构建楼层信息数据库；

所述楼层历史信息数据包括各楼层在各种天气条件下不同时间间隔区间中的天气观测值，所述天气观测值包括温度、湿度以及气压；

步骤2：对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合，每一种天气模式对应一组温度区间、湿度区间以及气压区间；

所述样本是指在一个时间间隔内采集的天气观测值均值，时间间隔是将历史数据采集时间作为一个连续的时间段，进行等间距划分，设定为1小时；

当单个楼层的气压受天气条件影响较大时，需要获取单个楼层所属的典型天气，即每一个楼层会对应多种天气模式，在不同的天气模式下，获得的气压值不同；相同天气模式下，同一楼层在不同时间间隔区间下的气压值相近；典型天气模式数量依据当地天气条件和经验确定；

不同日期内相同时间段内的样本属于不同的样本，比如历史数据采集时间为1年，将得到365*24个时间间隔，每一个时间间隔中的天气观测值均值为一个样本；

步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；

将所有样本中的气压均值按照天气模式进行划分后，对相同天气模式下所有楼层的气压均值进行合并，得到同一天气模式下全楼层的所有气压均值和对应楼层层号的训练子集，所有天气模式下的全楼层训练子集构成训练集合；

以楼层层号和某一时间间隔区间的气压均值作为训练子集中的一个元素，在一种天气模式的训练子集中，包含每个楼层在相同天气模式下各个时间间隔的气压均值；

步骤4：构建基于天气模式的气压楼层预测模型；

将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练基于wca的支持向量机svm的分类模型，获得基于天气模式的气压楼层预测模型；

单一的全楼层时间间隔区间模型对应单一天气模式下各个时间间隔区间下的各个楼层的观测值，是由观测值训练得到模型，不是由模型得到观测值。各种天气模式下各个时间间隔区间下的各个楼层的观测值对应各单一的全楼层时间间隔区间模型合并得到的模型集。

利用各种天气模式下各个时间间隔区间下的各个楼层的观测值得到了训练好的模型集，将当前的温度、湿度、气压观测值输入模型集可以先得到天气模式，再由天气模式和气压观测值进一步得到楼层层号。

步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；

步骤6：利用机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。

进一步的，所述基于wca的支持向量机svm的分类模型是以同一天气模式下不同气压均值数据及相应的楼层层号分别作为输入和输出训练数据，建立svm模型进行分类训练获得；

其中，所建立的svm模型选择高斯函数作为核函数，svm模型的参数c和g采用wca算法进行优化选择。

进一步的，所述svm模型的参数c和g采用wca算法进行优化选择的过程如下：

(1)将降雨过程中的每一个降雨层作为一组参数c和g，利用降雨过程随机生成降雨层种群；

设定降雨层种群数量的取值范围为[10,80]，海洋数量为1，河流数量的取值范围为[3,29]，最大迭代次数的取值范围为[200,2000]；

(2)依次将所有降雨层对应的参数c和g代入不同天气模式下的svm模型中，对同一天气模式下各楼层的所有历史样本进行分类，得到每个样本的分类结果，将所有样本的楼层分类结果和真实楼层结果之间的差值绝对值求均值，作为平均绝对值误差作为适应度，以平均绝对值误差最小的降雨层作为大海，以平均绝对值误差次小的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；

每个降雨层的解为一个平均绝对值误差，对所有降雨层的解从小到大进行排序，平均绝对值误差最小的降雨层作为大海，接着选出排在大海后的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；

(3)如果溪流解优于河流解，则溪流与河流交换位置，如果河流解优于海洋解，则河流与海洋交换位置；然后使溪流流入河流，使河流汇入海洋；

(4)判断河流解与海洋解之间的差值绝对值是否小于设定的极小值，如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，返回(2)继续一次迭代，否则，进入(5)；

所述设定的极小值取值为0.01；

随机生成的新的降雨层数量与删掉的河流数量相同；

(5)判断是否满足终止条件，满足则输出最优的降雨层对应的参数，不满足则进入(2)继续一次迭代；

所述终止条件是指迭代次数达到最大迭代次数。

利用wca优化的svm模型完成预测模型的建立，wca算法用于优化svm算法的惩罚系数c及核参数g，提高了svm算法的泛化能力和预测精度，且svm模型具有优良的非线性映射能力，将wca算法与svm模型相结合，使得预测模型更加准确、可靠。

进一步的，采用fcm聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合。

进一步的，采用cs算法获取用于fcm聚类的初始聚类中心，具体过程如下：

步骤a：从单一楼层样本集ai中随机选取与单一楼层天气模式数相同的n个样本作为待优化的fcm初始聚类中心，再随机选取s个样本作为更新鸟巢，以所选的n+s个样本作为鸟巢的初始位置，种群为单一楼层样本集中的所有的q个样本，同时设定最大发现概率p和最大迭代次数；

步骤b：以离鸟巢最近的[q/(n+s)]+1个样本点到鸟巢的欧氏距离之和为适应度函数，对各个鸟巢做适应度计算，得到当前最优的n个鸟巢位置；

步骤c：记录上一代最优的n个鸟巢位置，通过莱维飞行模式对剩余的s个鸟巢位置和状态进行更新；

步骤d：对各个鸟巢做适应度计算，得到当前最优的n个鸟巢位置，把当前最优的n个鸟巢位置与上次最优的n个鸟巢位置进行对比，如果当前鸟巢位置更好，则更新鸟巢位置，如果上次最优的鸟巢位置更好，则保留上次的鸟巢位置；

步骤e：设定随机数[0,1]为鸟巢宿主发现外来蛋的概率，用该随机数与p相比，如果随机数更大，则对被发现的鸟巢位置进行随机改变，反之则不变；

步骤f：判断此时最优的n个鸟巢位置是否达到精度要求，或满足迭代次数，如果达到，则输出最优的n个鸟巢位置，否则继续迭代更新，直到满足终止条件；

以最优的n个鸟巢位置对应至单一楼层样品集ai中的n个样本作为fcm的初始聚类中心。

在聚类过程中，采用cs优化的fcm聚类算法对楼层信息数据进行聚类，cs算法用于优化选择fcm算法的初始聚类中心，可以有效避免fcm算法初始聚类中心过于密集的情况发生，提高了fcm聚类的准确性，减少了fcm聚类计算的迭代次数，且fcm聚类算法对数据具有优良的智能划分能力，将cs算法与fcm聚类算法结合，可以极大提升聚类效果。

进一步的，所述采用fcm聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类时，初始聚类中心n取值范围为[5，30]，更新鸟巢s的取值范围为[1，20]，最大发现概率p取值范围为[0.60，0.95]。

进一步的，所述机器人上装载的气压传感器的相对气压精度为[﹣0.036，﹢0.036]hpa。

采集天气观测值的温度传感器精度要求：[﹣0.1，﹢0.1]c；湿度传感器精度要求：2％rh。

有益效果

本发明提供了一种基于气象传感时序模式的运载机器人智能识别楼层的方法，包括：步骤1：采集楼层历史数据，构建楼层信息数据库；步骤2：对楼层信息数据进行聚类，得到每个楼层的天气模式集合；步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；步骤4：构建基于天气模式的气压楼层预测模型；步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；步骤6：利用机器人实时采集的气压，输入气压楼层预测模型中，输出机器人所在的楼层层号；该方法利用简易的温度、湿度、气压传感器搜集数据，建立环境数据库，并针对气压随高度变化而变化的特性，采用数据挖掘技术，实现机器人在不同环境条件下的电梯楼层自动高准确度、高稳定性识别。此外，本发明无需对电梯进行改造，能适用于各种电梯，具有极高的普适性。

附图说明

图1为本发明所述方法的原理流程图；

图2为本发明中cs优化的fcm模型构建流程图；

图3为本发明中wca优化的svm模型构建流程图；

图4为应用本发明所述方法识别楼层准确率示意图。

具体实施方式

如图1-图3所示，一种基于气象传感时序模式的运载机器人智能识别楼层的方法，包括以下步骤：

步骤1：在机器人投入使用前，搜集楼栋不同时间下各楼层的温度、湿度、气压数据，建立数据库且在机器人投入使用后数据库仍然保持更新，以层高为10层的某一楼栋为例。

步骤2：将楼层编号为楼层1-楼层10，将搜集的各楼层数据按照不同楼层进行分类。

步骤3：设定相邻两整点的每小时为时间间隔，提取10个楼层每小时内温度、湿度、气压的均值。

步骤4：对每一个单一楼层，将温度、湿度、气压的均值作为观测值，将每个时间间隔区间的观测值作为样本，则楼层1-楼层10构成样本集a1-a10，设每个样本集包括不同时间间隔区间的200个样本。

对各样本集建立fcm(模糊c-均值聚类算法)，并使用cs(布谷鸟算法)优化fcm的初始聚类中心，在同一天气模式下，不同时间间隔的观测值比较接近，设合适的模式有15个，如某楼层的模式1为：温度20-25℃，湿度65±2％rh，气压990-995hpa；模式2为：温度25-30℃，湿度65±2％rh，气压985-990hpa等。

则可以得到单一楼层的模式1-模式15，分别建立10个楼层的模式集。

cs优化fcm的初始聚类中心步骤如下：

(1)从单一楼层样本集a3中随机选取15个样本作为待优化的fcm初始聚类中心，再随机选取5个样本作为更新鸟巢，所选的15个样本作为鸟巢的初始位置，种群规模为200，同时设定最大发现概率0.9和最大迭代次数500；

(2)以离鸟巢最近的11个样本点到鸟巢的欧氏距离之和为适应度函数，对各个鸟巢做适应度计算，得到当前最优的15个鸟巢位置；

(3)记录上一代最优的15个鸟巢位置，通过莱维飞行模式对剩余的5个鸟巢位置和状态进行更新；

(4)对各个鸟巢做适应度计算，得到当前最优的15个鸟巢位置，把当前最优的15个鸟巢位置与上次最优的15个鸟巢位置进行对比，如果当前鸟巢位置更好，则更新鸟巢位置，如果上次最优的鸟巢位置更好，则保留上次的鸟巢位置；

(5)设定随机数[0,1]为鸟巢宿主发现外来蛋的概率，用该随机数与0.9相比，如果随机数更大，则对被发现的鸟巢位置进行随机改变，反之则不变；

(6)判断此时最优的15个鸟巢位置是否达到精度要求，或满足迭代次数，如果达到，则输出最优的15个鸟巢位置，否则继续迭代更新，直到满足终止条件。

fcm计算步骤如下：

(1)给定模糊因子1.5，最大迭代次数500，最小误差0.001，聚类类别数为15，种群规模为200，选择cs(布谷鸟算法)得到的单一楼层样品集a3中特定的15个样本作为初始聚类中心。

(2)初始化隶属度矩阵以及迭代次数b＝0；

(3)根据下式更新隶属度矩阵：

其中，wij表示隶属度，dij表示样本xj与第i类的聚类中心vi之间的距离，m为模糊因子，m本实例中取值为2；n表示聚类中心数量，本实例中取值为15。

(4)根据下式更新聚类中心：

其中，xk表示第k个样本；

(5)比较相邻两次隶属度矩阵，如果两者之差小于给定最小误差或者迭代次数大于设定的最大迭代次数，则结束，否则继续迭代，直到满足终止条件。

步骤5：提取所有楼层同一模式(同时间段)下各样品数据的气压均值数据，得到全楼层模式1’-模式15’，建立全楼层模式集。

步骤6：如图2所示，对于全楼层模式1’-模式15’，以同一模式下不同气压均值数据为输入，以相应的楼层数为输出，建立wca(水循环算法)优化的svm(支持向量机)进行训练，得到训练模型1’-模型15’，建立模型集。

wca(水循环算法)优化的svm(支持向量机)计算步骤如下：

(1)以同一模式下不同气压均值数据及相应的楼层数为输入输出训练数据，建立svm模型进行分类训练；

(2)所建立的svm模型选择高斯函数作为核函数，svm模型的参数：惩罚系数c和核函数半径g采用wca算法进行优化选择，设定参数c的取值范围为[0.1,100]，参数g的取值范围设为[0.01,1000]；

(3)设定wca算法中的降雨层个数为50、河流个数为12、海洋个数为1、最大迭代次数为500；

(4)通过降雨过程随机产生初始种群，降雨过程中的每层雨滴代表一组参数c和g，选择最好的1个降雨层作为大海，选择12个较好的降雨层作为河流，其余的37个降雨层认为是流入河流或海洋的溪流，把降雨层(参数c和g)带入svm模型，并计算平均绝对误差，将该值作为wca算法的适应度；

(5)如果溪流解优于河流解，则溪流与河流交换位置，如果河流解优于海洋解，则河流与海洋交换位置；使溪流流入河流，使河流汇入海洋；

(6)判断是否满足降雨条件，如果满足，则进行降雨过程(返回步骤(4))，不满足，则继续迭代；

(7)判断是否满足终止条件，满足则输出最优参数c和g，不满足则继续迭代；

(8)得到svm模型的最优参数c和g，带入训练数据，对svm模型进行训练，得到训练模型。

步骤7：设机器人开始工作时，处于楼层5。机器人获取楼层5的温度、湿度、气压数据(瞬时值或短时间内的均值)，根据各楼层模式集，与对应楼层5进行模式识别，判断此时模式为楼层5的模式8；根据全楼层模式集，找出此时对应的全楼层模式8’；同理，根据模型集，找出此时对应的模型8’。

步骤8：机器人得到指令前往楼层9，此时初始化微处理器和com端口。

步骤9：机器人到达楼层7，电梯停止，机器人收集当前气压数据(瞬时值或短时间内的均值)。

步骤10：机器人将当前气压数据带入训练好的模型8’进行判定，此时输出为楼层7，机器人继续停留在电梯内，等待电梯下一次停止；

步骤11：机器人到达楼层9，电梯停止，机器人收集当前气压数据(瞬时值或短时间内的均值)，并将当前气压数据带入训练好的模型8’进行判定，此时输出为楼层9，则机器人在电梯门充分打开后离开电梯。

利用本发明所提出的方法对某运载机器人识别楼层的准确率进行试验检验，试验工况如下：(1)在不同日期分别运行辨识方法100次，合计运行10天，共计1000次；(2)机器人的车载笔记本自动读取电梯plc的楼层信息，同时但机器人运行到不同楼层后，运用本专利所提出的方法识别当前层的楼层信息并存储到机器人的车载笔记本中；(3)对比分析本专利所提出的方法的识别准确率。试验结果见图4所示，在这1000次试验中，本专利所提出的方法成功识别出当前机器人楼层次979次(输出“1”代表识别成功)，错误识别21次(输出“0”代表识别错误)，因此识别成功率为97.9％，表明本发明所述方法具有较高的识别精度。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。