基于直觉模糊集和证据理论的料堆抓取区域决策方法与流程

本发明属于工业自动化领域，涉及一种基于直觉模糊集和证据理论的料堆抓取区域决策方法。

背景技术：

1、随着工业自动化水平的不断提高，在无人作业场景下，对散料堆的快速准确识别与处理需求日益增加。在料堆自动化抓取阶段，由于散料堆的形状不规则，大小不统一等特点，往往会存在多个候选抓取区域，这些区域的特征可以从多个维度进行表示，不同特征对候选抓取区域的决策支持结果不尽相同，甚至出现矛盾，其中的关键问题是模拟人脑选取抓取区域的过程将候选区域的多维特征的决策结果进行综合融合，选取最利于抓取的区域进行抓取。

2、料堆抓取区域决策可建模成一个多准则决策问题，即对于n个决策候选项，存在m个指标对其进行评估，传统方法可直接将m个指标的评估值进行加权融合，但这种方式除了难以设定每个指标的权值外，还容易忽略指标之间的影响关系。针对这个问题，诞生了许多用于多准则决策的方法论，如topsis(逼近理想解排序法)通过构造多属性问题的理想解和负理想解，以方案靠近理想解和远离负理想解两个基准作为方案排序的准则，来选择最满意方案。这种方法在多准则决策中得到广泛应用，专利号为cn117991201a的发明专利将灰色关联度法引入topsis方法，根据评估指标间的相似性计算关联度，并结合指标对正理想解和负理想解的距离进行评估。专利号为cn114218959a的发明专利，对评估结果的语言信息用犹豫模糊语言术语集进行建模，将评估矩阵转换为语义区间，并从主观重要性和客观重要性的角度进行改进。上述方法采用综合完善的方法论对评估结果进行分析，但实际场景中，由于传感器误差等原因，评估结果往往存在不确定性。证据理论因其具备对不确定性的表示和处理能力，也逐渐被应用到多准则决策问题。如文献：谭春桥,贾媛.基于证据理论和前景理论的犹豫-直觉模糊语言多准则决策方法[j].控制与决策,2017,32(02)：333-339.doi：10.13195/j.kzyjc.2015.1598.提出一种基于证据理论和前景理论的犹豫-直觉模糊语言多准则决策方法，该方法用犹豫直觉模糊数对不确定环境下的多准则问题进行描述，利用前景理论考虑决策的价值函数与权重，并基于证据理论构建vikor决策模型对候选方案进行排序。文献：赵映彩,武晓春.基于证据理论和贝叶斯网络的tis系统风险评估[j].兰州交通大学学报,2024,43(02)：76-84.在贝叶斯网络中引入模糊理论和证据理论来确定参数，利用动态贝叶斯网络的双向推理，重要度分析等方法分析专家的多准则评估，确定风险等级。

3、本发明提出一种基于直觉模糊集和证据理论的料堆候选抓取区域决策算法，根据过往人工确定抓取区域的经验构建模糊语言术语集，再将每个候选料堆的多维度特征映射成对应评估结果，表示对每个候选料堆的支持度。最后利用证据理论对每个特征的评估结果进行不确定性分析和融合，确定每个候选料堆的优先级。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于直觉模糊集和证据理论的料堆抓取区域决策方法。

2、为达到上述目的，本发明提供如下技术方案：

3、基于直觉模糊集和证据理论的料堆抓取区域决策方法，该方法包括以下步骤：

4、步骤一：根据人工抓取经验，构建模糊语言术语集，并将候选区域的多维度特征映射成对应的直觉模糊数，表示对每个候选区域的支持度；

5、步骤二：将每个维度特征对所有候选区域的直觉模糊数综合，构建基本概率分配并归一化，形成辨识框架；

6、步骤三：利用证据理论的组合规则，对步骤二中的基本概率分配进行融合，得到融合后的基本概率分配；

7、步骤四：将步骤三中融合后的基本概率分配进行pignistic转换，确定每个候选区域的最终概率；

8、步骤五：根据步骤四中每个候选区域的最终概率大小，确定每个候选区域的抓取优先级。

9、进一步，步骤一中所述的模糊语言术语集包括：

10、非常值得抓取；对应的直觉模糊数为(0.9,0.1)；

11、值得抓取；对应的直觉模糊数为(0.75,0.2)；

12、适当考虑抓取；对应的直觉模糊数为(0.5,0.45)；

13、抓取优先级靠后；对应的直觉模糊数为(0.35,0.6)；

14、不值得抓取；对应的直觉模糊数为(0.1,0.9)。

15、进一步，步骤二中所述的辨识框架的构建规则为：

16、若存在n个候选区域的评估结果和隶属度相同，则构建的多元素集合的决策候选项的隶属度为该多元素集合中所有候选区域隶属度的平均值，其中，n>1；

17、构建的多元素集合的决策候选项的隶属度为：

18、

19、其中，μe(xi)表示多元素候选决策项的隶属度，μ(xij)表示μe(xi)中第j个单元素子集的初始隶属度，μe(xij)表示调整后的μe(xi)中第j个单元素子集的隶属度；|xi|表示多元素决策候选项中的元素个数。

20、进一步，步骤三中所述的证据理论组合规则为dempster-shafer组合规则。

21、进一步，步骤四中所述的pignistic转换公式为：

22、

23、将多元素子集的概率平均分配给单元素子集；

24、其中，a表示x上的直觉模糊集，x表示给定的论域；

25、a＝{<x,μa(x),νa(x)>|x∈x}

26、其中，μa(x)和νa(x)均为[0,1]的映射，满足0≤μa(x)+νa(x)≤1，μa(x)表示x相对于a的隶属度，νa(x)表示x相对于a的非隶属度；将m＝(μa(x),νa(x))称为直觉模糊数ifn，m(a)表示a的mass函数。

27、基于直觉模糊集和证据理论的料堆抓取区域决策系统，包括：

28、模糊语言术语集构建模块：用于根据人工抓取经验，构建模糊语言术语集，并将候选区域的多维度特征映射成对应的直觉模糊数；

29、基本概率分配模块：用于将每个维度特征对所有候选区域的直觉模糊数综合，构建基本概率分配并归一化，形成辨识框架；

30、证据理论融合模块：用于利用证据理论的组合规则，对基本概率分配模块中的基本概率分配进行融合，得到融合后的基本概率分配；

31、pignistic转换模块：用于将证据理论融合模块中融合后的基本概率分配进行pignistic转换，确定每个候选区域的最终概率；

32、优先级排序模块：用于根据pignistic转换模块中每个候选区域的最终概率大小，确定每个候选区域的抓取优先级。

33、本发明的有益效果在于：

34、(1)通过直觉模糊集描述候选区域的特征，可以更全面地反映候选区域的优势和劣势，避免单一指标评估的片面性，从而提高抓取准确率。

35、证据理论能够有效地处理决策过程中的不确定性，例如传感器误差等，从而进一步提高抓取准确率。

36、(2)该方法能够将多个维度特征的评估结果进行融合，并最终通过概率确定决策项的优先级，避免了传统方法中繁琐的加权计算过程，从而提升决策效率。

37、(3)证据理论能够有效地处理多源数据融合过程中的冲突，使得决策结果更加鲁棒，即使在存在不确定性因素的情况下也能做出合理的决策。

38、(4)该方法流程清晰，易于实现，并且可以根据实际应用场景进行扩展，例如添加新的特征或修改模糊语言术语集等。

39、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。