面向無(wú)人化取料機(jī)的毫米波雷達(dá)感知技術(shù)

　　摘要：針對(duì)散料港口無(wú)人化取料機(jī)往復(fù)取料效率低，毫米波雷達(dá)感知數(shù)據(jù)集噪聲多、波動(dòng)頻繁、數(shù)據(jù)不平衡導(dǎo)致現(xiàn)有機(jī)器學(xué)習(xí)分類模型效果欠佳等問(wèn)題，提出了一種基于改進(jìn)模糊孿生支持向量機(jī)結(jié)合近鄰算法的孿生重疊敏感邊距分類器的料堆邊界感知方法。首先，利用毫米波雷達(dá)獲取料堆邊界掃描數(shù)據(jù)并進(jìn)行預(yù)處理，依據(jù)空間分布以及作業(yè)特點(diǎn)設(shè)計(jì)提取點(diǎn)云的10維特征，組成料堆點(diǎn)云樣本數(shù)據(jù)集;其次，引入改進(jìn)模糊隸屬度函數(shù)的模糊孿生支持向量機(jī)，將料堆點(diǎn)云樣本數(shù)據(jù)集劃分為重疊與非重疊區(qū)域;然后，采用模糊孿生支持向量機(jī)決策邊界、近鄰算法分別對(duì)非重疊與重疊區(qū)域樣本進(jìn)行分類，以提高對(duì)不平衡數(shù)據(jù)集的分類能力;最后，將得到的分類結(jié)果加入感知環(huán)節(jié)，達(dá)到料堆邊界感知目的。在人工作業(yè)雷達(dá)采集的數(shù)據(jù)集上的實(shí)驗(yàn)表明，所提出感知方法有效提高了對(duì)少數(shù)類的識(shí)別能力�，F(xiàn)場(chǎng)實(shí)驗(yàn)表明，改進(jìn)后的感知方法更接近操作員的判斷，斗輪空轉(zhuǎn)時(shí)間占比減少15.1%，提高了無(wú)人化取料機(jī)的作業(yè)效率，對(duì)無(wú)人化散料港口的建設(shè)具有參考意義。

　　關(guān)鍵詞：毫米波雷達(dá)點(diǎn)云不平衡數(shù)據(jù)集模糊支持向量機(jī)孿生支持向量機(jī)智慧港口

　　引言

　　智慧港口是國(guó)家倡導(dǎo)的重點(diǎn)發(fā)展方向之一，也是現(xiàn)代物流向“智能化、綠色化、高效化”轉(zhuǎn)型升級(jí)的重要環(huán)節(jié)。其中散料港口無(wú)人化改造是智慧港口建設(shè)不可或缺的一部分，取料機(jī)作為散料港口中數(shù)量最多、使用率最高的機(jī)械設(shè)備，其單機(jī)作業(yè)效率對(duì)港口效益的影響最為顯著。

　　無(wú)人化運(yùn)行取料機(jī)需要環(huán)境感知、智能決策、自動(dòng)執(zhí)行三個(gè)環(huán)節(jié)支撐，環(huán)境感知作為整個(gè)系統(tǒng)與外界信息交互的關(guān)鍵，能夠提高對(duì)自身狀態(tài)和作業(yè)環(huán)境的理解能力[1]，確保無(wú)人化系統(tǒng)安全高效運(yùn)行。由于目前環(huán)境感知對(duì)料堆邊界識(shí)別效果差，取料機(jī)在料堆邊界減速時(shí)斗輪空轉(zhuǎn)時(shí)間長(zhǎng)，導(dǎo)致取料效率低。因此，優(yōu)化取料機(jī)感知環(huán)節(jié)對(duì)提高港口經(jīng)濟(jì)效益、無(wú)人化程度以及助力智慧港口建設(shè)有重要意義[2]。由于環(huán)境感知環(huán)節(jié)中缺乏全面的料堆邊界感知手段，無(wú)法根據(jù)料堆輪廓進(jìn)行減速位置預(yù)判，從而嚴(yán)重影響了取料機(jī)作業(yè)效率。

　　無(wú)人機(jī)論文范例：無(wú)人機(jī)測(cè)繪數(shù)據(jù)處理關(guān)鍵技術(shù)及應(yīng)用的相關(guān)分析

　　近年來(lái)，超聲波雷達(dá)、激光雷達(dá)、毫米波雷達(dá)等傳感器以及機(jī)器學(xué)習(xí)算法在自動(dòng)駕駛領(lǐng)域的廣泛應(yīng)用為無(wú)人化取料機(jī)系統(tǒng)的環(huán)境感知提供了重要參考，使取料機(jī)感知系統(tǒng)可以獲取料堆輪廓的點(diǎn)云數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)分類算法對(duì)人工作業(yè)時(shí)正常取料過(guò)程“垛中”和料堆邊界減速過(guò)程“垛外”兩類點(diǎn)云數(shù)據(jù)學(xué)習(xí)，從而在無(wú)人作業(yè)時(shí)能夠預(yù)判取料機(jī)回轉(zhuǎn)減速位置。然而，在料堆輪廓點(diǎn)云數(shù)據(jù)的分類問(wèn)題中，“垛外”樣本占樣本總數(shù)較少，且根據(jù)操作員的個(gè)人經(jīng)驗(yàn)標(biāo)注樣本存在錯(cuò)誤標(biāo)注的問(wèn)題。

　　取料機(jī)作業(yè)時(shí)伴隨的機(jī)械振動(dòng)和塵霧水霧也會(huì)增加雷達(dá)掃描數(shù)據(jù)的噪聲。因此，料堆輪廓點(diǎn)云數(shù)據(jù)存在樣本數(shù)量不平衡、樣本重疊以及存在噪聲樣本的問(wèn)題。上述問(wèn)題在機(jī)器學(xué)習(xí)領(lǐng)域中被歸類為不平衡數(shù)據(jù)集問(wèn)題，其主要包含兩類：類間樣本數(shù)量不平衡問(wèn)題和類間樣本重疊問(wèn)題。

　　由于傳統(tǒng)分類算法大多基于正確率(accuracy)最大化和樣本分布平衡建立模型，當(dāng)訓(xùn)練數(shù)據(jù)集不平衡時(shí)預(yù)測(cè)結(jié)果會(huì)出現(xiàn)偏斜性[3,4]，對(duì)少數(shù)類的分類性能明顯降低。目前針對(duì)不平衡數(shù)據(jù)集的解決方法主要有兩種，前者基于數(shù)據(jù)集的改造，通過(guò)重采樣平衡樣本數(shù)據(jù)集。如Chawla等[5]提出基于合成新數(shù)據(jù)的SMOTE過(guò)采樣算法，通過(guò)增加少數(shù)類樣本平衡數(shù)據(jù)集，Lin等[6]提出基于聚類的降采樣算法，剔除部分多數(shù)類樣本平衡數(shù)據(jù)集，以及Georgios等[7]提出means聚類結(jié)合SMOTE的重采樣算法，提高了合成數(shù)據(jù)的可靠性。后者則從機(jī)器學(xué)習(xí)算法改進(jìn)出發(fā)，如Batuwita等[8]提出了FSVM和改變類間懲罰成本結(jié)合的方法(FSVMCIL)，對(duì)噪聲魯棒并改善了數(shù)據(jù)集預(yù)測(cè)結(jié)果的偏斜性。

　　Zhu等[9]提出了基于熵的矩陣學(xué)習(xí)機(jī)，并在實(shí)際應(yīng)用中驗(yàn)證了方法的有效性。Batista等[10]指出類間樣本重疊是造成分類算法性能下降的主要原因，而重采樣方法對(duì)解決樣本重疊問(wèn)題幫助十分有限�，F(xiàn)有方法僅對(duì)樣本不平衡和樣本重疊單獨(dú)進(jìn)行分析，在實(shí)際應(yīng)用中兩類問(wèn)題同時(shí)存在時(shí)處理結(jié)果不夠理想[11]。綜合來(lái)看，雖然數(shù)據(jù)重采樣處理不平衡數(shù)據(jù)集通用性比較好，但存在引入噪聲、損失關(guān)鍵信息、容易過(guò)擬合、對(duì)樣本重疊的數(shù)據(jù)集分類結(jié)果改善不明顯等問(wèn)題[12]，所以算法改進(jìn)更加適合解決實(shí)際問(wèn)題。本文基于機(jī)器學(xué)習(xí)分類算法對(duì)取料機(jī)感知系統(tǒng)進(jìn)行優(yōu)化，提出通過(guò)學(xué)習(xí)人工作業(yè)采集的雷達(dá)點(diǎn)云數(shù)據(jù)特征，來(lái)模擬操作員對(duì)料堆邊界的感知方式。針對(duì)傳統(tǒng)方法對(duì)不平衡數(shù)據(jù)集處理能力較差的問(wèn)題，提出了孿生重疊敏感邊距(twinoverlapsensitivemargin,TOSM分類模型。

　　對(duì)毫米波雷達(dá)點(diǎn)云進(jìn)行預(yù)處理并提取特征組成樣本數(shù)據(jù)集后，使用改進(jìn)的孿生模糊支持向量機(jī)fuzzytwinsupportvectormachines,FTSVM)將數(shù)據(jù)集分割為非重疊和重疊區(qū)域，并對(duì)非重疊區(qū)域樣本分類。在限制重疊區(qū)域樣本占總體比例的前提下，使用NN算法進(jìn)行重疊樣本分類。點(diǎn)云的數(shù)據(jù)集分類實(shí)驗(yàn)證明，所提出分類器性能優(yōu)于傳統(tǒng)分類方法。加入TOSM方法的感知環(huán)節(jié)能預(yù)測(cè)出合理減速位置，較斗輪功率和距離預(yù)測(cè)的方法更接近人工作業(yè)，顯著減小了取料機(jī)在回轉(zhuǎn)邊界的斗輪空轉(zhuǎn)時(shí)間。

　　1料堆邊界感知方法

　　取料作業(yè)可分為以下四個(gè)過(guò)程：接受任務(wù)、走行對(duì)位、往復(fù)取料、到量停止。如圖所示，在接收中控室下發(fā)的作業(yè)任務(wù)后，取料機(jī)走行到指定料堆附近完成對(duì)位;繼而進(jìn)入往復(fù)取料過(guò)程：懸臂向左側(cè)回轉(zhuǎn)取料，直至斗輪到達(dá)料堆左側(cè)邊界，回轉(zhuǎn)減速并向前進(jìn)車，再向右側(cè)回轉(zhuǎn)取料;當(dāng)取料量累積到任務(wù)額度，則抬升取料機(jī)懸臂，停止取料�？梢�(jiàn)，料堆邊界的感知信號(hào)參與了往復(fù)取料過(guò)程的控制，決定斗輪的回轉(zhuǎn)方向。因此，快速、準(zhǔn)確的檢測(cè)料堆邊界對(duì)提高取料機(jī)的作業(yè)效率有重要作用。

　　投運(yùn)的無(wú)人化散料港口中，料堆邊界的感知手段有測(cè)量料堆切削面與斗輪距離、斗輪負(fù)載功率、料堆模型計(jì)算。前兩種通過(guò)設(shè)定閾值判斷當(dāng)前位置能否進(jìn)車，但無(wú)法獲知理想進(jìn)車位置。第三種方法受限于料堆模型誤差和數(shù)據(jù)更新滯后，實(shí)際效果不理想�，F(xiàn)有邊界感知方法均會(huì)在邊界導(dǎo)致斗輪空轉(zhuǎn)，降低取料效率。因此提出基于毫米波雷達(dá)的改進(jìn)方式，通過(guò)雷達(dá)點(diǎn)云挖掘料堆輪廓特征，引入機(jī)器學(xué)習(xí)算法識(shí)別操作員對(duì)料堆形狀的預(yù)判，模擬人工對(duì)料堆邊界的處理。

　　2基于點(diǎn)云的料堆邊界感知

　　2.1料堆點(diǎn)云的獲取

　　目前，大場(chǎng)景點(diǎn)云獲取方式主要有雙目視覺(jué)、激光雷達(dá)和毫米波雷達(dá)，相比前兩者，毫米波雷達(dá)探測(cè)范圍大，對(duì)雨、霧、煙、塵的穿透能力強(qiáng)[13]，適合大霧天氣多、鹽霧濃度高、揚(yáng)塵污染嚴(yán)重的散料港口。基于現(xiàn)有條件在取料機(jī)斗輪左右兩側(cè)各安裝一臺(tái)毫米波雷達(dá)，采集作業(yè)中料堆輪廓點(diǎn)云，選用大陸集團(tuán)ARS408毫米波雷達(dá)。

　　2.2料堆點(diǎn)云的預(yù)處理

　　掃描過(guò)程由于設(shè)備振動(dòng)和環(huán)境變化將產(chǎn)生離群點(diǎn)，干擾后續(xù)算法應(yīng)用。利用直通濾波與統(tǒng)計(jì)濾波算法進(jìn)行預(yù)處理，確定興趣區(qū)域，濾除無(wú)效點(diǎn)，減少對(duì)數(shù)據(jù)分析的影響。直通濾波通過(guò)限制數(shù)據(jù)范圍剔除無(wú)效數(shù)據(jù)14]，為避免掃描到相鄰料堆影響后續(xù)點(diǎn)云分析，定義圓錐形料堆的興趣區(qū)域?yàn)閳A形作業(yè)平臺(tái)范圍。根據(jù)相似三角形和休止角原理，在已知料堆堆積高度的情況下可計(jì)算出當(dāng)前斗輪作業(yè)平臺(tái)的直徑。

　　2.3基于機(jī)器學(xué)習(xí)的邊界感知方法

　　工業(yè)智能化是工業(yè)生產(chǎn)轉(zhuǎn)型升級(jí)的重要趨勢(shì)，基于人工智能的建模、預(yù)測(cè)、診斷、優(yōu)化、決策在工業(yè)領(lǐng)域不斷展現(xiàn)優(yōu)勢(shì)。因此選擇機(jī)器學(xué)習(xí)算法識(shí)別取料過(guò)程點(diǎn)云特征，優(yōu)化料堆邊界感知問(wèn)題。操作員通過(guò)視覺(jué)感知可以預(yù)判料堆邊界提前減速，斗輪在料堆邊界空轉(zhuǎn)時(shí)間較短。通過(guò)標(biāo)注好的點(diǎn)云數(shù)據(jù)樣本對(duì)機(jī)器學(xué)習(xí)模型訓(xùn)練，將人工操作的取料機(jī)回轉(zhuǎn)減速過(guò)程點(diǎn)云和其他狀態(tài)點(diǎn)云進(jìn)行區(qū)分，模擬人工作業(yè)對(duì)料堆邊界的判斷。

　　2.4點(diǎn)云樣本標(biāo)注和特征提取

　　料堆邊界感知的理想效果是模仿人類通過(guò)視覺(jué)預(yù)判減速位置，使取料機(jī)回轉(zhuǎn)減速至靜止時(shí)，斗輪處于料堆邊界附近，既具備進(jìn)車條件又不會(huì)在垛邊殘留過(guò)多散料。在點(diǎn)云標(biāo)注中，將人工操作時(shí)取料機(jī)在料堆邊界的停止回轉(zhuǎn)角Δ作為理想值。取料機(jī)通過(guò)變頻器控制回轉(zhuǎn)電機(jī)，減速時(shí)可在1.6°回轉(zhuǎn)角內(nèi)減速至靜止，結(jié)合設(shè)備操作規(guī)程和人工操作經(jīng)驗(yàn)，設(shè)置回轉(zhuǎn)制動(dòng)裕量2.5°滿足減速需求，回轉(zhuǎn)到邊過(guò)程中將點(diǎn)云數(shù)據(jù)以Δ前2.5°為界，分別標(biāo)注為“垛中”和“垛外”。

　　樣本標(biāo)注完成后需提取點(diǎn)云特征進(jìn)行學(xué)習(xí)15]，在數(shù)據(jù)分類問(wèn)題中，樣本特征的選取直接關(guān)系到模型分類性能。顯然，較少的點(diǎn)云數(shù)據(jù)是不利于分析其特征的，但是自動(dòng)執(zhí)行環(huán)節(jié)要求料堆邊界感知信號(hào)頻率至少為1Hz，因此考慮數(shù)據(jù)采集和運(yùn)算過(guò)程的時(shí)間，每次將雷達(dá).5秒內(nèi)采集的數(shù)據(jù)合并處理，依靠取料機(jī)搭載的工控機(jī)運(yùn)算能力能夠滿足要求。雖然預(yù)處理時(shí)按雷達(dá)軌跡對(duì)毫米波雷達(dá)二維點(diǎn)云進(jìn)行拼接，但雷達(dá)在短時(shí)間內(nèi)的移動(dòng)距離極小，料堆點(diǎn)云的局部特征區(qū)別不明顯。因此，采用法向量、曲率、FPFH作為分類特征并不理想。

　　3重疊敏感邊距分類器

　　3.1模糊孿生支持向量機(jī)

　　標(biāo)準(zhǔn)的模糊支持向量機(jī)FSVM)、孿生支持向量機(jī)TSVM)算法即使考慮了數(shù)量不平衡的問(wèn)題，但支持向量仍集中在樣本重疊區(qū)域，導(dǎo)致非重疊區(qū)域的分類正確率較差。針對(duì)此問(wèn)題提出了孿生重疊敏感邊距分類器twinoverlapsensitivemargin,TOSM)的不平衡數(shù)據(jù)集處理算法。

　　4實(shí)驗(yàn)與結(jié)論分析

　　為驗(yàn)證本文提出的感知方法和TOSM分類性能，分別進(jìn)行了數(shù)據(jù)集測(cè)試和現(xiàn)場(chǎng)應(yīng)用驗(yàn)證�；�于MATLAB軟件，在雷達(dá)點(diǎn)云數(shù)據(jù)集上進(jìn)行了分類性能測(cè)試。通過(guò)部署訓(xùn)練模型的C++動(dòng)態(tài)鏈接庫(kù)將識(shí)別方法加入感知環(huán)節(jié)，在取料機(jī)無(wú)人化重載調(diào)試過(guò)程進(jìn)行了現(xiàn)場(chǎng)驗(yàn)證，證明了該方法的可行性。

　　4.1模型評(píng)價(jià)指標(biāo)的選擇

　　數(shù)據(jù)集不平衡的分類問(wèn)題，個(gè)別典型評(píng)價(jià)指標(biāo)會(huì)給出誤導(dǎo)性的分類能力評(píng)價(jià)，因此實(shí)驗(yàn)中選擇了正確率Acc、查準(zhǔn)率Pre、mean以及F1score四個(gè)指標(biāo)衡量模型性能。

　　4.2TOSM分類實(shí)驗(yàn)結(jié)果分析

　　采用TOSM分類器對(duì)不平衡數(shù)據(jù)集進(jìn)行分類試驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)采用2020年10月2021年月曹妃甸某港口取料機(jī)人工作業(yè)和自動(dòng)作業(yè)過(guò)程中，在操作員嚴(yán)格按照規(guī)章作業(yè)的條件下采集的點(diǎn)云數(shù)據(jù)。實(shí)驗(yàn)以操作員在邊界的回轉(zhuǎn)角作為理想值標(biāo)準(zhǔn)值。樣本數(shù)量的選取依據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中泛化誤差界概念，在不引入噪聲的前提下盡量擴(kuò)大訓(xùn)練樣本數(shù)以降低泛化誤差18]。

　　5結(jié)論

　　本文針對(duì)無(wú)人化取料機(jī)的毫米波感知技術(shù)進(jìn)行研究，利用機(jī)器學(xué)習(xí)模型分析人工作業(yè)時(shí)雷達(dá)點(diǎn)云數(shù)據(jù)特征，針對(duì)點(diǎn)云數(shù)據(jù)集的不平衡性導(dǎo)致分類難度增加的問(wèn)題，提出一種基于重疊敏感成本的孿生模糊支持向量機(jī)(TOSM)，相比其他傳統(tǒng)方法更適合處理不平衡數(shù)據(jù)集�；�于TOSM改進(jìn)感知系統(tǒng)后，實(shí)現(xiàn)了取料機(jī)作業(yè)中預(yù)判減速位置的功能。重載實(shí)驗(yàn)表明本文提出的感知技術(shù)比改進(jìn)前增加了取料效率，降低了斗輪空載時(shí)間。

　　在后續(xù)工作中，重點(diǎn)考慮建立案例庫(kù)的方式進(jìn)一步優(yōu)化感知系統(tǒng)。通過(guò)記錄料堆煤種、數(shù)量、堆積方式、堆積位置以及整個(gè)作業(yè)過(guò)程的點(diǎn)云數(shù)據(jù)，訓(xùn)練邊界感知模型。對(duì)新作業(yè)料堆，通過(guò)“身份信息”，選用案例庫(kù)中最相似的模型識(shí)別到邊減速位置。目前正在開(kāi)展黃驊某礦石碼頭取料機(jī)改造工作，推廣時(shí)需根據(jù)現(xiàn)場(chǎng)作業(yè)規(guī)范收集數(shù)據(jù)訓(xùn)練模型。綜上所述，基于機(jī)器學(xué)習(xí)優(yōu)化感知系統(tǒng)的方法具有可行性與實(shí)用價(jià)值，為散料港口中無(wú)人化取料機(jī)的感知技術(shù)研究提供了探索經(jīng)驗(yàn)。

　　參考文獻(xiàn)

　　[1]柴天佑.工業(yè)人工智能發(fā)展方向[J].自動(dòng)化學(xué)報(bào),2020,46(10):20052012.CHAITY.Developmentdirectionsofindustrialartificialintelligence[J].ActaAutomaticaSinica,2020,46(10):20052012.

　　[2]陳致遠(yuǎn).黃驊港智能堆場(chǎng)研究[J].起重運(yùn)輸機(jī)械,2019(2):4651.CHENZY,ResearchonintelligentstorageyardofHuanghuaPort[J].HoistingandConveyingMachinery,2019(2):4651.

　　作者：孔德明*,張鈺,曹帥,王立成

轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/27573.html