文摘

网络机器人智能空间为用户提供服务的同时连接到无处不在的仪器通过无处不在的无线网络环境。为更有效的行为规划网络机器人,有必要降低状态空间认识到智能空间的空间。提出了一种基于图自动生成的空间分类算法和朴素贝叶斯分类。该算法首先过滤空间的顺序优先使用自动生成的图表,从而最小化任务的数量需要预定义的人类。然后过滤空间诱导最后空间使用朴素贝叶斯分类的结果分类。实验的结果在虚拟环境中使用虚拟代理表明该算法的性能优于传统的朴素贝叶斯分类空间。

1。介绍

无处不在的工具、日常用品通过物联网连接(物联网),在整体管理无处不在的环境。在这样的环境中,网络机器人可以通过无线网络在智能空间操作。网络机器人可以有效地与无处不在的互动工具基于物联网和提供服务所需的老人或病人在智能空间。

然而,空间分类方法在智能空间减少,确定为一个空间单元是用来执行行为实时规划更实际的服务通过网络机器人。基于空间分类和朴素贝叶斯分类是多种空间分类方法,利用环境中的对象标识(1,2]。基于空间分类分类空间图使用一个预定义的人类。在这种方法中,图形表达空间和多个对象之间的包含关系;机器人搜索图来确定环境和图中标识的对象返回一个空间的对象是作为分类的结果。朴素贝叶斯分类分类空间使用对象的外观比例确定在不同的空间。它需要一个过程,节省的外观比例分类的知识库。在这种方法中,机器人搜索知识库确定对象的外观比环境和知识库中标识返回空间出现率最高的分类结果。

在基于空间分类,图为预定义的人类。因此,它包括人类的主观想法预定义图形的分类结果有所不同。朴素贝叶斯分类需要计算和比较所有的空间都可以分类的概率。这种计算的问题,操作空间的数量成正比,可以分类。本文提出了一种分类的方法有效的空间解决上面的问题。

本文就三个主要贡献。第一个贡献涉及分类空间的细分。而传统的空间分类方法将空间划分为房间和走廊3),本文提出了一个方法,一个虚拟代理用于细分和空间进行分类。在虚拟环境中,虚拟代理可以有效地模拟来验证本文的方法(4- - - - - -6]。在第二个贡献,预定义的任务的数量减少了一个人。传统空间分类方法分类的空间利用人类预定义空间和多个对象之间的关系通过图形。在这种情况下,根据不同的分类结果。因此,很难保证一致的空间分类性能。为了纠正这种情况,本文的任务的数量降至最低,预定义的人类。此外,本文探讨如何提高朴素贝叶斯的分类性能classifier-based空间分类。使用朴素贝叶斯分类器的方法使用统计数据,导致他们比方法更客观的使用空间和预定义的对象之间的关系的一个人。然而,这种类型的分类需要更多的时间进行分类然后基于空间分类。因此,有必要加快执行朴素贝叶斯分类classifier-based空间。

本文提出了一种自动生成图表的方法使用对象的外观比人类没有预定义的基于空间分类。在拟议的方法中,最高的空间可能是提取通过过滤空间,可以使用自动生成的分类图。提取的空间被过滤然后使用朴素贝叶斯分类空间分类和确定的最终结果。通过利用我们的方法,数据调查的数量下降到平均44.75%,比现有的基于朴素贝叶斯空间分类的方法。我们的方法可以执行空间使用更少的操作比传统的分类方法,它适用于实时执行。

本文的其余部分组织如下:部分2讨论了相关的先前的研究空间分类和描述他们如何不同于本文中提出的方法。部分3描述了该方法的整体结构。部分4解释了通过概率方法用于自动生成一个图表。部分5讨论了基于优先级的空间分类。部分6通过实验比较朴素贝叶斯空间分类和建议的方法和分析结果。部分7给出了结论,并概述了可能的进一步研究。

2。相关工作

本节讨论以前的研究在空间上进行分类和主要分析了各种空间分类方法的优缺点适用于虚拟代理。空间分类研究可以分为五个主要的方法:基于空间分类、空间使用朴素贝叶斯分类器分类,谓词基于逻辑的空间分类、机器人动作模式和图像基于模式空间分类,同时考虑空间分类。

基于空间分类分类空间使用图。其前提是房间和走廊的分类(1]。图表是用来分类,表达了预定义的空间和对象之间的关系(7]。空间分类的结果用图表展示了使用混合逻辑依赖语义与机器人互动(hld) [8]。在基于空间分类,空间是由确定的空间对象分类是基于图搜索算法。例如,当确定一台咖啡机,它包括在一个厨房对象组。厨房的对象组中包含“厨房的空间。“因此,推理结果计算空间虚拟代理所在的厨房。基于空间分类需要较少的时间比其他方法分类,因为它将一个空间使用图形搜索没有其他操作。然而,它还使用许多预定义的东西一个人,包括空间,类型的对象,他们的相关性。可能由于这个预定义的问题主要分为三种类型。基于空间分类比其他方法更快,但其缺点是各种预定义的参数有一个人。接下来,让我们看看预定义的对象。 If there are obscure standards on the kinds of objects used when predefining them and the objects searched in an environment do not exist on the graph data, the spaces cannot be classified. The final problem is the objectivity of definition on the relationship between a space and an object. In graph-based space classification, a human being directly predefines the relationship between a space and an object. Such a graph may include the subjectivity of the producer and may therefore be less objective.

基于朴素贝叶斯分类器(NBC)的空间分类利用概率(2]。空间分类的概率空间对象可以确定最多,学习后的空间对象的概率是提前确认(9]。例如,当床上发现,假设所标识的床在卧室的概率是0.7,在客厅是0.1。虚拟代理所在的空间将返回一个卧室由于推理的分类器。NBC-based分类允许更精确的分类与更多的分类标准(10]。可以获得更准确的分类结果收集和分类的概率的概率取决于对象的数量和根据距离,以及对象的外观比(11]。NBC-based空间分类没有问题的基于空间分类的覆辙,在空间分类后结果的客观性并不安全,因为图被定义为一个人。然而,NBC-based空间分类也有三个主要问题。首先,可以将空间需要计算。因为NBC-based空间分类计算和比较所有可分为空间,增加空间的数量可以在提高分类结果的分类。下一个问题是如何预定义的相同类型的对象。最后一个问题是,它们需要单独的学习过程。基于空间分类可以应用只提供有一个空间和一个预定义的图形,NBC-based空间分类需要监督学习。

谓词基于逻辑的空间分类断然地预定义了对象空间对空间进行分类(12]。表语表达式描述对象之间的关系以及空间和对象之间的关系。这种方法使代理人建立一个详细的计划(13]。制作一个机器人的可能性从目前的空间转移到另一个空间使用谓词基于逻辑的空间分类也被探索(14,15]。让我们假设一个机器人的目标“找到牛奶。“在这种情况下,虚拟代理将试图找到一个冰箱,包含牛奶的对象。找到“冰箱”对象,空间“厨房,冰箱的位置,将搜索。代理计划和执行actions-going厨房,打开冰箱,和牛奶。这种方法使详细规划通过定义对象之间的关系。然而,与谓词相关的问题实际上是基于逻辑的空间分类与图论相关联的相同空间分类:很多东西是预定义的,一个人,必须预先定义的对象的类型,客观性是妥协在定义之间的关系和对象和对象之间的空间。谓词除了客观性问题,基于逻辑的空间分类可能无法表达各种变量的对象之间的关系。此外,它可以表达这些变量时,所需的知识基础是广泛的,所以需要大量的时间空间分类。

空间分类使用机器人行动模式使用一个机器人的行动模式在一个特定空间的空间分类(3]。本文中提出的方法把一个房间,走廊,大厅使用六种机器人动作(3:按照预定义的操作模式运行,右转,左转,向后走,停下来,和碰撞传感器检测能力。机器人变成左右到位检测碰撞,避免障碍与最小的空间运动在一个房间里在三个空间。机器人会向后当它检测到碰撞避免在走廊,走廊的墙上是相对狭窄。在大厅,因为它只执行模式行动大厅是宽,不落后或检测崩溃。空间分类使用机器人的机器人动作模式分析了模式变化为空间分类的特征空间。这种方法的优点是,它不需要视觉传感器空间分类,与其他方法。然而,它不能将空间分割一个房间。

空间使用图像模式分类使用方向直方图,配置使用图像获得通过执行一个机器人的旋转模式,确定在一个空间3]。直接模式的一个角度范围0 - 2π从图像中提取的获得是对空间进行分类。在分析图像模式,一个房间的方向直方图从多个角度,因为对象的数量。一条走廊提取一个非常简单的方向直方图。大厅有一个方向直方图比走廊,但不到一个房间。空间分类使用图像模式分类空间没有对象识别的步骤。然而,它不能通过分段分类空间的一个房间里一样空间分类使用机器人的行动模式。

同时考虑空间分类,一个人直接生成一个拓扑地图描述环境使用地图编辑器和指定Omnicam镜头拍摄的图像和空间之间的关系。地图和关系的基础上建立的人类,目前的空间分类通过比较图像移动环境中,数据库(16]。同时考虑空间分类可以分类没有对象识别过程,使简单的空间识别虚拟代理在整个环境的位置,因为提前拓扑地图环境相匹配。然而,一个人是需要创建拓扑映射和匹配图像。最严重的缺点是,与其他方法不同的是,它不能用于新的环境。同时考虑空间分类的实现需要一个图像数据库相关的生产环境和拓扑地图。

最近空间分类研究,提出了不同的方法取决于环境:基于空间分类使用图定义为一个人,NBC-based空间分类收集和分类对象的外观比例,谓词描述对象及其关系,基于逻辑的空间分类分类使用机器人行动模式使空间分类没有视觉传感器、空间分类使用图像模式没有对象识别过程,和空间识别确定当前位置通过创建一个数据库的图像空间和匹配的实时拍摄的图像。而空间可以使用这些传统的分类方法,其中大多数大大取决于人类预定义的信息。

因此,本文着重于NBC-based空间分类,更少的任务来预先确定,和基于空间分类,计算的最低数量要求。本文中提出的方法从先前的方法在两个方面是有区别的。

首先,该方法减少了任务的数量需要预定义的一个人,比传统的方法。在大多数传统的方法,大量预定义的任务一个人。本文中提出的方法使用基于空间分类自动创建一个图没有被预定义的任务。

其次,该方法提高了NBC-based空间分类的性能。NBC-based空间分类需要大量的时间空间分类为了计算的概率空间。该方法进行分类比NBC-based空间分类更快通过计算的概率只有特定的空间。

3所示。整体结构的空间分类使用自动生成的图表和规范化的概率

本文中提出的方法的总体结构包括一个基于概率图自动生成模块和优先级空间分类模块,使用标准化的概率和生成的图表。

基于概率图自动生成模块生成图通过收集对象的概率(外观比)中确定一个空格。第一个知识库虚拟代理没有数据,以便它可以执行任务对空间进行分类。空间使用朴素贝叶斯分类器分类需要一个对象的过程中出现的数量在一个空间识别和保存在知识库。本文中提出的方法自动创建一个图表使用收购对象的外观比基于概率的搜索空间。图描述了一个对象之间的关系和空间和连接到空间出现率最高的一个对象。图形自动生成使用外观比例根据不同环境中出现比率是收购。图表根据不同环境调查。因此,环境越接近于现实世界中,越接近物体和空间之间的关系获得了图上的是真实的世界。

在基于概率图自动生成,这一过程规范化的概率和创建一个图执行。这个过程降低了分类所需的数据量。当一个对象在一个空间的概率,概率之和在每个空间不规则物体的识别。概率之和是归一化的比率可以估计总概率的概率只有一个空间。因为只有一个标准请求值和比较没有请求和比较所有的概率空间,减少分类所需的数据量。

优先级空间分类使用创建的图自动基于概率图生成模块和标准的概率值正常化。高度的空间,可以转换为空间分类的结果,之前过滤空间分类的自动生成图表。按照过滤结果,空间的空间分类执行更高的可能性。空间分类使用标准的值根据优先级的空间被过滤。较高优先级的标准价值的空间识别对象请求并与标准值。如果该值大于总标准值,有关空间作为结果返回。然而,如果小于标准总额,第二优先级请求对象的标准价值并继续上述过程。

4所示。基于概率图自动生成

基于概率图自动生成生成一个图通过收集对象的概率被确定在空间(外观比例)。创建图表,每个空间的概率被识别的对象(外观比例)在各种环境中收集使用数据收集模块。收集到的概率是然后保存在知识库中,生成模块规范化的概率保存的知识库和生成一个图表。结果从自动基于概率图生成模块保存为自动生成的图形和标准规范知识库中概率值。

部分4.1描述的结构基于概率图自动生成系统。部分4.2解释了数据收集模块保存对象识别的概率在不同空间中。部分4.3描述了图生成模块,可实现概率并创建一个标识的对象图。

4.1。基于概率图自动生成系统的结构

基于概率图自动生成系统由数据采集模块、生成模块和知识库,如图1。

数据收集模块使用空间的结构分类使用朴素贝叶斯分类器。这个模块识别对象存在的环境和更新对象的概率空间中标识到知识库中。

生成模块可实现知识库的对象概率数据收集使用数据收集模块和生成一个图表。

4.2。日期采集模块

数据采集模块由三个模块保存目标识别概率。

第一个模块是目标识别模块。这个模块获得图像数据在环境中被虚拟代理和识别的对象使用一个图像处理技术,结合尺度不变特征变换(筛选)算法来检查图像数据中存在什么样的对象。本文的重点是在空间分类算法;因此,图像处理技术已经超出它的范围。在这篇文章中,一个对象是确定包括在一个虚拟的代理。如果一个对象中包含的虚拟代理对象类型是公认的结果传递到空间分类模块。

第二个模块是NBC-based空间分类模块。这个模块将包含虚拟代理通过计算概率的空间对象的使用对象识别模块。它接收来自目标识别的识别对象列表模块,划分空间,提供分类的结果。数据收集模块包含了朴素贝叶斯分类器来识别任何分类精度变化按照更新知识库中对象的概率使用概率更新模块:

方程(1)定义了NBC-based空间分类。确定对象的列表,后,空间价值最高的乘法在空间对象的概率,保存在分类结果。是对象的数量。

第三个模块是概率更新模块。这个模块接收到的结果空间分类模块,确定结果是否与真实空间,并更新标识对象的概率。虚拟代理起初没有知识库中的数据,这样空间分类结果是不合适的。分类器能正确完成分类保存对象空间的外观比使用更新模块和在各种环境中重复上面的过程。

4.3。生成模块

数据收集模块后生成模块操作。它包括两个模块:概率归一化模块和图形生成模块。

概率归一化模块规范化对象的概率的总和在每个空间1.0。所示(2),一个对象的概率是确定在每个空间变化概率归一化,也不一致。尽管在每个空间识别的概率较高,每个空间,整个空间的比例和变化。本文纠正每个空间的概率的比率为1.0:

方程(2)可实现对象的概率。归一化的结果,计算了分裂,识别的概率在空间,通过的总和,这是识别的概率在空间。是空间的数量。

如表所示1,概率之和确定对象在每个空间是不规则的。

概率归一化旨在空间分类只通过识别概率的一个空间没有其他空间的概率,作为规范的和不规则的概率识别对象是1.0。例如,当表的梳妆台2标识,现有算法搜索和比较所有空间的概率。当卧室的概率搜索使用的概率归一化过程中,区域的概率被扣除获得的卧室和相反的概率的概率卧室进行了比较。因此,空间可分为不确定和比较所有空间的概率。

图生成模块生成一个图使用标准的价值。不同于传统的基于空间分类方法,这需要一个人来预先确定图,本文的方法自动生成图表使用标准化的对象识别的概率值。生成的图连接最高的空间价值(Max)标准中值对象的对象:

使用(生成的图3)。,空间出现率最高的一个对象使用标准的价值,保存结果并生成一个图表。

图2说明了如何生成图表。空间和对象之间的连接按照最高价值标准的价值观。如果最高的值被发现在同一空间中,一个对象,比如一个办公桌,连接到两个空间。

5。基于优先级的空间分类

基于优先级的空间分类需要推进基于概率图自动生成。使用概率图自动生成需要规范化。基于优先级分类分类空间使用图表和一个标准的概率。它将空间假设没有反馈的环境。它也执行过滤使用图和确定的优先级较高的空间可能返回的分类结果。图后,进一步过滤,使用朴素贝叶斯分类器分类空间按照优先级的顺序。

本节提出了基于优先级的空间分类,降低了分类的时间比现有NBC-based使用生成的图表的方法。部分5.1描述了基于优先级的整体结构空间分类系统。部分5.2解释了图像滤波的过程。部分5.3介绍了提出的方法基于优先级的朴素贝叶斯分类器使用图滤波的结果。

5.1。基于优先级的结构空间分类系统

基于优先级空间分类系统包含一个对象识别模块,图像滤波模块,和优先朴素贝叶斯分类模块,如图3。

目标识别模块识别对象在虚拟代理。图像滤波模块接收数据描述识别对象的对象识别模块,搜索图,和过滤器。按照过滤结果,可能性较高的空间排列和返回的结果。优先朴素贝叶斯分类模块接收图像过滤结果,计算的概率较高的空间可能返回按照分类结果,并提供空间分类结果。

5.2。图像滤波

图滤波模块接收到的数据与一个确定的对象从对象识别模块和过滤器的空间顺序优先返回作为最终分类结果。过滤结果送到优先朴素贝叶斯分类模块。图过滤搜索标识的对象在一个图,并确定计算的顺序根据空间连接。算法1说明了图像滤波过程。

,对象的列表中标识目标识别模块,搜索在图。按照图搜索,一个对象和空间连接到对象计入。随后,最高的,空间统计,作为结果返回。上面的过程继续根据空间的数量。然后,保存在的空间滤波的结果从最高的空间,数到最低的空间。图4描述了图像滤波的一个例子。

如果确定一个床和一个书桌对象,对象都是搜索图中找到与每个对象的空间。按照搜索结果,床被连接到一个卧室和客厅的桌子上。完成搜索后,连接空间统计和过滤。按照过滤,空间过滤的卧室,客厅,厨房,卫生间。

5.3。优先级的朴素贝叶斯分类

优先级分类空间使用朴素贝叶斯分类图滤波的结果和标准的价值。标准的概率值比较特定的空间和标准总额没有特定的空间(1−标准价值)。当返回的空间概率最高的是按照图滤波和空间分类,只有一个空间搜索的标准价值和空间可分为。算法2显示了决策代码优先的朴素贝叶斯分类的过程。优先级比较朴素贝叶斯分类的标准价值空间在图像滤波结果和标准的价值,扣除从总概率。如果空间较大,它作为分类的结果和空间返回分类结束:

方程(4)用于计算一个特定空间的价值标准。空间的计算结果获得乘以标准价值的空间当一个对象标识:

方程(5)是用来计算的总概率没有标准的概率一个特定的空间。因为总概率归一化,标准的一个特定空间的概率是扣除总概率。当一个对象标识,标准的价值空间是扣除的总概率。其次,计算空间的结果获得通过乘法。

图5是优先朴素贝叶斯分类的一个例子。概率计算的空间有更大的可能性作为分类的结果返回使用图像过滤结果。

6。实验和分析

本节比较实验结果使用基于优先级空间分类提出了利用所得结果与传统的朴素贝叶斯分类空间。实验在一个3 d虚拟环境中执行生成基于室内设计的书。实验分析了现有分类方法的性能,提出一个分类方法的基础上,两个标准:数量的数据分类算法的查询知识库的实现和准确性是否分类结果是相同的室内设计的书。

部分6。1描述了实验目的和方法。部分6。2介绍了实验系统,总结了实验。部分6。3对实验结果进行了分析。

6.1。实验目的和方法

实验的目的是验证基于优先级空间分类数据调查低于传统的朴素贝叶斯空间分类相同的分类精度。

二百虚拟环境中产生一种无形的文件来识别对象的概率中确定一个空格。在实验中,10种创建3 d虚拟环境,列在表中3,利用3 dsmax软件。每个环境有四个空间,一张床,一个客厅,一个厨房和一个浴室。

实验假设10、50、100、150和200个虚拟空间收集对象的概率空间中确定并生成一个图表。10种3 d虚拟环境是用来识别准确性和数量的变化数据调查由传统的朴素贝叶斯分类和基于优先级的空间分类。随后,物体识别的概率收集从200年空间和图形生成。最后,传统的朴素贝叶斯分类和基于优先级的空间分类比较在每个3 d虚拟环境。

6.2。实验系统和描述

3 d虚拟环境中实现的实验使用Gamebryo引擎。Gamebryo-based 3 d虚拟环境配置,如图6。

在实验环境中,虚拟代理搬到每个空间对象在其眼前显示在左下角。一扇门被用来确定虚拟代理已经搬到了另一个空间。当虚拟代理去另一个空间通过一扇门上的数据对象标识在前面的空间初始化。虚拟代理确认中包含的对象时平截头体的面积表示的字符。(截头插入描述景象和在实验中未见。)当物体在空间完全确定,要么是使用现有的朴素贝叶斯分类空间分类或基于优先级空间分类。分类结果显示在屏幕的左上角。

6.3。实验分析及结果

实验结果为现有的朴素贝叶斯分类和基于优先级空间分类分为两种类型根据实验方法。获得的结果的实验,50岁,100年、150年和200年虚拟空间是生成一个空间和性能相比,10种3 d虚拟环境提出了数字7和8。调查数据的数量和精度取决于虚拟空间的数量改为生成一个图表。

图7说明了数据查询的数量的变化取决于虚拟空间的数量。数据调查的数量增加了104%,85%,70%,53%,和45%当虚拟空间的数量是10,50岁,100年,150年和200年分别比传统的朴素贝叶斯分类空间。基于数量的虚拟空间概率图生成增加,数据调查是基于优先级的数量下降相比,传统的朴素贝叶斯分类空间分类。

图8介绍了空间分类的精度根据虚拟空间的数量。当虚拟空间的数量是10,50岁,100年,150年和200年,空间分类的精度提高了33%,53%,78%,100%,和100%,分别。传统的朴素贝叶斯分类和基于优先级的空间分类显示相同的精度。与数量的数据查询、保存对象识别和生成一个图的概率更多的虚拟空间提高分类精度的空间。

接下来,演出200年虚拟空间和10种3 d虚拟环境进行了比较。基于优先级空间分类提出了减少的数量数据调查与分类精度与传统的朴素贝叶斯空间。根据实验结果、空间分类被处决共有40倍因为有10种三维虚拟环境,每个环境四个空格。

图9显示的结果实施传统的朴素贝叶斯空间分类(现有方法)和基于优先级的空间分类(建议的方法)在三维虚拟环境。根据实验结果,提出的空间分类方法实现了数据调查所有10个类型的环境比传统的方法。调查数据的总量是1144倍的传统方法和减少到519年的建议的方法。

图10介绍了调查的数据量的减速比在该方法比传统方法在三维虚拟环境。该方法数据调查的数量减少了44.75%平均比传统的方法。

图11提出了传统的准确性和提出的方法在三维虚拟环境。这两种方法准确分类10虚拟环境。

7所示。结论

提出了一种空间分类方法,使用标准的概率和自动生成图形虚拟代理。该方法的目的是满足实时虚拟环境;因此,提出空间分类生成一个图没有预定义。基于优先级的空间分类的性能被发现比传统的朴素贝叶斯分类空间。

实验结果表明,该方法减少了数量的数据查询、图像滤波结果改进虚拟空间的数量增加,而传统的朴素贝叶斯分类空间。该方法数据调查的数量减少了44.75%的平均比传统的方法在10种3 d虚拟环境。进一步,即使数据调查的数量减少,分类精度保持不变的传统的朴素贝叶斯分类空间。本文中提出的方法可以应用于行为规划网络机器人无处不在的环境。

进一步研究,认为建立更聪明的对象之间的关系行动计划的基础上的空间分类方法是必要的。此外,有必要研究如何应用该算法在实际环境中。扩大这项工作中提出的方法促进更大而复杂的智能空间,应该考虑另外一个空间特性,以及一个对象特性。因此,研究基于机器学习的分类算法的空间(例如,支持向量机算法)应该之前,为了应用多维特征向量的学习和识别。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

这项研究得到了MSIP(科技部、ICT和未来规划),韩国,在期(信息技术研究中心)支持程序(NIPA - 2014 - h0301 - 14 - 1021)监督的海椰子(国家信息产业促进机构)。