由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导...由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导航方法。在UCI机器人导航数据集上,首先用FID对原始类别不平衡数据集进行过采样,之后训练支持向量机(SVM),然后从SVM中提取控制规则。在提取规则过程中,仅使用支持向量以减少规则数量和提高实时性,使用这些支持向量训练随机森林,然后从中提取控制规则。实验结果表明,在相同数据集上,相较于决策树等6个经典模型,所提方法的平均F1值为0.994,对小类样本的召回率平均提升8.09%。与其他提取规则的模型相比,从SVM中提取规则的方法能平均减少171.33条规则,在测试样本上的平均单个样本决策时间仅为3.145μs。展开更多
文摘由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导航方法。在UCI机器人导航数据集上,首先用FID对原始类别不平衡数据集进行过采样,之后训练支持向量机(SVM),然后从SVM中提取控制规则。在提取规则过程中,仅使用支持向量以减少规则数量和提高实时性,使用这些支持向量训练随机森林,然后从中提取控制规则。实验结果表明,在相同数据集上,相较于决策树等6个经典模型,所提方法的平均F1值为0.994,对小类样本的召回率平均提升8.09%。与其他提取规则的模型相比,从SVM中提取规则的方法能平均减少171.33条规则,在测试样本上的平均单个样本决策时间仅为3.145μs。
