【技術實現步驟摘要】
本專利技術涉及觸覺壓力感知和超分辨率數據處理領域，尤其涉及一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法。
技術介紹
1、隨著人工智能和觸覺感知技術的發展，觸覺傳感器逐漸應用于機器人、智能制造和人機交互等領域。觸覺傳感器能夠模擬人類的觸覺功能，通過感知壓力、振動、溫度等信息，幫助系統進行物體識別、力反饋和形狀檢測。然而，現有觸覺傳感器在分辨率和靈敏度上存在局限，無法滿足精細物體識別和復雜環境中精確力感知的需求。高分辨率的觸覺感知有助于提升設備的識別精度和應用范圍，但由于傳感器硬件制造工藝和數據處理能力的限制，實現高分辨率感知的成本較高，且難以達到實時性的要求。
2、目前，基于深度學習的超分辨率重建技術在計算機視覺領域得到了廣泛應用，可以通過重建算法在低分辨率陣列信號中恢復更多細節。然而，應用于觸覺陣列成像的方法仍較少，尤其是面對噪聲較大、分辨率較低的觸覺陣列數據，傳統的重建算法難以有效提升其分辨率。擴散模型(diffusion?model)作為一種生成模型，具有強大的數據生成和重建能力，能夠在具有噪聲的輸入數據上逐步去噪并重構出高質量陣列信號。基于擴散模型的超分辨率重建方法可以有效提高觸覺陣列數據的分辨率和細節表達能力，為觸覺傳感器在多樣化應用場景中的精確感知提供了新的可能性。
3、因此，需要一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，能夠在低分辨率觸覺數據的基礎上生成高分辨率的觸覺陣列，以提高觸覺傳感器的感知精度，提升其在復雜環境中的應用效果。
技術實現思路>
1、本專利技術的目的在于提供一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，旨在通過擴散模型更有效的提高觸覺信號的陣列分辨率。
2、為實現上述目的，本專利技術提供一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，包括以下步驟：
3、s1、通過柔性觸覺手套獲取手掌形狀的壓力分布作為高分辨率樣本，針對每一份高分辨率樣本選取關鍵點拼接生成低分辨率樣本作為數據對，構建觸覺陣列超分辨率成像數據集，并劃分訓練集和測試集；
4、s2、設計了一個包含時間嵌入、殘差塊和自注意力模塊的去噪模型，以實現低分辨率觸覺信號的超分辨率生成，該模型結構經過優化，提升了重建的精度和效果；
5、s3、采用了l2損失作為損失函數，以確保像素級的重建精度，基于l2損失的優化能夠有效實現高精度的陣列信號還原，使重建結果在整體細節和視覺一致性上滿足實驗要求；
6、s4、基于s1中構建的數據集，對擴散模型進行多步去噪訓練，以實現高分辨率觸覺陣列信號的重建，通過逐層優化，模型能夠有效還原壓力分布細節；
7、s5、輸入低分辨率觸覺陣列數據，通過擴散模型生成高分辨率成像結果，用于高分辨率觸覺感知任務。
8、具體的：s1通過柔性觸覺手套獲取手掌形狀的壓力分布作為高分辨率樣本，具體包括：
9、利用柔性觸覺手套，獲取抓取目標物體時的觸覺陣列信號，每組物體采用相同的動作抓取，每件物體采取1500個觸覺陣列信號，通過rs485通信傳輸到pc機后得到24×24的陣列信號，這些陣列信號作為高分辨率的樣本。
10、具體的：s1針對每一份高分辨率樣本選取關鍵點拼接生成低分辨率樣本作為數據對，構建觸覺陣列超分辨率成像數據集，并劃分訓練集和測試集，具體包括：
11、在采集高分辨率24×24的陣列信號的同時，通過選取其中的關鍵點并保留對應的信號，構建出6×6的低分辨率陣列信號樣本；每個24×24的高分辨率觸覺陣列信號均對應一個6×6的低分辨率信號樣本，形成一組數據對；按照8:2的比例劃分數據集，分別用于訓練集和測試集。
12、具體的：s2設計了一個包含時間嵌入、殘差塊和自注意力模塊的去噪模型，以實現低分辨率觸覺信號的超分辨率生成，具體包括：
13、條件ddpm模型通過t次細化步驟生成陣列y0，從純噪聲信號yt～n(0,i)開始，模型通過連續的迭代(yt，yt-1，…，y0)來細化陣列信號，依據學習得到的條件轉移分布pθ(yt-1|yt,χ)，使得y0～p(y|χ)在推理鏈中的中間陣列分布通過前向擴散過程定義，其中前向擴散過程使用固定的馬爾可夫鏈逐步向信號添加高斯噪聲，模型的目標是通過一個基于源陣列信號χ的逆向馬爾可夫鏈逐步從噪聲中恢復信號，從而逆轉高斯擴散過程。
14、為逆轉擴散模型，找到對應的映射關系，我們通過訓練一個神經去噪模型fθ(χ,yt,t)，該模型接受源陣列信號和噪聲目標信號作為輸入，估計噪聲成分；目標是恢復無噪聲的目標信號y0，在此定義中，yt的噪聲形式兼容于擴散過程中不同時間步的噪聲信號分布，去噪模型fθ(χ,yt,t)也根據時間步t進行調整，訓練時將t作為條件輸入。
15、去噪模型架構基于改進后的unet模型，包含時間嵌入模塊、殘差塊、自注意力機制、上采樣與下采樣模塊，具體用于條件去噪擴散模型：時間嵌入模塊利用正弦和余弦函數將時間步長編碼為高維特征，進而生成時間嵌入信息，在擴散過程中，時間嵌入模塊幫助模型感知不同噪聲級別，以便去噪模型在逆過程的每一步中正確恢復陣列細節；殘差塊使用殘差連接將輸入特征直接傳遞至輸出，避免梯度消失問題，同時通過深度卷積提取豐富的特征，模型在每個殘差塊中引入時間嵌入，以在逐步去噪中保持對時間的敏感性；我們還加入自注意力機制來捕捉全局上下文信息，自注意力使模型在處理復雜陣列信號結構時能夠更好地關注到其中的重要區域，確保在還原過程中對細微差異具有敏感性；下采樣層通過卷積實現分辨率壓縮，逐層提取高層次特征，使模型捕捉到陣列的全局信息；在解碼過程中，逐層上采樣與編碼過程中的特征拼接(跳躍連接)，確保多尺度特征融合，逐步還原陣列的細節；中間層位于編碼和解碼路徑之間，包含多個帶有自注意力機制的殘差塊，能夠進一步整合全局信息，提升生成信號的質量；最終卷積層對輸出進行處理，以生成預測的噪聲信號；結合swish激活函數，輸出在結構和細節上更加精確，適合超分辨率任務。
16、具體的：s3采用了l2損失作為損失函數，以確保像素級的重建精度，基于l2損失的優化能夠有效實現高精度的陣列信號還原，使重建結果在整體細節和視覺一致性上滿足實驗要求，具體包括：
17、其優化目標為：其中ε～n(0,i),p∈{1,2,3}。
18、其中，fθ代表去噪模型預測出的噪聲，接受源陣列信號χ，為了保證擴散模型前后的一致性，對低分辨率6×6的觸覺陣列信號進行雙三次插值變成24×24的觸覺陣列信號；噪聲目標信號是從1到t的權重參數連乘，y0是初始觸覺陣列信號，ε是引入的符合高斯分布的噪聲，yt是時間步為t時候的觸覺陣列信號；時間步t，ε是真實噪聲，n表示正態分布，0表示均值為零，即該正態分布的均值為零，i表示單位矩陣，通常意味著每個維度的方差為1，且各維度之間是獨立的，即沒有協方差；用于計算損失函數對模型參數的偏導數，代表做差后用于修正或對比噪聲項，以實現去噪或優化目標的設定，
19、在本文檔來自技高網...
【技術保護點】
1.一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于：它包括以下步驟：
2.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的S1通過柔性觸覺手套獲取手掌形狀的壓力分布作為高分辨率樣本，具體包括：
3.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的S1選取關鍵點拼接生成低分辨率樣本，針對每一份高分辨率樣本選取關鍵點拼接生成低分辨率樣本作為數據對，并劃分訓練集和測試集，具體包括：
4.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的S2設計了一個包含時間嵌入、殘差塊和自注意力模塊的去噪模型，以實現低分辨率觸覺信號的超分辨率生成，具體包括：
5.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的S3采用了L2損失作為損失函數，以確保像素級的重建精度，基于L2損失的優化能夠有效實現高精度的陣列信號還原，使重建結果在整體細節和視覺一致性上滿足實驗要求，具體包括：<...
【技術特征摘要】
1.一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于：它包括以下步驟：
2.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的s1通過柔性觸覺手套獲取手掌形狀的壓力分布作為高分辨率樣本，具體包括：
3.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的s1選取關鍵點拼接生成低分辨率樣本，針對每一份高分辨率樣本選取關鍵點拼接生成低分辨率樣本作為數據對，并劃分訓練集和測試集，具體包括：
4.根據權利要求1所述的一種基于擴散模型的觸覺手套陣列信號超分辨率重建方法，其特征在于，所述的s2設計了一個包含時間嵌入、殘差塊和自注意力模塊的去噪模型，以實現低分辨率觸覺信號的超分辨率生成，具體包括：
<...【專利技術屬性】
技術研發人員：薄翠梅，張宏洋，趙濤，李俊，霍峰蔚，吳健生，
申請(專利權)人：南京工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。