本发明涉及机器人，尤其涉及一种基于触觉信息和连续学习的机器人硬度预测方法、系统、终端及计算机可读存储介质。
背景技术：
1、目前，触觉作为一种重要的智能感官模式，已经受到了国内外研究者的关注，研究者们利用不同类型的触觉传感器对物体表面粗糙度、材质、接触位置、接触压力和软硬度等进行感知辨识分类。
2、但是在实际应用中，难以对所有应用场景大规模数据采集与标注，只能使用特定环境下采集到的数据进行训练，因此训练数据处于封闭静态环境中，这些数据独立同分布(数据相互独立且具有相同的概率分布)且分布恒定，而在实际应用过程中，测试场景是开放的，其中包含的物体、温度条件、环境背景因素等会导致数据与训练数据完全不同，导致使用有限数据集训练得到的模型在面对开放场景时受到限制。因此针对不同场景的触觉数据找到最佳的学习模型与连续学习算法是当前触觉机器人落地于实际应用的客观需要。
3、在机器人领域，研究人员通常采用三种持续学习方法来解决灾难性遗忘问题：内存回放、正则化和知识蒸馏。内存回放方法通过重放过去的任务数据来减轻知识遗忘。例如，引入了一种gdm(growing dualmemory)架构，使机器人能够逐步识别每个个体的表情。例如设计了一个生成性学习网络来生成伪样本，以便机器人进行递增触觉识别任务。例如采用了一种生成模型进行经验回放，使机器人能够在各种物理环境中持续学习。例如提出了一种基本生成方法，用于模拟环境中的机器人开门和插销等任务。正则化方法在神经网络训练期间引入额外的正则化项，惩罚重要参数的显著变化，同时学习新知识。例如，应用了弹性权重巩固(ewc)来使自主移动机器人能够持续并准确地预测行人的运动。例如采用ewc使软机器人能够不断地适应不同的外部负载。知识蒸馏技术将知识从教师模型传输到学生模型。例如提出了一种多任务知识蒸馏方法，将每个任务的大型数据集精炼为较小的数据集，显著减少了所需的训练样本。例如引入了一种蒸馏损失约束方法，使用知识蒸馏损失来约束新任务上的概率分布接近先前任务上学到的分布，实现了从视觉到触觉的跨模态材料感知。
4、目前，机器人触觉领域的持续学习与领域自适应问题研究较少，大多数相关算法的应用基本集中于公开视觉数据集，很少有算法表明其在机器人领域的效果同样优秀，因此如何在机器人触觉感知领域设计实验场景并研究领域增量问题是一个急需要研究的重要问题。也就是说，现有技术中触觉机器人感知过程中神经网络连续学习所产生的灾难性遗忘现象，模型参数冗余，训练时间长，使得模型在对物体硬度进行预测时预测准确率低。
5、因此，现有技术还有待于改进和发展。
技术实现思路
1、本发明的主要目的在于提供一种基于触觉信息和连续学习的机器人硬度预测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中触觉机器人感知过程中神经网络连续学习所产生的灾难性遗忘现象，模型参数冗余，训练时间长，使得模型在对物体硬度进行预测时预测准确率低的问题。
2、为实现上述目的，本发明提供一种基于触觉信息和连续学习的机器人硬度预测方法，所述基于触觉信息和连续学习的机器人硬度预测方法包括如下步骤：
3、获取机器人采集不同物体的硬度分类数据集，将所述硬度分类数据集进行预处理后划分为训练集和测试集；
4、利用所述训练集和所述测试集对集成回放模型进行训练和测试，得到训练好的有条件触觉持续学习有序网络模型；
5、获取机器人抓取目标物体的触觉数据，将所述触觉数据输入到训练好的有条件触觉持续学习有序网络模型，输出所述目标物体的硬度预测结果。
6、可选地，所述的基于触觉信息和连续学习的机器人硬度预测方法，其中，所述获取机器人采集不同物体的硬度分类数据集，将所述硬度分类数据集进行预处理后划分为训练集和测试集，具体包括：
7、获取机器人通过电容式触觉阵列传感器和力矩传感器采集多个物体的触觉阵列数据和力矩数据；
8、将所述触觉阵列数据和所述力矩数据进行预处理得到硬度分类数据集，所述预处理包括下采样和尺寸变换，将所述硬度分类数据集按比例进行划分，得到训练集和测试集。
9、可选地，所述的基于触觉信息和连续学习的机器人硬度预测方法，其中，所述利用所述训练集和所述测试集对集成回放模型进行训练和测试，得到训练好的有条件触觉持续学习有序网络模型，具体包括：
10、构建集成回放模型，在所述集成回放模型的中间层增加条件信息，得到有条件触觉持续学习网络模型，对所述有条件触觉持续学习网络模型的空间特征进行排序，得到有条件触觉持续学习有序网络模型；
11、利用所述训练集对有条件触觉持续学习有序网络模型进行训练，并将所述测试集输入到所述有条件触觉持续学习有序网络模型进行测试，若测试结果满足预设要求，则得到训练好的有条件触觉持续学习有序网络模型。
12、可选地，所述的基于触觉信息和连续学习的机器人硬度预测方法，其中，所述集成回放模型包括判别器和生成器；
13、所述集成回放模型最小化的损失函数为：
14、
15、其中，表示判别器的损失函数；表示生成器的损失函数；α表示超参数，用于平衡判别损失与生成损失之间的权重。
16、可选地，所述的基于触觉信息和连续学习的机器人硬度预测方法，其中，所述条件信息用于控制所述集成回放模型生成样本的类型，并将编码器输出的类别特征统一到标准正态分布中。
17、可选地，所述的基于触觉信息和连续学习的机器人硬度预测方法，其中，所述有条件触觉持续学习有序网络模型将潜在空间中的特征分布与硬度类别之间的顺序结合，对特征空间进行排序；
18、所述有条件触觉持续学习有序网络模型最小化的损失函数为：
19、
20、其中，和μi指的是样本i在隐空间中特征分布的正态分布的均值和方差信息；step表示超参数，用于调节隐空间中不同类别分布之间的距离；yi表示样本i的标签信息。
21、可选地，所述的基于触觉信息和连续学习的机器人硬度预测方法，其中，所述获取机器人抓取目标物体的触觉数据，将所述触觉数据输入到训练好的有条件触觉持续学习有序网络模型，输出所述目标物体的硬度预测结果，具体包括：
22、获取机器人通过电容式触觉阵列传感器和力矩传感器采集目标物体的目标触觉阵列数据和目标力矩数据；
23、将所述目标触觉阵列数据和所述目标力矩数据进行预处理得到目标触觉数据，将所述目标触觉数据输入到训练好的有条件触觉持续学习有序网络模型进行硬度预测，输出所述目标物体的硬度预测结果。
24、此外，为实现上述目的，本发明还提供一种基于触觉信息和连续学习的机器人硬度预测系统，其中，所述基于触觉信息和连续学习的机器人硬度预测系统包括：
25、数据获取模块，用于获取机器人采集不同物体的硬度分类数据集，将所述硬度分类数据集进行预处理后划分为训练集和测试集；
26、模型训练模块，用于利用所述训练集和所述测试集对集成回放模型进行训练和测试，得到训练好的有条件触觉持续学习有序网络模型；
27、硬度预测模块，用于获取机器人抓取目标物体的触觉数据，将所述触觉数据输入到训练好的有条件触觉持续学习有序网络模型，输出所述目标物体的硬度预测结果。
28、此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于触觉信息和连续学习的机器人硬度预测程序，所述基于触觉信息和连续学习的机器人硬度预测程序被所述处理器执行时实现如上所述的基于触觉信息和连续学习的机器人硬度预测方法的步骤。
29、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于触觉信息和连续学习的机器人硬度预测程序，所述基于触觉信息和连续学习的机器人硬度预测程序被处理器执行时实现如上所述的基于触觉信息和连续学习的机器人硬度预测方法的步骤。
30、本发明中，获取机器人采集不同物体的硬度分类数据集，将所述硬度分类数据集进行预处理后划分为训练集和测试集；利用所述训练集和所述测试集对集成回放模型进行训练和测试，得到训练好的有条件触觉持续学习有序网络模型；获取机器人抓取目标物体的触觉数据，将所述触觉数据输入到训练好的有条件触觉持续学习有序网络模型，输出所述目标物体的硬度预测结果。本发明减少神经网络参数量的同时也加快模型的训练速度，并且通过在模型的中间层增加条件信息，以控制模型生成的样本的类型，从而使生成的样本的分布样本更加平衡，在不同的邻域增量场景下都有不错的泛化性，提升了模型对硬度进行预测的准确率。
1.一种基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述基于触觉信息和连续学习的机器人硬度预测方法包括：
2.根据权利要求1所述的基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述获取机器人采集不同物体的硬度分类数据集，将所述硬度分类数据集进行预处理后划分为训练集和测试集，具体包括：
3.根据权利要求1所述的基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述利用所述训练集和所述测试集对集成回放模型进行训练和测试，得到训练好的有条件触觉持续学习有序网络模型，具体包括：
4.根据权利要求3所述的基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述集成回放模型包括判别器和生成器；
5.根据权利要求4所述的基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述条件信息用于控制所述集成回放模型生成样本的类型，并将编码器输出的类别特征统一到标准正态分布中。
6.根据权利要求4所述的基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述有条件触觉持续学习有序网络模型将潜在空间中的特征分布与硬度类别之间的顺序结合，对特征空间进行排序；
7.根据权利要求1所述的基于触觉信息和连续学习的机器人硬度预测方法，其特征在于，所述获取机器人抓取目标物体的触觉数据，将所述触觉数据输入到训练好的有条件触觉持续学习有序网络模型，输出所述目标物体的硬度预测结果，具体包括：
8.一种基于触觉信息和连续学习的机器人硬度预测系统，其特征在于，所述基于触觉信息和连续学习的机器人硬度预测系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于触觉信息和连续学习的机器人硬度预测程序，所述基于触觉信息和连续学习的机器人硬度预测程序被所述处理器执行时实现如权利要求1-7任一项所述的基于触觉信息和连续学习的机器人硬度预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于触觉信息和连续学习的机器人硬度预测程序，所述基于触觉信息和连续学习的机器人硬度预测程序被处理器执行时实现如权利要求1-7任一项所述的基于触觉信息和连续学习的机器人硬度预测方法的步骤。
