5、时间序列聚类与分析：BCD算法及相关方法

时间序列聚类与分析：BCD算法及相关方法

1. 机器人活动聚类

在机器人的传感器数据处理中，BCD算法为每个传感器找到了对应的聚类。这些聚类代表的动态过程的解释是我们人为赋予的，而非机器人本身的理解。一个有趣且尚未解决的问题是，机器人从这些聚类中学到了什么。

BCD算法为每个事件分配一个标签，经过初始的聚类分析后，机器人可以用代表8个传感器聚类组合的标签来替换每个事件。具有相同传感器聚类组合标签的事件代表具有相同“活动”，这些活动由相同的传感器动态特征来表征。

例如，一种活动的特征是：右轮速度（r.vel）为聚类1，左轮速度（l.vel）为聚类3，抓握力（grip.f、grip.r和grip.b）为聚类1，视觉角度（vis.a）和视觉位置（vis.x）为聚类2，视觉位置（vis.y）为聚类1。这种活动在36个事件中重复出现了7次。通过对聚类所代表的动态过程的解释，我们可以推断出该活动代表机器人旋转并远离一个物体（车轮速度不一致，视觉场中物体的大小减小并变为零），这也证实了该活动是有意义的。

通过将每个传感器事件用聚类成员标签替换，将最初的36个事件减少到22种不同的活动，其中一些活动被多次经历。因此，机器人学习到了22种具有不同动态特征的活动。

2. 基于动态聚类的推理

第3部分的结果可用于为机器人提供工具，使其根据传感器数据识别自身所处的聚类。以vis.a传感器学习到的6个动态聚类为例，从表3的数据可知，图4中6个聚类的概率分布如下：
| Ck | C1 | C2 | C3 | C4 | C5 | C6 |
| — | — | — | — | — | — | — |
| ˆpk | 0