In this project, machine learning based techniques for real time terrain identification of the autonomous robots are investigated. The factors affecting the performance of autonomous robots include nature of trajectories, on-course obstacles, and nature of terrain. The challenges involved in understanding the terrain of autonomous robots are called localization problems. This project investigates a robust classification based machine learning model to identify the terrains of an autonomous robot from a set of input sensor data , which would incorporated as features in the model. The features are selected with respect to the kinematic and dynamic model of differential drive robots. The terrains are classified into 11 classes and the inputs from different sensors are measured and categorized into the respective classes. A total of 49345 readings were taken. Twenty three classification learning methods are evaluated to find the best fitting model that can identify the terrains of robots in real time. Ensemble Subspace KNN classification learning model produced an accuracy of 100 %, observed as the best model for terrain identification. The results are represented using confusion matrix, which shows the relation between original terrains and model predicted terrains , scatter plot that represents the relationship between each features and ROC Curve analyses each sensor input data. The model output can be provided to an intelligent mechanism to control the wheels of robots and improve their performance.

中文翻译：

---

基于机器学习的自主机器人实时地形识别

在这个项目中，研究了基于机器学习的自主机器人实时地形识别技术。影响自主机器人性能的因素包括轨迹的性质，道路上的障碍物和地形的性质。理解自主机器人地形所涉及的挑战称为定位问题。该项目研究了一种基于鲁棒分类的机器学习模型，该模型从一组输入传感器数据中识别出自主机器人的地形，这些数据将作为特征纳入模型中。根据差动驱动机器人的运动学和动力学模型选择功能。地形分为11类，测量来自不同传感器的输入并将其分为相应的类。总共获取了49345个读数。评估了23种分类学习方法，以找到可以实时识别机器人地形的最佳拟合模型。Ensemble Subspace KNN分类学习模型产生了100％的精度，被认为是识别地形的最佳模型。使用混淆矩阵表示结果，混淆矩阵表示原始地形与模型预测的地形之间的关系，散点图表示每个要素之间的关系，ROC曲线分析每个传感器输入数据。可以将模型输出提供给智能机制，以控制机器人的车轮并改善其性能。Ensemble Subspace KNN分类学习模型产生了100％的精度，被认为是识别地形的最佳模型。使用混淆矩阵表示结果，混淆矩阵表示原始地形与模型预测的地形之间的关系，散点图表示每个要素之间的关系，ROC曲线分析每个传感器输入数据。可以将模型输出提供给智能机制，以控制机器人的车轮并改善其性能。Ensemble Subspace KNN分类学习模型产生了100％的精度，被认为是识别地形的最佳模型。使用混淆矩阵表示结果，混淆矩阵表示原始地形与模型预测的地形之间的关系，散点图表示每个要素之间的关系，ROC曲线分析每个传感器输入数据。可以将模型输出提供给智能机制，以控制机器人的车轮并改善其性能。散点图代表每个要素之间的关系，ROC曲线分析每个传感器的输入数据。可以将模型输出提供给智能机制，以控制机器人的车轮并改善其性能。散点图代表每个要素之间的关系，ROC曲线分析每个传感器的输入数据。可以将模型输出提供给智能机制，以控制机器人的车轮并改善其性能。