使用HMM与CRF来建模与环境交互的机器人的时间序列力数据？

我有一个时间序列的机器人与各种材质的环境对象交互的力数据。我想使用时间序列数据来开发各种纹理的模型，以将纹理分为平滑，粗糙，中等等类别。为此，隐马尔可夫模型是否足够？我应该使用条件随机场吗？如果我决定分类为更多类别，并且每个类别之间的区别都非常微妙，那么在那种情况下，哪种选择是个好选择？强制数据是否足以捕获将纹理分类到这些类别所需的所有信息？

谢谢你的回复:)

根据您的问题描述，HMM（生成模型）和CRF（区分模型）都将起作用。有关这两种方法的更深入说明，请参见此讨论：

生成算法和判别算法有什么区别？

建议：选择算法之前，请先仔细查看您的数值数据，并使用MATLAB绘图或类似图形。如果信息是多维的（例如来自多个传感器的力值），则可能是某些尺寸（例如传感器读数）不包含有用的区分性信息的情况；在这种情况下，请使用主成分分析压缩数据，以便在训练和分类过程中拥有更紧凑的功能。

现在，关于您的问题：

区别在于HMM可以用几个隐藏的变量/状态代表您的每个纹理类，从而捕获每个接触的内部时间演变。我们可以说HMM更好地为数据的“低级”（类内）动态建模。例如，在您的情况下，HMM将允许您显式地建模每个数据采集的三个不同阶段：（1）开始机器人与物体之间的接触；（2）接触的稳定部分；（3）接触结束并释放。这些阶段在时间上可能具有不同的值，即使对于相同的对象纹理，也可以将它们分开以改善分类结果。

另一方面，CRF更适合捕获数据分布的“高级”（类间）关系，这在时空变异性较高或观测特征之间非常相似时有时很重要。属于不同类别的两个样本。

就我个人而言，我发现HMM更加易于使用，我将从这些开始，但是您的里程可能会有所不同。

如果我决定分类为更多类别，并且每个类别之间的区别都非常微妙，那么在那种情况下，哪种选择是个好选择？

在这种情况下，CRF可能是更可靠的选择（请参见上文）。

强制数据是否足以捕获将纹理分类到这些类别所需的所有信息？

添加视觉特征（对象外观），特别是如果使用高分辨率相机捕获时，可以帮助确定对象是否具有粗糙纹理。