CN102521653B - 井下多机器人联合搜救的生物刺激神经网络设备及其方法 - Google Patents
井下多机器人联合搜救的生物刺激神经网络设备及其方法 Download PDFInfo
- Publication number
- CN102521653B CN102521653B CN201110375410.0A CN201110375410A CN102521653B CN 102521653 B CN102521653 B CN 102521653B CN 201110375410 A CN201110375410 A CN 201110375410A CN 102521653 B CN102521653 B CN 102521653B
- Authority
- CN
- China
- Prior art keywords
- robot
- biostimulation
- information
- search
- rescue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Manipulator (AREA)
Abstract
本发明属于多机器人搜救技术领域,是人工智能与机器人技术相结合的应用,特别是涉及一种井下多机器人联合搜救的生物刺激神经网络设备及其方法,设备包括机器人、射频阅读器、摄像机、超声波传感器、无线通讯系统、存储设备、位置射频标签以及地面搜救决策系统;其方法是将射频标签应用到井下位置标记中,并利用生物刺激神经网络方法实现多机器人联合搜救,当发生矿难时,可以快速完成井下的搜索,构建井下实时地图,并制定最佳搜救路径,本发明在煤矿等井下事故人员搜救中具有极大的现实意义和应用价值。
Description
技术领域
本发明涉及本发明属于多机器人搜救技术领域,是人工智能与机器人技术相结合的应用,特别是涉及一种井下多机器人联合搜救的生物刺激神经网络设备及其方法。
背景技术
在机器人搜救方面,目前主要依靠单个机器人,通过遥控的方法进行。但是在井下搜救方面,由于发生矿难时,井下情况变得非常复杂,无线通信带宽受到很大限制,在这样的情况如果试图通过地面人员根据以往的井下图纸或者根据机器人传回的图像来实施遥控,往往很难实现,而且经常会出现机器人无法正常返回,造成很大的损失。并且单个机器人搜救花费时间长,无法实现快速搜救,这样将会错过井下搜救的最佳时机。
发明内容
本发明提供一种能大大提高井下搜救效率,并降低机器人损失风险的用于井下多机器人联合搜救的生物刺激神经网络设备及其方法。
本发明的主要技术内容如下:
井下多机器人联合搜救的生物刺激神经网络设备,包括机器人、射频阅读器、摄像机、超声波传感器、无线通讯系统、存储设备、位置射频标签以及地面搜救决策系统;其中射频阅读器、摄像机、超声波传感器、无线通讯系统、存储设备均安装在机器人上面,机器人通过摄像头采集井下实时图像传输到地面搜救决策系统,并利用超声波传感器进行障碍物和墙壁的探测,利用无线通讯系统将信息发送给同伴机器人以及地面搜救决策系统,同时接收来自同伴机器人和地面搜救决策系统的指令;机器人利用存储设备对井下的障碍物位置以及发现矿工的位置进行存储,当可达区域搜索完毕或者所有人员都被发现,机器人计算最佳返程路径,返回地面,并将存储信息发送给地面搜救决策系统。
井下多机器人联合搜救的生物刺激神经网络方法,包括如下步骤:
(1)、利用位置射频标签标记出井下巷道各处的坐标(x,y,z);每名矿工携带身份信息的射频标签;机器人携带射频阅读器、摄像头、超声波传感器和无线通讯系统进行搜救工作;
(2)、井下发生事故时,可以通过不同的井口派出多个机器人进行搜救;每个机器人根据自己所识别的射频信息,进行搜索;
(3)、机器人每经过一个射频标签,读取该位置的坐标信号,并将该区域标记为已搜索;同时将该信息通过无线通讯系统广播给其他机器人;
(4)、当机器人发现障碍物的时候,标记障碍物的位置,同时将该信息通过无线通讯系统广播给其他机器人;
(5)、当机器人发现受困或遇难矿工,标记位置,读取矿工所携带的射频信息,并通过无线通讯系统广播该信息;
(6)、当井下所有人员被发现或者所有可达区域已经被搜索完毕,各机器人根据步骤(3)、(4)、(5)所得到的井下实时信息,利用生物刺激神经网络模型,建立井下实时地图,并计算最佳返程路径,回到地面;
(7)、地面工作人员根据各机器人实时传回图像和安全返回机器人所存储的相关信息,并参考生物刺激神经网络模型制定的最佳路径,制定救援方案,开展救援工作。
上述步骤(2)中机器人根据射频信号的信息开展搜索,如果射频信号因事故等原因丢失,机器人采取随机搜索策略,具体运行策略如下:
其中,(θr)t是机器人行动的方向角,(θr)t+1是机器人下一步行动的方向角,ε是一个(0,1)之间的随机数。
上述步骤(3)中无线通讯系统广播信息的内容和格式如下:
M1={x,y,z,flag=1};其中,M1表示该信息是位置点的有关信息,flag=1表示位置(x,y,z)已经搜索。
上述步骤(4)中无线通讯系统广播信息的内容和格式如下:
M2={x,y,z,flag=2};其中,M2表示该信息是障碍物有关信息,flag=2表示在位置(x,y,z)处有障碍物。
上述步骤(5)中无线通讯系统广播信息的内容和格式如下:M3={x,y,z,flag=ID};其中M3表示该信息是矿工的有关信息,ID是矿工编号,flag=ID表示在位置(x,y,z)处发现矿工,矿工编号即flag值。
上述步骤(6)中井下实时地图构建所采用的生物刺激神经网络模型是指:
(1)、基于生物刺激神经网络模型构建实时地图的方法如下,先根据位置射频标签的识别距离,将环境空间离散化,其中每个离散点是一个4维空间,分别由(x,y,z,s)构成,(x,y,z)是该离散点的地理位置坐标,通过射频标签读取;s是生物刺激神经网络神经元的活性值,由下式计算:
在这个方程中,k表示与该神经元有连接的神经元个数,wij表示连接权值,和分别表示求解刺激性输入和抑制性输入的阈值函数;A、B和D都是常数;
(2)、生物刺激神经网络模型中的刺激性输入和抑制性输入和分别来自于所要搜寻的矿工和搜索过程中发现的障碍物,其计算公式如下:
在这个方程中,dist(·)为计算两个坐标点之间距离的函数;E是一个常数,且远小于B,Re是矿工射频标签的有效识别距离;L是矿井位置射频标签的有效辐射距离;Rs是机器人超声波传感器的有效探测范围;
(3)、根据生物刺激神经网络模型计算每个神经元的动态活性值,可以保证在有障碍物的地方,神经元的动态活性值最小,而在有矿工被发现的位置,神经元的动态活性值最大,这样机器人根据每个神经元的动态活性值的大小可以实时计算出最佳返程路径,该路径即可保证机器人的安全返回,又可以为地面搜救人员制定搜救方案提供参考;机器人返回时,路径实时计算过程如下:
(θr)t+1=angle(pr,pn)
其中,(θr)t+1是机器人下一步行动的方向角,angle(pr,pn)是计算机器人当前位置pr和神经元pn两点间夹角公式,而pn是机器人探测范围内所有神经元中动态活性值最大的那个,根据该公式,机器人的最终返程路径将是一条能自动绕开障碍物,又能快速到达搜救矿工位置的最佳路径。
借由上述技术方案,本发明至少具有下列优点:
(1)、本发明自动利用射频标签标记井下位置坐标,发生矿难时,射频标签所标记的位置信息可以较大程度得以保留。
(2)、本发明采用多机器人联合搜救的方法,通过多机器人协作,可是实现从多个井口同时开展搜救任务,有助于快速完成整个矿井的搜救。
(3)、本发明提出利用一种生物刺激神经网络的方法来实施多机器人联合搜救,可以大大提高搜救效率。
(4)、本发明所采用方法不需要矿井的图纸资料,可以构建实时井下地图,自动寻找最佳返程路径和救援路线。该方法不需要学习过程,对通讯带宽的要求降到最低。
(5)、本发明充分考虑发生矿难时的各种复杂情况,包括射频标签损坏、巷道倒塌,通讯中断等,不需要人为进行干预,每个机器人可以自动处理各种异常情况,高效完成搜救任务。
本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
图1为本发明的设备组成方框图;
图2为本发明中井下多机器人联合搜救流程图;
图3为本发明中生物刺激神经网络算法流程图;
图4为本发明中基于生物刺激神经网络构建地图示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的其具体实施方式、结构、特征及其功效,详细说明如后。
井下多机器人联合搜救的生物刺激神经网络设备,如图1所示,包括机器人1、射频阅读器2、摄像机3、超声波传感器4、无线通讯系统5、存储设备6、位置射频标签7以及地面搜救决策系统8,其中射频阅读器2、摄像机3、超声波传感器4、无线通讯系统5、存储设备6均安装在机器人1上面,机器人1通过摄像头3采集井下实时图像传输到地面搜救决策系统8,并利用超声波传感器4进行障碍物和墙壁的探测,利用无线通讯系统5将信息发送给同伴机器人1以及地面搜救决策系统8,同时接收来自同伴机器人1和地面搜救决策系统8的指令;机器人1利用存储设备6对井下的障碍物位置以及发现矿工的位置进行存储,当可达区域搜索完毕或者所有人员都被发现,机器人1计算最佳返程路径,返回地面,并将存储信息发送给地面搜救决策系统8。
井下多机器人联合搜救的生物刺激神经网络方法,其具体流程如图2所示,包括如下步骤:
(1)、利用位置射频标签标记出井下巷道各处的坐标(x,y,z);每名矿工携带身份信息的射频标签;机器人携带射频阅读器、摄像头、超声波传感器和无线通讯系统进行搜救工作;
(2)、井下发生事故时,可以通过不同的井口派出多个机器人进行搜救;每个机器人根据自己所识别的射频信息,进行搜索;
(3)、机器人每经过一个射频标签,读取该位置的坐标信号,并将该区域标记为已搜索;同时将该信息通过无线通讯系统广播给其他机器人;
(4)、当机器人发现障碍物的时候,标记障碍物的位置,同时将该信息通过无线通讯系统广播给其他机器人;
(5)、当机器人发现受困或遇难矿工,标记位置,读取矿工所携带的射频信息,并通过无线通讯系统广播该信息;
(6)、当井下所有人员被发现或者所有可达区域已经被搜索完毕,各机器人根据步骤(3)、(4)、(5)所得到的井下实时信息,利用生物刺激神经网络模型,建立井下实时地图,并计算最佳返程路径,回到地面;
(7)、地面工作人员根据各机器人实时传回图像和安全返回机器人所存储的相关信息,并参考生物刺激神经网络模型制定的最佳路径,制定救援方案,开展救援工作。
步骤(2)中机器人根据射频信号的信息开展搜索,如果射频信号因事故等原因丢失,机器人采取随机搜索策略,具体运行策略如下:
其中,(θr)t是机器人行动的方向角,(θr)t+1是机器人下一步行动的方向角,ε是一个(0,1)之间的随机数。
步骤(3)中无线通讯系统广播信息的内容和格式如下:
M1={x,y,z,flag=1};其中,M1表示该信息是位置点的有关信息,flag=1表示位置(x,y,z)已经搜索。
步骤(4)中无线通讯系统广播信息的内容和格式如下:
M2={x,y,z,flag=2};其中,M2表示该信息是障碍物有关信息,flag=2表示在位置(x,y,z)处有障碍物。
步骤(5)中无线通讯系统广播信息的内容和格式如下:
M3={x,y,z,flag=ID};其中M3表示该信息是矿工的有关信息,ID是矿工编号,flag=ID表示在位置(x,y,z)处发现矿工,矿工编号即flag值。
步骤(6)中井下实时地图构建所采用的生物刺激神经网络模型是指:
(1)、基于生物刺激神经网络模型构建实时地图的方法如下,先根据位置射频标签的识别距离,将环境空间离散化,其中每个离散点是一个4维空间,分别由(x,y,z,s)构成,(x,y,z)是该离散点的地理位置坐标,通过射频标签读取;s是生物刺激神经网络神经元的活性值,由下式计算:
在这个方程中,k表示与该神经元有连接的神经元个数,wij表示连接权值,和分别表示求解刺激性输入和抑制性输入的阈值函数;A、B和D都是常数;
(2)、生物刺激神经网络模型中的刺激性输入和抑制性输入和分别来自于所要搜寻的矿工和搜索过程中发现的障碍物,其计算公式如下:
在这个方程中,dist(·)为计算两个坐标点之间距离的函数;_E是一个常数,且远小于B,Re是矿工射频标签的有效识别距离;L是矿井位置射频标签的有效辐射距离;Rs是机器人超声波传感器的有效探测范围;
(3)、根据生物刺激神经网络模型计算每个神经元的动态活性值,可以保证在有障碍物的地方,神经元的动态活性值最小,而在有矿工被发现的位置,神经元的动态活性值最大,这样机器人根据每个神经元的动态活性值的大小可以实时计算出最佳返程路径,该路径即可保证机器人的安全返回,又可以为地面搜救人员制定搜救方案提供参考;机器人返回时,路径实时计算过程如下:
(θr)t+1=angle(pr,pn)
其中,(θr)t+1是机器人下一步行动的方向角,angle(pr,pn)是计算机器人当前位置pr和神经元pn两点间夹角公式,而pn是机器人探测范围内所有神经元中动态活性值最大的那个,根据该公式,机器人的最终返程路径将是一条能自动绕开障碍物,又能快速到达搜救矿工位置的最佳路径。
生物刺激神经网络构建井下实时数字地图的流程图如图3,具体包括:
(1)、根据生物刺激神经网络活性值计算公式,更新所有已知神经元动态活性值;
(2)、机器人朝已知活性值最大的神经元运动。机器人每发现一处射频标签,读取该标签的位置坐标值,并产生新的神经元。
(3)、机器人运动过程中如果发现矿工,计算矿工离周围所有可以探测到的神经元的距离,并更新这些神经元的活性值;
(4)、机器人运动过程中如果发现障碍物,计算障碍物离周围所有可以探测到的神经元的距离,并更新这些神经元的活性值;
(5)、返回到(1)重复执行。
井下实时地图构建所采用的生物刺激神经网络模型如图4所示:图中的每个圆点代表射频标签的位置,也是神经网络模型中的一个神经元,经过生物刺激神经网络活性值运算公式计算,可以保证矿工所在位置点的神经元的活性值最大,而障碍物所在位置的神经元的活性值最小,这样机器人根据这个模型可以实时找到最佳返程路径,地面搜救决策系统根据该路径,并结合其他信息,可以有助于制定出既可以最快到达矿工所在位置又能自动避开障碍物的最佳救援路线。
本发明将射频标签应用到井下位置标记中,并利用生物刺激神经网络方法实现多机器人联合搜救,当矿难发生时,可以快速完成井下的搜索,构建井下实时地图,并制定最佳搜救路径,本发明在煤矿等井下事故人员搜救中具有极大的现实意义和应用价值。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种用于井下多机器人联合搜救的生物刺激神经网络方法,其特征在于包括如下步骤:
(1)、利用位置射频标签标记出井下巷道各处的坐标(x,y,z);每名矿工携带身份信息的射频标签;机器人携带射频阅读器、摄像头、超声波传感器和无线通讯系统进行搜救工作;
(2)、井下发生事故时,可以通过不同的井口派出多个机器人进行搜救;每个机器人根据自己所识别的射频信息,进行搜索;
(3)、机器人每经过一个射频标签,读取该位置的坐标信号,并将该位置对应的区域标记为已搜索;同时将该信息通过无线通讯系统广播给其他机器人;
(4)、当机器人发现障碍物的时候,标记障碍物的位置,同时将该信息通过无线通讯系统广播给其他机器人;
(5)、当机器人发现受困或遇难矿工,标记位置,读取矿工所携带的射频信息,并通过无线通讯系统广播该信息;
(6)、当井下所有人员被发现或者所有可达区域已经被搜索完毕,各机器人根据步骤(3)、(4)、(5)所得到的井下实时信息,利用生物刺激神经网络模型,建立井下实时地图,并计算最佳返程路径,回到地面;
所述生物刺激神经网络模型是指:
(a)、基于生物刺激神经网络模型构建实时地图的方法如下,先根据位置射频标签的识别距离,将环境空间离散化,其中每个离散点是一个4维空间,分别由(x,y,z,s)构成,(x,y,z)是该离散点的地理位置坐标,通过射频标签读取;s是生物刺激神经网络神经元的活性值,由下式计算:
在这个方程中,k表示与该神经元有连接的神经元个数,wij表示连接权值,和分别表示求解刺激性输入和抑制性输入的阈值函数;A、B和D都是常数;
(b)、生物刺激神经网络模型中的刺激性输入和抑制性输入和分别来自于所要搜寻的矿工和搜索过程中发现的障碍物,其计算公式如下:
在这个方程中,dist(·)为计算两个坐标点之间距离的函数;E是一个常数,且远小于B,Re是矿工射频标签的有效识别距离;L是矿井位置射频标签的有效辐射距离;Rs是机器人超声波传感器的有效探测范围;
(c)、根据生物刺激神经网络模型计算每个神经元的动态活性值,可以保证在有障碍物的地方,神经元的动态活性值最小,而在有矿工被发现的位置,神经元的动态活性值最大,这样机器人根据每个神经元的动态活性值的大小可以实时计算出最佳返程路径,该路径即可保证机器人的安全返回,又可以为地面搜救人员制定搜救方案提供参考;机器人返回时,路径实时计算过程如下:
(θr)t+1=angle(pr,pn)
其中,(θr)t+1是机器人下一步行动的方向角,angle(pr,pn)是计算机器人当前位置pr和神经元pn两点间夹角公式,而pn是机器人探测范围内所有神经元中动态活性值最大的那个,根据该公式,机器人的最终返程路径将是一条能自动绕开障碍物,又能快速到达搜救矿工位置的最佳路径;
(7)、地面工作人员根据各机器人实时传回图像和安全返回机器人所存储的相关信息,并参考生物刺激神经网络模型制定的最佳路径,制定救援方案,开展救援工作。
2.根据权利要求1所述的一种用于井下多机器人联合搜救的生物刺激神经网络方法,其特征在于:所述步骤(2)中机器人根据射频信号的信息开展搜索,如果射频信号因事故等原因丢失,机器人采取随机搜索策略,具体运行策略如下:
其中,(θr)t是机器人行动的方向角,(θr)t+1是机器人下一步行动的方向角,ε是一个(0,1)之间的随机数。
3.根据权利要求1所述的一种用于井下多机器人联合搜救的生物刺激神经网络方法,其特征在于:所述步骤(3)中无线通讯系统广播信息的内容和格式如下:
M1={x,y,z,flag=1}
其中,M1表示该信息是位置点的有关信息,flag=1表示位置点(x,y,z)已经搜索。
4.根据权利要求1所述的一种用于井下多机器人联合搜救的生物刺激神经网络方法,其特征在于:所述步骤(4)中无线通讯系统广播信息的内容和格式如下:
M2={x,y,z,flag=2}
其中,M2表示该信息是障碍物有关信息,flag=2表示在位置点(x,y,z)处有障碍物。
5.根据权利要求1所述的一种用于井下多机器人联合搜救的生物刺激神经网络方法,其特征在于:所述步骤(5)中无线通讯系统广播信息的内容和格式如下:
M3={x,y,z,flag=ID}
其中M3表示该信息是矿工的有关信息,ID是矿工编号,flag=ID表示在位置(x,y,z)处发现矿工,矿工编号即flag值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110375410.0A CN102521653B (zh) | 2011-11-23 | 2011-11-23 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110375410.0A CN102521653B (zh) | 2011-11-23 | 2011-11-23 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102521653A CN102521653A (zh) | 2012-06-27 |
CN102521653B true CN102521653B (zh) | 2015-01-21 |
Family
ID=46292564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110375410.0A Active CN102521653B (zh) | 2011-11-23 | 2011-11-23 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521653B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915039B (zh) * | 2012-11-09 | 2015-08-12 | 河海大学常州校区 | 一种仿动物空间认知的多机器人联合目标搜寻方法 |
CN103659817B (zh) * | 2013-11-11 | 2015-08-19 | 河池学院 | 一种机器人救援系统及实现该救援系统的方法 |
US10552734B2 (en) | 2014-02-21 | 2020-02-04 | Qualcomm Incorporated | Dynamic spatial target selection |
CN105045260A (zh) * | 2015-05-25 | 2015-11-11 | 湖南大学 | 一种未知动态环境下的移动机器人路径规划方法 |
CN109977166B (zh) * | 2019-02-18 | 2022-12-20 | 陕西优米数据技术有限公司 | 一种区块链共识机制 |
CN113110517B (zh) * | 2021-05-24 | 2022-11-29 | 郑州大学 | 未知环境下基于生物启发的多机器人协作搜索方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231714A (zh) * | 2007-12-05 | 2008-07-30 | 中原工学院 | 机器人三维路径规划方法 |
CN101320251A (zh) * | 2008-07-15 | 2008-12-10 | 华南理工大学 | 基于确定学习理论的机器人行走控制方法 |
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
CN101413804A (zh) * | 2008-11-28 | 2009-04-22 | 天津大学 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
CN101650568A (zh) * | 2009-09-04 | 2010-02-17 | 湖南大学 | 未知环境下移动机器人导航安全的方法 |
CN101976079A (zh) * | 2010-08-27 | 2011-02-16 | 中国农业大学 | 智能导航控制系统及方法 |
CN102156476A (zh) * | 2011-04-14 | 2011-08-17 | 山东大学 | 智能空间与护士机器人多传感器系统及其信息融合方法 |
-
2011
- 2011-11-23 CN CN201110375410.0A patent/CN102521653B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231714A (zh) * | 2007-12-05 | 2008-07-30 | 中原工学院 | 机器人三维路径规划方法 |
CN101320251A (zh) * | 2008-07-15 | 2008-12-10 | 华南理工大学 | 基于确定学习理论的机器人行走控制方法 |
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
CN101413804A (zh) * | 2008-11-28 | 2009-04-22 | 天津大学 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
CN101650568A (zh) * | 2009-09-04 | 2010-02-17 | 湖南大学 | 未知环境下移动机器人导航安全的方法 |
CN101976079A (zh) * | 2010-08-27 | 2011-02-16 | 中国农业大学 | 智能导航控制系统及方法 |
CN102156476A (zh) * | 2011-04-14 | 2011-08-17 | 山东大学 | 智能空间与护士机器人多传感器系统及其信息融合方法 |
Non-Patent Citations (3)
Title |
---|
一种新的移动机器人路径跟踪控制策略;张明路等;《河北工业大学学报》;20000229;第29卷(第01期);全文 * |
利用神经网络进行观测数据的分析与处理;倪建军等;《连云港化工高等专科学校学报》;20001231;第13卷(第04期);全文 * |
基于传感器信息的智能移动机器人导航评述;辛江慧等;《传感器与微系统》;20080430;第27卷(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102521653A (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521653B (zh) | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 | |
CN102288176B (zh) | 基于信息融合的煤矿救灾机器人导航系统及方法 | |
US11112259B2 (en) | Localization determination for vehicle operation | |
CN102915465B (zh) | 一种基于移动生物刺激神经网络的多机器人联合编队方法 | |
CN106444769A (zh) | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 | |
CN103760904B (zh) | 一种语音播报式智能车辆路径规划装置与实施方法 | |
Reshma et al. | Security situational aware intelligent road traffic monitoring using UAVs | |
CN104537898B (zh) | 一种空地协同的无人机感知规避系统及其规避方法 | |
CN202216696U (zh) | 基于信息融合的煤矿救灾机器人导航装置 | |
CN110491171A (zh) | 一种基于机器学习技术的水上交通监管预警系统及方法 | |
CN112060106A (zh) | 矿用巡检机器人的巡检系统及巡检机器人群的巡检方法 | |
CN103390355B (zh) | 一种基于a-smgcs系统的滑行道冲突检测方法 | |
CN108475061A (zh) | 无人驾驶的路边标志车辆系统 | |
CN101754247B (zh) | 一种基于多元线性回归的矿井定位系统及其定位方法 | |
CN102523621A (zh) | 一种井下人员定位系统及方法 | |
CN104390648A (zh) | 一种基于人工势场的煤矿救灾机器人路径规划方法 | |
Jacobson et al. | Semi-supervised slam: Leveraging low-cost sensors on underground autonomous vehicles for position tracking | |
CN106708059A (zh) | 一种基于通道选择的移动机器人实时运动规划方法 | |
CN102129772A (zh) | 一种基于gis的动态定位调度指挥方法和系统 | |
CN113050685B (zh) | 一种煤矿井下无人机自主巡检的方法 | |
CN107521678A (zh) | 用于核辐射放射源定位及抓取的无人机系统及其方法 | |
CN104408972A (zh) | 一种基于dgps的矿用车辆防碰撞装置及其控制方法 | |
CN111176271B (zh) | 基于岸基雷达的智能船舶避碰辅助决策系统及其实现方法 | |
CN114803860A (zh) | 一种基于机器视觉的井下单轨吊车无人驾驶系统和方法 | |
Zhang et al. | A framework of on-site construction safety management using computer vision and real-time location system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |