CN112799040B - 一种机器人搜寻目标的方法、机器人、终端及存储介质 - Google Patents
一种机器人搜寻目标的方法、机器人、终端及存储介质 Download PDFInfo
- Publication number
- CN112799040B CN112799040B CN202110098627.5A CN202110098627A CN112799040B CN 112799040 B CN112799040 B CN 112799040B CN 202110098627 A CN202110098627 A CN 202110098627A CN 112799040 B CN112799040 B CN 112799040B
- Authority
- CN
- China
- Prior art keywords
- target
- robot
- correction decision
- determining
- rssi value
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明实施例公开了一种机器人搜寻目标的方法、机器人、终端及存储介质,本方案在二维空间平面上的RSSI值;对RSSI值进行进行均值滤波;建立多种数学回归模型;基于校正决定系数公式,分别确定多种数学回归模型的校正决定系数;基于修正后的校正决定系数公式,根据校正决定系数分别确定多个数学回归模型的修正后的校正决定系数;根据修正后的校正决定系数从多种数学回归模型中确定目标回归模型;基于目标回归模型,对滤波后的RSSI值进行二元回归分析,得到分析结果;将分析结果中信号强度上升最大的方向确定为目标方向;根据目标方向搜寻目标。本方案利用二维信号强度来搜寻目标,就可以提高搜寻的精度。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种机器人搜寻目标的方法、机器人、终端及存储介质。
背景技术
目前,机器人已经在工业、国防军事、医疗、抢险救援等等领域得到了广泛的应用,尤其是在一些较为危险的地方,比如有危险品的大楼、充满核辐射的核电站内部场地等等。机器人在这些地方搜寻目标的时候,其定位导航与路径规划是尤为重要的,如何快速准确地寻找到目标的位置是当前各界科研人员的研究热点。
室内有源目标搜寻是机器人搜寻目标的一个重要分支,传统的一维搜寻有着很大的局限性,一维搜寻只能得到信号源一个维度上的信息,如:信号强度、方位角等等。而室内环境非常的复杂,存在着各种各样的障碍和干扰,会对电磁波的传播造成很大的影响,容易导致多径传播效应。而且室内设备可能会对信号造成干扰,有线或无线网络的干扰和噪声都会对定位搜索产生很大影响。所以一维搜索在机器人搜寻中有着一定的局限性,其搜寻精度比较低。
发明内容
本发明实施例提供一种机器人搜寻目标的方法、机器人、终端及存储介质,可以提高搜寻精度。
第一方面,本发明实施例提供了一种机器人搜寻目标的方法,包括:
通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
建立多种数学回归模型;
基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
根据所述目标方向搜寻目标。
在一些实施例中,所述通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值之前,所述方法还包括:
针对所述目标建立信号二维空间衰减模型,所述信号二维空间衰减模型为:
其中,Pt为发射天线的信号功率,Pr为接收天线的信号功率,λ为波长,d是收发天线之间的距离;
根据所述信号二维空间衰减模型确定信号强度与目标方向的对应关系。
在一些实施例中,所述将所述分析结果中信号强度上升最大的方向确定为所述目标方向,包括:
基于信号强度与目标方向的对应关系,将所述分析结果中信号强度上升最大的方向确定为所述目标方向。
在一些实施例中,所述多种数学回归模型包括以下四种模型:
f(x,y)=P00+P10x+P01y;
f(x,y)=P00+P10x+P01y+P11xy+P20x2;
f(x,y)=P00+P10x+P01y+P11xy+P02y2;
f(x,y)=P00+P10x+P01y+P11xy+P20x2+P02y2;
其中,x为横坐标,y为纵坐标,P00、P10、P01、P11、P20、P02分别为回归分析未知数。
在一些实施例中,所述校正决定系数公式为:
其中,R2为校正决定系数,为待拟合数据的平均值,yi为待拟合数据,fi为回归预测模型的预测值,n为待拟合数据的样本容量。
在一些实施例中,所述修正后的校正决定系数公式为:
其中,Ra 2为修正后的校正决定系数,p为回归方程的自变量个数。
在一些实施例中,所述通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值,包括:
通过所述通过机器人上搭载天线阵列获取所述RSSI值;
记录所述RSSI值。
第二方面,本发明实施例还提供了一种机器人,包括:
探测单元,用于通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
滤波单元,用于对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
第一建立单元,用于建立多种数学回归模型;
第一确定单元,用于基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
第二确定单元,用于基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
第三确定单元,用于根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
分析单元,用于基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
第四确定单元,用于将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
搜寻单元,用于根据所述目标方向搜寻目标。
在一些实施方式中,机器人还包括:
第二建立单元,用于针对所述目标建立信号二维空间衰减模型,所述信号二维空间衰减模型为:
其中,Pt为发射天线的信号功率,Pr为接收天线的信号功率,λ为波长,d是收发天线之间的距离;
根据所述信号二维空间衰减模型确定信号强度与目标方向的对应关系。
在一些实施方式中,所述第四确定单元具体用于:
基于信号强度与目标方向的对应关系,将所述分析结果中信号强度上升最大的方向确定为所述目标方向。
在一些实施方式中,所述多种数学回归模型包括以下四种模型:
f(x,y)=P00+P10x+P01y;
f(x,y)=P00+P10x+P01y+P11xy+P20x2;
f(x,y)=P00+P10x+P01y+P11xy+P02y2;
f(x,y)=P00+P10x+P01y+P11xy+P20x2+P02y2;
其中,x为横坐标,y为纵坐标,P00、P10、P01、P11、P20、P02分别为回归分析未知数。
在一些实施方式中,所述校正决定系数公式为:
其中,R2为校正决定系数,为待拟合数据的平均值,yi为待拟合数据,fi为回归预测模型的预测值,n为待拟合数据的样本容量;
在一些实施方式中,所述修正后的校正决定系数公式为:
其中,p为回归方程的自变量个数。
在一些实施方式中,所述探测单元具体用于:
通过所述通过机器人上搭载天线阵列获取所述RSSI值;
记录所述RSSI值。
第三方面,本发明实施例还提供了一种移动终端,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本发明实施例提供的任一种机器人搜寻目标的方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例提供的任一种机器人搜寻目标的方法中的步骤。
本发明实施例中,通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;对RSSI值进行进行均值滤波,得到滤波后的RSSI值;建立多种数学回归模型;基于校正决定系数公式,分别确定多种数学回归模型的校正决定系数;基于修正后的校正决定系数公式,根据校正决定系数分别确定多个数学回归模型的修正后的校正决定系数;根据修正后的校正决定系数从多种数学回归模型中确定目标回归模型;基于目标回归模型,对滤波后的RSSI值进行二元回归分析,得到分析结果;将分析结果中信号强度上升最大的方向确定为目标方向;根据目标方向搜寻目标。本方案利用二维信号强度来搜寻目标,就可以提高搜寻的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的机器人搜寻目标的方法的流程示意图;
图2是本发明实施例提供的一个二维信号衰减示意图;
图3是本发明实施例提供的一个信号强度与目标方向的关系示意图;
图4为本发明实施例提供的机器人的一个模块结构示意图;
图5为本发明实施例提供的机器人的一个硬件结构示意图;
图6为本发明实施例提供的移动终端的一个实施例示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在以下的说明中,本发明的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本发明原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本发明的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本发明的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境,其中包括了任何的上述系统或装置。
本发明中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
当前机器人的有源目标搜寻大部分是一维的搜寻,其搜寻精度低、所耗时间长,而且不能实时更新目标位置信息,并且受干扰严重,尤其是在室内环境中多径效应和室内设备信号干扰可能导致搜寻失败的情况发生。
本发明提出了二维搜索的概念,利用二维信号强度曲面的轮廓和其渐变趋势进行迭代搜寻来判断信号源目标的大致方向,解决了一维搜索易受多径效应和其他信号干扰的问题,并且可以实时为机器人更新目标方向信息,提高了目标搜寻的效率,即使目标在移动也可以进行搜寻。具体方案如下:
请参阅图1,图1是本发明一实施例提供的机器人搜寻目标的方法的流程示意图。该机器人搜寻目标的方法的执行主体可以是本发明实施例提供的机器人。该机器人搜寻目标的方法可以包括:
101、通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值。
在一些实施例中,在实现本方案之前,首选需要针对有源目标建立信号二维空间衰减模型,电磁波是当前使用最为广泛的信号传递方式,我们通常所说的有源目标指的就是向外不停辐射电磁波能量的目标,本发明实施例说的目标即该有源目标。根据信号在自由空间中的衰减模型(即信号二维空间衰减模型),有以下损耗公式:
其中,Pt为发射天线的信号功率,Pr为接收天线的信号功率,λ为波长,d是收发天线之间的距离(即信号源目标与机器人之间的距离),可以得出信号在空间中以距离的平方倍衰减。
然后,根据公式(1),仿真计算可以得到二维自由空间的电磁波辐射功率衰减图,如附图2所示,由此我们可以看到,从信号在二维平面上的衰减趋势图中是可以得出信号源的大致方位的,其信号强度上升的方向即是信号源所在的方向,即根据信号二维空间衰减模型确定信号强度与目标方向的对应关系。
确定了确定信号强度与目标方向的对应关系之后,在机器人上搭载天线阵列,通过天线阵列测得信号在二维空间平面上的RSSI值(即信号强度值),并将其记录下来。
其中,通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值,包括:通过通过机器人上搭载天线阵列获取RSSI值;记录RSSI值。
102、对RSSI值进行进行均值滤波,得到滤波后的RSSI值。
将步骤101中测得的RSSI值进行均值滤波,这是一个对含噪信号进行平滑处理的常用方法,因为在自然空间中不可避免的会存在环境噪声,该方法可以有效的减少噪声的影响。
103、建立多种数学回归模型。
将步骤102中滤波后的数据进行二元回归分析处理,其数学回归模型有以下四种:
f(x,y)=P00+P10x+P01y;
f(x,y)=P00+P10x+P01y+P11xy+P20x2;
f(x,y)=P00+P10x+P01y+P11xy+P02y2;
f(x,y)=P00+P10x+P01y+P11xy+P20x2+P02y2;
其中,x为横坐标,y为纵坐标,P00、P10、P01、P11、P20、P02分别为回归分析未知数。
104、基于校正决定系数公式,分别确定多种数学回归模型的校正决定系数。
建立了多种数学回归模型之后,需要基于校正决定系数公式,分别确定多种数学回归模型的校正决定系数,其中,校正决定系数公式为:
其中,R2为校正决定系数,为待拟合数据的平均值,yi为待拟合数据,fi为回归预测模型的预测值,n为待拟合数据的样本容量。
105、基于修正后的校正决定系数公式,根据校正决定系数分别确定多个数学回归模型的修正后的校正决定系数。
当回归方程自变量过多时,R2不能很好的反映拟合的程度,为了更好的选择最优拟合模型,引入修正后的校正决定系数,根据变量的个数来对R2进行修正,从而可以更好的反映拟合情况。
其中,修正后的校正决定系数公式为:
其中,为修正后的校正决定系数,p为回归方程的自变量个数。
本实施例需要分别确定每个数学回归模型的修正后的校正决定系数。
106、根据修正后的校正决定系数从多种数学回归模型中确定目标回归模型。
具体地,将多种数学回归模型中值最大的数学回归模型确定为目标回归模型。
107、基于目标回归模型,对滤波后的RSSI值进行二元回归分析,得到分析结果。
选择好合适的回归模型之后,进行二元回归分析,得到分析结果。
108、将分析结果中信号强度上升最大的方向确定为目标方向。
具体地,基于信号强度与目标方向的对应关系,将分析结果中信号强度上升最大的方向确定为目标方向,即选择信号强度上升最大的方向(即梯度最大方向)如附图3所示,黑色粗箭头方向即为信号源所在方向。
109、根据目标方向搜寻目标。
确定了信号源所在的方向之后,机器人信号源所在的方向前进。
本发明实施例中,通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;对RSSI值进行进行均值滤波,得到滤波后的RSSI值;建立多种数学回归模型;基于校正决定系数公式,分别确定多种数学回归模型的校正决定系数;基于修正后的校正决定系数公式,根据校正决定系数分别确定多个数学回归模型的修正后的校正决定系数;根据修正后的校正决定系数从多种数学回归模型中确定目标回归模型;基于目标回归模型,对滤波后的RSSI值进行二元回归分析,得到分析结果;将分析结果中信号强度上升最大的方向确定为目标方向;根据目标方向搜寻目标。本方案利用二维信号强度来搜寻目标,就可以提高搜寻的精度。
本方案还有以下优点:
1、本专利率先提出了利用信号二维强度曲面的衰减趋势信息进行二维搜索的概念。
2、本专利提出的方法比当前的一维搜索精度更高,效果更好,并且具有实时性、抗多径性强等优点。
3、由于本方法可以实时的提供有源目标的位置方向,所以当目标处于移动状态时也可以进行实时搜索跟踪,优于当前其他方法。
为便于更好的实施本发明实施例提供的机器人搜寻目标的方法,本发明实施例还提供一种基于上述机器人搜寻目标的方法的装置。其中名词的含义与上述机器人搜寻目标的方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图4,图4为本发明实施例提供的机器人的结构示意图,其中该机器人可以包括探测单元401、滤波单元402、确定模块303、获取模块304及控制模块305等,其中:
探测单元401,用于通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
滤波单元402,用于对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
第一建立单元403,用于建立多种数学回归模型;
第一确定单元404,用于基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
第二确定单元405,用于基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
第三确定单元406,用于根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
分析单元407,用于基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
第四确定单元408,用于将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
搜寻单元409,用于根据所述目标方向搜寻目标。
在一些实施方式中,机器人还包括:
第二建立单元410,用于针对所述目标建立信号二维空间衰减模型,所述信号二维空间衰减模型为:
其中,Pt为发射天线的信号功率,Pr为接收天线的信号功率,λ为波长,d是收发天线之间的距离;
根据所述信号二维空间衰减模型确定信号强度与目标方向的对应关系。
在一些实施方式中,所述第四确定单元408具体用于:
基于信号强度与目标方向的对应关系,将所述分析结果中信号强度上升最大的方向确定为所述目标方向。
在一些实施方式中,所述多种数学回归模型包括以下四种模型:
f(x,y)=P00+P10x+P01y;
f(x,y)=P00+P10x+P01y+P11xy+P20x2;
f(x,y)=P00+P10x+P01y+P11xy+P02y2;
f(x,y)=P00+P10x+P01y+P11xy+P20x2+P02y2;
其中,x为横坐标,y为纵坐标,P00、P10、P01、P11、P20、P02分别为回归分析未知数。
在一些实施方式中,所述校正决定系数公式为:
其中,R2为校正决定系数,为待拟合数据的平均值,yi为待拟合数据,fi为回归预测模型的预测值,n为待拟合数据的样本容量;
在一些实施方式中,所述修正后的校正决定系数公式为:
其中,p为回归方程的自变量个数。
在一些实施方式中,所述探测单元401具体用于:
通过所述通过机器人上搭载天线阵列获取所述RSSI值;
记录所述RSSI值。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
上面图4从模块化功能实体的角度对本发明实施例中的机器人进行了描述,下面从硬件处理的角度对本发明实施例中的机器人进行详细描述,请参阅图5,本发明实施例中的机器人500一个实施例,包括:
输入装置501、输出装置502、处理器503和存储器504(其中处理器503的数量可以一个或多个,图5中以一个处理器503为例)。在本发明的一些实施例中,输入装置501、输出装置502、处理器503和存储器504可通过总线或其它方式连接,其中,图5中以通过总线连接为例。
其中,通过调用存储器504存储的操作指令,处理器503,用于执行如下步骤:
通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
建立多种数学回归模型;
基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
根据所述目标方向搜寻目标。
请参阅图6,图6为本发明实施例提供的移动终端的实施例示意图。
如图6所示,本发明实施例提供了一种移动终端,包括存储器610、处理器620及存储在存储器620上并可在处理器620上运行的计算机程序611,处理器620执行计算机程序611时实现以下步骤:
通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
建立多种数学回归模型;
基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
根据所述目标方向搜寻目标。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对机器人搜寻目标的方法的详细描述,此处不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种机器人搜寻目标的方法中的步骤。例如,该指令可以执行如下步骤:
通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
建立多种数学回归模型;
基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
根据所述目标方向搜寻目标。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本发明实施例所提供的任一种机器人搜寻目标的方法中的步骤,因此,可以实现本发明实施例所提供的任一种机器人搜寻目标的方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种机器人搜寻目标的方法、机器人、终端及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种机器人搜寻目标的方法,其特征在于,包括:
通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值;
对所述RSSI值进行进行均值滤波,得到滤波后的RSSI值;
建立多种数学回归模型;
基于校正决定系数公式,分别确定所述多种数学回归模型的校正决定系数;
基于修正后的校正决定系数公式,根据所述校正决定系数分别确定所述所述多个数学回归模型的修正后的校正决定系数;
根据修正后的校正决定系数从所述多种数学回归模型中确定目标回归模型;
基于所述目标回归模型,对所述滤波后的RSSI值进行二元回归分析,得到分析结果;
将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
根据所述目标方向搜寻目标;
所述将所述分析结果中信号强度上升最大的方向确定为所述目标方向,包括:基于信号强度与目标方向的对应关系,将所述分析结果中信号强度上升最大的方向确定为所述目标方向;
所述多种数学回归模型包括以下四种模型:
f(x,y)=P00+P10x+P01y;
f(x,y)=P00+P10x+P01y+P11xy+P20x2;
f(x,y)=P00+P10x+P01y+P11xy+P02y2;
f(x,y)=P00+P10x+P01y+P11xy+P20x2+P02y2;
其中,x为横坐标,y为纵坐标,P00、P10、P01、P11、P20、P02分别为回归分析未知数。
2.根据权利要求1所述的方法,其特征在于,所述通过机器人上搭载天线阵列测得信号在二维空间平面上的RSSI值,包括:
通过所述通过机器人上搭载天线阵列获取所述RSSI值;
记录所述RSSI值。
3.一种终端,其特征在于,所述终端为移动终端,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至2任一项所述的机器人搜寻目标的方法。
4.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至2任一项所述的机器人搜寻目标的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098627.5A CN112799040B (zh) | 2021-01-25 | 2021-01-25 | 一种机器人搜寻目标的方法、机器人、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098627.5A CN112799040B (zh) | 2021-01-25 | 2021-01-25 | 一种机器人搜寻目标的方法、机器人、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112799040A CN112799040A (zh) | 2021-05-14 |
CN112799040B true CN112799040B (zh) | 2023-10-13 |
Family
ID=75811637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110098627.5A Active CN112799040B (zh) | 2021-01-25 | 2021-01-25 | 一种机器人搜寻目标的方法、机器人、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112799040B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660591B1 (en) * | 2005-09-09 | 2010-02-09 | Avaya Inc. | Propagation loss model based indoor wireless location of stations |
CN107979817A (zh) * | 2017-11-24 | 2018-05-01 | 王红军 | 一种移动终端二维指纹定位方法 |
CN110297503A (zh) * | 2019-07-08 | 2019-10-01 | 中国电子科技集团公司第二十九研究所 | 一种多无人系统协同搜索危险源的方法 |
CN110933632A (zh) * | 2019-12-03 | 2020-03-27 | 北京建筑大学 | 一种终端室内定位方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110050421A1 (en) * | 2009-08-28 | 2011-03-03 | Symbol Technologies, Inc. | Systems, methods and apparatus for determining direction of motion of a radio frequency identification (rfid) tag |
-
2021
- 2021-01-25 CN CN202110098627.5A patent/CN112799040B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660591B1 (en) * | 2005-09-09 | 2010-02-09 | Avaya Inc. | Propagation loss model based indoor wireless location of stations |
CN107979817A (zh) * | 2017-11-24 | 2018-05-01 | 王红军 | 一种移动终端二维指纹定位方法 |
CN110297503A (zh) * | 2019-07-08 | 2019-10-01 | 中国电子科技集团公司第二十九研究所 | 一种多无人系统协同搜索危险源的方法 |
CN110933632A (zh) * | 2019-12-03 | 2020-03-27 | 北京建筑大学 | 一种终端室内定位方法及系统 |
Non-Patent Citations (4)
Title |
---|
"2.4GHz无线信号在苹果园中的衰减模型";郭秀明;《中国农业大学学报》;第19卷(第6期);179-187 * |
"RSSI测距技术探索";覃欣怡;《计算机工程应用技术》;第9卷(第31期);7117-7120 * |
"基于实时运动状态的RSSI测距室内定位算法";王群;《南京理工大学学报》;第39卷(第2期);229-235 * |
"线性回归在无线传感器网络定位中的应用研究";张迎胜;《小型微型计算机系统》;第35卷(第7期);1500-1505 * |
Also Published As
Publication number | Publication date |
---|---|
CN112799040A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Massa et al. | Learning-by-examples techniques as applied to electromagnetics | |
Burke et al. | Modeling antennas near to and penetrating a lossy interface | |
CN112986903A (zh) | 一种智能反射平面辅助的无线感知方法及装置 | |
CN105005035A (zh) | 基于二维滑窗稳健空时自适应处理的目标检测方法 | |
CN114390463B (zh) | 一种室内多目标被动式定位方法、系统及电子设备 | |
Wei et al. | Beam‐space reduced‐dimension space‐time adaptive processing for airborne radar in sample starved heterogeneous environments | |
Shang et al. | Sea clutter suppression method of HFSWR based on RBF neural network model optimized by improved GWO algorithm | |
Liao et al. | Resolution Improvement for MUSIC and ROOT MUSIC Algorithms. | |
CN112799040B (zh) | 一种机器人搜寻目标的方法、机器人、终端及存储介质 | |
CN106960083A (zh) | 一种基于主瓣波束图优化的鲁棒自适应波束形成方法 | |
CN107462879A (zh) | 一种跨波束积累方法 | |
Amiri et al. | Efficient algebraic solution for elliptic target localisation and antenna position refinement in multiple‐input–multiple‐output radars | |
CN112036011B (zh) | 一种用于水下航行器的甚低频波通信传输分析方法及系统 | |
CN116430126B (zh) | 一种基于电磁背景认知的电磁静默目标检测方法、装置及计算机设备 | |
Jiang et al. | Robust non‐homogeneity detector based on reweighted adaptive power residue | |
CN113687321B (zh) | 雷达目标探测距离评估方法和装置 | |
Zheng et al. | Through‐the‐wall radar clutter mitigation using stepped‐frequency signal | |
CN113406580B (zh) | Mimo雷达低截获性能评估方法、装置和存储介质 | |
CN115561748A (zh) | 基于射频隐身的网络化雷达目标搜索跟踪资源分配方法 | |
Reza et al. | Robust centered element concentric circular antenna array with low side lobe using variable loading and tapering windows in the presence of array imperfections | |
KR102424104B1 (ko) | 무선 통신 시스템에서 전파 특성을 분석하기 위한 장치 및 방법 | |
Han et al. | Recursive Bayesian beamforming with uncertain projected steering vector and strong interferences | |
Chen et al. | General Improvements of Heuristic Algorithms for Low Complexity DOA Estimation | |
Mi et al. | An efficient DOA estimation method for passive surveillance system based on troposcatter | |
Yu et al. | Multi-antenna Optimal Reception Theory and Semi-physical Verification for RFID-MIMO System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |