CN114463932B - 非接触式施工安全距离主动动态识别预警系统及方法 - Google Patents
非接触式施工安全距离主动动态识别预警系统及方法 Download PDFInfo
- Publication number
- CN114463932B CN114463932B CN202210043924.4A CN202210043924A CN114463932B CN 114463932 B CN114463932 B CN 114463932B CN 202210043924 A CN202210043924 A CN 202210043924A CN 114463932 B CN114463932 B CN 114463932B
- Authority
- CN
- China
- Prior art keywords
- target
- information
- data
- positioning
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000010276 construction Methods 0.000 title claims abstract description 62
- 230000033001 locomotion Effects 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims description 32
- 238000005516 engineering process Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000005094 computer simulation Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000005684 electric field Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 23
- 230000004927 fusion Effects 0.000 description 20
- 238000013135 deep learning Methods 0.000 description 19
- 230000008447 perception Effects 0.000 description 17
- 238000007781 pre-processing Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 16
- 238000010606 normalization Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000010365 information processing Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006880 cross-coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000004387 environmental modeling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0269—System arrangements wherein the object is to detect the exact location of child or item using a navigation satellite system, e.g. GPS
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/52—Determining velocity
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/53—Determining attitude
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0272—System arrangements wherein the object is to detect exact location of child or item using triangulation other than GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种非接触式施工安全距离主动动态识别预警系统及方法。其中,该系统包括:定位基准站;多个移动定位终端,每个移动定位终端包括:陀螺仪,被配置为获取第一目标的角运动信息;加速度计,被配置为获取第一目标的线运动信息;GNSS模块,被配置为基于卫星信号和与定位基准信息,确定第一目标的位置信息和速度信息;定位计算机,被配置为对所述角运动信息和线运动信息进行解算,得到所述第一目标的速度、姿态和位置信息,将解算得到的速度、姿态和位置信息与所确定的第一目标的位置信息和速度信息进行融合,确定所述第一目标的位姿信息。识别预警装置,被配置为在危险区域与第一目标的距离超出设定预警安全阈值后主动预警。
Description
技术领域
本发明涉及AI智能领域,具体而言,涉及一种非接触式施工安全距离主动动态识别预警系统及方法。
背景技术
随着电力技术的发展和用电单位对用电质量要求的提高,供电单位必须尽量减少停电时间,尽可能多地进行带电作业。因此,经常存在需要维护的设备停电检修而其余的设备仍然正常带电运行的情况,此时维护人员与大型工程车辆需要在带电高压设备附近工作。现场维护人员以及工程车辆的操作者,都有可能在疏忽或误操作的情况下,跨越了安全间距,甚至工程车辆直接接触带电高压设备,导致人员伤亡和停电故障,造成极坏的后果和经济损失,严重影响电力安全生产。
目前,国内外研制的用于防止施工机械超出安全距离的装置主要分为两类,一类是通过各种传感器获得施工机械本身的位置和运动状态进行分析,另一类通过感应高压线周围产生的电磁场强度来判断安全距离。通过传感器获得施工机械本身的位置和运动状态,存在位置信息精度低、安全距离误差大等问题。对于采用电磁场强度的安全距离判断方法,目前电场测量技术多数是在确定电场环境下的测量效果较好,但在实际复杂电磁环境中应用仍存在缺陷,此外还存在测量装置大、价格昂贵等问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种非接触式施工安全距离主动动态识别预警系统及方法,以至少解决由于定位不准造成的无法有效进行预警的技术问题。
根据本发明实施例的一个方面,提供了一种一种非接触式施工安全距离主动动态识别预警系统,包括:定位基准站,被配置为提供定位基准信息;多个移动定位终端,每个移动定位终端包括:陀螺仪,被配置为获取第一目标的角运动信息;加速度计,被配置为获取所述第一目标的线运动信息;GNSS模块,被配置为接收来自卫星的卫星信号,并与所述定位基准站通信,以获取所述定位基准信息,然后,基于所述卫星信号和与所述定位基准信息,确定所述第一目标的位置信息和速度信息;定位计算机,被配置为对所述角运动信息和线运动信息进行解算,得到所述第一目标的速度、姿态和位置信息,将解算得到的速度、姿态和位置信息与所确定的所述第一目标的位置信息和速度信息进行融合,确定所述第一目标的位姿信息;识别预警装置,被配置为利用仿真建模计算得到危险区域,将所述危险区域与所述第一目标的位姿信息进行对比并识别,在所述危险区域与所述第一目标的距离超出设定预警安全阈值后主动预警。
在本发明实施例中,采用了移动定位终端和卫星融合定位的方法,利用仿真建模计算得到危险区域,将所述危险区域与所述第一目标的位姿信息进行对比并识别,在所述危险区域与第一目标的距离超出设定预警安全阈值后主动预警进而,解决了由于定位不准造成的无法有效进行预警的技术问题,具有及时预警避免发生事故的有益效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明第一实施例的非接触式施工安全距离主动动态识别预警系统的结构示意图;
图2是根据本发明第二实施例的非接触式施工安全距离主动动态识别预警方法的流程图;
图3是根据本发明实施例的精准定位子系统的工作流程的流程图;
图4是根据本发明实施例的误差智能补偿子系统的工作流程图;
图5是根据本发明实施例的环境监测子系统的工作流程的流程图;
图6是根据本发明实施例的环境监测子系统的另一种工作流程的流程图;
图7是根据本发明实施例的非接触式施工安全距离主动动态识别预警系统的结构示意图;
图8是根据本发明第一实施例的动态目标快速感知方法的流程图;
图9是根据本发明第二实施例的动态目标快速感知方法的流程图;
图10是根据本发明实施例的特征提取的示意图;
图11是根据本发明第三实施例的动态目标快速感知方法的流程图;
图12是根据本发明第四实施例的动态目标快速感知方法的流程图;
图13是根据本发明实施例的动态目标快速感知系统的结构示意图。
具体实施方式
实施例1
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警系统,如图1所示,该系统包括:定位基准站143、多个移动定位终端141和识别预警装置142。
定位基准站143,被配置为提供定位基准信息。
移动定位终端141包括:陀螺仪,被配置为获取第一目标的角运动信息;加速度计,被配置为获取所述第一目标的线运动信息;GNSS模块,被配置为接收来自卫星的卫星信号,并与所述定位基准站通信,以获取所述定位基准信息,然后,基于所述卫星信号和与所述定位基准信息,确定所述第一目标的位置信息和速度信息;定位计算机,被配置为对所述角运动信息和线运动信息进行解算,得到所述第一目标的速度、姿态和位置信息,将解算得到的速度、姿态和位置信息与所确定的所述第一目标的位置信息和速度信息进行融合,确定所述第一目标的位姿信息。
在本实施例中,所述第一目标为工程车辆,所述移动定位终端141包括第一移动定位终端、第二移动定位终端和第三移动定位终端,分别安装在所述工程车辆的驾驶室顶盖上方,所述工程车辆的吊臂的最高点以及所述工程车辆的操作室的顶盖上方。其中,所述第一移动定位终端被配置为测量所述工程车辆的实际位置与车辆姿态;所述第二移动定位终端和所述第三移动定位终端被配置为测量所述工程车辆的吊臂的伸长长度以及所述吊臂相对于载体的旋转角度。
在一个示例性实施例中,所述移动定位终端还被配置为:对运动状态下的陀螺噪声进行快速傅里叶变换;对快速傅里叶变换后的陀螺噪声进行第一次的遗传操作,随机生成二进制序列C,并基于所述二进制序列从快速傅里叶变换后的陀螺噪声中提取出噪声信号;进行快速傅里叶逆变换,将所提取出的噪声信号变换为连续信号,并将所述连续信号与静止状态下的陀螺噪声信号进行比对,得到取反的序列;将取反的序列与快速傅里叶变换后的陀螺噪声进行乘法运算,以对陀螺噪声进行滤波降噪处理。
在一个示例性实施例中,所述移动定位终端还被配置为:利用多频点信道估计,得到不同频点信号强度和多径时延簇;利用多径时空补偿模型,实现强电场干扰中的精确定位,以获取辅助定位信息;利用所述辅助定位信息,对所述工程车辆的速度及位置信息进行修正,得到修正后的位姿信息。
识别预警装置142被配置为利用仿真建模计算得到危险区域,将所述危险区域与所述第一目标的位姿信息进行对比并识别,在所述危险区域与所述第一目标的距离超出设定预警安全阈值后主动预警。
在一个示例性实施例中,所述识别预警装置还被配置为:获取施工现场的所述工程车辆和作业人员的位姿信息,通过分析所述工程车辆和所述作业人员的运动特点,建立位姿运动约束模型;利用最优估计方法,进行运动约束的所述作业人员及所述工程车辆的位姿误差估计;利用弱捷联导航失效误差模型,获取所述作业人员及所述工程车辆的位姿信息;基于所述作业人员的位姿信息,利用仿真建模计算得到所述危险区域。
在一个示例性实施例中,所述识别预警装置还被配置为:基于地图数据图像化表述技术和数据自动关联分析技术,来分割所获取的地图数据的典型环境特征数据的超像素,并分析语义关系;利用稀疏卷积神经网络架构,基于所述语义关系和分割后的所述地图数据的典型环境特征数据的超像素,来对工程现场三维场景中的作业人员和工程车辆进行目标识别与主动监测。
在一个示例性实施例中,所述系统还包括携带在第二目标上的第四移动终端,所述第四移动终端被配置为:基于所述第二目标的生物特征和步行频率,构建第一权重因子;对所述第四移动终端的加速度计的信号进行低通滤波处理,基于低通滤波处理后的所述加速度计的当前采样点的三轴加速度矢量和、三轴加速度矢量和的最大值和最小值,来构建第二权重因子;对所述第一权重因子和所述第二权重因子进行拟合,来构建步长回归模型,并基于所构建的步长回归模型来估计所述第二目标的当前步长;基于所估计的所述第二目标的当前步长计算非完整约束下的所述第二目标的速度,并计算捷联解算的所述第二目标的速度和非完整约束下的所述第二目标的速度之间的误差;基于所计算出的误差,对所述捷联解算出的所述第二目标的速度进行修正。其中,第二目标为作业人员。
识别预警装置142包括基于5G和深度学习的非接触式施工安全距离主动动态识别预警系统,其运行在Linux操作系统上。主站基于佳维视工控机TPCIPC-100,Intel BayTrailJ1900处理器,处理器性能稳定;内存采用DDR3内存技术,大小为8G;硬盘为512G SSD固态硬盘,1T HDD 机械硬盘。软件方面,智齿Windows、Linux平台,默认RS232协议,可改422/485协议。
定位基准站143选用千寻魔方MC262M PRO GNSS定位模组,内置双频RTK算法,选择BDS B2a频段,定位精度:0.02+1ppm,测速精度<0.05m/s。
移动定位终端141选用PA-IMU-03D作为移动定位终端,其参数如下:启动时间≤5S,量程±200°/s,零偏重复性≤0.3°/h,零偏稳定性≤0.3°/h,标度因数非线性度≤200ppm,标度因数重复性≤200ppm,带宽≥300Hz,随机游走系数≤0.05°/h,类型石英加速度计,量程±10g(各种量程可选择),偏值≤1mg,偏值月综合误差<5×10-5g(1σ),偏值温度系数≤ 50ug/℃,标度因数月综合误差<80ppm(1σ),标度因数温度系数< 80ppm/℃。
系统工作过程中,通过在工程车辆(载体)上指定位置上安装例如三个移动定位终端,如图1所示分别安装在工程车辆的驾驶室上方A,吊臂的最高点B以及操作室的上方C。其中A点的移动定位终端负责测量车辆的实际位置与车辆姿态,B点和C点的移动定位终端用于测量吊臂的伸长长度以及吊臂相对于载体的旋转角度。有A、B、C三点的位置信息,可以完成工程车辆位置和角度实时信息获取。
将工程车辆位置和角度实时信息回传到识别预警装置,识别预警装置利用已有的危险区域坐标与工程车辆位置信息对比识别,在超出设定预警安全阈值后主动预警。
本实施例,可实现在弱/无卫星环境下的工程车辆空间定位,并且能够及时预警,避免施工事故的发生。
实施例2
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警方法。该方法可以应用在以下场景:项目应用环境包括500千伏交流场地、220千伏交流场地、35千分交流场地、500千伏柔直换流场地、大型深基坑作业场景等5种条件。如图2所示,该方法包括以下步骤:
步骤S201,调用精确定位子系统。精准定位子系统以惯性自主定位定向为核心,卫星导航定位增强技术为辅,根据信号强度、环境条件、运动形式等因素,建立多源融合自主精准定位系统。
步骤S202,调用误差智能补偿子系统。误差智能补偿子系统对车辆工作惯性数据进行周期划分和特征提取,利用深度神经网络建立模型,利用卡尔曼滤波和惯性位姿误差估计解决补偿。
步骤S203,调用环境监测子系统。
环境监测子系统基于惯性、5G、GNSS及三维地图数据库,建立多时空下数据统一基准框架,提取有效特征点,结合深度学习算法,使用可视化显示技术完成融合显示。
环境监测子系统主要执行以下三个步骤:风险叠加评估、预警评估和多维度风险评估、分级预警和多维度统计分析。风险叠加评估:利用多维场景联动可视化引擎,实现可视化模拟展示,实现设备、作业在实景地图上的精准定位及风险点的分类及风险状态显示,并实现区域内风险叠加评估结果在地图上的分级显示。预警评估:建立多级网格下面向应急救援的多目标资源调度模型,实现识别预警参数配置的可视化和节点化、流程可视化展示和操作,实现预警评估指标自定义灵活配置。多维度风险评估、分级预警和多维度统计分析:建立支持边缘计算微服务框架与弹性动态汇聚的可视化智能识别预警平台,支持多维度风险评估、分级预警和多维度统计分析,全面支撑监控现场指挥决策。
步骤S204,判断作业人员是否误操作。步骤S205,调用控制与决策子系统。控制决策子系统基于以上子系统,在现场操作人员发生误操作或超过安全距离时进行安全保护及主动预警。步骤S206,发出警报,做出响应。步骤S207,不做警报,继续监测。
本实施例有效解决了施工安全距离量化控制、监测手段单一、环境监测数据量大、施工环境监测空白等问题,通过非接触式安全距离主动动态识别,消除施工人员、车辆的误差,在事故发生之前做出安全预警,实现施工现场安全管控,避免发生严重生产事故,有效保障了工程项目建设的安全管理,大幅提高了输变电工程施工的安全性、时效性和科技性,有效保障输变电工程的建设,且方案具有普适性,可以根据不同工作场景的需求适当改良之后应用于大部分工作场景。
此外,通过将多源数据统一在统一时空基准下,使数据管理、统计、整理效率显著提高,解决了以上系统中数据处理庞杂的问题,同时填补了国内缺乏可穿戴便携式高精度定位设备的技术空白,推动了关键技术、信息服务、仪器装备的标准化、产品化和产业化,为电厂持续稳定安全作业与发展提供了科技保障。
实施例3
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警方法。本实施例中的步骤与实施例1和2中的步骤相似,不同之处在于精确定位子系统所执行的方法。
精准定位子系统包括惯性自主定位模块和弹性融合精准定位技术模块。精准定位子系统的工作流程如图3所示,包括以下步骤S302至步骤S304。
步骤S302,基于惯性器件获取位姿信息。
精准定位子系统的惯性自主定位模块对施工现场工程车辆和作业人员位姿信息获取问题,通过分析人员及工程车辆运动特点,建立车辆位姿运动约束模型。利用最优估计方法获取运动约束人员及车辆位姿误差估计方法,计算出最符合实际的位姿误差。结合弱捷联导航失效误差模型,实现作业人员及工程车辆位姿信息的精确获取。
步骤S304,基于5G的区域融合进行精准定位。
精准定位子系统的弹性融合精准定位技术模块使用基于5G的区域弹性融合精准协同定位方法,在多频点进行信道估计,得到不同频点信号的强度、多径时延簇分布等信息,建立多径的时空补偿模型,实现强电场干扰环境中的精准定位。
实施例4
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警方法。本实施例中的步骤与实施例2和3中的步骤相似,不同之处在于误差智能补偿子系统所执行的方法。误差智能补偿子系统的工作流程如图4所示。
首先,分析陀螺输出误差特性。
误差源包括惯性器件的确定性误差、随机误差、车辆随机晃动误差等。惯性器件的误差分为:零位误差、比例系数误差、交叉耦合误差、随机误差。
首先分析陀螺输出误差特性,其误差模型为:
为误差补偿后的角速度输出向量;Aq为三轴陀螺原始输出值向量; N1为粗标定零位输出,N表示陀螺角速度零位输出值向量,N(T)为温度相关零位输出,N(a)为加速度相关零位输出;v(t)为随机噪声信号;比例系数矩阵由SF表示,SF1为粗标定比例系数,SF2(Ω)为对应输入角速度的比例系数;交叉偶合系数矩阵由CR表示。
其次,对车辆载体随机晃动误差进行校正。
1)利用深度神经网络方法建立惯性感知器模型。
2)根据自适应矩估计原理,利用工程车辆感知器参数优化方法,提高感知精度。
最后,对动态下的陀螺噪声进行滤波降噪处理。
选用静止状态下的陀螺噪声信号作为参考,为了提升行在正常行走下的陀螺信号质量,动态下的陀螺噪声是滤波降噪算法的主要处理对象,步骤如下:1)对运动状态带有噪声的陀螺数据进行快速傅里叶变换。2)进行第一次的遗传操作,随机生成二进制序列C。3)进行快速傅里叶逆变换,将提取出来的噪声信号变换为连续信号,与静止状态下的陀螺噪声信号进行比对。4)将取反的序列与运动状态快速傅里叶变换后的陀螺噪声进行乘法运算,完成整个滤波降噪过程。
本实施例中,对车辆工作惯性数据进行周期划分和特征提取,利用深度神经网络建立模型,利用卡尔曼滤波和惯性位姿误差估计解决补偿,从而能够更精确地对工程车辆和作业人员进行定位。
实施例5
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警方法。本实施例中的步骤与实施例2至4中的步骤相似,不同之处在于环境监测子系统所执行的方法。
本实施例采用空间直角坐标系或空间大地坐标系下的定位数据,必须将不同基准下的点云数据与定位数据统一在同一时空基准下。本实施的环境监测子系统的工作流程如图5所示,包括以下步骤S502至步骤S506。
步骤S502,环境感知。
基于传感器自标定、系统联合标定等标定手段,开展作业现场环境感知。
步骤S504,特征提取与三维场景实时重构。
对采集数据进行数据预处理完成干扰因素滤除和特征提取。利用地图数据图像化表述技术和数据自动关联分析技术,通过典型环境特征数据的超像素分割和语义关系分析,实现地图数据的分割。利用三维地图数据有效特征点提取方法,进行多次特征匹配以实现施工现场三维场景实时重构。
步骤S506,主动预警。
结合深度学习,利用稀疏卷积神经网络架构实现对施工现场实景地图典型目标识别与主动监测。融合IMU的瞬时姿态高精度解算和5G、GNSS,完整性获取场景。
实施例6
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警方法。本实施例中的步骤与实施例2至4中的步骤相似,不同之处在于环境监测子系统所执行的方法。
本实施例采用空间直角坐标系或空间大地坐标系下的定位数据,必须将不同基准下的点云数据与定位数据统一在同一时空基准下。本实施的环境监测子系统的工作流程如图6所示,包括以下步骤S602至步骤S606。
步骤S602,环境感知。
首先进行数据采集,获取,例如,地图数据、惯性数据以及5G+GNSS 数据等。
然后进行系统标定。基于传感器自标定、系统联合标定等标定手段,开展作业现场环境感知。
步骤S604,信息处理。
信息处理主要包括两个部分:数据处理和数据融合。
数据处理包括数据预处理、多元分割、特征提取等。数据融合包括统一基准、特征级等。通过信息处理,对采集数据进行数据预处理完成干扰因素滤除和特征提取。
数据融合主要是统一基准,并确定特征级。
步骤S606,环境重构与目标定位。
环境重构与目标定位主要包括:环境建模、目标识别和主动监测。
环境建模主要是基于环境特征,多次特征匹配,进行三维重建。目标识别主要是进行模板匹配,特征提取。主动监测主要是目标定位和目标监测。
本实施例中,结合地图数据图像化表述技术和数据自动关联分析技术,利用典型环境特征数据的超像素分割和语义关系分析方法,实现地图数据的分割,结合深度学习,利用稀疏卷积神经网络架构实现对施工现场实景地图典型目标识别与主动监测。
实施例7
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警装置。本实施例中的非接触式施工安全距离主动动态识别预警装置如图7所示,包括:
精准定位子系统72,被配置为基于惯性器件,获取工程车辆及作业人员的定位数据;误差智能补偿子系统74,被配置为利用卡尔曼滤波和惯性位姿误差估计,对所述惯性器件进行误差补偿,并得到误差补偿后的定位数据;环境监测子系统76,被配置为获取所述工程车辆及人员的作业现场环境数据;控制与决策子系统78被配置为基于误差补偿后的所述定位数据和所述作业现场环境数据确定所述工程车辆或所述人员是否处于所述变电站非接触式安全距离内,并在处于所述变电站非接触式安全距离之外的情况下,主动预警。
本实施例中的非接触式施工安全距离主动动态识别预警装置能够实现上述实施例1至6中的方法,此处不再赘述。
本实施例由精准定位子系统、误差智能补偿子系统、环境监测子系统、控制与决策子系统四个子系统组成,分别负责人员与设备定位、扰动与噪声消除、电厂工作环境监测和安全措施响应功能,具有精确预警的有益效果。
本申请通过基于惯性、5G、GNSS及三维地图数据库的多源现场信息尺度、时间、关系等多元特征归一化表达方法,构建多时空下数据统一基准框架,实现地图数据的特征分割,利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别感知,同时使用学习策略对参数进行了优化解决,实现了安全距离量化控制下的动态目标快速感知识别。
此外,通过非接触式安全距离主动动态识别,实现施工现场安全管控,有效保障工程项目建设的全管理,大幅提高输变电工程施工的安全性、时效性和科技性,有效保障输变电工程建设的安全;实现全部输变电工程机械、人员安全施工的目标。
非接触式施工安全距离主动动态识别预警中的重要组成部分是动态目标感知。对于动态目标感知来讲,动态目标检测是实现识别的第一步,动态目标检测即为从序列图像中将变化区域从背景图像中精准提取出来。而动态识别感知的主要目的是根据路径识别获得的角度偏差和距离偏差来确定适当的控制量使两个偏差趋向极小。
下面的实施例将着重说明动态目标快速感知方法。在动态目标快速感知方法的基础上,可以在动态目标超过安全距离阈值时,主动预警。换句话说,以下实施例中的动态目标快速感知方法,是非接触式施工安全距离主动动态识别预警方法的一部分。非接触式施工安全距离主动动态识别预警方法包括:动态目标快速感知方法和预警方法,其中预警方法是在动态目标快速感知方法识别出的动态目标超过安全距离阈值时,主动进行预警。
实施例8
根据本发明实施例,提供了一种基于深度学习的动态目标快速感知方法,如图8所示,该方法包括:
步骤S802,基于感知系统联合标定,进行环境感知,从不同数据源采集数据;
步骤S804,基于所采集的数据,进行场景获取,获取地图数据和位姿信息;
步骤S806,基于所获取的地图数据和位姿信息,进行多元特征的归一化数据预处理,并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配。
在一个示例性实施例中,基于所获取的地图数据和位姿信息,进行多元特征的归一化数据预处理包括以下至少之一:对所获取的地图数据和位姿信息,进行信息尺度的归一化数据预处理;对所获取的地图数据和位姿信息,进行时间序列归一化数据预处理;对所获取的地图数据和位姿信息,进行全局归一化数据预处理。
在一个示例性实施例中,对所获取的地图数据和位姿信息,进行信息尺度的归一化数据预处理包括:对所获取的地图数据和位姿信息进行标准化处理,其中,所述标准化处理包括以下至少之一:将来自不同数据源的数据的数据编码方式统一为相同的方式;将来自不同数据源的数据的数据格式统一为相同的格式;对标准化处理后的地图数据和位姿信息进行匹配处理,其中,所述匹配处理包括以下至少之一:将不同数据源的标识同一事物的不同属性匹配到一起;将不同数据源的相同数据标识成重复;对匹配处理后的地图数据和位姿信息进行数据筛选,以选定一致性维度数据。
在一个示例性实施例中,对所获取的地图数据和位姿信息,进行时间序列归一化数据预处理包括:基于相邻时间序列之间的模式相关性和在时间维度上数据不断产生的特性,利于后续算法,对来自不同数据源的所获取的地图数据和位姿信息进行时间配准。
在一个示例性实施例中,对所获取的地图数据和位姿信息,进行全局归一化数据预处理包括:将时间序列加窗分段后,获取多段固定窗口长度的时间子序列;基于相邻时间序列的关系因子,利用当前窗口内时间子序列的极大值、极小值对所述当前窗口内的时间子序列进行归一化数据预处理。
在一个示例性实施例中,在通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配之前,所述方法还包括:将所述感知系统的误差状态向量定义为列向量;基于所述列向量确定所述感知系统的惯性器件的角速度和加速度与测量值的关系;基于所确定的惯性器件的角速度和加速度与测量值的关系确定所述惯性器件的更新方程;利用所确定的更新方程来确定所述惯性器件的姿态误差。
例如,利用所确定的更新方程来确定所述惯性器件的姿态误差包括:根据地图特征点提取和匹配关系,得到所述地图数据的各帧之间的转移矩阵;利用所述转移矩阵解算出相应的姿态角信息,使用所述惯性器件的角增量变化值作为权重调整因子并基于所述姿态角信息解算出姿态误差。
步骤S808,基于特征匹配得到的数据,利用稀疏卷积网络和运动估计融合,来感知所述动态目标。
本实施例将多时空下的数据统一基准,提高了数据的多源信息处理能力;利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别,适用于多类目标,自适应能力强,识别准确率高。
本实施例可以应用在带电施工现场,用于快速识别作业人员和工程车辆。本实施例一方面可有效降低目前基于主观经验和传统传感器信号判断而引发停电事故、人身事故和设备事故的发生概率,有效解决带电施工作业过程中存在的主要安全隐患,另一方面同时有利于施工过程中管理方的监管,进一步提升电网行业形象,有效提高供电可靠性和用户用电满意度,社会效益明显,因此本实施例提出的方法具备实用价值。
此外,本实施例提出的非接触式安全距离主动动态目标识别算法是基于惯性、5G、GNSS及三维地图数据库的多源现场信息尺度、时间、关系等多元特征归一化表达方法,构建多时空下数据统一基准框架,实现地图数据的特征分割,结合深度学习算法,利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别感知,同时使用学习策略对参数进行了优化,空间统一基准就是把需要感知的目标及环境位姿信息建立在统一的坐标系或者通过矩阵变换可以得到,改善了不同空间目标的识别监测。
并且,本实施例中的感知系统能够在复杂环境下快速、准确地计算出动态目标的状态及类别参数,显著提升了动态目标识别正确率和快速性。
除了应用到带电施工现场之外,本实施例提供的动态目标快速感知方法可以在各个领域广泛应用,为实现普适性、主动性、精度高、性价比高的动态识别快速感知技术提供了新的技术路线。特别的本实施例提出的基于深度学习的动态目标快速感知策略可应用于其它领域基于深度学习的目标识别监测中,所以本实施例提出的方法的普适性更强。
实施例9
根据本发明实施例,提供了一种基于深度学习的动态目标快速感知方法。
基于深度学习的动态目标快速感知方法实现的前提是感知系统、场景获取、归一化表达、特征提取的完成。整个过程首先是感知系统,使用三维地图库、5G+GNSS和惯性器件进行多源数据的采集,完成信息尺度、时间和空间关系场景信息的获取,然后进行多元特征的归一化表达,构建三维作业场景;基于非线性最小二乘法、松弛法及Bayes估计理论等方法,进行超像素分割和语义分析来进行特征匹配,将特征匹配得到的信息利用稀疏卷积神经网络和运动估计融合模型建立动态目标感知自主学习模型来完成动态目标快速识别与实景地图显示。
本申请中多元特征归一化是指多源现场信息尺度、时间、关系等多元特征归一化表达。目标识别是指从空间或时间分布数据信息中将属于目标的部分筛选出来并进行特征判断。
图9是本实施例提供的基于深度学习的动态目标快速感知方法的流程图,如图9所示,该方法包括:
步骤S902,感知系统感知环境数据。
带电作业场所的感知系统主要包括5G、GNSS、惯性器件和高精度三维地图库。
步骤S904,场景获取。
根据感知系统获得信息得到地图数据、作业人员和工程车辆的位姿信息。
步骤S906,归一化表达及特征匹配。
针对现场作业环境,基于惯性、5G、GNSS及三维地图数据库的多源数据,完成信息尺度、时间和空间关系的多元特征归一化表达,构建三维作业场景,并基于非线性最小二乘法、松弛法及Bayes估计理论等方法进行超像素分割和语义分析,以进行特征匹配。此外,地图数据经过过滤和分割,提取特征数据,通过多次特征匹配实现施工现场三维场景实时重构。其中,特征提取的过程如图10所示。
在本实施例中,归一化表达主要包括信息尺度的归一化表达、时间序列的归一化表达、全局归一化表达。
1.信息尺度的归一化方法
1)标准化,标准化的目的是使不同数据源的数据编码方式,数据格式等相同,为下一步数据匹配打下基础(数据标准化中的代码标准化过程)。
2)匹配,数据匹配的工作有两方面,一是将不同数据源的标识同一事物的不同属性匹配到一起,使数据更完善;另一是将不同数据源的相同数据标识成重复,为下一步的筛选打下基础。例如:来源于不同数据源中重复的客户姓名。
3)筛选,数据筛选的主要目的是选定一致性维度作为主数据,也就是最终交付的一致性维度数据。
2.时间序列归一化方法
在时间序列归一化主要完成多源数据的时间配准,由于时间序列的特殊性,例如,相邻序列之间的模式相关性,在时间维度上数据是不断产生的特性,在归一化方法的选用上,也应该尽可能的利于后续算法/模型工作。
3.全局的归一化方法
在全局归一化的基础上,结合小波/傅里叶变换中加窗的思想,产生了加窗归一化。
利用窗口内序列的极大值、极小值对该窗口内的时间序列进行归一化,这种方法一定程度上解决了时间跨度多大时不同测量条件下序列幅值差异的问题。给定的时间序列S,对S加窗分段后S共有n段窗口长度为L 的序列构成:S={s1,s2,…,sn}。对S进行自适应归一化,归一化后序列为: R={r1,r2,…,rn},其中
其中,α和β是相邻时间序列的关系因子,i={1,2......n},di是迭代过程变量,di-1是迭代过程变量,ri是归一化后的序列,fi是迭代过程变量, fi-1是迭代过程变量。
步骤S908,识别动态目标。
目标识别过程是从空间或时间分布数据信息中将属于目标的部分筛选出来并进行特征判断。机器学习是解决这类问题的有利工具。在机器学习过程中,采用适宜的算法与分类器并选取合适的先验特征,以识别动态目标。
实施例10
根据本发明实施例,提供了一种基于深度学习的动态目标快速感知方法。
在本实施例中,基于传感器自标定、系统联合标定等标定手段,开展作业现场环境感知。对采集数据进行数据预处理完成干扰因素滤除和特征提取。实景地图融合包括特征级和空间统一基准融合。通过研究三维地图数据的有效特征点提取方法,通过多次特征匹配实现施工现场三维场景实时重构;结合地图数据图像化表述技术和数据自动关联分析技术,研究典型环境特征数据的超像素分割和语义关系分析方法,实现地图数据的分割,结合深度学习,利用稀疏卷积神经网络架构实现对施工现场实景地图典型动态目标快速识别。
首先,进行环境感知。在完成数据采集之后,获取例如地图数据、惯性数据以及5G+GNSS数据等。然后进行系统标定。基于传感器自标定、系统联合标定等标定手段,开展作业现场环境感知。
其次,进行信息处理。信息处理主要包括两个部分:数据处理和数据融合。数据处理包括数据预处理、多元分割、特征提取等。数据融合包括统一基准、特征级等。通过信息处理,对采集数据进行数据预处理完成干扰因素滤除和特征提取。数据融合主要是统一基准,并确定特征级。
最后,进行环境重构与目标定位。环境重构与目标定位主要包括:环境建模、目标识别和主动监测。环境建模主要是基于环境特征,多次特征匹配,进行三维重建。目标识别主要是进行模板匹配,特征提取。主动监测主要是目标定位和目标监测。
本实施例中,结合地图数据图像化表述技术和数据自动关联分析技术,利用典型环境特征数据的超像素分割和语义关系分析方法,实现地图数据的分割,结合深度学习,利用稀疏卷积神经网络架构实现对施工现场实景地图典型目标识别与主动监测。
实施例11
根据本发明实施例,提供了一种基于深度学习的动态目标快速感知方法。该方法和实施例8至10中的方法类似,不同之处在于对动态目标进行识别。
图11是根据本发明实施例的动态目标识别的方法的流程图,如图11 所示,该方法包括以下步骤:
步骤S1102,获取信息数据。
感知系统进行环境感知,获取环境数据。
步骤S1104,展开列向量。
将惯性、5G、GNSS系统误差状态向量定义为15×1的列向量:
其中,为k时刻下的IMU、5G及GNSS测量的姿态角误差的差值,定义为包含滚转角、俯仰角和偏航角的三维列向量;/>为陀螺仪输出的零偏值;δrk为导航系下的三轴位置误差;δvk为导航系下的三轴速度误差;/>为加速度计输出的零偏值。
角速度ω和加速度a与测量值的关系可以表示为:
其中,ωm为测量角速度,ng为导航系下的角速度补偿量,am为测量加速度,na为导航系下的加速度补偿量。
动态系统状态空间卷积模型描述的更新方程可以表示为:
其中,k为离散时间,为系统噪声;Gk为噪声矩阵系数;Vk为观测噪声矩阵;Hk为观测矩阵;Zk为观测量,Xk+1为系统在时刻(k+1)的状态,Xk+1∈Rn,Zk+1∈Rm为对应信号的观测矩阵,f(Xk)为系统在k时刻的状态函数,/>为IMU向导航坐标系的转移矩阵,ωb为IMU 下的角速度,ab为IMU下的加速度。f(Xk)定义如下:
其中,为陀螺仪输出的姿态角误差的差值,/>为加速度计输出的零偏值,为陀螺仪输出的零偏值,ΔtI为IMU采样时间隔为,ΔtC为相机采样时间隔为,/>为地图位姿到IMU的姿态转移矩阵(由IMU的安装结构可知/>为定值),/>为k时刻姿态角误差。
根据地图特征点提取和匹配关系可以得到各帧之间的转移矩阵R,则在导航坐标系下姿态矩阵可以表示为:
其中,C11至C33表示所获取的姿态数据信息,由此解算得到相应的姿态角信息:
/>
其中,为k时刻下的姿态角,ψkC为k时刻下偏航角,θkC为k时刻下俯仰角,γkC为k时刻滚转角。 (7)
其中,姿态误差作为观测量可以表示为:
其中,为自适应动态匹配的组合位姿态角的差值,/>为IMU、 5G下测量的姿态角,/>为GNSS测量的姿态角。
自适应动态匹配的组合位姿解算姿态误差可以表示为:
其中,为权重调整因子,/>为单位时间内的平均角增量,/>为姿态误差。这里使用IMU的角增量变化值作为权重调整因子γ的计算量,从而避免了由于定位误差过大或失败无法求解的问题。
步骤S1106,三维重构。
在完成信息尺度、时间和空间关系场景信息的获取之后,进行多元特征的归一化表达,构建三维作业场景。
步骤S1108,输入输出关系。
在深度学习训练时,优化器会对模型参数进行优化,以寻找一组最优解。卷积神经网络中的每一层的输入输出参数关系可以用神经元链接的权重W和输入输出的通道数等密切相关。
步骤S1110,通过深度学习数据特征分析结果。
利用稀疏卷积神经网络和运动估计融合模型建立动态目标感知自主学习模型来完成动态目标快速识别与实景地图显示。
本实施例中,融合IMU的瞬时姿态高精度解算和5G、GNSS姿态计算不存在时间上漂移等优势,解决惯性姿态解算随机发散问题,发挥IMU 姿态测量的优势,进一步提高了姿态解算的准确性,实现动态运动下完整性地图融合识别。
实施例12
根据本发明实施例,提供了一种基于深度学习的动态目标快速感知方法,如图12所示,该方法包括:
步骤S1201,获取位姿信息。三轴加速度计和三轴陀螺仪采集数据,所采集的数据通过捷联惯导导航结算,得到位置、速度和姿态。
步骤S1202,运动控制触发。通过运动控制控制的负反馈,来调整修正零速度和零角速度,发挥IMU姿态测量的优势,进一步提高了姿态解算的准确性,实现动态运动下完整性地图融合。
步骤S1203,获取位置信息。基于三维地图数据库,进行特征提取与匹配,获得工程车辆和作业人员的位置信息。
步骤S1204,对位置信息和位姿信息进行误差修正。将所得到的位姿信息,例如位置、速度和姿态数据,以及位置信息输入到扩展卡尔曼滤波器中,对惯性器件的捷联惯导解算和以及地图的位置信息的解算结果进行误差修正。
步骤S1205,进行位姿更新。基于位置信息进行深度重建,以实现三维重构。基于捷联惯导导航解算出的位置、速度和姿态信息,进行回环监测和相似度计算。基于三维重构的输出结果和相似度计算的输出结果,对半稠密地图和位姿进行更新,以获取完整场景。
实施例13
根据本发明实施例,提供了一种基于深度学习的动态目标快速感知系统,如图13所示,该系统包括:
感知模块132,被配置为基于感知系统联合标定,进行环境感知,从不同数据源采集数据;场景获取模块134,被配置为基于所采集的数据,进行场景获取,获取地图数据和位姿信息;数据处理模块136,被配置为基于所获取的地图数据和位姿信息,进行多元特征的归一化数据预处理,并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配;识别模块138,被配置为基于特征匹配得到的数据,利用稀疏卷积网络和运动估计融合,来感知所述动态目标。
本实施例中的系统能够实现实施例8至12中任一项的方法,因此,此处不再赘述。
实施例14
根据本发明实施例,提供了一种非接触式施工安全距离主动动态识别预警方法,该方法包括:
步骤S1402,利用陀螺仪获取第一目标的角运动信息,并利用加速度计获取所述第一目标的线运动信息;步骤S1404,接收来自卫星的卫星信号,并获取来自定位基准站的定位基准信息,然后,基于所述卫星信号和与所述定位基准信息,确定所述第一目标的位置信息和速度信息;步骤 S1406,对所述角运动信息和线运动信息进行解算,得到所述第一目标的速度、姿态和位置信息,将解算得到的速度、姿态和位置信息与所确定的所述第一目标的位置信息和速度信息进行融合,确定所述第一目标的位姿信息;步骤S1408,利用仿真建模计算得到危险区域,将所述危险区域与所述第一目标的位姿信息进行对比并识别,在所述危险区域与所述第一目标的距离超出设定预警安全阈值后主动预警。
在一个示例性实施例中,在利用陀螺仪获取第一目标的角运动信息之后,所述方法还包括:对运动状态下的陀螺噪声进行快速傅里叶变换;对快速傅里叶变换后的陀螺噪声进行第一次的遗传操作,随机生成二进制序列C,并基于所述二进制序列从快速傅里叶变换后的陀螺噪声中提取出噪声信号;进行快速傅里叶逆变换,将所提取出的噪声信号变换为连续信号,并将所述连续信号与静止状态下的陀螺噪声信号进行比对,得到取反的序列;将取反的序列与快速傅里叶变换后的陀螺噪声进行乘法运算,以对陀螺噪声进行滤波降噪处理。
上述非接触式施工安全距离主动动态识别预警系统所采用的方法,皆可以在本方法中实现,因此,此处不再赘述。
实施例15
根据本发明实施例,提供了另一种非接触式施工安全距离主动动态识别预警方法,该方法包括:
步骤S1502,基于惯性器件,获取工程车辆及作业人员的定位数据。
基于惯性器件,例如惯性传感器,获取施工现场的所述工程车辆和所述作业人员的位姿信息,通过分析所述工程车辆和所述作业人员的运动特点,建立位姿运动约束模型;利用最优估计方法,进行运动约束的所述作业人员及所述工程车辆的位姿误差估计;利用弱捷联导航失效误差模型,获取所述作业人员及所述工程车辆的位姿信息。
之后,利用多频点信道估计,得到不同频点信号强度和多径时延簇;利用多径时空补偿模型,实现强电场干扰中的精确定位,以获取辅助定位信息;利用所述辅助定位信息,对所述作业人员及所述工程车辆的位姿信息进行修正,得到修正后的定位数据。
步骤S1504,利用卡尔曼滤波和惯性位姿误差估计,对所述惯性器件进行误差补偿,并得到误差补偿后的定位数据。
利用卡尔曼滤波和惯性位姿误差估计,对所述惯性器件进行误差补偿可以包括以下至少之一:基于以下至少之一对所述惯性器件的陀螺输出误差进行补偿:陀螺原始输出值向量、粗标定零位输出、陀螺角速度零位输出值向量、温度相关零位输出、加速度相关零位输出、随机噪声信号、比例系数矩阵粗标定比例系数,输入角速度的比例系数、交叉偶合系数矩阵;对动态下的陀螺噪声进行滤波降噪处理,以对所述车辆载体的随机晃动误差进行补偿。
其中,对动态下的陀螺噪声进行滤波降噪处理可以包括:对运动状态下的陀螺噪声进行快速傅里叶变换;对快速傅里叶变换后的陀螺噪声进行第一次的遗传操作,随机生成二进制序列C,并基于所述二进制序列从快速傅里叶变换后的陀螺噪声中提取出噪声信号;进行快速傅里叶逆变换,将所提取出的噪声信号变换为连续信号,并将所述连续信号与静止状态下的陀螺噪声信号进行比对,得到取反的序列;将取反的序列与快速傅里叶变换后的陀螺噪声进行乘法运算,以进行滤波降噪处理。
步骤S1506,获取所述工程车辆及人员的作业现场环境数据;
例如,基于传感器自标定和系统联合标定,进行作业现场环境感知,采集现场数据;对所采集的数据进行数据预处理,以滤除干扰因素并提取特征;利用三维地图数据有效特征点提取方法,对所提取的特征进行多次特征匹配,以实时重构工程现场三维场景。然后,基于地图数据图像化表述技术和数据自动关联分析技术,来分割所述地图数据的典型环境特征数据的超像素,并分析语义关系;利用稀疏卷积神经网络架构,基于所述语义关系和分割后的所述地图数据的典型环境特征数据的超像素,来对工程现场三维场景中的作业人员和工程车辆进行目标识别与主动监测。
步骤S1508,基于误差补偿后的所述定位数据和所述作业现场环境数据确定所述工程车辆或所述人员是否处于所述变电站非接触式安全距离内,并在处于所述变电站非接触式安全距离之外的情况下,主动预警。
例如,基于误差补偿后的所述定位数据和所述作业现场环境数据,利用多维场景联动可视化引擎,对所述工程车辆和所述作业人员的风险状态进行分类;基于预先配置的预警参数和分类后的风险状态,来确定所述工程车辆或所述人员是否处于所述变电站非接触式安全距离内。
本实施例利用惯性定位进行带电施工环境与车辆干扰检测,并对工程车辆晃动误差进行补偿,解决了弱/无卫星环境下的空间定位;此外,还利用卫星增强定位技术对惯性定位进行辅助,提供了高精度空间定位,实现了施工现场安全管控。本实施例中的非接触式主动预警方法,可以在事故发生前进行快速、有效、安全地预警,有效避免人员和设备损失,同时可以提升现有电厂科技性、安全性,促进电厂的数字化、信息化、科技化升级。
Claims (6)
1.一种非接触式施工安全距离主动动态识别预警系统,其特征在于,包括:
定位基准站,被配置为提供定位基准信息;
多个移动定位终端,每个移动定位终端包括:
陀螺仪,被配置为获取第一目标的角运动信息;
加速度计,被配置为获取所述第一目标的线运动信息;
GNSS模块,被配置为接收来自卫星的卫星信号,并与所述定位基准站通信,以获取所述定位基准信息,然后,基于所述卫星信号和与所述定位基准信息,确定所述第一目标的位置信息和速度信息;
定位计算机,被配置为对所述角运动信息和线运动信息进行解算,得到所述第一目标的速度、姿态和位置信息,将解算得到的速度、姿态和位置信息与所确定的所述第一目标的位置信息和速度信息进行融合,确定所述第一目标的位姿信息;
识别预警装置,被配置为利用仿真建模计算得到危险区域,将所述危险区域与所述第一目标的位姿信息进行对比并识别,在所述危险区域与所述第一目标的距离超出设定预警安全阈值后主动预警;
其中,所述第一目标为工程车辆,所述移动定位终端包括第一移动定位终端、第二移动定位终端和第三移动定位终端,分别安装在所述工程车辆的驾驶室顶盖上方,所述工程车辆的吊臂的最高点以及所述工程车辆的操作室的顶盖上方;
其中,所述系统还包括携带在第二目标上的第四移动终端,所述第四移动终端被配置为:基于所述第二目标的生物特征和步行频率,构建第一权重因子;对所述第四移动终端的加速度计的信号进行低通滤波处理,基于低通滤波处理后的所述加速度计的当前采样点的三轴加速度矢量和、三轴加速度矢量和的最大值和最小值,来构建第二权重因子;对所述第一权重因子和所述第二权重因子进行拟合,来构建步长回归模型,并基于所构建的步长回归模型来估计所述第二目标的当前步长;基于所估计的所述第二目标的当前步长计算非完整约束下的所述第二目标的速度,并计算捷联解算的所述第二目标的速度和非完整约束下的所述第二目标的速度之间的误差;基于所计算出的误差,对所述捷联解算出的所述第二目标的速度进行修正,其中,所述第二目标为作业人员。
2.根据权利要求1所述的系统,其特征在于,
所述第一移动定位终端被配置为测量所述工程车辆的实际位置与车辆姿态;
所述第二移动定位终端和所述第三移动定位终端被配置为测量所述工程车辆的吊臂的伸长长度以及所述吊臂相对于载体的旋转角度。
3.根据权利要求1所述的系统,其特征在于,所述移动定位终端还被配置为:
对运动状态下的陀螺噪声进行快速傅里叶变换;
对快速傅里叶变换后的陀螺噪声进行第一次的遗传操作,随机生成二进制序列C,并基于所述二进制序列从快速傅里叶变换后的陀螺噪声中提取出噪声信号;
进行快速傅里叶逆变换,将所提取出的噪声信号变换为连续信号,并将所述连续信号与静止状态下的陀螺噪声信号进行比对,得到取反的序列;
将取反的序列与快速傅里叶变换后的陀螺噪声进行乘法运算,以对陀螺噪声进行滤波降噪处理。
4.根据权利要求1所述的系统,其特征在于,所述识别预警装置还被配置为:
获取施工现场的所述工程车辆和作业人员的位姿信息,通过分析所述工程车辆和所述作业人员的运动特点,建立位姿运动约束模型;
利用最优估计方法,进行运动约束的所述作业人员及所述工程车辆的位姿误差估计;
利用弱捷联导航失效误差模型,获取所述作业人员及所述工程车辆的位姿信息;
基于所述作业人员的位姿信息,利用仿真建模计算得到所述危险区域。
5.根据权利要求1所述的系统,其特征在于,所述移动定位终端还被配置为:
利用多频点信道估计,得到不同频点信号强度和多径时延簇;
利用多径时空补偿模型,实现强电场干扰中的精确定位,以获取辅助定位信息;
利用所述辅助定位信息,对所述工程车辆的速度、姿态和位置信息进行修正,得到修正后的所述工程车辆的位姿信息。
6.根据权利要求1所述的系统,其特征在于,所述识别预警装置还被配置为:
基于地图数据图像化表述技术和数据自动关联分析技术,来分割所获取的地图数据的典型环境特征数据的超像素,并分析语义关系;
利用稀疏卷积神经网络架构,基于所述语义关系和分割后的所述地图数据的典型环境特征数据的超像素,来对工程现场三维场景中的作业人员和工程车辆进行目标识别与主动监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043924.4A CN114463932B (zh) | 2022-01-14 | 2022-01-14 | 非接触式施工安全距离主动动态识别预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043924.4A CN114463932B (zh) | 2022-01-14 | 2022-01-14 | 非接触式施工安全距离主动动态识别预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463932A CN114463932A (zh) | 2022-05-10 |
CN114463932B true CN114463932B (zh) | 2024-05-03 |
Family
ID=81408836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210043924.4A Active CN114463932B (zh) | 2022-01-14 | 2022-01-14 | 非接触式施工安全距离主动动态识别预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463932B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706343B (zh) * | 2022-06-06 | 2022-09-20 | 深圳向一智控科技有限公司 | 一种基于gps定位的安保控制方法及装置 |
CN116030428B (zh) * | 2023-03-30 | 2023-06-30 | 武汉创领信服科技有限公司 | 工地区域危险报警监测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4754280A (en) * | 1982-09-10 | 1988-06-28 | The Charles Stark Draper Laboratory, Inc. | Attitude sensing system |
US5835874A (en) * | 1994-04-28 | 1998-11-10 | Hitachi Construction Machinery Co., Ltd. | Region limiting excavation control system for construction machine |
CN105607093A (zh) * | 2015-12-20 | 2016-05-25 | 上海华测导航技术股份有限公司 | 一种组合导航系统及获取导航坐标的方法 |
CN109151383A (zh) * | 2018-07-21 | 2019-01-04 | 中铁十八局集团有限公司 | 一种基于bim隧道安全监控信息预警系统 |
CN111722257A (zh) * | 2020-06-29 | 2020-09-29 | 河南工业大学 | 一种基于gps和ins组合制导的远程救援机器人系统 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
WO2020253854A1 (zh) * | 2019-06-21 | 2020-12-24 | 台州知通科技有限公司 | 移动机器人姿态角解算方法 |
CN113268055A (zh) * | 2021-04-07 | 2021-08-17 | 北京拓疆者智能科技有限公司 | 工程车辆避障控制方法、装置及机械设备 |
CN113465599A (zh) * | 2021-06-04 | 2021-10-01 | 北京信息科技大学 | 定位定向方法、装置及系统 |
CN113853508A (zh) * | 2021-08-24 | 2021-12-28 | 华为技术有限公司 | 定位方法和定位装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265826B2 (en) * | 2003-03-20 | 2012-09-11 | Hemisphere GPS, LLC | Combined GNSS gyroscope control system and method |
GB2447940B (en) * | 2007-03-28 | 2012-04-04 | Thales Holdings Uk Plc | A motion classification device |
US20110172918A1 (en) * | 2010-01-13 | 2011-07-14 | Qualcomm Incorporated | Motion state detection for mobile device |
-
2022
- 2022-01-14 CN CN202210043924.4A patent/CN114463932B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4754280A (en) * | 1982-09-10 | 1988-06-28 | The Charles Stark Draper Laboratory, Inc. | Attitude sensing system |
US5835874A (en) * | 1994-04-28 | 1998-11-10 | Hitachi Construction Machinery Co., Ltd. | Region limiting excavation control system for construction machine |
CN105607093A (zh) * | 2015-12-20 | 2016-05-25 | 上海华测导航技术股份有限公司 | 一种组合导航系统及获取导航坐标的方法 |
CN109151383A (zh) * | 2018-07-21 | 2019-01-04 | 中铁十八局集团有限公司 | 一种基于bim隧道安全监控信息预警系统 |
WO2020253854A1 (zh) * | 2019-06-21 | 2020-12-24 | 台州知通科技有限公司 | 移动机器人姿态角解算方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN111722257A (zh) * | 2020-06-29 | 2020-09-29 | 河南工业大学 | 一种基于gps和ins组合制导的远程救援机器人系统 |
CN113268055A (zh) * | 2021-04-07 | 2021-08-17 | 北京拓疆者智能科技有限公司 | 工程车辆避障控制方法、装置及机械设备 |
CN113465599A (zh) * | 2021-06-04 | 2021-10-01 | 北京信息科技大学 | 定位定向方法、装置及系统 |
CN113853508A (zh) * | 2021-08-24 | 2021-12-28 | 华为技术有限公司 | 定位方法和定位装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114463932A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537515B (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN114463932B (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
CN101509781B (zh) | 基于单目摄像头的步行机器人定位系统 | |
RU2487419C1 (ru) | Система комплексной обработки информации радионавигационных и автономных средств навигации для определения действительных значений параметров самолетовождения | |
KR20210052409A (ko) | 차선의 확정방법, 포지셔닝 정밀도의 평가방법, 장치, 기기 및 컴퓨터 프로그램 | |
CN114140761A (zh) | 点云配准方法、装置、计算机设备和存储介质 | |
US20230236280A1 (en) | Method and system for positioning indoor autonomous mobile robot | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
CN104809724A (zh) | 多波段遥感影像的自动精配准方法 | |
DE112016006692T5 (de) | Verfahren zur Vorhersage einer Bewegung eines Objekts | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
CN113256019A (zh) | 一种基于无监督表征学习的地质灾害隐患敏感性预测方法 | |
CN115063017A (zh) | 一种中小跨径桥梁结构监测和评估系统及方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
CN114445404A (zh) | 基于亚像素边缘检测的结构振动响应自动识别方法及系统 | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
Shan et al. | Rapid full-field deformation measurements of tall buildings using UAV videos and deep learning | |
CN114386522A (zh) | 基于深度学习的动态目标快速感知方法及系统 | |
CN114463502A (zh) | 非接触式安全距离主动预警方法、装置及存储介质 | |
CN115014359A (zh) | 一种无人机路径规划与定位导航系统 | |
CN112052572A (zh) | 基于wlan位置感知的数字孪生工业仿真系统 | |
CN115542362A (zh) | 电力作业现场的高精度空间定位方法、系统、设备及介质 | |
CN116597397B (zh) | 预测车辆轨迹的模型训练方法和装置及存储介质 |
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 |