CN114998539A - 一种智慧城市传感器地形定位建图方法 - Google Patents
一种智慧城市传感器地形定位建图方法 Download PDFInfo
- Publication number
- CN114998539A CN114998539A CN202210661748.0A CN202210661748A CN114998539A CN 114998539 A CN114998539 A CN 114998539A CN 202210661748 A CN202210661748 A CN 202210661748A CN 114998539 A CN114998539 A CN 114998539A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- terrain
- calculating
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013507 mapping Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000001360 synchronised effect Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000013439 planning Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 26
- 230000000875 corresponding effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 10
- 238000013144 data compression Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Instructional Devices (AREA)
Abstract
本发明属于三维定位重构技术领域，具体涉及一种智慧城市传感器地形定位建图方法。包括将传感器执行探测任务的区域划分为A个子任务区域；对所设定的任务区域进行全覆盖路径规划；传感器在子任务区域内执行探测任务，获取探测目标的位置信息、姿态信息；以传感器的随体坐标系为基准将探测数据转换为三维点云，通过坐标变换得到大地坐标系的城市地形数据等。本发明不需要物理场数据库的支持，通过研究传感器定向算法，能够在智慧城市复杂非结构化的环境中完成自主同步定位，该同步定位模式隐蔽性高，鲁棒性强，且通过主动对地形进行有目的性地回溯，从而使得传感器能够更有效的在不依赖载体的情况下获得高精度的位置信息和城市地形图。
Description
技术领域
本发明属于三维定位重构技术领域，具体涉及一种智慧城市传感器地形定位建图方法。
背景技术
多视图三维重构的关键在于从拍摄的众多图像中恢复出其图像序列，从而重构出对象或者场景的立体结构信息，呈现出立体结构模型。三维重构利用了图像上丰富的视觉信息，如轮廓、亮度、明暗度、纹理、特征点等，结合摄像机镜头的内外参数，进行光学投影变换的逆向变换处理，恢复出对象或场景的立体结构模型。地物精密的立体模型在“数字城市”盛行的当代有着不可替代的作用，另外，一些有价值的古老建筑正面临毁坏边缘，一旦损毁将难以重构，而地物的精密立体模型在古老建筑的保护方面起着不可重要作用。因此，研发地物精密立体重构方法有着极其重要的意义和巨大的实用价值。现有技术出现了同步定位建图技术，但只运用在移动机器人领域，且不够成熟，移动设备自身误差和观测噪声的影响加上处于未知环境下，使得同步定位建图系统中，存在着大量不确定性因素，现有技术同步定位建图的运用存在较大的局限性，更没有用同步定位建图技术来实现对地面图像的重构，不能通过立体建模人机交互的方式得到地物的精密模型，现有技术的方法不够简单流畅，逻辑清晰度差，可行性和鲁棒性不好。
发明内容
本发明的目的在于提供一种智慧城市传感器地形定位建图方法。
本发明的目的是这样实现的：
一种智慧城市传感器地形探测数据压缩存储方法，包括以下步骤：
(1)将传感器执行探测任务的区域划分为A个子任务区域；对所设定的任务区域进行全覆盖路径规划；
(2)传感器在子任务区域内执行探测任务，获取探测目标的位置信息、姿态信息；
(3)以传感器的随体坐标系为基准将探测数据转换为三维点云，通过坐标变换得到大地坐标系的城市地形数据；
(4)将步骤(2)中的位置信息、姿态信息数据放入缓存池中，判断缓存池中数据测线的数量是否达到预设规模；若未达到，则返回步骤(2)继续获取当前子任务区域的数据；否则，则执行步骤(5)；
(5)计算缓存池中的地形数据熵值，判断是否达到输出阈值；若数据熵值超出输出阈值，则执行步骤(6)；否则，返回步骤(2)继续获取当前子任务区域的数据；
(6)调取缓存池中的数据，并输入到构建的人工神经网络中进行回归训练，当参数收敛后，输出所得的神经网络模型参数；
(7)存储训练得到的人工神经网络模型参数来代替原始的点云数据，实现对地形数据的压缩存储；
(8)若未完成对全部子任务区域的探测任务，则返回步骤(2)执行未完成探测的子任务区域的探测；当需要获取某一位置探测数据时，根据该位置所属的子任务区域获取对应的人工神经网络模型参数，将该位置的横纵坐标输入到对应的人工神经网络模型中，得到地形参数并执行步骤(9)；
(9)执行传感器同步定位与地图绘制，并构建轨迹地图Mapt；
(10)根据轨迹地图确定候选回环目标和候选探索目标；
(11)根据效用方程计算到达每个候选点的收益，选择对应收益最优的候选点，根据传感器向收益最优候选点行驶的动作n′g，判断执行回环任务或探索任务；
(12)执行传感器向收益最优候选点行驶的动作n′g，判断设定的任务区域是否探索完成；若完成探索，则结束；否则，返回步骤(9)。
对于每一子任务区域，获取先验城市地形数据进行预训练，从而设置输出阈值Uth与人工神经网络的中间层节点数，预训练步骤如下：
(2.1)获取子任务区域的A个先验地形块，计算各先验地形块的地形数据熵值GR,n，得到GR＝{GR,n|n＝1,2,...,A}；
(2.2)人工神经网络可容纳的最大中间层节点数量Z；
(2.3)依次计算地形数据熵值GR,n在不同中间层节点数o对应的人工神经网络模型中对地形拟合的误差rno，并记录时间消耗pno，得到误差集R和时间集P：
R＝{rno|n＝1,2,...,A,o＝1,.2...,Z}；
P＝{pno|n＝1,2,...,A,o＝1,.2...,Z}；
(2.4)对误差集和时间集分别进行归一化处理；
(2.5)计算调和平均数Sno；
选取调和平均数S最小时对应的[n*,o*]作为结果，具体计算如下：
(2.6)设置输出阈值Uth为Uth＝GR,n*，设置人工神经网络的中间层节点数为o*。
所述构建缓存池数据的步骤包括：
(4.1)采集第v次测量时得到的测线横坐标
测线纵坐标
测线深度值
三个参数大小均为a1×1；a1表示测线中包含的测点数量；
(4.2)采集当前缓存池中的数据测线数量g；
(4.3)构建缓存池数据Data为：
Data＝{X；Y；Z}；
所述地形数据熵值获取的步骤包括：
获得测线v中测点w的测绘值mij和缓存池的地形测绘值的均值
所述步骤(9)包括：
(9.1)根据传感器测线的平均宽度j将轨迹地图Mapt分成子地图集合；
(9.2)提取传感器当前位置(x,y)和位置协方差矩阵Ξ
(9.3)确定候选点搜索半径：
(9.4)搜索半径e内的所有子地图subi，计算子地图的数量Num，
(9.5)计算子地图的数据矩阵的行列值Zi，Ai；
(9.6)采集对应位置(x,y)的地形高程uxy；
(9.7)计算在搜索半径e内的所有子地图的地形费舍尔信息量{Gi|i＝1,2,…,Num}
||·||表示欧式范数；
(9.8)提取预设的地形费舍尔信息量阈值Gt；
(9.9)取所有满足Gi>Gt的子地图中心点作为回环目标点集合根据当前传感器位置到回环目标的距离，在前进方向上选取相同距离的点作为探索目标点，生成探索目标点集合；
(9.10)输出回环候选点集合和探索候选点集合。
所述步骤(11)具体为：
(11.1)计算受动作n′影响的地图体积In′；
(11.2)计算受到每个重访动作相应探索行动影响的地图体积Iex；
(11.3)计算系统平衡因子τ，
(11.4)提取历史控制向量的集合h和历史观测集合m；
(11.5)提取执行动作n′而探测得到的地图信息z(n′)；z表示某一栅格的地图信息；
(11.6)计算通过预测得到的到达目标点时传感器的位置协方差
当前时刻传感器的位置协方差
(11.7)采集目标子地图subi的地形费舍尔信息量Gi和搜索范围内最大的地形费舍尔信息量Gmax；
(11.8)计算执行动作n′后传感器的位姿不确定性；
(11.9)计算栅格z的香农熵：
(11.10)计算栅格z的瑞利熵：
(11.11)执行动作n′时的互信息Vn′：
(11.12)计算到达每个候选点的收益τVn′；
(11.13)选择收益最优时传感器向对应的候选点行进的动作n′g：
所述的人工神经网络包括输入层、隐藏层、输出层，人工神经网络的输入为测量数据的横坐标与纵坐标，输出为地形测量值，人工神经网络的中间层节点数与地形数据熵值正相关。
本发明的有益效果在于：
本发明提出了一种智慧城市传感器地形定位建图方法，运用缓存池和神经网络共同搭建的存储框架，仅存少量的模型参数，从而使得消耗的存储空间大大降低，与此同时能够实现快速地实现地形重构。通过在缓存池数据的基础上建立神经网络输出机制，使得传感器数据集可以兼容多种存储和查询类型的快速处理，突破了目前云数据管理技术的查询局限。同时本发明提出了一种能够应对传感器采样数据的异构性、时空相关性和动态流式特性的数据库模型，将每一块地形都作为训练集使用人工神经网络对其进行回归；训练好的模型代替原始测深数据从而实现数据的压缩。通过采样数据序列存储缓存池内核实现了传感器采样数据的统一表示、存储、计算和查询，突破了目前时空数据相对单一缺乏有效的异构数据流表示的局限。最后本发明通过主动对地形进行有目的性地回溯，平衡了回溯和探索之间的关系，从而使得传感器能够更有效的在不依赖载体的情况下获得高精度的位置信息和城市地形图。
附图说明
图1为本发明的总体流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
一种智慧城市传感器地形探测数据压缩存储方法，包括以下步骤：
(1)将传感器执行探测任务的区域划分为A个子任务区域；对所设定的任务区域进行全覆盖路径规划；
(2)传感器在子任务区域内执行探测任务，获取探测目标的位置信息、姿态信息；
所述的步骤(2)中，对于每一子任务区域，获取先验城市地形数据进行预训练，从而设置输出阈值Uth与人工神经网络的中间层节点数，预训练步骤如下：
(2.1)获取子任务区域的A个先验地形块，计算各先验地形块的地形数据熵值GR,n，得到GR＝{GR,n|n＝1,2,...,A}；
(2.2)人工神经网络可容纳的最大中间层节点数量Z；
(2.3)依次计算地形数据熵值GR,n在不同中间层节点数o对应的人工神经网络模型中对地形拟合的误差rno，并记录时间消耗pno，得到误差集R和时间集P：
R＝{rno|n＝1,2,...,A,o＝1,.2...,Z}；
P＝{pno|n＝1,2,...,A,o＝1,.2...,Z}；
(2.4)对误差集和时间集分别进行归一化处理；
(2.5)计算调和平均数Sno；
选取调和平均数S最小时对应的[n*,o*]作为结果，具体计算如下：
(2.6)设置输出阈值
设置人工神经网络的中间层节点数为o*。
(3)以传感器的随体坐标系为基准将探测数据转换为三维点云，通过坐标变换得到大地坐标系的城市地形数据；
(4)将步骤(2)中的位置信息、姿态信息数据放入缓存池中，判断缓存池中数据测线的数量是否达到预设规模；若未达到，则返回步骤(2)继续获取当前子任务区域的数据；否则，则执行步骤(5)；
所述构建缓存池数据的步骤包括：
(4.1)采集第v次测量时得到的测线横坐标
测线纵坐标
测线深度值
三个参数大小均为a1×1；a1表示测线中包含的测点数量；
(4.2)采集当前缓存池中的数据测线数量g；
(4.3)构建缓存池数据Data为：
Data＝{X；Y；Z}；
所述地形数据熵值获取的步骤包括：
获得测线v中测点w的测绘值mij和缓存池的地形测绘值的均值
(5)计算缓存池中的地形数据熵值，判断是否达到输出阈值；若数据熵值超出输出阈值，则执行步骤(6)；否则，返回步骤(2)继续获取当前子任务区域的数据；
(6)调取缓存池中的数据，并输入到构建的人工神经网络中进行回归训练，当参数收敛后，输出所得的神经网络模型参数；
(7)存储训练得到的人工神经网络模型参数来代替原始的点云数据，实现对地形数据的压缩存储；
(8)若未完成对全部子任务区域的探测任务，则返回步骤(2)执行未完成探测的子任务区域的探测；当需要获取某一位置探测数据时，根据该位置所属的子任务区域获取对应的人工神经网络模型参数，将该位置的横纵坐标输入到对应的人工神经网络模型中，得到地形参数；
(9)执行传感器同步定位与地图绘制，并构建轨迹地图Mapt；
所述步骤(9)包括：
(9.1)根据传感器测线的平均宽度j将轨迹地图Mapt分成子地图集合；
(9.2)提取传感器当前位置(x,y)和位置协方差矩阵Ξ
(9.3)确定候选点搜索半径：
(9.4)搜索半径e内的所有子地图subi，计算子地图的数量Num，
(9.5)计算子地图的数据矩阵的行列值Zi，Ai；
(9.6)采集对应位置(x,y)的地形高程uxy；
(9.7)计算在搜索半径e内的所有子地图的地形费舍尔信息量{Gi|i＝1,2,…,Num}
||·||表示欧式范数；
(9.8)提取预设的地形费舍尔信息量阈值Gt；
(9.9)取所有满足Gi>Gt的子地图中心点作为回环目标点集合根据当前传感器位置到回环目标的距离，在前进方向上选取相同距离的点作为探索目标点，生成探索目标点集合；
(9.10)输出回环候选点集合和探索候选点集合；
(10)根据轨迹地图确定候选回环目标和候选探索目标；
(11)根据效用方程计算到达每个候选点的收益，选择对应收益最优的候选点，根据传感器向收益最优候选点行驶的动作n′g，判断执行回环任务或探索任务；
所述步骤(11)具体为：
(11.1)计算受动作n′影响的地图体积In′；
(11.2)计算受到每个重访动作相应探索行动影响的地图体积Iex；
(11.3)计算系统平衡因子τ，
(11.4)提取历史控制向量的集合h和历史观测集合m；
(11.5)提取执行动作n′而探测得到的地图信息z(n′)；z表示某一栅格的地图信息；
(11.6)计算通过预测得到的到达目标点时传感器的位置协方差
当前时刻传感器的位置协方差
(11.7)采集目标子地图subi的地形费舍尔信息量Gi和搜索范围内最大的地形费舍尔信息量Gmax；
(11.8)计算执行动作n′后传感器的位姿不确定性
(11.9)计算栅格z的香农熵：
(11.10)计算栅格z的瑞利熵：
(11.11)执行动作n′时的互信息Vn′：
(11.12)计算到达每个候选点的收益τVn′；
(11.13)选择收益最优时传感器向对应的候选点行进的动作n′g
(12)执行传感器向收益最优候选点行驶的动作n′g，判断设定的任务区域是否探索完成；若完成探索，则结束；否则，返回步骤(9)。
所述的人工神经网络包括输入层、隐藏层、输出层，人工神经网络的输入为测量数据的横坐标与纵坐标，输出为地形测量值，人工神经网络的中间层节点数与地形数据熵值正相关。
本发明区别技术特征1是提出了一种缓存池和神经网络共同搭建的存储框架。仅存少量的模型参数，从而使得消耗的存储空间大大降低，与此同时能够实现快速地实现地形重构。2是通过在缓存池数据的基础上建立神经网络输出机制，使得传感器数据集可以兼容多种存储和查询类型的快速处理，突破了目前云数据管理技术的查询局限。3是提出了一种能够应对传感器采样数据的异构性、时空相关性和动态流式特性的数据库模型，将每一块地形都作为训练集使用人工神经网络对其进行回归；训练好的模型代替原始测深数据从而实现数据的压缩。4是通过采样数据序列存储缓存池内核实现了传感器采样数据的统一表示、存储、计算和查询，突破了目前时空数据相对单一缺乏有效的异构数据流表示的局限。因此本发明不需要物理场数据库的支持，通过研究传感器定向算法，能够在智慧城市复杂非结构化的环境中完成自主同步定位，该同步定位模式隐蔽性高，鲁棒性强。5是本发明充分利用传感器的位置信息，为场景识别提供位置数据，显著提高组合定位定向精度，并有效抑制自主定位过程中的定位累计误差。6是本发明避免了状态或量测向量的线性化，通过主动对地形进行有目的性地回溯，使算法确保在未知和时变噪声情况下能够有效抑制滤波器发散，提高传感快速跟踪能力，从而改善系统性能。
Claims (6)
1.一种智慧城市传感器地形探测数据压缩存储方法，其特征在于，包括以下步骤：
(1)将传感器执行探测任务的区域划分为A个子任务区域；对所设定的任务区域进行全覆盖路径规划；
(2)传感器在子任务区域内执行探测任务，获取探测目标的位置信息、姿态信息；
(3)以传感器的随体坐标系为基准将探测数据转换为三维点云，通过坐标变换得到大地坐标系的城市地形数据；
(4)将步骤(2)中的位置信息、姿态信息数据放入缓存池中，判断缓存池中数据测线的数量是否达到预设规模；若未达到，则返回步骤(2)继续获取当前子任务区域的数据；否则，则执行步骤(5)；
(5)计算缓存池中的地形数据熵值，判断是否达到输出阈值；若数据熵值超出输出阈值，则执行步骤(6)；否则，返回步骤(2)继续获取当前子任务区域的数据；
(6)调取缓存池中的数据，并输入到构建的人工神经网络中进行回归训练，当参数收敛后，输出所得的神经网络模型参数；
(7)存储训练得到的人工神经网络模型参数来代替原始的点云数据，实现对地形数据的压缩存储；
(8)若未完成对全部子任务区域的探测任务，则返回步骤(2)执行未完成探测的子任务区域的探测；当需要获取某一位置探测数据时，根据该位置所属的子任务区域获取对应的人工神经网络模型参数，将该位置的横纵坐标输入到对应的人工神经网络模型中，得到地形参数；
(9)执行传感器同步定位与地图绘制，并构建轨迹地图Mapt；
(10)根据轨迹地图确定候选回环目标和候选探索目标；
(11)根据效用方程计算到达每个候选点的收益，选择对应收益最优的候选点，根据传感器向收益最优候选点行驶的动作n′g，判断执行回环任务或探索任务；
(12)执行传感器向收益最优候选点行驶的动作n′g，判断设定的任务区域是否探索完成；若完成探索，则结束；否则，返回步骤(9)。
2.根据权利要求1所述的一种智慧城市传感器地形探测数据压缩存储方法，其特征在于，所述的步骤(2)中，对于每一子任务区域，获取先验城市地形数据进行预训练，从而设置输出阈值Uth与人工神经网络的中间层节点数，预训练步骤如下：
(2.1)获取子任务区域的A个先验地形块，计算各先验地形块的地形数据熵值GR,n，得到GR＝{GR,n|n＝1,2,...,A}；
(2.2)人工神经网络可容纳的最大中间层节点数量Z；
(2.3)依次计算地形数据熵值GR,n在不同中间层节点数o对应的人工神经网络模型中对地形拟合的误差rno，并记录时间消耗pno，得到误差集R和时间集P：
R＝{rno|n＝1,2,...,A,o＝1,.2...,Z}；
P＝{pno|n＝1,2,...,A,o＝1,.2...,Z}；
(2.4)对误差集和时间集分别进行归一化处理；
(2.5)计算调和平均数Sno；
选取调和平均数S最小时对应的[n*,o*]作为结果，具体计算如下：
(2.6)设置输出阈值Uth为
设置人工神经网络的中间层节点数为o*。
3.根据权利要求1所述的一种智慧城市传感器地形探测数据压缩存储方法，其特征在于，所述构建缓存池数据的步骤包括：
(4.1)采集第v次测量时得到的测线横坐标
测线纵坐标
测线深度值
三个参数大小均为a1×1；a1表示测线中包含的测点数量；
(4.2)采集当前缓存池中的数据测线数量g；
(4.3)构建缓存池数据Data为：
Data＝{X；Y；Z}；
所述地形数据熵值获取的步骤包括：
获得测线v中测点w的测绘值mij和缓存池的地形测绘值的均值
4.根据权利要求1所述的一种智慧城市传感器地形探测数据压缩存储方法，其特征在于，所述步骤(9)包括：
(9.1)根据传感器测线的平均宽度j将轨迹地图Mapt分成子地图集合；
(9.2)提取传感器当前位置(x,y)和位置协方差矩阵Ξ
(9.3)确定候选点搜索半径：
(9.4)搜索半径e内的所有子地图subi，计算子地图的数量Num，
(9.5)计算子地图的数据矩阵的行列值Zi，Ai；
(9.6)采集对应位置(x,y)的地形高程uxy；
(9.7)计算在搜索半径e内的所有子地图的地形费舍尔信息量{Gi|i＝1,2,…,Num}
||·||表示欧式范数；
(9.8)提取预设的地形费舍尔信息量阈值Gt；
(9.9)取所有满足Gi>Gt的子地图中心点作为回环目标点集合根据当前传感器位置到回环目标的距离，在前进方向上选取相同距离的点作为探索目标点，生成探索目标点集合；
(9.10)输出回环候选点集合和探索候选点集合。
5.根据权利要求1所述的一种智慧城市传感器地形探测数据压缩存储方法，其特征在于，所述步骤(11)具体为：
(11.1)计算受动作n′影响的地图体积In′；
(11.2)计算受到每个重访动作相应探索行动影响的地图体积Iex；
(11.3)计算系统平衡因子τ，
(11.4)提取历史控制向量的集合h和历史观测集合m；
(11.5)提取执行动作n′而探测得到的地图信息z(n′)；z表示某一栅格的地图信息；
(11.6)计算通过预测得到的到达目标点时传感器的位置协方差
当前时刻传感器的位置协方差
(11.7)采集目标子地图subi的地形费舍尔信息量Gi和搜索范围内最大的地形费舍尔信息量Gmax；
(11.8)计算执行动作n′后传感器的位姿不确定性；
(11.9)计算栅格z的香农熵：
(11.10)计算栅格z的瑞利熵：
(11.11)执行动作n′时的互信息Vn′：
(11.12)计算到达每个候选点的收益τVn′；
(11.13)选择收益最优时传感器向对应的候选点行进的动作n′g：
6.根据权利要求1所述的一种智慧城市传感器地形探测数据压缩存储方法，其特征在于，所述的人工神经网络包括输入层、隐藏层、输出层，人工神经网络的输入为测量数据的横坐标与纵坐标，输出为地形测量值，人工神经网络的中间层节点数与地形数据熵值正相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210661748.0A CN114998539A (zh) | 2022-06-12 | 2022-06-12 | 一种智慧城市传感器地形定位建图方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210661748.0A CN114998539A (zh) | 2022-06-12 | 2022-06-12 | 一种智慧城市传感器地形定位建图方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998539A true CN114998539A (zh) | 2022-09-02 |
Family
ID=83032817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210661748.0A Pending CN114998539A (zh) | 2022-06-12 | 2022-06-12 | 一种智慧城市传感器地形定位建图方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998539A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012546A (zh) * | 2023-03-24 | 2023-04-25 | 南京信大气象科学技术研究院有限公司 | 一种从环境背景中提取气象系统的方法及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180075643A1 (en) * | 2015-04-10 | 2018-03-15 | The European Atomic Energy Community (Euratom), Represented By The European Commission | Method and device for real-time mapping and localization |
| CN110672088A (zh) * | 2019-09-09 | 2020-01-10 | 北京航空航天大学 | 一种仿信鸽地貌感知归巢机制的无人机自主导航方法 |
| CN113325837A (zh) * | 2021-04-23 | 2021-08-31 | 北京启安智慧科技有限公司 | 一种用于多信息融合采集机器人的控制系统及方法 |
| CN114089752A (zh) * | 2021-11-11 | 2022-02-25 | 深圳市杉川机器人有限公司 | 机器人的自主探索方法、机器人及计算机可读存储介质 |
| CN114119920A (zh) * | 2021-10-29 | 2022-03-01 | 北京航空航天大学杭州创新研究院 | 三维点云地图构建方法、系统 |
-
2022
- 2022-06-12 CN CN202210661748.0A patent/CN114998539A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180075643A1 (en) * | 2015-04-10 | 2018-03-15 | The European Atomic Energy Community (Euratom), Represented By The European Commission | Method and device for real-time mapping and localization |
| CN110672088A (zh) * | 2019-09-09 | 2020-01-10 | 北京航空航天大学 | 一种仿信鸽地貌感知归巢机制的无人机自主导航方法 |
| CN113325837A (zh) * | 2021-04-23 | 2021-08-31 | 北京启安智慧科技有限公司 | 一种用于多信息融合采集机器人的控制系统及方法 |
| CN114119920A (zh) * | 2021-10-29 | 2022-03-01 | 北京航空航天大学杭州创新研究院 | 三维点云地图构建方法、系统 |
| CN114089752A (zh) * | 2021-11-11 | 2022-02-25 | 深圳市杉川机器人有限公司 | 机器人的自主探索方法、机器人及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012546A (zh) * | 2023-03-24 | 2023-04-25 | 南京信大气象科学技术研究院有限公司 | 一种从环境背景中提取气象系统的方法及存储介质 |
| CN116012546B (zh) * | 2023-03-24 | 2023-05-26 | 南京信大气象科学技术研究院有限公司 | 一种从环境背景中提取气象系统的方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102296507B1 (ko) | 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치 | |
| CN111325843B (zh) | 一种基于语义逆深度滤波的实时语义地图构建方法 | |
| CN111486845B (zh) | 基于海底地形匹配的auv多策略导航方法 | |
| CN112784873B (zh) | 一种语义地图的构建方法及设备 | |
| CN112949407B (zh) | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 | |
| CN113110455B (zh) | 一种未知初始状态的多机器人协同探索方法、装置及系统 | |
| CN110223351B (zh) | 一种基于卷积神经网络的深度相机定位方法 | |
| CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
| Wang et al. | UAV photogrammetry and AFSA-Elman neural network in slopes displacement monitoring and forecasting | |
| CN111739066B (zh) | 一种基于高斯过程的视觉定位方法、系统及存储介质 | |
| CN111812978B (zh) | 一种多无人机协作slam方法与系统 | |
| CN115147637A (zh) | 一种基于机器人的实时语义地图生成方法及装置 | |
| CN114237235A (zh) | 一种基于深度强化学习的移动机器人避障方法 | |
| CN114998539A (zh) | 一种智慧城市传感器地形定位建图方法 | |
| CN115131514A (zh) | 一种同时定位建图的方法、装置、系统及存储介质 | |
| CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
| CN113532438B (zh) | 一种大初始定位误差下的改进iccp地形匹配方法 | |
| CN114047766A (zh) | 面向室内外场景长期应用的移动机器人数据采集系统及方法 | |
| CN110986949B (zh) | 一种基于人工智能平台下的路径识别方法 | |
| CN113063412A (zh) | 一种基于可靠性分析的多机器人协同定位与建图方法 | |
| CN114397894B (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
| CN116486002A (zh) | 一种面向真实场景的隐式自主三维重建方法 | |
| CN107742295A (zh) | 一种基于视觉的立方星对接重构方法 | |
| Li et al. | RF-LOAM: Robust and Fast LiDAR Odometry and Mapping in Urban Dynamic Environment | |
| CN115619953A (zh) | 一种面向崎岖地形的移动机器人地形建图方法及系统 |
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 |