CN115290099A - 一种机电设备的定位方法 - Google Patents

一种机电设备的定位方法 Download PDF

Info

Publication number
CN115290099A
CN115290099A CN202211223955.4A CN202211223955A CN115290099A CN 115290099 A CN115290099 A CN 115290099A CN 202211223955 A CN202211223955 A CN 202211223955A CN 115290099 A CN115290099 A CN 115290099A
Authority
CN
China
Prior art keywords
area
lissajous
scanning
heat map
dimensional heat
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.)
Granted
Application number
CN202211223955.4A
Other languages
English (en)
Other versions
CN115290099B (zh
Inventor
曹玉荣
张兢兢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Commercial Wing Information Technology Co ltd
Original Assignee
Nantong Commercial Wing Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Commercial Wing Information Technology Co ltd filed Critical Nantong Commercial Wing Information Technology Co ltd
Priority to CN202211223955.4A priority Critical patent/CN115290099B/zh
Publication of CN115290099A publication Critical patent/CN115290099A/zh
Application granted granted Critical
Publication of CN115290099B publication Critical patent/CN115290099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及无线定位技术领域，具体涉及一种机电设备的定位方法。该方法首先获取待定位区域中机电设备的热度图，以热度图为指导确定对待定位区域的最佳扫描方法，扫描得到待定位区域的三维点云数据后，得到待定位区域中机电设备的初步定位结果；然后利用初步定位结果对已获取的热度图进行修正，使其更为精确地表征待定位区域中机电设备，再以修正后的热度图重新确定新的最佳扫描方法，扫描待定位区域并得到最终的精确定位结果。本发明以热度图为指导，使对待定位区域进行扫描时的扫描内容准确侧重于机电设备所在区域，保证了定位精度，并且通过放弃对不存在机电设备的区域的点云数据的获取，减小了所需计算的点云数据的量，提高了定位效率。

Description

一种机电设备的定位方法
技术领域
本发明涉及无线定位技术领域，具体涉及一种机电设备的定位方法。
背景技术
机电设备一般指机械、电器及电气自动化设备，如户外通讯基站设备、电站设备、建筑机电设备等。新的机电设备安装位置需要结合已有的机电设备位置进行规划，因此需要对已有机电设备进行定位，以便更好的规划新的机电设备安装位置。
目前对于机电设备进行定位常采用的方法是GPS定位，GPS定位对信号非常敏感，易受到大气延时误差、星历误差、观测噪声等影响，导致目前对机电设备定位的结果不精准。
发明内容
本发明提供了一种机电设备的定位方法，用以解决现有技术无法高效、准确地对机电设备进行定位的问题，所采用的技术方案具体如下：
本发明的一种机电设备的定位方法，包括如下步骤：
通过接收待定位区域中机电设备所发出的无线信号，确定待定位区域中机电设备与接收位置之间的距离，从而确定待定位区域中机电设备的三维热度图；
将三维热度图转换为二维热度图，根据二维热度图确定对待定位区域的最佳扫描方式；
以最佳扫描方式扫描待定位区域，得到待定位区域的三维点云数据；
将三维点云数据输入神经网络，得到对待定位区域中机电设备的初步定位结果；
根据初步定位结果对所述三维热度图进行修正，得到修正后的三维热度图；
将修正后的三维热度图转换为修正后的二维热度图，根据修正后的二维热度图确定对待定位区域的新的最佳扫描方式；
以新的最佳扫描方式扫描待定位区域，得到待定位区域的新的三维点云数据；
将新的三维点云数据输入神经网络，得到对待定位区域中机电设备的精确定位结果。
上述技术方案的有益效果为：
本发明通过以热度图为指导确定最佳扫描方式，便避免了所获取的三维点云数据中包括那些无用的并不对应机电设备所在位置的点云数据，从而减小了定位过程的待计算数据量，并通过较小的计算量得到了对待定位区域中机电设备的初步定位结果；后续，本申请继续根据初步定位结果对热度图进行了修正，使修正后的热度图更为准确、集中地表征待定位区域中机电设备的位置，然后以修正后的热度图再次确定了新的最佳扫描方式，然后以新的扫描方式对待定位区域进行扫描获取新的三维点云数据，并最终得到了对待定位区域的精确定位结果。也即，本发明的定位方法，在保证定位精度的前提下显著减小了定位所需处理的数据量，实现了对机电设备的高效、精确定位。
进一步的，根据二维热度图确定对待定位区域的最佳扫描方式的方法为：
采用李萨如扫描的方式对待定位区域进行扫描；
李萨如图形沿
Figure DEST_PATH_IMAGE001
轴、
Figure 838314DEST_PATH_IMAGE002
轴方向上的简谐振动的方程为：
Figure 539422DEST_PATH_IMAGE004
其中
Figure DEST_PATH_IMAGE005
为振幅，为使李萨如图形范围与二维热度图范围一致，
Figure 761063DEST_PATH_IMAGE006
取值为
Figure DEST_PATH_IMAGE007
，
Figure 529430DEST_PATH_IMAGE008
取值为
Figure DEST_PATH_IMAGE009
；
Figure 70001DEST_PATH_IMAGE010
与
Figure DEST_PATH_IMAGE011
分别为所述二维热度图的长和宽；
Figure 762801DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
为频率，频率之比
Figure 384537DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
和
Figure 738902DEST_PATH_IMAGE016
为不大于100且互质的整数；
Figure DEST_PATH_IMAGE017
、
Figure 184795DEST_PATH_IMAGE018
为初相位，综合相位参数
Figure DEST_PATH_IMAGE019
，
Figure 627540DEST_PATH_IMAGE020
；
构建李萨如扫描的约束项：
Figure 161290DEST_PATH_IMAGE022
Figure 567564DEST_PATH_IMAGE024
Figure 794146DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
为密度约束项，将所有李萨如图形叠加得到的图形称为扫描图形，
Figure 458608DEST_PATH_IMAGE028
为第
Figure DEST_PATH_IMAGE029
行第
Figure 684796DEST_PATH_IMAGE030
列点扫描图形的局部轨迹密度，
Figure DEST_PATH_IMAGE031
为第
Figure 780797DEST_PATH_IMAGE029
行第
Figure 414166DEST_PATH_IMAGE030
列点的热度值；
Figure 798880DEST_PATH_IMAGE028
获取方法如下：
Figure DEST_PATH_IMAGE033
Figure DEST_PATH_IMAGE035
其中
Figure 631356DEST_PATH_IMAGE036
表示第
Figure 660492DEST_PATH_IMAGE029
行第
Figure 323817DEST_PATH_IMAGE030
列点八邻域内包括自身的第
Figure 336773DEST_PATH_IMAGE036
个点，
Figure DEST_PATH_IMAGE037
为关于第
Figure 904764DEST_PATH_IMAGE029
行第
Figure 381881DEST_PATH_IMAGE030
列点八邻域内包括自身的第
Figure 216107DEST_PATH_IMAGE036
个点的函数，当第
Figure 185201DEST_PATH_IMAGE036
个点经过李萨如扫描被扫描到时，
Figure 590223DEST_PATH_IMAGE038
，反之当第
Figure 328372DEST_PATH_IMAGE036
个点经过李萨如扫描未被扫描到时，
Figure DEST_PATH_IMAGE039
；
Figure 458133DEST_PATH_IMAGE040
为第
Figure 773577DEST_PATH_IMAGE029
行第
Figure 27578DEST_PATH_IMAGE030
列点八邻域内包括自身的第
Figure 744868DEST_PATH_IMAGE036
个点的权重系数，
Figure DEST_PATH_IMAGE041
为第
Figure 983213DEST_PATH_IMAGE036
个点的坐标；
Figure 926898DEST_PATH_IMAGE042
为第
Figure 486056DEST_PATH_IMAGE029
行第
Figure 827825DEST_PATH_IMAGE030
列点的坐标；
Figure DEST_PATH_IMAGE043
为第
Figure 876552DEST_PATH_IMAGE029
行第
Figure 668053DEST_PATH_IMAGE030
列点八邻域内包括自身的所有点到第
Figure 30901DEST_PATH_IMAGE029
行第
Figure 486897DEST_PATH_IMAGE030
列点的距离的方差；
Figure 909788DEST_PATH_IMAGE044
为李萨如图形叠加约束项，
Figure DEST_PATH_IMAGE045
为李萨如图形的个数；
Figure 985323DEST_PATH_IMAGE046
为轨迹叠加约束项，
Figure DEST_PATH_IMAGE047
为第
Figure 276496DEST_PATH_IMAGE048
个李萨如图形运动轨迹包含的点的集合；
Figure DEST_PATH_IMAGE049
为第
Figure 112297DEST_PATH_IMAGE050
个李萨如图形运动轨迹包含的点的集合；
Figure DEST_PATH_IMAGE051
为
Figure 597767DEST_PATH_IMAGE047
与
Figure 737762DEST_PATH_IMAGE049
交集的元素个数，即第
Figure 65581DEST_PATH_IMAGE048
个李萨如图形与第
Figure 873000DEST_PATH_IMAGE050
个李萨如图形重复扫描的点的个数；
Figure 637694DEST_PATH_IMAGE052
为所有李萨如图形重复扫描的点的个数；
根据各个约束项，构建李萨如扫描的总体约束项：
Figure 891083DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
为李萨如扫描的总体约束项，
Figure 258479DEST_PATH_IMAGE056
分别为约束项
Figure DEST_PATH_IMAGE057
的权重系数；
在取值范围内遍历选择
Figure 80592DEST_PATH_IMAGE015
、
Figure 376706DEST_PATH_IMAGE016
以及
Figure 491293DEST_PATH_IMAGE058
，构建当前李萨如图形，当前李萨如图形构成扫描图形，计算当前李萨如图形所构成的扫描图形的总体约束项，其中使得总体约束项最小的李萨如图形，即为第一个李萨如图形；
再次在取值范围内遍历选择
Figure 396801DEST_PATH_IMAGE015
、
Figure 411768DEST_PATH_IMAGE016
以及
Figure 377319DEST_PATH_IMAGE058
，构建下一个李萨如图形，所述下一个李萨如图形与第一个李萨如图形叠加后即构成新的扫描图形，计算新的扫描图形对应的总体约束项，其中使得新的扫描图形的总体约束项最小的李萨如图形，即为第二个李萨如图形；
通过在取值范围内遍历选择
Figure 244780DEST_PATH_IMAGE015
、
Figure 330810DEST_PATH_IMAGE016
以及
Figure 826383DEST_PATH_IMAGE058
的方式，依次在当前扫描图形中叠加李萨如图形得到叠加后的扫描图形，并计算叠加后的扫描图形的总体约束项，若叠加后的扫描图形的总体约束项大于叠加前的扫描图形的总体约束项则停止叠加李萨如图形，并保留叠加前的所有李萨如图形，按照所述叠加前的所有李萨如图形进行扫描的方式，即为最佳扫描方式。
进一步的，所述初步定位结果包括机电设备类别、机电设备对应的包围框中心点坐标以及机电设备对应的包围框的长宽高尺寸。
进一步的，根据初步定位结果对所述三维热度图进行修正，得到修正后的三维热度图的方法为：
Figure 838201DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE061
为待定位区域中坐标
Figure 833706DEST_PATH_IMAGE062
位置存在机电设备的概率，
Figure DEST_PATH_IMAGE063
为修正后的待定位区域中坐标
Figure 379219DEST_PATH_IMAGE062
位置存在机电设备的概率，
Figure 729298DEST_PATH_IMAGE064
为待定位区域中坐标
Figure 4028DEST_PATH_IMAGE062
到初步定位结果中最接近的包围框的距离；
Figure DEST_PATH_IMAGE065
表示将待定位区域中坐标
Figure 3339DEST_PATH_IMAGE062
到初步定位结果中最接近的包围框的距离归一化；
Figure 929707DEST_PATH_IMAGE066
为初步定位结果中到待定位区域中坐标
Figure 134292DEST_PATH_IMAGE062
最接近的包围框中机电设备的置信度；
Figure DEST_PATH_IMAGE067
表示限制修正后的概率的最小值为0；
将修正后的待定位区域中各个位置存在机电设备的概率作为该位置的热度值，构建得到修正后的三维热度图。
进一步的，确定待定位区域中机电设备的三维热度图的方法为：
在m个连续时刻分别在不同位置处持续接收待定位区域中的机电设备所发送的无线信号，确定所有m个时刻中第i个时刻下所检测到的共
Figure 54624DEST_PATH_IMAGE068
台机电设备中第j台机电设备的坐标范围：
Figure 977450DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE071
为第i个时刻下所检测到的第j台机电设备的坐标，
Figure 599186DEST_PATH_IMAGE072
为所有m个时刻中第i个时刻下无人机的坐标，
Figure DEST_PATH_IMAGE073
为第i个时刻下第j台机电设备到此时刻的无人机的距离，
Figure 953551DEST_PATH_IMAGE074
为距离误差值；
那么，待定位区域中坐标
Figure 743652DEST_PATH_IMAGE062
位置存在机电设备的概率
Figure 389660DEST_PATH_IMAGE061
为：
Figure 923409DEST_PATH_IMAGE076
Figure 368166DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE079
为无人机在待定位区域接收机电设备无线电信号的总时刻数，
Figure 212057DEST_PATH_IMAGE080
；
Figure 250421DEST_PATH_IMAGE072
为第
Figure DEST_PATH_IMAGE081
个时刻下无人机的坐标；
Figure 479539DEST_PATH_IMAGE082
为关于坐标
Figure 746179DEST_PATH_IMAGE062
以及第
Figure 878083DEST_PATH_IMAGE081
个时刻的函数，当坐标
Figure 403742DEST_PATH_IMAGE062
位于第
Figure 76032DEST_PATH_IMAGE081
个时刻一个机电设备的坐标范围内时，
Figure DEST_PATH_IMAGE083
；当坐标
Figure 465687DEST_PATH_IMAGE062
不属于第
Figure 175017DEST_PATH_IMAGE081
个时刻任意一个机电设备的坐标范围内时，
Figure 453552DEST_PATH_IMAGE084
；
将待定位区域中每个位置存在机电设备的概率作为该位置的热度值，构建得到三维热度图。
进一步的，将三维热度图转换为二维热度图的方法为：
确定所述接收位置到待定位区域的表面上每一个点的连线方向，然后确定各个连线方向上的在待定位区域内的所有点，将每个连线方向上的在待定位区域内的所有点存在机电设备的概率累加，累加值即为各个连线方向在待定位区域上表面上对应点的投影概率；
将待定位区域上表面上各个点的投影概率归一化，作为二维热度图的热度值，构建得到二维热度图。
进一步的，所述神经网络为DNN神经网络。
进一步的，所述以最佳扫描方式扫描待定位区域执行的是稀疏扫描，所述以新的最佳扫描方式扫描待定位区域执行的是稠密扫描。
附图说明
图1是本发明的机电设备的定位方法的流程图；
图2是本发明的由三维热度图得到二维热度图的过程示意图。
具体实施方式
本发明的基本构思为：首先将需进行机电设备定位的区域划定为待定位区域，通过连续从待定位区域上方不同位置处接收待定位区域中机电设备发送的无线信号，获取待定位区域中机电设备的三维热度图；然后由三维热度图构建得到二维热度图，以二维热图度为指导，确定对待定位区域进行扫描时的扫描参数，对待定位区域进行有选择的扫描得到待定位区域的三维点云数据，将所得三维点云数据输入到训练好的神经网络模型，得到待定位区域中机电设备的初步定位结果；最后，根据初步定位结果对三维热度图进行修正，从而将热度大的区域的范围进一步缩小得到修正后的三维热度图，由修正后的三维热度图构建得到修正后的二维热度图，以修正后的二维热度图为指导再次确定对待定位区域进行扫描时的扫描参数，扫描得到待定位区域的三维点云数据，并输入训练好的神经网络模型，得到待定位区域中机电设备的精确定位结果。
下面结合附图及实施例，对本发明的一种机电设备的定位方法进行详细说明。
方法实施例：
本发明的一种机电设备的定位方法实施例，其整体流程如图1所示，具体过程如下：
步骤一，确定待定位区域中机电设备的三维热度图。
新的机电设备安装位置规划需要结合该区域内已有的机电设备位置进行规划，也即需要先确定该区域内已有的机电设备的具体位置，所以将该区域称为待定位区域。
在无人机上搭载无线信号接收设备以及激光雷达扫描设备，以在待定位区域上方接收机电设备发送的无线信号并完成对待定位区域的扫描。当然，在其它实施例中，还可采用其它实现方式在待定位区域上方完成对机电设备发送的无线信号的接收以及对待定位区域的扫描。
待定位区域中的机电设备向四周发射无线信号，无人机在待定位区域上方飞行并接收机电设备的无线信号。无人机可根据无线信号推测出机电设备到无人机此刻位置的距离，但无法获得机电设备的具体方位。
假设无人机在飞行过程中，在m个连续时刻分别在不同位置处持续接收待定位区域中的机电设备所发送的无线信号。
在无人机上搭载视觉里程计，通过视觉里程计获取无人机每个时刻的坐标。本方案通过视觉里程计来获取无人机的位置坐标，可避免GPS定位不准造成后续机电设备定位不准。
若假定无人机在第1个时刻的坐标为
Figure DEST_PATH_IMAGE085
，且此时接收到
Figure 230665DEST_PATH_IMAGE086
条无线信号，则可以对应推测出
Figure 645466DEST_PATH_IMAGE086
台机电设备到无人机此刻的距离
Figure DEST_PATH_IMAGE087
。由于推测出的距离受环境等因素的影响而存在一定的误差，所以可依据经验取误差值为
Figure 712648DEST_PATH_IMAGE074
。由此可以确定，第
Figure DEST_PATH_IMAGE089
台机电设备位于以无人机位置
Figure 42260DEST_PATH_IMAGE085
为中心，
Figure 931719DEST_PATH_IMAGE090
为半径的球体与
Figure DEST_PATH_IMAGE091
为半径的球体之间的位置，即第
Figure 528922DEST_PATH_IMAGE089
台机电设备的坐标
Figure 203224DEST_PATH_IMAGE092
满足：
Figure 190771DEST_PATH_IMAGE094
同理，可确定
Figure 742975DEST_PATH_IMAGE086
台机电设备中除第1台机电设备的坐标范围，最终确定第1时刻下
Figure 132368DEST_PATH_IMAGE086
台机电设备的坐标范围。
无人机连续飞行，所以无人机在第2个时刻接收机电设备所发送的无线信号时，其坐标已不同于第1个时刻的坐标
Figure 246080DEST_PATH_IMAGE085
。假设无人机在第2个时刻的坐标为
Figure DEST_PATH_IMAGE095
，且接收到
Figure 517661DEST_PATH_IMAGE096
条无线信号，则可以对应推测出
Figure 748923DEST_PATH_IMAGE096
台机电设备到无人机此刻的距离为
Figure DEST_PATH_IMAGE097
，与上述确定
Figure 571252DEST_PATH_IMAGE086
台机电设备的坐标范围的原理相同，此时结合无人机此刻坐标、
Figure 88821DEST_PATH_IMAGE096
台机电设备到无人机此刻的距离以及距离误差值
Figure 316540DEST_PATH_IMAGE074
，可确定第2时刻下
Figure 944968DEST_PATH_IMAGE096
台机电设备的坐标范围。
按照上述原理，便可确定所有m个时刻中第i个时刻下所检测到的共
Figure 810418DEST_PATH_IMAGE068
台机电设备中第j台机电设备的坐标范围：
Figure 233309DEST_PATH_IMAGE070
其中，
Figure 682745DEST_PATH_IMAGE071
为第i个时刻下所检测到的第j台机电设备的坐标，
Figure 114863DEST_PATH_IMAGE072
为所有m个时刻中第i个时刻下无人机的坐标，
Figure 97469DEST_PATH_IMAGE073
为第i个时刻下第j台机电设备到此时刻的无人机的距离，
Figure 956841DEST_PATH_IMAGE074
为距离误差值。
不论是哪个时刻下，每台机电设备的位置实际上并未变化，因此机电设备位置范围可根据不同时刻机电设备坐标范围进一步缩小。结合不同时刻机电设备坐标范围计算待定位区域每个位置存在机电设备的概率，如待定位区域中坐标
Figure 768939DEST_PATH_IMAGE062
位置存在机电设备的概率
Figure 739169DEST_PATH_IMAGE061
为：
Figure 77747DEST_PATH_IMAGE098
Figure DEST_PATH_IMAGE099
其中，
Figure 671801DEST_PATH_IMAGE079
为无人机在待定位区域接收机电设备无线电信号的总时刻数，
Figure 830250DEST_PATH_IMAGE080
；
Figure 869750DEST_PATH_IMAGE072
为第
Figure 567229DEST_PATH_IMAGE081
个时刻下无人机的坐标；
Figure 768403DEST_PATH_IMAGE082
为关于坐标
Figure 148569DEST_PATH_IMAGE062
以及第
Figure 726181DEST_PATH_IMAGE081
个时刻的函数，当坐标
Figure 275236DEST_PATH_IMAGE062
位于第
Figure 647311DEST_PATH_IMAGE081
个时刻一个机电设备的坐标范围内时，
Figure 514773DEST_PATH_IMAGE083
；当坐标
Figure 630497DEST_PATH_IMAGE062
不属于第
Figure 296708DEST_PATH_IMAGE081
个时刻任意一个机电设备的坐标范围内时，
Figure 839685DEST_PATH_IMAGE084
；当概率越大，则该位置越可能存在机电设备。
结合待定位区域每个位置存在机电设备的概率，绘制三维热度图，将每一点的概率值
Figure 460022DEST_PATH_IMAGE100
作为该点的热度值，由此便可获取待定位区域中机电设备的三维热度图。
步骤二，以三维热度图为指导，进行机电设备的初步定位。
对机电设备进行定位，可通过激光雷达对待定位区域进行扫描。
但由于待定位区域面积大，每一点都进行扫描最后得到的三维点云数据量大，基于大数据量的三维点云数据对机电设备进行定位，计算量过大，严重影响对机电设备的定位效率。因此，本实施例结合二维热度图对待定位区域进行有选择地扫描，基于扫描结果获取机电设备的初步定位结果。
1、将三维热度图转换为二维热度图。
无人机接收机电设备信号而获取三维热度图后，停留在待定位区域上方任意一点对待定位区域进行扫描，而为达到更好地对待定位区域进行扫描的目的，本实施例优选将无人机停留在待定位区域上方中心点处，以便在该点对待定位区域进行激光雷达扫描。激光雷达扫描是由点到面的，即通过一点的激光束角度变化，达到扫描整个二维面的目的。
将三维热度图转换为二维热度图，参见图2：
首先获取无人机激光雷达设备到待定位区域上表面上每一个点的方向，也即激光雷达设备到待定位区域上表面每一点的连线方向，然后获取该方向上待定位区域内的所有点，将每个方向上的待定位区域中所有点存在机电设备的概率
Figure 113857DEST_PATH_IMAGE100
累加，累加值即为待定位区域上表面上对应点的投影概率。如此便可获取待定位区域上表面所有点的投影概率，将每个点的投影概率归一化，本实施例优选归一化方法为，将每个点的投影概率除以待定位区域上表面所有点的投影概率之和，当然，在其它实施例也可以采用其它归一化方法。
将待定位区域上表面每个点归一化后的投影概率
Figure DEST_PATH_IMAGE101
作为二维热度图的热度值，即可构建二维热度图，此二维热度图大小为
Figure 840767DEST_PATH_IMAGE102
。
2、根据二维热度图，确定对待定位区域的最佳扫描方式。
本实施例采用李萨如扫描的方式以使激光雷达完成对待定位区域的扫描。
李萨如扫描通过在
Figure 413700DEST_PATH_IMAGE001
轴、
Figure 255754DEST_PATH_IMAGE002
轴方向上同时简谐振动，合振动的轨迹称为李萨如图形。李萨如扫描通过不断改变简谐振动的参数，使得运动轨迹变化，通过不同简谐振动参数下的运动轨迹叠加最终完成二维面的扫描。
李萨如图形沿
Figure 854225DEST_PATH_IMAGE001
轴、
Figure 223590DEST_PATH_IMAGE002
轴方向上的简谐振动的方程为：
Figure 108370DEST_PATH_IMAGE004
其中
Figure 437720DEST_PATH_IMAGE005
为振幅，为使李萨如图形范围与二维热度图范围一致，将
Figure 698937DEST_PATH_IMAGE006
设为
Figure 197177DEST_PATH_IMAGE007
，将
Figure 252857DEST_PATH_IMAGE008
设为
Figure 335083DEST_PATH_IMAGE009
；
Figure 399991DEST_PATH_IMAGE012
、
Figure 484228DEST_PATH_IMAGE013
为频率，频率之比
Figure 976389DEST_PATH_IMAGE014
，
Figure 280332DEST_PATH_IMAGE015
和
Figure 883351DEST_PATH_IMAGE016
为互质的整数；
Figure 464505DEST_PATH_IMAGE017
、
Figure 629033DEST_PATH_IMAGE018
为初相位；李萨如图形的轨迹取决于参数
Figure 420271DEST_PATH_IMAGE012
、
Figure 92561DEST_PATH_IMAGE013
、
Figure 387276DEST_PATH_IMAGE017
、
Figure 725634DEST_PATH_IMAGE018
，为便于分析，引入综合相位参数
Figure 4169DEST_PATH_IMAGE019
。由现有技术可知，初相位为定值时同一频率比的图形一致；同一频率比的图形随
Figure 948991DEST_PATH_IMAGE058
变化的重复周期为
Figure DEST_PATH_IMAGE103
。因此
Figure 567054DEST_PATH_IMAGE012
、
Figure 73384DEST_PATH_IMAGE013
、
Figure 573636DEST_PATH_IMAGE017
、
Figure 322149DEST_PATH_IMAGE018
的选择就转换为了
Figure 591456DEST_PATH_IMAGE015
、
Figure 265758DEST_PATH_IMAGE016
以及
Figure 253305DEST_PATH_IMAGE058
的选择，
Figure 805510DEST_PATH_IMAGE020
。本发明限制
Figure 929323DEST_PATH_IMAGE015
、
Figure 777456DEST_PATH_IMAGE016
为100以内互质的整数。
二维热度图上每一点的热度值表示了沿着无人机与该点连线方向上在待定位区域中存在机电设备的可能性。对于可能性越大的区域，扫描需要尽可能覆盖到。对于可能性小的区域，扫描无需完全覆盖。结合二维热度图的特征获取李萨如扫描的约束条件，以便激光雷达扫描时对热度大的区域更加关注。
约束条件为：
Figure 252300DEST_PATH_IMAGE104
Figure DEST_PATH_IMAGE105
Figure 248942DEST_PATH_IMAGE106
其中，
Figure 227262DEST_PATH_IMAGE027
为密度约束项，将所有李萨如图形叠加得到的图形称为扫描图形，
Figure 744831DEST_PATH_IMAGE028
为第
Figure 441392DEST_PATH_IMAGE029
行第
Figure 571284DEST_PATH_IMAGE030
列点扫描图形的局部轨迹密度，
Figure 935269DEST_PATH_IMAGE031
为第
Figure 623739DEST_PATH_IMAGE029
行第
Figure 807596DEST_PATH_IMAGE030
列点的热度值。
对于热度值越大的点，其扫描图形局部轨迹密度也应该越大，对于热度值越小的点，其扫描图形局部轨迹密度也应该越小。因此
Figure 3829DEST_PATH_IMAGE027
约束项越小，扫描图形与二维热度图越契合，扫描图形越好。
Figure 222320DEST_PATH_IMAGE028
获取方法如下：
Figure DEST_PATH_IMAGE107
Figure 144009DEST_PATH_IMAGE108
其中
Figure 316627DEST_PATH_IMAGE036
表示第
Figure 286857DEST_PATH_IMAGE029
行第
Figure 359855DEST_PATH_IMAGE030
列点八邻域内包括自身的第
Figure 390128DEST_PATH_IMAGE036
个点，
Figure 318550DEST_PATH_IMAGE037
为关于第
Figure 92471DEST_PATH_IMAGE029
行第
Figure 160922DEST_PATH_IMAGE030
列点八邻域内包括自身的第
Figure 362096DEST_PATH_IMAGE036
个点的函数，当第
Figure 7841DEST_PATH_IMAGE036
个点经过李萨如扫描被扫描到时，
Figure 352497DEST_PATH_IMAGE038
，反之当第
Figure 134508DEST_PATH_IMAGE036
个点经过李萨如扫描未被扫描到时，
Figure 772163DEST_PATH_IMAGE039
；
Figure 905204DEST_PATH_IMAGE040
为第
Figure 253883DEST_PATH_IMAGE029
行第
Figure 890401DEST_PATH_IMAGE030
列点八邻域内包括自身的第
Figure 292432DEST_PATH_IMAGE036
个点的权重系数，
Figure 148655DEST_PATH_IMAGE041
为第
Figure 802490DEST_PATH_IMAGE036
个点的坐标；
Figure 293514DEST_PATH_IMAGE042
为第
Figure 7393DEST_PATH_IMAGE029
行第
Figure 201177DEST_PATH_IMAGE030
列点的坐标；
Figure 658703DEST_PATH_IMAGE043
为第
Figure 535392DEST_PATH_IMAGE029
行第
Figure 921636DEST_PATH_IMAGE030
列点八邻域内包括自身的所有点到第
Figure 985407DEST_PATH_IMAGE029
行第
Figure 246624DEST_PATH_IMAGE030
列点的距离的方差；当第
Figure 712241DEST_PATH_IMAGE029
行第
Figure 859932DEST_PATH_IMAGE030
列点八邻域内包括自身的所有点距离第
Figure 676578DEST_PATH_IMAGE029
行第
Figure 475907DEST_PATH_IMAGE030
列点越近时权重越大，反之权重越小。
Figure 202555DEST_PATH_IMAGE044
为李萨如图形叠加约束项，
Figure 55235DEST_PATH_IMAGE045
为李萨如图形的个数。为提高扫描效率，应该在李萨如图形叠加的个数尽可能少的情况下，完成整体扫描。因此
Figure 359178DEST_PATH_IMAGE044
越小越好。
Figure 696618DEST_PATH_IMAGE046
为轨迹叠加约束项，
Figure 906800DEST_PATH_IMAGE047
为第
Figure 38705DEST_PATH_IMAGE048
个李萨如图形运动轨迹包含的点的集合；
Figure 95522DEST_PATH_IMAGE049
为第
Figure 236654DEST_PATH_IMAGE050
个李萨如图形运动轨迹包含的点的集合；
Figure 937893DEST_PATH_IMAGE051
为
Figure 273322DEST_PATH_IMAGE047
与
Figure 551857DEST_PATH_IMAGE049
交集的元素个数，即第
Figure 496679DEST_PATH_IMAGE048
个李萨如图形与第
Figure 911480DEST_PATH_IMAGE050
个李萨如图形重复扫描的点的个数；
Figure 414880DEST_PATH_IMAGE052
为所有李萨如图形重复扫描的点的个数。重复扫描为无用扫描，因此重复扫描的点的个数越小越好，即
Figure 915131DEST_PATH_IMAGE046
约束项越小越好。
结合多个约束项获取扫描图形的总体约束项D：
Figure DEST_PATH_IMAGE109
其中
Figure 725961DEST_PATH_IMAGE056
为各个约束项的权重系数。
李萨如扫描是将多个李萨如图形叠加得到扫描图形来达到扫描的目的。首先结合约束条件获取第一个李萨如图形：
在取值范围内遍历选择
Figure 27892DEST_PATH_IMAGE015
、
Figure 203658DEST_PATH_IMAGE016
以及
Figure 191206DEST_PATH_IMAGE058
，构建李萨如图形，该李萨如图形即为当前的扫描图形，计算该李萨如图形所构成的扫描图形的总体约束项，其中使得总体约束项最小的李萨如图形，即为第一个李萨如图形，并将此时的总体约束项记为
Figure 477831DEST_PATH_IMAGE110
。
接着结合约束条件获取第二个李萨如图形：
在取值范围内遍历选择
Figure 117758DEST_PATH_IMAGE015
、
Figure 464426DEST_PATH_IMAGE016
以及
Figure 939269DEST_PATH_IMAGE058
，构建新的李萨如图形，新的李萨如图形与第一个李萨如图形叠加后即构成新的扫描图形，其中使得新的扫描图形的总体约束项最小的新的李萨如图形，即为第二个李萨如图形，并将此时的总体约束项记为
Figure DEST_PATH_IMAGE111
。
比较
Figure 232847DEST_PATH_IMAGE110
与
Figure 978212DEST_PATH_IMAGE111
的大小，若
Figure 89256DEST_PATH_IMAGE112
，则保留第二个李萨如图形；若
Figure DEST_PATH_IMAGE113
，则说明此时不存在第二个李萨如图形。
基于前一个李萨如图形持续获取下一个李萨如图形，直至叠加最新获取的李萨如图形之后所得到的扫描图形的总体约束项大于叠加该最新的李萨如图形之前所得到的扫描图形的总体约束项，则证明最新获取的李萨如图形并不存在，保留之前获取的所有李萨如图形，之前获取的各个李萨如图形的参数，即为最优李萨如参数，按照所获取的这些李萨如图形进行扫描的方式，即为激光雷达的最佳扫描方式。
3、获取三维点云数据。
通过无人机上搭载的激光雷达设备结合最优李萨如参数取值，采用李萨如扫描的方式对待定位区域进行扫描，通过扫描获取三维点云数据。
此次扫描为稀疏扫描，扫描间隔为
Figure 612248DEST_PATH_IMAGE114
，该扫描间隔的取值结合机电设备的大小确定，本实施例设置
Figure 975096DEST_PATH_IMAGE114
=2m。
4、获取初步定位结果。
本发明使用DNN神经网络，以Encoder-Decoder-Bbox的结构对三维点云中的机电设备进行检测。具体过程为：
a、网络采用Encoder-Decoder的形式，先对三维点云数据进行编码，而后进行解码。网络的输入为三维点云数据，输出为包围框中心点、回归出的包围框长宽高尺寸、机电设备类别以及置信度。
b、对三维点云数据进行编码的过程，即为使用卷积和池化操作在对三维点云数据下采样的过程中，提取三维点云数据的特征；编码器的输出为提取到的特征向量。
c、解码器的输入为编码器的输出特征向量，解码器经过上采样，回归出三维点云数据中目标对应包围框的中心点和长宽高尺寸；解码器的输出即为DNN神经网络的输出。
d、该DNN神经网络的训练所用数据集为包含机电设备的三维点云数据。训练数据获取过程为：在不同位置放置不同的机电设备，通过激光雷达扫描，获取三维点云数据，根据机电设备的实际放置位置，对三维点云数据打标签。对三维点云进行下采样，获取不同稀疏程度的三维点云数据。此些三维点云数据作为训练数据。
e、三维点云数据的标签为机电设备类别、机电设备对应的包围框，包括包围框中心点坐标和包围框的长宽高尺寸。
f、loss损失函数为均方差损失函数。
通过稀疏扫描获取的三维点云数据为稀疏的，可以有效降低DNN神经网络训练的复杂度，减少计算量。
至此，通过将所获取的三维点云数据输入上述DNN神经网络即可完成对待定位区域中机电设备的初步定位，获取机电设备类别、初步定位的结果和置信度。
步骤三，根据初步定位结果对三维热度图进行修正，然后完成机电设备的精确定位。
1）、根据初步定位结果对三维热度图进行修正。
由于激光雷达扫描间隔较大，所以步骤二中扫描获取的三维点云数据为稀疏的，从而通过DNN神经网络获取的机电设备类别及位置便可能并不够准确。
为保证获取准确的机电设备定位结果，需要利用稠密的三维点云数据对机电设备位置进行识别。但由于步骤一获取的三维热度图中热度大的区域范围较大，所以基于三维热度图获取的二维热度图中热度大的区域范围也较大，若直接根据该二维热度图进行稠密扫描，则获取的三维点云数据量较大，DNN神经网络训练的复杂度高，计算量大。
所以，本实施例结合初步定位结果及置信度，对三维热度图进行修正，将热度大的区域范围进一步缩小，以便在更为精确的小范围内稠密扫描。
三维热度图每一点的热度值为该点存在机电设备的概率，需结合初步定位结果及置信度对三维热度图每一点的值进行修正，将部分概率点的概率减小，以便缩小激光扫描的范围。如坐标
Figure 604661DEST_PATH_IMAGE062
位置存在机电设备的概率为
Figure 27552DEST_PATH_IMAGE061
，则将其修正为
Figure 617933DEST_PATH_IMAGE063
：
Figure DEST_PATH_IMAGE115
其中，
Figure 613833DEST_PATH_IMAGE064
为点
Figure 566746DEST_PATH_IMAGE062
到初步定位结果中最近的包围框的距离；
Figure 426117DEST_PATH_IMAGE065
表示将距离归一化；
Figure 585353DEST_PATH_IMAGE066
为初步定位结果中到点
Figure 57048DEST_PATH_IMAGE062
最近的包围框中机电设备的置信度；
Figure 926784DEST_PATH_IMAGE067
表示限制修正后的概率最小值为0。
当包围框中机电设备的置信度越大，说明机电设备的位置和类别识别的越准确，此时当点
Figure 957057DEST_PATH_IMAGE062
距离包围框越远，则说明该点存在机电设备的可能性越小，则结合置信度大小将该点存在机电设备的概率降低，此时降低幅度较大；此时当点
Figure 207516DEST_PATH_IMAGE062
位于包围框内时，距离为0，则该点存在机电设备的概率不变。置信度较大时，三维热度图热度大的范围缩小程度越大。
当包围框中机电设备的置信度越小，说明机电设备的位置和类别识别的不太准确，该机电设备可能未扫描完整，此时结合点
Figure 981437DEST_PATH_IMAGE062
到包围框的距离将点
Figure 643362DEST_PATH_IMAGE062
存在机电设备的概率降低，降低幅度根据置信度进行调整，置信度越低时，降低幅度越小，使得热度大的范围缩小程度较小，以便能将此机电设备扫描完整。
至此完成了三维热度图的修正。
2）、根据修正后的三维热度图完成机电设备的精确定位。
由修正后的三维热度图，按照步骤二中第1部分内容中的方法转换得到修正后的二维热度图。
根据修正后的二维热度图，按照步骤二中第2部分内容中的方法确定对待定位区域的最佳扫描方式，按照最佳扫描方式对待定位区域进行二次扫描，以获取修正后的三维点云数据。
此次扫描为稠密扫描，扫描间隔为
Figure 611581DEST_PATH_IMAGE116
，该扫描间隔的取值同样结合机电设备的大小确定，本实施例优选
Figure 257326DEST_PATH_IMAGE116
=0.1m。
将修正后的三维点云数据输入步骤二中第4部分所述DNN神经网络，获取机电设备类别及定位信息，由于此次三维点云数据为稠密数据，所以获取的机电设备定位结果即为精确定位结果。
至此，完成了对待定位区域中已有机电设备的精确定位，设计规划人员可根据已有机电设备的位置对新的机电设备安装位置进行准确规划。
整体来看，本发明通过首先获取待定位区域的热力图，然后以所获取热力图为指导确定了对待定位区域的扫描侧重，避免了获取包括无用信息的三维点云数据，减小了三维点云数据的数据量；后续，本发明通过初步定位结果对之前获取的热力图进行修正，将热度大的范围进一步缩小精确，以修正后更为精确的热力图为指导，并采用更为稠密的扫描方式再次获取到了修正后的三维点云数据，使所获取的修正后的三维点云数据中所包括的有用数据占比进一步增大，最终将修正后的三维点云数据输入神经网络后，得到机电设备的精确定位结果。本发明通过对扫描区域或者说扫描对象进行筛选，减少了扫描所获取的三维点云数据中无用数据的量，使三维点云数据整体更加凸出表征机电设备的信息，实现了对机电设备的高效、准确定位。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种机电设备的定位方法，其特征在于，包括以下步骤：
接收待定位区域中机电设备所发出的无线信号，确定待定位区域中机电设备与接收位置之间的距离，从而确定待定位区域中机电设备的三维热度图；
将三维热度图转换为二维热度图，根据二维热度图确定对待定位区域的最佳扫描方式；
以最佳扫描方式扫描待定位区域，得到待定位区域的三维点云数据；
将三维点云数据输入神经网络，得到对待定位区域中机电设备的初步定位结果；
根据初步定位结果对所述三维热度图进行修正，得到修正后的三维热度图；
将修正后的三维热度图转换为修正后的二维热度图，根据修正后的二维热度图确定对待定位区域的新的最佳扫描方式；
以新的最佳扫描方式扫描待定位区域，得到待定位区域的新的三维点云数据；
将新的三维点云数据输入神经网络，得到对待定位区域中机电设备的精确定位结果。
2.根据权利要求1所述的机电设备的定位方法，其特征在于，根据二维热度图确定对待定位区域的最佳扫描方式的方法为：
采用李萨如扫描的方式对待定位区域进行扫描；
李萨如图形沿
Figure 184826DEST_PATH_IMAGE001
轴、
Figure 196907DEST_PATH_IMAGE002
轴方向上的简谐振动的方程为：
Figure DEST_PATH_IMAGE003
其中
Figure 632436DEST_PATH_IMAGE004
为振幅，为使李萨如图形范围与二维热度图范围一致，
Figure 119656DEST_PATH_IMAGE005
取值为
Figure 386558DEST_PATH_IMAGE006
，
Figure 412283DEST_PATH_IMAGE007
取值为
Figure 633311DEST_PATH_IMAGE008
；
Figure 160107DEST_PATH_IMAGE009
与
Figure 32248DEST_PATH_IMAGE010
分别为所述二维热度图的长和宽；
Figure 236397DEST_PATH_IMAGE011
、
Figure 318622DEST_PATH_IMAGE012
为频率，频率之比
Figure 258897DEST_PATH_IMAGE013
，
Figure 736277DEST_PATH_IMAGE014
和
Figure 759596DEST_PATH_IMAGE015
为不大于100且互质的整数；
Figure 204484DEST_PATH_IMAGE016
、
Figure 430673DEST_PATH_IMAGE017
为初相位，综合相位参数
Figure 277406DEST_PATH_IMAGE018
，
Figure 940468DEST_PATH_IMAGE019
；
构建李萨如扫描的约束项：
Figure 357806DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
Figure 357991DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
为密度约束项，将所有李萨如图形叠加得到的图形称为扫描图形，
Figure 625943DEST_PATH_IMAGE024
为第
Figure DEST_PATH_IMAGE025
行第
Figure 53382DEST_PATH_IMAGE026
列点扫描图形的局部轨迹密度，
Figure 958015DEST_PATH_IMAGE027
为第
Figure 168417DEST_PATH_IMAGE025
行第
Figure 724163DEST_PATH_IMAGE026
列点的热度值；
Figure 617776DEST_PATH_IMAGE024
获取方法如下：
Figure 993394DEST_PATH_IMAGE028
Figure 866541DEST_PATH_IMAGE029
其中
Figure 276793DEST_PATH_IMAGE030
表示第
Figure 219604DEST_PATH_IMAGE025
行第
Figure 597364DEST_PATH_IMAGE026
列点八邻域内包括自身的第
Figure 24935DEST_PATH_IMAGE030
个点，
Figure 789496DEST_PATH_IMAGE031
为关于第
Figure 277109DEST_PATH_IMAGE025
行第
Figure 17532DEST_PATH_IMAGE026
列点八邻域内包括自身的第
Figure 733946DEST_PATH_IMAGE030
个点的函数，当第
Figure 118791DEST_PATH_IMAGE030
个点经过李萨如扫描被扫描到时，
Figure 495415DEST_PATH_IMAGE032
，反之当第
Figure 864079DEST_PATH_IMAGE030
个点经过李萨如扫描未被扫描到时，
Figure 256621DEST_PATH_IMAGE033
；
Figure 10819DEST_PATH_IMAGE034
为第
Figure 574656DEST_PATH_IMAGE025
行第
Figure 915769DEST_PATH_IMAGE026
列点八邻域内包括自身的第
Figure 613467DEST_PATH_IMAGE030
个点的权重系数，
Figure 441746DEST_PATH_IMAGE035
为第
Figure 195725DEST_PATH_IMAGE030
个点的坐标；
Figure 742244DEST_PATH_IMAGE036
为第
Figure 368266DEST_PATH_IMAGE025
行第
Figure 473888DEST_PATH_IMAGE026
列点的坐标；
Figure 379527DEST_PATH_IMAGE037
为第
Figure 928189DEST_PATH_IMAGE025
行第
Figure 108634DEST_PATH_IMAGE026
列点八邻域内包括自身的所有点到第
Figure 659308DEST_PATH_IMAGE025
行第
Figure 126061DEST_PATH_IMAGE026
列点的距离的方差；
Figure 912752DEST_PATH_IMAGE038
为李萨如图形叠加约束项，
Figure 116462DEST_PATH_IMAGE039
为李萨如图形的个数；
Figure 304998DEST_PATH_IMAGE040
为轨迹叠加约束项，
Figure 942653DEST_PATH_IMAGE041
为第
Figure 958583DEST_PATH_IMAGE042
个李萨如图形运动轨迹包含的点的集合；
Figure 480831DEST_PATH_IMAGE043
为第
Figure 648507DEST_PATH_IMAGE044
个李萨如图形运动轨迹包含的点的集合；
Figure 348741DEST_PATH_IMAGE045
为
Figure 844444DEST_PATH_IMAGE041
与
Figure 29438DEST_PATH_IMAGE043
交集的元素个数，即第
Figure 674790DEST_PATH_IMAGE042
个李萨如图形与第
Figure 529613DEST_PATH_IMAGE044
个李萨如图形重复扫描的点的个数；
Figure 699563DEST_PATH_IMAGE046
为所有李萨如图形重复扫描的点的个数；
根据各个约束项，构建李萨如扫描的总体约束项：
Figure 48767DEST_PATH_IMAGE047
其中，
Figure 925456DEST_PATH_IMAGE048
为李萨如扫描的总体约束项，
Figure 482340DEST_PATH_IMAGE049
分别为约束项
Figure 847243DEST_PATH_IMAGE050
的权重系数；
在取值范围内遍历选择
Figure 498673DEST_PATH_IMAGE014
、
Figure 105235DEST_PATH_IMAGE015
以及
Figure 318173DEST_PATH_IMAGE051
，构建当前李萨如图形，当前李萨如图形构成扫描图形，计算当前李萨如图形所构成的扫描图形的总体约束项，其中使得总体约束项最小的李萨如图形，即为第一个李萨如图形；
再次在取值范围内遍历选择
Figure 400398DEST_PATH_IMAGE014
、
Figure 340672DEST_PATH_IMAGE015
以及
Figure 80702DEST_PATH_IMAGE051
，构建下一个李萨如图形，所述下一个李萨如图形与第一个李萨如图形叠加后即构成新的扫描图形，计算新的扫描图形对应的总体约束项，其中使得新的扫描图形的总体约束项最小的李萨如图形，即为第二个李萨如图形；
通过在取值范围内遍历选择
Figure 838442DEST_PATH_IMAGE014
、
Figure 283330DEST_PATH_IMAGE015
以及
Figure 778028DEST_PATH_IMAGE051
的方式，依次在当前扫描图形中叠加李萨如图形得到叠加后的扫描图形，并计算叠加后的扫描图形的总体约束项，若叠加后的扫描图形的总体约束项大于叠加前的扫描图形的总体约束项则停止叠加李萨如图形，并保留叠加前的所有李萨如图形，按照所述叠加前的所有李萨如图形进行扫描的方式，即为最佳扫描方式。
3.根据权利要求1所述的机电设备的定位方法，其特征在于，所述初步定位结果包括机电设备类别、机电设备对应的包围框中心点坐标以及机电设备对应的包围框的长宽高尺寸。
4.根据权利要求3所述的机电设备的定位方法，其特征在于，根据初步定位结果对所述三维热度图进行修正，得到修正后的三维热度图的方法为：
Figure 14974DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE053
为待定位区域中坐标
Figure 194150DEST_PATH_IMAGE054
位置存在机电设备的概率，
Figure 516547DEST_PATH_IMAGE055
为修正后的待定位区域中坐标
Figure 814935DEST_PATH_IMAGE054
位置存在机电设备的概率，
Figure 516175DEST_PATH_IMAGE056
为待定位区域中坐标
Figure 350139DEST_PATH_IMAGE054
到初步定位结果中最接近的包围框的距离；
Figure 783001DEST_PATH_IMAGE057
表示将待定位区域中坐标
Figure 258981DEST_PATH_IMAGE054
到初步定位结果中最接近的包围框的距离归一化；
Figure 814727DEST_PATH_IMAGE058
为初步定位结果中到待定位区域中坐标
Figure 117795DEST_PATH_IMAGE054
最接近的包围框中机电设备的置信度；
Figure DEST_PATH_IMAGE059
表示限制修正后的概率的最小值为0；
将修正后的待定位区域中各个位置存在机电设备的概率作为该位置的热度值，构建得到修正后的三维热度图。
5.根据权利要求1所述的机电设备的定位方法，其特征在于，确定待定位区域中机电设备的三维热度图的方法为：
在m个连续时刻分别在不同位置处持续接收待定位区域中的机电设备所发送的无线信号，确定所有m个时刻中第i个时刻下所检测到的共
Figure 477101DEST_PATH_IMAGE060
台机电设备中第j台机电设备的坐标范围：
Figure 995588DEST_PATH_IMAGE061
其中，
Figure 920688DEST_PATH_IMAGE062
为第i个时刻下所检测到的第j台机电设备的坐标，
Figure 863498DEST_PATH_IMAGE063
为所有m个时刻中第i个时刻下无人机的坐标，
Figure 257570DEST_PATH_IMAGE064
为第i个时刻下第j台机电设备到此时刻的无人机的距离，
Figure 934408DEST_PATH_IMAGE065
为距离误差值；
那么，待定位区域中坐标
Figure 87916DEST_PATH_IMAGE054
位置存在机电设备的概率
Figure 575529DEST_PATH_IMAGE053
为：
Figure 440585DEST_PATH_IMAGE066
Figure 406267DEST_PATH_IMAGE067
其中，
Figure 682790DEST_PATH_IMAGE068
为无人机在待定位区域接收机电设备无线电信号的总时刻数，
Figure DEST_PATH_IMAGE069
；
Figure 793835DEST_PATH_IMAGE063
为第
Figure 310967DEST_PATH_IMAGE070
个时刻下无人机的坐标；
Figure 470553DEST_PATH_IMAGE071
为关于坐标
Figure 460637DEST_PATH_IMAGE054
以及第
Figure 680266DEST_PATH_IMAGE070
个时刻的函数，当坐标
Figure 270647DEST_PATH_IMAGE054
位于第
Figure 325934DEST_PATH_IMAGE070
个时刻一个机电设备的坐标范围内时，
Figure 685371DEST_PATH_IMAGE072
；当坐标
Figure 75901DEST_PATH_IMAGE054
不属于第
Figure 638732DEST_PATH_IMAGE070
个时刻任意一个机电设备的坐标范围内时，
Figure 15487DEST_PATH_IMAGE073
；
将待定位区域中每个位置存在机电设备的概率作为该位置的热度值，构建得到三维热度图。
6.根据权利要求1所述的机电设备的定位方法，其特征在于，将三维热度图转换为二维热度图的方法为：
确定所述接收位置到待定位区域的表面上每一个点的连线方向，然后确定各个连线方向上的在待定位区域内的所有点，将每个连线方向上的在待定位区域内的所有点存在机电设备的概率累加，累加值即为各个连线方向在待定位区域上表面上对应点的投影概率；
将待定位区域上表面上各个点的投影概率归一化，作为二维热度图的热度值，构建得到二维热度图。
7.根据权利要求1所述的机电设备的定位方法，其特征在于，所述神经网络为DNN神经网络。
8.根据权利要求1所述的机电设备的定位方法，其特征在于，所述以最佳扫描方式扫描待定位区域执行的是稀疏扫描，所述以新的最佳扫描方式扫描待定位区域执行的是稠密扫描。
CN202211223955.4A 2022-10-09 2022-10-09 一种机电设备的定位方法 Active CN115290099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211223955.4A CN115290099B (zh) 2022-10-09 2022-10-09 一种机电设备的定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211223955.4A CN115290099B (zh) 2022-10-09 2022-10-09 一种机电设备的定位方法

Publications (2)

Publication Number Publication Date
CN115290099A true CN115290099A (zh) 2022-11-04
CN115290099B CN115290099B (zh) 2022-12-16

Family

ID=83833157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211223955.4A Active CN115290099B (zh) 2022-10-09 2022-10-09 一种机电设备的定位方法

Country Status (1)

Country Link
CN (1) CN115290099B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110226184A (zh) * 2016-12-27 2019-09-10 杰拉德·迪尔克·施密茨 用于机器感知的系统和方法
CN112731086A (zh) * 2021-01-19 2021-04-30 国网上海能源互联网研究院有限公司 一种用于对电力设备进行综合巡检的方法及系统
CN113267761A (zh) * 2021-05-28 2021-08-17 中国航天科工集团第二研究院 激光雷达目标检测识别方法、系统及计算机可读存储介质
US20220196787A1 (en) * 2019-05-01 2022-06-23 The Regents Of The University Of California Wireless device localization
CN115015961A (zh) * 2021-03-05 2022-09-06 英飞凌科技股份有限公司 利用李萨如扫描的矩形2d图案生成的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110226184A (zh) * 2016-12-27 2019-09-10 杰拉德·迪尔克·施密茨 用于机器感知的系统和方法
US20220196787A1 (en) * 2019-05-01 2022-06-23 The Regents Of The University Of California Wireless device localization
CN112731086A (zh) * 2021-01-19 2021-04-30 国网上海能源互联网研究院有限公司 一种用于对电力设备进行综合巡检的方法及系统
CN115015961A (zh) * 2021-03-05 2022-09-06 英飞凌科技股份有限公司 利用李萨如扫描的矩形2d图案生成的方法
CN113267761A (zh) * 2021-05-28 2021-08-17 中国航天科工集团第二研究院 激光雷达目标检测识别方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
CN115290099B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN110703268B (zh) 一种自主定位导航的航线规划方法和装置
CN109115209B (zh) 一种管廊内人员定位方法及装置
CN108235736A (zh) 一种定位方法、云端服务器、终端、系统、电子设备及计算机程序产品
CN109556569B (zh) 地形图测绘方法及装置
CN112558076B (zh) 基于组网天气雷达覆盖域的体扫描模式计算方法与应用
CN108061889A (zh) Ais与雷达角度系统偏差的关联方法
CN109883418A (zh) 一种室内定位方法及装置
CN102506867B (zh) 基于Harris角点匹配的SINS/SMANS组合导航方法及系统
CN104501807B (zh) 基于地磁场和历史定位轨迹的室内定位方法
CN113335341A (zh) 基于gnss和电子地图拓扑结构的列车定位系统及方法
US20230236280A1 (en) Method and system for positioning indoor autonomous mobile robot
CN112446844B (zh) 一种基于点云特征提取与配准融合方法
CN115493601A (zh) 基于路网匹配的车辆自主定位方法、装置、存储介质
CN112947582A (zh) 一种航线规划方法及相关装置
CN110998352A (zh) 用于确定静止物体的位置的方法和装置
CN117433513B (zh) 一种地形测绘的地图构建方法及系统
CN115290099B (zh) 一种机电设备的定位方法
CN113448340B (zh) 一种无人机的路径规划方法、装置、无人机及存储介质
CN109116351A (zh) 一种星载InSAR定位解析算法
CN110927765B (zh) 激光雷达与卫星导航融合的目标在线定位方法
CN113141570B (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
CN116753945A (zh) 一种基于多传感器融合的工业巡检机器人的导航方法
CN1864077A (zh) 地理和空间定位系统和方法
JP2002221899A (ja) デジタル地図の位置情報伝達方法とそれに使用する装置
CN113433568B (zh) 一种激光雷达观测模拟方法及装置

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