CN116107086A - 一种用于使透镜系统取向的方法和装置 - Google Patents

Abstract

本发明涉及一种用于确定透镜系统（L）的取向（A）的方法（100），所述方法包括如下步骤：a.按照所提供的第一取向来使所述透镜系统（L）取向（101）；b.确定（102）第一折射光信号（G），其中所述第一折射光信号（G）通过第一发射光信号（E）在按照所述第一取向来取向的透镜系统（L）处的折射来予以确定；c.确定（103）第一特性值，其中所述第一特性值表征所述第一折射光信号（G）的特性；d.根据所述第一取向和所确定的第一特性值来训练（104）第一机器学习系统，其中所述机器学习系统被设计来为取向确定输出，所述输出表征所述取向的特性；e.基于所述第一机器学习系统的输出来确定所述透镜系统（L）的取向（A）。

Description

一种用于使透镜系统取向的方法和装置

技术领域

本发明涉及一种用于确定透镜系统的取向的方法、一种用于使透镜系统取向的装置、一种计算机程序和一种机器可读存储介质。

背景技术

本发明的优点

在制造光学系统、比如光学传感器、望远镜或显微镜时，经常出现的问题是：该光学系统的透镜系统、例如物镜中的单个透镜或多个透镜，应该适合地被取向。例如，可能需要透镜系统被取向为使得其焦点位于可指定的点处和/或该光学系统的焦距达到可指定的值。

由于透镜系统以及该光学系统的其它组件的制造公差，找到透镜系统的适合的取向是一个难题。由于相对应的公差，存在如下情况：通常不能假定第一透镜系统的适合的取向代表着第二透镜系统的适合的取向。因而，如果旨在制造大量的光学系统，则值得期望的是如下方法，该方法使透镜系统以与光学系统协调的方式来取向（就同一制造过程的产品之间的发生变化的特性而言）。

在这种情况下，值得期望的是：透镜系统的取向过程在尽可能短的时间内被执行，尤其是当旨在使多个光学系统的透镜系统取向时。例如可能的是：为了可指定的多个取向中的取向，分别确定透镜系统的相应取向是否适合于光学系统。为此，尤其可以以等距的步长来量化透镜系统的可能的取向，并且根据这样被量化的取向来使透镜系统取向。这种做法也公知为网格搜索（英文Grid Search）。

然而，这种详尽方法的缺点在于：该量化通常必须非常细粒度，以便适合的取向通过该量化来至少被近似映射并且不会被“跳过”。因而，这种找到透镜系统的取向的形式通常需要大量的时间花费，原因在于透镜系统必须按照网格的所有取向来取向和评估。

值得期望的是：将待检查的取向的数量保持得尽可能少。这是一个难题，原因在于：由于上述公差，适合于相对应的透镜系统的取向只能先验地被限制在有限范围内。

具有独立权利要求1的特征的方法能够基于机器学习系统来确定透镜系统的适合的取向。发明人能够确认：机器学习系统的适当的使用会引起：与已知的方法相比，需要评估的取向数量少得多。

发明内容

在第一方面，本发明涉及一种用于确定透镜系统的取向的方法，该方法包括如下步骤：

a. 按照所提供的第一取向来使透镜系统取向；

b. 确定第一折射光信号，其中第一折射光信号通过第一发射光信号在按照第一取向来取向的透镜系统处的折射来予以确定；

c. 确定第一特性值，其中第一特性值表征第一折射光信号的特性；

d. 根据第一取向和所确定的第一特性值来训练第一机器学习系统，其中该机器学习系统被设计来为取向确定输出，该输出表征该取向的特性；

e. 基于第一机器学习系统的输出来确定透镜系统的取向。

透镜系统可以被理解成一个透镜。替代地，透镜系统也可以被理解成多个透镜。例如，一个物镜就可以被理解成透镜系统。

透镜系统的取向可以被理解成透镜系统相对于指定的点的相对布置。例如，透镜系统可以相对于所希望的焦点和/或相对于所希望的焦距来取向。换言之，取向表征了透镜系统可以根据其来在三维空间中被取向的自由度。

取向尤其可以被理解成透镜系统在三维空间中的指向和定位。尤其可以通过六维向量来表征取向，其中该向量表征沿着三维空间的三条轴线的位置以及分别表征绕着这些轴线的旋转。替代地，也能够通过四元数来表征取向。替代地，也能够通过欧拉角来表征取向。

用于确定取向的方法尤其可以被理解成计算机实现的方法，即由计算机来执行这些步骤。在此，使透镜系统取向的步骤可以被理解为使得由计算机来确定操控信号，这些操控信号使透镜系统适合地取向。

该方法可以被理解为使得针对第一取向确定第一特性值并且基于该第一特性值来确定该取向就该特性而言是否合适。为此，通过根据第一取向来取向的透镜系统来发射光信号（该发射光信号）。通过透镜系统来使该发射光信号折射。然后，例如可以在接收单元中接收这样折射的光信号。然后，可以确定折射信号的特性值。

优选地，该发射光信号由发射单元来发射。此外，优选地，发射单元和接收单元在位置和方向方面是固定的，使得透镜系统的第一特性值只受到第一取向的影响。

该特性例如可以表征折射光信号的通过接收单元来测量的聚焦、强度或位置。由于折射光信号由第一取向来决定性地确定，所以所确定的第一特性值可以被理解成第一取向的量度。一般而言，在下文应当理解的是：关于取向的特性值表示当透镜系统按照该取向来取向并且折射光信号关于该特性值被评估时所确定的特性值。尤其是，也可以由第一机器学习系统来确定多个第一特性值，例如当该取向的多个特性应该被检查或者应该一并影响对透镜系统的取向的优化时。

优选地，该方法的目的可在于：透镜系统被取向为使得该第一特性值处在可指定的值范围内或者这些第一特性值分别处在可指定的值范围内。有利地，为此基于第一机器学习系统的输出来估计透镜系统的适合的取向。为此，透镜系统首先按照第一取向来取向，并且该第一特性值或这些第一特性值被确定。然后，第一机器学习系统可以被训练为使得该第一机器学习系统关于第一取向来预测该第一特性值或这些第一特性值。换言之，第一机器学习系统可以被训练为使得该第一机器学习系统针对透镜系统专门学习哪个取向会引起哪个特性值。如果该方法被用于使多个透镜取向，则这样可以分别训练特定于透镜系统的第一机器学习系统。

优选地，在该方法中也可以提供多个第一取向并且针对这些第一取向来分别确定该第一特性值或这些第一特性值。第一机器学习系统的输出可以被理解成对被移交给第一机器学习系统的取向的一个特性值或多个特性值的估计。

为了确定关于取向的一个特性值或多个特性值而根据该取向来使透镜系统取向，而为了估计该特性值或多个特性值可以只评估第一机器学习系统。本发明人可以确认：通过该方法，直至透镜系统的取向适合为止所需要确定的第二取向少得多，并且这样使透镜系统取向的过程得以显著加快。

对于说明书的其余部分，尤其描述了与特性值的确定和输出有关的实施方式。易于理解的是：在这些点上，本领域技术人员清楚的是：也可以确定或输出多个特性值。

有利地，通过该方法，只需要为透镜系统设定和评估数量相对少的取向。估计的过程可以被理解成对透镜系统的取向的虚拟取向和评估。经此，相比于对透镜系统的真实取向和评估，多个取向可以被评估得明显更快。

按照取向来使透镜系统取向尤其可以被理解为使得该透镜系统在试验台上被取向。接着，对该取向的特性的评估可以被理解为使得在试验台上通过透镜系统来发送光信号，该光信号在透镜系统处被折射并且折射光信号然后由接收单元来处理，以便确定表征该特性的特性值。

在该方法的各种优选的实施方式中，可能的是：基于第一学习系统的输出来确定透镜系统的取向包括如下步骤：

f. 确定第二取向，使得第一机器学习系统的针对该第二取向所确定的输出处在可指定的值范围内；

g. 确定第二折射光信号，其中第二折射光信号通过第二发射光信号在按照第二取向来取向的透镜处的折射来予以确定；

h. 确定第二特性值，其中第二特性值表征第二折射光信号的特性；

i. 如果第二取向的第二特性值不在针对第二特性值可指定的值范围内，则重复步骤d.、f.、g.和h.，其中第二取向被用作附加的第一取向，以训练第一机器学习系统；

否则，提供第二取向作为透镜系统的取向。

所描述的实施方式可以被理解成一种迭代方法。在相应的迭代中，分别确定取向，机器学习系统利用该取向来训练，并且然后基于该机器学习系统的输出来确定透镜系统的更好的取向。这可以被理解为使得机器学习系统的关于透镜系统的适合的取向的估计实际上通过使透镜系统取向并且确定关于该取向的特性值来检查。经此，机器学习系统总是越来越趋向于越来越精确地估计关于该取向的实际特性值。发明人可以确认：该趋向有利地非常快地开始并且这样在少量迭代之后就已经确定透镜系统的适合的取向。

有利地，在一次迭代中所确定的由第二取向和第二特性值构成的对可以在下一次迭代中被添加到第一机器学习系统的训练数据。经此，在每次迭代中向第一机器学习系统传送关于取向与关于该取向的特性值的关系的更多知识。由此，该方法收敛得快得多。

该过程也可以被理解成一种主动学习（英文active learning）形式。通过第一机器学习系统来迭代地确定点（第二取向），针对这些点，实际上分别确定要由第一机器学习系统所确定的值（第二特性值）。接着，这样确定的对可以被用于进一步训练第一机器学习系统。

因而，对适合的取向的复杂的计算可以有利地通过对近似值的优化来确定，其中该近似值通过机器学习系统来确定。然后，通过对近似值的优化所获得的取向可以被测试，其方式是根据所获得的取向来使透镜系统取向。通过该迭代方法，该近似值变得越来越精确，由此有利地在少量迭代步骤之后就已经找到适合的取向。

在这种情况下，如果第二特性值处在可指定的值范围内，则第二取向可以被理解为适合。第二特性值的可指定的值范围尤其可以与第一特性值的可指定的值范围相同。

为了确定第二取向，尤其可以对优化问题进行求解，其中取向被提供作为第二取向，针对该第二取向，使相对应的第二特性值最大化或最小化。

优选地，在该方法中也可能的是：基于优化来确定第二取向，其中约束条件表征遵守第二特性值的可指定的值范围的至少一个界限。

该优化可以优选地通过如下公式

来表征，其中是取向，是由第一机器学习系统针对该取向所确定的第二特性值，是可指定的值范围的下限并且是可指定的值范围的上限。

在该方法的所有实现形式中，原则上也可能的是：针对取向检查超过一个特性。在第二特性值直接被优化的情况下，可以针对多个待检查特性的情况（即在存在多个第一特性值或多个第二特性值的情况下）执行帕累托（Pareto）优化。针对在约束条件下进行优化的情况，可以分别补充关于相应的特性的可指定的值范围的约束条件。

优选地，也可能的是：第一机器学习系统首先被预训练。接着，对第一机器学习系统的后续训练可以被理解成对该第一机器学习系统的精调（英文finetuning）。通过该预训练，使第一机器学习系统能够在少量迭代步骤之后就已经确定足够精确的估计。该预训练例如可以被执行为使得在试验台上针对一个透镜系统或者多个透镜系统分别逼近不同的第一取向并且确定相对应的第一特性值。接着，这样确定的第一取向与第一特性值的对可以作为第一机器学习系统的训练数据集来用于预训练。

对第一机器学习系统的预训练也可以包括对第一机器学习系统进行修剪（英文pruning），例如除去第一机器学习系统的可训练参数。待修剪的参数尤其可以基于验证数据集来确定。

优选地，可能的是：第一机器学习系统包括多项式模型，该多项式模型被设计来为取向确定表征该特性的输出。

该多项式模型尤其可以被设计为关于第一取向来估计一个第一特性值或多个第一特性值。机器学习系统也可包括多个多项式模型，尤其是对于每个待预测的第一特性值来说都包括多项式模型。使用多项式模型的优点在于：该多项式模型可以非常快地被训练。经此，进一步减少了用于确定透镜系统的取向的时间。

在该方法的一个优选的实现形式中，还可能的是：在步骤a.中基于贝叶斯优化（英文Bayesian Optimization）方法来提供多个第一取向。

有利地，这样可以确定多个第一取向，其表征对适合的取向的至少一个初始限制。经此，第一机器学习系统的近似值收敛得快得多并且该方法被进一步加快。

替代地，也可能的是：第一取向基于第二机器学习系统来确定，其中第二机器学习系统被设计为基于取向来确定该取向的引起更适合的取向的变化。

例如可设想的是：随机确定临时取向，该临时取向接着在优选地多个迭代步骤中迭代地并且基于第二机器学习系统地被改进。在这些迭代中的每次迭代中，例如可以针对该临时取向借助于第二机器学习系统来确定变化，按照所确定的变化来调整该临时取向并且提供经过调整的取向作为下一次迭代的临时取向。然后，一个临时取向或多个临时取向可以在该方法中被用作第一取向或者被用作多个第一取向。有利地，该第一取向或这些第一取向在执行该方法之前就已经适当地被限制，由此该方法收敛得快得多并且这样可以快得多地确定透镜系统的取向。

第二机器学习系统尤其可以包括神经网络，该神经网络被设计来为取向预测适合的变化。

优选地，第二机器学习系统可以借助于强化学习（英文Reinforcement Learning）方法来训练。

使用强化学习方法的条件是：为第二机器学习系统限定状态和动作。尤其可以使用取向作为状态。因而，第二机器学习系统可以被设计为处理取向。替代地或附加地，也可能的是：针对取向所确定的一个特性值或多个特性值用作状态。由第二机器学习系统所确定的动作尤其可以是变化，该变化说明被移交给该机器学习系统的取向应该如何被改变。

为了借助于强化学习方法来进行训练，使用奖励函数（英文reward function）。在该方法中，该奖励函数尤其可以在第二机器学习系统的多个动作上是关于分别确定的临时取向的累积质量。例如，为了确定第二机器学习系统的训练数据，可以基于随机选择的临时取向来确定多个另外的临时取向，其方式是在各一个迭代步骤中基于先前的临时取向来确定临时取向。替代地或附加地，也可能的是：使用多个临时取向作为第二机器学习系统的训练数据，例如沿着在取向空间中的网格的可指定数量的取向。接着，对于所述多个临时取向中的取向，可以分别在试验台上确定相对应的特性值。此外，针对这样确定的特性值，可以确定这些特性值与特性值的可指定的值范围的相对应的界限的距离有多远并且同时处在该值范围内，其中距这些界限的距离可以被理解成相应的临时取向的质量量度。针对这样确定的多个临时取向的奖励可以是质量量度之和。然后，第二机器学习系统可以优选地借助于策略梯度（英文policy gradients）方法来训练。

训练第二机器学习系统的优点在于：第二机器学习系统被训练为使得每个由第二机器学习系统所确定的变化都一并带来相对应的临时取向的尽可能好的改进。经此，该第一取向或这些第一取向以适当的方式被有效限制，由此能够在短得多的时间内确定透镜系统的取向。

附图说明

随后，本发明的实施方式参考随附的附图更详细地予以阐述。在附图中：

图1示意性示出了用于确定透镜的取向的方法的流程；

图2示意性示出了用于实施该方法的装置。

具体实施方式

图1示出了流程图，该流程图表征用于确定透镜的取向（A）的方法的流程。在该方法的第一步骤（101）中，首先提供第一取向。该取向例如可以基于第二机器学习系统来提供。替代地，也可能的是：该第一取向基于该取向的可能的数值来随机确定。例如，该取向可以通过六维向量来表征，其中为了提供第一取向，可以绘制六维随机向量。优选地，在第一步骤（101）中，也可以提供多个第一取向。

针对该第一取向或针对这些第一取向，在第二步骤（102）中分别确定一个第一特性值。替代地，也可能的是：针对该第一取向或针对这些第一取向，确定多个第一特性值。针对第一取向，可以按如下地确定该第一特性值或这些第一特性值：首先，按照第一取向来使透镜系统取向。接着，通过透镜系统来发送光信号、例如来自可见光范围中的光信号。该光信号通过透镜系统来折射。然后，可以在接收单元中接收这样折射的光信号。接收单元例如可以包括图像传感器，借助于该图像传感器可以检测折射光信号。

接着，基于所检测到的信号，在该方法（100）的第三步骤（103）中确定该第一特性值或这些第一特性值。第一特性值例如可以表征聚焦的量度、折射信号的强度或者该折射信号相对于图像传感器的位置。

如果在第一步骤（101）中提供多个第一取向，则可以优选地分别针对各一个第一取向来确定一个第一特性值或多个第一特性值。

接着，所有被确定的由第一取向以及一个第一特性值或多个第一特性值构成的对在第四步骤（104）中被用于训练第一机器学习系统。第一机器学习系统优选地包括多项式模型，该多项式模型被设立为基于第一取向来预测相对应的第一特性值。该多项式模型可以优选地在该方法（100）之前的预训练中被预训练。该预训练尤其可以包括调整该多项式模型的系数，使得选择该多项式模型的适合的次数。这尤其可以借助于交叉验证来完成。接着，优选地被预训练的多项式模型可以基于这些对来精制。

如果第一机器学习系统应该为一个取向预测多个第一特性值，则该多项式模型也可以被设计为预测所有第一特性值。替代地，也可能的是：第一机器学习系统针对各一个第一特性值的预测而包括特有的多项式模型。

接着，在第五步骤（105）中，基于在第四步骤（104）中所训练的第一机器学习系统来确定第二取向。为此，可以优选地求解优化问题，使得针对第二取向通过第一机器学习系统所估计的特性值处在可指定的值范围内。可指定的值尤其可以通过下限和/或上限来表征，其中该优化的目标函数优选地表征所估计的特性值与上限和/或下限的距离。该优化的目的尤其可以被理解为使得第二取向被确定为使得针对第二取向所估计的特性值具有与上限和/或下限尽可能大的距离。为了求解该优化问题，尤其可以使用来自非线性优化领域的已知方法，例如非线性规划方法。

接着，在第六步骤（106）中，根据第二取向来使透镜系统取向。然后，通过透镜系统来发送光信号并且确定折射光信号。

针对这样确定的折射光信号，可以在该方法（100）的第七步骤（107）中像针对第一取向那样来确定特性值。接着，该特性值可以被提供作为第二特性值。接着，可以检查第二特性值是否处在可指定的值范围内。如果情况如此，则第二取向可以被提供作为透镜系统的取向（A）并且可以结束该方法。

如果第二特性值不在可指定的值范围内，则尤其可以重复该方法（100）的步骤四（104）至七（107）。在此，可以优选地在训练集中一并提供由第二取向和第二特性值构成的对，作为另外的第一取向和另外的第一特性值。该方法（100）的步骤四（104）至七（107）尤其可以一直迭代地重复，直至第二特性值处在可指定的值范围内为止。

也可能发生：由于物理环境或者不适合的第一取向，该方法无法确定取向，使得该第一特性值或这些第一特性值处在其分别可指定的值范围内。在这种情况下，该方法可以在可指定的数量的迭代步骤之后被中断。迭代步骤的可指定的数量尤其可以基于迭代步骤的预期数量来限定，其中该预期数量表征该方法在其之后通常已经确定了取向的步骤数量，使得该第一特性值或这些第一特性值处在分别可指定的值范围内。迭代步骤的可指定的数量例如可以是迭代步骤的预期数量的两倍。如果达到或超过了可指定的数量的迭代步骤，则该方法也可以选择性地针对具有新的第一取向的透镜系统来重新开始。

图2示出了装置（200），该装置被设立为执行该方法（100）。该装置（200）包括控制单元（40），该控制单元被设立为执行该方法（100）的步骤。该控制单元（40）控制执行器（10），该执行器可以按照可指定的取向来使透镜系统（L）取向。该执行器（10）尤其可以是马达，该马达可以使透镜系统（L）以机械方式取向。

为了确定关于取向的特性值，该控制单元（40）可以操控该执行器（10），使得按照该取向来使透镜系统（L）取向。然后，该控制单元（40）可以操控发射单元（U1），使得该发射单元发射光信号（E）。该光信号（E）在透镜系统（L）处被折射并且在接收单元（U2）中接收这样确定的折射光信号（G）。接收单元（U2）可以优选地包括图像传感器，借助于该图像传感器可以检测该折射光信号（G）。

接着，在接收单元（U2）中所接收到的信号（G）可以被评估，以便确定特性值。接着，这样确定的特性值可以被传送回控制单元（40）。替代地，也可能的是：图像传感器本身的测量被传送给控制单元（40），并且然后该控制单元（40）确定该特性值。

在其它优选的实施方式中，控制单元（40）包括至少一个处理器（45）和至少一个机器可读存储介质（46），在该机器可读存储介质上存储有命令，当这些命令在该至少一个处理器（45）上被执行时，这些命令促使该控制单元（40）实施按照本发明的方法（100）。

术语“计算机”包括用于执行可指定的计算规则的任意设备。这些计算规则可以以软件的形式存在，或者以硬件的形式存在，或者也可以以软件和硬件的混合形式存在。

通常，“多个”可以被理解成索引化，也就是说给所述多个中的每个元素分派唯一的索引，优选地通过将连续的整数分派给包含在所述多个中的元素来给所述多个中的每个元素分派唯一的索引。优选地，如果“多个”包括个元素，其中是在所述多个中的元素的数目，则给这些元素分派从1至的整数。

Claims (12)

1.一种用于确定透镜系统（L）的取向（A）的方法（100），所述方法包括如下步骤：

a. 按照所提供的第一取向来使所述透镜系统（L）取向（101）；

b. 确定（102）第一折射光信号（G），其中所述第一折射光信号（G）通过第一发射光信号（E）在按照所述第一取向来取向的透镜系统（L）处的折射来予以确定；

c. 确定（103）第一特性值，其中所述第一特性值表征所述第一折射光信号（G）的特性；

d. 根据所述第一取向和所确定的第一特性值来训练（104）第一机器学习系统，其中所述机器学习系统被设计来为取向确定输出，所述输出表征所述取向的特性；

e. 基于所述第一机器学习系统的输出来确定所述透镜系统（L）的取向（A）。

2.根据权利要求1所述的方法（100），其中所述第一机器学习系统在所述方法（100）之前的步骤中被预训练。

3.根据权利要求1或2所述的方法（100），其中基于所述第一机器学习系统的输出来确定所述透镜系统（L）的取向（A）包括如下步骤：

f. 确定（105）第二取向，使得所述第一机器学习系统的针对所述第二取向所确定的输出处在可指定的值范围内；

g. 确定（106）第二折射光信号（G），其中所述第二折射光信号（G）通过第二发射光信号（E）在按照所述第二取向来取向的透镜系统（L）处的折射来予以确定；

h. 确定（107）第二特性值，其中所述第二特性值表征所述第二折射光信号（G）的特性；

i. 如果所述第二取向的第二特性值不在针对所述第二特性值可指定的值范围内，则重复步骤d.、f.、g.和h.，其中所述第二取向被用作附加的第一取向，以训练所述第一机器学习系统；

否则，提供所述第二取向作为所述透镜系统（L）的取向（A）。

4.根据权利要求3所述的方法（100），其中所述第二取向基于优化来确定，其中所述优化的约束条件表征遵守所述可指定的值范围的至少一个界限。

5.根据权利要求1至4中任一项所述的方法（100），其中所述第一机器学习系统包括多项式模型，所述多项式模型被设计来为取向确定表征所述特性的输出。

6. 根据权利要求1至5中任一项所述的方法（100），其中所述第一取向基于贝叶斯优化（英文Bayesian Optimization）方法来提供。

7.根据权利要求1至5中任一项所述的方法（100），其中所述第一取向基于第二机器学习系统来确定，其中所述第二机器学习系统被设计为基于取向来确定所述取向的变化。

8. 根据权利要求7所述的方法（100），其中所述第二机器学习系统借助于强化学习（英文Reinforcement Learning）方法来训练。

9.根据权利要求1至8中任一项所述的方法（100），其中所述透镜系统（L）是光学传感器的一部分。

10.一种用于使透镜系统（L）取向的装置（200），其中所述装置（200）被设计为执行根据权利要求1至9中任一项所述的方法。

11.一种计算机程序，所述计算机程序被设立为当所述计算机程序被处理器（45）执行时执行根据权利要求1至9中任一项所述的方法。

12.一种机器可读存储介质（46），在其上存储有根据权利要求11所述的计算机程序。

Images