CN116719035B - 双耳超声空间定位方法、自主移动机器人及控制方法 - Google Patents

双耳超声空间定位方法、自主移动机器人及控制方法 Download PDF

Info

Publication number
CN116719035B
CN116719035B CN202311005860.XA CN202311005860A CN116719035B CN 116719035 B CN116719035 B CN 116719035B CN 202311005860 A CN202311005860 A CN 202311005860A CN 116719035 B CN116719035 B CN 116719035B
Authority
CN
China
Prior art keywords
ultrasonic
echo
signal
receiving module
characteristic parameters
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
Application number
CN202311005860.XA
Other languages
English (en)
Other versions
CN116719035A (zh
Inventor
耿涛
李杨
徐新平
许睦旬
梅雪松
运侠伦
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202311005860.XA priority Critical patent/CN116719035B/zh
Publication of CN116719035A publication Critical patent/CN116719035A/zh
Application granted granted Critical
Publication of CN116719035B publication Critical patent/CN116719035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S15/00Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88Sonar systems specially adapted for specific applications
    • G01S15/93Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S15/00Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06Systems determining the position data of a target
    • G01S15/46Indirect determination of position data
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S15/00Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/87Combinations of sonar systems
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S15/00Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88Sonar systems specially adapted for specific applications
    • G01S15/93Sonar systems specially adapted for specific applications for anti-collision purposes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S15/00Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06Systems determining the position data of a target
    • G01S15/46Indirect determination of position data
    • G01S2015/465Indirect determination of position data by Trilateration, i.e. two transducers determine separately the distance to a target, whereby with the knowledge of the baseline length, i.e. the distance between the transducers, the position data of the target is determined
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于超声定位技术领域,为了解决现有SLAM中使用的距离或视觉感知器件易受外部环境影响,而不易受外部环境影响的超声测距又不能直接用于SLAM的技术问题,提供一种双耳超声空间定位方法、自主移动机器人及控制方法,本发明融合基于MFCC的特征参数和基于GFCC的特征参数,辅以方位角度估计网络模型,以一种创新的方法实现了对待定位对象周围环境的准确定位,能够相应完成周围环境的识别和构图,双耳超声空间定位装置结构简单,工作可靠性高,融合基于MFCC的特征参数和基于GFCC的特征参数,与双耳超声空间定位装置的结构相辅相成,共同作用使本发明的双耳超声空间定位方法更加准确,能够在各种复杂环境下,便利的完成定位。

Description

双耳超声空间定位方法、自主移动机器人及控制方法
技术领域
本发明属于超声定位技术领域,具体涉及一种双耳超声空间定位方法、自主移动机器人及控制方法。
背景技术
随着工业移动机器人在社会生产活动中的快速发展,工业移动机器人中的AMR(Autonomous Mobile Robot,自主移动机器人)在工厂物流、设备上下料、物料补给等方面发挥着重要作用。
自主移动是AMR必须具备的基本能力。对于AMR,关键技术包括准确感知并构建外部环境地图(建图)、确定机器人自身在外部环境中的位置(定位)、到达目标点的路径规划(路径规划)和完成目标路径运动。其中,如何准确感知外部环境,是机器人完成自主移动的基础。
目前的同步定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术,首先,通过距离或视觉感知器件,如激光雷达、相机、深度传感器等,对机器人与环境物体(目标物)间的距离信息进行检测,然后,经数据分析提取一定的几何形状(如边、角等)元素作为环境特征信息,用于构建外部环境地图。使用的距离或视觉感知器件中,激光雷达从原理上决定了其使用成本高,且对于环境中的透光物质和吸光率较高材质的物体,难以正确识别,限制了AMR在工业领域中更广泛的发展与应用。其他传统视觉传感器,一般利用感光元件捕获AMR外部环境中的光线,从而实现对周围环境信息的提取,在黑暗和烟雾等光线较弱、室外光线变化强烈,以及反光等光线传播不良的环境下,感光元件往往会失效,严重限制了AMR的应用场景。
超声探测技术已广泛应用于航行和勘探测量等领域,不易受到外部环境影响。但是,超声探测技术中的超声测距,多通过TOF原理实现,即通过发射时间与回波接收时间的差值计算距离,采集到的回波信号不能直接用于工业移动机器人的SLAM。
发明内容
本发明为了解决现有SLAM中使用的距离或视觉感知器件易受外部环境影响,而不易受外部环境影响的超声测距又不能直接用于SLAM的技术问题,提供一种双耳超声空间定位方法、自主移动机器人及控制方法。
为了实现上述目的,本发明采用以下技术方案予以实现:
第一方面,本发明提出一种双耳超声空间定位方法,待定位对象上安装有双耳超声空间定位装置,所述双耳超声空间定位装置包括超声发射模块、左耳超声接收模块和右耳超声接收模块;包括以下步骤:
S1-1,在超声发射模块发射超声波后,从左耳超声接收模块和右耳超声接收模块获取的实时接收信号中截取回波信号;
S1-2,从回波信号中分别提取基于MFCC的特征参数A1,以及基于GFCC的特征参数A2,再对特征参数A1和特征参数A2进行融合,形成用于空间方位角度探测的超声回波特征参数;
S1-3,将所述超声回波特征参数代入方位角度估计网络模型,得到对应的目标物空间方位角度;所述方位角度估计网络模型通过训练样本集训练得到,训练样本集包括多组超声回波特征参数和对应已知的目标物空间方位角度。
进一步地,步骤S1-1中,所述截取回波信号具体为:
S1-1.1,对实时接收信号进行降噪处理,得到信号B1;
S1-1.2,对信号B1进行分帧加窗操作,得到信号B2;
S1-1.3,采用短时平均能量和短时平均过零率双门限端点检测方法,从信号B2中截取所有包含发射波和回波的超声波信号B3,该发射波为超声发射模块发射的信号,该回波为左耳超声接收模块和右耳超声接收模块接收的信号;
S1-1.4,通过定位超声波信号B3中发射波和回波之间的时间差,截取回波信号。
进一步地,步骤S1-1.3中,所述从信号B2中截取所有包含发射波和回波的超声波信号B3之前,还包括通过以下方法判断信号B2中是否包含回波:
将信号B2分为f帧声源信号,通过下式计算连续多帧声源信号的能量:
其中,表示第i帧声源信号离散数据,表示帧长,/>表示第i帧声源信号的能量,n表示第i帧声源信号离散数据的长度;
判断所述连续多帧声源信号的能量是否均大于给定阈值,若是,则信号B2中包含回波,继续从信号B2中截取所有包含发射波和回波的超声波信号B3;否则,重新对下一个信号B2中是否包含回波进行判断,直至信号B2中包含回波。
进一步地,步骤S1-1.4具体为:
(1)获取超声波信号B3中最大幅值所在点,作为发射波所在位置
(2)通过下式,采用互相关分析法计算回波所在位置
其中,Δt表示互相关分析法计算结果最大处位置与发射波所在位置S1的时间间隔,为左耳超声接收模块和右耳超声接收模块接收回波信号时设置的采样频率;
(3)通过下式计算回波的起点与回波的终点/>
其中,表示回波的脉冲时间宽度;
根据回波的起点S3与回波的终点S4,得到回波信号。
进一步地,步骤S1-2具体为:
S1-2.1,对回波信号中的每一帧左耳回波信号和右耳回波信号分别进行离散傅里叶变换,得到对应的频域信息;
S1-2.2,将所述频域信息分别输入梅尔滤波器组和Gammatone滤波器组,得到相应的对数能量,再分别对相应的对数能量进行离散余弦变化,得到左耳回波信号对应的MFCC和GFCC,以及右耳回波信号对应的MFCC和GFCC;
S1-2.3,根据左耳回波信号对应的MFCC和GFCC,以及右耳回波信号对应的MFCC和GFCC,得到对应左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数;
S1-2.4,采用Fisher比准则方法,以左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数中,Fisher比大的特征参数作为用于空间方位角度探测的超声回波特征参数。
进一步地,步骤S1-3中,所述方位角度估计网络模型为LSTM网络模型,LSTM网络模型中的激活函数使用tanh函数,优化器使用Adam优化器。
进一步地,步骤S1-3中,所述方位角度估计网络模型包括依次连接的一个输入层、两个隐层和一个输出层;
所述输入层采用线型激励函数;
所述输出层的结构采用Softmax回归模型结构。
第二方面,本发明提出一种自主移动机器人控制方法,包括以下步骤:
S2-1,在自主移动机器人自主移动过程中,持续调整双耳超声空间定位装置的角度,每调整一次双耳超声空间定位装置的角度后,均采用上述双耳超声空间定位方法,获取目标物空间方位角度;
S2-2,根据获取的目标物空间方位角度,完成自主移动机器人当前环境探测;
S2-3,根据自主移动机器人当前环境探测结果,控制自主移动机器人自主移动。
第三方面,本发明提出一种自主移动机器人,包括机器人本体和用于控制机器人本体运动的控制器;所述控制器包括依次相连的截取模块、参数提取模块、融合模块和计算模块;
所述机器人本体上设置有云台,云台上安装有双耳超声空间定位装置,所述双耳超声空间定位装置包括超声发射模块、左耳超声接收模块和右耳超声接收模块;所述云台内设有偏航驱动装置和俯仰驱动装置,用于驱动云台偏航运动和俯仰运动;
所述截取模块分别连接左耳超声接收模块和右耳超声接收模块,用于在超声发射模块发射超声波后,从左耳超声接收模块和右耳超声接收模块获取的实时接收信号中截取回波信号;
所述参数提取模块,用于从回波信号中分别提取基于MFCC的特征参数A1,以及基于GFCC的特征参数A2;
所述融合模块,用于对特征参数A1和特征参数A2进行融合,形成用于空间方位角度探测的超声回波特征参数;
所述计算模块与机器人本体相连,用于将所述超声回波特征参数代入方位角度估计网络模型,得到对应的目标物空间方位角度,根据目标物空间方位角度控制机器人本体移动;所述方位角度估计网络模型通过训练样本集训练得到,训练样本集包括多组超声回波特征参数和对应已知的目标物空间方位角度。
进一步地,所述超声发射模块包括超声换能器,以及用于驱动超声换能器的信号发生器;
所述左耳超声接收模块和右耳超声接收模块均采用无耳廓构型;
所述左耳超声接收模块和右耳超声接收模块并排设置,且间距为15~20cm;所述超声换能器设置于左耳超声接收模块和右耳超声接收模块之间,左耳超声接收模块接收端面和右耳超声接收模块接收端面,均与超声换能器的发射端面平齐。
与现有技术相比,本发明具有以下有益效果:
1.本发明提出一种双耳超声空间定位方法,基于双耳超声空间定位装置,融合基于MFCC的特征参数和基于GFCC的特征参数,辅以方位角度估计网络模型,以一种创新的方法实现了对待定位对象周围环境的准确定位,能够相应完成周围环境的识别和构图,双耳超声空间定位装置结构简单,工作可靠性高,融合基于MFCC的特征参数和基于GFCC的特征参数,与双耳超声空间定位装置的结构相辅相成,共同作用使本发明的空间定位方法更加准确,能够在各种复杂环境下,便利的完成定位,不容易受到外部环境影响,在很大范围内开拓了待定位对象的使用场景。
2.本发明对获取的实时接收信号进行降噪处理,并从中截取回波信号,使后续用于定位的回波信号能够更加准确的反映目标物空间方位角度信息,进一步提高了定位的准确性。
3.本发明采用Fisher比准则方法,对基于MFCC的特征参数和基于GFCC的特征参数进行降维处理,提高了本发明的定位速度,并使定位结果更加准确。
4.本发明还提出了一种自主移动机器人控制方法,通过上述双耳超声空间定位方法进行定位,根据定位结果控制自主移动机器人工作,具备上述双耳超声空间定位方法的优势。
5.本发明同时还提出了一种自主移动机器人,其中的控制器包括依次相连的截取模块、参数提取模块、融合模块和计算模块,通过硬件载体实现上述双耳超声空间定位方法,使自主移动机器人具备上述双耳超声空间定位方法的优势。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明双耳超声空间定位方法实施例一的流程示意图;
图2为实施例三中实时接收信号的短时平均能量图;
图3为实施例三中实时接收信号的短时平均过零率图;
图4(a)-图4(d)为实施例三中不同探测位置基于MFCC的特征参数示意图;其中,图4(a)为探测位置(0°,5°)处左耳回波信号基于MFCC的特征参数示意图,图4(b)为探测位置(0°,5°)处右耳回波信号基于MFCC的特征参数示意图,图4(c)为探测位置(0°,-5°)处左耳回波信号基于MFCC的特征参数示意图,图4(d)为探测位置(0°,-5°)处右耳回波信号基于MFCC的特征参数示意图;
图5(a)-图5(d)为实施例三中不同探测位置基于GFCC的特征参数示意图;其中,图5(a)为探测位置(0°,5°)处左耳回波信号基于GFCC的特征参数示意图,图5(b)为探测位置(0°,5°)处右耳回波信号基于GFCC的特征参数示意图,图5(c)为探测位置(0°,-5°)处左耳回波信号基于GFCC的特征参数示意图,图5(d)为探测位置(0°,-5°)处右耳回波信号基于GFCC的特征参数示意图;
图6(a)-图6(d)为实施例三中左耳回波信号和右耳回波信号不同特征参数的Fisher比值示意图;其中,图6(a)为左耳回波信号基于MFCC的特征参数的Fisher比值示意图,图6(b)为右耳回波信号基于MFCC的特征参数的Fisher比值示意图,图6(c)为左耳回波信号基于GFCC的特征参数的Fisher比值示意图,图6(d)为右耳回波信号基于GFCC的特征参数的Fisher比值示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合实施例和附图对本发明做进一步详细描述:
实施例一
如图1所示,为本发明一种双耳超声空间定位方法的一个基础实施例,具体包括以下步骤:
S101,在超声发射模块发射超声波后,从左耳超声接收模块和右耳超声接收模块获取的实时接收信号中截取回波信号。
待定位对象上安装有双耳超声空间定位装置,双耳超声空间定位装置包括超声发射模块、左耳超声接收模块和右耳超声接收模块。其中,超声发射模块用于向待定位对象外部环境发射超声波,超声波接触外部环境中的目标物后,超声波被反射,通过左耳超声接收模块和右耳超声接收模块接收反射的超声波,作为实时接收信号。
关于待定位对象,可以是AMR,也可以是其他任何需要对外部环境中目标物进行定位的物体,均可采用本发明的双耳超声空间定位方法进行定位,并根据定位结果完成相应的后续工作。如对于AMR,外部环境中的障碍物就是目标物。
另外,由于使用双耳超声空间定位装置,实时接收信号中一般不仅包含回波信号,还包含有超声发射模块发射的超声波信号,要从实时接收信号中截取回波信号,用于后续分析处理,进行定位。
S102,从回波信号中分别提取基于MFCC的特征参数A1,以及基于GFCC的特征参数A2。
S103,对特征参数A1和特征参数A2进行融合,形成用于空间方位角度探测的超声回波特征参数。
单一使用基于MFCC的特征参数A1,或者基于GFCC的特征参数A2,进行后续定位,都会影响定位的准确度。本发明采用融合特征参数A1和特征参数A2的方法,而且并不只是简单的对特征参数A1和特征参数A2进行叠加,后续其他的优选实施例中,将对融合进行进一步说明。
S104,将所述超声回波特征参数代入方位角度估计网络模型,得到对应的目标物空间方位角度;所述方位角度估计网络模型,是经训练样本集训练得到的网络辨识模型,训练样本集包括多组超声回波特征参数和对应已知的目标物空间方位角度。
方位角度估计网络模型的具体结构类型和参数,可采用现有及未来可能适用的网络辨识模型结构和参数,本发明是基于这种网络辨识模型学习的方法完成定位,适用于不同待定位对象的定位需要,能够快速完成定位。
实施例二
S201,双耳超声空间定位装置通过超声发射模块主动向外部环境发射超声波,对待定位对象外部目标物进行方位探测,随后通过左耳超声接收模块和右耳超声接收模块实时采集,得到实时接收信号。
作为一种优选方案,超声发射模块包括信号发生器和超声换能器,通过信号发生器驱动超声换能器模仿蝙蝠嘴,发射持续时间极短的LFM(linear frequency modulated,线性调频)脉冲,模仿大耳蝙蝠在自然界中发出的调频信号脉冲。左耳超声接收模块和右耳超声接收模块均采用无耳廓构型设计,具体采用双MEMS(Micro-Electro-MechanicalSystem,微机电系统)麦克风的超声接收模块,超声换能器发射的脉冲信号经空气传播抵达障碍物表面,经障碍物表面反射后,双MEMS麦克风接收反射回来的回波信号,用于后续处理。
作为本发明的一种优选方案,左耳超声接收模块和右耳超声接收模块并排水平设置,间距优选15~20cm,超声换能器位于左耳超声接收模块和右耳超声接收模块连线中点下方,优选位于左耳超声接收模块和右耳超声接收模块连线中点下方约5cm,超声换能器发射端面、左耳超声接收模块接收端面和右耳超声接收模块接收端面齐平。
S202,对实时接收信号采用实时的短时平均能量和短时平均过零率双门限端点检测处理,并通过互相关分析法获得回波信号位置,从实时接收信号中截取出回波信号。
首先,对实时接收信号进行降噪处理,在本发明的一些实施例中,可以通过预滤波和归一化等操作降低环境噪音,达到降噪处理的目的。然后,对降噪处理后的实时接收信号进行分帧加窗操作,将不平稳的音频信号转化为具有短时平稳性的帧信号。再运用短时平均能量和短时平均过零率双门限端点检测方法,截取每一组包含发射波和回波的超声波信号,此处的发射波为超声发射模块发射的信号,回波为左耳超声接收模块和右耳超声接收模块接收的信号。最后,运用互相关分析方法定位回波位置,通过定位发射波和回波之间的时间差,准确截取回波信号。
S203,从截取的回波信号中,提取基于MFCC的特征参数A1和基于GFCC的特征参数A2,根据Fisher比准则进行数据降维,对于基于MFCC的特征参数A1和基于GFCC的特征参数A2进行融合,形成后续用于空间方位角度探测的超声回波特征参数。
由于左耳超声接收模块和右耳超声接收模块同时接收信号,回波信号包括左耳回波信号和右耳回波信号,对左耳回波信号和右耳回波信号进行以下处理:
分别对每一帧左耳回波信号和右耳回波信号进行离散傅里叶变换,获得相应的频域信息,使频域信息分别通过梅尔滤波器组和Gammatone滤波器组,然后分别进行离散余弦变换(Discrete Cosine Transform,DCT),对应计算得到左耳回波信号对应的梅尔倒谱系数(MFCC)和Gammatone频率倒谱系数(GFCC),以及右耳回波信号对应的MFCC和GFCC,提取出左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数。
通过Fisher比准则方法,对左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数进行降维融合。Fisher比可以判定特征参数对于有效识别结果的贡献程度大小,即某一特征参数的Fisher比值越大,则该特征参数对于识别结果的贡献程度越大,选择出左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数中Fisher比值较大的特征参数,作为用于空间方位角度探测的超声回波特征参数。
S204,通过建立LSTM网络模型,估计待定位对象所在环境空间中目标物的空间方位角度。
LSTM网络模型的激活函数使用tanh函数,优化器使用Adam优化器,输出层使用Softmax回归算法将前一层结果映射到空间方位角度的分类结果。
LSTM网络模型需要先进行训练,才能用于估计方位角度。训练时,将训练样本集从输入层代入LSTM网络模型,训练样本集包括多组超声回波特征参数和对应已知的目标物空间方位角度,训练样本集中的超声回波特征参数采用步骤S201至步骤S203的方法得到。最后,训练好的LSTM网络模型可用于估计待定位对象所在环境空间中目标物的空间方位角度。
通过超声发射模块发射超声波,左耳超声接收模块和右耳超声接收模块采集实时接收信号,经处理得到超声回波特征参数,输入至训练好的LSTM网络模型,完成待定位对象所在环境空间中目标物的空间方位角度估计。可将估计的空间方位角度作为待定位对象后续移动的控制依据。
实施例三
一种自主移动机器人控制方法,基于上述双耳超声空间定位方法,具体步骤如下:
S301,通过超声信号发生器驱动超声换能器发射40KHz的超声波,当超声波到达自主移动机器人外部环境中的障碍物表面并反射后,通过左耳超声接收模块和右耳超声接收模块接收反射回来的实时接收信号。
S302,对实时接收信号进行实时处理。
采集的实时接收信号中,不可避免的会包含有噪声部分,需要先对噪声部分进行降噪处理。然后,判断实时接收信号中是否含有后续用于定位的回波信号:
基于短时平均能量,将一段声源信号(实时接收信号)共分为f帧,帧长为,定义第i帧声源信号的能量表示为:
其中,表示第i帧声源信号离散数据,n表示第i帧声源信号离散数据的长度。
通过计算连续多帧声源信号的能量,判断是否大过给定阈值,来判断声源信号中是否包含有效的回波信号,如果有从障碍物反射回来的回波信号,则声源信号的能量将明显增大。
通过该方法,判断采集到的实时接收信号中是否包括有效的回波信号,若包括有效的回波信号,则继续执行步骤S303,截取有效信号,否则,对下一个等待下一次判断。
S303,包括有效的回波信号的实时接收信号中,既包含发射波,又包含回波,还包括了其他不需要的信号,具体通过以下方法,从该实时接收信号中截取包括发射波和回波的有效信号,记作超声波信号B3。
可以采用短时平均能量和短时平均过零率双门限端点检测的判别方法,即通过短时平均能量和短时平均过零率来截取有效信号,具体步骤如下:
(1)计算门限阈值。对于短时平均能量,设置高门限(TH)和低门限(TL),具体设置值可根据实际需要进行确定。
(2)如图2所示,为实时接收信号的短时平均能量图,横坐标表示时间,纵坐标表示短时平均能量,设置的高门限与短时平均能量的交点为A点和B点,设置的低门限与短时平均能量的交点为C点和D点,位于A点和B点之外的短时平均能量对应的实时接收信号为初步确定的有效信号区域,再通过C点和D点确定最低限。然后,再根据短时平均过零率图,在位于C点和D点之外的短时平均能量中搜索有效信号的端点。
如图3所示,为实时接收信号的短时平均过零率图,横坐标表示时间,纵坐标表示幅度,短时平均过零率表示信号穿过横坐标轴的次数。设定限制阈值,限制阈值与幅度的交点为E点和F点,当短时平均过零率低于限定阈值时,认为不是有效信号,当短时平均过零率高于限定阈值时,认为是有效信号,则可以通过E点和F点确定有效信号的端点。
因此,截取的有效信号满足短时平均过零率设定阈值,短时平均能量在C点和D点之外两侧,并在E点和F点之间,双门限判别方法减少了噪声干扰等带来误判的可能性,保证了有效信号截取的准确性。
S304,对经过步骤S303截取出的有效信号进行进一步处理,截取精确的回波信号。
超声波信号B3中既包括了发射波,也包括了回波,再通过时延估计的方法进行回波信号截取,具体步骤如下:
(1)获取超声波信号B3中最大幅值所在点,作为发射波所在位置
(2)采用互相关分析法进行距离判断,计算回波所在位置
Δt表示互相关计算结果最大处位置与发射波位置的时间间隔,/>表示左耳超声接收模块和右耳超声接收模块接收回波信号时设置的采样频率。
(3)以回波所在位置为中点,向两边拓展回波信号所持续时间,计算出回波的起点S 3与回波的终点S 4
其中,表示回波的脉冲时间宽度,也就是一个回波脉冲宽度所对应的时间长度。
S305,从回波信号中分别提取基于MFCC的特征参数,以及基于GFCC的特征参数,再进行融合。具体步骤为:
(1)离散傅里叶变换:利用离散傅里叶变换将回波信号转换到频域,经过离散傅里叶变换后的每帧信号可以表示为:
其中,表示第r帧回波信号,/>表示离散傅里叶变换的窗口宽度,/>为步骤S304截取的回波信号离散序列,/>为序列长度。
后续得到基于MFCC的特征参数,与得到基于GFCC的特征参数方法相似,以得到基于MFCC的特征参数为例:
1)Mel频谱转换:将每帧信号通过Mel滤波器组,计算通过每个Mel滤波器的对数能量
其中,表示第m个Mel滤波器的传递函数,/>表示Mel滤波器组中Mel滤波器总个数,m表示Mel滤波器个数,/>表示离散傅里叶变换后的谱线总条数,j表示离散傅里叶变换后的信号频率。
2)计算DCT倒谱:通过离散余弦变换(Discrete Cosine Transform,DCT)将上述Mel滤波器的对数能量转换到倒谱
其中,p表示DCT倒谱计算的第p个倒谱系数,表示DCT倒谱计算后的倒谱系数总个数,/>表示Mel滤波器组中Mel滤波器总个数,m表示Mel滤波器个数,/>表示/>倒谱系数的维数。
根据倒谱,提取左耳回波信号基于MFCC的特征参数和右耳回波信号基于MFCC的特征参数,如图4(a)-图4(d)为两种探测位置处左耳回波信号基于MFCC的特征参数示意图和右耳回波信号基于MFCC的特征参数示意图。
基于GFCC的特征参数获取与基于MFCC的特征参数相似,不再赘述,如图5(a)-图5(d)为两种探测位置处左耳回波信号基于GFCC的特征参数示意图和右耳回波信号基于GFCC的特征参数示意图。基于GFCC的特征参数获取时,使用64阶的Gammatone滤波器组,会得到64维的特征参数,左耳和右耳两侧共128维,直接用作后续的特征向量,维度太高,会影响后续计算效率,基于MFCC的特征参数也存在相同问题。因此,采用Fisher比准则方法进行降维处理,以左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数中,Fisher比大的特征参数作为用于空间方位角度探测的超声回波特征参数。如图6(a)-图6(d)为左耳回波信号和右耳回波信号不同特征参数的Fisher比值示意图。
S306,建立方位角度估计网络模型,代入超声回波特征参数,得到对应的障碍物空间方位角度。
方位角度估计网络模型采用LSTM网络模型,LSTM网络模型包含一个输入层、两个隐层和一个输出层。输入层中包含200个神经元,采用线型激励函数,两个隐层中,每个隐层包含的神经元个数,从个数为32、64、128、256的神经元中,进行测试数据集的准确度比较验证,经验证,每个隐层选用128个神经元准确度最高,每个神经元的输入权重对应一个θ参数。声源定位问题属于机器学习中的多分类问题,因此,输出层结构采用Softmax回归模型结构,LSTM网络模型在每一个时刻都连接至Softmax输出层产生输出。
利用训练好的方位角度估计网络模型,输入超声回波特征参数,得到对应的障碍物空间方位角度,进行空间中障碍物的空间方位角度探测估计。
双耳超声空间定位装置可以安装在一个云台上,云台至少可以带动双耳超声空间定位装置偏航运动和俯仰运动。对自主移动机器人进行控制时,控制云台转动,调整探测的角度范围,至少实现270度偏航与180度垂直方向俯仰,从而实现双耳超声空间定位装置连续探测识别周围环境。然后,可根据自主移动机器人当前环境探测结果,控制自主移动机器人自主移动。
实施例四
本发明还提出了一种自主移动机器人,包括机器人本体和用于控制机器人本体运动的控制器。
控制器包括依次相连的截取模块、参数提取模块、融合模块和计算模块。
机器人本体上设置有云台,云台上安装有双耳超声空间定位装置,所述双耳超声空间定位装置包括超声发射模块、左耳超声接收模块和右耳超声接收模块,云台内设有偏航驱动装置和俯仰驱动装置,分别用于驱动云台偏航运动和俯仰运动。
截取模块分别连接左耳超声接收模块和右耳超声接收模块,用于在超声发射模块发射超声波后,从左耳超声接收模块和右耳超声接收模块获取的实时接收信号中截取回波信号。
参数提取模块,用于从回波信号中分别提取基于MFCC的特征参数A1,以及基于GFCC的特征参数A2。
融合模块,用于对特征参数A1和特征参数A2进行融合,形成用于空间方位角度探测的超声回波特征参数。
计算模块与机器人本体相连,用于将所述超声回波特征参数代入方位角度估计网络模型,得到对应的目标物空间方位角度,根据目标物空间方位角度控制机器人本体移动。截取模块、参数提取模块、融合模块和计算模块能够实现的功能,还可根据前述实施例一至实施例三进行相应调整,得到更多的优选方案。
本发明基于双耳超声空间定位装置,有助于开拓待定位对象的使用场景,例如,在一些急需参与介入的黑暗矿井下、粉尘大的场合,超声定位本身就会有比视觉系统更好的表现。随着服务型机器人的不断研发,现代办公楼中的机器人使用也越来越多,机器人工作环境多为室内或者小空间环境。另外,玻璃隔断墙在写字楼中的使用也越来越多,玻璃的透光性使现在常用的激光雷达或相机在定位时使用极为不便,而本发明则可以很好的弥补这些短板。
以下,对本发明中提及的部分英文缩写进行解释说明:
MFCC:Mel Frequency Cepstrum Coefficient,Mel频率倒谱系数。
GFCC:Gammatone Frequency Cepstral Coefficient,Gammatone频率倒谱系数。
LSTM:Long Short-Term Memory,长短期记忆网络。
Softmax:是一种本领域公知的数学函数,无对应的中文解释。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (9)

1.一种双耳超声空间定位方法,其特征在于:待定位对象上安装有双耳超声空间定位装置,所述双耳超声空间定位装置包括超声发射模块、左耳超声接收模块和右耳超声接收模块;包括以下步骤:
S1-1,在超声发射模块发射超声波后,从左耳超声接收模块和右耳超声接收模块获取的实时接收信号中截取回波信号;
所述截取回波信号通过以下方法执行:
S1-1.1,对实时接收信号进行降噪处理,得到信号B1;
S1-1.2,对信号B1进行分帧加窗操作,得到信号B2;
S1-1.3,采用短时平均能量和短时平均过零率双门限端点检测方法,从信号B2中截取所有包含发射波和回波的超声波信号B3,该发射波为超声发射模块发射的信号,该回波为左耳超声接收模块和右耳超声接收模块接收的信号;
S1-1.4,通过定位超声波信号B3中发射波和回波之间的时间差,截取回波信号;
S1-2,从回波信号中分别提取基于MFCC的特征参数A1,以及基于GFCC的特征参数A2,再对特征参数A1和特征参数A2进行融合,形成用于空间方位角度探测的超声回波特征参数;
S1-3,将所述超声回波特征参数代入方位角度估计网络模型,得到对应的目标物空间方位角度;所述方位角度估计网络模型通过训练样本集训练得到,训练样本集包括多组超声回波特征参数和对应已知的目标物空间方位角度。
2.根据权利要求1所述双耳超声空间定位方法,其特征在于:步骤S1-1.3中,所述从信号B2中截取所有包含发射波和回波的超声波信号B3之前,还包括通过以下方法判断信号B2中是否包含回波:
将信号B2分为f帧声源信号,通过下式计算连续多帧声源信号的能量:
其中,表示第i帧声源信号离散数据,表示帧长,/>表示第i帧声源信号的能量,n表示第i帧声源信号离散数据的长度;
判断所述连续多帧声源信号的能量是否均大于给定阈值,若是,则信号B2中包含回波,继续从信号B2中截取所有包含发射波和回波的超声波信号B3;否则,重新对下一个信号B2中是否包含回波进行判断,直至信号B2中包含回波。
3.根据权利要求2所述双耳超声空间定位方法,其特征在于,步骤S1-1.4具体为:
(1)获取超声波信号B3中最大幅值所在点,作为发射波所在位置
(2)通过下式,采用互相关分析法计算回波所在位置
其中,Δt表示互相关分析法计算结果最大处位置与发射波所在位置S1的时间间隔,为左耳超声接收模块和右耳超声接收模块接收回波信号时设置的采样频率;
(3)通过下式计算回波的起点与回波的终点/>
其中,表示回波的脉冲时间宽度;
根据回波的起点S3与回波的终点S4,得到回波信号。
4.根据权利要求1至3任一所述双耳超声空间定位方法,其特征在于,步骤S1-2具体为:
S1-2.1,对回波信号中的每一帧左耳回波信号和右耳回波信号分别进行离散傅里叶变换,得到对应的频域信息;
S1-2.2,将所述频域信息分别输入梅尔滤波器组和Gammatone滤波器组,得到相应的对数能量,再分别对相应的对数能量进行离散余弦变化,得到左耳回波信号对应的MFCC和GFCC,以及右耳回波信号对应的MFCC和GFCC;
S1-2.3,根据左耳回波信号对应的MFCC和GFCC,以及右耳回波信号对应的MFCC和GFCC,得到对应左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数;
S1-2.4,采用Fisher比准则方法,以左耳回波信号基于MFCC的特征参数、右耳回波信号基于MFCC的特征参数、左耳回波信号基于GFCC的特征参数和右耳回波信号基于GFCC的特征参数中,Fisher比大的特征参数作为用于空间方位角度探测的超声回波特征参数。
5.根据权利要求4所述双耳超声空间定位方法,其特征在于:步骤S1-3中,所述方位角度估计网络模型为LSTM网络模型,LSTM网络模型中的激活函数使用tanh函数,优化器使用Adam优化器。
6.根据权利要求5所述双耳超声空间定位方法,其特征在于:步骤S1-3中,所述方位角度估计网络模型包括依次连接的一个输入层、两个隐层和一个输出层;
所述输入层采用线型激励函数;
所述输出层的结构采用Softmax回归模型结构。
7.一种自主移动机器人控制方法,其特征在于,包括以下步骤:
S2-1,在自主移动机器人自主移动过程中,持续调整双耳超声空间定位装置的角度,每调整一次双耳超声空间定位装置的角度后,均采用权利要求1至6任一项所述双耳超声空间定位方法,获取目标物空间方位角度;
S2-2,根据获取的目标物空间方位角度,完成自主移动机器人当前环境探测;
S2-3,根据自主移动机器人当前环境探测结果,控制自主移动机器人自主移动。
8.一种自主移动机器人,包括机器人本体和用于控制机器人本体运动的控制器;其特征在于:所述控制器包括依次相连的截取模块、参数提取模块、融合模块和计算模块;
所述机器人本体上设置有云台,云台上安装有双耳超声空间定位装置,所述双耳超声空间定位装置包括超声发射模块、左耳超声接收模块和右耳超声接收模块;所述云台内设有偏航驱动装置和俯仰驱动装置,用于驱动云台偏航运动和俯仰运动;
所述截取模块分别连接左耳超声接收模块和右耳超声接收模块,用于在超声发射模块发射超声波后,从左耳超声接收模块和右耳超声接收模块获取的实时接收信号中截取回波信号;
所述截取回波信号通过以下方法执行:
对实时接收信号进行降噪处理,得到信号B1;
对信号B1进行分帧加窗操作,得到信号B2;
采用短时平均能量和短时平均过零率双门限端点检测方法,从信号B2中截取所有包含发射波和回波的超声波信号B3,该发射波为超声发射模块发射的信号,该回波为左耳超声接收模块和右耳超声接收模块接收的信号;
通过定位超声波信号B3中发射波和回波之间的时间差,截取回波信号;
所述参数提取模块,用于从回波信号中分别提取基于MFCC的特征参数A1,以及基于GFCC的特征参数A2;
所述融合模块,用于对特征参数A1和特征参数A2进行融合,形成用于空间方位角度探测的超声回波特征参数;
所述计算模块与机器人本体相连,用于将所述超声回波特征参数代入方位角度估计网络模型,得到对应的目标物空间方位角度,根据目标物空间方位角度控制机器人本体移动;所述方位角度估计网络模型通过训练样本集训练得到,训练样本集包括多组超声回波特征参数和对应已知的目标物空间方位角度。
9.根据权利要求8所述一种自主移动机器人,其特征在于:所述超声发射模块包括超声换能器,以及用于驱动超声换能器的信号发生器;
所述左耳超声接收模块和右耳超声接收模块均采用无耳廓构型;
所述左耳超声接收模块和右耳超声接收模块并排设置,且间距为15~20cm;所述超声换能器设置于左耳超声接收模块和右耳超声接收模块之间,左耳超声接收模块接收端面和右耳超声接收模块接收端面,均与超声换能器的发射端面平齐。
CN202311005860.XA 2023-08-10 2023-08-10 双耳超声空间定位方法、自主移动机器人及控制方法 Active CN116719035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311005860.XA CN116719035B (zh) 2023-08-10 2023-08-10 双耳超声空间定位方法、自主移动机器人及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311005860.XA CN116719035B (zh) 2023-08-10 2023-08-10 双耳超声空间定位方法、自主移动机器人及控制方法

Publications (2)

Publication Number Publication Date
CN116719035A CN116719035A (zh) 2023-09-08
CN116719035B true CN116719035B (zh) 2023-11-07

Family

ID=87875662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311005860.XA Active CN116719035B (zh) 2023-08-10 2023-08-10 双耳超声空间定位方法、自主移动机器人及控制方法

Country Status (1)

Country Link
CN (1) CN116719035B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135619A (zh) * 2010-12-06 2011-07-27 王茂森 一种生物声纳探测装置及其探测方法
CN107144818A (zh) * 2017-03-21 2017-09-08 北京大学深圳研究生院 基于双向双耳匹配滤波器加权融合的双耳声源定位方法
CN108008394A (zh) * 2017-11-28 2018-05-08 安徽工程大学 仿生声纳二维经历图绘制方法、存储介质及设备
CN109581385A (zh) * 2018-12-17 2019-04-05 山东大学 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法
CN111190167A (zh) * 2020-01-06 2020-05-22 山东大学 一种仿生声呐机器人的目标定位方法
CN111707990A (zh) * 2020-08-19 2020-09-25 东南大学 一种基于密集卷积网络的双耳声源定位方法
CN111948609A (zh) * 2020-08-26 2020-11-17 东南大学 基于Soft-argmax回归器的双耳声源定位方法
CN116022135A (zh) * 2021-10-25 2023-04-28 松下知识产权经营株式会社 车辆控制装置、车辆、车辆控制方法以及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004023154A2 (en) * 2002-09-06 2004-03-18 Inesa, Inc. Acoustic method and device for distance measurement

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135619A (zh) * 2010-12-06 2011-07-27 王茂森 一种生物声纳探测装置及其探测方法
CN107144818A (zh) * 2017-03-21 2017-09-08 北京大学深圳研究生院 基于双向双耳匹配滤波器加权融合的双耳声源定位方法
CN108008394A (zh) * 2017-11-28 2018-05-08 安徽工程大学 仿生声纳二维经历图绘制方法、存储介质及设备
CN109581385A (zh) * 2018-12-17 2019-04-05 山东大学 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法
CN111190167A (zh) * 2020-01-06 2020-05-22 山东大学 一种仿生声呐机器人的目标定位方法
CN111707990A (zh) * 2020-08-19 2020-09-25 东南大学 一种基于密集卷积网络的双耳声源定位方法
CN111948609A (zh) * 2020-08-26 2020-11-17 东南大学 基于Soft-argmax回归器的双耳声源定位方法
CN116022135A (zh) * 2021-10-25 2023-04-28 松下知识产权经营株式会社 车辆控制装置、车辆、车辆控制方法以及存储介质
JP2023064009A (ja) * 2021-10-25 2023-05-10 パナソニックIpマネジメント株式会社 車両制御装置、車両、車両制御方法および車両制御プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于距离-方位字典的仿生目标定位方法;杨长生等;西北工业大学学报;第39卷(第3期);第471-476页 *
基于BP神经网络的双耳声源定位算法;谈雅文;王立杰;姚昕羽;汤一彬;周琳;;电声技术(第05期);第28-32页 *

Also Published As

Publication number Publication date
CN116719035A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Mumolo et al. Algorithms for acoustic localization based on microphone array in service robotics
CN114488164B (zh) 水下航行器同步定位与建图方法及水下航行器
CN107045308A (zh) 智能互动服务机器人
Giannoccaro et al. A new strategy for spatial reconstruction of orthogonal planes using a rotating array of ultrasonic sensors
CN116719035B (zh) 双耳超声空间定位方法、自主移动机器人及控制方法
CN114417908A (zh) 一种基于多模态融合的无人机探测系统和方法
JP2000098031A (ja) インパルスソーナー
Carmena et al. The use of Doppler in Sonar-based mobile robot navigation: inspirations from biology
Su et al. Robust sound source mapping using three-layered selective audio rays for mobile robots
Ming et al. Development of a rapid obstacle sensing system using sonar ring for mobile robot
Adhvaryu et al. Design of fuzzy based intelligent controller for autonomous mobile robot navigation
Su et al. An acoustic sensor based novel method for 2D localization of a robot in a structured environment
Benet et al. Differentiating walls from corners using the amplitude of ultrasonic echoes
CN112720448A (zh) 一种用于自识别的定位机器人及其定位系统
Kao et al. Feature extraction from a broadband sonar sensor for mapping structured environments efficiently
Sekmen et al. Estimation of object location and radius of curvature using ultrasonic sonar
CN111213069B (zh) 基于相干光的避障装置及方法
Brian Auditory occupancy grids with a mobile robot
CN113792755A (zh) 一种小波深度图像融合环境感知与目标识别方法
Kleeman Real time mobile robot sonar with interference rejection
Rikoski et al. Trajectory sonar perception
Kallakuri et al. Using sound reflections to detect moving entities out of the field of view
Kulikov et al. An Ultrasonic Vision based on a Neural Network for Navigating Robots Through Obstacles
Creuze Distance and orientation measurement of a flat surface by a single underwater acoustic transducer
Goswami et al. Analysis of Obstacle Detection with Distance Measuring using Arduino Uno and Ultrasonic Sensor

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