CN116843735A - 一种基于机器学习的三维点云精确配准方法 - Google Patents
一种基于机器学习的三维点云精确配准方法 Download PDFInfo
- Publication number
- CN116843735A CN116843735A CN202311034286.0A CN202311034286A CN116843735A CN 116843735 A CN116843735 A CN 116843735A CN 202311034286 A CN202311034286 A CN 202311034286A CN 116843735 A CN116843735 A CN 116843735A
- Authority
- CN
- China
- Prior art keywords
- learning
- honey
- source
- honey source
- acceleration coefficient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 235000012907 honey Nutrition 0.000 claims abstract description 92
- 230000006870 function Effects 0.000 claims abstract description 64
- 230000001133 acceleration Effects 0.000 claims abstract description 48
- 230000009471 action Effects 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims description 31
- 241000257303 Hymenoptera Species 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 19
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 9
- 238000006467 substitution reaction Methods 0.000 claims description 9
- 238000012938 design process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 241000256844 Apis mellifera Species 0.000 abstract 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于机器学习的三维点云精确配准方法，属于图像处理、机器学习以及同步定位与建图技术领域。针对三维点云配准问题以及现有群智能算法收敛速度慢，容易陷入局部最优的问题，提出融合Q学习的改进人工蜂群算法。引入拉格朗日加速度系数改进雇佣蜂蜜源更新方式，并融合Q学习，针对问题特征设计Q学习的状态、动作及奖励函数，实现拉格朗日加速度系数参数自学习及蜜源位置灵活更新，在侦查蜂阶段引入Levy飞行策略，并提出自适应搜索阈值limit，提高算法跳出局部最优的能力。本发明应用于图像处理技术领域，与现有技术相比，具有更强的搜索能力，更快的收敛速度，能够实现三维点云的精确配准。
Description
技术领域
本发明涉及图像处理、机器学习以及同步定位与建图技术领域，具体涉及一种基于机器学习的三维点云精确配准方法。
背景技术
同步定位与建图技术作为智能驾驶领域的关键技术之一，近年来得到了广泛关注。虽然基于同步定位与建图技术的激光扫描系统能够实现实时点云数据获取，但该数据获取方式难以保证点云精度，不同位置获取的同一地物的点云存在位置不一致的问题，为了实现更精准的定位与建图，对点云配准方法的研究具有重大的意义。
点云配准的根本问题是估计两帧扫描点云之间的变换矩阵，通过变换矩阵来实现机器人定位与三维场景的重建。现有主流点云配准方法主要分为基于端到端学习的点云配准、基于特征学习的点云配准以及基于优化的点云配准，前两者主要基于深度学习方法进行研究，而基于优化的方法主要基于传统的方法进行研究，代表的方法有图优化、ICP算法以及仿生群智能算法等。群智能算法在求解优化问题领域应用广泛，但是普遍存在收敛速度慢，容易陷入局部最优等问题，且参数过多，针对不同问题需要设计不同的参数来提高算法的适用性。
人工蜂群算法是近年来提出的一种新型群智能优化算法，然而传统的人工蜂群算法仍然具有以上问题。所以，通过引入拉格朗日加速度系数并融合强化学习实现拉格朗日加速度系数的参数自学习，提高算法在全局搜索跟局部寻优之间调整的灵活性，更好的引导蜜蜂向更优解更新，对于快速准确求解优化问题具有重要意义。
发明内容
本发明的目的在于提供了一种基于机器学习的三维点云精确配准方法，建立目标点云集与源点云集的高斯混合模型，选取欧式距离作为衡量高斯混合模型之间相似度的标准，建立目标函数，利用融合Q学习的改进人工蜂群算法进行求解。通过在改进的人工蜂群算法中融合Q学习，针对问题特点设计Q学习的状态、动作以及奖励函数，实现了蜜源灵活更新及参数自学习，提高了算法的全局搜索能力以及局部寻优能力，并且避免了达到搜索阈值算法陷入局部最优解，应用于三维点云配准问题，有效提高了计算效率以及匹配的准确性。
本发明所采用的技术方案是，一种基于机器学习的三维点云精确配准方法，具体实施步骤为：
步骤1建立目标三维点云集以及源三维点云集的高斯混合模型，确定目标函数并
建立适应度函数；
步骤2初始化最大迭代次数、蜜源、自适应搜索阈值及强化学习Q表，
并计算初始蜜源适应度函数值；
步骤3在雇佣蜂阶段，通过融合Q学习的拉格朗日加速度系数改进雇佣蜂蜜源更新
方式，并计算更新后的蜜源适应度函数值，保留更好的蜜源；
步骤4通过轮盘赌法选择蜜源；
步骤5通过自适应搜索阈值判断当前搜索次数是否达到当前最大搜索阈值，
是则放弃该蜜源，对应的雇佣蜂变为侦察蜂，执行步骤6，否则执行步骤7；
步骤6在侦察蜂阶段，通过Levy飞行策略引导侦察蜂在随机空间中产生新的蜜源；
步骤7判断是否达到最大迭代次数，是则输出当前最优解，否则继续执行步骤
3。
本发明的特点在于：
步骤1中，目标函数的数学模型如下：，
选取欧式距离作为两个高斯混合模型之间的相似性度量标准，其中为目标点
集，为源点集，为目标点集的高斯混合模型，为旋转矩阵，为平移矩阵，为源点集经过旋转平移变换得到的新点集，为源点集经过旋转平
移变换得到的新点集的高斯混合模型，表示目标点集的高斯混合模型与源
点集S经过旋转平移变换得到的新点集的高斯混合模型的欧式距离。
根据所述目标函数的数学模型，可以确定本发明提供的一种基于机器学习的三维点云精确配准方法适应度函数表示为：
，
式中，为适应度函数。
步骤2中，初始化蜜源以及自适应搜索阈值的具体步骤如下：
2-1蜜源按照以下方式进行初始化：
，
式中，为蜜源编号，其中为最大蜜源数量，为维度对应的第个蜜
源，为问题维度，，、为维度对应的蜜源的上下界限，是0
到1之间的随机数。
2-2自适应搜索阈值按下式初始化：
，
式中，为自适应搜索阈值，为迭代次数，为最大迭代次数。
步骤3中，在雇佣蜂阶段，通过融合Q学习的拉格朗日加速度系数改进雇佣蜂蜜源更新方式，具体按照以下步骤实施：
所述的拉格朗日加速度系数的具体设计过程如下：
拉格朗日加速度系数设为，通过、、三个点求解出三个
基函数、、；
设：
，
代入得：
，
进一步，可得：
，
进一步，可得：
，
设：
，
代入得：
，
进一步，可得：
，
进一步，可得：
，
设：
，
代得：
，
进一步，可得：
，
进一步，可得：
，
于是，可以得到拉格朗日加速度系数的数学模型：
，
式中，为拉格朗日加速度系数，是关于迭代次数的函数，，、
、为构成拉格朗日加速度系数的三个基函数，、、为常数，为拉格朗日加速度系数
的初值，为迭代次数，，为拉格朗日加速度系数在迭代次数为时的值，为最大迭代次数，为拉格朗日加速度系数在迭代次数为时的值，为迭代
次数与最大迭代次数相乘所得结果；
根据所述的拉格朗日加速度系数的数学模型，可以得到改进后的雇佣蜂蜜源更新方式数学模型为：
，
即
，
式中：为拉格朗日加速度系数，是0到1之间的随机数，为蜜源编
号，且，为[-1,1]之间均匀分布的随机数，为更新后蜜源，为更新前
蜜源；
融合Q学习，根据雇佣蜂在解空间的动作状态反馈，设计Q学习状态即雇佣蜂的决策空间状态、Q学习动作以及Q学习奖励函数，具体设计过程如下：
Q学习状态设计：
，
式中，为状态函数目标点集的高斯混合模型与源点集经过旋转平移变换得
到的新点集的高斯混合模型的欧式距离，为目标点集的高斯混合模型，为旋转
矩阵，为平移矩阵，为源点集经过旋转平移变换得到的新点集，为
源点集经过旋转平移变换得到的新点集的高斯混合模型；
将归一化为：
，
式中，为经过归一化得到的状态函数，为sigmoid函数用来进行归一化
操作；
将均匀离散化为两个状态：
，
和分别为离散化之后的两个状态值；
Q学习动作设计：
拉格朗日加速度系数中，通过设置不同的、来改变算法局部寻优能力以及全
局搜索能力的倾向以及倾向幅度，所以选取全局搜索和局部寻优两个动作，通过学习不同
的与来实现相应的动作；
Q学习奖励函数设计：
，
设计一种分段奖励函数，式中，为迭代次数，为最大迭代次数，为当前蜜
源，为上一代蜜源，为当前蜜源与上一代蜜源的欧氏距离，使算法迭代前期更
倾向于全局搜索，为当前代全局最优蜜源，为当前蜜源与当前代全局最优蜜
源的欧式距离，使算法迭代后期更倾向于局部寻优；
选取Q表中状态的最大Q值对应的动作，依据新的动作状态信息更新Q表，动态调整优化，引导蜜蜂搜索最优蜜源，Q表按照下式进行更新：
，
其中，为更新后的对应状态动作的Q值，为原始对应状态动作
的Q值，为学习率，为当前奖励值，为折扣因子，为后继状态最大Q值。
步骤6中，在侦察蜂阶段，通过Levy飞行策略引导侦察蜂在随机空间中产生新的蜜源，引入Levy飞行策略改进的侦察蜂蜜源搜索方式数学模型如下：
，
式中：为产生的新蜜源，为当前蜜源，为问题维度，，为0到1之间的随机数，为Levy飞行策略函数，为Levy飞行策略函数中
的一个常数。
本发明的有益效果是：
本发明提供的一种基于机器学习三维点云精确配准方法。建立点云集的高斯混合模型，选取欧式距离作为衡量高斯混合模型的相似度的标准，确定目标函数并利用融合Q学习的改进人工蜂群算法进行求解。通过在人工蜂群算法蜜源更新阶段引入拉格朗日加速度系数，实现对人工蜂群算法全局搜索能力及局部寻优能力的灵活调整；同时融合Q学习，针对问题模型设计合适的状态、动作及奖励函数，实现改进的人工蜂群算法参数的自学习，并引导蜜蜂向更优的蜜源更新；在侦察蜂阶段，引入Levy飞行策略提高人工蜂群算法跳出局部最优解的能力并设计自适应搜索阈值limit提高人工蜂群算法迭代后期收敛速度。本发明可以广泛应用于智能驾驶、移动机器人路径规划以及三维重建等多个领域，具有一定的应用价值，同时本发明的应用对于快速准确求解优化问题有着重要的研究意义。
附图说明
图1是本发明的整体流程图；
图2是本发明融合Q学习的改进人工蜂群算法的具体结构图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明公开了一种基于机器学习的生三维点云精确配准方法，所述的方法通过在改进的人工蜂群算法中融合Q学习，将目标点云集与经过旋转平移变换的源点云集的高斯混合模型之间欧式距离作为目标函数，以距离最小为原则，通过融合Q学习的改进人工蜂群算法进行求解，从而得出源点云集高斯混合模型矩阵变换方式。通过在人工蜂群算法雇佣蜂蜜源更新阶段引入拉格朗日加速度系数，实现对人工蜂群算法全局搜索能力及局部寻优能力的灵活调整；同时融合Q学习，针对问题模型设计合适的状态、动作及奖励函数，实现改进的人工蜂群算法参数的自学习，并引导蜜蜂向更优的蜜源更新；在侦察蜂阶段，引入Levy飞行策略提高人工蜂群算法跳出局部最优解的能力，并设计自适应搜索阈值limit在迭代前期引导人工蜂群算法深度挖掘，提高求解的精确度，在迭代后期引导人工蜂群算法向全局最优靠拢，提高算法收敛速度，从而实现三维点云的精确配准。
本发明提供的一种基于机器学习的三维点云配准方法流程如图1所示，具体按照以下步骤实施：
步骤1建立目标三维点云集以及源三维点云集的高斯混合模型，确定目标函数并
建立适应度函数；
目标函数的数学模型如下：
，
选取欧式距离作为两个高斯混合模型之间的相似性度量标准，其中为目标点
集，为源点集，为目标点集的高斯混合模型，为旋转矩阵，为平移矩阵，为源点集经过旋转平移变换得到的新点集，为源点集经过旋转平
移变换得到的新点集的高斯混合模型，表示目标点集的高斯混合模型与源
点集S经过旋转平移变换得到的新点集的高斯混合模型的欧式距离。
根据所述目标函数的数学模型，可以确定本发明提供的一种基于机器学习的三维点云精确配准方法适应度函数表示为：
，
式中，为适应度函数。
步骤2初始化最大迭代次数、蜜源、自适应搜索阈值及强化学习Q表，
并计算初始蜜源适应度函数值；
2-1蜜源按照以下方式进行初始化：
，
式中，为蜜源编号，其中为最大蜜源数量，为维度对应的第个蜜
源，为问题维度，，、为维度对应的蜜源的上下界限，是0
到1之间的随机数。
2-2自适应搜索阈值按下式初始化：
，
式中，为自适应搜索阈值，为迭代次数，为最大迭代次数。
步骤3在雇佣蜂阶段，通过融合Q学习的拉格朗日加速度系数改进雇佣蜂蜜源更新
方式，并计算更新后的蜜源适应度函数值，保留更好的蜜源；
所述的拉格朗日加速度系数的具体设计过程如下：
拉格朗日加速度系数设为，通过、、三个点求解出三个
基函数、、；
设：
，
代入得：
，
进一步，可得：
，
进一步，可得：
，
设：
，
代入得：
，
进一步，可得：
，
进一步，可得：
，
设：
，
代得：
，
进一步，可得：
，
进一步，可得：
，
于是，可以得到拉格朗日加速度系数的数学模型：
，
式中，为拉格朗日加速度系数，是关于迭代次数的函数，，、
、为构成拉格朗日加速度系数的三个基函数，、、为常数，为拉格朗日加速度系数
的初值，为迭代次数，，为拉格朗日加速度系数在迭代次数为时的值，为最大迭代次数，为拉格朗日加速度系数在迭代次数为时的值，为迭代
次数与最大迭代次数相乘所得结果；
根据所述的拉格朗日加速度系数的数学模型，可以得到改进后的雇佣蜂蜜源更新方式数学模型为：
，
即
，
式中：为拉格朗日加速度系数，是0到1之间的随机数，为蜜源编
号，且，为[-1,1]之间均匀分布的随机数，为更新后蜜源，为更新前
蜜源；
融合Q学习，根据雇佣蜂在解空间的动作状态反馈，设计Q学习状态即雇佣蜂的决策空间状态、Q学习动作以及Q学习奖励函数，具体设计过程如下：
Q学习状态设计：
，
式中，为状态函数目标点集的高斯混合模型与源点集经过旋转平移变换得
到的新点集的高斯混合模型的欧式距离，为目标点集的高斯混合模型，为旋转
矩阵，为平移矩阵，为源点集经过旋转平移变换得到的新点集，为
源点集经过旋转平移变换得到的新点集的高斯混合模型；
将归一化为：
，
式中，为经过归一化得到的状态函数，为sigmoid函数用来进行归一化
操作；
将均匀离散化为两个状态：
，
和分别为离散化之后的两个状态值；
Q学习动作设计：
拉格朗日加速度系数中，通过设置不同的、来改变算法局部寻优能力以及全
局搜索能力的倾向以及倾向幅度，所以选取全局搜索和局部寻优两个动作，通过学习不同
的与来实现相应的动作；
Q学习奖励函数设计：
，
设计一种分段奖励函数，式中，为迭代次数，为最大迭代次数，为当前蜜
源，为上一代蜜源，为当前蜜源与上一代蜜源的欧氏距离，使算法迭代前期更
倾向于全局搜索，为当前代全局最优蜜源，为当前蜜源与当前代全局最优蜜
源的欧式距离，使算法迭代后期更倾向于局部寻优；
选取Q表中状态的最大Q值对应的动作，依据新的动作状态信息更新Q表，动态调整优化，引导蜜蜂搜索最优蜜源，Q表按照下式进行更新：
，
其中，为更新后的对应状态动作的Q值，为原始对应状态动作
的Q值，为学习率，为当前奖励值，为折扣因子，为后继状态最大Q值。
步骤4通过轮盘赌法选择蜜源；
步骤5通过自适应搜索阈值判断当前搜索次数是否达到当前最大搜索阈值，
是则放弃该蜜源，对应的雇佣蜂变为侦察蜂，执行步骤6，否则执行步骤7；
步骤6在侦察蜂阶段，通过Levy飞行策略引导侦察蜂在随机空间中产生新的蜜源；
引入Levy飞行策略改进的侦察蜂蜜源搜索方式数学模型如下：
，
式中：为产生的新蜜源，为当前蜜源，为问题维度，，为0到1之间的随机数，为Levy飞行策略函数，为Levy飞行策略函数中
的一个常数。
步骤7判断是否达到最大迭代次数，是则输出当前最优解，否则继续执行步骤
3。
针对三维点云精确配准问题，本发明提供的一种基于机器学习的三维点云精确配
准方法，通过改进人工蜂群算法并融合Q学习，实现目标函数的高效求解从而实现点云的精
确配准。融合Q学习的改进人工蜂群算法具体结构如图2所示，采集三维点云数据，初始化相
关参数，建立适应度函数，在人工蜂群算法的雇佣蜂阶段引入融合Q学习的拉格朗日加
速度系数，通过Q学习模块来学习拉格朗日加速度系数中的与两个参数，实现拉格朗日
加速度系数参数与的自学习及蜜源灵活更新，接下来执行侦察蜂阶段，判断迭代次数
是否达到最大迭代次数，是则输出最优变换矩阵方案，否则继续执行雇佣蜂阶段直至达到
最大迭代次数。本发明应用于图像处理技术领域，用于解决三维点云精确配准问题，与现有
技术相比，具有更强的搜索能力，更快的收敛速度。
需要补充的是，上述实施例为本发明的优选实施方式，但本发明的实时方式并不受上述实施例的限制，其他的任何没有背离本发明基本原理下所作的改变、修饰都包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器学习的三维点云精确配准方法，其特征在于，包括以下步骤：
步骤1建立目标三维点云集以及源三维点云集的高斯混合模型，确定目标函数并建立适应度函数；
步骤2初始化最大迭代次数、蜜源/>、自适应搜索阈值/>及强化学习Q表，并计算初始蜜源适应度函数值/>；
步骤3在雇佣蜂阶段，通过融合Q学习的拉格朗日加速度系数改进雇佣蜂蜜源更新方式，并计算更新后的蜜源适应度函数值，保留更好的蜜源；
步骤4通过轮盘赌法选择蜜源；
步骤5通过自适应搜索阈值判断当前搜索次数是否达到当前最大搜索阈值，是则放弃该蜜源，对应的雇佣蜂变为侦察蜂，执行步骤6，否则执行步骤7；
步骤6在侦察蜂阶段，通过Levy飞行策略引导侦察蜂在随机空间中产生新的蜜源；
步骤7判断是否达到最大迭代次数，是则输出当前最优解，否则继续执行步骤3。
2.根据权利要求1所述的一种基于机器学习的三维点云精确配准方法，其特征在于，根据步骤2中所述的初始化最大迭代次数、蜜源/>、自适应搜索阈值/>及强化学习Q表，并计算初始蜜源适应度函数值/>，初始化自适应搜索阈值/>，具体按照以下步骤实施：
自适应搜索阈值按下式初始化：
，
式中，为自适应搜索阈值，/>为迭代次数，/>为最大迭代次数。
3.根据权利要求1所述的一种基于机器学习的三维点云精确配准方法，其特征在于，根据步骤3中所述的在雇佣蜂阶段，通过融合Q学习的拉格朗日加速度系数改进雇佣蜂蜜源更新方式，并计算更新后的蜜源适应度函数值，保留更好的蜜源，融合Q学习的拉格朗日加速度系数改进雇佣蜂蜜源更新方式，具体按照以下步骤实施：
所述的拉格朗日加速度系数的具体设计过程如下：
拉格朗日加速度系数设为，通过/>、/>、/>三个点求解出三个基函数/>、/>、/>；
设：
，
代入得：
，
进一步，得：
，
进一步，得：
，
设：
，
代入得：
，
进一步，得：
，
进一步，得：
，
设：
，
代得：
，
进一步，得：
，
进一步，得：
，
于是，得到拉格朗日加速度系数的数学模型：
，
式中，为拉格朗日加速度系数，是关于迭代次数/>的函数，/>，/>、/>、/>为构成拉格朗日加速度系数的三个基函数，/>、/>、/>为常数，/>为拉格朗日加速度系数的初值，/>为迭代次数，/>，/>为拉格朗日加速度系数在迭代次数为/>时的值，/>为最大迭代次数，/>为拉格朗日加速度系数在迭代次数为/>时的值，/>为迭代次数/>与最大迭代次数/>相乘所得结果；
根据所述的拉格朗日加速度系数的数学模型，得到改进后的雇佣蜂蜜源更新方式数学模型为：
，
即
，
式中：为拉格朗日加速度系数，/>是0到1之间的随机数，/>为蜜源编号，且/>，/>为[-1,1]之间均匀分布的随机数，/>为更新后蜜源，/>为更新前蜜源；
融合Q学习，根据雇佣蜂在解空间的动作状态反馈，设计Q学习状态即雇佣蜂的决策空间状态、Q学习动作以及Q学习奖励函数，具体设计过程如下：
Q学习状态设计：
，
式中，为状态函数目标点集/>的高斯混合模型与源点集/>经过旋转平移变换得到的新点集的高斯混合模型的欧式距离，/>为目标点集的高斯混合模型，/>为旋转矩阵，为平移矩阵，/>为源点集/>经过旋转平移变换得到的新点集，/>为源点集/>经过旋转平移变换得到的新点集的高斯混合模型；
将归一化为/>：
，
式中，为/>经过归一化得到的状态函数，/>为sigmoid函数用来进行归一化操作；
将均匀离散化为两个状态：
，
和/>分别为离散化之后的两个状态值；
Q学习动作设计：
拉格朗日加速度系数中，通过设置不同的、/>来改变算法局部寻优能力以及全局搜索能力的倾向以及倾向幅度，所以选取全局搜索和局部寻优两个动作，通过学习不同的/>与/>来实现相应的动作；
Q学习奖励函数设计：
，
设计一种分段奖励函数，式中，为迭代次数，/>为最大迭代次数，/>为当前蜜源，/>为上一代蜜源，/>为当前蜜源与上一代蜜源的欧氏距离，使算法迭代前期更倾向于全局搜索，/>为当前代全局最优蜜源，/>为当前蜜源与当前代全局最优蜜源的欧式距离；
选取Q表中状态的最大Q值对应的动作，依据新的动作状态信息更新Q表，Q表按照下式进行更新：
，
其中，为更新后的对应状态动作的Q值，/>为原始对应状态动作的Q值，/>为学习率，/>为当前奖励值，/>为折扣因子，/>为后继状态最大Q值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311034286.0A CN116843735B (zh) | 2023-08-17 | 2023-08-17 | 一种基于机器学习的三维点云精确配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311034286.0A CN116843735B (zh) | 2023-08-17 | 2023-08-17 | 一种基于机器学习的三维点云精确配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116843735A true CN116843735A (zh) | 2023-10-03 |
| CN116843735B CN116843735B (zh) | 2023-12-29 |
Family
ID=88163712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311034286.0A Active CN116843735B (zh) | 2023-08-17 | 2023-08-17 | 一种基于机器学习的三维点云精确配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843735B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013202555A1 (en) * | 2005-11-26 | 2013-05-02 | Natera, Inc. | System and Method for Cleaning Noisy Genetic Data and Using Data to Make Predictions |
| CN107942303A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 一种基于改进人工蜂群算法的智能雷达海杂波预报系统及方法 |
| CN109740052A (zh) * | 2018-12-26 | 2019-05-10 | 武汉大学 | 网络行为预测模型的构建方法及装置、网络行为预测方法 |
| CN110633784A (zh) * | 2018-06-25 | 2019-12-31 | 沈阳高精数控智能技术股份有限公司 | 一种多规则人工蜂群改进算法 |
| KR20210022475A (ko) * | 2019-08-20 | 2021-03-03 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 제어 방법 |
| US20210385135A1 (en) * | 2020-06-04 | 2021-12-09 | Ciena Corporation | Action Recommendation Engine (ARE) of a closed-loop Machine Learning (ML) system for controlling a network |
| CN113808276A (zh) * | 2021-10-18 | 2021-12-17 | 西安热工研究院有限公司 | 一种基于外接球策略区域增长的点云表面重建方法及系统 |
| US20220179619A1 (en) * | 2020-12-03 | 2022-06-09 | Samsung Electronics Co., Ltd. | Electronic device and method for operating thereof |
| CN115883850A (zh) * | 2022-11-15 | 2023-03-31 | 中山大学 | 基于深度残差式压缩和稀疏表征的分辨率自适应点云几何有损编码方法、装置和介质 |
| CN116033026A (zh) * | 2022-12-07 | 2023-04-28 | 广东工业大学 | 一种资源调度方法 |
-
2023
- 2023-08-17 CN CN202311034286.0A patent/CN116843735B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013202555A1 (en) * | 2005-11-26 | 2013-05-02 | Natera, Inc. | System and Method for Cleaning Noisy Genetic Data and Using Data to Make Predictions |
| CN107942303A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 一种基于改进人工蜂群算法的智能雷达海杂波预报系统及方法 |
| CN110633784A (zh) * | 2018-06-25 | 2019-12-31 | 沈阳高精数控智能技术股份有限公司 | 一种多规则人工蜂群改进算法 |
| CN109740052A (zh) * | 2018-12-26 | 2019-05-10 | 武汉大学 | 网络行为预测模型的构建方法及装置、网络行为预测方法 |
| KR20210022475A (ko) * | 2019-08-20 | 2021-03-03 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 제어 방법 |
| US20210385135A1 (en) * | 2020-06-04 | 2021-12-09 | Ciena Corporation | Action Recommendation Engine (ARE) of a closed-loop Machine Learning (ML) system for controlling a network |
| US20220179619A1 (en) * | 2020-12-03 | 2022-06-09 | Samsung Electronics Co., Ltd. | Electronic device and method for operating thereof |
| CN113808276A (zh) * | 2021-10-18 | 2021-12-17 | 西安热工研究院有限公司 | 一种基于外接球策略区域增长的点云表面重建方法及系统 |
| CN115883850A (zh) * | 2022-11-15 | 2023-03-31 | 中山大学 | 基于深度残差式压缩和稀疏表征的分辨率自适应点云几何有损编码方法、装置和介质 |
| CN116033026A (zh) * | 2022-12-07 | 2023-04-28 | 广东工业大学 | 一种资源调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 唐志荣: "三维激光点云统计配准算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116843735B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Application of artificial intelligence algorithms in image processing | |
| CN110874578B (zh) | 一种基于强化学习的无人机视角车辆识别追踪方法 | |
| CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
| CN110232964B (zh) | 基于预测剂量引导和高斯过程优化的计划实现方法及装置 | |
| CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
| CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
| CN116307648B (zh) | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 | |
| CN111159489A (zh) | 一种搜索方法 | |
| CN113281999A (zh) | 一种基于强化学习和迁移学习的无人机自主飞行训练方法 | |
| Yang et al. | Research and Application of Visual Object Recognition System Based on Deep Learning and Neural Morphological Computation | |
| CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 | |
| CN114139778A (zh) | 风电机组功率预测建模方法及装置 | |
| CN116843735A (zh) | 一种基于机器学习的三维点云精确配准方法 | |
| CN102163321A (zh) | 基于格子波尔兹曼模型的图像分割方法 | |
| CN116451859A (zh) | 一种基于贝叶斯优化的生成对抗网络股票预测方法 | |
| CN116138036A (zh) | 一种用于名优茶嫩芽采摘的二次定位方法 | |
| CN115796006A (zh) | 一种基于woa-elm预测模型的新能源储能电站风速预测方法 | |
| Xiao et al. | MSAO: A multi-strategy boosted snow ablation optimizer for global optimization and real-world engineering applications | |
| Huo | Apple image segmentation model based on r component with swarm intelligence optimization algorithm | |
| CN115016499A (zh) | 一种基于sca-ql的路径规划方法 | |
| CN106600630A (zh) | 一种基于稀疏编码的粒子滤波目标跟踪方法 | |
| Chen et al. | Consistency-based semi-supervised learning for point cloud classification | |
| Zheng et al. | Variance reduction based partial trajectory reuse to accelerate policy gradient optimization | |
| Deng et al. | Context-Enhanced Meta-Reinforcement Learning with Data-Reused Adaptation for Urban Autonomous Driving | |
| CN111709494B (zh) | 一种新型混合优化的图像立体匹配方法 |
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 |