CN116972854A - 基于gps定位的农机导航路径规划方法及系统 - Google Patents
基于gps定位的农机导航路径规划方法及系统 Download PDFInfo
- Publication number
- CN116972854A CN116972854A CN202311211103.8A CN202311211103A CN116972854A CN 116972854 A CN116972854 A CN 116972854A CN 202311211103 A CN202311211103 A CN 202311211103A CN 116972854 A CN116972854 A CN 116972854A
- Authority
- CN
- China
- Prior art keywords
- position deviation
- training
- time sequence
- path
- data
- 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 48
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 76
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000265 homogenisation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000002420 orchard Substances 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012271 agricultural production Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Guiding Agricultural Machines (AREA)
Abstract
本申请涉及导航路径规划领域，公开了一种基于GPS定位的农机导航路径规划方法及系统。其首先搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器，接着，建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯，然后，基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径，最后，基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。这样，可以更准确地确定农机的位置和方向，提高路径规划的精度。
Description
技术领域
本申请涉及导航路径规划领域，且更为具体地，涉及一种基于GPS定位的农机导航路径规划方法及系统。
背景技术
我国农业自动导航技术在精准农业技术的支持下得到了快速发展，并广泛应用于农业生产的各个过程中。自动导航系统的路径规划功能可以使拖拉机在作业区域内覆盖整块农田，减少重叠路径，提高作业效率和作业质量。农机作业路径规划控制技术作为农机自动导航系统的核心控制技术之一，根据农田地块的实际情况设计高效的导航路线，使农机能够基于这条路径完成农业生产工作。
然而，目前农业自动导航技术在实际农业生产中主要采用的是农机直线导航技术，即AB直线导航。用户在实际作业地块中指定A点和B点的坐标位置，系统根据这两点生成一系列平行的导航基准路径，农机将跟踪这些路径进行农田作业。然而，在每条直线路径的尽头，农机需要行驶员手动操纵进行转向，以完成地头转向操作。目前市面上的农机导航产品广泛应用于各大农场，但这些导航系统不具备自动转向功能。
尽管农机地头转向和路径规划控制技术在研究中有一定突破，但相关研究仍然进展缓慢。目前农业导航领域的路径规划仍停留在作物行跟踪和地头转向无约束最优路径规划阶段。这意味着目前的农机导航系统在路径规划方面还存在一些限制和挑战，需要进一步研究和改进。
因此，期望一种优化的农机导航路径规划方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于GPS定位的农机导航路径规划方法及系统。其可以更准确地确定农机的位置和方向，提高路径规划的精度。
根据本申请的一个方面，提供了一种基于GPS定位的农机导航路径规划方法，其包括：
搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器；
建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯；
基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径；以及
基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。
根据本申请的另一个方面，提供了一种基于GPS定位的农机导航路径规划系统，其包括：
平台搭建模块，用于搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器；
信号通讯建立模块，用于建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯；
预设作业路径生成模块，用于基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径；以及
偏差计算模块，用于基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。
与现有技术相比，本申请提供的基于GPS定位的农机导航路径规划方法及系统，其首先搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器，接着，建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯，然后，基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径，最后，基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。这样，可以更准确地确定农机的位置和方向，提高路径规划的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于GPS定位的农机导航路径规划方法的流程图。
图2为根据本申请实施例的基于GPS定位的农机导航路径规划方法的子步骤S140的流程图。
图3为根据本申请实施例的基于GPS定位的农机导航路径规划方法的子步骤S140的架构示意图。
图4为根据本申请实施例的基于GPS定位的农机导航路径规划方法的子步骤S143的流程图。
图5为根据本申请实施例的基于GPS定位的农机导航路径规划系统的框图。
图6为根据本申请实施例的基于GPS定位的农机导航路径规划方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为通过GPS定位系统来进行农机导航路径规划。应可以理解，GPS定位系统是一种通过接收卫星信号来确定地理位置的技术，它由一组卫星、地面控制站和用户设备组成。卫星发射信号，用户设备接收信号并计算出自身的位置信息。农机导航系统可以利用GPS定位数据来确定农机的位置，并将其与预设的作业路径进行比较，计算位置偏差，进而控制农机的转向盘，使其跟踪预设的作业路径。
在农机导航路径规划方法中，还可以结合激光SLAM（Simultaneous Localizationand Mapping）导航技术，提高农机在复杂环境中的定位精度。SLAM技术通过激光传感器扫描周围环境，同时建立地图并实时定位，从而实现机器人在未知环境中的导航。通过将SLAM导航与GPS定位相结合，可以在果园农田作业中更准确地确定农机的位置和方向，提高路径规划的精度。
图1为根据本申请实施例的基于GPS定位的农机导航路径规划方法的流程图。如图1所示，根据本申请实施例的基于GPS定位的农机导航路径规划方法，包括步骤：S110，搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器；S120，建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯；S130，基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径；以及，S140，基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。
图2为根据本申请实施例的基于GPS定位的农机导航路径规划方法的子步骤S140的流程图。图3为根据本申请实施例的基于GPS定位的农机导航路径规划方法的子步骤S140的架构示意图。如图2和图3所示，根据本申请实施例的基于GPS定位的农机导航路径规划方法，基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径，包括步骤：S141，获取由所述GPS卫星信号接收器的GPS定位模块采集的预定时间段内多个预定时间点的定位数据；S142，基于所述预设作业路径和所述多个预定时间点的定位数据，计算农机在所述多个预定时间点的位置偏差数据；S143，对所述多个预定时间点的位置偏差数据进行位置偏差模式时序特征提取以得到位置偏差时序特征；以及，S144，基于所述位置偏差时序特征，确定当前时间点的电控转向盘的推荐角度控制值。
具体地，在本申请的技术方案中，首先，获取由GPS定位模块采集的预定时间段内多个预定时间点的定位数据。应可以理解，在农机导航系统中，预设作业路径是根据农田地块的实际情况和作业需求事先规划好的路径。然而，在实际作业过程中，由于各种因素的影响（如地形、土壤状况、机械性能等），农机可能会与预设作业路径存在一定的位置偏差。因此，为了实时监测农机与预设作业路径之间的偏差情况，并及时进行调整和控制，以确保农机能够准确地跟踪作业路径，需要基于预设作业路径和所述多个预定时间点的定位数据，计算农机在所述多个预定时间点的位置偏差数据，并对所述多个预定时间点的位置偏差数据进行时序分析，以更准确地调整电控转向盘的角度。
接着，考虑到由于所述位置偏差数据在时间维度上是不断变化的，也就是说，所述各个预定时间点的位置偏差数据之间具有着时序的关联关系。为了能够对于所述位置偏差数据的时序变化特征进行有效地捕捉刻画，以此来进行农机转向盘的自适应控制，在本申请的技术方案中，首先需要将所述多个预定时间点的位置偏差数据按照时间维度排列为位置偏差时序输入向量，以此来整合所述位置偏差数据在时序上的分布信息。
然后，为了能够提高所述位置偏差数据在预定时间段内的时序细微变化特征的捕捉能力，以此来进行更准确地预设作业路径的跟踪，在本申请的技术方案中，进一步对所述位置偏差时序输入向量进行基于线性插值的上采样以得到上采样位置偏差时序输入向量，以增加所述位置偏差数据的时序分布密度和平滑度，从而便于后续更好地表示位置偏差数据的时序变化特征。应可以理解，通过线性插值的上采样，可以将原始的所述位置偏差时序输入向量中的数据点进行插值，生成更多的数据点。这样，有助于增加所述位置偏差数据在时间维度上的分辨率，使得位置偏差的时序变化更加细致可见。同时，线性插值可以在采样点之间进行平滑插值，减少噪声和突变的影响，提高数据的连续性和稳定性。也就是说，上采样后的所述上采样位置偏差时序输入向量可以提供更详细和准确的位置偏差时序变化信息，为后续的特征提取和电控转向盘的角度控制提供更丰富的数据。
应可以理解，所述位置偏差时序数据是指农机在不同时间点上与预设作业路径之间的位置偏差信息。这些数据可以看作是时序信号，其中包含了农机运动的动态变化过程。因此，通过对这些时序数据进行特征提取，可以获取农机运动的关键特征，进而用于路径规划和控制决策。基于此，在本申请的技术方案中，将所述上采样位置偏差时序输入向量通过包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器以得到多尺度位置偏差时序特征向量。通过引入卷积层，可以捕捉到位置偏差时序数据中的局部模式和时序特征。具体来说，所述第一卷积层可以识别较低级别的特征，例如位置偏差的局部变化和趋势。所述第二卷积层则可以进一步提取更高级别的特征，例如位置偏差的周期性、波动性或其他复杂的时序模式。通过将所述上采样位置偏差时序输入向量传递给所述位置偏差时序模式特征提取器，可以通过卷积操作和特征映射来获得所述多尺度位置偏差时序特征向量。这些特征向量可以捕捉到位置偏差数据中的不同时间尺度上的重要信息，为后续的路径规划和控制决策提供更全面和准确的输入。
相应地，在步骤S143中，如图4所示，对所述多个预定时间点的位置偏差数据进行位置偏差模式时序特征提取以得到位置偏差时序特征，包括：S1431，将所述多个预定时间点的位置偏差数据按照时间维度排列为位置偏差时序输入向量；S1432，对所述位置偏差时序输入向量进行基于线性插值的上采样以得到上采样位置偏差时序输入向量；以及，S1433，通过位置偏差时序模式特征提取器对所述上采样位置偏差时序输入向量进行特征提取以得到多尺度位置偏差时序特征向量作为所述位置偏差时序特征。应可以理解，在步骤S1431中，目的是将多个时间点的位置偏差数据按照时间顺序排列，并组合成一个向量，这样做可以保留时间信息，将位置偏差数据与时间点对应起来，为后续的分析和处理提供时序上的连续性。在步骤S1432中，上采样是指增加数据的采样率或时间分辨率，使得数据点之间的时间间隔更小，通过线性插值的方法，可以在原有的位置偏差数据点之间插入新的数据点，从而得到更密集的位置偏差数据，这样做可以提高时序数据的精度和细节，使得后续的特征提取更加准确。在步骤S1433中，使用位置偏差时序模式特征提取器对上采样后的位置偏差时序输入向量进行处理，提取其中的特征信息，这个特征提取器可以采用各种方法，如统计特征提取、频域分析、小波变换等，提取到的特征可以包括位置偏差的均值、方差、频谱分量等。通过提取多尺度的特征，可以捕捉到位置偏差数据在不同时间尺度上的变化特征，得到更全面的位置偏差时序特征向量，为后续的分析和应用提供更多信息。
更具体地，在步骤S1433中，所述偏差时序模式特征提取器为包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器。值得一提的是，卷积层是深度学习神经网络中的一种基本层级结构，用于提取输入数据中的特征。卷积层通过卷积操作对输入数据进行滤波操作，提取数据中的局部特征，具体来说，卷积层通过定义一组卷积核（也称为滤波器或特征检测器），在输入数据上进行滑动窗口的操作，计算每个窗口与卷积核的卷积结果，这样可以捕捉到输入数据中不同位置的局部模式或特征。卷积层可以通过滤波操作提取输入数据中的局部特征，例如边缘、纹理、形状等。这些特征可以帮助模型理解数据的结构和内容。卷积层中的卷积核在整个输入数据上共享参数，这意味着不同位置的相似特征可以共享相同的权重，减少了模型的参数数量，提高了模型的效率和泛化能力。卷积层对输入数据进行局部处理，不受输入数据的平移变换影响，这使得卷积层在处理图像等具有平移不变性的数据时具有优势，可以提取到位置不变的特征。卷积层通常会使用池化操作（如最大池化或平均池化）来减小特征图的尺寸，从而降低模型的计算复杂度，并且可以提取出更加抽象和稳定的特征。在位置偏差时序模式特征提取器中，第一卷积层和第二卷积层被用于对上采样后的位置偏差时序输入向量进行特征提取。这些卷积层可以学习到输入数据中的时序模式和特征，帮助模型更好地理解和表示位置偏差的时序信息。
继而，再将所述多尺度位置偏差时序特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的电控转向盘的推荐角度控制值。也就是说，利用所述位置偏差数据的时序多尺度特征分布信息来进行解码回归，以此来实时进行电控转向盘角度的自适应控制，通过这样的方式，能够实现农机在农田果园作业中的自动导航和路径跟踪，提高农机作业的效率和准确性。
相应地，在步骤S144中，基于所述位置偏差时序特征，确定当前时间点的电控转向盘的推荐角度控制值，包括：将所述多尺度位置偏差时序特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的电控转向盘的推荐角度控制值。值得一提的是，解码器是深度学习神经网络中的一个组件，用于将输入的特征向量转换为目标输出的值或向量，在位置偏差时序特征的应用中，解码器用于将多尺度位置偏差时序特征向量转换为当前时间点的电控转向盘的推荐角度控制值。解码器的具体结构和设计可以根据任务和需求来确定。全连接层解码器是最简单的一种解码器，它由一个或多个全连接层组成，将输入的特征向量映射到目标输出的值或向量，全连接层通过学习一系列权重参数，将输入特征与输出之间建立映射关系。
进一步地，在本申请的技术方案中，所述的基于GPS定位的农机导航路径规划方法，其还包括训练步骤：用于对所述包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器和所述解码器进行训练。应可以理解，训练步骤在基于GPS定位的农机导航路径规划方法中起着关键的作用，通过训练，模型可以学习到合适的参数和权重，使其能够准确地从输入数据中提取特征并进行预测，从而实现有效的路径规划。具体来说，训练步骤的作用如下：1.参数学习：训练步骤通过反向传播算法和优化方法（如梯度下降）来调整模型中的参数和权重，使其能够最小化预测输出与真实输出之间的差距，通过不断迭代训练，模型可以逐渐学习到更准确的特征提取和预测能力。2.特征提取器训练：训练步骤对包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器进行训练，使其能够从位置偏差数据中提取出有用的时序特征，这些特征可以捕捉到位置偏差的模式和规律，为后续的路径规划提供有价值的信息。3.解码器训练：训练步骤对解码器进行训练，使其能够将位置偏差时序特征转换为推荐角度控制值，通过训练，解码器可以学习到将特征向量映射到目标输出的映射关系，从而实现准确的推荐角度控制。通过训练步骤，模型可以从历史数据中学习到规律和模式，并将这些知识应用于新的输入数据中，实现对当前时间点的电控转向盘的推荐角度控制值的准确预测。训练步骤的目标是提高模型的泛化能力，使其在实际应用中能够准确地进行路径规划和导航。
更具体地，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练定位数据，训练预设作业路径，以及，所述当前时间点的电控转向盘的推荐角度控制值的真实值；基于所述训练预设作业路径和所述多个预定时间点的训练定位数据，计算农机在所述多个预定时间点的训练位置偏差数据；将所述多个预定时间点的训练位置偏差数据按照时间维度排列为训练位置偏差时序输入向量；对所述训练位置偏差时序输入向量进行基于线性插值的上采样以得到训练上采样位置偏差时序输入向量；将所述训练上采样位置偏差时序输入向量通过所述包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器以得到训练多尺度位置偏差时序特征向量；对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活以得到激活后训练多尺度位置偏差时序特征向量；将所述激活后训练多尺度位置偏差时序特征向量通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器和所述解码器进行训练。
特别地，在本申请的技术方案中，将所述训练上采样位置偏差时序输入向量通过包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器以得到训练多尺度位置偏差时序特征向量时，会对所述训练上采样位置偏差时序输入向量进行多尺度下的局部时序关联特征提取以获得所述训练多尺度位置偏差时序特征向量，由此，在将所述训练多尺度位置偏差时序特征向量通过解码器进行解码回归时，也是基于所述训练多尺度位置偏差时序特征向量的局部时序关联尺度来进行尺度启发式的回归概率映射时，但是，考虑到在进行多尺度局部时序关联特征提取时，所述训练多尺度位置偏差时序特征向量也会具有尺度混合的时序特征分布表示，这会导致其通过所述解码器进行解码回归的训练效率降低。
基于此，本申请的申请人在将所述训练多尺度位置偏差时序特征向量通过解码器进行解码时，对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活。
相应地，在一个具体示例中，对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活以得到激活后训练多尺度位置偏差时序特征向量，包括：以如下优化公式对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活以得到所述激活后训练多尺度位置偏差时序特征向量；其中，所述优化公式为：
其中，是所述训练多尺度位置偏差时序特征向量，/>是所述训练多尺度位置偏差时序特征向量的第/>个特征值，/>表示所述训练多尺度位置偏差时序特征向量的二范数，log是以2为底的对数函数，且α是权重超参数，/>是所述激活后训练多尺度位置偏差时序特征向量的第/>个特征值。
这里，考虑到所述训练多尺度位置偏差时序特征向量的特征分布在高维特征空间到解码回归空间时的特征分布映射，在基于混合尺度时序特征的不同的特征分布级别上会呈现不同的映射模式，导致基于尺度启发式的映射策略无法获得最优效率，因而基于特征向量范数的秩表达语义信息均一化而不是尺度进行特征匹配，可以将相似特征秩表达以类似方式激活，并降低差异较大的特征秩表达之间的相关性，从而解决所述训练多尺度位置偏差时序特征向量/>的特征分布在不同空间秩表达下的概率表达映射效率低下的问题，提升所述训练多尺度位置偏差时序特征向量通过解码器进行解码时的训练效率。这样，能够实时进行电控转向盘角度的自适应控制，通过这样的方式，能够实现农机在农田果园作业中的自动导航和路径跟踪，提高农机作业的效率和准确性。同时，引入自动转向功能和路径规划算法，可以进一步提高农机作业的自动化程度和作业效率，实现农业生产的精细化管理和智能化操作。
图5为根据本申请实施例的基于GPS定位的农机导航路径规划系统100的框图。如图5所示，根据本申请实施例的基于GPS定位的农机导航路径规划系统100，包括：平台搭建模块110，用于搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器；信号通讯建立模块120，用于建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯；预设作业路径生成模块130，用于基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径；以及，偏差计算模块140，用于基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。
在一个示例中，在上述基于GPS定位的农机导航路径规划系统100中，所述偏差计算模块140，包括：定位数据获取单元，用于获取由所述GPS卫星信号接收器的GPS定位模块采集的预定时间段内多个预定时间点的定位数据；位置偏差数据计算单元，用于基于所述预设作业路径和所述多个预定时间点的定位数据，计算农机在所述多个预定时间点的位置偏差数据；时序特征提取单元，用于对所述多个预定时间点的位置偏差数据进行位置偏差模式时序特征提取以得到位置偏差时序特征；以及，角度控制单元，用于基于所述位置偏差时序特征，确定当前时间点的电控转向盘的推荐角度控制值。
这里，本领域技术人员可以理解，上述基于GPS定位的农机导航路径规划系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的基于GPS定位的农机导航路径规划方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于GPS定位的农机导航路径规划系统100可以实现在各种无线终端中，例如具有基于GPS定位的农机导航路径规划算法的服务器等。在一个示例中，根据本申请实施例的基于GPS定位的农机导航路径规划系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于GPS定位的农机导航路径规划系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于GPS定位的农机导航路径规划系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于GPS定位的农机导航路径规划系统100与该无线终端也可以是分立的设备，并且该基于GPS定位的农机导航路径规划系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于GPS定位的农机导航路径规划方法的应用场景图。如图6所示，在该应用场景中，首先，获取预设作业路径（例如，图6中所示意的D1），以及，由所述GPS卫星信号接收器的GPS定位模块采集的预定时间段内多个预定时间点的定位数据（例如，图6中所示意的D2），然后，将所述预设作业路径和所述多个预定时间点的定位数据输入至部署有基于GPS定位的农机导航路径规划算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述基于GPS定位的农机导航路径规划算法对所述预设作业路径和所述多个预定时间点的定位数据进行处理以得到用于表示当前时间点的电控转向盘的推荐角度控制值的解码值。
应可以理解，本申请主要研究果园农业生产中的农用机器的自动导航功能，对于农用机器，因其工作环境复杂，工作强度较大，需要更加准确合适的路径规划，导航控制。在一个示例中，本申请在目前常用农机导航设备的基础上，采用集合卡尔曼滤波的多源融合方式提高果园农机的运动状态参数反馈精度，然后基于Adp-lio-sam算法提高激光雷达SLAM建图的精确度，最后基于3DVFH算法提高果园农机的局部避障能力。其中，关于传感器信号多源融合处理设计，在果园农机使用环境中，由于农机所处环境随时间不断改变，客观上要求其组合导航模式也应随之变化，否则很难实现连续、准确、安全和灵活的机动。针对以上问题，本申请通过集合卡尔曼滤波实现多源融合导航，满足多源融合导航系统对实时变化环境的适应性及配置多传感器灵活性的要求，在组合导航和多源信息融合方面发挥了重要作用。关于导航定位和路径规划方法设计，果园农机在移动过程中需要明确自身位置，即确定机器在运动环境中相对世界坐标系的位置及方向。本申请通过卫星定位和激光SLAM导航相结合，提高农业机器在复杂环境中的定位精度。首先采用基于Adp-lio-sam算法的SLAM导航定位方法实现全局路径的规划，通过SLAM的同时建图及路径规划特性表示出环境中障碍物的位置及目标点的位置，然后使机器在路径规划能尽可能实用可靠，两者结合有利于降低运动中误差，提高路径规划的精度。关于复杂环境下局部避障算法设计，针对传统GPS定位方法无法满足障碍物复杂环境的避障问题，本申请采用3DVFH算法为农用机器通过激光雷达感知环境信息，设计了一种基于统计学方法的直方图二值化高低阈值的确定方式确定合适的运动方向。其中3DVFH算法包括点云数据处理与坐标转换模块、避障路线权重计算模块和避障路径设定模块。先将地图坐标系转换为无机机体坐标系，然后进行二维直方图内权重的构建，完成了对感知到的三维障碍物进行降维的工作，最后避障路径设定模块采用滑动窗口的方式来检测二维直方图中农机运动的备选方向。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种基于GPS定位的农机导航路径规划方法，其特征在于，包括：
搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器；
建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯；
基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径；以及
基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。
2.根据权利要求1所述的基于GPS定位的农机导航路径规划方法，其特征在于，基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径，包括：
获取由所述GPS卫星信号接收器的GPS定位模块采集的预定时间段内多个预定时间点的定位数据；
基于所述预设作业路径和所述多个预定时间点的定位数据，计算农机在所述多个预定时间点的位置偏差数据；
对所述多个预定时间点的位置偏差数据进行位置偏差模式时序特征提取以得到位置偏差时序特征；以及
基于所述位置偏差时序特征，确定当前时间点的电控转向盘的推荐角度控制值。
3.根据权利要求2所述的基于GPS定位的农机导航路径规划方法，其特征在于，对所述多个预定时间点的位置偏差数据进行位置偏差模式时序特征提取以得到位置偏差时序特征，包括：
将所述多个预定时间点的位置偏差数据按照时间维度排列为位置偏差时序输入向量；
对所述位置偏差时序输入向量进行基于线性插值的上采样以得到上采样位置偏差时序输入向量；以及
通过位置偏差时序模式特征提取器对所述上采样位置偏差时序输入向量进行特征提取以得到多尺度位置偏差时序特征向量作为所述位置偏差时序特征。
4.根据权利要求3所述的基于GPS定位的农机导航路径规划方法，其特征在于，所述偏差时序模式特征提取器为包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器。
5.根据权利要求4所述的基于GPS定位的农机导航路径规划方法，其特征在于，基于所述位置偏差时序特征，确定当前时间点的电控转向盘的推荐角度控制值，包括：
将所述多尺度位置偏差时序特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的电控转向盘的推荐角度控制值。
6.根据权利要求5所述的基于GPS定位的农机导航路径规划方法，其特征在于，还包括训练步骤：用于对所述包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器和所述解码器进行训练。
7.根据权利要求6所述的基于GPS定位的农机导航路径规划方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练定位数据，训练预设作业路径，以及，所述当前时间点的电控转向盘的推荐角度控制值的真实值；
基于所述训练预设作业路径和所述多个预定时间点的训练定位数据，计算农机在所述多个预定时间点的训练位置偏差数据；
将所述多个预定时间点的训练位置偏差数据按照时间维度排列为训练位置偏差时序输入向量；
对所述训练位置偏差时序输入向量进行基于线性插值的上采样以得到训练上采样位置偏差时序输入向量；
将所述训练上采样位置偏差时序输入向量通过所述包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器以得到训练多尺度位置偏差时序特征向量；
对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活以得到激活后训练多尺度位置偏差时序特征向量；
将所述激活后训练多尺度位置偏差时序特征向量通过所述解码器以得到解码损失函数值；以及
基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的位置偏差时序模式特征提取器和所述解码器进行训练。
8.根据权利要求7所述的基于GPS定位的农机导航路径规划方法，其特征在于，对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活以得到激活后训练多尺度位置偏差时序特征向量，包括：
以如下优化公式对所述训练多尺度位置偏差时序特征向量进行特征秩表达的语义信息均一化激活以得到所述激活后训练多尺度位置偏差时序特征向量；
其中，所述优化公式为：其中，/>是所述训练多尺度位置偏差时序特征向量，/>是所述训练多尺度位置偏差时序特征向量的第/>个特征值，/>表示所述训练多尺度位置偏差时序特征向量的二范数，/>是以2为底的对数函数，且/>是权重超参数，/>是所述激活后训练多尺度位置偏差时序特征向量的第/>个特征值。
9.一种基于GPS定位的农机导航路径规划系统，其特征在于，包括：
平台搭建模块，用于搭建自动导航系统路径规划控制平台，其中，所述控制平台包括控制终端、电控转向盘与GPS卫星信号接收器；
信号通讯建立模块，用于建立所述控制终端与所述电控转向盘和所述GPS卫星信号接收器之间的信号通讯；
预设作业路径生成模块，用于基于所述GPS卫星信号接收器的定位数据，用户根据实际作业需求在所述控制终端上设置规划路径点和行距信息后，所述控制终端自动生成预设作业路径；以及
偏差计算模块，用于基于所设定的所述预设作业路径和所述定位数据，实时计算农机与所述作业路径的位置偏差，并计算所述位置偏差作为电控转向盘的控制信号以进行所述农机的跟踪作业路径。
10.根据权利要求9所述的基于GPS定位的农机导航路径规划系统，其特征在于，所述偏差计算模块，包括：
定位数据获取单元，用于获取由所述GPS卫星信号接收器的GPS定位模块采集的预定时间段内多个预定时间点的定位数据；
位置偏差数据计算单元，用于基于所述预设作业路径和所述多个预定时间点的定位数据，计算农机在所述多个预定时间点的位置偏差数据；
时序特征提取单元，用于对所述多个预定时间点的位置偏差数据进行位置偏差模式时序特征提取以得到位置偏差时序特征；以及
角度控制单元，用于基于所述位置偏差时序特征，确定当前时间点的电控转向盘的推荐角度控制值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311211103.8A CN116972854B (zh) | 2023-09-20 | 2023-09-20 | 基于gps定位的农机导航路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311211103.8A CN116972854B (zh) | 2023-09-20 | 2023-09-20 | 基于gps定位的农机导航路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116972854A true CN116972854A (zh) | 2023-10-31 |
| CN116972854B CN116972854B (zh) | 2023-12-26 |
Family
ID=88475264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311211103.8A Active CN116972854B (zh) | 2023-09-20 | 2023-09-20 | 基于gps定位的农机导航路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116972854B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313223A (zh) * | 2023-11-30 | 2023-12-29 | 江苏云网数智信息技术有限公司 | 基于数字孪生的智慧建筑敏捷开发系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919792A (zh) * | 2018-05-30 | 2018-11-30 | 华南农业大学 | 一种自动导航系统路径规划控制方法 |
| CN110989597A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
| CN113038821A (zh) * | 2018-10-30 | 2021-06-25 | 东京计器株式会社 | 误差修正装置 |
| CN114721375A (zh) * | 2022-03-14 | 2022-07-08 | 常州江苏大学工程技术研究院 | 一种农机单天线导航路径跟踪方法 |
| CN114812536A (zh) * | 2022-02-17 | 2022-07-29 | 东南大学 | 一种基于视觉的智慧果园农机行间精准定位与作业的设计方法 |
| CN115129063A (zh) * | 2022-07-25 | 2022-09-30 | 新疆农业大学 | 一种田间作业机器人地头转向导航系统及导航方法 |
-
2023
- 2023-09-20 CN CN202311211103.8A patent/CN116972854B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919792A (zh) * | 2018-05-30 | 2018-11-30 | 华南农业大学 | 一种自动导航系统路径规划控制方法 |
| CN113038821A (zh) * | 2018-10-30 | 2021-06-25 | 东京计器株式会社 | 误差修正装置 |
| CN110989597A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
| CN114812536A (zh) * | 2022-02-17 | 2022-07-29 | 东南大学 | 一种基于视觉的智慧果园农机行间精准定位与作业的设计方法 |
| CN114721375A (zh) * | 2022-03-14 | 2022-07-08 | 常州江苏大学工程技术研究院 | 一种农机单天线导航路径跟踪方法 |
| CN115129063A (zh) * | 2022-07-25 | 2022-09-30 | 新疆农业大学 | 一种田间作业机器人地头转向导航系统及导航方法 |
Non-Patent Citations (2)
| Title |
|---|
| 熊中刚;刘忠;王寒迎;霍佳波;: "RBF神经网络增量式PID自动转向控制系统设计", 农机化研究, no. 04 * |
| 王珂;卜祥津;李瑞峰;赵立军;: "景深约束下的深度强化学习机器人路径规划", 华中科技大学学报(自然科学版), no. 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313223A (zh) * | 2023-11-30 | 2023-12-29 | 江苏云网数智信息技术有限公司 | 基于数字孪生的智慧建筑敏捷开发系统 |
| CN117313223B (zh) * | 2023-11-30 | 2024-02-27 | 江苏云网数智信息技术有限公司 | 基于数字孪生的智慧建筑敏捷开发系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116972854B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818571B (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
| CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
| CN116972854B (zh) | 基于gps定位的农机导航路径规划方法及系统 | |
| CN103853908B (zh) | 一种自适应交互式多模型的机动目标跟踪方法 | |
| Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
| CN109798896A (zh) | 一种室内机器人定位与建图方法及装置 | |
| CN104049639B (zh) | 一种基于支持向量回归机的无人艇抗浪涌控制装置和方法 | |
| CN106873585A (zh) | 一种导航寻路方法、机器人及系统 | |
| CN113538218B (zh) | 基于位姿自监督对抗生成网络的弱配对图像风格迁移方法 | |
| CN109212519B (zh) | 基于bf-dlstm的窄带雷达目标跟踪方法 | |
| CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
| Liu et al. | WaveNet: learning to predict wave height and period from accelerometer data using convolutional neural network | |
| CN107292039A (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
| CN107124761B (zh) | 融合pso和ss-elm的蜂窝网无线定位方法 | |
| CN116017280A (zh) | 一种目标免携带设备的快速室内路径跟踪方法 | |
| CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
| CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
| CN113009917B (zh) | 基于闭环检测校正的移动机器人地图构建方法、存储介质及设备 | |
| CN114445395B (zh) | 基于互联网和大数据的配电线路树障智能定位方法和装置 | |
| CN117314869A (zh) | 基于人工智能的智能建筑测量系统及方法 | |
| CN113777913B (zh) | 一种基于改进极限学习机的巡逻车高精度循迹方法 | |
| Chen et al. | Improving NLOS/LOS Classification Accuracy in Urban Canyon Based on Channel-Independent Patch Transformer with Temporal Information | |
| Zhang et al. | A Novel Autonomous Robotics System for Aquaculture Environment Monitoring | |
| CN116841993A (zh) | 一种基于多源异构的渔船轨迹数据插补方法及装置 | |
| CN115290067A (zh) | 一种支持向量聚类神经网络的大数据导航方法 |
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 |