CN117202101A - 电力建设施工现场三维空间人员安全监控预警方法及装置 - Google Patents

Abstract

本发明提供了电力建设施工现场三维空间人员安全监控预警方法及装置，包括以下步骤：步骤1：PicoDet+SiamMOT的视觉追踪定位；步骤2：单基站UWB的3Dsp‑AOA定位；步骤3：数据融合；步骤4：基于Bi‑LSTM的数据时序异常点校验；步骤5：人员安全预警。应用本技术方案可实现大幅度形成基建工程现场人员与施工机械的安全监控预警解决方案，有效提升工程现场安全管控水平。

Description

电力建设施工现场三维空间人员安全监控预警方法及装置

技术领域

本发明涉及安全监控技术领域，特别是电力建设施工现场三维空间人员安全监控预警方法及装置。

背景技术

在我国电网变电站工程现场条件复杂、转序频繁，人员位置随时发生变化。对现场人员与机器之间位置的实时精确掌握，是增强电力建设施工现场安全隐患发现能力，降低事故发生概率，保障施工作业人员生命财产安全的急迫需求。根据电网工程施工工艺要求，作业面受到各类建筑物、临时设施和地形环境的影响，同时施工机械在三维空间中的运动更加灵活多变，人员、施工机械在不同的环境中不定期转换，要求定位结果实时可靠、不中断且需要维持较高的精度，对定位算法及相应装置提出了更高的要求。

目前应用于室外定位的主流技术主要有基站定位和北斗卫星定位两种。通过室外基站进行定位时，信号很容易受到干扰，所以先天就决定了它定位的不准确性，精度较低，且工作时必须在有基站信号的位置，因此很难用于对工程现场人员与机械的定位。北斗定位可以实现人员定位和管控，然而在实际应用中也发现一些不足，例如设备续航时间短、设备重量较高，易受遮挡影响，且在安全监控中，仅能获取施工机械的在某个点的位置，并不能获取人员与机械之间的精准位置关系。

随着UWB芯片和天线、微机械传感器(MEMS)等支撑定位功能的关键元器件工作性能的不断提高、物理尺寸的不断缩小、功耗的不断降低。UWB技术由于其高精度、抗干扰能力强、穿透能力强、抗多径效应以及功耗低、硬件续航时间长等优势明显，可以很好满足工程现场的工作人员在三维空间中定位的需求。然而传统基于多基站UWB的定位系统精度极易受到多基站安装位置的影响，而且在错综复杂的工程建设现场，往往很难满足多个UWB定位基站装置的部署要求，因此设备的通用性存在问题。

发明内容

有鉴于此，本发明的目的在于提供一种电力建设施工现场三维空间人员安全监控预警方法及装置，实现大幅度形成基建工程现场人员与施工机械的安全监控预警解决方案，有效提升工程现场安全管控水平。

为实现上述目的，本发明采用如下技术方案：电力建设施工现场三维空间人员安全监控预警方法，包括以下步骤：

步骤1：PicoDet+SiamMOT的视觉追踪定位；

步骤2：单基站UWB的3Dsp-AOA定位；

步骤3：数据融合；

步骤4：基于Bi-LSTM的数据时序异常点校验；

步骤5：人员安全预警。

在一较佳的实施例中，所述步骤1具体为：首先通过获取工业摄像头的RTSP流链接，在RTSP协议中第一个字节是0X24，是固定不变的包头，接着第二个字节是0x00/0x01，第三和第四个字节是RTP报文的长度，从第五个字节开始，就是RTP报文；其中，当第二个字节是0x01时，第五个字节往后是RTCP报文；当第二个字节是0x00时，第五个字节往后是RTP报文；在报文中，从第三行开始才是RTP报文，第一行和第二行都是RTCP报文；从第五个字节0x80开始，就是需要的RTP报文，从左往右开始计算，第一位和第二位，对应V＝2，代表RTSP版本号，第五位到第八位，是0000，也就是0，这代表着CSRC数量是0；这段RTP报文，头部长12个字节；从0X60，从PT开始，得出RTP中的视频编码协议是H264；从第十三个字节开始，是H264编码方案；拿到H264的数据后找到0x7C和0x85，便可以得到一个新的关键帧信息，进入到目标检测环节；

通过安装PaddleX工具链，使用工具链中的PP-PicoDet模型，作为目标检测的模型，其中模型使用ESNet作为高精度骨干网络，使得整体检测框架相比于传统使用延迟更低、计算量小、精度更高，拥有更好的鲁棒性，能够更好地适配工业环境下多种边端计算设备环境；在训练中，使用H-Swish激活函数代替Relu；使用Cosine学习率衰减策略；使用Cycle-EMA；加入Crop、Flip、Multi-Scale的数据增强策略进行训练过程；最终将关键帧数据输入训练好的模型中，得出检测框的位置与对应的信息值；

在通过PicoDet获得目标检测的位置值后，结合并改进SiamMOT算法，首先添加一个基于区域的孪生跟踪器来建模实例级别的运动，建模以两帧关联图像P^t和P^t+1作为输入，其中已知第时间t帧中的目标检测框集合为再通过PicoDet网络检测输出第时间t+δ帧的目标检测框集合X^t+δ，SiamMOT中的跟踪器将X^t传播到第时间t+δ帧预测生成检测框结果集合/>然后对时间t时目标在时间t+δ时的检测框和预测框进行匹配，从而对所要追踪的目标进行追踪；在追踪时，如下式所示：

追踪输出的结果有两个，其中为预测框，/>是预测框的置信度值，假如该实例在划定区域内是可见的，那么将会产生一个较高的置信度得分，否则相应的置信度得分会较低；追踪过程和传统的孪生单目标追踪相似，多次使用上式便可以实现/>的并行预测；从而完成多帧之间的目标关联；

实现目标的实时追踪后，在已知工业摄像头内参的情况下，对部署的摄像头基于Perspective-n-Points实现位姿解算，在电力建设施工现场给定若干个已知坐标的3D坐标点，以及其在视频图像中的2D映射投影坐标，求解出追踪目标相对单目摄像头的姿态与位置信息，不断迭代优化，提高精度与鲁棒性；

将通过AI视觉解算得出的位姿信息，存储到专门建立的位置信息数据库中保存。

在一较佳的实施例中，所述步骤2具体为：使用自研发的单UWB定位基站装置，接收端使用三天线接收单天线Tag发送的数据包，其中每两根天线之间的间隔距离都为d＝2.08cm；这使得两根天线A₁和A₂对于同一个接收信号从0到l具有不同的路径差p；与此同时基于这个路径差p通过下式可以计算对应的到达角度：

当UWB信号到达不同天线的路径差p>0时，UWB信号到达不同天线的相位PoA不同，每根天线的PoA根据CIR计算得出，在接收到信号的包头时，本装置的芯片会产生一个CIR并检测第一个路径的索引，从而便可以解算出第一个路径信标处的相位：

其中，每个I_i都存在一个Q_i对应，代表CIR在第一条路径信标处的虚部；同时所有的天线都共用一个时钟振荡器，由此便可以计算到达的相位差PDoA，将β表示为第一个天线的相位和第二个接收天线之间的相位差，通过p＝2π*λ*β将其映射到路径差；通过三根天线每两根之间到达角的解算，最终得出携带Tag的待测物体在三维空间的相对距离；

提出使用指数滑动平均法进行定位数据的滑动滤波：

p_t＝w*x_t+(1-w)*(w*x_t-1+(1-w)*p_t-2)

其中，p_t是预测值，w表示衰减权重，通过现场调试得出，x_t表示观测值，表示递推值；通过指数滤波可以保证数据实时性的同时，对数据进行很好的异常值滤除；

将上述3Dsp-AoA解算出来的位置值同样存入上述专门建立的位置信息数据库中保存。

在一较佳的实施例中，所述步骤3具体为：融合二者定位的结果，即可解算出待定位目标所处的位置；对视觉数据进行判断，待定位的目标是否在存在，如果视觉目标丢失或者不存在，此时系统将完全信赖3Dsp-AOA解算出的位置信息，即此时UWB的置信度权重最大；当AI视觉定位信息正常时，UWB系统因为存在累计误差的影响，即随着时间的增加累计误差会增加；所以随着时间的增加，融合系统对于视觉的置信度逐渐增加、同时对于惯导系统的置信度逐渐减少，如下式所示：

UWB的定位置信度在x时间段内，会随着时间的变化以的斜率进行衰减，直至检测到视觉信息异常时的前一刻，UWB的置信度基本为0，此时系统不再相信惯导的定位结果；当AI视觉定位异常时候，这时候会完全信赖UWB的唯一信息，重复上述流程，从而获取最终的位置信息。

在一较佳的实施例中，所述步骤4具体为：使用深度时序网络Bi-LSTM网络可以对于数据进行时序预测，即模型学习一段时间的工业现场真实的历史数据，然后进行数据预测,通过比对真实值与预测值的偏差来判断是否为异常状态；当系统判断为数据异常时，使用预测值对于异常的位置数据值进行修正。

在一较佳的实施例中，所述步骤5具体为：通过上述的融合定位系统，分别得出电力建设施工现场人员与机械的位置信息，针对不同的工作任务，分别对机械与人员的相对位置、不同工种的人员与人员的相对位置进行实时监控并设置相应的预警具体。

本发明还提供了电力建设施工现场三维空间人员安全监控预警装置，运行所述的电力建设施工现场三维空间人员安全监控预警方法；包括单基站UWB-AOA定位模块、基于单摄像头的定位模块以及带图像算力的边缘计算模块；单基站UWB定位模块与边缘计算模块具有低耦合性适应现有工业场景中现有的摄像头模组。

与现有技术相比，本发明具有以下有益效果：使用单基站的3Dsp-AOA算法与AI视觉相融合以及数据的时序校验算法可以大幅度提高定位的精确度，边缘计算装置通过融合定位监控预警算法实现对攀爬作业人员位置以及作业机械的相对位置进行预警判断，是否出现安全风险。同时3Dsp-AOA设备的单基站特性以及整套装置低耦合的设备模组特性，解决了现有技术中需要多个基站设备部署，在复杂电力施工现场难以部署、效果差的问题。

附图说明

图1为本发明优选实施例的预警系统流程图；

图2为本发明优选实施例的RTP报文头解析。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明公开了一种基于单基站UWB与AI视觉融合的电力建设施工现场三维空间人员安全监控预警装置与方法，如图1所示，该方法和系统涉及的硬件包括单基站的多天线UWB定位设备、工业级摄像头和边缘计算设备。对具体的融合定位技术方案做进一步的说明：

1.PicoDet+SiamMOT的视觉追踪定位

首先通过获取工业摄像头的RTSP流链接，在RTSP协议中第一个字节是0X24，是固定不变的包头，接着第二个字节是0x00/0x01，第三和第四个字节是RTP报文的长度，从第五个字节开始，就是RTP报文。其中，当第二个字节是0x01时，第五个字节往后是RTCP报文。当第二个字节是0x00时，第五个字节往后是RTP报文。在报文中，从第三行开始才是RTP报文，第一行和第二行都是RTCP报文。从第五个字节0x80开始，就是需要的RTP报文，RTP报文头如图2所示，从左往右开始计算，第一位和第二位，对应V＝2，代表RTSP版本号，第五位到第八位，是0000，也就是0，这代表着CSRC数量是0。也就是说，这段RTP报文，头部长12个字节。从0X60，也就是PT开始，可以得出RTP中的视频编码协议是H264。从第十三个字节开始，是H264编码方案。拿到H264的数据后找到0x7C和0x85，便可以得到一个新的关键帧信息，进入到目标检测环节。

通过安装PaddleX工具链，使用工具链中的PP-PicoDet模型，作为目标检测的模型，其中模型使用ESNet(Enhanced ShuffleNet)作为高精度骨干网络，使得整体检测框架相比于传统使用延迟更低、计算量小、精度更高，拥有更好的鲁棒性，能够更好地适配工业环境下多种边端计算设备环境。在训练中，使用了H-Swish激活函数代替Relu；使用Cosine学习率衰减策略；使用Cycle-EMA；加入一些Crop、Flip、Multi-Scale的数据增强策略进行更稳定的训练过程。最终将关键帧数据输入训练好的模型中，得出检测框的位置与对应的信息值。

在通过PicoDet获得目标检测的位置值后，结合并改进SiamMOT算法，首先添加一个基于区域的孪生跟踪器来建模实例级别的运动，建模以两帧关联图像P^t和P^t+1作为输入，其中已知第时间t帧中的目标检测框集合为再通过PicoDet网络检测输出第时间t+δ帧的目标检测框集合X^t+δ，SiamMOT中的跟踪器将X^t传播到第时间t+δ帧预测生成检测框结果集合/>然后对时间t时目标在时间t+δ时的检测框和预测框进行匹配，从而对所要追踪的目标进行追踪。在追踪时，如下式所示：

追踪输出的结果有两个，其中为预测框，/>是预测框的置信度值，假如该实例在划定区域内是可见的，那么将会产生一个较高的置信度得分，否则相应的置信度得分会较低。追踪过程和传统的孪生单目标追踪相似，多次使用上式便可以实现/>的并行预测。从而完成多帧之间的目标关联。

实现目标的实时追踪后，在已知工业摄像头内参的情况下，对部署的摄像头基于Perspective-n-Points(P-n-P)实现位姿解算，在电力建设施工现场给定若干个已知坐标的3D坐标点，以及其在视频图像中的2D映射投影坐标，求解出追踪目标相对单目摄像头的姿态与位置信息，不断迭代优化，提高精度与鲁棒性。

将上述一系列通过AI视觉解算得出的位姿信息，存储到专门建立的位置信息数据库中保存。

2.单基站UWB的3Dsp-AOA定位

本发明使用自研发的单UWB定位基站装置，接收端使用三天线接收单天线Tag发送的数据包，其中每两根天线之间的间隔距离都为d＝2.08cm。这使得两根天线A₁和A₂对于同一个接收信号从0到l具有不同的路径差p。与此同时基于这个路径差p通过下式可以计算对应的到达角度：

当UWB信号到达不同天线的路径差p>0时，UWB信号到达不同天线的相位(PoA)不同，每根天线的PoA根据CIR计算得出，在接收到信号的包头时，本装置的芯片会产生一个CIR并检测第一个路径的索引，从而便可以解算出第一个路径信标处的相位：

其中，每个I_i都存在一个Q_i对应，代表CIR在第一条路径信标处的虚部。同时所有的天线都共用一个时钟振荡器，由此便可以计算到达的相位差(PDoA)，将β表示为第一个天线的相位和第二个接收天线之间的相位差，通过p＝2π*λ*β将其映射到路径差。通过三根天线每两根之间到达角的解算，可以最终得出携带Tag的待测物体在三维空间的相对距离。

在工业使用中无法避免干扰信号对定位装置造成影响，而人员的运动情况在一定的时间段内是平滑变动的，针对这种情况提出使用指数滑动平均法进行定位数据的滑动滤波：

p_t＝w*x_t+(1-w)*(w*x_t-1+(1-w)*p_t-2)

其中，p_t是预测值，w表示衰减权重，通过现场调试得出，x_t表示观测值，表示递推值。通过指数滤波可以保证数据实时性的同时，对数据进行很好的异常值滤除。

与此同时，将上述3Dsp-AoA解算出来的位置值同样存入上述专门建立的位置信息数据库中保存。

3.数据融合

融合二者定位的结果，即可解算出待定位目标所处的位置。因为工业现场的摄像头往往会存在一定的盲区，因此需要对视觉数据进行判断，待定位的目标是否在存在，如果视觉目标丢失或者不存在，此时系统将完全信赖3Dsp-AOA解算出的位置信息，即此时UWB的置信度权重最大。当AI视觉定位信息正常时，UWB系统因为存在累计误差的影响，即随着时间的增加累计误差会增加。所以随着时间的增加，融合系统对于视觉的置信度逐渐增加、同时对于惯导系统的置信度逐渐减少，如下式所示：

UWB的定位置信度在x时间段内，会随着时间的变化以的斜率进行衰减，直至检测到视觉信息异常时的前一刻，UWB的置信度基本为0，此时系统不再相信惯导的定位结果。当AI视觉定位异常时候，这时候会完全信赖UWB的唯一信息，重复上述流程，从而获取最终的位置信息。

4.基于Bi-LSTM的数据时序异常点校验

由于融合后的位置数据是基于时间和空间的位置信号，相邻的数据在时间和空间上都存在一定的相关性，所以使用深度时序网络Bi-LSTM网络可以对于数据进行时序预测，即模型学习一段时间的工业现场真实的历史数据，然后进行数据预测,通过比对真实值与预测值的偏差来判断是否为异常状态。当系统判断为数据异常时，使用预测值对于异常的位置数据值进行修正。

5.人员安全预警

通过上述的融合定位系统，可以分别得出电力建设施工现场人员与机械的位置信息，针对不同的工作任务，分别对机械与人员的相对位置、不同工种的人员与人员的相对位置进行实时监控并设置相应的预警具体，从而有效避免因为监管疏忽而造成的人员生命健康安全问题。

上列实施过程对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (7)

1.电力建设施工现场三维空间人员安全监控预警方法，其特征在于包括以下步骤：

步骤1：PicoDet+SiamMOT的视觉追踪定位；

步骤2：单基站UWB的3Dsp-AOA定位；

步骤3：数据融合；

步骤4：基于Bi-LSTM的数据时序异常点校验；

步骤5：人员安全预警。

2.根据权利要求1所述的电力建设施工现场三维空间人员安全监控预警方法，其特征在于，所述步骤1具体为：首先通过获取工业摄像头的RTSP流链接，在RTSP协议中第一个字节是0X24，是固定不变的包头，接着第二个字节是0x00/0x01，第三和第四个字节是RTP报文的长度，从第五个字节开始，就是RTP报文；其中，当第二个字节是0x01时，第五个字节往后是RTCP报文；当第二个字节是0x00时，第五个字节往后是RTP报文；在报文中，从第三行开始才是RTP报文，第一行和第二行都是RTCP报文；从第五个字节0x80开始，就是需要的RTP报文，从左往右开始计算，第一位和第二位，对应V＝2，代表RTSP版本号，第五位到第八位，是0000，也就是0，这代表着CSRC数量是0；这段RTP报文，头部长12个字节；从0X60，从PT开始，得出RTP中的视频编码协议是H264；从第十三个字节开始，是H264编码方案；拿到H264的数据后找到0x7C和0x85，便可以得到一个新的关键帧信息，进入到目标检测环节；

通过安装PaddleX工具链，使用工具链中的PP-PicoDet模型，作为目标检测的模型，其中模型使用ESNet作为高精度骨干网络，使得整体检测框架相比于传统使用延迟更低、计算量小、精度更高，拥有更好的鲁棒性，能够更好地适配工业环境下多种边端计算设备环境；在训练中，使用H-Swish激活函数代替Relu；使用Cosine学习率衰减策略；使用Cycle-EMA；加入Crop、Flip、Multi-Scale的数据增强策略进行训练过程；最终将关键帧数据输入训练好的模型中，得出检测框的位置与对应的信息值；

在通过PicoDet获得目标检测的位置值后，结合并改进SiamMOT算法，首先添加一个基于区域的孪生跟踪器来建模实例级别的运动，建模以两帧关联图像P^t和P^t+1作为输入，其中已知第时间t帧中的目标检测框集合为再通过PicoDet网络检测输出第时间t+δ帧的目标检测框集合X^t+δ，SiamMOT中的跟踪器将X^t传播到第时间t+δ帧预测生成检测框结果集合/>然后对时间t时目标在时间t+δ时的检测框和预测框进行匹配，从而对所要追踪的目标进行追踪；在追踪时，如下式所示：

追踪输出的结果有两个，其中为预测框，/>是预测框的置信度值，假如该实例在划定区域内是可见的，那么将会产生一个较高的置信度得分，否则相应的置信度得分会较低；追踪过程和传统的孪生单目标追踪相似，多次使用上式便可以实现/>的并行预测；从而完成多帧之间的目标关联；

实现目标的实时追踪后，在已知工业摄像头内参的情况下，对部署的摄像头基于Perspective-n-Points实现位姿解算，在电力建设施工现场给定若干个已知坐标的3D坐标点，以及其在视频图像中的2D映射投影坐标，求解出追踪目标相对单目摄像头的姿态与位置信息，不断迭代优化，提高精度与鲁棒性；

将通过AI视觉解算得出的位姿信息，存储到专门建立的位置信息数据库中保存。

3.根据权利要求1所述的电力建设施工现场三维空间人员安全监控预警方法，其特征在于，所述步骤2具体为：使用自研发的单UWB定位基站装置，接收端使用三天线接收单天线Tag发送的数据包，其中每两根天线之间的间隔距离都为d＝2.08cm；这使得两根天线A₁和A₂对于同一个接收信号从0到l具有不同的路径差p；与此同时基于这个路径差p通过下式可以计算对应的到达角度：

当UWB信号到达不同天线的路径差p>0时，UWB信号到达不同天线的相位PoA不同，每根天线的PoA根据CIR计算得出，在接收到信号的包头时，本装置的芯片会产生一个CIR并检测第一个路径的索引，从而便可以解算出第一个路径信标处的相位：

其中，每个I_i都存在一个Q_i对应，代表CIR在第一条路径信标处的虚部；同时所有的天线都共用一个时钟振荡器，由此便可以计算到达的相位差PDoA，将β表示为第一个天线的相位和第二个接收天线之间的相位差，通过p＝2π*λ*β将其映射到路径差；通过三根天线每两根之间到达角的解算，最终得出携带Tag的待测物体在三维空间的相对距离；

提出使用指数滑动平均法进行定位数据的滑动滤波：

p_t＝w*x_t+(1-w)*(w*x_t-1+(1-w)*p_t-2)

其中，p_t是预测值，w表示衰减权重，通过现场调试得出，x_t表示观测值，表示递推值；通过指数滤波可以保证数据实时性的同时，对数据进行很好的异常值滤除；

将上述3Dsp-AoA解算出来的位置值同样存入上述专门建立的位置信息数据库中保存。

4.根据权利要求1所述的电力建设施工现场三维空间人员安全监控预警方法，其特征在于，所述步骤3具体为：融合二者定位的结果，即可解算出待定位目标所处的位置；对视觉数据进行判断，待定位的目标是否在存在，如果视觉目标丢失或者不存在，此时系统将完全信赖3Dsp-AOA解算出的位置信息，即此时UWB的置信度权重最大；当AI视觉定位信息正常时，UWB系统因为存在累计误差的影响，即随着时间的增加累计误差会增加；所以随着时间的增加，融合系统对于视觉的置信度逐渐增加、同时对于惯导系统的置信度逐渐减少，如下式所示：

UWB的定位置信度在x时间段内，会随着时间的变化以的斜率进行衰减，直至检测到视觉信息异常时的前一刻，UWB的置信度基本为0，此时系统不再相信惯导的定位结果；当AI视觉定位异常时候，这时候会完全信赖UWB的唯一信息，重复上述流程，从而获取最终的位置信息。

5.根据权利要求1所述的电力建设施工现场三维空间人员安全监控预警方法，其特征在于，所述步骤4具体为：使用深度时序网络Bi-LSTM网络可以对于数据进行时序预测，即模型学习一段时间的工业现场真实的历史数据，然后进行数据预测,通过比对真实值与预测值的偏差来判断是否为异常状态；当系统判断为数据异常时，使用预测值对于异常的位置数据值进行修正。

6.根据权利要求1所述的电力建设施工现场三维空间人员安全监控预警方法，其特征在于，所述步骤5具体为：通过上述的融合定位系统，分别得出电力建设施工现场人员与机械的位置信息，针对不同的工作任务，分别对机械与人员的相对位置、不同工种的人员与人员的相对位置进行实时监控并设置相应的预警具体。

7.电力建设施工现场三维空间人员安全监控预警装置，其特征在于运行如权利要求1至6中任意一项所述的电力建设施工现场三维空间人员安全监控预警方法；

包括单基站UWB-AOA定位模块、基于单摄像头的定位模块以及带图像算力的边缘计算模块；单基站UWB定位模块与边缘计算模块具有低耦合性适应现有工业场景中现有的摄像头模组。