CN117793527B - 云台拍摄的远程控制方法、装置、设备及存储介质 - Google Patents
云台拍摄的远程控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117793527B CN117793527B CN202410214719.9A CN202410214719A CN117793527B CN 117793527 B CN117793527 B CN 117793527B CN 202410214719 A CN202410214719 A CN 202410214719A CN 117793527 B CN117793527 B CN 117793527B
- Authority
- CN
- China
- Prior art keywords
- data
- strategy
- cloud deck
- cloud
- linkage
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 84
- 230000004044 response Effects 0.000 claims description 35
- 238000013433 optimization analysis Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000013486 operation strategy Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 230000001133 acceleration Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明涉及数据处理的技术领域，公开了一种云台拍摄的远程控制方法、装置、设备及存储介质。所述云台拍摄的远程控制方法包括：在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；本发明实现了对一号云台和二号云台的联动操控，并将联动反馈状况信息发送至控制中心进行远程监视与指挥调度，保证了云台系统的高效、精确运行，并为实时决策提供了可靠的数据支持。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种云台拍摄的远程控制方法、装置、设备及存储介质。
背景技术
在视频监控和远程控制领域，云台拍摄设备通常配备有可远程控制的云台，以便操作者可以调整摄像头的指向和焦距。这项技术广泛应用于安全监控、直播事件、远程会议等领域，允许用户远程操控云台进行摄像头角度调整、变焦和聚焦等操作，以便捕捉目标场景。随着技术的发展，对这些云台控制系统的自动化、精准性和智能化水平要求越来越高。
目前，远程云台控制通常实现为单一云台的远程控制，或者在多个云台之间进行简单的联动控制。这些方法可能仅依据简单的指令来操作云台，缺乏对云台性能和操作环境的深入分析，从而无法考虑到复杂的现场情况和多个云台之间的差异性。控制效果常常依赖于操作者的经验和判断，缺少智能化的策略优化。
现有技术的局限性在于难以同时高效精准地控制多个结构和环境不同的云台设备，并且缺少对云台自身性能特征和操作环境特征数据的分析与优化。这限制了云台设备控制的自动化和智能化水平，并可能导致操作效率低下、控制精度不足，尤其是在需要多个云台协同工作时。因此，亟需一种能够智能分析并优化云台操作策略的方法，以实现更高效、精准的远程云台控制。
发明内容
本发明提供了一种云台拍摄的远程控制方法、装置、设备及存储介质，用于解决对多个远程云台的智能化控制的技术问题。
本发明第一方面提供了一种云台拍摄的远程控制方法，所述云台拍摄的远程控制方法包括：
在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；其中，所述一号云台与所述二号云台为设计结构和运行环境不同的云台；
基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；
将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；其中，所述调控策略数据库中提前存储有云台性能特征码集与调控策略数据的对比规则；
根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；其中，所述理想操作指标集为针对一号云台以及二号云台的联合理想操作指标；
获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；其中，所述策略优化分析模型经过提前训练得到；
基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。
可选的，在本发明第一方面的第一种实现方式中，还包括：
在控制中心接收来自远程用户的联动指令信号，针对一号云台进行实时操作状态的数据收集，得到初始数据集；
建立一号云台的操作响应类别和参数标准，并构建多维数据接口；其中，所述多维数据接口用于根据不同操作响应类别引导相应的联动响应参数传输；
在多维数据接口处设置实时监控模块，通过所述实时监控模块实时捕捉并记录一号云台的关键操作数据；其中，所述关键操作数据至少包括时间戳、运行电流、静止状态下电流、关键动作参数；
将采集到的初始数据集以及关键操作数据按照预定的操作响应类型和参数标准划分为不同类别的数据向量组，并将所述数据向量组与预设的联动响应参数进行对比校正，得到校正后的数据向量组；
基于预设的联动响应参数识别算法，创建数据转发指令，通过数据转发指令将校正后的数据向量组传输至远程控制分析系统。
可选的，在本发明第一方面的第二种实现方式中，所述基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集，包括：
获取当前的时间戳信息中的年份以及月份，基于所述年份以及月份，得到对应的目标编码表；
基于所述目标编码表对所述一号云台的运行特征数据集合中的每个运行特征数据进行编码，得到对应的第一编码字符集合；基于所述目标编码表对所述二号云台的运行特征数据集合中的每个运行特征数据进行编码，得到对应的第二编码字符集合；
对第一编码字符集合中的各个字符进行哈希计算，得到对应的第一参数哈希值；将各个第一参数哈希值分别作为一个元素添加在集合中，得到第一参数哈希集合；
对第二编码字符集合的各个字符进行哈希计算，得到对应的第二参数哈希值；将各个第二参数哈希值分别作为一个元素添加在集合中，得到第二参数哈希集合；
基于预设的集合交互算法，将所述第一参数哈希集合与所述第二参数哈希集合进行求交运算，得到云台性能特征码集；其中，数据库中提前存储有所述第一参数哈希集合与所述第二参数哈希集合进行交集计算的规则。
可选的，在本发明第一方面的第三种实现方式中，所述策略优化分析模型的训练过程，包括：
获取用于训练的样本数据集；其中，所述样本数据集包括历史操作记录、环境变量数据、期望的操作结果数据；
获取预设的多级训练网络结构；其中，所述多级训练网络结构包括第一层神经网络和第二层神经网络，所述第一层神经网络包括多层感知机和循环神经网络，所述第二层神经网络包括条件随机场层、第一细粒度策略分析层、第二细粒度策略分析层；
将样本数据集输入至第一层神经网络，提取出样本数据集的时间序列特征，得到初步的决策特征向量集合；
将所述决策特征向量集合输入至第二层神经网络，利用条件随机场和第一细粒度策略分析层，精细定位和提取策略关键点，得到策略关键点向量集合；
提取策略关键点向量集合的第一特征向量和所述初步的决策特征向量集合的第二特征向量，将所述第一特征向量与所述第二特征向量进行拼接，生成拼接特征向量；其中，所述第一特征向量为策略关键点向量集合的主成分向量，所述第二特征向量为所述初步的决策特征向量集合的主成分向量；
将所述拼接特征向量输入至第二层神经网络的第二细粒度策略分析层，确定策略关键结构，并生成综合策略特征表示；
训练包含多级训练网络结构的策略优化模型；其中，所述多级训练网络结构基于综合策略特征表示预测最优化的策略决策；
对策略优化分析模型进行多次迭代优化和微调，直至策略优化分析模型达到预设的性能目标，得到训练后的策略优化分析模型。
可选的，在本发明第一方面的第四种实现方式中，所述目标编码表由标准编码表基于所述年份以及月份重新编码所得。
本发明第二方面提供了一种云台拍摄的远程控制装置，所述云台拍摄的远程控制装置包括：
搜集模块，用于在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；其中，所述一号云台与所述二号云台为设计结构和运行环境不同的云台；
求交运算模块，用于基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；
对比模块，用于将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；其中，所述调控策略数据库中提前存储有云台性能特征码集与调控策略数据的对比规则；
计算模块，用于根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；其中，所述理想操作指标集为针对一号云台以及二号云台的联合理想操作指标；
预测模块，用于获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；其中，所述策略优化分析模型经过提前训练得到的；
发送模块，用于基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。
本发明第三方面提供了一种云台拍摄的远程控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述云台拍摄的远程控制设备执行上述的云台拍摄的远程控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的云台拍摄的远程控制方法。
本发明提供的技术方案中，有益效果：本发明通过在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。本发明通过收集并分析一号云台和二号云台的实时操作状况信息，能够准确获取各云台的运行特征。提升了对云台性能的理解，还有助于精确掌握不同云台在不同环境下的表现。基于集合交互算法处理运行特征数据集合，并与预设的调控策略数据库进行对比，可以有效地筛选出适合两个不同云台的共同起始控制规则。确保了在多云台联动操作中的一致性和协调性，大大提高了联动控制的准确性和稳定性。通过将理想操作指标集与活动参数集输入至经过训练的策略优化分析模型，能够生成优化后的最佳操作策略。不仅考虑了每个云台的特性，还结合了实时的操作环境，实现了高度精准和个性化的控制策略，显著提升了操作效率和效果。实时的联动反馈状况信息的收集和分析进一步确保了远程控制的准确性和实时性。这使得控制中心可以快速响应现场变化，及时调整控制策略，从而在复杂和动态的控制环境中保持高效和稳定的操作表现。
附图说明
图1为本发明实施例中云台拍摄的远程控制方法的一个实施例示意图；
图2为本发明实施例中云台拍摄的远程控制装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种云台拍摄的远程控制方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中云台拍摄的远程控制方法的一个实施例包括：
步骤101、在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；其中，所述一号云台与所述二号云台为设计结构和运行环境不同的云台；
可以理解的是，本发明的执行主体可以为云台拍摄的远程控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，实现步骤101的具体步骤如下：
在控制中心接收来自远程用户的联动指令信号，可以通过建立远程通信连接实现，例如建立TCP/IP连接，接收并解析用户发送的控制指令。
根据所述联动指令信号搜集一号云台的实时操作状况信息，可以通过与一号云台连接的传感器或监控设备获取云台的实时位置、速度、加速度等操作状况信息，得到第一数据。
根据所述联动指令信号搜集二号云台的实时操作状况信息，同样根据与二号云台连接的传感器或监控设备获取云台的实时位置、速度、加速度等操作状况信息，得到第二数据。
对第一数据进行状态分析，得到一号云台的运行特征数据集合，这包括对云台实时数据的处理和分析，例如通过滤波、数据采样、运动轨迹识别等方法得到一号云台的运行特征数据集合。
对第二数据进行状态分析，得到二号云台的运行特征数据集合，同样利用相同的分析方法对二号云台的实时数据进行处理和分析，得到二号云台的运行特征数据集合。
一号云台和二号云台在本实施例中是指具有不同设计结构和运行环境的两种类型的设备，一号云台和二号云台运行特征数据集合包括但不限于实时位置、速度、加速度、运动轨迹等信息。通过采集一号云台和二号云台的实时操作状况信息并进行状态分析，可以得到它们各自的运行特征数据集合。这些数据集合反映了每个云台的运动、位置、负载等特征。两个云台之间的区别主要体现在它们的运行特征数据集合中。两个云台之间的区别源自它们的设计差异、制造差异或使用环境差异。通过对这些数据进行分析，可以帮助确定两个云台各自的特点和性能特征，进而为它们制定个性化的控制策略，优化联动控制，并最终提高系统的整体性能。
步骤102、基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；
具体的，实现步骤102的具体步骤如下：
首先，对一号云台的运行特征数据集合和二号云台的运行特征数据集合进行处理，将其转化为数学集合模型。例如，将云台的位置、速度、加速度等数据用数学表示方式进行编码，如向量、矩阵等。
其次，结合已经预设的集合交互算法，进行集合的交互运算。例如，可以采用基于数学集合论的交集运算，将一号云台和二号云台的运行特征数据集合进行交集计算，得到云台性能特征码集。
云台性能特征码集包含了一号云台和二号云台共同的特征数据，共同的特征数据反映了两者的运行状态的交集部分，包括但不限于位置、速度、加速度等特征码信息。
步骤103、将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；其中，所述调控策略数据库中提前存储有云台性能特征码集与调控策略数据的对比规则；
具体的，实现步骤103的具体步骤如下：
读取云台性能特征码集，其中包含了一号云台和二号云台的共同特征。然后，读取预设的调控策略数据库，该数据库中提前存储有云台性能特征码集与调控策略数据的对比规则。
将云台性能特征码集与预设的调控策略数据库进行对比。对比过程中，可采用数据库查询的方式，根据云台性能特征码集中的特征数据，匹配调控策略数据库中的规则信息，以识别适用于当前云台状态的起始控制规则集。
在对比过程中，可以使用数据库查询语言（如SQL）或其他相应的数据查询和匹配技术，以高效地从调控策略数据库中检索符合当前云台性能特征码集的调控策略数据。
筛选出一号云台和二号云台的共同的起始控制规则集，这些控制规则是根据云台性能特征码集与调控策略数据库对比得到的，能够适用于两者共同的运行状态特征。
所述将云台性能特征码集与预设的调控策略数据库进行对比的具体步骤，包括：
数据库查询：使用结构化查询语言（SQL）或类似的数据库查询语言，根据云台性能特征码集中的特征数据作为查询条件，从调控策略数据库中检索符合条件的调控策略数据。例如，可以使用SQL语句编写查询，如SELECT * FROM 控制策略 WHERE 特征1 = '值1'AND 特征2 = '值2'，以此类推。
数据匹配：将从数据库中检索到的调控策略数据与云台性能特征码集进行匹配。这涉及比较特定字段或属性，例如匹配性能特征码集中的云台参数值与数据库中的预设参数，并检查它们是否满足特定的对比规则。
制定匹配规则：在程序中制定具体的匹配规则，例如使用条件语句或搜索算法来检查云台性能特征码集中的数据是否符合预设的调控策略数据库中的规则。这涉及数值比较、模式匹配、或者其他逻辑运算。
结果筛选：根据匹配结果筛选出适用于当前云台状态的起始控制规则集。可以根据匹配的数据项或者匹配规则的优先级，对数据库中的调控策略数据进行筛选，以选择出最适合的控制规则。
实时调整：考虑引入实时调整机制，可以动态调整匹配后的控制规则集，以适应实时获取的云台性能特征码集和环境变化。
步骤104、根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；其中，所述理想操作指标集为针对一号云台以及二号云台的联合理想操作指标；
具体的，实现步骤104的具体步骤如下：
联合理想操作指标集：首先，根据起始控制规则集的计算结果，确定针对一号云台和二号云台的联合理想操作指标集。这个集合将包括针对云台姿态、速度、加速度、稳定性等方面的理想操作状态指标，此指标是结合了一号和二号云台的操作状态信息，并且提供了两者协同工作的理想操作状态。
联合理想操作指标计算：基于起始控制规则集的结果和联合理想操作指标集的定义，利用数学建模和控制理论，计算出一号云台和二号云台实际工作状态与理想操作状态之间的差距，进而得出实时的联合理想操作指标。这涉及到姿态控制理论、多体动力学模型、最优控制理论等相关理论和算法。
优化算法：针对得到的实际操作状态与理想操作指标之间的差距，可以采用优化算法，如PID控制器、模糊逻辑控制器、模型预测控制器等，来实现对一号云台和二号云台的工作参数进行实时调整，以逼近联合理想操作指标，并提高系统的稳定性和性能。
实时调整：在实际操作过程中，需要考虑引入实时调整机制，使系统可以动态调整云台工作参数，并根据实时获取的姿态、速度和环境变化实时更新联合理想操作指标，以适应实际运行中的变化和新情况。
步骤105、获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；其中，所述策略优化分析模型经过提前训练得到；
具体的，实现步骤105的具体步骤如下：
活动参数获取：从一号和二号云台的传感器（如陀螺仪、加速度计等）中实时获取姿态、角速度、加速度等活动参数数据。这些参数代表了云台当前的实际运动状态和工作环境的变化，可以通过相关信号处理和滤波技术对数据进行预处理，提取出有效的活动参数集。
策略优化分析模型输入：将提取的活动参数集分别输入至预先训练好的策略优化分析模型。该模型可能是基于深度学习、强化学习、或者机器学习等技术构建的，能够对输入的活动参数进行深度分析，并预测最佳的操作策略。
理想操作指标集输入：同时，将步骤104中计算得到的理想操作指标集作为模型的输入之一，用以评价和纠正模型预测的操作策略。
优化后的最佳操作策略：经过深度分析和预测，策略优化分析模型将会预测得到优化后的最佳操作策略，以实现一号和二号云台的理想工作状态。这些操作策略可能包括姿态调整、运动轨迹规划、以及实时动态调整控制参数等。
步骤106、基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。
具体的，实现步骤106的具体步骤如下：
最佳操作策略执行：根据步骤105中得到的最佳操作策略，通过控制指令和控制算法对一号云台和二号云台进行联动操控。这可能涉及到动态轨迹规划、协同控制算法等，确保两个云台协同工作以实现理想的运动状态。
联动反馈状况信息获取：利用传感器、监控设备等实时获取一号云台和二号云台的联动反馈状况信息，包括姿态、速度、加速度、稳定性等参数的实时数据。这些信息可以通过数据融合算法整合成为完整的联动反馈状况信息。
远程监视与指挥调度：将所获取的联动反馈状况信息发送至控制中心，通过通信网络实现远程监视与指挥调度。控制中心可以对云台的运动状态进行实时监测，根据反馈信息评估系统的工作状态，及时做出调度决策。
实时通信与响应：控制中心通过实时通信网络向云台发送指令，对联动运动进行调整，并根据反馈信息及时更新操作指令，实现对云台系统的远程实时响应和控制。
本发明实施例中云台拍摄的远程控制方法的另一个实施例包括：
在控制中心接收来自远程用户的联动指令信号，针对一号云台进行实时操作状态的数据收集，得到初始数据集；
建立一号云台的操作响应类别和参数标准，并构建多维数据接口；其中，所述多维数据接口用于根据不同操作响应类别引导相应的联动响应参数传输；
在多维数据接口处设置实时监控模块，通过所述实时监控模块实时捕捉并记录一号云台的关键操作数据；其中，所述关键操作数据至少包括时间戳、运行电流、静止状态下电流、关键动作参数；
将采集到的初始数据集以及关键操作数据按照预定的操作响应类型和参数标准划分为不同类别的数据向量组，并将所述数据向量组与预设的联动响应参数进行对比校正，得到校正后的数据向量组；
基于预设的联动响应参数识别算法，创建数据转发指令，通过数据转发指令将校正后的数据向量组传输至远程控制分析系统。
具体的，重要术语解释：
远程控制方法：指通过网络或其他远程通信方式，对一号云台进行实时操作状态的数据收集、处理和传输的方法。
联动指令信号：由远程用户发送的指令信号，用于指示一号云台执行相应的操作。
操作响应类别和参数标准：针对一号云台的操作响应类型和参数设定的标准，用于构建多维数据接口和数据向量组。
多维数据接口：用于根据不同操作响应类别引导相应的联动响应参数传输的接口。
实时监控模块：用于实时捕捉并记录一号云台的关键操作数据的模块，确保关键操作数据的时效性和准确性。
操作响应类型和参数标准划分：根据预定标准将采集到的初始数据集和关键操作数据分组的过程。
数据向量组：根据操作响应类型和参数标准划分得到的数据向量组，用于与预设的联动响应参数进行对比校正。
数据转发指令：基于预设的联动响应参数识别算法创建的指令，用于将校正后的数据向量组传输至远程控制分析系统。
应用场景：该技术方案适用于需要远程控制一号云台，实时捕捉和传输操作数据，并进行联动响应的场景，例如监控摄像系统、无人机控制系统等领域。
在实施远程控制方法的步骤中，包括以下过程：
在控制中心接收来自远程用户的联动指令信号，该信号用于指示一号云台执行相应操作。
针对一号云台进行实时操作状态的数据收集，得到初始数据集，并建立一号云台的操作响应类别和参数标准，构建多维数据接口。
设置实时监控模块，用于实时捕捉并记录一号云台的关键操作数据，包括时间戳、运行电流、静止状态下电流、关键动作参数。
将采集到的初始数据集以及关键操作数据按照预定的操作响应类型和参数标准划分为不同类别的数据向量组，并将数据向量组与预设的联动响应参数进行对比校正，得到校正后的数据向量组。
基于预设的联动响应参数识别算法，创建数据转发指令，并将校正后的数据向量组通过数据转发指令传输至远程控制分析系统。
本发明实施例中，有益效果：通过该技术方案，实现了远程对一号云台的实时控制和联动响应，并且可以实时捕捉和记录关键操作数据，提高了远程控制的精准度和实时性。同时，通过对数据向量组的对比校正和传输，确保了远程控制的准确性和稳定性。这有助于提高远程控制系统的应用范围和用户体验。
本发明实施例中云台拍摄的远程控制方法的另一个实施例包括：
所述基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集，包括：
获取当前的时间戳信息中的年份以及月份，基于所述年份以及月份，得到对应的目标编码表；
基于所述目标编码表对所述一号云台的运行特征数据集合中的每个运行特征数据进行编码，得到对应的第一编码字符集合；基于所述目标编码表对所述二号云台的运行特征数据集合中的每个运行特征数据进行编码，得到对应的第二编码字符集合；
对第一编码字符集合中的各个字符进行哈希计算，得到对应的第一参数哈希值；将各个第一参数哈希值分别作为一个元素添加在集合中，得到第一参数哈希集合；
对第二编码字符集合的各个字符进行哈希计算，得到对应的第二参数哈希值；将各个第二参数哈希值分别作为一个元素添加在集合中，得到第二参数哈希集合；
基于预设的集合交互算法，将所述第一参数哈希集合与所述第二参数哈希集合进行求交运算，得到云台性能特征码集；其中，数据库中提前存储有所述第一参数哈希集合与所述第二参数哈希集合进行交集计算的规则。
具体的，重要术语解释：
集合交互算法：用于计算两个数据集合之间交集的算法，即求出两个集合中相同元素的过程。
运行特征数据集合：指云台在运行过程中所产生的特征数据的集合，包括各种参数、状态信息等。
特征码集：由运行特征数据集合求得的表示云台性能特征的编码集合。
目标编码表：根据年份和月份得到的编码表，用于对运行特征数据进行编码。
哈希值：由数据经过哈希计算得到的固定长度的字符串，用于快速对比和检索数据。
应用场景：该技术方案适用于需要对不同云台的性能特征进行比较和匹配的场景，例如在工业自动化领域中，对多台设备的性能进行评估和匹配。
在实施集合交互算法的步骤中，包括以下过程：
获取当前的时间戳信息中的年份以及月份，得到对应的目标编码表。
根据目标编码表，对一号云台和二号云台的运行特征数据集合进行编码，得到第一编码字符集合和第二编码字符集合。
对第一编码字符集合中的每个字符进行哈希计算，得到第一参数哈希值，将其添加到第一参数哈希集合中。
对第二编码字符集合中的每个字符进行哈希计算，得到第二参数哈希值，将其添加到第二参数哈希集合中。
使用预设的集合交互算法，对第一参数哈希集合和第二参数哈希集合进行求交运算，得到云台性能特征码集。
本发明实施例中，有益效果：通过该技术方案，可以对一号云台和二号云台的运行特征数据进行编码和哈希计算，快速得到云台性能特征码集，实现了对不同云台性能特征的匹配和对比。这有助于对不同设备的性能进行量化评估和匹配，提高了设备选型的准确性和效率。同时，通过提前存储交集计算规则，可加快计算速度并提高系统的响应速度。
本发明实施例中云台拍摄的远程控制方法的另一个实施例包括：
所述策略优化分析模型的训练过程，包括：
获取用于训练的样本数据集；其中，所述样本数据集包括历史操作记录、环境变量数据、期望的操作结果数据；
获取预设的多级训练网络结构；其中，所述多级训练网络结构包括第一层神经网络和第二层神经网络，所述第一层神经网络包括多层感知机和循环神经网络，所述第二层神经网络包括条件随机场层、第一细粒度策略分析层、第二细粒度策略分析层；
将样本数据集输入至第一层神经网络，提取出样本数据集的时间序列特征，得到初步的决策特征向量集合；
将所述决策特征向量集合输入至第二层神经网络，利用条件随机场和第一细粒度策略分析层，精细定位和提取策略关键点，得到策略关键点向量集合；
提取策略关键点向量集合的第一特征向量和所述初步的决策特征向量集合的第二特征向量，将所述第一特征向量与所述第二特征向量进行拼接，生成拼接特征向量；其中，所述第一特征向量为策略关键点向量集合的主成分向量，所述第二特征向量为所述初步的决策特征向量集合的主成分向量；
将所述拼接特征向量输入至第二层神经网络的第二细粒度策略分析层，确定策略关键结构，并生成综合策略特征表示；
训练包含多级训练网络结构的策略优化模型；其中，所述多级训练网络结构基于综合策略特征表示预测最优化的策略决策；
对策略优化分析模型进行多次迭代优化和微调，直至策略优化分析模型达到预设的性能目标，得到训练后的策略优化分析模型。
具体的，重要术语解释：
策略优化分析模型：用于对历史操作记录、环境变量数据以及期望的操作结果数据进行分析和优化的模型，以提高决策的准确性和效率。
多级训练网络结构：包括第一层神经网络和第二层神经网络，用于提取样本数据特征并进行精细的策略分析。
条件随机场：一种用于对序列数据进行建模和分类的监督学习方法，常用于对文本和时间序列数据进行分析。
细粒度策略分析层：利用神经网络等技术对策略进行详细的分析和优化的网络层。
主成分向量：对数据进行降维处理后得到的主要特征向量，用于描述数据的主要特征。
应用场景：该技术方案适用于金融领域、工业控制领域或其他需要进行复杂策略分析和优化的领域，例如股票交易策略优化、智能制造中的工艺优化等。
在实施策略优化分析模型的过程中，包括以下步骤：
获取历史操作记录、环境变量数据、期望的操作结果数据作为样本数据集。
设定多级训练网络结构，包括第一层神经网络（多层感知机和循环神经网络）和第二层神经网络（条件随机场层、第一细粒度策略分析层、第二细粒度策略分析层）。
将样本数据集输入至第一层神经网络，提取出时间序列特征，得到初步的决策特征向量。
将决策特征向量输入至第二层神经网络，利用条件随机场和第一细粒度策略分析层，精细定位和提取策略关键点，得到策略关键点向量集合。
提取策略关键点向量的主成分向量和初步决策特征向量的主成分向量，拼接生成特征向量。
将拼接特征向量输入至第二层神经网络的第二细粒度策略分析层，确定策略关键结构，并生成综合策略特征表示。
训练包含多级训练网络结构的策略优化模型，以预测最优化的策略决策。
对策略优化分析模型进行多次迭代优化和微调，直至达到预设的性能目标，得到训练后的策略优化分析模型。
本发明实施例中，有益效果：通过该技术方案，能够有效提取样本数据特征、进行精细的策略分析和优化。采用多级训练网络结构，能够充分挖掘数据的特征，提高模型对复杂策略的理解和判断能力。并通过多次迭代优化和微调，可以使模型达到更高的性能目标。该技术方案有助于提高策略优化分析的准确性和效率，为决策提供更可靠的依据。
本发明实施例中云台拍摄的远程控制方法的另一个实施例包括：所述目标编码表由标准编码表基于所述年份以及月份重新编码所得。
具体的，包括：
定义一个标准编码表作为初始的字符到代码的映射基准；
获取当前系统的年份和月份，并将当前系统的年份和月份转换为数值型格式；
基于所述数值型格式，运行一个预设的编码生成算法；其中，编码生成算法将所述数值型格式作为参数，并生成一个按月份变化的动态目标编码表，每个年月组合都生成一个唯一的目标编码表；
基于所述目标编码表对数据进行编码，得到编码后的数据；
将所述编码后的数据进行存储或传输。
可以采用以下步骤：
获取当前年份和月份，将年份和月份转换成整数型数值；例如2023年3月将转换为整数202303。
设计一个编码生成算法，该算法输入为步骤1所获取的整数型数值，输出为标准编码表的一个变体。这个算法需要保证每个可能的年月组合都对应一个唯一的新编码表。
编码生成算法可以结合多种技术，例如：使用输入的年月数值作为随机数种子，对标准编码表中的字符进行洗牌（Shuffle）操作；或者使用一个复合函数，将年月数值和标准编码表中的索引值相结合，生成新的编码值。
编制一个新的目标编码表，其映射规则由编码生成算法制定，且每一个字符或者代码均有对应的新编码结果。
使用这个动态生成的目标编码表对需要加密的数据进行编码，用于后续的传输或者存储。
本发明实施例中，有益效果：本发明实施例为编码表的变化与时间直接相关，且每个月都在变化，使得即便攻击者获得了当前使用的编码表，到了下一个月份这个编码表就会变为无效，大大提升了长期的数据安全性。基于动态生成编码表的概念，为数据的安全编码提供了一套方法和系统，可以有效地提高数据的安全性和保密性，使得每个月都会根据时间自动调整编码方式，提高对外部攻击的抵御能力。
上面对本发明实施例中云台拍摄的远程控制方法进行了描述，下面对本发明实施例中云台拍摄的远程控制装置进行描述，请参阅图2，本发明实施例中云台拍摄的远程控制装置一个实施例包括：
搜集模块，用于在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；其中，所述一号云台与所述二号云台为设计结构和运行环境不同的云台；
求交运算模块，用于基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；
对比模块，用于将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；其中，所述调控策略数据库中提前存储有云台性能特征码集与调控策略数据的对比规则；
计算模块，用于根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；其中，所述理想操作指标集为针对一号云台以及二号云台的联合理想操作指标；
预测模块，用于获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；其中，所述策略优化分析模型经过提前训练得到的；
发送模块，用于基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。
本发明还提供一种云台拍摄的远程控制设备，所述云台拍摄的远程控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述云台拍摄的远程控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述云台拍摄的远程控制方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种云台拍摄的远程控制方法，其特征在于，包括以下步骤：
在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；其中，所述一号云台与所述二号云台为设计结构和运行环境不同的云台；
基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；
将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；其中，所述调控策略数据库中提前存储有云台性能特征码集与调控策略数据的对比规则；
根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；其中，所述理想操作指标集为针对一号云台以及二号云台的联合理想操作指标；
获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；其中，所述策略优化分析模型经过提前训练得到；
基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。
2.根据权利要求1所述的云台拍摄的远程控制方法，其特征在于，还包括：
在控制中心接收来自远程用户的联动指令信号，针对一号云台进行实时操作状态的数据收集，得到初始数据集；
建立一号云台的操作响应类别和参数标准，并构建多维数据接口；其中，所述多维数据接口用于根据不同操作响应类别引导相应的联动响应参数传输；
在多维数据接口处设置实时监控模块，通过所述实时监控模块实时捕捉并记录一号云台的关键操作数据；其中，所述关键操作数据至少包括时间戳、运行电流、静止状态下电流、关键动作参数；
将采集到的初始数据集以及关键操作数据按照预定的操作响应类型和参数标准划分为不同类别的数据向量组，并将所述数据向量组与预设的联动响应参数进行对比校正，得到校正后的数据向量组；
基于预设的联动响应参数识别算法，创建数据转发指令，通过数据转发指令将校正后的数据向量组传输至远程控制分析系统。
3.根据权利要求1所述的云台拍摄的远程控制方法，其特征在于，所述基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集，包括：
获取当前的时间戳信息中的年份以及月份，基于所述年份以及月份，得到对应的目标编码表；
基于所述目标编码表对所述一号云台的运行特征数据集合中的每个运行特征数据进行编码，得到对应的第一编码字符集合；基于所述目标编码表对所述二号云台的运行特征数据集合中的每个运行特征数据进行编码，得到对应的第二编码字符集合；
对第一编码字符集合中的各个字符进行哈希计算，得到对应的第一参数哈希值；将各个第一参数哈希值分别作为一个元素添加在集合中，得到第一参数哈希集合；
对第二编码字符集合的各个字符进行哈希计算，得到对应的第二参数哈希值；将各个第二参数哈希值分别作为一个元素添加在集合中，得到第二参数哈希集合；
基于预设的集合交互算法，将所述第一参数哈希集合与所述第二参数哈希集合进行求交运算，得到云台性能特征码集；其中，数据库中提前存储有所述第一参数哈希集合与所述第二参数哈希集合进行交集计算的规则。
4.根据权利要求1所述的云台拍摄的远程控制方法，其特征在于，所述策略优化分析模型的训练过程，包括：
获取用于训练的样本数据集；其中，所述样本数据集包括历史操作记录、环境变量数据、期望的操作结果数据；
获取预设的多级训练网络结构；其中，所述多级训练网络结构包括第一层神经网络和第二层神经网络，所述第一层神经网络包括多层感知机和循环神经网络，所述第二层神经网络包括条件随机场层、第一细粒度策略分析层、第二细粒度策略分析层；
将样本数据集输入至第一层神经网络，提取出样本数据集的时间序列特征，得到初步的决策特征向量集合；
将所述决策特征向量集合输入至第二层神经网络，利用条件随机场和第一细粒度策略分析层，精细定位和提取策略关键点，得到策略关键点向量集合；
提取策略关键点向量集合的第一特征向量和所述初步的决策特征向量集合的第二特征向量，将所述第一特征向量与所述第二特征向量进行拼接，生成拼接特征向量；其中，所述第一特征向量为策略关键点向量集合的主成分向量，所述第二特征向量为所述初步的决策特征向量集合的主成分向量；
将所述拼接特征向量输入至第二层神经网络的第二细粒度策略分析层，确定策略关键结构，并生成综合策略特征表示；
训练包含多级训练网络结构的策略优化模型；其中，所述多级训练网络结构基于综合策略特征表示预测最优化的策略决策；
对策略优化分析模型进行多次迭代优化和微调，直至策略优化分析模型达到预设的性能目标，得到训练后的策略优化分析模型。
5.根据权利要求3所述的云台拍摄的远程控制方法，其特征在于，所述目标编码表由标准编码表基于所述年份以及月份重新编码所得。
6.一种云台拍摄的远程控制装置，其特征在于，所述云台拍摄的远程控制装置包括：
搜集模块，用于在控制中心接收来自远程用户的联动指令信号，并根据所述联动指令信号搜集一号云台的实时操作状况信息，得到第一数据；根据所述联动指令信号搜集二号云台的实时操作状况信息，得到第二数据；对第一数据进行状态分析，得到一号云台的运行特征数据集合；对第二数据进行状态分析，得到二号云台的运行特征数据集合；其中，所述一号云台与所述二号云台为设计结构和运行环境不同的云台；
求交运算模块，用于基于预设的集合交互算法，将所述一号云台的运行特征数据集合与所述二号云台的运行特征数据集合进行求交运算，得到云台性能特征码集；
对比模块，用于将云台性能特征码集与预设的调控策略数据库进行对比，筛选出一号云台和二号云台的共同的起始控制规则集；其中，所述调控策略数据库中提前存储有云台性能特征码集与调控策略数据的对比规则；
计算模块，用于根据所述共同的起始控制规则集，计算出一号云台及二号云台的理想操作指标集；其中，所述理想操作指标集为针对一号云台以及二号云台的联合理想操作指标；
预测模块，用于获取一号云台和二号云台的活动参数集，并将理想操作指标集以及活动参数集分别输入至训练后的策略优化分析模型进行深度分析，预测得到优化后的最佳操作策略；其中，所述策略优化分析模型经过提前训练得到的；
发送模块，用于基于所述最佳操作策略，对一号云台和二号云台进行联动操控，并实时获取一号云台和二号云台的联动反馈状况信息，并将所述联动反馈状况信息发送至控制中心进行远程监视与指挥调度。
7.一种云台拍摄的远程控制设备，其特征在于，所述云台拍摄的远程控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述云台拍摄的远程控制设备执行如权利要求1-5中任一项所述的云台拍摄的远程控制方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的云台拍摄的远程控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410214719.9A CN117793527B (zh) | 2024-02-27 | 2024-02-27 | 云台拍摄的远程控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410214719.9A CN117793527B (zh) | 2024-02-27 | 2024-02-27 | 云台拍摄的远程控制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117793527A CN117793527A (zh) | 2024-03-29 |
| CN117793527B true CN117793527B (zh) | 2024-04-30 |
Family
ID=90402147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410214719.9A Active CN117793527B (zh) | 2024-02-27 | 2024-02-27 | 云台拍摄的远程控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117793527B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005167798A (ja) * | 2003-12-04 | 2005-06-23 | Canon Inc | 遠隔機器の電源状態変化に連動するカメラ制御及び通知システム |
| CN102043964A (zh) * | 2010-12-30 | 2011-05-04 | 复旦大学 | 基于云台摄像头的飞行器起降跟踪算法及跟踪系统 |
| WO2016172271A1 (en) * | 2015-04-20 | 2016-10-27 | Eaton Corporation | Method to reduce electromagnetic interference in switching circuit applications |
| CN115174767A (zh) * | 2022-05-27 | 2022-10-11 | 青岛海尔科技有限公司 | 视频的录制方法、边缘设备、监控系统及存储介质 |
-
2024
- 2024-02-27 CN CN202410214719.9A patent/CN117793527B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005167798A (ja) * | 2003-12-04 | 2005-06-23 | Canon Inc | 遠隔機器の電源状態変化に連動するカメラ制御及び通知システム |
| CN102043964A (zh) * | 2010-12-30 | 2011-05-04 | 复旦大学 | 基于云台摄像头的飞行器起降跟踪算法及跟踪系统 |
| WO2016172271A1 (en) * | 2015-04-20 | 2016-10-27 | Eaton Corporation | Method to reduce electromagnetic interference in switching circuit applications |
| CN115174767A (zh) * | 2022-05-27 | 2022-10-11 | 青岛海尔科技有限公司 | 视频的录制方法、边缘设备、监控系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117793527A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Antsaklis | Intelligent control | |
| CN106383916B (zh) | 基于工业设备预测性维护的数据处理方法 | |
| CN116881744B (zh) | 一种基于物联网的运维数据分发方法、装置、设备及介质 | |
| CN111260082B (zh) | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 | |
| CN117220920A (zh) | 基于人工智能的防火墙策略管理方法 | |
| Araujo | Prune-able fuzzy ART neural architecture for robot map learning and navigation in dynamic environments | |
| CN117793527B (zh) | 云台拍摄的远程控制方法、装置、设备及存储介质 | |
| Zhang et al. | Adjacency constraint for efficient hierarchical reinforcement learning | |
| CN117495205B (zh) | 一种工业互联网实验系统及方法 | |
| Shafiq et al. | Designing intelligent factory: Conceptual framework and empirical validation | |
| Chaturvedi et al. | Supporting complex real-time decision making through machine learning | |
| KR20220014744A (ko) | 강화 학습을 기반으로 한 데이터 전처리 시스템 및 방법 | |
| Perner | Case-based reasoning–methods, techniques, and applications | |
| CN112511519A (zh) | 一种基于特征选择算法的网络入侵检测方法 | |
| Yu et al. | Network security monitoring method based on deep learning | |
| CN114417739A (zh) | 一种异常工况的工艺参数推荐方法及装置 | |
| Bento et al. | An Overview Of The Latest Machine Learning Trends In Short-Term Load Forecasting | |
| Muliukha et al. | Anomaly Detection Approach in Cyber Security for User and Entity Behavior Analytics System. | |
| CN114047729B (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
| Li et al. | C3PO: Database and benchmark for early-stage malicious activity detection in 3D printing | |
| Yuan et al. | Method of robot episode cognition based on hippocampus mechanism | |
| Chatterjee | Process Automation to Autonomous Process in Cement Manufacturing: Basics of Transformational Approach | |
| CN115712614B (zh) | 基于数据传输流控制的信息处理方法及系统 | |
| DE102022119202A1 (de) | Verfahren und System zur Koordination kollaborativer Roboter mit Nutzlast-/Ladungs-/Prioritätsbewusstsein sowie kollaborativer Roboter | |
| Fusco et al. | Benchmarking nonlinear model predictive control with input parameterizations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |