WO2020087372A1 - 撞击物识别方法、系统及存储介质 - Google Patents

撞击物识别方法、系统及存储介质 Download PDF

Info

Publication number
WO2020087372A1
WO2020087372A1 PCT/CN2018/113125 CN2018113125W WO2020087372A1 WO 2020087372 A1 WO2020087372 A1 WO 2020087372A1 CN 2018113125 W CN2018113125 W CN 2018113125W WO 2020087372 A1 WO2020087372 A1 WO 2020087372A1
Authority
WO
WIPO (PCT)
Prior art keywords
impact
intensity signal
frequency spectrum
spectrum corresponding
frequency
Prior art date
Application number
PCT/CN2018/113125
Other languages
English (en)
French (fr)
Inventor
陈俊儒
杨川
Original Assignee
深圳市大疆创新科技有限公司
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 深圳市大疆创新科技有限公司 filed Critical 深圳市大疆创新科技有限公司
Priority to PCT/CN2018/113125 priority Critical patent/WO2020087372A1/zh
Priority to CN201880072751.0A priority patent/CN111356508A/zh
Publication of WO2020087372A1 publication Critical patent/WO2020087372A1/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F9/00—Games not otherwise provided for
    • A63F9/02—Shooting or hurling games
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

一种撞击物识别方法、系统及存储介质。该方法通过获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，在频域上对该撞击强度信号进行分析，得到该撞击强度信号对应的频谱。由于不同类型的撞击物撞击到可移动机器人时，传感器产生的撞击强度信号对应的频谱不同，同一撞击物撞击到可移动机器人不同位置时，传感器产生的撞击强度信号对应的频谱也不同，因此，根据该频谱中的多个频点，可准确的确定出该撞击物的类型和/或撞击位置。特别是当高速的小弹丸和低速的大弹丸撞击到可移动机器人的装甲面板时，装甲面板受到的撞击力强度可能很接近，但是传感器产生的撞击强度信号的频谱不同，因此，可以通过频谱中的多个频点准确识别小弹丸和大弹丸。

Description

撞击物识别方法、系统及存储介质 技术领域
本发明实施例涉及可移动机器人领域，尤其涉及一种撞击物识别方法、系统及存储介质。
背景技术
在可移动机器人比赛中，可移动机器人能够通过发射弹丸以击中其他可移动机器人，或者，该可移动机器人也有可能被其他可移动机器人发射的弹丸所击中。
通常的可移动机器人比赛中存在两种尺寸的弹丸，一种是大弹丸，例如42MM的大弹丸，另一种是小弹丸，例如17MM的小弹丸。现有技术通过两种不同弹丸在撞击到可移动机器人装甲板时产生的压力不同，对该两种不同弹丸进行区分。
但是，低速的大弹丸和高速的小弹丸在撞击到可移动机器人装甲板时产生的压力相差不大，从而导致无法对大弹丸和小弹丸进行准确的识别。
发明内容
本发明实施例提供一种撞击物识别方法、系统及存储介质，以准确识别撞击物的类型和/或撞击位置，特别是准确识别高速的小弹丸和低速的大弹丸。
本发明实施例的第一方面是提供一种撞击物识别方法，所述方法包括：
获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，所述传感器用于感测所述可移动机器人接受到的撞击强度；
在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；
根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
本发明实施例的第二方面是提供一种撞击物识别系统，该系统包括： 传感器和处理器；
所述传感器用于感测可移动机器人接受到的撞击强度；
所述处理器，与所述传感器通信连接，用于执行以下操作：
获取撞击物撞击到所述可移动机器人时所述传感器产生的撞击强度信号；
在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；
根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
本发明实施例的第三方面是提供一种可移动机器人，包括：
机身；
移动装置，与所述机身连接，用于提供所述机身移动的动力；以及
如第二方面所述的撞击物识别系统。
本发明实施例的第四方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的方法。
本实施例提供的撞击物识别方法、系统及存储介质，通过获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，在频域上对该撞击强度信号进行分析，得到该撞击强度信号对应的频谱。由于不同类型的撞击物撞击到可移动机器人时，传感器产生的撞击强度信号对应的频谱不同，同一撞击物撞击到可移动机器人不同位置时，传感器产生的撞击强度信号对应的频谱也不同，因此，根据该频谱中的多个频点，可准确的确定出该撞击物的类型和/或撞击位置。特别是当高速的小弹丸和低速的大弹丸撞击到可移动机器人的装甲面板时，装甲面板受到的撞击力强度可能很接近，从而无法准确区分高速的小弹丸和低速的大弹丸，但是，与该装甲面板连接的传感器产生的撞击强度信号的频谱不同，因此，可以通过频谱中的多个频点准确识别小弹丸和大弹丸。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述 中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种可移动机器人的示意图；
图2为本发明实施例提供的一种装甲面板的示意图；
图3为本发明实施例提供的撞击物识别方法的流程图；
图4为本发明实施例提供的撞击强度信号的示意图；
图5为本发明实施例提供的撞击强度信号的频谱的示意图；
图6为本发明实施例提供的对撞击强度信号采样的示意图；
图7为本发明实施例提供的撞击强度信号的频谱的示意图；
图8为本发明另一实施例提供的撞击物识别方法的流程图；
图9为本发明实施例提供的撞击物识别系统的结构图。
附图标记：
10：发射装置；    11：装甲面板；     12：可移动机器人的主体；
13：机身；      14：移动装置；     21：底壳；
22：传感器；           23：击打面板；       24：击打表面；
90：撞击物识别系统；    91：传感器；     92：处理器。
具体实施方式
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地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的 和所有的组合。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供一种可移动机器人的示意图，10表示可移动机器人的发射装置，该发射装置可用于发射弹丸，11表示可移动机器人的装甲面板，在可移动机器人比赛中，多个可移动机器人可相互射击，某个可移动机器人可以发射弹丸以击中其他可移动机器人，该可移动机器人也有可能被其他可移动机器人发射的弹丸所击中，例如，其他可移动机器人发射的弹丸撞击到该可移动机器人的装甲面板11上。装甲面板11可设置在可移动机器人的主体12的正前方、后方、左侧、右侧中的至少一个方向的外表面上，或者，装甲面板11可环绕设置于可移动机器人的主体12的外周表面。
如图2所示，装甲面板11包括底壳21、传感器22和击打面板23。其中，底壳21和击打面板23通过传感器22固定连接，24表示击打面板23的击打表面。在一些实施例中，该传感器22还可以设置在击打面板23远离击打表面24的一个表面的中部、边缘的多个角落中的一处或多处上。本实施例并不限定传感器22的个数。当撞击物例如弹丸撞击到击打表面24时，该传感器22用于感测可移动机器人接受到的撞击强度。
在可移动机器人比赛或游戏中可能会存在不同大小、不同材质、不同重量的弹丸，为了对弹丸进行识别，在本实施例中，可移动机器人包括撞击物识别系统，该撞击物识别系统包括：传感器和处理器；该传感器具体可以是如图2所示的传感器22，该处理器可用于执行撞击物识别方法，下面结合具体的实施例对该撞击物识别方法进行介绍。
本发明实施例提供一种撞击物识别方法。图3为本发明实施例提供的撞击物识别方法的流程图。如图3所示，本实施例中的方法，可以包括：
步骤S301、获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，所述传感器用于感测所述可移动机器人接受到的撞击强度。
在本实施例中，撞击物不限于弹丸，还可以是滚珠、塑料炮弹、软气枪弹丸、铅弹、高尔夫球或其他类似的撞击物。以弹丸为例，当弹丸撞击 到击打表面24时，该传感器22感测击打表面24接受到的撞击强度，并根据感测到的撞击强度产生相应的撞击强度信号，可选的，该传感器22和处理器和通讯连接，处理器获取该传感器22产生的撞击强度信号，例如，该传感器22将其产生的撞击强度信号发送给处理器。
在其中一些实施例中，所述传感器包括：压力传感器；所述撞击强度信号包括：压力强度信号。该压力传感器用于当击打表面24接受到撞击时，感测该击打表面24受到的撞击力强度，并根据感测到的撞击力强度产生相应的压力强度信号。
在其中一些实施例中，所述传感器包括：声振动传感器；所述撞击强度信号包括：声音强度信号。该声振动传感器用于当击打表面24接受到撞击时，感测该击打表面24与撞击物发生撞击振动而产生的声音强度，并根据感测到的声音强度产生相应的声音强度信号。
在其他实施例中，传感器22还可以采用其他类型的传感器，或者同时采用多种类型的传感器，例如，同时采用声振动传感器和压力传感器。相应的，该撞击强度信号可包括其他类型的信号，或者同时包括多种类型的信号，例如，同时包括声音强度信号和声音强度信号。
步骤S302、在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱。
当处理器获取到传感器22产生的撞击强度信号后，在频域上对该撞击强度信号进行分析，得到该撞击强度信号对应的频谱。
在本实施例中，撞击强度信号的振动幅度与击打表面24受到的撞击强度正相关，也就是说，击打表面24受到的撞击强度越大，撞击强度信号的振动幅度越大，并且随着时间的变化，撞击强度信号的振动幅度是不断衰减的。如图4所示，是本实施例提供的撞击强度信号f(t)的振动幅度随时间变化的一个例子。在频域上对该撞击强度信号f(t)进行分析，例如，在频域上对该撞击强度信号f(t)的振动幅度做傅里叶变换得到连续频谱。连续频谱的示意图可以参见图5所示的连续频谱F(ω)。可以理解，如图5所示的连续频谱F(ω)可以不是对图4所示的撞击强度信号f(t)进行傅里叶变换后得到的，只是为了说明，连续的撞击强度信号经过傅里叶变换后可得到连续的频谱。
在其中一些实施例中，通过在频域上对所述撞击强度信号进行分析，还可以得到该撞击强度信号对应的离散的频谱。
一种可行的实现方式，所述在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱，包括：对所述撞击强度信号进行采样，得到所述撞击强度信号在多个不同时间点对应的振动幅度；对所述撞击强度信号在多个不同时间点对应的振动幅度进行离散傅里叶变换，得到所述撞击强度信号对应的频谱。
如图6所示，p(t)表示采样脉冲，T s表示采样间隔，采样频率
Figure PCTCN2018113125-appb-000001
f s(t)表示对撞击强度信号f(t)采样后的信号即采样信号，f s(t)＝f(t)*p(t)。根据时域采样定理可知：假设撞击强度信号f(t)的频谱F(ω)受限在-ω m到+ω m的范围内，则采样频率f s需要满足如下公式(1)所述的条件，才可以由f s(t)恢复出f(t)。
f s≥2f m    (1)
其中，
Figure PCTCN2018113125-appb-000002
在一些实施例中，对撞击强度信号f(t)进行采样时，可以不限定采样点的个数，例如，以一定的采样频率持续对撞击强度信号f(t)进行采样，直到撞击强度信号f(t)的振动幅度衰减为0。
在其中一些实施例中，所述对所述撞击强度信号进行采样，包括：在预设时间内对所述撞击强度信号进行采样，在所述预设时间内所述撞击强度信号的振动幅度已衰减到预设幅度阈值。
如图6所示，随着时间的增长，撞击强度信号f(t)的振动幅度不断的衰减，假设在t1时刻之后，撞击强度信号f(t)的振动幅度已经衰减了一半以上，可以认为t1时刻之后撞击强度信号f(t)已经停止振动。因此，可以在0-t1时刻之间对撞击强度信号f(t)进行采样，这样可节省处理器的计算资源。例如，0-t1时刻之间的时长为10.24毫秒，即采样时间为10.24毫秒。
可选的，采样脉冲的采样间隔T s为20微秒，采样频率为50K赫兹， 以该采样频率对撞击强度信号f(t)进行采样，在10.24毫秒内可采集到512个采样点，得到该撞击强度信号f(t)在512个时间点对应的振动幅度。进一步对该撞击强度信号f(t)在512个时间点对应的振动幅度进行离散傅里叶变换，得到离散的频谱。该离散的频谱的示意图可以参见图7所示的离散频谱F S(ω)。可以理解，图7所示的离散频谱F S(ω)可以不是对该撞击强度信号f(t)在512个时间点对应的振动幅度进行离散傅里叶变换或快速傅里叶变换后得到的，只是为了说明，将连续的撞击强度信号进行采样后可得到离散的序列，对离散的序列进行离散傅里叶变换或快速傅里叶变换后可得到离散的频谱。步骤S303、根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
如图7所示，离散频谱F S(ω)中包括多个频点，例如ω 1、ω 2、ω 3、ω 4、ω 5等。
在一些实施例中，如果撞击强度信号对应的频谱是如图5所示的连续频谱F(ω)，也可以从连续频谱F(ω)中确定出多个频点，例如，从0开始以一定的频率间隔选择出多个频点，例如ω 1、ω 2、ω 3、ω 4、ω 5等。
由于不同大小、不同材质、不同重量的弹丸撞击到击打表面24时，传感器产生的撞击强度信号对应的频谱不同，因此，相应的频谱的频率成分也不同。另外，同一弹丸撞击到击打表面24不同位置时，传感器产生的撞击强度信号对应的频谱也不同，相应的频谱的频率成分也不同。
例如，通常的可移动机器人比赛中存在两种尺寸的弹丸，一种是大弹丸，例如42MM的大弹丸，另一种是小弹丸，例如17MM的小弹丸。高速(例如大于25米/秒)的小弹丸和低速(例如小于8米/秒)的大弹丸撞击到击打表面24时，该击打表面24受到的撞击强度，例如撞击力强度即压力强度可能很接近，如果根据击打表面24受到的撞击力强度，可能无法准确区分高速的小弹丸和低速的大弹丸。但是，高速的小弹丸和低速的大弹丸撞击到击打表面24时，传感器22产生的撞击强度信号的频谱不同。例如，低速的大弹丸撞击到击打表面24时，传感器22产生的撞击强度信号的频谱的频率成分以低频为主，而高速的小弹丸撞击到击打表面24时，传感器22产生的撞击强度信号的频谱的频率成分中会有高频谐波。当同一弹丸撞击到击打表面24的不同位置时，传感器22产生的撞击强度信号 的频谱中的时谐波成分的频率也会有所变化。
又例如，如图2所示，击打面板23可以包括中心区域以及边缘区域，而在诸如弹丸击打击打面板23的击打表面24时，即使同一弹丸以同一射速击打，由于传感器22的排列情况以及击打面板23的受力情况等因素的不同，传感器22产生的撞击强度信号的频谱并不唯一，其谐波成分的频率会有所变化。因此，若弹丸大小不一，击打位置不同，由于击打位置的干扰，利用频谱中的单一频点并不能较好地区分诸如弹丸的大小，而在可移动机器人的对抗比赛过程中，可能需要对击打位置的不同进行不同伤害程度的记录，以此提高对抗比赛过程中的击打难度，提到可移动机器人比赛过程中的挑战性。如此，可以对频谱中的多个频点进行分析，并根据需要确定弹丸的类型和/或撞击位置。
因此，可以从撞击强度信号对应的频谱中选择多个频点，确定弹丸的类型和/或撞击位置。可选的，所述撞击物的类型包括如下至少一种：所述撞击物的大小、材质、重量。
可以理解，从撞击强度信号对应的频谱中选择的频点数越多，越能够准确识别弹丸的大小、材质、重量、和/或撞击位置，在其中一些实施例中，可以不限定频点的个数，例如一直取到频点幅值为0。
在其中一些实施例中，所述根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：根据所述撞击强度信号对应的频谱中幅值大于预设幅值的多个频点，确定所述撞击物的类型和/或撞击位置。
如图7所示，有些频点的幅值较大，而有些频点的幅值较小，例如，频点ω 1到频点ω n之间的n个频点的幅值大于预设幅值，频点ω n之后的频点的幅值小于预设幅值且基本为0，另外，频点ω 1到频点ω n之间的n个频点基本包含了所有频率成分。因此，可以只选择前n个频点来确定弹丸的大小、材质、重量、和/或撞击位置。相比于，将频点ω 1到频点ω n之间的n个频点、以及频点ω n之后的频点同时用于确定弹丸的大小、材质、重量、和/或撞击位置，采用频点ω 1到频点ω n之间的n个频点确定弹丸的大小、材质、重量、和/或撞击位置，可节省处理器的计算时间，提高处理器的计算效率。可选的，n为32，在其他实施例中，n也可以不限于32，可以 大于32。
在另一些实施例中，所述根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
例如，根据如图7所示的频点ω 1到频点ω n之间的n个频点，采用机器学习方法，确定弹丸的大小、材质、重量、和/或撞击位置。
具体的，所述根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置，包括：将所述撞击强度信号对应的频谱中的多个频点构成的第一向量输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
例如，将频点ω 1到频点ω n之间的n个频点构成一个n维向量，此处，将该n维向量记为第一向量，将该n维向量输入到支持向量机(Support Vector Machine，SVM)分类器和/或神经网络模型中进行分类预测。其中，该SVM分类器可以是经过大量样本数据训练后得到，可以进行线性分类，也可以进行非线性分类，以识别大小为例，通过大量样本数据对SVM分类器进行训练，SVM分类器将得到区分大弹丸、小弹丸的超平面，而对于非线性分类而言，则可以通过大量样本数据寻找SVM分类器的最优分类平面，以对弹丸的大小、材质、重量、击打位置等进行多分类。该神经网络模型也可以是经过大量样本数据进行模型训练后得到的网络模型。上述大量样本数据可以是采用不同大小、不同材质、不同重量的弹丸多次撞击击打表面24时，由传感器22每次产生的撞击强度信号的频谱的多个频点。
其中，第一向量可以包括频谱中的多个频点的幅值信息和频率占比信息。基于上述例子，在获取到频谱中的前32频点后，可以进行归一化处理，将前32个频点的幅值信息去掉，并将前32个频点的频率占比信息构成一个32维向量，以进行分类预测。
本实施例通过获取撞击物撞击到可移动机器人时传感器产生的撞击 强度信号，在频域上对该撞击强度信号进行分析，得到该撞击强度信号对应的频谱，由于不同类型的撞击物撞击到可移动机器人时，传感器产生的撞击强度信号对应的频谱不同，同一撞击物撞击到可移动机器人不同位置时，传感器产生的撞击强度信号对应的频谱也不同。因此，根据该频谱中的多个频点，可准确的确定出该撞击物的类型和/或撞击位置。特别是当高速的小弹丸和低速的大弹丸撞击到可移动机器人的装甲面板时，装甲面板受到的撞击力强度可能很接近，从而无法准确区分高速的小弹丸和低速的大弹丸，但是，与该装甲面板连接的传感器产生的撞击强度信号的频谱不同，因此，可以通过频谱中的多个频点准确识别小弹丸和大弹丸。
本发明实施例提供一种撞击物识别方法。图8为本发明另一实施例提供的撞击物识别方法的流程图。如图8所示，在图1所示实施例的基础上，本实施例中的方法，可以包括：
步骤S801、获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，所述传感器用于感测所述可移动机器人接受到的撞击强度。
步骤S801和步骤S301的实现方式和具体原理均一致，此处不再赘述。
步骤S802、若所述可移动机器人接受到的撞击强度大于或等于第一阈值、且小于或等于第二阈值，则在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱。
其中，所述第一阈值小于所述第二阈值。
例如，高速(例如大于25米/秒)的小弹丸和低速(例如小于8米/秒)的大弹丸撞击到击打表面24时，该击打表面24受到的撞击强度，例如撞击力强度即压力强度可能很接近。假设高速的小弹丸撞击到击打表面24时该击打表面24受到的压力记为F1，低速的大弹丸撞击到击打表面24时该击打表面24受到的压力记为F2，F1和F2均大于或等于5牛顿(N)且小于或等于15牛顿(N)，如果只比较F1和F2的大小，可能无法准确识别高速的小弹丸和低速的大弹丸，此时，可以在频域上对传感器22产生的撞击强度信号进行分析，得到该撞击强度信号对应的频谱，通过该频谱的多个频点，确定撞击到击打表面24的弹丸是大弹丸还是小弹丸，具体原理与上述实施例所述的方法一致，此处不再赘述。
步骤S803、根据所述撞击强度信号对应的频谱中的多个频点，确定所 述撞击物的类型和/或撞击位置。
步骤S803和步骤S303的实现方式和具体原理均一致，此处不再赘述。
步骤S804、若所述可移动机器人接受到的撞击强度小于所述第一阈值，或者所述可移动机器人接受到的撞击强度大于所述第二阈值，则根据所述撞击强度的大小，确定所述撞击物的类型。
假设高速的小弹丸撞击到击打表面24时该击打表面24受到的压力F1的最大值是15牛顿(N)，也就是说，高速的小弹丸撞击到击打表面24时该击打表面24受到的压力F1不可能大于15牛顿(N)；低速的大弹丸撞击到击打表面24时该击打表面24受到的压力F2的最小值是5牛顿(N)，也就是说，低速的大弹丸撞击到击打表面24时该击打表面24受到的压力F2不可能小于5牛顿(N)。那么，当该击打表面24受到的压力大于15牛顿(N)时，可以确定撞击到击打表面24的弹丸是大弹丸，而不是小弹丸；同理，如果该击打表面24受到的压力小于5牛顿(N)时，可以确定撞击到击打表面24的弹丸是小弹丸，而不是大弹丸。
可以理解，当击打表面24受到的撞击强度小于第一阈值，例如5牛顿(N)；或者击打表面24接受到的撞击强度大于第二阈值，例如15牛顿(N)时，相比于根据传感器22产生的撞击强度信号对应的频谱的多个频点确定撞击物类型，根据击打表面24受到的撞击强度确定撞击物类型的精确度可能更高，此时，可以不用对传感器22产生的撞击强度信号进行分析，得到该撞击强度信号对应的频谱。
当击打表面24受到的撞击强度大于或等于第一阈值，且小于或等于第二阈值时，相比于根据传感器22产生的撞击强度信号对应的频谱的多个频点确定撞击物类型，根据击打表面24受到的撞击强度确定撞击物类型的精确度可能较低，此时，需要对传感器22产生的撞击强度信号进行分析，得到该撞击强度信号对应的频谱，进一步根据该频谱的多个频点确定撞击物类型，例如弹丸的大小。
在其中一些实施例中，根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
例如，当弹丸撞击到击打表面24时，处理器根据击打表面24受到的撞击强度的大小、以及传感器22产生的撞击强度信号对应的频谱中的多个频点，确定该弹丸的大小、材质、重量、和/或撞击位置。
具体的，所述根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
例如，处理器根据击打表面24受到的撞击强度的大小、以及传感器22产生的撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定该弹丸的大小、材质、重量、和/或撞击位置。
作为一种可行的实现方式：将所述撞击强度信号对应的频谱中的多个频点、以及所述可移动机器人接受到的撞击强度的大小构成的第二向量，输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
例如，该处理器将该撞击强度信号对应的频谱中的前32频点和击打表面24受到的撞击强度的大小构成一个33维向量，此处，将该33维向量记为第二向量，并将该33维向量输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到弹丸的大小、材质、重量、和/或撞击位置。
其中，第二向量包括频谱中的多个频点的频率占比信息。基于上述例子，在获取到频谱中的前32频点后，可以进行归一化处理，将前32个频点的幅值信息去掉，并将前32个频点的频率占比信息以及击打表面24受到的撞击强度的大小构成一个33维向量，以进行分类预测。
可以理解，在根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点对撞击物的类型和/或撞击位置进行确定之外，也可以采用上述第一阈值、第二阈值的方法，与上述采用第一阈值、第二阈值的方法的不同之处在于，可以在得到撞击强度信号后获取撞击强度信号对应的频谱，以在需要利用频谱中的多个频点时，能够快速响应，并确定撞击物的类型和/或撞击位置。尤其是在第二向量包括 频谱中的多个频点的频率占比信息时，由于在不同射速打击下，同种弹丸的频率占比信息变化不是很大，但是造成的撞击强度的大小会有很大变化。如此，当击打表面24受到的撞击强度大于或等于第一阈值，且小于或等于第二阈值时，可以把撞击强度的大小单独提取出来，并用于诸如弹丸大小的判断，这样操作简便，且利于第一阈值、第二阈值的后期调整。
需要说明的是，本发明实施例中，在涉及到机器学习时，用于机器学习的模型可以得到更新与调整，即模型的每一次的输入数据可以作为样本数据，该输入数据的预测结果可以用于对模型进行优化，以实现模型的持续优化。
本实施例通过可移动机器人接受到的撞击强度的大小，确定是否在频域上对该撞击强度信号进行分析，具体的，当该可移动机器人接受到的撞击强度大于或等于第一阈值、且小于或等于第二阈值时，在频域上对该撞击强度信号进行分析，并根据该撞击强度信号对应的频谱中的多个频点，确定该撞击物的类型和/或撞击位置；当该可移动机器人接受到的撞击强度小于该第一阈值，或者该可移动机器人接受到的撞击强度大于该第二阈值时，根据该撞击强度的大小，确定该撞击物的类型，节省了在频域上对该撞击强度信号进行分析的计算量，提高了对撞击物识别的效率。
本发明实施例提供一种撞击物识别系统。图9为本发明实施例提供的撞击物识别系统的结构图，如图9所示，撞击物识别系统90包括：传感器91和处理器92；所述传感器用于感测可移动机器人接受到的撞击强度；所述处理器，与所述传感器通信连接，用于执行以下操作：获取撞击物撞击到所述可移动机器人时所述传感器产生的撞击强度信号；在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述处理器在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱时，具体用于：对所述撞击强度信号进行采样，得到所述撞击强度信号在多个不同时间点对应的振动幅度；对所述撞击强度信号在多个不同时间点对应的振动幅度进行离散傅里叶 变换，得到所述撞击强度信号对应的频谱。
在其中一些实施例中，所述处理器对所述撞击强度信号进行采样时，具体用于：在预设时间内对所述撞击强度信号进行采样，在所述预设时间内所述撞击强度信号的振动幅度已衰减到预设幅度阈值。
在其中一些实施例中，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：根据所述撞击强度信号对应的频谱中幅值大于预设幅值的多个频点，确定所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置时，具体用于：将所述撞击强度信号对应的频谱中的多个频点构成的第一向量输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述第一向量包括所述频谱中的多个频点的幅值信息和频率占比信息。
在其中一些实施例中，所述撞击物的类型包括如下至少一种：所述撞击物的大小、材质、重量。
在其中一些实施例中，所述处理器在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱时，具体用于：若所述可移动机器人接受到的撞击强度大于或等于第一阈值、且小于或等于第二阈值，则在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；其中，所述第一阈值小于所述第二阈值。
在其中一些实施例中，所述处理器还用于：若所述可移动机器人接受到的撞击强度小于所述第一阈值，或者所述可移动机器人接受到的撞击强度大于所述第二阈值，则根据所述撞击强度的大小，确定所述撞击物的类型。
在其中一些实施例中，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述处理器根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述处理器根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置时，具体用于：将所述撞击强度信号对应的频谱中的多个频点、以及所述可移动机器人接受到的撞击强度的大小构成的第二向量，输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
在其中一些实施例中，所述第二向量包括所述频谱中的多个频点的频率占比信息。
在其中一些实施例中，所述传感器包括：压力传感器；所述撞击强度信号包括：压力强度信号。
本发明实施例提供的撞击物识别系统的具体原理和实现方式均与上述实施例类似，此处不再赘述。
本实施例通过获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，在频域上对该撞击强度信号进行分析，得到该撞击强度信号对应的频谱。由于不同类型的撞击物撞击到可移动机器人时，传感器产生的撞击强度信号对应的频谱不同，同一撞击物撞击到可移动机器人不同位置时，传感器产生的撞击强度信号对应的频谱也不同，因此，根据该频谱中的多个频点，可准确的确定出该撞击物的类型和/或撞击位置。特别是当高速的小弹丸和低速的大弹丸撞击到可移动机器人的装甲面板时，装甲面板受到的撞击力强度可能很接近，从而无法准确区分高速的小弹丸和低速的大弹丸，但是，与该装甲面板连接的传感器产生的撞击强度信号的频谱 不同，因此，可以通过频谱中的多个频点准确识别小弹丸和大弹丸。
本发明实施例提供一种可移动机器人。如图1所示，可移动机器人包括：机身13、移动装置14和撞击物识别系统，其中，移动装置14与机身连接，用于提供所述机身移动的动力；该撞击物识别系统用于识别撞击到该可移动机器人的撞击物的类型和/或撞击位置，识别的具体原理和实现方式均与上述实施例所述的一致，此处不再赘述。
另外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的撞击物识别方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分 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。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (32)

  1. 一种撞击物识别方法，其特征在于，包括：
    获取撞击物撞击到可移动机器人时传感器产生的撞击强度信号，所述传感器用于感测所述可移动机器人接受到的撞击强度；
    在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；
    根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
  2. 根据权利要求1所述的方法，其特征在于，所述在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱，包括：
    对所述撞击强度信号进行采样，得到所述撞击强度信号在多个不同时间点对应的振动幅度；
    对所述撞击强度信号在多个不同时间点对应的振动幅度进行离散傅里叶变换，得到所述撞击强度信号对应的频谱。
  3. 根据权利要求2所述的方法，其特征在于，所述对所述撞击强度信号进行采样，包括：
    在预设时间内对所述撞击强度信号进行采样，在所述预设时间内所述撞击强度信号的振动幅度已衰减到预设幅度阈值。
  4. 根据权利要求1所述的方法，其特征在于，所述根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：
    根据所述撞击强度信号对应的频谱中幅值大于预设幅值的多个频点，确定所述撞击物的类型和/或撞击位置。
  5. 根据权利要求1所述的方法，其特征在于，所述根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：
    根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
  6. 根据权利要求5所述的方法，其特征在于，所述根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的 类型和/或撞击位置，包括：
    将所述撞击强度信号对应的频谱中的多个频点构成的第一向量输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
  7. 根据权利要求6所述的方法，其特征在于，所述第一向量包括所述频谱中的多个频点的幅值信息和频率占比信息。
  8. 根据权利要求1所述的方法，其特征在于，所述撞击物的类型包括如下至少一种：
    所述撞击物的大小、材质、重量。
  9. 根据权利要求1所述的方法，其特征在于，所述在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱，包括：
    若所述可移动机器人接受到的撞击强度大于或等于第一阈值、且小于或等于第二阈值，则在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；
    其中，所述第一阈值小于所述第二阈值。
  10. 根据权利要求9所述的方法，其特征在于，所述方法还包括：
    若所述可移动机器人接受到的撞击强度小于所述第一阈值，或者所述可移动机器人接受到的撞击强度大于所述第二阈值，则根据所述撞击强度的大小，确定所述撞击物的类型。
  11. 根据权利要求1所述的方法，其特征在于，所述根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：
    根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
  12. 根据权利要求11所述的方法，其特征在于，所述根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置，包括：
    根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
  13. 根据权利要求12所述的方法，其特征在于，所述根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置，包括：
    将所述撞击强度信号对应的频谱中的多个频点、以及所述可移动机器人接受到的撞击强度的大小构成的第二向量，输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
  14. 根据权利要求13所述的方法，其特征在于，所述第二向量包括所述频谱中的多个频点的频率占比信息。
  15. 根据权利要求1所述的方法，其特征在于，所述传感器包括：压力传感器；
    所述撞击强度信号包括：压力强度信号。
  16. 一种撞击物识别系统，其特征在于，包括：传感器和处理器；
    所述传感器用于感测可移动机器人接受到的撞击强度；
    所述处理器，与所述传感器通信连接，用于执行以下操作：
    获取撞击物撞击到所述可移动机器人时所述传感器产生的撞击强度信号；
    在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；
    根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
  17. 根据权利要求16所述的撞击物识别系统，其特征在于，所述处理器在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱时，具体用于：
    对所述撞击强度信号进行采样，得到所述撞击强度信号在多个不同时间点对应的振动幅度；
    对所述撞击强度信号在多个不同时间点对应的振动幅度进行离散傅里叶变换，得到所述撞击强度信号对应的频谱。
  18. 根据权利要求17所述的撞击物识别系统，其特征在于，所述处 理器对所述撞击强度信号进行采样时，具体用于：
    在预设时间内对所述撞击强度信号进行采样，在所述预设时间内所述撞击强度信号的振动幅度已衰减到预设幅度阈值。
  19. 根据权利要求16所述的撞击物识别系统，其特征在于，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：
    根据所述撞击强度信号对应的频谱中幅值大于预设幅值的多个频点，确定所述撞击物的类型和/或撞击位置。
  20. 根据权利要求16所述的撞击物识别系统，其特征在于，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：
    根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
  21. 根据权利要求20所述的撞击物识别系统，其特征在于，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置时，具体用于：
    将所述撞击强度信号对应的频谱中的多个频点构成的第一向量输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
  22. 根据权利要求21所述的撞击物识别系统，其特征在于，所述第一向量包括所述频谱中的多个频点的幅值信息和频率占比信息。
  23. 根据权利要求16所述的撞击物识别系统，其特征在于，
    所述撞击物的类型包括如下至少一种：
    所述撞击物的大小、材质、重量。
  24. 根据权利要求16所述的撞击物识别系统，其特征在于，所述处理器在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱时，具体用于：
    若所述可移动机器人接受到的撞击强度大于或等于第一阈值、且小于或等于第二阈值，则在频域上对所述撞击强度信号进行分析，得到所述撞击强度信号对应的频谱；
    其中，所述第一阈值小于所述第二阈值。
  25. 根据权利要求24所述的撞击物识别系统，其特征在于，所述处理器还用于：
    若所述可移动机器人接受到的撞击强度小于所述第一阈值，或者所述可移动机器人接受到的撞击强度大于所述第二阈值，则根据所述撞击强度的大小，确定所述撞击物的类型。
  26. 根据权利要求16所述的撞击物识别系统，其特征在于，所述处理器根据所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：
    根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置。
  27. 根据权利要求26所述的撞击物识别系统，其特征在于，所述处理器根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，确定所述撞击物的类型和/或撞击位置时，具体用于：
    根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置。
  28. 根据权利要求27所述的撞击物识别系统，其特征在于，所述处理器根据所述可移动机器人接受到的撞击强度的大小，以及所述撞击强度信号对应的频谱中的多个频点，采用机器学习方法，确定所述撞击物的类型和/或撞击位置时，具体用于：
    将所述撞击强度信号对应的频谱中的多个频点、以及所述可移动机器人接受到的撞击强度的大小构成的第二向量，输入到支持向量机SVM分类器和/或神经网络模型中进行分类预测，得到所述撞击物的类型和/或撞击位置。
  29. 根据权利要求28所述的撞击物识别系统，其特征在于，所述第二向量包括所述频谱中的多个频点的频率占比信息。
  30. 根据权利要求16所述的撞击物识别系统，其特征在于，
    所述传感器包括：压力传感器；
    所述撞击强度信号包括：压力强度信号。
  31. 一种可移动机器人，其特征在于，包括：
    机身；
    移动装置，与所述机身连接，用于提供所述机身移动的动力；以及
    如权利要求16-30任一项所述的撞击物识别系统。
  32. 一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-15任一项所述的方法。
PCT/CN2018/113125 2018-10-31 2018-10-31 撞击物识别方法、系统及存储介质 WO2020087372A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2018/113125 WO2020087372A1 (zh) 2018-10-31 2018-10-31 撞击物识别方法、系统及存储介质
CN201880072751.0A CN111356508A (zh) 2018-10-31 2018-10-31 撞击物识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/113125 WO2020087372A1 (zh) 2018-10-31 2018-10-31 撞击物识别方法、系统及存储介质

Publications (1)

Publication Number Publication Date
WO2020087372A1 true WO2020087372A1 (zh) 2020-05-07

Family

ID=70464298

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/113125 WO2020087372A1 (zh) 2018-10-31 2018-10-31 撞击物识别方法、系统及存储介质

Country Status (2)

Country Link
CN (1) CN111356508A (zh)
WO (1) WO2020087372A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777163A (zh) * 2021-10-20 2021-12-10 广东奥迪威传感科技股份有限公司 用于频率测试的传感装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112526916B (zh) * 2020-10-27 2022-04-08 成都飞机工业（集团）有限责任公司 一种飞机装配型架碰撞监控方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675909A (zh) * 2015-12-31 2016-06-15 西安工业大学 一种室内靶道光幕测速装置连发射击弹丸信号识别方法
CN105785064A (zh) * 2016-03-17 2016-07-20 西安工业大学 一种任意方向入射的弹丸速度测量装置及其测量方法
CN205759674U (zh) * 2016-05-31 2016-12-07 深圳市大疆创新科技有限公司 检测外部撞击物的检测系统以及遥控竞赛战车
CN107223205A (zh) * 2016-05-31 2017-09-29 深圳市大疆创新科技有限公司 检测外部撞击物的检测系统、方法以及可移动物体
CN206965096U (zh) * 2017-05-12 2018-02-06 深圳市大疆创新科技有限公司 用于比赛的弹丸及发射机构
CN108367195A (zh) * 2017-06-29 2018-08-03 深圳市大疆创新科技有限公司 对战游戏设备、系统
CN108534609A (zh) * 2018-03-22 2018-09-14 军鹏特种装备股份公司 便携式一体化无线射击靶标

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017217412A1 (ja) * 2016-06-16 2017-12-21 日本電気株式会社 信号処理装置、信号処理方法およびコンピュータ読み取り可能記録媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675909A (zh) * 2015-12-31 2016-06-15 西安工业大学 一种室内靶道光幕测速装置连发射击弹丸信号识别方法
CN105785064A (zh) * 2016-03-17 2016-07-20 西安工业大学 一种任意方向入射的弹丸速度测量装置及其测量方法
CN205759674U (zh) * 2016-05-31 2016-12-07 深圳市大疆创新科技有限公司 检测外部撞击物的检测系统以及遥控竞赛战车
CN107223205A (zh) * 2016-05-31 2017-09-29 深圳市大疆创新科技有限公司 检测外部撞击物的检测系统、方法以及可移动物体
CN206965096U (zh) * 2017-05-12 2018-02-06 深圳市大疆创新科技有限公司 用于比赛的弹丸及发射机构
CN108367195A (zh) * 2017-06-29 2018-08-03 深圳市大疆创新科技有限公司 对战游戏设备、系统
CN108534609A (zh) * 2018-03-22 2018-09-14 军鹏特种装备股份公司 便携式一体化无线射击靶标

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777163A (zh) * 2021-10-20 2021-12-10 广东奥迪威传感科技股份有限公司 用于频率测试的传感装置

Also Published As

Publication number Publication date
CN111356508A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
US10540988B2 (en) Method and apparatus for sound event detection robust to frequency change
Mosavi et al. Multi-layer perceptron neural network utilizing adaptive best-mass gravitational search algorithm to classify sonar dataset
CN101464756B (zh) 确定至少两个冲击的位置的方法
WO2020087372A1 (zh) 撞击物识别方法、系统及存储介质
JP3812887B2 (ja) 信号処理システムおよび方法
Eryildirim et al. Pulse Doppler radar target recognition using a two-stage SVM procedure
CN107077242A (zh) 通过使用时空触摸图案来提高触摸屏事件分析的准确性的方法
CN108182418B (zh) 一种基于多维声波特征的键击识别方法
CN106163907A (zh) 基于输入声音信号的影像存储装置及方法
US11200903B2 (en) Systems and methods for speaker verification using summarized extracted features
JP2019220168A (ja) スピーチコマンドを使用して触覚をデザインするシステムと方法
Persico et al. Micro-Doppler classification of ballistic threats using Krawtchouk moments
Yin et al. Ubiquitous writer: Robust text input for small mobile devices via acoustic sensing
TW201928392A (zh) 對運動的球的感測裝置及利用該感測裝置計算對球的運動參數的方法
CN113807314A (zh) 一种基于微多普勒效应的毫米波雷达视频融合方法
US10272324B2 (en) Classifying collision events using inertial and audio data
Chen et al. Sok: A modularized approach to study the security of automatic speech recognition systems
Wang et al. A feature engineering focused system for acoustic uav detection
Ramos et al. A spectral subtraction based algorithm for real-time noise cancellation with application to gunshot acoustics
Lin et al. Sensor-based badminton stroke classification by machine learning methods
Dennis et al. Analysis of spectrogram image methods for sound event classification
Ryu et al. Impact sound-based surface identification using smart audio sensors with deep neural networks
CN109473112B (zh) 一种脉冲声纹识别方法、装置、电子设备及存储介质
Srinivasan et al. A partial least squares framework for speaker recognition
Chang et al. Application of abnormal sound recognition system for indoor environment

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18938275

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18938275

Country of ref document: EP

Kind code of ref document: A1