CN110009985A - 一种基于机器学习的沙盘制作装置 - Google Patents

Abstract

本发明涉及一种基于机器学习的沙盘制作装置，属于沙盘制作技术领域，解决了现有沙盘制作周期长、展示缺乏真实性及无法进行实时调整的问题。包括：控制终端，用于构建预测模型，并实时求取激光全息投影仪投影参数和完整地貌数据；激光全息投影仪，进行沙盘投影成像；机械臂，进行沙盘地貌制作；双目摄像头、激光测距感应器、三维扫描仪，用于采集模型训练所需数据。在本装置中激光全息投影能够真实的展示地貌的状态，机械臂对地形进行快速堆砌和调整；利用机器学习训练好的模型可以实时求取最优的投影参数和地貌信息，对投影状态和地貌进行实时自动纠正和调整，制作的沙盘达到最佳的投影尺寸和效果。

Description

一种基于机器学习的沙盘制作装置

技术领域

本发明涉及沙盘制作技术领域，尤其涉及一种基于机器学习的沙盘制作装置。

背景技术

军事沙盘一般包含两个主要的部分：一个是底部托盘，一个是山川河流的仿真品。关于山川河流的制作目前以两种材质为主，一种是塑胶仿真品，一种是沙子。

以塑胶仿真品为主的沙盘，需要采取特殊定制的形式，首先对真实地貌进行3D图纸的绘制，接着对图纸进行3D打印或者注塑的形，将仿真品制作做出来，再将这些仿真品放在托盘上，用于向他人展示地貌。这种沙盘，一方面，准备周期较长，地貌的准备需要通过3D打印或者注塑的方式，需要对场景进行准备；在突发的状态下，没有时间进行地貌的准备，地貌无法及时调整，无法满足对真实场景的变化进行跟踪的情况。另一方面，展示区域受限，由于地貌都是3D打印或者注塑胶进行制作，对塑胶件的尺寸由一定的要求，并且对于超出常规的尺寸，在费用上也会相应的增加，同时使用后缺乏复用性，每个地貌都是唯一的，现有的地貌无法应用到其他的地区进行展示，造成浪费。

以沙子为主的沙盘，首先在托盘上覆盖所需的沙子，然后根据已有的图纸对每个特征进行测量和标注(例如山脉，河流)，最后根据标注点对沙子进行堆砌或者挖坑，堆砌的部分表示山川，挖坑的部分表示河川。这种沙盘，一方面，准备和制作周期较长，需要对真实的地貌进行等比例的缩放，并且在沙盘中进行标注；同时，制作的整个过程都需要人工进行地貌的制作，例如沙子堆砌表示山脉，沙子挖坑表示湖泊。另一方面，在场景使用阶段，首先缺少准确性，同样的展示方式可以代表不同的地貌，容易让人引起误会，例如采用沙坑的形式可以同时表示湖泊和山坳地形，需要标注以作区分；其次缺少真实性，沙子的颜色单一，无法展示真实的场景；最后调整不方便，在使用中地貌的变更，需要人工对沙子进行调整，根据变化的复杂性和大小度的增加，难度增加，效率低下。

发明内容

鉴于上述的分析，本发明旨在提供一种基于机器学习的沙盘制作装置，用以解决现有沙盘制作周期长、展示缺乏真实性及无法进行实时调整的问题。

本发明的目的主要是通过以下技术方案实现的：

提供了一种基于机器学习的沙盘制作装置，包括：

控制终端，用于构建激光全息投影预测模型及地貌信息预测模型，并进行训练，通过训练好的模型实时求取激光全息投影仪投影参数和完整地貌数据；

激光全息投影仪，根据上述投影参数的数值进行沙盘投影成像；

机械臂，根据上述完整地貌数据进行沙盘地貌制作；

双目摄像头、激光测距感应器，均悬挂于沙盘的正上方位置，且均与控制终端相连，用于采集激光全息投影预测模型训练所需数据；

三维扫描仪，用于对真实地貌进行扫描，采集上述地貌信息预测模型训练所需数据。

本发明有益效果如下：本装置沙盘制作过程快捷高效，通过机器学习、激光全息投影、机械臂制作可以有效解决传统沙盘的即时性问题和真实性问题；激光全息投影能够更加真实的展示模拟地貌(例如山川河流等)的状态，使用机械臂能够快速的对地形进行堆砌和调整。同时通过不断监控外部环境，当沙盘尺寸和外部展示环境发生变化时，利用机器学习训练好的模型可以实时求取最优的投影参数和地貌信息，对投影的状态和地貌进行自动纠正和调整，制作出的沙盘达到最佳的投影尺寸和效果。

在上述方案的基础上，本发明还做了如下改进：

进一步，所述机械臂，包括：移动手臂、底盘、激光距离感应器、灵巧手；

所述移动手臂的一端安装有灵巧手，另一端安装在底盘上，移动手臂以与底盘的连接点为轴心，进行旋转；

所述底盘安装有移动组件，用于机械臂的位置移动；

所述灵巧手以与移动手臂的连接点为轴心旋转，用于地貌堆砌；

所述激光距离感应器的数量为至少两个，分别安装在灵巧手和底盘上，用于移动过程中障碍物监测。

进一步，所述控制终端包括：

数据采集模块，用于获取训练激光全息投影预测模型及地貌信息预测模型所需数据集；

预测模型构建与训练模块，用于构建激光全息投影沙盘预测模型及地貌信息预测模型，并利用所述数据采集模块获取的数据集对两个模型分别进行训练，得到训练好的激光全息投影沙盘预测模型及地貌信息预测模型；

投影参数及完整地貌数据求取模块，用于将沙盘的长，宽，高，深度信息，输入到上述训练好的激光全息投影预测模型，得到投影参数；还用于将地貌的轮廓输入到上述训练好的地貌信息预测模型，得到完整的地貌数据；

信号传输模块，将投影参数及完整地貌数据求取模块求取的投影参数传递到激光全息投影仪；同时将求取的完整的地貌数据传递到机械臂。

进一步，还包括具有“十”字光标、用于位置校准的校准工具；所述数据采集模块包括：区域划分单元、长宽尺寸搜集单元、深浅尺寸搜集单元；

所述区域划分单元，用于对沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点；

所述长宽尺寸搜集单元、深浅尺寸搜集单元，用于与双目摄像头、激光测距感应器、激光全息投影仪及校准工具配合，对各基准点进行数据采集，得到训练模型所需要的数据集；

所述数据集包括基准点的平面位置坐标、垂直位置坐标、聚焦范围和清晰度。

进一步，所述数据采集模块还包括：轮廓扫描单元、关键点抓取单元、数据补充单元；

所述轮廓扫描单元，接收三维扫描仪扫描的地貌轮廓，并对轮廓中出现的拐角进行搜集；

所述关键点抓取单元，根据上述拐角的位置，抓取地貌关键点的长度、宽度、高度信息；

所述数据补充单元，用于对相邻关键点之间的部分再进行分解，获取分解出的各部分的长度、宽度、高度数据，得到完整的地貌数据，用于训练地貌信息预测模型。

进一步，所述对各基准点进行数据采集，包括：

长宽尺寸搜集单元控制激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，调整校准工具的位置，直到校准工具中的“十”字和光标的“十”字的位置重叠，长宽尺寸搜集单元记录此时基准点的平面位置坐标，完成沙盘的长宽尺寸搜集；

深浅尺寸搜集单元控制激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，保持校准工具中的“十”字和光标的“十”的位置重叠的状态下，向上/向下移动校准工具，直到在双目摄像头显示界面中该“十”字光标达到最佳的显示效果，深浅尺寸搜集单元记录该位置的垂直高度、聚焦范围和清晰度信息，作为该基准点的垂直位置坐标、聚焦范围和清晰度，完成沙盘深浅尺寸搜集。

进一步，所述预测模型构建与训练模块，包括：

参数初始化单元，对网络权重以及偏置进行初始化处理，并在训练数据集中随机选出第一输入样本；

参数处理单元，进行神经元激活正向传播，通过隐藏层对上述第一输入样本进行权重和偏置处理，并求取输出层的结果和误差；

参数调整单元，根据上述误差进行反向传播，对网络权重和偏置进行调整；

训练监测单元，根据预先设定的结束条件判断训练是否结束。

进一步，所述投影参数及完整地貌数据求取模块，包括：

高复杂度区域标记单元，将真实地貌中高复杂度区域和目前沙盘的区域进行比对，对沙盘中符合高复杂度的点位区域进行标记；

权重确定单元，确定上述标记出的高复杂度的点位区域的位置、数量、要求度的权重；

投影参数求取单元，根据沙盘的长、宽、高、深度信息及上述确定的权重，利用训练好的模型求取聚焦范围和清晰度。

进一步，所述投影参数及完整地貌数据求取模块，在获取沙盘的长、宽、高、深度信息后，在构建的现有的数据集中进行搜索匹配，当匹配一致时，则直接选取对应的聚焦范围和清晰度信息，当匹配不一致时，则采用训练好的激光全息投影沙盘预测模型求取聚焦范围和清晰度信息；在获取地貌轮廓后，在构建的现有的数据库中进行搜索匹配，当匹配一致时，则直接选取对应完整地貌数据；当匹配不一致时，则采用训练好的地貌信息预测模型求取完整地貌数据。

进一步，所述装置还包括地貌监测传感器，用于对真实的地貌信息进行实时监测并传递给控制终端，控制终端判断地貌发生变化时，将地貌变化的间隔时间与预设的基准进行对比，当所述地貌变化的间隔时间小于基准时，则忽略；当地貌变化的间隔时间大于基准时，一方面，投影参数及完整地貌数据求取模块对地貌整个区域或高复杂度区域进行重新的参数预测，得到新的聚焦范围和清晰度参数；另一方面，投影参数及完整地貌数据求取模块对新的地貌变化区域进行关键点的搜集及地貌补充，得到完整的地貌数据。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中基于机器学习的沙盘制作装置结构图；

图2为本发明实施例中沙盘区域划分及校准工具示意图；

图3为本发明实施例中进行地貌数据搜集示意图；

图4为本发明实施例中神经网络结构示意图；

图5为本发明实施例中对构建的预测模型进行训练流程图；

图6为本发明实施例中求取投影参数流程图；

图7为本发明实施例中求取地貌数据示意图；

图8为本发明实施例中关键点合并结果示意图；

图9为本发明实施例中激光投影仪原理示意图；

图10为本发明实施例中机械臂结构示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种基于机器学习的沙盘制作装置，如图1所示，控制终端，用于构建激光全息投影预测模型及地貌信息预测模型，并进行训练，通过训练好的模型实时求取激光全息投影仪投影参数和完整地貌数据；

激光全息投影仪，根据上述投影参数的数值进行沙盘投影成像；

机械臂，根据上述完整地貌数据进行沙盘地貌制作；

双目摄像头、激光测距感应器，均悬挂于沙盘的正上方位置，且均与控制终端相连，用于采集激光全息投影预测模型训练所需数据；

三维扫描仪，用于对真实地貌进行扫描，采集上述地貌信息预测模型训练所需数据。

与现有技术相比，本实施例提供的基于机器学习的沙盘制作装置，各设备之间相互配合，沙盘制作过程快捷高效，通过机器学习、激光全息投影、机械臂制作可以有效解决传统沙盘的即时性问题和真实性问题；激光全息投影能够更加真实的展示模拟地貌(例如山川河流等)的状态，使用机械臂能够快速的对地形进行堆砌和调整。同时通过不断监控外部环境，当沙盘尺寸和外部展示环境发生变化时，利用机器学习训练好的模型可以实时求取最优的投影参数和地貌信息，对投影的状态和地貌进行自动纠正和调整，制作出的沙盘达到最佳的投影尺寸和效果。

具体来说，本装置充分发挥人工智能、激光全息投影技术、机械臂制作的优势，控制终端通过机器学习自动且即时地获取最优的参数解，激光全息投影更加真实的模拟展示实际场景，机械臂代替人工自动进行地形制作和调整。控制终端包括：数据采集模块、预测模型构建与训练模块、投影参数及完整地貌数据求取模块、信号传输模块；其中，

数据采集模块，用于获取训练激光全息投影预测模型及地貌信息预测模型所需数据集；

预测模型构建与训练模块，用于构建激光全息投影沙盘预测模型及地貌信息预测模型，并利用所述数据采集模块获取的数据集进行训练，得到训练好的激光全息投影沙盘预测模型及地貌信息预测模型；

投影参数及完整地貌数据求取模块，用于将沙盘的长，宽，高，深度等信息，输入到上述训练好的激光全息投影预测模型，得到投影参数(聚焦范围和清晰度值等)；还用于，将地貌的轮廓输入到上述训练好的地貌信息预测模型，得到完整的地貌数据；

信号传输模块，用于激光全息投影仪、双目摄像头、激光测距感应器、机械臂、三维扫描仪与控制终端之间的信号传输，将投影参数及完整地貌数据求取模块求取的聚焦范围和清晰度值等投影参数传递到激光全息投影仪，进行投影成像；同时将求取的完整的地貌数据传递到机械臂，进行地貌的堆砌与调整。

进一步，数据采集模块分为两部分：激光投影数据采集子模块、地貌制作数据采集子模块；激光投影数据采集子模块用于采集训练激光全息投影沙盘预测模型所需数据集，地貌制作数据采集子模块用于采集训练地貌信息预测模型所需数据集。

激光投影数据采集子模块包括：区域划分单元、长宽尺寸搜集单元、深浅尺寸搜集单元，各单元通过与激光全息投影仪、双目摄像头、激光测距感应器、校准工具配合，进行数据采集，获取一个含有大量数据的数据集(此数据集带有目标值)。在进行实际数据采集时：区域划分单元将沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点；双目摄像头、激光测距感应器及激光全息投影仪，锁定沙盘的整体区域，并定位上述所有基准点；最后，长宽尺寸搜集单元和深浅尺寸搜集单元分别控制双目摄像头、激光测距感应器及激光全息投影仪，并配合校准工具，依次对各基准点进行数据采集，得到训练模型所需要的数据集。

具体地，区域划分单元，将沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点。本实施例中以矩形沙盘为例，如图2所示，将预先制作的沙盘框摆好(没有预制沙盘框时,可用砖土垒起或平地下挖15～25厘米)，并尽量与现地方一致，在沙盘框内铺上3-5CM湿度适当的沙土(用手将沙土抓起，以攥起成团，丢下即散为宜)，并用木板刮平压实，作为沙盘的基准面。区域划分单元将沙盘区域自动进行划分，划分方式可以根据沙盘的形状及投影展示精度要求进行选择，示例性地，将矩形沙盘按照4*5的矩阵等分出20个子矩形，并将沙盘内部子矩形的12个交点作为基准点。

在完成区域划分后，在可以覆盖沙盘的位置安装双目摄像头、激光测距感应器及激光全息投影仪，利用双目摄像头锁定沙盘的整体区域(一般安装在矩形沙盘中心点的正上方)，并定位出上述12个基准点，控制终端控制激光全息投影仪(一般安装在与沙盘平面成45°角的位置)，使得在沙盘基准面的投影清晰度最佳，并配合校准工具，进行沙盘尺寸数据采集并记录(包括：长宽尺寸、深浅尺寸)，汇总得到“沙盘尺寸-12个点位置-聚焦度/清晰度之间”的数据集。

长宽尺寸搜集单元，与双目摄像头、激光测距感应器、激光全息投影仪及校准工具配合，完成沙盘的长宽尺寸搜集；具体地，控制激光全息投影仪投射“十”字光标，将“十”字光标投射在“1”点的位置，并且此时待校准的光标颜色为红色。校准人员手持校准工具，将校准工具中的“十”字和光标的“十”字的位置进行重叠，双目摄像头的焦距值保持固定，控制激光测距感应器(安装在沙盘正上方)进行校准，记录“1”点的位置坐标(以沙盘表面作为基准面)。需要说明的是，利用激光测距感应器进行进一步的校准，可以纠正局部细节上的尺寸数据，以便获取的基准的位置信息更加准确；如果“1”点的位置进行校准完毕，则将光标颜色变更为绿色，表示该点的位置已经搜集完毕。当“1”点的位置校准完毕，则控制激光全息投影仪“十”字光标移动到“2点”的位置，校准方式同上，以此类推，直到12个基准点的数据全部搜集完毕，则沙盘的长宽尺寸搜集完毕。

深浅尺寸搜集单元，在完成长宽尺寸的搜集的基础上，与双目摄像头、激光全息投影仪及校准工具配合，进行沙盘高度和深度的搜集。控制终端控制激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，操作人员保持校准工具中的“十”字和光标的“十”的位置重叠的状态，向上/向下移动校准工具，直到在双目摄像头显示界面中该“十”字光标达到最佳的显示效果，深浅尺寸搜集单元记录该位置的垂直高度(相对于基准面)、聚焦范围和清晰度信息，作为该基准点的垂直位置坐标、聚焦范围和清晰度。

在具体工作过程中，深浅尺寸搜集可分为高度搜集与深度搜集两种情形，在进行高度搜集时：深浅尺寸搜集单元控制激光投影仪投射“十”字光标，将“十”字光标投射在“1”点的位置，并且此时待校准的光标颜色为红色。校准人员手持校准工具，将校准工具中的“十”字和光标的“十”的位置进行重叠，同时向上移动，注意在上移的过程中要求“十”字和光标“十”保持重叠的状态。随着校准工具中的“十”被不断抬高，在“1”点的位置，通过双目摄像头进行校准定位，在高度上寻找到最佳的显示效果(显示最清晰)，得到该点的高度值即为“1”点的高度坐标(双目摄像头自动定位)；此时深浅尺寸搜集单元将光标颜色从红色变成绿色，表示完成“1”点高度的数据搜集。当“1”点的位置高度搜集完毕，则控制光标移动要“2点”的位置，搜集方式同上，以此类推，直到12个点的数据全部搜集完毕，则沙盘的高度搜集完毕。在进行深度搜集时：深浅尺寸搜集单元控制激光投影仪投射“十”字光标，将“十”字光标投射在“1”点的位置，并且此时待校准的光标颜色为红色。操作人员在“1”点区域挖一个深坑，接着手持校准工具，将校准工具中的“十”字和光标的“十”字的位置进行重叠，同时向深坑的底部方向，向下移动，注意在下移的过程中要求“十”字和光标“十”保持重叠的状态。随着校准工具中的“十”被不断下移，通过双目摄像头在“1”点的位置，在深度上寻找到最佳的显示效果。深浅尺寸搜集单元此时将光标颜色从红色变成绿色，表示完成“1”点深度的数据搜集。当“1”点的位置深度搜集完毕，则光标移动到“2点”的位置，搜集方式同上，以此类推，直到12个点的数据全部搜集完毕，则沙盘的深度搜集完毕；在获取上述高度或深度信号后，深浅尺寸搜集单元结合激光投影仪在基准面地聚焦范围和清晰度，求取该最优显示位置的聚焦范围和清晰度信息，作为对应基准点的聚焦范围和清晰度。此外，当激光投影仪进行真实环境展示时，还可记录下在上述各基准点的红光、绿光及蓝光信息，数据收集统计如表1所示。

表1数据收集统计表：

地貌制作数据采集子模块，与三维扫描仪配合，进行数据采集，获取一个含有大量数据的数据集(此数据集带有目标值)；在进行实际采集过程中，可以根据现有的地貌进行模型的建立或者直接采集现有沙盘地貌模型，例如山脉、河流的数据。具体数据如表2、表3所示；三维扫描仪扫描地貌轮廓后，发送到地貌制作数据采集子模块，该子模块包括：轮廓扫描单元、关键点抓取单元、数据补充单元；其中，轮廓扫描单元：对轮廓中出现的拐角进行自动搜集；关键点抓取单元：根据上述拐角的位置，抓取地貌关键点(各拐角的顶点)的长度，宽度，高度信息；数据补充单元：如图3所示，根据真实的地貌状态，将地貌的长度，宽度，高度再分解成细小的部分(可以根据实际地貌的复杂程度及展示精度的要求，进行分解)，进一步，搜集各个拐角之间细小部分的长度，宽度，高度的数据，即获得更加详细的地貌数据，作为山脉的地貌样本，以便预测模型进行学习。

表2山脉的数据

表3河流的数据

预测模型构建与训练模块，包括预测模型构建单元，用于激光全息投影预测模型及地貌信息预测模型的构建；通过构建的模型，当沙盘尺寸和外部环境发生变更的时候，实时得到最优的激光全息投影参数数据，达到最佳的显示效果；当地貌发生变化时，可以快速的对地貌的轮廓进行分析，自动补充其中的细节，得到完整的地貌数据。预测模型构建单元构建的两个预测模型均采用监督式的机器学习算法，可以通过多种机器学习算法构建预测模型，在本实施例中，构建的神经网络如图3所示，在该模型中通过输入沙盘尺寸即可自动得到聚焦度/清晰度的数值信息；输入地貌轮廓即可自动得到完整的地貌数据。

预测模型构建与训练模块还包括：参数初始化单元、参数处理单元、参数调整单元、训练监测单元；利用数据采集模块得到的训练数据集对预测模型构建单元构建的两个预测模型分别进行训练，为了使预测模型返回的值尽可能的靠近目标值，训练过程中要对特征的权重做不断的调整，直到预测模型返回的值满足精度要求为止；具体地，如图4所示，

参数初始化单元，在初始化阶段，对网络权重和偏置设置一个随机数，并在上述数据集中随机选出第一个输入样本。在机器学习过程中，这个网络权重和偏置的部分会随着实际值和目标值之间的差异进行不断的调整。

参数处理单元，进行神经元激活正向传播，通过隐藏层对上述输入样本进行权重和偏置处理，并求取输出层的结果和预期的误差；在图3的神经网络中，表示第l层的第i个节点与第l+1层的第j个节点之间的权重，将第l层记为Ll，L1与L2层之间的权重即为L2与L3层之间的权重即为代表第l+1层第i个节点的偏置项；用表示第l+1层第j个节点的输入值。当l＝1时，代表第l+1层第j个节点经过激活函数θ(x)后的输出值。公式如下：

这样就完成了一次的训练，得到了输出结果h_W,b(x)。

参数调整单元，根据误差进行反向传播，并调整网络权重和偏置。其中，对于输出层，Err_j＝O_j(1-O_j)(T_j-O_j)对于隐藏层，Err_j＝O_j(1-O_j)∑Err_kw_jk；权重更新，ΔW_ij＝(l)Err_jO_j，W_ij’＝W_ij+ΔW_ij；偏置更新，Δθ_j＝(l)Err_j，θ_j＝j+Δθ_j。

训练监测单元，判断训练是否结束，根据预先设置的训练结束条件，判断训练是否完成，示例性地，当权重的更新低于某个阈值、预测的错误率低于某个阈值、达到预设一定的循环次数等条件时，结束训练，否则继续选取新的样本进行训练。

投影参数及完整地貌数据求取模块，进一步可分为：激光全息投影仪投影参数求取子模块、地貌完整数据求取子模块；其中，

激光全息投影仪投影参数求取子模块，输入沙盘的长、宽、高、深度信息后，利用训练好的模型求取激光成像仪成像参数，如图5所示，当沙盘的长、宽、高、深度发生变化的时候，只需要录入沙盘的尺寸信息或者12个基准点的长、宽、高、深度数据，激光全息投影仪投影参数求取子模块可以自动算出聚焦范围和清晰度的参数，例如表1中x2和y2的参数；并将投影参数(红光，绿光，蓝光，聚焦范围，清晰度)打包，通过信号传输模块传输到到激光全息投影仪，激光投影仪根据投影的参数数据投影在沙盘上。

为了提高激光投影沙盘展示的真实性，在通过训练好的模型获取聚焦度和清晰度等投影参数之前，激光全息投影仪投影参数求取子模块可以选取高复杂度的区域并进行加权，以便提高预测模型的预测效果，该子模块进一步可包括：高复杂度区域标记单元、高复杂度区域的权重确定单元、投影参数求取单元；具体地，

高复杂度区域标记单元，将需要模拟的真实地貌中高复杂度的区域和目前沙盘的区域进行比对，对沙盘中符合高复杂度的点位区域进行标记。例如高复杂度区域为1点位，或者4，5点位…(注，如果对某个特定的区域有要求，那么在处理终端进行自动比对之前，人为标记这个区域为高复杂度区域)。

权重确定单元，确定高复杂度的点位区域的位置，数量，要求度等关键因素权重。考虑到模拟真实环境中各区域的复杂度存在区别，需要综合相应的关键因素，以便确认清晰度和聚焦范围要求最高的某个点位或者某几个点位，达到最佳的投影效果。

投影参数求取单元，根据沙盘的长，宽，高，深度及确定的权重，利用上述训练好的预测模型，对覆盖到的区域所包含的聚焦范围和清晰度的值进行处理，找到最适合的聚焦范围和清晰度值。例如，如果权重后选择的区域为点1和点2的位置，如表4所示，那么对X1、X2以及Y1、Y2值进行处理，得到相应的X值和Y值。

表4聚焦范围和清晰度求取

需要说明的是，为了提高实时性，在沙盘的长，宽，高，深度发生变化的时候，投影参数求取单元首先在构建的现有的数据库中进行搜索匹配，当匹配一致时，则直接选取对应的聚焦范围和清晰度信息。

地貌完整数据求取子模块，利用已经被训练好的地貌信息预测模型，当地貌发生变化时，会对地貌的轮廓进行分析，选择几个关键点的数据，在上述建立的地貌信息数据库中抓取需要呈现的地貌数据，或者根据地貌信息预测模型，自动补充其中的细节，达到与真实地貌环境无异的效果。

在进行实际工作时，为了提高实时性，该子模块可以对提取的关键点进行进一步的筛选，减少不必要的关键点输入。具体地，首先确定轮廓的关键点，在已扫描的轮廓中，对出现的拐角进行搜集，将各拐角的顶点作为关键点；如图7所示，对于点1到点N的坐标进行搜集；从第一个拐角开始，计算出所有相邻拐角之间的距离，例如距离1-2，距离2-3…；然后，根据上述距离对关键点进行筛选，地貌完整数据求取子模块预设一个距离值x作为基准，将上述所有的距离与此基准进行比较，若小于这个基准值的，则放弃，若大于这个基准值进行保留；例如，距离4-5小于基准值x，则点5被放弃。随后取距离4-6，再进行和基准值x进行比较，若距离4-6小于基准值x，则放弃…以此类推。在筛选后，得到的关键点存在不连续的情况时，对关键点进行合并处理，对于不连续的部分做相应的处理进行合并。例如图8中，5点被放弃，那么点4和点6在x和y轴上进行处理得出一个新的点6位置。经过合并之后，对所有的点位置按照顺序重新排序，如图8所示，例如新的点6位置则变更为点5，整理后连续的关键点为下一次的调整做准备。最后，对筛选合并后的各关键点输入到训练好的地貌信息预测模型，自动对各关键点之间的轮廓中缺失的细节进行补充，利用预测模型对缺失的x2,x4,x6,x8,h2的数据进行补充；并将补充后得到的完整地貌数据通过接收信号传输模块实时发送到机械臂。

激光全息投影仪，实时接收信号传输模块发送的投影参数数值进行沙盘投影成像。如图9所示，本实施例中激光全息投影仪采用三基色激光技术，使用激光光束来透射出画面，其中激光投影仪的光学部件主要由红绿蓝三色光阀、合束X棱镜、投影镜头和驱动光阀。在激光全息投影仪中有红、绿、蓝三色激光。激光在机器内经过相应的光学元件和处理芯片的扩束后再透射到X棱镜将三束激光整合，然后再由投影物镜将整合后的激光透射到投影幕布上，完成整个激光全息投影仪投影显示过程。

机械臂，实时接收信号传输模块发送的完整地貌数据，机械臂根据完整的地貌数据，快速的对地形进行堆砌和调整，从而省下人工对地貌进行建立模型的时间。机械臂，如图10所示，包括：移动手臂、底盘、激光距离感应器、灵巧手；其中，移动手臂的一端安装有灵巧手，另一端安装在底盘上，移动手臂以与底盘的连接点为轴心，进行全方位旋转；底盘安装有移动组件(如车轮)；灵巧手可以实现全方位旋转；激光距离感应器的数量为至少两个，分别安装灵巧手和底盘上，用于移动过程中障碍物监测。

具体工作时，首先，确定机械臂的基点：机械臂工作前，将机械臂放在沙盘周边的某一个位置，将这个位置的坐标录入控制终端作为机械臂的位置基点。然后，确定机械臂的移动位置，控制终端针对整个沙盘地貌进行复杂度的计算，根据复杂度的高低进行排列，并将复杂度区域的位置依次(复杂度由高->低)发送给机械臂。最后，机械臂通过底盘移动部分，按照基点位置-高复杂度的区域位置-高低复杂度的区域位置顺序移动；在移动的过程中，通过测距感应器来测量障碍物，防止碰撞，当每移动到一个指定位置时，通过灵巧手执行堆砌任务，直到所有的位置地貌堆砌完毕，则机械臂归位，移动到原来的基准位置，至此，机械臂完成地貌的堆砌工作。

需要说明的是，在地貌堆砌过程中，利用灵巧手可以更加高效准确的对沙盘进行堆砌。灵巧手安装有激光距感应器，用于躲避障碍，堆砌时，从沙盘外向沙盘内移动的过程中，不断检测前方是否存在障碍物，如堆砌好的山脉…，如果检测到障碍物，则停止移动，调整灵巧手位置，改为向上移动，再继续向目标位置移动。

需要说明强调的是，为了解决传统沙盘即时性差，当地貌发生变化时，不能够进行实时调整，无法反映真实地貌的问题。本实施例中装置还包括地貌监测传感器(示例性的，视频或图像采集传输设备)，地貌监测传感器对真实的地貌信息进行实时监测并传递给控制终端，控制终端对地貌信息是否变化进行判断，当地貌发生变化时，根据预设条件判断是否对构建的地貌信息及投影进行更新；具体地，预先设置一个时间间隔为基准(时间间隔可根据实际的精度要求、硬件条件、沙盘规模等进行设定)，当监测到地貌发生变化时，将地貌变化的间隔时间与基准进行比较，如果地貌变化的间隔时间小于基准，则忽略；如果地貌变化的间隔时间大于基准，一方面，投影参数求取子模块对地貌整个区域或高复杂度区域进行重新的参数预测，得到新的聚焦范围和清晰度参数，并发送给激光全息投影仪进行投影成像；另一方面，地貌完整数据求取子模块对新的地貌变化区域进行关键点的搜集，进行地貌数据补充，并发送给机械臂进行堆砌；

考虑机械臂对地形重新堆砌所需时间成本，当地貌变化的间隔时间大于基准，对新的地貌进行关键点的搜集后，控制终端根据地貌变化的程度采取不同的堆砌方式，具体地，将搜集到的新的关键点与最近搜集到的关键点参数进行预先设定地误差范围(具体数值可根据实际展示效果、硬件设备、实时性要求等条件设定)进行比对；当更新的关键点参数大于这个误差范围时候，则采取“重新塑造”的模式，当更新的关键点参数小于这个误差范围的时候，则采取“小范围修正”的模式。

其中，在重新塑造模式下，地貌会被抹平再重新塑造，机械臂首先会按照初始参数(初始状态下的高度Z坐标、X、Y轴坐标)将该区域的地貌抹平为最初的状态；然后利用求取的最新的地貌信息，重新堆砌(执行步骤S202)。在小范围修正模式下，进一步以地貌发生变化的区域为参考，对此区域周边一定范围内的轮廓进行关键点的搜集，求取的最新的地貌信息，重新堆砌。

本装置在军事沙盘制作中增加人工智能、激光全息成像技术、机械臂地貌制作，可以解决目前沙盘所带来的问题；激光全息成像技术及机械臂地貌快速自动制作可以解决准确性和真实性的问题。再此基础上，本装置还具有距离测量，位置标注等互动功能，通过激光测距感应器，可以获取沙盘中两点之间的距离，并且对感兴趣点进行标定，能够即时获取更多战场上的信息。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的沙盘制作装置，其特征在于，包括：

控制终端，用于构建激光全息投影预测模型及地貌信息预测模型，并进行训练，通过训练好的模型实时求取激光全息投影仪投影参数和完整地貌数据；

激光全息投影仪，根据上述投影参数的数值进行沙盘投影成像；

机械臂，根据上述完整地貌数据进行沙盘地貌制作；

双目摄像头、激光测距感应器，均悬挂于沙盘的正上方位置，且均与控制终端相连，用于采集激光全息投影预测模型训练所需数据；

三维扫描仪，用于对真实地貌进行扫描，采集上述地貌信息预测模型训练所需数据。

2.根据权利要求1所述的装置，其特征在于，所述机械臂，包括：移动手臂、底盘、激光距离感应器、灵巧手；

所述移动手臂的一端安装有灵巧手，另一端安装在底盘上，移动手臂以与底盘的连接点为轴心，进行旋转；

所述底盘安装有移动组件，用于机械臂的位置移动；

所述灵巧手以与移动手臂的连接点为轴心旋转，用于地貌堆砌；

所述激光距离感应器的数量为至少两个，分别安装在灵巧手和底盘上，用于移动过程中障碍物监测。

3.根据权利要求2所述的装置，其特征在于，所述控制终端包括：

数据采集模块，用于获取训练激光全息投影预测模型及地貌信息预测模型所需数据集；

预测模型构建与训练模块，用于构建激光全息投影沙盘预测模型及地貌信息预测模型，并利用所述数据采集模块获取的数据集对两个模型分别进行训练，得到训练好的激光全息投影沙盘预测模型及地貌信息预测模型；

投影参数及完整地貌数据求取模块，用于将沙盘的长，宽，高，深度信息，输入到上述训练好的激光全息投影预测模型，得到投影参数；还用于将地貌的轮廓输入到上述训练好的地貌信息预测模型，得到完整的地貌数据；

信号传输模块，将投影参数及完整地貌数据求取模块求取的投影参数传递到激光全息投影仪；同时将求取的完整的地貌数据传递到机械臂。

4.根据权利要求3所述的装置，其特征在于，还包括具有“十”字光标、用于位置校准的校准工具；所述数据采集模块包括：区域划分单元、长宽尺寸搜集单元、深浅尺寸搜集单元；

所述区域划分单元，用于对沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点；

所述长宽尺寸搜集单元、深浅尺寸搜集单元，用于与双目摄像头、激光测距感应器、激光全息投影仪及校准工具配合，对各基准点进行数据采集，得到训练模型所需要的数据集；

所述数据集包括基准点的平面位置坐标、垂直位置坐标、聚焦范围和清晰度。

5.根据权利要求4所述的装置，其特征在于，所述数据采集模块还包括：轮廓扫描单元、关键点抓取单元、数据补充单元；

所述轮廓扫描单元，接收三维扫描仪扫描的地貌轮廓，并对轮廓中出现的拐角进行搜集；

所述关键点抓取单元，根据上述拐角的位置，抓取地貌关键点的长度、宽度、高度信息；

所述数据补充单元，用于对相邻关键点之间的部分再进行分解，获取分解出的各部分的长度、宽度、高度数据，得到完整的地貌数据，用于训练地貌信息预测模型。

6.根据权利要求5所述的装置，其特征在于，所述对各基准点进行数据采集，包括：

长宽尺寸搜集单元控制激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，调整校准工具的位置，直到校准工具中的“十”字和光标的“十”字的位置重叠，长宽尺寸搜集单元记录此时基准点的平面位置坐标，完成沙盘的长宽尺寸搜集；

深浅尺寸搜集单元控制激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，保持校准工具中的“十”字和光标的“十”的位置重叠的状态下，向上/向下移动校准工具，直到在双目摄像头显示界面中该“十”字光标达到最佳的显示效果，深浅尺寸搜集单元记录该位置的垂直高度、聚焦范围和清晰度信息，作为该基准点的垂直位置坐标、聚焦范围和清晰度，完成沙盘深浅尺寸搜集。

7.根据权利要求6所述的装置，其特征在于，所述预测模型构建与训练模块，包括：

参数初始化单元，对网络权重以及偏置进行初始化处理，并在训练数据集中随机选出第一输入样本；

参数处理单元，进行神经元激活正向传播，通过隐藏层对上述第一输入样本进行权重和偏置处理，并求取输出层的结果和误差；

参数调整单元，根据上述误差进行反向传播，对网络权重和偏置进行调整；

训练监测单元，根据预先设定的结束条件判断训练是否结束。

8.根据权利要求7所述的装置，其特征在于，所述投影参数及完整地貌数据求取模块，包括：

高复杂度区域标记单元，将真实地貌中高复杂度区域和目前沙盘的区域进行比对，对沙盘中符合高复杂度的点位区域进行标记；

权重确定单元，确定上述标记出的高复杂度的点位区域的位置、数量、要求度的权重；

投影参数求取单元，根据沙盘的长、宽、高、深度信息及上述确定的权重，利用训练好的模型求取聚焦范围和清晰度。

9.根据权利要求8所述的装置，其特征在于，所述投影参数及完整地貌数据求取模块，在获取沙盘的长、宽、高、深度信息后，在构建的现有的数据集中进行搜索匹配，当匹配一致时，则直接选取对应的聚焦范围和清晰度信息，当匹配不一致时，则采用训练好的激光全息投影沙盘预测模型求取聚焦范围和清晰度信息；在获取地貌轮廓后，在构建的现有的数据库中进行搜索匹配，当匹配一致时，则直接选取对应完整地貌数据；当匹配不一致时，则采用训练好的地貌信息预测模型求取完整地貌数据。

10.根据权利要求1-9之一所述的装置，其特征在于，所述装置还包括地貌监测传感器，用于对真实的地貌信息进行实时监测并传递给控制终端，控制终端判断地貌发生变化时，将地貌变化的间隔时间与预设的基准进行对比，当所述地貌变化的间隔时间小于基准时，则忽略；当地貌变化的间隔时间大于基准时，一方面，投影参数及完整地貌数据求取模块对地貌整个区域或高复杂度区域进行重新的参数预测，得到新的聚焦范围和清晰度参数；另一方面，投影参数及完整地貌数据求取模块对新的地貌变化区域进行关键点的搜集及地貌补充，得到完整的地貌数据。