CN110864692A - 掘进机的位姿确定方法 - Google Patents

掘进机的位姿确定方法 Download PDF

Info

Publication number
CN110864692A
CN110864692A CN201911198011.4A CN201911198011A CN110864692A CN 110864692 A CN110864692 A CN 110864692A CN 201911198011 A CN201911198011 A CN 201911198011A CN 110864692 A CN110864692 A CN 110864692A
Authority
CN
China
Prior art keywords
layer
neural network
network model
convolutional neural
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.)
Pending
Application number
CN201911198011.4A
Other languages
English (en)
Inventor
李晓强
李昕
刘佳辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Longtian Huayuan Technology Co Ltd
Yangquan Coal Industry Group Co Ltd
Original Assignee
Beijing Longtian Huayuan Technology Co Ltd
Yangquan Coal Industry Group Co Ltd
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 Beijing Longtian Huayuan Technology Co Ltd, Yangquan Coal Industry Group Co Ltd filed Critical Beijing Longtian Huayuan Technology Co Ltd
Priority to CN201911198011.4A priority Critical patent/CN110864692A/zh
Publication of CN110864692A publication Critical patent/CN110864692A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种掘进机的位姿确定方法，包括：建立卷积神经网络模型；训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型；获取掘进机行进数据；将掘进机行进数据输入所述训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。本申请提供的掘进机的位姿确定方法，设计科学合理，计算速度快，计算结果精确度高，能够很好地满足实际应用的需要。

Description

掘进机的位姿确定方法
技术领域
本申请涉及掘进机技术领域，具体涉及一种掘进机的位姿确定方法。
背景技术
现有技术中，对于掘进机的位姿确定，主要涉及以下方法：
基于全站仪的导向和定位
全站仪全称为全站型电子速测仪,它是一种可以同时进行角度(水平角、竖直角)测量、距离测量和数据处理,由机械、光学、电子元件组合而成的测量仪器。其基本功能是通过激光测距传感器和2个角位移传感器获取空间点坐标。基于全站仪的导向技术多年前就被用于盾构掘进机进行隧道掘进时的导向。与盾构掘进机导向类似,全站仪用于悬臂掘进机导向时,需要在掘进机机身上设置若干棱镜作为辅助检测特征点,分别检测机身上棱镜的空间坐标以计算出机身在全站仪坐标系中的位姿。为了建立全站仪所测数据与巷道设计轴线之间的联系,通常需要设置后视棱镜以辅助确定全站仪的测量坐标系。有专利提出利用激光机动全站仪、车体偏摆角传感器、双轴倾角传感器及油缸行程传感器等建立掘进机头位姿测量***。其测量原理是将全站仪设置在巷道壁上并作为基准点,由全站仪测量机身在大地坐标系中的空间位置坐标,偏摆角传感器检测机身偏摆角,倾角传感器检测机身横滚角和俯仰角,油缸行程传感器检测截割头相对机身的空间位置,在此基础上测量截割头在大地坐标系中的空间位置坐标。
全站仪检测精度较高,但存在如下问题:(1)同一时刻全站仪只能检测1个点的坐标,而为了检测掘进机机身姿态,需要检测同一时刻离散分布的若干点的空间坐标,从这个意义上讲,全站仪更适合做掘进机的静态位姿检测。(2)全站仪在井下光线环境中对棱镜的自动识别能力还有待验证。
基于陀螺仪的导向和定位原理
陀螺仪的工作原理是高速旋转的陀螺能够保持其轴线指向不变。陀螺仪通过与加速度计一起构成惯性导航***来对载体进行导向和定位。惯性导航技术以牛顿力学定律为基础,利用加速度计测得载体在惯性参考系的运动加速度,经过对时间积分运算求出载体的位置,且将它变换到由陀螺仪建立的导航坐标系中,就能够得到载体在导航坐标系中的速度、偏航角和位置信息等。
目前已有研究将捷联式惯性导航***用于掘进机的无人驾驶和作业中。研究中从陀螺仪和加速度计构成的惯性导航***获得车体三轴方向的加速度信号和角速度信号,经导航解算求得掘进机车体实时位置信息,从车体实时位置信息获得车体的实时航向、俯仰角、横滚角,从位移传感器信号得到机械臂的伸缩、旋转量,二者共同决定掘进机的姿态信息。掘进机的姿态信息经坐标变换产生实时的控制偏差量,反馈到驱动及控制***,实现掘进机的姿态调整并驱动掘进机按照预定轨迹行进和截割作业。惯性导航***能提供位置、速度、航向和姿态角数据。其缺点:(1)由于导航信息经过时间积分而产生,定位误差随时间而增大,因此,其用于长程连续导航时通常需要采用指令、地形匹配、GPS等对惯性导航***进行定时修正,以获取持续准确的位置参数；(2)需要较长的初始对准时间；(3)设备成本较高。
基于电子罗盘的导向和定位原理
罗盘类传感器对角度检测依赖于地磁场,如电子罗盘,将其与掘进机机身刚性联结,则通过比较掘进机机身轴线与地磁场北极的夹角获得掘进机轴线的航向,与倾角仪提供的俯仰角和横滚角信息一起完成掘进机姿态检测。
罗盘类传感器原理简单,易于构成***,但由于煤矿井下空间狭小、机电设备相对集中,特别是采掘运输设备的功率较大,负载不稳定,造成井下电磁干扰严重,巷道所在岩层构造复杂多变,也使巷道地磁环境复杂多变,而电子罗盘的原理是测量地球磁场,如果在使用的环境中存在地磁场以外的磁场且这些磁场无法有效屏蔽时,会给罗盘类传感器的使用带来困难。因此,该技术难点在于如何抑制巷道中复杂电磁场环境对检测过程的影响。此外,基于电子罗盘的导向技术通常只能给出方向信息,无法提供空间位置信息。
基于激光导向仪的导向和定位原理
若干年来,激光放线一直是巷道掘进导向最可靠的方法,现仍在全球广泛使用。激光器的位置由测量人员测定。激光指向由地测人员用经纬仪测量、安置的一组测量点确定。激光束提供巷道施工的中线及腰线,具有较高精度和稳定性、可靠性,因此,有研究提出以导向激光为基准的掘进机自动定向定位方法:将激光导向仪与激光测距仪整合在一起,用于指向和测距,光测角仪安装在掘进机机身上,其基准轴线与机身基准轴线平行,通过接收导向激光,以测出掘进机机身与导向激光束间的水平角和俯仰角差值；机身上的电子陀螺仪可直接测出掘进机机身的水平角和俯仰角参数,通过光测角仪与巷道基准轴线建立联系,并导出巷道基准轴线的矢量参数,根据测点与参考点的距离,通过极坐标计算方法,可得到掘进机当前所处空间的绝对坐标值。这一方法同样存在在现场光测角仪对激光能否可靠接收及跟踪的问题。
基于视觉测量的导向和定位原理
视觉测量是指根据摄像机获得的图像视觉信息对目标的位置和姿态进行测量的技术。在应用方式上,它分为单目视觉测量和多目视觉测量(以双目视觉为主)2种。双目视觉测量技术用于掘进机导向和定位时,是通过立体视觉的方式,使双目视觉传感器与激光指向仪刚性连接,可直接检测出掘进机机身上相关特征点在理想巷道坐标系中的空间坐标,由此计算出机身相对指向激光的空间位姿,通过检测悬臂回转油缸和俯仰油缸的位移量可测出悬臂相对机身的回转角和俯仰角,从而可计算出截割头相对机身的空间位置,与机身相对指向激光的空间位姿数据相融合,可计算出截割头相对于指向激光的空间位置。
视觉测量技术用于掘进机自动导向和定位,具有实时、非接触、获取信息丰富等优点,难点在于如何克服工作面恶劣工况(如粉尘、水雾和光照条件等)对检测精度的影响。
精度在自动截割技术中对巷道成型精度有直接影响。考虑到悬臂式掘进机的控制精度和恶劣工况等因素，通常在截割作业的执行环节会产生较大偏差，因此，悬臂式掘进机自动定位检测精度需要达到厘米级，姿态和航向检测精度达到角分级才有可能达到规范要求的巷道断面边界精度。
基于光电技术的导航技术的基准信号传输介质包括激光(如点激光、线激光和全站仪等)、红外、可见光等，其特点是导航***分为
两部分：一部分作为检测和信号装置固定在巷道基准中；另一部分作为信号发射装置配置在悬臂式掘进机机身上随机身一起运动，或者反之。固定单元以经过标定的激光指向仪光束为基准，获取运动单元即悬臂式掘进机机身的空间位置姿态，具有技术成熟、精度高、成本低等优点，存在的问题有：环境适应性，包括粉尘对可见光的衰减，水雾对红外光的吸收以及空间狭窄引起的遮挡等；需要阶段性地向前移动基准并重新进行基准标定；距离增加使检测分辨率和检测精度下降。
近年来惯性导航技术用于悬臂式掘进机导航的研究成为热点。考虑到惯性导航技术长时精度差的特点，以及悬臂式掘进机的厘米级定位需求，惯性导航技术用于悬臂式掘进机的导航定位时，定位精度存在较大不足。
总体来说，现有技术的掘进机的位姿确定方法精度不高，不能满足实际应用的需要，亟待研发一种精度更高的位姿确定方法。
发明内容
本申请的目的是提供一种掘进机的位姿确定方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种掘进机的位姿确定方法，包括：
建立卷积神经网络模型；
训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型；
获取掘进机行进数据；
将掘进机行进数据输入所述训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。
进一步地，所述卷积神经网络模型，包括输入层、输出层以及位于所述输入层和所述输出层之间的隐藏层。
进一步地，输入层包括多个第一节点；隐藏层包括多个第二节点；输出层包括多个第三节点；所述隐藏层呈现为三维立体结构，分为沿所述输入层至所述输出层的方向间隔设置的多个平面，所述第二节点分别位于所述平面，所述第一节点与位于最邻近所述输入层的其中一平面的多个第二节点连接，所述第三节点与位于最邻近所述输出层的其中一平面的多个第二节点连接，位于每一平面的所述第二节点之间相互连接，位于每两个相邻的平面的所述第二节点沿所述平面的排列方向连接，使得所述隐藏层中的至少一第二节点在朝位于同一平面的其它第二节点以及所述平面的排列方向具有至少六个不同的数据传输方向。
进一步地，所述隐藏层包括依次连接的卷积层、池化层和全连接层。
进一步地，所述卷积层包括3x3大小的卷积核，步长为1。
进一步地，所述池化层采用全局平均池化函数或全局最大池化函数。
进一步地，所述全连接层采用sigmoid函数或tanh函数；其中：
sigmoid函数的定义公式为s(x)＝[1+(ex)-1]-1；
tanh函数的定义公式为
Figure BDA0002295149000000051
进一步地，所述掘进机行进数据包括：惯导数据、里程计数据和激光测距数据。
根据本申请实施例的另一个方面，提供一种掘进机的位姿确定装置，包括：
构建模块，用于建立卷积神经网络模型；
训练模块，用于训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型；
获取模块，用于获取掘进机行进数据；
处理模块，用于将掘进机行进数据输入所述训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。
根据本申请实施例的另一个方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现所述的掘进机的位姿确定方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的掘进机的位姿确定方法，设计科学合理，计算速度快，计算结果精确度高，能够很好地满足实际应用的需要。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请的一个实施例的掘进机的位姿确定方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
如图1所示，本申请的一个实施例提供了一种掘进机的位姿确定方法，包括：
S1、建立卷积神经网络模型。
S2、训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型。
S3、获取掘进机行进数据；所述掘进机行进数据包括惯导数据、里程计数据和激光测距数据，这些数据是通过相应的传感器获取的。
S4、将掘进机行进数据输入训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。
在某些实施方式中，所述卷积神经网络模型，包括输入层、输出层以及位于所述输入层和所述输出层之间的隐藏层。
在某些实施方式中，输入层包括多个第一节点；隐藏层包括多个第二节点；输出层包括多个第三节点；所述隐藏层呈现为三维立体结构，分为沿所述输入层至所述输出层的方向间隔设置的多个平面，所述第二节点分别位于所述平面，所述第一节点与位于最邻近所述输入层的其中一平面的多个第二节点连接，所述第三节点与位于最邻近所述输出层的其中一平面的多个第二节点连接，位于每一平面的所述第二节点之间相互连接，位于每两个相邻的平面的所述第二节点沿所述平面的排列方向连接，使得所述隐藏层中的至少一第二节点在朝位于同一平面的其它第二节点以及所述平面的排列方向具有至少六个不同的数据传输方向。
在某些实施方式中，所述隐藏层包括依次连接的卷积层、池化层和全连接层。
在某些实施方式中，所述卷积层包括3x3大小的卷积核，步长为1。
在某些实施方式中，所述池化层采用全局平均池化函数或全局最大池化函数。
在某些实施方式中，所述全连接层采用sigmoid函数或tanh函数。
sigmoid函数的定义公式为s(x)＝[1+(ex)-1]-1。
tanh函数的定义公式为
Figure BDA0002295149000000071
本实施例还提供了一种掘进机的位姿确定装置，包括：
构建模块，用于建立卷积神经网络模型；
训练模块，用于训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型；
获取模块，用于获取掘进机行进数据；
处理模块，用于将掘进机行进数据输入所述训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。
本实施例还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现所述的掘进机的位姿确定方法。
需要说明的是：
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种掘进机的位姿确定方法，其特征在于，包括：
建立卷积神经网络模型；
训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型；
获取掘进机行进数据；
将掘进机行进数据输入所述训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型，包括输入层、输出层以及位于所述输入层和所述输出层之间的隐藏层。
3.根据权利要求2所述的方法，其特征在于，输入层包括多个第一节点；隐藏层包括多个第二节点；输出层包括多个第三节点；所述隐藏层呈现为三维立体结构，分为沿所述输入层至所述输出层的方向间隔设置的多个平面，所述第二节点分别位于所述平面，所述第一节点与位于最邻近所述输入层的其中一平面的多个第二节点连接，所述第三节点与位于最邻近所述输出层的其中一平面的多个第二节点连接，位于每一平面的所述第二节点之间相互连接，位于每两个相邻的平面的所述第二节点沿所述平面的排列方向连接，使得所述隐藏层中的至少一第二节点在朝位于同一平面的其它第二节点以及所述平面的排列方向具有至少六个不同的数据传输方向。
4.根据权利要求2所述的方法，其特征在于，所述隐藏层包括依次连接的卷积层、池化层和全连接层。
5.根据权利要求4所述的方法，其特征在于，所述卷积层包括3x3大小的卷积核，步长为1。
6.根据权利要求4所述的方法，其特征在于，所述池化层采用全局平均池化函数或全局最大池化函数。
7.根据权利要求4所述的方法，其特征在于，所述全连接层采用sigmoid函数或tanh函数；其中：
sigmoid函数的定义公式为s(x)＝[1+(ex)-1]-1；
tanh函数的定义公式为
Figure FDA0002295148990000021
8.根据权利要求1所述的方法，其特征在于，所述掘进机行进数据包括：惯导数据、里程计数据和激光测距数据。
9.一种掘进机的位姿确定装置，其特征在于，包括：
构建模块，用于建立卷积神经网络模型；
训练模块，用于训练该卷积神经网络模型，得到训练完成后的卷积神经网络模型；
获取模块，用于获取掘进机行进数据；
处理模块，用于将掘进机行进数据输入所述训练完成后的卷积神经网络模型进行处理，得到最终的位姿数据。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-8中任一所述的掘进机的位姿确定方法。
CN201911198011.4A 2019-11-29 2019-11-29 掘进机的位姿确定方法 Pending CN110864692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911198011.4A CN110864692A (zh) 2019-11-29 2019-11-29 掘进机的位姿确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911198011.4A CN110864692A (zh) 2019-11-29 2019-11-29 掘进机的位姿确定方法

Publications (1)

Publication Number Publication Date
CN110864692A true CN110864692A (zh) 2020-03-06

Family

ID=69657681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911198011.4A Pending CN110864692A (zh) 2019-11-29 2019-11-29 掘进机的位姿确定方法

Country Status (1)

Country Link
CN (1) CN110864692A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112304285A (zh) * 2020-11-03 2021-02-02 中国煤炭科工集团太原研究院有限公司 悬臂式掘进机截割头的姿态检测方法及***
CN112392498A (zh) * 2020-11-12 2021-02-23 三一重型装备有限公司 一种掘进机截割部的控制方法及装置
CN112525158A (zh) * 2020-11-16 2021-03-19 江苏集萃智能光电***研究所有限公司 基于单目视觉***的双护盾六自由度测量方法及***
CN112556649A (zh) * 2020-11-30 2021-03-26 徐州徐工挖掘机械有限公司 一种挖掘机倾角测量倾角修正方法、装置和倾角测量仪
CN117541847A (zh) * 2023-10-16 2024-02-09 陕西小保当矿业有限公司 一种掘进环境的侦测方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170262962A1 (en) * 2016-03-11 2017-09-14 Qualcomm Incorporated Systems and methods for normalizing an image
CN109630154A (zh) * 2019-01-24 2019-04-16 华能西藏雅鲁藏布江水电开发投资有限公司 一种用于隧道掘进的掘进机器人及远程移动终端指挥***
CN110045598A (zh) * 2019-04-10 2019-07-23 中国矿业大学(北京) 一种悬臂式掘进机井下行进路径跟踪控制方法
CN110486081A (zh) * 2019-08-06 2019-11-22 精英数智科技股份有限公司 一种掘进机作业安全监测方法、***、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170262962A1 (en) * 2016-03-11 2017-09-14 Qualcomm Incorporated Systems and methods for normalizing an image
CN109630154A (zh) * 2019-01-24 2019-04-16 华能西藏雅鲁藏布江水电开发投资有限公司 一种用于隧道掘进的掘进机器人及远程移动终端指挥***
CN110045598A (zh) * 2019-04-10 2019-07-23 中国矿业大学(北京) 一种悬臂式掘进机井下行进路径跟踪控制方法
CN110486081A (zh) * 2019-08-06 2019-11-22 精英数智科技股份有限公司 一种掘进机作业安全监测方法、***、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
葛垚等: "基于 CNN 与 SVDD的掘进机智能监测***设计", 《传感器与微***》 *
赵铎: "基于深度学习的机器人抓取位置检测", 《中国优秀硕士学位论文全文数据库 工程科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112304285A (zh) * 2020-11-03 2021-02-02 中国煤炭科工集团太原研究院有限公司 悬臂式掘进机截割头的姿态检测方法及***
CN112392498A (zh) * 2020-11-12 2021-02-23 三一重型装备有限公司 一种掘进机截割部的控制方法及装置
CN112392498B (zh) * 2020-11-12 2022-12-16 三一重型装备有限公司 一种掘进机截割部的控制方法及装置
CN112525158A (zh) * 2020-11-16 2021-03-19 江苏集萃智能光电***研究所有限公司 基于单目视觉***的双护盾六自由度测量方法及***
CN112556649A (zh) * 2020-11-30 2021-03-26 徐州徐工挖掘机械有限公司 一种挖掘机倾角测量倾角修正方法、装置和倾角测量仪
CN117541847A (zh) * 2023-10-16 2024-02-09 陕西小保当矿业有限公司 一种掘进环境的侦测方法及***

Similar Documents

Publication Publication Date Title
CN110864692A (zh) 掘进机的位姿确定方法
CN111156998B (zh) 一种基于rgb-d相机与imu信息融合的移动机器人定位方法
CN108731672B (zh) 基于双目视觉及惯性导航的采煤机姿态检测***及方法
US8494225B2 (en) Navigation method and aparatus
Su et al. GR-LOAM: LiDAR-based sensor fusion SLAM for ground robots on complex terrain
CN109991636A (zh) 基于gps、imu以及双目视觉的地图构建方法及***
CN107909614B (zh) 一种gps失效环境下巡检机器人定位方法
CN108731670A (zh) 基于量测模型优化的惯性/视觉里程计组合导航定位方法
CN108475059A (zh) 自主视觉导航
CN107966989A (zh) 一种机器人自主导航***
KR102396675B1 (ko) 라이다 센서를 이용한 지하광산 자율주행 로봇의 위치추정 및 3d 갱도 맵핑 시스템과 그 방법
CN108235735A (zh) 一种定位方法、装置及电子设备、计算机程序产品
CN207965645U (zh) 一种机器人自主导航***
CN108413965A (zh) 一种室内室外巡检机器人综合***及巡检机器人导航方法
CN112476433A (zh) 一种基于识别阵列边界的移动机器人定位方法
Zheng et al. An optimization-based UWB-IMU fusion framework for UGV
CN108868772A (zh) 一种连采机快速准直控制方法
Adam et al. Fusion of fixation and odometry for vehicle navigation
CN106225779A (zh) 基于三激光标记点图像的掘进机定位***及定位方法
Csaba et al. Differences between Kinect and structured lighting sensor in robot navigation
CN114964227A (zh) 基于深度相机定位修正的采煤机组合导航定位***及方法
Si et al. A novel positioning method of anti-punching drilling robot based on the fusion of multi-IMUs and visual image
Deusch et al. Improving localization in digital maps with grid maps
KR20210051030A (ko) 센서 바이어스 보정 방법 및 장치
CN109839109A (zh) 基于图像识别和多传感器融合的掘进机绝对位姿检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200306