CN113378390B - 一种基于深度学习的地外星表通行性分析方法及*** - Google Patents
一种基于深度学习的地外星表通行性分析方法及*** Download PDFInfo
- Publication number
- CN113378390B CN113378390B CN202110658128.7A CN202110658128A CN113378390B CN 113378390 B CN113378390 B CN 113378390B CN 202110658128 A CN202110658128 A CN 202110658128A CN 113378390 B CN113378390 B CN 113378390B
- Authority
- CN
- China
- Prior art keywords
- trafficability
- map
- grid
- data
- virtual simulation
- 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 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000002474 experimental method Methods 0.000 claims abstract description 34
- 239000000463 material Substances 0.000 claims abstract description 30
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012850 discrimination method Methods 0.000 claims 1
- 241001061260 Emmelichthys struhsakeri Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000000109 continuous material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于深度学习的地外星表通行性分析方法及***,该方法首先通过过程式数据生成方法生成地外星表的虚拟仿真场地的多维度数据,并使用其中的几何信息搭建虚拟仿真场地;然后构建巡视器,并让巡视器在虚拟仿真场地中运行,获取有通行方向限制的通行性实验结果,然后再将其转化为无方向限制的通行性实验结果;使用滑动窗口截取地图中巡视器所在位置的局部地图,并将局部地图以及对应的无方向限制的通行性实验结果输入通行性预测网络,对网络进行训练,得到优化后的网络,通过网络输出无方向限制的通行性实验结果。本发明综合考虑了环境几何、材质属性,获得的地图能更合理地反映地形的通行程度,减少星外探测中遭遇风险的可能性。
Description
技术领域
本发明属于深度学习和航空航天领域,主要涉及一种基于深度学习的地外星表通行性分析方法及***。
背景技术
通行性是衡量一个实体对一块区域穿越难易程度的指标,通行性分析是根据传感器等智能感知设备获取到的环境信息,设计相关算法对环境的通行性进行描述和量化。
近年我国对地外行星的探索取得了里程碑式的进展,从“嫦娥”对月球的探索,到“天问”对火星的探索,这一系列课题对我国地外探测水平提出了新的要求和新的挑战。地外探测中由于地外星表地形的非结构性和复杂未知性,在执行地外探索任务时巡视器经常会面临危险识别难的问题,这是由于对环境理解不透彻、通行性分析不全面引起的。
传统的巡视器地表通行性研究主要基于对地表几何信息的处理,主要方法为将3D点集按网格划分,并通过这些点计算网格内的高程、坡度和法线,最后根据这些特征划分阈值判断网格的通行性。之后的研究中通过最小二乘法,由原始点云数据得到更加平滑的高程数据、更加精确的坡度数据以及衡量单个网格内部高程变化的粗糙度数据,并以这些参数作为通行性代价函数的参数来计算可通行性。
近年来随着深度学习的发展,针对复杂的地表情况,相关研究逐渐从特征驱动转向了数据驱动,旨在使用大量的实测数据与可通行性数据,用回归或分类的方法预测特定情况下的通行代价或可通行性,许多研究引入了图像作为几何之外的补充判别可通行性的依据,使得巡视器能够更多考虑到地表的材质信息,从而使通行代价与可通行性的判别更加准确。
传统基于几何信息的通行性方法都基于经验公式或阈值,所以对于地面信息复杂的情况不能很完善地处理,在星外探索中可能会出现危险情况。基于深度学习方法的结果依赖通行性标签的定义和标注方法,并且难以获取数据集。
发明内容
本发明针对现有方法的不足,结合航天地外探测的高安全性需求,提出一种基于深度学习的地外星表通行性分析方法及***,创新地采用语义分割网络对多维语义输入数据进行通行性分析,并在多维语义输入数据中考虑了材质特征,能够对周围环境进行更深入全面的理解,减少星外探索中潜在的风险。
本发明的目的通过如下的计算方案来实现:
一种基于深度学习的地外星表通行性分析方法,该方法包括如下步骤:
步骤一:通过过程式数据生成方法生成地外星表的虚拟仿真场地的多维度数据,并使用其中的几何信息搭建虚拟仿真场地;所述多维度数据为二维栅格地图;
步骤二:构建巡视器,并让所述巡视器在所述虚拟仿真场地中运行,获取有通行方向限制的通行性实验结果;
步骤三:将所述的有通行方向限制的通行性实验结果转化为无方向限制的通行性实验结果,所述无方向限制的通行性实验结果与所述二维栅格地图一一对应;
步骤四:使用滑动窗口的方法截取所述二维栅格地图中巡视器所在位置的局部栅格地图,并将局部栅格地图以及对应的无方向限制的通行性实验结果作为训练样本输入通行性预测网络,对所述通行性预测网络进行训练,得到优化后的通行性预测网络;所述通行性预测网络为语义分割网络;
步骤五:获取地外星表的模拟场地的传感器数据,并将其转换为步骤一中的多维度数据,输入优化后的通行性预测网络,输出无方向限制的通行性实验结果。
进一步地,所述步骤一中的通过过程式数据生成方法生成地外星表的虚拟仿真场地的多维度数据具体包括如下子步骤:
S1.1:通过建模得到待生成的地外星表的虚拟仿真场地,进一步获得虚拟仿真场地的高程图,并计算坡度;
S1.2:基于随机能量场的算法产生连续合法的地表材质:
(1)首先确定每一材质通道的离散数值集合C1,C2,…,并从中挑选出合理的地表状态集:
Φ={(c1,c2,…)|c1∈C1,c2∈C2,…,(c1,c2,…)is valid}
其中c1、c2为材质通道C1、C2为对应的一种合理状态;
(2)在所述二维栅格地图上设置若干能量源:
E={ei|ei=(φi,xi,yi,pi),φi∈Φ}
其中,φi为合理的地表状态集中的随机取值,(xi,yi)为地图范围内的随机位置,pi为适当范围内的随机能量大小;
(3)使用平方递减的能量场计算每一栅格对于各个能量源的累计能量:
其中φt为(x,y)栅格坐标处的地表状态集取值;
(4)取能量最大的状态为该栅格的状态:
(5)考虑地表材质通道与几何通道组合后是否为合理状态,并确定材质通道的最终结果:
进一步地,所述步骤二具体包括如下子步骤:
对巡视器在二维栅格上分别向上下左右四个正方向进行遍历式的模拟运行,且每当车辆中心行驶到栅格边界附近时,进行离散的实验状态的记录,所述离散的实验状态包括巡视器通过栅格前后时间t1、t2,和通过栅格前后的速度方向v1、v2,并采用如下的状态判别函数判断当前实验状态是否可通行:
进一步地,所述步骤三具体为:
S3.1:将步骤二得到的有通行方向限制的通行性实验结果的0/1二维栅格地图记为X,并在X上进行路径规划,将路径规划中所有可能出现的巡视器的状态集合表示为P(X):
其中,(x,y)为巡视器中心的坐标,d为巡视器行驶的方向,C(x,y,d)为巡视器覆盖的栅格及其周边小范围邻域;
S3.2:设计评价函数g
其中,α为用于优先避免方案中出现非安全状态的常数,β是负常数,用于鼓励安全状态的产生;γ是正常数,用于鼓励在不影响安全状态数时尽量出现更大面积的不可通行区域,使最终地图具有更好的连贯性;将每一个不可通行的实验结果对应的位置与方向称为一个非安全状态,U为非安全状态的集合;将每一个可通行的实验结果对应的巡视器状态称为一个安全状态,S为安全状态的集合;
U={(x,y,d)|f(T(x,y,d),d,s)=0}
S={(x,y,d)|f(T(x,y,d),d,s)=1}
S3.3:因不同的安全状态与非安全状态有相互约束关系,因此将该问题视为全局优化问题,采用遗传算法对方案进行优化,其中优化目标为:
一种基于深度学习的地外星表通行性分析***,该***包括:
多维语义信息生成模块,用于接收待生成的地外星表的虚拟仿真场地的高程图,生成虚拟仿真场地的几何数据;并基于随机能量场的算法产生连续合法的地表材质;所述几何数据和地表材质构成虚拟仿真场地的多维度数据;
场地实验模块,导入巡视器模型,使用巡视器模型在所述虚拟仿真场地上进行虚拟仿真实验,采用通行性实验结果判别方法得到有方向性的通行性实验结果;
通行性地图标签生成模块,根据通行性地图中可规划路径数目设计优化目标函数,并使用遗传优化算法得到无方向性的通行性实验结果;
网络训练/预测模块,内置通行性预测网络,使用带有多维度数据的二维栅格地图作为输入,输出无方向限制的二值通行性地图。
本发明的有益效果如下:
1.本发明首次使用语义分割网络结合多维语义信息进行像素级的通行性分析并验证其有效性,该方法能输出和输入语义信息同尺度大小的通行性地图,相比于已有的通行性分析方法对环境的理解更加全面和细致,更适合对于安全性要求高的航空航天领域使用。
2.本发明在虚拟环境下生成多维语义数据集的生成方法,包括基于能量场生成合法连续材质数据的方法、虚拟环境下的通行性实验方法和相应的通行性标注准则。
3.本发明的方法在地图通行性判别时,将判别条件转化为结合实验结果的优化问题,并采用遗传算法进行求解;
4.相比于传统几何通行性分析方法,本发明不依赖于经验阈值,且综合考虑了环境的几何属性、材质属性,获得的通行性代价地图能更合理地反映地形的通行程度,减少星外探测中遭遇风险的可能性。
附图说明
图1为本发明的通行性分析***的模块划分示意图;
图2为过程式生成地表信息结果,其中,(a)为地表裂隙分级的级别图;(b)为地表颗粒度分级的级别图;(c)为地表粗糙度分级的级别图;(d)为地表高程图;
图3为四方向的遍历式通行性实验结果图,其中,(a)为向上行驶可通行性;(b)为向右行驶可通行性;(c)为向下行驶可通行性;(d)为向左行驶可通行性;
图4为使用attention机制改进后的Unet语义分割网络的架构图;
图5为网络预测结果对比图,其中,上排图为不同输入对应的通行性标签,下排图为和上排相对应输入下的网络预测结果。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的基于深度学习的地外星表通行性分析***,包括:
多维语义信息生成模块,用于接收待生成的地外星表的虚拟仿真场地的高程图,生成虚拟仿真场地的几何数据;并基于随机能量场的算法产生连续合法的地表材质;所述几何数据和地表材质构成虚拟仿真场地的多维度数据;
场地实验模块,导入巡视器模型,使用巡视器模型在所述虚拟仿真场地上进行虚拟仿真实验,采用通行性实验结果判别方法得到有方向性的通行性实验结果;
通行性地图标签生成模块,根据通行性地图中可规划路径数目设计优化目标函数,并使用遗传优化算法得到无方向性的通行性实验结果;
网络训练/预测模块,内置通行性预测网络,使用带有多维度数据的二维栅格地图作为输入,输出无方向限制的二值通行性地图。
如图1所示,本发明的基于深度学习的地外星表通行性分析方法,主要包括如下步骤:
步骤一:通过过程式数据生成方法生成地外星表的虚拟仿真场地的多维度数据,并使用其中的几何信息搭建虚拟仿真场地;所述多维度数据为二维栅格地图;
S1.1:通过建模得到待生成的地外星表的虚拟仿真场地,进一步获得虚拟仿真场地的高程图,并计算坡度;
S1.2:基于随机能量场的算法产生连续合法的地表材质;
由于模拟场地搭建成本高、周期长,为缩短算法迭代周期、扩充数据量,本发明采用过程式生成的方法,在虚拟仿真场地中构建合理的多维语义信息。对于模拟场地,通过传感器及相关同步定位与建图算法进行地图的构建与映射,可以得到模拟场地的多维语义信息。
待生成的虚拟仿真场地数据分为几何数据与材质数据。在该实施例中,几何数据使用unity随机地表生成工具得到高程图并计算坡度。场地材质通常会表现出多种属性,如地表颗粒度、裂隙大小、表面粗糙度等,我们可将每一属性视为多维语义信息的一个通道。同一通道的数据之间需要考虑几何连贯性,在多数区域需要形成较连续的大面积斑块。不同通道之间的数据具有一定约束性,且受场地几何数据的制约。如地表颗粒度极小的区域无法出现较大的裂隙或较大的粗糙度,在坡度较大的区域不会出现颗粒度极小的情况等。
生成联系合法的地表材质具体包括如下子步骤:
(1)首先确定每一材质通道的离散数值范围集合C1,C2,…,并从中挑选出合理的地表状态集;
Φ={(c1,c2,…)|c1∈C1,c2∈C2,…,(c1,c2,…)is valid}
其中c1、c2为材质通道C1、C2对应的一种合理状态。
(2)在所述二维栅格地图上设置若干能量源E:
E={ei|ei=(φi,xi,yi,pi),φi∈Φ}
其中,φi为合理的地表状态集中的随机取值,(xi,yi)为地图范围内的随机位置,pi为适当范围内的随机能量大小;
(3)使用平方递减的能量场计算每一栅格对于各个能量源的累计能量:
其中φt为(x,y)栅格坐标处的地表状态集取值,
(4)取能量最大的状态为该栅格的状态:
(5)考虑地表材质通道与几何通道组合后是否为合理状态,并确定材质通道的最终结果:
最终可以得到在约束条件限制下,具有较好连通性的斑块状地表信息。实验中选取高程、地表裂隙度、地表颗粒度、地表粗糙度作为多维语义信息的几个通道,使用上述方法生成的多维语义数据结果如图2所示。
步骤二:构建巡视器,并让所述巡视器在所述虚拟仿真场地中运行,获取有通行方向限制的通行性实验结果;
为使***最终能够预测经验公式之外的危险状况,本发明采用了数据驱动的方法,用巡视器在场地中行进的实验结果判定险情,从而建立针对特定车辆的场地多维信息与通行性的对应关系。在该实施例中,对巡视器在二维栅格地图上分别向上下左右四个正方向进行遍历式的模拟运行,且每当车辆中心行驶到栅格边界附近时,进行离散的实验状态的记录,所述离散的实验状态包括巡视器通过栅格前后时间t1、t2,和通过栅格前后的速度方向v1、v2。
在实际任务中,巡视器自身会覆盖若干栅格,将巡视器覆盖的栅格及其周边小范围邻域记为C(x,y,d),并将该范围内全部的地表多维语义信息记为T(x,y,d),其中(x,y)为巡视器中心的坐标,d为巡视器行驶的方向。在某一特定实验环境中,对于特定巡视器,存在判别其通行性的隐函数f(T,d,s),即在场地信息与巡视器状态不发生改变时,该巡视器在特定位置的通行性是固定的。其中s为巡视器自身参数,f是0/1二值函数。该函数难以通过经验公式显式定义,因此引入了一个实验结果的中间函数P(x,y,d),通过测定实验结果给出中间函数的值,间接得到该位置的通行性。
由于在沙地、碎石地等区域会遇到打滑、颠簸等易于引发危险的状态,但轻微的打滑与颠簸属于正常情况,因此本发明对巡视器某一状态的通行性做出了更加显式的定义。记录巡视器通过栅格前后时间t1、t2,和通过栅格前后的速度方向v1、v2,当角度偏移大于阈值θ0时,认为该状态为不可通行。另外将巡视器通过该栅格的平均速率小于阈值vmin的状态判定为不可通行,同时平均速率越接近额定功率下的最大速率vmax,则该状态可通行的概率越大,并对速度到概率进行平滑映射。同时如下定义有实验数据时的概率公式:
采用的平滑映射函数如下:
其中,
从而可定义有实验数据时的状态判别函数:
其中1表示可通行,0表示不可通行。
同样的,在模拟场地的巡视器实验会消耗大量时间与人力物力,因此我们使用了虚拟环境来进行仿真测试及实验数据的采集。为使结果更加接近真实环境中,通行性难以用经验公式详尽描述这一特点,一方面结合物理仿真平台进行上述方法的实践;另一方面是结合车身覆盖范围内的地表材质与几何,给出符合常理的断言式的不可通行规则,如给出可通行的坡度阈值车身覆盖的沙地比例每增加10%,可通行的坡度阈值降低3%等规则。
在场地中进行遍历式的实验后,将每一个不可通行的实验结果对应的位置与方向称为一个非安全状态,非安全状态集合记为
U={(x,y,d)|f(T(x,y,d),d,s)=0}
相对地,每一个可通行的实验结果对应的巡视器状态称为一个安全状态,安全状态集合记为
S={(x,y,d)|f(T(x,y,d),d,s)=1}
至此得到了有通行方向限制的通行性实验结果,只有在巡视器行进方向与限制方向相近时,该记录的实验数据才是有效的。需要注意,对于不同的巡视器参数s以及不同的世界判定规则f得到的U与S是不同的,巡视器特定参数对函数的影响已隐式地反应在实验结果中。使用上述方法在linux平台下的gazebo仿真软件中对特定巡视器进行了四方向的遍历式通行性实验,实验结果如图3所示。
步骤三:将所述的有通行方向限制的通行性实验结果转化为无方向限制的通行性实验结果,所述无方向限制的通行性实验结果与所述二维栅格地图一一对应;
许多使用实验数据驱动的方法将带有方向限制的实验结果直接对应到无方向限制的通行性地图及代价地图中.在最保守且直观的方法中,对于任意非安全状态,我们可以将其覆盖的区域全部标记为不可通行,最终未标注过的区域则为可通行区域(后文将该方法简写为NA).这样的方法虽然简便快捷,但会使得可用于路径规划的面积大大减少,将很多本可以通行的区域标注为不可通行.另外一类典型的方法以巡视器中心为基准,将该区域多方向的实验结果汇总到中心栅格上若各方向均可通行,则该栅格可通行,最终得到的通行性地图中将巡视器简化为中心点(后文将该方法简记为CA).该类方法在某些特定地形中可通行区域会收缩很多,如三个方向可通行的斜坡会被标注为完全不可通行。
针对上述问题,本发明提出一种新的方法,用于使用带方向限制的实验结果生成无方向限制的通行性地图,并且在保证安全的情况下,使得最终地图中可容纳的安全状态更多、有效可通行区域更大。
S3.1:将步骤二得到的代表有通行方向限制的通行性实验结果的0/1二维栅格地图记为X,并在X上进行路径规划,将路径规划中所有可能出现的巡视器的状态的集合表示为P(X):
其中,(x,y)为巡视器中心的坐标,d为巡视器行驶的方向,C(x,y,d)为巡视器覆盖的栅格及其周边小范围邻域;
S3.2:设计评价函数g
其中,α为用于优先避免方案中出现非安全状态的常数,β是负常数,用于鼓励安全状态的产生;γ是正常数,用于鼓励在不影响安全状态数时尽量出现更大面积的不可通行区域,使最终地图具有更好的连贯性。
S3.3:因不同的安全状态与非安全状态有相互约束关系,因此将该问题视为全局优化问题,采用遗传算法对方案进行优化,其中优化目标为:
为避免开始时方案中出现过多的非安全状态影响收敛,方案初始状态设置为全部不可通行。每次迭代随机将若干个状态覆盖的区域变化为可通行/不可通行,产生多个迭代结果,保留其中值最小的若干结果进行下一步迭代,直到结果收敛,最终可得到相对连贯、可解释性强的通行性地图。
步骤五:获取地外星表的模拟场地的传感器数据,并将其转换为步骤一中的多维度数据,输入优化后的通行性预测网络,输出无方向限制的通行性实验结果。
在该实施例中,使用Unet分割网络作为基础网络架构,参考了Attention Gate模型,使用Attention机制对网络结构进行了改进,改进后的网络在收敛速度上具有更好的性能,相关网络架构示意图如图4所示。使用带有多维语义的二维栅格地图作为输入,输出无方向限制的二值通行性地图,将通行性分析问题建模为逐像素分类问题,即语义分割问题。这样的建模方式可以获得和输入数据同粒度的通行性地图,更利于对场景的理解和后续规划。使用前几个步骤生成的多维语义数据集对网络的有效性进行验证。使用该网络在648组测试集上进行预测,平均dice系数达到93.85%,通行性预测结果如图5所示。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例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。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (5)
1.一种基于深度学习的地外星表通行性分析方法,其特征在于,该方法包括如下步骤:
步骤一:通过过程式数据生成方法生成地外星表的虚拟仿真场地的多维度数据,并使用其中的几何信息搭建虚拟仿真场地;所述多维度数据为二维栅格地图;
步骤二:构建巡视器,并让所述巡视器在所述虚拟仿真场地中运行,获取有通行方向限制的通行性实验结果;
步骤三:将所述的有通行方向限制的通行性实验结果转化为无方向限制的通行性实验结果,所述无方向限制的通行性实验结果与所述二维栅格地图一一对应;
步骤四:使用滑动窗口的方法截取所述二维栅格地图中巡视器所在位置的局部栅格地图,并将局部栅格地图以及对应的无方向限制的通行性实验结果作为训练样本输入通行性预测网络,对所述通行性预测网络进行训练,得到优化后的通行性预测网络;所述通行性预测网络为语义分割网络;
步骤五:获取地外星表的模拟场地的传感器数据,并将其转换为步骤一中的多维度数据,输入优化后的通行性预测网络,输出无方向限制的通行性实验结果。
2.根据权利要求1所述的基于深度学习的地外星表通行性分析方法,其特征在于,所述步骤一中的通过过程式数据生成方法生成地外星表的虚拟仿真场地的多维度数据具体包括如下子步骤:
S1.1:通过建模得到待生成的地外星表的虚拟仿真场地,进一步获得虚拟仿真场地的高程图,并计算坡度;
S1.2:基于随机能量场的算法产生连续合法的地表材质:
(1)首先确定每一材质通道的离散数值集合C1,C2,…,并从中挑选出合理的地表状态集:
Φ={(c1,c2,…)|c1∈C1,c2∈C2,…,(c1,c2,…)是合法的}
其中c1、c2为材质通道C1、C2为对应的一种合理状态;
(2)在所述二维栅格地图上设置若干能量源:
E={ei|ei=(φi,xi,yi,pi),φi∈Φ}
其中,φi为合理的地表状态集中的随机取值,(xi,yi)为地图范围内的随机位置,pi为适当范围内的随机能量大小;
(3)使用平方递减的能量场计算每一栅格对于各个能量源的累计能量:
其中φt为(x,y)栅格坐标处的地表状态集取值;
(4)取能量最大的状态为该栅格的状态:
(5)考虑地表材质通道与几何通道组合后是否为合理状态,并确定材质通道的最终结果:
3.根据权利要求1所述的基于深度学习的地外星表通行性分析方法,其特征在于,所述步骤二具体包括如下子步骤:
对巡视器在二维栅格上分别向上下左右四个正方向进行遍历式的模拟运行,且每当车辆中心行驶到栅格边界附近时,进行离散的实验状态的记录,所述离散的实验状态包括巡视器通过栅格前后时间t1、t2,和通过栅格前后的速度方向v1、v2,并采用如下的状态判别函数判断当前实验状态是否可通行:
其中1表示可通行,0表示不可通行,T(x,y,d)为巡视器覆盖的栅格及其周边小范围邻域内全部的地表多维语义信息;P(x,y,d)为引入的实验结果的中间函数,(x,y)为巡视器中心的栅格地图坐标,d为巡视器行驶的方向;p0为判断阈值;为平滑映射函数
4.根据权利要求1所述的基于深度学习的地外星表通行性分析方法,其特征在于,所述步骤三具体为:
S3.1:将步骤二得到的有通行方向限制的通行性实验结果的0/1二维栅格地图记为X,并在X上进行路径规划,将路径规划中所有可能出现的巡视器的状态集合表示为P(X):
其中,(x,y)为巡视器中心的坐标,d为巡视器行驶的方向,C(x,y,d)为巡视器覆盖的栅格及其周边小范围邻域;
S3.2:设计评价函数g
其中,α为用于优先避免方案中出现非安全状态的常数,β是负常数,用于鼓励安全状态的产生;γ是正常数,用于鼓励在不影响安全状态数时尽量出现更大面积的不可通行区域,使最终地图具有更好的连贯性;将每一个不可通行的实验结果对应的位置与方向称为一个非安全状态,U为非安全状态的集合;将每一个可通行的实验结果对应的巡视器状态称为一个安全状态,S为安全状态的集合;
U={(x,y,d)|f(T(x,y,d),d,s)=0}
S={(x,y,d)|f(T(x,y,d),d,s)=1}
其中,T(x,y,d)为巡视器覆盖的栅格及其周边小范围邻域内全部的地表多维语义信息;
S3.3:因不同的安全状态与非安全状态有相互约束关系,因此将该问题视为全局优化问题,采用遗传算法对方案进行优化,其中优化目标为:
5.一种基于深度学习的地外星表通行性分析***,其特征在于,该***包括:
多维语义信息生成模块,用于接收待生成的地外星表的虚拟仿真场地的高程图,生成虚拟仿真场地的几何数据;并基于随机能量场的算法产生连续合法的地表材质;所述几何数据和地表材质构成虚拟仿真场地的多维度数据;
场地实验模块,导入巡视器模型,使用巡视器模型在所述虚拟仿真场地上进行虚拟仿真实验,采用通行性实验结果判别方法得到有方向性的通行性实验结果;
通行性地图标签生成模块,根据通行性地图中可规划路径数目设计优化目标函数,并使用遗传优化算法得到无方向性的通行性实验结果;
网络训练/预测模块,内置通行性预测网络,使用带有多维度数据的二维栅格地图作为输入,输出无方向限制的二值通行性地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658128.7A CN113378390B (zh) | 2021-06-15 | 2021-06-15 | 一种基于深度学习的地外星表通行性分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658128.7A CN113378390B (zh) | 2021-06-15 | 2021-06-15 | 一种基于深度学习的地外星表通行性分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378390A CN113378390A (zh) | 2021-09-10 |
CN113378390B true CN113378390B (zh) | 2022-06-24 |
Family
ID=77574288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658128.7A Active CN113378390B (zh) | 2021-06-15 | 2021-06-15 | 一种基于深度学习的地外星表通行性分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378390B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306216A (zh) * | 2011-08-10 | 2012-01-04 | 上海交通大学 | 月球车多规律仿真测试*** |
CN103869820A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种巡视器地面导航规划控制方法 |
WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
CN111797836A (zh) * | 2020-06-18 | 2020-10-20 | 中国空间技术研究院 | 一种基于深度学习的地外天体巡视器障碍物分割方法 |
CN112396039A (zh) * | 2021-01-12 | 2021-02-23 | 之江实验室 | 一种基于邻域关系的火星栅格地形地图生成方法 |
CN112528808A (zh) * | 2020-12-02 | 2021-03-19 | 中国空间技术研究院 | 天体表面障碍物识别方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8364136B2 (en) * | 1999-02-01 | 2013-01-29 | Steven M Hoffberg | Mobile system, a method of operating mobile system and a non-transitory computer readable medium for a programmable control of a mobile system |
CN110956651B (zh) * | 2019-12-16 | 2021-02-19 | 哈尔滨工业大学 | 一种基于视觉和振动触觉融合的地形语义感知方法 |
CN111780777B (zh) * | 2020-07-13 | 2022-10-21 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
-
2021
- 2021-06-15 CN CN202110658128.7A patent/CN113378390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306216A (zh) * | 2011-08-10 | 2012-01-04 | 上海交通大学 | 月球车多规律仿真测试*** |
CN103869820A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种巡视器地面导航规划控制方法 |
WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
CN111797836A (zh) * | 2020-06-18 | 2020-10-20 | 中国空间技术研究院 | 一种基于深度学习的地外天体巡视器障碍物分割方法 |
CN112528808A (zh) * | 2020-12-02 | 2021-03-19 | 中国空间技术研究院 | 天体表面障碍物识别方法和装置 |
CN112396039A (zh) * | 2021-01-12 | 2021-02-23 | 之江实验室 | 一种基于邻域关系的火星栅格地形地图生成方法 |
Non-Patent Citations (3)
Title |
---|
Learning-Based Methods of Perception and Navigation for Ground Vehicles in Unstructured Environments: A Review;Dario Guastella等;《Sensors》;20210113;第1-22页 * |
基于三维通行性的月球车自主导航;徐璐等;《***仿真学报》;20070620(第12期);第2852-2856页 * |
基于自主行为智能体的月球车运动规划与控制;居鹤华等;《自动化学报》;20060922(第05期);第704-712页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378390A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Towards semi-automatic rock mass discontinuity orientation and set analysis from 3D point clouds | |
Zhang et al. | Semi-automatic extraction of rock discontinuities from point clouds using the ISODATA clustering algorithm and deviation from mean elevation | |
Saxena et al. | Capturing heterogeneous urban growth using SLEUTH model | |
CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
Garcia et al. | Machine learning techniques applied to construction: A hybrid bibliometric analysis of advances and future directions | |
Ji et al. | An encoder-decoder deep learning method for multi-class object segmentation from 3D tunnel point clouds | |
CN111583413A (zh) | 一种路面病害bim参数化建模与增强现实移动巡检方法 | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及*** | |
Badenko et al. | Comparison of software for airborne laser scanning data processing in smart city applications | |
Wang et al. | Key technologies and future development trends of intelligent earth–rock dam construction | |
Stanislawski et al. | Automated road breaching to enhance extraction of natural drainage networks from elevation models through deep learning | |
Chen et al. | Rapid extraction of pavement aggregate gradation based on point clouds using deep learning networks | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN117932721A (zh) | 基于三维场模型的煤矿安全预测模型的构建与应用 | |
Cai et al. | An efficient adaptive approach to automatically identify rock discontinuity parameters using 3D point cloud model from outcrops | |
CN113378390B (zh) | 一种基于深度学习的地外星表通行性分析方法及*** | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及*** | |
CN115526544A (zh) | 一种基于多类型数据的绿色矿山建设规划方法及*** | |
Shao et al. | Crack detection and measurement using PTZ camera–based image processing method on expressways | |
Gvozdev et al. | Constructing 3D models of rigid objects from satellite images with high spatial resolution using convolutional neural networks | |
Li et al. | Research on Intelligent Recognition of Violation Based on Big Data of Urban Construction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |