CN113776491B - 基于b-m2m的多维测距方法、mec及测距单元 - Google Patents
基于b-m2m的多维测距方法、mec及测距单元 Download PDFInfo
- Publication number
- CN113776491B CN113776491B CN202111130283.8A CN202111130283A CN113776491B CN 113776491 B CN113776491 B CN 113776491B CN 202111130283 A CN202111130283 A CN 202111130283A CN 113776491 B CN113776491 B CN 113776491B
- Authority
- CN
- China
- Prior art keywords
- identification information
- ranging
- measurement unit
- mec
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Optical Distance (AREA)
Abstract
本公开提供一种基于B‑M2M的多维测距方法、MEC及测距单元,所述方法包括:基于B‑M2M信道接收各第一测量单元各自关于待测目标的第一识别信息;对第一识别信息进行训练,得到第二识别信息;基于所述B‑M2M信道将第二识别信息广播至各第一测量单元,以使各第一测量单元基于第二识别信息分别对待测目标进行距离测量,得到其各自的第三识别信息并分别广播至MEC;对各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。本公开实施例利用MEC的计算资源优势,结合B‑M2M信道实现各测距单元的数据共享,进行多维融合测距,提高测距精度及效率,以至少解决目前采用单一测距方式的资源局限性所导致的测距不能满足复杂工业环境需求的问题。
Description
技术领域
本公开涉及测距技术领域,尤其涉及一种基于B-M2M的多维测距方法、一种MEC、一种第一测距单元以及一种第二测距单元。
背景技术
在工业生产环境中,通过视觉感知环境并及时获得周围环境的距离,进而通过差值计算获得速度、加速度和方位成为工业设备例如机器人智能化的前提,随着机器人在工业领域精细化应用的不断深入发展,精确、高效的测距技术成为机器人应用的重要环节之一。由于现场复杂的环境,以及对测距在速度、精度、方位等方面的不同要求,单一测距方式以及机器人自身计算资源的局限性将难以满足复杂工业环境的要求。
发明内容
本公开提供了一种基于B-M2M的多维测距方法、MEC及测距单元,利用MEC的计算资源优势,结合B-M2M广播通信信道实现各测距单元的数据共享,进行多维融合测距,提高测距精度及效率,以至少解决目前采用单一测距方式以及机器人自身计算资源的局限性所导致的测距不能满足复杂工业环境需求的问题。
为实现上述目的,本公开提供一种基于B-M2M的多维测距方法,应用于移动边缘计算服务器MEC,包括:
基于机器对机器广播通信B-M2M信道接收各第一测量单元各自关于待测目标的第一识别信息;
对所述第一识别信息进行训练,得到第二识别信息;
基于所述B-M2M信道将所述第二识别信息广播至各第一测量单元,以使各第一测量单元基于所述第二识别信息分别对待测目标进行距离测量,得到其各自的第三识别信息并分别广播至所述MEC;以及,
0008.对各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。
0009.在一种实施方式中,在基于机器对机器广播通信B-M2M信道接收各个第一测量单元的第一识别信息之前,还包括:
0010.基于预设频段的信道资源划分公共信道资源池,所述公共信道资源池包括所述MEC和各个测量单元之间能够进行广播通信的B-M2M信道。
0011.在一种实施方式中,所述第一识别信息包括各第一测量单元采集关于待测目标的图像信息后,对其图像信息进行预处理后获得特征向量集合,并基于所述特征向量集合生成的;
0012.所述对所述第一识别信息进行训练,得到第二识别信息,包括:对各第一测量单元的特征向量集合进行训练,得到第二识别信息。
0013.在一种实施方式中,所述方法还包括:
0014.预部署若干分类器算法;
0015.所述对所述第一识别信息进行训练,包括:
0016.基于所述第一识别信息选择相应的分类器算法;以及,基于所选择出的分类器算法对所述第一识别信息进行训练。
0017.在一种实施方式中,在对所述第一识别信息进行训练,得到第二识别信息之后,还包括:
0018.基于所述第二识别信息检测待测目标是否处于预设位置状态;
0019.若处于预设位置状态,则基于B-M2M信道向各第二测量单元广播测距初始化信号,所述初始化信号携带所述第二识别信息,以使各第二测量单元分别基于第二识别信息进行距离测量,得到各自的第四识别信息并分别广播至所述MEC;
0020.所述对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果,包括:
0021.基于所述各第二测量单元的第四识别信息对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果。
0022.在一种实施方式中,基于所述各第二测量单元的第四识别信息对各第一测量单元的第三识别信息进行多维融合,包括:
0023.获取各第一测量单元的第三识别信息和各第二测量单元的第四识别信息之间的重叠信息;
0024.筛除所述重叠信息;以及,对经过筛除后的各第一测量单元的第三识别信息和各第二测量单元的第四识别信息进行多维融合。
0025.为实现上述目的,本公开相应还提供一种基于B-M2M的多维测距方法,应用于第一测量单元,包括:
0026.基于机器对机器广播通信B-M2M信道将关于待测目标的第一识别信息广播至MEC,以使所述MEC接收到所述第一识别信息后对所述第一识别信息进行训练,得到第二识别信息;
0027.基于所述B-M2M信道接收所述第二识别信息;
0028.基于所述第二识别信息对待测目标进行距离测量,得到第三识别信息;以及,
0029.基于所述B-M2M信道将所述第三识别信息广播至所述MEC,以使所述MEC对基于B-M2M信道接收到的各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。
0030.在一种实施方式中,在基于机器对机器广播通信B-M2M信道将关于待测目标的第一识别信息广播至MEC之前,还包括:
0031.采集关于待测目标的图像信息;
0032.对所述图像信息进行预处理,得到关于待测目标的特征向量集合;以及,基于所述特征向量集合生成第一识别信息。
0033.为实现上述目的,本公开相应还提供一种基于B-M2M的多维测距方法,应用于第二测量单元,包括:
0034.基于B-M2M信道接收MEC广播的测距初始化信号,所述测距初始化信号携带第二识别信息,其中所述测距初始化信号是所述MEC基于第二识别信息检测到待测目标处于预设位置状态时广播的,且所述第二识别信息是所述MEC对从B-M2M信道接收到的各第一测量单元关于待测目标的第一识别信息进行训练得到的;
0035.基于所述第二识别信息进行距离测量,得到第四识别信息;以及,
0036.基于B-M2M信道将所述第四识别信息广播至所述MEC,以使所述MEC基于所述第四识别信息对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果,其中所述第三识别信息是各第一测量单元基于所述第二识别信息分别对待测目标进行距离测量得到的。
为实现上述目的,本公开相应还提供一种MEC,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行所述的基于B-M2M的多维测距方法。
为实现上述目的,本公开相应还提供一种第一测量单元,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行所述的基于B-M2M的多维测距方法。
为实现上述目的,本公开相应还提供一种第二测量单元,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行所述的基于B-M2M的多维测距方法。
根据本公开提供的一种基于B-M2M的多维测距方法、MEC及测距单元,利用MEC基于B-M2M信道接收各第一测量单元各自关于待测目标的第一识别信息,并对第一识别信息进行训练,得到第二识别信息,然后基于所述B-M2M信道将第二识别信息广播至各第一测量单元,以使各第一测量单元基于第二识别信息分别对待测目标进行距离测量,得到其各自的第三识别信息并分别广播至MEC,最后对各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。本公开实施例利用MEC的计算资源优势,结合B-M2M信道实现各测距单元的数据共享,进行多维融合测距,提高测距精度及效率,以至少解决目前采用单一测距方式以及机器人自身计算资源的局限性所导致的测距不能满足复杂工业环境需求的问题。
本公开的其它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,或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、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
0042.附图用来提供对本公开技术方案的进一步理解,并且构成说明书的一部分,与本公开的实施例一起用于解释本公开的技术方案,并不构成对本公开技术方案的限制。
0043.图1为本公开实施例提供的一种基于B-M2M的多维测距方法的流程示意图;
0044.图2为本公开实施例提供的另一种基于B-M2M的多维测距方法的流程示意图;
0045.图3为本公开实施例提供的又一种基于B-M2M的多维测距方法的流程示意图;
0046.图4为本公开实施例提供的再一种基于B-M2M的多维测距方法的流程示意图;
0047.图5为本公开实施例提供的一种MEC的结构示意图;
0048.图6为本公开实施例提供的一种第一测量单元的结构示意图;
0049.图7为本公开实施例提供的一种第二测量单元的结构示意图;
0050.图8为本公开实施例提供的一种基于B-M2M的多维测距***的结构示意图。
具体实施方式
0051.为使本公开实施例的目的、技术方案和优点更加清楚,以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
0052.需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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;并且,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。
0053.在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
0054.随着机器人在工业领域精细化应用的不断深入发展,迅速、全面、精确的测距技术成为机器人应用的重要环节之一。相关技术中,针对单一测距方式产生的问题,也提出了一些多维测距方案,例如综合采用多种测距方式,集成各种测距方式的优点,弥补各自的缺陷,从而具有很高的性能,多维测距技术利用不同的工作模式或者测距体制的探测器和传感器,共同完成对目标的精密探测和测距,相比单一模式的测距模式,能获取更好的测量性能、测量精度、抗干扰能力、环境适应能力及整体可靠性,高质量的多维测量采用多频谱复合测量和融合多体制的复合测量,均要求***各个测量模式相互配合,以及各测距单元需要大量的数据需要实时处理。然而在目前的通信技术(例如5G)中各个测距单元之间通常采用的是点-点通信,各测量单元也基于其自身资源的局限性数据处理能力不足,上述问题很大程度上制约了多维测距的应用。
为解决上述问题,本公开实施例提供一种基于5G和B-M2M(Board Machine-to-Machine,广播机器对机器)的多维融合测距方法,通过在5G的移动边缘计算(MEC)中部署融合测距算法,借助B-M2M网络的广播通信功能,实现工业现场多种测距模式的融合,为用户提供统一化的智能多维测距综合服务,从而帮助生产企业实现智能制造的升级,降低产业升级成本,对增加5G的服务形式,促进5G技术与工业互联网的融合,以及构建B-M2M技术应用生态具有积极的意义。请参照图1,图1为本公开提供的一种基于B-M2M的多维测距方法的流程示意图,应用于移动边缘计算服务器MEC,所述方法包括步骤S101-S104。
在步骤S101中,基于机器对机器广播通信B-M2M信道接收各第一测量单元各自关于待测目标的第一识别信息。
本实施例中,第一测量单元为视频测量单元,其核心点在于目标的识别和测距,由于视频测量单元具有大动态范围,可以在复杂的背景中快速识别出被测目标,首先利用各视频测量单元获得关于待测目标的视频信息,快速对待测目标进行识别定位,得到第一识别信息,然后发送给MEC进行综合处理。
进一步地,视频测距单元可以包括黑白、彩色、红外摄像机等各类频谱的摄像机采集的视频数据,以满足不同的应用。其中,视频测距模式具有大动态范围,能够在复杂的工业场景中实现快速目标搜索和测距,在一些实施例中,在利用视频在较大的视场中快速定位目标以及获得测量距离和速度后,如果需要获得目标的精确速度和距离数据时,可以由MEC中控制启动光学测距模式。本实施例中每个测距单元部署有B-M2M模块,实现测量数据的实时广播,并通过B-M2M信道接收其他相关测距单元广播的数据,以及MEC广播的数据。
需要说明的是,第一测量单元和第二测量单元根据测量精度进行区分,本实施例中第一测量单元为视频测量单元,第二测量单元为光学测量单元,在一些实施例中第一测量单元和第二测量单元也可以为其它测量单元。本实施例通过采用多种不同精度的测量模式弥补各自缺陷,提高测距精度及测距效率。在实际应用中,可以将各第一测量单元和各第二测量单元分别部署在合适的位置,以获得更好的测距效果。
具体地,本实施例通过划分公共信道资源池,构建B-M2M网络,供MEC及各设备节点进行广播通信,在步骤S101之前,还包括步骤S100。
在步骤S100中,基于预设频段的信道资源划分公共信道资源池,所述公共信道资源池包括所述MEC和各个测量单元之间能够进行广播通信的B-M2M信道。
本实施例中,通过在MEC中设置B-M2M管理单元,构建B-M2M网络架构,具体地,在基站覆盖范围内,由基站内的B-M2M管理单元进行管理的具有连续频段和时隙的公共广播信道资源池,资源池的频段宽度和时隙数量可以由B-M2M管理单元根据实时的广播强度进行动态调整,其中,能够在该公共广播信道资源池进行B-M2M广播的节点通过设置B-M2M模块,实现广播数据的收发,以保证各个设备节点的广播发送延迟符合生产现场的质量要求。
具体地,B-M2M网络架构利用5G的授权频段,在工业现场基站覆盖范围内,动态划分出专用的频段,采用时分方式部署广播B-M2M信道,网络内所有节点具有接收所有广播时隙能力,所有节点可以动态选择空闲时隙发送广播信息,从而实现网络中所有节点的广播发送和接收,进一步的,可以配置专用的控制时隙,B-M2M管理单元基于该控制时隙对信道中的时隙数量等进行管理。
在步骤S102中,对所述第一识别信息进行训练,得到第二识别信息。
对待测目标进行精准识别是机器人测距的基础,然而在实际应用中,机器人或者待测目标通常处于动态变化状态,例如移动状态,若要实现对待测目标的精准识别则需要强大的数据处理能力,并且对于单个测量单元,例如某视频单元,可能只能获取到待测目标某一方位的信息,将导致获得的识别结果不准确,最终基于识别结果所获得的测距信息也同样产生影响。为解决上述问题,本实施例利用MEC强大的数据处理能力,同时结合各第一测量单元所测量的第一识别信息,对各第一识别信息完成数据的训练,获得待测目标的目标识别结果,也即第二识别信息。
在一种实施方式中,通过在MEC中预先部署多种分类器算法,通过选择相应的算法对第一识别信息进行训练,满足不同的应用场景,获得精确数据,对待测目标进行精准定位,获得识别结果,所述方法还包括步骤:预部署若干分类器算法;
所述步骤S102,具体为:基于所述第一识别信息选择相应的分类器算法;以及,基于所选择出的分类器算法对所述第一识别信息进行训练。
具体地,在MEC中部署多种机器学习算法,例如监督式学习类,通过有标注的训练集学习,适用于已知场景的学习和训练;非监督式学习类,通过无标注的训练集学习,适用于未知场景的学习和训练;强化学习类,通过MEC不断与前端进行交互,通过试错的方式来获得最佳策略,以满足不同的应用场景。各类机器学习根据不同场景由现场设备申请执行,通过训练过程获得供分类算法使用的分类规则。
本实施例采用分类算法对第一识别信息(如经过视频单元处理后的图像)进行训练识别,在5G的MEC中部署多种分类器算法,例如对数几率回归(Logistic回归)、最小二乘回归(Ordinary Least Squares Regression)、贝叶斯分类(Bayesian Classification)、分类树(Decision Tree)、支持向量机(Support Vector Machine)、K近邻(K-NearestNeighbour)、集成学习(Ensemble Learning)、深度学习(Deep Learning),用于不同场景和不同需求,分类器利用获得的分类规则对现场获得的实时图像数据进行识别,获得目标识别结果,即第二识别信息。
在步骤S103中,基于所述B-M2M信道将所述第二识别信息广播至各第一测量单元,以使各第一测量单元基于所述第二识别信息分别对待测目标进行距离测量,得到其各自的第三识别信息并分别广播至所述MEC。
本实施例中,MEC获得目标识别结果之后,利用B-M2M网络广播给各第一测量单元,各第一测量单元根据MEC训练出来的待测目标的识别结果进行测距,具体地,基于自身设备与待测目标的距离完成距离测量,可以理解的是,本实施例的距离测量包括位置、速度和方向等测距信息。在一种实施方式中,第一测量单元采用双摄像机的方式获得测距信息,即第一测量单元包括两个摄像机,一个获取第二识别信息,另一获取相应的(包含待测目标的)图像,通过获取待测目标在两个摄像机中点的位置、速度和方向获得,具体方法是B-M2M接收到目标识别结果后,基于另一个摄像机的图像获得同一个被测区域,然后利用两个摄像头的视差、焦距等信息即可获得待测目标的行进速度和方向,具体地,双摄像机的图像中通过相关系数获得同一个被测区域,相关系数按照下述公式计算:
其中,T是接收到的目标识别结果,具有M×N个元素,S是另外一个摄像机同一个时间戳的图像,具有W×H个元素,其中,1≤i≤W-M,1≤j≤H-N)。在整个图像计算完毕,相关系数最大值对应的区域就是被测区域。然后根据下述公式计算摄像机与目标的距离:
其中,|xL-xR|是左右两个摄像头的视差,f是摄像头的焦距,d是两个摄像头的焦点的距离,周期性对距离进行测量,可以获得目标的行进速度和方向。
之后,各第一测量单元将获得的目标图像在左右摄像机中的测距信息,即点的位置、速度、方向信息通过B-M2M模块广播,供MEC和其他测量单元通过B-M2M模块接收并进行融合处理。
在步骤S104中,对各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。
具体地,MEC通过B-M2M模块接收到各第一测量单元定期广播的带时间戳的测距信息(即第三识别信息),将属于同一个目标的不同区域、方位、角度的具有相同时间戳的数据然后根据以下公式获得空间点的三维坐标:
其中,(uL,vL)和(uR,vL)分别是目标在左右两个摄像头的二维坐标,MEC获得被测目标的不同位置、方位、角度的三维坐标后,根据各个部位摄像机的位置坐标,对获得的三维数据进行拼接和融合,从而获得被测目标的不同部位、方位、角度的多维测距结果,然后通过B-M2M模块进行广播,供前端被测目标相关的部件接收和应用。
在一种实施方式中,所述第一识别信息包括各第一测量单元采集关于待测目标的图像信息后,对其图像信息进行预处理后获得特征向量集合,并基于所述特征向量集合生成的。
所述对所述第一识别信息进行训练,得到第二识别信息,包括:对各第一测量单元的特征向量集合进行训练,得到第二识别信息。
具体地,考虑到采集到的视频数据包括大量图像数据,传输需要占用较多的资源,可能影响B-M2M的整体性能,各第一测量单元采集图像信息后,通过将图像数据转换成特征向量再传输至MEC进行训练处理,从而减少传输数据量,其中,各第一测量单元对图像信息进行处理的具体过程在后述实施例中进行详述,此处不再赘述。
请参照图2,图2为本公开实施例提供的另一种基于B-M2M的多维测距方法的流程示意图,考虑到对于待测目标不同精度的需求,本实施例采用视频和光学体制测距模式,采用不同测量单元对待测目标进行融合识别,以提高测距效率,具体地,在利用视频在较大的视场中快速定位目标以及获得测量距离和速度后,若需要获得目标的精确速度和距离数据时,由MEC中的控制单元启动光学测距。其中,在步骤S102之后还包括以下步骤S201和步骤S202,并将步骤S104进一步划分为步骤S104a。
在实际应用中,视频测距具有视野大、测量范围宽、定位迅速,可以同时对被测目标的多个部位同时测量的优点,但是容易受现场背景和光线变化的干扰,产生定位和测量错误,可靠性较差。MEC在视频测距的目标测量中,辅助光学定位和测距,可以显著提高测距的可靠性和精度。光学定位具有测量范围窄的缺点,当被测目标高速运动,移动出光学测量范围后,光学测距单元会失去目标,此时通过视频定位数据,辅助光学测距单元将测量光线重新定位到被测目标,使得光学测距单元持续跟踪目标。
本实施例中,在利用视频较大的视场中快速定位目标以及获得测量距离和速度后,若需要获得目标的精确速度和距离数据时,由MEC中的控制单元启动光学测距。其中,超声波、红外线、激光测距是常用的基于不同频谱,利用光学传输特性进行测距的方式。其中超声波测距和红外测距的缺点是测量距离短、精度较低、方向性差,优点是价格低,适用于短距离非精准测距,其可以作为第一测量单元进行低精度测距使用,激光测距常用的有脉冲波、相位、干涉测距等,其中脉冲测距精度为毫米以上,相位测距能达到毫米以下,相干测距能达到μm级。因此,相对视频测距,光学测距具有良好的精度和准确性。本实施例采用现场融合的多种光学测距模式,现场配置多模光学测量检测探头,利用B-M2M高效的广播体系,将测量数据定期发送到MEC中,利用MEC的强大的数据处理能力和存储能力,进行数据多维融合处理。
在步骤S201中,基于所述第二识别信息检测待测目标是否处于预设位置状态,若处于预设位置状态,则执行步骤S202,否则,结束流程,MEC基于上述实施例对第三识别信息进行维度融合。
可以理解的是,本领域技术人员可以结合实际应用对预设位置状态进行适应性设定,例如在实际应用中,通过将精度较高的各第二测量单元部署到相应的区域中,MEC在检测到待测目标移动到相应区域时,即处于预设位置状态,则向各第二测量单元广播初始化信号,启动光学测距模式。
0089.在步骤S202中,基于B-M2M信道向各第二测量单元广播测距初始化信号,所述初始化信号携带所述第二识别信息,以使各第二测量单元分别基于第二识别信息进行距离测量,得到各自的第四识别信息并分别广播至所述MEC。
0090.在一些实施方式中,可以采用多种光学测距装置进行测距,例如超声波、红外线、激光测距等,通过结合多种光学测距装置的融合测距,在保证测距精度的同时,有效降低成本。
0091.在步骤S104a中,基于所述各第二测量单元的第四识别信息对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果。
0092.当待测目标处于高精度测距模式,或者移动到高精度测量位置时,MEC通过B-M2M模块广播高精度测距指令,此时被测目标周围的激光测距装置启动,激光测距可以获得距离、高度、厚度高精度数据。
0093.进一步地,考虑到视频测距和光学测距对于被测目标,本实施例通过筛除重叠信息后对数据进行多维融合,提高识别结果的精确度,步骤S104a包括以下步骤:
0094.获取各第一测量单元的第三识别信息和各第二测量单元的第四识别信息之间的重叠信息;
0095.筛除所述重叠信息;以及,对经过筛除后的各第一测量单元的第三识别信息和各第二测量单元的第四识别信息进行多维融合。
0096.本实施例在周期性通过B-M2M信道获得高精度测距单元的数据(第四识别信息)后,叠加到低精度整体数据(第三识别信息)上,使得MEC广播的测距数据不仅具有被测目标整体的距离、位置、运动速度、加速度、运动角度等多维数据,同时还有需要区域的高精度数据。如果现场测距终端配置有2D激光测距装置,可以被测目标期望部位的高低差、间隙、形状数据高精度数据,如果配置3D激光测距装置,可以获得期望部位的平面度、多点高低差、形状的高精度数据。
0097.在一些实施方式中,MEC通过B-M2M模块接收所有测距单元广播的数据,并且能将自身的数据广播到B-M2M信道,供所有测距单元接收。MEC具有全局数据统筹管理功能,在一些实施方式中,可以在MEC中部署控制单元,实现对不同测距单元的启动、位置和角度调整等控制功能,另外,MEC周期性接收到各个单元的数据后,在数据处理单元,调用算法库中的相应算法,进行数据处理,并将数据处理结果实时通过B-M2M信道广播,以及通过数据融合模块进行不同测距模式的数据融合,并可以与其他MEC实现数据分享。
请参照图3,图3为本公开实施例提供的又一种基于B-M2M的多维测距方法,应用于第一测量单元,所述方法包括步骤S301-S303。
在步骤S301中,基于机器对机器广播通信B-M2M信道将关于待测目标的第一识别信息广播至MEC,以使所述MEC接收到所述第一识别信息后对所述第一识别信收所述第二识别信息。
需要说明的是,B-M2M信道是基站(MEC)基于预设频段的信道资源划分公共信道资源池得到的,本实施例对此不再赘述。
具体地,在S301之前,还包括以下步骤:
采集关于待测目标的图像信息;
对所述图像信息进行预处理,得到关于待测目标的特征向量集合;以及,基于所述特征向量集合生成第一识别信息。
本实施例中,第一测量单元为视频测量单元,其中侧记关于待测目标的图像信息以视频采集的方式获取,对所述图像信息进行预处理的具体方式如下:
对图像信息进行归一化和目标的特征提取,在减少视频数据信息的广播量的同时,也方便后续对不同来源的图像进行统一化的处理。
各第一测量单元对摄像机采集的图像采用下式进行归一化处理:
f(I)=Iγ
其作用主要是降低图像的局部阴影,改善不同光照条件下的目标图像变化造成的影响,同时也抑制噪声的干扰。其中,I为输入图像矩阵,f(I)为校正后输出矩阵,γ当为校正系数,当γ大于1,低灰度区域动态范围变小,高灰度区域动态范围变大,提高了高灰度区域的图像对比度。当γ小于1,则提高了低灰度区域的图像对比度,从而提高了图像识别特征采集图像不同的几何和光学的形变都能保持较好的不变性;
之后,生成特征向量,针对归一化后的输出矩阵f(I),通过下式计算像素的梯度,以获得目标的轮廓信息:
其中,G是当前像素与前一个像素的梯度大小,Gx是Gy分别是前像素在x是y两个方向与前一个像素的梯度大小,θ是梯度方向。然后根据每个像素的梯度,在图像不同区域,在M个方向提取梯度直方图,就构成M×N维的特征向量,其中,N=360/M。整个图像就可以由各个区域的特征向量的集合来表示。
最后,通过B-M2M信道将特征向量广播,MEC获得并进行训练处理,通过B-M2M信道,定期广播图像预处理后获得的特征向量集合,MEC中的B-M2M模块,接收覆盖范围内所有终端广播的特征向量,然后分别送MEC中的识别分类器处理。
在步骤S302中,基于所述第二识别信息对待测目标进行距离测量,得到第三识别信息。
在步骤S303中,基于所述B-M2M信道将所述第三识别信息广播至所述MEC,以使所述MEC对基于B-M2M信道接收到的各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。
请参照图4,图4为本公开实施例提供的再一种基于B-M2M的多维测距方法的流程示意图,应用于第二测量单元,所述方法包括步骤S401-S403。
在步骤S401中,基于B-M2M信道接收MEC广播的测距初始化信号,所述测距初始化信号携带第二识别信息,其中所述测距初始化信号是所述MEC基于第二识别信息检测到待测目标处于预设位置状态时广播的,且所述第二识别信息是所述MEC对从B-M2M信道接收到的各第一测量单元关于待测目标的第一识别信息进行训练得到的;
在步骤S402中,基于所述第二识别信息进行距离测量,得到第四识别信息;以及,
在步骤S403中,基于B-M2M信道将所述第四识别信息广播至所述MEC,以使所述MEC基于所述第四识别信息对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果,其中所述第三识别信息是各第一测量单元基于所述第二识别信息分别对待测目标进行距离测量得到的。
综上,本实施例通过构建基于5G网络的广播空口技术(B-M2M),结合多种测距模式的优势,通过数据融合弥补各自的缺陷,构建新的工业现场测距架构,从而为各类机械臂、机器人在操作(尤其的大型部件的操作和精细操作)、行走、避障等方面提供通用的服务,从而构建B-M2M的技术生态,丰富5G的服务形态,具有积极的意义。
基于相同的技术构思,本公开实施例相应还提供一种MEC,如图5所示,所述MEC包括存储器51和处理器52,所述存储器51中存储有计算机程序,当所述处理器52运行所述存储器51存储的计算机程序时,所述处理器52执行所述的基于B-M2M的多维测距方法。
其中,快速识别被测目标并持续跟踪是测距的重要基础,本实施例采用的被测目标识别基于机器学习算法,学习的数据集对提高目标识别的准确定和识别速度起到重要的作用,在一些实施方式中,还可以实现不同MEC之间的目标识别协同,多个MEC可以根据目标类别建立各自的数据集库,然后通过连接不同MEC的高速数据链路进行分享和协同,从而显著提高MEC机器学习的速度和质量。
基于相同的技术构思,本公开实施例相应还提供一种第一测量单元,所述第一测量单元包括存储器61和处理器62,所述存储器61中存储有计算机程序,当所述处理器62运行所述存储器61存储的计算机程序时,所述处理器62执行所述的基于B-M2M的多维测距方法。
基于相同的技术构思,本公开实施例相应还提供一种第二测量单元,所述第二测量单元包括存储器71和处理器72,所述存储器71中存储有计算机程序,当所述处理器72运行所述存储器71存储的计算机程序时,所述处理器72执行所述的基于B-M2M的多维测距方法。
基于相同的技术构思,本公开实施例相应还提供一种基于B-M2M的多维测距***,所述***包括所述的MEC50、若干第一测量单元60和若干第二测量单元70。
基于相同的技术构思,本公开实施例相应还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,所述处理器执行所述的基于B-M2M的多维测距方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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公开各实施例技术方案的范围。
Claims (11)
1.一种基于B-M2M的多维测距方法,其特征在于,应用于移动边缘计算服务器MEC,包括:
基于机器对机器广播通信B-M2M信道接收各第一测量单元各自关于待测目标的第一识别信息;
对所述第一识别信息进行训练,得到第二识别信息;
基于所述B-M2M信道将所述第二识别信息广播至各第一测量单元,以使各第一测量单元基于所述第二识别信息分别对待测目标进行距离测量,得到其各自的第三识别信息并分别广播至所述MEC;以及,
对各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果;
还包括:
预部署若干分类器算法;
所述对所述第一识别信息进行训练,包括:
基于所述第一识别信息选择相应的分类器算法;以及,基于所选择出的分类器算法对所述第一识别信息进行训练。
2.根据权利要求1所述的方法,其特征在于,在基于机器对机器广播通信B-M2M信道接收各个第一测量单元的第一识别信息之前,还包括:
基于预设频段的信道资源划分公共信道资源池,所述公共信道资源池包括所述MEC和各个测量单元之间能够进行广播通信的B-M2M信道。
3.根据权利要求1所述的方法,其特征在于,所述第一识别信息包括各第一测量单元采集关于待测目标的图像信息后,对其图像信息进行预处理后获得特征向量集合,并基于所述特征向量集合生成的;
所述对所述第一识别信息进行训练,得到第二识别信息,包括:对各第一测量单元的特征向量集合进行训练,得到第二识别信息。
4.根据权利要求1所述的方法,其特征在于,在对所述第一识别信息进行训练,得到第二识别信息之后,还包括:
基于所述第二识别信息检测待测目标是否处于预设位置状态;
若处于预设位置状态,则基于B-M2M信道向各第二测量单元广播测距初始化信号,所述初始化信号携带所述第二识别信息,以使各第二测量单元分别基于第二识别信息进行距离测量,得到各自的第四识别信息并分别广播至所述MEC;
所述对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果,包括:
基于所述各第二测量单元的第四识别信息对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果。
5.根据权利要求4所述的方法,其特征在于,基于所述各第二测量单元的第四识别信息对各第一测量单元的第三识别信息进行多维融合,包括:
获取各第一测量单元的第三识别信息和各第二测量单元的第四识别信息之间的重叠信息;
筛除所述重叠信息;以及,对经过筛除后的各第一测量单元的第三识别信息和各第二测量单元的第四识别信息进行多维融合。
6.一种基于B-M2M的多维测距方法,其特征在于,应用于第一测量单元,包括:
基于机器对机器广播通信B-M2M信道将关于待测目标的第一识别信息广播至MEC,以使所述MEC预部署若干分类器算法,并在接收到所述第一识别信息后基于所述第一识别信息选择相应的分类器算法,以及基于所选择出的分类器算法对所述第一识别信息进行训练,得到第二识别信息;
基于所述B-M2M信道接收所述第二识别信息;
基于所述第二识别信息对待测目标进行距离测量,得到第三识别信息;以及,
基于所述B-M2M信道将所述第三识别信息广播至所述MEC,以使所述MEC对基于B-M2M信道接收到的各第一测量单元的第三识别信息进行维度融合处理,得到待测目标的测距结果。
7.根据权利要求6所述的方法,其特征在于,在基于机器对机器广播通信B-M2M信道将关于待测目标的第一识别信息广播至MEC之前,还包括:
采集关于待测目标的图像信息;
对所述图像信息进行预处理,得到关于待测目标的特征向量集合;以及,基于所述特征向量集合生成第一识别信息。
8.一种基于B-M2M的多维测距方法,其特征在于,应用于第二测量单元,包括:
基于B-M2M信道接收MEC广播的测距初始化信号,所述测距初始化信号携带第二识别信息,其中所述测距初始化信号是所述MEC基于第二识别信息检测到待测目标处于预设位置状态时广播的,且所述第二识别信息是所述MEC预部署若干分类器算法,以及从B-M2M信道接收到各第一测量单元关于待测目标的第一识别信息后,基于所述第一识别信息选择相应的分类器算法,并基于所选择出的分类器算法对所述第一识别信息进行训练得到的;
基于所述第二识别信息进行距离测量,得到第四识别信息;以及,
基于B-M2M信道将所述第四识别信息广播至所述MEC,以使所述MEC基于所述第四识别信息对各第一测量单元的第三识别信息进行多维融合,得到待测目标的测距结果,其中所述第三识别信息是各第一测量单元基于所述第二识别信息分别对待测目标进行距离测量得到的。
9.一种移动边缘计算服务器MEC,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据权利要求1至5中任一项所述的基于B-M2M的多维测距方法。
10.一种第一测量单元,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据权利要求6和7中任一项所述的基于B-M2M的多维测距方法。
11.一种第二测量单元,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行根据权利要求8所述的基于B-M2M的多维测距方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130283.8A CN113776491B (zh) | 2021-09-26 | 2021-09-26 | 基于b-m2m的多维测距方法、mec及测距单元 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130283.8A CN113776491B (zh) | 2021-09-26 | 2021-09-26 | 基于b-m2m的多维测距方法、mec及测距单元 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113776491A CN113776491A (zh) | 2021-12-10 |
CN113776491B true CN113776491B (zh) | 2023-06-02 |
Family
ID=78853396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111130283.8A Active CN113776491B (zh) | 2021-09-26 | 2021-09-26 | 基于b-m2m的多维测距方法、mec及测距单元 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113776491B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114274146B (zh) * | 2022-01-20 | 2024-02-27 | 中国联合网络通信集团有限公司 | 机器人控制***及机器人跟随控制方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405302A (zh) * | 2015-12-09 | 2016-03-16 | 中国联合网络通信集团有限公司 | 限速调整方法和管理平台 |
CN106062862A (zh) * | 2014-10-24 | 2016-10-26 | 何安莉 | 用于沉浸式和交互式多媒体生成的***和方法 |
CN108990023A (zh) * | 2018-07-02 | 2018-12-11 | 北京交通大学 | 基于机器学习的lte网络的动态空白子帧分配方法 |
CN109934108A (zh) * | 2019-01-31 | 2019-06-25 | 华南师范大学 | 一种多目标多种类的车辆检测和测距***及实现方法 |
CN110447245A (zh) * | 2017-03-17 | 2019-11-12 | 维宁尔美国公司 | V2v分簇和多跳通信 |
CN111401184A (zh) * | 2020-03-10 | 2020-07-10 | 珠海格力智能装备有限公司 | 机器视觉处理方法、装置、存储介质和电子设备 |
CN111561906A (zh) * | 2020-05-25 | 2020-08-21 | 北京洛必德科技有限公司 | 机器人单目测距方法、***、电子设备和计算机存储介质 |
CN111796260A (zh) * | 2019-08-12 | 2020-10-20 | 维沃移动通信有限公司 | 一种测距方法及设备 |
CN112335300A (zh) * | 2018-05-30 | 2021-02-05 | 高通股份有限公司 | 用户设备和固定参考节点之间的测距 |
CN112637888A (zh) * | 2020-12-18 | 2021-04-09 | 中国联合网络通信集团有限公司 | 覆盖空洞区域识别方法、装置、设备及可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10256859B2 (en) * | 2014-10-24 | 2019-04-09 | Usens, Inc. | System and method for immersive and interactive multimedia generation |
DE102015122845A1 (de) * | 2015-12-27 | 2017-06-29 | Faro Technologies, Inc. | Verfahren zum optischen Abtasten und Vermessen einer Umgebung mittels einer 3D-Messvorrichtung und Auswertung im Netzwerk |
US10656652B2 (en) * | 2017-08-10 | 2020-05-19 | Patroness, LLC | System and methods for sensor integration in support of situational awareness for a motorized mobile system |
WO2019093783A1 (ko) * | 2017-11-08 | 2019-05-16 | 엘지전자 주식회사 | 무선 통신 시스템에서 단말에 의해 수행되는 레인징 응답 신호 전송 방법 및 상기 방법을 이용하는 단말 |
EP3799695A1 (en) * | 2018-07-02 | 2021-04-07 | Convida Wireless, Llc | 5g delay tolerant data services |
US11197338B2 (en) * | 2018-11-02 | 2021-12-07 | Mediatek Inc. | Power saving radio resource management (RRM) measurements in a wireless network |
US11309983B2 (en) * | 2018-12-21 | 2022-04-19 | Qualcomm Incorporated | Media exchange between devices |
KR20210098121A (ko) * | 2020-01-31 | 2021-08-10 | 엘지전자 주식회사 | 무인 항공 시스템에서 무인 항공 로봇을 이용한 측정 방법 및 이를 지원하기 위한 장치 |
US11480691B2 (en) * | 2020-02-21 | 2022-10-25 | Qualcomm Incorporated | Method and apparatus to determine relative location using GNSS carrier phase |
-
2021
- 2021-09-26 CN CN202111130283.8A patent/CN113776491B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106062862A (zh) * | 2014-10-24 | 2016-10-26 | 何安莉 | 用于沉浸式和交互式多媒体生成的***和方法 |
CN105405302A (zh) * | 2015-12-09 | 2016-03-16 | 中国联合网络通信集团有限公司 | 限速调整方法和管理平台 |
CN110447245A (zh) * | 2017-03-17 | 2019-11-12 | 维宁尔美国公司 | V2v分簇和多跳通信 |
CN112335300A (zh) * | 2018-05-30 | 2021-02-05 | 高通股份有限公司 | 用户设备和固定参考节点之间的测距 |
CN108990023A (zh) * | 2018-07-02 | 2018-12-11 | 北京交通大学 | 基于机器学习的lte网络的动态空白子帧分配方法 |
CN109934108A (zh) * | 2019-01-31 | 2019-06-25 | 华南师范大学 | 一种多目标多种类的车辆检测和测距***及实现方法 |
CN111796260A (zh) * | 2019-08-12 | 2020-10-20 | 维沃移动通信有限公司 | 一种测距方法及设备 |
CN111401184A (zh) * | 2020-03-10 | 2020-07-10 | 珠海格力智能装备有限公司 | 机器视觉处理方法、装置、存储介质和电子设备 |
CN111561906A (zh) * | 2020-05-25 | 2020-08-21 | 北京洛必德科技有限公司 | 机器人单目测距方法、***、电子设备和计算机存储介质 |
CN112637888A (zh) * | 2020-12-18 | 2021-04-09 | 中国联合网络通信集团有限公司 | 覆盖空洞区域识别方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Ester Gonzalez-Sosa et,al.Audience Meter:a Use Case of Deploying Machine Learning Algorithms over 5G Networks with MEC.《2020 IEEE International Conference on Consumer Electronics》.2020,第1-2页. * |
Meng Li et,al.Energy-efficient Machine-to-Machine(M2M) Communications in Virtualized Cellular Networks with Mobile Edge Computing(MEC).《IEEE Transactions on Mobile Computing》.2019,第18卷(第7期),第1541-1555页. * |
邓晓衡 ; 关培源 ; 万志文 ; 刘恩陆 ; 罗杰 ; 赵智慧 ; 刘亚军 ; 张洪刚 ; .基于综合信任的边缘计算资源协同研究.《计算机研究与发展》.2018,(第03期),第5-33页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113776491A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | A look-up table based approach for solving the camera selection problem in large camera networks | |
Strbac et al. | YOLO multi-camera object detection and distance estimation | |
CN111753757B (zh) | 一种图像识别处理方法及装置 | |
US10368392B2 (en) | Wireless sensor network architecture based on multifunctional and compound sensors | |
CN110782465A (zh) | 一种基于激光雷达的地面分割方法、装置及存储介质 | |
CN109116298B (zh) | 一种定位方法、存储介质及定位*** | |
WO2022165934A1 (zh) | 物体表面数据侦测方法、***、电子装置和存储介质 | |
CN112687107B (zh) | 感知数据获取方法和装置 | |
CN113776491B (zh) | 基于b-m2m的多维测距方法、mec及测距单元 | |
CN112526572B (zh) | 室内外无缝导航的网络切换方法与定位*** | |
CN115393681A (zh) | 一种目标融合方法、装置、电子设备及存储介质 | |
US11107273B2 (en) | Dynamic three-dimensional map generation for computing environment | |
Roy et al. | Going beyond RF: A survey on how AI-enabled multimodal beamforming will shape the NextG standard | |
CN106374224A (zh) | 电磁波成像***及天线阵列信号校正方法 | |
Mukhtar et al. | Machine learning-enabled localization in 5g using lidar and rss data | |
CN114792469A (zh) | 一种感知***的测试方法、装置及测试设备 | |
Ohta et al. | Point cloud-based proactive link quality prediction for millimeter-wave communications | |
CN113704003B (zh) | 基于b-m2m的协同识别方法、边缘计算服务器及介质 | |
WO2022241333A2 (en) | System and methods for depth sensing with auxiliary information by a monocular camera | |
CN114782496A (zh) | 一种对象的跟踪方法、装置、存储介质及电子装置 | |
Lin et al. | Multi-camera view based proactive bs selection and beam switching for v2x | |
Giuliano et al. | MuSLi: a multi sensor LiDAR detection for C-V2X networks | |
CN114844585A (zh) | 一种数据同步的方法、***及相关设备 | |
CN114390537A (zh) | 用于超高速移动物体的基站通信覆盖方法及相关设备 | |
FI20205785A1 (en) | DEVICE AND METHOD FOR IDENTIFYING TRANSMITTING RADIO EQUIPMENT |
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 |