CN114863075A - 基于多传感器的消防疏散路径规划方法、装置、设备 - Google Patents
基于多传感器的消防疏散路径规划方法、装置、设备 Download PDFInfo
- Publication number
- CN114863075A CN114863075A CN202210783934.1A CN202210783934A CN114863075A CN 114863075 A CN114863075 A CN 114863075A CN 202210783934 A CN202210783934 A CN 202210783934A CN 114863075 A CN114863075 A CN 114863075A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- data
- path planning
- dimensional point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 126
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 7
- 239000002096 quantum dot Substances 0.000 claims description 32
- 239000003016 pheromone Substances 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 241000257303 Hymenoptera Species 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000004888 barrier function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Architecture (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于多传感器的消防疏散路径规划方法,包括:对待疏散建筑的深度三维点云数据进行滤波得到标准三维点云数据,对所述待疏散建筑的激光雷达数据转换为点云数据格式,得到标准雷达点云数据;将标准雷达点云数据和标准三维点云数据进行数据融合并对数据融合后的结果进行地图构建处理,得到全局栅格地图;利用对基础蚁群算法进行算法优化得到的改进蚁群算法对全局栅格地图中识别出的多个位置节点进行路径规划,得到疏散路径规划方案。本发明还提出一种基于多传感器的消防疏散路径规划装置、电子设备以及计算机可读存储介质。本发明可以解决基于多传感器的消防疏散路径规划的效率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于多传感器的消防疏散路径规划方法、装置、电子设备及计算机可读存储介质。
背景技术
在消防应急疏散研究领域中,路径规划一直都是研究的重中之重,在火灾事故发生时,在短时间内对撤离人员进行安全高效的疏散和转移是现代城市消防救援的关键问题。路径优化在疏散中起着重要作用,并且是影响和衡量疏散计划是否可行的标准。
现有的消防疏散路径方法通常是采用可视图法、栅格法、人工势场法以及包括人工神经网络算法、遗传算法、蚁群算法等一些智能算法进行路径规划,但是这些智能算法在解决大规模路径规划问题时容易陷入局部最优,收敛速度过慢等问题,进而导致消防疏散路径规划的效率较低,因此亟待提出一种效率更高的消防疏散路径规划方法。
发明内容
本发明提供一种基于多传感器的消防疏散路径规划方法、装置及计算机可读存储介质,其主要目的在于解决消防疏散路径规划的效率较低的问题。
为实现上述目的,本发明提供的一种基于多传感器的消防疏散路径规划方法,包括:
基于激光雷达和点云设备分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据;
对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
可选地,所述将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,包括:
基于预设的坐标转换公式将所述标准雷达点云数据进行坐标转换,得到转换三维点云数据;
将所述转换三维点云数据和所述标准三维点云数据输入至预先建立及训练好的图像融合模型中,输出数据融合后的融合特征图。
可选地,所述坐标转换公式为:
可选地,所述利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案,包括:
对所述改进蚁群算法中的量子蚁群进行初始化处理,得到初始量子蚁群;
基于多个所述位置节点和预设的生成要求构建生成多条参考路径;
将所述初始量子蚁群中的多个蚂蚁随机放入多条参考路径中,并利用所述量子旋转门更新公式对在所述参考路径中的初始量子蚁群进行变换更新;
当所述量子旋转门更新公式中的循环次数小于预设的参考循环次数时,则重新构建参考路径,直至所述循环次数大于或者等于所述参考循环次数时,将所述参考路径输出为最优疏散路径;
将所述最优疏散路径作为疏散路径规划方案。
可选地,所述量子比特为:
可选地,所述构建量子旋转门更新公式为:
可选地,所述对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,包括:
选取所述深度三维点云数据中的预设维度,并在所述预设维度上设置高度阈值;
利用直通滤波器将所述预设维度上大于所述高度阈值的点云进行过滤处理,得到标准三维点云数据。
为了解决上述问题,本发明还提供一种基于多传感器的消防疏散路径规划装置,所述装置包括:
数据转换模块,用于基于激光雷达和点云设备分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据,对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
地图构建模块,用于将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
算法优化模块,用于获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
路径规划模块,用于识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于多传感器的消防疏散路径规划方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于多传感器的消防疏散路径规划方法。
本发明实施例中,通过激光雷达和深度相机分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据,根据激光雷达和深度相机进行扫描,可以得到不同范围的数据,并将经过滤波处理后得到标准三维点云数据和数据格式转换后的标准雷达点云数据进行数据融合处理及地图构建,得到更大测量范围的全局栅格地图。用量子比特表示信息素,量子旋转门反馈控制信息素更新改进基础蚁群算法,使得优化后的蚁群算法既可以体现量子并行计算的高效性,又能具有较好的寻优能力,进而提高疏散路径规划的效率。因此本发明提出的人脸打卡方法、装置、电子设备及计算机可读存储介质,可以解决消防疏散路径规划的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于多传感器的消防疏散路径规划方法的流程示意图;
图2为本发明一实施例提供的基于多传感器的消防疏散路径规划装置的功能模块图;
图3为本发明一实施例提供的实现所述基于多传感器的消防疏散路径规划方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于多传感器的消防疏散路径规划方法。所述基于多传感器的消防疏散路径规划方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多传感器的消防疏散路径规划方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于多传感器的消防疏散路径规划方法的流程示意图。在本实施例中,所述基于多传感器的消防疏散路径规划方法包括:
S1、获取基于激光雷达和点云设备分别扫描预先设定的待疏散建筑得到的激光雷达数据及深度三维点云数据。
本发明实施例中,所述预先设定的待疏散建筑可以为商场、办公大楼或者是住宅小区。所述激光雷达的主要作用是用来检测障碍物环境和构建地图,根据测量维度可以分为2D和3D激光雷达。在室内环境下,3D激光雷达由于成本过高使用较少,因此应用广泛的还是2D激光雷达,其中,在本方案中采用的所述激光雷达即为2D激光雷达。本发明实施例中,所述点云设备可以是深度相机。所述深度相机集成了RGB相机和结构光相机的优点,能够实时提供RGB图像以及深度信息。
进行消防疏散路径规划的前提是要通过搭载的传感器采集环境信息,由于单一传感器通常会出现采集数据不全面且只能扫描一个平面上的障碍物等多个问题,因此本方案采用多传感器进行数据采集。由于2D激光雷达只能扫描一个平面上的障碍物,不同高度的障碍物信息都无法被采集到,同时3D激光雷达成本又过高,而所述深度相机具有比较广的垂直视角,可以检测到2D激光雷达所检测不到的障碍物。故本发明实施例采用2D激光雷达和深度相机融合建图,将两个传感器结合能够检测到更大测量范围。
因此,本发明实施例利用所述激光雷达扫描所述待疏散建筑,得到激光雷达数据,利用深度相机扫描所述待疏散建筑,得到深度三维点云数据。
S2、对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据。
由于所述激光雷达数据的格式为laserscan,而所述深度三维点云数据的格式为pointcloud2,因此,本发明实施例可以利用开源功能包laserscan_to_pointcloud将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据。
进一步地,本发明实施例中,由于深度相机扫描得到的点云数量过于庞大,因此需要对所述深度三维点云数据进行滤波处理,以防止后续数据融合转化后的信息发布频率过慢。
具体地,所述对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,包括:
选取所述深度三维点云数据中的预设维度,并在所述预设维度上设置高度阈值;
利用直通滤波器将所述预设维度上大于所述高度阈值的点云进行过滤处理,得到标准三维点云数据。
详细地,所述深度三维点云数据中的预设维度可以为z轴高度或者是y轴前方距离。所述直通滤波器可以根据点云的属性在点的属性上设置范围,对点进行滤波,保留范围内的或保留范围外的数据。
例如,在所述深度三维点云数据的z轴上设置一个高度阈值0.5m,利用所述直通滤波器将所述高度阈值0.5m以上的点云直接过滤。
S3、将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图。
详细地,本发明实施例中所述将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,包括:
基于预设的坐标转换公式将所述标准雷达点云数据进行坐标转换,得到转换三维点云数据;
将所述转换三维点云数据和所述标准三维点云数据输入至预先建立及训练好的图像融合模型中,输出数据融合后的融合特征图。
具体地,所述坐标转换公式为:
进一步地,所述图像融合模型采用自注意机制对所述转换三维点云数据和所述标准三维点云数据进行融合。其中,所述图像融合模型中包含编码模块,第一注意力特征融合模块,第二注意力特征融合模块和解码模块,所述编码模块和所述解码模块是对称的。
其中,所述编码模块用于分别将所述转换三维点云数据和所述标准三维点云数据编码为对应的编码数据,所述第一注意力特征融合模块用于将所述转换三维点云数据和所述标准三维点云数据进行特征融合,所述第二注意力特征融合模块用于将所述转换三维点云数据和所述标准三维点云数据对应的编码数据进行融合,以及所述解码模块用于对融合后的数据进行解码处理,得到融合特征图。
进一步地,本发明实施例将所述融合特征图输入至预设的建图算法中进行地图构建处理,得到全局栅格地图。在本方案中,所述建图算法可以为Cartographer算法。所述Cartographer算法是一种基于图优化的开源算法,主要贡献在于减少了利用激光雷达进行回环检测时的大计算量,并且可以绘制大场景的地图。
优选地,所述全局栅格地图是绘制得到的相比单一2D激光雷达地图信息更加完整的三维栅格地图。
S4、获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法。
蚁群算法是最具代表性的群体智能算法之一,具有正反馈、鲁棒性、分布式计算以及容易与其他算法进行结合的特点,在解决路径规划问题上取得了很好的效果,但是蚁群算法在解决大规模路径规划问题时存在容易陷入局部最优、收敛速度过慢等问题,为了克服这些问题,本发明实施例需要对基础蚁群算法进行改进优化。
优选地,本发明实施例以量子比特作为预设基础蚁群算法中的信息素,以量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式可以跳出局部最优解,避免早熟,加快算法的收敛速度。
具体地,所述量子比特为:
进一步地,所述量子旋转门更新公式为:
其中, (表示第个蚂蚁个体的第位原始信息素,(表示第个蚂蚁个
体的第位的更新后的信息素,为第个蚂蚁个体在第位的旋转角度,为一个与迭代次
数相关的变量,为圆周率,表示当前迭代次数,表示当前迭代的上限,表示
控制旋转方向的函数。
详细地,改进的蚁群算法不仅可以提高多样性,还加快了收敛速度,可以在疏散路径规划问题上快速的找到最优路径,并且随着迭代次数的增加,其优势趋于明显。
S5、识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
本发明实施例中,在所述全局栅格地图中包含多个内部建筑的位置节点,例如,在购物商场中则包含房间、走廊、大厅和楼梯等多个位置节点,而疏散路径的规划就是在多个不同的位置节点中构建出一条最短安全路径,以最大限度的减少撤离人员从危险区域到安全地点的所需的总时间,因此利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
具体地,所述利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案,包括:
对所述改进蚁群算法中的量子蚁群进行初始化处理,得到初始量子蚁群;
基于多个所述位置节点和预设的生成要求构建生成多条参考路径;
将所述初始量子蚁群中的多个蚂蚁随机放入多条参考路径中,并利用所述量子旋转门更新公式对在所述参考路径中的初始量子蚁群进行变换更新;
当所述量子旋转门更新公式中的循环次数小于预设的参考循环次数时,则重新构建参考路径,直至所述循环次数大于或者等于所述参考循环次数时,将所述参考路径输出为最优疏散路径;
将所述最优疏散路径作为疏散路径规划方案。
进一步地,基于所述疏散路径规划方案对所述待疏散建筑进行消防疏散,所述疏散路径规划方案可以在火灾发生时为撤离人群提供一条从危险区域到安全地带的最短安全路线。
本发明实施例中,通过激光雷达和深度相机分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据,根据激光雷达和深度相机进行扫描,可以得到不同范围的数据,并将经过滤波处理后得到标准三维点云数据和数据格式转换后的标准雷达点云数据进行数据融合处理及地图构建,得到更大测量范围的全局栅格地图。用量子比特表示信息素,量子旋转门反馈控制信息素更新改进基础蚁群算法,使得优化后的蚁群算法既可以体现量子并行计算的高效性,又能具有较好的寻优能力,进而提高疏散路径规划的效率。因此本发明提出的消防疏散路径规划方法可以解决消防疏散路径规划的效率较低的问题。
如图2所示,是本发明一实施例提供的基于多传感器的消防疏散路径规划装置的功能模块图。
本发明所述基于多传感器的消防疏散路径规划装置100可以安装于电子设备中。根据实现的功能,所述基于多传感器的消防疏散路径规划装置100可以包括数据转换模块101、地图构建模块102、算法优化模块103及路径规划模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据转换模块101,用于获取基于激光雷达和点云设备分别扫描预先设定的待疏散建筑得到的激光雷达数据及深度三维点云数据,对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
所述地图构建模块102,用于将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
所述算法优化模块103,用于获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
所述路径规划模块104,用于识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
详细地,所述基于多传感器的消防疏散路径规划装置100各模块的具体实施方式如下:
步骤一、获取基于激光雷达和点云设备分别扫描预先设定的待疏散建筑得到的激光雷达数据及深度三维点云数据。
本发明实施例中,所述预先设定的待疏散建筑可以为商场、办公大楼或者是住宅小区。所述激光雷达的主要作用是用来检测障碍物环境和构建地图,根据测量维度可以分为2D和3D激光雷达。在室内环境下,3D激光雷达由于成本过高使用较少,因此应用广泛的还是2D激光雷达,其中,在本方案中采用的所述激光雷达即为2D激光雷达。本发明实施例中,所述点云设备可以是深度相机。所述深度相机集成了RGB相机和结构光相机的优点,能够实时提供RGB图像以及深度信息。
进行消防疏散路径规划的前提是要通过搭载的传感器采集环境信息,由于单一传感器通常会出现采集数据不全面且只能扫描一个平面上的障碍物等多个问题,因此本方案采用多传感器进行数据采集。由于2D激光雷达只能扫描一个平面上的障碍物,不同高度的障碍物信息都无法被采集到,同时3D激光雷达成本又过高,而所述深度相机具有比较广的垂直视角,可以检测到2D激光雷达所检测不到的障碍物。故本发明实施例采用2D激光雷达和深度相机融合建图,将两个传感器结合能够检测到更大测量范围。
因此,本发明实施例利用所述激光雷达扫描所述待疏散建筑,得到激光雷达数据,利用深度相机扫描所述待疏散建筑,得到深度三维点云数据。
步骤二、对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据。
由于所述激光雷达数据的格式为laserscan,而所述深度三维点云数据的格式为pointcloud2,因此,本发明实施例可以利用开源功能包laserscan_to_pointcloud将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据。
进一步地,本发明实施例中,由于深度相机扫描得到的点云数量过于庞大,因此需要对所述深度三维点云数据进行滤波处理,以防止后续数据融合转化后的信息发布频率过慢。
具体地,所述对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,包括:
选取所述深度三维点云数据中的预设维度,并在所述预设维度上设置高度阈值;
利用直通滤波器将所述预设维度上大于所述高度阈值的点云进行过滤处理,得到标准三维点云数据。
详细地,所述深度三维点云数据中的预设维度可以为z轴高度或者是y轴前方距离。所述直通滤波器可以根据点云的属性在点的属性上设置范围,对点进行滤波,保留范围内的或保留范围外的数据。
例如,在所述深度三维点云数据的z轴上设置一个高度阈值0.5m,利用所述直通滤波器将所述高度阈值0.5m以上的点云直接过滤。
步骤三、将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图。
详细地,本发明实施例中所述将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,包括:
基于预设的坐标转换公式将所述标准雷达点云数据进行坐标转换,得到转换三维点云数据;
将所述转换三维点云数据和所述标准三维点云数据输入至预先建立及训练好的图像融合模型中,输出数据融合后的融合特征图。
具体地,所述坐标转换公式为:
进一步地,所述图像融合模型采用自注意机制对所述转换三维点云数据和所述标准三维点云数据进行融合。其中,所述图像融合模型中包含编码模块,第一注意力特征融合模块,第二注意力特征融合模块和解码模块,所述编码模块和所述解码模块是对称的。
其中,所述编码模块用于分别将所述转换三维点云数据和所述标准三维点云数据编码为对应的编码数据,所述第一注意力特征融合模块用于将所述转换三维点云数据和所述标准三维点云数据进行特征融合,所述第二注意力特征融合模块用于将所述转换三维点云数据和所述标准三维点云数据对应的编码数据进行融合,以及所述解码模块用于对融合后的数据进行解码处理,得到融合特征图。
进一步地,本发明实施例将所述融合特征图输入至预设的建图算法中进行地图构建处理,得到全局栅格地图。在本方案中,所述建图算法可以为Cartographer算法。所述Cartographer算法是一种基于图优化的开源算法,主要贡献在于减少了利用激光雷达进行回环检测时的大计算量,并且可以绘制大场景的地图。
优选地,所述全局栅格地图是绘制得到的相比单一2D激光雷达地图信息更加完整的三维栅格地图。
步骤四、获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法。
蚁群算法是最具代表性的群体智能算法之一,具有正反馈、鲁棒性、分布式计算以及容易与其他算法进行结合的特点,在解决路径规划问题上取得了很好的效果,但是蚁群算法在解决大规模路径规划问题时存在容易陷入局部最优、收敛速度过慢等问题,为了克服这些问题,本发明实施例需要对基础蚁群算法进行改进优化。
优选地,本发明实施例以量子比特作为预设基础蚁群算法中的信息素,以量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式可以跳出局部最优解,避免早熟,加快算法的收敛速度。
具体地,所述量子比特为:
进一步地,所述量子旋转门更新公式为:
其中, (表示第个蚂蚁个体的第位原始信息素,(表示第个蚂蚁个
体的第位的更新后的信息素,为第个蚂蚁个体在第位的旋转角度,为一个与迭代次
数相关的变量,为圆周率,表示当前迭代次数,表示当前迭代的上限,表示
控制旋转方向的函数。
详细地,改进的蚁群算法不仅可以提高多样性,还加快了收敛速度,可以在疏散路径规划问题上快速的找到最优路径,并且随着迭代次数的增加,其优势趋于明显。
步骤五、识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
本发明实施例中,在所述全局栅格地图中包含多个内部建筑的位置节点,例如,在购物商场中则包含房间、走廊、大厅和楼梯等多个位置节点,而疏散路径的规划就是在多个不同的位置节点中构建出一条最短安全路径,以最大限度的减少撤离人员从危险区域到安全地点的所需的总时间,因此利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
具体地,所述利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案,包括:
对所述改进蚁群算法中的量子蚁群进行初始化处理,得到初始量子蚁群;
基于多个所述位置节点和预设的生成要求构建生成多条参考路径;
将所述初始量子蚁群中的多个蚂蚁随机放入多条参考路径中,并利用所述量子旋转门更新公式对在所述参考路径中的初始量子蚁群进行变换更新;
当所述量子旋转门更新公式中的循环次数小于预设的参考循环次数时,则重新构建参考路径,直至所述循环次数大于或者等于所述参考循环次数时,将所述参考路径输出为最优疏散路径;
将所述最优疏散路径作为疏散路径规划方案。
进一步地,基于所述疏散路径规划方案对所述待疏散建筑进行消防疏散,所述疏散路径规划方案可以在火灾发生时为撤离人群提供一条从危险区域到安全地带的最短安全路线。
本发明实施例中,通过激光雷达和深度相机分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据,根据激光雷达和深度相机进行扫描,可以得到不同范围的数据,并将经过滤波处理后得到标准三维点云数据和数据格式转换后的标准雷达点云数据进行数据融合处理及地图构建,得到更大测量范围的全局栅格地图。用量子比特表示信息素,量子旋转门反馈控制信息素更新改进基础蚁群算法,使得优化后的蚁群算法既可以体现量子并行计算的高效性,又能具有较好的寻优能力,进而提高疏散路径规划的效率。因此本发明提出的消防疏散路径规划装置可以解决消防疏散路径规划的效率较低的问题。
如图3所示,是本发明一实施例提供的实现基于多传感器的消防疏散路径规划方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于多传感器的消防疏散路径规划程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于多传感器的消防疏散路径规划程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于多传感器的消防疏散路径规划程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于多传感器的消防疏散路径规划程序是多个指令的组合,在所述处理器10中运行时,可以实现:
基于激光雷达和点云设备分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据;
对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
基于激光雷达和点云设备分别扫描预先设定的待疏散建筑,得到激光雷达数据及深度三维点云数据;
对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多传感器的消防疏散路径规划方法,其特征在于,所述方法包括:
获取基于激光雷达和点云设备分别扫描预先设定的待疏散建筑得到的激光雷达数据及深度三维点云数据;
对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
2.如权利要求1所述的基于多传感器的消防疏散路径规划方法,其特征在于,所述将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,包括:
基于预设的坐标转换公式将所述标准雷达点云数据进行坐标转换,得到转换三维点云数据;
将所述转换三维点云数据和所述标准三维点云数据输入至预先建立及训练好的图像融合模型中,输出数据融合后的融合特征图。
4.如权利要求1所述的基于多传感器的消防疏散路径规划方法,其特征在于,所述利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案,包括:
对所述改进蚁群算法中的量子蚁群进行初始化处理,得到初始量子蚁群;
基于多个所述位置节点和预设的生成要求构建生成多条参考路径;
将所述初始量子蚁群中的多个蚂蚁随机放入多条参考路径中,并利用所述量子旋转门更新公式对在所述参考路径中的初始量子蚁群进行变换更新;
当所述量子旋转门更新公式中的循环次数小于预设的参考循环次数时,则重新构建参考路径,直至所述循环次数大于或者等于所述参考循环次数时,将所述参考路径输出为最优疏散路径;
将所述最优疏散路径作为疏散路径规划方案。
7.如权利要求1所述的基于多传感器的消防疏散路径规划方法,其特征在于,所述对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,包括:
选取所述深度三维点云数据中的预设维度,并在所述预设维度上设置高度阈值;
利用直通滤波器将所述预设维度上大于所述高度阈值的点云进行过滤处理,得到标准三维点云数据。
8.一种基于多传感器的消防疏散路径规划装置,其特征在于,所述装置包括:
数据转换模块,用于获取基于激光雷达和点云设备分别扫描预先设定的待疏散建筑得到的激光雷达数据及深度三维点云数据,对所述深度三维点云数据进行滤波处理,得到标准三维点云数据,及将所述激光雷达数据的数据格式转换为点云数据格式,得到标准雷达点云数据;
地图构建模块,用于将所述标准雷达点云数据和所述标准三维点云数据进行数据融合,并将数据融合后的结果输入至预设的建图算法中进行地图构建处理,得到全局栅格地图;
算法优化模块,用于获取量子比特并构建量子旋转门更新公式,以所述量子比特作为预设基础蚁群算法中的信息素,以所述量子旋转门更新公式作为所述预设基础蚁群算法中的更新公式对所述预设基础蚁群算法进行算法优化,得到改进蚁群算法;
路径规划模块,用于识别出所述全局栅格地图中的多个位置节点,利用所述改进蚁群算法对多个所述位置节点进行路径规划,得到疏散路径规划方案。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于多传感器的消防疏散路径规划方法。
10.一种计算机可读存储介质,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实现如权利要求1至7中任意一项所述的基于多传感器的消防疏散路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783934.1A CN114863075B (zh) | 2022-07-05 | 2022-07-05 | 基于多传感器的消防疏散路径规划方法、装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783934.1A CN114863075B (zh) | 2022-07-05 | 2022-07-05 | 基于多传感器的消防疏散路径规划方法、装置、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863075A true CN114863075A (zh) | 2022-08-05 |
CN114863075B CN114863075B (zh) | 2022-10-14 |
Family
ID=82625503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210783934.1A Active CN114863075B (zh) | 2022-07-05 | 2022-07-05 | 基于多传感器的消防疏散路径规划方法、装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863075B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463483A (zh) * | 2021-08-23 | 2022-05-10 | 兰州交通大学 | 一种针对火灾疏散的动态矢栅一体化动态室内通行网络表达技术 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199626A (zh) * | 2016-06-30 | 2016-12-07 | 上海交通大学 | 基于摆动激光雷达的室内三维点云地图生成***及方法 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN108073167A (zh) * | 2016-11-10 | 2018-05-25 | 深圳灵喵机器人技术有限公司 | 一种基于深度相机与激光雷达的定位与导航方法 |
CN111708368A (zh) * | 2020-07-07 | 2020-09-25 | 上海工程技术大学 | 一种基于激光与视觉slam融合的智能轮椅 |
CN112070838A (zh) * | 2020-09-07 | 2020-12-11 | 洛伦兹(北京)科技有限公司 | 基于二维-三维融合特征的对象识别与定位方法及装置 |
CN112525202A (zh) * | 2020-12-21 | 2021-03-19 | 北京工商大学 | 一种基于多传感器融合的slam定位导航方法及*** |
CN113268087A (zh) * | 2021-06-04 | 2021-08-17 | 郑州航空工业管理学院 | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 |
CN113340295A (zh) * | 2021-06-16 | 2021-09-03 | 广东工业大学 | 一种多个测距传感器的无人艇近岸实时定位与建图方法 |
CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
CN114474061A (zh) * | 2022-02-17 | 2022-05-13 | 新疆大学 | 基于云服务的机器人多传感器融合定位导航***及方法 |
CN114612780A (zh) * | 2022-03-14 | 2022-06-10 | 上海微电机研究所(中国电子科技集团公司第二十一研究所) | 一种多地图切换slam建图方法 |
-
2022
- 2022-07-05 CN CN202210783934.1A patent/CN114863075B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199626A (zh) * | 2016-06-30 | 2016-12-07 | 上海交通大学 | 基于摆动激光雷达的室内三维点云地图生成***及方法 |
CN108073167A (zh) * | 2016-11-10 | 2018-05-25 | 深圳灵喵机器人技术有限公司 | 一种基于深度相机与激光雷达的定位与导航方法 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN111708368A (zh) * | 2020-07-07 | 2020-09-25 | 上海工程技术大学 | 一种基于激光与视觉slam融合的智能轮椅 |
CN112070838A (zh) * | 2020-09-07 | 2020-12-11 | 洛伦兹(北京)科技有限公司 | 基于二维-三维融合特征的对象识别与定位方法及装置 |
CN112525202A (zh) * | 2020-12-21 | 2021-03-19 | 北京工商大学 | 一种基于多传感器融合的slam定位导航方法及*** |
CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
CN113268087A (zh) * | 2021-06-04 | 2021-08-17 | 郑州航空工业管理学院 | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 |
CN113340295A (zh) * | 2021-06-16 | 2021-09-03 | 广东工业大学 | 一种多个测距传感器的无人艇近岸实时定位与建图方法 |
CN114474061A (zh) * | 2022-02-17 | 2022-05-13 | 新疆大学 | 基于云服务的机器人多传感器融合定位导航***及方法 |
CN114612780A (zh) * | 2022-03-14 | 2022-06-10 | 上海微电机研究所(中国电子科技集团公司第二十一研究所) | 一种多地图切换slam建图方法 |
Non-Patent Citations (2)
Title |
---|
王钾 等: "基于量子蚁群算法的建筑消防疏散路径规划", 《计算机测量与控制》 * |
陈文佑 等: "一种融合深度相机与激光雷达的室内移动机器人建图与导航方法", 《智能计算机与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463483A (zh) * | 2021-08-23 | 2022-05-10 | 兰州交通大学 | 一种针对火灾疏散的动态矢栅一体化动态室内通行网络表达技术 |
Also Published As
Publication number | Publication date |
---|---|
CN114863075B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977182B (zh) | 一种基于cim的城市信息*** | |
Cova et al. | Modelling community evacuation vulnerability using GIS | |
CN1273939C (zh) | 公共空间的智能模拟的***和方法 | |
Guo et al. | Developing a 3D cadastre for the administration of urban land use: A case study of Shenzhen, China | |
CN112784002B (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
CN107292989A (zh) | 基于3dgis技术的高压输电巡检*** | |
KR20200078074A (ko) | 객체 기반의 3d 도시 모델링 방법 및 이를 구현하는 서버, 그리고 이를 이용하는 시스템 | |
CN115774861A (zh) | 一种自然资源多源异构数据汇聚融合服务*** | |
CN114863075B (zh) | 基于多传感器的消防疏散路径规划方法、装置、设备 | |
Goyal et al. | Use of BIM in development of smart cities: a review | |
CN107688908A (zh) | 研判施工安全风险的方法及装置 | |
Sabri et al. | A multi-dimensional analytics platform to support planning and design for liveable and sustainable urban environment | |
WO2022147923A1 (zh) | 一种面向空间数据的区块网安全组织存储映射方法 | |
CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、***、介质及设备 | |
Kijewski-Correa et al. | CyberEye: Development of integrated cyber-infrastructure to support rapid hurricane risk assessment | |
Kim et al. | Mapping local vulnerabilities into a 3D city model through social sensing and the CAVE system toward digital twin city | |
CN113409462A (zh) | 一种基于3dgis和bim技术的市政工程施工安全控制方法及*** | |
CN116127689A (zh) | 数字孪生空间的构建方法、装置及计算设备 | |
Ai et al. | A map generalization model based on algebra mapping transformation | |
McElwee et al. | Real-time analysis of city scale transportation networks in New Orleans metropolitan area using an agent based model approach | |
Shariatpour et al. | Urban 3D Modeling as a Precursor of City Information Modeling and Digital Twin for Smart City Era: A Case Study of the Narmak Neighborhood of Tehran City, Iran | |
Guzmán et al. | A cyberphysical system for data-driven real-time traffic prediction on the Las Vegas I-15 freeway | |
Liu et al. | Task scheduling of real-time traffic information processing based on digital twins | |
CN114972658B (zh) | 一种数据驱动的三维场景动态模型映射方法及装置 | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform |
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 |