CN115688610A - 一种无线电磁六维定位方法、***、存储介质及电子设备 - Google Patents
一种无线电磁六维定位方法、***、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115688610A CN115688610A CN202211682203.4A CN202211682203A CN115688610A CN 115688610 A CN115688610 A CN 115688610A CN 202211682203 A CN202211682203 A CN 202211682203A CN 115688610 A CN115688610 A CN 115688610A
- Authority
- CN
- China
- Prior art keywords
- neural network
- target
- positioning
- attitude
- layer
- 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 75
- 238000003062 neural network model Methods 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 230000006698 induction Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 48
- 230000005284 excitation Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims 2
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- Feedback Control In General (AREA)
- Control Of Position Or Direction (AREA)
Abstract
本申请涉及的是一种无线电磁六维定位方法、***、存储介质及电子设备。其中，该定位方法包括位置定位与姿态定位；该位置定位是利用神经网络模型将待定位目标的9个感应电压经过处理后得到位置坐标；该姿态定位是利用姿态融合算法获取姿态旋转矩阵并进行坐标转换得到姿态角信息。本申请通过利用神经网络模型计算得到待定位目标相对于参照目标的位置坐标信息，通过的惯性传感单元获得待定位目标相对于参照目标的姿态角信息，从而实现了待定位目标的六维定位功能，定位方法简单，无需复杂的参数标定过程，定位精度高，由于神经网络具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的精确性。
Description
技术领域
本申请涉及电磁定位技术领域，尤其是涉及的是一种无线电磁六维定位方法、***、存储介质及电子设备。
背景技术
目前电磁定位方法大多采用基于磁偶极子模型进行计算，该方法是基于感应线圈接收到的不同频率的交流电压信号的幅值、感应线圈的灵敏度参数和发射线圈的激励参数解算位置和姿态信息。
感应线圈灵敏度参数和发射线圈激励参数的准确性直接影响了电磁定位***的位置和姿态解算精度，但感应线圈灵敏度参数和发射线圈激励参数很难直接精确测量，需要通过前期标定进行确定，但标定过程复杂而且费时。
而且，基于模型的定位方法存在锁相环歧义和半球歧义，导致接收线圈相对于发射线圈的位置数据和姿态数据存在多种可能的符号组合，需要通过特殊算法处理来解决此类歧义问题，过程较为复杂。
发明内容
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，或者通过实施本申请而了解。本申请的目的和其他优点可通过说明书以及说明书附图中所特别指出的结构来实现和获得。
本申请的目的在于克服上述不足，提供一种无线电磁六维定位方法、***、存储介质及电子设备。
第一方面，本申请提供了一种无线电磁六维定位方法。该定位方法包括位置定位与姿态定位；该位置定位是利用神经网络模型将待定位目标的9个感应电压经过处理后得到位置坐标；该姿态定位是利用姿态融合算法获取姿态旋转矩阵并进行坐标转换得到三维姿态角。
本申请通过利用神经网络模型计算得到待定位目标相对于参照目标的位置坐标信息，通过待定位目标与参照目标中的惯性传感单元获得待定位目标相对于参照目标的姿态角信息，从而实现了待定位目标的六维定位功能。该定位方法简单，无需复杂的参数标定过程，定位精度高。此外，由于神经网络具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的准确性与精确性。
在一些实施例中，该位置定位包括以下步骤：
数据采集坐标系的建立，利用光学跟踪***建立全局坐标系和刚体坐标系，以采集待定位目标相对于参照目标的实时位置信息（即9个感应电压）；
数据样本集的构建，在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集；
位置回归模型的建模，基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；
三维位置的定位，将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。
本申请通过光学跟踪***建立全局坐标系和刚体坐标系，在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集，并基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型，将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。该定位方法简单，无需任何的标定过程，且不受非线性、交叉的影响，定位精度高。
在一些实施例中，该姿态定位包括以下步骤：
姿态旋转矩阵的获取，利用姿态融合算法获取姿态旋转矩阵；
姿态角的定位，通过姿态旋转矩阵的转换，并求解得到姿态角坐标。
本申请利用姿态融合算法获得姿态旋转矩阵，再将姿态旋转矩阵进行坐标转换，从而得到姿态角坐标信息，定位速度快，定位准确性强。
在一些实施例中，该位置回归模型的建模包括：
步骤1，神经网络的学习速率与神经元的激励函数的确定：将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P=9 (接收线圈感应电压数)，隐含层层数为N，输出层节点数为3（三维位置输出），确定神经网络的学习速率与神经元的激励函数；
步骤2，神经网络模型隐含层输出值的计算：根据输入层的数据集与连接权值W ij计算得到神经网络模型隐含层输出值H j；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值，激励函数的选择取决于模型的构建方式，在数据样本非大规模的情况下，通常不需考虑过拟合的问题；
步骤3，神经网络模型的预测输出值的计算：将隐含层输出H j输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值；
步骤4，连接层之间权值的调整：用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e。以预测误差e为标准，采用对函数求导（即梯度）的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率，e k =Y k -O k ；
x为上一层的输出值，即神经网络的中间值，具体为：如果是第一层，则x为神经网络的输入向量，如果是第二层，则x为第一层的输出值，如果是第三层，则x为第二层的输出值，依此类推；
步骤5，隐含层和输出层阈值的更新：利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
根据以上步骤来更新调整各参数值，若达到预期误差精度，则跳出循环直接输出结果；否则跳到步骤2重新计算新一轮的结果，直至达到精度要求。
由于神经网络模型的本质是非线性函数，存在n个输入，m个输出时，表达了从n个输入至m个输出的非线性映射关系，具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的准确性与精确性。
在一些实施例中，该位置回归模型包括
输入层，其节点数与待定位目标的感应电压数一致；
N层隐含层，其各层的节点数分别为M1，M2，M3，M4，M5，……，MN；
输出层，其具有3个节点数。
在一些实施例中，该归一化处理采用Min-Max归一化方法，该Min-Max归一化方法的计算公式如下：
U=[u 1,u 2,…,u 9]，
其中，Unorm是经过归一化处理后的输入特征向量，U为原始的感应电压向量，Umax为原始9个感应电压向量中各个最大值组成的向量，Umin原始9个感应电压向量中各个最小值组成的向量。
在一些实施例中，该数据样本集包括训练集、验证集、测试集。
在一些实施例中，该训练集的占比为70%，该验证集的占比为15%，该测试集的占比为15%。本申请通过合理地分配各个数据样本集的比例，能够训练与建模出更好的位置回归模型。
在一些实施例中，该姿态角坐标的计算公式为
通过求解上式，可以得到姿态角坐标(α，β，γ)。
第二方面，本申请提供了一种无线电磁六维定位***。该定位***包括
数据采集坐标系建立模块，用于利用光学跟踪***建立全局坐标系和刚体坐标系；
数据采集模块，用于利用全局坐标系和刚体坐标系采集参照目标的电磁信号信息与待定位目标相对于参照目标的实时位置信息；
数据样本集构建模块，用于利用该数据采集模块所采集的待定位目标的9个感应电压与待定位目标相对于参照目标的实时位置信息，构建数据样本集；
位置回归模型建模模块，用于基于该数据样本构建模块所构建的数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；其中，该位置回归模型的输入为待定位目标的9个感应电压，该位置回归模型的输出为待定位目标的三维位置坐标信息；
三维位置定位模块，用于根据该数据采集模块所采集的待定位目标的9个感应电压，利用该位置回归模型建模模块所建模的位置回归模型，确定待定位目标的三维位置坐标信息，以实现三维位置定位；
姿态旋转矩阵获取模块，用于利用姿态融合算法获取姿态旋转矩阵；
姿态角定位模块，用于根据姿态旋转矩阵获取模块所获取的姿态旋转矩阵，转换姿态旋转矩阵得到姿态角坐标信息，以实现姿态角定位。
在一些实施例中，该位置回归模型建模模块包括：
神经网络的学习速率与神经元的激励函数确定单元，用于将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P =9 (接收线圈感应电压数)，隐含层层数为N，输出层节点数为3（三维位置输出），以确定神经网络的学习速率与神经元的激励函数；
神经网络模型隐含层输出值计算单元，用于根据输入层的数据集与连接权值W ij计算得到神经网络模型隐含层输出值H j；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值，激励函数的选择取决于模型的构建方式，在数据样本非大规模的情况下，通常不需考虑过拟合的问题；
神经网络模型的预测输出值计算单元，用于将隐含层输出H j输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值；
连接层之间权值调整单元，用于利用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e。以预测误差e为标准，采用对函数求导（即梯度）的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率，e k =Y k -O k ； x为上一层的输出值，即神经网络的中间值，具体为：如果是第一层，则x为神经网络的输入向量，如果是第二层，则x为第一层的输出值，如果是第三层，则x为第二层的输出值，依此类推；
隐含层和输出层阈值更新单元，用于利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
在一些实施例中，该定位***还包括
电磁信号发射模块，其设置在参照目标内，该电磁信号发射模块用于在接通交变的电流信号使之在空间中产生交变的磁场信号；
电磁信号接收模块，其设置在该待定位目标内，该电磁信号接收模块用于感应该电磁信号发射模块在接通交变的电流信号使之在空间中所产生交变的磁场信号。
在一些实施例中，该姿态旋转矩阵获取模块包括设置在参照目标内的惯性传感单元、设置在该待定位目标内的惯性传感单元。
第三方面，本申请提供了一种计算机存储介质，存储有计算机可执行指令，计算机可执行指令用于执行上文所述的无线电磁六维定位方法。
第四方面，本申请提供了一种电子设备，包括
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上文所述的无线电磁六维定位方法。
通过采用上述的技术方案，本申请的有益效果是：
本申请通过利用神经网络模型计算得到待定位目标相对于参照目标的位置坐标信息，通过待定位目标与参照目标中的惯性传感单元获得待定位目标相对于参照目标的姿态角信息，从而实现了待定位目标的六维定位功能。该定位方法简单，无需复杂的参数标定过程，定位精度高。此外，由于神经网络具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的准确性与精确性。
本申请通过光学跟踪***建立全局坐标系和刚体坐标系，在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集，并基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型，将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。该定位方法简单，无需任何的标定过程，且不受非线性、交叉的影响，定位精度高。
本申请利用姿态融合算法获得姿态旋转矩阵，再将姿态旋转矩阵进行坐标转换，从而得到姿态角坐标信息，定位速度快，定位准确性强。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
无疑的，本申请的此类目的与其他目的在下文以多种附图与绘图来描述的较佳实施例细节说明后将变为更加显见。
为让本申请的上述和其他目的、特征和优点能更明显易懂，下文特举一个或数个较佳实施例，并配合所示附图，作详细说明如下。
附图说明
附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施方式共同用于解释本申请，并不构成对本申请的限制。
在附图中，相同的部件使用相同的附图标记，并且附图是示意性的，并不一定按照实际的比例绘制。
为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一个或数个实施方式，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，还可以根据此类附图获得其他的附图。
图1为本申请一些实施例的无线电磁六维定位方法的流程图；
图2为本申请一些实施例的无线电磁六维定位方法中位置回归模型建模的流程图。
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，以下结合具体实施方式对本申请进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本申请，但并不用于限定本申请。
另外，在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。但注明直接连接则说明连接地两个主体之间并不通过过渡结构构建连接关系，只通过连接结构相连形成一个整体。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
参照图1，图1为本申请一些实施例的无线电磁六维定位方法的流程图。
根据本申请的一些实施例，本申请提供了一种无线电磁六维定位方法。该定位方法包括位置定位与姿态定位。其中，该位置定位是利用神经网络模型将待定位目标的9个感应电压经过处理后得到位置坐标；该姿态定位是利用姿态融合算法获取姿态旋转矩阵并进行坐标转换得到姿态角信息。
本申请通过利用神经网络模型计算得到待定位目标相对于参照目标的位置坐标信息，通过待定位目标与参照目标中的惯性传感单元获得待定位目标相对于参照目标的姿态角信息，从而实现了待定位目标的六维定位功能。该定位方法简单，无需复杂的参数标定过程，定位精度高。此外，由于神经网络具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的准确性与精确性。
参照图1，根据本申请的一些实施例，可选地，该位置定位包括以下步骤：
S1、数据采集坐标系的建立
利用光学跟踪***建立全局坐标系和刚体坐标系，以采集待定位目标相对于参照目标的实时位置信息（即9个感应电压）；
S2、数据样本集的构建
在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集；
S3、位置回归模型的建模
基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；
S4、三维位置的定位
将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。
本申请通过光学跟踪***建立全局坐标系和刚体坐标系，在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集，并基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型，将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。该定位方法简单，无需任何的标定过程，且不受非线性、交叉的影响，定位精度高。
根据本申请的一些实施例，可选地，该姿态定位包括以下步骤：
S5、姿态旋转矩阵的获取
利用姿态融合算法获取姿态旋转矩阵；
S6、姿态角的定位
通过姿态旋转矩阵的转换，并求解得到姿态角坐标。
本申请利用姿态融合算法获得姿态旋转矩阵，再将姿态旋转矩阵进行坐标转换，从而得到姿态角坐标信息，定位速度快，定位准确性强。
参照图2，图2为本申请一些实施例的无线电磁六维定位方法中位置回归模型建模的流程图。
根据本申请的一些实施例，可选地，该位置回归模型的建模包括：
S31、神经网络的学习速率与神经元的激励函数的确定
将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P =9 (接收线圈感应电压数)，隐含层层数为N，输出层节点数为3（三维位置输出），确定神经网络的学习速率与神经元的激励函数；
S32、神经网络模型隐含层输出值的计算
根据输入层的数据集与连接权值W ij计算得到神经网络模型隐含层输出值H j；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值，激励函数的选择取决于模型的构建方式，在数据样本非大规模的情况下，通常不需考虑过拟合的问题；
S33、神经网络模型的预测输出值的计算
将隐含层输出H j输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值；
S34、连接层之间权值的调整
用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e。以预测误差e为标准，采用对函数求导（即梯度）的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率，e k =Y k -O k ；x为上一层的输出值，即神经网络的中间值，具体为：如果是第一层，则x为神经网络的输入向量，如果是第二层，则x为第一层的输出值，如果是第三层，则x为第二层的输出值，依此类推；
S35、隐含层和输出层阈值的更新
利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
根据以上步骤来更新调整各参数值，若达到预期误差精度，则跳出循环直接输出结果；否则跳到步骤2重新计算新一轮的结果，直至达到精度要求。
由于神经网络模型的本质是非线性函数，存在n个输入，m个输出时，表达了从n个输入至m个输出的非线性映射关系，具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的准确性与精确性。
根据本申请的一些实施例，可选地，该位置回归模型包括输入层、N层隐含层、输出层。该输入层的节点数与待定位目标的感应电压数一致；各层隐含层的节点数分别为M1，M2，M3，M4，M5，……，MN；该输出层具有3个节点数。
根据本申请的一些实施例，可选地，该归一化处理采用Min-Max归一化方法。该Min-Max归一化方法的计算公式如下：
U=[u 1,u 2,…,u 9]，
其中，Unorm是经过归一化处理后的输入特征向量，U为原始的感应电压向量，Umax为原始9个感应电压向量中各个最大值组成的向量，Umin原始9个感应电压向量中各个最小值组成的向量。
根据本申请的一些实施例，可选地，该数据样本集包括训练集、验证集、测试集。其中，训练集（train set）用来估计模型；验证集（validation set ) 用来确定网络结构或者控制模型复杂程度的参数；测试集（test set）检验最终选择最优的模型的性能如何。
根据本申请的一些实施例，可选地，该训练集的占比为70%，该验证集的占比为15%，该测试集的占比为15%。本申请通过合理地分配各个数据样本集的比例，能够训练与建模出更好的位置回归模型。
根据本申请的一些实施例，可选地，该姿态角坐标的计算公式为
通过求解上式，可以得到姿态角坐标(α，β，γ)。
根据本申请的一些实施例，本申请提供了一种无线电磁六维定位***。该定位***包括数据采集坐标系建立模块、数据采集模、数据样本集构建模块、位置回归模型建模模块、三维位置定位模块、姿态旋转矩阵获取模块以及姿态角定位模块。其中，该数据采集坐标系建立模块用于利用光学跟踪***建立全局坐标系和刚体坐标系；该数据采集模块用于利用全局坐标系和刚体坐标系采集参照目标的电磁信号信息与待定位目标相对于参照目标的实时位置信息；该数据样本集构建模块用于利用该数据采集模块所采集的待定位目标的9个感应电压与待定位目标相对于参照目标的实时位置信息，构建数据样本集；该位置回归模型建模模块用于基于该数据样本构建模块所构建的数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；其中，该位置回归模型的输入为待定位目标的9个感应电压，该位置回归模型的输出为待定位目标的三维位置坐标信息；该三维位置定位模块用于根据该数据采集模块所采集的待定位目标的9个感应电压，利用该位置回归模型建模模块所建模的位置回归模型，确定待定位目标的三维位置坐标信息，以实现三维位置定位；该姿态旋转矩阵获取模块用于利用姿态融合算法获取姿态旋转矩阵；该姿态角定位模块用于根据姿态旋转矩阵获取模块所获取的姿态旋转矩阵，转换姿态旋转矩阵得到姿态角坐标信息，以实现姿态角定位。
根据本申请的一些实施例，可选地，该位置回归模型建模模块包括神经网络的学习速率与神经元的激励函数确定单元、神经网络模型隐含层输出值计算单元、神经网络模型的预测输出值计算单元、连接层之间权值调整单元、隐含层和输出层阈值更新单元。
神经网络的学习速率与神经元的激励函数确定单元是用于将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P =9 (接收线圈感应电压数)，隐含层层数为N，输出层节点数为3（三维位置输出），以确定神经网络的学习速率与神经元的激励函数。
神经网络模型隐含层输出值计算单元是用于根据输入层的数据集与连接权值Wij计算得到神经网络模型隐含层输出值Hj；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值，激励函数的选择取决于模型的构建方式，在数据样本非大规模的情况下，通常不需考虑过拟合的问题。
神经网络模型的预测输出值计算单元是用于将隐含层输出Hj输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值。
连接层之间权值调整单元是用于利用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e。以预测误差e为标准，采用对函数求导（即梯度）的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率，e k =Y k -O k ；x为上一层的输出值，即神经网络的中间值，具体为：如果是第一层，则x为神经网络的输入向量，如果是第二层，则x为第一层的输出值，如果是第三层，则x为第二层的输出值，依此类推；
隐含层和输出层阈值更新单元是用于利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
根据本申请的一些实施例，可选地，该定位***还包括电磁信号发射模块与电磁信号接收模块。该电磁信号发射模块设置在参照目标内，该电磁信号发射模块用于在接通交变的电流信号使之在空间中产生交变的磁场信号；该电磁信号接收模块设置在该待定位目标内，该电磁信号接收模块用于感应该电磁信号发射模块在接通交变的电流信号使之在空间中所产生交变的磁场信号。
根据本申请的一些实施例，可选地，该姿态旋转矩阵获取模块包括设置在参照目标内的惯性传感单元、设置在该待定位目标内的惯性传感单元。
根据本申请的一些实施例，本申请提供了一种计算机存储介质，存储有计算机可执行指令，计算机可执行指令用于执行上文所述的无线电磁六维定位方法。
根据本申请的一些实施例，本申请提供了一种电子设备，包括至少一个处理器、与至少一个处理通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上文所述的无线电磁六维定位方法。
实施例1
参照图1-2，图1为本申请一些实施例的无线电磁六维定位方法的流程图；图2为本申请一些实施例的无线电磁六维定位方法中位置回归模型建模的流程图。
本实施例提供了一种无线电磁六维定位方法。该定位方法包括以下步骤：
S1、数据采集坐标系的建立
利用光学跟踪***建立全局坐标系和刚体坐标系，以采集待定位目标相对于参照目标的实时位置信息（即9个感应电压）。
S2、数据样本集的构建
在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集。其中，该数据样本集包括训练集、验证集、测试集，且该训练集的占比为70%，该验证集的占比为15%，该测试集的占比为15%。训练集（train set）用来估计模型；验证集（validation set ) 用来确定网络结构或者控制模型复杂程度的参数；测试集（test set）检验最终选择最优的模型的性能如何。
S3、位置回归模型的建模
基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型。
其中，该位置回归模型包括输入层、N层隐含层、输出层。该输入层的节点数与待定位目标的感应电压数一致；各层隐含层的节点数分别为M1，M2，M3，M4，M5，……，MN；该输出层具有3个节点数。
位置回归模型的建模步骤具体如下：
S31、神经网络的学习速率与神经元的激励函数的确定
将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P =9 (接收线圈感应电压数)，隐含层层数为N，输出层节点数为3（三维位置输出），确定神经网络的学习速率与神经元的激励函数。
S32、神经网络模型隐含层输出值的计算
根据输入层的数据集与连接权值W ij计算得到神经网络模型隐含层输出值H j；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值，激励函数的选择取决于模型的构建方式，在数据样本非大规模的情况下，通常不需考虑过拟合的问题。
S33、神经网络模型的预测输出值的计算
将隐含层输出H j输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值。
S34、连接层之间权值的调整
用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e。以预测误差e为标准，采用对函数求导（即梯度）的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率，e k =Y k -O k ；x为上一层的输出值，即神经网络的中间值，具体为：如果是第一层，则x为神经网络的输入向量，如果是第二层，则x为第一层的输出值，如果是第三层，则x为第二层的输出值，依此类推。
S35、隐含层和输出层阈值的更新
利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
根据以上步骤来更新调整各参数值，若达到预期误差精度，则跳出循环直接输出结果；否则跳到步骤2重新计算新一轮的结果，直至达到精度要求。
S4、三维位置的定位
将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。其中，该归一化处理采用Min-Max归一化方法，该Min-Max归一化方法的计算公式如下：
U=[u 1,u 2,…,u 9]，
其中，Unorm是经过归一化处理后的输入特征向量，UU为原始的感应电压向量，Umax为原始9个感应电压向量中各个最大值组成的向量，Umin原始9个感应电压向量中各个最小值组成的向量。
S5、姿态旋转矩阵的获取
利用姿态融合算法获取姿态旋转矩阵。
S6、姿态角的定位
通过姿态旋转矩阵的转换，并求解得到姿态角坐标。该姿态角坐标的计算公式为
R 1为参照目标的姿态旋转矩阵，R 2为待定位目标的姿态旋转矩阵，
通过求解上式，可以得到姿态角坐标(α，β，γ)。
即，待定位目标在定位区域内的六维位置姿态角信息为（x, y, z,α，β，γ）；(x,y, z)为待定位目标在定位坐标系中的位置坐标，(α，β，γ)为待定位目标分别绕全局坐标系X轴、Y轴和Z轴的旋转角度参数。
本申请通过利用神经网络模型计算得到待定位目标相对于参照目标的位置坐标信息，通过待定位目标与参照目标中的惯性传感单元获得待定位目标相对于参照目标的姿态角信息，从而实现了待定位目标的六维定位功能。该定位方法简单，无需复杂的参数标定过程，定位精度高。此外，由于神经网络具有良好的逼近非线性函数的能力，能够有效解决非线性、交叉影响性等问题，大大提升了定位的准确性与精确性。
实施例2
本实施例提供了一种无线电磁六维定位***。该定位***包括电磁信号发射模块、电磁信号接收模块、数据采集坐标系建立模块、数据采集模、数据样本集构建模块、位置回归模型建模模块、三维位置定位模块、姿态旋转矩阵获取模块以及姿态角定位模块。
电磁信号发射模块，其设置在参照目标内且用于在接通交变的电流信号使之在空间中产生交变的磁场信号。
电磁信号接收模块，其设置在待定位目标内且用于感应该电磁信号发射模块在接通交变的电流信号使之在空间中所产生交变的磁场信号。
数据采集坐标系建立模块，用于利用光学跟踪***建立全局坐标系和刚体坐标系。
数据采集模块，用于利用全局坐标系和刚体坐标系采集参照目标的电磁信号信息与待定位目标相对于参照目标的实时位置信息。
数据样本集构建模块，用于利用该数据采集模块所采集的待定位目标的9个感应电压与待定位目标相对于参照目标的实时位置信息，构建数据样本集。
位置回归模型建模模块，用于基于该数据样本构建模块所构建的数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；其中，该位置回归模型的输入为待定位目标的9个感应电压，该位置回归模型的输出为待定位目标的三维位置坐标信息。具体地，位置回归模型建模模块包括神经网络的学习速率与神经元的激励函数确定单元、神经网络模型隐含层输出值计算单元、神经网络模型的预测输出值计算单元、连接层之间权值调整单元、隐含层和输出层阈值更新单元。神经网络的学习速率与神经元的激励函数确定单元是用于将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数
=9 (接收线圈感应电压数)，隐含层层数为N，输出层节点数为3（三维位置输出），以确定神经网络的学习速率与神经元的激励函数；神经网络模型隐含层输出值计算单元是用于根据输入层的数据集与连接权值计算得到神经网络模型隐含层输出值；神经网络模型的预测输出值计算单元是用于将隐含层输出输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；连接层之间权值调整单元是用于利用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e。以预测误差e为标准，采用对函数求导（即梯度）的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；隐含层和输出层阈值更新单元是用于利用上述计算得到的预测误差e，来更新替换模型的阈值a和b。
三维位置定位模块，用于根据该数据采集模块所采集的待定位目标的9个感应电压，利用该位置回归模型建模模块所建模的位置回归模型，确定待定位目标的三维位置坐标信息，以实现三维位置定位。
姿态旋转矩阵获取模块，用于利用姿态融合算法获取姿态旋转矩阵。
姿态角定位模块用于根据姿态旋转矩阵获取模块所获取的姿态旋转矩阵，转换姿态旋转矩阵得到姿态角坐标信息，以实现姿态角定位。
需说明，在上文的描述中阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
Claims (14)
1.一种无线电磁六维定位方法，其特征在于，该定位方法包括位置定位与姿态定位；该位置定位是利用神经网络模型将待定位目标的9个感应电压经过处理后得到位置坐标；该姿态定位是利用姿态融合算法获取姿态旋转矩阵并进行坐标转换得到姿态角信息；其中，该位置定位包括以下步骤：
数据采集坐标系的建立，利用光学跟踪***建立全局坐标系和刚体坐标系；
数据样本集的构建，在定位区域内固定参照目标、移动待定位目标，采集各个位置对应的9个感应电压，构建数据样本集；
位置回归模型的建模，基于数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；
三维位置的定位，将待定位目标的9个感应电压经过归一化处理后，输入至位置回归模型后，获取待定位目标相对于参照目标的三维位置坐标。
2.根据权利要求1所述的无线电磁六维定位方法，其特征在于，该姿态定位包括以下步骤：
姿态旋转矩阵的获取，利用姿态融合算法获取姿态旋转矩阵；
姿态角的定位，通过姿态旋转矩阵的转换，并求解得到姿态角坐标。
3.根据权利要求1所述的无线电磁六维定位方法，其特征在于，该位置回归模型的建模包括：
步骤1，神经网络的学习速率与神经元的激励函数的确定：将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P =9，隐含层层数为N，输出层节点数为3，确定神经网络的学习速率与神经元的激励函数；
步骤2，神经网络模型隐含层输出值的计算：根据输入层的数据集与连接权值W ij 计算得到神经网络模型隐含层输出值H j ；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值；
步骤3，神经网络模型的预测输出值的计算：将隐含层输出H j 输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值；
步骤4，连接层之间权值的调整：用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e，以预测误差e为标准，采用对函数求导的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率；x为上一层的输出值，即神经网络的中间值；e k =Y k -O k ；
步骤5，隐含层和输出层阈值的更新：利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
根据以上步骤来更新调整各参数值，若达到预期误差精度，则跳出循环直接输出结果；否则跳到步骤2重新计算新一轮的结果，直至达到精度要求。
4.根据权利要求1所述的无线电磁六维定位方法，其特征在于，该位置回归模型包括
输入层，其节点数与待定位目标的感应电压数一致；
N层隐含层，其各层的节点数分别为M1，M2，M3，M4，M5，……，MN；
输出层，其具有3个节点数。
5.根据权利要求1所述的无线电磁六维定位方法，其特征在于，该归一化处理采用Min-Max归一化方法，该Min-Max归一化方法的计算公式如下：
U=[u 1,u 2,…,u 9]，
其中，U norm是经过归一化处理后的输入特征向量，U为原始的感应电压向量，U max为原始9个感应电压向量中各个最大值组成的向量，U min原始9个感应电压向量中各个最小值组成的向量。
6.根据权利要求1所述的无线电磁六维定位方法，其特征在于，该数据样本集包括训练集、验证集、测试集。
7.根据权利要求6所述的无线电磁六维定位方法，其特征在于，该训练集的占比为70%，该验证集的占比为15%，该测试集的占比为15%。
8.根据权利要求2所述的无线电磁六维定位方法，其特征在于，该姿态角坐标的计算公式为
通过求解上式，可以得到姿态角坐标（α，β，γ）。
9.一种无线电磁六维定位***，其特征在于，该定位***包括
数据采集坐标系建立模块，用于利用光学跟踪***建立全局坐标系和刚体坐标系；
数据采集模块，用于利用全局坐标系和刚体坐标系采集参照目标的电磁信号信息与待定位目标相对于参照目标的实时位置信息；
数据样本集构建模块，用于利用该数据采集模块所采集的待定位目标的9个感应电压与待定位目标相对于参照目标的实时位置信息，构建数据样本集；
位置回归模型建模模块，用于基于该数据样本构建模块所构建的数据样本集，采用神经网络算法进行训练与建模，得到位置回归模型；其中，该位置回归模型的输入为待定位目标的9个感应电压，该位置回归模型的输出为待定位目标的三维位置坐标信息；
三维位置定位模块，用于根据该数据采集模块所采集的待定位目标的9个感应电压，利用该位置回归模型建模模块所建模的位置回归模型，确定待定位目标的三维位置坐标信息，以实现三维位置定位；
姿态旋转矩阵获取模块，用于利用姿态融合算法获取姿态旋转矩阵；
姿态角定位模块，用于根据姿态旋转矩阵获取模块所获取的姿态旋转矩阵，转换姿态旋转矩阵得到姿态角坐标信息，以实现姿态角定位。
10.根据权利要求9所述的无线电磁六维定位***，其特征在于，该位置回归模型建模模块包括：
神经网络的学习速率与神经元的激励函数确定单元，用于将神经网络各层之间的参数和权值进行初始化处理，确定输入数据集U和输出数据集O，输入层节点数P=9，隐含层层数为N，输出层节点数为3，以确定神经网络的学习速率与神经元的激励函数；
神经网络模型隐含层输出值计算单元，用于根据输入层的数据集与连接权值W ij计算得到神经网络模型隐含层输出值H j；其计算公式为
其中，函数f为隐含层激励函数，a为模型的阈值；
神经网络模型的预测输出值计算单元，用于将隐含层输出H j输入到隐含层与输出层网络中，计算神经网络模型的预测输出值；其计算公式为
其中，l是隐含层的节点数，b为模型的阈值；
连接层之间权值调整单元，用于利用神经网络模型的预测输出O k 与真实输出值Y作比较，将O k 与Y作差取绝对值，得到网络模型的误差e，以预测误差e为标准，采用对函数求导的方式，使得输出结果达到收敛为止，最终完成对权值的迭代替换；其计算公式为
其中，η为学习率；x为上一层的输出值，即神经网络的中间值；e k =Y k -O k ；
隐含层和输出层阈值更新单元，用于利用上述计算得到的预测误差e，来更新替换模型的阈值a和b；其计算公式为
11.根据权利要求9所述的无线电磁六维定位***，其特征在于，该定位***还包括
电磁信号发射模块，其设置在参照目标内，该电磁信号发射模块用于在接通交变的电流信号使之在空间中产生交变的磁场信号；
电磁信号接收模块，其设置在该待定位目标内，该电磁信号接收模块用于感应该电磁信号发射模块在接通交变的电流信号使之在空间中所产生的磁场信号。
12.根据权利要求9所述的无线电磁六维定位***，其特征在于，该姿态旋转矩阵获取模块包括设置在参照目标内的惯性传感单元、设置在该待定位目标内的惯性传感单元。
13.一种计算机存储介质，其特征在于，存储有计算机可执行指令，计算机可执行指令用于执行权利要求1-8中任意一项所述的无线电磁六维定位方法。
14.一种电子设备，其特征在于，包括
至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行权利要求1-8中任意一项所述的无线电磁六维定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211682203.4A CN115688610B (zh) | 2022-12-27 | 2022-12-27 | 一种无线电磁六维定位方法、***、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211682203.4A CN115688610B (zh) | 2022-12-27 | 2022-12-27 | 一种无线电磁六维定位方法、***、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115688610A true CN115688610A (zh) | 2023-02-03 |
| CN115688610B CN115688610B (zh) | 2023-08-15 |
Family
ID=85056213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211682203.4A Active CN115688610B (zh) | 2022-12-27 | 2022-12-27 | 一种无线电磁六维定位方法、***、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115688610B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186468A (zh) * | 2023-04-23 | 2023-05-30 | 中汽研汽车检验中心（天津）有限公司 | 假人姿态设置方法、电子设备和存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014107608A1 (en) * | 2013-01-04 | 2014-07-10 | Carbo Ceramics Inc. | Electrically conductive proppant and methods for detecting, locating and characterizing the electrically conductive proppant |
| CN106980133A (zh) * | 2017-01-18 | 2017-07-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 利用神经网络算法补偿和修正的gps ins组合导航方法及*** |
| CN107785663A (zh) * | 2017-10-10 | 2018-03-09 | 深圳市华讯方舟空间信息产业科技有限公司 | 天线波束姿态控制方法和*** |
| CN109147891A (zh) * | 2018-09-03 | 2019-01-04 | 秦怡静 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
| CN111407279A (zh) * | 2019-01-07 | 2020-07-14 | 四川锦江电子科技有限公司 | 一种基于神经网络的磁电结合定位追踪方法及装置 |
| CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
| CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
| US10908680B1 (en) * | 2017-07-12 | 2021-02-02 | Magic Leap, Inc. | Pose estimation using electromagnetic tracking |
| CN112651437A (zh) * | 2020-12-24 | 2021-04-13 | 北京理工大学 | 一种基于深度学习的空间非合作目标位姿估计方法 |
| CN113702719A (zh) * | 2021-08-03 | 2021-11-26 | 北京科技大学 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
| CN114690230A (zh) * | 2022-05-05 | 2022-07-01 | 桂林电子科技大学 | 一种基于视觉惯性slam的自动驾驶车辆导航方法 |
-
2022
- 2022-12-27 CN CN202211682203.4A patent/CN115688610B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014107608A1 (en) * | 2013-01-04 | 2014-07-10 | Carbo Ceramics Inc. | Electrically conductive proppant and methods for detecting, locating and characterizing the electrically conductive proppant |
| CN106980133A (zh) * | 2017-01-18 | 2017-07-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 利用神经网络算法补偿和修正的gps ins组合导航方法及*** |
| US10908680B1 (en) * | 2017-07-12 | 2021-02-02 | Magic Leap, Inc. | Pose estimation using electromagnetic tracking |
| CN107785663A (zh) * | 2017-10-10 | 2018-03-09 | 深圳市华讯方舟空间信息产业科技有限公司 | 天线波束姿态控制方法和*** |
| CN109147891A (zh) * | 2018-09-03 | 2019-01-04 | 秦怡静 | 一种基于bp神经网络和遗传算法的形象气质提升方法 |
| CN111407279A (zh) * | 2019-01-07 | 2020-07-14 | 四川锦江电子科技有限公司 | 一种基于神经网络的磁电结合定位追踪方法及装置 |
| CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
| CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
| CN112651437A (zh) * | 2020-12-24 | 2021-04-13 | 北京理工大学 | 一种基于深度学习的空间非合作目标位姿估计方法 |
| CN113702719A (zh) * | 2021-08-03 | 2021-11-26 | 北京科技大学 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
| CN114690230A (zh) * | 2022-05-05 | 2022-07-01 | 桂林电子科技大学 | 一种基于视觉惯性slam的自动驾驶车辆导航方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹咏弘;张慧;马铁华;范锦彪;祖静;: "基于神经网络的无陀螺捷联惯导***姿态预测", vol. 16, no. 02 * |
| 蔡盛;李清安;乔彦峰;: "基于BP神经网络的姿态测量***摄像机标定", no. 07 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186468A (zh) * | 2023-04-23 | 2023-05-30 | 中汽研汽车检验中心（天津）有限公司 | 假人姿态设置方法、电子设备和存储介质 |
| CN116186468B (zh) * | 2023-04-23 | 2023-07-28 | 中汽研汽车检验中心（天津）有限公司 | 假人姿态设置方法、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115688610B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Robust UWB indoor localization for NLOS scenes via learning spatial-temporal features | |
| CN110047142A (zh) | 无人机三维地图构建方法、装置、计算机设备及存储介质 | |
| CN110118560A (zh) | 一种基于lstm和多传感器融合的室内定位方法 | |
| CN111813113B (zh) | 仿生视觉自运动感知地图绘制方法、存储介质及设备 | |
| CN107389049B (zh) | 一种基于类卡尔曼因子的磁罗盘误差实时补偿方法 | |
| Zhang et al. | Beyond point clouds: Fisher information field for active visual localization | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN112951386B (zh) | 影像驱动的脑图谱构建方法、装置、设备及存储介质 | |
| CN115688610B (zh) | 一种无线电磁六维定位方法、***、存储介质及电子设备 | |
| CN109751994A (zh) | 一种自主归航的水下航行器地磁仿生导航方法 | |
| CN116594289A (zh) | 机器人姿态预适应控制方法、装置、电子设备及存储介质 | |
| CN112388628A (zh) | 用于训练高斯过程回归模型的设备和方法 | |
| CN113609749A (zh) | 适用于多场景的基于磁场信号的电流计算方法 | |
| CN114565019A (zh) | 一种基于知识蒸馏实现的无数据细粒度分类模型压缩***及方法 | |
| Bachelder et al. | A view-based neurocomputational system for relational map-making and navigation in visual environments | |
| Xia et al. | Gesture recognition algorithm of human motion target based on deep neural network | |
| CN109857127A (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
| Johnsson et al. | Associative self-organizing map | |
| CN113609999B (zh) | 基于姿态识别的人体模型建立方法 | |
| CN114879263B (zh) | 基于卷积神经网络的三维磁梯度张量反演方法及装置 | |
| CN116486002A (zh) | 一种面向真实场景的隐式自主三维重建方法 | |
| US20220262013A1 (en) | Method for improving markerless motion analysis | |
| CN115906831A (zh) | 基于距离感知的Transformer视觉语言导航算法 | |
| CN112232484B (zh) | 一种基于类脑神经网络的空间碎片识别捕获方法及*** | |
| CN114998539A (zh) | 一种智慧城市传感器地形定位建图方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |