CN115828463B - 基于数字孪生六维模型的掘进机位姿估计方法、*** - Google Patents
基于数字孪生六维模型的掘进机位姿估计方法、*** Download PDFInfo
- Publication number
- CN115828463B CN115828463B CN202211583034.9A CN202211583034A CN115828463B CN 115828463 B CN115828463 B CN 115828463B CN 202211583034 A CN202211583034 A CN 202211583034A CN 115828463 B CN115828463 B CN 115828463B
- Authority
- CN
- China
- Prior art keywords
- machine
- heading machine
- module
- heading
- tunneling
- 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 61
- 230000005641 tunneling Effects 0.000 claims abstract description 70
- 238000011161 development Methods 0.000 claims abstract description 68
- 238000003860 storage Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 43
- 238000010276 construction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- -1 high temperature Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种基于数字孪生六维模型的掘进机位姿估计方法、***,其中方法包括:构建掘进复杂***数字孪生六维模型;掘进复杂***数字孪生六维模型包括掘进机物理模块、掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链;对掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型;基于掘进机位姿估计模型获得掘进机位姿估计信息;掘进机位姿估计信息包括掘进机实体的预测偏角、预测偏距以及掘进机预测位置坐标;本申请公开的方法,形成对掘进机的虚实交互控制,基于实时检测,实时进行下一阶段的预测,输出掘进机最优行进方案以及作业姿态,实现掘进机的智能控制。
Description
技术领域
本公开涉及掘进机自主导航技术领域,尤其涉及一种基于数字孪生六维模型的掘进机位姿估计方法、***。
背景技术
在煤矿开采中,煤矿巷道内空间狭小,粉尘、高温、瓦斯等环境因素与冒顶等安全因素的交互存在,其综掘工作面环境非常恶劣;为了满足开采需求,其内设置的装备也较为密集,因此,巷道作业的安全性风险非常高。
现有技术中采用掘进机进行煤矿开采,通过安装在掘进机上的检测装置进行现场环境数据采集,为掘进机操控人员提供参考,由于掘进环境黑暗、粉尘浓度大、巷道地板起伏不平,人工很难准确判断掘进机的位置和掘进方向;同时,由于掘进机是一个大质量体,且其本体是一个多输入、多输出、强非线性***,则对于其运动惯性,操控人员也难以精确控制,导致掘进效率低,掘进作业不精度,容易造成超挖、欠挖同时煤矿工人安全无法保障。
发明内容
有鉴于此,本公开实施例提供了一种基于数字孪生六维模型的掘进机位姿估计方法、***,能够形成对掘进机的虚实交互控制,实时检测,实时进行下一阶段的预测,输出掘进机最优行进方案以及作业姿态,实现对掘进机的高精度智能化控制。
第一方面,本公开实施例提供了一种基于数字孪生六维模型的掘进机位姿估计方法,该方法包括:
构建掘进复杂***数字孪生六维模型;所述掘进复杂***数字孪生六维模型包括掘进机物理模块、掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链;
对所述掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型;
基于所述掘进机位姿估计模型获得掘进机位姿估计信息;所述掘进机位姿估计信息包括掘进机实体的预测偏角、预测偏距以及掘进机预测位置坐标。
可选的,所述掘进机物理模块包括掘进机以及传感器组件;所述传感器组件用于采集的掘进机实时全方位数据;
所述掘进机实时全方位数据包括掘进机位姿数据、掘进机速度、掘进机加速度、液压***流量、掘进机电压、掘进机电流、掘进机温度信号、油泵电机的转速以及行进时地面特征点;
所述掘进机虚拟模块的构建方法采用三维软件进行创建;所述掘进机虚拟模块包括掘进机车辆参数、巷道参数以及实际土地黏着系数。
可选的,所述孪生服务模块为SS;
SS={Sv,Sd,Sc};
Sv为掘进机与巷道建模服务、掘进机模型与巷道模型管理服务;
Sd为数据协议转换、数据处理、数据封装和数据存储;
Sc为提供的数据接口与协议服务。
可选的,所述掘进机孪生数据模块为DD;
DD={Dr,Dv,Df};
其中,Dr为所述掘进机实时全方位数据;Dv为基于所述掘进机虚拟模块获得的与所述掘进机实时全方位数据一一对应的全方位虚拟数据;Df为基于Dr、Dv获得的衍生数据。
可选的,所述知识储备模块为KR,KR={Kt,Ke};
其中,Kt为基于掘进机动力学模型获得的掘进机理论参数;Ke为专家***。
可选的,所述掘进机位姿估计模型和获取方法包括:
构造偏角误差函数和偏距误差函数;
利用粒子群算法进行优化迭代,在掘进机行进时间内,获得所述偏角误差函数和所述偏距误差函数的最小值,训练后的模型即为所述掘进机位姿估计模型;
所述偏角误差函数为:
αt为掘进机虚拟模块中的掘进机在t时刻的偏角,P为掘进机虚拟模块中的驱动轮的轮距,T为所述掘进机行进时间;Vrt为掘进机虚拟模块中的右驱动轮在t时刻的线速度,Vlt为掘进机虚拟模块中的左驱动轮在t时刻的线速度;αtt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏角;k1、k2、k3为所述偏角误差函数取最小时输出的误差参数;
所述偏距误差函数为:
Lt+1=Lt-Dcosαt;
Lt为掘进机虚拟模块中的掘进机在t时刻的偏距,Ltt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏距,m为掘进机的质量,F为掘进机所受牵引力;n1、n2、n3为所述偏距误差函数取最小时输出的误差系数。
可选的,所述掘进机实体的预测偏角为α′t+1;
所述掘进机实体的预测偏距为L′t+1;;
所述掘进机实体的预测位置坐标为(Xt+1,Yt+1);
L′t+1=n1L′t-n2Dcosα′t+n3;
Xt+1=Xt+D cosα′t;
Yt+1=Yt+D sinα′t;
α′t为掘进机实体在t时刻的偏角,L′t为掘进机实体在t时刻的偏距;(Xt,Yt)为掘进机实体在t时刻的位置,D为掘进机的实际行驶距离。
第二方面,本公开实施例还提供了一种基于数字孪生六维模型掘进机位姿估计***,包括:
六维模型构建模块,配置为用于构建掘进复杂***数字孪生六维模型;所述掘进复杂***数字孪生六维模型包括掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链;
训练模块,配置为对所述掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型;
预测模块,配置为基于所述掘进机位姿估计模型获得掘进机位姿估计信息;所述掘进机位姿估计信息包括掘进机实体的预测偏角、预测偏距以及掘进机预测位置坐标。
第三方面,本公开实施例还提供了一种电子设备,采用如下技术方案:
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以上任一所述的基于数字孪生六维模型的掘进机位姿估计方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行以上任一所述的基于数字孪生六维模型的掘进机位姿估计方法。
本公开实施例提供的一种基于数字孪生六维模型的掘进机位姿估计方法,通过构建一种新型掘进复杂***数字孪生六维模型,形成掘进机虚实交互控制***,基于实时检测,实时进行下一阶段的预测,输出掘进机最优行进方案以及作业姿态,实现对掘进机的高精度智能化控制。
本公开实施例提供的方法,无需人为进行现场环境的评断,通过掘进复杂***数字孪生六维模型,即可基于已有的检测数据在掘进机虚拟模块进行提前仿真模拟,将预测的位姿信息与现场环境实时对比分析,判断预测控制信息是否满足实际生产需求,然后再控制掘进机实体按照最优施工路径进行施工作业,能够快速适应各种复杂、恶劣的作业环境,实现对掘进机的智能化、高精度控制。
上述说明仅是本公开技术方案的概述,为了能更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为让本公开的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的基于数字孪生六维模型的掘进机位姿估计方法的逻辑流程图。
图2为本公开实施例提供的掘进复杂***数字孪生六维模型的构成示意图。
图3为本公开实施例提供的掘进机位姿估计模型获取流程图。
图4为本公开实施例提供的一种电子设备的原理框图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
应当明确,以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目各方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
参照图1至图3,本申请第一方面公开了一种基于数字孪生六维模型的掘进机位姿估计方法,该方法包括以下步骤:
S100,构建掘进复杂***数字孪生六维模型MDT,以实时反映物理实体的运行状态和数据。
具体地,MDT=(PE,VE,DD,SS,CN,KR),即该掘进复杂***数字孪生六维模型包括掘进机物理模块PE、掘进机虚拟模块VE、掘进机孪生数据模块DD、孪生服务模块SS、知识储备模块KR和孪生数据传输链CN。
具体地,掘进机物理模块包括掘进机以及装设的传感器组件,传感器组件用于采集的掘进机实时全方位数据。
掘进机实时全方位数据包括掘进机位姿数据、掘进机速度、掘进机加速度、液压***流量、掘进机电压、掘进机电流、掘进机温度信号、油泵电机的转速以及行进时地面特征点。
掘进机虚拟模块VE的构建方法采用三维软件进行创建;掘进机虚拟模块包括掘进机车辆参数、巷道参数以及实际土地黏着系数。
具体地,采用UNITY 3D作为数字孪生空间的主要平台,考虑了掘进机行进过程中所有的基本元素物理世界,包括了掘进机的车辆参数、巷道参数和真实场景下的土地黏着系数,并使用C#语言编写了API。
掘进机虚拟模块包括场景模拟、动态仿真、外部接口和界面交互。
场景仿真具体为:基于掘进机的工作环境,根据需求模拟出特定的合成场景。
动态仿真具体为:通过接收掘进机物理实体传感器收集的数据来实现掘进机的实时动态模拟。
外部接口具体为:通过UNITY 3D脚本API,可以用于增强数字孪生功能的内部工具模拟。
界面交互具体为:用户通过数字孪生掘进机来操控实体掘进机的工具,控制数据通过TCP/IP或UDP套接字传输在实体掘进机上。
具体地,孪生服务模块为SS;SS={Sv,Sd,Sc};Sv为面向掘进机虚拟模型提供的掘进机与巷道建模服务、掘进机模型与巷道模型管理服务;Sd为数据协议转换、数据处理、数据封装和数据存储;Sc为提供的数据接口与协议服务。
具体地,掘进机孪生数据模块为DD;DD={Dr,Dv,Df};其中,Dr为掘进机实时全方位数据;Dv为基于掘进机虚拟模块获得的与掘进机实时全方位数据一一对应的全方位虚拟数据;Df为Dr、Dv数据经预处理、融合、转换衍生出来获得的衍生数据。
进一步地,Dr通过对应的传感器获取,Dv为通过软件仿真获得。
具体地,知识储备模块为KR,KR={Kt,Ke};
其中,Kt为基于掘进机动力学模型获得的掘进机理论参数,具体地,掘进机理论参数包括理论速度、理论加速度、位姿参数等;Ke为通过总结巷道井下工人的工作经验得出的专家***。
在专家***中,通过将收集到的行进时地面特征点与专家***中存储的不同掘进机巷道环境特征点进行对比,以获取不同地面环境行进的方案,快速确定最优行进路线。
进一步地,在知识储备模块中,会存储有各种环境下掘进机行进路径规划方案,掘进机孪生数据模块会根据不同的巷道行进环境选择不同的行进方案。
若在知识储备模块中没有以往的经验案例,则在掘进机虚拟模块中对掘进机行进巷道进行场景模拟和掘进机行进动态仿真,通过深度学习的方法对掘进机的行进路径进行优化训练。
其中,掘进机动力学模型即为掘进机在巷道坐标系下的运动学模型:
是掘进机在巷道坐标系下的X轴速度分量;/>是掘进机在巷道坐标系下的Y轴速度分量;/>是掘进机航向角速度,α为航向角;P为掘进机驱动轮的轮距;Vr为右驱动轮的线速度;Vl为左驱动轮的线速度,驱动轮的线速度由磁电式轮速传感器测量。
在掘进机行驶过程中,履带与巷道底板为面接触,会产生打滑现象,同时掘进机左右驱动轮还会出现不同步现象,从而导致掘进机走偏,因此对左履带、右履带建立行走模型,即该掘进机动力学模型。
孪生数据传输链包括光纤通信、移动通信、数字微波通信、卫星通信中的一种或多种,用于掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块两两之间的实时数据交互,是不同维度之间的沟通桥梁,同时迭代更新各个维度。
S200,对掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型。
具体包括以下步骤:
S210,构造偏角误差函数和偏距误差函数;
S220,利用粒子群算法进行优化迭代,在掘进机行进时间T内,获得偏角误差函数和偏距误差函数的最小值,训练后的模型即为所述掘进机位姿估计模型。
偏角误差函数为:
其中,αt为掘进机虚拟模块中的掘进机在t时刻的偏角,P为掘进机虚拟模块中的驱动轮的轮距,T为所述掘进机行进时间;Vrt为掘进机虚拟模块中的右驱动轮在t时刻的线速度,Vlt为掘进机虚拟模块中的左驱动轮在t时刻的线速度;αtt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏角;k1、k2、k3为所述偏角误差函数取最小时输出的误差参数。
具体地,k1为前一时刻偏角估计值的误差系数,k2为当前时刻速度传感器的测量误差系数,k3为偏角迭代***误差。
k1∈(0,1];k2∈(0,1]。
本申请的迭代过程,是在掘进机行进时间内,每五秒提取一次左驱动轮、右驱动轮的转速,获得对应的所有偏角误差函数值,每个函数值得获取均对应一组k1、k2、k3;然后从所有偏角误差函数值选取最小的偏角误差函数值,进而获得其对应的k1、k2、k3。
偏距误差函数为:
Lt+1=Lt-Dcosαt;
Lt为掘进机虚拟模块中的掘进机在t时刻的偏距,Ltt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏距,m为掘进机的质量,F为掘进机所受牵引力;n1、n2、n3为所述偏距误差函数取最小时输出的误差系数。
n1为前一时刻偏距估计值的误差系数,n2为当前时刻行驶距离传感器的测量误差系数,n3为偏距迭代***误差。
n1∈(0,1];n2∈(0,1]。
本申请的迭代过程,是在掘进机行进时间内,每五秒提取一次左驱动轮、右驱动轮的转速,获得对应的所有偏距误差函数值,每个函数值得获取均对应一组n1、n2、n3;然后从所有偏距误差函数值选取最小的偏距误差函数值,进而获得其对应的n1、n2、n3。
S300,基于掘进机位姿估计模型获得掘进机位姿估计信息。
掘进机位姿估计信息包括掘进机实体的预测偏角α′t+1、预测偏距L′t+1以及掘进机实体的预测位置坐标(Xt+1,Yt+1)。
L′t+1=n1L′t-n2Dcosα′t+n3;
Xt+1=Xt+D cosα′t;
Yt+1=Yt+D sinα′t;
α′t为掘进机实体在t时刻的偏角,L′t为掘进机实体在t时刻的偏距;(Xt,Yt)为掘进机实体在t时刻的位置,D为掘进机的实际行驶距离。
进一步地,掘进机的位姿估计是依据掘进机上一时刻的位姿、掘进机行走机构的阀控命令与掘进机机身搭载的传感器输出值去估算掘进机在下一时刻的位姿。
通过估算获悉掘进机下一时刻位姿,若位姿偏差太大不满足实际生产需求,需要在上一时刻改变掘进机阀控命令;通过估算掘进机下一时刻位姿可以超前控制掘进机,从而使掘进机更好的服役于煤矿生产。
通过本申请公开的基于数字孪生六维模型掘进机位姿估计方法,可以实时反映物理实体的运行状态和数据,并可以进行下一运行状态的预测计算,若预测出来的数据与实际生产需求相差较大时,通过数据连接层对物理实体进行实时位姿估计调整。
本申请提供的掘进复杂***数字孪生六维模型,为一种智能掘进代理模型,其包含了掘进机物理模块、掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链,处于掘进机物理模块上的传感器采集数据通过孪生数据传输链传递给掘进机虚拟模块,再通过孪生服务模块将虚拟模型显示出来;孪生服务模块是实现在线实时和离线非实时状态的多视角可视化展示,能实时自然交互完成工况显示、预测,实现掘进机实体模型虚实映射和深层次的信息物理融合;通过孪生数据传输链传递的孪生数据会进入综合数据库进行数据分析,随后经过推理机调用知识库中的事实和诊断规则,按照最优位姿与现位姿进行对照推理,从而找出如何进行最优的位姿控制并对下一时刻的位姿进行估计,解释机利用预制文本法对推理过程和推理得到的确定性结论做出解释;最后通过控制***对掘进机实体进行位姿调控,即可以判断预测出来的掘进机位姿估计信息是否满足实际生产需求,具体地,是否与实际场地干涉,是否对掘进机造成损伤等,保证掘进机高效、安全地行进工作。
本申请的第二方面公开了一种基于数字孪生六维模型掘进机位姿估计***,包括六维模型构建模块、训练模块额预测模块。
六维模型构建模块配置为用于构建掘进复杂***数字孪生六维模型;掘进复杂***数字孪生六维模型包括掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链。
训练模块配置为对掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型。
预测模块配置为基于掘进机位姿估计模型获得掘进机位姿估计信息;掘进机位姿估计信息包括掘进机实体的预测偏角、预测偏距以及掘进机预测位置坐标。
根据本公开实施例的电子设备包括存储器和处理器。该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令,使得该电子设备执行前述的本公开各实施例的基于数字孪生六维模型的掘进机位姿估计方法全部或部分步骤。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
如图4为本公开实施例提供的一种电子设备的结构示意图。其示出了适于用来实现本公开实施例中的电子设备的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下装置可以连接至I/O接口:包括例如传感器或者视觉信息采集设备等的输入装置;包括例如显示屏等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备(比如边缘计算设备)进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的基于数字孪生六维模型的掘进机位姿估计方法的全部或部分步骤。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例的基于数字孪生六维模型的掘进机位姿估计方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
在本公开中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,本公开中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
另外,如在此使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,以便例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是,在本公开的***和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外,本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而,所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种基于数字孪生六维模型的掘进机位姿估计方法,其特征在于,该方法包括:
构建掘进复杂***数字孪生六维模型;所述掘进复杂***数字孪生六维模型包括掘进机物理模块、掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链;
对所述掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型;具体为,构造偏角误差函数和偏距误差函数;利用粒子群算法进行优化迭代,在掘进机行进时间内,获得所述偏角误差函数和所述偏距误差函数的最小值,训练后的模型即为所述掘进机位姿估计模型;
所述偏角误差函数为:
其中,αt为掘进机虚拟模块中的掘进机在t时刻的偏角,P为掘进机虚拟模块中的驱动轮的轮距,T为所述掘进机行进时间;Vrt为掘进机虚拟模块中的右驱动轮在t时刻的线速度,Vlt为掘进机虚拟模块中的左驱动轮在t时刻的线速度;αtt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏角;k1、k2、k3为所述偏角误差函数取最小时输出的误差参数;
所述偏距误差函数为:
Lt+1=Lt-D cosαt;其中,Lt为掘进机虚拟模块中的掘进机在t时刻的偏距,Ltt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏距,m为掘进机的质量,F为掘进机所受牵引力;n1、n2、n3为所述偏距误差函数取最小时输出的误差系数;
基于所述掘进机位姿估计模型获得掘进机位姿估计信息;所述掘进机位姿估计信息包括掘进机实体的预测偏角、预测偏距以及掘进机预测位置坐标。
2.根据权利要求1所述的基于数字孪生六维模型的掘进机位姿估计方法,其特征在于,所述掘进机物理模块包括掘进机以及传感器组件;所述传感器组件用于采集的掘进机实时全方位数据;
所述掘进机实时全方位数据包括掘进机位姿数据、掘进机速度、掘进机加速度、液压***流量、掘进机电压、掘进机电流、掘进机温度信号、油泵电机的转速以及行进时地面特征点;
所述掘进机虚拟模块的构建方法采用三维软件进行创建;所述掘进机虚拟模块包括掘进机车辆参数、巷道参数以及实际土地黏着系数。
3.根据权利要求1所述的基于数字孪生六维模型的掘进机位姿估计方法,其特征在于,所述孪生服务模块为SS;
SS={Sv,Sd,Sc};
Sv为掘进机与巷道建模服务、掘进机模型与巷道模型管理服务;
Sd为数据协议转换、数据处理、数据封装和数据存储;
Sc为提供的数据接口与协议服务。
4.根据权利要求1所述的基于数字孪生六维模型的掘进机位姿估计方法,其特征在于,所述掘进机孪生数据模块为DD;
DD={Dr,Dv,Df};
其中,Dr为所述掘进机实时全方位数据;Dv为基于所述掘进机虚拟模块获得的与所述掘进机实时全方位数据一一对应的全方位虚拟数据;Df为基于Dr、Dv获得的衍生数据。
5.根据权利要求1所述的基于数字孪生六维模型的掘进机位姿估计方法,其特征在于,所述知识储备模块为KR,KR={Kt,Ke};
其中,Kt为基于掘进机动力学模型获得的掘进机理论参数;Ke为专家***。
6.根据权利要求1所述的基于数字孪生六维模型的掘进机位姿估计方法,其特征在于,所述掘进机实体的预测偏角为α't+1;
所述掘进机实体的预测偏距为L't+1;
所述掘进机实体的预测位置坐标为(Xt+1,Yt+1);
L′t+1=n1L′t-n2D cosα′t+n3;
Xt+1=Xt+D cosα′t;
Yt+1=Yt+D sinα′t;
V'rt为掘进机实体的右驱动轮在t时刻的线速度,V'lt为掘进机实体的左驱动轮在t时刻的线速度,α't为掘进机实体在t时刻的偏角,L't为掘进机实体在t时刻的偏距;(Xt,Yt)为掘进机实体在t时刻的位置,D为掘进机的实际行驶距离。
7.一种基于数字孪生六维模型的掘进机位姿估计***,其特征在于,包括:
六维模型构建模块,配置为用于构建掘进复杂***数字孪生六维模型;所述掘进复杂***数字孪生六维模型包括掘进机虚拟模块、掘进机孪生数据模块、孪生服务模块、知识储备模块和孪生数据传输链;
训练模块,配置为对所述掘进复杂***数字孪生六维模型进行优化训练,获得掘进机位姿估计模型;具体为,构造偏角误差函数和偏距误差函数;利用粒子群算法进行优化迭代,在掘进机行进时间内,获得所述偏角误差函数和所述偏距误差函数的最小值,训练后的模型即为所述掘进机位姿估计模型;
所述偏角误差函数为:
其中,αt为掘进机虚拟模块中的掘进机在t时刻的偏角,P为掘进机虚拟模块中的驱动轮的轮距,T为所述掘进机行进时间;Vrt为掘进机虚拟模块中的右驱动轮在t时刻的线速度,Vlt为掘进机虚拟模块中的左驱动轮在t时刻的线速度;αtt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏角;k1、k2、k3为所述偏角误差函数取最小时输出的误差参数;
所述偏距误差函数为:
Lt+1=Lt-Dcosαt;其中,Lt为掘进机虚拟模块中的掘进机在t时刻的偏距,Ltt+1为掘进机虚拟模块中的掘进机在t+1时刻的实际偏距,m为掘进机的质量,F为掘进机所受牵引力;n1、n2、n3为所述偏距误差函数取最小时输出的误差系数;
预测模块,配置为基于所述掘进机位姿估计模型获得掘进机位姿估计信息;所述掘进机位姿估计信息包括掘进机实体的预测偏角、预测偏距以及掘进机预测位置坐标。
8.一种电子设备,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权利要求1-6任一所述的基于数字孪生六维模型的掘进机位姿估计方法。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行权利要求1-6任一所述的基于数字孪生六维模型的掘进机位姿估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583034.9A CN115828463B (zh) | 2022-12-09 | 2022-12-09 | 基于数字孪生六维模型的掘进机位姿估计方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583034.9A CN115828463B (zh) | 2022-12-09 | 2022-12-09 | 基于数字孪生六维模型的掘进机位姿估计方法、*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828463A CN115828463A (zh) | 2023-03-21 |
CN115828463B true CN115828463B (zh) | 2023-11-10 |
Family
ID=85546187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211583034.9A Active CN115828463B (zh) | 2022-12-09 | 2022-12-09 | 基于数字孪生六维模型的掘进机位姿估计方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828463B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151043B (zh) * | 2023-04-20 | 2023-07-21 | 西安华创马科智能控制***有限公司 | 刮板输送机位姿反演方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111006A (zh) * | 2021-05-06 | 2021-07-13 | 上海三一重机股份有限公司 | 作业机械控制***调试方法及*** |
CN114120785A (zh) * | 2021-11-02 | 2022-03-01 | 北京龙软科技股份有限公司 | 一种煤矿掘进设备与地质模型、巷道设计模型的耦合*** |
CN115059139A (zh) * | 2022-06-30 | 2022-09-16 | 大连致胜科技有限公司 | 远程遥控式挖掘机感知补偿*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节***及方法 |
-
2022
- 2022-12-09 CN CN202211583034.9A patent/CN115828463B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111006A (zh) * | 2021-05-06 | 2021-07-13 | 上海三一重机股份有限公司 | 作业机械控制***调试方法及*** |
CN114120785A (zh) * | 2021-11-02 | 2022-03-01 | 北京龙软科技股份有限公司 | 一种煤矿掘进设备与地质模型、巷道设计模型的耦合*** |
CN115059139A (zh) * | 2022-06-30 | 2022-09-16 | 大连致胜科技有限公司 | 远程遥控式挖掘机感知补偿*** |
Non-Patent Citations (2)
Title |
---|
煤矿掘进机器人视觉位姿感知与控制关键技术;徐伟锋 等;《煤矿机械》;第43卷(第05期);全文 * |
煤矿掘进装备视觉位姿检测与控制研究现状与趋势;雷孟宇 等;《煤炭学报》;第46卷(第增2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115828463A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153310B (zh) | 一种基于人类行为模拟的移动机器人实时运动规划方法 | |
Kim et al. | PLGRIM: Hierarchical value learning for large-scale exploration in unknown environments | |
WO2019076044A1 (zh) | 移动机器人局部运动规划方法、装置及计算机存储介质 | |
JP7169328B2 (ja) | 自律走行車両ためのニューラル・タスク計画部 | |
Delgado et al. | Robotics in construction: A critical review of the reinforcement learning and imitation learning paradigms | |
CN115828463B (zh) | 基于数字孪生六维模型的掘进机位姿估计方法、*** | |
Gunawan et al. | Smoothed a-star algorithm for nonholonomic mobile robot path planning | |
US20220019939A1 (en) | Method and system for predicting motion-outcome data of a robot moving between a given pair of robotic locations | |
Wang et al. | PyPose: A library for robot learning with physics-based optimization | |
Bulsara et al. | Obstacle avoidance using model predictive control: An implementation and validation study using scaled vehicles | |
Xie et al. | A virtual test and evaluation method for fully mechanized mining production system with different smart levels | |
Zhou et al. | MarsSim: a high-fidelity physical and visual simulation for Mars rovers | |
CN116502341B (zh) | 一种精细化履带车辆仿真平台及其构建方法 | |
WO2021109166A1 (zh) | 三维激光定位方法及*** | |
Ugur et al. | Fast and efficient terrain-aware motion planning for exploration rovers | |
Miron et al. | Autonomous dozer sand grading under localization uncertainties | |
Leng et al. | An improved method for odometry estimation based on EKF and Temporal Convolutional Network | |
Jaroszek et al. | Localization of the wheeled mobile robot based on multi-sensor data fusion | |
Raj et al. | Designing and Analysis of an Architecture of Motion Control for a Mobile Robot Using Simulation | |
Marin-Perianu et al. | Autonomous vehicle coordination with wireless sensor and actuator networks | |
Egunov et al. | Development of the insectoid walking robot with inertial navigation system | |
Rajput | Towards Autonomous Multi-Modal Mobility Morphobot (M4) Robot: Traversability Estimation and 3D Path Planning | |
Kasyap et al. | Simulation of a Wheeled Robot using ROS | |
Shen et al. | Hybrid-driven autonomous excavator trajectory generation combining empirical driver skills and optimization | |
Paz-Delgado et al. | Combined path and motion planning for workspace restricted mobile manipulators in planetary exploration |
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 |