CN117214908A - 一种基于智能裁缆机械的定位控制方法及*** - Google Patents
一种基于智能裁缆机械的定位控制方法及*** Download PDFInfo
- Publication number
- CN117214908A CN117214908A CN202311310307.7A CN202311310307A CN117214908A CN 117214908 A CN117214908 A CN 117214908A CN 202311310307 A CN202311310307 A CN 202311310307A CN 117214908 A CN117214908 A CN 117214908A
- Authority
- CN
- China
- Prior art keywords
- path
- data
- cable cutting
- generate
- obstacle
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 121
- 238000005457 optimization Methods 0.000 claims abstract description 65
- 238000013439 planning Methods 0.000 claims abstract description 49
- 230000033001 locomotion Effects 0.000 claims description 135
- 238000004458 analytical method Methods 0.000 claims description 105
- 230000009471 action Effects 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000007418 data mining Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 16
- 230000004888 barrier function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 23
- 230000036544 posture Effects 0.000 description 21
- 230000003044 adaptive effect Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 102000016550 Complement Factor H Human genes 0.000 description 2
- 108010053085 Complement Factor H Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012933 kinetic analysis Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及定位控制技术领域，尤其涉及一种基于智能裁缆机械的定位控制方法及***。该方法包括以下步骤：利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径。本发明实现了高效、准确的裁缆机械定位控制。
Description
技术领域
本发明涉及定位控制技术领域，尤其涉及一种基于智能裁缆机械的定位控制方法及***。
背景技术
随着裁缆机械工业自动化的快速发展和智能制造的普及，定位控制技术在各种生产领域中扮演着至关重要的角色。定位控制方法在应对复杂、高精度、高效率的生产需求时面临一系列挑战，这些挑战包括精确定位、实时响应、自动化协同和安全性等方面的问题。随着制造设备的智能化和互联互通的增加，定位控制***面临着越来越多的复杂情境，如动态工作环境、自适应生产和高度定制化的需求等，传统的定位控制方法通常依赖于预先编程的轨迹和固定的传感器***，这限制了它们在应对变化多端的生产环境时的适用性，其定位控制方法往往存在在定位控制精度低，效率不高的问题，因此，需要一种智能化的基于智能裁缆机械的定位控制方法及***。
发明内容
本发明为解决上述技术问题，提出了一种基于智能裁缆机械的定位控制方法及***，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种基于智能裁缆机械的定位控制方法，包括以下步骤：
步骤S1：利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
步骤S2：通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
步骤S3：获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
步骤S4：对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
步骤S5：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
步骤S6：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本发明通过摄像头获取裁缆机械环境数据，并通过激光雷达进行环境扫描，以获取障碍物位置数据。这些数据源提供了有关机器人工作环境的实时信息，将采集的数据用于创建三维点云模型，构建机械环境地图。这有助于机器人理解其周围环境的形状和障碍物分布，使用环境地图对目标物体进行定位，生成目标边界框。这有助于机器人识别和锁定要操作的目标对象，对目标边界框进行像素级分割，生成目标实例分割图。这允许机器人精确地识别目标对象的边缘和形状，利用裁缆机械的第一位置参数，通过目标实例分割图进行路径规划，生成第一工作路径。这确保了机器人能够到达目标，使用环境地图对第一工作路径进行障碍物路径最优化，以确保机器人在执行任务时能够避开障碍物，对裁缆机械进行动力学特性分析，以生成运动约束数据。这有助于确保机器人的运动在物理上是可行的，基于运动约束数据，对第二工作路径进行路径速度规划，以生成路径速度。这确保了机器人在移动过程中保持稳定和安全，通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据，然后对第二工作路径进行轨迹拟合，生成裁缆机械的实际运动轨迹。这有助于实际控制机器人的运动，对裁缆机械轨迹进行实时检测，以获取裁缆机械的第二位置参数。这确保了机器人能够追踪其在任务执行中的位置，通过裁缆机械的第二位置参数，对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据。这有助于确定机器人是否正确地对准了目标，基于目标姿态误差数据，生成自适应姿态调整策略，允许机器人在执行任务时进行姿态调整，以确保准确性。基于自适应姿态调整策略，对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹。这有助于机器人在执行任务时适应不断变化的条件，对动态优化轨迹进行数据挖掘建模，以构建裁缆机械的动态轨迹模型。这个模型可以用于未来的任务规划和控制。
优选地，步骤S1包括以下步骤：
步骤S11：利用摄像头获取裁缆机械环境数据；
步骤S12：通过激光雷达进行环境感知扫描，获取障碍物位置数据；
步骤S13：对裁缆机械环境数据及障碍物位置数据进行三维点云数据转换，以生成环境点云数据及障碍物点云数据；
步骤S14：对环境点云数据及障碍物点云数据分别进行点云分割，以生成环境点云块及障碍物点云簇；
步骤S15：对环境点云块及障碍物点云簇进行三维点云建模，以构建环境地图。
本发明通过，摄像头来获取裁缆机械周围的环境数据。摄像头提供了可见光图像，用于检测和识别可见物体，以及用于定位和导航的视觉信息，通过激光雷达进行环境感知扫描，获取环境中障碍物的位置数据。激光雷达可以精确地测量物体的距离和形状，提供高分辨率的环境感知信息，对摄像头和激光雷达获取的数据进行处理，将其转换成三维点云数据。这将有助于将不同传感器的信息进行整合，以便后续的分析和建模，对环境点云数据和障碍物点云数据进行分割，将其分成不同的点云块和点云簇。这个步骤有助于将环境中的不同物体和障碍物分离出来，使后续的建模更加精确，利用环境点云块和障碍物点云簇，进行三维点云建模，以构建环境地图。这个环境地图是一个精确的三维模型，反映了机械工作环境的实际情况。
优选地，步骤S2包括以下步骤：
步骤S21：通过环境地图对目标定位，获取目标物***置参数；
步骤S22：基于目标物***置参数对目标定位进行边界标记，以生成目标边界框；
步骤S23：对目标边界框进行边界裁剪，以生成目标边界框区域；
步骤S24：对目标边界框区域进行像素级分割，生成分割结果，分割结果包括目标像素标签及目标边界框背景；
步骤S25：通过分割结果对环境地图进行分割映射，以生成目标实例分割图。
本发明通过环境地图，***能够根据目标物体在地图中的位置参数来定位目标。这一步有助于机器精确地了解目标物体的位置，基于目标物体的位置参数，***可以生成目标边界框。这个边界框是一个矩形框，用于标记目标物体的大致位置。它有助于视觉化地表示目标，对目标边界框进行边界裁剪，得到包含目标物体的区域。这个区域通常比整个图像小，从而减少了后续分割操作的计算量，对目标边界框区域进行像素级分割，将图像中的每个像素分为目标像素标签和目标边界框背景，使用深度学习技术，可以非常精确地识别目标物体的轮廓和形状，通过将分割结果映射回原始环境地图，***可以生成目标的实例分割图。这个实例分割图不仅包括目标的像素标签，还能够将不同目标之间进行区分，因此可以识别多个目标，并为它们分配唯一的标识符。
优选地，步骤S3包括以下步骤：
步骤S31：通过传感器获取裁缆机械第一位置参数；
步骤S32：通过目标实例分割图对裁缆机械第一位置参数进行目标物体路径计算，生成目标物体路径参数；
步骤S33：根据目标物体路径参数对环境地图进行路径规划，以生成第一工作路径；
步骤S34：通过环境地图对第一工作路径进行障碍物标记，以获取路径障碍物数据；
步骤S35：基于第一工作路径对路径障碍物数据进行避障策略分析，以生成避障策略；
步骤S36：基于避障策略对第一工作路径进行障碍物路径最优化，以构建第二工作路径。
本发明通过传感器，***获取裁缆机械的第一位置参数。这可以是机械臂、车辆或其他类型的移动装置的位置信息，利用目标实例分割图，***计算出目标物体的路径参数。这可能包括目标的位置、方向、速度等信息，用于后续路径规划，基于目标物体路径参数，***进行路径规划，以生成裁缆机械的第一工作路径。这个路径会考虑到目标物体的位置，以便在执行任务时能够与目标物体协同工作，通过环境地图，***检测并标记第一工作路径上的障碍物。这可以是其他物体、障碍物或者不可通行区域。获取这些数据是为了确保路径的安全性，基于第一工作路径和路径障碍物数据，***分析避障策略。这可能包括避让障碍物、减速、绕行等策略，以确保机械在执行任务时避免碰撞或发生意外，根据避障策略，***对第一工作路径进行最优化调整，以构建第二工作路径。这个路径将考虑避障策略，以确保机械在执行任务时能够避开障碍物，提高任务执行的效率和安全性，通过检测和避免路径上的障碍物，***可以确保机械在执行任务时不会碰撞或发生意外，从而增强了操作的安全性，考虑目标物体的位置和路径，***可以生成与目标物体协同工作的路径，从而提高了任务执行的协同效率，通过实时计算目标物体路径参数和分析避障策略，***可以根据不同情境和障碍物的变化自适应地调整路径，提高了***的适应性和鲁棒性，路径最优化和避障策略分析可以确保机械以更高效的方式执行任务，减少了不必要的停顿和绕行，提高了任务的执行效率。
优选地，步骤S35包括以下步骤：
步骤S351：基于第一工作路径对路径障碍物数据进行路径交叉识别，以生成路径交叉数据；
步骤S352：对路径障碍物数据进行运动状态分析，以识别路径障碍物类型，路径障碍物类型分为静态路径障碍物及动态路径障碍物；
步骤S353：当路径障碍物类型为静态路径障碍物时，基于第一工作路径对静态路径障碍物进行绕行避障策略分析，以生成绕行避障策略；
步骤S354：当路径障碍物类型为动态路径障碍物时，对动态路径障碍物进行运动特性分析，以生成运动特性数据，运动特性数据包括路径障碍物的速度、方向及加速度；
步骤S355：通过运动特性数据对动态路径障碍物进行路径预测，以生成动态障碍物预测路径；
步骤S356：通过动态障碍物碰撞概率计算公式对动态障碍物预测路径及第一工作路径进行碰撞概率计算，以生成障碍物碰撞概率；
步骤S357：基于障碍物碰撞概率对第一工作路径进行规避策略分析，以生成规避避障策略。
本发明通过第一工作路径分析路径障碍物数据，以识别路径交叉情况。路径交叉是指路径障碍物可能与第一工作路径交叉的情况。生成路径交叉数据有助于后续的碰撞概率计算和规避策略，***对路径障碍物数据进行分析，以识别路径障碍物的类型。这些类型分为静态路径障碍物(不会移动)和动态路径障碍物(会移动)两种。这个分类是为了根据障碍物的特性采取不同的避障策略，当识别到静态路径障碍物时，***会分析如何绕过这些障碍物，以生成绕行避障策略。这可以包括选择合适的替代路径或者调整机械的路径以避开静态障碍物，当路径障碍物被识别为动态时，***会分析这些障碍物的运动特性，包括速度、方向和加速度等。这些数据用于后续的路径预测和碰撞概率计算，基于运动特性数据，***会预测动态障碍物的未来路径。这有助于机械预测障碍物可能出现的位置，以便采取适当的避障措施，使用碰撞概率计算公式，结合动态障碍物的预测路径和第一工作路径，计算出碰撞概率。这有助于评估机械是否会与动态障碍物发生碰撞，基于碰撞概率，***生成规避避障策略。这包括调整机械的路径、减速、停止或采取其他措施，以确保机械能够安全地通过动态障碍物附近而不发生碰撞。
优选地，步骤S356中的动态障碍物碰撞概率计算公式具体为：
其中，Pcollision为动态障碍物碰撞概率计算公式，H为动态障碍物碰撞概率调整因子，t为动态障碍物在第一工作路径上的交叉时间，v2(t)为时间t内动态障碍物的平均运动速度，a为动态障碍物的运动速度衰减系数，d为动态障碍物与裁缆机械的路径距离，h为裁缆机械的运动速度，k为动态障碍物的体积大小参数，t1为动态障碍物路径运动的结束时间，t0为动态障碍物路径运动的结束时间。
本发明通过用于评估裁缆机械与动态障碍物碰撞的可能性，从而帮助决策***在规划路径时考虑避免碰撞的因素，提高作业的安全性，概率调整因子H用于调整碰撞概率Pcollision。通过调整该因子，可以在不同场景下对碰撞概率进行修正，以适应不同的情况和要求，计算动态障碍物在第一工作路径上的交叉时间，即预测在何时动态障碍物可能与裁缆机械交叉路径。这是关键的时间参数，有助于预测潜在碰撞的时机，通过反映了动态障碍物在时间内的平均运动速度。它有助于考虑障碍物的运动情况，以更准确地估计碰撞概率，k表示动态障碍物的运动速度衰减系数，用于模拟障碍物运动速度的变化。这个系数可以考虑障碍物可能减速或加速的情况，使碰撞概率计算更加准确，路径距离d表示动态障碍物与裁缆机械之间的最短距离。这个距离是计算碰撞概率的重要参数，用于估计障碍物是否会与机械接近，裁缆机械的运动速度v用于考虑机械的运动情况。将机械速度纳入考虑可以更精确地估计碰撞概率，公式通过精确估计碰撞概率，决策***可以更好地规划机械的路径和动作，以确保作业的安全性和高效性。这有助于减少事故风险，提高自动化作业的可靠性。
优选地，步骤S4包括以下步骤：
步骤S41：对裁缆机械进行转动惯量分析，以生成转动惯量数据；
步骤S42：基于转动惯量数据对裁缆机械进行受力负载分析，以生成受力负载参数；
步骤S43：对受力负载参数进行动力学特性分析，以生成运动约束数据；
步骤S44：基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；
步骤S45：通过路径速度对裁缆机械进行动作时序分段，以生成动作时序分段数据；
步骤S46：基于动作时序分段数据对第二工作路径进行动作序列化分析，以生成动作序列化数据；
步骤S47：根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹。
本发明通过对裁缆机械进行了转动惯量分析，这是关于机械物体旋转运动的性质的重要参数。生成的转动惯量数据可以用于后续的受力负载和动力学分析，基于转动惯量数据，对裁缆机械进行了受力负载分析。这意味着确定了机械在不同条件下的受力情况，包括各个关键部件和结构的受力情况。这些参数对于机械的稳定性和安全性至关重要，对受力负载参数进行了动力学特性分析。这包括了机械的动态响应、惯性、加速度等信息。生成这些数据有助于了解机械的运动特性，从而更好地规划路径和动作，对第二工作路径进行了路径速度规划。这意味着确定了机械在路径上的速度分布，以确保在执行任务时能够满足运动约束并保持稳定性，对裁缆机械的动作进行时序分段，将整个任务分解为一系列小的动作段落，以便更好地控制和协调机械的动作，基于动作时序分段数据，对第二工作路径进行了动作序列化分析。这包括确定何时执行特定的动作，以便机械可以按照预定的序列执行任务，路径速度规划和动作时序分段有助于优化机械的运动，使其在执行任务时更加高效和流畅，动作序列化和轨迹拟合确保任务按照预期的方式执行，提高了任务规划的精确性和可控性，通过更好地了解受力情况，可以减少机械的不必要磨损，延长其寿命。
优选地，步骤S5包括以下步骤：
步骤S51：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；
步骤S52：对目标实例分割图进行目标定位误差分析，以生成目标定位误差参数；
步骤S53：基于裁缆机械第二位置参数通过裁缆机械姿态误差计算公式对裁缆机械进行姿态误差计算，以生成裁缆机械姿态误差数据；
步骤S54：根据裁缆机械姿态误差数据对目标定位误差参数进行目标姿态误差分析，以生成目标姿态误差数据；
步骤S55：通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
本发明通过实时位置检测允许***获取裁缆机械的准确位置信息，裁缆机械的第二位置参数提供了关于机械位置的更多细节，可能包括速度、加速度等信息，为后续的误差分析和调整提供了基础数据，目标实例分割图分析允许***识别和定位目标对象，目标定位误差参数提供了目标位置的精确性信息，***可以识别和量化目标定位误差，为后续的调整提供了依据，姿态误差计算可以基于机械位置参数来估计裁缆机械的姿态偏差，姿态误差数据提供了机械的姿态信息，这对于精确的控制和调整非常重要，基于机械姿态误差数据，可以分析目标定位误差是如何受到机械姿态的影响的，目标姿态误差数据提供了有关目标位置准确性与机械姿态之间关系的信息，理解机械的姿态如何影响目标的定位，为进一步的自适应调整提供了指导，自适应姿态调整策略是根据目标姿态误差数据生成的，以最小化目标定位误差，可以根据目标的具体姿态误差情况进行实时调整，提高了***的鲁棒性和精确性，自适应调整允许***在不同情况下适应性地改变裁缆机械的姿态，以确保目标定位的高精度。
优选地，步骤S53中的裁缆机械姿态误差计算公式具体为：
其中，Eattcalc为裁缆机械姿态误差参数，δ为裁缆机械的转动惯量参数，P为裁缆机械当前位置参数坐标值，O为裁缆机械关节扭矩，Eloc为目标定位误差参数，α为裁缆机械扭转速度，Eatt为目标姿态误差参数，G为裁缆机械最大扭转角度，F为裁缆机械工作振动频率。
本发明通过计算裁缆机械的位置偏差及裁缆机械的姿态偏差，通过将它们的平方和开方相加，并进行自然对数运算，可以将位置偏差和姿态偏差综合考虑在内。这有助于评估裁缆机械的整体偏差程度，而不仅仅关注单个方面的偏差，自然对数运算可以将位置偏差和姿态偏差的综合结果转化为一个更易于理解和比较的数值。通过取对数，可以将结果映射到一个更广的数值范围内，从而更好地表达裁缆机械姿态误差的程度，通过/>计算振动频率和最大扭转角度的乘积的负数指数，可以量化振动频率对姿态误差的影响程度，较高的振动频率可能会导致较大的姿态误差，将输入值(振动频率的负数指数)映射到一个介于0和1之间的输出值。这种非线性响应的建模使得公式能够更好地反映振动频率对姿态误差的非线性影响，公式将裁缆机械的位置偏差、姿态偏差和振动频率综合考虑在内，通过标准化和计算得出一个量化的姿态误差参数。这有助于评估裁缆机械在姿态控制方面的性能和稳定性，并为进一步优化和改进提供参考。
优选地，步骤S6包括以下步骤：
步骤S61：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；
步骤S62：对动态优化轨迹进行膨胀卷积，以生成动态轨迹曲线；
步骤S63：对动态轨迹曲线进行池化采样，以生成动态轨迹网络；
步骤S64：对动态轨迹网络进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本发明通过实时优化轨迹，裁缆机械可以更准确地按照预定的路径移动，减少了不必要的移动和调整，提高了效率和精确性，膨胀卷积可以增强和突出轨迹的特征，使得动态轨迹曲线更具有代表性和可辨识性，有助于后续处理和分析，池化采样可以减少数据的复杂性，同时保留关键信息，从而生成一个紧凑的动态轨迹网络，这有助于进一步的数据处理和分析，同时节省计算资源，数据挖掘建模允许从动态轨迹网络中提取深层次的模式和关系，为裁缆机械提供更加准确的定位控制策略，确保其更加稳定、准确地执行任务。
在本说明书中，提供一种基于智能裁缆机械的定位控制***，包括：
环境地图模块，用于利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
目标边界模块，用于通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
路径优化模块，用于获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
轨迹拟合模块，用于对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
姿态调整模块，用于对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
轨迹模型模块，用于基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本发明通过摄像头和激光雷达获取环境数据，然后进行三维点云建模，创建了一个准确的环境地图。这有助于裁缆机械了解周围环境，识别障碍物的位置和形状，从而提高了安全性和导航能力，通过环境地图，可以定位目标物体并生成目标边界框。随后，像素级分割将目标物体与周围环境分隔开，生成目标实例分割图。这有助于裁缆机械准确识别和定位目标，为后续操作提供了重要的目标信息，路径优化模块获取裁缆机械的位置参数，利用目标实例分割图规划第一工作路径。通过障碍物路径最优化，生成第二工作路径。这使得机械可以更有效地绕过障碍物，减少移动时间和能源消耗，提高了效率，对裁缆机械进行动力学特性分析，生成运动约束数据。然后，基于这些数据进行路径速度规划，生成路径速度，以便机械可以在路径上以适当的速度运动。最后，通过动作序列化和轨迹拟合，生成裁缆机械的轨迹。这有助于机械在路径上运动更加平稳和可控，实时检测裁缆机械的位置，分析目标姿态误差数据，然后生成自适应姿态调整策略。这可以确保机械在执行任务时，保持正确的姿态，提高了作业质量和精度，基于自适应姿态调整策略，对裁缆机械轨迹进行实时动态轨迹优化，生成动态优化轨迹。通过数据挖掘建模，构建动态轨迹模型，以执行定位控制作业。这使得机械能够更好地适应不同的工作条件和要求，提高了自动化作业的可靠性和鲁棒性。
附图说明
图1为本发明一种基于智能裁缆机械的定位控制方法及***的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种基于智能裁缆机械的定位控制方法及***。所述基于智能裁缆机械的定位控制方法及***的执行主体包括但不限于搭载该***的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理***、信息管理***、云端数据管理***至少一种。
请参阅图1至图4，本发明提供了方法，所述方法包括以下步骤：
步骤S1：利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
步骤S2：通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
步骤S3：获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
步骤S4：对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
步骤S5：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
步骤S6：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本发明通过摄像头获取裁缆机械环境数据，并通过激光雷达进行环境扫描，以获取障碍物位置数据。这些数据源提供了有关机器人工作环境的实时信息，将采集的数据用于创建三维点云模型，构建机械环境地图。这有助于机器人理解其周围环境的形状和障碍物分布，使用环境地图对目标物体进行定位，生成目标边界框。这有助于机器人识别和锁定要操作的目标对象，对目标边界框进行像素级分割，生成目标实例分割图。这允许机器人精确地识别目标对象的边缘和形状，利用裁缆机械的第一位置参数，通过目标实例分割图进行路径规划，生成第一工作路径。这确保了机器人能够到达目标，使用环境地图对第一工作路径进行障碍物路径最优化，以确保机器人在执行任务时能够避开障碍物，对裁缆机械进行动力学特性分析，以生成运动约束数据。这有助于确保机器人的运动在物理上是可行的，基于运动约束数据，对第二工作路径进行路径速度规划，以生成路径速度。这确保了机器人在移动过程中保持稳定和安全，通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据，然后对第二工作路径进行轨迹拟合，生成裁缆机械的实际运动轨迹。这有助于实际控制机器人的运动，对裁缆机械轨迹进行实时检测，以获取裁缆机械的第二位置参数。这确保了机器人能够追踪其在任务执行中的位置，通过裁缆机械的第二位置参数，对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据。这有助于确定机器人是否正确地对准了目标，基于目标姿态误差数据，生成自适应姿态调整策略，允许机器人在执行任务时进行姿态调整，以确保准确性。基于自适应姿态调整策略，对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹。这有助于机器人在执行任务时适应不断变化的条件，对动态优化轨迹进行数据挖掘建模，以构建裁缆机械的动态轨迹模型。这个模型可以用于未来的任务规划和控制。
本发明实施例中，参考图1所述，为本发明一种基于智能裁缆机械的定位控制方法及***的步骤流程示意图，在本实例中，所述一种基于智能裁缆机械的定位控制方法的步骤包括：
步骤S1：利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
本实施例中，在裁缆机械上适当位置安装摄像头。摄像头的位置和角度应能够提供清晰的环境图像，将摄像头连接到控制***或计算机，确保能够获取摄像头传输的视频流，通过控制***或计算机，开始采集摄像头的图像数据，在裁缆机械上适当位置安装激光雷达。激光雷达通常需要放置在机械的高处，以便能够覆盖较大范围的环境，启动激光雷达，开始进行环境扫描。激光雷达会发射激光束并测量其反射，以获取障碍物的位置和形状数据，将激光雷达扫描数据传输到计算机，并进行数据处理，提取障碍物的位置数据。这些数据通常以点云形式表示，每个点代表一个障碍物的位置，将摄像头采集的图像数据与激光雷达获取的点云数据进行配准，将不同传感器数据融合为一个坐标系的关键，使用配准后的数据，开始进行三维点云建模。这包括将摄像头图像上的物体与激光雷达点云中的障碍物进行匹配，以获得更准确的环境地图，根据匹配后的数据，开始构建环境地图。地图可以是三维的，用于表示环境中的障碍物和物体的位置、形状和尺寸。地图也可以包括其他信息，如纹理和颜色，：随着裁缆机械的运动，持续采集摄像头和激光雷达的数据，实时更新环境地图，以确保机械能够及时响应环境变化。
步骤S2：通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
本实施例中，将环境地图与摄像头图像数据结合，以便将目标检测算法应用于环境地图。通常，环境地图用于提供目标的位置信息，而摄像头图像用于获取目标的视觉信息，使用选定的目标检测算法，对输入数据进行分析。算法将返回每个检测到的目标的位置信息，通常以边界框的形式表示，将目标检测到的位置信息转化为目标边界框。这些边界框将用于在下一步进行像素级分割，目标边界框用作目标实例分割的感兴趣区域(Region ofInterest，ROI)。这些边界框将帮助算法聚焦在目标上进行像素级分割，使用选定的目标实例分割算法，对每个目标边界框内的像素进行分割。算法将为每个目标生成一个独立的二进制掩码，其中目标像素被标记为前景，而背景像素被标记为背景，如果有多个目标，将它们的实例分割结果合并成一个图像，以生成最终的目标实例分割图。可以为每个目标分配唯一的标识符或颜色，以区分它们。
步骤S3：获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
本实施例中，使用裁缆机械上的传感器或位置测量设备，获取当前机械的位置参数，将获取的位置参数数据传输到控制***或计算机进行处理，以获取机械的第一位置参数。根据目标实例分割图，确定裁缆机械需要到达的目标物体或区域。这可以是需要剪裁的电缆或其他目标，将机械的第一位置参数作为起始点的坐标，将目标物体的位置作为终点坐标，使用选定的路径规划算法，在环境地图中生成第一工作路径，以确保机械能够到达目标物体或区域，在路径规划中考虑环境地图中的障碍物信息，确保生成的第二工作路径避开障碍物，使用路径规划算法，生成第二工作路径，同时优化路径，以确保路径的效率和安全性，将第一工作路径和第二工作路径合并，以形成最终的工作路径。这个最终路径将考虑到目标物***置、避障、效率等因素。
步骤S4：对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
本实施例中，根据机械的位置、速度和加速度信息，计算机械各个关节的运动学特性，例如关节位置、速度、加速度，使用机械的动力学模型，进行动力学分析，考虑外部力和扭矩的作用，以确定机械的动力学特性。这包括关节扭矩、惯性力等，根据动力学分析的结果，生成机械的运动约束数据，这些数据描述了机械在执行任务时的运动限制，例如最大速度、最大加速度、最大关节扭矩等，基于第二工作路径和运动约束数据，使用选定的算法生成路径速度，确保机械在执行任务时遵守运动约束，将第二工作路径分割成多个时间段，每个时间段包含一段连续的路径，将路径速度数据转化为与时间相关的速度序列，以描述机械在每个时间段内的速度变化，分析每个时间段内的速度序列，识别关键的动作段落，例如加速、减速、匀速等，将识别出的动作段落信息转化为动作序列化数据，其中包括每个动作段落的起始时间、终止时间、速度变化等信息，根据动作序列化数据，生成一系列轨迹点，这些点描述了机械在执行任务时的位置和朝向，使用选定的拟合算法，将生成的轨迹点拟合为平滑的轨迹曲线，以描述机械的运动轨迹，根据拟合曲线的参数化表示，生成机械的轨迹数据，包括位置、速度、加速度等信息。
步骤S5：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
本实施例中，在机械运动期间，通过上述传感器实时采集机械的位置数据。这些数据可以包括机械的坐标、姿态、速度等信息，对采集到的位置数据进行滤波和去噪处理，以提高数据的准确性和稳定性，从处理后的数据中提取裁缆机械的第二位置参数，使用目标分割图像和第二位置参数，估计目标的当前姿态。这可以通过姿态估计算法，如视觉SLAM(Simultaneous Localization and Mapping)或者姿态估计神经网络来实现，将估计的目标姿态与目标的理想姿态进行比较，计算目标姿态误差。姿态误差可以包括旋转角度、平移偏差等信息，将计算得到的目标姿态误差数据存储为一个数据集，该数据集将用于后续的自适应姿态调整分析，使用目标姿态误差数据集，分析不同姿态误差对裁缆任务的影响。这可以包括误差大小、方向、频率等方面的分析，基于目标姿态误差分析的结果，生成自适应姿态调整策略。这个策略可以包括调整机械的姿态、速度、加速度等参数，以最小化目标姿态误差，将生成的自适应姿态调整策略实施到裁缆机械上，确保机械在执行任务时根据实时的目标姿态误差进行调整，在裁缆任务执行期间，持续监控机械的位置和目标姿态误差，并根据需要实时调整机械的运动，以确保任务的准确性和稳定性。
步骤S6：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本实施例中，通过自适应姿态调整策略，根据实时获取的数据，对裁缆机械的姿态、速度等参数进行调整，以最小化目标姿态误差，选择适用于裁缆机械的动态轨迹优化算法，这些算法可以根据实时数据和自适应姿态调整策略来调整机械的运动轨迹，以适应不同工作场景和目标，根据选择的算法，对裁缆机械的运动轨迹进行实时优化，以确保机械在执行任务时保持稳定、高效，：将优化后的轨迹保存为动态优化轨迹，选择适当的数据挖掘模型，例如机器学习模型(如回归、分类、聚类等)或深度学习模型(如神经网络)来建模动态优化轨迹数据，根据评估结果，对模型进行调优，可能需要调整特征选择、模型参数等，在裁缆任务执行期间，使用构建的动态轨迹模型，通过实时获取的数据，对裁缆机械进行定位控制作业。这包括根据当前位置和目标位置，调整机械的运动以保持在动态优化轨迹上，持续监控机械的位置和姿态，并根据动态轨迹模型提供的指导，实时调整机械的运动，以确保任务的顺利进行。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：利用摄像头获取裁缆机械环境数据；
步骤S12：通过激光雷达进行环境感知扫描，获取障碍物位置数据；
步骤S13：对裁缆机械环境数据及障碍物位置数据进行三维点云数据转换，以生成环境点云数据及障碍物点云数据；
步骤S14：对环境点云数据及障碍物点云数据分别进行点云分割，以生成环境点云块及障碍物点云簇；
步骤S15：对环境点云块及障碍物点云簇进行三维点云建模，以构建环境地图。
本发明通过，摄像头来获取裁缆机械周围的环境数据。摄像头提供了可见光图像，用于检测和识别可见物体，以及用于定位和导航的视觉信息，通过激光雷达进行环境感知扫描，获取环境中障碍物的位置数据。激光雷达可以精确地测量物体的距离和形状，提供高分辨率的环境感知信息，对摄像头和激光雷达获取的数据进行处理，将其转换成三维点云数据。这将有助于将不同传感器的信息进行整合，以便后续的分析和建模，对环境点云数据和障碍物点云数据进行分割，将其分成不同的点云块和点云簇。这个步骤有助于将环境中的不同物体和障碍物分离出来，使后续的建模更加精确，利用环境点云块和障碍物点云簇，进行三维点云建模，以构建环境地图。这个环境地图是一个精确的三维模型，反映了机械工作环境的实际情况。
本实施例中，启动摄像头，持续捕获环境图像数据。可以使用单个或多个摄像头，取决于任务的需求，对捕获的图像进行预处理，包括去噪、色彩校正、畸变校正等，以提高数据质量，确保激光雷达已正确安装在裁缆机械上，并校准以确保准确的激光扫描，启动激光雷达，进行环境扫描，获取障碍物位置数据。激光雷达可以提供高精度的距离和位置信息，对激光扫描数据进行后处理，包括去除离群点、坐标变换等，以提高数据准确性，将来自摄像头和激光雷达的数据进行融合，以在同一坐标系下对齐它们，将融合后的数据转换为三维点云数据。对于摄像头数据，可以使用视差法、结构光等方法来生成深度信息，从而构建点云，使用点云分割算法，将环境点云数据分割为不同的点云块，每个点云块代表一个环境特征或物体，同样使用点云分割算法，将障碍物点云数据分割为不同的点云簇，每个点云簇代表一个障碍物或障碍物组，对每个环境点云块和障碍物点云簇进行三维点云建模。这可以包括使用机器学习算法或几何建模方法来识别点云中的特征，并将它们转化为地图数据，将所有环境点云块和障碍物点云簇的建模结果合并，以构建完整的环境地图。这个地图可以用于导航、避障和任务规划等应用。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：通过环境地图对目标定位，获取目标物***置参数；
步骤S22：基于目标物***置参数对目标定位进行边界标记，以生成目标边界框；
步骤S23：对目标边界框进行边界裁剪，以生成目标边界框区域；
步骤S24：对目标边界框区域进行像素级分割，生成分割结果，分割结果包括目标像素标签及目标边界框背景；
步骤S25：通过分割结果对环境地图进行分割映射，以生成目标实例分割图。
本发明通过环境地图，***能够根据目标物体在地图中的位置参数来定位目标。这一步有助于机器精确地了解目标物体的位置，基于目标物体的位置参数，***可以生成目标边界框。这个边界框是一个矩形框，用于标记目标物体的大致位置。它有助于视觉化地表示目标，对目标边界框进行边界裁剪，得到包含目标物体的区域。这个区域通常比整个图像小，从而减少了后续分割操作的计算量，对目标边界框区域进行像素级分割，将图像中的每个像素分为目标像素标签和目标边界框背景，使用深度学习技术，可以非常精确地识别目标物体的轮廓和形状，通过将分割结果映射回原始环境地图，***可以生成目标的实例分割图。这个实例分割图不仅包括目标的像素标签，还能够将不同目标之间进行区分，因此可以识别多个目标，并为它们分配唯一的标识符。
本实施例中，使用目标检测算法，在环境地图中识别可能的目标物体。这可以是使用深度学习模型(如卷积神经网络)进行目标检测，或者通过特定特征的匹配来定位目标，一旦检测到目标物体，获取其位置参数，例如三维坐标或相对于机械的位置参数。这将帮助确定目标的在环境中的位置，根据目标的位置参数，在环境地图上生成一个边界框，以标记目标的位置。这个边界框通常是一个矩形，使用目标边界框对环境地图进行裁剪，只保留目标区域的数据。这将减小处理的数据量，提高分割的效率，使用像素级分割算法(如语义分割或实例分割)来将目标边界框区域中的像素分为目标像素和背景像素。这可以通过深度学习模型来实现，模型可以为每个像素分配一个标签，表示它是否属于目标物体，据像素级分割的结果，生成一个分割图像，其中目标像素标记为目标物体，背景像素标记为背景，将像素级分割结果映射回原始环境地图，以生成目标的实例分割图。在这个图中，每个目标都有唯一的标识符，以便跟踪和识别不同的目标，最终输出一个目标实例分割图，其中每个目标都被分割并标记出来。这个图可以用于机器人导航、目标跟踪、避障和其他任务，以帮助机械***与周围环境进行交互。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：通过传感器获取裁缆机械第一位置参数；
步骤S32：通过目标实例分割图对裁缆机械第一位置参数进行目标物体路径计算，生成目标物体路径参数；
步骤S33：根据目标物体路径参数对环境地图进行路径规划，以生成第一工作路径；
步骤S34：通过环境地图对第一工作路径进行障碍物标记，以获取路径障碍物数据；
步骤S35：基于第一工作路径对路径障碍物数据进行避障策略分析，以生成避障策略；
步骤S36：基于避障策略对第一工作路径进行障碍物路径最优化，以构建第二工作路径。
本发明通过传感器，***获取裁缆机械的第一位置参数。这可以是机械臂、车辆或其他类型的移动装置的位置信息，利用目标实例分割图，***计算出目标物体的路径参数。这可能包括目标的位置、方向、速度等信息，用于后续路径规划，基于目标物体路径参数，***进行路径规划，以生成裁缆机械的第一工作路径。这个路径会考虑到目标物体的位置，以便在执行任务时能够与目标物体协同工作，通过环境地图，***检测并标记第一工作路径上的障碍物。这可以是其他物体、障碍物或者不可通行区域。获取这些数据是为了确保路径的安全性，基于第一工作路径和路径障碍物数据，***分析避障策略。这可能包括避让障碍物、减速、绕行等策略，以确保机械在执行任务时避免碰撞或发生意外，根据避障策略，***对第一工作路径进行最优化调整，以构建第二工作路径。这个路径将考虑避障策略，以确保机械在执行任务时能够避开障碍物，提高任务执行的效率和安全性，通过检测和避免路径上的障碍物，***可以确保机械在执行任务时不会碰撞或发生意外，从而增强了操作的安全性，考虑目标物体的位置和路径，***可以生成与目标物体协同工作的路径，从而提高了任务执行的协同效率，通过实时计算目标物体路径参数和分析避障策略，***可以根据不同情境和障碍物的变化自适应地调整路径，提高了***的适应性和鲁棒性，路径最优化和避障策略分析可以确保机械以更高效的方式执行任务，减少了不必要的停顿和绕行，提高了任务的执行效率。
本实施例中，使用合适的传感器(如激光传感器或摄像头)来获取裁缆机械的位置参数。这些传感器可以提供机械的位置、方向和姿态等信息，基于裁缆机械的位置参数和目标物体的位置信息，计算生成裁缆机械需要遵循的目标物体路径参数。这些路径参数可以包括目标物体的位置、姿态、速度和加速度等，用路径规划算法，根据环境地图和目标物体路径参数，生成裁缆机械的第一工作路径。路径规划考虑机械的物理限制和路径的安全性，确保机械可以沿着路径正确移动，在环境地图上标记第一工作路径上的障碍物。这些障碍物可以是其他物体、墙壁、地形变化等，标记它们有助于后续的避障策略分析和路径优化，从环境地图中提取第一工作路径上的障碍物数据，包括位置、形状和其他相关信息，通过分析路径障碍物数据，确定避障策略。这可以是规避障碍物、调整路径、变换速度或采取其他行动来确保机械在执行工作路径时安全可靠，根据避障策略，对第一工作路径进行优化，以生成第二工作路径。优化的目标可以是最小化路径长度、最大化安全距离或符合特定的工作需求。
本实施例中，步骤S35包括以下步骤：
步骤S351：基于第一工作路径对路径障碍物数据进行路径交叉识别，以生成路径交叉数据；
步骤S352：对路径障碍物数据进行运动状态分析，以识别路径障碍物类型，路径障碍物类型分为静态路径障碍物及动态路径障碍物；
步骤S353：当路径障碍物类型为静态路径障碍物时，基于第一工作路径对静态路径障碍物进行绕行避障策略分析，以生成绕行避障策略；
步骤S354：当路径障碍物类型为动态路径障碍物时，对动态路径障碍物进行运动特性分析，以生成运动特性数据，运动特性数据包括路径障碍物的速度、方向及加速度；
步骤S355：通过运动特性数据对动态路径障碍物进行路径预测，以生成动态障碍物预测路径；
步骤S356：通过动态障碍物碰撞概率计算公式对动态障碍物预测路径及第一工作路径进行碰撞概率计算，以生成障碍物碰撞概率；
步骤S357：基于障碍物碰撞概率对第一工作路径进行规避策略分析，以生成规避避障策略。
本发明通过第一工作路径分析路径障碍物数据，以识别路径交叉情况。路径交叉是指路径障碍物可能与第一工作路径交叉的情况。生成路径交叉数据有助于后续的碰撞概率计算和规避策略，***对路径障碍物数据进行分析，以识别路径障碍物的类型。这些类型分为静态路径障碍物(不会移动)和动态路径障碍物(会移动)两种。这个分类是为了根据障碍物的特性采取不同的避障策略，当识别到静态路径障碍物时，***会分析如何绕过这些障碍物，以生成绕行避障策略。这可以包括选择合适的替代路径或者调整机械的路径以避开静态障碍物，当路径障碍物被识别为动态时，***会分析这些障碍物的运动特性，包括速度、方向和加速度等。这些数据用于后续的路径预测和碰撞概率计算，基于运动特性数据，***会预测动态障碍物的未来路径。这有助于机械预测障碍物可能出现的位置，以便采取适当的避障措施，使用碰撞概率计算公式，结合动态障碍物的预测路径和第一工作路径，计算出碰撞概率。这有助于评估机械是否会与动态障碍物发生碰撞，基于碰撞概率，***生成规避避障策略。这包括调整机械的路径、减速、停止或采取其他措施，以确保机械能够安全地通过动态障碍物附近而不发生碰撞。
本实施例中，使用第一工作路径和路径障碍物数据进行识别，确定是否存在路径交叉情况。路径交叉指的是路径与路径障碍物之间存在交叉、重叠或冲突的情况，对于识别出的路径交叉情况，生成路径交叉数据，包括交叉的位置、交叉类型和其他相关信息，针对路径障碍物数据进行运动状态分析，判断路径障碍物的类型。将路径障碍物分为静态路径障碍物，如墙壁、固定障碍物，和动态路径障碍物，如其他工作机械，针对静态路径障碍物，基于第一工作路径进行分析，确定绕行策略。这可以包括选择合适的绕行路径、调整路径规划算法或利用机械的特殊功能来避开静态路径障碍物，针对动态路径障碍物，进行运动特性分析，确定其速度、方向和加速度等运动特性数据。这可以通过对路径障碍物的历史轨迹、传感器数据或其他信息进行分析得出，利用动态路径障碍物的运动特性数据，进行路径预测，预测其未来可能的路径。这可以通过运动模型、机器学习算法等方法来实现，使用动态障碍物预测路径和第一工作路径，通过碰撞概率计算公式计算路径上的碰撞概率。这可以根据路径的接触面积、相对速度和其他相关因素来估计碰撞发生的概率，根据障碍物碰撞概率，对第一工作路径进行规避策略分析。根据碰撞概率的高低，可以选择调整路径、降低速度、采取避让动作或其他避障措施来确保安全。
本实施例中，步骤S356中的动态障碍物碰撞概率计算公式具体为：
其中，Pcollision为动态障碍物碰撞概率计算公式，H为动态障碍物碰撞概率调整因子，t为动态障碍物在第一工作路径上的交叉时间，v2(t)为时间t内动态障碍物的平均运动速度，a为动态障碍物的运动速度衰减系数，d为动态障碍物与裁缆机械的路径距离，h为裁缆机械的运动速度，k为动态障碍物的体积大小参数，t1为动态障碍物路径运动的结束时间，t0为动态障碍物路径运动的结束时间。
本发明通过用于评估裁缆机械与动态障碍物碰撞的可能性，从而帮助决策***在规划路径时考虑避免碰撞的因素，提高作业的安全性，概率调整因子H用于调整碰撞概率Pcollision。通过调整该因子，可以在不同场景下对碰撞概率进行修正，以适应不同的情况和要求，计算动态障碍物在第一工作路径上的交叉时间，即预测在何时动态障碍物可能与裁缆机械交叉路径。这是关键的时间参数，有助于预测潜在碰撞的时机，通过反映了动态障碍物在时间内的平均运动速度。它有助于考虑障碍物的运动情况，以更准确地估计碰撞概率，k表示动态障碍物的运动速度衰减系数，用于模拟障碍物运动速度的变化。这个系数可以考虑障碍物可能减速或加速的情况，使碰撞概率计算更加准确，路径距离d表示动态障碍物与裁缆机械之间的最短距离。这个距离是计算碰撞概率的重要参数，用于估计障碍物是否会与机械接近，裁缆机械的运动速度v用于考虑机械的运动情况。将机械速度纳入考虑可以更精确地估计碰撞概率，公式通过精确估计碰撞概率，决策***可以更好地规划机械的路径和动作，以确保作业的安全性和高效性。这有助于减少事故风险，提高自动化作业的可靠性。
本实施例中，步骤S4包括以下步骤：
步骤S41：对裁缆机械进行转动惯量分析，以生成转动惯量数据；
步骤S42：基于转动惯量数据对裁缆机械进行受力负载分析，以生成受力负载参数；
步骤S43：对受力负载参数进行动力学特性分析，以生成运动约束数据；
步骤S44：基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；
步骤S45：通过路径速度对裁缆机械进行动作时序分段，以生成动作时序分段数据；
步骤S46：基于动作时序分段数据对第二工作路径进行动作序列化分析，以生成动作序列化数据；
步骤S47：根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹。
本发明通过对裁缆机械进行了转动惯量分析，这是关于机械物体旋转运动的性质的重要参数。生成的转动惯量数据可以用于后续的受力负载和动力学分析，基于转动惯量数据，对裁缆机械进行了受力负载分析。这意味着确定了机械在不同条件下的受力情况，包括各个关键部件和结构的受力情况。这些参数对于机械的稳定性和安全性至关重要，对受力负载参数进行了动力学特性分析。这包括了机械的动态响应、惯性、加速度等信息。生成这些数据有助于了解机械的运动特性，从而更好地规划路径和动作，对第二工作路径进行了路径速度规划。这意味着确定了机械在路径上的速度分布，以确保在执行任务时能够满足运动约束并保持稳定性，对裁缆机械的动作进行时序分段，将整个任务分解为一系列小的动作段落，以便更好地控制和协调机械的动作，基于动作时序分段数据，对第二工作路径进行了动作序列化分析。这包括确定何时执行特定的动作，以便机械可以按照预定的序列执行任务，路径速度规划和动作时序分段有助于优化机械的运动，使其在执行任务时更加高效和流畅，动作序列化和轨迹拟合确保任务按照预期的方式执行，提高了任务规划的精确性和可控性，通过更好地了解受力情况，可以减少机械的不必要磨损，延长其寿命。
本实施例中，需要对裁缆机械的各个部件进行转动惯量的测量和计算。转动惯量是描述物体绕轴旋转时惯性特性的物理量，它与物体的形状、质量分布和轴的位置有关。通过测量和计算各个部件的转动惯量，可以得到裁缆机械的转动惯量数据。对裁缆机械在工作状态下的受力负载进行分析。通过考虑裁缆机械各个部件的质量和转动惯量，以及其在工作过程中所受到的外部力和力矩，可以计算出受力负载的参数，如力和力矩的大小和方向。进行动力学特性的分析。通过考虑裁缆机械的质量、转动惯量、受力负载参数以及运动约束条件，可以计算出裁缆机械在运动过程中的加速度、速度和位移等动力学特性，从而生成运动约束数据。对第二工作路径进行路径速度规划。路径速度规划是指在给定的路径上，确定机械***在不同位置的速度，以满足运动约束条件和工作需求。通过路径速度规划，可以生成在第二工作路径上的各个位置处的速度数据。通过得到的路径速度数据，对裁缆机械的动作进行时序分段。动作时序分段是指将整个动作过程分割成若干个小的时间段，每个时间段内机械***的速度保持基本恒定。通过动作时序分段，可以确定每个时间段内机械***的位置和速度等信息，从而生成动作时序分段数据。对第二工作路径进行动作序列化分析。动作序列化是指将机械***在不同时间段内的位置和速度等信息转化为具体的动作序列，以实现裁缆机械在第二工作路径上的运动。通过动作序列化分析，可以生成描述裁缆机械动作序列的数据。对第二工作路径进行轨迹拟合。轨迹拟合是指根据给定的动作序列，确定裁缆机械在第二工作路径上的实际轨迹。通过轨迹拟合，可以得到裁缆机械在第二工作路径上的位置和速度的变化规律，从而生成裁缆机械的轨迹数据。
本实施例中，步骤S5包括以下步骤：
步骤S51：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；
步骤S52：对目标实例分割图进行目标定位误差分析，以生成目标定位误差参数；
步骤S53：基于裁缆机械第二位置参数通过裁缆机械姿态误差计算公式对裁缆机械进行姿态误差计算，以生成裁缆机械姿态误差数据；
步骤S54：根据裁缆机械姿态误差数据对目标定位误差参数进行目标姿态误差分析，以生成目标姿态误差数据；
步骤S55：通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
本发明通过实时位置检测允许***获取裁缆机械的准确位置信息，裁缆机械的第二位置参数提供了关于机械位置的更多细节，可能包括速度、加速度等信息，为后续的误差分析和调整提供了基础数据，目标实例分割图分析允许***识别和定位目标对象，目标定位误差参数提供了目标位置的精确性信息，***可以识别和量化目标定位误差，为后续的调整提供了依据，姿态误差计算可以基于机械位置参数来估计裁缆机械的姿态偏差，姿态误差数据提供了机械的姿态信息，这对于精确的控制和调整非常重要，基于机械姿态误差数据，可以分析目标定位误差是如何受到机械姿态的影响的，目标姿态误差数据提供了有关目标位置准确性与机械姿态之间关系的信息，理解机械的姿态如何影响目标的定位，为进一步的自适应调整提供了指导，自适应姿态调整策略是根据目标姿态误差数据生成的，以最小化目标定位误差，可以根据目标的具体姿态误差情况进行实时调整，提高了***的鲁棒性和精确性，自适应调整允许***在不同情况下适应性地改变裁缆机械的姿态，以确保目标定位的高精度。
本实施例中，使用适当的传感器(例如激光测距仪、相机、编码器等)对裁缆机械的位置进行实时检测。这些传感器将采集关于机械位置的数据，包括坐标信息和时间戳，通过采集的传感器数据，计算裁缆机械在第二工作路径上的当前位置参数，例如位置坐标(x、y、z)和方向(姿态)参数(如欧拉角或四元数表示)。使用计算机视觉技术，对目标实例进行分割，将其从背景中分离出来，以获得目标的轮廓或掩模，将目标的实际位置与分割后的图像中的位置进行比较，计算目标的定位误差，包括位置误差和方向误差。这些误差参数反映了目标在图像中的位置与实际位置之间的差异，使用姿态误差计算公式，将裁缆机械的实际姿态与期望的姿态进行比较，以计算姿态误差。姿态误差通常以欧拉角或四元数形式表示，生成姿态误差数据，包括方向误差和角度误差，以描述裁缆机械的当前姿态与期望姿态之间的差异，结合裁缆机械的姿态误差数据和目标定位误差参数，分析它们之间的关系。这可能涉及数学模型或关系函数的使用，计算目标姿态误差，即裁缆机械的姿态误差对目标定位的影响。这可以是方向误差、角度误差或其他相关参数，生成目标姿态误差数据，以描述姿态误差对目标定位的影响，分析目标姿态误差数据，了解不同姿态误差对任务执行的影响程度。这可以包括不同姿态误差下目标位置的偏差和稳定性等方面的影响，开发自适应姿态调整策略，根据目标姿态误差的大小和方向，自动调整裁缆机械的姿态，以最小化误差并确保任务的成功完成，实施自适应姿态调整策略，可以通过控制裁缆机械的执行器来调整其姿态，以使其适应不同的目标姿态误差情况。
本实施例中，步骤S53中的裁缆机械姿态误差计算公式具体为：
其中，Eattcalc为裁缆机械姿态误差参数，δ为裁缆机械的转动惯量参数，P为裁缆机械当前位置参数坐标值，O为裁缆机械关节扭矩，Eloc为目标定位误差参数，α为裁缆机械扭转速度，Eatt为目标姿态误差参数，G为裁缆机械最大扭转角度，F为裁缆机械工作振动频率。
本发明通过计算裁缆机械的位置偏差及裁缆机械的姿态偏差，通过将它们的平方和开方相加，并进行自然对数运算，可以将位置偏差和姿态偏差综合考虑在内。这有助于评估裁缆机械的整体偏差程度，而不仅仅关注单个方面的偏差，自然对数运算可以将位置偏差和姿态偏差的综合结果转化为一个更易于理解和比较的数值。通过取对数，可以将结果映射到一个更广的数值范围内，从而更好地表达裁缆机械姿态误差的程度，通过/>计算振动频率和最大扭转角度的乘积的负数指数，可以量化振动频率对姿态误差的影响程度，较高的振动频率可能会导致较大的姿态误差，将输入值(振动频率的负数指数)映射到一个介于0和1之间的输出值。这种非线性响应的建模使得公式能够更好地反映振动频率对姿态误差的非线性影响，公式将裁缆机械的位置偏差、姿态偏差和振动频率综合考虑在内，通过标准化和计算得出一个量化的姿态误差参数。这有助于评估裁缆机械在姿态控制方面的性能和稳定性，并为进一步优化和改进提供参考。
本实施例中，步骤S6包括以下步骤：
步骤S61：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；
步骤S62：对动态优化轨迹进行膨胀卷积，以生成动态轨迹曲线；
步骤S63：对动态轨迹曲线进行池化采样，以生成动态轨迹网络；
步骤S64：对动态轨迹网络进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本发明通过实时优化轨迹，裁缆机械可以更准确地按照预定的路径移动，减少了不必要的移动和调整，提高了效率和精确性，膨胀卷积可以增强和突出轨迹的特征，使得动态轨迹曲线更具有代表性和可辨识性，有助于后续处理和分析，池化采样可以减少数据的复杂性，同时保留关键信息，从而生成一个紧凑的动态轨迹网络，这有助于进一步的数据处理和分析，同时节省计算资源，数据挖掘建模允许从动态轨迹网络中提取深层次的模式和关系，为裁缆机械提供更加准确的定位控制策略，确保其更加稳定、准确地执行任务。
本实施例中，根据当前位置参数和动态姿态调整策略，对裁缆机械的轨迹进行实时优化。这可以通过数学模型、控制算法或优化方法实现。优化的目标是使机械的轨迹更加适应目标的姿态误差和定位误差，以提高定位控制的准确性，根据优化的结果，得到一条动态优化轨迹，它是裁缆机械在当前姿态调整策略下的建议运动路径，将动态优化轨迹转换为曲线表示形式，可以通过插值或拟合方法得到平滑的轨迹曲线，对轨迹曲线进行膨胀卷积操作。膨胀卷积是一种将曲线或轨迹扩展为一定宽度的操作，通常使用滤波器或卷积核来实现。这可以使得轨迹曲线更加稳定，并考虑到机械的运动约束和工作环境条件，经过膨胀卷积处理后，生成动态轨迹曲线，它是考虑到机械的姿态调整和环境条件的平滑轨迹表示，对动态轨迹曲线进行池化操作，将轨迹曲线离散化为一系列的采样点。池化的方式可以是等间隔采样或根据需要进行自适应采样，采样点的数量和间隔根据具体需求和***要求确定，通常会考虑到机械的运动范围、轨迹精度要求和数据处理效率等因素，生成动态轨迹网络，它由池化的采样点构成，每个采样点包含了机械在对应位置的相关信息，如位置坐标、姿态参数等。该网络将用于后续的数据挖掘建模，使用动态轨迹网络中的数据，进行数据挖掘和建模分析。这可以包括统计分析、机器学习、深度学习等技术，以从数据中提取有用的模式、规律和关联，构建裁缆机械的动态轨迹模型，该模型将描述机械在不同姿态调整策略下的轨迹特征和性能表现。模型可以是数学模型、概率模型、神经网络模型等，根据具体应用的需要选择适当的模型类型，完成动态轨迹模型后，可以将其应用于定位控制作业中。模型将基于实时的姿态调整策略和环境条件，预测裁缆机械的最佳轨迹，以实现更精确的定位控制。
在本实施例中，提供一种基于智能裁缆机械的定位控制***，包括：
环境地图模块，用于利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
目标边界模块，用于通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
路径优化模块，用于获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
轨迹拟合模块，用于对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
姿态调整模块，用于对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
轨迹模型模块，用于基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
本发明通过摄像头和激光雷达获取环境数据，然后进行三维点云建模，创建了一个准确的环境地图。这有助于裁缆机械了解周围环境，识别障碍物的位置和形状，从而提高了安全性和导航能力，通过环境地图，可以定位目标物体并生成目标边界框。随后，像素级分割将目标物体与周围环境分隔开，生成目标实例分割图。这有助于裁缆机械准确识别和定位目标，为后续操作提供了重要的目标信息，路径优化模块获取裁缆机械的位置参数，利用目标实例分割图规划第一工作路径。通过障碍物路径最优化，生成第二工作路径。这使得机械可以更有效地绕过障碍物，减少移动时间和能源消耗，提高了效率，对裁缆机械进行动力学特性分析，生成运动约束数据。然后，基于这些数据进行路径速度规划，生成路径速度，以便机械可以在路径上以适当的速度运动。最后，通过动作序列化和轨迹拟合，生成裁缆机械的轨迹。这有助于机械在路径上运动更加平稳和可控，实时检测裁缆机械的位置，分析目标姿态误差数据，然后生成自适应姿态调整策略。这可以确保机械在执行任务时，保持正确的姿态，提高了作业质量和精度，基于自适应姿态调整策略，对裁缆机械轨迹进行实时动态轨迹优化，生成动态优化轨迹。通过数据挖掘建模，构建动态轨迹模型，以执行定位控制作业。这使得机械能够更好地适应不同的工作条件和要求，提高了自动化作业的可靠性和鲁棒性。
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，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于智能裁缆机械的定位控制方法，其特征在于，包括以下步骤：
步骤S1：利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
步骤S2：通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
步骤S3：获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
步骤S4：对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
步骤S5：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
步骤S6：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：
步骤S11：利用摄像头获取裁缆机械环境数据；
步骤S12：通过激光雷达进行环境感知扫描，获取障碍物位置数据；
步骤S13：对裁缆机械环境数据及障碍物位置数据进行三维点云数据转换，以生成环境点云数据及障碍物点云数据；
步骤S14：对环境点云数据及障碍物点云数据分别进行点云分割，以生成环境点云块及障碍物点云簇；
步骤S15：对环境点云块及障碍物点云簇进行三维点云建模，以构建环境地图。
3.根据权利要求1所述的方法，其特征在于，步骤S2的具体步骤为：
步骤S21：通过环境地图对目标定位，获取目标物***置参数；
步骤S22：基于目标物***置参数对目标定位进行边界标记，以生成目标边界框；
步骤S23：对目标边界框进行边界裁剪，以生成目标边界框区域；
步骤S24：对目标边界框区域进行像素级分割，生成分割结果，分割结果包括目标像素标签及目标边界框背景；
步骤S25：通过分割结果对环境地图进行分割映射，以生成目标实例分割图。
4.根据权利要求1所述的方法，其特征在于，步骤S3的具体步骤为：
步骤S31：通过传感器获取裁缆机械第一位置参数；
步骤S32：通过目标实例分割图对裁缆机械第一位置参数进行目标物体路径计算，生成目标物体路径参数；
步骤S33：根据目标物体路径参数对环境地图进行路径规划，以生成第一工作路径；
步骤S34：通过环境地图对第一工作路径进行障碍物标记，以获取路径障碍物数据；
步骤S35：基于第一工作路径对路径障碍物数据进行避障策略分析，以生成避障策略；
步骤S36：基于避障策略对第一工作路径进行障碍物路径最优化，以构建第二工作路径。
5.根据权利要求4所述的方法，其特征在于，避障策略分析包括绕行策略分析及规避策略分析，避障策略包括绕行避障策略及规避避障策略，步骤S35的具体步骤为：
步骤S351：基于第一工作路径对路径障碍物数据进行路径交叉识别，以生成路径交叉数据；
步骤S352：对路径障碍物数据进行运动状态分析，以识别路径障碍物类型，路径障碍物类型分为静态路径障碍物及动态路径障碍物；
步骤S353：当路径障碍物类型为静态路径障碍物时，基于第一工作路径对静态路径障碍物进行绕行避障策略分析，以生成绕行避障策略；
步骤S354：当路径障碍物类型为动态路径障碍物时，对动态路径障碍物进行运动特性分析，以生成运动特性数据，运动特性数据包括路径障碍物的速度、方向及加速度；
步骤S355：通过运动特性数据对动态路径障碍物进行路径预测，以生成动态障碍物预测路径；
步骤S356：通过动态障碍物碰撞概率计算公式对动态障碍物预测路径及第一工作路径进行碰撞概率计算，以生成障碍物碰撞概率；
步骤S357：基于障碍物碰撞概率对第一工作路径进行规避策略分析，以生成规避避障策略。
6.根据权利要求5所述的方法，其特征在于，步骤S356中的动态障碍物碰撞概率计算公式具体为：
其中，Pcollision为动态障碍物碰撞概率计算公式，H为动态障碍物碰撞概率调整因子，t为动态障碍物在第一工作路径上的交叉时间，v2(t)为时间t内动态障碍物的平均运动速度，a为动态障碍物的运动速度衰减系数，d为动态障碍物与裁缆机械的路径距离，h为裁缆机械的运动速度，k为动态障碍物的体积大小参数，t1为动态障碍物路径运动的结束时间，t0为动态障碍物路径运动的结束时间。
7.根据权利要求1所述的方法，其特征在于，步骤S4的具体步骤为：
步骤S41：对裁缆机械进行转动惯量分析，以生成转动惯量数据；
步骤S42：基于转动惯量数据对裁缆机械进行受力负载分析，以生成受力负载参数；
步骤S43：对受力负载参数进行动力学特性分析，以生成运动约束数据；
步骤S44：基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；
步骤S45：通过路径速度对裁缆机械进行动作时序分段，以生成动作时序分段数据；
步骤S46：基于动作时序分段数据对第二工作路径进行动作序列化分析，以生成动作序列化数据；
步骤S47：根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹。
8.根据权利要求1所述的方法，其特征在于，步骤S5的具体步骤为：
步骤S51：对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；
步骤S52：对目标实例分割图进行目标定位误差分析，以生成目标定位误差参数；
步骤S53：基于裁缆机械第二位置参数通过裁缆机械姿态误差计算公式对裁缆机械进行姿态误差计算，以生成裁缆机械姿态误差数据；
步骤S54：根据裁缆机械姿态误差数据对目标定位误差参数进行目标姿态误差分析，以生成目标姿态误差数据；
步骤S55：通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
其中，步骤S53中的裁缆机械姿态误差计算公式具体为：
其中，Eattcalc为裁缆机械姿态误差参数，δ为裁缆机械的转动惯量参数，P为裁缆机械当前位置参数坐标值，O为裁缆机械关节扭矩，Eloc为目标定位误差参数，α为裁缆机械扭转速度，Eatt为目标姿态误差参数，G为裁缆机械最大扭转角度，F为裁缆机械工作振动频率。
9.根据权利要求1所述的方法，其特征在于，步骤S6的具体步骤为：
步骤S61：基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；
步骤S62：对动态优化轨迹进行膨胀卷积，以生成动态轨迹曲线；
步骤S63：对动态轨迹曲线进行池化采样，以生成动态轨迹网络；
步骤S64：对动态轨迹网络进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
10.一种基于智能裁缆机械的定位控制***，其特征在于，用于执行如权利要求1所述的基于智能裁缆机械的定位控制方法，包括：
环境地图模块，用于利用摄像头获取裁缆机械环境数据；通过激光雷达进行环境扫描，获取障碍物位置数据；对裁缆机械环境数据及障碍物位置数据进行三维点云建模，以构建环境地图；
目标边界模块，用于通过环境地图对目标物体进行目标定位，以生成目标边界框；对目标边界框进行像素级分割，以生成目标实例分割图；
路径优化模块，用于获取裁缆机械第一位置参数；通过目标实例分割图对裁缆机械第一位置参数进行路径规划，以生成第一工作路径；通过环境地图对第一工作路径进行障碍物路径最优化，以构建第二工作路径；
轨迹拟合模块，用于对裁缆机械进行动力学特性分析，以生成运动约束数据；基于运动约束数据对第二工作路径进行路径速度规划，以生成路径速度；通过路径速度对第二工作路径进行动作序列化分析，以生成动作序列化数据；根据动作序列化数据对第二工作路径进行轨迹拟合，以生成裁缆机械轨迹；
姿态调整模块，用于对裁缆机械轨迹进行实时裁缆机械位置检测，以获取裁缆机械第二位置参数；通过裁缆机械第二位置参数对目标实例分割图进行目标姿态误差分析，以生成目标姿态误差数据；通过目标姿态误差数据进行自适应姿态调整分析，以生成自适应姿态调整策略；
轨迹模型模块，用于基于自适应姿态调整策略对裁缆机械轨迹进行实时动态轨迹优化，以生成动态优化轨迹；对动态优化轨迹进行数据挖掘建模，以构建裁缆机械动态轨迹模型，以执行定位控制作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310307.7A CN117214908B (zh) | 2023-10-10 | 2023-10-10 | 一种基于智能裁缆机械的定位控制方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310307.7A CN117214908B (zh) | 2023-10-10 | 2023-10-10 | 一种基于智能裁缆机械的定位控制方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117214908A true CN117214908A (zh) | 2023-12-12 |
| CN117214908B CN117214908B (zh) | 2024-05-10 |
Family
ID=89038968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311310307.7A Active CN117214908B (zh) | 2023-10-10 | 2023-10-10 | 一种基于智能裁缆机械的定位控制方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117214908B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017177533A1 (zh) * | 2016-04-12 | 2017-10-19 | 深圳市龙云创新航空科技有限公司 | 基于激光雷达的微型无人机操控方法及*** |
| WO2018150921A1 (ja) * | 2017-02-14 | 2018-08-23 | 日立オートモティブシステムズ株式会社 | 車載環境認識装置 |
| CN109445274A (zh) * | 2018-10-25 | 2019-03-08 | 清华大学深圳研究生院 | 一种柔性空间机械臂振动控制方法及*** |
| CN110148218A (zh) * | 2017-11-02 | 2019-08-20 | 星际空间（天津）科技发展有限公司 | 一种大批量机载LiDAR点云数据整体优化的方法 |
| US10893107B1 (en) * | 2019-07-25 | 2021-01-12 | Amazon Technologies, Inc. | Techniques for managing processing resources |
| US20210089040A1 (en) * | 2016-02-29 | 2021-03-25 | AI Incorporated | Obstacle recognition method for autonomous robots |
| CN112837015A (zh) * | 2021-02-05 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 仓储安全管理方法、装置、计算机设备和存储介质 |
| CN113052249A (zh) * | 2021-03-31 | 2021-06-29 | 三峡大学 | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 |
| WO2021242702A1 (en) * | 2020-05-27 | 2021-12-02 | Zoox, Inc. | Vehicle collision avoidance based on perturbed object trajectories |
| CN113741503A (zh) * | 2021-09-16 | 2021-12-03 | 吉林工程技术师范学院 | 一种自主定位式无人机及其室内路径自主规划方法 |
| CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 一种无人艇的智能航路规划方法及*** |
| CN115187955A (zh) * | 2022-06-14 | 2022-10-14 | 电子科技大学 | 一种基于视觉图像与稀疏点云后融合的目标定位方法 |
| CN115451983A (zh) * | 2022-08-09 | 2022-12-09 | 华中科技大学 | 一种复杂场景下的动态环境建图与路径规划方法及装置 |
| CN115781678A (zh) * | 2022-11-30 | 2023-03-14 | 山东新一代信息产业技术研究院有限公司 | 智能机器人的垃圾处理方法及*** |
| WO2023072389A1 (en) * | 2021-10-27 | 2023-05-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Controlling execution of a perception algorithm |
| US20230161352A1 (en) * | 2022-03-23 | 2023-05-25 | Anhui University | Dynamic obstacle avoidance method based on real-time local grid map construction |
| CN116337068A (zh) * | 2023-02-28 | 2023-06-27 | 山东大学 | 基于仿人思路的机器人同步语义定位与建图方法及*** |
| CN116755474A (zh) * | 2023-08-18 | 2023-09-15 | 广州全成多维信息技术有限公司 | 一种无人机用电力巡线方法及*** |
| CN116755458A (zh) * | 2023-06-07 | 2023-09-15 | 榆林泰一时代智能科技有限公司 | 自主路径规划和避障***的无人机*** |
-
2023
- 2023-10-10 CN CN202311310307.7A patent/CN117214908B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210089040A1 (en) * | 2016-02-29 | 2021-03-25 | AI Incorporated | Obstacle recognition method for autonomous robots |
| WO2017177533A1 (zh) * | 2016-04-12 | 2017-10-19 | 深圳市龙云创新航空科技有限公司 | 基于激光雷达的微型无人机操控方法及*** |
| WO2018150921A1 (ja) * | 2017-02-14 | 2018-08-23 | 日立オートモティブシステムズ株式会社 | 車載環境認識装置 |
| CN110148218A (zh) * | 2017-11-02 | 2019-08-20 | 星际空间（天津）科技发展有限公司 | 一种大批量机载LiDAR点云数据整体优化的方法 |
| CN109445274A (zh) * | 2018-10-25 | 2019-03-08 | 清华大学深圳研究生院 | 一种柔性空间机械臂振动控制方法及*** |
| US10893107B1 (en) * | 2019-07-25 | 2021-01-12 | Amazon Technologies, Inc. | Techniques for managing processing resources |
| WO2021242702A1 (en) * | 2020-05-27 | 2021-12-02 | Zoox, Inc. | Vehicle collision avoidance based on perturbed object trajectories |
| CN112837015A (zh) * | 2021-02-05 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 仓储安全管理方法、装置、计算机设备和存储介质 |
| CN113052249A (zh) * | 2021-03-31 | 2021-06-29 | 三峡大学 | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 |
| CN113741503A (zh) * | 2021-09-16 | 2021-12-03 | 吉林工程技术师范学院 | 一种自主定位式无人机及其室内路径自主规划方法 |
| CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 一种无人艇的智能航路规划方法及*** |
| WO2023072389A1 (en) * | 2021-10-27 | 2023-05-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Controlling execution of a perception algorithm |
| US20230161352A1 (en) * | 2022-03-23 | 2023-05-25 | Anhui University | Dynamic obstacle avoidance method based on real-time local grid map construction |
| CN115187955A (zh) * | 2022-06-14 | 2022-10-14 | 电子科技大学 | 一种基于视觉图像与稀疏点云后融合的目标定位方法 |
| CN115451983A (zh) * | 2022-08-09 | 2022-12-09 | 华中科技大学 | 一种复杂场景下的动态环境建图与路径规划方法及装置 |
| CN115781678A (zh) * | 2022-11-30 | 2023-03-14 | 山东新一代信息产业技术研究院有限公司 | 智能机器人的垃圾处理方法及*** |
| CN116337068A (zh) * | 2023-02-28 | 2023-06-27 | 山东大学 | 基于仿人思路的机器人同步语义定位与建图方法及*** |
| CN116755458A (zh) * | 2023-06-07 | 2023-09-15 | 榆林泰一时代智能科技有限公司 | 自主路径规划和避障***的无人机*** |
| CN116755474A (zh) * | 2023-08-18 | 2023-09-15 | 广州全成多维信息技术有限公司 | 一种无人机用电力巡线方法及*** |
Non-Patent Citations (5)
| Title |
|---|
| SINGH, A等: "A Vision-Based Bio-Inspired Reinforcement Learning Algorithms for Manipulator Obstacle Avoidance", 《ELECTRONICS》, 24 November 2022 (2022-11-24) * |
| 伍锡如;黄榆媛;王耀南;: "改进ORB特征的机器人RGB-D SLAM算法", 计算机工程与应用, no. 14, 24 February 2020 (2020-02-24) * |
| 凌和靖: "人机协作场景下机械臂路径规划方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2023 (2023-02-15), pages 140 - 188 * |
| 张继凯;顾兰君;: "基于骨架信息的人体动作识别与实时交互技术", 内蒙古科技大学学报, no. 03, 15 September 2020 (2020-09-15) * |
| 王超奇: "基于时间/状态索引协作基元的人机协作和避障研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 August 2021 (2021-08-15), pages 140 - 245 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117214908B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107741234B (zh) | 一种基于视觉的离线地图构建及定位方法 | |
| CN110253570B (zh) | 基于视觉的工业机械臂人机安全*** | |
| CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
| Choi et al. | Multi-target tracking using a 3d-lidar sensor for autonomous vehicles | |
| CN110986945B (zh) | 基于语义高度地图的局部导航方法和*** | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN113238554A (zh) | 一种基于激光与视觉融合slam技术的室内导航方法及*** | |
| CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
| JP2017526083A (ja) | 位置特定およびマッピングの装置ならびに方法 | |
| CN114898313A (zh) | 驾驶场景的鸟瞰图生成方法、装置、设备及存储介质 | |
| CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
| CN117970925A (zh) | 机器人实时避障与动态路径规划方法及*** | |
| Wang et al. | 3D-LIDAR based branch estimation and intersection location for autonomous vehicles | |
| KR20200102108A (ko) | 차량의 객체 검출 장치 및 방법 | |
| CN114509079A (zh) | 用于自主驾驶的地面投影的方法和*** | |
| CN117214908B (zh) | 一种基于智能裁缆机械的定位控制方法及*** | |
| CN117032215A (zh) | 一种基于双目视觉的移动机器人物体识别及定位方法 | |
| CN116977434A (zh) | 基于追踪相机的目标行为追踪方法及*** | |
| CN116817891A (zh) | 一种实时多模态感知的高精地图构建方法 | |
| Gebregziabher | Multi object tracking for predictive collision avoidance | |
| CN115464651A (zh) | 一种六组机器人物体抓取*** | |
| KR102452315B1 (ko) | 딥러닝과 마커를 이용한 비전인식을 통한 로봇 제어장치 및 그 방법 | |
| KR20230112296A (ko) | 목표물 탐색을 위한 3d 실내지도 작성 및 객체 인식 시스템 | |
| Yang et al. | Two-stage multi-sensor fusion positioning system with seamless switching for cooperative mobile robot and manipulator system | |
| CN112598699A (zh) | 一种针对机器人工作场景中提取障碍物运动信息的方法 |
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 |