CN117387602B - 一种应用于水下智能机器人的清淤定位方法及*** - Google Patents
一种应用于水下智能机器人的清淤定位方法及*** Download PDFInfo
- Publication number
- CN117387602B CN117387602B CN202311670582.XA CN202311670582A CN117387602B CN 117387602 B CN117387602 B CN 117387602B CN 202311670582 A CN202311670582 A CN 202311670582A CN 117387602 B CN117387602 B CN 117387602B
- Authority
- CN
- China
- Prior art keywords
- positioning
- vector
- dredging operation
- dredging
- linkage
- 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 74
- 239000013598 vector Substances 0.000 claims abstract description 449
- 230000000007 visual effect Effects 0.000 claims abstract description 176
- 238000013507 mapping Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims description 28
- 238000005065 mining Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000010802 sludge Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请实施例涉及人工智能技术领域,具体涉及一种应用于水下智能机器人的清淤定位方法及***。本申请实施例能够在获取到清淤作业联动定位数据的整体水下作业环境的可视化定位描述向量前提下,通过确定出清淤作业联动定位数据中每一作业路径牵涉系数,进而考虑了清淤作业联动定位数据中清淤作业定位框的自主导航前后序定位描述向量,这样可以确保反映清淤作业联动定位数据的目标联动定位映射向量尽可能精准全面,进而实现多个清淤作业联动定位数据的定位路径规划,以确保每一清淤作业联动定位数据的定位路径节点标签的合理性,由此提高水下清淤作业的效率和质量。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种应用于水下智能机器人的清淤定位方法及***。
背景技术
水下智能机器人的清淤定位技术是一种专门用于在水下环境中清理淤泥并进行精确定位的高科技***。这个技术主要有两大部分构成:清淤***和定位***。清淤***包括利用水下机器人装载的清淤设备,如水力或机械式抓斗、吸泥管等,配合机器人的移动能力,可以对沉积在水底的淤泥进行清理。由于水下环境复杂且通信条件较差,所以使用特殊的定位***进行导航。常见的定位***包括声纳定位、惯性导航***、DVL(多普勒速度测量仪)等。这些设备可以帮助机器人在水下进行自主导航,并确定其与目标地点的相对位置。然而在实际应用过程中,在进行水下智能机器人的定位路径规划时,仍然存在定位精度和合理性低下的问题,这样难以保障清淤作业的效率和质量。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种应用于水下智能机器人的清淤定位方法及***。
第一方面,本申请实施例提供了一种应用于水下智能机器人的清淤定位方法,应用于清淤定位处理***,所述方法包括:
获取目标水下清淤区域的多个清淤作业联动定位数据,所述清淤作业联动定位数据包括最少两类清淤作业定位数据;
对所述清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,并对所述清淤作业定位框进行可视化向量挖掘,得到所述清淤作业定位框的可视化定位描述向量;
依据所述可视化定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,所述作业路径牵涉系数反映所述清淤作业定位框在所述清淤作业联动定位数据中的自主导航前后序定位描述向量;
基于所述作业路径牵涉系数,对所述可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量;
依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签。
在一些方案下,所述对所述清淤作业定位框进行可视化向量挖掘,得到所述清淤作业定位框的可视化定位描述向量,包括:
获取所述目标水下清淤区域对应的定位框投影指示,所述定位框投影指示用于将所述清淤作业定位框转换成可视化定位描述向量;
依据所述定位框投影指示,对所述清淤作业定位框进行向量投影处理,得到每一清淤作业定位框的可视化定位描述向量。
在一些方案下,所述依据所述定位框投影指示,对所述清淤作业定位框进行向量投影处理,得到每一清淤作业定位框的可视化定位描述向量,包括:
获取所述定位框投影指示对应的设定图像描述特征集合;
依据所述定位框投影指示,在所述设定图像描述特征集合中确定出每一清淤作业定位框对应的图像描述特征,并将所述图像描述特征作为所述清淤作业定位框的可视化定位描述向量。
在一些方案下,所述依据所述可视化定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,包括:
对所述清淤作业定位框进行三维空间向量提取,得到所述清淤作业定位框的三维空间向量;
将所述清淤作业定位框的三维空间向量与对应的可视化定位描述向量进行集成,得到当前可视化定位描述向量;
在所述当前可视化定位描述向量中提取出前后序定位描述向量,并依据所述前后序定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数。
在一些方案下,所述前后序定位描述向量包括索引描述向量和标识描述向量,所述依据所述前后序定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,包括:
依据所述索引描述向量和标识描述向量,确定所述清淤作业联动定位数据中所述清淤作业定位框之间的关联权重,所述关联权重反映不同类或相同类的清淤作业定位框之间的关联性;
对所述关联权重进行区间数值映射,以得到所述清淤作业联动定位数据中每一清淤作业定位框的焦点化系数,并将所述焦点化系数作为所述清淤作业定位框的作业路径牵涉系数。
在一些方案下,所述前后序定位描述向量还包括属性描述向量,所述基于所述作业路径牵涉系数,对所述可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括:
依据所述作业路径牵涉系数,对所述属性描述向量进行更新,以得到所述清淤作业定位框的目标可视化定位描述向量;
将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量。
在一些方案下,所述依据所述作业路径牵涉系数,对所述属性描述向量进行更新,以得到所述清淤作业定位框的目标可视化定位描述向量,包括:
依据所述作业路径牵涉系数,对所述属性描述向量进行更新,得到所述清淤作业定位框的更新后属性描述向量;
对所述更新后属性描述向量进行向量映射,并将映射后的属性描述向量作为所述清淤作业定位框的当前可视化定位描述向量;
跳转至所述在所述当前可视化定位描述向量中提取出前后序定位描述向量的步骤,直到满足设定向量映射次数,得到所述清淤作业定位框的目标可视化定位描述向量。
在一些方案下,所述将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括:
在所述目标可视化定位描述向量中确定出每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量,得到每一清淤作业联动定位数据对应的可视化定位描述向量集合;
确定所述可视化定位描述向量集合中可视化定位描述向量的平均化结果,得到所述清淤作业联动定位数据的目标联动定位映射向量。
在一些方案下,所述将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括:
在所述目标可视化定位描述向量中确定出每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量,得到每一清淤作业联动定位数据对应的可视化定位描述向量集合;
获取所述清淤作业联动定位数据中每一清淤作业定位框的定位框分布标签,并依据所述定位框分布标签,在所述可视化定位描述向量集合中确定出设定定位框分布标签对应的可视化定位描述向量;
将所述设定定位框分布标签对应的可视化定位描述向量作为所述清淤作业联动定位数据的目标联动定位映射向量。
在一些方案下,所述依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签,包括:
获取所述目标联动定位映射向量在当前向量坐标系下的清淤作业路径热力特征;
在所述当前向量坐标系下,确定所述目标联动定位映射向量之间的向量相似度;
依据所述清淤作业路径热力特征和向量相似度,对所述清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签。
在一些方案下,所述依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签,包括:
确定所述目标联动定位映射向量与至少一个设定种类的定位路径规划节点的向量相似度,并依据所述向量相似度,对所述定位路径规划节点进行调整;
将完成调整的定位路径规划节点作为所述定位路径规划节点,并跳转至所述确定所述目标联动定位映射向量与至少一个设定种类的定位路径规划节点的向量相似度的步骤,直到满足设定终止要求,得到每一目标联动定位映射向量对应的目标节点标签;
将所述目标节点标签作为所述目标联动定位映射向量对应的清淤作业联动定位数据的定位路径节点标签。
在一些方案下,所述依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签之后,还包括:
在多个清淤作业联动定位数据中确定出每一定位路径节点标签对应的清淤作业联动定位数据的定位数据统计值;
基于所述定位数据统计值,对所述定位路径节点标签进行整理,并依据整理结果,在所述定位路径节点标签中确定出目标定位路径节点标签。
在一些方案下,所述对所述清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,包括:
对所述清淤作业定位数据进行对象识别,得到所述清淤作业定位数据的对象识别结果;
依据所述对象识别结果,对所述清淤作业定位数据进行优化,得到目标清淤作业定位数据;
对所述目标清淤作业定位数据进行拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框。
第二方面,本申请还提供了一种清淤定位处理***,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本申请还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
本申请实施例在获取目标水下清淤区域的多个清淤作业联动定位数据后,对清淤作业联动定位数据中的清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,并对清淤作业定位框进行可视化向量挖掘,得到清淤作业定位框的可视化定位描述向量,而后,依据可视化定位描述向量,确定清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,根据作业路径牵涉系数,对可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量,而后,依据目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签;鉴于本申请实施例能够在获取到清淤作业联动定位数据的整体水下作业环境的可视化定位描述向量前提下,通过确定出清淤作业联动定位数据中每一作业路径牵涉系数,进而考虑了清淤作业联动定位数据中清淤作业定位框的自主导航前后序定位描述向量,这样可以确保反映清淤作业联动定位数据的目标联动定位映射向量尽可能精准全面,进而实现多个清淤作业联动定位数据的定位路径规划,以确保每一清淤作业联动定位数据的定位路径节点标签的合理性,由此提高水下清淤作业的效率和质量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种应用于水下智能机器人的清淤定位方法的流程示意图。
实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在清淤定位处理***、计算机设备或者类似的运算装置中执行。以运行在清淤定位处理***上为例,清淤定位处理***可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述清淤定位处理***还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述清淤定位处理***的结构造成限定。例如,清淤定位处理***还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的一种应用于水下智能机器人的清淤定位方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至清淤定位处理***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括清淤定位处理***的通信供应商提供的光纤网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。
基于此,请参阅图1,图1是本申请实施例所提供的一种应用于水下智能机器人的清淤定位方法的流程示意图,该方法应用于清淤定位处理***,进一步可以包括步骤110-步骤150。
步骤110、获取目标水下清淤区域的多个清淤作业联动定位数据,所述清淤作业联动定位数据包括最少两类清淤作业定位数据。
本申请实施例中,步骤110的相关名词的解释和举譬如下。
目标水下清淤区域:这是水下机器人即将进行清淤作业的特定区域。譬如,这可能是一个河口、港口或者水库底部积累了大量淤泥的地方。
清淤作业联动定位数据:这是机器人在执行清淤任务时,从各种传感器收集的数据,用于帮助机器人定位和导航。常见的数据类型包括图像定位数据、声纳定位数据、惯性导航定位数据等。图像定位数据:这些数据通常来自机器人上的摄像头,可以提供水下环境的视觉信息,帮助机器人理解周围的环境并做出决策。声纳定位数据:声纳是一种使用声波进行测距和探测的技术,通过发射声波并接收反射回来的声波,可以确定物体的位置和距离。惯性导航定位数据:惯性导航***使用加速度计和陀螺仪来测量物体的速度、方向和位置,这对于在水下环境中进行导航非常有用。
譬如,在执行一项清淤任务时,首先需要确定目标清淤区域,假设是一个港口。然后,部署水下机器人,它开始在该区域进行作业。在这个过程中,机器人会通过其上的摄像头、声纳设备和惯性导航***收集各种类型的定位数据。这些数据可以帮助了解机器人当前的位置,以及周围环境的情况,从而实现精确的清淤作业。
步骤120、对所述清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,并对所述清淤作业定位框进行可视化向量挖掘,得到所述清淤作业定位框的可视化定位描述向量。
本申请实施例中,步骤120的相关名词的解释和举譬如下。
定位框拆解:这是一种将复杂的定位数据分解为更小、更易于处理的部分的过程。譬如,一个大型水下清淤区域的定位数据可能包含大量信息,通过拆解,可以将其分解成多个较小的定位框。
清淤作业定位框:这是指在拆解过程中得到的,表示特定清淤作业位置和范围的数据单位。每个定位框都包含了执行清淤任务所需的足够信息。
可视化向量挖掘:这是一种利用计算机视觉技术从定位框中提取有价值信息的过程。譬如,可以通过图像处理算法从图像定位数据中提取出特征向量。
可视化定位描述向量:这是由可视化向量挖掘过程产生的结果,它以数学形式描述了定位框的特征,如大小、形状、位置等。
进一步地,可视化定位描述向量是通过可视化向量挖掘得到的,它以数学形式表示了水下清淤作业定位框的特征。以下举例进一步解释。
大小:定位框的大小可能直接影响到机器人清淤作业的效率和难度。譬如,一个较大的定位框可能意味着更多的淤泥需要被清理,或者该区域的地形可能更为复杂。这个特征可以用长度、宽度或者面积等方式来表示。
形状:定位框的形状可以提供有关任务区域的信息。譬如,如果定位框是长条形的,可能意味着机器人需要沿着一条特定的路径进行清淤;而一个圆形的定位框可能表明机器人需要在一个特定的点进行深度清淤。这个特征可以通过比如长宽比、周长与面积比等方式来描述。
位置:定位框的位置是指它在整个清淤区域中的相对位置。譬如,如果定位框位于清淤区域的边缘,那么机器人可能需要考虑如何避免超出工作范围;而如果定位框位于清淤区域的中心,那么机器人可能需要规划一个高效的路径来最小化移动距离。这个特征可以用相对于整个清淤区域的坐标来表示。
环境特征:此外,定位框内部还可能包含有关环境的信息,如淤泥的密度、硬度、物质组成等,这些都会影响到清淤作业的难度和方式。譬如,如果淤泥中含有大量的石块或者其他硬物质,那么可能需要使用特殊的工具进行清理;而如果淤泥主要由细小的颗粒构成,那么可能就可以直接使用吸泥船进行作业。这类特征通常需要通过专门的传感器获取,然后转化为向量形式表示。
所有这些特征,以及可能的其他特征,都可以组合起来形成一个多维的向量,这就是可视化定位描述向量。它能够全面地描述清淤作业定位框的情况,为水下机器人提供精确的导航和操作指导。
假设有一个清淤作业定位框,对其进行可视化向量挖掘,提取出一些特征并将其转化为可视化定位描述向量。
大小:假设该定位框的长和宽分别是10米和5米,那么这个特征可以表示为(10,5)。形状:基于长度和宽度,可以计算出长宽比,得到2。这个数字表示了定位框的形状特性。位置:假设该定位框在整个清淤区域中的坐标是(100,50),这两个数字表示了定位框的位置。环境特征:通过传感器测量,假设知道该定位框内的淤泥密度是1.5克/立方厘米,淤泥中的硬物质占比是20%。那么这些特性可以表示为(1.5,0.2)。
综上,就得到了一个可视化定位描述向量:(10,5,2,100,50,1.5,0.2)。这个向量详尽地描述了清淤作业定位框的大小、形状、位置以及环境特性等信息,可以用于指导水下机器人进行精确的清淤作业。
假设在步骤110中获取了目标水下清淤区域的联动定位数据。在步骤120中,首先对这些定位数据进行拆解,譬如,将整个港口的清淤作业区域分解成多个小区域,每个小区域都用一个定位框来表示。然后,对每个定位框进行可视化向量挖掘,利用计算机视觉技术从图像和声纳数据中提取出有价值的特征,得到描述这些定位框的可视化定位描述向量。这些向量可以包含定位框的大小、形状、位置以及其他相关信息,为接下来的清淤作业提供精确的指导。
步骤130、依据所述可视化定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,所述作业路径牵涉系数反映所述清淤作业定位框在所述清淤作业联动定位数据中的自主导航前后序定位描述向量。
本申请实施例中,步骤130的相关名词的解释和举譬如下。
作业路径牵涉系数:这个系数是一个反映清淤作业定位框在整个任务中的重要性或优先级的数字。比如,有些定位框可能包含大量淤泥,需要优先清理;有些定位框可能位置偏僻,可以放在后面处理。这个系数可以基于各种因素计算得出,如定位框的大小、形状、位置以及环境特征等。
自主导航前后序定位描述向量:这是指在机器人执行清淤任务时,根据任务的进程,每个清淤作业定位框在整个任务序列中的位置。譬如,如果一个定位框被安排在第一位进行清淤,那么它的前序定位描述向量可能是空的,而后序定位描述向量则是下一个定位框的描述向量。
进一步地,自主导航前后序定位描述向量是用于表示清淤作业定位框在整个清淤任务序列中的位置。具体来说,它包括了一个定位框在执行顺序中的前一个和后一个定位框的信息。
譬如,假设有三个定位框A、B和C,根据作业路径牵涉系数,确定了他们的执行顺序为A→B→C。在这种情况下,定位框A的前序定位描述向量可能是空的,因为它是第一个要执行的任务,而它的后序定位描述向量就是定位框B的可视化定位描述向量。类似地,定位框B的前序定位描述向量是定位框A的可视化定位描述向量,后序定位描述向量是定位框C的可视化定位描述向量。而对于定位框C,其前序定位描述向量是定位框B的可视化定位描述向量,后序定位描述向量可能是空的,因为它是最后一个执行的任务。
如果将每个定位框的可视化定位描述向量简化为一个数字(实际应用中,这通常是一个多维向量),比如定位框A、B和C的可视化定位描述向量分别为1、2和3。那么在上述示例中,定位框A的前后序定位描述向量就是(空,2),定位框B的前后序定位描述向量就是(1,3),定位框C的前后序定位描述向量就是(2,空)。
这些前后序定位描述向量为水下机器人提供了清晰的任务执行顺序,并且使得机器人能够根据实际情况调整其自主导航策略,从而提高清淤作业的效率。
譬如,在步骤120中,获取到了描述各个清淤作业定位框的可视化定位描述向量。在步骤130中,根据这些向量确定每个定位框的作业路径牵涉系数。假设有一个定位框,其大小、形状和环境特征等因素使认为它应该优先进行清淤,那么可能会给它一个较高的牵涉系数,如0.9;而对于另一个定位框,如果它的位置比较偏僻,或者淤泥量较小,可能就会给它一个较低的牵涉系数,如0.2。然后,依据这些牵涉系数,以及机器人的自主导航能力,确定每个定位框的前后序定位描述向量,从而制定出一套高效的清淤作业顺序。
步骤140、基于所述作业路径牵涉系数,对所述可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量。
本申请实施例中,步骤140的相关名词的解释和举譬如下。
定位描述映射:这是一个将原始的定位描述向量转化为新的表示形式的过程。通常,这个过程会考虑各种因素,如作业路径牵涉系数等,来生成一个新的向量,这个新的向量可以更好地指导机器人进行任务。
目标联动定位映射向量:这是通过定位描述映射得到的新向量。它包含了所有需要的信息,如定位框的位置、大小、形状,以及作业路径牵涉系数等,以最优化的方式表示,从而使机器人能够根据这个向量进行精确的自主导航和清淤作业。
譬如,在步骤130中,已经得到了每个清淤作业定位框的作业路径牵涉系数和前后序定位描述向量。在步骤140中,首先使用这些信息对可视化定位描述向量进行定位描述映射。假设有一个定位框,其可视化定位描述向量是(10,5,2,100,50,1.5,0.2),并且其作业路径牵涉系数是0.9。可能会使用一个函数或算法,比如加权平均或者神经网络等,来将这些信息融合在一起,得到一个新的向量,比如(9,4.5,1.8,90,45,1.35,0.18)。这个新的向量就是目标联动定位映射向量,它包含了所有需要的信息,并以最优化的方式表示,从而使机器人能够根据这个向量进行精确的自主导航和清淤作业。
步骤150、依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签。
本申请实施例中,步骤150的相关名词的解释和举譬如下。
定位路径规划:这是一个使用目标联动定位映射向量来确定机器人执行任务的最优路径的过程。它通常涉及到一系列复杂的算法,如Dijkstra算法、A*算法等,这些算法可以帮助找到在给定条件下的最佳路径。
定位路径节点标签:这是表示在定位路径规划中每个清淤作业定位框在整个路径中的位置的标识。比如,如果有三个定位框A、B、C,根据规划,执行顺序为A→B→C,那么定位框A的节点标签可能就是1,B的节点标签是2,C的节点标签是3。
譬如,在步骤140中,得到了每个清淤作业定位框的目标联动定位映射向量。在步骤150中,首先使用这些向量进行定位路径规划。假设使用了某种算法,并确定了机器人应该按照A→B→C的顺序来进行清淤作业。然后,就可以给每个定位框分配一个定位路径节点标签,比如A是1,B是2,C是3。这样,机器人就可以按照这个顺序,依次前往每个定位框进行清淤作业,从而提高整个清淤任务的效率。
可见,通过步骤110-步骤150,在获取目标水下清淤区域的多个清淤作业联动定位数据后,对清淤作业联动定位数据中的清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,并对清淤作业定位框进行可视化向量挖掘,得到清淤作业定位框的可视化定位描述向量,而后,依据可视化定位描述向量,确定清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,根据作业路径牵涉系数,对可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量,而后,依据目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签;鉴于本申请实施例能够在获取到清淤作业联动定位数据的整体水下作业环境的可视化定位描述向量前提下,通过确定出清淤作业联动定位数据中每一作业路径牵涉系数,进而考虑了清淤作业联动定位数据中清淤作业定位框的自主导航前后序定位描述向量,这样可以确保反映清淤作业联动定位数据的目标联动定位映射向量尽可能精准全面,进而实现多个清淤作业联动定位数据的定位路径规划,以确保每一清淤作业联动定位数据的定位路径节点标签的合理性,由此提高水下清淤作业的效率和质量。
进一步地,上述有益效果具体可以体现在如下几个方面。
(1)提高了清淤作业的精度:通过获取目标水下清淤区域的多个清淤作业联动定位数据,然后进行定位框拆解和可视化向量挖掘,能够获得描述每一个清淤作业定位框的详细信息,如大小、形状、位置等。这为机器人提供了更精确的工作环境信息,从而提高了清淤作业的精度。
(2)提高了任务执行的效率:通过确定每一清淤作业定位框的作业路径牵涉系数,可以根据任务的重要性和复杂性来优先处理一些任务,从而提高整体的作业效率。
(3)优化了任务执行顺序:通过考虑清淤作业联动定位数据中清淤作业定位框的自主导航前后序定位描述向量,可以确定出最优的任务执行顺序,这不仅可以避免机器人频繁地在不同的定位框之间移动,还可以减少因为重新定位而造成的时间浪费。
(4)提升了自主导航能力:通过定位描述映射和目标联动定位映射向量,机器人可以更好地理解水下环境,提升自主导航能力。同时,定位路径规划可以帮助机器人更有效地执行任务,避免无效行动,从而节省能源。
(5)提高了作业质量:通过全面的数据分析和精准的任务规划,不仅可以提高清淤作业的效率,还可以确保每一个清淤作业定位框都得到了适当的处理,从而提高了整体的作业质量。
在一些可能的实施例中,步骤120中的对所述清淤作业定位框进行可视化向量挖掘,得到所述清淤作业定位框的可视化定位描述向量,包括步骤121-步骤122。
步骤121、获取所述目标水下清淤区域对应的定位框投影指示,所述定位框投影指示用于将所述清淤作业定位框转换成可视化定位描述向量。
步骤122、依据所述定位框投影指示,对所述清淤作业定位框进行向量投影处理,得到每一清淤作业定位框的可视化定位描述向量。
在该实施例中,定位框投影指示是一个用于将清淤作业定位框转换成可视化定位描述向量的指示或者算法。比如,这可能是一个机器学习模型,该模型已经被训练过,可以接收清淤作业定位框作为输入,并输出对应的可视化定位描述向量。向量投影处理是一个根据定位框投影指示将清淤作业定位框转换成可视化定位描述向量的过程。这个过程通常涉及到一些数学操作,如矩阵运算、函数映射等。
譬如,在步骤110中,获取了目标水下清淤区域的清淤作业联动定位数据,并在步骤120中进行定位框拆解。在步骤121中,获取了一个预先训练好的机器学习模型,这个模型能够将清淤作业定位框转换成可视化定位描述向量。然后,在步骤122中,使用这个模型对每一个清淤作业定位框进行向量投影处理,得到了每一个定位框的可视化定位描述向量。这些向量包含了定位框的大小、形状、位置以及其他可能的特征,为接下来的清淤作业提供了详细的指导。
通过使用定位框投影指示和向量投影处理,能够将复杂的清淤作业定位框信息转换成简洁明了的可视化定位描述向量,这大大减少了数据的复杂性,同时也提高了信息处理的效率。此外,通过使用预先训练好的机器学习模型,可以更好地理解和描述水下环境,从而提高清淤作业的精度和效率。
在一些可选的实施例中,步骤122中的依据所述定位框投影指示,对所述清淤作业定位框进行向量投影处理,得到每一清淤作业定位框的可视化定位描述向量,包括步骤1221-步骤1222。
步骤1221、获取所述定位框投影指示对应的设定图像描述特征集合。
步骤1222、依据所述定位框投影指示,在所述设定图像描述特征集合中确定出每一清淤作业定位框对应的图像描述特征,并将所述图像描述特征作为所述清淤作业定位框的可视化定位描述向量。
在该实施例中,设定图像描述特征集合是一个预先定义好的特征集合,用于描述清淤作业定位框的图像特性。比如,这个特征集合可能包含了颜色直方图、纹理特征、形状特征等各种图像特征。图像描述特征是指清淤作业定位框在设定图像描述特征集合中对应的特征。比如,如果特征集合包含了颜色直方图,那么一个定位框的图像描述特征可能就是它的颜色直方图。
譬如,在步骤121中,获取了一个预先训练好的机器学习模型作为定位框投影指示。然后,在步骤1221中,获取了这个模型对应的设定图像描述特征集合,比如这个集合可能包含了颜色直方图、纹理特征、形状特征等。接下来,在步骤1222中,使用这个模型和特征集合,对每一个清淤作业定位框进行向量投影处理。具体来说,在特征集合中确定出每一个定位框对应的图像描述特征,然后将这些特征作为定位框的可视化定位描述向量。
通过使用设定图像描述特征集合和图像描述特征,能够将复杂的图像信息转换成简单易处理的向量形式,这大大减少了数据处理的复杂性,并提高了处理速度。此外,通过利用预先训练好的模型和特征集合,可以更准确地描述和理解清淤作业定位框,从而提高清淤作业的精度和效率。最后,因为使用的是图像特征,这使得方法具有很强的适应性,能够应对各种不同的环境和情况。
在一种优选的设计思路中,步骤130中的依据所述可视化定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,包括步骤131-步骤133。
步骤131、对所述清淤作业定位框进行三维空间向量提取,得到所述清淤作业定位框的三维空间向量。
步骤132、将所述清淤作业定位框的三维空间向量与对应的可视化定位描述向量进行集成,得到当前可视化定位描述向量。
步骤133、在所述当前可视化定位描述向量中提取出前后序定位描述向量,并依据所述前后序定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数。
在这个优选的设计思路中,步骤130进一步分解为步骤131、步骤132和步骤133。以下是相关术语的解释和举例。
三维空间向量:这是描述清淤作业定位框在三维空间中位置和形状的一个向量。譬如,一个定位框的三维空间向量可能包括它在x、y、z轴上的坐标,以及其长、宽、高等信息。
当前可视化定位描述向量:这是通过将清淤作业定位框的三维空间向量与对应的可视化定位描述向量进行集成得到的新向量。它融合了更多的信息,提供了对清淤作业定位框更全面的描述。
前后序定位描述向量:这是指在当前可视化定位描述向量中表示清淤作业定位框在整个任务序列中前后顺序的部分。
譬如,在步骤121-122中,已经获取了每个清淤作业定位框的可视化定位描述向量。然后,在步骤131中,对每个定位框进行三维空间向量提取,得到了描述其在三维空间中位置和形状的向量。接着,在步骤132中,将这个三维空间向量与可视化定位描述向量进行集成,得到了当前可视化定位描述向量。最后,在步骤133中,从当前可视化定位描述向量中提取出前后序定位描述向量,并依据这些向量确定每个清淤作业定位框的作业路径牵涉系数。
通过进行三维空间向量提取和向量集成,能够获取到更全面、更准确的描述清淤作业定位框的信息,从而更好地指导机器人进行清淤作业。此外,通过提取前后序定位描述向量并确定作业路径牵涉系数,能够优化任务执行顺序,从而提高清淤作业的效率。总的来说,这个设计思路进一步增强了技术框架的精度和效率。
在一些示例中,所述前后序定位描述向量包括索引描述向量和标识描述向量。基于此,步骤133中的依据所述前后序定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,包括步骤1331-步骤1332。
步骤1331、依据所述索引描述向量和标识描述向量,确定所述清淤作业联动定位数据中所述清淤作业定位框之间的关联权重,所述关联权重反映不同类或相同类的清淤作业定位框之间的关联性。
步骤1332、对所述关联权重进行区间数值映射,以得到所述清淤作业联动定位数据中每一清淤作业定位框的焦点化系数,并将所述焦点化系数作为所述清淤作业定位框的作业路径牵涉系数。
在这个示例中,步骤133进一步分解为步骤1331和步骤1332。以下是相关术语的解释和举例:
索引描述向量:这可能是一个表明清淤作业定位框在任务序列中位置的向量。譬如,如果有三个清淤作业定位框A、B、C,那么他们的索引描述向量可能分别为1、2、3。
标识描述向量:这可能是一个表示清淤作业定位框类别或属性的向量。譬如,如果清淤作业定位框A、B属于同一类别,而C属于另一类别,那么他们的标识描述向量可能分别为(1,0)、(1,0)和(0,1)。
关联权重:这是反映不同类或相同类的清淤作业定位框之间关联性的一个权重值。比如,两个相同类别的清淤作业定位框可能有较高的关联权重。
焦点化系数:这是通过对关联权重进行区间数值映射得到的一个系数,它可以被用作清淤作业定位框的作业路径牵涉系数。
譬如,在步骤1331中,依据每个清淤作业定位框的索引描述向量和标识描述向量,确定了清淤作业定位框之间的关联权重。比如,如果定位框A、B属于同一类别,而C属于另一类别,那么AB之间的关联权重可能为0.8,而AC和BC之间的关联权重可能为0.5。然后,在步骤1332中,对这些关联权重进行区间数值映射,得到了每个清淤作业定位框的焦点化系数,并将这些系数作为他们的作业路径牵涉系数。
通过使用索引描述向量和标识描述向量,能够更精确地刻画清淤作业定位框在任务序列中的位置以及它们之间的关系。此外,通过计算关联权重并进行区间数值映射,能够更好地理解和利用这些关系,从而提高清淤作业的效率。最后,因为考虑了焦点化系数,这使得方法具有很强的灵活性,可以根据实际情况动态调整任务执行顺序,从而进一步提高清淤作业的效率。
在另一些示例中,所述前后序定位描述向量还包括属性描述向量。基于此,步骤140中的基于所述作业路径牵涉系数,对所述可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括步骤141-步骤142。
步骤141、依据所述作业路径牵涉系数,对所述属性描述向量进行更新,以得到所述清淤作业定位框的目标可视化定位描述向量。
步骤142、将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量。
在这个示例中,步骤140进一步分解为步骤141和步骤142。以下是相关术语的解释和举例。
属性描述向量:这可能是一个表示清淤作业定位框特性的向量,如定位框的形状、大小、颜色等。
目标可视化定位描述向量:这是通过对属性描述向量进行更新得到的新的可视化定位描述向量。它反映了考虑了作业路径牵涉系数后的清淤作业定位框信息。
目标联动定位映射向量:这是将所有目标可视化定位描述向量进行集成得到的向量。它反映了整个清淤作业联动定位数据的信息。
譬如,在步骤133中,已经得到了每个清淤作业定位框的作业路径牵涉系数。然后,在步骤141中,依据这些系数,对每个定位框的属性描述向量进行更新,得到了目标可视化定位描述向量。比如,如果一个定位框的作业路径牵涉系数很高,那么可能会增大它的属性描述向量中代表“重要性”的值。接着,在步骤142中,将所有定位框的目标可视化定位描述向量进行集成,得到了每个清淤作业联动定位数据的目标联动定位映射向量。
通过使用属性描述向量和目标可视化定位描述向量,能够更好地刻画每个清淤作业定位框的特性,从而更精确地指导机器人进行清淤作业。此外,通过对属性描述向量进行更新和集成,能够考虑到所有定位框的信息,从而提高整个清淤作业的效率。最后,因为生成了目标联动定位映射向量,这使得方法具有很强的适应性,可以根据实际情况动态调整任务执行顺序,从而进一步提高清淤作业的效率。
在一些示例性实施例中,步骤141所描述的依据所述作业路径牵涉系数,对所述属性描述向量进行更新,以得到所述清淤作业定位框的目标可视化定位描述向量,包括步骤1411-步骤1413。
步骤1411、依据所述作业路径牵涉系数,对所述属性描述向量进行更新,得到所述清淤作业定位框的更新后属性描述向量。
步骤1412、对所述更新后属性描述向量进行向量映射,并将映射后的属性描述向量作为所述清淤作业定位框的当前可视化定位描述向量。
步骤1413、跳转至所述在所述当前可视化定位描述向量中提取出前后序定位描述向量的步骤,直到满足设定向量映射次数,得到所述清淤作业定位框的目标可视化定位描述向量。
在这个示例性实施例中,步骤141进一步分解为步骤1411、步骤1412和步骤1413。以下是相关术语的解释和举例。
更新后的属性描述向量:这是通过依据作业路径牵涉系数对属性描述向量进行更新得到的新的属性描述向量。
向量映射:这是一个将原始向量转换成新向量的过程,常用于机器学习和数据挖掘中,譬如可以通过某种函数或者算法来完成这个过程。
当前可视化定位描述向量:这是将映射后的属性描述向量作为当前的可视化定位描述向量。
设定向量映射次数:这是一个预先设定的值,用于控制向量映射的次数。
譬如,在步骤1411中,根据每个清淤作业定位框的作业路径牵涉系数,对其属性描述向量进行更新,得到了更新后的属性描述向量。然后,在步骤1412中,对这个更新后的属性描述向量进行向量映射,得到了当前的可视化定位描述向量。接着,在步骤1413中,跳转回前后序定位描述向量提取步骤,重复这个过程,直到满足设定的向量映射次数。最后,得到了每个清淤作业定位框的目标可视化定位描述向量。
通过这种方法,能够多次更新和优化属性描述向量,使其更好地反映出清淤作业定位框的特性,从而提高清淤作业的精度。此外,通过多次向量映射,能够进一步提取出有价值的信息,从而提高清淤作业的效率。最后,因为考虑了设定的向量映射次数,这使得方法具有很强的灵活性,可以根据实际情况动态调整任务执行顺序,从而进一步提高清淤作业的效率。
在一些可能的实施例中,步骤142中的将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括步骤1421-步骤1422。
步骤1421、在所述目标可视化定位描述向量中确定出每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量,得到每一清淤作业联动定位数据对应的可视化定位描述向量集合。
步骤1422、确定所述可视化定位描述向量集合中可视化定位描述向量的平均化结果,得到所述清淤作业联动定位数据的目标联动定位映射向量。
在这个可能的实施例中,步骤142进一步分解为步骤1421和步骤1422。以下是相关术语的解释和举例。
可视化定位描述向量集合:这是从目标可视化定位描述向量中确定出的每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量的集合。
平均化结果:这是指对可视化定位描述向量集合中所有可视化定位描述向量进行平均计算得到的结果。
譬如,在步骤1421中,在每个清淤作业联动定位数据的目标可视化定位描述向量中确定出至少一个对应的目标可视化定位描述向量,得到了每个清淤作业联动定位数据对应的可视化定位描述向量集合。然后,在步骤1422中,计算了这些可视化定位描述向量集合中可视化定位描述向量的平均化结果,得到了每个清淤作业联动定位数据的目标联动定位映射向量。
通过将每个清淤作业联动定位数据的目标可视化定位描述向量进行集成,能够获取到一个整体的、全面的视图,这可以帮助更好地理解和分析整个清淤作业的情况。此外,通过计算平均化结果,能够减少数据的噪声和异常值的影响,从而提高预测和分析的准确性。总的来说,这个步骤有助于提高技术框架的稳定性和可靠性。
在另一些可能的实施例中,步骤142中的将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括步骤142a-步骤142c。
步骤142a、在所述目标可视化定位描述向量中确定出每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量,得到每一清淤作业联动定位数据对应的可视化定位描述向量集合。
步骤142b、获取所述清淤作业联动定位数据中每一清淤作业定位框的定位框分布标签,并依据所述定位框分布标签,在所述可视化定位描述向量集合中确定出设定定位框分布标签对应的可视化定位描述向量。
步骤142c、将所述设定定位框分布标签对应的可视化定位描述向量作为所述清淤作业联动定位数据的目标联动定位映射向量。
在这个可能的实施例中,步骤142进一步分解为步骤142a、步骤142b和步骤142c。以下是相关术语的解释和举例。
定位框分布标签:这可能是一个表示清淤作业定位框在整体任务中的分布特性的标签。譬如,如果某个清淤作业定位框主要集中在任务区域的中心,那么它的定位框分布标签可能就是“中心”。
设定定位框分布标签对应的可视化定位描述向量:这是在可视化定位描述向量集合中确定出与设定定位框分布标签对应的可视化定位描述向量。
譬如,在步骤142a中,在每个清淤作业联动定位数据的目标可视化定位描述向量中确定出至少一个对应的目标可视化定位描述向量,得到了每个清淤作业联动定位数据对应的可视化定位描述向量集合。然后,在步骤142b中,获取了每个清淤作业定位框的定位框分布标签,并依据这些标签,在可视化定位描述向量集合中确定出设定定位框分布标签对应的可视化定位描述向量。最后,在步骤142c中,将这些设定定位框分布标签对应的可视化定位描述向量作为每个清淤作业联动定位数据的目标联动定位映射向量。
通过这种方法,能够考虑到清淤作业定位框在整体任务中的分布特性,从而更准确地刻画每个清淤作业定位框的特性,进一步提高清淤作业的精度。此外,通过使用设定定位框分布标签对应的可视化定位描述向量,能够获取到一个更具代表性的描述,从而提高整个清淤作业的效率。总的来说,这个步骤有助于提高技术框架的精度和效率。
在一些可能的实施例中,步骤150中的依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签,包括步骤151-步骤154。
步骤151、获取所述目标联动定位映射向量在当前向量坐标系下的清淤作业路径热力特征。
步骤152、在所述当前向量坐标系下,确定所述目标联动定位映射向量之间的向量相似度。
步骤153、依据所述清淤作业路径热力特征和向量相似度,对所述清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签。
在这个可能的实施例中,步骤150进一步分解为步骤151、步骤152和步骤153。以下是相关术语的解释和举例。
清淤作业路径热力特征:这可能是一个表示目标联动定位映射向量在当前向量坐标系下的清淤作业路径分布状况的特征。譬如,如果在一个区域内有许多清淤作业定位框,那么这个区域的热力特征可能就会很高。
向量相似度:这是一个衡量两个向量之间相似程度的值。比如,可以通过余弦相似性等方法来计算两个向量的相似度。
定位路径节点标签:这可能是一个表示清淤作业联动定位数据在定位路径规划中的位置或顺序的标签。
譬如,在步骤151中,获取了目标联动定位映射向量在当前向量坐标系下的清淤作业路径热力特征。然后,在步骤152中,在当前向量坐标系下,确定了目标联动定位映射向量之间的向量相似度。接着,在步骤153中,依据清淤作业路径热力特征和向量相似度,对清淤作业联动定位数据进行定位路径规划,得到了每个清淤作业联动定位数据的定位路径节点标签。
通过获取清淤作业路径热力特征和计算向量相似度,能够更好地理解和利用清淤作业定位框之间的关系,从而提高清淤作业的精度。此外,通过依据这些特征和相似度进行定位路径规划,能够优化任务执行顺序,从而提高清淤作业的效率。最后,因为生成了定位路径节点标签,这使得方法具有很强的可解释性,可以帮助更好地理解和分析整个清淤作业的情况。总的来说,这个步骤有助于提高技术框架的精度、效率和可解释性。
在另一些可能的实施例中,步骤150中的依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签,包括步骤150a-步骤150c。
步骤150a、确定所述目标联动定位映射向量与至少一个设定种类的定位路径规划节点的向量相似度,并依据所述向量相似度,对所述定位路径规划节点进行调整。
步骤150b、将完成调整的定位路径规划节点作为所述定位路径规划节点,并跳转至所述确定所述目标联动定位映射向量与至少一个设定种类的定位路径规划节点的向量相似度的步骤,直到满足设定终止要求,得到每一目标联动定位映射向量对应的目标节点标签。
步骤150c、将所述目标节点标签作为所述目标联动定位映射向量对应的清淤作业联动定位数据的定位路径节点标签。
在这个可能的实施例中,步骤150进一步分解为步骤150a、步骤150b和步骤150c。以下是相关术语的解释和举例。
设定种类的定位路径规划节点:这可能指的是预先设定的,用于参考或对比的路径规划节点。
设定终止要求:这可能是一个预设的条件,譬如循环次数达到设定值,或者计算结果的改变幅度小于设定阈值等。
目标节点标签:这可能是一个表示清淤作业联动定位数据在定位路径规划中的位置或顺序的标签。
譬如,在步骤150a中,确定了目标联动定位映射向量与设定种类的定位路径规划节点的向量相似度,并依据这个相似度,对定位路径规划节点进行调整。然后,在步骤150b中,将完成调整的定位路径规划节点作为新的定位路径规划节点,并跳转回步骤150a,重复这个过程,直到满足设定的终止要求。最后,在步骤150c中,将目标节点标签作为每个目标联动定位映射向量对应的清淤作业联动定位数据的定位路径节点标签。
通过这种方法,能够根据实际情况动态调整定位路径规划节点,从而优化任务执行顺序,提高清淤作业的效率。此外,通过满足设定的终止要求,能够保证算法的稳定性和可靠性。最后,因为生成了定位路径节点标签,这使得方法具有很强的可解释性,可以帮助更好地理解和分析整个清淤作业的情况。总的来说,这个步骤有助于提高技术框架的效率、稳定性和可解释性。
在一些可独立的实施例中,在步骤150所描述的依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签之后,所述方法还包括步骤210-步骤220。
步骤210、在多个清淤作业联动定位数据中确定出每一定位路径节点标签对应的清淤作业联动定位数据的定位数据统计值。
步骤220、基于所述定位数据统计值,对所述定位路径节点标签进行整理,并依据整理结果,在所述定位路径节点标签中确定出目标定位路径节点标签。
在这个可独立的实施例中,步骤150之后增加了步骤210和步骤220。以下是相关术语的解释和举例。
定位数据统计值:这可能是一个表示每个定位路径节点标签对应的清淤作业联动定位数据的统计特性的值。譬如,这个统计值可能包括定位数据的平均值、最大值、最小值等。
目标定位路径节点标签:这是经过整理并根据整理结果确定出的定位路径节点标签。
譬如,在步骤210中,在多个清淤作业联动定位数据中确定出每个定位路径节点标签对应的清淤作业联动定位数据的定位数据统计值。然后,在步骤220中,基于这些定位数据统计值,对定位路径节点标签进行整理,并依据整理结果,在所有的定位路径节点标签中确定出目标定位路径节点标签。
通过这种方法,能够获取到每个定位路径节点标签对应的清淤作业联动定位数据的统计特性,这可以帮助更好地理解和分析清淤作业的情况。此外,通过对定位路径节点标签进行整理,能够优化任务执行顺序,从而提高清淤作业的效率。最后,因为确定了目标定位路径节点标签,这使得方法具有很强的可解释性,可以帮助更好地理解和分析整个清淤作业的情况。
在一些可能的实施例中,步骤120中的对所述清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,包括步骤120a-步骤120c。
步骤120a、对所述清淤作业定位数据进行对象识别,得到所述清淤作业定位数据的对象识别结果。
步骤120b、依据所述对象识别结果,对所述清淤作业定位数据进行优化,得到目标清淤作业定位数据。
步骤120c、对所述目标清淤作业定位数据进行拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框。
在这个可能的实施例中,步骤120进一步分解为步骤120a、步骤120b和步骤120c。以下是相关术语的解释和举例。
对象识别结果:这可能是一个通过应用对象识别算法(如深度学习等)对清淤作业定位数据进行处理后得到的结果,包含了识别出的各个对象及其属性。
目标清淤作业定位数据:这是根据对象识别结果对原始清淤作业定位数据进行优化后得到的数据。
譬如,在步骤120a中,对清淤作业定位数据进行对象识别,识别出其中的各个对象,并得到了对象识别结果。然后,在步骤120b中,依据对象识别结果,对清淤作业定位数据进行优化,得到了目标清淤作业定位数据。最后,在步骤120c中,对目标清淤作业定位数据进行拆解,得到了每个清淤作业联动定位数据对应的至少一个清淤作业定位框。
通过这种方法,能够先识别出清淤作业定位数据中的各个对象,然后依据这些对象的属性对数据进行优化,从而提高清淤作业的精度。此外,通过对目标清淤作业定位数据进行拆解,能够获取到更具体、更详细的信息,从而提高清淤作业的效率。总的来说,这个步骤有助于提高技术框架的精度和效率。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种应用于水下智能机器人的清淤定位方法,其特征在于,应用于清淤定位处理***,所述方法包括:
获取目标水下清淤区域的多个清淤作业联动定位数据,所述清淤作业联动定位数据包括最少两类清淤作业定位数据;
对所述清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,并对所述清淤作业定位框进行可视化向量挖掘,得到所述清淤作业定位框的可视化定位描述向量;
依据所述可视化定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,所述作业路径牵涉系数反映所述清淤作业定位框在所述清淤作业联动定位数据中的自主导航前后序定位描述向量;
基于所述作业路径牵涉系数,对所述可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量;
依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签;
其中,所述依据所述可视化定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,包括:
对所述清淤作业定位框进行三维空间向量提取,得到所述清淤作业定位框的三维空间向量;
将所述清淤作业定位框的三维空间向量与对应的可视化定位描述向量进行集成,得到当前可视化定位描述向量;
在所述当前可视化定位描述向量中提取出前后序定位描述向量,并依据所述前后序定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数;
其中,所述前后序定位描述向量包括索引描述向量和标识描述向量,所述依据所述前后序定位描述向量,确定所述清淤作业联动定位数据中每一清淤作业定位框的作业路径牵涉系数,包括:
依据所述索引描述向量和标识描述向量,确定所述清淤作业联动定位数据中所述清淤作业定位框之间的关联权重,所述关联权重反映不同类或相同类的清淤作业定位框之间的关联性;
对所述关联权重进行区间数值映射,以得到所述清淤作业联动定位数据中每一清淤作业定位框的焦点化系数,并将所述焦点化系数作为所述清淤作业定位框的作业路径牵涉系数;
其中,所述前后序定位描述向量还包括属性描述向量,所述基于所述作业路径牵涉系数,对所述可视化定位描述向量进行定位描述映射,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括:
依据所述作业路径牵涉系数,对所述属性描述向量进行更新,以得到所述清淤作业定位框的目标可视化定位描述向量;
将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量。
2.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述对所述清淤作业定位框进行可视化向量挖掘,得到所述清淤作业定位框的可视化定位描述向量,包括:
获取所述目标水下清淤区域对应的定位框投影指示,所述定位框投影指示用于将所述清淤作业定位框转换成可视化定位描述向量;
依据所述定位框投影指示,对所述清淤作业定位框进行向量投影处理,得到每一清淤作业定位框的可视化定位描述向量;
其中,所述依据所述定位框投影指示,对所述清淤作业定位框进行向量投影处理,得到每一清淤作业定位框的可视化定位描述向量,包括:
获取所述定位框投影指示对应的设定图像描述特征集合;
依据所述定位框投影指示,在所述设定图像描述特征集合中确定出每一清淤作业定位框对应的图像描述特征,并将所述图像描述特征作为所述清淤作业定位框的可视化定位描述向量。
3.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述依据所述作业路径牵涉系数,对所述属性描述向量进行更新,以得到所述清淤作业定位框的目标可视化定位描述向量,包括:
依据所述作业路径牵涉系数,对所述属性描述向量进行更新,得到所述清淤作业定位框的更新后属性描述向量;
对所述更新后属性描述向量进行向量映射,并将映射后的属性描述向量作为所述清淤作业定位框的当前可视化定位描述向量;
跳转至所述在所述当前可视化定位描述向量中提取出前后序定位描述向量的步骤,直到满足设定向量映射次数,得到所述清淤作业定位框的目标可视化定位描述向量。
4.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述将所述清淤作业联动定位数据中清淤作业定位框的目标可视化定位描述向量进行集成,以得到每一清淤作业联动定位数据的目标联动定位映射向量,包括:
在所述目标可视化定位描述向量中确定出每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量,得到每一清淤作业联动定位数据对应的可视化定位描述向量集合;确定所述可视化定位描述向量集合中可视化定位描述向量的平均化结果,得到所述清淤作业联动定位数据的目标联动定位映射向量;
或者,
在所述目标可视化定位描述向量中确定出每一清淤作业联动定位数据对应的至少一个目标可视化定位描述向量,得到每一清淤作业联动定位数据对应的可视化定位描述向量集合;获取所述清淤作业联动定位数据中每一清淤作业定位框的定位框分布标签,并依据所述定位框分布标签,在所述可视化定位描述向量集合中确定出设定定位框分布标签对应的可视化定位描述向量;将所述设定定位框分布标签对应的可视化定位描述向量作为所述清淤作业联动定位数据的目标联动定位映射向量。
5.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签,包括:
获取所述目标联动定位映射向量在当前向量坐标系下的清淤作业路径热力特征;
在所述当前向量坐标系下,确定所述目标联动定位映射向量之间的向量相似度;
依据所述清淤作业路径热力特征和向量相似度,对所述清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签。
6.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签,包括:
确定所述目标联动定位映射向量与至少一个设定种类的定位路径规划节点的向量相似度,并依据所述向量相似度,对所述定位路径规划节点进行调整;
将完成调整的定位路径规划节点作为所述定位路径规划节点,并跳转至所述确定所述目标联动定位映射向量与至少一个设定种类的定位路径规划节点的向量相似度的步骤,直到满足设定终止要求,得到每一目标联动定位映射向量对应的目标节点标签;
将所述目标节点标签作为所述目标联动定位映射向量对应的清淤作业联动定位数据的定位路径节点标签。
7.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述依据所述目标联动定位映射向量,对多个清淤作业联动定位数据进行定位路径规划,得到每一清淤作业联动定位数据的定位路径节点标签之后,还包括:
在多个清淤作业联动定位数据中确定出每一定位路径节点标签对应的清淤作业联动定位数据的定位数据统计值;
基于所述定位数据统计值,对所述定位路径节点标签进行整理,并依据整理结果,在所述定位路径节点标签中确定出目标定位路径节点标签。
8.如权利要求1所述的应用于水下智能机器人的清淤定位方法,其特征在于,所述对所述清淤作业定位数据进行定位框拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框,包括:
对所述清淤作业定位数据进行对象识别,得到所述清淤作业定位数据的对象识别结果;
依据所述对象识别结果,对所述清淤作业定位数据进行优化,得到目标清淤作业定位数据;
对所述目标清淤作业定位数据进行拆解,得到每一清淤作业联动定位数据对应的至少一个清淤作业定位框。
9.一种清淤定位处理***,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311670582.XA CN117387602B (zh) | 2023-12-07 | 2023-12-07 | 一种应用于水下智能机器人的清淤定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311670582.XA CN117387602B (zh) | 2023-12-07 | 2023-12-07 | 一种应用于水下智能机器人的清淤定位方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117387602A CN117387602A (zh) | 2024-01-12 |
CN117387602B true CN117387602B (zh) | 2024-02-13 |
Family
ID=89470558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311670582.XA Active CN117387602B (zh) | 2023-12-07 | 2023-12-07 | 一种应用于水下智能机器人的清淤定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117387602B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111603099A (zh) * | 2020-05-06 | 2020-09-01 | 珠海市一微半导体有限公司 | 一种具备区域遍历优先级的清扫规划方法及芯片 |
CN111685659A (zh) * | 2019-03-15 | 2020-09-22 | 三星电子株式会社 | 机器人清洁器及其控制方法 |
CN113110528A (zh) * | 2021-04-14 | 2021-07-13 | 湖南国天电子科技有限公司 | 一种水下自主航行机器人自动返航方法及装置 |
CN115185280A (zh) * | 2022-07-27 | 2022-10-14 | 柳州城市职业学院 | 一种基于路径规划自主导航的无人驾驶船控制***及方法 |
CN116300980A (zh) * | 2022-12-02 | 2023-06-23 | 广州市城市排水有限公司 | 一种水下清淤机器人实时可视化导航避障方法 |
CN116386045A (zh) * | 2023-06-01 | 2023-07-04 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台*** |
CN116767245A (zh) * | 2022-03-08 | 2023-09-19 | 辉达公司 | 使用自主***和应用的神经网络的地图信息对象数据管理 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8506719B2 (en) * | 2009-11-23 | 2013-08-13 | Searobotics Corporation | Robotic submersible cleaning system |
US20120185172A1 (en) * | 2011-01-18 | 2012-07-19 | Barash Joseph | Method, system and apparatus for data processing |
US10621762B2 (en) * | 2018-05-14 | 2020-04-14 | Virtualitics, Inc. | Systems and methods for high dimensional 3D data visualization |
-
2023
- 2023-12-07 CN CN202311670582.XA patent/CN117387602B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111685659A (zh) * | 2019-03-15 | 2020-09-22 | 三星电子株式会社 | 机器人清洁器及其控制方法 |
CN111603099A (zh) * | 2020-05-06 | 2020-09-01 | 珠海市一微半导体有限公司 | 一种具备区域遍历优先级的清扫规划方法及芯片 |
CN113110528A (zh) * | 2021-04-14 | 2021-07-13 | 湖南国天电子科技有限公司 | 一种水下自主航行机器人自动返航方法及装置 |
CN116767245A (zh) * | 2022-03-08 | 2023-09-19 | 辉达公司 | 使用自主***和应用的神经网络的地图信息对象数据管理 |
CN115185280A (zh) * | 2022-07-27 | 2022-10-14 | 柳州城市职业学院 | 一种基于路径规划自主导航的无人驾驶船控制***及方法 |
CN116300980A (zh) * | 2022-12-02 | 2023-06-23 | 广州市城市排水有限公司 | 一种水下清淤机器人实时可视化导航避障方法 |
CN116386045A (zh) * | 2023-06-01 | 2023-07-04 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台*** |
Also Published As
Publication number | Publication date |
---|---|
CN117387602A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222626B (zh) | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 | |
EP3405845B1 (en) | Object-focused active three-dimensional reconstruction | |
CN111340797A (zh) | 一种激光雷达与双目相机数据融合检测方法及*** | |
CN110501017A (zh) | 一种基于orb_slam2的移动机器人导航地图生成方法 | |
CN110726409A (zh) | 一种基于激光slam和视觉slam地图融合方法 | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
EP0390050A2 (en) | Method and apparatus for motion detection and tracking | |
CN108801268A (zh) | 目标对象的定位方法、装置及机器人 | |
US20210033706A1 (en) | Methods and systems for automatically labeling point cloud data | |
CN111982127A (zh) | LightWeight-3D避障方法 | |
CN111340834B (zh) | 基于激光雷达和双目相机数据融合的衬板装配***及方法 | |
CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
CN112364677A (zh) | 基于二维码的机器人视觉定位方法 | |
Oskard et al. | Real-time algorithms and data structures for underwater mapping | |
Marangoz et al. | Fruit mapping with shape completion for autonomous crop monitoring | |
Breyer et al. | Closed-loop next-best-view planning for target-driven grasping | |
Manurung et al. | Custom pallet detection using yolov5 deep learning architecture | |
CN117387602B (zh) | 一种应用于水下智能机器人的清淤定位方法及*** | |
CN112288809B (zh) | 一种用于多物体复杂场景的机器人抓取检测方法 | |
Portugal et al. | Extracting Topological Information from Grid Maps for Robot Navigation. | |
CN111507341B (zh) | 一种目标边界框的调整方法、装置、设备及存储介质 | |
CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
CN114397894B (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
Lytle | A framework for object recognition in construction using building information modeling and high frame rate 3D imaging | |
US11874407B2 (en) | Technologies for dynamic, real-time, four-dimensional volumetric multi-object underwater scene segmentation |
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 |