一种机电设备的定位方法与流程

1.本发明涉及无线定位技术领域，具体涉及一种机电设备的定位方法。


背景技术：

2.机电设备一般指机械、电器及电气自动化设备，如户外通讯基站设备、电站设备、建筑机电设备等。新的机电设备安装位置需要结合已有的机电设备位置进行规划，因此需要对已有机电设备进行定位，以便更好的规划新的机电设备安装位置。
3.目前对于机电设备进行定位常采用的方法是gps定位，gps定位对信号非常敏感，易受到大气延时误差、星历误差、观测噪声等影响，导致目前对机电设备定位的结果不精准。


技术实现要素：

4.本发明提供了一种机电设备的定位方法，用以解决现有技术无法高效、准确地对机电设备进行定位的问题，所采用的技术方案具体如下：本发明的一种机电设备的定位方法，包括如下步骤：通过接收待定位区域中机电设备所发出的无线信号，确定待定位区域中机电设备与接收位置之间的距离，从而确定待定位区域中机电设备的三维热度图；将三维热度图转换为二维热度图，根据二维热度图确定对待定位区域的最佳扫描方式；以最佳扫描方式扫描待定位区域，得到待定位区域的三维点云数据；将三维点云数据输入神经网络，得到对待定位区域中机电设备的初步定位结果；根据初步定位结果对所述三维热度图进行修正，得到修正后的三维热度图；将修正后的三维热度图转换为修正后的二维热度图，根据修正后的二维热度图确定对待定位区域的新的最佳扫描方式；以新的最佳扫描方式扫描待定位区域，得到待定位区域的新的三维点云数据；将新的三维点云数据输入神经网络，得到对待定位区域中机电设备的精确定位结果。
5.上述技术方案的有益效果为：本发明通过以热度图为指导确定最佳扫描方式，便避免了所获取的三维点云数据中包括那些无用的并不对应机电设备所在位置的点云数据，从而减小了定位过程的待计算数据量，并通过较小的计算量得到了对待定位区域中机电设备的初步定位结果；后续，本技术继续根据初步定位结果对热度图进行了修正，使修正后的热度图更为准确、集中地表征待定位区域中机电设备的位置，然后以修正后的热度图再次确定了新的最佳扫描方式，然后以新的扫描方式对待定位区域进行扫描获取新的三维点云数据，并最终得到了对待定位区域的精确定位结果。也即，本发明的定位方法，在保证定位精度的前提下显著减小了定位所需处理的数据量，实现了对机电设备的高效、精确定位。
6.进一步的，根据二维热度图确定对待定位区域的最佳扫描方式的方法为：采用李萨如扫描的方式对待定位区域进行扫描；李萨如图形沿轴、轴方向上的简谐振动的方程为：其中为振幅，为使李萨如图形范围与二维热度图范围一致，取值为，取值为；与分别为所述二维热度图的长和宽；、为频率，频率之比，和为不大于100且互质的整数；、为初相位，综合相位参数，；构建李萨如扫描的约束项：：：其中，为密度约束项，将所有李萨如图形叠加得到的图形称为扫描图形，为第行第列点扫描图形的局部轨迹密度，为第行第列点的热度值；获取方法如下：获取方法如下：其中表示第行第列点八邻域内包括自身的第个点，为关于第行第列点八邻域内包括自身的第个点的函数，当第个点经过李萨如扫描被扫描到时，，反之当第个点经过李萨如扫描未被扫描到时，；为第行第列点八邻域内包括自身的第个点的权重系数，为第个点的坐标；为第行第列点的坐标；为第行第列点八邻域内包括自身的所有点到第行第列点的距离的方差；为李萨如图形叠加约束项，为李萨如图形的个数；
为轨迹叠加约束项，为第个李萨如图形运动轨迹包含的点的集合；为第个李萨如图形运动轨迹包含的点的集合；为与交集的元素个数，即第个李萨如图形与第个李萨如图形重复扫描的点的个数；为所有李萨如图形重复扫描的点的个数；根据各个约束项，构建李萨如扫描的总体约束项：其中，为李萨如扫描的总体约束项，分别为约束项的权重系数；在取值范围内遍历选择、以及，构建当前李萨如图形，当前李萨如图形构成扫描图形，计算当前李萨如图形所构成的扫描图形的总体约束项，其中使得总体约束项最小的李萨如图形，即为第一个李萨如图形；再次在取值范围内遍历选择、以及，构建下一个李萨如图形，所述下一个李萨如图形与第一个李萨如图形叠加后即构成新的扫描图形，计算新的扫描图形对应的总体约束项，其中使得新的扫描图形的总体约束项最小的李萨如图形，即为第二个李萨如图形；通过在取值范围内遍历选择、以及的方式，依次在当前扫描图形中叠加李萨如图形得到叠加后的扫描图形，并计算叠加后的扫描图形的总体约束项，若叠加后的扫描图形的总体约束项大于叠加前的扫描图形的总体约束项则停止叠加李萨如图形，并保留叠加前的所有李萨如图形，按照所述叠加前的所有李萨如图形进行扫描的方式，即为最佳扫描方式。
7.进一步的，所述初步定位结果包括机电设备类别、机电设备对应的包围框中心点坐标以及机电设备对应的包围框的长宽高尺寸。
8.进一步的，根据初步定位结果对所述三维热度图进行修正，得到修正后的三维热度图的方法为：其中，为待定位区域中坐标位置存在机电设备的概率，为修正后的待定位区域中坐标位置存在机电设备的概率，为待定位区域中坐标到初步定位结果中最接近的包围框的距离；表示将待定位区域中坐标到初步定位结果中最接近的包围框的距离归一化；为初步定位结果中到待定位区域中坐标最接近的包围框中机电设备的置信度；表示限制修正后的概率的最小值为0；将修正后的待定位区域中各个位置存在机电设备的概率作为该位置的热度值，构建得到修正后的三维热度图。
9.进一步的，确定待定位区域中机电设备的三维热度图的方法为：在m个连续时刻分别在不同位置处持续接收待定位区域中的机电设备所发送的无线信号，确定所有m个时刻中第i个时刻下所检测到的共台机电设备中第j台机电设备的坐标范围：其中，为第i个时刻下所检测到的第j台机电设备的坐标，为所有m个时刻中第i个时刻下无人机的坐标，为第i个时刻下第j台机电设备到此时刻的无人机的距离，为距离误差值；那么，待定位区域中坐标位置存在机电设备的概率为：为：其中，为无人机在待定位区域接收机电设备无线电信号的总时刻数，；为第个时刻下无人机的坐标；为关于坐标以及第个时刻的函数，当坐标位于第个时刻一个机电设备的坐标范围内时，；当坐标不属于第个时刻任意一个机电设备的坐标范围内时，；将待定位区域中每个位置存在机电设备的概率作为该位置的热度值，构建得到三维热度图。
10.进一步的，将三维热度图转换为二维热度图的方法为：确定所述接收位置到待定位区域的表面上每一个点的连线方向，然后确定各个连线方向上的在待定位区域内的所有点，将每个连线方向上的在待定位区域内的所有点存在机电设备的概率累加，累加值即为各个连线方向在待定位区域上表面上对应点的投影概率；将待定位区域上表面上各个点的投影概率归一化，作为二维热度图的热度值，构建得到二维热度图。
11.进一步的，所述神经网络为dnn神经网络。
12.进一步的，所述以最佳扫描方式扫描待定位区域执行的是稀疏扫描，所述以新的最佳扫描方式扫描待定位区域执行的是稠密扫描。
附图说明
13.图1是本发明的机电设备的定位方法的流程图；图2是本发明的由三维热度图得到二维热度图的过程示意图。
具体实施方式
14.本发明的基本构思为：首先将需进行机电设备定位的区域划定为待定位区域，通过连续从待定位区域上方不同位置处接收待定位区域中机电设备发送的无线信号，获取待定位区域中机电设备的三维热度图；然后由三维热度图构建得到二维热度图，以二维热图度为指导，确定对待定位区域进行扫描时的扫描参数，对待定位区域进行有选择的扫描得到待定位区域的三维点云数据，将所得三维点云数据输入到训练好的神经网络模型，得到待定位区域中机电设备的初步定位结果；最后，根据初步定位结果对三维热度图进行修正，从而将热度大的区域的范围进一步缩小得到修正后的三维热度图，由修正后的三维热度图构建得到修正后的二维热度图，以修正后的二维热度图为指导再次确定对待定位区域进行扫描时的扫描参数，扫描得到待定位区域的三维点云数据，并输入训练好的神经网络模型，得到待定位区域中机电设备的精确定位结果。
15.下面结合附图及实施例，对本发明的一种机电设备的定位方法进行详细说明。
16.方法实施例：本发明的一种机电设备的定位方法实施例，其整体流程如图1所示，具体过程如下：步骤一，确定待定位区域中机电设备的三维热度图。
17.新的机电设备安装位置规划需要结合该区域内已有的机电设备位置进行规划，也即需要先确定该区域内已有的机电设备的具体位置，所以将该区域称为待定位区域。
18.在无人机上搭载无线信号接收设备以及激光雷达扫描设备，以在待定位区域上方接收机电设备发送的无线信号并完成对待定位区域的扫描。当然，在其它实施例中，还可采用其它实现方式在待定位区域上方完成对机电设备发送的无线信号的接收以及对待定位区域的扫描。
19.待定位区域中的机电设备向四周发射无线信号，无人机在待定位区域上方飞行并接收机电设备的无线信号。无人机可根据无线信号推测出机电设备到无人机此刻位置的距离，但无法获得机电设备的具体方位。
20.假设无人机在飞行过程中，在m个连续时刻分别在不同位置处持续接收待定位区域中的机电设备所发送的无线信号。
21.在无人机上搭载视觉里程计，通过视觉里程计获取无人机每个时刻的坐标。本方案通过视觉里程计来获取无人机的位置坐标，可避免gps定位不准造成后续机电设备定位不准。
22.若假定无人机在第1个时刻的坐标为，且此时接收到条无线信号，则可以对应推测出台机电设备到无人机此刻的距离。由于推测出的距离受环境等因素的影响而存在一定的误差，所以可依据经验取误差值为。由此可以确定，第台机电设备位于以无人机位置为中心，为半径的球体与为半径的球体之间的位置，即第台机电设备的坐标满足：
同理，可确定台机电设备中除第1台机电设备的坐标范围，最终确定第1时刻下台机电设备的坐标范围。
23.无人机连续飞行，所以无人机在第2个时刻接收机电设备所发送的无线信号时，其坐标已不同于第1个时刻的坐标。假设无人机在第2个时刻的坐标为，且接收到条无线信号，则可以对应推测出台机电设备到无人机此刻的距离为，与上述确定台机电设备的坐标范围的原理相同，此时结合无人机此刻坐标、台机电设备到无人机此刻的距离以及距离误差值，可确定第2时刻下台机电设备的坐标范围。
24.按照上述原理，便可确定所有m个时刻中第i个时刻下所检测到的共台机电设备中第j台机电设备的坐标范围：其中，为第i个时刻下所检测到的第j台机电设备的坐标，为所有m个时刻中第i个时刻下无人机的坐标，为第i个时刻下第j台机电设备到此时刻的无人机的距离，为距离误差值。
25.不论是哪个时刻下，每台机电设备的位置实际上并未变化，因此机电设备位置范围可根据不同时刻机电设备坐标范围进一步缩小。结合不同时刻机电设备坐标范围计算待定位区域每个位置存在机电设备的概率，如待定位区域中坐标位置存在机电设备的概率为：为：其中，为无人机在待定位区域接收机电设备无线电信号的总时刻数，；为第个时刻下无人机的坐标；为关于坐标以及第个时刻的函数，当坐标位于第个时刻一个机电设备的坐标范围内时，；当坐标不属于第个时刻任意一个机电设备的坐标范围内时，；当概率越大，则该位置越可能存在机电设备。
26.结合待定位区域每个位置存在机电设备的概率，绘制三维热度图，将每一点的概率值作为该点的热度值，由此便可获取待定位区域中机电设备的三维热度图。
27.步骤二，以三维热度图为指导，进行机电设备的初步定位。
28.对机电设备进行定位，可通过激光雷达对待定位区域进行扫描。
29.但由于待定位区域面积大，每一点都进行扫描最后得到的三维点云数据量大，基于大数据量的三维点云数据对机电设备进行定位，计算量过大，严重影响对机电设备的定位效率。因此，本实施例结合二维热度图对待定位区域进行有选择地扫描，基于扫描结果获取机电设备的初步定位结果。
30.1、将三维热度图转换为二维热度图。
31.无人机接收机电设备信号而获取三维热度图后，停留在待定位区域上方任意一点对待定位区域进行扫描，而为达到更好地对待定位区域进行扫描的目的，本实施例优选将无人机停留在待定位区域上方中心点处，以便在该点对待定位区域进行激光雷达扫描。激光雷达扫描是由点到面的，即通过一点的激光束角度变化，达到扫描整个二维面的目的。
32.将三维热度图转换为二维热度图，参见图2：首先获取无人机激光雷达设备到待定位区域上表面上每一个点的方向，也即激光雷达设备到待定位区域上表面每一点的连线方向，然后获取该方向上待定位区域内的所有点，将每个方向上的待定位区域中所有点存在机电设备的概率累加，累加值即为待定位区域上表面上对应点的投影概率。如此便可获取待定位区域上表面所有点的投影概率，将每个点的投影概率归一化，本实施例优选归一化方法为，将每个点的投影概率除以待定位区域上表面所有点的投影概率之和，当然，在其它实施例也可以采用其它归一化方法。
33.将待定位区域上表面每个点归一化后的投影概率作为二维热度图的热度值，即可构建二维热度图，此二维热度图大小为。
34.2、根据二维热度图，确定对待定位区域的最佳扫描方式。
35.本实施例采用李萨如扫描的方式以使激光雷达完成对待定位区域的扫描。
36.李萨如扫描通过在轴、轴方向上同时简谐振动，合振动的轨迹称为李萨如图形。李萨如扫描通过不断改变简谐振动的参数，使得运动轨迹变化，通过不同简谐振动参数下的运动轨迹叠加最终完成二维面的扫描。
37.李萨如图形沿轴、轴方向上的简谐振动的方程为：其中为振幅，为使李萨如图形范围与二维热度图范围一致，将设为，将设为；、为频率，频率之比，和为互质的整数；、为初相位；李萨如图形的轨迹取决于参数、、、，为便于分析，引入综合相位参数。由现有技术可知，初相位为定值时同一频率比的图形一致；同一频率比的图形随变化的重复周期为。因此、、、的选择就转换为了、以及的选择，。本发明限制、为100以内互质的整数。
38.二维热度图上每一点的热度值表示了沿着无人机与该点连线方向上在待定位区域中存在机电设备的可能性。对于可能性越大的区域，扫描需要尽可能覆盖到。对于可能性小的区域，扫描无需完全覆盖。结合二维热度图的特征获取李萨如扫描的约束条件，以便激光雷达扫描时对热度大的区域更加关注。
39.约束条件为：约束条件为：约束条件为：其中，为密度约束项，将所有李萨如图形叠加得到的图形称为扫描图形，为第行第列点扫描图形的局部轨迹密度，为第行第列点的热度值。
40.对于热度值越大的点，其扫描图形局部轨迹密度也应该越大，对于热度值越小的点，其扫描图形局部轨迹密度也应该越小。因此约束项越小，扫描图形与二维热度图越契合，扫描图形越好。
41.获取方法如下：获取方法如下：其中表示第行第列点八邻域内包括自身的第个点，为关于第行第列点八邻域内包括自身的第个点的函数，当第个点经过李萨如扫描被扫描到时，，反之当第个点经过李萨如扫描未被扫描到时，；为第行第列点八邻域内包括自身的第个点的权重系数，为第个点的坐标；为第行第列点的坐标；为第行第列点八邻域内包括自身的所有点到第行第列点的距离的方差；当第行第列点八邻域内包括自身的所有点距离第行第列点越近时权重越大，反之权重越小。
42.为李萨如图形叠加约束项，为李萨如图形的个数。为提高扫描效率，应该在李萨如图形叠加的个数尽可能少的情况下，完成整体扫描。因此越小越好。
43.为轨迹叠加约束项，为第个李萨如图形运动轨迹包含的点的集合；为第
个李萨如图形运动轨迹包含的点的集合；为与交集的元素个数，即第个李萨如图形与第个李萨如图形重复扫描的点的个数；为所有李萨如图形重复扫描的点的个数。重复扫描为无用扫描，因此重复扫描的点的个数越小越好，即约束项越小越好。
44.结合多个约束项获取扫描图形的总体约束项d：其中为各个约束项的权重系数。
45.李萨如扫描是将多个李萨如图形叠加得到扫描图形来达到扫描的目的。首先结合约束条件获取第一个李萨如图形：在取值范围内遍历选择、以及，构建李萨如图形，该李萨如图形即为当前的扫描图形，计算该李萨如图形所构成的扫描图形的总体约束项，其中使得总体约束项最小的李萨如图形，即为第一个李萨如图形，并将此时的总体约束项记为。
46.接着结合约束条件获取第二个李萨如图形：在取值范围内遍历选择、以及，构建新的李萨如图形，新的李萨如图形与第一个李萨如图形叠加后即构成新的扫描图形，其中使得新的扫描图形的总体约束项最小的新的李萨如图形，即为第二个李萨如图形，并将此时的总体约束项记为。
47.比较与的大小，若，则保留第二个李萨如图形；若，则说明此时不存在第二个李萨如图形。
48.基于前一个李萨如图形持续获取下一个李萨如图形，直至叠加最新获取的李萨如图形之后所得到的扫描图形的总体约束项大于叠加该最新的李萨如图形之前所得到的扫描图形的总体约束项，则证明最新获取的李萨如图形并不存在，保留之前获取的所有李萨如图形，之前获取的各个李萨如图形的参数，即为最优李萨如参数，按照所获取的这些李萨如图形进行扫描的方式，即为激光雷达的最佳扫描方式。
49.3、获取三维点云数据。
50.通过无人机上搭载的激光雷达设备结合最优李萨如参数取值，采用李萨如扫描的方式对待定位区域进行扫描，通过扫描获取三维点云数据。
51.此次扫描为稀疏扫描，扫描间隔为，该扫描间隔的取值结合机电设备的大小确定，本实施例设置=2m。
52.4、获取初步定位结果。
53.本发明使用dnn神经网络，以encoder-decoder-bbox的结构对三维点云中的机电设备进行检测。具体过程为：a、网络采用encoder-decoder的形式，先对三维点云数据进行编码，而后进行解码。网络的输入为三维点云数据，输出为包围框中心点、回归出的包围框长宽高尺寸、机电设备类别以及置信度。
54.b、对三维点云数据进行编码的过程，即为使用卷积和池化操作在对三维点云数据下采样的过程中，提取三维点云数据的特征；编码器的输出为提取到的特征向量。
55.c、解码器的输入为编码器的输出特征向量，解码器经过上采样，回归出三维点云数据中目标对应包围框的中心点和长宽高尺寸；解码器的输出即为dnn神经网络的输出。
56.d、该dnn神经网络的训练所用数据集为包含机电设备的三维点云数据。训练数据获取过程为：在不同位置放置不同的机电设备，通过激光雷达扫描，获取三维点云数据，根据机电设备的实际放置位置，对三维点云数据打标签。对三维点云进行下采样，获取不同稀疏程度的三维点云数据。此些三维点云数据作为训练数据。
57.e、三维点云数据的标签为机电设备类别、机电设备对应的包围框，包括包围框中心点坐标和包围框的长宽高尺寸。
58.f、loss损失函数为均方差损失函数。
59.通过稀疏扫描获取的三维点云数据为稀疏的，可以有效降低dnn神经网络训练的复杂度，减少计算量。
60.至此，通过将所获取的三维点云数据输入上述dnn神经网络即可完成对待定位区域中机电设备的初步定位，获取机电设备类别、初步定位的结果和置信度。
61.步骤三，根据初步定位结果对三维热度图进行修正，然后完成机电设备的精确定位。
62.1）、根据初步定位结果对三维热度图进行修正。
63.由于激光雷达扫描间隔较大，所以步骤二中扫描获取的三维点云数据为稀疏的，从而通过dnn神经网络获取的机电设备类别及位置便可能并不够准确。
64.为保证获取准确的机电设备定位结果，需要利用稠密的三维点云数据对机电设备位置进行识别。但由于步骤一获取的三维热度图中热度大的区域范围较大，所以基于三维热度图获取的二维热度图中热度大的区域范围也较大，若直接根据该二维热度图进行稠密扫描，则获取的三维点云数据量较大，dnn神经网络训练的复杂度高，计算量大。
65.所以，本实施例结合初步定位结果及置信度，对三维热度图进行修正，将热度大的区域范围进一步缩小，以便在更为精确的小范围内稠密扫描。
66.三维热度图每一点的热度值为该点存在机电设备的概率，需结合初步定位结果及置信度对三维热度图每一点的值进行修正，将部分概率点的概率减小，以便缩小激光扫描的范围。如坐标位置存在机电设备的概率为，则将其修正为：其中，为点到初步定位结果中最近的包围框的距离；表示将距离归一化；为初步定位结果中到点最近的包围框中机电设备的置信度；表示限制修正后的概率最小值为0。
67.当包围框中机电设备的置信度越大，说明机电设备的位置和类别识别的越准确，此时当点距离包围框越远，则说明该点存在机电设备的可能性越小，则结合置信度大小将该点存在机电设备的概率降低，此时降低幅度较大；此时当点位于包围框内时，
距离为0，则该点存在机电设备的概率不变。置信度较大时，三维热度图热度大的范围缩小程度越大。
68.当包围框中机电设备的置信度越小，说明机电设备的位置和类别识别的不太准确，该机电设备可能未扫描完整，此时结合点到包围框的距离将点存在机电设备的概率降低，降低幅度根据置信度进行调整，置信度越低时，降低幅度越小，使得热度大的范围缩小程度较小，以便能将此机电设备扫描完整。
69.至此完成了三维热度图的修正。
70.2）、根据修正后的三维热度图完成机电设备的精确定位。
71.由修正后的三维热度图，按照步骤二中第1部分内容中的方法转换得到修正后的二维热度图。
72.根据修正后的二维热度图，按照步骤二中第2部分内容中的方法确定对待定位区域的最佳扫描方式，按照最佳扫描方式对待定位区域进行二次扫描，以获取修正后的三维点云数据。
73.此次扫描为稠密扫描，扫描间隔为，该扫描间隔的取值同样结合机电设备的大小确定，本实施例优选=0.1m。
74.将修正后的三维点云数据输入步骤二中第4部分所述dnn神经网络，获取机电设备类别及定位信息，由于此次三维点云数据为稠密数据，所以获取的机电设备定位结果即为精确定位结果。
75.至此，完成了对待定位区域中已有机电设备的精确定位，设计规划人员可根据已有机电设备的位置对新的机电设备安装位置进行准确规划。
76.整体来看，本发明通过首先获取待定位区域的热力图，然后以所获取热力图为指导确定了对待定位区域的扫描侧重，避免了获取包括无用信息的三维点云数据，减小了三维点云数据的数据量；后续，本发明通过初步定位结果对之前获取的热力图进行修正，将热度大的范围进一步缩小精确，以修正后更为精确的热力图为指导，并采用更为稠密的扫描方式再次获取到了修正后的三维点云数据，使所获取的修正后的三维点云数据中所包括的有用数据占比进一步增大，最终将修正后的三维点云数据输入神经网络后，得到机电设备的精确定位结果。本发明通过对扫描区域或者说扫描对象进行筛选，减少了扫描所获取的三维点云数据中无用数据的量，使三维点云数据整体更加凸出表征机电设备的信息，实现了对机电设备的高效、准确定位。
77.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。