一种虚拟场景坐标转换方法及装置与流程

本发明涉及定位技术领域，特别是涉及一种虚拟场景坐标转换方法及装置。

背景技术：

在电力行业的培训系统中，为了让学员的学习场景具有真实性，通常会通过虚拟场景模拟现实场景中对输电线路杆塔的相关问题处理，这就需要在虚拟场景中对杆塔进行定位，将杆塔在现场场景中的坐标转换为虚拟场景中的坐标。

运用坐标基准转换和坐标系转换，在数据量足够多且精确的条件下，可以实现任意两个坐标基准之间不同坐标形式的转换，但因模型参数选择不同、观测存在误差、计算数值处理不同等问题都可能导致微小的数据变化引起解的巨大变化，导致转换后的坐标很不稳定，使得一部分杆塔很难在地形中实现准确定位。

在现有技术中，多是通过使用最小二乘法求解布尔莎模型中的转换参数的方法进行坐标转换。但因为用来求解布尔莎模型的七参数的参考点很难分布在转换范围的不同区域，如果参考点分布范围太小，其旋转参数与平移参数之间的相关性较大，必然导致具有较大的条件数，使得坐标转换存在较大误差，且不稳定，难以满足系统定位精度的要求。

技术实现要素：

本发明的目的是提供一种虚拟场景坐标转换方法及装置，以降低坐标转换的误差，提高输电线路杆塔定位的准确度。

为解决上述技术问题，本发明提供如下技术方案：

一种虚拟场景坐标转换方法，包括：

获得目标杆塔在现实场景中的第一坐标；

根据预先运用布尔莎模型建立的目标函数和所述第一坐标，基于遗传算法确定所述目标函数的最优解；

将所述最优解确定为所述目标杆塔在虚拟场景中的第二坐标。

在本发明的一种具体实施方式中，所述根据预先运用布尔莎模型建立的目标函数和所述第一坐标，基于遗传算法确定所述目标函数的最优解，包括：

将所述第一坐标输入到预先运用布尔莎模型建立的目标函数中；

确定所述目标函数的解空间的范围；

根据所述目标函数的解空间的范围，进行染色体编码；

根据所述目标函数的解空间的范围，确定所述目标函数的最优解的分布范围；

在所述目标函数的最优解的分布范围内，选择初值进行遗传算法的迭代；

在满足预设的迭代终止条件时，获得所述目标函数的最优解。

在本发明的一种具体实施方式中，所述根据所述目标函数的解空间的范围，进行染色体编码，包括：

根据以下公式进行染色体编码：

其中，[m,n]为所述目标函数的解空间的范围，k_i为染色体中第i位基因值，e为所述染色体的长度值。

在本发明的一种具体实施方式中，所述进行遗传算法的迭代，包括：

确定所述染色体的适配值；

根据所述适配值，对所述染色体进行遗传操作。

在本发明的一种具体实施方式中，所述根据所述适配值，对所述染色体进行遗传操作，包括：

如果所述染色体的适配值高于预设阈值，则保留该染色体，交叉或者变异其中的部分遗传基因，产生新的染色体。

在本发明的一种具体实施方式中，所述确定所述染色体的适配值，包括：

根据所述目标函数确定适应度函数；

根据所述适应度函数评价染色体的适配值。

在本发明的一种具体实施方式中，所述适应度函数为：

其中，f(z)为所述目标函数。

在本发明的一种具体实施方式中，所述目标函数为：

min f(x)＝min||V₂-ΔV+(1+k)V₁+RV₁||；

其中，为所述目标杆塔在虚拟场景中的第二坐标，为所述目标杆塔在现实场景中的第一坐标，k、ΔV和R为坐标精度参数，k为所述布尔莎模型中的尺度变换参数，为所述布尔莎模型中的平移参数，为所述布尔莎模型中的旋转参数。

一种虚拟场景坐标转换装置，包括：

第一坐标获得模块，用于获得目标杆塔在现实场景中的第一坐标；

最优解确定模块，用于根据预先运用布尔莎模型建立的目标函数和所述第一坐标，基于遗传算法确定所述目标函数的最优解；

第二坐标确定模块，用于将所述最优解确定为所述目标杆塔在虚拟场景中的第二坐标。

在本发明的一种具体实施方式中，所述最优解确定模块，包括：

坐标输入子模块，用于将所述第一坐标输入到预先运用布尔莎模型建立的目标函数中；

解空间范围确定子模块，用于确定所述目标函数的解空间的范围；

染色体编码子模块，用于根据所述目标函数的解空间的范围，进行染色体编码；

最优解分布范围确定子模块，用于根据所述目标函数的解空间的范围，确定所述目标函数的最优解的分布范围；

遗传算法迭代子模块，用于在所述目标函数的最优解的分布范围内，选择初值进行遗传算法的迭代；

最优解获得子模块，用于在满足预设的迭代终止条件时，获得所述目标函数的最优解。

应用本发明实施例所提供的技术方案，获得目标杆塔在现实场景中的第一坐标后，根据预先运用布尔莎模型建立的目标函数和第一坐标，基于遗传算法确定目标函数的最优解，将最优解确定为目标杆塔在虚拟场景中的第二坐标。采用对目标函数进行遗传操作拟合的方式，将基于球面的第一坐标转换为三维场景中的第二坐标，降低了坐标转换的误差，提高了输电线路杆塔定位的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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他的附图。

图1为本发明实施例中一种虚拟场景坐标转换方法的实施流程图；

图2为本发明实施例中使用不同算法进行坐标转换的误差结果示意图。

图3为本发明实施例中一种虚拟场景坐标转换装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1所示，为本发明实施例所提供的一种虚拟场景坐标转换方法的实施流程图，该方法可以包括以下步骤：

S110：获得目标杆塔在现实场景中的第一坐标。

在本发明实施例中，可以通过实际测量或者查询数据库等方式获得目标杆塔在现实场景中的第一坐标。

S120：根据预先运用布尔莎模型建立的目标函数和第一坐标，基于遗传算法确定目标函数的最优解。

在本发明实施例中，可以运用坐标转换中的布尔莎模型建立目标函数。布尔莎模型也称为七参数布尔莎模型，其具有三个平移参数、三个旋转参数和一个尺度变换参数。

目标函数具体可以如公式(1)所示：

min f(x)＝min||V₂-ΔV+(1+k)V₁+RV₁|| 公式(1)

其中，为目标杆塔在虚拟场景中的第二坐标，也即转换后的坐标，为目标杆塔在现实场景中的第一坐标，也即转换前的坐标，k、ΔV和R为坐标精度参数，k为布尔莎模型中的尺度变换参数，为布尔莎模型中的平移参数，为布尔莎模型中的旋转参数。

本发明实施例将求解布尔莎模型的精度参数，即七个参数的问题转换为求解目标函数的最优解的问题。根据目标函数和第一坐标，基于遗传算法可以确定目标函数的最优解。

在本发明的一种具体实施方式中，步骤S120可以包括以下步骤：

步骤一：将第一坐标输入到预先运用布尔莎模型建立的目标函数中；

步骤二：确定目标函数的解空间的范围；

步骤三：根据目标函数的解空间的范围，进行染色体编码；

步骤四：根据目标函数的解空间的范围，确定目标函数的最优解的分布范围；

步骤五：在目标函数的最优解的分布范围内，选择初值进行遗传算法的迭代；

步骤六：在满足预设的终止迭代条件时，获得目标函数的最优解。

为便于描述，将上述六个步骤结合起来进行说明。

在本发明实施例中，运用布尔莎模型建立的目标函数包含目标杆塔在现实场景中的第一坐标、目标杆塔在虚拟场景中的第二坐标、坐标精度参数等。

可以将第一坐标输入到目标函数中，即目标函数中的第一坐标为已知参数。

确定目标函数的解空间的范围，具体的，可以根据具体坐标位置、采样数据的特点等进行确定。目标函数的解空间即为目标杆塔在虚拟场景中的可能的坐标位置。

根据目标函数的解空间的范围，进行染色体编码。即对目标杆塔在虚拟场景中的可能的坐标位置进行染色体编码。染色体是遗传算法的迭代量，可以应用二进制方式进行染色体的编码。具体的，可以通过公式(2)进行染色体编码：

其中，[m,n]为目标函数的解空间的范围，k_i为染色体中第i位基因值，数值为0或1，e为染色体的长度值。

目标函数的最优解的分布范围应尽量布满整个解空间，根据目标函数的解空间的范围，可以估算目标函数的最优解的分布范围。在目标函数的最优解的分布范围内，可以随机选择初值进行遗传算法的迭代，这样可以避免遗传算法陷入局部最优。

在本发明的一种具体实施方式中，具体可以通过以下步骤进行遗传算法的迭代。

第一个步骤：确定染色体的适配值；

第二个步骤：根据适配值，对染色体进行遗传操作。

具体的，可以根据目标函数确定适应度函数，根据适应度函数评价染色体的适配值。即引入单值、非负、连续的适应度函数，以此为依据评价染色体的适配值，适配值越大则越接近目标函数的最优解。

在本发明实施例中，可以直接将目标函数映射为适应度函数，适应度函数为：

根据适配值，对染色体进行遗传操作，具体的包括染色体的选择、交叉和变异。如果染色体的适配值高于预设阈值，则保留该染色体，交叉或者变异其中的部分遗传基因，产生新的染色体。这样，可以逐步提高染色体的适配值。

所谓交叉，即是选取两个染色体，以设定概率将附带个体的部分结构加以替换，如，0000 1111，交叉后为：0111 1000。

所谓变异，是指以设定概率将0换为1。

在满足预设的迭代终止条件时，获得目标函数的最优解。

可以预先设定迭代终止条件以避免遗传算法过早收敛，比如，设定进化迭代次数，在满足该进化迭代次数时，获得目标函数的最优解。

S130：将最优解确定为目标杆塔在虚拟场景中的第二坐标。

在步骤S120，确定了目标函数的最优解，可以将该最优解确定为目标杆塔在虚拟场景中的第二坐标。实现了现实场景和虚拟场景的坐标转换。

应用本发明实施例所提供的方法，获得目标杆塔在现实场景中的第一坐标后，根据预先运用布尔莎模型建立的目标函数和第一坐标，基于遗传算法确定目标函数的最优解，将最优解确定为目标杆塔在虚拟场景中的第二坐标。采用对目标函数进行遗传操作拟合的方式，将基于球面的第一坐标转换为三维场景中的第二坐标，降低了坐标转换的误差，提高了输电线路杆塔定位的准确度。

在本发明实施例中，采用了某地区200个公共点，重复模拟200次，使用不同方法，具体为最小二乘法、解耦算法、遗传算法(本发明实施例所基于的算法)进行坐标转换，并记录转换坐标和已知值之间的误差，具体的，根据公式(4)进行误差计算：

获得的误差结果如图2所示，图2表明，本发明实施例所提供的技术方案的坐标转换误差最小。

相应于上面的方法实施例，本发明实施例还提供了一种虚拟场景坐标转换装置，下文描述的一种虚拟场景坐标转换装置与上文描述的一种虚拟场景坐标转换方法可相互对应参照。

参见图3所示，该装置包括以下模块：

第一坐标获得模块310，用于获得目标杆塔在现实场景中的第一坐标；

最优解确定模块320，用于根据预先运用布尔莎模型建立的目标函数和第一坐标，基于遗传算法确定目标函数的最优解；

第二坐标确定模块330，用于将最优解确定为目标杆塔在虚拟场景中的第二坐标。

应用本发明实施例所提供的装置，获得目标杆塔在现实场景中的第一坐标后，根据预先运用布尔莎模型建立的目标函数和第一坐标，基于遗传算法确定目标函数的最优解，将最优解确定为目标杆塔在虚拟场景中的第二坐标。采用对目标函数进行遗传操作拟合的方式，将基于球面的第一坐标转换为三维场景中的第二坐标，降低了坐标转换的误差，提高了输电线路杆塔定位的准确度。

在本发明的一种具体实施方式中，最优解确定模块320，包括：

坐标输入子模块，用于将第一坐标输入到预先运用布尔莎模型建立的目标函数中；

解空间范围确定子模块，用于确定目标函数的解空间的范围；

染色体编码子模块，用于根据目标函数的解空间的范围，进行染色体编码；

最优解分布范围确定子模块，用于根据目标函数的解空间的范围，确定目标函数的最优解的分布范围；

遗传算法迭代子模块，用于在目标函数的最优解的分布范围内，选择初值进行遗传算法的迭代；

最优解获得子模块，用于在满足预设的迭代终止条件时，获得目标函数的最优解。

在本发明的一种具体实施方式中，染色体编码子模块，具体用于：

根据以下公式进行染色体编码：

其中，[m,n]为目标函数的解空间的范围，k_i为染色体中第i位基因值，e为染色体的长度值。

在本发明的一种具体实施方式中，遗传算法迭代子模块，包括：

适配值确定单元，用于确定染色体的适配值；

遗传操作单元，用于根据适配值，对染色体进行遗传操作。

在本发明的一种具体实施方式中，遗传操作单元，具体用于：

如果染色体的适配值高于预设阈值，则保留该染色体，交叉或者变异其中的部分遗传基因，产生新的染色体。

在本发明的一种具体实施方式中，适配值确定单元，具体用于：

根据目标函数确定适应度函数；

根据适应度函数评价染色体的适配值。

在本发明的一种具体实施方式中，适应度函数为：

其中，f(z)为目标函数。

在本发明的一种具体实施方式中，目标函数为：

min f(x)＝min||V₂-ΔV+(1+k)V₁+RV₁||；

其中，为目标杆塔在虚拟场景中的第二坐标，为目标杆塔在现实场景中的第一坐标，k、ΔV和R为坐标精度参数，k为布尔莎模型中的尺度变换参数，为布尔莎模型中的平移参数，为布尔莎模型中的旋转参数。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。