一种精确定位系统及方法与流程

本发明涉及一种精确定位系统及方法。具体的说，本发明涉及一种由基于红外定位和基于磁场定位构成的掘进机截割头复合定位系统及方法。

背景技术：

随着采矿业的发展，自动化、智能化掘进和采煤是大势所趋，而对掘进机截割头的实时定位是智能化掘进的前提。但由于掘进机在工作过程中，会产生大量粉尘，并且截割头有时会埋没于矿渣之下，传统的光学定位方法无法适应这样的恶劣环境。利用红外定位方法可在粉尘较低情况下完成高精度定位，但当截割头被埋没及被掘进机机身遮挡时，红外定位方法失效，穿透力较强的磁场定位就是一种选择。

磁场定位虽然具有穿透力强，不受可见度影响的优点，但是因为掘进机整体为铁磁质，矿井下铁磁环境很复杂，所以传统磁场定位精度很差。早期磁场定位方法大多可归结为将磁源等效为磁偶极子陈列或椭球陈列通过各点测量值建立线性方程组，然后反解出磁源的磁矩、位置等信息。但此种方法并不适用于空间含有不规则磁介质的环境，而且实际环境中含有不规则磁介质是很常见的。因此，在磁场定位实际应用中解决此类问题十分迫切。而将磁场定位与机器学习算法相结合，可以很好的消除铁磁质的影响，大幅度提高定位精度。

技术实现要素：

本发明公开了一种基于红外与磁场定位的掘进机截割头复合定位方法，其中磁场定位与机器学习算法结合，从而提高磁场定位的精度，解决了掘进机工作过程中的截割头定位问题，为进一步实现自动掘进提供了技术基础。定位系统包括由多组红外摄像机构成的红外定位模块、由多个三轴磁场传感器组成的磁场定位模块、可固定于截割头后方的磁源、含有复合定位模型的终端处理器。由于铁磁质掘进机机体的影响，传统的基于毕奥-萨伐尔定律的磁场定位并不适用。本方法中的磁场定位部分首先通过带有固定永磁体的截割头在遍历工作空间，由红外定位模块实时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据，然后通过机器学习算法构建磁场定位模型。通过红外定位和磁场定位的结合，克服了掘进机工作时的高浓度粉尘造成的低可见度环境影响以及掘进机机体铁磁质的影响，解决了掘进机截割头的实时定位问题。

本发明提供的具体技术内容是：

一种精确定位方法，用于掘进机截割头的定位；其特征在于：所述精准定位方法为复合定位方法，其包括红外定位方法和磁场定位方法；所述红外定位方法用于对工作过程中因摩擦产热进而产生红外辐射的截割头进行定位；所述磁场定位方法利用处理器中的机器学习算法对样本数据进行训练后构建磁场定位模型，使用所述磁场定位模型对截割头进行磁场定位。所述红外定位方法利用两个红外相机以及配套的数据采集器采集截割头的空间位置数据，所述两个红外相机位于所述截割头后上方，且平行放置；所述红外定位方法包括以下步骤：步骤一、建立相机坐标系和图像坐标系；

步骤二、根据相似三角形知识，用相机坐标和相机焦距表示图像坐标；

步骤三、以左右两个相机中心连线的中点为原点，建立世界坐标系，在世界坐标系中确定左相机坐标，右相机坐标，左图像坐标和右图像坐标；并以左右相机坐标表示世界坐标系中的点坐标；

步骤四、根据步骤二中的图像坐标以及步骤四中的点坐标联合求得截割头的空间位置坐标，由此获得截割头的空间位置。

在截割头的定位过程中，用红外定位方法获得截割头的红外位置数据，同时用所述磁场定位方法获取截割头的磁场位置数据，在红外位置数据缺失时，用磁场位置数据进行补充定位。

所述磁场定位方法利用处理器中的机器学习算法对样本数据进行训练后构建磁场定位模型包括：构建机器学习定位网络，所述网络包括输入层、隐含层以及输出层；将样本数据输入网络，计算各层的输出及误差，利用输出层的误差更新网络中各层的所述连接权值和阈值，直到输出层误差小于预定误差，从而获得所需磁场定位模型，用于截割头的磁场定位。

本发明公开的定位方法为：磁场定位部分首先通过带有固定永磁体的截割头遍历工作空间，由红外定位模块实时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据，然后通过机器学习算法构建磁场定位模型。红外定位方法基于几何光学原理，不设置红外光源，对工作过程中因摩擦产热进而产生红外辐射的截割头进行定位。通过红外定位和磁场定位的结合，用磁场定位结果填补红外定位丢失的定位点，解决掘进机截割头的实时定位问题。

为保证定磁场定位模型的有效范围，红外定位模块o的有效定位范围要略大于预期磁场定位范围；红外定位模块o由不少于两组的红外摄像头构成。

为保证足够的定位精度，磁场定位模块s，由固定于掘进机独立于截割头运动部分外的机身上或跟随掘进机移动的滑竿上的不少于两个的三轴磁场传感器，以及由红外定位模型和磁场传感器获取训练数据，使用机器学习优化算法由训练数据获得的磁场定位模型组成。

优选地，所述优化算法包括以下步骤：

步骤一，确定机器学习定位网络的各层结构。构建的机器学习定位网络包括输入层、隐含层以及输出层。

步骤二，初始化粒子的速度、位置以及个体历史最优和全局最优。

步骤三，更新粒子速度和位置，计算粒子适应值及确定个体历史最优和全局最优，判断全局最优适应值是否小于设定精度，如果是，执行步骤五；如果否，则执行步骤四。

步骤四，判断迭代次数是否大于最大迭代次数；如果否，则重复执行步骤二；如果是，则输出全局最优粒子位置。

步骤五，利用上述计算结果初始化机器学习定位网络的初始权值和阈值。

步骤六，输入第p组样本，计算各层输出及误差。

步骤七，计算输出层的误差；所述误差为均方误差；判断所述误差是否小于预定误差；如果否，则根据该误差计算新的权值和阈值；利用所述新的权值和阈值，更新机器学习定位网络的权值和阈值，返回步骤六，重新计算各层输出及误差；所述根据该误差计算新的权值和阈值，包括：1)利用输出层的误差，根据最速梯度下降法，获得新的输出层的权值和阈值；2)把输出层误差和新的权值和阈值向前传导，根据最速梯度下降法，利用上述输出层误差，以及新的输出层的权值和阈值，获得新的隐含层的权值和阈值；在上述新的权值和阈值的计算中，权值和阈值相互独立。

步骤八，判断所述误差是否小于预定误差；如果是，则保存当前机器学习定位网络权值和阈值；

步骤九，判断训练样本是否全部训练完成，如果不是，迭代次数加1，返回步骤六，进行下一个样本的训练；如果是，则结束训练；从而获得所需的机器学习定位模型，用于磁场定位。

为保证磁场定位精度以及有效时间，固定于截割头后方的磁源m可使用永磁体或电磁铁产生较强的磁场，并可在不影响截割头工作的前提下固定于截割头后方，随截割头一起运动。

为处理各模块数据，并可视化定位结果，含有复合定位模型的终端处理器c由终端主机或嵌入式系统和显示器构成的硬件部分以及由磁场定位模型、红外定位模型、红外定位丢失判定算法、定位结果显示程序构成的软件部分构成。

采用本发明的复合定位系统及方法对截割头进行定位，能够获得精准的定位结果；现对于现有技术的定位结果，定位精度大幅度地提高。且不受工况的影响，能够在复杂的工况下进行工作，不会出现对截割头跟踪丢失的情况。

附图说明

图1定位系统示意图；

图2相机坐标与图像坐标关系；

图3红外定位原理示意图；

图4优化算法流程图；

图5复合定位示意图；

图6复合定位坐标与实际坐标对比图。

具体实施方式

下面结合附图，通过实施案例对本发明进行进一步详细说明，但不以任何方式限制本发明的范围。

本发明中实施案例中的定位系统包括由多组红外摄像机构成的红外定位模块、由多个三轴磁场传感器组成的磁场定位模块、可固定于截割头后方的磁源、含有复合定位模型的终端处理器。

如图1所示，红外定位模块由两个红外摄像头3以及配套数据采集器构成，置于掘进机机身上方；磁场定位模块由两个三轴数字磁场传感器6组成，置于掘进机机身两侧；磁源2为圆形d100x20mmn35钕磁铁，固定于掘进机截割头1的后方；终端处理器使用台式电脑7，显示屏置于掘进机驾驶位前方。

本发明提供一种基于红外与磁场定位的掘进机截割头复合定位系统，定位系统包括红外定位模块、磁场定位模块、以及含有复合定位模型的终端处理器。

所述红外定位模块o中，两个红外摄像头3平行放置，光心间距25cm。由图2和图3所示，根据几何光学原理，可以求得目标物三维坐标。

所述磁场定位模块s中，两个三轴数字磁场传感器6分别放置于掘进机机身两侧，位置不做特别要求，但需要保证训练过程和定位过程中，磁场传感器6位置保持不变，可以通过常规的固定手段，将磁场传感器6固定在掘进机机身的两侧，其随着掘进机一起运动，并保持与机身的相对位置恒定不变。

磁源m为圆形d100x20mmn35钕磁铁2，固定于截割头后方。注意磁源m不能影响截割头工作。并且在训练过程中与定位过程中，磁源m需保持一致。由于磁源m(即磁铁2)的运动代表了截割头1的运动，即磁源m随截割头1一起运动，磁源m的运动轨迹就是截割头1的运动轨迹(这里的截割头运动中，应该将截割头作为一个质点，而不是转体)，因此磁源m固定位置相对于截割头需保持不变。

终端处理器用于将位置数据进行处理，所述位置数据包括红外摄像头获得的截割头的红外位置数据，以及磁场定位模块获得的截割头的磁场位置数据。在终端处理器中，通过红外定位方法对红外位置数据进行处理获得截割头的位置，通过磁场定位方法对磁场位置数据进行处理获得截割头的位置，并将截割头的位置进行显示。

以上是本发明的掘进机截割头定位系统的具体组成。下面将详细介绍本发明的定位方法。

定位方法分为磁场定位、红外定位及红外与磁场复合定位三个部分。

磁场定位需要预先训练定位模型，本实施例中首先通过带有固定永磁体的截割头在遍历工作空间，由红外定位模块时时记录三维空间位置，由磁场传感器记录对应位置的磁感应强度，以获取训练数据。因为掘进机机身等铁磁质影响，磁场在空间内分布并不平滑，所以常规机器学习定位网络算法收敛速度很慢，且容易陷入局部最小值。因此，本发明通过以下优化算法对机器学习定位网络进行优化，通过训练数据构建磁场定位模型。

首先，介绍机器学习网络的数学模型以及算法原理。先对变量进行定义：三层结构的机器学习网络包括输入层、隐含层和输出层，该机器学习网络涉及的变量如下：

输入变量x(x1,x2,…xn)；

隐含层输入变量hin＝(hin,1,hin,2,…,hin,p)；隐含层输出变量hout＝(hout,1,hout,2,…,hout,p)；

输出层输入变量yin＝(yin,1,yin,2,…,yin,m)；输出层输出变量yout＝(yout,1,yout,2,…,yout,m)；

期望输出向量do＝(d1,d2,…,dm)

输入层与隐含层的连接权值win；隐含层各节点的阈值bin；

隐含层与输出层的连接权值wout；输出层各节点的阈值bout；

误差函数激活函数f(·)

其中n,m,p,k均为正整数。

1、然后按计算需要进行网络初始化：计算机分别给各连接权值一个区间(-1,1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数m。

接下来随机选取计算样本：随机选取第t次输入样本训练(迭代次数)以及对应的期望输出：

x＝(x1,x2,…xn)

do＝(d1,d2,…,dm)

2、计算隐含层与输出层数据：

1)计算隐含层各网络节点的输入和输出：

2)计算输出层各网络节点的输入和输出：

3、接着是修正权值：

整个网络的误差函数为

根据误差函数e的负梯度改进连接权值，所述连接权值的改进公式为：

具体而言：对于输出层第k个网络节点的连接权值更新公式为

上式中，η表示学习率，δk称作输出层第k个网络节点的学习误差。

对隐含层网络节点连接权值的更新公式为：

上式中，σk称作对于输出层第k个节点的隐含层各个节点的学习误差；机器学习网络是一种按照误差逆向传播算法训练的多层前馈网络，由信息的正向传播和误差的反向传播两个过程组成。其中，机器学习网络的误差反向传播思路为：利用输出层的误差来估计输出层权值的误差，根据最速梯度下降原理，更新输出层权值，然后把输出层误差和新的权值向前传导，计算上一层误差，并更新权值直到输出数据与期望数据满足误差要求，则停止训练。

接下来介绍本发明利用的优化算法的步骤。

上述优化算法流程图如附图4所示。所述优化算法包括以下步骤：

步骤一，确定机器学习定位网络的各层结构。构建的机器学习定位网络包括输入层、隐含层以及输出层。

步骤二，初始化粒子的速度、位置以及个体历史最优和全局最优。

步骤三，更新粒子速度和位置，计算粒子适应值及确定个体历史最优和全局最优，判断全局最优适应值是否小于设定精度，如果是，执行步骤五；如果否，则执行步骤四。

步骤四，判断迭代次数是否大于最大迭代次数；如果否，则重复执行步骤二；如果是，则输出全局最优粒子位置。

步骤五，利用上述计算结果初始化机器学习定位网络的初始权值和阈值。

步骤六，输入第p组样本，计算各层输出及误差。

步骤七，计算输出层的误差；所述误差为均方误差；判断所述误差是否小于预定误差；如果否，则根据该误差计算新的权值和阈值；利用所述新的权值和阈值，更新机器学习定位网络的权值和阈值，返回步骤六，重新计算各层输出及误差；所述根据该误差计算新的权值和阈值，包括：1)利用输出层的误差，根据最速梯度下降法，获得新的输出层的权值和阈值；2)把输出层误差和新的权值和阈值向前传导，根据最速梯度下降法，利用上述输出层误差，以及新的输出层的权值和阈值，获得新的隐含层的权值和阈值；在上述新的权值和阈值的计算中，权值和阈值相互独立。

步骤八，判断所述误差是否小于预定误差；如果是，则保存当前机器学习定位网络权值和阈值；

步骤九，判断训练样本是否全部训练完成，如果不是，迭代次数加1，返回步骤六，进行下一个样本的训练；如果是，则结束训练；从而获得所需的机器学习定位模型，用于磁场定位。

以上是磁场定位方法的具体流程，其通过机器学习定位网络，利用优化算法，从而能够准确地获得目标物体的位置，在红外定位效果较差时，可以用于目标物体的定位。

下面介绍红外定位方法。

红外定位基于几何光学原理，通过分析两个红外相机成像的像差，可以求得目标物三维坐标，如图2和图3所示。上述红外定位方法包括以下步骤：

步骤一、建立相机坐标系和图像坐标系。对于一个相机而言，从相机坐标系到图像坐标系可以看作透视投影关系，如图2所示；相机坐标系记为oc-xcyczc，图像坐标系记为o-xyz；

步骤二、根据相似三角形知识，用相机坐标和相机焦距表示图像坐标。如图2，根据相似三角形知识可知：ab/oc＝aoc/ooc＝pb/pc＝xc/x＝zc/f＝yc/y；由此可得：

x＝f*xc/zc，(1)

y＝f*yc/zc，(2)

步骤三、以左右两个相机中心连线的中点为原点，建立世界坐标系，在世界坐标系中确定左相机坐标，右相机坐标，左图像坐标和右图像坐标；并以左右相机坐标表示世界坐标系中的点坐标。

左右两摄像机关系如图3所示。设两相机间距b，世界坐标系原点在两摄像机中心连线正中心，测量点的世界坐标记为(x，y，z)。xyz方向与xcyczc相同。左相机坐标记为(xcl，ycl，zcl)，右相机坐标记为(xcr，ycr，zcr)。左图像坐标记为(xl，yl，zl)，右图像坐标记为(xr，yr，zr)；上述测量点的坐标与左右相机的坐标有如下关系：

x＝xcl+b/2＝xcr-b/2，(3)

y＝ycl＝ycr，(4)

z＝zcl＝zcr，(5)

步骤四、由步骤二中的图像坐标以及步骤四中的点坐标联合求得测量点的空间位置坐标，由此获得测量点的空间位置。

由(1)、(3)式可得：

xl*z-f*(xcr-b)＝0，(6)

xr*z-f*xcr＝0，(7)

由(6)(7)式可解得：

z＝-f*b/(xl-xr)，(8)

xcr＝xr*(-f*b/(xl-xr))/f，(9)

由(3)(9)可得

x＝xr*(-f*b/(xl-xr))/f-b/2(10)

由(2)(4)(8)式可得：

y＝yr*(-f*b/(xl-xr))/f(11)

复合定位方法包括结合红外定位与磁场定位结果，如图5所示，当红外定位结果丢失，或轨迹明显不连续时，使用磁场定位结果代替红外定位结果输出到显示屏。

本发明在掘进机模拟实际工作过程中定位结果如图6所示，由图6可知，利用上述复合定位方法获得的目标物体的运动轨迹与其实际运动轨迹很好地吻合，其误差率可以控制在设定的误差范围内。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。