【技术实现步骤摘要】
本公开涉及无人智能巡检车，具体地，涉及一种基于多传感器融合的无人智能巡检车及方法。
技术介绍
1、在电力系统中，换流站扮演着重要的角色，用于进行不同电压、频率或系统之间的电力转换。换流站通常由大量设备组成，如变压器、断路器、绝缘子等，这些设备的运行状态对电网稳定性至关重要。为了确保换流站的安全和可靠运行，定期的巡检和维护工作至关重要。
2、传统上，巡检工作通常由人工进行，存在着工作效率低、安全风险高、覆盖面有限等问题。因此，现有技术引入无人巡检机器人来自动进行换流站的巡检，可以有效解决传统方案中的问题，提高巡检效率、降低安全风险，并能够实现全面覆盖和定期监测。
3、然而，传统的巡检机器人通常依赖单一传感器，如激光雷达进行定位，这导致机器人只能实现空间定位，缺乏对位置的准确定位，容易导致在复杂环境中定位精度不高，甚至在巡检过程中偏离原定路线。此外，传统巡检机器人往往采用静态方式规划巡视路径，一旦遇到障碍物或突发情况，无法及时调整巡视路径，导致机器人中止作业，影响巡检效率和覆盖范围。
4、因此，期望一种基于多传感器融合的无人智能巡检方案。
技术实现思路
1、提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、第一方面，本公开提供了一种基于多传感器融合的无人智能巡检方法，所述方法
3、获取由gps定位模块采集的gps定位数据的时间序列；
4、获取由里程计采集的里程计定位数据的时间序列；
5、获取由惯性测量单元采集的imu定位数据的时间序列；
6、将所述gps定位数据的时间序列、所述里程计定位数据的时间序列和所述imu定位数据的时间序列分别按照时间维度排列为gps定位数据时序输入向量、里程计定位数据时序输入向量、imu定位数据时序输入向量；
7、通过基于深度神经网络的定位数据时序关联模式特征提取器分别对所述gps定位数据时序输入向量、所述里程计定位数据时序输入向量和所述imu定位数据时序输入向量进行特征提取以得到gps定位数据时序关联特征向量、里程计定位数据时序关联特征向量、imu定位数据时序关联特征向量；
8、将所述gps定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述imu定位数据时序关联特征向量进行共空间嵌入处理以得到共空间嵌入gps定位数据时序关联特征向量、共空间嵌入里程计定位数据时序关联特征向量和共空间嵌入imu定位数据时序关联特征向量；
9、将所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量通过定位数据自相关显著化融合器以得到多传感器定位数据融合特征向量作为多传感器定位数据融合特征；
10、基于所述多传感器定位数据融合特征进行定位优化以生成更新定位数据，并基于更新定位数据进行行驶路线动态优化。
11、可选地，所述基于深度神经网络的定位数据时序关联模式特征提取器为基于一维卷积层的定位数据时序关联模式特征提取器。
12、可选地，将所述gps定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述imu定位数据时序关联特征向量进行共空间嵌入处理以得到共空间嵌入gps定位数据时序关联特征向量、共空间嵌入里程计定位数据时序关联特征向量和共空间嵌入imu定位数据时序关联特征向量，包括：将所述gps定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述imu定位数据时序关联特征向量通过基于全连接层的共空间嵌入器以得到所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量。
13、可选地，将所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量通过定位数据自相关显著化融合器以得到多传感器定位数据融合特征向量作为多传感器定位数据融合特征，包括：将所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量通过所述定位数据自相关显著化融合器以如下自相关显著化融合公式进行处理以得到所述多传感器定位数据融合特征向量；其中，所述自相关显著化融合公式为：
14、
15、
16、
17、其中，hi为所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量中的第i个时序关联特征向量，和wi分别表示权重系数向量和权重系数矩阵，bi为偏移向量，selu(·)表示selu函数，ei为所述第i个时序关联特征向量的注意力打分值，λ和α都为超参数，softmax(·)表示softmax函数，t为所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量中的向量个数，v为所述多传感器定位数据融合特征向量。
18、可选地，基于所述多传感器定位数据融合特征进行定位优化以生成更新定位数据，并基于更新定位数据进行行驶路线动态优化，包括：将所述多传感器定位数据融合特征向量通过基于解码器的定位优化器以得到更新定位数据；基于所述更新定位数据，进行行驶路线动态优化。
19、可选地，还包括训练步骤：用于对基于一维卷积层的定位数据时序关联模式特征提取器、所述基于全连接层的共空间嵌入器、所述定位数据自相关显著化融合器和所述基于解码器的定位优化器进行训练。
20、可选地，所述训练步骤，包括：获取由gps定位模块采集的训练gps定位数据的时间序列；获取由里程计采集的训练里程计定位数据的时间序列；获取由惯性测量单元采集的训练imu定位数据的时间序列；将所述训练gps定位数据的时间序列、所述训练里程计定位数据的时间序列和所述训练imu定位数据的时间序列分别按照时间维度排列为训练gps定位数据时序输入向量、训练里程计定位数据时序输入向量、训练imu定位数据时序输入向量；通过所述基于深度神经网络的定位数据时序关联模式特征提取器分别对所述训练gps定位数据时序输入向量、所述训练里程计定位数据时序输入向量和所述训练imu定位数据时序输入向量进行特征提取以得到训练gps定位数据时序关联特征向量、训练里程计定位数据时序关联特征向量、训练imu定位数据时序关联特征向量；将所述训练gps定位数据时序关联特征向量、所述训练里程计定位数据时序关联特征向量和所述训练imu定位数据时序关联特征向量进行共空间嵌入处理以得到训练共空间嵌入gps定位数据时序关联特征向量、训练本文档来自技高网...
【技术保护点】
1.一种基于多传感器融合的无人智能巡检方法，其特征在于，包括：
2.根据权利要求1所述的基于多传感器融合的无人智能巡检方法，其特征在于，所述基于深度神经网络的定位数据时序关联模式特征提取器为基于一维卷积层的定位数据时序关联模式特征提取器。
3.根据权利要求2所述的基于多传感器融合的无人智能巡检方法，其特征在于，将所述GPS定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述IMU定位数据时序关联特征向量进行共空间嵌入处理以得到共空间嵌入GPS定位数据时序关联特征向量、共空间嵌入里程计定位数据时序关联特征向量和共空间嵌入IMU定位数据时序关联特征向量，包括：将所述GPS定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述IMU定位数据时序关联特征向量通过基于全连接层的共空间嵌入器以得到所述共空间嵌入GPS定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入IMU定位数据时序关联特征向量。
4.根据权利要求3所述的基于多传感器融合的无人智能巡检方法，其特征在于，将所述共空间嵌入GPS定位
5.根据权利要求4所述的基于多传感器融合的无人智能巡检方法，其特征在于，基于所述多传感器定位数据融合特征进行定位优化以生成更新定位数据，并基于更新定位数据进行行驶路线动态优化，包括：
6.根据权利要求5所述的基于多传感器融合的无人智能巡检方法，其特征在于，还包括训练步骤：用于对基于一维卷积层的定位数据时序关联模式特征提取器、所述基于全连接层的共空间嵌入器、所述定位数据自相关显著化融合器和所述基于解码器的定位优化器进行训练。
7.根据权利要求6所述的基于多传感器融合的无人智能巡检方法，其特征在于，所述训练步骤，包括：
8.一种基于多传感器融合的无人智能巡检车，其特征在于，所述基于多传感器融合的无人智能巡检车用于执行由权利要求1-7的所述基于多传感器融合的无人智能巡检方法。
...【技术特征摘要】
1.一种基于多传感器融合的无人智能巡检方法，其特征在于，包括：
2.根据权利要求1所述的基于多传感器融合的无人智能巡检方法，其特征在于，所述基于深度神经网络的定位数据时序关联模式特征提取器为基于一维卷积层的定位数据时序关联模式特征提取器。
3.根据权利要求2所述的基于多传感器融合的无人智能巡检方法，其特征在于，将所述gps定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述imu定位数据时序关联特征向量进行共空间嵌入处理以得到共空间嵌入gps定位数据时序关联特征向量、共空间嵌入里程计定位数据时序关联特征向量和共空间嵌入imu定位数据时序关联特征向量，包括：将所述gps定位数据时序关联特征向量、所述里程计定位数据时序关联特征向量和所述imu定位数据时序关联特征向量通过基于全连接层的共空间嵌入器以得到所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据时序关联特征向量。
4.根据权利要求3所述的基于多传感器融合的无人智能巡检方法，其特征在于，将所述共空间嵌入gps定位数据时序关联特征向量、所述共空间嵌入里程计定位数据时序关联特征向量和所述共空间嵌入imu定位数据...
【专利技术属性】
技术研发人员：潘正义，
申请(专利权)人：北京励图锐新科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。