[发明专利]绘图机器人及其控制方法在审

专利信息
申请号: 202210204311.4 申请日: 2022-03-03
公开(公告)号: CN114626448A 公开(公告)日: 2022-06-14
发明(设计)人: 魏庆前 申请(专利权)人: 上海土蜂科技有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06V10/764;G06V10/80;G06T7/50;G06N3/04;G01S13/89;G01C11/02
代理公司: 上海领洋专利代理事务所(普通合伙) 31292 代理人: 罗晓鹏
地址: 201800 上海*** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 绘图 机器人 及其 控制 方法
【权利要求书】:

1.一种绘图机器人,其特征在于,包括:

第一源数据获取单元,用于通过部署于绘图机器人的毫米波雷达获取预定时间段内的接收波的波形图;

第一神经网络单元,用于将所述预定时间段的接收波的波形图输入第一卷积神经网络以获得第一特征向量;

第二源数据获取单元,用于通过部署于所述绘图机器人的深度相机获取所述预定时间段内的多个时间点的深度图,所述时间点的数目与所述第一特征向量的长度相同;

第二神经网络编码单元,用于对于每个所述深度图,将每个所述深度图通过第二卷积神经网络以获得第一特征矩阵;

方位信息编码单元,用于对于每个所述深度图,将每个所述深度图中每个像素的方位信息通过多层感知机模型以将每个所述像素的方位信息转化为一个体积密度值以获得对应于每个所述深度图的体积密度值矩阵;

体积渲染值计算单元,用于计算所述体积密度值矩阵相对于所述第一特征矩阵的体积渲染值,所述体积渲染值为所述第一特征矩阵中各个位置的特征值和其对应的体积密度值对于整个所述第一特征矩阵进行求和;

特征向量构造单元,用于将与所述多个时间点的深度图对应的多个体积渲染值排列为第二特征向量;

特征向量融合单元,用于融合所述第一特征向量和所述第二特征向量以获得分类特征向量;以及

控制单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示所述绘图机器人的当前飞行高度是否合适。

2.根据权利要求1所述的绘图机器人,其中,所述第一神经网络单元,进一步用于使用所述第一卷积网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量,其中,所述第一卷积神经网络的输入为所述预定时间段的接收波的波形图。

3.根据权利要求2所述的绘图机器人,其中,所述第二神经网络编码单元,进一步用于使用所述第二卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述第一特征矩阵,其中,所述第二卷积神经网络的第一层的输入为各个所述深度图。

4.根据权利要求3所述的绘图机器人,其中,在所述深度图的各个像素点的方位信息中,

5.根据权利要求4所述的绘图机器人,其中,所述体积渲染值计算单元,进一步用于以如下公式计算所述体积密度值矩阵相对于所述第一特征矩阵的体积渲染值,其中,所述公式为:

其中,fi,j为所述第一特征矩阵中各个位置的特征值,σi,j为所述体积密度值矩阵中各个位置的体积密度值。

6.根据权利要求5所述的绘图机器人,其中,所述特征向量融合单元,进一步用于计算所述第一特征向量和所述第二特征向量的按位置加权和以获得所述分类特征向量。

7.根据权利要求6所述的绘图机器人,其中,所述控制单元,进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以生成所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海土蜂科技有限公司,未经上海土蜂科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210204311.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top