[发明专利]绘图机器人及其控制方法

说明书

本申请涉及测绘的领域，其具体地公开了一种绘图机器人及其控制方法，其通过卷积神经网络模型分别提取出所述预定时间段内的接收信号波形图和多个时间点的深度图在高维空间中的特征分布表示，并利用多层感知机模型对每个所述深度图中的每个像素的方位信息进行转化以得到对应于每个所述深度图的体积密度值，进一步再基于所述第一特征矩阵的每个位置的特征值和其对应的所述体积密度值，对于整个所述第一特征矩阵求和以获得体积渲染值，这样融合所述第一特征向量与所述多个体积渲染值构成的第二特征向量进行分类能够提高分类结果的准确性。这样，可以对所述测绘机器人当前飞行的高度合理性进行准确地判断，以确保空间分辨率满足预设要求。

技术领域

本发明涉及测绘的领域，且更为具体地，涉及一种绘图机器人及其控制方法。

背景技术

无人机的出现可以说对我们生活中的许多领域进行了一场革命，影响最大的可能要属测绘领域。这些小型的飞行器可以在任何区域只需要几分钟或者几小时就能够将区域图给绘制完成，与传统的人工绘制相比大大提升了作业效率。此外，即便是非专业人士，通过使用一些专业设备也可以完成摄影测量或3D建模等任务。

在测绘领域中，最重要的参数之一则是空间分辨率，在摄影测量术中将其描述为GSD(地面采样距离)，其定义为在地面上测量的两个连续像素中心之间的距离。如何控制相机与地形表面之间的相对位置关系以确保空间分辨率满足预设要求，是绘图机器人完成出色绘图的关键。

因此，期待一种优化的用于绘图机器人的控制方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种绘图机器人及其控制方法，其通过卷积神经网络模型分别提取出所述预定时间段内的接收信号波形图和多个时间点的深度图在高维空间中的特征分布表示，并利用多层感知机模型对每个所述深度图中的每个像素方位进行转化以得到对应于每个所述深度图的体积密度值，进一步再基于所述第一特征矩阵的每个位置的特征值和其对应的所述体积密度值，对于整个所述第一特征矩阵求和以获得体积渲染值，这样融合所述第一特征向量与所述多个体积渲染值构成的第二特征向量进行分类能够提高分类结果的准确性。通过这样的方式，可以对所述测绘机器人当前飞行的高度合理性进行准确地判断，以确保空间分辨率满足预设要求。

根据本申请的一个方面，提供了一种绘图机器人，其包括：

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。