(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221020431 1.4 (22)申请日 2022.03.03 (71)申请人 上海土蜂科技有限公司 地址 201800 上海市嘉定区环城路2 222号1 幢J (72)发明人 魏庆前　 (74)专利代理 机构 上海领洋专利代理事务所 (普通合伙) 31292 专利代理师 罗晓鹏 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06T 7/50(2017.01) G06N 3/04(2006.01)G01S 13/89(2006.01) G01C 11/02(2006.01) (54)发明名称 绘图机器人及其控制方法 (57)摘要 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。 权利要求书2页 说明书12页 附图4页 CN 114626448 A 2022.06.14 CN 114626448 A 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， 所述公权　利　要　求　书 1/2 页 2 CN 114626448 A 2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。 8.一种绘图机器人的控制方法， 其特 征在于， 包括： 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； 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； 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； 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； 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； 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； 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； 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 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。 9.根据权利要求8所述的绘图机器人的控制方法， 其中， 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， 包括： 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。 10.根据权利要求8所述的绘图机器人的控制方法， 其中， 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， 包括： 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。权　利　要　求　书 2/2 页 3 CN 114626448 A 3