一种地外探测中基于自学习的装箱归置决策优化方法技术

一种地外探测中基于自学习的装箱归置决策优化方法，包括：对获得的样本进行三维重建，获得对应的点云描述；对储存盒内放置环境进行拍照，获取储存盒深度图；建立点云特征提取网络，用于提取样品矿石特征；将提取到的样品矿石的特征平铺成矩阵，与储存盒深度图叠加在一起，得到当前环境状态；采用强化学习方法，将当前环境状态输入网络，网络输出样本的放置位置。本发明专利技术利用相机获取储存盒的深度图作为状态输入网络，能够处理由于外部干扰导致储存盒内样矿石发生移动的放置情况，从而适应地表复杂崎岖环境产生的外部干扰，鲁棒性好；计算时间短、速度快，具有广泛的应用前景。具有广泛的应用前景。具有广泛的应用前景。

【技术实现步骤摘要】
一种地外探测中基于自学习的装箱归置决策优化方法


[0001]本专利技术涉及一种地外探测中基于自学习的装箱归置决策优化方法，属于运输业


技术介绍

[0002]在进行地外行星探测任务时，往往需要进行样品矿石采样，而地外探测无人系统携带的储存盒体积有限，单次作业需要采集尽可能多的样品矿物，进而提高无人系统的工作效率。同时考虑到无人系统在星表未知场景移动作业时会造成储存盒剧烈晃动，导致储存盒内采集的物体移动，位置发生变化，使得储存盒内的环境和理想情况存在巨大差异，另外，在样品采集与优化放置过程中存在各种不确定的环境干扰和测量误差，使得地外探测物体放置优化问题比一般的BPP问题的优化难度更大，情况也更为复杂。传统的优化算法不再适用于该问题。
[0003]对于传统制造业领域和运输业领域的矩形件排样问题，在优化过程中一旦存在噪声或干扰，传统的排样优化算法无法得到最优排样结果。另外，传统的排样优化算法存在计算量大和耗时长的问题。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，解决了地外探测中装箱归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地外探测中基于自学习的装箱归置决策优化方法，其特征在于，包括：对获得的样本进行三维重建，获得对应的点云描述；对储存盒内放置环境进行拍照，获取储存盒深度图；建立点云特征提取网络，用于提取样品矿石特征；将提取到的样品矿石的特征平铺成矩阵，与储存盒深度图叠加在一起，得到当前环境状态；采用强化学习方法，将当前环境状态输入网络，网络输出样本的放置位置。2.根据权利要求1所述的装箱归置决策优化方法，其特征在于，利用三维重建对矩形样本进行三维重建，获得其点云描述，为了减少计算量，均匀选取至多3000个点。3.根据权利要求1所述的装箱归置决策优化方法，其特征在于，在储存盒正上方放置相机，相机俯视储存盒，对储存盒的样品放置环境进行拍照，获得深度图。4.根据权利要求1所述的装箱归置决策优化方法，其特征在于，建立点云特征提取网络，经过点云特征提取网络的提取，最终输出10
×
1的特征表示向量，作为提取的样品矿石特征。5.根据权利要求4所述的装箱归置决策优化方法，...

【专利技术属性】
技术研发人员：谢心如，黄煌，汤亮，刘昊，高锡珍，
申请(专利权)人：北京控制工程研究所，
类型：发明
国别省市：