基于深度学习的无人驾驶塔机控制方法技术

本发明专利技术涉及塔机控制技术领域，更进一步地，涉及基于深度学习的无人驾驶塔机控制方法。所述方法执行以下步骤：步骤1：获取周围环境区域的全景图像；步骤2：构建周围环境区域的空间坐标系，构建障碍物的区域球；步骤3：接收塔机任务指令，应用路径搜索算法，确定塔机的起重臂运动的最佳路径；在得到最佳路径后，判断最佳路径是否经过了区域球，若是，则重新确定最佳路径，直到最佳路径没有经过任何区域球，将此时的路径作为最终路径；步骤4：基于塔机运行数据控制塔机完成本次任务操作。本发明专利技术实现了精准定位、实现了自主导航和路径规划，实现了能耗优化，推动无人驾驶塔机技术的发展和应用。和应用。和应用。

【技术实现步骤摘要】
基于深度学习的无人驾驶塔机控制方法


[0001]本专利技术属于塔机控制
，具体涉及基于深度学习的无人驾驶塔机控制方法。

技术介绍

[0002]随着科技的不断发展和工程建设的需求增加，无人驾驶塔机作为一种高效、自动化的工程机械设备，得到了广泛的应用。传统的无人驾驶塔机控制方法主要依赖于人工操作和传感器的使用，存在一些问题，如安全性、操作效率和能耗优化等方面的挑战。为了克服这些问题，近年来涌现出一些技术和方法，试图改善无人驾驶塔机的控制性能和自主性。
[0003]目前，针对无人驾驶塔机控制的现有技术主要集中在以下几个方面：传统遥控操作：传统的无人驾驶塔机主要通过人工遥控操作来实现，操作人员需要具备专业的技术和经验。这种方法存在操作依赖性强、操作效率低和安全风险高的问题。而且，在复杂的施工环境中，操作人员面临的压力和风险更大，容易出现误操作和事故。
[0004]传感器辅助定位：为了提高无人驾驶塔机的定位准确性，一些现有技术利用传感器，如全球定位系统（GPS）、惯性导航系统（INS）和激光测距仪等，对塔机位置进行测量和定位。然而，这些传感器在复杂的施工环境中可能受到遮挡、多路径传播和信号干扰等问题的影响，导致定位误差较大，无法满足精准定位的要求。
[0005]路径规划算法：为了实现无人驾驶塔机的自主导航和路径规划，一些现有技术采用了传统的路径搜索算法，如Dijkstra算法、A*算法等。然而，这些算法仅考虑了最短路径的计算，忽略了塔机的操作限制和环境约束。在实际施工场景中，塔机需要绕过障碍物、避免碰撞，并考虑到操作动作的合理性和能耗优化等因素，传统路径规划算法无法满足这些要求。
[0006]尽管已经有一些技术在无人驾驶塔机控制领域取得了一定的进展，但仍然存在一些问题和挑战。现有技术在安全性方面，对于障碍物的感知和定位仍然存在一定的局限性。传感器辅助定位技术虽然可以提供一定的定位准确性，但在复杂的施工环境中仍然容易受到干扰和误差的影响，导致定位不够精准。路径规划算法在考虑最短路径的同时，未能考虑到塔机的操作限制和环境约束，导致规划出的路径不够安全和高效。
[0007]此外，现有技术在操作效率和能耗优化方面也存在一些限制。传统的遥控操作依赖于操作人员的技能和经验，操作效率较低，并且容易出现误操作和事故。而且，在大型施工工地上，需要同时操作多台塔机，人工遥控操作的效率更是受到限制。现有的能耗优化方法也较为有限，缺乏针对塔机操作特点的专门优化策略，无法实现最佳的操作节能效果。

技术实现思路

[0008]本专利技术的主要目的在于提供基于深度学习的无人驾驶塔机控制方法，具有高安全性和操作效率高的优点；本专利技术实现了精准定位、实现了自主导航和路径规划和实现了能耗优化，推动无人驾驶塔机技术的发展和应用。
[0009]为了解决上述问题，本专利技术的技术方案是这样实现的：基于深度学习的无人驾驶塔机控制方法，所述方法执行以下步骤：步骤1：以塔机的塔身所处位置作为塔机中心位置，围绕塔机中心位置，以塔机最大臂长为半径，以起重臂最高位置为顶面位置，以起重臂最低位置为底面位置，构建一个圆柱形区域作为周围环境区域；以塔机中心位置为中心，图像获取装置按照设定的周期间隔，旋转360度，获取周围环境区域的全景图像；步骤2：构建周围环境区域的空间坐标系，对全景图像进行图像识别和分析，以找到全景图像中的障碍物；对于每个障碍物，以障碍物的质心为圆心，以障碍物上距离圆心最短的点为半径，构建障碍物的区域球；步骤3：接收塔机任务指令，所述塔机任务指令至少包括：任务起点、任务终点和操作动作；基于任务起点和任务终点，进行塔机路径规划，具体包括：基于任务起点和任务终点，应用路径搜索算法，确定塔机的起重臂运动的最佳路径；在得到最佳路径后，判断最佳路径是否经过了区域球，若是，则重新确定最佳路径，直到最佳路径没有经过任何区域球，将此时的路径作为最终路径；步骤4：获取塔机运行数据；基于塔机运行数据、操作动作和最终路径，进行动作规划，具体包括：基于塔机运行数据，获得塔机姿态数据和起重臂位置数据；结合塔机姿态数据、起重臂位置数据、操作动作和最终路径，制定执行操作的动作序列，将该动作序列作为最终的控制命令，控制塔机完成本次任务操作。
[0010]进一步的，所述操作动作的种类包括：垂直运动、旋转和平移；所述塔机姿态数据至少包括：塔头相对于塔机底座的旋转角度、吊具的旋转角度和吊具的摆动角度；所述起重臂位置数据至少包括：起重臂实时长度、起重臂实时俯仰角度和起重臂实时相对于塔机底座的旋转角度。
[0011]进一步的，所述步骤3基于任务起点和任务终点，应用路径搜索算法，确定塔机的起重臂运动的最佳路径的方法包括：将周围环境区域定义为空间集合，所述空间集合包括节点集合和边集合；定义任务起点为和任务终点为；定义空间群体，所述空间群体中包括多个成员，每个成员代表一个候选解；设置迭代次数为，迭代计数器为，最佳路径为，以及最优适应度值为；对于每个成员，计算其适应度值；适应度值表示该成员到达终止节点的路径长度；初始时，将所有成员的适应度值设为无穷大，即；将起始节点的适应度值设为零，即；当迭代计数器小于时，执行以下步骤：对于每个成员，更新其位置和速度，以模拟成员的移动行为；这里的位置表示当前节点，速度表示路径搜索的方向；根据更新后的位置和速度，计算成员的新适应度值；如果小于当前适应度值，则使用如下公式更新适应度值和最佳路径：，；通过选择适应度值最小的成员，使用如下公式更新当前最优适应度值：
；增加迭代计数器；最佳路径即为从起始节点到终止节点的最短路径。
[0012]进一步的，在得到最佳路径后，若最佳路径经过了区域球，重新确定最佳路径的方法包括：从空间群体中删除该最佳路径对应的成员，重新进行最佳路径的计算。
[0013]进一步的， 所述步骤4包括：步骤4.1：将塔机整体划分为多个子部分，所述子部分包括：起重臂、塔头、塔身、旋转底座和配重块；步骤4.2：对于每个子部分，将其视为一个操作主体，为其分配三个操作动作，分别为：垂直运动、旋转和平移；以组成一个操作单元，所述操作单元包括：操作主体和操作动作；步骤4.3：获取塔机的历史运行数据，所述历史运行数据包括塔机的每个操作单元的操作主体在执行不同的操作动作时对应的能耗数据；所述操作动作对应的能耗数据定义为：操作主体在执行一个标准单位的操作动作时，对应的能量消耗数据；步骤4.4：基于历史运行数据，使用深度学习的方法，建立塔机操作能耗模型；步骤4.5：结合塔机姿态数据、起重臂位置数据、操作动作和最终路径，利用穷举的方式计算出能够完成本次任务的所有动作序列，使用太极操作能耗模型，计算每个动作序列的能耗值，将能耗值最低的动作序列作为完成本次任务的动作序列。
[0014]进一步的，在每个操作主体垂直运动或平移时，所述标准单位定义为：一米；在每个操作主体旋转时，所述标准单位定义为：一度。
[0015]进一步的，所述塔机操作能耗模型的使用如下公式进行表示：；其中，为能耗值，为每个子部分，即每个操作主体的权重系数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的无人驾驶塔机控制方法，其特征在于，所述方法执行以下步骤：步骤1：以塔机的塔身所处位置作为塔机中心位置，围绕塔机中心位置，以塔机最大臂长为半径，以起重臂最高位置为顶面位置，以起重臂最低位置为底面位置，构建一个圆柱形区域作为周围环境区域；以塔机中心位置为中心，图像获取装置按照设定的周期间隔，旋转360度，获取周围环境区域的全景图像；步骤2：构建周围环境区域的空间坐标系，对全景图像进行图像识别和分析，以找到全景图像中的障碍物；对于每个障碍物，以障碍物的质心为圆心，以障碍物上距离圆心最短的点为半径，构建障碍物的区域球；步骤3：接收塔机任务指令，所述塔机任务指令至少包括：任务起点、任务终点和操作动作；基于任务起点和任务终点，进行塔机路径规划，具体包括：基于任务起点和任务终点，应用路径搜索算法，确定塔机的起重臂运动的最佳路径；在得到最佳路径后，判断最佳路径是否经过了区域球，若是，则重新确定最佳路径，直到最佳路径没有经过任何区域球，将此时的路径作为最终路径；步骤4：获取塔机运行数据；基于塔机运行数据、操作动作和最终路径，进行动作规划，具体包括：基于塔机运行数据，获得塔机姿态数据和起重臂位置数据；结合塔机姿态数据、起重臂位置数据、操作动作和最终路径，制定执行操作的动作序列，将该动作序列作为最终的控制命令，控制塔机完成本次任务操作。2.如权利要求1所述的基于深度学习的无人驾驶塔机控制方法，其特征在于，所述操作动作的种类包括：垂直运动、旋转和平移；所述塔机姿态数据至少包括：塔头相对于塔机底座的旋转角度、吊具的旋转角度和吊具的摆动角度；所述起重臂位置数据至少包括：起重臂实时长度、起重臂实时俯仰角度和起重臂实时相对于塔机底座的旋转角度。3.如权利要求2所述的基于深度学习的无人驾驶塔机控制方法，其特征在于，所述步骤3基于任务起点和任务终点，应用路径搜索算法，确定塔机的起重臂运动的最佳路径的方法包括：将周围环境区域定义为空间集合，所述空间集合包括节点集合和边集合；定义任务起点为和任务终点为；定义空间群体，所述空间群体中包括多个成员，每个成员代表一个候选解；设置迭代次数为，迭代计数器为，最佳路径为，以及最优适应度值为；对于每个成员，计算其适应度值；适应度值表示该成员到达终止节点的路径长度；初始时，将所有成员的适应度值设为无穷大，即；将起始节点的适应度值设为零，即；当迭代计数器小于时，执行以下步骤：对于每个成员，更新其位置和速度，以模拟成员的移动行为；这里的位置表示当前节点，速度表示路径搜索的方向；根据更新后的位置和速度，计算成员的新适应度值；如果小于当前适应度值，则使用如下公式更新适应度值和最佳路径：，；通过选择适应度值最小的成员，使用如下公式更新当前最优适应度值：
；增加迭代计数器；最佳路径即为从起始节点到终止节点的最短路径。4.如权利要求3所述的基于深度学习的无人驾驶塔机控制方法，其特...

【专利技术属性】
技术研发人员：阮辉华，何顺雄，刘顺利，孙兆帅，吴元章，张正嵩，张旭日，李洪鹏，李茂，
申请(专利权)人：山东中建众力设备租赁有限公司，
类型：发明
国别省市：