具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

自动导引车辆(Automated Guided Vehicle：AGV)是指装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车，AGV属于轮式移动机器人(WMR――Wheeled Mobile Robot)的范畴。工业应用中，自动导引车辆可用作不需驾驶员的搬运车，以可充电之蓄电池为其动力来源，通过电脑来控制其行进路线以及行为。

目前，为了判定自动导引车辆是否偏航，提出了各种方法。但由于是否偏航很难建模并判断，因此，现有的基于计算机的是否偏航的判断算法的精确度不高且实时性也难以保证。因此，期望一种优化的基于超声波测距的自动导引车辆导航系统及运行方法

本发明申请人注意到，在自动导引车辆中都配有同步定位和建图(simultaneouslocalization and mapping：SLAM)系统，因此，大部分自动导引车辆配备了超声波测距系统，因此，本申请的申请人考虑通过超声波测距系统来进行偏航的判断。

由于自动导引车辆的超声波测距系统通常包含多个发射器和多个接收器，因此当自动导引车辆未偏航时，其多个发射器的发射功率和多个接收器的接收功率之间必然会满足预定关系，因此，如果能够建立多个发射器的发射功率和多个接收器的接收功率相对于是否偏航之间的函数关系，则可基于多个发射器的发射功率数据和多个接收器的接收功率数据来进行偏航判定。

因此，本申请的申请人使用能够挖掘出数据之间的高维关联特征的卷积神经网络来进行特征提取，也就是，首先获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值，并排列为发射功率向量，同时获取自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值，并排列为接收功率向量。然后，将该发射功率向量乘以接收功率向量的转置以得到发射-接收关系数据矩阵，并将其通过卷积神经网络以获得特征图。

在对特征图通过分类器进行回归时，本申请的申请人发现由于特征图的各个位置的特征值之间的共线性问题较为严重，因此回归过程存在过拟合问题而导致分类精度受到影响。基于此，本申请的申请人应用基于给定关联矩阵的共信道干涉建模技术来对特征图进行修正，表示为：

其中，f_ij为未修正的特征图的特征值，h_ij表示第i个发射器到第j个接收器的信道功率增益，T_i表示第i个发射器的发射功率，R_j表示第j个接收器的接收器功率，且σ²表示加性白高斯噪声的功率。

这样，将修正的特征图通过分类器获得分类结果，该分类结果表示当前自动导引车辆是否偏航。

基于此，本申请提供了一种基于超声波测距的自动导引车辆导航系统，其包括：发射功率单元，用于获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值；第一向量构造单元，用于将所述多个发射器的多个发射功率数值构造为发射功率向量；接收功率单元，用于获取所述自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值；第二向量构造单元，用于将所述多个接收器的多个接收功率数值构造为接收功率向量；关系矩阵构建单元，用于基于所述发射功率向量和所述接收功率向量构造发射-接收关系数据矩阵；空间卷积单元，用于使用卷积神经网络对所述发射-接收关系数据矩阵进行空间卷积处理以获得特征图；特征图修正单元，用于基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述给定关联矩阵的共信道干涉模型基于所述发射器到所述接收器的信道功率增益、所述发射器的发射功率和所述接收器的接收器功率生成；以及，偏航判断单元，用于将所述修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航。

图1图示了根据本申请实施例的基于超声波测距的自动导引车辆导航系统的应用场景图。如图1所示，在该应用场景中，从自动导引车辆(例如，如图1中所示意的A)的超声波测距系统获取多个发射器和多个接收器的对应功率值并构造为对应的发射功率向量和接收功率向量(例如，如图1中所示意的N)；然后，将所述超声波测距系统的发射功率向量和接收功率向量输入到部署超声波测距的自动导引车辆导航系统算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于超声波测距的自动导引车辆导航系统算法对所述自动导引车辆当前运行的路线进行判定，以确定自动导引车辆是否偏航。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的基于超声波测距的自动导引车辆导航系统的框图。如图2所示，根据申请实施例的基于超声波测距的自动导引车辆导航系统200，包括：发射功率单元210，用于获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值；第一向量构造单元220，用于将所述发射功率单元210获得的多个发射器的多个发射功率数值构造为发射功率向量；接收功率单元230，用于获取所述自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值；第二向量构造单元240，用于将所述接收功率单元230获得的多个接收器的多个接收功率数值构造为接收功率向量；关系矩阵构建单元250，用于基于所述第一向量构造单元220生成的发射功率向量和所述第二向量构造单元240生成的接收功率向量构造发射-接收关系数据矩阵；空间卷积单元260，用于使用卷积神经网络对所述关系矩阵构建单元250生成的发射-接收关系数据矩阵进行空间卷积处理以获得特征图；特征图修正单元270，用于基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述给定关联矩阵的共信道干涉模型基于所述发射器到所述接收器的信道功率增益、所述发射器的发射功率和所述接收器的接收器功率生成；以及，偏航判断单元280，用于将所述特征图修正单元270生成的修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航。

在所述基于超声波测距的自动导引车辆导航系统200的运行过程中，首先所述发射功率单元210获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值。然后，所述第一向量构造单元220将所述发射功率单元210获得的多个发射器的多个发射功率数值构造为发射功率向量。也就是，首先获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值，并排列为发射功率向量。

如前所述，由于自动导引车辆的超声波测距系统通常包含多个发射器和多个接收器，因此当自动导引车辆未偏航时，其多个发射器的发射功率和多个接收器的接收功率之间必然会满足预定关系，因此，如果能够建立多个发射器的发射功率和多个接收器的接收功率相对于是否偏航之间的函数关系，则可基于多个发射器的发射功率数据和多个接收器的接收功率数据来进行偏航判定。这里，发射器包括但不限于激光发射器、VCSEL等。

进一步地，在本申请实施例中，所述第一向量构造单元220，进一步用于以如下公式对所述多个发射器的多个发射功率数值进行归一化处理，其中，所述公式为：Y＝(Xi-Xmin)/(Xmax-Xmin)，Xmin表示多个发射功率数值中的最小者、Xmax表示多个发射功率数值中的最大者；以及，将归一化处理后的所述多个发射功率数值按发射器维度排列为所述发射功率向量。应可以理解，通过归一化可以统一数值规范，便于计算。

相应地，在所述基于超声波测距的自动导引车辆导航系统200的运行过程中，所述接收功率单元230获取所述自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值。然后，所述第二向量构造单元240将所述接收功率单元230获得的多个接收器的多个接收功率数值构造为接收功率向量。如上所述，应可以理解，上述步骤即是为了获取发射功率和接收功率对应向量，以便构建多个发射器的发射功率和多个接收器的接收功率相对于是否偏航之间的函数关系。

进一步地，在本申请实施例中，所述第二向量构造单元240，进一步用于：以如下公式对所述多个接收器的多个接收功率数值进行归一化处理，其中，所述公式为Z＝(Mi-μ)/σ，μ为所述多个接收功率数值的均值，σ为所述多个接收功率数值的标准差；以及，将归一化处理后的所述多个接收功率数值按接收器维度排列为所述接收功率向量。

进一步地，在所述基于超声波测距的自动导引车辆导航系统200的运行过程中，所述关系矩阵构建单元250基于所述第一向量构造单元220生成的发射功率向量和所述第二向量构造单元240生成的接收功率向量构造发射-接收关系数据矩阵。在本申请一示例中，所述关系矩阵构建单元250进一步用于：将所述发射功率向量与所述接收功率向量的转置进行向量相乘以获得所述发射-接收关系数据矩阵。也就是，将该发射功率向量乘以接收功率向量的转置以得到发射-接收关系数据矩阵，所述发射-接收关系数据矩阵表示所述自动导引车辆的多个发射器的发射功率和多个接收器的接收功率之间的对应关系。

进一步地，在所述基于超声波测距的自动导引车辆导航系统200的运行过程中，所述空间卷积单元260使用卷积神经网络对所述关系矩阵构建单元250生成的发射-接收关系数据矩阵进行空间卷积处理以获得特征图。也就是，将该发射功率向量乘以接收功率向量的转置以得到发射-接收关系数据矩阵，并将其通过卷积神经网络以获得特征图。

在本申请一个具体的示例中，所述卷积神经网络可采用深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

应可以理解，在对特征图通过分类器进行回归时，本申请的申请人发现由于特征图的各个位置的特征值之间的共线性问题较为严重，因此回归过程存在过拟合问题而导致分类精度受到影响，基于此，本申请的申请人应用基于给定关联矩阵的共信道干涉建模技术来对特征图进行修正。

相应地，在所述基于超声波测距的自动导引车辆导航系统200的运行过程中，所述特征图修正单元270基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述给定关联矩阵的共信道干涉模型基于所述发射器到所述接收器的信道功率增益、所述发射器的发射功率和所述接收器的接收器功率生成。

进一步地，在本申请实施例中，所述特征图修正单元270，进一步用于：以如下公式基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述公式为：

其中，f_ij为未修正的特征图的特征值，h_ij表示第i个发射器到第j个接收器的信道功率增益，T_i表示第i个发射器的发射功率，R_j表示第j个接收器的接收器功率，且σ²表示加性白高斯噪声的功率。

进一步地，在所述基于超声波测距的自动导引车辆导航系统200中，所述偏航判断单元280将所述特征图修正单元270生成的修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航。也就是，将修正的特征图通过分类器获得分类结果，该分类结果表示当前自动导引车辆是否偏航，从而进行偏航判断。

如图3所示，进一步地，在本申请一示例中，所述偏航判断单元280，进一步包括：分类特征向量生成子单元281，用于将所述修正特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述修正特征图进行编码以获得分类特征向量；概率生成子单元282，用于将所述分类特征向量输入具有分类标签的分类器以获得所述分类特征向量归属于所述自动导引车辆偏航的第一概率以及所述分类特征向量归属于所述自动导引车辆不偏航的第二概率；以及，分类结果生成子单元283，用于基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。

进一步地，在所述基于超声波测距的自动导引车辆导航系统200中，基于所述偏航判断单元280生成的分类结果，对自动引导车辆的行进路线偏航的情况进行示警，以进一步利于保证自动引导车辆能正确行使在预定线路上。

综上，基于本申请的基于超声波测距的自动导引车辆导航系统被阐明，其以基于深度神经网络的人工智能技术建立自动导引车辆中多个发射器的发射功率和多个接收器的接收功率相对于是否偏航之间的模式规律，通过这样的方式，基于多个发射器的发射功率数据和多个接收器的接收功率数据来进行偏航判定，以进一步利于保证自动引导车辆能正确行使在预定线路上。

如上所述，根据本申请实施例的基于超声波测距的自动导引车辆导航系统200可以实现在服务器中，例如，云服务器、终端服务器等。在一个示例中，根据本申请实施例的基于超声波测距的自动导引车辆导航系统200可以作为一个软件模块和/或硬件模块而集成到服务器中。例如，该基于超声波测距的自动导引车辆导航系统200可以是该服务器的操作系统中的一个软件模块，或者可以是针对于该服务器所开发的一个应用程序；当然，该基于超声波测距的自动导引车辆导航系统200同样可以是该服务器的众多硬件模块之一。

替换地，在另一示例中，该基于超声波测距的自动导引车辆导航系统200与该服务器也可以是分立的设备，并且该基于超声波测距的自动导引车辆导航系统200可以通过有线和/或无线网络连接到该服务器，并且按照约定的数据格式来传输交互信息。

示例性方法

图4图示了根本本申请实施例的一种基于超声波测距的自动导引车辆导航系统的运行方法的流程图。如图4所示，根本本申请实施例的基于超声波测距的自动导引车辆导航系统的运行方法，包括：S110，获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值；S120，将所述多个发射器的多个发射功率数值构造为发射功率向量；S130，获取所述自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值；S140，将所述多个接收器的多个接收功率数值构造为接收功率向量；S150，基于所述发射功率向量和所述接收功率向量构造发射-接收关系数据矩阵；S160，使用卷积神经网络对所述发射-接收关系数据矩阵进行空间卷积处理以获得特征图；S170，基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述给定关联矩阵的共信道干涉模型基于所述发射器到所述接收器的信道功率增益、所述发射器的发射功率和所述接收器的接收器功率生成；S180，将所述修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航。

图5为根据本申请实施例的基于超声波测距的自动导引车辆导航系统的运行方法的系统架构示意图。如图5所示，在该网络结构中，首先获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值(例如，如图5中所示意的N1)，并构造为发射功率向量(例如，如图5中所示意的V1)；同时，获取所述自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值(例如，如图5中所示意的N2)，并构造为接收功率向量(例如，如图5中所示意的V2)，然后，基于所述发射功率向量和所述接收功率向量构造发射-接收关系数据矩阵(例如，如图5中所示意的M)，将所述发射-接收关系数据矩阵通过卷积神经网络(例如，如图5中所示意的CNN)以获得特征图(例如，如图5中所示意的F1)，接着，基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图(例如，如图5中所示意的F2)，然后，将所述修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航。

在步骤S110和步骤S120中，获取自动导引车辆的超声波测距系统的多个发射器的多个发射功率数值，并将所述多个发射器的多个发射功率数值构造为发射功率向量。

更具体地，在本申请实施例中，将所述多个发射器的多个发射功率数值构造为发射功率向量，进一步包括：以如下公式对所述多个发射器的多个发射功率数值进行归一化处理，其中，所述公式为：Y＝(Xi-Xmin)/(Xmax-Xmin)，Xmin表示多个发射功率数值中的最小者、Xmax表示多个发射功率数值中的最大者；以及，将归一化处理后的所述多个发射功率数值按发射器维度排列为所述发射功率向量。应可以理解，通过归一化可以统一数值规范，便于计算。

在步骤S130和步骤S140中，获取所述自动导引车辆的超声波测距系统的多个接收器的多个接收功率数值，并将所述多个接收器的多个接收功率数值构造为接收功率向量。

更具体地，在本申请实施例中，将所述多个接收器的多个接收功率数值构造为接收功率向量，进一步包括：以如下公式对所述多个接收器的多个接收功率数值进行归一化处理，其中，所述公式为Z＝(Mi-μ)/σ，μ为所述多个接收功率数值的均值，σ为所述多个接收功率数值的标准差；以及，将归一化处理后的所述多个接收功率数值按接收器维度排列为所述接收功率向量。

在步骤S150中，基于所述发射功率向量和所述接收功率向量构造发射-接收关系数据矩阵。在本申请一示例中，所述基于所述发射功率向量和所述接收功率向量构造发射-接收关系数据矩阵，进一步包括：将所述发射功率向量与所述接收功率向量的转置进行向量相乘以获得所述发射-接收关系数据矩阵。也就是，将该发射功率向量乘以接收功率向量的转置以得到发射-接收关系数据矩阵。

在步骤S160中，使用卷积神经网络对所述发射-接收关系数据矩阵进行空间卷积处理以获得特征图。也就是，将该发射功率向量乘以接收功率向量的转置以得到发射-接收关系数据矩阵，并将其通过卷积神经网络以获得特征图。

在本申请一个具体的示例中，所述卷积神经网络可采用深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

在步骤S170中，基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述给定关联矩阵的共信道干涉模型基于所述发射器到所述接收器的信道功率增益、所述发射器的发射功率和所述接收器的接收器功率生成。

在本申请一示例中，所述基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，进一步包括：以如下公式基于给定关联矩阵的共信道干涉模型对所述特征图进行修正以获得修改特征图，其中，所述公式为：

其中，f_ij为未修正的特征图的特征值，h_ij表示第i个发射器到第j个接收器的信道功率增益，T_i表示第i个发射器的发射功率，R_j表示第j个接收器的接收器功率，且σ²表示加性白高斯噪声的功率。

应可以理解，在对特征图通过分类器进行回归时，本申请的申请人发现由于特征图的各个位置的特征值之间的共线性问题较为严重，因此回归过程存在过拟合问题而导致分类精度受到影响，基于此，本申请的申请人应用基于给定关联矩阵的共信道干涉建模技术来对特征图进行修正。

在步骤S180中，将所述修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航。也就是，将修正的特征图通过分类器获得分类结果，该分类结果表示当前自动导引车辆是否偏航，从而进行偏航判断。

如图6所示，根据本申请实施例的将所述修正特征图通过分类器以获得分类结果，所述分类结果用于表示所述自动导引车辆是否偏航，进一步包括：S210，将所述修正特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述修正特征图进行编码以获得分类特征向量；S220，将所述分类特征向量输入具有分类标签的分类器以获得所述分类特征向量归属于所述自动导引车辆偏航的第一概率以及所述分类特征向量归属于所述自动导引车辆不偏航的第二概率；以及，S230，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。

综上，基于本申请的基于超声波测距的自动导引车辆导航系统的运行方法被阐明，其以基于深度神经网络的人工智能技术建立自动导引车辆中多个发射器的发射功率和多个接收器的接收功率相对于是否偏航之间的模式规律，通过这样的方式，基于多个发射器的发射功率数据和多个接收器的接收功率数据来进行偏航判定，以进一步利于保证自动引导车辆能正确行使在预定线路上。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。