本發明涉及定測機器人技術，尤其涉及一種復雜環境下信號定測機器人自動走行與定位方法及系統。

背景技術：

1、傳統的信號定測機器人在復雜環境下的自主導航能力有限。它們通常依賴單一的傳感器數據進行環境感知，無法全面準確地捕捉復雜環境中的各種障礙物和動態變化，導致在復雜場景中容易發生碰撞或陷入死角。

2、現有的信號源定位方法精度不高，難以滿足復雜環境下的精確定位需求。大多數方法僅利用信號強度或到達角等單一特征進行定位，未能充分利用信號的多維特征信息，導致在多徑效應嚴重的復雜室內環境中定位精度較低。

3、現有技術缺乏有效的多源信息融合機制。信號定測機器人往往將環境感知、自主導航和信號定位等功能割裂開來，未能實現各模塊間的信息共享和協同優化，難以在復雜多變的環境中實現穩定可靠的自動走行與精確定位。

技術實現思路

1、本發明實施例提供一種復雜環境下信號定測機器人自動走行與定位方法及系統，能夠解決現有技術中的問題。

2、本發明實施例的第一方面，

3、提供一種復雜環境下信號定測機器人自動走行與定位方法，包括：

4、獲取室內三維地圖數據，通過雙目視覺傳感器和三維激光雷達掃描獲取環境多模態感知數據，對所述多模態感知數據進行特征提取得到環境特征數據，采用圖神經網絡對所述環境特征數據進行語義分割得到場景語義信息，結合點云配準技術將所述場景語義信息與三維地圖數據進行實時匹配得到環境匹配數據，將所述環境匹配數據輸入預訓練的軌跡規劃模型，融合所述場景語義信息中的障礙物位置預測信息和機器人運動約束參數，生成機器人運動軌跡規劃數據；

5、基于所述機器人運動軌跡規劃數據控制機器人移動，通過相控陣天線系統中的正交極化定向天線陣列對待測信號進行寬帶并行采集，獲取包含信號強度、到達角、相位差和極化特性的多維信號特征數據，將所述多維信號特征數據與機器人實時位姿數據和預設的環境電磁傳播模型參數輸入張量分解模型，構建信號特征分布圖，將所述信號特征分布圖輸入深度神經網絡進行特征提取得到信號特征向量，基于多源信息融合算法處理所述信號特征向量得到信號源初始位置數據和信號發射特性數據；

6、根據所述信號源初始位置數據和所述信號發射特性數據，采用分區策略劃分測量區域，在所述測量區域內構建采樣網格點位，控制機器人在所述采樣網格點位進行信號測量，采用空時二維自適應波束形成算法處理多維信號特征數據，結合多徑效應補償構建信號傳播模型，通過多約束優化算法計算信號源三維空間坐標，采用粒子濾波算法對所述信號源三維空間坐標進行修正，基于深度校準網絡將修正后的信號源三維空間坐標與室內三維地圖數據進行融合標定，輸出最終的信號源位置坐標。

7、在一種可選的實施例中，

8、采用圖神經網絡對所述環境特征數據進行語義分割得到場景語義信息，結合點云配準技術將所述場景語義信息與三維地圖數據進行實時匹配得到環境匹配數據包括：

9、采用自適應采樣對所述環境特征數據中的每個點計算局部特征熵，基于所述局部特征熵設置采樣密度閾值進行降采樣得到特征點序列，構建所述特征點序列的多尺度協方差矩陣提取幾何特征向量，融合所述幾何特征向量與深度特征向量生成頂點特征向量，采用動態閾值k近鄰算法構建圖結構網絡，計算所述圖結構網絡中連接邊的空間傳播特征與幾何相似度得到邊特征向量；

10、將所述頂點特征向量與邊特征向量輸入多頭交叉注意力網絡，通過特征通道重標定與空間位置編碼得到注意力權重系數，基于所述注意力權重系數對圖結構網絡中的特征進行自適應聚合得到局部融合特征，將所述局部融合特征輸入殘差特征增強網絡提取判別性特征，對所述判別性特征進行譜域變換后輸入動態圖卷積網絡得到場景語義信息；

11、基于所述場景語義信息構建語義一致性約束的相似度度量模型，通過雙向交叉驗證篩選可靠匹配點對，對所述匹配點對進行概率采樣并結合局部幾何結構一致性約束計算變換矩陣，采用魯棒性評估準則選擇最優初始變換矩陣；

12、采用層次化kd樹對所述最優初始變換矩陣覆蓋區域進行局部特征匹配得到對應點對，構建考慮點對間語義相似度的馬氏距離度量空間，在所述度量空間中迭代優化變換矩陣，實時評估優化后變換矩陣的配準精度與場景一致性，當評估指標滿足收斂條件時輸出環境匹配數據。

13、在一種可選的實施例中，

14、采用層次化kd樹對所述最優初始變換矩陣覆蓋區域進行局部特征匹配得到對應點對，構建考慮點對間語義相似度的馬氏距離度量空間，在所述度量空間中迭代優化變換矩陣，實時評估優化后變換矩陣的配準精度與場景一致性，當評估指標滿足收斂條件時輸出環境匹配數據包括：

15、對最優初始變換矩陣覆蓋區域內的點云數據進行特征提取，提取點云數據的局部幾何結構特征與語義標簽特征，將所述局部幾何結構特征與所述語義標簽特征進行特征融合得到多維特征向量；

16、對所述多維特征向量計算特征相似度，構建特征相似度矩陣，基于所述特征相似度矩陣進行特征分解得到特征主方向，采用所述特征主方向對點云數據進行空間劃分并構建層次化kd樹；

17、計算所述層次化kd樹節點的幾何信息熵與語義信息熵，將所述幾何信息熵、語義信息熵與位置約束構建節點分裂代價函數，基于所述節點分裂代價函數的最小化結果確定最優分裂參數，將相似特征點組織到同一子樹得到層次化特征索引；

18、基于所述層次化特征索引計算源點云與目標點云中特征點的關聯強度，根據所述關聯強度建立特征點之間的對應關系，并根據所述對應關系構建邊連接得到匹配圖結構；

19、在所述匹配圖結構中迭代更新節點特征與邊權重，計算節點特征的重構誤差，基于所述重構誤差構建度量學習目標函數，優化所述度量學習目標函數得到判別性度量矩陣；

20、在所述判別性度量矩陣定義的度量空間中計算特征點對的相似度得分，結合所述相似度得分與局部幾何約束、全局語義約束構建變換矩陣優化目標函數，求解所述變換矩陣優化目標函數得到最優變換矩陣；

21、計算所述最優變換矩陣在多個特征尺度下的配準誤差，將所述配準誤差與語義標簽一致性結合得到環境匹配評估得分，當所述環境匹配評估得分滿足預設收斂條件時輸出最終環境特征匹配數據，當所述環境匹配評估得分未滿足預設收斂條件時，根據所述環境匹配評估得分對特征提取參數、特征匹配參數與度量計算參數進行優化更新，返回特征提取步驟繼續迭代優化。

22、在一種可選的實施例中，

23、將所述環境匹配數據輸入預訓練的軌跡規劃模型，融合所述場景語義信息中的障礙物位置預測信息和機器人運動約束參數，生成機器人運動軌跡規劃數據包括：

24、將環境匹配數據映射至柵格地圖得到初始柵格圖，計算所述初始柵格圖中的障礙物占據概率對數值構建靜態代價圖，提取動態障礙物位置信息進行高斯核密度計算構建動態代價圖，基于語義代價映射函數對柵格點語義標簽進行轉換構建語義代價圖，將所述靜態代價圖、動態代價圖和語義代價圖進行加權組合得到環境綜合代價圖；

25、基于所述環境綜合代價圖構建狀態向量，所述狀態向量包含機器人位置坐標、運動速度、目標位置坐標和局部代價信息，將所述狀態向量輸入策略神經網絡得到線速度和角速度的動作參數，根據所述動作參數計算狀態-動作價值函數，基于所述狀態-動作價值函數構建包含目標距離項、避障項和軌跡平滑項的獎勵函數，采用近端策略算法對所述策略神經網絡的參數進行優化，將優化后的動作參數進行運動學約束處理得到規劃軌跡；

26、對所述規劃軌跡采用三次樣條函數進行插值得到平滑軌跡，以所述平滑軌跡為基準構建彈性勢場，將軌跡曲率設置為內部勢能函數，將所述環境綜合代價圖中的障礙物排斥力設置為外部勢能函數，基于梯度下降法對內部勢能函數和外部勢能函數的加權和進行最小化優化得到優化軌跡，對所述優化軌跡進行運動學驗證后輸出最終的機器人運動軌跡規劃數據。

27、在一種可選的實施例中，

28、獲取包含信號強度、到達角、相位差和極化特性的多維信號特征數據，將所述多維信號特征數據與機器人實時位姿數據和預設的環境電磁傳播模型參數輸入張量分解模型，構建信號特征分布圖包括：

29、采用周期圖平均法估計接收信號的功率譜密度并通過恒虛警門限檢測得到信號強度數據，基于天線方向圖標定陣列響應構建陣列流形并采用多重信號分類算法計算空間譜獲取到達角數據，通過多通道相干采樣和相位解卷繞處理提取相位差數據，基于雙正交極化通道重構極化矩陣得到極化特性數據，將所述信號強度數據、到達角數據、相位差數據和極化特性數據組合形成多維信號特征數據；

30、根據所述多維信號特征數據，建立包含距離衰減、大氣吸收、反射繞射和頻率偏移的環境電磁傳播模型，采用射線追蹤方法計算地形遮擋和建筑物遮擋損耗，基于功率時延圖譜分析時延擴展特性，得到環境電磁傳播模型參數；

31、將所述多維信號特征數據與所述環境電磁傳播模型參數按照信號特征維度、空間維度、時間維度和位姿維度重排構建特征張量，對所述特征張量進行張量分解得到核心張量與因子矩陣，采用交替最小二乘法優化所述核心張量與因子矩陣，引入正則化約束實現迭代收斂，得到優化后的核心張量與因子矩陣；

32、對所述優化后的核心張量與因子矩陣進行模態投影得到壓縮特征數據，采用網格重采樣和插值平滑處理所述壓縮特征數據生成初始特征分布圖，通過奇異值閾值處理和范數正則化方法抑制所述初始特征分布圖中的噪聲，結合變分正則化和梯度保持濾波方法優化所述初始特征分布圖的邊界特征，輸出目標特征分布圖。

33、在一種可選的實施例中，

34、采用空時二維自適應波束形成算法處理多維信號特征數據，結合多徑效應補償構建信號傳播模型，通過多約束優化算法計算信號源三維空間坐標包括：

35、計算多維信號特征數據的時頻譜得到頻域特征矩陣，對所述頻域特征矩陣進行奇異值分解提取主成分特征向量，構建包含空間相關性與時間相關性的二維協方差矩陣，采用正則化約束對所述二維協方差矩陣進行特征分解得到信號子空間與噪聲子空間，基于所述信號子空間與噪聲子空間的正交性計算投影算子，結合波達方向估計算法計算期望信號導向矢量，采用遞歸最小二乘準則優化得到最優權值向量；

36、建立包含反射面幾何特性與材料介電特性的室內環境模型，采用分層射線追蹤方法識別直射路徑與多徑傳播路徑，結合所述最優權值向量計算每條傳播路徑的反射點坐標序列與繞射邊位置序列，基于反射系數與統一繞射理論計算路徑損耗，根據所述路徑損耗、路徑時延與相位偏移構建考慮頻率選擇性衰落的多徑傳播信道模型；

37、基于所述多徑傳播信道模型構建多約束優化目標函數，所述多約束優化目標函數包含觀測矩陣約束項、信號功率約束項、傳播時延約束項與載波相位約束項，對所述多約束優化目標函數中的各約束項引入自適應權重系數，采用變量分裂策略將所述多約束優化目標函數分解為子問題序列；

38、將所述子問題序列構建為增廣拉格朗日函數，所述增廣拉格朗日函數包含主變量、輔助變量與對偶變量，采用近端梯度下降算法對主變量進行迭代更新，采用軟閾值運算對輔助變量進行迭代更新，結合動態步長策略對對偶變量進行迭代更新，通過在線估計曲率構建預處理矩陣提高收斂速度；

39、根據所述增廣拉格朗日函數的迭代更新結果得到初始信號源三維空間坐標，并構建包含幾何一致性與能量一致性的誤差評估函數，當所述誤差評估函數的計算結果小于預設閾值時輸出最終的信號源三維空間坐標。

40、在一種可選的實施例中，

41、增廣拉格朗日函數的計算公式如下：

42、

43、其中，lrd(·)表示增廣拉格朗日函數，x表示主變量，y表示輔助變量，λ表示對偶變量，β表示步長調節因子，f(x)表示目標函數，gi(x)表示第i個約束條件，ρ表示增廣因子。

44、本發明實施例的第二方面，

45、提供一種復雜環境下信號定測機器人自動走行與定位系統，包括：

46、第一單元，用于獲取室內三維地圖數據，通過雙目視覺傳感器和三維激光雷達掃描獲取環境多模態感知數據，對所述多模態感知數據進行特征提取得到環境特征數據，采用圖神經網絡對所述環境特征數據進行語義分割得到場景語義信息，結合點云配準技術將所述場景語義信息與三維地圖數據進行實時匹配得到環境匹配數據，將所述環境匹配數據輸入預訓練的軌跡規劃模型，融合所述場景語義信息中的障礙物位置預測信息和機器人運動約束參數，生成機器人運動軌跡規劃數據；

47、第二單元，用于基于所述機器人運動軌跡規劃數據控制機器人移動，通過相控陣天線系統中的正交極化定向天線陣列對待測信號進行寬帶并行采集，獲取包含信號強度、到達角、相位差和極化特性的多維信號特征數據，將所述多維信號特征數據與機器人實時位姿數據和預設的環境電磁傳播模型參數輸入張量分解模型，構建信號特征分布圖，將所述信號特征分布圖輸入深度神經網絡進行特征提取得到信號特征向量，基于多源信息融合算法處理所述信號特征向量得到信號源初始位置數據和信號發射特性數據；

48、第三單元，用于根據所述信號源初始位置數據和所述信號發射特性數據，采用分區策略劃分測量區域，在所述測量區域內構建采樣網格點位，控制機器人在所述采樣網格點位進行信號測量，采用空時二維自適應波束形成算法處理多維信號特征數據，結合多徑效應補償構建信號傳播模型，通過多約束優化算法計算信號源三維空間坐標，采用粒子濾波算法對所述信號源三維空間坐標進行修正，基于深度校準網絡將修正后的信號源三維空間坐標與室內三維地圖數據進行融合標定，輸出最終的信號源位置坐標。

49、本發明實施例的第三方面，

50、提供一種電子設備，包括：

51、處理器；

52、用于存儲處理器可執行指令的存儲器；

53、其中，所述處理器被配置為調用所述存儲器存儲的指令，以執行前述所述的方法。

54、本發明實施例的第四方面，

55、提供一種計算機可讀存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現前述所述的方法。

56、在本實施例中，通過融合多傳感器數據和先進的圖神經網絡算法，實現了對復雜室內環境的精確語義分割和實時匹配。結合預訓練的軌跡規劃模型和障礙物預測，大幅提升了機器人在復雜環境中的自主導航能力和定位精度，使其能夠更加智能、安全地完成信號定測任務。采用相控陣天線系統和多維信號特征提取技術，結合張量分解模型和深度神經網絡，顯著提高了對信號源的初步定位精度。通過多源信息融合算法，有效整合了信號特征、機器人位姿和環境電磁傳播模型，為后續精確定位奠定了基礎。本發明創新性地使用分區策略和采樣網格點技術，結合空時二維自適應波束形成算法和多徑效應補償，構建了精確的信號傳播模型。通過多約束優化算法、粒子濾波算法和深度校準網絡的綜合應用，實現了信號源三維空間坐標的高精度計算和修正，最終與室內三維地圖數據融合，輸出極高精度的信號源位置坐標。