一种无人机自主定位的方法、装置、存储介质及电子设备
文献发布时间:2024-04-18 19:58:53
技术领域
本说明书涉及机器学习领域,尤其涉及一种无人机自主定位的方法、装置、存储介质及电子设备。
背景技术
随着机器学习技术的发展,现已可通过机器学习训练出各类模型,可利用模型对图像进行处理。例如,利用图像识别模型识别图像中包含的物体,利用图像分类模型对各类图像进行分类,还可利用图像特征提取模型,提取图像的特征,以根据图像特征匹配相似图像。
通过机器学习训练出的模型还可应用在无人机领域,如无人机定位。当前无人机定位主要依赖于卫星导航系统,当卫星信号较弱或卫星不可用时,可利用模型先提取无人机实时获取的图像的局部特征,即实时图像的局部特征,并提取已存储的基准图的局部特征,该基准图中已标注图像中各物体的经纬度等位置信息,将实时图像的局部特征与已存储的基准图的局部特征进行相似度匹配,得到与实时图像的局部特征匹配的基准图,根据基准图的经纬度,确定无人机当前位置。为了提高匹配结果的准确性,模型还需要对实时图像的局部特征进行筛选,得到筛选后的局部特征。最后,对筛选后的局部特征进行局部特征匹配,得到与实时图像相似度较高的基准图,以确定当前无人机的位置。但这种先获取局部特征,再进行筛选的处理过程使得模型推理速度慢,图像匹配的效率较低,从而导致无人机自主定位的效率较低。
基于此,本说明书提供一种无人机自主定位的方法。
发明内容
本说明书提供一种无人机自主定位的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无人机自主定位的方法,包括:
获取若干个基准图,并对每个基准图进行分割,得到若干个子基准图;
针对每个子基准图,将该子基准图输入预先训练好的图像处理模型,以通过所述图像处理模型得到该子基准图的第一全局特征,并存储,其中,所述图像处理模型是根据不同区域的若干个样本图像调整训练得到的,所述若干个样本图像包括锚点样本图像、正样本图像及负样本图像;
当无人机进行自主定位时,获取实时图像,将所述实时图像输入所述图像处理模型,以通过所述图像处理模型得到所述实时图像的第二全局特征;
通过所述图像处理模型,根据所述第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度,以根据所述相似度,确定所述无人机当前位置。
可选地,对每个基准图进行分割,得到若干个子基准图后,所述方法还包括:
针对每个子基准图,对该子基准图进行编号,并存储该子基准图与子基准图序号的对应关系;
根据定位精度需求,确定进行经纬度标注的间隔;
根据所述间隔,对每个子基准图进行经纬度标注。
可选地,通过所述图像处理模型,根据所述第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度,具体包括:
通过所述无人机自身定位系统,进行第一次定位,得到第一定位结果;
根据所述第一定位结果中无人机的位置信息及若干个子基准图的经纬度信息,确定预设距离内的若干个子基准图的第一全局特征;
通过所述图像处理模型,根据若干个子基准图的第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度。
可选地,根据所述相似度,确定所述无人机当前位置,具体包括:
当所述相似度大于预设相似度时,确定所述相似度的子基准图序号,得到定位序号;
根据已存储的对应关系,确定与所述定位序号对应的定位子基准图;
根据所述定位子基准图,确定所述无人机当前位置。
可选地,根据所述定位子基准图,确定所述无人机当前位置,具体包括:
通过预设算法,提取所述定位子基准图的第一特征点及所述实时图像的第二特征点;
根据所述第一特征点及所述第二特征点,确定所述定位子基准图与所述实时图像的坐标转换关系;
根据所述坐标转换关系及所述定位子基准图的经纬度信息,确定所述无人机当前位置。
可选地,训练所述图像处理模型,具体包括:
获取若干个样本图像,并将所述若干个样本图像加入训练集,其中,所述训练集包括同一区域的不同方位的图像及不同区域的图像,同一区域的图像标识相同;
将所述训练集中的若干个样本图像输入预训练后的图像处理模型,以使所述图像处理模型的骨干网络提取所述若干个样本图像的图像特征,所述图像处理模型的线性层将所述若干个样本图像的图像特征进行处理,得到所述若干个样本图像的全局特征,根据所述若干个样本图像的全局特征,输出所述若干个样本图像的样本相似度;
根据所述样本相似度,对所述图像处理模型进行调整训练。
可选地,将所述训练集中的若干个样本图像输入预训练后的图像处理模型,具体包括:
在所述训练集中,根据图像标识,确定锚点样本图像、正样本图像及负样本图像;
将所述锚点样本图像、所述正样本图像及所述负样本图像输入预训练后的图像处理模型。
可选地,所述样本相似度包括所述锚点样本图像与所述正样本图像的第一相似度,所述锚点样本图像与所述负样本图像的第二相似度;
根据所述样本相似度,对所述图像处理模型进行调整训练,具体包括:
以最大化所述第一相似度及最小化所述第二相似度为训练目标,对所述图像处理模型进行调整训练。
本说明书提供了一种无人机自主定位的装置,包括:
子基准图获取模块,由于获取若干个基准图,并对每个基准图进行分割,得到若干个子基准图;
第一全局特征确定模块,由于针对每个子基准图,将该子基准图输入预先训练好的图像处理模型,以通过所述图像处理模型得到该子基准图的第一全局特征,并存储,其中,所述图像处理模型是根据不同区域的若干个样本图像调整训练得到的,所述若干个样本图像包括锚点样本图像、正样本图像及负样本图像;
第二全局特征确定模块,由于当无人机进行自主定位时,获取实时图像,将所述实时图像输入所述图像处理模型,以通过所述图像处理模型得到所述实时图像的第二全局特征;
定位模块,用于通过所述图像处理模型,根据所述第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度,以根据所述相似度,确定所述无人机当前位置。
可选地,所述装置还包括:
标注模块,用于对每个基准图进行分割,得到若干个子基准图后,针对每个子基准图,对该子基准图进行编号,并存储该子基准图与子基准图序号的对应关系;根据定位精度需求,确定进行经纬度标注的间隔;根据所述间隔,对每个子基准图进行经纬度标注。
可选地,所述定位模块具体用于,通过所述无人机自身定位系统,进行第一次定位,得到第一定位结果;根据所述第一定位结果中无人机的位置信息及若干个子基准图的经纬度信息,确定预设距离内的若干个子基准图的第一全局特征;通过所述图像处理模型,根据若干个子基准图的第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度。
可选地,所述定位模块具体用于,当所述相似度大于预设相似度时,确定所述相似度的子基准图序号,得到定位序号;根据已存储的对应关系,确定与所述定位序号对应的定位子基准图;根据所述定位子基准图,确定所述无人机当前位置。
可选地,所述定位模块具体用于,通过预设算法,提取所述定位子基准图的第一特征点及所述实时图像的第二特征点;根据所述第一特征点及所述第二特征点,确定所述定位子基准图与所述实时图像的坐标转换关系;根据所述坐标转换关系及所述定位子基准图的经纬度信息,确定所述无人机当前位置。
可选地,所述装置还包括:
模型训练模块,用于获取若干个样本图像,并将所述若干个样本图像加入训练集,其中,所述训练集包括同一区域的不同方位的图像及不同区域的图像,同一区域的图像标识相同;将所述训练集中的若干个样本图像输入预训练后的图像处理模型,以使所述图像处理模型的骨干网络提取所述若干个样本图像的图像特征,所述图像处理模型的线性层将所述若干个样本图像的图像特征进行处理,得到所述若干个样本图像的全局特征,根据所述若干个样本图像的全局特征,输出所述若干个样本图像的样本相似度;根据所述样本相似度,对所述图像处理模型进行调整训练。
可选地,所述模型训练模块具体用于,在所述训练集中,根据图像标识,确定锚点样本图像、正样本图像及负样本图像;将所述锚点样本图像、所述正样本图像及所述负样本图像输入预训练后的图像处理模型。
可选地,所述模型训练模块具体用于,所述样本相似度包括所述锚点样本图像与所述正样本图像的第一相似度,所述锚点样本图像与所述负样本图像的第二相似度;以最大化所述第一相似度及最小化所述第二相似度为训练目标,对所述图像处理模型进行调整训练。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无人机自主定位的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述无人机自主定位的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本说明书提供的一种无人机自主定位的方法中可以看出,本方法先在获取实时图像之前,通过预先训练好的图像处理模型,得到子基准图的全局特征,当无人机需要进行自主定位时,再通过图像处理模型,得到实时图像的全局特征,并根据实时图像的全局特征及子基准图的全局特征,确定实时图像与子基准图的相似度,最后,根据相似度,确定无人机的位置。由于在确定相似度时,即在进行图像匹配时,是根据全局特征确定的,不需要进行特征筛选,提高了图像匹配的效率,从而提高了无人机自主定位的效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种无人机自主定位的方法的流程示意图;
图2为本说明书提供的一种无人机自主定位装置的示意图;
图3为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种无人机自主定位的方法的流程示意图,包括以下步骤:
S100:获取若干个基准图,并对每个基准图进行分割,得到若干个子基准图。
无人机自身通常会部署一些定位系统,如惯性导航系统、地磁导航系统,但是这些无人机自身导航系统的定位精度较低,可能无法满足任务需求。因此,无人机在进行导航时,通常会使用定位精度较高的卫星导航。但是,当遇到卫星信号较弱或无卫星信号地区时,则无法使用卫星导航,那么,为了获取更准确的定位结果,无人机计算平台可通过已存储的基准图与实时图像进行相似度计算,以进行无人机自主导航。但由于现有在进行相似度计算时,是通过模型,根据图像的局部特征进行计算的,在计算之前,还需要对局部特征进行筛选,该过程花费的时间较多,模型的推理时间较长,导致无人机自主导航的效率较低。因此,本说明书提供一种无人机自主定位的方法,本说明书的执行主体为可部署已训练好的图像处理模型的无人机计算平台。
为了节省模型推理的时间,无人机计算平台将预先训练好的图像处理模型部署在平台后,可先获取若干个基准图,并对每个基准图进行分割,得到若干个子基准图,该基准图可由卫星拍摄,并发送给无人机计算平台。在对该基准图进行分割时,可根据无人机计算平台的算力及图像处理模型的计算复杂度进行分割,分割后的各子基准图之间无重叠区域。此外,针对每个子基准图,无人机计算平台还需对该子基准图进行编号,并存储该子基准图与子基准图序号的对应关系,以便后续根据子基准图序号,确定子基准图。本说明书不限制对子基准图仅需编号的方法。
此外,为了便于后续根据子基准图,确定无人机的位置,还需根据定位精度需求,确定进行经纬度标注的间隔,再根据该间隔,对每个子基准图进行经纬度标注。
S102:针对每个子基准图,将该子基准图输入预先训练好的图像处理模型,以通过所述图像处理模型得到该子基准图的第一全局特征,并存储。
在本说明书一个或多个实施例中,由于图像处理模型是根据图像的特征进行相似度计算的,因此,针对每个子基准图,无人机计算平台还需将该子基准图输入预先训练好的图像处理模型,以通过该图像处理模型得到该子基准图的第一全局特征,并存储。其中,该图像处理模型是根据不同区域的若干个样本图像调整训练得到的,该若干个样本图像包括锚点样本图像、正样本图像及负样本图像。图像的全局特征包括图像的所有像素信息,描述的是整个图像的特征,而非局部特征,该全局特征可通过全局描述符表示。
需要说明的是,该图像处理模型可获取图像的全局特征,并且可计算任意两图像之间的相似度。但在步骤S102中,由于还未进行无人机自主定位,且为了节省无人机自主定位的时间,可先通过该图像处理模型获得子基准图的第一全局特征,以便后续在无人机自主定位时,不需要花费获取子基准图的全局特征的时间。
S104:当无人机进行自主定位时,获取实时图像,将所述实时图像输入所述图像处理模型,以通过所述图像处理模型得到所述实时图像的第二全局特征。
S106:通过所述图像处理模型,根据所述第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度,以根据所述相似度,确定所述无人机当前位置。
通过该图像处理模型得到若干个子基准图与该实时图像的相似度后,针对每个相似度,判断该相似度是否大于预设相似度,当该相似度大于预设相似度时,确定该相似度的子基准图序号,得到定位序号。再根据已存储的对应关系,确定与该定位序号对应的定位子基准图,根据该定位子基准图,确定该无人机当前位置。当然,无人机计算平台还可选择相似度最高的子基准图序号,作为定位序号,本说明书对此不做限制。
在根据该定位子基准图,确定该无人机当前位置时,无人机计算平台可通过预设算法,如OpenCV包含的各类算法,确定该定位子基准图与该实时图像的坐标转换关系。
具体的,通过预设算法,提取该定位子基准图的第一特征点及该实时图像的第二特征点。再根据该第一特征点及该第二特征点,确定该定位子基准图与该实时图像的坐标转换关系。其中,该平台还可通过RANSAC算法剔除异常点,计算得到转换矩阵,通过转换矩阵,确定实时图像与该定位子基准图中每个位置的坐标转换关系。
最后,根据该坐标转换关系及该定位子基准图的经纬度信息,确定该无人机当前位置。
基于图1所示的一种无人机自主定位的方法,本方法先在获取实时图像之前,通过预先训练好的图像处理模型,得到子基准图的全局特征,当无人机需要进行自主定位时,再通过图像处理模型,得到实时图像的全局特征,并根据实时图像的全局特征及子基准图的全局特征,确定实时图像与子基准图的相似度,最后,根据相似度,确定无人机的位置。由于在确定相似度时,即在进行图像匹配时,是根据全局特征确定的,不需要进行特征筛选,提高了图像匹配的效率,从而提高了无人机自主定位的效率。
针对步骤S104,为了进一步提高图像匹配的效率,无人机计算平台还可通过该无人机自身定位系统,进行第一次定位,得到第一定位结果。再根据该第一定位结果中无人机的位置信息及若干个子基准图的经纬度信息,确定预设距离内的若干个子基准图的第一全局特征。也就是说,在第一次定位结果中的无人机的位置的预设距离内,获取该预设距离内的所有子基准图的第一全局特征。
最后,通过该图像处理模型,根据若干个子基准图的第一全局特征及该第二全局特征,确定该实时图像与该子基准图的相似度。即将实时图像及子基准图的第一全局特征作为图像处理模型的输入,该图像处理模型的骨干网络提取该实时图像的第二全局特征,并且利用该图像处理模型的线性层对该第二全局特征进行处理,图像处理模型对处理后的第二全局特征与第一全局特征进行相似度计算。得到与该第二全局特征相似度最高的第一全局特征对应的子基准图,再根据该子基准图的经纬度信息,确定无人机当前位置。
该第一次定位为粗略定位,因此,该第一定位结果可能并不准确,但可减少图像匹配的图像数量,以提高模型计算相似度的效率。例如,子基准图的总数量为1000张,但在该预设范围内的子基准图的数量为100张,显然,模型原本需要计算1000次相似度,但粗略定位后,仅需计算100次,加速了无人机定位。
本说明书提供一种图像处理模型的训练方法,对该图像处理模型进行训练的执行主体为可对模型进行训练的服务器或其他电子设备,为了便于说明,本说明书以服务器为执行主体,对训练图像处理模型进行说明。
具体的,服务器先获取若干个样本图像,并将该若干个样本图像加入训练集,其中,该训练集包括同一区域的不同方位的图像及不同区域的图像,同一区域的图像标识相同。
该若干个图像可通过卫星采集,也可由无人机下视摄像头等其他图像采集设备采集,并发送至该服务器。无人机下视摄像头包括可见光相机、红外相机、多光谱相机等。由于不同天气、时间等因素,同一区域的图像也可能存在较大差异。为了减少天气及时间的影响,减少相似度误差,可获取同一区域的不同天气、时间、季节的图像。还可变换无人机飞行航向,从不同方位对同一区域进行拍摄,并将同一区域的图像的图像标识设置为相同标识。
然后,将该训练集中的若干个样本图像输入预训练后的图像处理模型,以使该图像处理模型的骨干网络提取该若干个样本图像的图像特征,该图像处理模型的线性层将该若干个样本图像的图像特征进行处理,得到该若干个样本图像的全局特征,根据该若干个样本图像的全局特征,输出该若干个样本图像的样本相似度、
该骨干网络包括ResNer、VGG、EfficientNet等,由于该骨干网络得到的图像特征通常为高维表示张量,因此,可利用线性层对该图像特征进行处理。该线性层图像特征进行处理包括线性投影、降维、归一化、非线性激活等。由于该图像处理模型对图像特征进行处理时,使用的是线性层,构成简单,可重复叠加,推理速度快,因此,在获取图像特征时,效率较高。
最后,根据该样本相似度,对该图像处理模型进行调整训练。
在将样本图像输入该图像处理模型时,在该训练集中,根据图像标识,确定锚点样本图像、正样本图像及负样本图像,将该锚点样本图像、该正样本图像及该负样本图像输入预训练后的图像处理模型。锚点样本图像的图像标识与正样本图像的图像标识一致,或将与正样本图像的距离在预设误差距离范围内的样本图像设置为锚点图像。与正样本图像的图像标识不一致,且不为锚点图像的其他样本图像为负样本图像。
由于在该样本相似度包括该锚点样本图像与该正样本图像的第一相似度,该锚点样本图像与该负样本图像的第二相似度。那么,根据样本相似度对图像处理模型进行调整训练时,服务器可以最大化该第一相似度及最小化该第二相似度为训练目标,对该图像处理模型进行调整训练。其中,损失函数包括多重相似损失函数(Multi-Similarity Loss),以使得模型训练过程中,相同区域的图像特征相近,不同区域的图像特征相远。还可设计三元组,对模型进行调整训练。
可将训练完成的模型转为ONNX(Open Neural Network Exchange)格式,以便将该图像处理模型部署在无人机计算平台。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的一种无人机自主定位的装置,如图2所示。
图2为本说明书提供的一种无人机自主定位装置的示意图,包括:
子基准图获取模块200,由于获取若干个基准图,并对每个基准图进行分割,得到若干个子基准图;
第一全局特征确定模块202,由于针对每个子基准图,将该子基准图输入预先训练好的图像处理模型,以通过所述图像处理模型得到该子基准图的第一全局特征,并存储,其中,所述图像处理模型是根据不同区域的若干个样本图像调整训练得到的,所述若干个样本图像包括锚点样本图像、正样本图像及负样本图像;
第二全局特征确定模块204,由于当无人机进行自主定位时,获取实时图像,将所述实时图像输入所述图像处理模型,以通过所述图像处理模型得到所述实时图像的第二全局特征;
定位模块206,用于通过所述图像处理模型,根据所述第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度,以根据所述相似度,确定所述无人机当前位置。
可选地,所述装置还包括:
标注模块208,用于对每个基准图进行分割,得到若干个子基准图后,针对每个子基准图,对该子基准图进行编号,并存储该子基准图与子基准图序号的对应关系;根据定位精度需求,确定进行经纬度标注的间隔;根据所述间隔,对每个子基准图进行经纬度标注。
可选地,所述定位模块206具体用于,通过所述无人机自身定位系统,进行第一次定位,得到第一定位结果;根据所述第一定位结果中无人机的位置信息及若干个子基准图的经纬度信息,确定预设距离内的若干个子基准图的第一全局特征;通过所述图像处理模型,根据若干个子基准图的第一全局特征及所述第二全局特征,确定所述实时图像与所述子基准图的相似度。
可选地,所述定位模块206具体用于,当所述相似度大于预设相似度时,确定所述相似度的子基准图序号,得到定位序号;根据已存储的对应关系,确定与所述定位序号对应的定位子基准图;根据所述定位子基准图,确定所述无人机当前位置。
可选地,所述定位模块206具体用于,通过预设算法,提取所述定位子基准图的第一特征点及所述实时图像的第二特征点;根据所述第一特征点及所述第二特征点,确定所述定位子基准图与所述实时图像的坐标转换关系;根据所述坐标转换关系及所述定位子基准图的经纬度信息,确定所述无人机当前位置。
可选地,所述装置还包括:
模型训练模块210,用于获取若干个样本图像,并将所述若干个样本图像加入训练集,其中,所述训练集包括同一区域的不同方位的图像及不同区域的图像,同一区域的图像标识相同;将所述训练集中的若干个样本图像输入预训练后的图像处理模型,以使所述图像处理模型的骨干网络提取所述若干个样本图像的图像特征,所述图像处理模型的线性层将所述若干个样本图像的图像特征进行处理,得到所述若干个样本图像的全局特征,根据所述若干个样本图像的全局特征,输出所述若干个样本图像的样本相似度;根据所述样本相似度,对所述图像处理模型进行调整训练。
可选地,所述模型训练模块210具体用于,在所述训练集中,根据图像标识,确定锚点样本图像、正样本图像及负样本图像;将所述锚点样本图像、所述正样本图像及所述负样本图像输入预训练后的图像处理模型。
可选地,所述模型训练模块210具体用于,所述样本相似度包括所述锚点样本图像与所述正样本图像的第一相似度,所述锚点样本图像与所述负样本图像的第二相似度;以最大化所述第一相似度及最小化所述第二相似度为训练目标,对所述图像处理模型进行调整训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种无人机自主定位的方法。
本说明书还提供了图3所示的一种对应于图1的电子设备的结构示意图。如图3所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的一种无人机自主定位的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
- 一种基于Slam定位方法、装置、电子设备及计算机存储介质
- 一种车辆定位方法、装置、电子设备及存储介质
- 一种定位方法、装置、电子设备及计算机可读存储介质
- 一种无人机定位方法、装置及计算机可读存储介质
- 无人机迁移轨迹生成方法、装置、电子设备和存储介质
- 一种无人机自主降落方法、装置、电子设备及存储介质
- 矿井下无人机自主规划路径的方法、装置、电子设备及存储介质