[发明专利]无人机救援定位方法、装置、计算机设备及存储介质在审

专利信息
申请号: 201911033316.X 申请日: 2019-10-28
公开(公告)号: CN110749324A 公开(公告)日: 2020-02-04
发明(设计)人: 赵健;杨志奋;余承英;孙阳松;蒋春华;张露露 申请(专利权)人: 深圳市赛为智能股份有限公司;安徽工业大学工商学院
主分类号: G01C21/20 分类号: G01C21/20;G01V8/10
代理公司: 44242 深圳市精英专利事务所 代理人: 刘萍
地址: 518000 广东省深圳市*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 救援 目标位置信息 人体位置信息 无人机飞行 飞行数据 救援请求 区域图像 发送 计算机设备 存储介质 目标位置 人体检测 信息确定 飞行 避开
【权利要求书】:

1.无人机救援定位方法,其特征在于,包括:

获取救援请求;

根据救援请求生成飞行请求;

发送飞行请求至无人机,以使得无人机飞行至指定位置;

获取救援区域图像;

对救援区域图像进行人体检测和定位,以得到人体位置信息;

根据人体位置信息确定目标位置信息;

根据目标位置信息以及指定位置的信息确定飞行数据;

将飞行数据发送至无人机,以使得无人机飞行至目标位置。

2.根据权利要求1所述的无人机救援定位方法,其特征在于,所述根据救援请求生成飞行请求,包括:

根据救援请求确定救援区域的位置和地形;

确定救援区域的人体数量;

根据救援区域的位置、地形以及救援区域的人体数量生成飞行请求。

3.根据权利要求1所述的无人机救援定位方法,其特征在于,所述对救援区域图像进行人体检测和定位,以得到人体位置信息,包括:

将救援区域图像输入至神经网络模型内进行人体检测和定位,以得到人体位置信息;其中,所述神经网络模型是通过若干个带有类别标签以及位置标签的俯拍图像数据作为样本集训练深度卷积神经网络所得的。

4.根据权利要求3所述的无人机救援定位方法,其特征在于,所述神经网络模型是通过若干个带有类别标签以及位置标签的俯拍图像数据作为样本集训练深度卷积神经网络所得的,包括:

构建损失函数以及深度卷积神经网络;

获取若干个带有类别标签以及位置标签的俯拍图像数据,以得到样本集;

利用样本集训练深度卷积神经网络,以得到训练结果;

采用损失函数计算训练结果、类别标签以及位置标签的方差,以得到损失值;

判断所述损失值是否超过阈值;

若是,则调整深度卷积神经网络的参数,并返回所述利用样本集训练深度卷积神经网络,以得到训练结果;

若否,则将深度卷积神经网络作为神经网络模型。

5.根据权利要求1所述的无人机救援定位方法,其特征在于,所述根据目标位置信息以及指定位置的信息确定飞行数据,包括:

根据目标位置信息以及指定位置的信息获取无人机需要飞行的三维距离,以得到目标三维距离;

获取无人机飞行至目标位置所花费的时间,以得到时间数值;

根据目标三维距离以及时间数值确定飞行三维速度,以得到飞行数据。

6.无人机救援定位装置,其特征在于,包括:

请求获取单元,用于获取救援请求;

请求生成单元,用于根据救援请求生成飞行请求;

请求发送单元,用于发送飞行请求至无人机,以使得无人机飞行至指定位置;

图像获取单元,用于获取救援区域图像;

定位单元,用于对救援区域图像进行人体检测和定位,以得到人体位置信息;

目标信息获取单元,用于根据人体位置信息确定目标位置信息;

飞行数据确定单元,用于根据目标位置信息以及指定位置的信息确定飞行数据;

飞行数据发送单元,用于将飞行数据发送至无人机,以使得无人机飞行至目标位置。

7.根据权利要求6所述的无人机救援定位装置,其特征在于,所述请求生成单元包括:

位置确定子单元,用于根据救援请求确定救援区域的位置和地形;

数量确定子单元,用于确定救援区域的人体数量;

请求确定子单元,用于根据救援区域的位置、地形以及救援区域的人体数量生成飞行请求。

8.根据权利要求6所述的无人机救援定位装置,其特征在于,所述飞行数据确定单元包括:

三维距离获取子单元,用于根据目标位置信息以及指定位置的信息获取无人机需要飞行的三维距离,以得到目标三维距离;

时间数值获取子单元,用于获取无人机飞行至目标位置所花费的时间,以得到时间数值;

三维速度获取子单元,用于根据目标三维距离以及时间数值确定飞行三维速度,以得到飞行数据。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市赛为智能股份有限公司;安徽工业大学工商学院,未经深圳市赛为智能股份有限公司;安徽工业大学工商学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911033316.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top