动态定位性能评价方法、设备以及系统与流程

1.本技术涉及图像处理技术领域，特别地，涉及一种动态定位性能评价方法、设备以及系统。


背景技术：

2.随着人工智能的不断发展，视觉定位技术的应用日益广泛，其可通过相机拍摄出视野范围内的目标图像（例如标签图像），并由图像处理系统转化图像为目标数据进行传输。视觉定位要求定位的实效性，这便导致定位速度和精度面临了较高的挑战。
3.在相较于静态场景下的动态定位场景中，相机和标签的相对运动将使标签定位的结果标定、性能评价的难度大幅增加，同时还加大了相机和标签规格的选型难度。因此，如何在动态场景下找出最优的动态定位性能评价方案以满足视觉定位的要求成为亟待解决的问题。
4.应当理解，该背景技术部分描述的内容仅用于帮助理解本技术公开的技术方案，而并非一定属于本技术的申请日之前的现有技术。


技术实现要素：

5.本技术一方面提供了一种动态定位性能评价方法，包括：设置驱动机构和视觉模块，所述驱动机构配置为控制所述视觉模块的运动，以通过所述驱动机构的反馈信息计算获得所述视觉模块与第一时间戳对应的位置信息数据；设置标定模块，并通过所述视觉模块在预设条件下采集所述标定模块的图像以获得所述图像与定位时间戳对应的定位信息数据，其中，所述视觉模块与所述标定模块相对运动；采用动态位移补偿算法，将所述第一时间戳与所述定位时间戳进行对比以计算获得多种定位误差；采用动态定位性能评价算法对预设参数的权重进行分析以获得对应评价数值，其中，所述预设参数包括多种所述定位误差，所述动态定位性能评价算法基于专家系统和灰色聚类评价模型建立；以及设计并训练bp神经网络模型，将所述评价数值输入训练后的所述bp神经网络模型以输出动态定位性能评价方案。
6.在一个实施方式中，所述视觉模块包括相机；所述驱动机构包括电机和传动带，所述电机驱动所述传动带运动，所述相机位于所述传动带上并与所述传动带共同运动；以及所述标定模块包括标签，所述定位误差包括标签定位误差，其中，在所述相机与所述传动带共同动运动过程中，所述标签与所述相机相对运动。
7.在一个实施方式中，设置所述预设条件的步骤包括：设置具有不同尺寸的多个所述标签；以及将所述相机的拍摄规格配置为不同的分辨率和/或不同的帧率，以在所述拍摄规格下采集不同尺寸的所述标签的图像。
8.在一个实施方式中，多种所述定位误差包括：在第一方向上的第一定位误差，在第二方向上的第二定位误差，在第三方向上的第三定位误差，其中，所述第一方向、所述第二方向和所述第三方向两两垂直；以及获得所述第一定位误差的步骤包括：通过所述驱动机
构的反馈信息获得所述相机在第一位置的运动速度、运动加速度和所述第一时间戳，并计算获得所述相机的第一位置参数；输入所述第一位置参数、所述第一时间戳、所述运动速度和所述运动加速度；输入所述定位时间戳，其中，所述第一位置为距所述定位时间戳所对应的标签的时间偏差最小的位置；以及计算获得所述定位时间戳与所述第一时间戳的差值，以及计算获得所述定位时间戳所对应的相机的第二位置参数，其中，所述第一定位误差基于所述第二位置参数和所述定位时间戳对应的定位信息数据的差值计算获得。
9.在一个实施方式中，获得所述第二定位误差和所述第三定位误差的步骤包括：测量得到所述相机在所述第一位置的第一定位测量值和第二定位测量值；基于自识别视觉标记定算法获得第一定位计算值和第二定位计算值；以及将所述第一定位计算值与所述第一定位测量值进行对比以获得所述第二定位误差，将所述第二定位计算值与所述第二定位测量值进行对比以获得所述第三定位误差，其中，所述第一定位测量值为沿所述第二方向的测量值，所述第二定位测量值为沿所述第三方向的测量值，所述第一定位计算值为沿所述第二方向的计算值，所述第二定位计算值为沿所述第三方向的计算值。
10.在一个实施方式中，所述预设参数还包括定位计算速度均值，以及对所述预设参数的权重进行分析以获得对应评价数值的步骤包括：采用所述动态定位性能评价算法对所述定位计算速度均值的权重进行分析，以获得所述定位计算速度均值的对应评价数值；以及采用所述动态定位性能评价算法对多种所述定位误差的权重进行分析，以获得每种所述定位误差的对应评价数值。
11.在一个实施方式中，所述第一定位误差包括第一误差均值、第一误差标准差、第一最大误差值、第一最小误差值、第一误差绝对值最大值、第一误差绝对值最小值；所述第二定位误差包括第二误差均值、第二误差标准差、第二最大误差值、第二最小误差值、第二误差绝对值最大值、第二误差绝对值最小值；以及所述第三定位误差包括第三误差均值、第三误差标准差、第三最大误差值、第三最小误差值、第三误差绝对值最大值、第三误差绝对值最小值。
12.在一个实施方式中，所述动态定位性能评价算法基于专家系统和灰色聚类评价模型建立包括：将所述预设参数的性能指标对所述动态定位性能评价方案的影响程度划分为多个等级，并对每一所述等级设置对应的分值；确定所述专家系统中的专家对所述预设参数的性能指标评分的样本矩阵；确定灰类并构造可能度函数，计算灰色评价矩阵；以及输出灰色聚类分析结果。
13.在一个实施方式中，所述bp神经网络模型包括输入层、隐藏层和输出层，设计并训练所述bp神经网络模型的步骤包括：设置所述bp神经网络模型的初始权重参数和临界值，其中，所述初始权重参数和所述临界值均为随机数值；输入所述预设参数及其对应的评价数值以计算得到中间输出值；将所述中间输出值通过激励函数处理后获得所述隐藏层的输出值；将所述隐藏层的输出值计算处理后输入到所述输出层，并经由所述激励函数处理后输出计算评价值以完成正向传播；采用梯度下降法调整所述输入层、所述隐藏层、所述输出层的权重和阈值以完成反向传播；以及往复进行所述正向传播和所述反向传播直至误差小于预设期望值。
14.在一个实施方式中，所述相机在所述预设条件下采集所述标签图像的轮次大于一个轮次，其中，所述相机从初始位置出发，沿所述传动带方向往复运动一次并回到所述初始
位置为一个轮次。
15.本技术的另一方面提供了一种动态定位性能评价设备，包括：标定模块；视觉模块，用于在预设条件下采集所述标定模块的图像以获得所述图像与定位时间戳对应的定位信息数据，其中，所述视觉模块与所述标定模块相对运动；驱动机构，配置为控制所述视觉模块的运动，以通过所述驱动机构的反馈信息计算得所述视觉模块与第一时间戳对应的位置信息数据；第一算法模块，基于动态位移补偿算法将所述第一时间戳与所述定位时间戳进行对比以计算获得多种定位误差；第二算法模块，基于动态定位性能评价算法对预设参数的权重进行分析以获得对应评价数值，其中，所述预设参数包括多种所述定位误差，所述动态定位性能评价算法基于专家系统和灰色聚类评价模型建立；以及训练后的bp神经网络模型，用于处理所述评价数值，并输出动态定位性能评价方案。
16.在一个实施方式中，所述视觉模块包括相机；所述驱动机构包括电机和传动带，所述电机驱动所述传动带运动，所述相机位于所述传动带上并与所述传动带共同运动；以及所述标定模块包括标签，所述定位误差包括标签定位误差，其中，在所述相机与所述传动带共同动运动过程中，所述标签与所述相机相对运动。
17.在一个实施方式中，所述预设条件包括：所述标签的数量为多个，且分别具有不同尺寸；以及所述相机的拍摄规格配置为不同分辨率和/或不同帧率，其中，所述相机在所述拍摄规格下采集所述标签的图像。
18.在一个实施方式中，所述预设参数还包括定位计算速度均值。
19.本技术的再一方面提供了一种动态定位性能评价系统，包括：如上述任一所述的动态定位性能评价设备；以及机械臂，用于完成预定动作，其中，所述预定动作在所述动态定位性能评价设备输出的所述动态定位性能评价方案条件下完成。
20.本技术提供的动态性能评价方法可具有以下至少一个有益效果：根据本技术的一些实施方式中的方法，可以精确测量在视觉模块运动过程中，其某一时刻的位置；根据本技术的一些实施方式中的方法，将视觉模块位置信息数据和标定模块的定位信息数据在时间上精确同步，减少二者时间错位导致的测量偏差；根据本技术的一些实施方式中的方法，采用动态位移补偿算法实现了预设条件下标定模块定位的自动标定，减少了人工标定的工作量；以及根据本技术的一些实施方式中的方法，通过动态定位性能评价算法，可以快速输出指定动态场景下最优的视觉模块和标定模块的规格方案，大幅降低了人工数据分析和方案选择的工作量。
附图说明
21.结合附图，通过以下非限制性实施方式的详细描述，本技术的其它特征、目的和优点将变得更加明显。在附图中：图1是根据本技术示例性实施方式的动态定位性能评价方法的流程图；图2是根据本技术示例性实施方式的动态定位性能评价方法中各模块的功能示意图；图3是根据本技术示例性实施方式的动态定位性能评价设备的结构示意图；
图4是根据本技术示例性实施方式的标签定位示意图；图5是根据本技术示例性实施方式的bp神经网络模型示意图；以及图6是根据本技术示例性实施方式的动态定位性能评价设备的动态性能评价流程图。
具体实施方式
22.为了更好地理解本技术，将参考附图对本技术的各个方面做出更详细的说明。应当理解的是，这些详细说明只是对本技术的示例性实施方式的描述，而非以任何方式限制本技术的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
23.应当注意的是，在本说明书中，“第一”、“第二”、“第三”等表述仅用于将一个特征与另一个特征区分开来，而不表示对特征的任何限制，尤其不表示任何的先后顺序。因此，在未背离本技术的教导的情况下，本技术中讨论的第一方向也可称为第二方向，反之亦然。
24.在说明书中，对“一个实施方式”、“实施方式”、“示例实施方式”、“一些实施方式”等的引用指示所描述的实施方式可以包括特定特征、结构或特性，但是每个实施方式可以不一定包括该特定特征、结构或特性。此外，这些短语不一定是指相同的实施方式。此外，当结合实施方式描述特定特征、结构或特性时，无论是否明确描述，结合其他实施方式实现这种特征、结构或特性都将在相关领域技术人员的知识范围内。
25.在附图中，为了便于说明，已稍微调整了部件的厚度、尺寸和形状。附图仅为示例而并非严格按比例绘制。例如，在本技术中附图绘制的标签的尺寸并非按照实际生产中的比例。如在本文中使用的“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。
26.应当理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本技术的实施方式时，使用“可”表示“本技术的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
27.还应理解的是，诸如“上”、“上方”和“之上”的含义应该以最广泛的方式来解释，使得“上”不仅意味着“直接在某物上”，而且还包括“在某物上”并且其间具有中间特征或层的含义，并且“上方”或“之上”不仅意味着在某物“上方”或“之上”的含义，而且还可以包括在某物“上方”或“之上”并且其间不具有中间特征或层（即，直接在某物上）的含义。
28.除非另外限定，否则本文中使用的所有措辞（包括工程术语和科技术语）均具有与本技术所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本技术中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
29.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。另外，除非明确限定或与上下文相矛盾，否则本技术所记载的方法中包含的具体步
骤不必限于所记载的顺序，而可以任意顺序执行或并行地执行。
30.以下对本技术的特征、原理和其它方面进行详细描述。
31.本技术的发明人发现，相较于静态场景，在相机和标签相对运动的动态场景下，标签的动态定位将面临诸多问题。例如：第一，相机或者标签在运动情况下，其位置的精确测量通过手动方式较难实施；第二，相机对标签的定位与相机位置的时间同步难以保证，很容易出现相机位置和定位数据在时间方向上的错位，从而导致定位误差增大；第三，在指定动态场景和指定相机运动速度下，系统条件可包括不同的标签尺寸以及在不同分辨率和/或帧率下进行拍摄的相机规格等，这使得标签定位误差的测量工作量较大；第四，在动态场景下，因为存在系统误差和随机误差等原因，标签定位误差可能以不同的形式波动；另一方面，由于定位性能的各项指标（包括定位计算速度、定位误差均值、定位误差波动等）存在相互制约、相互影响的情况，从而在不同的场景下对定位性能的各项指标有不同的侧重要求。
32.本技术提出了一种动态定位性能评价方法，可在动态场景下找出最优的动态定位性能评价方案以满足视觉定位的要求，从而至少部分改善或解决了上述问题。
33.图1是根据本技术实施方式的动态定位性能评价方法1000的流程图。如图1所示，本技术提供一种动态定位性能评价方法1000包括：步骤s1100，设置驱动机构和视觉模块，驱动机构配置为控制视觉模块的运动，以通过驱动机构的反馈信息计算获得视觉模块与第一时间戳对应的位置信息数据；步骤s1200，设置标定模块，并通过视觉模块在预设条件下采集标定模块的图像以获得图像与定位时间戳对应的定位信息数据，其中，视觉模块与标定模块相对运动；步骤s1300，采用动态位移补偿算法，将第一时间戳与定位时间戳进行对比以计算获得多种定位误差；步骤s1400，采用动态定位性能评价算法对预设参数的权重进行分析以获得对应评价数值，其中，预设参数包括多种定位误差，动态定位性能评价算法基于专家系统和灰色聚类评价模型建立；以及步骤s1500，设计并训练bp神经网络模型，将评价数值输入训练后的bp神经网络模型以输出动态定位性能评价方案。
34.应当理解的是，方法1000中所示的步骤不是排它性的，还可以在所示步骤中的任何步骤之前、之后或之间执行其它步骤。此外，所示步骤中的一些步骤可以是同时执行的或者可以是按照不同于图1所示的顺序执行的。下面结合图1至图5进一步地描述上述步骤s1100至s1500。
35.步骤s1100，设置驱动机构和视觉模块，驱动机构配置为控制所述视觉模块的运动，以通过驱动机构的反馈信息计算获得视觉模块与第一时间戳对应的位置信息数据。
36.图2是根据本技术示例性实施方式的动态定位性能评价方法中各模块的功能示意图，结合图2和图3所示，在步骤s1100中，可设置驱动机构110和视觉模块120，驱动机构110配置为控制视觉模块120的运动。在一些实施方式中，还可设置上位机140，驱动机构110可将自身的工作信息反馈至上位机140，并通过上位机140进行信息处理以获得视觉模块120
与第一时间戳t1所对应的位置信息数据p1，从而有益于实现动态场景下视觉模块120位置信息的精确测量；需要说明的，第一时间戳t1是上位机140基于驱动机构110反馈的工作信息而生成的与第一时间所对应的唯一数据。
37.图3是根据本技术示例性实施方式的动态定位性能评价设备的结构示意图。如图3所示，驱动机构110可包括电机111和传动带112，视觉模块120可包括相机121。电机111用于驱动传动带112的运动，相机121设置于传动带112上。示例性地，相机121固定于传送带上并在传送带112运动时与其保持共同运动。
38.在一些实施方式中，电机111接收到启动命令后开始工作，驱动传动带112沿例如y方向传动，同时传送带112带动相机121共同运动。电机111可将自身的工作信息反馈至上位机140，并经由上位机140计算获得相机121与第一时间戳t1对应的位置信息数据p1。示例性地，电机111包括步进电机，传送带112包括皮带。
39.步骤s1200，设置标定模块，并通过视觉模块在预设条件下采集标定模块的图像以获得图像与定位时间戳对应的定位信息数据，其中，视觉模块与标定模块相对运动。
40.继续参考图2和图3所示，可设置标定模块130，并可通过视觉模块120采集标定模块130的图像，视觉模块120将采集到的图像信息传至上位机140，并可获得该图像与定位时间戳t2对应的定位信息数据p2。需要说明的，定位时间戳t2是上位机140基于视觉模块110的工作信息而生成的与第二时间所对应的唯一的数据。示例性地，标定模块130包括标签131，标签131可固定于基板160上。视觉模块120包括相机120，在相机121随传送带112共同运动的过程中，标签131与相机121发生相对运动。
41.在动态场景下，当相机121需要在第一时间进行图像采集时，由于其自身采集模式的设定（例如以固定帧率采集图像）可能导致相机121对图像实际记录的时间延迟或提前至第二时间，从而造成相机121的位置和定位数据在时间方向上的错位，使定位误差增大。
42.在一些实施方式中，可设置预设条件，并在预设条件下使用相机121采集标签131的图像。设置预设条件的步骤可包括：第一，将标签131的数量设置为多个，不同的标签131的尺寸也可设置为不同；第二，将相机121的拍摄规格配置为不同的分辨率和/或不同的帧率，以在不同的拍摄规格下采集不同尺寸的标签131的图像。
43.相机121从初始位置出发，沿y方向运动至指定位置后再向y反方向运动并回到初始位置，相机121从初始位置出发往复运动一次重新回到初始位置记为一个轮次。示例性地，在一个轮次的运动过程中相机121可拍摄多个时间戳对应的标签131的图像，多个时间戳中的定位时间戳t2与被拍摄标签131的图像中的第一图像相对应。上位机140处理该第一图像并获得相应的定位信息数据p2，定位信息数据p2与定位时间戳t2相对应。
44.示例性地，标签131包括沿y方向依次排列第一标签1311、第二标签1312和第三标签1313。相机121在拍摄时的分辨率规格包括1920
×
1080、1280
×
720以及640
×
480中的至少一种，帧率规格包括15fps、30fps以及60fps中的至少一种。相机121可对第一标签1311、第二标签1312和第三标签1313中的至少一个进行多轮次的拍摄以获取多组数据。
45.在一些轮次中，相机121的拍摄规格例如设置分辨率为1920
×
1080、帧率为30fps，相机121在该规格下对第一标签1311的图像进采集，第一标签1311例如为正方形，其边长尺寸例如为0.05m；在另一些轮次中，相机121的拍摄规格例如设置分辨率为640
×
480、帧率为
60fps，相机121在该规格下对第二标签1312的图像进行采集，第二标签1312例如为正方形，其边长尺寸例如为0.04m；在再一些轮次中，相机121的拍摄规格例如设置分辨率为1280
×
720、帧率为60fps，相机121在该规格下对第一标签1311的图像进行采集，第一标签1311例如为正方形，其边长尺寸例如为0.05m。
46.需要说明的是，本技术上下文对相机121拍摄规格中的分辨率、帧率，以及第一标签1311、第二标签1312尺寸的描述仅为示例性说明，而非是对其相互组合的限制，本领域技术人员可依据不同应用条件及不同方案选择其他合适的规格的进行自由组合。
47.步骤s1300，采用动态位移补偿算法，将第一时间戳与定位时间戳进行对比以计算获得多种定位误差。
48.继续参考图2，上位机140可包括第一算法模块141，第一算法模块141基于动态位移补偿算法而建立，第一算法模块141将第一时间戳t1和定位时间戳t2进行对比处理后输出多种定位误差。
49.在一些实施方式中，多种定位误差包括在第一方向上的第一定位误差、在第二方向上的第二定位误差和在第三方向上的第三定位误差，第一方向、第二方向和第三方向两两垂直。示例性地，第一方向与x方向平行、第二方向与y方向平行、第三方向与z方向平行。
50.图4是根据本技术示例性实施方式的标签定位示意图。如图4所示，在工作状态下，驱动机构110将自身的工作信息反馈至上位机140，并经由上位机140处理后获得相机121在第一位置a处的运动速度v、运动加速度a和第一时间戳t1，并获得相机121的第一位置参数p1。第一位置a在y方向距标签131的距离为y1，在z方向上距标签131的距离为z1。第一位置参数p1、第一时间戳t1、运动速度v和运动加速度a被输入至第一算法模块141，并经由动态位移补偿算法处理。此外，定位时间戳t2也被输入至算法模块141。
51.在一些实施方式中，动态位移补偿算法流程包括查找距定位时间戳t2最近的相机121位置对应的时间戳，该时间戳即为第一时间戳t1。换言之，第一位置a为距定位时间戳t2所对应的标签131的时间偏差最小的位置。定位时间戳t2与第一时间戳t1的差值为δt，其满足δt＝t2-t1。根据第一位置a对应的运动速度v和差值δt，可计算得到与定位时间戳t2对应的相机121的第二位置参数p2，其满足p2＝p1 vδt 1/2aδt2。第一定位误差(包括沿x方向的定位误差)基于第二位置参数p2和第一图像的定位信息数据的差值计算获得。
52.在一些实施方式中，获得第二定位误差（包括沿y方向的定位误差）和第三定位误差（包括沿z方向的定位误差）的步骤包括测量得到相机121在第一位置a处的第一定位测量值和第二定位测量值；基于自识别视觉标记定算法获得第一定位计算值和第二定位计算值；将第一定位计算值与第一定位测量值进行对比从而可获得第二定位误差，将第二定位计算值与第二定位测量值进行对比从而获得所述第三定位误差。示例性地，第一定位测量值为沿第二方向（y方向）的测量值，第二定位测量值为沿第三方向（z方向）的测量值，第一定位计算值为沿第二方向的计算值，第二定位计算值为沿第三方向的计算值。
53.本技术可在不同分辨率、帧率下通过多轮次采集不同尺寸的标签131的图像，并采用动态位移补偿算法计算获得标签131的多种定位误差，可将相机121的不同拍摄规格、标签131的不同尺寸等参数进行相互结合，并由第一算法模块141自动处理，优化了标签定位误差较大的测量工作量及测量效率。
54.步骤s1400，采用动态定位性能评价算法对预设参数的权重进行分析以获得对应
评价数值，其中，预设参数包括多种定位误差，动态定位性能评价算法基于专家系统和灰色聚类评价模型建立。
55.继续参考图2，上位机140还可包括第二算法模块142，第二算法模块142基于动态性能评价算法而建立，第二算法模块141对预设参数的权重进行处理及分析。示例性地，预设参数包括多种定位误差，例如包括第一定位误差、第二定位误差以及第三定位误差。进一步地，第一定位误差包括第一误差均值、第一误差标准差、第一最大误差值、第一最小误差值、第一误差绝对值最大值、第一误差绝对值最小值；第二定位误差包括第二误差均值、第二误差标准差、第二最大误差值、第二最小误差值、第二误差绝对值最大值、第二误差绝对值最小值；以及第三定位误差包括第三误差均值、第三误差标准差、第三最大误差值、第三最小误差值、第三误差绝对值最大值、第三误差绝对值最小值。可采用动态定位性能评价算法对多种定位误差的权重进行分析，从而获得每种定位误差的对应评价数值。
56.可以理解的，第一误差均值为标签定位在x方向的误差均值、第二误差均值为标签定位在y方向的误差均值、第三误差均值为标签定位在z方向的误差均值；第一误差标准差为标签定位在x方向的误差标准差、第二误差标准差为标签定位在y方向的误差标准差、第三误差标准差为标签定位在z方向的误差标准差；第一最大误差值为标签定位在x方向的误差最大值、第二最大误差值为标签定位在y方向的误差最大值、第三最大误差值为标签定位在z方向的误差最大值；第一最小误差值为标签定位在x方向的误差最大值、第二最小误差值为标签定位在y方向的误差最大值、第三最小误差值为标签定位在z方向的误差最小值；第一误差绝对值最大值为标签定位在x方向的误差绝对值最大值、第二误差绝对值最大值为标签定位在z方向的误差绝对值最大值、第三误差绝对值最大值为标签定位在z方向的误差绝对值最大值；第一误差绝对值最小值为标签定位在x方向的误差绝对值最大值、第二误差绝对值最小值为标签定位在z方向的误差绝对值最大值、第三误差绝对值最小值为标签定位在z方向的误差绝对值最大值。
57.在一些实施方式中，预设参数还包括标签131的定位计算速度均值。对预设参数的权重进行分析还包括采用所述动态定位性能评价算法对定位计算速度均值的权重进行分析，并获得定位计算速度均值的对应评价数值。
58.动态定位性能评价算法基于专家系统和灰色聚类评价模型建立。可将预设参数的性能指标对动态定位性能评价方案的影响程度划分为多个等级，并对每一等级设置对应的分值；确定专家系统中的专家对预设参数的性能指标评分的样本矩阵和灰类并构造可能度函数，并计算灰色评价矩阵，最终输出灰色聚类分析结果。其计算流程包括输入预设参数以及输入相机的分辨率、帧率、标签尺寸数据信息。可通过专家系统和灰色聚类评价模型对定位性能指标的权重进行分析，得到分析结果。
59.示例性地，将性能指标r
ij
的影响程度划分为5个等级，即：很低、低、中等、高、很高。用[0，1]之间的数值对相应等级进行打分以表示其受影响程度的大小。表1示出了影响程度等级对应的分值（影响程度等级介于两等级之间，用两等级间的数值表示，可低于0.1 或高于0.9，且最小不低于0，最大不超过1）。
[0060]
表1可通过w位专家对性能指标r
ij
(i=1，2...n，j=1，2...q)进行评价，其中，j表示第i类性能指标包含的因素个数。第m位专家(m=1，2...w)对性能指标r
ij
的评价观察值分别为d
ijm
，则m位专家所构成的样本矩阵d为：d
111 d
112 ... d
11m ... d
11wd121 d
122 ... d
12m ... d
12w
.
ꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
..
ꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
..
ꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.d= d
ij1 d
ij2 ... d
ijm ... d
ijw
.
ꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
..
ꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
..
ꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.
ꢀꢀꢀꢀꢀꢀꢀ
.d
nq1 d
nq2 ... d
nqm ... d
nqw
由于专家判断存在主观随意性，两两比较判断矩阵的数据基数可能不一致或缺失，且专家难以确定各性能指标r
ij
之间的间接影响关系，因此本技术将得到的性能指标r
ij
间的关系与灰色聚类分析模型集合，修正原本专家难以确定的因素之间的间接关系，也在一定程度上减小了专家主观判断带来的误差。
[0061]
此外，由于灰色聚类分析对样本要求低，不需样本数据有特殊分布规律，几个、十几个的小样本范围也能很好反映实际情况，且计算相对不复杂，可采用灰色定权聚类分析法首先确定灰类构造可能度函数，计算灰色评价系数，确定灰色评价矩阵，再计算出性能指标r
ij
在动态定位过程中相应的权重，将其作为各灰类的定权系数，评价矩阵与定权系数复合运算，即可实现性能指标r
ij
从主观语言评价到客观数字化的转换，从而将主观无法量化的风险，通过模糊的语言量化成可对比的客观数值，实现动态定位的评价量化。
[0062]
表2示出了专家系统基于标签定位性能参数影响而获得的评分结果。
[0063]
表2需要说明的是，专家系统中的专家数量w可以为多个，表2中的专家1仅是示例性说明，在实施方式中专家数量w可为其他数值，例如w=5、w=10、w=20等，本技术对此不作限定。
[0064]
表3示出了基于w=10的专家系统评分结果的灰色聚类分析模型的分析结果。
[0065]
表3在表3中，定位计算速度均值在动态定位中具有重要作用，其对基于标签定位的运动规划时效性有很大影响。需要说明的，二级指标影响权重为归一化后的权重。
[0066]
步骤s1500，设计并训练bp神经网络模型，将评价数值输入训练后的bp神经网络模型以输出动态定位性能评价方案。
[0067]
图5是根据本技术示例性实施方式的bp神经网络模型示意图。如图5所示，可设计bp神经网络模型150，其包括输入层151、隐藏层152和输出层153。bp神经网络模型150的设计目的是为了提高误差性能综合评价时的客观性。
[0068]
在一些实施方式中，根据定位场景与误差模型，设计bp神经网络模型150的输入层151包含19个神经元（i1至i19），其输入参数例如为性能参数（包括定位计算速度均值；y、x、z三个方向的定位误差均值；y、x、z三个方向的定位误差标准差；y、x、z三个方向的定位最大误差值；y、x、z三个方向的定位最小误差值；y、x、z三个方向的定位误差绝对值最大值；y、x、z三个方向的定位误差绝对值最小值）。隐藏层152的层数为1层，其设定为包含12个神经元（h1至h12），输出层153包含1个神经元，用于输出最终评价值。
[0069]
示例性地，可将标签定位性能结果样本及其评价量化值输入bp神经网络模型150
进行训练，训练步骤如下：设置bp 神经网络的初始权重ω和临界值θ。初始权重ω和临界值θ均设置为较小的数值，可通过随机发生器程序产生一组介于-0.5至0.5之间的随机数，并将其作为初始权重ω和临界值θ ；输入预设参数及其对应的评价数值计算得到中间输出值o
1j
，其满足o
1j
=σw
ij
*yi-qj。其中，yi为性能参数19个中的第i个，w
ij
为输入层151的第i个神经元和隐藏层152的第j个神经元之间的权重，qj为偏置项。示例性地，可使用随机发生器程序产生一组介于-0.001至0.001之间的随机数作为偏置项qj；隐藏层152通过激励函数sigmod处理后作为隐藏层152的输出值hj。示例性地，激励函数sigmod为f(y)=1/(1 e
-y
)，hj满足hj=f(o
1j
)=1/(1 e
-o1j
)。
[0070]
将隐藏层152的输出值hj再次加权求和输入到输出层153，用激励函数sigmod处理后得到实际输出值ok以完成正向传播，实际输出值ok即为计算评价值；采用梯度下降法调整输入层151、隐藏层152、输出层153的权重和阈值以完成反向传播。示例性地，误差的反向传播值使用的是输出值ok与样本实际评价值tk的误差平方和e
p
，其满足2e
p
=σ(tk-ok)2。若误差值大于预设期望值，则进行误差的反向传播过程。利用梯度下降法调整各层的权重和阈值。往复进行正向传播和所述反向传播直至误差小于预设期望值以完成bp神经网络模型150的训练，该预设期望值例如为0.001。
[0071]
将标签定位性能评估样本的输入值和评价输出值经由训练后的bp神经网络模型150处理，可获得最优的动态性能评价方案，从而解决了在不同的场景下因定位性能的各项指标（包括定位计算速度、定位误差均值、定位误差波动等）相互制约、相互影响导致的相机121拍摄规格、标签131尺寸等难以选择的问题。
[0072]
本技术的另一方面还提供了一种动态定位性能评价设备100，继续参考图2和图3所示，动态定位性能评价设备100包括驱动机构110、视觉模块120、标定模块130、第一算法模块141、第二算法模块142以及训练后的bp神经网络模型150。示例性地，驱动机构110可控制视觉模块120的运动，并可反馈自身的工作信息以被计算获得视觉模块120与第一时间戳t1对应的位置信息数据p1。视觉模块120用于在预设条件下采集标定模块130的图像以获得该图像与定位时间戳t2对应的定位信息数据p2。可设置标定模块130固定，从而在视觉模块120被驱动机构110驱动时视觉模块120与标定模块130相对运动。
[0073]
在一些实施方式中，第一算法模块141基于动态位移补偿算法建立，其可通过第一时间戳t1与第二时间戳t2的对比而计算获得多种定位误差。
[0074]
在一些实施方式中，第二算法模块142基于动态定位性能评价算法对预设参数的权重进行分析，从而获得对应的评价数值。示例性地，该预设参数可包括上文所述的多种对位误差，并还可包括标定模块130的定位计算速度均值。需要说明的，动态定位性能评价算法基于专家系统和灰色聚类评价模型建立，可利用专家系统对各性能指标的权重进行打分，并基于该评分情况采用灰色聚类评价模型进行分析，获得多级指标权重，可在不同场景中有效获得预设参数的多种性能指标的权重评价数值。
[0075]
在一些实施方式中，训练后的bp神经网络模型150可用于处理基于第二算法模块142而获得的多种性能指标的权重评价数值，并最终输出动态定位性能评价方案，该方案即为最优选择方案。
[0076]
在一些实施方式中，视觉模块120包括相机121，驱动机构110包括电机111和传动带112，电机111驱动传动带112运动，相机111位于传动带112上并与传动带112共同运动，标定模块130包括标签131，定位误差包括标签定位误差。可以理解的，相机121在与传动带112共同动运动过程中，标签131与相机111相对运动。
[0077]
在一些实施方式中，预设条件包括标签131的数量为多个，且分别具有不同尺寸；相机121的拍摄规格配置为不同分辨率和/或不同帧率，相机121在该拍摄规格下采集标签131的图像。示例性地，相机121在拍摄时的分辨率规格包括1920
×
1080、1280
×
720以及640
×
480中的至少一种，帧率规格包括15fps、30fps以及60fps中的至少一种。在动态定位性能评价设备100工作过程中，相机121可对第一标签1311、第二标签1312和第三标签1313中的至少一个进行多轮次的拍摄，其中，相机131从初始位置出发往复运动一次再回到初始位置记为一个轮次。
[0078]
在一些实施方式中，动态定位性能评价设备100还包括上位机140，上位机140包括第一算法模块141、第二算法模块142和第三算法模块143。第三算法模块143基于bp神经网络模型建立，并可用于动态场景下的定位性能评价。
[0079]
图6是根据本技术示例性实施方式的动态定位性能评价设备的动态性能评价流程图。以下结合图3和图6对动态定位性能评价设备100的动态性能评价流程进行说明。
[0080]
动态定位性能评价设备100可包括控制层210、算法层220和分析层230。可开启例如标定装置（未示出）中的标定控制软件，建立标定控制软件与电机111、相机121的连接。标定控制软件读取配置文件、获取标定配置数据并向电机111下发运动指令。电机111通过传动带112驱动相机121沿着y方向运动，并实时获取电机111驱动返回的相机121的位置数据、运动速度、运动加速度等数据。
[0081]
示例性地，标定控制软件控制相机121定时拍摄图像，并实时处理图像中各目标数据，例如计算标签131的定位信息数据以及统计定位计算的耗时时间等。可通过动态位移补偿算法获取当前处理图像帧所对应的相机121的位置信息数据，再根据标签131的定位信息数据和对应的相机121位置信息数据，分别计算得到相机121与标签131在沿y、x、z三个方向上的距离理论值和实际测量值，并统计得到标签131的定位信息数据相对于实际测量值的定位误差。
[0082]
示例性地，定位误差可包括第一定位误差（沿y方向的定位误差）、第二定位误差（沿x方向的定位误差）和第三定位误差（沿z方向的定位误差）。进一步地，第一定位误差包括第一误差均值、第一误差标准差、第一最大误差值、第一最小误差值、第一误差绝对值最大值、第一误差绝对值最小值；第二定位误差包括第二误差均值、第二误差标准差、第二最大误差值、第二最小误差值、第二误差绝对值最大值、第二误差绝对值最小值；以及第三定位误差包括第三误差均值、第三误差标准差、第三最大误差值、第三最小误差值、第三误差绝对值最大值、第三误差绝对值最小值。
[0083]
当相机121到达指定位置后，标定控制软件控制电机111停止运动，同时控制相机121停止拍摄图像。之后标定控制软件可控制相机121运动回初始位置。在此运动过程中，若标定装置依据电机111驱动返回的信息判定相机121未回到初始位置，则标定控制软件发出控制指令控制电机111驱动相机121返回初始位置，以完成一个轮次的标定工作。需要说明的，标定控制软件可依据标定配置数据，针对相机121的不同拍摄规格（包括分辨率、帧率），
控制电机111驱动相机121展开一个或多个轮次的标定工作。
[0084]
示例性地，在标定完成后，标定控制软件可调用动态定位性能评价算法对相机121在不同分辨率、帧率以及在标签131具有不同尺寸等条件下的定位计算速度和定位误差数据进行评价，并输出满足性能要求的最优方案。
[0085]
本技术的再一方面还提供了一种动态定位性能评价系统（未示出）。该动态定位性能评价系统可包括动态定位性能评价设备100以及机械臂（未示出），该机械臂可响应于输入的动作指令完成预定动作。继续参考图2和图3所示，可依据动态定位性能评价设备100输出的动态定位性能评价方案选择相机121的分辨率、帧率和标签131尺寸的最佳组合方案，机械臂可在该最佳组合方案条件下完成其预定的动作。
[0086]
以上描述仅为本技术的实施方式以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的保护范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离技术构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。