融合注意力机制与神经网络的永磁定位技术.pdf

ElectricalAutomation105IntelligentControlTechnology智能控制技术电气自动化2 0 2 3年第45卷第4期融合注意力机制与神经网络的永磁定位技术王姝姝？，戴厚德，林志榕，黄巧园？3（1.福州大学先进制造学院，福建泉州1362251;2.中国科学院海西研究院泉州装备制造研究中心，福建泉州362216;3.厦门理工学院机械与汽车工程学院，福建厦门36 10 2 4）摘要：传统的永磁定位方法为Levenberg-Marquardt(LM)优化算法。针对算法存在运算时间长、快速运动下精度差的问题，提出了一种融合注意力机制的Inception网络的定位方法。首先，将一维磁传感器数据转为二维矩阵数据，以便采用卷积神经网络进行处理；其次，利用Inception网络对六维位姿进行预测，为提升定位精度，在网络中融合了轻量级的卷积块注意力机制；最后将所提方法和LM算法的运算时间及快速运动下位置精度作对比分析。研究结果表明：所提算法在静态下预测的位姿误差为（0.8 6 0.40）m m 和（0.8 10.36）,运算速度比LM算法提升2 0 0 倍；快速定位下位置误差在1mm左右，比LM算法下降50%以上。因此所提方法可以实现快速运动下的高精度磁定位。关键词：磁传感器；Inception网络；注意力机制；深度学习；快速运动D0I:10.3969/j.issn.1000-3886.2023.04.033中图分类号 TP212文献标志码A文章编号10 0 0-38 8 6（2 0 2 3)0 4-0 10 5-0 4Permanent Magnet Positioning Technology Integrated withAttention Mechanism and Neural NetworkWang Shushu-2,Dai Houde,Lin Zhirong,Huang Qiaoyuan?2，3(1.School of Advanced Manufacturing,Fuzhou University,Quanzhou Fujian 362251,China;2.Quanzhou Institute ofEquipment Manufacturing,Haixi Institutes,Chinese Academy of Sciences,Quanzhou Fujian 362216,China;3.School of Mechanical and Automotive Engineering,Xiamen University of Technology,Xiamen Fujian 361024,China)Abstract:The traditional permanent magnet positioning method is Levenberg-Marquardt(LM)optimization algorithm.Aiming at the problems oflong operation time and poor accuracy in fast motion of the algorithm,an Inception network location method integrating attentionmechanism was proposed.Firstly,the one-dimensional magnetic sensor data was converted into two-dimensional matrix data forprocessing by convolution neural network;secondly,the six-dimensional pose was predicted using the Inception network,in order toimprove the positioning accuracy,the lightweight convolution block attention mechanism was integrated in the network;finally,theoperation time and position accuracy of this method and LM algorithm were compared and analysed.The research results show that thepredicted pose error of the algorithm in static state is the sum,and the operation speed is 200 times faster than LM algorithm;theposition error under fast positioning is about 1 mm,which is more than 50%lower than LM algorithm.Therefore,this proposedmethod can achieve high-precision magnetic positioning in fast motion.Keywords:magnetic sensor;Inception network;attention mechanism;deep learning;fast motion0 引 言磁定位技术在医疗、自动驾驶和人机交互等跟踪及导航领域起到至关重要的作用。与其他定位技术如激光雷达、视觉和超声波定位技术相比，永磁定位技术具有抗光学干扰、全空间六维位姿跟踪和信号源无能源供给等优点主流的永磁定位技术是LM 优化算法。SON等2 研发的基于Levenberg-Marquardt(LM)算法的永磁定位系统，实现对半径5mm的圆柱形磁体的定位精度为（2.10.8）mm和（6.7 4.3）。因为LM算法是局部寻优，所以该方法的定位精度不够高。文献3提出粒子群融合LM优化算法，跟踪精度得到一定提升。但是该融合算法受限于初值估计，算法复杂度增加，送迭代时间长，无定稿日期：2 0 2 3-0 1-0 3基金项目：国家自然科学基金（6 197 32 93）；福建省科技计划项目(2021Y0048)法实现对目标的快速定位。随着深度学习技术的发展，研究人员利用神经网络强大的并行能力、能够充分逼近任意复杂的非线性关系和鲁棒性高的特点，提升磁定位的定位精度。吕博文4 将前馈神经网络融合到LM算法中提升远距离定位精度，在高度为2 96 396 mm范围内的定位误差从41.10 mm降低到16.6 8 mm，角度误差从2 1.53降低到4.41因此，为解决永磁定位中传统算法运行时间长、无法实现快速运动定位和定位精度差的问题，本文提出一种融合轻量级CBAM的Inception卷积神经网络的算法：开创性地提出将一维磁传感器数据处理后转换为二维矩阵的方法，以便卷积神经网络训练；利用Inception网络具有让模型自行选择卷积类型的优点，搭建卷积网络实现对目标的六维位姿预测，并在该网络中融合CBAM注意力机制提取空间与时间特征，降低运行时间，提高目标快速运动时的定位精度。106ElectricalAutomationIntelligentControl Technology智能控制技术电气自动化2 0 2 3年第45卷第4期1传感器与数据预处理1.1磁传感器阵列本文使用的数据采集平台是自主研发的磁传感器采集系统，如图1所示。它包括：间隔为15mm，长宽为2 0 0 mm200mm的磁铁阵列板；16 个三轴磁传感器形成的44阵列；传输速率为20Hz的微控制器；基于C+开发平台的磁场采集软件。跟踪目标是半径5mm的圆柱形永磁体，其位姿为（x,y,z,m,n,p）,其中（x,y,z）表示位置，（m，n,p）表示姿态。系统的坐标系如图2 所示。开始H=(m,n,p)磁传感器阵列p(x,y,z)微控制器R永磁软件采集平台Y磁传感器结束X图1磁传感器采集图2永磁传感阵列坐标系平台系统框图1.2传感器数据预处理文献3 指出：对于半径为5mm的圆柱形磁铁，定位高度在40100mm时定位精度最为理想。因此，采集了高度范围在43103mm，间隔2 0 mm平面上的共5万组数据。需要注意的是：由于磁传感器阵列的版图设计工艺偏差，传感器位置和角度需要做好标定；由于环境磁场和地球产生的地磁场干扰，初始采集的磁信号需要做去地磁场及滤波处理，从而减少误差，提升精度。处理后得到来自16 个传感器的磁场强度，如式(1)所示。X=Bor,Bo,Boz.,B15x,Bisy,B15.(1)式中：X为网络的输入;Ba、By、B为第1个传感器在x、y、z 方向接收到的磁场强度，可取0 15。卷积神经网络的输人需要二维矩阵，因此需要将如式（1）所示的一维磁传感器数据转换为二维矩阵如式（2）所示，形成类似于图像的RGB三通道矩阵，确保可送人卷积神经网络中训练。BoxBlxB2xB3BoyBl,B2yB.,BABsxB6xB1xB4yBsyBoyByX=BsxBoxBixB:syBoyBioyBllyB12xB13xB14xB15xBi2yB13yB14yB51Bo.B2:B3厂B4zBs.B6:B7:(2)B:B:B102B1B/2zB13zB14zB152同时，获得的磁钉位置Y=x,y,z,m，n,p 将作为神经网络的真实值，其中Y表示网络的输出。2融合注意力机制的Inception网络2.1Inception网络Inception网络能利用多通道的卷积核提供不同感受野来提升模型的感知能力5。它能在保证模型不损失特征的条件下有效减少参数和卷积核的数量，降低模型的复杂度。其中的池化层可以防止过拟合和降低数据的允余度6 。批标准化能有效缓解由深度增加引起的梯度消失问题。因此，用具有以上优点的Inception网络对永磁体的位姿进行预测。搭建了两个Inception模块（如图3所示）分别学习永磁铁循环=361212卷积+归一化+Relu函数卷积核卷积核卷积核卷积核平均全连(1x1)(33)(1x1)(3x3)池化接层Linear辅输出函数665125一12 56卷积核卷积核卷积核卷积核卷积核(1,1,16)(1x1)(55)(11)3(3x3)(5x5)665CBAM1212CBAM:全连接层注意力注意力位置最大池化卷积核机制最大池化卷积核机制(3x3)(1x1)(1x1)125卷积核卷积核(1x1)模块1(1x1)输入(3,4,4)Inception单元1Inception单元2循环=365-6125125卷积+归一化卷积核(1x1)卷积核(3x3)卷积核卷积核+Relu函数(1X1)(3x3)平均全连输出656接层tanh12512池化函数3卷积核卷积核个(5x5)卷积核卷积核卷积核(1x1)(1x1)(5x5)(1,1,16)65一6 53(3x3)CBAM1212CBAM角度最大池化卷积核注意力(3x3)12(1x1)机制最大池化卷积核(1x1)注意力全连接层机制卷积核卷积核(1x1)模块2(1x1)Inception单元1Inception单元2图3永磁定位算法的Inception网络结构ElectricalAutomation107下转第111页）Intelligent Control Technology智能控制技术电气自动化2 0 2 3年第45卷第4期的位置（x,y,z）和姿态（m,n,p）。每个模块又由相似的Inception单元组成。前后单元间卷积层的通道数成两倍关系，这样能更好地获得特征。总共循环次数和输出参数（参数为3）保持一致。2.2融合的CBAM注意力机制CBAM机制通过依次关注通道特征和空间特征来提升网络的准确性,具有自适应特征细化的优点7 。CBAM还是一个轻量级的通用模块，其计算成本可以忽略不计，能够无缝集成到任何卷积网络的架构中基于它以上优点，在每一个Inception模块（如图3所示）后加入CBAM的模块。整个过程包括：F=Mc(F)?F(3)F=Ms(F)?F(4)式中：F为Inception单元（见图3）的输出；Mc（F）为通道注意机制；F为中间运算量；Ms（F）为空间注意机制；F为模块输出；?为乘法运算。2.3评价指标每个预测点与真实值的位置和姿态误差定义如式（5）和式(6)所示。E,=(apre-arel)+(b,-breal)+(cpme-Cal)(5)premXmreal+nXnreal+PXPrealprepreE,=arccospre(6)222mpre+npre+Pprenreal Preal为真实值;E，为位置误差；E，为角度误差；arccos为反余弦函数。3试验分析3.1静态下定位精度如图4和图5所示，在永磁体静止状态下，Inception网络预测的定位误差是（1.2 50.53）mm和（1.2 10.50）。预测精度可达到毫米级，使用Inception神经网络的方法可以很好地逼近永磁体的真实位姿。2.5*Inception-LM-o-CBAM+Inception(1.250.53)mm2.0(1.160.35)mm(0.860.40)mmu/1.5A1.00.5105101520253032样本数量/个注：(atb)mm中a、b 分别为样本位置误差的平均值和方差图4测试集中32 个样本的位置精度融合CBAM机制的Inception网络预测的永磁体位姿误差是（0.8 6 0.40）m m 和（0.8 10.36），相比于仅使用Inception网络的定位精度得到有效提升。这是因为CBAM注意力机制能增加对有用信息的关注和对无相关噪声的抑制作用。并且该算法相比于静态下LM算法的定位误差（1.16 0.35）mm和（1.46 0.50）也得到了一定提升。2.5Inception-LM-o-CBAM+Inception(1.210.50)(1.460.54)0(0.810.36)2.0分（/1.51.00.505101520253032样本数量/个注:(atb)中、b 分别为样本角度误差的平均值和方差图5测试集中32 个样本的角度精度采集多个定位数据点，取10、2 0 和30 个预测点对比CBAM+Inception神经网络和LM算法的平均运算时间。如表1所示：在同等CPU资源下，LM算法的平均运算时间约为CBAM+Incep-tion网络的2 0 0 倍。可见，CBAM+Inception神经网络的运算速度优于LM算法。这是因为它不需要很大的网络参数就能很好地逼近非线性关系，并且避免了计算初值，节约了运算时间。综上，基于该神经网络的永磁定位方法的定位性能更佳。表1神经网络与LM算法的运算时间对比单位：ms组数LMCBAM+Inception10119.10.5620118.30.5730119.20.563.2快速运动下的位置精度试验选取位姿为(0,0,1)的永磁体在运动速度分别为1cm/s、2cm/s、3c m/s 下，4cm4cm正方形作为快速运动下的定位轨迹。试验平台基于UR5机械臂，值得注意的是需要统一好机械臂与磁定位的坐标系，有利于后续数据处理。图6 所示目标物的运动速度为2 cm/s，CBA M+I n c e p t i o n 网络和LM算法跟踪轨迹对比，神经网络的跟踪轨迹偏差小于LM算法。表2 所示为位姿为（0，0，1）的永磁体在不同运动速度下两算法的位置定位精度对比。LM算法随着跟踪速度的提升误差不断增加。而CBAM+Inception算法在不同的跟踪速度下预测的永磁位置精度都保持在1mm左右，相较于LM算法位置误差降低50%以上。可见，CBAM+Inception神经网络能更好地实现对永磁目标在快速运动下的高精度定位。ElectricalAutomation111上接第10 7 页）IndustryApplication业应用电气自动化2 0 2 3年第45卷第4期进行巡视，并实时查看融和视频所覆盖的实时场景。（2）生产工艺巡视。泵站最重要的功能就是抽排水，生产工艺巡视定义从进水管、进水口、格栅机、泵池和出水口的路线，以实时监测数据为依托，展示设备运行、泵池液位和水流动态。（3）参观路线。以参观者路线进行漫游和定点场景驻留，主要服务于对外宣传的需要，在泵站运行自动化管理对外交流和宣传时，实现一键式漫游展示。3结束语通过建立泵站的数字李生模型，将模型与真实泵站的物联监测网络、自动化远控系统进行互通和互联，实现了数字李生模型与真实泵站近乎完全一致的物理形态、运行动态和环境动态同步，并通过数字李生平台实现了具备实用价值的运行全可视化监测、可视化远控、远程巡检和漫游功能，达到泵站数字李生模型对真实泵站的全息再现，并实现对泵站各项运行管理业务的支持，极大降低人工费用，提高泵站管理效率。参考文献：【1毛思，朱晓冬，赵峰，等基于数字李生的秦淮准河生态调水三维可视化平台研究与设计C】/中国水利学会2 0 2 1学术年会论文集第四分册。北京：黄河水利出版社，2 0 2 1：36 9-37 6.真值-CBAM+Inception*-LM0.0850.0840.0830.082三0.081N0.0800.0790.0780.0770.0760.0750.050.05J/m0.040.020.010.020.030.04000.01-0.01x/m图6目标物在2 cm/s的运动下预测轨迹表2两算法在不同速度下的位置误差运动速度/(cms)CBAM+Inception/mmLM/mm10.89 0.481.80 0.5020.90 0.492.59 0.7130.93 0.513.70 1.084结束语本文为解决永磁定位中传统算法运行时间长、快速运动下定位精度差的问题，提出了一种融合卷积块注意力机制的Inception神经网络的快速永磁跟踪方法。将一维的磁场数据转化为二维矩阵，再通过Inception网络融合CBAM注意力机制预测出永磁体的位姿。试验结果表明，本文方法在静态下预测的位姿误差为【2 房灵常，唐炜，陈金水智能泵站关键技术研究J中国农村水利水电，2 0 2 0(12)：7 3-7 6.【3吴晨构筑统一数字底座推动数字李生城市建设J北京观察，2021(2):73.【4宁泽西，秦绪佳，陈佳舟。基于三维场景的视频融合方法J计算机科学，2 0 2 0，47（增刊2）：2 8 1-2 8 5.【5陈宝权基于三维视频融合的监控分析系统J中国公共安全（综合版），2 0 12（15）：18 6-190.【6 刘志泉，李建梅泵站电气自动化控制中智能化技术的发展及应用C/中国电力设备管理协会第二届第一次会员代表大会论文集北京：出版者不详】，2 0 2 2：4549.【7 张绿原，胡露骞，沈启航，等水利工程数字李生技术研究与探索C/中国水力发电工程学会自动化专委会2 0 2 1年年会暨全国水电厂智能化应用学术交流会论文集南京：【出版者不详】，2021:341-345.【8 华璇试论泵站远程监控应用系统J治准，2 0 2 0（2）：36-38.【作者简介】翟亚纯（198 7 一），男，江苏人，工程师，专业：控制理论与控制工程。朱晨晟（198 4一），男，上海人，工程师，专业：电气工程及其自动化。（0.8 6 0.40）m m 和（0.8 10.36）；其运算速度比传统的LM算法提升2 0 0 倍；快速定位下位置误差在1mm左右，比LM算法下降50%以上。因此，本文提出的卷积神经网络永磁定位方法是一种快速运动下的高精度定位方法。参考文献：1史秦媛面向永磁驱动胶囊机器人的磁定位方法研究D哈尔滨：哈尔滨工业大学，2 0 2 1.2J SON D,YIM S,SITTTI M.A 5-D localization method for a magneticallymanipulated untethered robot using a 2-D array of hall-effect sensorsJ.IEEE/ASME Transactions on Mechatronics,2015,21(2):708-716.【3苏时荐.基于磁偶极子模型的物流机器人磁钉定位技术研究D.福州：福州大学，2 0 2 1.【4吕博文高精度永磁体定位技术研究及其应用D太原：中北大学,2 0 2 0.5王勇.基于车载36 0 环视影像和深度神经网络的路面坑塘与裂缝检测J.电气自动化，2 0 2 0，42（4）：99-10 2.6 吴佳青，魏栋，陈尤，等。基于RTK与视觉辅助定位的自主无人机架线系统J.电气自动化，2 0 2 1，43（2）：2 7-2 9.7 吴聪，郭志强，杨杰。基于改进的注意力机制残差网络穴盘幼苗分类算法研究J激光与光电子学进展，2 0 2 2，59（2 2）：8 9-98.【作者简介】王妹妹（1997 一），女，江苏南通人，硕士生，研究方向为多源信息融合及磁定位。林志榕（1990 一），男，福建泉州人，工程师，从事可穿戴设备及传感器信号处理研究工作。黄巧园（1998），女，江西赣州人，研究生，从事永磁体定位导航技术研究工作。【通信作者】戴厚德（198 2 一），男，湖南邵阳人，博士生导师，从事智能传感器、信息处理和智能机器人方向研究工作。