货物配送无人机的控制方法、系统和存储介质

1.本发明涉及无人机技术领域，尤其是一种货物配送无人机的控制方法、系统和存储介质。


背景技术：

2.在智慧物流和应急救援等场景中，会使用无人机进行短途物质运输和货物配送。为了使货物能够准确投放到配送地点，无人机上通常会安装一个机载gps模块用于飞行导航和定位，将收货地址转换为gps位置信息之后通过导航到达指定地点。尽管当前gps的精确度在不断提高，但是在部分现实场景中gps信号较弱或者存在较大干扰时，无人机定位和实际收货地址之间存在一定的误差，导致无人机不能准确、高效地将货物配送到指定地点。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种货物配送无人机的控制方法、系统和存储介质，能够有效提高无人机进行货物配送的准确度。
4.一方面，本发明实施例提供了一种货物配送无人机的控制方法，包括以下步骤：
5.获取第一训练数据集，所述第一训练数据集包括若干个预设配送区域的第一历史街景视角图像和第一历史无人机拍摄图像；
6.根据所述第一训练数据集训练云服务器上的第一深度神经网络模型，将训练好的第二深度神经网络模型作为教师模型；
7.提取所述教师模型的模型参数；
8.将所述模型参数配置到若干个边缘服务器上的第二深度神经网络模型，所述若干个边缘服务器分别设置于所述若干个预设配送区域；
9.获取第二训练数据集，所述第二训练数据集包括所述边缘服务器对应所述预设配送区域的第二历史街景视角图像和第二历史无人机拍摄图像；
10.根据所述第二训练数据集训练配置好教师模型参数的第二深度神经网络模型，将训练好的第二深度神经网络模型作为学生模型；
11.根据实时货物配送地址和所述学生模型控制所述无人机的当前货物配送状态。
12.在一些实施例中，所述根据实时货物配送地址和所述学生模型控制所述无人机的当前货物配送状态，包括：
13.获取实时货物配送地址；
14.获取所述无人机在飞行路程中拍摄的实时街景图像，所述飞行路程包括所述无人机飞行至所述实时货物配送地址对应的目标区域的路程；
15.通过所述学生模型确定所述实时街景图像包括目标建筑物图像，控制所述无人机飞行至所述目标建筑物图像对应的实体建筑物所处位置；
16.获取所述无人机在盘旋路程中拍摄的实体建筑物方位图像，所述盘旋路程包括所述无人机绕所述实体建筑物盘旋的路程；
17.通过所述学生模型确定所述实体建筑物方位图像与预设方位图像相同，控制所述无人机飞行至所述实体建筑物方位图像对应位置。
18.在一些实施例中，所述获取实时货物配送地址，包括：
19.获取实时订单收货地址；
20.将所述实时订单收货地址转换为gps位置信息，将所述gps位置信息作为实时货物配送地址。
21.在一些实施例中，所述获取所述无人机在盘旋路程中拍摄的实体建筑物方位图像，包括：
22.获取所述无人机在盘旋路程中，通过不同倾斜角度拍摄的实体建筑物方位图像。
23.在一些实施例中，所述方法还包括以下步骤：
24.确定所述无人机完成当前货物配送任务，根据所述当前货物配送任务对应的实时街景图像和所述实体建筑物方位图像更新所述学生模型的参数。
25.在一些实施例中，所述方法还包括以下步骤：
26.获取若干个边缘服务器上的实时街景图像和所述实体建筑物方位图像；
27.根据所述若干个边缘服务器上的实时街景图像和所述实体建筑物方位图像，更新所述教师模型的参数。
28.在一些实施例中，所述提取所述教师模型的模型参数，包括：
29.采用知识蒸馏方式提取所述教师模型的模型参数。
30.在一些实施例中，所述第一深度神经网络模型包括resnet-152模型。
31.另一方面，本发明实施例提供了一种货物配送无人机的控制系统，包括：
32.至少一个存储器，用于存储程序；
33.至少一个处理器，用于加载所述程序以执行所述的货物配送无人机的控制方法。
34.另一方面，本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现所述的货物配送无人机的控制方法。
35.本发明实施例提供的一种货物配送无人机的控制方法，具有如下有益效果：
36.本实施例通过将云服务器上训练好的教师模型的模型参数，配置到若干个边缘服务器上的第二深度神经网络模型，并根据获取的第二训练数据集对练配置好教师模型参数的第二深度神经网络模型进行训练后，得到训练好的第二深度神经网络模型作为学生模型，然后在根据实时货物配送地址和学生模型控制无人机的当前货物配送状态，从而可以利用训练好的学生模型，提高货物配送目标地址的识别精度，从而有效提高无人机进行货物配送的准确度。
37.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
38.下面结合附图和实施例对本发明做进一步的说明，其中：
39.图1为本发明实施例的一种货物配送无人机的控制方法的流程图；
40.图2为本发明实施例的一种教师模型的示意图；
41.图3为本发明实施例的一种学生模型的示意图。
具体实施方式
42.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
43.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
44.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
45.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
46.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
47.无人机已经在物流和应急救援等场景中得到广泛应用。相关技术中，无人机在进行货物配送时，是通过无人机上配置的gps模块进行导航和确定位置。但是，当gps信号较弱或存在较大干扰时，则难以准确且快速的确定目标位置。目前，为了提高无人机配送的准确性，可以通过在指定收货地点安装射频信号发射器、在地面放置大型可识别二维码等辅助方式，然而这种辅助方式，增加了用户成本，同时操作也不灵活。另外，还可以通过追踪收货人手机的位置信息来判断收货人所在位置，然而这种方式也存在暴露用户位置隐私的风险。
48.基于此，本发明实施例提供了一种货物配送无人机的控制方法，本实施例通过将云服务器上训练好的教师模型的模型参数，配置到若干个边缘服务器上的第二深度神经网络模型，并根据获取的第二训练数据集对练配置好教师模型参数的第二深度神经网络模型进行训练后，得到训练好的第二深度神经网络模型作为学生模型，然后在根据实时货物配送地址和学生模型控制无人机的当前货物配送状态，从而可以利用训练好的学生模型，提高货物配送目标地址的识别精度，从而有效提高无人机进行货物配送的准确度，同时降低用户成本和隐私泄漏的风险。
49.下面结合附图对本发明实施例做进一步阐述：
50.参照图1，本发明实施例提供了一种货物配送无人机的控制方法，本实施例包括但不限于步骤110至步骤170：
51.步骤110、获取第一训练数据集，所述第一训练数据集包括若干个预设配送区域的第一历史街景视角图像和第一历史无人机拍摄图像；
52.步骤120、根据所述第一训练数据集训练云服务器上的第一深度神经网络模型，将训练好的第二深度神经网络模型作为教师模型；
53.在本技术实施例中，第一深度神经网络模型包括resnet-152模型。resnet-152是一个网络层数达到152的残差网络，在深度学习领域的图像分类任务中具有较好的图像分类性能。本实施例通过利用收集到的大量无人机拍摄的空中视角的历史图像和街景视角历史图像，在云服务器上对第一深度神经网络模型进行训练后，得到如图2所示的具有高准确度的重量级模型作为教师模型。
54.步骤130、提取所述教师模型的模型参数；
55.步骤140、将所述模型参数配置到若干个边缘服务器上的第二深度神经网络模型，所述若干个边缘服务器分别设置于所述若干个预设配送区域；
56.在本技术实施例中，可以通过知识蒸馏方式提取所述教师模型的模型参数，然后将提取的教师模型的模型参数发送到各个预设配送区域内分布的通信基站上。其中，每个预设配送区域选择一个基站，这个基站被称为边缘服务器。在本技术实施例中，知识蒸馏技术可以提取重量级教师模型通过图像数据学习到的参数，然后将提取到的参数发送到边缘服务器上，用来辅助训练边缘服务器上新的模型，得到训练好的模型作为学生模型，使得图3所示的学生模型在规模较小(轻量级)的前提下能够获得接近教师模型的性能。从图2和图3可知，学生模型与教师模型具有类似的框架，但网络层数更少，结构更简单，因此能够在计算资源相对不足的无人机上部署。
57.步骤150、获取第二训练数据集，所述第二训练数据集包括所述边缘服务器对应所述预设配送区域的第二历史街景视角图像和第二历史无人机拍摄图像；
58.步骤160、根据所述第二训练数据集训练配置好教师模型参数的第二深度神经网络模型，将训练好的第二深度神经网络模型作为学生模型；
59.在本技术实施例中，当边缘服务器上的模型完成参数配置后，利用边缘服务器所属配送区域的历史街景视角图像和历史无人机拍摄图像对参数配置后的模型进行训练，从而得到一个与教师模型结构近似的学生模型。
60.步骤170、根据实时货物配送地址和所述学生模型控制所述无人机的当前货物配送状态。
61.在本技术实施例中，在得到学生模型后，当得到货物配送指令时，获取当前货物配送任务的实时货物配送地址；将学生模型从边缘服务器中下载到无人机的处理器上，使得不具备高容量处理能力的无人机能够运行学生模型，然后控制无人机飞行至实时货物配送地址对应的目标区域。该目标区域为包含具体货物配送位置的区域，例如，xx小区a栋。同时获取无人机在飞行路程中拍摄的实时街景图像，控制无人机上配置的学生模型判断所述实时街景图像是否包括目标建筑物图像，若包括目标建筑物图像，则控制所述无人机飞行至所述目标建筑物图像对应的实体建筑物所处位置；当无人机飞行到实体建筑物所处位置后，控制无人机围绕所述实体建筑物盘旋，并获取所述无人机在盘旋路程中拍摄的实体建筑物方位图像，例如，无人机上的摄像头正对实体建筑物拍摄的图像、斜对实体建筑物拍摄的图像等不同方位拍摄的图像。然后控制无人机上的学生模型持续判断所述实体建筑物方位图像与预设方位图像的关系，当确定所述实体建筑物方位图像与预设方位图像相同时，控制所述无人机飞行至所述实体建筑物方位图像对应位置。例如，预设方位图像是正对xx
小区a栋正门，则所述无人机飞行至xx小区a栋正门位置。当无人机到达xx小区a栋正门位置后，控制无人机卸载货物或装载货物。在无人机到达实体建筑物所处位置后，控制无人机低速围绕实体建筑物盘旋，以提高无人机工作过程中的安全性。
62.在本技术实施例中，无人机上预先安装有gps模块，当获取实时订单收货地址后，将所述实时订单收货地址转换为gps位置信息，以使gps模块能够有效接收到位置信息，并生成正确的操作指令。
63.在本技术实施例中，在无人机每次执行完货物配送任务的过程中，无人机上的处理器都会将采集到的图像上传到边缘服务器，并在确定所述无人机完成当前货物配送任务，根据所述当前货物配送任务对应的实时街景图像和所述实体建筑物方位图像更新边缘服务器上学生模型的参数。并且，每隔预设时间段后，边缘服务器会将该时间段内采集的图像上传到云服务器内，云服务器可以根据接收到的实时街景图像和所述实体建筑物方位图像，更新教师模型的参数，从而使得教师模型和学生模型可以不断改进，不断适应新的配送环境。
64.例如，上述实施例在实际应用过程中，可以包括但不限于：
65.步骤一、在云服务器上训练一个深度神经网络模型。例如，选择一个在imagenet上预训练好的深度神经网络模型resnet-152作为基础模型。其中，resnet-152是一个网络层数达到152的残差网络，是目前深度学习领域图像分类任务中性能最好的神经网络之一。在此基础上利用收集到的大量建筑物图像数据，在云服务器上训练得到一个具有高准确度的重量级模型，该模型被称作教师模型。具体地，大量建筑物图像数据可以包括无人机拍摄的空中视角的图像和街景视角的图像
66.步骤二、利用知识蒸馏技术，从云服务器端的教师模型提取模型特征(即模型参数，也称为“知识”)并将其发送到各个配送区域内分布的通信基站上。每个配送区域选择一个基站，这个基站被称为边缘服务器。知识蒸馏技术可以提取重量级教师模型通过图像数据学习到的参数(即知识)，发送到边缘服务器上，用来辅助训练新的模型(该模型称为学生模型)，使得新模型在规模较小(轻量级)的前提下能够获得接近教师模型的性能。当边缘服务器收到从教师模型提取的知识之后，利用自身配送区域内拍摄得到的照片和得到的知识，训练得到一个本地化的学生模型，该模型具有和教师模型近似的高准确度，同时具备对应区域的特征处理能力。从图2和图3可知，从结构上来看，学生模型与教师模型具有类似的框架，但网络层数更少，结构更简单，因此能够在计算资源相对不足的无人机上部署。
67.步骤三、当某个配送站的无人机收到配送指令之后，需要将货物送达具体的收货地点。无人机根据订单上的收货地址转换得到的gps定位信息导航到达大致的区域范围，并且从对应的基站(边缘服务器)下载对应的学生模型。
68.步骤四、当无人机到达大致的配送范围之后，获取无人机在飞行过程中拍摄周边的建筑物，将拍摄到的建筑物图像与用户在订单中上传的图像进行比对，通过学生模型判断当前建筑是否是收货地点所在的建筑物，如果是，则进行步骤五，否则继续拍照比对。
69.步骤五、找到相应的建筑物之后，控制无人机以较低的速度绕着建筑物盘旋，同时，控制无人机在飞行过程中以一定的频率对建筑物的不同角度进行拍摄，每拍摄一张图像，就利用学生模型进行匹配，直到找到与用户上传的图像匹配的建筑物角度，即用户指定的收货方位。在确定收货方位后，控制无人机飞向该方位并可以采用识别技术确认收货人
并投递货物。
70.步骤六、在无人机完成当次货物配送任务后，控制无人机将本次配送过程中拍摄的图像上传至边缘服务器，使边缘服务器根据实时的图像更新本地深度神经网络模型(学生模型)的参数。并且，每隔一个固定时间，将各个边缘服务器上的图像上传至云服务器上，使云服务器根据接收的图像更新教师模型的参数。
71.综上可知，当需要进行货物配送时，用户只需要在设置收货人信息时通过上传收货地点的照片来指定收货地点，通过本实施例的控制方法，结合现有的无人机的gps信息，即能快速且准确的完成货物配送。
72.本发明实施例提供了一种货物配送无人机的控制系统，包括：
73.至少一个存储器，用于存储程序；
74.至少一个处理器，用于加载所述程序以执行图1所示的货物配送无人机的控制方法。
75.本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
76.本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现图1所示的货物配送无人机的控制方法。
77.本发明实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的货物配送无人机的控制方法。
78.上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。