技术领域
[0001] 本公开的实施例涉及移动式激光防御领域，具体涉及移动式激光拒止防御系统。
相关背景技术
[0002] 为了重要设施的安全防护，通过会通过设置多种防护装备对潜在威胁进行拒止、干扰。目前，对于威胁目标的识别与拒止，通常采用的方式为：通过雷达探测威胁目标，再通过防护装备进行干扰防护。然而，这种方式，适用于大型威胁目标，对于小型威胁目标，反应速度较慢，且传统防护装备操作不便，影响对于威胁目标的干扰效率。
[0003] 该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
具体实施方式
[0016] 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0017] 另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0018] 需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0019] 需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0020] 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0021] 下面将参考附图并结合实施例来详细说明本公开。
[0022] 图1是根据本公开的移动式激光拒止防御系统的一个示意性系统架构图。示出了根据本公开的移动式激光拒止防御系统的系统架构。该移动式激光拒止防御系统，包括：移动底座小车1、云台2、摄像头3、图像处理设备4、激光器主机5、激光器6、冷却系统7、控制设备8、自动巡航与避障系统9。
[0023] 在一些实施例中，上述移动底座小车上的移动底座用于承载云台、摄像头、激光器主机、激光器、冷却系统、控制设备、自动巡航与避障系统，其中，上述移动底座小车配备全向轮或履带，移动底座小车上设置有移动底座，移动底座小车支持移动底座在多方向上移动转向，激光器主机设置在移动底座上。
[0024] 其中，移动底座小车1可以是指底盘万向移动小车，底盘（移动底座）是整个系统的基础结构，安装在一个能够全方位移动的小车上，采用全向轮或履带结构，能够实现多方向的移动，包括前进、后退、左右侧移和原地旋转。移动底座小车1的工作原理如下：通过电动机驱动小车的轮子或履带，实现移动和定位；内置的控制设备通过接收来自自动巡航与避障系统、避障装置的信号，控制小车的行驶路线。移动底座小车1的功能作用如下：提供系统的移动能力，使系统能够在指定区域内灵活移动，覆盖更多防护范围；避障装置确保小车在移动过程中避免碰撞障碍物。
[0025] 作为示例，图2示例出了移动底座小车1的一个应用场景框架图，移动底座小车1可以包括型材支架201、尾部电气面板202、电池仓203。型材支架201可以表示移动底座小车1上用于固定云台的支架。尾部电气面板202可以表示移动底座小车1的电气面板，可以包括：电源旋钮：用于控制小车的电源开关，右旋打开电源，左旋关闭电源、手动/自动按钮、左转按钮、右转按钮、急停按钮。电池仓203可以用于放置电源系统。
[0026] 其中，云台2是一种可以旋转和俯仰的支架，用于安装摄像头3和激光器6，摄像头3用于监控和目标识别，激光器6用于发射激光进行拒止。其中，图像处理设备4、激光器主机5也可以设置在装摄像头3和激光器6的一侧；图像处理设备4可以是内置在摄像头3中的图像处理器，可以用于目标识别。激光器主机5可以是设置在激光器6内部的控制器，用于控制激光器进行激光发射。激光器6为一个箱体加一个激光头，中间由可伸缩的光纤连接。
[0027] 云台2的工作原理可以如下：云台通过电机控制，实现全方位的旋转和俯仰，以跟踪和定位目标；摄像头捕捉视频并通过图像处理算法识别目标位置和特征；激光器在收到指令后发射高能激光束，对目标进行拒止或干扰。装有摄像头3与激光器6的云台2的功能作用可以如下：摄像头实时监控周围环境，识别和定位潜在威胁；激光器发射高能激光，对目标进行警告、干扰或摧毁。例如，云台2的系统参数可以是：云台旋转角度：360度；云台俯仰角度：‑45度至+45度；摄像头分辨率：1080p；激光器功率：500 W。
[0028] 冷却系统7可以用于散热，确保激光器和其他电子元件在高功率运行时保持在安全温度范围内。冷却系统7的工作原理如下：通过水泵将冷却液循环通过激光器和电子元件的散热片，带走多余热量；散热器和风扇将吸收的热量释放到空气中。即，冷却系统7可以包括水泵、冷却液、散热扇、风扇。冷却系统7的功能作用如下：保持激光器和电子元件的工作温度，防止过热导致系统损坏或性能下降；提高系统的工作效率和寿命。
[0029] 控制设备8可以是指边缘计算盒子（控制模块），连接摄像头和激光器，实时处理摄像头传输的图像数据，识别目标并下达激光打击指令；与电源系统和冷却系统连接，实时监控系统的电力和温度状态，保证系统的正常运行。例如，控制设备8可以是Nvidia Xavier NX边缘计算盒子。
[0030] 自动巡航与避障系统9集成在小车底盘上的自动巡航和避障装置用于自主导航和避障，保证系统在设定区域内自动巡逻。自动巡航与避障系统9的工作原理可以如下：通过GPS和惯性导航系统实现自动巡航，按照预定路线移动；激光雷达或超声波传感器实时检测周围障碍物，控制设备及时调整路线避开障碍。自动巡航与避障系统9的工作原理可以如下：自动巡逻，提高区域覆盖率和防护效率；避障功能确保系统安全运行，避免碰撞和损坏。例如，自动巡航与避障系统9的系统参数可以如下：导航精度：±0.5米；避障距离：0.5‑2米。
[0031] 在一些实施例中，上述云台安装在移动底座上，用于安装摄像头与激光器。其中，云台上设置有激光光源、第一孔位与第二孔位，上述摄像头安装在第一孔位上，上述激光器通过可伸缩的光纤连接到激光光源，安装在云台上的第二孔位。
[0032] 作为示例，图3是云台上第一孔位301与第二孔位302位置的一个内部测试的实际设备应用场景图。模型制作时需要把箱体固定在移动底座小车1上，将激光器穿过云台的第一孔位，即在云台第一孔位为摄像头，第二孔位为激光器。
[0033] 在一些实施例中，上述摄像头与上述图像处理设备、上述控制设备通信连接，用于实时监控和目标识别，以及将捕获的图像数据传输到图像处理设备以进行图像检测，图像处理设备将检测后的图像数据传输至控制设备进行处理。图像处理设备可以利用图像识别和机器学习算法对摄像头传输的图像数据进行分析，以识别目标是否具有威胁性（如非法入侵者、野生动物、无人机等）。
[0034] 在一些实施例中，上述激光器固定在云台上，通过可伸缩光纤与激光器主机连接，上述激光器与上述控制设备通信连接。
[0035] 在一些实施例中，上述冷却系统与上述激光器连接，用于对激光器进行冷却散热。其中，上述冷却系统通过冷却液管路与上述激光器连接，冷却液管路中的冷却液在激光器与冷却系统之间循环流动。冷却系统与激光器相连，负责激光器和其他电子元件的散热，保证系统在高功率运行时的稳定性。冷却液通过管道在激光器和冷却装置之间循环流动，确保激光器维持在安全温度范围内。
[0036] 在一些实施例中，上述控制设备连接摄像头和激光器，实时处理摄像头传输的图像数据，识别目标控制激光器进行激光打击，上述控制设备还与冷却系统连接，实时监控冷却系统的温度状态。
[0037] 在一些实施例中，上述自动巡航与避障系统集成在移动底座中，通过传感器检测周围环境，将数据传输到控制设备以调整行进路线，以实现自动巡航和避障。
[0038] 可选地，上述移动式激光拒止防御系统还包括：电源系统与通信模块，其中，电源系统通过电源线为各组件提供电力，通信模块通过总线或无线通信方式与各组件连接，实现信息的实时传输和远程控制。通信模块支持GPRS和短消息双通道传输数据；支持多中心数据通信。
[0039] 需要说明的是，摄像头捕获目标图像，传输到控制设备进行分析，识别到目标后，控制设备指挥云台调整激光器进行打击。电源系统为整个系统提供电力，冷却系统确保激光器在工作时维持正常温度。自动巡航和避障系统则确保系统在行进中能自主避开障碍，完成区域防御。电源系统可以用于为系统提供稳定的电力供应，包含电池组和充电管理系统，确保在断电情况下系统仍能正常运行。电源系统的工作原理可以是：在正常电源供应下，为系统供电并充电；在电源中断时，自动切换到电池供电模式，保障系统持续运行。
[0040] 可选地，上述控制设备被配置成：初始化电源系统、云台、摄像头、激光器、激光雷达、冷却系统、自动巡航与避障系统；通过通信模块向各组件发送状态查询指令，检测电源系统是否正常，检测自动巡航与避障系统是否能提供数据，检测云台、摄像头、激光器的状态是否正常，以及检测冷却系统的运行是否正常；响应于确定自动巡航与避障系统正常，向上述自动巡航与避障系统发送巡航指令。
[0041] 由此，为了应对不同类型的威胁，现代系统集成了多种传感器，如激光雷达、热成像、超声波传感器等，通过数据融合提升了环境感知和目标识别的能力。
[0042] 系统启动与巡航逻辑如下：第一步，初始化：当系统启动时，控制设备初始化所有组件，包括电源系统、云台、摄像头、激光器、激光雷达、超声波传感器等，确保每个模块处于待机状态。
[0043] 第二步，控制设备通过通信模块向各组件发送状态查询指令，检测电源是否正常，传感器是否能提供数据，激光器、云台的状态是否良好，确保系统运行的可靠性。
[0044] 第三步，移动底座小车接收到控制设备的巡航指令，开始沿预设路线巡航。巡航过程中，激光雷达与超声波传感器（自动巡航与避障系统）实时扫描前方环境，监控障碍物。
[0045] 例如，系统通电后，移动底座小车上的移动底座开始执行自动巡航任务。巡航路径由预先设定的导航系统（如GPS、惯性导航和视觉导航）控制，系统通过实时获取的位置信息在设定的区域内移动。
[0046] 可选地，上述摄像头被配置成：实时采集图像数据，并将采集的图像数据传输至上述图像处理设备。
[0047] 可选地，上述图像处理设备被配置成：对采集的图像数据进行去噪、灰度化、归一化处理，得到处理后的图像数据；利用预先训练好的目标检测模型，对处理后的图像数据进行目标检测与识别，得到目标识别结果，以及将目标识别结果发送至上述控制设备。摄像头开始实时监控周围环境，并将视频数据传输至图像处理设备进行处理。图像处理设备利用图像识别和机器学习算法对摄像头传输的图像数据进行分析，以识别目标是否具有威胁性（如非法入侵者、野生动物、无人机等）。
[0048] 图像处理逻辑如下：云台摄像头实时获取图像数据，并将其传输至图像处理设备。图像处理设备对采集的图像进行去噪、灰度化、归一化等预处理，提取图像的有效特征。图像处理设备利用预先训练好的深度学习模型（如YOLOv5）进行目标检测与识别，将检测结果（包括目标的位置、类别、大小等）发送至控制设备。
[0049] 可选地，上述控制设备被配置成：接收上述图像处理设备发送的目标识别结果，根据目标识别结果，判断目标识别结果是否表征黑名单中的威胁对象；若目标识别结果表征黑名单中的威胁对象，则控制激光器进行激光打击；若目标识别结果表征白名单对象，继续指示自动巡航与避障系统巡航；若无法确定，则控制相关联的报警设备发出警告信号，并记录目标识别结果。
[0050] 需要说明的是，白名单是一种允许列表，包含被系统识别为可信和安全的对象或实体，在移动式激光拒止防御系统中，白名单通常包括友方人员、友方设备、授权车辆等。白名单的工作原理如下：系统通过多种识别技术（如人脸识别、RFID、蓝牙信标等）来验证进入防护区域的对象是否在白名单中；当系统检测到白名单中的对象时，会自动忽略或记录该对象的活动，不会触发警报或防御措施。白名单的功能作用如下：1、防误报：减少对友方目标的误识别和干扰，确保系统正常工作而不影响日常活动；2、效率提升：通过排除白名单中的对象，可以集中资源和注意力在潜在威胁上，提高系统的工作效率。
[0051] 黑名单是一种拒绝列表，包含被系统识别为潜在威胁或不受欢迎的对象或实体，在移动式激光拒止防御系统中，黑名单通常包括已知的入侵者、未经授权的车辆或设备等。黑名单的工作原理如下：系统通过摄像头、传感器等设备实时监控防护区域，识别是否有黑名单中的对象出现；一旦检测到黑名单中的对象，系统会立即触发警报，并激活防御措施，如发射激光进行拒止或通知安保人员。黑名单的功能作用如下：1、增强安全性：及时发现和应对潜在威胁，防止未经授权的进入和破坏行为；2、自动响应：自动化处理黑名单对象，提高系统的反应速度和效率，减少人为干预。
[0052] 白名单和黑名单的数据管理：1、动态更新：白名单和黑名单数据可以通过管理平台进行动态更新和维护。通过实时数据分析和威胁评估，不断更新名单内容；2、数据同步：系统支持与外部数据库或其他安全系统进行数据同步，确保名单的及时性和准确性。
[0053] 白名单和黑名单的安全策略：1、规则设定：管理员可以根据不同的安全策略设定不同的规则，如工作时间内允许某些特定人员进入，或在特定情况下触发更严格的监控和防御措施；2、权限管理：设置不同级别的权限管理，确保只有授权人员可以访问和修改白名单和黑名单，防止数据被恶意篡改。
[0054] 在一些实施例中，目标检测与识别，可以包括如下处理步骤：第一步，模型加载：使用YOLOv5模型进行目标检测。模型可以通过在本地训练来识别特定类型的目标。
[0055] 第二步，摄像头捕获：通过OpenCV读取实时摄像头的图像。
[0056] 第三步，目标检测：在每一帧中，利用YOLO模型检测目标，并提取目标的位置和类别。
[0057] 第四步，目标筛选：根据检测到的目标类别，判断是否属于黑名单中的目标。并且通过计算目标边框的大小，进行简单的距离估算。
[0058] 第五步，激光控制：如果目标在打击距离阈值范围内，调用激光控制函数control_laser执行激光打击。
[0059] 第六步，显示图像：标记目标并显示在图像上。
[0060] 第七步，距离估算：通过摄像头的标定参数，利用三角测量法可以获得更准确的目标距离。
[0061] 第八步，目标追踪：可以使用追踪算法（如Deep SORT）来跟踪目标，并结合运动预测调整激光打击位置。
[0062] 第九步，多传感器融合：结合激光雷达、热成像等传感器数据，实现更全面的目标识别和追踪。
[0063] 作为示例，目标检测与识别对应的代码如下：{import cv2
import torch
import numpy as np
# 加载预训练的YOLOv5模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 可以换成更适合的模型
# 摄像头捕获
cap = cv2.VideoCapture(0) # 0表示使用默认摄像头
# 白名单和黑名单
whitelist = ["authorized_personnel"]
blacklist = ["intruder"]
# 目标追踪器初始化
tracker = cv2.TrackerKCF_create()
# 设置激光打击的距离阈值和激光发射头控制
laser_distance_threshold = 100 # 设定打击的距离阈值
def control_laser(x, y, distance):
# 激光定位控制逻辑
if distance < laser_distance_threshold:
print(f"Target at ({x}, {y}), distance: {distance} ‑ Engaging laser!")
# 调用激光系统接口代码以激活激光
else:
print(f"Target at ({x}, {y}), distance: {distance} ‑ Target out of range")
# 主循环
while True:
ret, frame = cap.read()
if not ret:
break
# 图像处理与目标检测
results = model(frame)
detections = results.xyxy[0].numpy() # 检测结果：x1, y1, x2, y2, conf, class
# 目标筛选与处理
for *bbox, conf, cls in detections:
x1, y1, x2, y2 = map(int, bbox)
label = model.names[int(cls)]
# 判断是否在黑名单中
if label in blacklist:
# 计算目标中心位置和距离（简化的距离估算）
center_x, center_y = (x1 + x2) // 2, (y1 + y2) // 2
distance = np.sqrt((x2 ‑ x1) ** 2 + (y2 ‑ y1) ** 2) # 简化为边框大小估算距离
# 绘制边框
cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.putText(frame, f"{label} {conf:.2f}", (x1, y1 ‑ 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)
# 激光打击判断与控制
control_laser(center_x, center_y, distance)
else:
# 非黑名单目标标记为绿色
cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
# 显示处理后的图像
cv2.imshow('Laser Defense System', frame)
# 退出条件
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()}。
[0064] 可选地，上述控制设备还被配置成：根据上述目标识别结果包括的目标位置信息，计算目标的中心点坐标与距离；通过摄像头的焦距、视场角等参数，确定目标的实际距离和相对位置；向云台发出旋转和俯仰调整指令，使激光发射头对准目标的中心位置；根据实际距离，调节激光器的输出功率，以及向上述激光器发送打击指令。
[0065] 激光瞄准与打击的运行逻辑如下：第一步，控制设备根据图像处理设备提供的目标位置信息，计算目标的中心点坐标与距离；通过摄像头的焦距、视场角等参数，确定目标的实际距离和相对位置。
[0066] 第二步，控制设备向云台发出旋转和俯仰调整指令，使激光发射头对准目标的中心位置；云台的两个轴根据目标坐标进行精确调整，实现无死角的瞄准。
[0067] 第三步，根据目标距离，控制设备调节激光器的输出功率，以达到最优打击效果。
[0068] 第四步，当目标位置、距离、激光功率等条件满足预设打击要求时，控制设备发出激光打击指令，激光器启动，对目标进行打击。
[0069] 可选地，上述自动巡航与避障系统包括：激光雷达、传感器与避障装置，激光雷达、传感器与避障装置通信连接，其中，上述激光雷达与上述传感器实时扫描周围环境，并将环境扫描数据传送至避障装置。
[0070] 可选地，上述避障装置被配置成：对环境扫描数据进行分析，检测前方障碍物的位置和距离；若障碍物的距离小于设定的安全阈值，标记障碍物位置为障碍物方向；响应于确定障碍物在前方且障碍物数量大于等于第一预设数量，确定左侧或右侧障碍物数量小于等于第二预设数量的方向，作为通行方向，并将通行方向发送至上述控制设备；响应于确定前方障碍物的数量小于等于第一预设数量，且前方障碍物的距离大于预设距离，生成减速指令，并将减速指令发送至上述控制设备。
[0071] 可选地，上述控制设备被配置成：响应于接收到避障装置发送的通行方向，控制上述移动底座小车按照该通行方向进行通行；响应于接收到避障装置发送的减速指令，控制上述移动底座小车减速行驶；响应于确定上述移动底座小车避障完成，控制上述移动底座小车恢复巡航状态。
[0072] 避障逻辑如下：第一步，实时环境感知：激光雷达和超声波传感器实时扫描周围环境，并将距离数据传送至避障模块。
[0073] 第二步，障碍物检测：避障模块对传感器数据进行分析，检测前方障碍物的位置和距离。若障碍物距离小于设定的安全阈值，标记其位置为障碍物方向。
[0074] 第三步，避障决策：控制模块根据障碍物位置，执行避障逻辑：1、若障碍物在前方且密集，判断是左侧或右侧障碍物更少的方向，然后选择向障碍物较少的一侧避让。
[0075] 2、若障碍物较少且距离远，则减速前进。
[0076] 3、当障碍物避让成功后，恢复原定巡航路线。
[0077] 第四步，路径调整：避障模块将避障决策的结果发送至控制模块，控制模块再调整移动底盘的方向和速度，确保系统绕过障碍物后继续巡航。
[0078] 在一些实施例中，避障逻辑可以包括：第一步，避障装置读取激光雷达或超声波传感器的数据，获取周围环境的距离信息。
[0079] 第二步，避障装置通过分析传感器提供的距离信息，识别前方障碍物的方位和距离。
[0080] 第三步，避障装置如果前方某个方向的距离小于安全距离阈值，则判断该方向存在障碍物。
[0081] 第四步，避障装置根据障碍物的位置和距离，选择合适的方向进行避让。
[0082] 第五步，控制设备根据障碍物的位置调整移动底座小车的运动路径，改变方向以绕过障碍物。
[0083] 第六步，控制设备控制小车的移动，绕过障碍物后恢复原来的行进路线。
[0084] 作为示例，避障逻辑对应的代码如下：{import numpy as np
# 设定安全距离阈值
SAFE_DISTANCE = 0.5 # 单位：米
# 激光雷达扫描角度范围（假设360度范围）
SCAN_ANGLE = 360
# 模拟激光雷达的距离数据 (单位：米)，数组长度等于扫描角度范围
# 这里假设每个元素代表激光雷达在一个方向上的测距值
lidar_distances = np.random.uniform(0.3, 5.0, SCAN_ANGLE) # 模拟激光雷达数据
# 避障算法
def obstacle_avoidance(lidar_distances):
# 找到小于安全距离的方向，代表存在障碍物
obstacles = np.where(lidar_distances < SAFE_DISTANCE)[0]
# 判断前方障碍物数量
if len(obstacles) == 0:
print("路径畅通，继续前进。")
return 'forward' # 没有障碍物，继续前进
# 找到障碍物最密集的方向（作为需要避开的方向）
obstacle_direction = np.mean(obstacles)
# 选择绕过障碍物的方向
if 0 <= obstacle_direction < 180:
# 障碍物在左侧，向右避让
print(f"障碍物在左侧({obstacle_direction}度)，向右避让。")
return 'right'
else:
# 障碍物在右侧，向左避让
print(f"障碍物在右侧({obstacle_direction}度)，向左避让。")
return 'left'
# 模拟避障决策
direction = obstacle_avoidance(lidar_distances)
# 控制小车运动方向
def control_vehicle(direction):
if direction == 'forward':
print("前进")
# 调用移动控制接口，执行前进操作
elif direction == 'left':
print("向左转")
# 调用移动控制接口，执行左转操作
elif direction == 'right':
print("向右转")
# 调用移动控制接口，执行右转操作
# 执行避障控制
control_vehicle(direction)}。
[0085] 由此，系统实时获取环境信息和目标状态，动态调整各组件的工作状态。实现自动巡航、目标识别、打击、避障和反馈调整，减少人为干预。通过深度学习模型、激光雷达与多传感器融合，确保目标识别准确性和避障的高效性。
[0086] 以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，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上述发明构思的情况下，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。例如上述特征与本公开的实施例中公开的（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。
