文摘

冗余机械手适用于工作在狭窄和复杂的环境由于其灵活性。然而,大量的关节和细长的链接很难获得准确的冗余机械手末端执行器构成直接通过编码器。本文提出了一种姿态估计方法与视觉传感器的融合,惯性传感器和编码器。首先,根据每个测量单元的传感器的互补特性,原始数据校正和增强。此外,一种改进的卡尔曼滤波器(KF)算法采用数据融合通过建立末端执行器的非线性运动预测和多重速率的同步更新模型的传感器。最后,径向基函数(RBF)神经网络自适应地调整融合参数。在实验中证明,该方法达到更好的性能比原来的估计误差和更新频率扩展卡尔曼滤波(EKF)和无味卡尔曼滤波(UKF)算法,特别是在复杂的环境中。

1。介绍

在特殊制造、故障诊断等领域,将不可避免地有一个封闭和狭窄的操作环境,这是高风险和低效率的手工操作。因此,研究机器人,可以使用在这个复杂的环境是重要的和具有挑战性的,尤其是传统的机械手无法做这项工作由于其庞大的结构。

运动学冗余是最重要的一个属性,确定机器人是否能完成这项任务在上述环境高度约束的1]。机械手的运动学冗余被称为冗余机械手。冗余机械手可以以不同的方式来实现,如轮式移动机械手用于处理部分(2,3],hyperredundant机械手用于发动机制造[4)或飞船维护(5,柔性仿生机械手受章鱼爪(6)或溜管(7]。虽然冗余机械手有良好的运动性能,他们也面临的挑战控制精度由于末端执行器姿态估计的准确性。

传统操纵者通常使用联合编码器作为传感器输入和使用运动学模型来计算末端执行器的构成作为运动控制信息反馈。自联合编码器的精度非常高,计算的姿势运动学模型具有噪音低。然而,冗余机械手通常有大量的关节和细长的链接,这意味着姿势会影响传动间隙、机械振动、弹性变形等因素,计算值偏离。结果,机械手运动学和动力学在一个不确定的状态,所以需要建立复杂的控制模型,以确保控制精度(8- - - - - -10]。

复杂的控制模型可能会引入系统的不确定性,因此许多研究人员试图解决的问题不可靠的编码器在冗余机械手通过研究传感器处理方法。分析测量误差的来源和建立补偿模型可以有效地提高传感器的精度。例如,在一个cable-driven冗余机械手,encoder-based姿态估计的准确性可以被纠正改善电缆孔位置错误,电缆长度误差(11),和不可忽视的电缆质量(12]。

除了单一类型的传感器误差校正,多传感器融合也是主要的研究方向。最常用的传感器融合编码器包括角度传感器、视觉传感器和惯性传感器。首先,添加角度传感器与电机编码器可以纠正关节和融合传输错误和提高姿态估计精度13]。另一方面,添加一个或多个eye-to-hand相机上执行视觉测量环境和冗余机械手可以纠正变形错误(14),也是一个有效的灵活的机器人位姿估计方法(15]。此外,卡尔曼滤波及其改进的方法也用于引信电机编码器和惯性传感器,具有良好的动态响应性能和振动可以纠正错误16]。因为传感器和融合算法是轻量级的,特别适合小型仿生机器人(17]。

上述传感器处理方法确实可以解决末端执行器姿态估计的问题,但也有许多不理想的缺点,特别是在复杂环境中应用。因此,本文构造的估计使用补偿模型和多传感器融合在同一时间,但在不同的处理阶段。在动态环境中,虽然预先制定补偿模型是容易失败,不能准确反映传感器和估计状态之间的关系,它可以有效地纠正错误的测量(18]。因此,本文并不直接使用状态估计的补偿模型但随着预处理部分的状态估计来提高传感器的原始数据。在多传感器融合方面,尽管visual-inertial融合已经成为移动机器人导航的一种有效方法19),这不是常见的冗余机器人末端执行器的位姿估计,它主要是融合eye-to-hand相机和运动传感器(20.]。在一个狭窄的环境中,很难应用eye-to-hand相机,所以视觉传感器需要安排的操纵者,这意味着视觉传感器更容易受到障碍的影响。因此,基于卡尔曼滤波算法,本文建立了一个非线性运动预测末端执行器和同步更新模型的多重速率的传感器,结合了视觉传感器,惯性传感器和编码器。此外,由于神经网络可以提高姿态估计的鲁棒性21),介绍了径向基函数神经网络自适应地调整参数。通过上述改进的融合策略,末端执行器的姿势估计可以更加适应复杂的环境,可以更好地克服不利影响传感器的噪声和多传感器融合不同的采样率。

本文的其余部分组织如下:部分2介绍了总体的方法。部分3介绍了原始数据的互补增强。部分4介绍了融合策略包括非线性预测,同步更新和自适应调整。部分5介绍了实验结果和分析,部分6总结了纸。

2。整体的姿态估计方法

图1显示了小冗余机器人研究,可以进入狭窄的空间来完成指定的任务。

由于微型机械结构,末端执行器配备一个负载时,连杆关节之间不可避免地会弯曲,变形。这个变形误差会累积在末端执行器;结果,造成估计仅基于联合编码器产生偏差。因此,结构光RGB-D相机,磁角速率和重力传感器(玛格),一起联合编码器。

本文融合姿势估计方法主要包括两个部分:preenhancement和自适应融合。系统框图如图2。

RGB-D相机和玛格传感器可以弥补单个编码器测量造成的误差在某种程度上,但同时,它很容易减少系统的鲁棒性,由于外部环境的干扰。考虑到RGB-D相机和玛格传感器本身集成传感器组成的多个传感单元,每个传感器都有互补的特点,可用于提高传感器的原始数据的融合多个传感器可以完成基于可靠的数据。根据上述理论,preenhancement多传感器融合之前添加。

preenhancement部分包括图像增强RGB-D相机和四元数的扩展卡尔曼滤波器(QEKF)玛格计算传感器融合的态度。在彩色图像图像增强的部分,用于修复深度图像,从而使RGB-D相机的测量更加准确和可靠的在一个狭窄的环境(部分3.1)。QEKF部分,磁强计、加速度计和陀螺仪,玛格传感器的所有部分,是融合纠正每个独立的漂移误差传感单元(部分3.2)。

通过preenhancement部分,每个独立的传感器的可靠性改进,但仍然需要克服以下问题的多传感器融合过程:(a)非线性状态模型,(b)不同传感器的采样率大大不同,和(c)传感器异常处理在极端环境中。

自适应融合部分,RBF和自适应UKF (RBF-AUKF)方法修改为解决上述问题,它主要包括姿势预测,同步更新和自适应调整。姿势预测部分,通过建立预测模型的末端执行器和非线性处理方法,提出状态在下一个时刻可以预测基于姿势的状态前一刻(部分4所示。1)。在同步更新部分,执行同步检查在preenhanced四元数的态度和位置通过视觉里程计;四元数的态度 ,角速度 ,和加速度QEKF算法获得的;和四元数的态度 ,位置 ,和速度通过运动学计算获得。根据检查结果,控制变量相对当传感器数据更新是异步的,状态变量是绝对当传感器数据更新是同步的。预测和更新后,融合估计在这一刻得到(部分4所示。2)。在自适应调整部分中,本文选择了预测误差 ,估计误差协方差矩阵 ,卡尔曼增益 ,和观测误差更新后的特性。基于RBF神经网络,这个过程,观测噪声协方差矩阵 , 自适应调整来提高融合的鲁棒性(部分4所示。3)。

3所示。传感器增强基于互补的特征

3.1。增强的深度图像

的结构光RGB-D相机由彩色摄像机,红外摄像机,红外发射器和获得深度值通过散斑特性的红外结构光投射在物体的表面(22]。在一个封闭和狭窄的环境,红外线很容易多次反射和吸收的对象,所以它更容易产生局部无效的深度值,进而介绍了姿态估计附加噪声。

由于无效的深度值出现在本地,无效点可以通过一个有效的修复点在类似地区的无效点。因为颜色的相机不是狭窄的环境的影响,它可以被用来确定有效和无效点属于同一类型的补丁收集的点云,也就是类似地区。因此,增强的方法提出了包括两个步骤,即类似区域提取和局部点云重建,如图3。前提取深度图像的类似地区通过注册彩色图像的纹理特性。后者使用类似地区的有效点构造一个当地的区域模型,然后重新计算该地区的无效点与模型完成增强修复过程。

类似地区的提取步骤,均值漂移算法用于提取彩色图像的颜色纹理信息,和洪水填充算法用于提取相应的color-connected领域形成一个类似地区面具。最后,面具是应用于深度图像获取区域分割的相似的点云。由于均值移位算法需要进行多次迭代计算每个像素,它将影响实际应用系统的实时性能。为了加快计算过程,本文downsamples低分辨率输入的彩色图像,然后形成了类似地区面具的低分辨率图像,最后对面具执行双线性插值恢复原来的规模。

在当地的点云重建步骤,通过拟合片模型相似的地区和重新计算的深度值无效点,无效点修理。最小二乘法的基本方法是适合修补模型,但在实际应用中,彩色图像区域分割的偏差,而不是所有有效点可以用来符合补丁模型。为了形成一个更可靠的局部模型,使用RANSAC算法来过滤点用来适应模型。

尽管无效点没有正确的深度值,它包含坐标信息 平面的像素。结合当地的模型 已经安装的空间坐标 无效的点可以被重新计算,如方程所示(1)。最后,无效点深度图像修复。 在哪里 是相机的光学中心偏置和 是相机的焦距。

3.2。提高计算的态度

玛格传感器是微机电系统(MEMS)组成的三轴加速度计,三轴陀螺仪和三轴磁强计。然而,由于传感器的影响制造精度和操作环境干扰,玛格传感器的原始测量数据一般吵了。从其工作原理的分析,陀螺仪具有良好的动态响应特性,但很容易产生累积计算错误的态度,和加速度计和磁强计是恰恰相反。因此,QEKF算法融合的三个度量单位玛格传感器,这样可以增强输出姿态角数据,如图4。

这种方法有三个坐标系统。首先,加速度矢量 测量加速度计和角速度向量 陀螺仪测量的都是身体的坐标系统。其次,磁场强度矢量 磁强计是测量的坐标系统,可以转化为机体坐标系的旋转矩阵 。最后,地磁场强度矢量 和重力加速度向量是在导航坐标系,可以从机体坐标系的旋转矩阵 。

假设系统状态变量在 - - - - - -th时间 在哪里 旋转变换矩阵的四元数价值吗在 - - - - - -th时间和 是积累的陀螺仪漂移价值 , ,和轴的 - - - - - -时间。

假设系统控制变量在 - - - - - -th时间是

假设系统观测变量在 - - - - - -th时间是

根据离散时间模型的四元数微分方程的态度23,可以获得以下方程:

在哪里离散时间间隔,是单位矩阵行和列,是四元数向量的在 - - - - - -th时间,体内的组件是角速度坐标系统。

用方程(2)和(3)方程(5),(6)可以获得状态预测方程: 在哪里是零矩阵行和列。

将传感器的测量值,可以得到以下方程:

然后,系统观测方程得到: 在哪里理论测量传感器和价值吗 由方程(四元数姿态预测7)。

根据EKF算法,计算出增强的四元数的态度 - - - - - -th时间: 在哪里是对系统状态的预测,估计误差协方差矩阵的预测吗 , 卡尔曼增益,是单位矩阵,和是噪声矩阵。

为了进一步提高系统的鲁棒性,过程噪声矩阵和观测噪声矩阵在方程(11采用一种自适应形式。

假设角速度测量值通过陀螺仪服从高斯分布的方差 ,和漂移值 服从高斯分布的方差 ,用方程(7)获得以下:

假设加速度测量值通过加速度计服从高斯分布的方差 ,和磁场强度测量值获得的磁强计服从高斯分布的方差 。考虑外部加速度和外部磁场强度的影响, 在哪里和修正系数。

4所示。传感器融合基于修改RBF-AUKF方法

4.1。末端执行器构成预测模型

RGB-D相机和玛格传感器都是安排的操纵者,所以传感器数据preenhancement处理后直接在末端执行器的坐标系统。关节编码器被安排在每个关节的操纵者,所以有必要将各关节角末端执行器构成的坐标系统通过正运动学计算。

假设系统状态变量在k的时间 在哪里 末端执行器的位置吗 - - - - - -th时间和 末端执行器的四元数的态度吗 - - - - - -时间。

假设系统控制变量在 - - - - - -th时间是 在哪里 是 , ,和末端执行器的轴角速度, 末端执行器的位置速度吗 - - - - - -th时间, 末端执行器的位置加速度 - - - - - -时间。

根据微分模型的运动(24),系统状态预测方程 可以得到: 在哪里离散时间间隔和吗是机体坐标系的旋转矩阵方程中的导航坐标系如图所示(17)。

状态预测方程中提到的方程(16)具有明显的非线性特征。EKF与UKF算法可以解决非线性状态估计的问题。然而,当计算性能可以满足要求,UKF算法的估计精度较高(25]。通过抽样,UKF算法近似非线性预测的概率密度分布方程,和采样点集构造如下: 在哪里是 - - - - - -th样本点集矩阵的列 - - - - - -时间,这是一个7-dimensional列向量,是 - - - - - -矩阵的列 ,这是一个 - - - - - -维列向量,是调整的尺度参数近似精度,然后呢估计误差协方差矩阵。

4.2。多重速率的更新模型

由于传感器处理能力的局限性,不同传感器的测量更新频率是不一样的,甚至是完全不同的,这意味着即使传感器触发收集在同一时间,每个传感器的测量不能在同一时间收到。

尽管很难传感器发布数据同步,可以近似的软件同步多个传感器通过时间戳对齐。的基本策略是设定一个滑动时间窗口;当所有传感器数据落在这个窗口中,可以认为传感器数据是同步的。作为显示在图5,滑动时间窗口的大小,决定了数据同步的准确性。它的最大尺寸是最小的更新时间间隔在所有传感器。尺寸越小,精度越高,但较低的频率同步数据。

UKF算法修正预测模型通过传感器观测。因此,当该算法用于多传感器融合,融合精度大大影响时间同步(26]。因为同步数据的更新频率通常远低于平均的数据更新频率,同步融合估计的实时性能很差。为了解决这个缺点,修改同步融合算法包括两个更新模型,即绝对状态更新模型和相对状态更新模型。

定义一个矩阵与行和列作为一个状态更新矩阵,它的 - - - - - -th行和 - - - - - -th列满足以下几点:

绝对的状态更新模型更新系统状态变量包括立场和态度。的状态更新矩阵的行和列满足以下几点: 在哪里的总数是传感器与系统状态变量和同步必须等于这是传感器的最大数量;否则 。 是系统状态变量的总数吗 - - - - - -传感器可以观察到。

相对状态更新模型更新系统控制变量包括速度和加速度。的状态更新矩阵的行和列满足以下几点: 在哪里是总数量的传感器与系统同步控制变量和必须满足 ;否则 。 系统控制变量的总数是 - - - - - -传感器可以观察到。

多传感器数据不是所有同步时,相对状态更新是用于提高本地更新频率,和所有同步数据时,系统状态是全球修正来提高估计精度。最后观测方程如下: 在哪里是绝对的状态更新矩阵由方程(20.),是相对状态更新矩阵由方程(21)。

根据UKF算法,计算融合估计末端执行器: 在哪里采样点的状态预测取决于方程(16),状态预测的加权平均数,重量值由方程(24),的加权方差状态预测,采样点的状态观察取决于方程(22),的加权平均状态观察,的加权方差状态观察,的加权方差状态预测和观察,传感器测量值,卡尔曼增益,和是噪声矩阵。

4.3。噪声的自适应调整矩阵

它可以看到从方程(23),这个过程噪声协方差矩阵和观测噪声协方差矩阵会影响数据的置信水平在预测和更新状态。在一般应用中,系统状态噪声和传感器测量噪声的方差是一个固定值,可以提前计算。然而,在复杂的环境中,噪声的方差波动在一定程度上。如果固定值仍然是提前设置,它会影响最终的融合状态估计的准确性。因此,系统需要使用RBF网络的识别能力,自适应地调整噪声方差。

RBF网络包括一个三层结构的输入层、隐藏层和输出层,如图6。预测误差 ,估计误差协方差矩阵 ,卡尔曼增益 ,和观测误差所示的方程(23)能反映偏差和预测和更新过程中波动的UKF和可以作为特征输入层。

考虑特征之间的相似性,选择功能按照国家立场,态度,和每个传感器的观测: 在哪里 位置和姿态预测误差; 估计误差协方差矩阵的位置,position-attitude, attitude-position,和态度; 卡尔曼增益的三个传感器;和 三个传感器的测量误差。

提取主要信息的特征矩阵方程(25)获得的输入层的特征向量 ,它包含10个特征信息:

从输入层到隐层,使用径向基函数神经元激活: 在哪里 的中心和宽度吗 - - - - - -隐层神经元。

使用线性函数从隐层到输出层: 在哪里的重量吗 - - - - - -隐藏层神经元 - - - - - -输出层神经元。

输出层的输出如下: 在哪里和过程噪声的标准差的立场和态度, , ,和是观测噪声的标准差的三个传感器。

网络的训练过程分为两个阶段:离线和在线。离线训练阶段使用的数据与已知噪声方差来获取初始神经元中心和连接权重。在这个阶段,网络的输出误差的区别是真正的噪声方差和网络预测噪声方差。因为噪声方差在离线阶段不是噪声方差在实际的实验中,很容易产生过度拟合的离线训练阶段,需要通过在线修正阶段。在线培训阶段使用更新后的预测误差在下次作为网络的输出误差。培训的目标是最小化预测误差:

5。实验和结果

5.1。实验设备

实验装置的机械结构由一个1-DOF运动平台和一个8-DOF冗余机械手,如图7。联合编码器被安排在每个旋转接头,RGB-D相机和玛格传感器排列的操纵者。RGB-D相机连接到工业个人电脑通过USB (IPC),和玛格传感器和编码器连接到传感器收集器通过485总线,然后通过USB连接到IPC。

5.2。增强的实验部分

为了测试传感器的作用互补增强方法在这篇文章中,实验设备被放置在一个狭窄的人工建筑环境,考虑到RGB-D相机更关注于静态的重复性和玛格传感器更关注于动态稳定性。因此,当测试RGB-D相机的增强效果,定期重复使用预期的运动轨迹,而玛格传感器使用一个随机期望轨迹。实验结果如图8和9。

比较数据8(一个)和8 (b)可以看出,改进后的点云更接近于真实的环境,减少无效的盲区由狭窄的环境造成的。图8 (c)进一步展示了深度图像增强的影响位置估计的准确性。从图可以看出,使用原始图像信息获得的位置轨迹波动更大大偏离了更大程度的参考轨迹。但是位置轨迹通过使用增强的图像信息更接近参考轨迹,和整体波动更小,更有利于与其他传感器融合构成的评估。

比较理想的和增强的四元数在图的态度9,整体QEKF算法的计算误差提出了本文在预期范围内,这意味着加速度信息可以弥补积分漂移角速度和地磁场信息可以调整角度测量误差。通过增强态度计算,它可以提供更可靠的多传感器数据融合的态度。

5.3。融合的模拟部分

因为统计测试非常敏感,当样本容量小,仿真测试和实际完成验证实验进行了多传感器融合的姿态估计方法。模拟测试主要用于测试方法在极端条件下的稳定性,和实际的实验主要是用来测试方法的融合效果在现实环境。很容易调整传感器参数在仿真环境中,所以可以生成大量的样本来测试性能的方法。尽管实验样本,收集在现实环境中是有限的,这些样本后更有针对性的和可靠的筛选实验方法的仿真测试。同时,将实验结果尽可能客观,均方根(RMS)错误的多个实验结果被用来评估不同的方法的性能差异。

因为真正的传感器只能模拟数值模拟条件下,实际状态和传感器被简化的模拟。不同于真正的系统,一个观察的国家和两个传感器设置在仿真环境中。传感器1的观测噪声小于传感器2,和传感器1只产生一个稳定的零炮检距,而传感器的零点偏移2随时间增加。图10和表1显示同步更新方法对融合结果的影响。

自噪声传感器的传感器2大于1的均方根误差传感器的传感器2大于1时,单个传感器的状态估计。在仿真中,数据更新频率传感器1从数据更新频率是不同的传感器2。如果没有考虑传感器的数据同步,状态更新的数据执行任何传感器输入。从实验结果如图10 (c)和10 (d),均方根误差 小于,当 ,表明融合结果的影响传感器更新频率,它是偏向high-sampling-rate数据源。如果high-sampling-rate数据噪声,不能显著提高融合精度。上述缺陷改善修改同步更新方法。从实验结果可以看到如图10 (e)融合数据的均方根误差显著降低,并将没有锯齿形波动异步融合。因此,传感器的数据同步是多重速率的传感器融合的一个重要因素。

在仿真环境中,过程和观测噪声符合高斯分布,但分布的方差变化每时每刻和满足一个非线性模型。设计RBF网络预测过程的差异和观测噪声和训练过滤器时更新。在仿真,测试集的网络预测的方差与预设差异比较,并确定系数(标记为 - - - - - -广场)计算。确定系数越接近1,网络的准确性就越高。它可以看到从图中所示的结果11网络可以准确预测噪声的方差,没有低系数的测定(0.71 0.84过程噪声和观测噪声)。

虽然确定系数不能获得真正的方差未知时,可以间接地反映网络的准确性通过状态估计偏差。换句话说,如果状态估计偏差可以保持稳定甚至在极端的情况下,这意味着网络参数的预测是准确的。仿真的过程噪声和观测噪声的传感器设计随着时间增加。图12和表2显示不同的融合算法的融合效果。

从实验结果可以看到,在一开始,系统噪声的估计误差很小,每个融合方法并没有太大的区别,但是随着时间的推移,系统噪声增加。最初的EKF与UKF算法不能自适应地调整滤波器参数,很容易受噪声影响,产生状态估计偏差。通过RBF网络提出本文噪声协方差矩阵可以被预测的,所以EKF与UKF算法具有自适应调整能力。修改后的RBF-AEKF和RBF-AUKF方法有均方根误差小于原来的EKF、UKF方法,所以他们可以在复杂的环境更健壮。

5.4。融合的实验部分

仿真环境建立以来大约只能反映了实际情况,它仍然需要在真实的环境中进行实验。在实际实验中,机械手的末端执行器定期移动 - - - - - -轴的坐标系统,末端执行器的姿势是设置为所需的值。位置估计 沿着 , ,和轴被融合了视觉里程计基于RGB-D相机和运动学计算基于联合编码器。和四元数姿态估计 被玛格传感器的融合,获得视觉里程计和编码器。实验比较了原始UKF方法和修改后的自适应UKF方法本文结果在图所示13和14和表3。

从表可以看出3后的均方根误差造成估计的多传感器融合小于单个传感器。与原方法相比,改性方法的均方根误差提出了在位置估计显著降低,但在态度估计没什么区别。主要原因是修改后的摘要方法比传统的方法由于其噪声波动很大时更好的适应效果。在这个实验中,传感器在态度测量的整体波动小于位置的测量,所以修改后的方法是接近于原始方法估算的态度。

从图可以看出13视觉里程计是倾向于当地的突然变化由于环境干扰和编码器是容易测量偏移量。与原方法相比,修改后的方法处理测量数据的地方突然改变更好,所以整体的均方根误差更小。因为绝对和相对更新的结合,整体更新率。在这个实验中,原来的方法更新只有258次,而修改后的方法更新479次,所以提高状态估计的实时响应速度。从图可以看出14的旋转角度所需的轨迹上和很小,轴上的旋转角度 - - - - - -轴是大。当旋转角度很小,可以看出传感器测量具有明显的漂移,旋转角度较大时,很容易产生局部突变。修改后的方法能补偿测量每个传感器的漂移,降低当地的突然变化的影响状态估计,从而可以更好地跟踪期望的轨迹。

6。结论

为了提高末端执行器姿态估计的准确性,提出了一种基于多传感器融合的改性方法,包括preenhancement和自适应融合。从实验结果可以得出以下结论。首先,深度图像获得的RGB-D相机和玛格传感器获得的态度增强,可使多传感器融合过程更稳定在一个复杂的环境。其次,传感器的同步多传感器融合的结果有很大的影响。控制变量相对当异步更新,状态变量是绝对当同步更新,从而平衡更新频率和融合精度。第三,通过神经网络预测噪声矩阵可以使算法调整每个传感器的融合率自适应地根据环境的变化,这有助于提高鲁棒性。最后,在仿真环境下,均方根误差的原始UKF和EKF方法是修改后的4.25倍和5.02倍,RBF-UKF方法,分别在实际环境中,单一传感器的平均造成估计误差和原始UKF方法的8.57倍和3.91倍RBF-UKF修改方法,和原来的方法的更新频率是只有54%的改性方法。总之,本文提出的方法能提高末端执行器姿态估计的准确性,具有较高的应用价值和实际工程价值。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持中国国家重点研发项目的一部分在格兰特2018 yfb1307400和部分由中国国家自然科学基金资助61873267。