1.一種智能機(jī)器群體的通信與定位一體化方法，應(yīng)用于智能機(jī)器群體互聯(lián)場(chǎng)景中，其特征在于，所述方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟1中，機(jī)器人a的中期特征提取與交互模塊實(shí)現(xiàn)功能包括：先使用pointpillars預(yù)訓(xùn)練網(wǎng)絡(luò)將雷達(dá)點(diǎn)云數(shù)據(jù)表示為九維特征張量，提取i時(shí)刻點(diǎn)云的多分辨率特征圖fi；再使用請(qǐng)求編碼器gq將特征圖fi壓縮為通信友好的查詢向量qi并廣播出去；在接收到鄰居機(jī)器人b發(fā)來(lái)的查詢向量q′i后，使用體素化重要性生成器φv計(jì)算特征圖fi中每一個(gè)體素化空間特征的重要性，設(shè)生成空間重要性特征圖vi；使用top-k策略選擇vi中權(quán)重最大的k個(gè)值，并將對(duì)應(yīng)位置設(shè)置為1，其他位置設(shè)置為0，得到一個(gè)二值掩碼矩陣m；將m與fi逐元素點(diǎn)乘，僅保留fi對(duì)應(yīng)掩碼矩陣中值為1位置的特征，丟棄掩碼矩陣中值為0位置的特征，得到特征圖fim，再將fim與vi逐元素點(diǎn)乘，得到空間重要性加權(quán)的稀疏矩陣圖，即中期特征ci；機(jī)器人a將中期特征ci與空間重要性特征圖vi拼接作為與機(jī)器人b交互的特征。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述的步驟1中，計(jì)算機(jī)器人a的多分辨率特征圖對(duì)機(jī)器人b的空間重要性如下：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的步驟1中，根據(jù)實(shí)際通信帶寬調(diào)整k值，改變參與特征交互的稀疏化特征圖。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟2中，最優(yōu)通信鏈路構(gòu)建模塊計(jì)算簇內(nèi)機(jī)器人間的距離分?jǐn)?shù)如下：
6.根據(jù)權(quán)利要求1或5所述的方法，其特征在于，所述的步驟2中，最優(yōu)通信鏈路構(gòu)建模塊計(jì)算簇內(nèi)所有機(jī)器人間的距離分?jǐn)?shù)，根據(jù)單機(jī)器人的最大可支持連接數(shù)m，通過最大化簇內(nèi)設(shè)備間雙向分?jǐn)?shù)和rsum為簇內(nèi)的機(jī)器人分配協(xié)同定位對(duì)象，為每個(gè)機(jī)器人分配m個(gè)協(xié)同定位對(duì)象；其中，rsum＝∑(rab+rba),a,b∈[1,n]；n為簇內(nèi)機(jī)器人總數(shù)，rab為機(jī)器人a到b的距離分?jǐn)?shù)，rba為機(jī)器人b到a的距離分?jǐn)?shù)；
7.根據(jù)權(quán)利要求1或5所述的方法，其特征在于，所述的步驟2中，若機(jī)器人與基站連接的信號(hào)強(qiáng)度s及與分配的簇內(nèi)協(xié)同對(duì)象的距離分?jǐn)?shù)均低于預(yù)設(shè)閾值，則該機(jī)器人視為位于簇邊界；對(duì)于位于相鄰基站簇邊界的兩個(gè)機(jī)器人，基于信號(hào)強(qiáng)度和空間重要性計(jì)算兩機(jī)器人間的距離分?jǐn)?shù)，根據(jù)距離分?jǐn)?shù)更新兩個(gè)機(jī)器人的協(xié)同定位對(duì)象。
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟3中，兩個(gè)特征提取結(jié)構(gòu)均包含1個(gè)一維卷積模塊和n個(gè)編碼模塊，編碼模塊是將transformer結(jié)構(gòu)的編碼模塊的多頭自注意力模塊改為兩個(gè)多頭自注意力模塊得到；機(jī)器人a在t時(shí)刻獲取自身的多分辨率特征圖序列fi(i＝t-t+1,…,t)以及機(jī)器人b的中期特征序列ci(i＝t-t+1,…,t)；一方面，將機(jī)器人a的多分辨率特征圖序列或機(jī)器人b的中期特征序列進(jìn)行整合并在空間維度上切分成體素化特征塊序列，一維卷積模塊對(duì)體素化特征塊序列進(jìn)行卷積，聚合深度維度上的局部空間特征序列輸入一個(gè)多頭自注意力模塊，計(jì)算體素化特征塊之間的相互關(guān)系，獲得融合了幀內(nèi)注意力的局部時(shí)空特征；另一方面，將機(jī)器人a的多分辨率特征圖序列或機(jī)器人b的中期特征序列輸入另一個(gè)多頭自注意力模塊，提取融合了幀間注意力的全局時(shí)空特征；編碼模塊中將局部時(shí)空特征和全局時(shí)空特征進(jìn)行聚合，設(shè)從機(jī)器人a的多分辨率特征圖序列得到聚合時(shí)空特征圖hego，從機(jī)器人b的中期特征序列得到聚合時(shí)空特征圖hneighbor；其中t為連續(xù)采樣時(shí)間長(zhǎng)度，n為正整數(shù)。
9.根據(jù)權(quán)利要求1或8所述的方法，其特征在于，所述的步驟3中，特征融合器使用n個(gè)transformer結(jié)構(gòu)的解碼模塊實(shí)現(xiàn)，n為正整數(shù)；特征融合器獲取從機(jī)器人a當(dāng)前t時(shí)刻的多分辨率特征圖序列提取的聚合時(shí)空特征圖hego以及從機(jī)器人b當(dāng)前的中期特征序列提取的聚合時(shí)空特征圖hneighbor，使用交叉注意力機(jī)制進(jìn)行跨機(jī)器人的特征融合，得到當(dāng)前t時(shí)刻的融合特征at如下：
10.根據(jù)權(quán)利要求1或8所述的方法，其特征在于，所述的步驟3中，定位輸出網(wǎng)絡(luò)根據(jù)當(dāng)前t時(shí)刻的融合特征，預(yù)測(cè)當(dāng)前兩機(jī)器人a和b間的相對(duì)位置關(guān)系與旋轉(zhuǎn)角度以及預(yù)測(cè)結(jié)果的置信度ct；設(shè)當(dāng)前相對(duì)位置關(guān)系與旋轉(zhuǎn)角度組成輸出矩陣pt，結(jié)合時(shí)間窗口t內(nèi)的歷史輸出矩陣pi和置信度ci，i＝t-t+1,…,t-1；計(jì)算當(dāng)前t時(shí)刻的最終輸出矩陣ot：