[發(fā)明專利]一種高鐵箱梁巡檢機器人實現(xiàn)自動巡檢的方法

有效

• 申請?zhí)枺?/td>: 202110488656.2
• 申請日: 2021-04-25
• 公開（公告）號: CN113190002B
• 公開（公告）日: 2022-09-30
• 發(fā)明（設計）人: 朱文發(fā);劉思昊;范國鵬;張輝;袁天辰;李立明
• 申請（專利權(quán)）人: 上海工程技術(shù)大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 上海海頌知識產(chǎn)權(quán)代理事務所(普通合伙) 31258
• 代理人: 馬云

1.一種高鐵箱梁巡檢機器人實現(xiàn)自動巡檢的方法，其特征在于，包括如下步驟：

S1、雷達SLAM算法生成地圖：使巡檢機器人行駛至待巡檢的高鐵箱梁處，然后利用巡檢機器人上的激光雷達掃描模塊對巡檢機器人的周圍環(huán)境進行立體掃描，并將獲取的環(huán)境信息傳給巡檢機器人上的處理器，處理器基于雷達SLAM算法生成周圍環(huán)境的地圖；

S2、定位巡檢機器人位置、并在地圖中規(guī)劃走行路徑：利用巡檢機器人上的GPS定位模塊獲取巡檢機器人自身在環(huán)境中的絕對位置信息，并將獲取的絕對位置信息傳遞給處理器；利用巡檢機器人上的姿態(tài)檢測模塊獲取巡檢機器人自身在環(huán)境中的相對姿態(tài)信息，并將獲取的相對姿態(tài)信息傳遞給處理器；處理器加載構(gòu)建好的地圖，結(jié)合絕對位置信息和相對姿態(tài)信息，通過人工勢場法在地圖中規(guī)劃出巡檢機器人的走行路徑；

S3、確認巡檢機器人的運動控制方案：處理器將規(guī)劃好的走行路徑傳輸給巡檢機器人上的運動控制處理器，運動控制處理器接收處理器中的路徑信息、姿態(tài)信息、位置信息，確認巡檢機器人的運動控制方案，并輸出控制信號量；

其中，巡檢機器人的運動控制方案的確認，包括a)自適應控制量的EKF-SLAM方法和b)基于SLAM方法的控制量模糊預測方法兩部分，其中，

a1)首先采用狀態(tài)轉(zhuǎn)移矩陣的概率分布表示巡檢機器人的運動模型：

P(X_k|X_k-1，u_k) (1)；

公式(1)中，P(X_k|X_k-1，u_k)表示以概率分布方式所表示的機器人運動模型，X_k表示k時刻的巡檢機器人位姿，該位姿由GPS定位模塊和姿態(tài)檢測模塊采集確認，X_k-1表示k-1時刻的巡檢機器人位姿，u_k表示k時刻的控制輸入；

其中，

公式(2)中，x_vel和y_vel分別為巡檢機器人在二維世界坐標系下的x坐標和y坐標，為巡檢機器人的方向；

然后根據(jù)巡檢機器人的運動模型，建立巡檢機器人的動力模型：

公式(3)中，v、ω分別為設于巡檢機器人的傳動軸上的光電編碼器傳遞的線速度與角速度，表示x_vel對于時間的導數(shù)；表示y_vel對于時間的導數(shù)，表示對于時間的導數(shù)；

a2)先將給定k時刻的巡檢機器人位姿X_k和環(huán)境地圖M時，環(huán)境觀測z的后驗分布表示為：

P(z_k|X_k，M_k) (4)；

公式(4)中，P(z_k|X_k，M_k)表示K時刻的環(huán)境觀測模型，z_k為k時刻的巡檢機器人對環(huán)境的觀測，由雷達掃面模塊采集確認，X_k為k時刻的巡檢機器人位姿，M_k為k時刻的環(huán)境地圖；

其中，

公式(5)中，n為環(huán)境特征點的數(shù)量,m_i＝(x_i，y_i)^T,x_i和y_i分別為環(huán)境特征點在二維世界坐標系下的x坐標和y坐標；

然后將從0到k時刻的巡檢機器人對環(huán)境的所有觀測表示為：

Z_0：k＝{z₀，z₁，......，z_k} (6)；

公式(6)中，Z_0：k表示從0到k時刻的巡檢機器人對環(huán)境的所有觀測；

然后經(jīng)由M_k構(gòu)建k時刻的環(huán)境地圖，并通過人工勢場法獲取可供巡檢機器人通過的走行路徑并獲取巡檢機器人k+1時刻的位姿：

及相對偏差：

公式(8)中，E(i)為k+1時刻機器人期望位姿與K時刻機器人位姿的相對偏差，e_x(i)為X軸方向的分量e_y(i)為Y軸方向的分量為角度軸方向的分量；

然后將X_k和E(i)輸入至b)中的模糊預測控制模型，即可獲得控制量矩陣Q；

a3)接收光電編碼器傳輸?shù)膫鬟f的線速度v與角速度ω，模糊預測控制模型輸出的控制量μ_k+1，即自適應控制量的EKF-SLAM方法K+1時刻的控制輸入；按照a1)中的方法構(gòu)建k+1時刻的巡檢機器人的動力模型，按照a2)中的方法構(gòu)建k+1時刻的環(huán)境觀測模型；通過公式(9)所示的時間更新模型更新k+1時刻巡檢機器人位姿及地圖的聯(lián)合后驗分布模型：

P(X_k+1,M_k+1|Z_0:k,U_0:k+1,X₀)＝∫P(X_k+1|X_k,μ_k+1)P(X_k,M_k|Z_0:k,U_0:k,X₀)dX_k (9)；

公式(9)中，X_k+1為k+1時刻的巡檢機器人位姿；M_k+1為k+1時刻的環(huán)境地圖；Z_0：k為從0到k時刻的巡檢機器人對環(huán)境的所有觀測；U_0:k+1為從0到k+1時刻的巡檢機器人所有運動控制輸入，U_0:k+1＝{μ₀,μ₁，……，μ_k+1}，μ_k+1為k+1時刻的控制輸入；X₀為0時刻的巡檢機器人位姿；

然后將時間更新模型作為預測模型輸入至b)中的模糊預測控制模型；

a4)獲取激光雷達掃描模塊得到的環(huán)境特征點，構(gòu)建M_k+1，并與M_k相互關聯(lián)，通過兩個地圖中關聯(lián)上的觀測特征點對巡檢機器人的位姿X_k+1和地圖M_k+1更新；

a5)根據(jù)k時刻的環(huán)境觀測模型、K時刻的巡檢機器人位姿及K+1時刻的地圖的聯(lián)合后驗分布、歸一化常數(shù)P(z_k+1|Z_0:k+1,U_0:k+1)，獲取觀測更新公式：

則，在已知所有控制輸入U_0:k+1和觀測Z_0:k+1的前提下，k+1時刻即當前時刻的巡檢機器人位姿和地圖的聯(lián)合后驗分布P(X_k+1,M_k+1|Z_0:k,U_0:k+1,X₀)可通過式(9)和式(10)遞推得到，其過程為時間更新——觀測更新——時間更新；并且將觀測更新模型作為校正模型輸入至b)中的模糊預測控制模型中；

a6)將未被a4)中數(shù)據(jù)關聯(lián)步驟關聯(lián)上的環(huán)境特征點，添加至M_k+1地圖中，并輸出K+1時刻的巡檢車輛的位姿X_k+1和地圖M_k+1；

b)基于SLAM方法的控制量模糊預測方法包括如下步驟：

b1)采用通用模糊預測框架構(gòu)建模糊預測控制模型，模糊預測控制模型接受a2)中的相對偏差E(i)，經(jīng)由最優(yōu)控制律獲得控制量矩陣Q，Q＝(μ_k+1,ω_k+1)^T，即控制律的輸入量為，輸出量為μ_k+1，且μ_k+1≡Q；

b2)模糊預測控制模型接受b1)的輸入量，以及a2)中的時間更新模型，以時間更新模型作為模糊預測控制模型中的預測模型，經(jīng)由時間更新模型獲取預測位姿與間誤差采用模糊預測方法輸出量μ_k+1；

b3)對于b2)的輸出量μ_k+1，采取滾動優(yōu)化的方法使得優(yōu)化后為最小；

b4)將a5)中的觀測更新模型作為模糊預測控制模型的校正模型，對于b3)的滾動優(yōu)化結(jié)果進行校正，負反饋調(diào)整輸出量μ_k+1，并將輸出量μ_k+1視為自適應控制量的EKF-SLAM方法K+1時刻的輸入控制；

S4、控制巡檢機器人移動：運動控制處理器根據(jù)運動控制方案將控制信號量輸出至檢機器人上的履帶驅(qū)動模塊，然后通過履帶驅(qū)動模塊驅(qū)動檢機器人的履帶運動，實現(xiàn)巡檢機器人移動；

S5、采集巡檢機器人的履帶運動量：巡檢機器人移動的過程中，設于巡檢機器人履帶驅(qū)動軸上的光電編碼器利用其碼盤的轉(zhuǎn)動生成脈沖電信號，生成的脈沖電信號通過運動控制處理器傳輸?shù)窖矙z機器人上的處理器中，實現(xiàn)巡檢檢機器人的履帶運動量的采集；

S6、對高鐵箱梁的內(nèi)部隱患進行檢測并獲取隱患的絕對位置：巡檢機器人移動的過程中，巡檢機器人上的超聲陣列檢測模塊持續(xù)對所巡檢的高鐵箱梁的內(nèi)部隱患進行超聲無損檢測，并將檢測的信息實時傳遞給處理器；同時巡檢機器人上的視覺信息采集模塊實時、全方位的采集所巡檢的高鐵箱梁的視覺信息，并將采集的視覺信息傳遞給處理器，從而獲取所巡檢的高鐵箱梁的絕對位置；處理器通過步驟S5采集的履帶運動量來記錄高鐵箱梁內(nèi)隱患點的相對位置，然后根據(jù)高鐵箱梁的絕對位置和隱患點相對位置即可得到高鐵箱梁內(nèi)的隱患點的地理位置，從而完成高鐵箱梁的巡檢。