CN110455275B - 一种大型球形储罐爬壁机器人定位导航系统及方法 - Google Patents

一种大型球形储罐爬壁机器人定位导航系统及方法 Download PDF

Info

Publication number
CN110455275B
CN110455275B CN201910724259.3A CN201910724259A CN110455275B CN 110455275 B CN110455275 B CN 110455275B CN 201910724259 A CN201910724259 A CN 201910724259A CN 110455275 B CN110455275 B CN 110455275B
Authority
CN
China
Prior art keywords
robot
data
climbing robot
wall climbing
navigation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910724259.3A
Other languages
English (en)
Other versions
CN110455275A (zh
Inventor
孙磊
刘朝华
邓三鹏
祁宇明
周旺发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN201910724259.3A priority Critical patent/CN110455275B/zh
Publication of CN110455275A publication Critical patent/CN110455275A/zh
Application granted granted Critical
Publication of CN110455275B publication Critical patent/CN110455275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

一种大型球形储罐爬壁机器人定位导航系统包括上位机、扩展卡尔曼滤波器、导航控制器、车轮编码器、惯性测量单元、IMU处理单元、相机传感器和爬壁机器人底层控制单元；通过增量计算相邻时刻检测信号的运动来估计机器人的相对位置；利用多传感器数据融合技术，纠正累积误差，改善了机器人定位精度；提高了系统的可靠性和鲁棒性以及爬壁机器人定位导航精度；该系统结构简单，方法容易实现，解决了由于传感器受限而导致的球形储罐内爬壁机器人定位导航困难问题。

Description

一种大型球形储罐爬壁机器人定位导航系统及方法
(一)技术领域：
本发明涉及机器人技术领域，具体涉及一种大型球型储罐爬壁机器人定位导航系统及方法。
(二)背景技术：
作为复杂环境极限作业的一种自动化装置，爬壁机器人被广泛应用于各种检测任务。随着作业要求的提高和作业危险性的逐步提升，尤其是在石油化工行业中，在大型球形储罐的制造过程中,由于球壳是由多块压制成球面的球瓣以橘瓣式分瓣法、足球式分瓣法或足球橘瓣混合式分瓣法组焊而成，导致球罐存在大量的焊缝，在使用过程中，常在焊缝处出现由于硫化氢(H2S)应力腐蚀开裂的问题，为保证生产的安全性，需要对球罐表面的所有焊缝进行无损探伤，以检测焊缝内部缺陷。探伤爬壁机器人通常需要搭载检测设备在球罐表面按照预定路径进行扫描式检测，因此如何准确检测定位球形储罐问题焊接区域成为提高球形储罐安全可靠性的关键技术之一。
在充满易燃易爆气体且具有很少甚至没有地标以及良好照明条件的大型液化石油气(LPG)球形储罐环境中，可应用的传感器类型受到限制，爬壁机器人定位导航问题变得更具挑战性。传统定位导航方法中的里程计法以及惯性导航法，由于两种方法均基于航位推算，即基于当前传感器数据和先前机器人位姿来进行测距计算，推算定位方法的一个劣势在于误差和不确定性是累积的，在机器人长时间、长距离运行情况下，最终会导致机器人位姿估计值偏离真实值越来越严重，无法满足机器人在球罐表面长时间、长距离作业的任务需求。
针对现有技术的不足，目前亟需一种高精度的爬壁机器人定位导航系统及方法以应对大型球形储罐环境下机器人定位导航困难问题。
(三)发明内容：
本发明的目的在于提供一种大型球形储罐爬壁机器人定位导航系统及方法，它可以克服传统定位方法累积误差严重的问题，是一种结构简单、分析可靠、定位准确且容易实现的定位导航系统及方法。
本发明技术方案：一种大型球形储罐爬壁机器人定位导航系统，其特征在于它包括上位机、扩展卡尔曼滤波器(Extended Kalman Filter，EKF)、导航控制器、车轮编码器、惯性测量单元(Inertial Measurement Unit，IMU)、IMU处理单元、相机传感器和爬壁机器人底层控制单元；其中，所述导航控制器的输入端接收爬壁机器人的期望姿态设置值信号以及扩展卡尔曼滤波器的输出信号，其输出端输出定位导航信息给爬壁机器人的爬壁机器人底层控制单元；所述惯性测量单元的输入端连接爬壁机器人底层控制单元，用于测量爬壁机器人惯性数据，并输出给IMU处理单元；所述扩展卡尔曼滤波器的输入端分别接收车轮编码器、相机传感器及IMU处理单元的输出信号，其输出端与导航控制器的输入端连接；所述车轮编码器用于测量爬壁机器人的编码器脉冲以及车轮速度反馈信息，其输出端连接扩展卡尔曼滤波器；所述相机传感器用于采集罐体表面图像信息，其输出端连接扩展卡尔曼滤波器；所述爬壁机器人底层控制单元和上位机通过串口方式进行连接通讯。
所述上位机为PC机，采用ROS操作系统，系统版本为Ubuntu 14.04；
所述扩展卡尔曼滤波器带有6D(3Dpositionand3Dorientation)模型信息，包含在上位机Linux系统的robot_pose_ekf功能包中，主要用于Linux系统下对机器人的3D位姿进行评估；所述robot_pose_ekf是Linux系统下用于评估机器人3D位姿的数据融合功能包；所述扩展卡尔曼滤波器接收来自车轮编码器、惯性测量单元及相机传感器所测爬壁机器人位置数据、速度数据、姿态数据，并进行分析融合校正，获得爬壁机器人准确的定位数据信息，用松耦合方式对各个传感器数据进行融合以实现机器人的位姿估计。
所述导航控制器是上位机Linux系统下的ROS(Robot Operating System，机器人操作系统)导航堆栈，主要用于爬壁机器人完成自主导航任务。
所述车轮编码器用于测量编码器脉冲以及车轮速度反馈，其输出信号输入到扩展卡尔曼滤波器，在上位机上发布话题消息，给定爬壁机器人的每个车轮的直径和脉冲数，便于计算机器人在给定时间内移动的距离。
所述IMU处理单元用于根据接收到的惯性数据计算得到爬壁机器人的位置数据、速度数据和姿态数据。
所述相机传感器是CCD(Charge-Coupled Device，电荷耦合器件)相机传感器，数量不少于2个，用于采集罐体表面图像信息，通过实时对图像进行二值化处理，突出焊缝特征区域，以实现对焊缝的识别和跟踪；所述两个CCD相机传感器水平向下放置于机器人左右两侧，且与机器人平行，左右相机各自采集球罐表面的图像信息。
所述相机传感器上配备有辅助光源，便于安装在机器人两侧的CCD相机进行图像采集。
所述导航控制器用于根据得到的定位数据信息来完成相应的爬壁机器人自主导航任务。
一种大型球形储罐爬壁机器人定位导航方法，其特征在于它包括以下步骤：
(1)利用车轮编码器获取爬壁机器人的里程计数据；
(2)通过坐标系统变换，将不同坐标系下的定位信息统一转换到同一坐标系下，保证里程计得到正确的测量数据；
传统的通过里程计定位方法使机器人局限于平面下的作业环境，导致机器人里程计无法在球罐这种曲面环境中得到正确的位置信息；机器人借助先前已知位置进行位姿递推定位是基于全局坐标系下进行的，因此，要想得到机器人在球罐表面运行过程中的位姿信息，需要进行坐标系统的转换，即按照一定的转换方法将机器人在球面的位置数据统一转换到空间平面直角坐标系中；
所述步骤(2)中将不同坐标系下的定位信息统一转换到同一坐标系具体是指以下内容：
记x、y、z为空间直角坐标系的三个坐标轴，规定
Figure SMS_1
为球罐环境下的全局坐标系，/>
Figure SMS_2
为机器人坐标系，机器人坐标系相对于全局坐标系的角度关系即为爬壁机器人的姿态角，记球罐上机器人的任一位置P，其高度角为α，方位角为β，球罐半径为ρ，区别于平面环境，机器人坐标系需转换到全局坐标系下才可得到机器人正确的里程计测量数据，其中，坐标系/>
Figure SMS_3
可以看作是由坐标系/>
Figure SMS_4
经旋转平移变化而来；记：
P＝[xG,yG,zG]T
P'＝[xR,yR,zR]T
则有：P'＝RP+T；
其中R为旋转矩阵，T为平移矩阵，显然，T＝[0,0,-ρ]；
对旋转矩阵R的求导：
对于坐标系
Figure SMS_5
绕任意轴旋转存在以下转换关系：
绕x轴旋转α角如式(1)所示：
Figure SMS_6
绕y轴旋转β角如式(2)所示：
Figure SMS_7
绕z轴旋转γ角如式(3)所示：
Figure SMS_8
将坐标系
Figure SMS_9
先绕z轴旋转β角，再绕x轴旋转/>
Figure SMS_10
角度，再经过一个平移向量T，即可得到坐标系/>
Figure SMS_11
将其写成如式(4)所示的矩阵形式：
P'＝Rx(RzP)＝(RxRz)P (4)
将式(1)、式(2)和式(3)分别带入式(4)，则有：
Figure SMS_12
整理可得到坐标系
Figure SMS_13
到坐标系/>
Figure SMS_14
的转换关系，如式(6)所示：
Figure SMS_15
同理可得坐标系
Figure SMS_16
到坐标系/>
Figure SMS_17
的转换关系如式(7)所示：
Figure SMS_18
其中，坐标系
Figure SMS_19
与/>
Figure SMS_20
间的转换旨在得到机器人正确的位姿信息，以保证里程计测量数据的准确性，同时也是为了根据转换关系在上位机发布正确的里程计脚本节点信息；
(3)利用惯性测量单元获取爬壁机器人的惯性数据，通过对所得惯性数据进行一次积分得到爬壁机器人的位姿数据；
(4)利用安装在机器人两侧的CCD相机进行图像采集，通过设置阈值，将高于阈值的像素灰度值置为255，将低于阈值的像素灰度值置为0，对采集到的图像进行实时二值化处理，将图像转换为二值图，图像上灰度值为255的白色区域则代表焊缝特征区域；
所述步骤(4)中的阈值设置为158～162，保证明显的突出焊缝特征区域。
(5)利用步骤(4)即可识别出焊缝特征区域，并输出相应的检测信号，把二值化处理的图像上的白色区域看作兴趣点，代表焊缝特征区域，以此，可以将机器人相对于焊缝的运动用兴趣点的运动代替，兴趣点周围的区域称为兴趣区域，代表整个范围内的焊缝相机检测；根据当前数据与先前数据之间的差异进行增量计算即可得出机器人相对于焊缝的运动；
(6)在得到机器人相对于焊缝运动的增量信号后利用均值滤波器和低通滤波器进行增量信号滤波以避免噪声的干扰，通过对结果进行二次积分即可获取机器人的相对位置值；
其中，均值滤波器计算公式如式(8)所示：
Figure SMS_21
当P为负数时，可有效滤除白噪声，是正的异常值；P为正数时，可对黑噪声进行过滤，是负的异常值；
低通滤波按公式(9)实现：
Y(K)＝α·X(K)+(1-α)·Y(K-1) (9)
其中，X(K)为本次采样值；Y(K-1)为上次的滤波输出值；α为滤波系数，其值一般远小于1；Y(K)为本次滤波输出值；
由公式(9)可以看出，本次滤波的输出值主要取决于上次滤波输出值，且本次采样值对滤波输出影响较小；
(7)由扩展卡尔曼滤波器接收来自车轮编码器、惯性测量单元以及CCD相机传感器的数据信息，利用robot_pose_ekf对三个数据源进行数据融合处理，获得对爬壁机器人位姿的一致性解释与描述，输出爬壁机器人位姿估计结果，以改善机器人定位；
所述步骤(7)中的robot_pose_ekf是Linux系统下用于评估机器人3D位姿的数据融合功能包；它使用了来自不同传感器源的位姿测量信息，其基本思路是通过松耦合方式对不同传感器数据进行融合来实现机器人位姿估计；robot_pose_ekf默认监听的话题为：imu_data、odom、vo，其中imu_data为来自IMU的爬壁机器人位姿数据，odom为来自里程计，即车轮编码器，的位姿数据，vo为来自CCD相机传感器所测的位姿数据；因此，在发布里程计、IMU、CCD相机传感器消息时要注意与话题的名称相对应，否则起不到滤波作用，robot_pose_ekf中的扩展卡尔曼滤波器作为概率滤波器运行，根据每个传感器输入附有的协方差计算给定数据源的有效性，并为该数据源指定权重，输出更好的估计结果。
(8)根据步骤(7)得到的爬壁机器人定位数据信息，将其输入到导航控制器，驱动爬壁机器人完成指定的检测任务。
所述步骤(8)中导航控制器是上位机linux系统下ROS导航堆栈组成，其具体工作方法包括以下步骤：
①由Switch模块读取一个文件，其中，所述文件的内容包含了爬壁机器人需遵循的轨迹及目标点；将该轨迹及目标点发送到导航控制器；
所述步骤①中Switch模块向导航控制器发送目标点具体是指：Switch模块根据当前轨迹及目标点设置，向导航控制器发送目标，同时导航控制器读取建图模块映射；所述导航控制器会读取当前里程计数据信息，并将速度信息发送到爬壁机器人自身的基本控制器，将接收到的速度信息转化为电机命令发送给爬壁机器人底层控制单元；
②爬壁机器人的基本控制器接收到导航控制器的信息后，作为逆运动学计算模块，它会根据接收到的速度信息得出每个电机的速度，然后将其发送给爬壁机器人底层控制单元；
③爬壁机器人底层控制单元连接了车轮编码器模块、IMU模块以及相机传感器模块，它会从爬壁机器人的加速度计、陀螺仪、车轮编码器、相机传感器收集数据并以节点信息的方式将其发布，由扩展卡尔曼滤波器接收相应的节点信息，对爬壁机器人的位置数据、速度数据、姿态数据进行滤波处理，获得对爬壁机器人位姿的一致性解释与描述，输出更好的爬壁机器人位姿估计结果，得到爬壁机器人准确的定位数据信息，从而完成爬壁机器人指定导航任务。
本发明优越性：通过跟踪球罐表面焊缝相对于机器人的运动来改善机器人定位精度；统一坐标系，保证机器人在球罐表面运行时得到正确的里程计测量数据；通过增量计算相邻时刻检测信号的运动来估计机器人的相对位置；利用多传感器数据融合技术，纠正由于航位推算产生的累积误差，以改善机器人定位；克服单个传感器的不确定性和局限性，纠正累积误差，以此提高系统的可靠性和鲁棒性，最终得出比单一传感器测量值更为精确的结果，从而提高爬壁机器人定位导航精度；该系统结构简单，方法容易实现，解决了由于传感器受限而导致的球形储罐内爬壁机器人定位导航困难问题。
(四)附图说明：
图1为本发明所涉一种大型球形储罐爬壁机器人定位导航系统的整体结构框图。
图2为本发明所涉一种大型球形储罐爬壁机器人定位导航方法的流程示意图。
图3为本发明所涉一种大型球形储罐爬壁机器人定位导航方法中相机检测焊缝示意图(其中，箭头指向焊缝)。
图4为本发明所涉一种大型球形储罐爬壁机器人定位导航方法中图像二值化处理的原理示意图。
图5为本发明所涉一种大型球形储罐爬壁机器人定位导航方法中CCD相机传感器已处理信号及兴趣区域(其中，图5-a为前一时刻信号，图5-b为当前时刻信号)。
图6为本发明所涉一种大型球形储罐爬壁机器人定位导航方法中的爬壁机器人根据焊缝的相对运动而进行的运动估计的示意图。
图7为本发明所涉一种大型球形储罐爬壁机器人定位导航方法中坐标变换系统坐标系位置关系示意图。
(五)具体实施方式：
实施例：一种大型球形储罐爬壁机器人定位导航系统，如图1所示，其特征在于它包括上位机、扩展卡尔曼滤波器、导航控制器、车轮编码器、惯性测量单元、IMU处理单元、相机传感器和爬壁机器人底层控制单元；其中，所述导航控制器的输入端接收爬壁机器人的期望姿态设置值信号以及扩展卡尔曼滤波器的输出信号，其输出端输出定位导航信息给爬壁机器人的爬壁机器人底层控制单元；所述惯性测量单元的输入端连接爬壁机器人底层控制单元，用于测量爬壁机器人惯性数据，并输出给IMU处理单元；所述扩展卡尔曼滤波器的输入端分别接收车轮编码器、相机传感器及IMU处理单元的输出信号，其输出端与导航控制器的输入端连接；所述车轮编码器用于测量爬壁机器人的编码器脉冲以及车轮速度反馈信息，其输出端连接扩展卡尔曼滤波器；所述相机传感器用于采集罐体表面图像信息，其输出端连接扩展卡尔曼滤波器；所述爬壁机器人底层控制单元和上位机通过串口方式进行连接通讯。
所述上位机为PC机，采用ROS操作系统，系统版本为Ubuntu 14.04；
所述扩展卡尔曼滤波器带有6D模型信息，包含在上位机Linux系统的robot_pose_ekf功能包中，主要用于Linux系统下对机器人的3D位姿进行评估；所述robot_pose_ekf是Linux系统下用于评估机器人3D位姿的数据融合功能包；所述扩展卡尔曼滤波器接收来自车轮编码器、惯性测量单元及相机传感器所测爬壁机器人位置数据、速度数据、姿态数据，并进行分析融合校正，获得爬壁机器人准确的定位数据信息，用松耦合方式对各个传感器数据进行融合以实现机器人的位姿估计。
所述导航控制器是上位机Linux系统下的ROS导航堆栈，主要用于爬壁机器人完成自主导航任务。
所述车轮编码器用于测量编码器脉冲以及车轮速度反馈，其输出信号输入到扩展卡尔曼滤波器，在上位机上发布话题消息，给定爬壁机器人的每个车轮的直径和脉冲数，便于计算机器人在给定时间内移动的距离。
所述IMU处理单元用于根据接收到的惯性数据计算得到爬壁机器人的位置数据、速度数据和姿态数据。
所述相机传感器是CCD相机传感器，数量不少于2个，用于采集罐体表面图像信息，通过实时对图像进行二值化处理，突出焊缝特征区域，以实现对焊缝的识别和跟踪；所述两个CCD相机传感器水平向下放置于机器人左右两侧，且与机器人平行，左右相机各自采集球罐表面的图像信息，如图1所示。
所述相机传感器上配备有辅助光源，便于安装在机器人两侧的CCD相机进行图像采集。
所述导航控制器用于根据得到的定位数据信息来完成相应的爬壁机器人自主导航任务。
一种大型球形储罐爬壁机器人定位导航方法，如图1、图2所示，其特征在于它包括以下步骤：
(1)利用车轮编码器获取爬壁机器人的里程计数据；
(2)通过坐标系统变换，将不同坐标系下的定位信息统一转换到同一坐标系下，保证里程计得到正确的测量数据，如图7所示；
传统的通过里程计定位方法使机器人局限于平面下的作业环境，导致机器人里程计无法在球罐这种曲面环境中得到正确的位置信息；机器人借助先前已知位置进行位姿递推定位是基于全局坐标系下进行的，因此，要想得到机器人在球罐表面运行过程中的位姿信息，需要进行坐标系统的转换，即按照一定的转换方法将机器人在球面的位置数据统一转换到空间平面直角坐标系中，如图7所示；
所述步骤(2)中将不同坐标系下的定位信息统一转换到同一坐标系具体是指以下内容：
如图7所示，其中，记x、y、z为空间直角坐标系的三个坐标轴，规定
Figure SMS_22
为球罐环境下的全局坐标系，/>
Figure SMS_23
为机器人坐标系，机器人坐标系相对于全局坐标系的角度关系即为爬壁机器人的姿态角，记球罐上机器人的任一位置P，其高度角为α，方位角为β，球罐半径为ρ，区别于平面环境，机器人坐标系需转换到全局坐标系下才可得到机器人正确的里程计测量数据，其中，坐标系/>
Figure SMS_24
可以看作是由坐标系/>
Figure SMS_25
经旋转平移变化而来；记：
P＝[xG,yG,zG]T
P'＝[xR,yR,zR]T
则有：P'＝RP+T；
其中R为旋转矩阵，T为平移矩阵，显然，T＝[0,0,-ρ]；
对旋转矩阵R的求导：
对于坐标系
Figure SMS_26
绕任意轴旋转存在以下转换关系：
绕x轴旋转α角如式(1)所示：
Figure SMS_27
绕y轴旋转β角如式(2)所示：
Figure SMS_28
绕z轴旋转γ角如式(3)所示：
Figure SMS_29
将坐标系
Figure SMS_30
先绕z轴旋转β角，再绕x轴旋转/>
Figure SMS_31
角度，再经过一个平移向量T，即可得到坐标系/>
Figure SMS_32
将其写成如式(4)所示的矩阵形式：
P'＝Rx(RzP)＝(RxRz)P (4)
将式(1)、式(2)和式(3)分别带入式(4)，则有：
Figure SMS_33
整理可得到坐标系
Figure SMS_34
到坐标系/>
Figure SMS_35
的转换关系，如式(6)所示：
Figure SMS_36
同理可得坐标系
Figure SMS_37
到坐标系/>
Figure SMS_38
的转换关系如式(7)所示：
Figure SMS_39
其中，坐标系
Figure SMS_40
与/>
Figure SMS_41
间的转换旨在得到机器人正确的位姿信息，以保证里程计测量数据的准确性，同时也是为了根据转换关系在上位机发布正确的里程计脚本节点信息；
(3)利用惯性测量单元获取爬壁机器人的惯性数据，通过对所得惯性数据进行一次积分得到爬壁机器人的位姿数据；
(4)利用安装在机器人两侧的CCD相机进行图像采集，通过设置阈值，将高于阈值的像素灰度值置为255，将低于阈值的像素灰度值置为0，对采集到的图像进行实时二值化处理，将图像转换为二值图，图像上灰度值为255的白色区域则代表焊缝特征区域，如图4所示；
所述步骤(4)中的阈值设置为158～162，保证明显的突出焊缝特征区域。本实施例经过调试得出的一个最优的值选取160。
(5)利用步骤(4)即可识别出焊缝特征区域，并输出相应的检测信号，把二值化处理的图像上的白色区域看作兴趣点，代表焊缝特征区域，以此，可以将机器人相对于焊缝的运动用兴趣点的运动代替，兴趣点周围的区域称为兴趣区域，如图5中的虚线框部分，这些区域代表着整个范围内的焊缝相机检测；根据当前数据与先前数据之间的差异进行增量计算即可得出机器人相对于焊缝的运动；例如检测到焊缝在一个方向上移动了10厘米，则意味着机器人在其反方向上移动了10厘米，如图6所示，Δx1、Δx2即为相邻时刻的焊缝位移增量；
(6)在得到机器人相对于焊缝运动的增量信号后利用均值滤波器和低通滤波器进行增量信号滤波以避免噪声的干扰，通过对结果进行二次积分即可获取机器人的相对位置值；
其中，均值滤波器计算公式如式(8)所示：
Figure SMS_42
当P为负数时，可有效滤除白噪声，是正的异常值；P为正数时，可对黑噪声进行过滤，是负的异常值；
低通滤波按公式(9)实现：
Y(K)＝α·X(K)+(1-α)·Y(K-1) (9)
其中，X(K)为本次采样值；Y(K-1)为上次的滤波输出值；α为滤波系数，其值一般远小于1；Y(K)为本次滤波输出值；
由公式(9)可以看出，本次滤波的输出值主要取决于上次滤波输出值，且本次采样值对滤波输出影响较小；
(7)由扩展卡尔曼滤波器接收来自车轮编码器、惯性测量单元以及CCD相机传感器的数据信息，利用robot_pose_ekf对三个数据源进行数据融合处理，获得对爬壁机器人位姿的一致性解释与描述，输出爬壁机器人位姿估计结果，以改善机器人定位；
所述步骤(7)中的robot_pose_ekf是Linux系统下用于评估机器人3D位姿的数据融合功能包；它使用了来自不同传感器源的位姿测量信息，其基本思路是通过松耦合方式对不同传感器数据进行融合来实现机器人位姿估计；robot_pose_ekf默认监听的话题为：imu_data、odom、vo，其中imu_data为来自IMU的爬壁机器人位姿数据，odom为来自里程计，即车轮编码器，的位姿数据，vo为来自CCD相机传感器所测的位姿数据；因此，在发布里程计、IMU、CCD相机传感器消息时要注意与话题的名称相对应，否则起不到滤波作用，robot_pose_ekf中的扩展卡尔曼滤波器作为概率滤波器运行，根据每个传感器输入附有的协方差计算给定数据源的有效性，并为该数据源指定权重，输出更好的估计结果。
(8)根据步骤(7)得到的爬壁机器人定位数据信息，将其输入到导航控制器，驱动爬壁机器人完成指定的检测任务。
所述步骤(8)中导航控制器是上位机linux系统下ROS导航堆栈组成，如图2所示，其具体工作方法包括以下步骤：
①由Switch模块读取一个文件，其中，所述文件的内容包含了爬壁机器人需遵循的轨迹及目标点；将该轨迹及目标点发送到导航控制器；
所述步骤①中Switch模块向导航控制器发送目标点具体是指：Switch模块根据当前轨迹及目标点设置，向导航控制器发送目标，同时导航控制器读取建图模块映射；所述导航控制器会读取当前里程计数据信息，并将速度信息发送到爬壁机器人自身的基本控制器，将接收到的速度信息转化为电机命令发送给爬壁机器人底层控制单元；
②爬壁机器人的基本控制器接收到导航控制器的信息后，作为逆运动学计算模块，它会根据接收到的速度信息得出每个电机的速度，然后将其发送给爬壁机器人底层控制单元；
③爬壁机器人底层控制单元连接了车轮编码器模块、IMU模块以及相机传感器模块，它会从爬壁机器人的加速度计、陀螺仪、车轮编码器、相机传感器收集数据并以节点信息的方式将其发布，由扩展卡尔曼滤波器接收相应的节点信息，对爬壁机器人的位置数据、速度数据、姿态数据进行滤波处理，获得对爬壁机器人位姿的一致性解释与描述，输出更好的爬壁机器人位姿估计结果，得到爬壁机器人准确的定位数据信息，从而完成爬壁机器人指定导航任务。
下面结合附图对本实用新型的技术方案做进一步的详细说明：
图3为爬壁机器人焊缝跟踪定位简单工作示意图，两个CCD相机传感器水平向下放置于机器人左右两侧，且与机器人平行，左右相机会各自采集球罐表面的图像信息。
图4为通过设置阈值(160/255)，实时对采集到的图像进行二值化处理，将高于阈值的像素灰度值置为255，将低于阈值的像素灰度值置为0，将图像转换为二值图，图像上灰度值为255的白色区域作为兴趣点，代表焊缝特征区域。
图5为当系统检测到代表焊缝特征的兴趣点时，输出相应的检测信号，将机器人相对于焊缝的运动用兴趣点的运动代替，兴趣点周围的区域称为兴趣区域，如图中的虚线框部分，这些区域代表着整个范围内的相机焊缝检测。
图6为爬壁机器人根据焊缝的相对运动而进行的运动估计，例如检测到焊缝在一个方向上移动了10厘米，则意味着机器人在其反方向上移动了10厘米，图中Δx1、Δx2即为相邻时刻的焊缝位移增量。

Claims (9)

1.一种大型球形储罐爬壁机器人定位导航系统，其特征在于它包括上位机、扩展卡尔曼滤波器、导航控制器、车轮编码器、惯性测量单元、IMU处理单元、相机传感器和爬壁机器人底层控制单元；其中，所述导航控制器的输入端接收爬壁机器人的期望姿态设置值信号以及扩展卡尔曼滤波器的输出信号，其输出端输出定位导航信息给爬壁机器人的爬壁机器人底层控制单元；所述惯性测量单元的输入端连接爬壁机器人底层控制单元，用于测量爬壁机器人惯性数据，并输出给IMU处理单元；所述扩展卡尔曼滤波器的输入端分别接收车轮编码器、相机传感器及IMU处理单元的输出信号，其输出端与导航控制器的输入端连接；所述车轮编码器的输出端连接扩展卡尔曼滤波器；所述相机传感器的输出端连接扩展卡尔曼滤波器；所述爬壁机器人底层控制单元和上位机通过串口方式进行连接通讯；
其工作方法包括以下步骤：
(1)利用车轮编码器获取爬壁机器人的里程计数据；
(2)通过坐标系统变换，将不同坐标系下的定位信息统一转换到同一坐标系下，保证里程计得到正确的测量数据；
(3)利用惯性测量单元获取爬壁机器人的惯性数据，通过对所得惯性数据进行一次积分得到爬壁机器人的位姿数据；
(4)利用安装在机器人两侧的CCD相机进行图像采集，通过设置阈值，将高于阈值的像素灰度值置为255，将低于阈值的像素灰度值置为0，对采集到的图像进行实时二值化处理，将图像转换为二值图，图像上灰度值为255的白色区域则代表焊缝特征区域；
(5)利用步骤(4)即可识别出焊缝特征区域，并输出相应的检测信号，把二值化处理的图像上的白色区域看作兴趣点，代表焊缝特征区域，以此，可以将机器人相对于焊缝的运动用兴趣点的运动代替，兴趣点周围的区域称为兴趣区域，代表整个范围内的焊缝相机检测；根据当前数据与先前数据之间的差异进行增量计算即可得出机器人相对于焊缝的运动；
(6)在得到机器人相对于焊缝运动的增量信号后利用均值滤波器和低通滤波器进行增量信号滤波以避免噪声的干扰，通过对结果进行二次积分即可获取机器人的相对位置值；
其中，均值滤波器计算公式如式(8)所示：
Figure FDA0004237415130000021
当P为负数时，可有效滤除白噪声，是正的异常值；P为正数时，可对黑噪声进行过滤，是负的异常值；
低通滤波按公式(9)实现：
Y(K)＝α·X(K)+(1-α)·Y(K-1) (9)
其中，X(K)为本次采样值；Y(K-1)为上次的滤波输出值；α为滤波系数，其值一般远小于1；Y(K)为本次滤波输出值；
(7)由扩展卡尔曼滤波器接收来自车轮编码器、惯性测量单元以及CCD相机传感器的数据信息，利用robot_pose_ekf对三个数据源进行数据融合处理，获得对爬壁机器人位姿的一致性解释与描述，输出爬壁机器人位姿估计结果，以改善机器人定位；
(8)根据步骤(7)得到的爬壁机器人定位数据信息，将其输入到导航控制器，驱动爬壁机器人完成指定的检测任务。
2.根据权利要求1所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于所述上位机为PC机，采用ROS操作系统，系统版本为Ubuntu 14.04；
所述扩展卡尔曼滤波器带有6D模型信息，包含在上位机Linux系统的robot_pose_ekf功能包中，主要用于Linux系统下对机器人的3D位姿进行评估；所述robot_pose_ekf是Linux系统下用于评估机器人3D位姿的数据融合功能包；所述扩展卡尔曼滤波器接收来自车轮编码器、惯性测量单元及相机传感器所测爬壁机器人位置数据、速度数据、姿态数据，并进行分析融合校正，获得爬壁机器人准确的定位数据信息，用松耦合方式对各个传感器数据进行融合以实现机器人的位姿估计。
3.根据权利要求1所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于所述导航控制器是上位机Linux系统下的ROS导航堆栈，主要用于爬壁机器人完成自主导航任务；所述导航控制器用于根据得到的定位数据信息来完成相应的爬壁机器人自主导航任务；
所述车轮编码器用于测量编码器脉冲以及车轮速度反馈，其输出信号输入到扩展卡尔曼滤波器，在上位机上发布话题消息，给定爬壁机器人的每个车轮的直径和脉冲数，便于计算机器人在给定时间内移动的距离；所述IMU处理单元用于根据接收到的惯性数据计算得到爬壁机器人的位置数据、速度数据和姿态数据。
4.根据权利要求1所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于所述相机传感器是CCD相机传感器，数量不少于2个，用于采集罐体表面图像信息，通过实时对图像进行二值化处理，突出焊缝特征区域，以实现对焊缝的识别和跟踪；所述CCD相机传感器水平向下放置于机器人左右两侧，且与机器人平行，左右相机各自采集球罐表面的图像信息。
5.根据权利要求4所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于所述相机传感器上配备有辅助光源，便于安装在机器人两侧的CCD相机进行图像采集。
6.根据权利要求1所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于步骤(2)中所述将不同坐标系下的定位信息统一转换到同一坐标系具体是指以下内容：
记x、y、z为空间直角坐标系的三个坐标轴，规定
Figure FDA0004237415130000041
为球罐环境下的全局坐标系，
Figure FDA0004237415130000042
为机器人坐标系，机器人坐标系相对于全局坐标系的角度关系即为爬壁机器人的姿态角，记球罐上机器人的任一位置P，其高度角为α，方位角为β，球罐半径为ρ，区别于平面环境，机器人坐标系需转换到全局坐标系下才可得到机器人正确的里程计测量数据，其中，坐标系/>
Figure FDA0004237415130000043
可以看作是由坐标系/>
Figure FDA0004237415130000044
经旋转平移变化而来；记：
P＝[xG，yG，zG]T
P′＝[xR，yR，zR]T
则有：P′＝RP+T；
其中R为旋转矩阵，T为平移矩阵，显然，T＝[0，0，-ρ]；
对旋转矩阵R的求导：
对于坐标系
Figure FDA0004237415130000051
绕任意轴旋转存在以下转换关系：
绕x轴旋转α角如式(1)所示：
Figure FDA0004237415130000052
绕y轴旋转β角如式(2)所示：
Figure FDA0004237415130000053
绕z轴旋转γ角如式(3)所示：
Figure FDA0004237415130000054
将坐标系
Figure FDA0004237415130000055
先绕z轴旋转β角，再绕x轴旋转/>
Figure FDA0004237415130000056
角度，再经过一个平移向量T，即可得到坐标系/>
Figure FDA0004237415130000057
将其写成如式(4)所示的矩阵形式：
P′＝Rx(RzP)＝(RxRz)P (4)
将式(1)、式(2)和式(3)分别带入式(4)，则有：
Figure FDA0004237415130000058
整理可得到坐标系
Figure FDA0004237415130000059
到坐标系/>
Figure FDA00042374151300000510
的转换关系，如式(6)所示：
Figure FDA0004237415130000061
同理可得坐标系
Figure FDA0004237415130000062
到坐标系/>
Figure FDA0004237415130000063
的转换关系如式(7)所示：
Figure FDA0004237415130000064
所述步骤(4)中的阈值设置为158～162，保证明显的突出焊缝特征区域。
7.根据权利要求1所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于所述步骤(7)中的robot_pose_ekf是Linux系统下用于评估机器人3D位姿的数据融合功能包；它使用了来自不同传感器源的位姿测量信息，其基本思路是通过松耦合方式对不同传感器数据进行融合来实现机器人位姿估计；robot_pose_ekf默认监听的话题为：imu data、odom、vo，其中imu data为来自IMU的爬壁机器人位姿数据，odom为来自里程计，即车轮编码器，的位姿数据，vo为来自CCD相机传感器所测的位姿数据；因此，在发布里程计、IMU、CCD相机传感器消息时要注意与话题的名称相对应，否则起不到滤波作用，robot_pose_ekf中的扩展卡尔曼滤波器作为概率滤波器运行，根据每个传感器输入附有的协方差计算给定数据源的有效性，并为该数据源指定权重，输出更好的估计结果。
8.根据权利要求1所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于步骤(8)中所述导航控制器是上位机linux系统下ROS导航堆栈组成，其具体工作方法包括以下步骤：
①由Switch模块读取一个文件，其中，所述文件的内容包含了爬壁机器人需遵循的轨迹及目标点；将该轨迹及目标点发送到导航控制器；
②爬壁机器人的基本控制器接收到导航控制器的信息后，作为逆运动学计算模块，它会根据接收到的速度信息得出每个电机的速度，然后将其发送给爬壁机器人底层控制单元；
③爬壁机器人底层控制单元连接了车轮编码器模块、IMU模块以及相机传感器模块，它会从爬壁机器人的加速度计、陀螺仪、车轮编码器、相机传感器收集数据并以节点信息的方式将其发布，由扩展卡尔曼滤波器接收相应的节点信息，对爬壁机器人的位置数据、速度数据、姿态数据进行滤波处理，获得对爬壁机器人位姿的一致性解释与描述，输出更好的爬壁机器人位姿估计结果，得到爬壁机器人准确的定位数据信息，从而完成爬壁机器人指定导航任务。
9.根据权利要求8所述一种大型球形储罐爬壁机器人定位导航系统，其特征在于所述步骤①中Switch模块向导航控制器发送目标点具体是指：Switch模块根据当前轨迹及目标点设置，向导航控制器发送目标，同时导航控制器读取建图模块映射；所述导航控制器会读取当前里程计数据信息，并将速度信息发送到爬壁机器人自身的基本控制器，将接收到的速度信息转化为电机命令发送给爬壁机器人底层控制单元。
CN201910724259.3A 2019-08-07 2019-08-07 一种大型球形储罐爬壁机器人定位导航系统及方法 Active CN110455275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910724259.3A CN110455275B (zh) 2019-08-07 2019-08-07 一种大型球形储罐爬壁机器人定位导航系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910724259.3A CN110455275B (zh) 2019-08-07 2019-08-07 一种大型球形储罐爬壁机器人定位导航系统及方法

Publications (2)

Publication Number Publication Date
CN110455275A CN110455275A (zh) 2019-11-15
CN110455275B true CN110455275B (zh) 2023-07-07

Family

ID=68485109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910724259.3A Active CN110455275B (zh) 2019-08-07 2019-08-07 一种大型球形储罐爬壁机器人定位导航系统及方法

Country Status (1)

Country Link
CN (1) CN110455275B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021104935A1 (de) * 2020-03-05 2021-09-09 Analog Devices, Inc. Vertrauenswürdige Bewegungseinheit
CN111637873B (zh) * 2020-06-08 2022-05-13 西北工业大学 一种飞机装配质量自动检测机器人系统
CN114428465A (zh) * 2020-09-28 2022-05-03 中国石油化工股份有限公司 一种油田储罐检测爬壁机器人空间定位装置
CN112446422A (zh) * 2020-11-10 2021-03-05 济南浪潮高新科技投资发展有限公司 用于机器人区域定位的多传感器数据融合方法及系统
CN112484655A (zh) * 2020-11-12 2021-03-12 李柏松 大型罐式设备结构变形在线检测与适用性评估系统及方法
US11508089B2 (en) * 2021-03-05 2022-11-22 Black Sesame Technologies Inc. LiDAR assisted wheel encoder to camera calibration
CN114509064A (zh) * 2022-02-11 2022-05-17 上海思岚科技有限公司 一种自主扩展传感器数据处理的方法、接口及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9766074B2 (en) * 2008-03-28 2017-09-19 Regents Of The University Of Minnesota Vision-aided inertial navigation
WO2014130854A1 (en) * 2013-02-21 2014-08-28 Regents Of The Univesity Of Minnesota Extrinsic parameter calibration of a vision-aided inertial navigation system
CN104964689A (zh) * 2015-07-06 2015-10-07 南京航空航天大学 基于声源定位、ins的爬壁机器人导航定位系统及方法
CN108731670B (zh) * 2018-05-18 2021-06-22 南京航空航天大学 基于量测模型优化的惯性/视觉里程计组合导航定位方法
CN109341705A (zh) * 2018-10-16 2019-02-15 北京工业大学 智能探测机器人同时定位与地图构建系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王立玲 ; 梁亮 ; 马东 ; 王洪瑞 ; 刘秀玲 ; .基于多传感器信息融合的双足机器人自主定位.中国惯性技术学报.2018,(05),全文. *
郭文强 ; 张筱 ; 师帅 ; 韩阳 ; .Xtion深度摄像头在移动机器人导航中的应用.陕西科技大学学报.2018,(02),第142-146页. *

Also Published As

Publication number Publication date
CN110455275A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110455275B (zh) 一种大型球形储罐爬壁机器人定位导航系统及方法
CN110159869B (zh) 一种管道检测机器人及其多传感器融合检测方法
JP4171459B2 (ja) 移動体の回転移動量利用方法とその装置、及びコンピュータプログラムを保存するコンピュータ読取り可能な記録媒体
CN105573310B (zh) 一种煤矿巷道机器人定位与环境建模方法
CN111947644A (zh) 一种室外移动机器人定位方法、系统及其电子设备
Alsayed et al. 2D SLAM correction prediction in large scale urban environments
Gladkova et al. Development of an information control system for a remotely operated vehicle with hybrid propulsion system
Guo et al. A unified leader-follower scheme for mobile robots with uncalibrated on-board camera
Zhang et al. Continuous GNSS-RTK aided by LiDAR/inertial odometry with intelligent GNSS selection in urban canyons
CN113093759A (zh) 基于多传感器信息融合的机器人编队构造方法及系统
CN114543786B (zh) 一种基于视觉惯性里程计的爬壁机器人定位方法
Chen et al. Application of visual servoing to an X-ray based welding inspection robot
Shang et al. Vision Model-Based Real-Time Localization of Unmanned Aerial Vehicle for Autonomous Structure Inspection under GPS-Denied Environment
CN116524116A (zh) 一种多传感器数据融合的排水管道三维模型构建系统
US11992961B2 (en) Pose determination method, robot using the same, and computer readable storage medium
Li et al. Spatial positioning robotic system for autonomous inspection of LPG tanks
hyeuk Lee et al. Elbow detection for localization of a mobile robot inside pipeline using laser pointers
CN114485613B (zh) 一种多信息融合水下机器人定位方法
Hou et al. Robust optimization-based fusion of GNSS and Visual-Inertial-Wheel Odometry
CN112214028A (zh) 一种基于OpenMV的水下机器人位姿控制方法
Song et al. Gps-aided visual wheel odometry
KR101376536B1 (ko) 센서 융합을 이용한 모바일 객체의 위치 인식방법 및 그 장치
Montes-Grova et al. Multi-Sensor System for Pipe Inspection using an Autonomous Hybrid Aerial Robot
Bergantin et al. Minimalistic in-flight odometry based on two optic flow sensors along a bouncing trajectory
Liu et al. A visual positioning and measurement system for robotic drilling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant