CN112518739A - 履带式底盘机器人侦察智能化自主导航方法 - Google Patents

Abstract

本发明涉及一种履带式底盘机器人侦察智能化自主导航方法，包括：步骤1，获取履带式底盘机器人的激光雷达数据；步骤2，根据获取的激光雷达数据，基于SLAM算法构建当前区域地图，根据当前区域地图构建巡检区域全局地图，确定机器人的全局位置；所述当前区域地图为拓扑地图；步骤3，以机器人的全局位置为基点，自动计算可行进路线方向，并完成未知区域探索及路径规划；步骤4，根据巡检任务点及巡检任务，控制机器人运动系统到达巡检任务点执行巡检任务。本发明能够实现轮式底盘机器人的路线规划、自主导航、躲避障碍、自动停位和完成定点巡检任务。

Description

履带式底盘机器人侦察智能化自主导航方法

技术领域

本发明属于爆炸性环境信息采集技术领域，尤其涉及一种履带式底盘机器人侦察智能化自主导航方法。

背景技术

石油化工、危化品等爆炸及燃烧、泄漏、坍塌事故现场环境信息的实时准确采集，有助于协助救援人员制定正确救援方案。

现有技术中，一般通过无人机携带相关传感器实现环境信息的采集，由于事故现场的复杂性，往往不能准确采集爆炸性环境下的信息。

通过履带式或轮式防爆型多信息融合采集机器人可以实现爆炸性环境下多信息的实时准确采集，由于机器人需要在非常态环境、非正常路面下行驶，因此，需要一种能够实现路线规划、自主导航、躲避障碍、自动停位和完成定点巡检任务的自主导航方法。

发明内容

本发明的目的是提供一种履带式底盘机器人侦察智能化自主导航方法，以解决上述技术问题。

本发明提供了一种履带式底盘机器人侦察智能化自主导航方法，包括如下步骤：

步骤1，获取履带式底盘机器人的激光雷达数据；

步骤2，根据获取的激光雷达数据，基于SLAM算法构建当前区域地图，根据当前区域地图构建巡检区域全局地图，确定机器人的全局位置；所述当前区域地图为拓扑地图；

步骤3，以机器人的全局位置为基点，自动计算可行进路线方向，并完成未知区域探索及路径规划；

步骤4，根据巡检任务点及巡检任务，控制机器人运动系统到达巡检任务点执行巡检任务。

进一步地，所述全局地图基于学习模式下的基础地图及当前区域地图融合构建完成；所述基础地图基于多次视频图像机器学习提前构建完成。

进一步地，所述步骤4包括：

导航模块接收到下发的导航任务信息后开始启动；所述导航任务信息包括目标点的位姿以及导航方式；

导航模块选择对应的控制器后开始执行，在一个固定控制周期里，根据机器人当前的姿态、速度以及预设参数经过控制器生成控制指令下发给底层驱动模块；

导航模块接收激光雷达驱动的激光数据信息和底层驱动模块的超声波数据信息，判断障碍物的距离，并根据此距离生成一个速度基准以影响控制器的输出速度。

进一步地，所述步骤4还包括：

当机器人在充电房进行后退导航时，开启充电房定位功能，将机器人位姿通过齐次坐标变换矩阵变换到全局坐标系下，为机器人提供一个统一的导航坐标系，方便机器人的导航针对变电站环境的实际情况，实现基于二维栅格地图的环境建模，并根据巡检的路线以及巡检任务，在栅格图的基础上通过人工部署来构造拓扑图；

当下达巡检任务时，根据要巡检的任务点，在拓扑图上基于LKH算法规划路径；使用AMCL算法定位，结合已有的二维栅格地图以及激光和里程计数据，输出机器人当前的位姿；

当机器人处于充电房，需要对充电桩充电时，直接根据充电房内的标识物定位，给出定位信息。

进一步地，所述步骤4还包括：

根据机器人实际的导航路线，设置三种导航方式，包括前向直线导航、后退直线导航、以及基于反步法的轨迹跟踪控制导航。

进一步地，所述视频图像机器学习包括道路识别学习和仪表识别学习，所述道路识别学习包括针对具体道路进行智能训练，以提高道路和障碍物识别准确度；所述仪表识别学习包括针对具体表盘进行训练，以提高系统仪表指数的识别准确度。

进一步地，所述针对具体道路进行智能训练包括：

模拟人眼观察逻辑，智能识别道路；

与双目视觉进行融合，进行视觉避障；

与GPS配合使用，应用于复杂环境的定位导航。

进一步地，所述针对具体表盘进行训练包括：

针对环境光线的影响进行训练，以提高抗干扰能力；

针对环境噪声、仪表盘自身倾斜状态进行训练，以提高识别鲁棒性。

借由上述方案，通过履带式底盘机器人侦察智能化自主导航方法，能够实现轮式底盘机器人的路线规划、自主导航、躲避障碍、自动停位和完成定点巡检任务。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。

附图说明

图1是本发明履带式底盘机器人侦察智能化自主导航方法的流程图；

图2是本发明一实施例的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种履带式底盘机器人侦察智能化自主导航方法，包括如下步骤：

步骤S1，获取履带式底盘机器人的激光雷达数据；

步骤S2，根据获取的激光雷达数据，基于SLAM算法构建当前区域地图，根据当前区域地图构建巡检区域全局地图，确定机器人的全局位置；所述当前区域地图为拓扑地图；

步骤S3，以机器人的全局位置为基点，自动计算可行进路线方向，并完成未知区域探索及路径规划；

步骤S4，根据巡检任务点及巡检任务，控制机器人运动系统到达巡检任务点执行巡检任务。

在本实施例中，全局地图基于学习模式下的基础地图及当前区域地图融合构建完成；所述基础地图基于多次视频图像机器学习提前构建完成。该导航方法通过多次视频图像机器学习提前构建学习模式下的基础地图，并与当前区域地图融合构建巡检区域全局3D地图，以此确定巡检任务点及巡检任务，能够提高识别准确率，从而提高导航准确性。

参图2所示，步骤S4包括：

导航模块接收到下发的导航任务信息后开始启动；所述导航任务信息包括目标点的位姿以及导航方式；

导航模块选择对应的控制器后开始执行，在一个固定控制周期里，根据机器人当前的姿态、速度以及预设参数经过控制器生成控制指令下发给底层驱动模块；

导航模块接收激光雷达驱动的激光数据信息和底层驱动模块的超声波数据信息，判断障碍物的距离，并根据此距离生成一个速度基准以影响控制器的输出速度。

当机器人在充电房进行后退导航时，开启充电房定位功能，将机器人位姿通过齐次坐标变换矩阵变换到全局坐标系下，为机器人提供一个统一的导航坐标系，方便机器人的导航针对变电站环境的实际情况，实现基于二维栅格地图的环境建模，并根据巡检的路线以及巡检任务，在栅格图的基础上通过人工部署来构造拓扑图；

当下达巡检任务时，根据要巡检的任务点，在拓扑图上基于LKH算法规划路径；使用AMCL算法定位，结合已有的二维栅格地图以及激光和里程计数据，输出机器人当前的位姿；

当机器人处于充电房，需要对充电桩充电时，直接根据充电房内的标识物定位，给出定位信息。

根据机器人实际的导航路线，设置三种导航方式，包括前向直线导航、后退直线导航、以及基于反步法的轨迹跟踪控制导航。

下面对本发明作进一步详细说明。

机器人进入到未知区域，根据雷达数据采用SLAM(定位与地图构建技术)算法构建当前区域的地图，实现当前区域的全局定位，确定机器人的全局位置，并以此位置为基点，自动计算可行进路线方向，计算可行进路线方向算法以探索未知区域为优先考虑。

重复以上过程，快速完成未知区域的探索。后台算法的重点是探索过程中对非常态路面环境下的合理路径规划和导航算法中针对履带式底盘机器人越障爬坡等能力在非常态路面环境下准确合理判断行进路线并根据实际自主定位和导航实时修正优化路径。

通过雷达数据SLAM(定位与地图构建技术)算法来构建当前区域的地图，机器人在地图中的行进决策方法有四种：栅格地图、特征地图、直接表征法以及拓扑地图。在此应用场景下我们使用拓扑地图。

拓扑地图是一种相对更加抽象的地图形式，它把室内环境表示为带结点和相关连接线的拓扑结构图，其中结点表示环境中的重要位置点(拐角、门、电梯、楼梯等)，边表示结点间的连接关系，如走廊等。这种方法只记录所在环境拓扑链接关系，这类地图一般是由前几类地图通过相关算法提取得到。

履带式底盘机器人进入到未知区域时，就会先建立这样的拓扑地图：

在机器人实时定位问题中，由于通过机器人运动估计得到的机器人位置信息通常具有较大的误差，我们还需要使用测距单元得到的周围环境信息更正机器人的位置。常见的测距单元包括激光测距、超声波测距以及图像测距三种。其中，凭借激光良好的指向性和高度聚焦性，激光雷达已经成为移动机器人的核心传感器，同时它也是目前最可靠、最稳定的定位技术。

激光SLAM采用2D或3D激光雷达(也叫单线或多线激光雷达)，激光雷达的出现和普及使得测量更快更准，信息更丰富。激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云。通常，激光SLAM系统通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。

激光雷达测距比较准确，误差模型简单，在强光直射以外的环境中运行稳定，点云的处理也比较容易。同时，点云信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。

控制算法是自主导航的核心内容，SLAM/线路规划算法的计算结果是自主导航的基础，最终实现自主导航首选需要获得各个传感器测量的数据，需要结合雷达定位的全局位置、避障传感器的信号、运动速度、驱动电机的编码器信息等。将这些信息和预定义路径信息一起发送给控制系统，从而确定机器人下一时刻需要完成的转弯动作。最后发送指令给转弯电机转动一定的角度，使机器人回到预定义路径上，机器人时刻修正自身全局位置，调整位姿，最终到达目的地。

本实施例中，视频智能识别采用机器学习方案，主要分为道路识别和仪表识别。

1、针对具体道路进行智能训练，提高道路和障碍物识别准确度

模拟人眼观察逻辑，智能识别道路。与双目视觉进行融合，进行视觉避障。达到有效识别车辆、行人等动态障碍。与GPS配合使用，可应用于复杂环境的定位导航。

2、针对具体表盘需要进行一定的训练，提高系统的仪表指数的识别准确度。

针对环境的光线等影响具有一定的抗干扰能力，例如反光下的识别。

针对环境噪声、仪表盘自身倾斜等状况具有较好的鲁棒性。

通过该履带式底盘机器人侦察智能化自主导航方法，能够实现轮式底盘机器人的路线规划、自主导航、躲避障碍、自动停位和完成定点巡检任务。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种履带式底盘机器人侦察智能化自主导航方法，其特征在于，包括如下步骤：

步骤1，获取履带式底盘机器人的激光雷达数据；

步骤2，根据获取的激光雷达数据，基于SLAM算法构建当前区域地图，根据当前区域地图构建巡检区域全局地图，确定机器人的全局位置；所述当前区域地图为拓扑地图；

步骤3，以机器人的全局位置为基点，自动计算可行进路线方向，并完成未知区域探索及路径规划；

步骤4，根据巡检任务点及巡检任务，控制机器人运动系统到达巡检任务点执行巡检任务。

2.根据权利要求1所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述全局地图基于学习模式下的基础地图及当前区域地图融合构建完成；所述基础地图基于多次视频图像机器学习提前构建完成。

3.根据权利要求2所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述步骤4包括：

导航模块接收到下发的导航任务信息后开始启动；所述导航任务信息包括目标点的位姿以及导航方式；

导航模块选择对应的控制器后开始执行，在一个固定控制周期里，根据机器人当前的姿态、速度以及预设参数经过控制器生成控制指令下发给底层驱动模块；

导航模块接收激光雷达驱动的激光数据信息和底层驱动模块的超声波数据信息，判断障碍物的距离，并根据此距离生成一个速度基准以影响控制器的输出速度。

4.根据权利要求3所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述步骤4还包括：

当机器人在充电房进行后退导航时，开启充电房定位功能，将机器人位姿通过齐次坐标变换矩阵变换到全局坐标系下，为机器人提供一个统一的导航坐标系，方便机器人的导航针对变电站环境的实际情况，实现基于二维栅格地图的环境建模，并根据巡检的路线以及巡检任务，在栅格图的基础上通过人工部署来构造拓扑图；

当下达巡检任务时，根据要巡检的任务点，在拓扑图上基于LKH算法规划路径；使用AMCL算法定位，结合已有的二维栅格地图以及激光和里程计数据，输出机器人当前的位姿；

当机器人处于充电房，需要对充电桩充电时，直接根据充电房内的标识物定位，给出定位信息。

5.根据权利要求4所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述步骤4还包括：

根据机器人实际的导航路线，设置三种导航方式，包括前向直线导航、后退直线导航、以及基于反步法的轨迹跟踪控制导航。

6.根据权利要求1所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述视频图像机器学习包括道路识别学习和仪表识别学习，所述道路识别学习包括针对具体道路进行智能训练，以提高道路和障碍物识别准确度；所述仪表识别学习包括针对具体表盘进行训练，以提高系统仪表指数的识别准确度。

7.权利要求6所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述针对具体道路进行智能训练包括：

模拟人眼观察逻辑，智能识别道路；

与双目视觉进行融合，进行视觉避障；

与GPS配合使用，应用于复杂环境的定位导航。

8.根据权利要求7所述的履带式底盘机器人侦察智能化自主导航方法，其特征在于，所述针对具体表盘进行训练包括：

针对环境光线的影响进行训练，以提高抗干扰能力；

针对环境噪声、仪表盘自身倾斜状态进行训练，以提高识别鲁棒性。

Images