CN113703444A - 一种智能化机器人的巡检避障方法及系统 - Google Patents
一种智能化机器人的巡检避障方法及系统 Download PDFInfo
- Publication number
- CN113703444A CN113703444A CN202110930942.XA CN202110930942A CN113703444A CN 113703444 A CN113703444 A CN 113703444A CN 202110930942 A CN202110930942 A CN 202110930942A CN 113703444 A CN113703444 A CN 113703444A
- Authority
- CN
- China
- Prior art keywords
- inspection
- path
- dis
- obstacle
- routing inspection
- 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.)
- Withdrawn
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004888 barrier function Effects 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 239000003016 pheromone Substances 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 201000004569 Blindness Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明提出了一种智能化机器人的巡检避障方法及系统，其中方法包括：步骤一、获取工业巡检空间布局图像数据；步骤二、根据所述空间布局图像数据制定初步巡检路径；步骤三、根据所述初步巡检路径进行工业巡检，并利用信息采集设备实时获取作业环境数据；步骤四、通过运算处理器实时分析作业环境数据，从而针对性的更新巡检路径；步骤五、在巡检完成后上传巡检结果至服务器中进行巡检结果存储。本发明通过预先的路径该规划可以更好的选择出最优的巡检路径，降低无效巡检，同时通过实时监测分析巡检过程中的环境数据，可以在出现应急障碍物的工况下及时作出应对措施，提高巡检效率。
Description
技术领域
本发明涉及一种智能化机器人的巡检避障方法及系统，特别是涉及智能路径规划技术领域。
背景技术
随着智能技术的推进，移动机器人已经渗透到各行各业，在智能化工业生产过程中，通过对工业设备的有效监测和实时维护，可以极大提高生产效率。为了降低人工巡检的投入成本，在移动机器人技术的发展下，智能化的巡检过程之间代替人工。
现有技术中，移动机器人在工业作业过程中进行巡检时，往往会因为出现的障碍物打乱原本的巡检路径，从而导致原先的路径错误，使得监测范围出错，降低巡检效率。
发明内容
发明目的：一个目的是提出一种智能化机器人的巡检避障方法及系统，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种智能化机器人的巡检避障方法，通过预先的路径该规划可以更好的选择出最优的巡检路径，降低无效巡检，同时通过实时监测分析巡检过程中的环境数据，可以在出现应急障碍物的工况下及时作出应对措施，提高巡检效率。具体的，该方法具体包括以下步骤：
步骤一、获取工业巡检空间布局图像数据；
步骤二、根据所述空间布局图像数据制定初步巡检路径；
步骤三、根据所述初步巡检路径进行工业巡检，并利用信息采集设备实时获取作业环境数据；
步骤四、通过运算处理器实时分析作业环境数据，从而针对性的更新巡检路径；
步骤五、在巡检完成后上传巡检结果至服务器中进行巡检结果存储。
在第一方面的一些可实现方式中，在制定初步巡检路径的时候，人为的输入预先设定的巡检路径，往往会由于考虑不周等问题，导致制定的初步巡检路径复杂或者过于冗余，从而使得巡检时间较长，效率不高。为了提高巡检效率，在空间建模完成后，标记出发点和目的地，通过差异化初始信息素的处理方式，找寻最优的初步巡检路径。
进一步的，在接受到步骤一中的巡检空间布局图像数据时，通过数据转换对工作环境进行数字化的建模，进一步采用0、1栅格化的转换方式进行环境建模；其中，在平面中用0表示无障碍物的区域，用1表示存在障碍物的区域。
进一步的，将构建好的空间模型按照等级划分为核心区域、重要区域和普通区域；随后，通过距离与障碍物的设定，制定个下一节点的选择概率。
其中，下一节点被选择概率的计算过程进一步为：
首先构建起始点与目的地之间的直线距离Dis，设定核心区域内的初始信息素浓度为τa，剩余区域为τb，若j点为路径规划中下一个移动点，则设定Dis1为j点与起始点之间的直线距离，Dis2为j点与目的地之间的直线距离，实际作业过程中，通过Dis、Dis1和Dis2之间的数据比，设定j点初始信息素τj(t)，其表达式如下：
式中，τa表示核心区域内的初始信息素浓度；τb表示除核心区域的初始信息素浓度；Dis1表示j点与起始点之间的直线距离；Dis2表示j点与目的地之间的直线距离；
表示信息素增长量系数；
表示信息素增量；dism表示普通区域与核心区域分界线到直线Dis之间的距离；disn表示普通区域与重要区域分界线到直线Dis之间的距离；t表示时间；h表示j点到直线Dis之间的距离。当h越小时，(Dis1+Dis2)越小，则j点初始信息素τj(t)就越大，则该节点作为下一节点被选择的可能性就越大。
在第一方面的一些可实现方式中，步骤二中制定初步巡检路径时，采用修正蚁群算法中启发函数的方式，通过修正启发函数的方式，改变了现有技术中仅考虑当前节点与下一节点之间最小距离的单一性，引入目的地节点的导向作用，克服路径搜索过程中的盲目性，以及解决局部容易陷入最优的问题。
进一步的，修正后的启发函数表达式为：
式中，Disij表示当前节点i到下一节点j的直线距离；DisjE表示下一节点j到目的地E的直线距离；当j点越靠近目的地E时，该节点被选择的概率就越大。
在第一方面的一些可实现方式中，步骤四中实时分析采集到的环境图像数据的过程为：首先设定采集到的环境图像原点坐标为f(x,y)，将其像素设定为n行、n列；然后，将坐标(x,y)的数值进行数据离散处理，其中采用如下表达式对图像存储位数进行设定，即：
p＝n2L
式中，p表示图像数据存储所需要的的比特数；L表示图像的灰度级数；n表示设定的行列数；
最后，采用卡尔曼滤波器对环境图像数据进行预处理，并同时计算移动机器人位置的估计值，通过反馈计算降低与实际位置的误差，控制误差范围。这种图像处理方法具有减少运算量和节省存储空间的优点，可使机器人根据自身所处的环境做出相应的反应，其具有实用性强的特点。
在第一方面的一些可实现方式中，当步骤四中更新巡检路径的情况为遇到动态障碍物时，通过内置在移动机器人处理器中的障碍物识别模型进行障碍物类型判断；所述障碍物识别模型由卷积层、隐藏层、池化层、全连接层构成，并通过分类器识别障碍物类型判断。通过分析动态障碍物的措施，避免了巡检过程中，因突然出现障碍物而无法完成巡检工作的现象，同时，通过障碍物类型的进一步判断，从而做出对应的避障方法，对于出现的动态障碍物通过提示的方式，减少自身为了避让重新制定巡检路径的过程，降低处理器的负荷，有效提高处理器的使用寿命，同时达到更好的避障效果。
进一步的，当识别出的障碍物类型为移动中的工作人员时，移动机器人触发自身携带的警告器发出提出语音，用于提醒工作人员进行避让；若识别出的障碍物类型为掉落的静态物体时，移动机器人暂停巡检工作并将获取到的数据进行障碍物所占区域的二次分析，并将分析后的结果在转化后的空间布局图像数据中标出，并更新空间区域建模的结果，随后，根据新的空间布局模型进行巡检路径的重置，当巡检路径重置完成后，再次进行巡检作业。
第二方面，提出一种智能化机器人的巡检避障系统，该系统具体包括：
用于获取工业巡检空间布局图像数据的第一模块；
用于制定初步巡检路径的第二模块；
用于采集实时作业环境数据的第三模块；
用于更新巡检路径的第四模块；
用于存储巡检路径的第五模块。
在第二方面的一些可实现方式中，第二模块在接收到第一模块获取到的工业巡检空间布局图像数据后，通过路径最优的寻找方案制定初步巡检路径；第三模块在实际作业过程中，根据第二模块制定的最优路径，实时获取当前工况下的环境数据，并传输到第四模块中进行处理分析，当遇到动态障碍物时，根据动态障碍物的分析结果针对性的更新巡检路径；第五模块根据第四模块更新后的巡检路径完成巡检作业，并将巡检结果存储至服务器中进行数据留存。
有益效果：本发明提出了一种智能化机器人的巡检避障方法及系统，通过预先的路径该规划可以更好的选择出最优的巡检路径，降低无效巡检，同时通过实时监测分析巡检过程中的环境数据，可以在出现应急障碍物的工况下及时作出应对措施，提高巡检效率。
另一方面，通过划分不同区域重要性的方式，获取不同节点的信息素增量，避免了初期盲目搜索的现象；同时，通过添加目的地引导的方式修正启发函数，使得路径的平滑性和安全性得到了有效提高。
附图说明
图1为本发明实施例的数据处理流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
实施例一
针对移动机器人在工业作业过程中进行巡检时，因为出现的障碍物打乱原本的巡检路径，使得监测范围出错，降低巡检效率，本实施例提出一种智能化机器人的巡检避障方法，用于提高移动机器人路径规划和控制能力。
具体的，如图1所示，该方法具体包括以下步骤：
步骤一、获取工业巡检空间布局图像数据；
步骤二、根据所述空间布局图像数据制定初步巡检路径；
步骤三、根据所述初步巡检路径进行工业巡检，并利用信息采集设备实时获取作业环境数据；
步骤四、通过运算处理器实时分析作业环境数据，从而针对性的更新巡检路径；
步骤五、在巡检完成后上传巡检结果至服务器中进行巡检结果存储。
通过预先的路径该规划可以更好的选择出最优的巡检路径，降低无效巡检，同时通过实时监测分析巡检过程中的环境数据，可以在出现应急障碍物的工况下及时作出应对措施，提高巡检效率。
实施例二
在实施例一基础上的进一步实施例中，在制定初步巡检路径的时候，人为的输入预先设定的巡检路径，往往会由于考虑不周等问题，导致制定的初步巡检路径复杂或者过于冗余，从而使得巡检时间较长，效率不高。为了提高巡检效率提出一种最优路径规划方法，通过采用构建好的路径规划模型，制定出最优的初步巡检路径。
具体的，在接受到巡检空间布局图像数据时，通过数据转换对工作环境进行数字化的建模，为了创建的不规则障碍物视图能更贴合实际作业环境，采用0、1栅格化的转换方式进行环境建模。其中，在平面中用0表示无障碍物的区域，用1表示存在障碍物的区域。通过划分平面，以及采用0、1栅格化的转换方式，使得空间结构更为清晰，表达障碍物区域的能力更强。
空间建模完成后，标记出发点和目的地，通过路径寻优的方式找寻最优的初步巡检路径。现有技术中，采用蚁群算法进行最优路径的找寻，但是在实际作业过程中，由于初始信息素浓度的均匀分布，往往会导致搜索过程中存在盲目性、收敛速度不足等缺点，从而导致全局路径规划效率不高。为了提高初期寻优的能力，本实施例针对初始信息素浓度提出差异化的处理方式，将构建好的空间模型按照等级划分为核心区域、重要区域和普通区域。
在进一步的实施例中，差异化初始信息素实现路径选择的过程具体为：通过距离与障碍物的设定，制定个下一节点的选择概率，首先构建起始点与目的地之间的直线距离Dis，根据两连之间连线最短的原理，最优路径在核心区域中的可能性偏大，由于最优路径普遍存在与核心区域，因此核心区域初始信息素浓度的设定便会高于剩余区域。优选实施例中，设定核心区域内的初始信息素浓度为τa，剩余区域为τb，若j点为路径规划中下一个移动点，则设定Dis1为j点与起始点之间的直线距离，Dis2为j点与目的地之间的直线距离，实际作业过程中，通过Dis、Dis1和Dis2之间的数据比，设定j点初始信息素τj(t)，其表达式如下：
式中，τa表示核心区域内的初始信息素浓度；τb表示除核心区域的初始信息素浓度；Dis1表示j点与起始点之间的直线距离；Dis2表示j点与目的地之间的直线距离；
表示信息素增长量系数；
表示信息素增量；dism表示普通区域与核心区域分界线到直线Dis之间的距离；disn表示普通区域与重要区域分界线到直线Dis之间的距离；t表示时间；h表示j点到直线Dis之间的距离。当h越小时，(Dis1+Dis2)越小，则j点初始信息素τj(t)就越大，则该节点作为下一节点被选择的可能性就越大。
实施例三
在实施例一基础上的进一步实施例中，针对现有技术在寻找最优的是巡检路径时只考虑当前节点与下一节点之间的最小距离，导致易陷入局部最优的问题，本实施例对启发函数进行修正。具体的，启发函数表达式为：
式中，Disij表示当前节点i到下一节点j的直线距离；DisjE表示下一节点j到目的地E的直线距离，由此，当j点越靠近目的地E时，该节点被选择的概率就越大。
本实施例通过修正启发函数的方式，改变了现有技术中仅考虑当前节点与下一节点之间最小距离的单一性，引入目的地节点的导向作用，克服路径搜索过程中的盲目性，以及解决局部容易陷入最优的问题。
实施例四
在实施例一基础上的进一步实施例中，由于环境、设备的影响，实际作业过程采集到的实时数据往往会携带各种各样的图像噪声，从而影响分析结果，因此本实施例提出一种图像预处理方法，通过降噪的方式对环境图像数据进行分析前的预处理。
具体的，针对采集到的环境图像数据，首先设定采集到的环境图像原点坐标为f(x,y)，将其像素设定为n行、n列。将坐标(x,y)的数值进行数据离散处理，其中采用如下表达式对图像存储位数进行设定，即：
p＝n2l
式中，p表示图像数据存储所需要的的比特数；L表示图像的灰度级数；n表示设定的行列数。随后，采用卡尔曼滤波器对环境图像数据进行预处理，并同时计算移动机器人位置的估计值，通过反馈计算降低与实际位置的误差，并将误差值保持在最小范围内。这种图像处理方法具有减少运算量和节省存储空间的优点，可使机器人根据自身所处的环境做出相应的反应，其具有实用性强的特点。
实施例五
在实施例一基础上的进一步实施例中，实际作业过程中，由于突然掉落的障碍物、运动中的人等动态障碍物的出现，往往会导致原先制定的巡检路径出现无法实施的现象，因为本实施例提出一种规避动态障碍物的方法，用以更新巡检路径。
具体的，在工业作业过程中通过信息采集设备，实时获取作业环境数据，并在经过图像预处理后送入障碍物类型识别模型，用于分析动态障碍物的类型。其中，障碍物识别模型由卷积层、隐藏层、池化层、全连接层构成，并通过分类器识别障碍物类型判断。当识别出的障碍物类型为移动中的工作人员时，移动机器人便会触发自身携带的警告器发出提出语音，用于提醒工作人员进行避让；若识别出的障碍物类型为掉落的静态物体时，移动机器人便会暂停巡检工作并将获取到的数据进行障碍物所占区域的二次分析，并将分析后的结果在转化后的空间布局图像数据中标出，并更新空间区域建模的结果。随后，根据新的空间布局模型进行巡检路径的重置，当巡检路径重置完成后，再次进行巡检作业。
本实施例通过分析动态障碍物的措施，避免了巡检过程中，因突然出现障碍物而无法完成巡检工作的现象，同时，通过障碍物类型的进一步判断，从而做出对应的避障方法，对于出现的动态障碍物通过提示的方式，减少自身为了避让重新制定巡检路径的过程，降低处理器的负荷，有效提高处理器的使用寿命，同时达到更好的避障效果。
实施例五
提出一种智能化机器人的巡检避障系统，用于实现实施例一中提出的避障方法，该系统具体包括：
用于获取工业巡检空间布局图像数据的第一模块；
用于制定初步巡检路径的第二模块；
用于采集实时作业环境数据的第三模块；
用于更新巡检路径的第四模块；
用于存储巡检路径的第五模块。
第二模块在接收到第一模块获取到的工业巡检空间布局图像数据后，通过路径最优的寻找方案制定初步巡检路径；第三模块在实际作业过程中，根据第二模块制定的最优路径，实时获取当前工况下的环境数据，并传输到第四模块中进行处理分析，当遇到动态障碍物时，根据动态障碍物的分析结果针对性的更新巡检路径；第五模块根据第四模块更新后的巡检路径完成巡检作业，并将巡检结果存储至服务器中进行数据留存。
在进一步的实施例中，第二模块在制定初步巡检路径时，首先通过数据转换对工作环境进行数字化的建模，为了使得构建出的数字化模型更贴近实际作业环境，采用0、1栅格化的转换方式进行环境建模。其中，在平面中用0表示无障碍物的区域，用1表示存在障碍物的区域。通过划分平面，以及采用0、1栅格化的转换方式，使得空间结构更为清晰，表达障碍物区域的能力更强。
在进一步的实施例中，空间建模完成后，第二模块在制定初步巡检路径时，采用蚁群算法进行最优路径的找寻，但是在实际作业过程中，由于初始信息素浓度的均匀分布，往往会导致搜索过程中存在盲目性、收敛速度不足等缺点，从而导致全局路径规划效率不高。为了提高初期寻优的能力，针对初始信息素浓度提出差异化的处理方式，将构建好的空间模型按照等级划分为核心区域、重要区域和普通区域。
在进一步的实施例中，差异化初始信息素实现路径选择的过程具体为：通过距离与障碍物的设定，制定个下一节点的选择概率，首先构建起始点与目的地之间的直线距离Dis，根据两连之间连线最短的原理，最优路径在核心区域中的可能性偏大，由于最优路径普遍存在与核心区域，因此核心区域初始信息素浓度的设定便会高于剩余区域。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种智能化机器人的巡检避障方法，其特征在于，具体包括以下步骤：
步骤一、获取工业巡检空间布局图像数据；
步骤二、根据所述空间布局图像数据制定初步巡检路径；
步骤三、根据所述初步巡检路径进行工业巡检，并利用信息采集设备实时获取作业环境数据；
步骤四、通过运算处理器实时分析作业环境数据，从而针对性的更新巡检路径；
步骤五、在巡检完成后上传巡检结果至服务器中进行巡检结果存储。
2.根据权利要求1所述的一种智能化机器人的巡检避障方法，其特征在于，
在接受到步骤一中的巡检空间布局图像数据时，通过数据转换对工作环境进行数字化的建模，进一步采用0、1栅格化的转换方式进行环境建模；其中，在平面中用0表示无障碍物的区域，用1表示存在障碍物的区域。
3.根据权利要求1所述的一种智能化机器人的巡检避障方法，其特征在于，
空间建模完成后，标记出发点和目的地，通过差异化初始信息素的处理方式，找寻最优的初步巡检路径；
进一步的，将构建好的空间模型按照等级划分为核心区域、重要区域和普通区域；随后，通过距离与障碍物的设定，制定个下一节点的选择概率。
4.根据权利要求3所述的一种智能化机器人的巡检避障方法，其特征在于，下一节点被选择概率的计算过程进一步为：
首先构建起始点与目的地之间的直线距离Dis，设定核心区域内的初始信息素浓度为τa，剩余区域为τb，若j点为路径规划中下一个移动点，则设定Dis1为j点与起始点之间的直线距离，Dis2为j点与目的地之间的直线距离，实际作业过程中，通过Dis、Dis1和Dis2之间的数据比，设定j点初始信息素τj(t)，其表达式如下：
式中，τ2表示核心区域内的初始信息素浓度；τb表示除核心区域的初始信息素浓度；Dis1表示j点与起始点之间的直线距离；Dis2表示j点与目的地之间的直线距离；
表示信息素增长量系数；
表示信息素增量；dism表示普通区域与核心区域分界线到直线Dis之间的距离；disn表示普通区域与重要区域分界线到直线Dis之间的距离；t表示时间；h表示j点到直线Dis之间的距离；当h越小时，(Dis1+Dis2)越小，则j点初始信息素τj(t)就越大，则该节点作为下一节点被选择的可能性就越大。
5.根据权利要求1所述的一种智能化机器人的巡检避障方法，其特征在于，
步骤二中制定初步巡检路径时，采用修正蚁群算法中启发函数的方式，避免局部最优现象；
进一步的，修正后的启发函数表达式为：
式中，Disij表示当前节点i到下一节点j的直线距离；DisjE表示下一节点j到目的地E的直线距离；当j点越靠近目的地E时，该节点被选择的概率就越大。
6.根据权利要求1所述的一种智能化机器人的巡检避障方法，其特征在于，
步骤四中实时分析采集到的环境图像数据的过程为：首先设定采集到的环境图像原点坐标为f(x，y)，将其像素设定为n行、n列；然后，将坐标(x，y)的数值进行数据离散处理，其中采用如下表达式对图像存储位数进行设定，即：
p＝n2L
式中，p表示图像数据存储所需要的的比特数；L表示图像的灰度级数；n表示设定的行列数；
最后，采用卡尔曼滤波器对环境图像数据进行预处理，并同时计算移动机器人位置的估计值，通过反馈计算降低与实际位置的误差，控制误差范围。
7.根据权利要求1所述的一种智能化机器人的巡检避障方法，其特征在于，
当步骤四中更新巡检路径的情况为遇到动态障碍物时，通过内置在移动机器人处理器中的障碍物识别模型进行障碍物类型判断；所述障碍物识别模型由卷积层、隐藏层、池化层、全连接层构成，并通过分类器识别障碍物类型判断。
8.根据权利要求7所述的一种智能化机器人的巡检避障方法，其特征在于，
当识别出的障碍物类型为移动中的工作人员时，移动机器人触发自身携带的警告器发出提出语音，用于提醒工作人员进行避让；若识别出的障碍物类型为掉落的静态物体时，移动机器人暂停巡检工作并将获取到的数据进行障碍物所占区域的二次分析，并将分析后的结果在转化后的空间布局图像数据中标出，并更新空间区域建模的结果，随后，根据新的空间布局模型进行巡检路径的重置，当巡检路径重置完成后，再次进行巡检作业。
9.一种智能化机器人的巡检避障系统，用于实现权利要求1-8任意一项方法，其特征在于，具体包括：
用于获取工业巡检空间布局图像数据的第一模块；
用于制定初步巡检路径的第二模块；
用于采集实时作业环境数据的第三模块；
用于更新巡检路径的第四模块；
用于存储巡检路径的第五模块。
10.根据权利要求9所述的一种智能化机器人的巡检避障系统，其特征在于，
第二模块在接收到第一模块获取到的工业巡检空间布局图像数据后，通过路径最优的寻找方案制定初步巡检路径；第三模块在实际作业过程中，根据第二模块制定的最优路径，实时获取当前工况下的环境数据，并传输到第四模块中进行处理分析，当遇到动态障碍物时，根据动态障碍物的分析结果针对性的更新巡检路径；第五模块根据第四模块更新后的巡检路径完成巡检作业，并将巡检结果存储至服务器中进行数据留存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930942.XA CN113703444A (zh) | 2021-08-13 | 2021-08-13 | 一种智能化机器人的巡检避障方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930942.XA CN113703444A (zh) | 2021-08-13 | 2021-08-13 | 一种智能化机器人的巡检避障方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113703444A true CN113703444A (zh) | 2021-11-26 |
Family
ID=78652662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110930942.XA Withdrawn CN113703444A (zh) | 2021-08-13 | 2021-08-13 | 一种智能化机器人的巡检避障方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113703444A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114440915A (zh) * | 2022-02-18 | 2022-05-06 | 北京励图锐新科技有限公司 | 一种无人车巡检作业路径优化方法 |
| CN114814877A (zh) * | 2022-06-21 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
| CN115185285A (zh) * | 2022-09-06 | 2022-10-14 | 深圳市信诚创新技术有限公司 | 吸尘机器人的自动避障方法、装置、设备及存储介质 |
| CN115328146A (zh) * | 2022-08-30 | 2022-11-11 | 安徽机电职业技术学院 | 一种巡检机器人的自适应路径巡检方法 |
| CN116777187A (zh) * | 2023-08-25 | 2023-09-19 | 山东道万电气有限公司 | 一种多路巡检智能中控调度方法及调度平台 |
-
2021
- 2021-08-13 CN CN202110930942.XA patent/CN113703444A/zh not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114440915A (zh) * | 2022-02-18 | 2022-05-06 | 北京励图锐新科技有限公司 | 一种无人车巡检作业路径优化方法 |
| CN114814877A (zh) * | 2022-06-21 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
| CN114814877B (zh) * | 2022-06-21 | 2022-09-06 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
| CN115328146A (zh) * | 2022-08-30 | 2022-11-11 | 安徽机电职业技术学院 | 一种巡检机器人的自适应路径巡检方法 |
| CN115328146B (zh) * | 2022-08-30 | 2024-04-02 | 安徽机电职业技术学院 | 一种巡检机器人的自适应路径巡检方法 |
| CN115185285A (zh) * | 2022-09-06 | 2022-10-14 | 深圳市信诚创新技术有限公司 | 吸尘机器人的自动避障方法、装置、设备及存储介质 |
| CN116777187A (zh) * | 2023-08-25 | 2023-09-19 | 山东道万电气有限公司 | 一种多路巡检智能中控调度方法及调度平台 |
| CN116777187B (zh) * | 2023-08-25 | 2024-01-16 | 山东道万电气有限公司 | 一种多路巡检智能中控调度方法及调度平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113703444A (zh) | 一种智能化机器人的巡检避障方法及系统 | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN108256577B (zh) | 一种基于多线激光雷达的障碍物聚类方法 | |
| CN112465738A (zh) | 基于红外与可见光图像的光伏电站在线运维方法及系统 | |
| CN111582123B (zh) | 一种基于信标识别与视觉slam的agv定位方法 | |
| CN112817318B (zh) | 一种多无人艇协同搜索控制方法及系统 | |
| CN112330915B (zh) | 无人机森林防火预警方法、系统、电子设备和存储介质 | |
| CN110986956A (zh) | 一种基于改进的蒙特卡洛算法的自主学习全局定位方法 | |
| US20230104047A1 (en) | Track fusion method and device for unmanned surface vehicle | |
| CN116777187B (zh) | 一种多路巡检智能中控调度方法及调度平台 | |
| CN113985879A (zh) | 基于历史数据动态优化的智能移动巡检系统及方法 | |
| CN116647651B (zh) | 一种基于北斗卫星的无人机施工监控方法及系统 | |
| CN115609595B (zh) | 一种机械臂的轨迹规划方法、装置、设备及可读存储介质 | |
| CN114415726B (zh) | 一种基于图像分析的无人机避障控制系统及方法 | |
| CN114046822B (zh) | 一种基于传感器阵列模块的大气污染监测方法及系统 | |
| CN114217641B (zh) | 一种非结构环境下无人机送变电设备巡检方法及系统 | |
| CN115755888A (zh) | 多传感器数据融合的agv障碍物检测系统及避障方法 | |
| CN113721615B (zh) | 一种基于机器视觉的海航路径规划方法及系统 | |
| CN115456075A (zh) | 一种目标行为异常预警的处理系统及方法 | |
| CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 | |
| CN117252851B (zh) | 一种基于图像检测识别的标准质量检测管理平台 | |
| CN117519215B (zh) | 多agv车行驶控制方法、装置、设备及存储介质 | |
| CN115560691A (zh) | 一种飞机变形扫描检测设备及快速检测方法 | |
| CN117970943A (zh) | 一种基于人工智能的建筑巡检无人机路径规划方法及系统 | |
| CN117806355A (zh) | 一种电力巡线无人机控制方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211126 |