CN113916214A - 轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法 - Google Patents
轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法 Download PDFInfo
- Publication number
- CN113916214A CN113916214A CN202110204195.1A CN202110204195A CN113916214A CN 113916214 A CN113916214 A CN 113916214A CN 202110204195 A CN202110204195 A CN 202110204195A CN 113916214 A CN113916214 A CN 113916214A
- Authority
- CN
- China
- Prior art keywords
- dust removal
- trolley
- uwb
- slam
- orb
- 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.)
- Pending
Links
- 239000000428 dust Substances 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000010926 purge Methods 0.000 title description 60
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 230000004807 localization Effects 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 25
- 238000010408 sweeping Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 238000005507 spraying Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000004140 cleaning Methods 0.000 description 13
- 230000007306 turnover Effects 0.000 description 7
- 238000007664 blowing Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000001314 profilometry Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010027339 Menstruation irregular Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轨道交通车辆车底除尘的多算法融合定位方法，包括如下步骤：S1、ORB‑SLAM定位：利用单目视觉ORB‑SLAM输出位置信息；S2、UWB定位：根据除尘小车发出信号到基准站之间信号传播的往返时间确定小车位置；S3、ORB‑SLAM/UWB融合定位：利用单目视觉ORB‑SLAM输出的位置信息与UWB解算的定位信息一同作为量测信息，通过扩展卡尔曼滤波器算法进行数据融合来实现除尘小车精确定位。从而精确定位小车行走轨迹，克服了跟踪失败、定位易受非视距误差影响、里程计定位存在累积误差等问题。
Description
技术领域
本发明属于轨道交通车辆设备吹扫技术领域，具体涉及一种轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法。
背景技术
轨道交通车辆在运行过程中，车辆底部因环境等因素会堆积大量的粉尘，如不定期对车底进行吹扫作业，灰尘的长期积累将会影响车辆的安全正常运行。现有的吹扫作业多采用人工吹扫或者利用轨道柱旁安装的固定式吹扫设备及管道，存在着作业效率低、劳动强度大、作业环境恶劣、吹扫质量差等问题。特别是针对复杂的车底结构，大范围且无针对性的吹扫无法对结构死角等位置进行有效清理，造成车辆底部清洁不够彻底，存在安全隐患。
针对现有吹扫作业方式无法对车底清洁部位进行精准定位、吹扫效率和效果差的问题，需要提出一种可对车底结构精准定位的吹扫方法，实现对车底灰尘的定点吹扫，高质高效的自动完成吹扫作业。
发明内容
针对现有技术以上缺陷或改进需求中的至少一种，本发明提供了一种轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，能够精确定位小车行走轨迹，克服了跟踪失败、定位易受非视距误差影响、里程计定位存在累积误差等问题；根据小车位置与相应位置已知的轨道车辆底部结构，规划机械臂运动轨迹，针对车辆底部结构死角，定点吹扫，提高清洁效果。
为实现上述目的，按照本发明的一个方面，提供了一种轨道交通车辆车底除尘的多算法融合定位方法，包括如下步骤：
S1、ORB-SLAM定位：
利用单目视觉ORB-SLAM输出位置信息；
S2、UWB定位：
根据除尘小车发出信号到基准站之间信号传播的往返时间确定小车位置；
S3、ORB-SLAM/UWB融合定位：
利用单目视觉ORB-SLAM输出的位置信息与UWB解算的定位信息一同作为量测信息，通过扩展卡尔曼滤波器算法进行数据融合来实现除尘小车精确定位。
优选地，步骤S1包括如下步骤：
S1.1、除尘小车搭载的工业相机获得视频帧，对影像进行预处理，将影像转化为灰度图；
S1.2、对灰度图进行特征提取，采用FAST算子检测特征点，给检测到的特征点加入方向信息，构成OFAST，然后用BRIEF作为特征描述符；
S1.3、使用词袋模型对影像的特征点进行分类；
S1.4、经过分类后的特征点在前后帧影像中进行快速匹配，进而求出前后帧影像间的相对位置关系，最终得到当前相机的位姿信息；
S1.5、然后用光流法来跟踪其位置；
S1.6、存储三维地图点和关键帧到数据库，对关键帧进行特征匹配，匹配成功后，采用光束平差法来优化估计三维地图点位置和关键帧位姿；
S1.7、把局部构图线程增加的三维地图点和关键帧作为闭环检测候选帧，在建立好的地图中对候选帧进行搜索并匹配，对相机进行重定位或闭环检测。
优选地，步骤S2中，测时模型表示为：
式中：ts和Xr为除尘小车发出信号时的时间和位置；tr和Xb为UWB基准站接收信号时的时间和位置；tD为UWB除尘小车与基准站之间的标准时间偏差；||·||2为2范数；c为光速；
测距得到的除尘小车和基准站之间的距离为：
d＝||Xr-Xb||2＝rRTT-rD
式中：rRTT为除尘小车和基准站之间的距离；rD＝ctD/2为标准时间偏差造成的测距误差。
优选地，步骤S3包括如下步骤：
S3.1、在单目视觉ORB-SLAM/UWB融合方法中，以UWB定位过程中所使用的独立坐标系作为全局坐标系，将单目视觉ORB-SLAM解算出的位置信息经过空间变换，转换到UWB坐标系下；将UWB和单目视觉ORB-SLAM的数据进行融合，获得除尘小车的位置和速度更新；
S3.2、以除尘小车的位置和速度误差作为ORB-SLAM/UWB融合定位方法的状态向量；
S3.3、通过扩展卡尔曼滤波器算法进行状态更新，状态更新包括状态预测和误差协方差预测；
S3.4、利用经过空间变换的单目视觉ORB-SLAM的位置信息与UWB解算出的位置信息的差值作为融合方法的量测信息；
S3.5、通过扩展卡尔曼滤波器算法进行量测更新；
S3.6、通过状态更新和量测更新得到除尘小车的精确定位信息。
优选地，步骤S3.1中，除尘小车的位置和速度更新的模型为：
式中：t为除尘小车的采样间隔时间；(xk,yk)代表第k时刻除尘小车的平面位置；
和
分别代表第k时刻除尘小车在x方向和y方向上的速度；ak-1和
分别代表第k-1时刻除尘小车在x方向和y方向上的加速度。
优选地，步骤S3.2中，状态向量为：
Xk＝FXk-1+Wk-1
式中：
为过车噪声。
优选地，步骤S3.3中，状态更新过程表示为：
式中：
Pk,k-1为第k时刻融合方法的状态向量及误差协方差的预测；F为状态转移矩阵；Qk为过程噪声的协方差矩阵。
优选地，步骤S3.4中，量测信息的量测方程为：
Yk＝HXk+Vk
式中：
为量测噪声；
为单目视觉ORB-SLAM解算的输出坐标，
为UWB解算出的平面坐标。
优选地，步骤S3.5中，量测更新包括计算卡尔曼增益Kk、第k时刻的状态向量
及误差协方差Pk，量测更新方程为：
式中：I为单位矩阵；Rk为观测噪声协方差矩阵。
为实现上述目的，按照本发明的一个方面，提供了一种轨道交通车辆车底除尘的吹扫方法，包括如下步骤：
S1、采用所述的轨道交通车辆车底除尘的多算法融合定位方法，先对除尘小车精确定位；
S2、根据定位信息与已知轨道车辆底部的三维轮廓信息，确定除尘小车搭载机械臂的无干涉运动空间，满足车辆限界要求条件下，规划机械臂运动轨迹；
S3、根据已有除尘报告确定难以清洁的集尘区域和结构死角，建立专家库，规划为机械臂搭载多功能喷嘴的重点除尘区域，利用机械臂运动规划调整喷嘴喷吹角度，定点除尘。
为实现上述目的，按照本发明的另一个方面，提供了一种基于机器视觉的智能机器人除尘系统，对轨道交通车辆的车底除尘，包括行走于轨道交通车辆检修库内的检修地沟中的除尘小车，设置在轨道立柱两侧的风帘装置、与除尘小车形成密闭吹扫空间；
所述除尘小车上载有：
前端图像获取机械臂，其上搭载有线阵相机和全景扫描单元，作为车底图像拍摄的定位机构；
后端吹扫机械臂，其上搭载有吹扫喷头；
固定喷嘴，其吹扫范围相较所述吹扫喷头更大；
吸尘装置，在吹扫的同时进行同步吸尘。
优选地，还包括除尘车走行轨；
所述除尘车走行轨设置在检修地沟中，所述除尘小车沿所述除尘车走行轨移动。
优选地，所述线阵相机包括2D相机，用于获取车底的二维图像。
优选地，所述线阵相机还包括3D相机，用于获取车底的三维图像。
优选地，所述除尘小车上安装有安全探测预警传感器，用于避障安全运行。
优选地，所述除尘小车上安装有小车定位传感器，用于小车的准确定位。
优选地，所述除尘小车上安装有蓄电池用于供电。
优选地，所述蓄电池为直流锂电池。
优选地，所述风帘装置自身为可翻折结构，具有展开状态和收拢状态。
优选地，所述吸尘装置包括离心通风机以及依次前后设置的吸尘罩、过滤网、吸尘管道。
本发明的基于机器视觉的智能机器人除尘系统，能够对车底进行有效的吹扫清洁，针对车辆底部结构死角，定点吹扫，提高清洁效果，且在每个吹扫工位形成相对封闭空间，达到较好的吸尘效果，防止吹扫作业产生灰尘扩散，改善吹扫库内作业环境。利用智能机器人取代传统的人工作业，可有效提高作业效率和质量，降低人工劳动强度。
本发明的基于机器视觉的智能机器人除尘系统，利用压缩空气对车辆底部进行自动化全方位除尘，能够对车底进行有效的吹扫清洁；利用预先建立的图像数据库，与相机采集图像进行模板匹配，识别车底关键零部件，定位该零部件位置，利用三维重建技术，获取车底三维轮廓信息；根据获得的关键零部件位置信息与三维轮廓信息，规划后端吹扫机械臂的运动轨迹，布置吹扫任务；针对车辆底部结构死角，定点吹扫，提高清洁效果；
本发明的基于机器视觉的智能机器人除尘系统，利用小车两侧风帘与小车形成封闭空间，利用小车吸尘装置清除扬尘，避免二次污染。
为实现上述目的，按照本发明的另一个方面，还提供了一种基于机器视觉的智能机器人除尘系统的除尘方法，包括如下步骤：
S1、控制除尘小车在检修地沟内运动；
S2、对除尘小车进行准确定位，使其运动至初始指定位置；
S3、运行至初始指定位置后，除尘小车上的前端图像获取机械臂，利用搭载的线阵相机和全景扫描单元，获取车底图像信息，并将图像信息进行上传和图像处理；
S4、固定喷嘴根据接收到的作业指令，对车底进行大范围吹扫；
S5、后端吹扫机械臂根据机器视觉获得的关键零部件位置信息与三维轮廓信息，规划运动轨迹，调整吹扫喷头的吹扫位置与角度，针对车辆底部结构死角与重点集尘区域，定点吹扫，提高清洁效果；
在步骤S4和S5的吹扫过程中，同时启动风帘装置，使得车辆两侧形成风帘，形成封闭空间避免扬尘；并且，吸尘装置同步启动进行吸尘。
优选地，在步骤S3中，所述线阵相机采用2D相机结合3D相机，分别实现二维与三维图像获取，全面展示车底状态。
优选地，在步骤S3中，所述图像处理，包含二维图像处理与三维图像处理。
优选地，所述二维图像处理的步骤包括：
根据采集的二维图像与预先建立的图像数据库，采用点特征检测法开展特征检测、特征匹配、剔除误匹配，并利用SSIM衡量配准结果。
优选地，所述三维图像处理的步骤包括：
利用小波变换轮廓术，实现图像的精确面型测量；
利用张正友标定法与“七参数法”进行相位-高度映射，实现三维图像标定；
基于k-d tree算法实现快速三维重建，获取车底三维轮廓信息。
优选地，在步骤S5中，后端吹扫机械臂规划运动轨迹的步骤包括：
根据获得的车底关键零部件位置信息与车底三维轮廓信息，判定重点吹扫区域，根据正逆运动学解算位姿信息，规划后端吹扫机械臂的运动轨迹，布置吹扫任务，针对车辆底部结构死角，定点吹扫，提高清洁效果。
优选地，在步骤S2中，利用除尘小车上安装的安全探测预警传感器和小车定位传感器，实现小车在车辆底部的安全运行和准确定位。
优选地，吸尘的步骤包括：
吸尘装置中的风机将含尘空气通过吸尘罩吸入吸尘管道内，在吸尘罩上设置有过滤网，使得含尘空气得以过滤，得到较为洁净的空气，然后经风机排出。
优选地，所述风帘装置自身为可翻折结构，其控制方法包括：
在吹扫开始之前，所述风帘装置翻折为展开状态，限制扬尘向两侧扩散；
在吹扫结束之后，所述风帘装置翻折为收拢状态，露出对车侧的检修空间。
上述优选技术特征只要彼此之间未构成冲突就可以相互组合。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1、本发明的轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，能够精确定位小车行走轨迹，克服了跟踪失败、定位易受非视距误差影响、里程计定位存在累积误差等问题
2、本发明的轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，在精确定位后，进一步根据小车位置与相应位置已知的轨道车辆底部结构，规划机械臂运动轨迹，针对车辆底部结构死角，定点吹扫，提高清洁效果。
3、本发明的轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，根据多算法融合定位信息与已知轨道车辆底部的三维轮廓信息，确定除尘小车搭载机械臂的无干涉运动空间，满足车辆限界要求条件下，规划机械臂运动轨迹。根据已有除尘报告确定常规大范围除尘难以清洁的集尘区域和结构死角，建立专家库，规划为机械臂搭载多功能喷嘴的重点除尘区域，利用机械臂运动规划调整喷嘴喷吹角度，定点除尘，可有效提高清洁效果和效率，降低人工作业劳动强度。
附图说明
图1是本发明ORB-SLAM/UWB融合定位方法的流程图；
图2是应用本发明方法的车底除尘系统运行布置图；
图3是应用本发明方法的除尘小车结构示意图；
图4是应用本发明方法的车底除尘系统的构架示意图；
图5是应用本发明方法的车底除尘系统的三维图像处理的流程示意图；
图6是应用本发明方法的车底除尘系统的后端吹扫机械臂轨迹规划流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
针对室内车底环境下单目视觉SLAM(simultaneous localization and mapping，即时定位与地图构建)易发生跟踪失败，UWB(Ultra Wide Band，超宽带)定位易受非视距误差影响，里程计定位存在累积误差等问题，如图1所示，本发明提供一个轨道交通车辆车底除尘的单目视觉ORB(Oriented FAST and Rotated BRIEF)-SLAM/UWB融合的定位方法，总体方案为：
ORB-SLAM定位：利用单目视觉ORB-SLAM输出位置信息；
UWB定位：根据除尘小车发出信号到基准站之间信号传播的往返时间确定小车位置；
S3、ORB-SLAM/UWB融合定位：利用单目视觉ORB-SLAM输出的位置信息与UWB解算的定位信息一同作为量测信息，通过扩展卡尔曼滤波器算法进行数据融合来实现除尘小车精确定位。
在次基础上，还提供了一种轨道交通车辆车底除尘的吹扫方法，总体方案为：
先采用所述的轨道交通车辆车底除尘的单目视觉ORB-SLAM/UWB融合的定位方法，对除尘小车精确定位；
根据定位信息与已知轨道车辆底部的三维轮廓信息，确定除尘小车搭载机械臂的无干涉运动空间，满足车辆限界要求条件下，规划机械臂运动轨迹；
根据已有除尘报告确定难以清洁的集尘区域和结构死角，建立专家库，规划为机械臂搭载多功能喷嘴的重点除尘区域，利用机械臂运动规划调整喷嘴喷吹角度，定点除尘。
上述融合定位具体实现方法如下：
(1)ORB-SLAM定位
除尘小车搭载的工业相机获得视频帧，对影像进行预处理，将影像转化为灰度图。对灰度图进行特征提取，采用FAST(Features from Accelerated Segment Test)算子检测特征点，给检测到的特征点加入方向信息，构成OFAST(FAST Keypoint Orientation)，然后用BRIEF作为特征描述符。使用词袋模型对影像的特征点进行分类。经过分类后的特征点在前后帧影像中进行快速匹配，进而求出前后帧影像间的相对位置关系，最终得到当前相机的位姿信息。然后用光流法来跟踪其位置。存储三维地图点和关键帧到数据库，对关键帧进行特征匹配，匹配成功，采用光束平差法来优化估计三维地图点位置和关键帧位姿。把局部构图线程增加的三维地图点和关键帧作为闭环检测候选帧，在建立好的地图中对候选帧进行搜索并匹配，对相机进行重定位或闭环检测。
(2)UWB定位
根据除尘小车发出信号到基准站之间信号传播的往返时间确定小车位置。测时模型可表示为：
式中：ts和Xr为除尘小车发出信号时的时间和位置；tr和Xb为UWB基准站接收信号时的时间和位置；tD为UWB除尘小车与基准站之间的标准时间偏差；||·||2为2范数；c为光速。那么，通过RRT测距得到的除尘小车和基准站之间的距离可表示为
d＝||Xr-Xb||2＝rRTT-rD (2)
式中：rRTT为除尘小车和基准站之间的距离；rD＝ctD/2为标准时间偏差造成的测距误差。
(3)ORB-SLAM/UWB融合定位算法
在单目视觉ORB-SLAM/UWB融合方法中，以UWB定位过程中所使用的独立坐标系作为全局坐标系，将单目视觉ORB-SLAM解算出的位置信息经过空间变换，转换到UWB坐标系下。将UWB和单目视觉ORB-SLAM的数据进行融合，获得除尘小车的位置和速度更新，其模型为
式中：t为除尘小车的采样间隔时间；(xk,yk)代表第k时刻除尘小车的平面位置；
和
分别代表第k时刻除尘小车在x方向和y方向上的速度；ak-1和
分别代表第k-1时刻除尘小车在x方向和y方向上的加速度。
以除尘小车的位置和速度误差作为ORB-SLAM/UWB融合定位方法的状态向量，得到状态向量为
Xk＝FXk-1+Wk-1 (4)
式中：
为过车噪声。
EKF(Extended Kalman Filter，扩展卡尔曼滤波器)算法主要流程包括状态更新与量测更新。状态更新包括状态预测和误差协方差预测。具体过程为
式中：
Pk,k-1为第k时刻融合方法的状态向量及误差协方差的预测；F为状态转移矩阵；Qk为过程噪声的协方差矩阵。
利用经过空间变换的单目视觉ORB-SLAM的位置信息与UWB解算出的位置信息的差值作为融合方法的量测信息。量测方程为
Yk＝HXk+Vk (6)
式中：
为量测噪声。
为单目视觉ORB-SLAM解算的输出坐标，
为UWB解算出的平面坐标。
量测更新包括计算卡尔曼增益Kk、第k时刻的状态向量
及误差协方差Pk。具体方程为
式中：I为单位矩阵；Rk为观测噪声协方差矩阵。
根据状态方程和量测方程，通过EKF进行状态更新和量测更新得到除尘小车的精确定位信息。
为了使本发明提出的方法及其应用更易于理解，将本算法应用于车底除尘系统的一个实施案例，分别如图2-6所示，进行详细的实施方式说明。
应用本发明方法的基于机器视觉的智能机器人除尘系统，对轨道交通车辆2的车底除尘，包括行走于轨道交通车辆检修库内的检修地沟中的除尘小车1，设置在轨道立柱两侧的风帘装置3、与除尘小车1形成密闭吹扫空间；
所述除尘小车上载有：
前端图像获取机械臂5，其上搭载有线阵相机和全景扫描单元，作为车底图像拍摄的定位机构，可以快速移动定位到不同检测点，获取车底的二维与三维图像信息；
固定喷嘴6，其吹扫范围相较所述吹扫喷头更大，用于实现车底大范围的吹扫，实现车底的基本吹扫工作；
后端吹扫机械臂8，其上搭载有吹扫喷头，实现对车底全覆盖、死角定点喷扫清洁；
吸尘装置7，在吹扫的同时进行同步吸尘。
优选地，还包括除尘车走行轨4；所述除尘车走行轨4设置在检修地沟中，所述除尘小车1沿所述除尘车走行轨4移动。
优选地，所述线阵相机包括2D相机，用于获取车底的二维图像，以及3D相机，用于获取车底的三维图像，从而更加全面展示车底状态。
优选地，所述除尘小车1上安装有安全探测预警传感器，用于避障安全运行。
优选地，所述除尘小车1上安装有小车定位传感器，用于小车的准确定位。
优选地，所述除尘小车1上安装有蓄电池用于供电。
优选地，所述蓄电池为直流锂电池。
优选地，所述风帘装置3自身为可翻折结构，具有展开状态和收拢状态。
优选地，所述吸尘装置包括离心通风机以及依次前后设置的吸尘罩、过滤网、吸尘管道。
优选地，所述除尘小车上还载有：局域网装置、交换机、图像处理主机、控制箱体。
优选地，所述除尘系统还包括数据服务器、检修库内网络装置、手持移动设备、数据分析室。
所述手持移动设备，便于工作人员随时查看系统运行状态与清扫效果。
所述数据服务器，用于存储除尘系统图像处理结果与除尘报告，并可追溯。
所述数据分析室，用于发布除尘任务，分析系统检测到的车底图像。
应用本发明方法的基于机器视觉的智能机器人除尘系统(即车底除尘系统)进行吹扫工作时，通过除尘车走行轨4在检修地沟内定向移动，大范围喷嘴实时对车底进行基本吹扫工作，通过多算法融合定位方法精确定位小车位置，根据专家库对重点集尘区域与结构死角通过机械臂搭载多功能喷嘴调整最佳角度实现定点吹扫。吹扫作业时，两侧风帘装置打开，形成封闭空间，通过车辆顶部吸尘装置吸收扬尘，防止吹扫作业时产生的灰尘扩散。
包括如下步骤：
S1、对车底进行吹扫作业时，作业人员可在数据分析室内发布除尘任务，检修地沟内的除尘小车1接收到指令后，开始在检修地沟内运动；其中，利用远程连接控制系统，手持移动设备与数据分析室可实时接收上传的图像信息与吹扫报告，工作人员可随时人工复检与远程监控，实现24小时现场无人值守情况下，掌握系统运行状况；
S2、利用车载的安全探测预警传感器、小车定位传感器等，对除尘小车1进行车辆底部的安全运行和准确定位，使其运动至初始指定位置；
S3、运行至初始指定位置后，除尘小车1上的前端图像获取机械臂5，利用搭载的线阵相机和全景扫描单元，获取车底图像信息，并将图像信息进行上传和图像处理；
S4、固定喷嘴6根据接收到的作业指令，对车底进行大范围吹扫；
S5、后端吹扫机械臂8根据机器视觉获得的关键零部件位置信息与三维轮廓信息，规划运动轨迹，调整吹扫喷头的吹扫位置与角度，针对车辆底部结构死角与重点集尘区域，定点吹扫，提高清洁效果；
在步骤S4和S5的吹扫过程中，同时启动风帘装置3，使得车辆两侧形成风帘，形成封闭空间，防止边吹尘边吸尘过程中灰尘向四周弥漫，实现扬尘的彻底清除；并且，吸尘装置7同步启动，吸尘装置中的离心通风机将含尘空气通过吸尘罩吸入吸尘管道内，在吸尘罩上设置有过滤网，使得含尘空气得以过滤，得到较为洁净的空气，然后经离心通风机排出。
优选地，在步骤S3中，所述线阵相机采用2D相机结合3D相机，分别实现二维与三维图像获取，全面展示车底状态。
优选地，在步骤S3中，所述图像处理，包含二维图像处理与三维图像处理。
优选地，所述二维图像处理的步骤包括：
根据采集的二维图像与预先建立的图像数据库，采用点特征检测法开展特征检测、特征匹配、剔除误匹配，并利用SSIM衡量配准结果。
优选地，如图4所示，所述三维图像处理的步骤包括：
光栅图像投影与采集→基于小波变换轮廓术相位提取→质量图导向法相位展开→图像标定→三维重建→车底三维轮廓信息；其中：
利用小波变换轮廓术，实现图像的精确面型测量；
利用张正友标定法与“七参数法”进行相位-高度映射，实现三维图像标定；
基于k-d tree算法实现快速三维重建，获取车底三维轮廓信息。
优选地，如图5所示，在步骤S5中，后端吹扫机械臂8规划运动轨迹的步骤包括：
设定预期轨迹，并进行稳定性分析，根据正逆运动学解算位姿信息，根据预期角度进行位置处理，通过力矩施加调整机械臂，将测量的实际角度与预期角度进行反复校正，最终输出轨迹；其中：
根据获得的车底关键零部件位置信息与车底三维轮廓信息，判定重点吹扫区域，根据正逆运动学解算位姿信息，规划后端吹扫机械臂的运动轨迹，布置吹扫任务，针对车辆底部结构死角，定点吹扫，提高清洁效果。
优选地，所述风帘装置3自身为可翻折结构，包括下固定部分、中间枢轴、上翻转部分，其中上翻转部分可绕中间枢轴翻转，与下固定部分上方呈同一直线时为展开状态，叠合在其侧面时为收拢状态，高度大致与轨道立柱齐平，不影响车侧的检修；其控制方法包括：
在吹扫开始之前，所述风帘装置3翻折为展开状态，限制扬尘向两侧扩散；
在吹扫结束之后，所述风帘装置3翻折为收拢状态，露出对车侧的检修空间。
综上所述，与现有技术相比，本发明的方案具有如下显著优势：
本发明的轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，能够精确定位小车行走轨迹，克服了跟踪失败、定位易受非视距误差影响、里程计定位存在累积误差等问题
本发明的轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，在精确定位后，进一步根据小车位置与相应位置已知的轨道车辆底部结构，规划机械臂运动轨迹，针对车辆底部结构死角，定点吹扫，提高清洁效果。
本发明的轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法，根据多算法融合定位信息与已知轨道车辆底部的三维轮廓信息，确定除尘小车搭载机械臂的无干涉运动空间，满足车辆限界要求条件下，规划机械臂运动轨迹。根据已有除尘报告确定常规大范围除尘难以清洁的集尘区域和结构死角，建立专家库，规划为机械臂搭载多功能喷嘴的重点除尘区域，利用机械臂运动规划调整喷嘴喷吹角度，定点除尘，可有效提高清洁效果和效率，降低人工作业劳动强度。
可以理解的是，以上所描述的系统的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。
Claims (10)
1.轨道交通车辆车底除尘的多算法融合定位方法，其特征在于，包括如下步骤：
S1、ORB-SLAM定位：
利用单目视觉ORB-SLAM输出位置信息；
S2、UWB定位：
根据除尘小车发出信号到基准站之间信号传播的往返时间确定小车位置；
S3、ORB-SLAM/UWB融合定位：
利用单目视觉ORB-SLAM输出的位置信息与UWB解算的定位信息一同作为量测信息，通过扩展卡尔曼滤波器算法进行数据融合来实现除尘小车精确定位。
2.如权利要求1所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S1包括如下步骤：
S1.1、除尘小车搭载的工业相机获得视频帧，对影像进行预处理，将影像转化为灰度图；
S1.2、对灰度图进行特征提取，采用FAST算子检测特征点，给检测到的特征点加入方向信息，构成OFAST，然后用BRIEF作为特征描述符；
S1.3、使用词袋模型对影像的特征点进行分类；
S1.4、经过分类后的特征点在前后帧影像中进行快速匹配，进而求出前后帧影像间的相对位置关系，最终得到当前相机的位姿信息；
S1.5、然后用光流法来跟踪其位置；
S1.6、存储三维地图点和关键帧到数据库，对关键帧进行特征匹配，匹配成功后，采用光束平差法来优化估计三维地图点位置和关键帧位姿；
S1.7、把局部构图线程增加的三维地图点和关键帧作为闭环检测候选帧，在建立好的地图中对候选帧进行搜索并匹配，对相机进行重定位或闭环检测。
3.如权利要求1所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S2中，测时模型表示为：
式中：ts和Xr为除尘小车发出信号时的时间和位置；tr和Xb为UWB基准站接收信号时的时间和位置；tD为UWB除尘小车与基准站之间的标准时间偏差；||·||2为2范数；c为光速；
测距得到的除尘小车和基准站之间的距离为：
d＝||Xr-Xb||2＝rRTT-rD
式中：rRTT为除尘小车和基准站之间的距离；rD＝ctD/2为标准时间偏差造成的测距误差。
4.如权利要求1所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S3包括如下步骤：
S3.1、在单目视觉ORB-SLAM/UWB融合方法中，以UWB定位过程中所使用的独立坐标系作为全局坐标系，将单目视觉ORB-SLAM解算出的位置信息经过空间变换，转换到UWB坐标系下；将UWB和单目视觉ORB-SLAM的数据进行融合，获得除尘小车的位置和速度更新；
S3.2、以除尘小车的位置和速度误差作为ORB-SLAM/UWB融合定位方法的状态向量；
S3.3、通过扩展卡尔曼滤波器算法进行状态更新，状态更新包括状态预测和误差协方差预测；
S3.4、利用经过空间变换的单目视觉ORB-SLAM的位置信息与UWB解算出的位置信息的差值作为融合方法的量测信息；
S3.5、通过扩展卡尔曼滤波器算法进行量测更新；
S3.6、通过状态更新和量测更新得到除尘小车的精确定位信息。
5.如权利要求4所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S3.1中，除尘小车的位置和速度更新的模型为：
式中：t为除尘小车的采样间隔时间；(xk,yk)代表第k时刻除尘小车的平面位置；
和
分别代表第k时刻除尘小车在x方向和y方向上的速度；ak-1和
分别代表第k-1时刻除尘小车在x方向和y方向上的加速度。
6.如权利要求5所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S3.2中，状态向量为：
Xk＝FXk-1+Wk-1
式中：
为过车噪声。
7.如权利要求6所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S3.3中，状态更新过程表示为：
式中：
Pk,k-1为第k时刻融合方法的状态向量及误差协方差的预测；F为状态转移矩阵；Qk为过程噪声的协方差矩阵。
8.如权利要求7所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S3.4中，量测信息的量测方程为：
Yk＝HXk+Vk
式中：
为量测噪声；
为单目视觉ORB-SLAM解算的输出坐标，
为UWB解算出的平面坐标。
9.如权利要求1所述的轨道交通车辆车底除尘的多算法融合定位方法，其特征在于：
步骤S3.5中，量测更新包括计算卡尔曼增益Kk、第k时刻的状态向量
及误差协方差Pk，量测更新方程为：
式中：I为单位矩阵；Rk为观测噪声协方差矩阵。
10.一种轨道交通车辆车底除尘的吹扫方法，其特征在于，包括如下步骤：
S1、采用如权利要求1-9任一项所述的轨道交通车辆车底除尘的多算法融合定位方法，先对除尘小车精确定位；
S2、根据定位信息与已知轨道车辆底部的三维轮廓信息，确定除尘小车搭载机械臂的无干涉运动空间，满足车辆限界要求条件下，规划机械臂运动轨迹；
S3、根据已有除尘报告确定难以清洁的集尘区域和结构死角，建立专家库，规划为机械臂搭载多功能喷嘴的重点除尘区域，利用机械臂运动规划调整喷嘴喷吹角度，定点除尘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110204195.1A CN113916214A (zh) | 2021-02-24 | 2021-02-24 | 轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110204195.1A CN113916214A (zh) | 2021-02-24 | 2021-02-24 | 轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113916214A true CN113916214A (zh) | 2022-01-11 |
Family
ID=79232569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110204195.1A Pending CN113916214A (zh) | 2021-02-24 | 2021-02-24 | 轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113916214A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114347064A (zh) * | 2022-01-31 | 2022-04-15 | 深圳市云鼠科技开发有限公司 | 基于光流的机器人碰撞检测方法、装置、计算机设备及存储介质 |
| CN117459898A (zh) * | 2023-12-22 | 2024-01-26 | 浙江深寻科技有限公司 | 一种应急定位通信方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103213568A (zh) * | 2013-05-13 | 2013-07-24 | 重庆大学 | 地铁车辆底部移动式除尘系统及其方法 |
| CN103235513A (zh) * | 2013-04-24 | 2013-08-07 | 武汉科技大学 | 一种基于遗传算法的移动机械臂轨迹规划优化方法 |
| CN105964622A (zh) * | 2016-06-18 | 2016-09-28 | 苏州英哲铁路机车配件有限公司 | 全自动屏柜电机零件吹扫设备 |
| CN106759056A (zh) * | 2016-11-30 | 2017-05-31 | 湖北工业大学 | 一种超高速有轨机车的轨道在线实时清洗系统与清洗方法 |
| CN207916798U (zh) * | 2018-01-30 | 2018-09-28 | 北京铁道工程机电技术研究所股份有限公司 | 一种清洗装置 |
| CN109733333A (zh) * | 2019-02-20 | 2019-05-10 | 中铁第四勘察设计院集团有限公司 | 一种轨道交通车辆立体全方位智能吹扫系统及方法 |
| CN109733335A (zh) * | 2019-02-28 | 2019-05-10 | 中铁第四勘察设计院集团有限公司 | 基于电磁导引具有超声清洗功能的智能吹扫系统及方法 |
| CN110126788A (zh) * | 2019-06-26 | 2019-08-16 | 白东才 | 一种新型洗车装置 |
| CN110216690A (zh) * | 2019-05-31 | 2019-09-10 | 广州大学 | 一种洗车机器人 |
| US20190291275A1 (en) * | 2018-03-21 | 2019-09-26 | The Boeing Company | Robotic system and method for operating on a workpiece |
| WO2020010598A1 (zh) * | 2018-07-13 | 2020-01-16 | 北京加隆工程机械有限公司 | 一种智能道路养护装置 |
| CN111348003A (zh) * | 2018-12-24 | 2020-06-30 | 上海昭宏航空技术有限公司 | 一种agv式智能清洁小车 |
| CN111791836A (zh) * | 2020-07-17 | 2020-10-20 | 焦瑞敏 | 一种翻车机智能清车底装置及其清扫方法 |
-
2021
- 2021-02-24 CN CN202110204195.1A patent/CN113916214A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103235513A (zh) * | 2013-04-24 | 2013-08-07 | 武汉科技大学 | 一种基于遗传算法的移动机械臂轨迹规划优化方法 |
| CN103213568A (zh) * | 2013-05-13 | 2013-07-24 | 重庆大学 | 地铁车辆底部移动式除尘系统及其方法 |
| CN105964622A (zh) * | 2016-06-18 | 2016-09-28 | 苏州英哲铁路机车配件有限公司 | 全自动屏柜电机零件吹扫设备 |
| CN106759056A (zh) * | 2016-11-30 | 2017-05-31 | 湖北工业大学 | 一种超高速有轨机车的轨道在线实时清洗系统与清洗方法 |
| CN207916798U (zh) * | 2018-01-30 | 2018-09-28 | 北京铁道工程机电技术研究所股份有限公司 | 一种清洗装置 |
| US20190291275A1 (en) * | 2018-03-21 | 2019-09-26 | The Boeing Company | Robotic system and method for operating on a workpiece |
| WO2020010598A1 (zh) * | 2018-07-13 | 2020-01-16 | 北京加隆工程机械有限公司 | 一种智能道路养护装置 |
| CN111348003A (zh) * | 2018-12-24 | 2020-06-30 | 上海昭宏航空技术有限公司 | 一种agv式智能清洁小车 |
| CN109733333A (zh) * | 2019-02-20 | 2019-05-10 | 中铁第四勘察设计院集团有限公司 | 一种轨道交通车辆立体全方位智能吹扫系统及方法 |
| CN109733335A (zh) * | 2019-02-28 | 2019-05-10 | 中铁第四勘察设计院集团有限公司 | 基于电磁导引具有超声清洗功能的智能吹扫系统及方法 |
| CN110216690A (zh) * | 2019-05-31 | 2019-09-10 | 广州大学 | 一种洗车机器人 |
| CN110126788A (zh) * | 2019-06-26 | 2019-08-16 | 白东才 | 一种新型洗车装置 |
| CN111791836A (zh) * | 2020-07-17 | 2020-10-20 | 焦瑞敏 | 一种翻车机智能清车底装置及其清扫方法 |
Non-Patent Citations (5)
| Title |
|---|
| 乔智等: "一种单目视觉/UWB组合的室内定位方法", 导航定位学报, vol. 6, no. 4, pages 29 - 34 * |
| 刘伊威 等: "乒乓球机器人手臂及其击球策略", 哈尔滨工业大学学报, vol. 45, no. 03, 31 March 2013 (2013-03-31), pages 33 - 38 * |
| 史时喜 等: "机器人技术在地铁车辆检修作业中的应用探讨", 现代城市轨道交通, no. 08, pages 105 - 108 * |
| 张奇志等: "机器人学简明教程", 30 April 2013, 西安电子科技大学出版社, pages: 5 - 6 * |
| 李公法等: "机器人灵巧手的人机交互技术及其稳定控制", 31 July 2020, 华中科技大学出版社, pages: 251 - 252 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114347064A (zh) * | 2022-01-31 | 2022-04-15 | 深圳市云鼠科技开发有限公司 | 基于光流的机器人碰撞检测方法、装置、计算机设备及存储介质 |
| CN114347064B (zh) * | 2022-01-31 | 2022-09-20 | 深圳市云鼠科技开发有限公司 | 基于光流的机器人碰撞检测方法、装置、计算机设备及存储介质 |
| CN117459898A (zh) * | 2023-12-22 | 2024-01-26 | 浙江深寻科技有限公司 | 一种应急定位通信方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113902799A (zh) | 一种基于机器视觉的智能机器人除尘系统与方法 | |
| CN109079842B (zh) | 自动化设备的范围延伸臂的工具承载端部的稳定化 | |
| CN109901625B (zh) | 一种桥梁巡检系统 | |
| US10625427B2 (en) | Method for controlling location of end effector of robot using location alignment feedback | |
| CN106680290B (zh) | 狭窄空间的多功能检测车 | |
| CN109885097B (zh) | 一种桥梁外沿面巡检航线规划方法 | |
| CN113916214A (zh) | 轨道交通车辆车底除尘的多算法融合定位方法及吹扫方法 | |
| Thomson et al. | Mobile laser scanning for indoor modelling | |
| CN107389686B (zh) | 一种针对机车底部的检测机器人系统及其检测方法 | |
| JP4980606B2 (ja) | 移動型自動監視装置 | |
| CN111633660A (zh) | 一种智能巡检机器人 | |
| CN109885098B (zh) | 一种桥梁边栏巡检航线规划方法 | |
| CN109356614B (zh) | 隧道喷射机控制设备、方法及隧道喷射机 | |
| CN210090988U (zh) | 一种无人机巡检系统 | |
| CN109901623B (zh) | 桥梁墩身巡检航线规划方法 | |
| WO2023178713A1 (zh) | 预制构件拼装面智能扫描和误差自动标识系统及方法 | |
| CN114434036B (zh) | 用于大型船舶结构件龙门式机器人焊接的三维视觉系统及运行方法 | |
| CN214202459U (zh) | 一种基于机器视觉的智能机器人除尘系统 | |
| CN113436366B (zh) | 一种轨道交通车辆底部和侧边同步协同巡检方法 | |
| CN113885504A (zh) | 一种列检机器人自主巡检方法、系统及存储介质 | |
| CN210879689U (zh) | 一种适用于地铁车辆列检工作的智能机器人 | |
| US20230372968A1 (en) | System for autonomously applying paint to a target surface | |
| CN110696016A (zh) | 一种适用于地铁车辆列检工作的智能机器人 | |
| CN114942421A (zh) | 一种全向扫描的多线激光雷达自主定位装置及方法 | |
| US20240152147A1 (en) | Ground surface multi-modal inspection robot |
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 |