CN114973443B - 一种基于巡检机器人的复杂气体环境巡检系统及其方法 - Google Patents

一种基于巡检机器人的复杂气体环境巡检系统及其方法 Download PDF

Info

Publication number
CN114973443B
CN114973443B CN202210547338.3A CN202210547338A CN114973443B CN 114973443 B CN114973443 B CN 114973443B CN 202210547338 A CN202210547338 A CN 202210547338A CN 114973443 B CN114973443 B CN 114973443B
Authority
CN
China
Prior art keywords
inspection
gas
module
path planning
robot
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
CN202210547338.3A
Other languages
English (en)
Other versions
CN114973443A (zh
Inventor
李鹏
裘江
朱东昱
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.)
Ob Telecom Electronics Co ltd
Original Assignee
Ob Telecom Electronics Co ltd
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 Ob Telecom Electronics Co ltd filed Critical Ob Telecom Electronics Co ltd
Priority to CN202210547338.3A priority Critical patent/CN114973443B/zh
Publication of CN114973443A publication Critical patent/CN114973443A/zh
Application granted granted Critical
Publication of CN114973443B publication Critical patent/CN114973443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/14—Toxic gas alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明属于巡检机器人技术领域，公开了一种基于巡检机器人的复杂气体环境巡检系统及其方法，所述的方法包括如下步骤：建立多目标路径规划模型和单目标路径规划模型；建立栅格地图；获取巡检任务信息；若当前巡检机器人电量不足，则将充电桩位置作为优先的巡检目的地加入巡检任务信息；若巡检任务信息中只有一个巡检目的地，则基于栅格地图和单目标路径规划模型进行路径规划；若巡检任务信息中有不止一个巡检目的地，则基于栅格地图和多目标路径规划模型进行路径规划；当前巡检机器人根据最优单/多目标路径进行巡检，并实时采集环境气体数据和巡检视频数据。本发明解决了现有技术存在的人工巡检的人力成本投入大、安全性低的问题。

Description

一种基于巡检机器人的复杂气体环境巡检系统及其方法
技术领域
本发明属于巡检机器人技术领域，具体涉及一种基于巡检机器人的复杂气体环境巡检系统及其方法。
背景技术
随着现代工业的发展，各种电气设备和施工装置被运用与各种工程中，为了保证电气设备的正常运行，需要对施工现场或发电厂等环境进行巡检和维护，但是在这种复杂环境下存在多种对人体有害的气体，传统技术中，往往采用人工巡检的方式，这种方式安全性低，毒性较大或浓度过高的气体会严重损害工作人员的身体健康，毒性较小的气体也不能长期接触，导致巡检任务的人力成本投入大。
发明内容
为了解决现有技术存在的人工巡检的人力成本投入大、安全性低的问题，本发明目的在于提供一种基于巡检机器人的复杂气体环境巡检系统及其方法。
本发明所采用的技术方案为：
一种基于巡检机器人的复杂气体环境巡检系统，包括巡检机器人、边缘计算网关以及监控中心，边缘计算网关分别与巡检机器人和监控中心通信连接，且边缘计算网关设置于复杂气体环境的上方，巡检机器人设置有气体检测单元和巡检视频采集单元。
进一步地，巡检机器人包括本体、移动单元、巡检视频采集单元、气体检测单元、运行检测单元、机器人主控单元以及可充电电池，移动单元、巡检视频采集单元以及气体检测单元均设置于本体的外部，运行检测单元、机器人主控单元以及可充电电池均设置于本体的内部，机器人主控单元分别与移动单元、巡检视频采集单元、气体检测单元、运行检测单元以及可充电电池电性连接，且机器人主控单元与边缘计算网关通信连接；
气体检测单元包括均设置于本体外部的阵列设置的气体传感器模块、光电式气体检测模块以及气体检测A/D转换器，气体检测A/D转换器分别与机器人主控单元、气体传感器模块以及光电式气体检测模块电性连接；
气体传感器模块包括阵列设置于本体外部的若干气体传感器；
光电式气体检测模块包括第一光源、与第一光源的光线波长相匹配的第一光电探测器、第二光源以及与第二光源的光线波长相匹配的第二光电探测器，第一光源和第二光源均与机器人主控模块电性连接，第一光电探测器和第二光电探测器均与气体检测A/D转换器电性连接。
进一步地，边缘计算网关包括全局摄像头、边缘计算单元和网络单元，边缘计算单元分别与全局摄像头和网络单元电性连接，网络单元分别与巡检机器人的无线通信模块和监控中心通信连接。
进一步地，边缘计算单元包括边缘计算主控模块、第二存储模块、图像预处理模块、物体动态识别模块、路径规划模块以及加密模块，边缘计算主控模块分别与第二存储模块、图像预处理模块、物体动态识别模块、路径规划模块、加密模块以及网络单元连接，物体动态识别模块设置有物体动态识别模型，路径规划模块设置有多目标路径规划模型和单目标路径规划模型。
一种基于巡检机器人的复杂气体环境巡检方法，基于复杂气体环境巡检系统，包括如下步骤：
建立多目标路径规划模型和单目标路径规划模型；
获取当前复杂气体环境的地图数据，并根据地图数据建立栅格地图；
获取巡检任务信息，并匹配对应的巡检机器人；
若当前巡检机器人电量不足，则将充电桩位置作为优先的巡检目的地加入巡检任务信息；
若巡检任务信息中只有一个巡检目的地，则基于栅格地图，将巡检机器人的初始位置和单个巡检目的地位置输入单目标路径规划模型进行路径规划，得到最优单目标路径；
若巡检任务信息中有不止一个巡检目的地，则基于栅格地图，将巡检机器人的初始位置和若干巡检目的地位置输入多目标路径规划模型进行路径规划，得到最优多目标路径；
当前巡检机器人根据最优单/多目标路径进行巡检，并实时采集环境气体数据和巡检视频数据。
进一步地，根据地图数据建立栅格地图，包括如下步骤：
导入地图数据并进行预处理，得到预处理后地图数据；
将预处理后地图数据进行栅格划分，得到初始的栅格地图；
根据地图数据中障碍物信息对初始的栅格地图中障碍物所在栅格进行膨化处理，得到膨化处理后栅格地图。
进一步地，采用改进AStar算法建立单目标路径规划模型，改进AStar算法设置有斥力碰撞惩罚机制。
进一步地，将多目标路径规划任务作为旅行商问题，并采用改进灰狼寻优算法建立多目标路径规划模型。
进一步地，根据实时采集的环境气体数据进行有害气体范围检测，包括如下步骤：
将光电式气体检测模块采集的第一环境气体数据作为基准值；
将数量超过1/3的气体传感器采集的第二环境气体数据增加的位置作为气体第一边界点；
将数量超过2/3的气体传感器采集的第二环境气体数据到达基准值的位置作为气体范围中心点；
将数量超过2/3的气体传感器采集的第二环境气体数据减少的位置作为气体第二边界点；
根据气体第一边界点、气体范围中心点以及气体第二边界点得到有害气体范围。
进一步地，根据实时采集的巡检视频数据进行动态路径更新，包括如下步骤：
对巡检视频数据进行物体动态识别；
若巡检过程中识别到新的障碍物，则采集新的障碍物的全局图像；
根据新的障碍物的全局图像更新栅格地图；
根据更新后的栅格地图重新进行路径规划，得到动态更新后路径。
本发明的有益效果为：
1)本发明提供的基于巡检机器人的复杂气体环境巡检系统，采用监控中心远程控制巡检机器人进行巡检，避免了人工方式，提高了复杂气体环境巡检任务的安全性和系统实用性，减小了人力成本投入，边缘计算网关能够在网络较差的环境下控制巡检机器人并传输数据，提高了对环境的适应性，气体检测单元采集复杂气体环境中的环境气体数据，用于分析有害气体的浓度和分布，为需要人工处理的任务提供预警，同时巡检视频采集单元检测新的障碍物，进行动态路线规划。
2)本发明提供的基于巡检机器人的复杂气体环境巡检方法，针对不同的巡检目的地使用单/多目标路径规划模型，提高了巡检机器人路径规划的效率、准确性，避免了时间成本和能源的浪费，同时将巡检机器人充电任务计算入路径规划，避免了单独的充电任务。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中基于巡检机器人的复杂气体环境巡检系统的结构框图。
图2是本发明中基于巡检机器人的复杂气体环境巡检方法的流程图。
图3是初始的栅格地图。
图4是膨化处理后栅格地图。
图5是最优单目标路径图。
图6是初始多目标路径图。
图7是显示有害气体范围的最优多目标路径图。
图8是动态更新后路径图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1：
如图1所示，本实施例提供一种基于巡检机器人的复杂气体环境巡检系统，包括巡检机器人、边缘计算网关以及监控中心，边缘计算网关分别与巡检机器人和监控中心通信连接，且边缘计算网关设置于复杂气体环境的上方，巡检机器人设置有气体检测单元和巡检视频采集单元。
作为优选，巡检机器人包括本体、移动单元、巡检视频采集单元、气体检测单元、运行检测单元、机器人主控单元以及可充电电池，移动单元、巡检视频采集单元以及气体检测单元均设置于本体的外部，运行检测单元、机器人主控单元以及可充电电池均设置于本体的内部，机器人主控单元分别与移动单元、巡检视频采集单元、气体检测单元、运行检测单元以及可充电电池电性连接，且机器人主控单元与边缘计算网关通信连接；
机器人主控单元包括均设置于本体内部的机器人主控模块、第一存储模块、电机驱动模块以及无线通信模块，机器人主控模块分别与第一存储模块、电机驱动模块以及无线通信模块电性连接，电机驱动模块与移动单元电性连接，无线通信模块与边缘计算网关通信连接；
巡检视频采集单元包括均匀设置在本体外部的运动摄像头；
可充电电池设置有充电槽，充电槽设置于本体的外部，且充电槽与外部的充电桩的充电插头相互配合；
移动单元包括均设置于本体外侧底部的移动电机和移动组件，移动电机与移动组件轴承连接，且移动电机分别与电机驱动模块和可充电电池电性连接；
气体检测单元包括均设置于本体外部的阵列设置的气体传感器模块、光电式气体检测模块以及气体检测A/D转换器，气体检测A/D转换器分别与机器人主控单元、气体传感器模块以及光电式气体检测模块电性连接；
气体传感器模块包括阵列设置于本体外部的若干气体传感器；由于单个的气体传感器不能准确的检测气体浓度变化和具体气体范围，本实施例中采用阵列设置于本体外部的若干气体传感器，当刚刚进入有害气体的分布范围时，部分气体传感器的检测数值开始变化，当完全进入有害气体的分布范围且接近中心位置时，大部分气体传感器的检测数值变化剧烈，当开始远离有害气体的分布范围时，气体传感器的检测数值开始减少，能够准确的体现处气体浓度变化的趋势，用于检测气体分布范围，这是现有的气体传感器无法实现的；
光电式气体检测模块包括第一光源、与第一光源的光线波长相匹配的第一光电探测器、第二光源以及与第二光源的光线波长相匹配的第二光电探测器，第一光源和第二光源均与机器人主控模块电性连接，第一光电探测器和第二光电探测器均与气体检测A/D转换器电性连接；通过调节第一光源和第二光源的光线波长，匹配对应的有害气体浓度的吸收光谱，根据采集的第一光线信号和第二光线信号采用差分吸收光谱技术获取有害气体浓度，比起气体传感器，光电式气体检测模块的检测效率高、准确性高；
运行检测单元包括均设置于本体内部的温度传感器、湿度传感器、电量传感器、速度传感器、角度传感器、振动传感器、位置传感器以及运行检测A/D转换器，运行检测A/D转换器分别与机器人主控模块、温度传感器、湿度传感器、电量传感器、速度传感器、角度传感器、振动传感器以及位置传感器电性连接，温度传感器以及湿度传感器均设置于可充电电池处，电量传感器与可充电电池的输出端电性连接。
作为优选，边缘计算网关包括全局摄像头、边缘计算单元和网络单元，边缘计算单元分别与全局摄像头和网络单元电性连接，网络单元分别与巡检机器人的无线通信模块和监控中心通信连接；
边缘计算单元包括边缘计算主控模块、第二存储模块、图像预处理模块、物体动态识别模块、路径规划模块以及加密模块，边缘计算主控模块分别与第二存储模块、图像预处理模块、物体动态识别模块、路径规划模块、加密模块以及网络单元连接，物体动态识别模块设置有物体动态识别模型，路径规划模块设置有多目标路径规划模型和单目标路径规划模型；将物体动态识别、路径规划等计算下放至边缘计算单元进行处理，减轻了监控中心的数据处理压力，监控中心广播公钥至所有的边缘计算单元，本地保持对应的私钥，加密模块根据公钥对巡检机器人采集的数据等进行进行加密上传，并在监控中心使用私钥对加密后的数据进行解密，保证了数据传输的安全性，采用轻量化的PP-YOLO-Tiny算法建立物体动态识别模型，将巡检视频采集单元采集的巡检视频数据输入物体动态识别模型进行物体动态识别，能够准确的分辨出巡检路径上的故障物或电气设备；
作为优选，监控中心设置有数据服务器，数据服务器与边缘计算网关通信连接，数据服务器通信连接有外部的云数据中心；
数据服务器包括依次连接的数据并行接收模块、解密模块、缓存数据库模块以及数据并行上传模块，数据并行上传模块通信连接有外部的云数据中心。
本发明提供的基于巡检机器人的复杂气体环境巡检系统，采用监控中心远程控制巡检机器人进行巡检，避免了人工方式，提高了复杂气体环境巡检任务的安全性和系统实用性，减小了人力成本投入，边缘计算网关能够在网络较差的环境下控制巡检机器人并传输数据，提高了对环境的适应性，气体检测单元采集复杂气体环境中的环境气体数据，用于分析有害气体的浓度和分布，为需要人工处理的任务提供预警，同时巡检视频采集单元检测新的障碍物，进行动态路线规划。
实施例2：
如图2所示，本实施例提供一种基于巡检机器人的复杂气体环境巡检方法，基于复杂气体环境巡检系统，包括如下步骤：
建立多目标路径规划模型和单目标路径规划模型；
获取当前复杂气体环境的地图数据，并根据地图数据建立栅格地图；
获取巡检任务信息，并匹配对应的巡检机器人；
若当前巡检机器人电量不足，则将充电桩位置作为优先的巡检目的地加入巡检任务信息；保证了巡检机器人的电量充足，防止巡检过程中由于停电导致需要巡检人员对巡检机器人进行维修；
若巡检任务信息中只有一个巡检目的地，则基于栅格地图，将巡检机器人的初始位置和单个巡检目的地位置输入单目标路径规划模型进行路径规划，如图5所示，得到最优单目标路径；
若巡检任务信息中有不止一个巡检目的地，则基于栅格地图，将巡检机器人的初始位置和若干巡检目的地位置输入多目标路径规划模型进行路径规划，得到最优多目标路径；
当前巡检机器人根据最优单/多目标路径进行巡检，并实时采集环境气体数据和巡检视频数据。
作为优选，根据地图数据建立栅格地图，包括如下步骤：
导入地图数据并进行预处理，得到预处理后地图数据；
将预处理后地图数据进行栅格划分，如图3所示，得到初始的栅格地图；
根据地图数据中障碍物信息对初始的栅格地图中障碍物所在栅格进行膨化处理，如图4所示，得到膨化处理后栅格地图；
由于障碍物的外形通常很难为规整的形状，通常障碍物的形状不可能正好完全填满一个栅格，很多情况下只占据栅格中不规则的一部分，因此，在栅格地图完成后，需要对这类障碍物只占据栅格中一部分的栅格进行处理，这样的处理过程通常被称为栅格的膨化处理，直接假定这类障碍物只占据栅格中一部分的栅格，其一整个栅格整体都为障碍物，同时，也将最外面一层栅格的外边缘视为栅格环境的外边界，经过这样的膨化处理，能方便计算，同时也能保障巡检机器人在栅格地图中行走的安全性。
作为优选，采用改进AStar算法建立单目标路径规划模型，改进AStar算法设置有斥力碰撞惩罚机制，改进AStar算法的目标函数为：
F(x,y)＝G(x,y)+H(x,y)+r(o)
式中，F(x,y)为改进AStar算法的目标函数；G(x,y)为巡检机器人的初始位置到当前节点的实际累积代价值；H(x,y)为启发式函数值；r(o)为斥力碰撞惩罚函数；(x,y)为栅格地图的坐标；
引入惩罚机制，对巡检机器人行进路径进行优化，当移动机器人中心坐标至障碍物中心坐标的欧式距离小于障碍物作用范围时，此时产生斥力惩罚，避免巡检机器人与障碍物发生碰撞，保证巡检机器人的安全，斥力碰撞惩罚函数的公式为：
式中，b为斥力增益；Lmin为巡检机器人到障碍物的距离；d为巡检机器人的旋转最大半径。
作为优选，将多目标路径规划任务作为旅行商问题，将巡检机器人的初始位置和若干巡检目的地位置看作旅行商要路过的城市，如何在每个城市只路过一次且最终回到初始位置的前提下使通过路径最短则为最优路径；
并采用改进灰狼寻优算法建立多目标路径规划模型，改进灰狼寻优算法的公式为：
式中，X(t+1)为第t+1次迭代模型输出的最优解，即最优多目标路径；Xi(t+1)、Xi(t)为最优领导者狼α，β和δ第t+1、t次迭代的位置，其中，i＝α,β,δ为指示量；Di为第i只灰狼的移动距离；A为收敛影响系数向量；r为为[0,1]之间的随机数；a为非线性收敛因子；tanh(*)为双曲正切函数；t、T分别为当前迭代次数和迭代总次数；amax、amin分别为收敛因子的最大值和最小值；λ、k均为调节参数；由于非线性收敛因子的设置，使改进灰狼寻优算法的收敛速度加快，并且能够跳出局部最优值，提高了路径规划的效率和准确性；
将最优多目标路径作为改进灰狼寻优算法的优化目标，根据每个解的适应值作为判断标准，采用混沌序列初始化灰狼种群，如图6所示，随机赋予到每个巡检目的地位置的初始路径作为初始解X0；进行迭代，计算迭代解Xt的适应值；若迭代次数到达阈值或适应值满足期望值，输出最优解Xbest，即最优多目标路径，如图7所示。
作为优选，根据实时采集的环境气体数据进行有害气体范围检测，包括如下步骤：
将光电式气体检测模块采集的第一环境气体数据作为基准值；
将数量超过1/3的气体传感器采集的第二环境气体数据增加的位置作为气体第一边界点；进入有害气体的气体范围时，第二环境气体数据发生变化，但是由于每个气体传感器的设置位置不同、周围气体浓度不同，选择数量超过1/3的气体传感器发生变化时作为气体第一边界点，只采用一个气体传感器只能在采样周期达到时检测到第二环境气体数据发生变化，对气体变化灵敏度低；
将数量超过2/3的气体传感器采集的第二环境气体数据到达基准值的位置作为气体范围中心点；
将数量超过2/3的气体传感器采集的第二环境气体数据减少的位置作为气体第二边界点；
根据气体第一边界点、气体范围中心点以及气体第二边界点得到有害气体范围，如图7所示。
作为优选，根据实时采集的巡检视频数据进行动态路径更新，包括如下步骤：
对巡检视频数据进行物体动态识别；
若巡检过程中识别到新的障碍物，则使用全局摄像头采集新的障碍物的全局图像；
根据新的障碍物的全局图像更新栅格地图；
根据更新后的栅格地图重新进行路径规划，得到动态更新后路径，如图8所示。
本发明提供的基于巡检机器人的复杂气体环境巡检方法，针对不同的巡检目的地使用单/多目标路径规划模型，提高了巡检机器人路径规划的效率、准确性，避免了时间成本和能源的浪费，同时将巡检机器人充电任务计算入路径规划，避免了单独的充电任务。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (6)

1.一种基于巡检机器人的复杂气体环境巡检方法，其特征在于：包括如下步骤：
建立多目标路径规划模型和单目标路径规划模型；
获取当前复杂气体环境的地图数据，并根据地图数据建立栅格地图；
获取巡检任务信息，并匹配对应的巡检机器人；
若当前巡检机器人电量不足，则将充电桩位置作为优先的巡检目的地加入巡检任务信息；
若巡检任务信息中只有一个巡检目的地，则基于栅格地图，将巡检机器人的初始位置和单个巡检目的地位置输入单目标路径规划模型进行路径规划，得到最优单目标路径；
若巡检任务信息中有不止一个巡检目的地，则基于栅格地图，将巡检机器人的初始位置和若干巡检目的地位置输入多目标路径规划模型进行路径规划，得到最优多目标路径；
当前巡检机器人根据最优单/多目标路径进行巡检，并实时采集环境气体数据和巡检视频数据；
根据实时采集的环境气体数据进行有害气体范围检测，包括如下步骤：
将光电式气体检测模块采集的第一环境气体数据作为基准值；
将数量超过1/3的气体传感器采集的第二环境气体数据增加的位置作为气体第一边界点；
将数量超过2/3的气体传感器采集的第二环境气体数据到达基准值的位置作为气体范围中心点；
将数量超过2/3的气体传感器采集的第二环境气体数据减少的位置作为气体第二边界点；
根据气体第一边界点、气体范围中心点以及气体第二边界点得到有害气体范围；
根据实时采集的巡检视频数据进行动态路径更新，包括如下步骤：
对巡检视频数据进行物体动态识别；
若巡检过程中识别到新的障碍物，则采集新的障碍物的全局图像；
根据新的障碍物的全局图像更新栅格地图；
根据更新后的栅格地图重新进行路径规划，得到动态更新后路径。
2.根据权利要求1所述的基于巡检机器人的复杂气体环境巡检方法，其特征在于：根据地图数据建立栅格地图，包括如下步骤：
导入地图数据并进行预处理，得到预处理后地图数据；
将预处理后地图数据进行栅格划分，得到初始的栅格地图；
根据地图数据中障碍物信息对初始的栅格地图中障碍物所在栅格进行膨化处理，得到膨化处理后栅格地图。
3.根据权利要求2所述的基于巡检机器人的复杂气体环境巡检方法，其特征在于：采用改进AStar算法建立单目标路径规划模型，所述的改进AStar算法设置有斥力碰撞惩罚机制。
4.根据权利要求3所述的基于巡检机器人的复杂气体环境巡检方法，其特征在于：将多目标路径规划任务作为旅行商问题，并采用改进灰狼寻优算法建立多目标路径规划模型。
5.一种基于巡检机器人的复杂气体环境巡检系统，用于实现如权利要求4所述的复杂气体环境巡检方法，其特征在于：所述的系统包括巡检机器人、边缘计算网关以及监控中心，所述的边缘计算网关分别与巡检机器人和监控中心通信连接，且边缘计算网关设置于复杂气体环境的上方，所述的巡检机器人设置有气体检测单元和巡检视频采集单元；
所述的边缘计算网关包括全局摄像头、边缘计算单元以及网络单元，所述的边缘计算单元分别与全局摄像头和网络单元电性连接，所述的网络单元分别与巡检机器人和监控中心通信连接；
所述的边缘计算单元包括边缘计算主控模块、第二存储模块、图像预处理模块、物体动态识别模块、路径规划模块以及加密模块，所述的边缘计算主控模块分别与第二存储模块、图像预处理模块、物体动态识别模块、路径规划模块、加密模块以及网络单元连接，所述的物体动态识别模块设置有物体动态识别模型，采用PP-YOLO-Tiny算法建立物体动态识别模型，所述的路径规划模块设置有多目标路径规划模型和单目标路径规划模型；
监控中心广播公钥至所有的边缘计算单元，本地保持对应的私钥，加密模块根据公钥对巡检机器人采集的数据等进行进行加密上传，并在监控中心使用私钥对加密后的数据进行解密。
6.根据权利要求5所述的基于巡检机器人的复杂气体环境巡检系统，其特征在于：所述的巡检机器人包括本体、移动单元、巡检视频采集单元、气体检测单元、运行检测单元、机器人主控单元以及可充电电池，所述的移动单元、巡检视频采集单元以及气体检测单元均设置于本体的外部，所述的运行检测单元、机器人主控单元以及可充电电池均设置于本体的内部，机器人主控单元分别与移动单元、巡检视频采集单元、气体检测单元、运行检测单元以及可充电电池电性连接，且机器人主控单元与边缘计算网关通信连接；
所述的气体检测单元包括均设置于本体外部的阵列设置的气体传感器模块、光电式气体检测模块以及气体检测A/D转换器，所述的气体检测A/D转换器分别与机器人主控单元、气体传感器模块以及光电式气体检测模块电性连接；
所述的气体传感器模块包括阵列设置于本体外部的若干气体传感器。
CN202210547338.3A 2022-05-19 2022-05-19 一种基于巡检机器人的复杂气体环境巡检系统及其方法 Active CN114973443B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210547338.3A CN114973443B (zh) 2022-05-19 2022-05-19 一种基于巡检机器人的复杂气体环境巡检系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210547338.3A CN114973443B (zh) 2022-05-19 2022-05-19 一种基于巡检机器人的复杂气体环境巡检系统及其方法

Publications (2)

Publication Number Publication Date
CN114973443A CN114973443A (zh) 2022-08-30
CN114973443B true CN114973443B (zh) 2024-04-12

Family

ID=82986018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210547338.3A Active CN114973443B (zh) 2022-05-19 2022-05-19 一种基于巡检机器人的复杂气体环境巡检系统及其方法

Country Status (1)

Country Link
CN (1) CN114973443B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125995B (zh) * 2023-04-04 2023-07-28 华东交通大学 一种高铁巡检机器人的路径规划方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07120344A (ja) * 1993-10-27 1995-05-12 Chiyoda Corp ガス漏洩領域及び漏洩量の推定方法
CN104320822A (zh) * 2014-10-27 2015-01-28 广东石油化工学院 工业厂区有毒气体边界区域定位方法
CN104931202A (zh) * 2015-06-03 2015-09-23 广东石油化工学院 气体泄漏的内边界定位算法
CN105554835A (zh) * 2015-12-09 2016-05-04 河海大学常州校区 无线传感器网络中基于虚拟节点游走的有毒气体追踪方法
CN207601559U (zh) * 2017-11-06 2018-07-10 汉威科技集团股份有限公司 远程气体检漏监控系统
CN109657808A (zh) * 2018-11-19 2019-04-19 华能桐乡燃机热电有限责任公司 一种热电厂锅炉群巡检方法
CN111457927A (zh) * 2020-04-26 2020-07-28 北京工商大学 动态障碍物下的无人巡航船多目标路径规划方法
CN111915069A (zh) * 2020-07-17 2020-11-10 天津理工大学 一种基于深度学习的轻量级有毒有害气体分布的检测方法
CN112033413A (zh) * 2020-09-07 2020-12-04 北京信息科技大学 一种结合环境信息的改进a*算法
CN112454353A (zh) * 2020-05-08 2021-03-09 北京理工大学 一种危险气体泄露检测巡检机器人及巡检方法
CN113467472A (zh) * 2021-07-27 2021-10-01 山东科技大学 一种复杂环境下的机器人路径规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07120344A (ja) * 1993-10-27 1995-05-12 Chiyoda Corp ガス漏洩領域及び漏洩量の推定方法
CN104320822A (zh) * 2014-10-27 2015-01-28 广东石油化工学院 工业厂区有毒气体边界区域定位方法
CN104931202A (zh) * 2015-06-03 2015-09-23 广东石油化工学院 气体泄漏的内边界定位算法
CN105554835A (zh) * 2015-12-09 2016-05-04 河海大学常州校区 无线传感器网络中基于虚拟节点游走的有毒气体追踪方法
CN207601559U (zh) * 2017-11-06 2018-07-10 汉威科技集团股份有限公司 远程气体检漏监控系统
CN109657808A (zh) * 2018-11-19 2019-04-19 华能桐乡燃机热电有限责任公司 一种热电厂锅炉群巡检方法
CN111457927A (zh) * 2020-04-26 2020-07-28 北京工商大学 动态障碍物下的无人巡航船多目标路径规划方法
CN112454353A (zh) * 2020-05-08 2021-03-09 北京理工大学 一种危险气体泄露检测巡检机器人及巡检方法
CN111915069A (zh) * 2020-07-17 2020-11-10 天津理工大学 一种基于深度学习的轻量级有毒有害气体分布的检测方法
CN112033413A (zh) * 2020-09-07 2020-12-04 北京信息科技大学 一种结合环境信息的改进a*算法
CN113467472A (zh) * 2021-07-27 2021-10-01 山东科技大学 一种复杂环境下的机器人路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
边界元法在填埋场气体运移数值模拟中的应用;陈家军 等;环境科学学报;第28卷(第10期);第2141-2147页 *

Also Published As

Publication number Publication date
CN114973443A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Chhikara et al. Federated learning and autonomous UAVs for hazardous zone detection and AQI prediction in IoT environment
Zamuda et al. Differential evolution and underwater glider path planning applied to the short-term opportunistic sampling of dynamic mesoscale ocean structures
CN114973443B (zh) 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN104181276A (zh) 一种基于无人机的企业碳排放量检测方法
Song et al. Intelligent optimization algorithm-based path planning for a mobile robot
CN101459915A (zh) 基于遗传算法的无线传感器网络节点覆盖优化方法
CN112734094B (zh) 一种智慧城市智轨车辆故障基因预测方法及系统
CN113075686B (zh) 一种基于多传感器融合的电缆沟智能巡检机器人建图方法
CN113516108B (zh) 基于数据识别的工地抑尘数据匹配处理方法
CN117319451B (zh) 基于多模态大数据的城市级消防物联网监管系统及其方法
CN114167898A (zh) 一种无人机收集数据的全局路径规划方法及系统
Bennetts et al. Probabilistic air flow modelling using turbulent and laminar characteristics for ground and aerial robots
Shi et al. Transmission tower tilt angle on-line prognosis by using solar-powered LoRa sensor node and sliding XGBoost predictor
Bai et al. Research of environmental modeling method of coal mine rescue snake robot based on information fusion
CN116754722A (zh) 一种基于无人机实现碳排放监测的方法及系统
Dharmadhikari et al. Hypergame-based adaptive behavior path planning for combined exploration and visual search
CN113923776B (zh) 一种屏蔽目标位置确认及无人机自适应干扰系统和方法
Bayrakdar Rule based collector station selection scheme for lossless data transmission in underground sensor networks
CN113887657A (zh) 一种基于GSA-Elman神经网络的电缆隧道告警系统及方法
Jia et al. Autonomous robot exploration based on hybrid environment model
Hou et al. Gas source declaration with tetrahedral sensing geometries and median value filtering extreme learning machine
Kumar On Maximising the Total Information Gain in a Vehicle Routing Problem
CN117388445B (zh) 一种大气环境监测系统
CN115507852B (zh) 一种基于区块链和强化注意力学习的多无人机路径规划方法
CN115081156B (zh) 自感知自决策自执行的矿井智能通风管控平台及管控方法

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