CN117054444A - 一种用于管线探测的方法及系统 - Google Patents

一种用于管线探测的方法及系统 Download PDF

Info

Publication number
CN117054444A
CN117054444A CN202311307779.7A CN202311307779A CN117054444A CN 117054444 A CN117054444 A CN 117054444A CN 202311307779 A CN202311307779 A CN 202311307779A CN 117054444 A CN117054444 A CN 117054444A
Authority
CN
China
Prior art keywords
pipeline
robot
positioning base
base station
obstacle
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.)
Granted
Application number
CN202311307779.7A
Other languages
English (en)
Other versions
CN117054444B (zh
Inventor
衣凤彬
刘天华
彭伟涛
江启双
魏生培
骆正三
许建文
高重阳
邓英强
黄永莹
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.)
Guangzhou Longbo Surveying And Mapping Technology Co ltd
Original Assignee
Guangzhou Longbo Surveying And Mapping Technology 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 Guangzhou Longbo Surveying And Mapping Technology Co ltd filed Critical Guangzhou Longbo Surveying And Mapping Technology Co ltd
Priority to CN202311307779.7A priority Critical patent/CN117054444B/zh
Publication of CN117054444A publication Critical patent/CN117054444A/zh
Application granted granted Critical
Publication of CN117054444B publication Critical patent/CN117054444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/954—Inspecting the inner surface of hollow bodies, e.g. bores
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
    • 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
    • G01S5/0258—Hybrid positioning by combining or switching between measurements derived from different systems
    • G01S5/02585—Hybrid positioning by combining or switching between measurements derived from different systems at least one of the measurements being a non-radio measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明适用于管线探测技术，提供了一种用于管线探测的方法，所述方法通过投放便携式定位基站，并在多个位置留下定位基站，可以提供高精度的管道定位信息。便携式定位基站的灵活性使得管道机器人可以适应不同类型和尺寸的管道。管道机器人搭载的传感器和定位机制，结合定位基站的信号接收，可以实现管道内的高效数据采集。利用避障数据模型和定位信息，管道机器人可以实现自主避障和路径规划。相比传统的人工管线探测方式，利用管道机器人投放定位基站能够大大提高工作效率并减少人力成本。机器人可以对较大管道进行快速、连续的探测，大大缩短探测周期，减少人工操作的时间和风险。

Description

一种用于管线探测的方法及系统
技术领域
本发明属于管线探测技术领域，尤其涉及一种用于管线探测的方法及系统。
背景技术
管线探测技术是指用于检测、定位和评估地下管线的一系列技术和方法。它主要用于确定地下管线的位置、深度、走向、类型、尺寸、状态和问题等信息。管线探测技术的主要目的是保障公共安全、维护基础设施和环境保护。它广泛应用于城市规划、建筑工程、道路施工、土地开发、管道维护等领域。
常用的管线探测方法包括：
地面探测：使用地面探测仪器，如地磁仪、电磁仪和雷达等，通过测量地下管道周围的物理参数变化来确定管道的位置和深度。
步进法：通过在地面上定点钻孔或挖掘小型试坑，检查地下是否存在管道，并确定其位置和状态。
压力测试：将管道封闭并施加一定的压力，观察管道是否存在漏水现象，从而确定管道的完整性和漏水点的位置。
摄像探测：通过将摄像设备或无人机放入管道中，实时观察并记录管道内部的情况，以便检测管道的状况和问题。
地理信息系统（GIS）：使用GIS技术，结合已知的管线数据和地理空间数据，进行地下管线的空间分析和模拟，以帮助确定管道的位置、走向和属性信息。
传统的管道探测方法通常依赖于人工操作，而人工避障在复杂的管道环境中存在一定困难，且传统管道探测方法对管道位置和障碍物的探测通常依赖于较低精度的传感器和测量工具。同时，机器人的避障行为通常是基于预先编程的规则，对于复杂环境中的变化和障碍物多样性，其自主决策能力有限，还需要投入大量的人力成本和较长的探测周期，效率低下。
发明内容
本发明实施例的目的在于提供一种用于管线探测的方法，旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的，一种用于管线探测的方法，所述方法包括：
建立数据模型，并对数据模型进行预先训练，并结合训练后的数据模型使管道机器人在行驶过程中遇到不同的障碍可以自主控制行驶方式；
根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站；
接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人；
根据管道机器人的行驶情况生成事件日志，并接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息。
作为本发明更进一步的方案，所述建立数据模型，并对数据模型进行预先训练，具体包括：
结合历史数据收集管道探测过程中所需的相关数据，包括但不限于管道的结构信息、障碍物的特征、管道机器人的运动数据，并对数据进行预处理；
结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，并将该行使方式与该障碍物特征标签相关联；
建立神经网络模型，将所收集的数据分为训练集和测试集，并通过训练集对神经网络模型进行持续训练，将输入数据和对应的行使方式送入神经网络模型中，采用反向传播算法持续优化模型参数。
作为本发明更进一步的方案，所述设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站，具体包括：
结合管道尺寸、管道定位精度需求以及管道类型和复杂程度，设定定位基站的放置间隔距离，并定义为预设距离；
结合预设距离和管道的总长度，计算得出所需放置的UWB定位基站的数量，并结合管道模型确定每一个UWB定位基站的放置位置。
作为本发明更进一步的方案，所述结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，具体包括：
检测障碍物的尺寸，并结合所收集的管道结构信息，判定管道机器人是否能够通过该障碍物；
若无法通过，则向管道机器人下达返程指令，并且起点终端报警，且在回程时收走全部的UWB定位基站；
若可以通过，则结合当前障碍的横向尺寸和纵向尺寸，向管道机器人下达绕过障碍物或跨过障碍物的指令。
作为本发明更进一步的方案，所述接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人，具体包括：
测定管道机器人的当前所处位置，并将该位置定义为零点，模拟出管道机器人的完整移动路径；
结合计算所得出的所需放置的UWB定位基站的数量和放置位置，在管道机器人移动时自动向管道内放置UWB定位基站；
通过管道机器人自带的红外摄像头采集管道内的当前环境，当识别出遇到障碍物时，结合所收集的障碍物的特征，自动识别出该障碍物的种类，并根据该障碍物种类所属的标签，向管道机器人发送相关联的行使方式指令；
当识别出存在拐角和管道缺陷时，在该位置额外投放一个UWB定位基站。
作为本发明更进一步的方案，所述接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息，具体包括：
接收多编组UWB定位基站结合管道机器人所发出的事件报告和采集到的管道信息；
通过RTK（Real - time kinematic，实时动态）定位各事件报告位置处，同时实时播放管线内情况，并同步生成管线三维图。
本发明实施例的另一目的在于提供一种用于管线探测的系统，所述系统包括：
模型建立模块，用于建立数据模型，并对数据模型进行预先训练，并结合训练后的数据模型使管道机器人在行驶过程中遇到不同的障碍可以自主控制行驶方式；
基站放置模块，用于根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站；
机器人移动模块，用于接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人；
信息处理模块，用于根据管道机器人的行驶情况生成事件日志，并接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息。
作为本发明更进一步的方案，所述的模型建立模块具体包括：
数据收集单元，用于结合历史数据收集管道探测过程中所需的相关数据，包括但不限于管道的结构信息、障碍物的特征、管道机器人的运动数据，并对数据进行预处理；
行为关联单元，用于结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，并将该行使方式与该障碍物特征标签相关联；
模型训练单元，用于建立神经网络模型，将所收集的数据分为训练集和测试集，并通过训练集对神经网络模型进行持续训练，将输入数据和对应的行使方式送入神经网络模型中，采用反向传播算法持续优化模型参数。
作为本发明更进一步的方案，所述的基站放置模块具体包括：
距离定义单元，用于结合管道尺寸、管道定位精度需求以及管道类型和复杂程度，设定定位基站的放置间隔距离，并定义为预设距离；
放置位置定义单元，用于结合预设距离和管道的总长度，计算得出所需放置的UWB定位基站的数量，并结合管道模型确定每一个UWB定位基站的放置位置。
作为本发明更进一步的方案，所述的机器人移动模块具体包括：
位置确定单元，用于测定管道机器人的当前所处位置，并将该位置定义为零点，模拟出管道机器人的完整移动路径；
基站确定单元，用于结合计算所得出的所需放置的UWB定位基站的数量和放置位置，在管道机器人移动时自动向管道内放置UWB定位基站；
环境检测单元，用于通过管道机器人自带的红外摄像头采集管道内的当前环境，当识别出遇到障碍物时，结合所收集的障碍物的特征，自动识别出该障碍物的种类，并根据该障碍物种类所属的标签，向管道机器人发送相关联的行使方式指令；
信号增强单元，用于当识别出存在拐角和管道缺陷时，在该位置额外投放一个UWB定位基站。
本发明实施例的有益效果是：
1.高精度定位能力：通过投放便携式定位基站，并在多个位置留下定位基站，可以提供高精度的管道定位信息。这样，管道机器人在探测过程中可以准确确定自身位置，从而实现精确的导航和避碍。
2.灵活适应不同管道：便携式定位基站的灵活性使得管道机器人可以适应不同类型和尺寸的管道。无论是直径较小的地下排水管道还是较大的工业管道，都可以利用管道机器人投放定位基站，实现精确定位和探测。
3.高效的数据采集：管道机器人搭载的传感器和定位机制，结合定位基站的信号接收，可以实现管道内的高效数据采集。这包括图像、传感器数据、定位信息等。数据采集的高效性有助于更好地了解管道的状况和特征，以及探测目标的识别和分析。
4.自主避障和路径规划：利用避障数据模型和定位信息，管道机器人可以实现自主避障和路径规划。它可以通过分析管道内的障碍物信息，并结合定位基站的指引，自主决策和调整路径，避开障碍物，保证探测的顺利进行。
5.提高工作效率和减少人力成本：相比传统的人工管线探测方式，利用管道机器人投放定位基站能够大大提高工作效率并减少人力成本。机器人可以对较大管道进行快速、连续的探测，大大缩短探测周期，减少人工操作的时间和风险。
附图说明
图1为本发明实施例提供的一种用于管线探测的方法的流程图；
图2为本发明实施例提供的建立数据模型，并对数据模型进行预先训练的流程图；
图3为本发明实施例提供的根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站的流程图；
图4为本发明实施例提供的接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人的流程图；
图5为本发明实施例提供的接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息的流程图；
图6为本发明实施例提供的一种用于管线探测的系统的结构框图；
图7为本发明实施例提供的模型建立模块的结构框图；
图8为本发明实施例提供的基站放置模块的结构框图；
图9为本发明实施例提供的机器人移动模块的结构框图。
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。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的一种用于管线探测的方法的流程图，如图1所示，一种用于管线探测的方法，所述方法包括：
S100，建立数据模型，并对数据模型进行预先训练，并结合训练后的数据模型使管道机器人在行驶过程中遇到不同的障碍可以自主控制行驶方式；
在本步骤中，建立数据模型的目的是为了给管道机器人提供自动避障的功能，管道机器人根据预设的距离间隔和管道的长度，建立数据库时，需要先收集、整理和标注各种障碍物的数据，包括形状、尺寸、纹理等信息。对于每种障碍物，通过训练机器人，使其能够自主地选择最合适的行驶方式，例如绕过、穿越或清理障碍物。为了提高训练效果，可以使用模拟环境和仿真技术来模拟各种场景和障碍物，让机器人在虚拟环境中进行多次训练。
S200，根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站；
在本步骤中，计算需要放置的UWB定位基站的数量，并确定放置的位置。管道机器人携带着一组UWB定位基站，这些基站可以通过螺纹连接或其他固定方式固定在管道内壁上。在放置基站之前，管道机器人会先进行自我定位，以通过与已放置的基站进行距离测量，确定机器人自身的位置和姿态准确性。
通过管道机器人携带多编组微型UWB定位基站，管道机器人根据预设距离在管道内留下多个UWB定位基站。实现管内长距离通信功能，且各UWB定位基站之间的定位精度达10cm，不超过30cm。
管道机器人可以采用海+陆（或者+空）的技术方案，遇到不可爬行或者潜行路段，车架或者可潜行的车架单独/整体脱离，留下飞行部分携带多编组UWB基站继续前行，直至到达出口，或者遇到不可绕过的障碍时原路返回。
管道机器人遇到不可通过障碍，直接回程，并且起点终端报警，便于找到管线维护处；回程时收走各UWB定位基站。
S300，接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人；
在本步骤中，管道机器人通过接收UWB定位基站发送的信号，测量机器人与基站之间的距离，并将这些距离数据传输给机器人内部的控制处理单元（CPU）。同时，机器人搭载传感器，如摄像头、激光扫描仪等，用于采集管线的三维路径信息和管内的缺陷数据。CPU会分析和处理接收到的距离数据以及采集到的管线信息，通过算法判断机器人的行进方向，并在需要的位置（如缺陷处、拐角处）合适地留下多个UWB定位基站。
S400，根据管道机器人的行驶情况生成事件日志，并接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息。
在本步骤中，在管道机器人完成探测任务后，CPU会根据采集到的信息和内部的算法生成一个事件报告。报告中包括探测过程中遇到的问题、发现的缺陷以及其他需要记录的信息。通过多编组的UWB定位基站，机器人将事件报告与采集到的信息进行同步传输到管道起点终端。这意味着机器人会将数据在各个基站之间进行转发，以确保数据的完整性和可靠性。在管道起点终端，操作人员可以使用相应的软件工具，读取并解析机器人发送的数据，进行进一步分析、评估和决策。
管道机器人生成事件报告，将事件报告与采集信息通过多编组UWB定位基站同步发送到管道起点终端；起点终端通过rtk定位各事件报告位置处，管线内情况实时播放，同步生成管线三维图，事件报告在三维图上直接显示。
图2为本发明实施例提供的建立数据模型，并对数据模型进行预先训练的流程图，如图2所示，所述建立数据模型，并对数据模型进行预先训练，具体包括：
S110，结合历史数据收集管道探测过程中所需的相关数据，包括但不限于管道的结构信息、障碍物的特征、管道机器人的运动数据，并对数据进行预处理；
S120，结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，并将该行使方式与该障碍物特征标签相关联；
在本步骤中，当机器人遇到较大的障碍物、闭塞物或无法通过的区域时，可以下达指令让机器人绕过障碍物。机器人可以通过调整路径、改变方向或查找替代路径，绕过障碍物并继续前进。对于较低的障碍物或水平跨越的障碍物，机器人可以被指示跨过障碍物。这可能涉及到机器人改变高度、调整姿态或跃过障碍物以继续前进。在某些情况下，机器人可能遭遇到能够被清理或移除的障碍物，例如障碍物上的杂物或堵塞物。在这种情况下，机器人可以被指示清理障碍物，例如使用机械臂、吸盘或其他适当的工具，将障碍物清除以便继续管线探测。在某些情况下，机器人可能遭遇到能够被清理或移除的障碍物，例如障碍物上的杂物或堵塞物。在这种情况下，机器人可以被指示清理障碍物，例如使用机械臂、吸盘或其他适当的工具，将障碍物清除以便继续管线探测。
S130，建立神经网络模型，将所收集的数据分为训练集和测试集，并通过训练集对神经网络模型进行持续训练，将输入数据和对应的行使方式送入神经网络模型中，采用反向传播算法持续优化模型参数。
在本步骤中，利用预先建立的数据模型，对管道机器人进行路径规划和避障算法的开发。将避障算法和路径规划算法与管道机器人的控制系统进行集成，实现机器人在实时探测过程中的自动避障能力。随后会进行测试和优化，确保管道机器人能够准确避开障碍物，实现有效的管线探测。管道机器人在探测过程中产生大量的数据，包括图像、传感器数据等。对这些数据进行处理和分析，以提取有用的管线信息和状态。
图3为本发明实施例提供的根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站的流程图，如图3所示，所述设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站，具体包括：
S210，结合管道尺寸、管道定位精度需求以及管道类型和复杂程度，设定定位基站的放置间隔距离，并定义为预设距离；
在本步骤中，预设距离可以根据管道的尺寸来确定，例如，每隔一定长度放置一个UWB定位基站，确保基站能够充分覆盖整个管道。预设距离可以考虑定位的精度要求。较短的距离间隔可以提供更高的定位精度，但也会增加成本和工作量。预设距离可以根据管道的类型和复杂程度进行设定。对于复杂的管道系统或存在多个分支的管道，可能需要更短的距离间隔以确保定位准确性。
S220，结合预设距离和管道的总长度，计算得出所需放置的UWB定位基站的数量，并结合管道模型确定每一个UWB定位基站的放置位置。
所述结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，具体包括：
检测障碍物的尺寸，并结合所收集的管道结构信息，判定管道机器人是否能够通过该障碍物；
若无法通过，则向管道机器人下达返程指令，并且起点终端报警，且在回程时收走全部的UWB定位基站；
若可以通过，则结合当前障碍的横向尺寸和纵向尺寸，向管道机器人下达绕过障碍物或跨过障碍物的指令。
图4为本发明实施例提供的接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人的流程图，如图4所示，所述接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人，具体包括：
S310，测定管道机器人的当前所处位置，并将该位置定义为零点，模拟出管道机器人的完整移动路径；
S320，结合计算所得出的所需放置的UWB定位基站的数量和放置位置，在管道机器人移动时自动向管道内放置UWB定位基站；
S330，通过管道机器人自带的红外摄像头采集管道内的当前环境，当识别出遇到障碍物时，结合所收集的障碍物的特征，自动识别出该障碍物的种类，并根据该障碍物种类所属的标签，向管道机器人发送相关联的行使方式指令；
S340，当识别出存在拐角和管道缺陷时，在该位置额外投放一个UWB定位基站。
图5为本发明实施例提供的接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息的流程图，如图5所示，所述接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息，具体包括：
S410，接收多编组UWB定位基站结合管道机器人所发出的事件报告和采集到的管道信息；
S420，通过RTK（Real - time kinematic，实时动态）定位各事件报告位置处，同时实时播放管线内情况，并同步生成管线三维图。
图6为本发明实施例提供的一种用于管线探测的系统的结构框图，如图6所示，一种用于管线探测的系统，所述系统包括：
模型建立模块100，用于建立数据模型，并对数据模型进行预先训练，并结合训练后的数据模型使管道机器人在行驶过程中遇到不同的障碍可以自主控制行驶方式；
基站放置模块200，用于根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站；
机器人移动模块300，用于接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人；
信息处理模块400，用于根据管道机器人的行驶情况生成事件日志，并接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息。
图7为本发明实施例提供的模型建立模块的结构框图，如图7所示，所述的模型建立模块具体包括：
数据收集单元110，用于结合历史数据收集管道探测过程中所需的相关数据，包括但不限于管道的结构信息、障碍物的特征、管道机器人的运动数据，并对数据进行预处理；
行为关联单元120，用于结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，并将该行使方式与该障碍物特征标签相关联；
模型训练单元130，用于建立神经网络模型，将所收集的数据分为训练集和测试集，并通过训练集对神经网络模型进行持续训练，将输入数据和对应的行使方式送入神经网络模型中，采用反向传播算法持续优化模型参数。
图8为本发明实施例提供的基站放置模块的结构框图，如图8所示，所述的基站放置模块具体包括：
距离定义单元210，用于结合管道尺寸、管道定位精度需求以及管道类型和复杂程度，设定定位基站的放置间隔距离，并定义为预设距离；
放置位置定义单元220，用于结合预设距离和管道的总长度，计算得出所需放置的UWB定位基站的数量，并结合管道模型确定每一个UWB定位基站的放置位置。
图9为本发明实施例提供的机器人移动模块的结构框图，如图9所示，所述的机器人移动模块具体包括：
位置确定单元310，用于测定管道机器人的当前所处位置，并将该位置定义为零点，模拟出管道机器人的完整移动路径；
基站确定单元320，用于结合计算所得出的所需放置的UWB定位基站的数量和放置位置，在管道机器人移动时自动向管道内放置UWB定位基站；
环境检测单元330，用于通过管道机器人自带的红外摄像头采集管道内的当前环境，当识别出遇到障碍物时，结合所收集的障碍物的特征，自动识别出该障碍物的种类，并根据该障碍物种类所属的标签，向管道机器人发送相关联的行使方式指令；
信号增强单元340，用于当识别出存在拐角和管道缺陷时，在该位置额外投放一个UWB定位基站。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于管线探测的方法，其特征在于，所述方法包括：
建立数据模型，并对数据模型进行预先训练，并结合训练后的数据模型使管道机器人在行驶过程中遇到不同的障碍可以自主控制行驶方式；
根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站；
接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人；
根据管道机器人的行驶情况生成事件日志，并接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息。
2.根据权利要求1所述的方法，其特征在于，所述建立数据模型，并对数据模型进行预先训练，具体包括：
结合历史数据收集管道探测过程中所需的相关数据，包括但不限于管道的结构信息、障碍物的特征、管道机器人的运动数据，并对数据进行预处理；
结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，并将该行使方式与该障碍物特征标签相关联；
建立神经网络模型，将所收集的数据分为训练集和测试集，并通过训练集对神经网络模型进行持续训练，将输入数据和对应的行使方式送入神经网络模型中，采用反向传播算法持续优化模型参数。
3.根据权利要求1所述的方法，其特征在于，所述设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站，具体包括：
结合管道尺寸、管道定位精度需求以及管道类型和复杂程度，设定定位基站的放置间隔距离，并定义为预设距离；
结合预设距离和管道的总长度，计算得出所需放置的UWB定位基站的数量，并结合管道模型确定每一个UWB定位基站的放置位置。
4.根据权利要求2所述的方法，其特征在于，所述结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，具体包括：
检测障碍物的尺寸，并结合所收集的管道结构信息，判定管道机器人是否能够通过该障碍物；
若无法通过，则向管道机器人下达返程指令，并且起点终端报警，且在回程时收走全部的UWB定位基站；
若可以通过，则结合当前障碍的横向尺寸和纵向尺寸，向管道机器人下达绕过障碍物或跨过障碍物的指令。
5.根据权利要求4所述的方法，其特征在于，所述接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人，具体包括：
测定管道机器人的当前所处位置，并将该位置定义为零点，模拟出管道机器人的完整移动路径；
结合计算所得出的所需放置的UWB定位基站的数量和放置位置，在管道机器人移动时自动向管道内放置UWB定位基站；
通过管道机器人自带的红外摄像头采集管道内的当前环境，当识别出遇到障碍物时，结合所收集的障碍物的特征，自动识别出该障碍物的种类，并根据该障碍物种类所属的标签，向管道机器人发送相关联的行使方式指令；
当识别出存在拐角和管道缺陷时，在该位置额外投放一个UWB定位基站。
6.根据权利要求1所述的方法，其特征在于，所述接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息，具体包括：
接收多编组UWB定位基站结合管道机器人所发出的事件报告和采集到的管道信息；
通过RTK定位各事件报告位置处，同时实时播放管线内情况，并同步生成管线三维图。
7.一种用于管线探测的系统，其特征在于，所述系统包括：
模型建立模块，用于建立数据模型，并对数据模型进行预先训练，并结合训练后的数据模型使管道机器人在行驶过程中遇到不同的障碍可以自主控制行驶方式；
基站放置模块，用于根据管道的结构，设定管道内的预设距离，并通过管道机器人根据预设距离在管道内留下多个UWB定位基站；
机器人移动模块，用于接收UWB定位基站所收集的信息，并根据信息自动生成管道机器人的移动路径，并同步至管道机器人；
信息处理模块，用于根据管道机器人的行驶情况生成事件日志，并接收通过多编组UWB定位基站同步发送的事件日志与所收集的信息。
8.根据权利要求7所述的用于管线探测的系统，其特征在于，所述的模型建立模块具体包括：
数据收集单元，用于结合历史数据收集管道探测过程中所需的相关数据，包括但不限于管道的结构信息、障碍物的特征、管道机器人的运动数据，并对数据进行预处理；
行为关联单元，用于结合管道内障碍物特征，为每一种障碍物特征进行分类并添加标签，同时根据标签设定相应的行使方式，并将该行使方式与该障碍物特征标签相关联；
模型训练单元，用于建立神经网络模型，将所收集的数据分为训练集和测试集，并通过训练集对神经网络模型进行持续训练，将输入数据和对应的行使方式送入神经网络模型中，采用反向传播算法持续优化模型参数。
9.根据权利要求7所述的用于管线探测的系统，其特征在于，所述的基站放置模块具体包括：
距离定义单元，用于结合管道尺寸、管道定位精度需求以及管道类型和复杂程度，设定定位基站的放置间隔距离，并定义为预设距离；
放置位置定义单元，用于结合预设距离和管道的总长度，计算得出所需放置的UWB定位基站的数量，并结合管道模型确定每一个UWB定位基站的放置位置。
10.根据权利要求7所述的用于管线探测的系统，其特征在于，所述的机器人移动模块具体包括：
位置确定单元，用于测定管道机器人的当前所处位置，并将该位置定义为零点，模拟出管道机器人的完整移动路径；
基站确定单元，用于结合计算所得出的所需放置的UWB定位基站的数量和放置位置，在管道机器人移动时自动向管道内放置UWB定位基站；
环境检测单元，用于通过管道机器人自带的红外摄像头采集管道内的当前环境，当识别出遇到障碍物时，结合所收集的障碍物的特征，自动识别出该障碍物的种类，并根据该障碍物种类所属的标签，向管道机器人发送相关联的行使方式指令；
信号增强单元，用于当识别出存在拐角和管道缺陷时，在该位置额外投放一个UWB定位基站。
CN202311307779.7A 2023-10-11 2023-10-11 一种用于管线探测的方法及系统 Active CN117054444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311307779.7A CN117054444B (zh) 2023-10-11 2023-10-11 一种用于管线探测的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311307779.7A CN117054444B (zh) 2023-10-11 2023-10-11 一种用于管线探测的方法及系统

Publications (2)

Publication Number Publication Date
CN117054444A true CN117054444A (zh) 2023-11-14
CN117054444B CN117054444B (zh) 2024-01-05

Family

ID=88666666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311307779.7A Active CN117054444B (zh) 2023-10-11 2023-10-11 一种用于管线探测的方法及系统

Country Status (1)

Country Link
CN (1) CN117054444B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244325A (zh) * 2019-04-29 2019-09-17 丰疆智能科技研究院(常州)有限公司 移动rtk基站和飞行系统及其应用
CN110988791A (zh) * 2019-11-19 2020-04-10 贵州电网有限责任公司 一种用于电缆通道球形机器人的定位系统及其定位方法
CN116094162A (zh) * 2021-08-14 2023-05-09 国家电网有限公司 电缆管道内部的巡检方法
CN116225029A (zh) * 2023-05-05 2023-06-06 北华航天工业学院 一种机器人路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244325A (zh) * 2019-04-29 2019-09-17 丰疆智能科技研究院(常州)有限公司 移动rtk基站和飞行系统及其应用
CN110988791A (zh) * 2019-11-19 2020-04-10 贵州电网有限责任公司 一种用于电缆通道球形机器人的定位系统及其定位方法
CN116094162A (zh) * 2021-08-14 2023-05-09 国家电网有限公司 电缆管道内部的巡检方法
CN116225029A (zh) * 2023-05-05 2023-06-06 北华航天工业学院 一种机器人路径规划方法

Also Published As

Publication number Publication date
CN117054444B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN113532461B (zh) 一种机器人自主避障导航的方法、设备及存储介质
CN102162577B (zh) 管道缺陷表面完整性检测装置及其检测方法
Naazare et al. Online next-best-view planner for 3D-exploration and inspection with a mobile manipulator robot
CN110136186B (zh) 一种用于移动机器人目标测距的检测目标匹配方法
RU2017101247A (ru) Сравнительный анализ на модели дрейфа и буксировки льда для целевого морского сооружения
Tseng et al. Strategies for autonomous robots to inspect pavement distresses
CN106441279A (zh) 基于自主定位和边缘探索的机器人定位方法、系统
CN109211255A (zh) 用于为具有自动车辆系统的机动车规划路线的方法
JP2016050876A (ja) 打音検査記録装置
CN117761261B (zh) 一种基于大数据的碳排放监测系统及方法
CN117054444B (zh) 一种用于管线探测的方法及系统
CN117572863A (zh) 用于变电站机器人的路径优化方法及系统
CN117226846A (zh) 用于变电站设备维护机器人的控制方法及系统
WO2021138372A1 (en) Feature coverage analysis
CN115951704B (zh) 一种基于bim模型的无人机地铁巡检方法及设备
CN117010673A (zh) 一种木结构历史建筑结构构件表征损伤的鉴定方法及系统
CN111879319A (zh) 用于地面无人平台的室内测试方法、系统及计算机设备
Wang et al. Automatic detection and tracking of precast walls from surveillance construction site videos
Dinh Le et al. Exploring Remote Sensing and Monitoring Technology for Highway Infrastructure Inspection
Hayouni et al. Towards Cognitive Vehicles: GNSS-free Localization using Visual Anchors
Nowotarski et al. RTLS systems as a Lean Management tool for productivity improvement
Cox et al. Developing Requirements to Validate Autonomous Ground Vehicle Simulations
CN113515109B (zh) 一种模拟海洋动态不确定环境的航行器路径规划方法
Rastogi et al. Automated Construction of Time-Space Diagrams for Traffic Analysis Using Street-View Video Sequences
US20230324921A1 (en) Autonomous Robotic Platform

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