一种构具身智能机器人自主巡检与实时态势感知方法与流程

摘要: 本发明涉及机器人控制,具体涉及一种构具身智能机器人自主巡检与实时态势感知方法。背景技术:1、随着工业场景无人值守需求的持续提升,四足巡检机器人凭借地形适配能力强...
一种构具身智能机器人自主巡检与实时态势感知方法与流程

本发明涉及机器人控制,具体涉及一种构具身智能机器人自主巡检与实时态势感知方法。

背景技术:

1、随着工业场景无人值守需求的持续提升,四足巡检机器人凭借地形适配能力强、负载配置灵活的优势,已逐步替代人工完成高危、重复的日常巡检作业。当前主流巡检调度平台多采用人工预编排静态路线的模式,配合单视觉检测算法实现异常识别,在实际工业场景落地中仍存在核心缺陷。

2、现有平台巡检路线仅支持简单航点设置,无法实现路段级导航参数精细化配置,也无法在行进路径中嵌入连续沿线检测,且未结合四足机器人的步态特性与地形适配性设计路线规划逻辑,巡检动作与导航过程耦合度低,难以适配复杂工业场景的差异化需求。

技术实现思路

1、为解决上述技术问题,本发明提供一种具身智能机器人自主巡检与实时态势感知方法,包括如下步骤:

2、s1、导入具身巡检机器人现场建图生成的占据栅格地图与三维点云数据,绘制可移动区域生成可行域掩膜,标注地形类型生成地形代价矩阵;建立期望激活与实际激活双状态激活校验机制,保障云端配置的地图与机器人端实际加载的地图同步生效。

3、s2、将巡检路线抽象为带权有向拓扑图,以挂载检测动作的巡检航点为节点、带步态参数与检测配置的行进路径为有向边;通过路径规划算法预计算所有巡检航点对的路径代价求解帕累托最优路线解集,最终输出综合最优巡检路线。

4、s3、基于综合最优巡检路线,构建嵌套任务模型,配置调度规则与失败重试策略;针对多机器人多任务场景,通过带时间窗约束的多目标遗传算法实现任务最优分配与执行排序。

5、s4、将全量任务数据下发至站点边缘服务单元,网络正常时云端与边端同步调度,网络中断时边端按预存规则自治执行任务并本地缓存数据,网络恢复后通过断点续传机制同步执行状态。

6、s5、构建三级递进数据体系,通过设备树按设备位号归集隐患,采用三态审核流程完成隐患闭环治理;配套全景指挥大屏实现全场景态势可视化。

7、s6、内置数据集管理、在线标注、模型训练、精度评估、部署上线、效果抽查的机器学习运维全闭环;针对指针式仪表采用线性+分段双模式点位标定方法实现非标表盘精准读数,基于现场巡检数据持续优化检测模型精度。

8、优选的:s2包括:(1)拓扑式巡检路线构建;(2)采用多维度路径预计算+序列优化解耦架构;(3)动态场景局部路线重规划。

9、优选的:拓扑式巡检路线构建方法包括:定义巡检路线为带权有向拓扑图r=(v,p),巡检航点集合v={v1,v2,...,vi...vi),其中i为巡检路线上各个航点的编号,i为巡检路线上航点的总数量;每个巡检航点的属性向量为:vi={xi,yi,yawi,tstayi,gi,ti,priorityi},其中(xi,yi)为地图世界坐标,yawi为机身朝向角,tstayi为航点停留时长,gi为云台预置位集合,ti为挂载检测项集合,priorityi为检测优先级;有向边集合p={pii’|vi,vi’v},i、i’均为巡检路线上航点编号,pii’为每条有向边对应两个巡检航点之间的行进路径,属性向量为:pii’={dii’,gii’,vii’,mii’,dirii’,sii’,costii’},其中dii’为路径实际长度,gii’为四足行进步态,vii’为行进速度,mii’为路径模式,dirii’为行进方向,sii’为沿线连续检测集合,costii’为路径综合通行代价;路线布设完成后执行四级合法性校验。

10、优选的:路线布设完成后执行四级合法性校验包括:1、连通性校验:采用深度优先搜索算法遍历拓扑图,确认所有巡检航点从起点可达,不存在孤立航点与断开路径;2、可行域校验:逐点校验所有航点坐标、路径覆盖栅格的可行域掩膜值,全部为1则校验通过;3、检测完整性校验:比对必检设备台账,确认所有必检设备均挂载对应检测项,无遗漏;4、机器人运动学校验:校验路径坡度、转向角度是否在四足具身巡检机器人的最大运动能力阈值内,超出则提示调整。

11、优选的:采用多维度路径预计算+序列优化解耦架构包括:第一阶段:多维度路径代价矩阵生成,对每组航点对独立执行路径搜索与属性计算,最终生成i×i多维度路径代价矩阵;第二阶段:多目标序列优化,以三个最小化目标为优化方向求解最优航点访问序列。

12、优选的:多维度路径代价矩阵生成具体步骤包括:1、构建完整最优路径栅格序列pathii’;2、路径多属性计算;

13、优选的:构建完整最优路径栅格序列pathii’包括:将航点vi对应的栅格作为起点,航点vi’对应的栅格作为终点,在占据栅格地图上执行a星搜索:节点评估函数为:f(j)=g(j)+h(j),其中j为路径上各个格栅的编号,h(j)为当前栅格到目标航点vi’的坐标的欧氏距离;g(j)起点到当前栅格的累计通行代价,随节点扩展逐步更新,,其中g(jprev)为上一个相邻栅格的累计代价,r为栅格地图分辨率,c(j)为当前栅格的地形代价系数;搜索扩展到终点栅格时终止,从终点反向回溯父节点,得到从vi到vi’的完整最优路径栅格序列pathii’。

14、优选的:多维度路径多属性计算,基于路径栅格序列pathii’,计算该段路径的4项核心属性,全部存入路径代价矩阵对应位置:路径实际长度dii’、路段平均地形代价系数ct(ii’)、预估行进能耗eii’:矩阵填充将上述4项属性封装为结构体,存入路径代价矩阵第i行第i’列元素costmatrix(ii’);所有航点对计算完成后,得到完整的i×i多维度路径代价矩阵。

15、优选的:预估行进能耗,其中μ为地面摩擦系数,m为机器人整机质量,g为重力加速度(取9.8m/s2),kg为运动损耗系数(由对应机型标定)。

16、优选的:三个最小化目标为优化方向求解最优航点访问序列:目标1:巡检总时长最小。

17、优选的:目标2:总能耗最小其中,eii’为预估行进能耗;pidle为机器人待机功率。

18、优选的:目标3:高优先级检测未覆盖率最小:,其中n为高优先级必检点总数,n’为路线覆盖的高优先级点数量。

19、优选的:采用惩罚函数法处理约束,对违反约束的解在目标函数值上叠加惩罚项:,其中λ为惩罚系数,m为束缚条件编号,m为束缚条件的总数,为第m条约束的违反程度。

20、优选的:采用熵权-逼近理想解排序法进行多属性决策,输出综合最优路线,具体步骤:第一步:数据标准化。对三个目标指标做极差标准化处理,消除量纲差异,标准化后数值范围为[0,1];第二步:熵权法计算指标权重;第三步:确定正理想解与负理想解;正理想解为所有指标都达到最优值的虚拟方案,负理想解为所有指标都达到最差值的虚拟方案。第四步:计算各方案到正、负理想解的偏差距离;到正理想解的距离dk+和负理想解的距离dk-。第五步、计算相对贴近度并排序计算每个方案的相对贴近度ck,公式为:;贴近度取值范围为[0,1],数值越大代表方案综合性能越优;将所有方案按ck从大到小排序,取贴近度最大的方案作为综合最优巡检路线。

21、优选的:动态场景局部路线重规划包括:1、障碍检测与重规划触发;2、划定局部重规划窗口;3、采用改进的d星lite算法在局部窗口内搜索最优路径;4、路径运动学校验;5、路径属性更新与电量校验;6、任务状态同步。

22、优选的:步骤s3包括:(1)三级嵌套任务模型;(2)指数退避失败重试策略;(3)多机器人动态调度方法。

23、本发明的技术效果和优点:

24、1、巡检可靠性大幅提升:端-边-云三层架构分工明确,云端统一管控、边端自治执行、端侧精准执行,网络波动场景下仍可保障巡检作业连续,解决弱网环境下巡检中断的行业痛点,系统环境适应性更强。

25、2、路线规划科学性与效率双提升:拓扑式路线模型实现航点定点检测与路径沿线连续检测结合,导航步态参数与检测动作深度耦合;两阶段解耦的多目标最优规划算法,结合四足机器人具身特性,兼顾时长、能耗、覆盖率多维度优化,布线效率与路线经济性大幅提升。

26、3、任务调度精细化与协同性增强:三级嵌套任务编排模型实现从宏观调度到原子动作的全链路管控,多机器人动态调度算法实现任务最优分配与负载均衡,解决多机协同巡检的调度冲突问题,整体巡检效率提升30%以上。

27、4、检测精度持续迭代优化:内置完整机器学习运维闭环,现场采集的巡检数据可快速转化为模型优化样本,配合双模式指针表标定方法,可适配各类非标工业表盘,大幅提升人工智能检测模型对现场个性化场景的适配精度。

28、5、态势感知全闭环管控:三级数据体系结合全景指挥大屏,实现巡检态势从宏观到微观的全面感知;三态隐患审核流程实现异常问题闭环处置,提升运维效率与问题处置及时性。

29、6、安全合规性充足:四级角色+基于属性的访问控制结合多租户隔离,满足工业场景多角色、多客户的权限管理需求;哈希链防篡改审计日志为合规追溯提供可靠依据,符合工业系统安全规范。

30、7、多重安全防护保障:可行域空间约束、任务互斥机制、遥控三重停车保障等设计,从空间、指令、操作多层面规避机器人巡检与遥控的安全风险,保障现场设备与人员安全。