一种全地形自主巡检机器人导航定位方法及系统
本发明涉及机器人自主导航,特别是一种全地形自主巡检机器人导航定位方法及系统。
背景技术:
1、随着机器人技术持续迭代升级,自主巡检机器人已广泛应用于工业设施、矿山井下、隧道、变电站等各类巡检场景,成为智能化巡检的核心装备。但此类作业场景普遍存在地形结构复杂、环境工况多变、动态干扰因素多等特征,复杂坡道、台阶、无卫星信号、人员车辆移动、电磁干扰等恶劣条件叠加,对巡检机器人的导航定位精度、环境适应性和路径规划稳定性提出了极高要求,也极大提升了机器人自主作业的技术难度。
2、当前行业内机器人导航定位技术,主要依托单一传感器或多传感器简单融合的处理方案实现作业定位。主流技术路径包含视觉导航、惯性导航、激光slam导航三类,分别依靠摄像头采集场景图像、惯性测量单元测算行进轨迹、激光雷达构建环境地图完成定位导航。为弥补单一传感器的性能短板,现有优化方案多采用激光雷达、rgb-d相机、imu、gps/rtk等设备的简单集成融合模式,通过多类传感数据互补提升导航稳定性,是目前复杂场景巡检机器人的主流技术选择。
3、现有导航与规划技术仍存在多项核心短板,难以适配复杂非结构化作业环境:一是卫星导航局限性突出,隧道、井下等无gps或信号弱的场景中,卫星导航方案完全失效,替代的无线传感方案也无法适配复杂三维地形作业;二是多传感器融合策略僵化,多采用固定或简单自适应权重分配方式,无法根据地形变化、动态干扰实时调整各传感器数据权重,单一生效传感器受干扰后会直接导致定位精度骤降;三是路径规划精细化程度不足,大多基于二维地图开展规划,未深度融合坡度、台阶高度、地面平整度等三维地形特征,规划路径难以匹配机器人动力学约束,易出现颠簸、停障等问题;四是系统自主适配能力缺失,无法实时感知环境变化、评估导航策略适用性,难以动态优化作业方案。综上,复杂非结构化环境下高精度导航定位与平滑路径规划技术,仍是当前自主巡检机器人领域亟待突破的技术难题。
技术实现思路
1、本发明的目的是提出一种全地形自主巡检机器人导航定位方法及系统,通过多源异构传感器数据的高效融合、三维地形特征的精细分析以及导航策略的动态调整,实现在隧道、坡道、台阶及高动态干扰等复杂非结构化环境中的高精度自主定位、三维地形分析与平滑路径规划。
2、为实现上述目的,本发明提出了一种全地形自主巡检机器人导航定位方法,具体步骤如下:
3、步骤s1、通过安装在巡检机器人上的多源异构传感器采集环境感知数据与机器人状态数据,并对各传感器数据进行时间戳同步与空间坐标对齐,建立时间同步的多模态数据集;
4、步骤s2、对时间同步多模态数据集进行时序分析,提取各传感器数据的时序特征,并利用隐马尔可夫模型识别机器人运动模式与环境状态变化;
5、步骤s3、基于深度卷积神经网络对时序特征进行深度特征提取,输出多维深度特征向量,所述深度特征向量用于表征机器人运动状态、地形类别、环境动态性等级及障碍物分布特征;
6、步骤s4、基于深度特征向量实时计算各传感器数据的置信度评分,并根据所述置信度评分动态更新各传感器数据的权重系数;
7、步骤s5、采用自适应联邦卡尔曼滤波算法对经过权重调整的多传感器数据进行融合定位,输出机器人定位结果;
8、步骤s6、基于机器人定位结果和三维点云数据构建数字高程模型并计算各栅格单元的地形特征参数,结合机器人运动学约束生成三维可通行性代价地图;
9、步骤s7、基于三维可通行性代价地图进行全局路径搜索和平滑优化,生成满足机器人动力学约束的平滑路径;
10、步骤s8、基于机器人定位结果和平滑路径规划结果,实时计算多种预设导航策略的适用性评分,选择适用性评分最高的导航策略作为当前执行策略,并动态调整机器人的运动参数;
11、步骤s9、实时检测外部环境的动态干扰,当检测到动态干扰时,动态降低受干扰传感器的权重系数,采用多模态里程计进行短时定位推演,干扰消失后通过回环检测与全局优化修正累积定位误差。
12、优选的,步骤s1中,所述多源异构传感器包括:
13、三维激光雷达,用于采集机器人周围环境的三维点云数据,获取环境的三维几何结构信息;
14、双目视觉相机,用于采集机器人前方的立体视觉图像数据,获取环境的纹理特征和颜色信息;
15、惯性测量单元imu,用于采集机器人的三轴加速度、三轴角速度及姿态角数据,获取机器人的实时运动状态;
16、地磁传感器,用于采集地磁场强度与方向数据,在gps信号缺失环境下提供方向参考;
17、里程计,用于采集机器人的轮式或履带式行进里程数据。
18、优选的,步骤s2中,具体步骤如下:
19、步骤s21、采用自适应滑动窗口对多模态数据集进行分段处理,滑动窗口的窗口长度根据机器人运动速度与环境复杂度自适应调整;
20、步骤s22、在各滑动窗口内,利用快速傅里叶变换对各传感器数据进行频域分析,识别数据中的周期性变化与频率成分;
21、步骤s23、对各传感器数据提取统计特征,包括均值、方差、峰值、峭度及过零率,形成多维时序特征向量;
22、步骤s24、利用隐马尔可夫模型对统计特征进行学习和识别,识别机器人运动模式及环境状态变化;其中,运动模式包括平地行进、坡道攀爬、台阶跨越、静止待命等;
23、步骤s25、基于步骤s24的识别结果,提取关键时序特征,包括机器人运动模式切换时刻、地形变化过渡区、异常振动事件及环境突变点。
24、优选的,步骤s3中,深度卷积神经网络为基于一维卷积神经网络和注意力机制的特征提取网络,所述特征提取网络包括多个卷积层、批归一化层、激活层、池化层及自注意力层;所述卷积层用于提取局部时序模式,所述自注意力层用于捕捉长程依赖关系。
25、优选的,步骤s4中,具体步骤如下:
26、步骤s41、初始化各传感器数据流的权重系数,表示在初始状态下各传感器对融合定位的贡献度;
27、步骤s42、实时计算各传感器数据的置信度评分,所述置信度评分由数据完整性评分、信噪比评分与地形适应性评分加权计算得到,公式如下:
28、;
29、其中,、、为预设权重系数,;
30、步骤s43、基于各传感器的置信度评分,动态更新各传感器的权重系数,公式如下:
31、;
32、其中,为第
i个传感器更新后的传感器权重系数,为第
o个传感器的权重系数,为第
o个传感器数据的置信度评分,为温度系数,控制权重调整的敏感度;
33、步骤s44、当检测到某一传感器的置信度评分持续低于预设阈值时,自动降低该传感器权重至安全下限值。
34、优选的,步骤s5中,具体步骤如下:
35、步骤s51、设置一个主滤波器与多个子滤波器,各子滤波器分别处理不同传感器子集的数据;
36、步骤s52、各子滤波器独立进行局部状态估计与协方差更新:
37、子滤波器进行局部状态估计,公式如下:
38、;
39、;
40、其中,为第
j个子滤波器根据第
k-1时刻的最优估计预测出的第
k时刻的机器人状态,为第
j个子滤波器在
k-1时刻经过量测更新后的最优状态结果,为子滤波器索引,为状态转移矩阵,为控制输入矩阵,为控制输入向量,为过程噪声协方差矩阵,为第
j个子滤波器中预测状态对应的不确定性大小,为第
j个子滤波器在
k-1时刻更新后的最优状态的不确定性大小,
t为矩阵转置;
41、子滤波器进行协方差更新,公式如下:
42、;
43、;
44、;
45、其中,为卡尔曼增益矩阵,为观测矩阵,为观测噪声协方差矩阵,为实际观测向量,为单位矩阵,为第
j个子滤波器在
k时刻融合了预测信息和当前传感器观测信息后的最优状态估计,为第
j个子滤波器在
k时刻经过量测更新后状态估计对应的不确定性大小;
46、步骤s53、主滤波器接收各子滤波器的局部估计结果,按照动态权重进行全局最优融合,公式如下:
47、;
48、;
49、其中,为最终融合结果的信息量,为最终输出的机器人位姿,为最终融合结果的不确定性;
50、步骤s54、主滤波器将全局最优估计结果反馈至各子滤波器,进行信息重置与协方差分配。
51、优选的,步骤s6中,具体步骤如下:
52、步骤s61、将步骤s1采集的三维点云数据进行滤波降噪与地面分割,去除离群点与动态物体点云,生成地面点云数据;
53、步骤s62、基于分割后的地面点云数据构建数字高程模型,所述数字高程模型以栅格地图形式存储各栅格单元的高程值;
54、步骤s63、基于数字高程模型计算各栅格单元的地形特征参数,包括坡度、粗糙度、台阶高度及起伏度;
55、步骤s64、结合机器人运动学约束与地形特征参数,计算各栅格单元的可通行性评分,公式如下:
56、;
57、其中,为栅格单元的可通行性评分,、、分别为机器人最大可爬坡度、最大可跨越台阶高度和最大可承受路面粗糙度;
58、步骤s65、将可通行性分析结果与数字高程模型融合,生成三维可通行性代价地图。
59、优选的,步骤s7中,具体步骤如下:
60、步骤s71、采用改进的混合a*算法进行全局路径搜索,在搜索过程中引入地形代价启发函数:
61、;
62、其中,为从起点到节点n的实际路径代价,为从节点n到目标点的估计代价,为节点n的地形通行代价,为地形代价权重系数;
63、步骤s72、在路径搜索过程中,采用dubins曲线进行节点间的路径连接,确保搜索路径满足机器人最小转弯半径约束;
64、步骤s73、对搜索得到的初始路径,采用b样条曲线或贝塞尔曲线进行路径平滑优化,平滑优化以路径曲率连续性和曲率变化率最小化为目标:
65、;
66、其中,为路径参数方程一阶导数,为路径参数方程二阶导数,为路径参数方程三阶导数,、为滑权重系数;
67、步骤s74、对平滑后的路径进行动力学可行性校验,剔除不满足机器人速度、加速度及角速度约束的路径段。
68、优选的,步骤s8中,预设导航策略包括:
69、策略一:最短路径导航策略,以路径长度最小化为优化目标;
70、策略二:安全优先导航策略,以避开高风险地形和动态障碍区为优先目标;
71、策略三:时间最优导航策略,以预计通行时间最小化为优化目标;
72、策略四:能量最优导航策略,以能耗最小化为优化目标;
73、各导航策略的适用性评分的计算公式如下:
74、;
75、其中,为导航策略的适用性评分,为路径长度评分,为路径安全评分,为预计时间评分,为预计能耗评分,、、、为各因素的权重系数;
76、若当前策略评分低于新策略评分且差值超过预设滞后阈值时,执行策略切换;根据切换后的导航策略,动态调整机器人的运动参数,包括行进速度、转向角度、加速度及悬挂系统状态。
77、本发明还提供了一种全地形自主巡检机器人导航定位系统,用于实现上述的一种全地形自主巡检机器人导航定位方法,包括:
78、机器人本体,采用轮式、履带式或轮履复合式移动底盘,具备全地形通过能力;
79、多源异构传感器模组,安装于机器人本体上,包括三维激光雷达、双目视觉相机、惯性测量单元、地磁传感器及里程计;
80、数据采集与同步模块,用于对各传感器数据进行时间戳同步与空间坐标对齐;
81、时序特征提取模块,用于对同步后的多模态数据进行自适应滑动窗口时序分析与特征提取;
82、深度特征提取模块,基于一维卷积神经网络和注意力机制,对时序特征进行深层特征提取;
83、动态权重分配模块,基于置信度评估对多传感器数据进行动态权重分配;
84、自适应联邦卡尔曼滤波模块,基于主子滤波器架构对多传感器数据进行融合定位;
85、三维地形建模模块,基于三维点云数据构建数字高程模型并进行可通行性分析;
86、平滑路径规划模块,基于三维可通行性代价地图进行全局路径搜索与b样条曲线平滑优化;
87、导航策略评估与切换模块,用于实时评估多种导航策略的适用性并执行自适应切换;
88、高动态干扰检测与抑制模块,用于实时检测高动态干扰并启动干扰抑制模式。
89、因此,本发明提出了一种全地形自主巡检机器人导航定位方法及系统,其有益效果如下:
90、(1)本发明通过多源异构传感器(三维激光雷达、双目视觉相机、惯性测量单元、地磁传感器、里程计)的协同采集与时间同步,结合自适应联邦卡尔曼滤波算法进行多源数据融合定位,在gps信号缺失的隧道、矿山井下等环境中仍能实现高精度自主定位,有效解决了无gps环境下的导航定位难题。
91、(2)本发明通过基于置信度评估的动态权重分配机制,各传感器的权重可根据数据完整性、信噪比和地形适应性实时调整;当某一传感器受到环境干扰(如光照变化、电磁干扰、遮挡等)时,系统自动降低其权重并提高其他可靠传感器的权重,显著提升了导航定位系统在复杂多变环境中的鲁棒性。
92、(3)本发明通过数字高程模型(dem)构建了三维地形特征参数(坡度、粗糙度、台阶高度、起伏度)的精细计算,实现了对坡道、台阶、崎岖路面等复杂三维地形的精确建模与可通行性量化评估,为路径规划提供了准确的地形代价信息。
93、(4)本发明通过改进的混合a*算法与dubins曲线平滑优化的组合策略,规划出的路径同时满足可通行性约束、机器人运动学约束(最小转弯半径、速度、加速度限制)和路径平滑性要求(曲率连续、曲率变化率最小),使机器人在坡道、台阶等复杂地形中能够平稳、高效地行进。
94、(5)本发明通过预设多种导航策略(最短路径、安全优先、时间最优、能量最优)并实时计算各策略的适用性评分,系统能够根据环境变化和任务需求自适应切换最优导航策略;当环境发生变化(如新增动态障碍物、路面状况改变)时,机器人可自主评估并切换至最合适的导航策略,极大增强了系统的环境适应性和任务完成效率。
95、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com