基于深度学习与ROS的无人巡检车辆设计与实现.pdf

科技与创新Science and Technology&Innovation1302023 年 第 18 期文章编号：2095-6835（2023）18-0130-03基于深度学习与 ROS 的无人巡检车辆设计与实现郑乾坤1，仪淼淼1，原 杨2（1.中国船舶重工集团公司第七一三研究所，河南 郑州 450000；2.汝州职业技术学院，河南 平顶山 467500）摘要：在封闭厂区的巡检中，无人车辆巡检一直扮演着重要角色。为了提升了巡检的效率，同时有效减少安全隐患以及巡检成本，提出一种基于深度学习与 ROS（Robot Operating System，机器人操作系统）的无人车辆巡检方法，该方法采用 A*算法规划全局路径规划。该算法不仅可以规划出避障路线，同时也可以提升算法的速度与精准度。关键词：深度学习；无人车辆；ROS；厂区巡检中图分类号：TP242；TN958.98文献标志码：ADOI：10.15913/ki.kjycx.2023.18.038通过对中国电力发电模式及占比的调研，在中国的所有电力系统中，火力模式发电仍然有着较高的占比。从对火力发电厂地管理及实时检测的角度来看，该场地有以下 2 个特点：安全性。安全性是保障人员进入的必要条件。数据采集简易且重复度高。基于此，可以利用机械方式来代替工人进行重复工作1。1系统概述通过对该系统背景的分析，提出一种基于深度学习与 ROS 的车辆巡检系统2-3。该系统主要由机器人控制系统、机器人操作系统、图像识别系统、视觉感知系统组成4-5，系统架构如图 1 所示。图 1车辆巡检系统架构2系统功能通过对系统功能进行分析，基于深度学习与 ROS的车辆巡检系统主要包括以下 3 部分具体功能6。2.1机器人控制系统与机器人操作系统功能机器人操作系统与机器人控制系统两者相互配合使用，用于控制小车的行进、仪表读取及避障等。2.2图像识别系统功能图像识别系统通过实时获取高清相机读取的仪表图像数据，使用深度学习图像处理算法对图像进行位置纠正、特征提取、图像识别等处理，智能获取仪表指针等位置特征信息7-8。2.3视觉感知系统功能视觉感知系统主要包括以下部分：速腾激光雷达-16。本系统中采用了速腾 16 线的激光雷达，电磁能量脉冲覆盖的区域是车辆 360的全部区域，对车辆的行进提供多种数据参数9。高清相机。高清相机是读取仪表数据的重要方式，通过高清相机拍照，放入已经训练好的深度学习的模型中，识别出图片中的仪表数据10。惯性测量单元。惯性测量单元在导航中可以用于更加精准的位置及更快的姿态调整3，5。3实验准备3.1实验流程实验流程是车辆巡检系统调试过程的具体阐释，具体包括以下 3 个步骤：雷达设备调试与参数调试。通过外部链接，采用软件对雷达数据进行可视化展示，需调试雷达配置参数，如扫描角度、传输端口等，同时需要地图录制与建模。配置地图以及参数预设。设置车辆行进地图的相关参数，如采用地图的名称、地图服务器等11。参数调校。了解诸多参数的含义，根据车辆在调试过程中出现的问题进行多项参数更改，并在调试的过程中做好记录。3.2技术补充在无人车巡检时，车辆的状态估计是相对复杂的问题，针对该问题主要采取了扩展卡尔曼滤波策略，下面对扩展的卡尔曼滤波及相关知识进行补充7。3.2.1线性高斯系统线性高斯系统是一种用于描述线性数据的方法，从运动方程和观测方程中可以得出，两者均是线性的，2 个噪声项服从零均值的高斯分布8。但是在实际的应用中，需要更多考虑到离散的情况，离散事件线性时车辆巡检系统Science and Technology&Innovation科技与创新2023 年 第 18 期131变系统运动方程和观测方程为：Xk=Ak1Xk1+Vk+Wk（k=1，K）Yk=CkXk+Nk（k=0，K）式中：A、C 分别为转移矩阵和观测矩阵。针对线性高斯系统的后续计算，可以采用卡尔曼滤波器的方法，利用 Bayes 公式计算后验概率，卡尔曼滤波主要针对线性系统，即从 Xk1估计 Xk的无偏差最优估计6。Bayes 公式为：）（）（）（）（BPAPABPBAP式中：P（A|B）为后验概率的数值；P（B|A）为似然值；P（A）为先验概率的数值。线性高斯系统对于线性问题可以很好地似然估计，但是在现实世界中很多数据都不是线性的，仅采用线性高斯系统难以解决。3.2.2扩展卡尔曼滤波线性高斯系统无法对非线性数据进行处理，究其原因是高斯分布经过非线性变换后不再是高斯分布，对于扩展的卡尔曼滤波来说，采用了高斯分布尽可能去近似数值。扩展卡尔曼滤波是在非线性-非高斯系统下的直接扩展9-10，原理主要由 2 个部分构成：在工作点附近取值，对系统进行线性近似；在线性系统近似下，把噪声项和状态都当成了高斯分布，即可利用均值和协方差矩阵预估值进行状态描述。经过以上的近似操作后，后续的处理与卡尔曼滤波类似，公式如下：kkkkkkkkkkWWfxXxfVxfWVXf）（），（），（11111 0kkkkkNXgxgNXg），（），（0上述偏导数在工作点处取值来对系统进行线性化近似，近似于一个线性系统。3.2.3A*算法在导航的应用中，全局路径规划采用了 A*算法。从本质意义上说，A*算法是基于迪杰斯特拉算法进行改进的算法，迪杰斯特拉算法的时间复杂度为 O（n3）。A*采用了启发式搜索的策略，路径规划的效率有了显著的提升，该算法流程如图 2 所示。3.2.4导航模块导航模块主要基于 ROS 环境，主要采用了 4 个功能包12，具体如下：Move_base。用于无人车导航，也参与多传感器的融合，该功能包的导航架构如图 3所示。AMCL。在运动的过程中对无人车的位姿进行概率估计。Map_server。用于地图的保存。Gmapping。用于建立地图，地图示例如图 4 所示。图 2A*算法流程说明图 3Move_base 功能包导航框架图 4建立地图3.3重要参数说明在调试无人车的过程中，有一些路径规划相关参数需要说明，具体包括路径规划相关参数、代价地图相关参数和 IMU 参数说明。路径规划相关参数包括全局路径规划（如表 1 所示）及局部路径规划11（如表2 所示）。表 1全局路径规划部分参数参数名参数含义参数值sim_time机器人以采样速度移动的时间/s2.5dwa是否采用动态窗口算法truevx_samplesx 方向速度空间的采样点数20occdist_scale机器人应避免多少障碍物的权重0.01表 2局部路径规划部分参数参数名参数含义参数值use_dijkstra在 全 局 路 径 规 划 中 是 否 采 用dijkstra 算法false科技与创新Science and Technology&Innovation1322023 年 第 18 期表 2（续）参数名参数含义参数值allow_unknown是否允许路径穿过未知区域trueuse_quadratic使用二次函数近似函数true4实验4.1实验环境实验环境如表 3 所示。表 3实验环境操作系统Ubuntu18.04、Windows10环境温度/530ROS 版本ROS-melodicIMU 型号维特智能 9 轴4.2实验结果一次实验定义为在固定区域每次进行 5 圈巡检，每一圈中设置 4 个巡检点，在第一次巡检时记录小车停止的位置，同时记录每次后续圈小车停止的位置，分别求得 4 个巡检点每次 5 圈参数设置的方差和标准差。在参数设置中，设置了弧度误差与位置误差，其中前者为 0.1 弧度，后者为 0.05 m（弧度与位置参数设置需要搭配高清相机的扩展角度），后续均以此为基准进行计算。经过多次实验及参数调试（详细参数设置可以参照 3.3 节），从方差与标准差（均保留 2 位小数）的评价指标中，得出的实验结果如表 4 所示。表 4实验结果实验次数每次圈数巡检 1巡检 2巡检 3巡检4111310712211151143412131047341155596标准差3.464.433.123.07方差12.0019.609.769.44211114714214121673610109474411575118标准差3.033.904.032.48方差9.2015.2016.246.1631131011102141017123131113104831211531096标准差4.172.932.652.04方差17.368.567.044.165结束语本文主要进行了深度学习与ROS的无人车辆巡检系统设计与研究，利用无人车辆对封闭厂区进行巡检，代替人工巡检。本文针对封闭厂区这种特定场景进行了多次巡检实验，从实验结果来看，基本可以满足基本的工业需求，并对后续机器人操作系统的设计与应用提供一定的参考。参考文献：1丁敏刚.智慧电厂中的设备巡检系统设计与实现J.集成电路应用，2023，40（5）：73-75.2陈前里，刘成良，贡亮，等.基于 ROS 的机械臂控制系统设计J.机电一体化，2016，22（2）：38-40，61.3商博.基于 ROS 的室内四旋翼飞行器 SLAM 研究D.沈阳：东北大学，2013.4郑富瑜，何苗，张辉，等.基于 ROS 的 ICP-SLAM 在嵌入式移动机器人上的实现与优化J.计算机应用研究，2019，36（5）：1437-1440.5祝甜一.基于ROS的自主式救援机器人SLAM和导航系统研究D.南京：东南大学，2015.6张吉圭，杨艳龙，曹泽洪，等.基于 ROS 和激光雷达 SLAM的自主导航智能车设计J.智能物联技术，2021，4（5）：35-41.7张军，余志强.基于 ROS 的室内巡检机器人多目标点导航研究与仿真J.绥化学院学报，2023，43（6）：141-144.8金龙，郭小璇，幺伦韬，等.基于卡尔曼滤波的称重蒸发仪的设计与实现J.自动化与仪表，2023，38（7）：100-104.9潘浩，尹相辉，伦秀春，等.基于扩展卡尔曼滤波的超级电容容值测量J.电源技术，2023，47（7）：940-944.10穆建君，周川，郭健，等.基于自适应简化容积卡尔曼滤波的编队卫星相对导航J.南京理工大学学报，2023，47（3）：365-372.11高凯.基于 ROS 的机器人运动规划和视觉定位方法研究D.沈阳：沈阳航空航天大学，2022.12胡铮，徐斌.融合 A*算法与人工势场法的动态路径规划J.组合机床与自动化加工技术，2023（7）：46-49，56.作者简介：郑乾坤（1996），男，河南鲁山人，硕士研究生，工程师，研究方向为无人车巡检。仪淼淼（1995），女，河南鲁山人，本科，助教，研究方向为无人车理论及设计。原杨（1981），男，河南济源人，本科，部门经理，研究方向为 5G 通信、大数据、无人巡检。（编辑：丁琳）