一种基于多智能体的地铁管道巡检系统技术方案

本申请涉及一种基于多智能体的地铁管道巡检系统，该系统包括：采集单元，用于利用探测设备采集管道图像信息；管道状态预测单元，用于根据管道图像信息预测管道状态；控制单元，用于根据探测设备的当前位置坐标和管道状态获取探测设备的最优巡航路径，并控制探测设备按最优巡航路径进行巡航。本申请提供的技术方案，可以达到全方位、高精度的地铁管道巡检任务，提高了管道巡检的效率和可靠性。提高了管道巡检的效率和可靠性。提高了管道巡检的效率和可靠性。

【技术实现步骤摘要】
一种基于多智能体的地铁管道巡检系统


[0001]本申请属于城市轨道交通
，具体涉及一种基于多智能体的地铁管道巡检系统。

技术介绍

[0002]地铁管道巡检是保障城市地铁安全可靠并有效运行的一个最为重要的系统。目前管道巡检工作主要依赖人工进行间隔性地实地检查和汇报，任务繁重且效率低下。同时，随着地铁往纵深方向发展，由于受地形及其环境因素的影响，人工巡检往往成为一项艰难且可能存在危险的复杂任务。

技术实现思路

[0003]为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于多智能体的地铁管道巡检系统，可以达到全方位、高精度的地铁管道巡检任务，提高了管道巡检的效率和可靠性。
[0004]根据本申请实施例的第一方面，一种基于多智能体的地铁管道巡检系统，所述系统包括：
[0005]采集单元，用于利用探测设备采集管道图像信息；
[0006]管道状态预测单元，用于根据所述管道图像信息预测管道状态；
[0007]控制单元，用于根据所述探测设备的当前位置坐标和所述管道状态获取探测设备的最优巡航路径，并控制所述探测设备按最优巡航路径进行巡航。
[0008]进一步的，所述探测设备为：无人机、无人车或机器人。
[0009]进一步的，所述探测设备上设置有传感器，用于采集管道图像信息。
[0010]进一步的，所述管道状态预测单元，具体用于：
[0011]根据所述管道图像信息，利用管道状态预测模型预测管道状态。
[0012]进一步的，所述系统还包括：
[0013]模型建立单元，用于建立所述管道状态预测模型。
[0014]进一步的，所述模型建立单元，包括：
[0015]第一模型建立模块，用于以历史的第一管道图像信息为深度学习模型的输入层训练样本，以历史的第一管道图像信息对应的历史的管道状态为深度学习模型的输出层训练样本进行训练，获取预设深度学习模型；
[0016]第二模型建立模块，用于利用迁移学习技术，以历史的第二管道图像信息为预设深度学习模型的输入层训练样本，以历史的第二管道图像信息对应的历史的管道状态为预设深度学习模型的输出层训练样本进行训练，获取管道状态预测模型。
[0017]进一步的，所述系统，还包括：
[0018]位置获取单元，用于利用GPS技术获取所述探测设备的当前位置坐标。
[0019]进一步的，所述控制单元，包括：
[0020]路径获取模块，用于以所述探测设备的当前位置坐标和所述管道状态为多智能体规划模型的输入，获取探测设备的最优巡航路径。
[0021]进一步的，所述控制单元，还包括：
[0022]模型建立模块，用于建立所述多智能体规划模型。
[0023]进一步的，所述模型建立模块，包括：
[0024]采集子模块，用于采集环境信息；
[0025]建立子模块，用于根据采集的环境信息，基于马尔可夫模型建立多智能体模型；
[0026]模型获取子模块，用于以历史的探测设备的当前位置坐标和其对应的管道状态为多智能体模型的输入层训练样本，以历史的最优巡航路径为多智能体模型的输出层训练样本进行训练，获取多智能体规划模型。
[0027]本申请的实施例提供的技术方案可以包括以下有益效果：本申请通过采集单元利用探测设备采集管道图像信息，管道状态预测单元根据所述管道图像信息预测管道状态，控制单元根据所述探测设备的当前位置坐标和所述管道状态获取探测设备的最优巡航路径，并控制所述探测设备按最优巡航路径进行巡航，可以达到全方位、高精度的地铁管道巡检任务，提高了管道巡检的效率和可靠性，同时，还减少了人工巡检所带来的危险。
[0028]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0029]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0030]图1是根据一示例性实施例示出的一种基于多智能体的地铁管道巡检系统的示意图；
[0031]图2是根据一示例性实施例示出的另一种基于多智能体的地铁管道巡检系统的示意图；
[0032]图3是根据一示例性实施例示出的另一种基于多智能体的地铁管道巡检系统的实际应用示意图。
具体实施方式
[0033]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0034]图1是根据一示例性实施例示出的一种基于多智能体的地铁管道巡检系统的结构示意图，如图1所示，该系统包括：
[0035]采集单元，用于利用探测设备采集管道图像信息；
[0036]管道状态预测单元，用于根据管道图像信息预测管道状态；
[0037]控制单元，用于根据探测设备的当前位置坐标和管道状态获取探测设备的最优巡航路径，并控制探测设备按最优巡航路径进行巡航。
[0038]本专利技术实施例提供的一种基于多智能体的地铁管道巡检系统，通过采集单元利用探测设备采集管道图像信息，管道状态预测单元根据管道图像信息预测管道状态，控制单元根据探测设备的当前位置坐标和管道状态获取探测设备的最优巡航路径，并控制探测设备按最优巡航路径进行巡航，可以达到全方位、高精度的地铁管道巡检任务，提高了管道巡检的效率和可靠性，同时，还减少了人工巡检所带来的危险。
[0039]作为上述实施例的一种改进，本专利技术实施例提供另一种基于多智能体的地铁管道巡检系统的结构示意图，如图2所示，包括：
[0040]采集单元，用于利用探测设备采集管道图像信息；
[0041]管道状态预测单元，用于根据管道图像信息预测管道状态；
[0042]控制单元，用于根据探测设备的当前位置坐标和管道状态获取探测设备的最优巡航路径，并控制探测设备按最优巡航路径进行巡航。
[0043]进一步可选的，探测设备可以但不限于为：无人机、无人车或机器人。
[0044]可以理解的是，如图3所示，通过无人飞机、管道机器人、采集单元、管道状态预测单元和控制单元实现了立体式的交互。
[0045]进一步可选的，探测设备上设置有传感器，用于采集管道图像信息。
[0046]需要说明的是，本专利技术实施例中涉及的探测设备上设置的传感器的类型可以但不限于为图像拍摄和扫描类的传感器。
[0047]进一步可选的，管道状态预测单元，具体用于：
[0048]根据管道图像信息，利用管道状态预测模型预测管道状态。
[0049]进一步可选的，该系统还包括：
[0050]模型建立单元，用于建立管道状态预测模型。
[0051]进一步可选的，模型建立单元，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多智能体的地铁管道巡检系统，其特征在于，所述系统包括：采集单元，用于利用探测设备采集管道图像信息；管道状态预测单元，用于根据所述管道图像信息预测管道状态；控制单元，用于根据所述探测设备的当前位置坐标和所述管道状态获取探测设备的最优巡航路径，并控制所述探测设备按最优巡航路径进行巡航。2.根据权利要求1所述的系统，其特征在于，所述探测设备为：无人机、无人车或机器人。3.根据权利要求1所述的系统，其特征在于，所述探测设备上设置有传感器，用于采集管道图像信息。4.根据权利要求1所述的系统，其特征在于，所述管道状态预测单元，具体用于：根据所述管道图像信息，利用管道状态预测模型预测管道状态。5.根据权利要求4所述的系统，其特征在于，所述系统还包括：模型建立单元，用于建立所述管道状态预测模型。6.根据权利要求5所述的系统，其特征在于，所述模型建立单元，包括：第一模型建立模块，用于以历史的第一管道图像信息为深度学习模型的输入层训练样本，以历史的第一管道图像信息对应的历史的管道状态为深度学习模型的输出层训练样本进行训练，获取预设深度学习模型；第二模型建立模块...

【专利技术属性】
技术研发人员：潘颖慧，
申请(专利权)人：启若人工智能研究院南京有限公司，
类型：发明
国别省市：