轨道AI巡检机器人智能控制系统技术方案

一种轨道AI巡检机器人智能控制系统，包括环境信息收集模块、环境地图构建模块、智能巡检模块；本发明专利技术涉及智能巡检机器人领域，主要解决现有技术中轨道巡检机器人控制系统智能化程度不高、巡检效率低下问题。本发明专利技术对巡检机器人所处位置周围进行环境信息提取，将收集的信息进行融合，构建环境地图，根据自身定位和地表环境进行路径规划，巡检过程中主动进行障碍物避让，实现智能巡检。实现智能巡检。实现智能巡检。

【技术实现步骤摘要】
轨道AI巡检机器人智能控制系统


[0001]本专利技术涉及机器人巡检领域，具体地说，涉及一种轨道AI巡检机器人智能控制系统。

技术介绍

[0002]在生产项目中，需要定期进行巡检，为了减少投入的人力成本，巡检机器人被专利技术出来，巡检机器人代替人工进行巡检操作，一些重复性劳动被机器人所代替，使用机器人进行巡检，可以提高巡检的次数，大大减少问题发生的概率，也可以及时发现问题，但目前巡检机器人自主性较低，智能性差，对巡检过程中遇到的问题不能主动处理，对周围环境识别不准确，要提高巡检机器人的自主性智能性，本专利技术提供了一种AI智能巡检机器人，通过多重传感器，融合环境信息，自主的进行巡检任务，通过人工智能算法，自动进行巡检规划，遇到障碍物主动进行等待或避让，大大提高了发现问题的概率，对巡检机器人方面具有较大的突破。

技术实现思路

[0003]本专利技术的目的在于提供一种轨道AI巡检机器人智能控制系统，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供一种轨道AI巡检机器人智能控制系统，包括环境信息收集模块、环境地图构建模块、智能巡检模块；首先，通过安装在巡检机器人上的传感器，识别周围环境并收集环境信息，对多重信息进行融合，采用视觉感知技术，获取周围物体的立体图像，并通过视觉处理器对图像进行处理分析，构建巡检机器人的视觉系统；其次构建巡检机器人周围地图，且对自身位置进行定位；最后采用人工智能算法，选择需要巡检的关键位置，自动规划巡检路线，且移动过程中主动识别障碍物并避让。r/>[0005]进一步的，所述环境信息收集模块，对巡检机器人周围环境信息进行收集，通过安装在巡检机器人上的距离传感器、视觉传感器、气味传感器、温度传感器，对巡检机器人四周的各种环境信息进行收集，距离传感器高精度的检测周围物体的距离和方位，获取周围环境的几何信息；视觉传感器是巡检机器人实现视觉感知的基础与核心，通过视觉传感器进行图像的测量和判断，帮助构建环境地图；气味传感器检测巡检机器人周围是否有有毒气体，危险化学品；温度传感器收集周围的温度信息，判断工作环境的温度情况。
[0006]巡检机器人视觉感知技术通过视觉分析和图像处理，多角度挖掘视觉数据中的不同特征，从而实现对不同环境信息的筛选、分析和表达，本专利技术采用SURF算法来表示所在周围环境；SURF算法采用方形滤波器，滤波器函数如下：
[0007][0008]表示滤波器函数，i，j代表像素点的坐标值，、代表各方向上总像素点个数；特征点提取时，利用图像每个像素点的海森矩阵，像素点x(i，j)，在尺度为下的
海森矩阵为：
[0009][0010]、、分别代表高斯二阶导数、、在x、y处对于图像的卷积，采用盒子滤波器替换根据海森矩阵的和行列式提取极值点：
[0011][0012]、代表权重，接着用特征向量描述特征点信息，以特征点为中心构造一个方向为特征点主方向的正方形邻域，对邻域进行均匀分割，计算出每个小区域上所有像素点在x和y方向上的响应和总响应，得四维特征向量v：
[0013][0014]、代表x，y方向上的小波转换总和，、分别代表x，y方向上的向量长度总和，所有子区域的特征向量一起形成特征描述符。
[0015]将信息进行融合，提高巡检机器人对环境信息的获取能力和巡检机器人系统决策的能力，更好的实现障碍物识别避让，巡检机器人路径规划，采用基于改进的神经网络的多信息融合技术，精确的对周围环境进行信号提取融合，根据粒子群算法，构建寻优公式：
[0016][0017][0018]、、、分别表示第i个粒子在第k+1、k次迭代时的位置矢量，表示权重，、为加速度常数，、分别代表粒子i的历史最优适应度在第k次迭代的位置和粒子i的历史最优适应度在第k次迭代的位置矢量；采用BAS算法对信息数据进行改进，创建两方向模型：
[0019][0020][0021]、分别表示第k次迭代时方向1和方向2上的位置坐标，表示第k次迭代时的质心坐标，表示第k次迭代时两方向的距离；更新迭代位置：
[0022][0023]f表示符号函数，、代表、时的适应度，表示第k次迭代时的步长因子，更新距离和步长：
[0024][0025][0026]、分别表示距离衰减系数和步长衰减系数，、分别代表最小距离阈值和最小步长阈值，引入粒子行为增量：
[0027][0028]代表第k+1次迭代时的行为增量，改进寻优公式：
[0029][0030][0031]表示为行为增量的权重系数，可计算：
[0032][0033]、分别代表权重系数的最大值和最小值，k代表当前迭代系数，代表总的迭代系数；采用改进的BP神经网络算法对信息进行融合，降低信息特征维数，提高数据融合效率和融合精度，根据LEACN算法完成分簇，将信息传入簇首节点，每轮簇首节点更新，分簇形成后记录节点信息并传入基础节点，基础节点根据传入信息确定BP神经网络结构，选取相匹配的数据集，确定空间维度，每个簇内节点个数就是输入层神经元个数Q，隐藏层神经元个数为O，输出层神经元个数为１，空间维度Ｅ为：
[0034][0035]初始化位置向量，计算舒适度h，公式如下：
[0036][0037]ｍ为样本数据训练数量，代表第ｉ个样本数据的融合预测值，代表ｉ个样本数据实测值，根据适应度，确定粒子的最佳位置，计算行为增量，更新粒子的速度和位置，基础点与BP神经网络链接，将权值和阈值传入簇节点，簇内根据权重和阈值构建相应的BP神经网络，对上传信息进行融合处理，将融合结果传入基础点，完成一轮信息融合。
[0038]进一步的，所述环境地图构建模块，本专利技术采用混合地图，混合地图灵活性强，精确度高，鲁棒性强，有尺度信息，确保地图信息的简洁和准确。
[0039]构建栅格－拓扑混合地图，在底层通过算法完成定位与地图创建，位置数学模型如下：
[0040][0041]表示巡检机器人i时刻的位置，表示巡检机器人上传感器观测到的i个目标，表示机器人在处观测到的观测数据，代表输入控制数据，、分别代表位置噪声和观测噪声；对目标点数据结构为：
[0042][0043]d代表目标点深度信息，代表目标点编号，代表目标点的类型，调整初始目标点：
[0044][0045]r表示对应半径，、分别表示目标点左右两端的编号，构建栅格地图，栅格地图基于障碍物出现的概率进行构建，栅格地图将环境划分为一系列网格，网格为空取0，网格存在取1，引入贝叶斯模型，更新网格状态，用m表示各个网格，表示位置的网格，如下等式：
[0046][0047]网格点状态t为：
[0048][0049]对于网格更新了值z时，更新状态为：
[0050][0051]得到后验概率为：
[0052][0053]带入状态更新方程：
[0054][0055]创建拓扑地图，将拓扑节点T的数据结构定义为：
[0056][0057]代表优化后巡检机器人位姿，代表当前节点的候选目标点集合，、分别代表父节点和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨道AI巡检机器人智能控制系统，其特征在于，包括环境信息收集模块、环境地图构建模块、智能巡检模块；首先，通过安装在巡检机器人上的传感器，识别周围环境并收集环境信息，采用SURF算法对环境进行感知，通过改进的BP神经网络，对多重信息进行融合，采用视觉感知技术，获取周围物体的立体图像，并通过视觉处理器对图像进行处理分析，构建巡检机器人的视觉系统；其次构建巡检机器人周围地图，且对自身位置进行定位；最后采用Q－learning人工智能算法，选择需要巡检的关键位置，自动规划巡检路线，在移动过程中主动识别障碍物并避让。2.根据权利要求1所述一种轨道AI巡检机器人智能控制系统，其特征在于，所述环境信息收集模块，通过安装在巡检机器人上的距离传感器、视觉传感器、气味传感器、温度传感器，对巡检机器人四周的各种环境信息进行收集。3.根据权利要求1所述一种轨道AI巡检机器人智能控制系统，其特征在于，所述环境信息收集模块，对周围收集的环境信息进行筛选表示，详细过程如下：巡检机器人采用SURF算法筛选表示所在周围环境；SURF算法采用方形滤波器，滤波器函数如下：；表示滤波器函数，i，j代表像素点的坐标值，、代表各方向上总像素点个数；特征点提取时，利用图像每个像素点的海森矩阵，像素点x(i，j)，在尺度为下的海森矩阵为：；、、分别代表高斯二阶导数、、在x、y处对于图像的卷积，采用盒子滤波器替换根据海森矩阵的和行列式提取极值点：；、代表权重，用特征向量描述特征点信息，以特征点为中心构造一个方向为特征点主方向的正方形邻域，对邻域进行均匀分割，计算每个小区域上所有像素点在x和y方向上的响应和总响应，得四维特征向量v：；、代表x，y方向上的小波转换总和，、分别代表x，y方向上的向量长度总和，所有子区域的特征向量形成特征描述符。4.根据权利要求1所述一种轨道AI巡检机器人智能控制系统，其特征在于，所述环境信息收集模块，将筛选的信息进行融合，详细过程如下：采用基于改进的神经网络的多信息融合技术，对周围环境进行信号提取融合，根据粒
子群算法构建寻优公式：；；、、、分别表示第i个粒子在第k+1、k次迭代时的位置矢量，表示权重，、为加速度常数，、分别代表粒子i的历史最优适应度在第k次迭代的位置和粒子i的历史最优适应度在第k次迭代的位置矢量；采用BAS算法对信息数据进行改进，创建两方向模型：；；、分别表示第k次迭代时方向1和方向2上的位置坐标，表示第k次迭代时的质心坐标，表示第k次迭代时两方向的距离；更新迭代位置：；f表示符号函数，、代表、时的适应度，表示第k次迭代时的步长因子，更新距离和步长：；；、分别表示距离衰减系数和步长衰减系数，、分别代表最小距离阈值和最小步长阈值，计算粒子行为增量：；代表第k+1次迭代时的行为增量，改进的寻优公式：；；表示为行为增量的权重系数，可计算：；、分别代表权重系数的最大值和最小值，k代表当前迭代系数，代表总的迭代系数；采用改进的BP神经网络算法，降低信息特征维数，提高数据融合效率和融合精度，根据LEACN算法完成分簇，将信息传入簇首节点，每轮簇首节点更新，分簇形成后，簇首记录节点信息并传入基础节点，基础节点根据传入信息确定BP神经网络结构，选取相匹配的数据集，确定空间维度，簇内节点个数代表输入层神经元个数Q，隐藏层神经元个数为O，输出层神经元个数为1，空间维度Ｅ为：；初始化位置向量，计算舒适度h，公式如下：
；m为样本数据训练数量，代表第ｉ个样本数据的融合预测值，代表i个样本数据实测值，根据适应度，确定粒子的最佳位置，计算行为增量，更新粒子的速度和位置，基础点与BP神经网络链接，将权值和阈值传入簇节点，簇内根据...

【专利技术属性】
技术研发人员：陆立明，陆泽鑫，周连杰，刘丹，刘晓利，
申请(专利权)人：唐山昌宏科技有限公司，
类型：发明
国别省市：