復雜環(huán)境下巡檢機器人智能感知與風險預警技術研究

楊少封

（山西大數(shù)據(jù)產業(yè)發(fā)展有限公司，山西 太原 030006）

0 引 言

當前煤礦井下巡檢機器人的數(shù)據(jù)是獨立采集，輸送機的巡視和檢修工作大部分都依靠人工，人工巡檢存在諸多問題。煤礦機器人的設計研究很少有大數(shù)據(jù)技術參與，因此構建巡檢機器人的多源數(shù)據(jù)信息融合，使其對所處環(huán)境進行切合實際的感知、識別和建模。具備環(huán)境自適應能力的煤礦巡檢機器人具有極大的市場前景，而全局的一致性地圖對巡檢機器人環(huán)境自適應能力的提升具有指導性意義。針對煤礦井下復雜環(huán)境下有軌巡檢機器人設計精確且高效的環(huán)境地圖構建算法，研究巡檢機器人智能預警系統(tǒng)，對煤礦及其他工業(yè)企業(yè)領域具有指導意義[1]。

1 技術分析

隨著圖像處理技術和視覺傳感器的發(fā)展，構建具有豐富信息和真實尺度的環(huán)境地圖，可為機器人的自主運行和任務決策提供基礎保障。在同步定位與地圖構建（Simultaneous Localization and Mapping，SLAM）算法設計過程中充分考慮有軌機器人特性，進一步提高地圖的精確性和實時性。通過技術的研究、系統(tǒng)研發(fā)以及示范應用，可以有效解決惡劣工況下人工巡檢的危險性高、人工巡檢頻次低、巡檢難度大、巡檢效率低、誤檢以及漏檢等問題。該系統(tǒng)能夠代替絕大部分人工巡檢工作，提高設備管理的智能化和精細化水平。

巡檢機器人作為服務機器人的一個分支，能代替人類在復雜場景下開展巡視工作，按照其工作方式可分為人機協(xié)作式巡檢機器人與無人值守式巡檢機器人。國內外學者對軌道式巡檢機器人做了許多研究，經(jīng)過幾十年發(fā)展，已取得了一定成績。但從目前研究現(xiàn)狀及實際應用角度出發(fā)，仍存在一些問題：（1）軌道機器人的環(huán)境自適應能力較弱，沒有基于全局地圖的行為決策能力；（2）缺乏與其他智能體協(xié)同作業(yè)的能力[2]。

2 研究內容

2.1 有軌巡檢機器人環(huán)境自適應能力的研究

巡檢機器人基本的功能如自主運動、環(huán)境數(shù)據(jù)智能感知、興趣點定位都是基于具備全局一致性環(huán)境地圖實現(xiàn)。在兼顧實時性的前提下，以構建精確的全局地圖為目標，以有軌機器人的優(yōu)勢作為出發(fā)點，對視覺SLAM 算法進行改進，將定位和建圖過程進行解耦合，將其分為定位和建圖2 個部分進行研究。為了充分發(fā)揮機器人的軌道優(yōu)勢，將沿軌道固定無線電射頻識別（Radio Frequency Identification，RFID）標簽陣列作為全局路標，并對機器人與RFID 通信過程中的信道狀態(tài)信息如相位、頻率、幅度等進行建模分析，構建合適的濾波器對機器人進行高精度的實時定位。在構圖過程中，利用機器人的實時位置信息對視覺里程計進行校準，實現(xiàn)對機器人位姿的最優(yōu)估計，利用定位過程中構建的信息指紋庫提高SLAM 算法的閉環(huán)檢測效率。最后，構建分辨率可調的全局地圖，利用低算法復雜度的地圖更新方式對地圖進行更新。此外，基于智能調度算法對機器人的傳感器和功能模塊進行智能調度，基于結構光和增量式地圖對興趣點進行精確定位，基于避免沖突的控制策略與其他智能體進行交互以構建全局一致性地圖，從而增強巡檢機器人的環(huán)境自適應能力[3]。

圖1 技術結構

2.2 巡檢機器人風險預警評估模型的研究

巡檢機器人攜帶的傳感器可以對井下信息進行全方位的感知，熱成像、聲音、可見光、振動、溫濕度以及氣體監(jiān)測等多種傳感器產生數(shù)據(jù)格式和通信方式各不相同，通過數(shù)據(jù)融合后可應對復雜場景。通過研究多源異構數(shù)據(jù)的融合技術，挖掘數(shù)據(jù)深層次的關聯(lián)并提取深層次的語義信息，探索煤礦災害特征前兆的深度智能感知方法。通過融合多種模態(tài)的數(shù)據(jù)特征，將文字、視頻、語音以及圖片等多種信息進行綜合分析，可實現(xiàn)精準預測。通過巡檢機器人實現(xiàn)對數(shù)據(jù)更深層次的理解，可提升機器人的環(huán)境監(jiān)測、環(huán)境感知以及巡航性能。通過基于大數(shù)據(jù)的多源信息數(shù)據(jù)挖掘及智能分析技術，構建瓦斯、煤塵、水、火和地質等災害的智能分析和預警系統(tǒng)。煤礦井下帶式輸送機主要對管帶機托輥異常檢測、皮帶縱向撕裂監(jiān)測、火情及有害氣體監(jiān)測、皮帶異常識別以及電機和輥筒異常監(jiān)測等進行數(shù)據(jù)采集、分析及預警。技術結構示例如圖1 所示。

3 研究方法及技術路線

在定位過程中，充分發(fā)揮機器人的軌道優(yōu)勢，將沿軌道固定的RFID 標簽作為全局路標，對機器人進行高精度的實時定位。首先，對機器人及其接收到的RFID 標簽之間的信道進行分析，構建信道狀態(tài)信息（Channel State Information，CSI）指紋庫。其次，基于標簽位置及其與機器人接收信號強度指示（Received Signal Strength Indication，RSSI）值、相對速度進行建模，構建合適的濾波器，對機器人的位置、速度的大小和方向進行估計，并以軌道上RFID 路標擬合的軌道形狀為約束條件對機器人的位置和速度進行二次優(yōu)化。最后，結合機器人的速度信息，利用卡爾曼濾波算法對離散的位置進行處理，實現(xiàn)機器人的高精度實時定位。

在構圖過程中，首先利用機器人的實時位置信息校準視距里程計，用尺度不變性和旋轉不變性的視覺特征對圖像進行分析，對機器人的位姿進行最優(yōu)估計，并基于位姿和圖像構建局部地圖。其次，基于CSI 指紋庫和地圖特征庫的詞匯袋模型進行雙閉環(huán)檢測，基于當前圖像對局部地圖進行優(yōu)化。最后，在局部地圖的基礎上，利用八叉樹地圖分辨率可調的特性，設計基于概率八叉樹構圖方法的全局地圖和低算法復雜度的地圖更新方法，以便融入其他智能體的環(huán)境地圖模型[4]。

在機器人環(huán)境自適應過程中，首先基于全局地圖信息和實時位置對機器人的傳感器與功能模塊進行智能調度，以實現(xiàn)自主運行和環(huán)境數(shù)據(jù)的智能感知。其次，在機器人接近興趣點時，使用智能調度算法對興趣點使用結構光和視覺傳感器構建稠密的三維局部地圖，提高環(huán)境中興趣點的定位精度。最后，與其他智能體進行信息共享，構建更為全面的全局一致性地圖，進一步增強機器人的環(huán)境自適應能力。

巡檢機器人的多個傳感器產生的數(shù)據(jù)格式不同，因此必須先利用相關性分析、歸一化、加權平均等多種方式對數(shù)據(jù)進行預處理。經(jīng)過預處理后的數(shù)據(jù)可以進入多模態(tài)數(shù)據(jù)融合的神經(jīng)網(wǎng)絡模型進行訓練，前沿Transformer 的改良神經(jīng)網(wǎng)絡通過設計可以對當前數(shù)據(jù)進行處理，結合雙向門控循環(huán)單元（Gated Recurrent Unit，GRU）、深度置信網(wǎng)、多核函數(shù)融合以及基分類器融合的算法改進可進一步提高模型的準確率。設計的神經(jīng)網(wǎng)絡經(jīng)過訓練后，能使巡檢機器人對所處的煤礦復雜環(huán)境有更深層次的環(huán)境感知和環(huán)境理解，并能對設備壽命預測、塌方預測、皮帶損傷檢測、氣體泄露檢測以及人員風險等做出適當?shù)脑u估，此外還可通過數(shù)據(jù)關聯(lián)分析及數(shù)據(jù)可視化實現(xiàn)對數(shù)據(jù)的直觀理解和復雜環(huán)境的風險評判。

4 創(chuàng)新點

4.1 創(chuàng)新點1

在設計過程中，首先考慮了有軌機器人特殊的運動方式，在軌道固定RFID 標簽作為全局路標向機器人提供定位參考，并通過對機器人與標簽通信過程中信道特性的特點進行分析，構建了合適的過濾器，便于對機器人的位置和速度進行估計。其次，利用RFID 標簽的位置信息構建合適的約束條件對機器人位置、速度進行優(yōu)化，并使用卡爾曼濾波算法對離散時間的位置和速度信息進行優(yōu)化處理，從而能夠精確獲得機器人的實時位置。最后，基于機器人實時位置信息對視覺SLAM 的視距里程計進行校準，實現(xiàn)機器人位姿的最優(yōu)估計；利用機器人定位過程中構建的信息指紋庫和地圖特征庫的詞袋模型進行雙閉環(huán)檢測，為機器人的精確構圖提供保障。此外，以全局地圖和機器人位置為出發(fā)點，基于智能調度算法實現(xiàn)機器人傳感器和功能模塊的智能調度，利用分辨率可調的八叉樹構圖模型，針對不同環(huán)境位置進行不同稠密級別的構圖，并以輕量級的增量式更新方式對地圖進行更新，以提高巡檢機器人自主運行、環(huán)境數(shù)據(jù)智能、興趣點定位等功能的實時性和精確性[5]。

4.2 創(chuàng)新點2

面向復雜環(huán)境下的多源異構數(shù)據(jù)融合問題，利用計算機視覺傳感器、聲音傳感器以及空氣質量傳感器等收集的環(huán)境數(shù)據(jù)，設計了如Transformer、深度置信網(wǎng)等一系列復雜的網(wǎng)絡模型，經(jīng)過神經(jīng)網(wǎng)絡的訓練和學習后，使得數(shù)據(jù)可以進行更深層次的數(shù)據(jù)融合。通過設計的多模態(tài)融合算法對多源異構數(shù)據(jù)進行深度語義融合，可實現(xiàn)對復雜環(huán)境的深層次感知和理解，進一步提升風險檢測的準確性。此外還可以實現(xiàn)設備壽命預測、人員安全檢測等功能，使得巡檢機器人可以適應更復雜的環(huán)境，提高巡檢機器人在煤礦的工作效率，擴展巡檢機器人的工作功能。

5 預期效益

通過對復雜環(huán)境下巡檢機器人的智能感知與風險預警技術研究，建立預警分析模型和分析系統(tǒng)，預期效益如下。

5.1 社會效益

該系統(tǒng)提高了巡檢工作的安全性，體現(xiàn)以人為本的精神，對于一些存在安全隱患、環(huán)境惡劣的工業(yè)場景，采用智能巡檢機器人可以大幅降低人員傷害風險，提高巡檢安全性。

5.2 預計經(jīng)濟效益

一方面，節(jié)約人工成本。以管帶輸送機巡檢為例，一條輸送機短則幾百米，長則幾十千米，做到全面巡檢需要投入大量的人力。采用智能巡檢機器人系統(tǒng)（平臺）可替代絕大部分人工，包括巡檢人員和相關運營管理人員，起到節(jié)約人工成本的作用。另一方面，減少設備故障損失。采用智能巡檢方式可以對設備進行實時監(jiān)測，更加高效、精準地發(fā)現(xiàn)設備運行存在的隱患，及時預警處置，減少因故障維修造成的各類損失，提高設備管理及生產運營的數(shù)字化和智能化水平。

5.3 生態(tài)效益

巡檢機器人通過搭載各類傳感設備，在巡檢過程中實時檢測周邊工況中有害氣體濃度、火情等信息，并將結果上報至運營平臺，給現(xiàn)場人員發(fā)出預警信息，及時消除隱患，以減少災害發(fā)生，保護生態(tài)環(huán)境。

6 結 論

通過技術的研究、系統(tǒng)研發(fā)以及示范應用，可以有效解決惡劣工況下人工巡檢的危險性高、人工巡檢頻次低、巡檢難度大、巡檢效率低、誤檢以及漏檢等問題。系統(tǒng)能夠代替絕大部分人工巡檢工作，提高設備管理的智能化和精細化水平，并能夠帶來巨大的社會經(jīng)濟效益。