檢測機器人在定位與路徑規劃中的研究綜述

鄧潔 張文志 陳楷 李鑫

摘要：對國內外檢測機器人的研究現狀進行分析，探討了具備爬壁能力的檢測機器人在總體結構、控制系統、定位方式和路徑規劃技術上的研究進展。定位方式方面主要簡述了航跡推算定位、地圖匹配定位和組合定位的原理和特點，路徑規劃的算法方面主要分析了全局路徑規劃和局部路徑規劃算法。重點闡述了現有檢測機器人在吸附方式、定位技術和控制算法三個方面的優勢和不足。經分析表明，市面上常見的檢測機器人普遍存在定位準確度差和環境變化敏感度低的問題，結合檢測機器人智能化和自動化的發展趨勢，提出了優化擴展卡爾曼濾波方法將會對檢測機器人的定位精度的提升起著重要作用，在粒子群算法上進行突破性研究將有助于檢測機器人快速尋找到最優路徑。基于優化擴展卡爾曼濾波方法和粒子群算法對于提升檢測機器人的性能具有重要意義。

關鍵詞：檢測機器人；總體結構；定位方式；路徑規劃

中圖分類號：TP242?????????????????? 文獻標志碼：A?????????????????? doi：10.3969/j.issn.1006-0316.2024.05.001

文章編號：1006-0316 （2024） 05-0001-11

Research Review of Detection Robot in Positioning and Path Planning

DENG Jie，ZHANG Wenzhi，CHEN Kai，LI Xin

（ College of Mechanical Engineering， Inner Mongolia University of Technology， Hohhot 010051， China ）

Abstract：This paper analyzes the research status of detection robots at home and abroad， and discusses the research progress of detection robots with wall-climbing ability in the overall structure， control system， positioning mode and path planning technology. Regarding the positioning mode， the principles and characteristics of trajectory estimation positioning， map matching positioning， and integrated positioning are briefly introduced. And the path planning algorithm is analyzed with a focus on both global and local approaches. The advantages and disadvantages of the existing detection robot in adsorption mode， positioning technology and control algorithm are emphasized. The analysis shows that the common detection robots in the market generally have inadequate positioning accuracy and low sensitivity to environmental changes. In line with the development trend of intelligent and automated detection robots， it is proposed that the optimized extended Kalman filter and particle swarm optimization algorithm will play an important role in the positioning accuracy of robots， and the breakthrough in the research on particle swarm optimization will facilitate the robots in finding the optimal path quickly. The optimized extended Kalman filter and particle swarm optimization is of significant importance for enhancing the performance of detection robots.

Key words：detection robot；overall structure；positioning mode；path planning

在化工、機械和冶金等領域中處理易燃易爆原料時，面臨較高的風險隱患。為了保障操作的安全，通常會將危險物存儲在大型壓力容器內。在眾多不同類型的壓力容器中，球形儲罐具有一定的結構優勢以及性能優勢，在實際應用上更受青睞。相較于其他形式的儲罐，在相同容積和壓力條件下，球形儲罐的表面積最小，具有損耗少和空間利用率高的優點[1]。但是考慮到其在實際應用中一般是在高溫高壓或者腐蝕性強的惡劣環境下，因此，罐壁和焊縫連接部位往往會面臨著裂紋和蠕變的風險。這些問題的存在可能會導致嚴重的安全事故，不僅會造成巨大的經濟損失，而且還會對工作人員的人身安全造成隱患。從這一角度出發，在球形儲罐的應用過程之中，還需要進一步強化安全防范與風險應對[2]，需要定期對球形儲罐的壓力容器壁面上的焊縫檢測[3]，以此為依托確保可以及時地發現潛在風險隱患，并且及時采取應對策略，確保其安全運行。目前，大多數壓力容器的檢測仍然采用傳統的人工檢測方法，在開始檢測操作前，需要先關閉設備，在容器外圍搭建腳手架，工作人員要到高處進行逐點檢測。這種人工檢測方式存在效率低下、操作復雜程度較高等一系列問題[4]。為解決上述問題，目前已研發了爬壁機器人來代替人工完成壓力容器自主檢測。與人工檢測相比，這種檢測機器人能夠顯著地減少人為操作錯誤和檢測漏洞，提高了檢測效率，在很大程度上節約了檢測成本。

現有的爬壁檢測機器人對球罐上焊縫進行自主檢測的過程中，機器人在球罐表面穩定移

動的同時，還需要確保機器人擁有相應的視覺識別能力[5]，能對球罐表面進行精準識別并且生成高質量的圖像，檢測機器人的運作、移動與跟蹤需要沿著焊縫紋路開展，方便及時對球罐進行勘察分析，存檔記錄信息[6-7]。因此，機器人需要具備更準確的定位功能，可采用三維定位原理對焊縫位置以及存在問題的區域進行定位，從而確保工作人員可以更加迅速地針對焊縫存在的問題進行分析，并據此制定出與之相對應的修復策略[8-9]。Moreno等[10]提出了一種基于進化定位濾波器的檢測機器人全局定位方法ELF（Evolutionary filter），通過概率感知的方法，比較運動模型中觀測數據和預測數據得到二者的誤差，最后將全局定位模塊集成到一個配備激光測距儀的檢測機器人中，并利用實驗證明了該方法的有效性和魯棒性，但該方法沒有考慮到誤差累積的問題。在大型壓力容器上需要檢測機器人長時間工作，現有的機器人短時間內能保證定位精度，隨著時間誤差會逐漸增大，甚至產生嚴重偏移。此外，檢測機器人還應對焊縫路徑進行準確規劃，使其能夠完全遍歷球罐上錯綜復雜的焊縫[11]，并基于有效應對策略對焊縫路徑規劃的可行性以及合理性進行檢測與深入分析，從而確保其運動路徑最短、檢測質量和效率最優。路晨曦等[12]通過對輪式機器人在球面作業的運動分析，提出一種基于單元分解法及弗洛萊算法相結合的方法，規劃出機器人巡檢的最短路徑，并引入遺傳算法對檢測路徑進一步優化，但忽視了機器人直角轉彎的困難情況。本文通過綜述爬壁機器人進行焊縫精確識別和實時定位，在定位方

面，通過優化擴展卡爾曼濾波方法來獲取機器人最優定位，對誤差進行實時修正，最終實現有效全局定位。在路徑規劃方面，采用粒子群算法來規劃檢測路徑，具有魯棒性強和并行性好的優點，并對球罐上分布較復雜的焊縫的最短路徑規劃這一現實需求進行了研究，為大型壓力容器檢測機器人未來相關技術的研究提供了一定的方案，對大型壓力容器檢測技術的提高有重大意義。

1 爬壁機器人的研究進展

1.1 爬壁機器人的總體結構

爬壁機器人是一個綜合了信息技術、控制系統、傳感器以及機械設計等數個功能的復合體，其之所以能夠產生運動，主要是通過移動機構協同吸附機構，在二者的協力基礎之上實現相應功能。進一步分析發現，移動機構的核心構件包括車輪、履帶以及足式，而吸附機構的核心構件則包括磁鐵與吸盤，基于這種設計，才能確保機器人可根據其所處的環境交叉運動，最終實現移動[13]。通過分析與爬壁機器人相關的國內外研究現狀可知，近十年來獲取了一定的進展與成果，該類機器人在各個領域均展示出廣泛的應用前景。然而，目前仍然沒有一款機器人可以科學地針對球形壓力容器設計并投入應用，以完成特有的作業過程，如內外壁面進行檢查、噴砂除銹、噴漆防腐等，無法滿足球罐表面的檢測需求。

1.2 國外爬壁機器人研究進展

通過對國內外的一些爬壁機器人的吸附原理和移動原理進行重點闡述與對比分析發現，磁吸附式機器人在大型壓力容器檢測領域應用較多。在移動方式上，輪式和履帶式較為常見。Go等[14]研究了一款磁吸式行波型全向爬壁機器人，該機器人為需要定期檢查的船舶和油箱的壁面而開發的，由多個獨立的吸附單元連接而成，并且安裝了萬向節，使該機器人能夠適應曲面，并具有較順暢的移動能力。同時，其所應用的吸附機構屬于永磁吸附機構，可以保障其具備在垂直壁面上的較強的爬升能力。此外，該機器人還設置了凸輪控制機構，可實現磁鐵移動的同時控制組件的長短。Eich等[15]研制了一款小型雙輪攀爬機器人，其總體外形尺寸為380 mm×280 mm×150 mm，自重為670 g。這款機器人由兩個磁性車輪與一個彈性尾部組成，通過磁性車輪上的數個小磁塊在鋼制壁面上進行交替吸附，并由鋰聚合物電池供電對直流電機進行驅動，使得機器人能夠克服管道彎曲的限制，以實現自由移動。此外，機器人還配置了模擬攝像機，集成于機器人中，具備無線運行的能力，并通過WLAN達到遠程控制的目的，方便操作人員在遠距離進行監控和調控。相關研究中，Grieco等[16]還成功研發了一種新型的爬壁機器人，該機器人的設計是基于高載荷足式。機器人長110 mm、寬600 mm、高90mm。在機器人內部的控制系統安裝了PC構件，能夠實現高級控制。在吸附方式上采用永磁和電磁結合的形式，在移動方式上采用足式移動。在機器人的六只足上安裝有混合永磁鐵和電磁鐵的陣列，永磁體默認激活，以此為依托來保護該機器人，確保機器人的構件的安全性。即使在電源故障時，也能保證機器人不會從壁面脫離。Eto等[17]研究了一種具有形狀自適應磁粘附機構的輪式爬壁機器人，為了確保在各種彎曲的鐵磁表面上下移動，兩個搖臂通過差速器機構相互連接，同時和機器人的主體部分組合在一起。差速接頭保持兩個搖臂之間中心主體的平均俯仰角，并采用被動運動懸架的搖臂連桿，帶有釹磁鐵的磁鐵支架位于外

殼內部，固定于車輪的旋轉軸上。機器人外殼內表面與磁鐵支架之間有0.5 mm的間隔，從而確保連接到軸上的磁鐵支架與車輪旋轉之間具有一定的獨立性。Leon-Rodriguez等[18]研究了一種用于罐體檢測的爬壁機器人，如圖1所示。該機器人機體由多個板塊組成，相鄰板塊之間使用鉸鏈連接，可確保該機器人具有更強的靈活性與適用性。在鉸鏈連接處配備了車輪作為行走機構，使機器人能夠在物體表面穩定移動。此外，磁鐵被安裝在機器人每個板塊的下方，確保機器人能夠實現在攜帶小型檢測設備的前提下，具備在罐體壁面行走的曲面適應能力。

1.3 國內爬壁機器人研究進展

國內眾多高校也在這一領域中的開展了大量探索，一直走在國內研究的前沿[19]。迄今為止，研究人員已在這一領域中取得了一定的研究進展，成功研發了多種具備差異化功能的履帶式爬壁機器人，如圖2所示，并且已經將履帶式爬壁機器人應用于壓力容器焊縫檢測[20]。除此之外，也逐步提升了將機器人應用于維護與修復壓力容器的重視度，比如將傳統噴漆、噴砂方法的應用到實踐過程中。即便可以獲取到一定的防腐效果，但需要耗費大量的人力資源。因此，研究人員開發了具有磁吸附功能的爬壁機器人，該類型的爬壁機器人除了開展檢測焊縫的工作之外，還可以對容器的噴漆厚度進行具體檢測[21]。機器人采用永磁吸附雙履帶結構，可跨越罐壁上5～10 mm的突起物[22]，該結構吸附穩定、負載能力強，但行進過程中轉向不靈活。田蘭圖等[23]共同開發了一種新型履帶式爬壁機器人。該機器人在兩側各設置了履帶，每側的履帶上分布著36個永磁體吸盤。為了確保機器人具有較強吸附能力，采用12個吸盤共同作用，且本體左右兩側各安裝一臺額定功率為80 W的直流伺服電機驅動，此外，該機器人采用齒輪副和諧波減速器兩級減速傳動系統，超高的減速比使得運動轉向更加靈活。陳國明等[24]研制輪足組合式焊接機器人，該機器人的爬行機構由三組吸附單元和六個伺服電機驅動的驅動輪組成，每兩個驅動輪共同發揮作用，在吸附單元和驅動輪的共同作用下，該機器人既可以利用吸附單元實現足式越障，又可以通過驅動輪更加靈活地移動。同時還應用了升降變位機構，使得每組驅動輪實現交替抬高下降，確保該機器人可以實現越障功能。

1.4 爬壁機器人的不足與改進方向

基于對已有研究進展的闡述發現，大部分機器人采用的是多足式、輪式、履帶式這三種方式實現移動[25]，但是多足行走式機器人的構成比較繁雜，研究領域應用相對較少。然而在球罐表面檢測方面，采用磁吸附技術的爬壁機器人展現了巨大潛力，該類機器人安裝了磁性裝置，比如永磁鐵或者電磁鐵，用來吸附導磁材料，由此可以確保其具備較強的吸附能力。這類機器人的工作原理相對比較簡單，且可以按需求調控吸附力，進一步提升了檢測機器人的市場認可度與接受度。如今爬壁機器人研究人員把研究重心放在移動裝置的設計以及改進吸附方式上，針對機器人的自主性問題研究卻相對較少。在爬壁機器人的焊縫檢測過程，重點是維持其在壓力容器表面的吸附作用和移動功能，與此同時，還需增加跟蹤識別裝置，以精確定位機器人的坐標位置并制定科學的移動路徑。綜上，在研發檢測機器人時，應該將重點放在智能化與自動化兩個方向。

2 檢測機器人定位技術的應用

2.1 爬壁機器人的精確定位與定位技術

爬壁機器人被放置于球罐上對焊縫進行檢測的過程中，需要確保其具備較強的精確定位功能，特別是將其應用于球罐表面定位方面，這一功能顯得尤為重要。鑒于此，還必須根據爬壁機器人搭載的傳感器類型來盡可能全面地收集周圍的環境信息，并通過一定的數據處理得到自身位姿。當處于特定的工作環境時，爬壁機器人與移動機器人二者在定位功能上存在著類似性。爬壁機器人在球罐上的定位類似于移動機器人在空間上的定位，還可以進一步將移動機器人的定位劃分為絕對定位與相對定位[26]。相對定位是以機器人出發位置為參考，采用距離、方向這兩個關鍵參數，從而顯示出機器位置，而絕對定位則是應用SLAM（Simultaneous Localization and Mapping）和GPS等定位技術，以此獲得機器人的坐標信息[27]。

2.2 航跡推算定位

在移動機器人的定位方面，常見的方法主要以航跡推算定位方法為典型代表[28]。在實踐應用中，基于使用場景存在的差異性，需要選擇與之相匹配的傳感器[29]。在應用航跡推算定位方法的具體過程中，其定位功能的實現一般基于兩種方法：其一，利用里程計，通過對機器人運動的里程數進行記錄，以此對機器人的位置進行推斷；其二，利用慣性導航來計算和測量機器人的運行速度，以此定位機器人。二者對比后發現，第二種方法有著更高的準確度，但是應用過程中需要充分考慮到溫度飄移的問題，且相應的傳感器和設備成本較高。里程計定位相較航跡推算方法而言，在一定時間范圍內定位更加準確，并且還具備操作簡易性與成本低廉性等優勢。但該定位方法的計算誤差會逐漸累積的缺陷，長時間作業后，機器人將無法按照規定路徑移動，定位數據將失去意義。

2.3 地圖匹配定位

2.3.1 已知環境地圖定位

在定位之前，首先根據爬壁機器人的工作環境建立全局地圖，并將地圖信息存儲在爬壁機器人中，供定位過程使用。特征地圖適應于局部區域，可獲得較高環境精度，但在大范圍環境精度較差。目前常見的構建環境地圖的方法主要有特征法、柵格法以及拓撲法等[30]。

拓撲地圖比較適用于相似度不高且簡單的環境。特征地圖通過將自由位姿空間中的環境特征映射到特征圖上，并附加權值，從而將原問題轉換為圖搜索問題。該方法在局部區域內可獲得較高精度，但不適用于大范圍環境，且非結構環境下幾何特征地圖精度不足。柵格地圖創建和維護容易，能夠盡量保留整個環境的各種信息，而且簡單、高效、存儲方便、計算量小，具有較強的魯棒性。但當柵格數量增大時，地圖不容易維護，且實時性差。柵格劃分較小時計算量較大，柵格劃分較大時分辨率較低。為了進一步解決由于單一地圖應用的局限性，學者們開展探究如何構建起混合地圖的方法[31]。在這一背景之下，為了確定檢測機器人的全局位姿，需要對比分析全局地圖與局部地圖，同時利用機器人攜帶的傳感器對周圍環境進行探測，從而將機器人與地圖一一對應。現有的研究一般在識別周圍環境、建立環境地圖時采用的傳感器有超聲波、激光雷達、CCD攝像機等[32-34]，上述傳感器均具有相對準確的定位精度。

2.3.2 未知環境地圖定位

在一個完全陌生的環境中，機器人從一個未知的位置出發，建立環境地圖的同時，利用已經建立的地圖來更新自身的位姿，這個過程被稱為同時定位與地圖構建[35-36]，SLAM技術現在已經相當成熟，被廣泛應用于無人駕駛、機器人導航等諸多領域中。大部分學者認為該技術是實現機器人自主化、智能化的關鍵。SLAM定位方法在機器人定位領域引起了廣泛討論與探索，該方法是以視覺傳感器為基礎開展應用的一種方法，利用攝像機采集圖像信息，并將圖像信息經過特征提取、特征匹配以及位姿估計等一系列處理后，得到機器人在地圖中的位置與航向信息[37-38]。Klein等[39]在2007年就提出了PTAM（Parallel Tracking and Mapping）方案，該方案首次引入了非線性優化，并設置關鍵幀的機制，實現了并行化跟蹤和建圖過程，但也存在明顯缺點，比如場景小、容易跟丟等。Engle等[40]提出了LSD-SLAM算法（Large Scale Direct monocular SLAM），該算法采用密集跟蹤技術和實時視覺測距技術開展測算，允許在CPU上實時運行，具有簡潔性與準確性，并且擺脫了此前算法對于視覺特征的過于依賴。? 此外，該方法能夠連續估計半密集逆深度圖并使用密集圖像對齊來跟蹤相機運動，可以準確地估計相機位姿并同時構建大規模的半稠密三維地圖，具有不可忽略的圖像梯度，并且在新圖像到來時用新的測量值更新。隨著時間的推移，在傳統的方案中幾乎是沒有出現以簡單的應用CPU技術來重建半稠密的場景的情況。在跟蹤精度和計算速度方面，該方法優于最先進的基于特征的視覺里程計和SLAM的算法，但是在相機快速移動的過程之中，可能會出現丟失目標的這一問題，并對相機的內參以及曝光都很敏感[41]。Foster等[42]提出了一種半直接計算單目視覺里程的方法，簡稱SVO（Semi-Direct Monocular Visual Odometry）。該方法是根據視覺里程中的稀疏直接法開展研究。直接法主要作用于像素強度，即便在高幀率條件下，仍然可以實現高精度定位。半直接法是在直接法的應用中融入特征點進行計算，消除了昂貴的特征提取，同時帶來了更高的魯棒性，并且在定位精度和速度上明顯優于目前的方法。除此外，有學者又提出了ORB-SLAM和ORB-SLAM2算法（Oriented FAST and Rotated BRIEF，?? ORB）[43-44]。

2.4 組合定位

2.4.1 傳統組合定位方式

檢測機器人在實際應用中，應用單一化的定位方式更容易受制于環境因素的影響[45]，一旦傳感器在定位過程中出現故障，則會直接導致定位數據完全失效，進而影響對機器人的控制。為了解決這一問題，目前有相關學者對多傳感器融合的定位方法進行研究，該定位方法通過將各傳感器的信息進行綜合，實現各傳感器的優勢互補，從而有助于提升定位系統的精

度與準確度。Mur-artal等[46]為了解決GPS傳感器信號被遮擋時還能夠使車輛精確定位的問題，使用IMU傳感器和視覺進行融合，在一定程度上降低了定位的不穩定性。Abdulla[47]提出一種無人移動巡檢平臺在儲油罐底部的位置定位方法，因為測量系統存在一定的不確定性，所以在對平臺位置進行計算的過程中會產生誤差。在此基礎上采用安裝在平臺上的3量程和1軸承傳感器以及已知的儲罐輪廓，解決了定位誤差方面與三邊測量的技術難題。Elena等[48]將慣性、視覺和激光傳感器所采集到的數據用EKF算法（Extended Kalman Filter）進行融合，得到了高質量的地圖，提高了檢測機器人的定位精度。李愷[49]結合激光與視覺信息融合，有效提高了機器人在復雜交通中的環境感知。王隨陽等[50]提出了基于里程計、慣性和激光雷達等傳感器的緊密耦合組合濾波方法。經過實際場地的實驗驗證，該方法能夠有效地抑制機器人運動中的誤差累積，提升機器人的定位精度。王鵬飛[51]將激光雷達數據與深度相機數據融合構建自適應加權算法提升數據精度。張文等[52]提出RGB-D（深度）視覺與機載IMU（慣性）組合的自主定位方法，該方法利用法向量方向投影的方法實現高精度位置定位。通過融合外部視覺獲得的機器人底盤法向量信息、機載IMU測得的重力矢量信息和運動角速度信息，解決了其航向角誤差隨時間累積的問題，實現了機器人的高精度姿態估計，使爬壁機器人位置定位誤差小于0.02 m，姿態估計的航向角和橫滾角誤差小于2.5°，俯仰角誤差小于1.5°，有效地提高了爬壁機器人定位精度。

2.4.2 組合定位方式的改進

組合定位方式的改進是為了提高爬壁機器人在壓力容器表面定位的精確性。張文杰[53]利用有限差分方法和小循環迭代結構對擴展卡爾曼濾波算法進行改進，提出一種小循環有限差分擴展卡爾曼濾波算法，并引入粒子濾波器對該算法進行優化，最后采用仿真實驗對該方法進行了驗證。吳顯等[54]針對EKF位姿優化計時由于系統參數和傳感器觀測不確定性引起的誤差累積問題，提出了一種基于EKF的GNSS（Global Navigation Satellite System）里程計融合定位模型，實現了對里程計累積誤差的周期性校正，仿真結果表明所提出的算法能夠顯著提高檢測機器人的位姿優化估計精度。頓向明等[55]研究設計了一種被動聲定位技術的機器人定位系統，通過麥克風陣列來捕捉機器人發出的聲信號，應用改進的時延估計定位方法對信號進行處理，以實現對爬壁機器人的準確定位，并通過卡爾曼濾波算法來處理該定位數據。實驗表明該系統在15 m內的定位距離誤差不超過12 cm，在一定程度上提高了儲罐內爬壁機器人的智能水平及作業效率。

不同的定位方法有其適用場景和優缺點，針對相關定位技術：視覺識別可以通過攝像頭捕捉場景進行分析，實現定位和導航，但需要機器人具備較強的計算處理能力；組合定位可將多個傳感器的數據結合起來進行定位。這種方法的優點是可以同時利用多個傳感器，提高定位的精度和魯棒性，但罐體屬于在非平面空間，上述研究技術現狀提及的定位方法不能完全應用于大型壓力容器球罐上。

3 檢測機器人路徑規劃技術的研究進展

路徑規劃是實現檢測機器人自主檢測功能的必要部分，特別是對于球形壓力容器的檢測任務，更是不可或缺[56]。路徑規劃是指檢測機器人可以規劃從初始狀態到目標狀態的最優或近似最優路徑[57]。本文檢測機器人使用球罐上已知的地圖信息，規劃出一條可以遍歷全部焊縫的路徑。由于球罐壁面上焊縫分布錯亂，若無規則進行檢測，難免會有漏檢、重復檢測，達不到路徑最優化等問題。為提高檢測效率，要求最終的這條路徑能夠滿足機器人完全遍歷焊縫的同時達到最小的重復檢測率，規劃出完成全覆蓋檢測情況下的最優路線。傳統路徑規劃算法根據等級關系可以分為全局路徑規劃算法和局部路徑規劃算法[58]。全局路徑規劃算法的優勢主要是將感知環境信息置于首位[59]，即機器人事先獲取整個場景的信息，計算出最優的移動路徑；但是全局規劃缺點明顯，非常依賴機器人對環境信息感知的精細度及路徑準確，且對環境變化的處理效率很低，極大地浪費時間。相對而言，局部路徑規劃算法所用的時間相對較短，更側重于考慮計算機器人下一時刻的最優的移動路徑[60]，但需要實時更新機器人周邊環境模型并在不同的局部環境下能夠快速更新環境信息。全局路徑規劃和局部路徑規劃適用于不同的場景并能相互轉化，也可以同時使用[61]。

現階段有關于檢測機器人的路徑規劃這一方面的研究已經獲取了一定的進展以及成果，但檢測機器人路徑規劃也存在環境建模方面問題[62]。路徑規劃建模方法包括可視圖法和柵格法等。視圖法[63]是一種利用多邊形構建外圍框架來表示障礙物的方法，該方法的優點在于機器人的結構、形態不會對路徑規劃產生影響，缺點在于在路徑規劃方面缺乏靈活性，不能根據使用場景變化做對應調整，如果重新制定起點位置和目標點位置，則機器人也要根據改動的位置重新構建路徑行駛的可視地圖，而柵格法的應用原理是在將地圖進行小單元格劃分的基礎之上，實現對于機器人的工作環境模型的構建，因此也被稱為單元分解建模法。柵格法將運行環境進行單元分割，構建出來的柵格地圖環境信息清晰，但地圖存儲系統的空間有限，信息存儲過多將會增加地圖的存儲負擔和干擾信號，在較大程度上削弱了檢測機器人路徑規劃的效能，也無法確保在規定時間之內獲取到信息的有效性[64]。

檢測機器人的路徑規劃涉及到的指標主要有最佳路徑、收斂效率等，而最佳路徑與機器人對環境理解的準確性具有直接關系。因此，根據檢測機器人對環境信息的把握程度將其路徑規劃具體劃分為傳統算法和仿生智能算法兩種類型，其中，前者主要有迪杰斯特拉算法[65]、A算法和人工勢場方法，后者包含遺傳算法[66]、蟻群算法[67]、粒子群算法[68]等。在實際應用中，路徑規劃算法通常會結合機器人的本體及功能進行優化，通常采用遺傳算法尋找最優路徑，但該算法的復雜度較高；考慮環境因素和目標需求，具有一定的適應性和靈活性，可以選擇模糊控制，但需要模糊集合的選擇和精細化的調參。

4 展望

綜述大型壓力容器自動檢測機器人定位與路徑規劃問題的目的在于提高檢測機器人的自主檢測水平，定位方式和路徑規劃方法已有諸多成熟技術，但針對特定的壓力容器檢測方面研究仍有許多問題有待進一步改善，主要結論如下：

（1）由于定位的精度穩定性要求較高，多傳感器融合技術是未來研究的主流發展方向。由于實驗條件和環境限制，會存在動態性擾動因素，如基于視覺的焊縫識別容易受環境光和被檢測壁面清潔度的影響，為了最大程度的減少這些擾動因素的影響，下一步可以考慮視覺結合激光雷達等技術提高定位精度，并在以后工作中需要進一步探索融合算法模型。

（2）對于檢測機器人的自主定位問題，可在未來研究中將陀螺儀觀測模型、基于擴展卡爾曼濾波EKF融合后的新位姿與相機觀測模型三者相結合，實現檢測機器人在大型壓力容器上的自主定位。

（3）在路徑規劃方面，雖然粒子群算法已經在檢測機器人中得到應用，但粒子群算法在搜索后期由于算法早熟，會導致粒子集中在局部極值區域，而且目前粒子群算法無法徹底解決粒子局部范圍內的最優值問題，所以，以后需著重研究收斂機制方面的問題。

參考文獻：

[1]陳福海. TOF檢測與射線檢測在球罐檢測應用上的對比分析[J]. 質量技術監督研究，2020（5）：6-9.

[2]肖俊. 壓力容器事故及加強安全對策的研究[J]. 化工管理，2018（15）：81-82.

[3]楊寧祥，叢成龍，劉莎，等. 《鋼制球形儲罐定期檢驗規范》的研究[J]. 中國質量與標準導報，2018（1）：34-37.

[4]舒俊健，王強，何雅穎，等. 大型球罐容器焊縫識別與檢測爬壁機器人設計[J]. 熱加工工藝，2020，49（11）：127-135.

[5]徐羊，劉磊. 機器視覺智能機器人無損檢測系統探討[J]. 電腦知識與技術，2022，18（8）：76-77，80.

[6]SZEGEDY C，VANHOUCKE V，IOFFE S，et al. Rethinking the Inception Architecture for Computer Vision：2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）[C]. Las Vegas：2016.

[7]MING A，FURUKAWA S，TESHIMA T，et al. A new golf swing robot to simulate human skill—Learning control based on direct dynamics model using recurrent ANN[J]. Mechatronics，2006，16（7）：443-449.

[8]郭學軍，王喜平，劉賀平. 機器人焊縫中心三維定位的解析方法[J]. 數學的實踐與認識，2009，39（9）：123-127.

[9]魏崇珍. 船舶鋼結構焊接中常見病害成因及控制對策分析[J]. 江蘇科技信息，2018，35（4）：37-39.

[10]MORENO L，GARRIDO S，MUNOZ M L. Evolutionary filter for robust mobile robot global localization[J]. Robotics and Autonomous Systems，2006（7）：590-600.

[11]李斌，王聰，劉銅，等. 自適應爬壁磁粉檢測機器人：CN216646344U[P]. 2022-05-31.

[12]路晨曦，張文志，陳福民. 雙輪式機器人在球面上的運動學分析[J]. 機械傳動，2020，44（3）：137- 141.

[13]楊靜萍，李海峰，王萬雷，等. 爬壁機器人的方案設計與結構優化[J]. 科學技術創新，2018（31）：1-3.

[14]GO T，OSAWA T，NAKAMURA T. Proposed locomotion strategy for a traveling-wave-type omnidirectional wall-climbing robot for spherical surfaces：2015 IEEE International Conference on Robotics and Biomimetics （ROBIO）[C].? ZhuHai：2015.

[15]EICH M，V?GELE T. Design and control of a lightweight magnetic climbing robot for vessel inspection： Mediterranean Conference on Control Automation [C]. Platanias： 2011.

[16]GRIECO J C，PRIETO M，ARMADA M，et al. Asix-legged climbing robot for high payloads： Proceedings of the 1998 lEEE International Conference on ControlApplications[C]. Trieste：1998.

[17]ETO H，ASADA H H. Development of a Wheeled Wall- Climbing Robot with a Shape-Adaptive Magnetic Adhesion Mechanism： 2020 IEEE International Conference on Robotics and Automation （ICRA） [C]. Paris：2020.

[18]LEON-RODRIGUEZ H，HUSSAIN S，SATTAR T. Acompact wall-climbing and surface adaptation robot for non-destructive testing： 2012 12th International Conference on Control， Automation and Systems [C]. Jeju： 2012.

[19]黃哲軒. 石化儲罐壁面檢測爬壁機器人設計及其特性研究[D]. 天津：河北工業大學，2018.

[20]韓力春，閆曉玲，汪洋. 船舶爬壁機器人吸附技術及其應用研究探討[J]. 機械工程與自動化，2022（4）：216-219.

[21]姜洪源，李曙生，劉淑良，等. 磁吸附檢測爬壁機器人的研究[J]. 哈爾濱工業大學學報，1998（2）：80-84.

[22]潘煥煥，趙言正，劉淑良，等. 多功能履帶式磁吸附爬壁機器人的姿態控制研究[J]. 哈爾濱工業大學學報，2000（2）：5-8.

[23]田蘭圖. 油罐檢測爬壁機器人技術及系統研究[D]. 北京：清華大學，2004.

[24]陳國明. 輪足組合越障全位置自主焊接機器人的虛擬樣機設計與分析[D]. 上海：上海交通大學，2010.

[25]李瑞峰，李漢舟. 地面可移動服務機器人發展現狀[J]. 導航與控制，2017，16（1）：104-112.

[26]ZHANG S. Mobile robot positioning algorithm based on Kalman filtering method innetwork environment[J]. MATEC Web of Conferences，2020，327（1）：1-3.

[27]高恩陽，陳兆華，李彤，等. 移動機器人定位技術研究綜述[J].

科技視界，2015（30）：98-101.

[28]HASHIMOTO M，OBA F，TOMIIE T. Mobile robot localization using color signboard[J]. Mechatronics，1999，9（6）：633-656.

[29]俞阿龍，李正，孫紅兵，等. 傳感器原理及其應用[M]. 南京：南京大學出版社：201706. 331.

[30]CHIANG Y Y. Harvesting geographic features from heterogeneous raster maps[J]. Dissertations & Thses Gradworks，2010（1）：31-36.

[31]史鵬程，李加元，張永軍. 激光室內定位的混合式高效點云地圖構建方法[J]. 導航定位與授時，2022，9（4）：31-40.

[32]SHEN M Q，WANG Y Y，JIANG Y D，et al. A New Postining Method Based on Multiple Ultrasonic Sensors for Autonomous Mobile Robot[J]. Sensors（Basel），2019，20（1）：17-17.

[33]KIM H，CHOL Y. Location estimation of autonomous driving robot and 3D tunnel mapping in underground mines using pattern matched LiDAR sequential images[J]. International Journal of Mining Science and Technology，2021，31（5）：779-788.

[34]趙梅，沙宇芳，王芳榮. 基于CCD攝像頭的航空相機最佳成像位置定位系統[J]. 傳感器與微系統，2009，28（10）：94-96.

[35]龍大周. 基于視覺與慣導融合的移動機器人定位算法研究[D]. 重慶：重慶郵電大學，2021.

[36]JIA G，LI X，ZHAN G D，et al. Visual-SLAM Classical Framework and Key Techniques： A Review[J]. Sensors （Basel， Switzerland），2022，22（12）：4582-4582.

[37]DEBEUNNE C，VIVET D. A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping[J]. Sensors，2020，20（7）：2068.

[38]QIAN J，CHEN K，CHEN Q，et al. Robust Visual-Lidar Simultaneous Localization and Mapping System for UAV[J]. IEEE Geoscience and Remote Sensing Letters，2022（19）：1-5.

[39]KLEIN G，MURRAY D. Parallel Tracking and Mapping for Small AR Workspaces：2007 6th IEEE and ACM International Symposiumon Mixed and Augmented Reality[C]. Nara：2007.

[40]ENGEL J，ST?CKLER J，CREMERS D. Large-scale direct SLAM with stereo cameras： 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）[C]. Hamburg：2015.

[41]ENGEL J，STURM J，CREMERS D. Semi-dense Visual Odometry for a Monocular Camera： 2013 IEEE International Conference on Computer Vision[C]. Sydney： 2013.

[42]FORSTER C，PIZZOLI M，SCARAMUZZA D. SVO： Fast

semi-direct monocular visualodometry： 2014 IEEE International Conference on Robotics and Automation （ICRA）[C]. Hong Kong：2014.

[43]MUR-ARTALR，MONTIELJMM，TARDOSJD. ORB-SLAM： A Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics，2015，31（5）：1147-1163.

[44]MURA R，TARDOS J D. ORB-SLAM2：An Open-Source SLAM System for Monocular， Stereo， and RGB-D Cameras[J]. IEEE Transactions on Robotics，2017，33（5）：1255-1262.

[45]黃榮懷. 人工智能正加速教育變革：現實挑戰與應對舉措[J]. 中國教育學刊，2023（6）：26-33.

[46]MUR-ARTAL，RAUL，MONTIEL， et al. ORB-SLAM： A Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics：A publication of the IEEE Robotics and Automation Society，2015，31（5）：1147-1163.

[47]ABDULL A，KHALIL A，SHEHHI A，et al. Localization of a submersible mobile in spection platform in an oil storage tank： 7th International Symposium on Mechatronics and its Applications[C].

Sanya：2010.

[48]ELENA L，SERGIO G，RAFAEL B，et al. A Multi-Sensorial Simultaneous Localization and Mapping （SLAM） System for Low-Cost Micro Aerial Vehicles in GPS-Denied Environments[J]. Sensors，2017，17（4）：802.

[49]李愷. 激光與視覺信息融合的復雜交通環境感知方法研究[D]. 淄博：山東理工大學，2020.

[50]王隨陽，蔣林，雷斌，等. 基于多傳感器融合的室內機器人定位研究[J]. 組合機床與自動化加工技術，2020（10）：72-75.

[51]王鵬飛. 基于ROS的多傳感器信息融合自主導航控制系統設計與實現[D]. 南京：南京郵電大學，2019.

[52]張文，丁雨林，陳詠華，等. 基于外部視覺與機載IMU組合的爬壁機器人自主定位方法[J]. 清華大學學報（自然科學版），2022，62（9）：1524-1531.

[53]張文杰. 基于多傳感器室內移動機器人自主定位方法的研究[D]. 哈爾濱：哈爾濱工業大學，2009.

[54]吳顯. 基于多傳感器信息融合的移動機器人定位方法研究[D]. 北京：北京交通大學，2016.

[55]頓向明，繆松華，沈靜，等. 基于麥克風陣列的儲罐內爬壁機器人定位技術[J]. 機器人，2012，34（4）：460-465.

[56]張昊宇. 關于壓力容器檢驗探討[J]. 科技創新與應用，2019（2）：143-144.

[57]LYU D S，CHEN Z W，CAI Z S，et al. Robot path planning by leveraging the graph-encoded Floyd algorithm[J]. Future Generation COMPUTER Systems-The International Journal of Escience，2021（122）：204-208.

[58]史國軍. 儲油罐壁爬行機器人漏磁探傷與路徑規劃技術研究[D]. 大慶：東北石油大學，2018.

[59]LUAN P G，Thinh N T . Hybrid genetic algorithm based smooth global-path planning for a mobile robot[J]. Mechanics Based Design of Structures and Machines，2021（15）：1-17.

[60]陳浩，王光林，郝詢. 移動機器人的路徑規劃綜述與發展趨勢[J]. 物流技術與應用，2020，25（10）：158-160.

[61]彭君. 改進RRT算法在移動機器人路徑規劃中的應用研究[D]. 南京：南京郵電大學，2022.

[62]張廣林，胡小梅，柴劍飛，等. 路徑規劃算法及其應用綜述[J]. 現代機械，2011（5）：85-90.

[63]邵長春，胡國明，李水明. 焊接機器人路徑規劃的高斯變異蝗蟲優化算法[J]. 機械設計與制造，2023（4）：276-280.

[64]趙娜，岳建鋒，李亮玉，等. 雙機器人主從協調焊接的路徑規劃算法[J]. 焊接學報，2015，36（3）：67-70.

[65]WANG Z，CROWCROFT J. Analysis of shortest-path routing algorithms in a dynamic network environment[J]. Acm Sigcomm Computer Communication Review，1992，22（2）：63-71.

[66]徐興，俞旭陽，趙蕓，等. 基于改進遺傳算法的移動機器人全局路徑規劃[J]. 計算機集成制造系統，2022，28（6）：1659-1672.

[67]YANG Y，GAO H，WANG D. Research on path planning for mobile robot based on antcolony algorithm in dynamic environment： IEEE Conference on Industrial Electronics & Applications[C]. Singapore：2008.

[68]LI Q，ZHANG C，XU Y M，et al. Path planning of mobile robots based on specialized genetic algorithm and improved particles warm optimization： Proceedings of the 31st Chinese Control Conference [C]. HeFei：2012.