消防偵檢機器人的定位建圖與路徑規(guī)劃

摘"要：通過針對搭載氣體檢測、視頻采集、激光雷達等多傳感器的消防偵檢機器人的即時定位、地圖構(gòu)建與路徑規(guī)劃問題進行研究。同時還研究了激光雷達與深度相機數(shù)據(jù)融合、環(huán)境信息與地圖信息的可視化、動態(tài)路徑規(guī)劃等關(guān)鍵技術(shù)，提升機器人的建圖、定位與規(guī)劃效率，實現(xiàn)機器人自動控制、自主定位、路徑規(guī)劃和信息采集，提高國內(nèi)消防偵檢機器人的智能化水平。

關(guān)鍵詞：機器人控制"即時定位"路徑規(guī)劃"魯棒優(yōu)化

中圖分類號：TP242

Localization，"Mapping"and"Path"Planning"of"Firefighting"Detection"Robots

CHU"Xuejiao

（Shanghai"Qiyao"Environmental"Technology"Co.，"Ltd.，"Shanghai，"200090"China）

Abstract："This"paper"studies"the"problem"of"the"simultaneous"localization，"mapping"and"path"planning"of"firefighting"detection"robots"equipped"with"multiple"sensors"such"as"gas"detection，"video"capture"and"the"lidar，"and"aslo"studies"key"technologies"such"as"the"data"fusion"of"the"lidar"and"the"depth"camera，"the"visualization"of"environmental"and"map"information，"and"dynamic"path"planning，"which"improves"the"efficiency"of"the"mapping，"localization"and"planning"of"robots，"realizes"the"autonomous"control，"autonomous"localization，"path"planning"and"information"collection"of"robots，"and"enhances"the"intelligence"level"of"domestic"firefighting"detection"robots.

Key"Words："Robot"control;"Simultaneous"localization;"Route"planning;"Robust"optimization

當(dāng)前，每年火災(zāi)及化學(xué)品等物質(zhì)的泄漏、燃燒、爆炸等事故給人們的生命安全和財產(chǎn)造成了巨大損失。在發(fā)生火災(zāi)、爆炸等事故后，消防人員在高危事故現(xiàn)場的救援和勘察過程中存在很多困難。例如：在面臨易燃易爆氣體、有毒有害氣體、高溫濃煙等災(zāi)害情況時，由于缺少有效裝備及設(shè)施，救援人員若貿(mào)然采取行動必將給消防人員帶來很大危險。消防人員雖然可著防護設(shè)備進入火場，但需攜帶諸多探測設(shè)備對火場參數(shù)進行測量，給消防員造成沉重的體力負擔(dān)，甚至?xí)璧K消防人員在爆炸等緊急情況下的逃生[1，"2]。

1."國內(nèi)外研究現(xiàn)狀

目前國內(nèi)消防偵檢機器人主要適用于爆炸性危險區(qū)域，能替代消防救援人員進入易燃、易爆、有毒有害、缺氧、濃煙等危險災(zāi)害現(xiàn)場，進行偵察并將采集的信息（圖像、語音、數(shù)據(jù)）實時處理和實時無線傳輸。但是在消防實際作戰(zhàn)過程中，機器人需要進入陌生的樓宇或者室內(nèi)區(qū)域中進行偵檢任務(wù)，普通的消防偵檢機器人不能快速構(gòu)建導(dǎo)航地圖并實現(xiàn)機器人的定位導(dǎo)航。

SLAM（Simultaneous"Localization"and"Mapping），即同時定位與建圖，作為移動機器人定位與建圖領(lǐng)域非常重要的技術(shù)，MUR-ARTAL"R和DISSANAYAKE"M等人的研究中提及，自1986年由Hugh"Durrant-Whyte"和"John"J.Leonard在ICRA首次提出以來，經(jīng)過近幾十年的發(fā)展，已經(jīng)有了諸多適用于特定場景的解決方案[3，"4]。

將SLAM與消防機器人相結(jié)合，將解決消防機器人在陌生環(huán)境中進行偵檢任務(wù)不能快速構(gòu)建導(dǎo)航地圖并實現(xiàn)自主導(dǎo)航的問題。“激光+SLAM”是目前機器人自主定位導(dǎo)航所使用的主流技術(shù)。激光測距相比較于圖像和超聲波測距，具有良好的指向性和高度聚焦性，是目前最可靠、穩(wěn)定的定位技術(shù)。激光雷達傳感器獲取地圖信息，構(gòu)建地圖，實現(xiàn)路徑規(guī)劃與導(dǎo)航。機器人路徑規(guī)劃與運動執(zhí)行的結(jié)合，需要多傳感器的融合[5]。通過激光雷達和深度相機掃描周圍的環(huán)境，判斷智能體與環(huán)境物體的間距[6，"7]；運用跌落傳感器辨別邊緣區(qū)域，防止踏空跌落[8]；運用超聲波傳感器，探測深度相機與激光雷達的視覺盲區(qū)，如玻璃等，防止碰撞；運用碰撞傳感器，讓機器人在與其他物體相撞之時，能夠及時調(diào)整自己的方向。在獲取地圖之后，消防機器人應(yīng)能根據(jù)起點與終點的位置，規(guī)劃避開障礙物的最短移動路徑[9]。該任務(wù)設(shè)計優(yōu)化算法，當(dāng)前啟發(fā)式優(yōu)化方法可以獲得較好的規(guī)劃結(jié)果，但優(yōu)化結(jié)果的魯棒性有待進一步提高[10，"11]。目前，尚沒有研究從建圖和路徑規(guī)劃兩方面對消防機器人做整體研究。

目前，現(xiàn)有的消防偵檢機器人在陌生的爆炸性危險環(huán)境中執(zhí)行任務(wù)時，不能構(gòu)建導(dǎo)航地圖并實現(xiàn)自主導(dǎo)航，存在信息采集不足、機器人智能化程度不高、不能自主避障等問題[12-"13]，智能化程度較低，實用性較弱，因此亟待優(yōu)化完善。考慮到以上問題，本文將提出一種消防偵檢機器人的集成方案，以下將從硬件結(jié)構(gòu)和軟件設(shè)計兩方面對系統(tǒng)進行介紹。

2系統(tǒng)設(shè)計

2.1硬件結(jié)構(gòu)設(shè)計

消防偵檢機器人硬件結(jié)構(gòu)擬包含7個主要模塊：板載計算機模塊、履帶式移動底盤、電機驅(qū)動模塊、無線通信模塊、傳感器組模塊、激光雷達及視覺模塊和電源模塊。其中，傳感器組模塊包含有害氣體檢測傳感器等，用于監(jiān)測環(huán)境參數(shù)；慣性測量傳感器，用于輔助機器人即時定位；視覺模塊采用深度相機，用于地圖構(gòu)建、工作視頻采集和障礙物辨識。基于以上硬件結(jié)構(gòu)，擬實現(xiàn)機器人遠程控制、環(huán)境參數(shù)采集及回傳、自主路徑規(guī)劃及避障、即時定位與地圖構(gòu)建等功能。

2.2軟件設(shè)計主框架

本系統(tǒng)旨在實現(xiàn)在未知環(huán)境中機器人的自主定位和環(huán)境地圖構(gòu)建。在系統(tǒng)初始化階段，首先，建立SLAM系統(tǒng)的基本結(jié)構(gòu)，包括地圖、位姿估計、特征提取和描述符等核心組件。這個初始化過程為后續(xù)的SLAM操作奠定了基礎(chǔ)。在主循環(huán)中，采用傳感器數(shù)據(jù)預(yù)處理的方法，對原始數(shù)據(jù)進行優(yōu)化和校正，以確保數(shù)據(jù)的質(zhì)量和一致性。這包括去除鏡頭畸變、點云配準和慣性測量單元（Inertial"Measurement"Unit，"IMU）數(shù)據(jù)融合等步驟。其次，執(zhí)行特征提取和匹配，通過使用特征提取器從傳感器數(shù)據(jù)中提取關(guān)鍵點和特征描述符，并進行特征匹配來建立當(dāng)前幀與上一幀之間的關(guān)聯(lián)。這是SLAM系統(tǒng)中的關(guān)鍵步驟，用于確定機器人的運動軌跡。位姿估計是SLAM系統(tǒng)的核心之一，使用特征匹配的結(jié)果來估計當(dāng)前幀相對于上一幀的位姿。這一步驟采用不同的技術(shù)，包括運動模型、視覺里程計和數(shù)學(xué)優(yōu)化方法。地圖的構(gòu)建是SLAM的另一個重要方面，通過將當(dāng)前幀的特征點投影到地圖上不斷更新地圖的信息，包括環(huán)境的幾何結(jié)構(gòu)和特征點分布。再次，系統(tǒng)還包括回環(huán)檢測機制，定期檢查機器人是否返回到先前訪問過的地點。當(dāng)檢測到回環(huán)時，系統(tǒng)將執(zhí)行修正操作，以提高位姿估計和地圖的一致性。為了提高位姿估計的精度，系統(tǒng)還引入了位姿優(yōu)化步驟，使用全局或局部優(yōu)化方法，如圖優(yōu)化，來進一步細化位姿估計的結(jié)果。最后，對地圖進行維護，刪除不穩(wěn)定或重復(fù)的特征點，以確保地圖的準確性和可用性。最后，基于當(dāng)前地圖，動態(tài)調(diào)整行進路線，尋找到目標點距離最短最安全的路線，直到機器人抵達目標點。

1.3地圖構(gòu)建與環(huán)境信息融合

結(jié)合激光雷達、深度相機和慣性測量單元完成即時定位與地圖構(gòu)建，建立高魯棒性的地圖構(gòu)建系統(tǒng)。同時，開發(fā)上位機軟件，展示實時地圖構(gòu)建結(jié)果，并通過點云圖、等線圖等方式在地圖上標注實時環(huán)境信息。

1.3自主偵檢路徑規(guī)劃

自主路徑規(guī)劃主要包含兩部分：自主避障和自主偵檢路徑規(guī)劃。自主避障為局部優(yōu)化策略，由板載計算機模塊執(zhí)行；自主偵檢路徑規(guī)劃為全局優(yōu)化策略，綜合遠程監(jiān)控偏好區(qū)域設(shè)置與環(huán)境值分布規(guī)律對路徑進行優(yōu)化，從而提高偵檢效率，保證運行安全，縮減危險區(qū)域（如泄漏點）的查找時耗。

融合障礙物預(yù)測的魯棒路徑規(guī)劃是一種基于遺傳算法的智能路徑規(guī)劃方法，可以提高機器人或自動駕駛系統(tǒng)在復(fù)雜環(huán)境中的導(dǎo)航魯棒性。該算法主要分為初始化種群、主循環(huán)、子代生成、障礙物預(yù)測模型更新、適應(yīng)值估計、種群排序與選擇以及最終路徑輸出等步驟。

首先，初始化種群，即生成一組具有隨機性的候選路徑。這些路徑將作為初始解的集合，種群的大小和初始路徑的多樣性對算法的性能有重要影響。其次，通過一個主循環(huán)來控制算法的迭代過程，直到滿足結(jié)束條件。在每次迭代中，通過遺傳算法的交叉和變異操作，將父代路徑組合產(chǎn)生新的路徑。這一步驟旨在保留高適應(yīng)度路徑的特征，并引入一些變異以增加搜索空間的多樣性。最后，更新障礙物預(yù)測代理模型。這一模型的更新可以基于Kriging插值等方法，通過不斷收集新的觀測數(shù)據(jù)來提高對環(huán)境障礙物分布的預(yù)測精度。這樣的預(yù)測模型更新使得路徑規(guī)劃能夠更好地適應(yīng)環(huán)境的變化。

算法根據(jù)預(yù)測模型的不確定性估計路徑的適應(yīng)值。這一步驟的關(guān)鍵在于將障礙物預(yù)測的不確定性融入適應(yīng)值的計算中，使規(guī)劃的路徑更具有魯棒性和可靠性。通過適應(yīng)值對種群進行排序，并選擇適應(yīng)值較高的個體作為父代，用于下一輪的交叉和變異操作。這一步驟保留了適應(yīng)性較強的路徑，促進了遺傳算法的收斂性。最后，保存最佳路徑作為算法的輸出。這條路徑是在考慮障礙物預(yù)測不確定性的情況下，通過遺傳算法搜索得到的機器人或車輛的導(dǎo)航路徑。這條路徑具有較好的魯棒性，適應(yīng)于在復(fù)雜、動態(tài)的環(huán)境中導(dǎo)航。

綜合而言，融合障礙物預(yù)測的魯棒路徑規(guī)劃算法通過遺傳算法、障礙物預(yù)測模型更新和適應(yīng)值估計等步驟，使機器人能夠更好地應(yīng)對環(huán)境變化，具備更高的路徑規(guī)劃魯棒性。

3實驗測試

根據(jù)以上設(shè)計，令機器人在仿真環(huán)境下進行測試。

4結(jié)語

本文研究了消防偵檢機器人的硬件結(jié)構(gòu)、即時定位、地圖構(gòu)建與路徑規(guī)劃問題。將SLAM技術(shù)引入消防偵檢機器人，并設(shè)計了融合避障功能的魯棒路徑規(guī)劃算法。仿真結(jié)果證明，所提出的硬件與軟件結(jié)構(gòu)可以較好地實現(xiàn)定位、建圖與路徑規(guī)劃，為消防機器人的發(fā)展提供了技術(shù)支持。

參考文獻

[1] 祁宇明，謝兵，鄧三鵬，等.可變形履帶式自動巡檢消防機器人設(shè)計與性能分析[J].裝備制造技術(shù)，2019（10）：62-66.

[2] 彭小清.消防機器人在我國滅火救援中的應(yīng)用現(xiàn)狀和前景分析[J].今日消防，2019，4（12）：18-19.

[3] MUR-ARTAL"R，MONTIEL"J"M"M，TARDOS"J"D."ORB-SLAM："A"Versatile"and"Accurate"Monocular"SLAM"System"[J].IEEE"Transactions"on"Robotics，2015，31（5）："1147-1163.

[4] DISSANAYAKE"M，NEWMAN"P，CLARK"S，et"al."A"solution"to"the"simultaneous"localization"and"map"building"（SLAM）"problem[J]."IEEE"Transactions"on"Robotics"and"Automation，2001，17（3）：229-241.

[5] CHIANG"K-W，TSAI"G-J，CHU"H-J，et"al."Performance"Enhancement"of"INS/GNSS/Refreshed-SLAM"Integration"for"Acceptable"Lane-Level"Navigation"Accuracy[J].IEEE"Transactions"on"Vehicular"Technology，2020，69（3）：2463-2476.

[6] LIU"C，ZHOU"C，CAO"W，et"al.A"Novel"Design"and"Implementation"of"Autonomous"Robotic"Car"Based"on"ROS"in"Indoor"Scenario[J].Robotics，2020，9（1）：1-15.

[7] ZHANG"T，NAKAMURA"Y.Humanoidnbsp;Robot"RGB-D"SLAM"in"the"Dynamic"Human"Environment[J].International"Journal"of"Humanoid"Robotics，2020，17（2）：1-10.

[8] WEN"S，ZHAO"Y，YUAN"X，et"al.Path"planning"for"active"SLAM"based"on"deep"reinforcement"learning"under"unknown"environments[J].Intelligent"Service"Robotics，2020，13（2）：263-272.

[9] SATAKE"Y，ISHII"H.Path"Planning"Method"With"Constant"Bending"Angle"Constraint"for"Soft"Growing"Robot"Using"Heat"Welding"Mechanism[J].IEEE"Robotics"and"Automation"Letters，2023，8（5）：2836-2843.

[10] SHAO"X，GONG"Y"J，ZHAN"Z"H，et"al."Bipartite"Cooperative"Coevolution"for"Energy-Aware"Coverage"Path"Planning"of"UAVs"[J].IEEE"Transactions"on"Artificial"Intelligence，2021，3（1）：29-42.

[11] DU"W，SONG"W，TANG"Y，et"al.Searching"for"Robustness"Intervals"in"Evolutionary"Robust"Optimization[J].IEEE"Transactions"on"Evolutionary"Computation，2022，26（1）：58-72.

[12] 熊根.履帶式消防機器人設(shè)計與仿真[D].南昌：南昌大學(xué)，2019.

[13] 秦松亭.基于物聯(lián)網(wǎng)技術(shù)的消防偵察機器人系統(tǒng)設(shè)計[D].大連：大連海事大學(xué)，2017.