[发明专利]自动和自适应的三维机器人现场勘测

说明书

一种用于生成资产的三维模型的方法，包括：接收输入参数，该输入参数与使无人驾驶交通工具围绕资产运行的任务计划的约束相对应；基于包括代表性资产类型的信息的输入参数来生成任务计划，其中任务计划包括航路点，这些航路点标识无人驾驶交通工具的一个或多个图像传感器的位置和方向，为无人驾驶交通工具生成飞行路径，以连接满足一个或多个预定义标准的航路点，并在执行从一个航路点到下一航路点的飞行路径期间监控无人驾驶交通工具的交通工具状态，在每个航路点确定一个或多个图像传感器感测到的资产的局部几何形状，基于该局部几何形状即时改变任务计划，并沿改变的任务计划的航路点捕获资产的图像。

技术领域

背景技术

本文公开的主题涉及现场勘测，并且更具体地，涉及围绕工业资产的多感知数据的自主收集，以建立资产及其环境的三维模型。对于机器人，特别是那些在工业环境中运行的机器人，希望具有自动感测和建模其环境的能力。然后，该环境的模型可用于指导其他任务，例如检查、避障、机器人定位和瞄准。

许多现有的3D重建系统经受一些影响其性能的限制。通常，资产的三维(3D)重建所需的数据是由操作人员手动飞行的无人机或由人员携带的传感系统收集的。请注意，由人员执行数据收集过程的各个方面，可能是一项困难且容易出错的任务。当计划的数据收集将花费大量时间、收集可能采取多种途径、有许多要检查的关注点、资产和/或周围环境复杂且动态变化、其他人和/或机器人在该区域同时操作等时，尤其如此。

手动数据收集不保证收集到正确的数据以生成满足某些关键绩效指标(KPI)的3D重建，例如确保图像聚焦、指向资产的正确区域、以及图像之间有足够的重叠以建立准确的模型。此外，手动数据收集通常会导致收集大量数据。如上所述，当前可用的系统通常涉及操作人员操作无人机以手动捕获大量图像(例如，成千上万个)，然后将其用于构建资产的3D模型。将整个数据集馈送到重建引擎可能在计算上非常昂贵。此外，未聚焦或没有足够重叠的图像的存在可能导致重建劣化。

因此，期望提供以自动和自适应方式促进三维机器人现场勘测的系统和方法。

发明内容

本文所描述的实施方式基于现有技术，通过提供使无人机器人/车辆基于新信息自主地计划(例如，给定资产类型)并实时(“即时”)更新/适应其任务的系统和方法来进行改进。

在各个实施方式中，无人航空系统可在最少的人工干预的情况下，自主地收集关于用于构建3D模型的资产的多感知数据。该系统生成任务计划，该计划考虑了任务和资产的各种约束(例如，地理围栏、相机参数、资产尺寸和资产类型)。各种约束被组合以构建任务计划，该计划捕获适当数量的数据以最大化3D重建精度。此外，系统可基于由二维(2D)和三维(3D)相机感测到的资产的局部几何形状，自动即时(on-the-fly)重新计划。

在一些常规方法中，资产的3D重建所需的数据通常由操作人员手动飞行的无人机或由人员携带的传感系统收集。例如，无人机首先手动飞行(例如，由操作人员)或在限定的路径上飞行以捕获数据/初始图像，然后将其用于离线构建资产的3D模型。使用诸如机器学习的离线分析，可在将数据馈送到3D重建引擎之前对其进行清洗。例如，可将操作人员收集的大量图像修剪为使用感知模型和域模型进行精确3D重建所需的最佳数量的数据样本(例如，最小的相关集合)。然而，这需要来自操作者的恒定反馈，以确保图像具有期望的质量并且捕捉到期望的图像。

传统方法的局限性之一是构建资产的3D模型是一个计算上昂贵的过程，并且在很大程度上取决于资产的尺寸和类型以及所收集的图像数量。根据资产的尺寸和无人机的功率限制，模型构建操作可能需要很长时间才能完成，从几小时到几天不等(例如，对于典型的大型工业资产)。此外，这些3D重建引擎通常在可并行化的云服务器上运行得更好。但是，许多工业资产都位于难以通过网络上传大量信息的区域。结果，传统系统通常花费几天的时间来建立资产的准确模型，然后可将其用于重新生成任务计划。