[发明专利]一种高铁箱梁巡检机器人实现自动巡检的方法

权利要求书

1.一种高铁箱梁巡检机器人实现自动巡检的方法，其特征在于，包括如下步骤：

S1、雷达SLAM算法生成地图：使巡检机器人行驶至待巡检的高铁箱梁处，然后利用巡检机器人上的激光雷达扫描模块对巡检机器人的周围环境进行立体扫描，并将获取的环境信息传给巡检机器人上的处理器，处理器基于雷达SLAM算法生成周围环境的地图；

S2、定位巡检机器人位置、并在地图中规划走行路径：利用巡检机器人上的GPS定位模块获取巡检机器人自身在环境中的绝对位置信息，并将获取的绝对位置信息传递给处理器；利用巡检机器人上的姿态检测模块获取巡检机器人自身在环境中的相对姿态信息，并将获取的相对姿态信息传递给处理器；处理器加载构建好的地图，结合绝对位置信息和相对姿态信息，通过人工势场法在地图中规划出巡检机器人的走行路径；

S3、确认巡检机器人的运动控制方案：处理器将规划好的走行路径传输给巡检机器人上的运动控制处理器，运动控制处理器接收处理器中的路径信息、姿态信息、位置信息，确认巡检机器人的运动控制方案，并输出控制信号量；

其中，巡检机器人的运动控制方案的确认，包括a)自适应控制量的EKF-SLAM方法和b)基于SLAM方法的控制量模糊预测方法两部分，其中，

a1)首先采用状态转移矩阵的概率分布表示巡检机器人的运动模型：

P(X_k|X_k-1，u_k) (1)；

公式(1)中，P(X_k|X_k-1，u_k)表示以概率分布方式所表示的机器人运动模型，X_k表示k时刻的巡检机器人位姿，该位姿由GPS定位模块和姿态检测模块采集确认，X_k-1表示k-1时刻的巡检机器人位姿，u_k表示k时刻的控制输入；

其中，

公式(2)中，x_vel和y_vel分别为巡检机器人在二维世界坐标系下的x坐标和y坐标，为巡检机器人的方向；

然后根据巡检机器人的运动模型，建立巡检机器人的动力模型：

公式(3)中，v、ω分别为设于巡检机器人的传动轴上的光电编码器传递的线速度与角速度，表示x_vel对于时间的导数；表示y_vel对于时间的导数，表示对于时间的导数；

a2)先将给定k时刻的巡检机器人位姿X_k和环境地图M时，环境观测z的后验分布表示为：

P(z_k|X_k，M_k) (4)；

公式(4)中，P(z_k|X_k，M_k)表示K时刻的环境观测模型，z_k为k时刻的巡检机器人对环境的观测，由雷达扫面模块采集确认，X_k为k时刻的巡检机器人位姿，M_k为k时刻的环境地图；

其中，

公式(5)中，n为环境特征点的数量,m_i＝(x_i，y_i)^T,x_i和y_i分别为环境特征点在二维世界坐标系下的x坐标和y坐标；

然后将从0到k时刻的巡检机器人对环境的所有观测表示为：

Z_0：k＝{z₀，z₁，......，z_k} (6)；

公式(6)中，Z_0：k表示从0到k时刻的巡检机器人对环境的所有观测；

然后经由M_k构建k时刻的环境地图，并通过人工势场法获取可供巡检机器人通过的走行路径并获取巡检机器人k+1时刻的位姿：

及相对偏差：

公式(8)中，E(i)为k+1时刻机器人期望位姿与K时刻机器人位姿的相对偏差，e_x(i)为X轴方向的分量e_y(i)为Y轴方向的分量为角度轴方向的分量；

然后将X_k和E(i)输入至b)中的模糊预测控制模型，即可获得控制量矩阵Q；

a3)接收光电编码器传输的传递的线速度v与角速度ω，模糊预测控制模型输出的控制量μ_k+1，即自适应控制量的EKF-SLAM方法K+1时刻的控制输入；按照a1)中的方法构建k+1时刻的巡检机器人的动力模型，按照a2)中的方法构建k+1时刻的环境观测模型；通过公式(9)所示的时间更新模型更新k+1时刻巡检机器人位姿及地图的联合后验分布模型：

P(X_k+1,M_k+1|Z_0:k,U_0:k+1,X₀)＝∫P(X_k+1|X_k,μ_k+1)P(X_k,M_k|Z_0:k,U_0:k,X₀)dX_k (9)；

公式(9)中，X_k+1为k+1时刻的巡检机器人位姿；M_k+1为k+1时刻的环境地图；Z_0：k为从0到k时刻的巡检机器人对环境的所有观测；U_0:k+1为从0到k+1时刻的巡检机器人所有运动控制输入，U_0:k+1＝{μ₀,μ₁，……，μ_k+1}，μ_k+1为k+1时刻的控制输入；X₀为0时刻的巡检机器人位姿；

然后将时间更新模型作为预测模型输入至b)中的模糊预测控制模型；

a4)获取激光雷达扫描模块得到的环境特征点，构建M_k+1，并与M_k相互关联，通过两个地图中关联上的观测特征点对巡检机器人的位姿X_k+1和地图M_k+1更新；

a5)根据k时刻的环境观测模型、K时刻的巡检机器人位姿及K+1时刻的地图的联合后验分布、归一化常数P(z_k+1|Z_0:k+1,U_0:k+1)，获取观测更新公式：

则，在已知所有控制输入U_0:k+1和观测Z_0:k+1的前提下，k+1时刻即当前时刻的巡检机器人位姿和地图的联合后验分布P(X_k+1,M_k+1|Z_0:k,U_0:k+1,X₀)可通过式(9)和式(10)递推得到，其过程为时间更新——观测更新——时间更新；并且将观测更新模型作为校正模型输入至b)中的模糊预测控制模型中；

a6)将未被a4)中数据关联步骤关联上的环境特征点，添加至M_k+1地图中，并输出K+1时刻的巡检车辆的位姿X_k+1和地图M_k+1；

b)基于SLAM方法的控制量模糊预测方法包括如下步骤：

b1)采用通用模糊预测框架构建模糊预测控制模型，模糊预测控制模型接受a2)中的相对偏差E(i)，经由最优控制律获得控制量矩阵Q，Q＝(μ_k+1,ω_k+1)^T，即控制律的输入量为，输出量为μ_k+1，且μ_k+1≡Q；

b2)模糊预测控制模型接受b1)的输入量，以及a2)中的时间更新模型，以时间更新模型作为模糊预测控制模型中的预测模型，经由时间更新模型获取预测位姿与间误差采用模糊预测方法输出量μ_k+1；

b3)对于b2)的输出量μ_k+1，采取滚动优化的方法使得优化后为最小；

b4)将a5)中的观测更新模型作为模糊预测控制模型的校正模型，对于b3)的滚动优化结果进行校正，负反馈调整输出量μ_k+1，并将输出量μ_k+1视为自适应控制量的EKF-SLAM方法K+1时刻的输入控制；

S4、控制巡检机器人移动：运动控制处理器根据运动控制方案将控制信号量输出至检机器人上的履带驱动模块，然后通过履带驱动模块驱动检机器人的履带运动，实现巡检机器人移动；

S5、采集巡检机器人的履带运动量：巡检机器人移动的过程中，设于巡检机器人履带驱动轴上的光电编码器利用其码盘的转动生成脉冲电信号，生成的脉冲电信号通过运动控制处理器传输到巡检机器人上的处理器中，实现巡检检机器人的履带运动量的采集；

S6、对高铁箱梁的内部隐患进行检测并获取隐患的绝对位置：巡检机器人移动的过程中，巡检机器人上的超声阵列检测模块持续对所巡检的高铁箱梁的内部隐患进行超声无损检测，并将检测的信息实时传递给处理器；同时巡检机器人上的视觉信息采集模块实时、全方位的采集所巡检的高铁箱梁的视觉信息，并将采集的视觉信息传递给处理器，从而获取所巡检的高铁箱梁的绝对位置；处理器通过步骤S5采集的履带运动量来记录高铁箱梁内隐患点的相对位置，然后根据高铁箱梁的绝对位置和隐患点相对位置即可得到高铁箱梁内的隐患点的地理位置，从而完成高铁箱梁的巡检。