面向巡檢機(jī)器人多源融合魯棒定位與高逼真仿真方法

文 剛，夏宋鵬程，周仿榮，張 輝，潘 浩，曹 俊，高振宇，劉亞東

（1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南昆明 650217；2.上海交通大學(xué)，上海 200240；3.云南電網(wǎng)有限責(zé)任公司，云南昆明 650051）

0 引言

近年來，隨著智能電網(wǎng)的快速發(fā)展，利用移動(dòng)巡檢機(jī)器人代替人工巡檢已經(jīng)成為電力行業(yè)研究的熱點(diǎn)[1-2]。在智能電網(wǎng)全面推進(jìn)的過程中，巡檢機(jī)器人覆蓋了從發(fā)電到用電各個(gè)環(huán)節(jié)的巡視、操作工作，起著舉足輕重的作用[3]。

早期的巡檢機(jī)器人僅停留在實(shí)驗(yàn)階段。2009年加拿大研發(fā)了使用手柄的遠(yuǎn)程操控輪式巡檢機(jī)器人，可同時(shí)裝備RGB 相機(jī)和紅外相機(jī)對(duì)電廠進(jìn)行巡視[4]。2012 年新西蘭梅西大學(xué)研發(fā)了一款機(jī)器人控制系統(tǒng)并搭載了視覺采集裝置用來監(jiān)測(cè)電網(wǎng)環(huán)境的變化[5]。近年來國內(nèi)的電力巡檢機(jī)器人也有著長足的發(fā)展[6]：2010 年魯能、中科院等單位相繼開展巡檢機(jī)器人的研究，并在青島等地的變電站成功投入使用；2015 年深圳朗馳欣創(chuàng)科技公司推出了具有自主導(dǎo)航的巡檢機(jī)器人。但是現(xiàn)有的巡檢系統(tǒng)大多采用引導(dǎo)定位方法，鋪設(shè)過程存在工作量過大、路徑固定靈活性低、不能精確錨定巡檢機(jī)器人的具體位置等缺點(diǎn)[7]。因此，研究準(zhǔn)確且魯棒的導(dǎo)航定位算法能夠?yàn)樽灾餮矙z機(jī)器人的穩(wěn)定運(yùn)行奠定基礎(chǔ)[8]。

導(dǎo)航定位是巡檢機(jī)器人實(shí)現(xiàn)智能化巡檢的關(guān)鍵技術(shù)。巡檢機(jī)器人普遍采用預(yù)設(shè)磁軌和射頻識(shí)別（Radio Frequency Identification，RFID）技術(shù)進(jìn)行定位[9]，但這種方法定位精度較低、抗干擾能力較弱。近年來盡管傳感器性能不斷得到提升，但單一傳感器在惡劣環(huán)境中的定位能力仍不足：如衛(wèi)星導(dǎo)航定位在電磁干擾較大的環(huán)境中存在失效可能[10]；慣性導(dǎo)航系統(tǒng)受環(huán)境影響較小，但是高精度的慣性導(dǎo)航測(cè)量元件（Inertial Measurement Unit，IMU）價(jià)格高昂，低精度的IMU 容易累積定位誤差[11]；視覺傳感器進(jìn)行導(dǎo)航定位存在紋理特征不明顯和高動(dòng)態(tài)工況下失效問題[12]；激光雷達(dá)傳感器在空曠環(huán)境進(jìn)行定位存在退化問題[13]。因此，為了保證巡檢機(jī)器人導(dǎo)航定位的魯棒性和連續(xù)性，進(jìn)行多傳感器融合定位是巡檢機(jī)器人導(dǎo)航定位領(lǐng)域的重要研究方向之一[14-15]。

本文針對(duì)巡檢機(jī)器人在電網(wǎng)環(huán)境中存在定位魯棒性不足和測(cè)試?yán)щy的問題，基于AAA 級(jí)游戲引擎搭建了智能電網(wǎng)平臺(tái)，構(gòu)建虛擬傳感器[16-18]用于智能電網(wǎng)巡檢機(jī)器人導(dǎo)航定位算法的驗(yàn)證，避免在帶電環(huán)境中進(jìn)行過多的現(xiàn)場(chǎng)測(cè)試，保證實(shí)驗(yàn)的安全性和便利性。提出一種基于聯(lián)邦卡爾曼濾波（Federated Kalman Filtering，F(xiàn)KF）的多傳感器融合算法，對(duì)故障檢測(cè)與信息恢復(fù)算法進(jìn)行集成，并在仿真智能電網(wǎng)場(chǎng)景中進(jìn)行驗(yàn)證和測(cè)試。仿真結(jié)果顯示，巡檢機(jī)器人具有分米級(jí)定位能力，能夠較好地支持巡檢機(jī)器人在電網(wǎng)的復(fù)雜環(huán)境中進(jìn)行大范圍自由巡檢。

1 巡檢機(jī)器人導(dǎo)航定位方法

1.1 衛(wèi)星導(dǎo)航定位

全球衛(wèi)星導(dǎo)航系統(tǒng)（Global Navigation Satellite System，GNSS）包括全球覆蓋的衛(wèi)星定位系統(tǒng)、區(qū)域覆蓋的衛(wèi)星定位系統(tǒng)以及天基增強(qiáng)系統(tǒng)[19]。在GNSS 中，衛(wèi)星向地面發(fā)送包含其位置信息的信號(hào)，地面接收機(jī)在接收衛(wèi)星信號(hào)后，可解碼得到衛(wèi)星星歷并測(cè)量得到偽距、載波相位等測(cè)量值，進(jìn)而解算出接收機(jī)的三維位置。GNSS 雖然能夠在全球范圍內(nèi)提供較高精度的服務(wù)，但其受環(huán)境影響較大，在信號(hào)受到干擾或遮擋的情況下（如電網(wǎng)環(huán)境中的強(qiáng)電磁干擾），GNSS 接收機(jī)可能無法得到較高精度的結(jié)果甚至無法解算出定位結(jié)果。

1.2 慣性導(dǎo)航系統(tǒng)定位

慣性導(dǎo)航系統(tǒng)（（Inertial Navigation System，INS））利用加速度計(jì)和陀螺儀來測(cè)量加速度及角速度，并經(jīng)過機(jī)械編排得到導(dǎo)航狀態(tài)量[20]。INS 通過姿態(tài)更新、速度更新和位置更新得到慣性導(dǎo)航的推算結(jié)果。影響慣性導(dǎo)航定位性能的主要因素是航跡推算的累計(jì)誤差[11]。各種級(jí)別的慣性導(dǎo)航器件都存在著確定性和隨機(jī)性等誤差，并且隨著慣性導(dǎo)航工作時(shí)間的增加不斷累積，最終導(dǎo)致導(dǎo)航定位結(jié)果的發(fā)散。慣性導(dǎo)航的優(yōu)點(diǎn)為導(dǎo)航信息連續(xù)、更新頻率高、受外界環(huán)境的影響小。IMU 的誤差主要來自3 個(gè)方面，包括隨機(jī)噪聲、尺度誤差和軸向誤差[11]。IMU 的測(cè)量模型為：

式中：aout，ωout分別為IMU 中加速計(jì)和陀螺儀的測(cè)量輸出值；Ta,Tg分別為IMU 中加速計(jì)和陀螺儀的軸向偏差轉(zhuǎn)換矩陣；Ka,Kg分別為IMU 中加速計(jì)和陀螺儀的尺度誤差矩陣；atrue,ωtrue分別為IMU 中加速計(jì)和陀螺儀的真實(shí)值；ba,bg分別為IMU 中加速計(jì)和陀螺儀的零偏；na,ng分別為IMU 中加速計(jì)和陀螺儀的隨機(jī)噪聲。

1.3 視覺和激光定位

實(shí)時(shí)定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM）已經(jīng)成為機(jī)器人領(lǐng)域的熱點(diǎn)問題[21]。視覺SLAM 是指搭載視覺傳感器的載體不依靠場(chǎng)景的先驗(yàn)信息，獨(dú)立地估計(jì)載體自身的運(yùn)動(dòng)狀態(tài)并建立地圖模型。視覺SLAM 的經(jīng)典框架一般由5 個(gè)模塊組成，分別為傳感器信息獲取、視覺里程計(jì)、后端優(yōu)化、回環(huán)檢測(cè)以及建圖。除了基于視覺傳感器的定位研究，使用激光雷達(dá)進(jìn)行定位的SLAM 系統(tǒng)也愈發(fā)的成熟[22]。在激光SLAM 算法中最常用的方法是迭代最近點(diǎn)算法，即使用迭代最近點(diǎn)的方法估計(jì)巡檢機(jī)器人載體位置與姿態(tài)。

通過激光雷達(dá)掃描得到的1 組3D 點(diǎn)（P，P′），其 中P={p1,...,pJ}，P′={p′1,...,p′J}，p1,…,pJ和p′1,…,p′J分別為掃描得到的J個(gè)3D 點(diǎn)坐標(biāo)。構(gòu)建誤差方程如式（2）所示，解算得到載體的旋轉(zhuǎn)和平移數(shù)值：

式中：R為載體的旋轉(zhuǎn)矩陣；T為載體的位移矢量。

2 算法分析與仿真平臺(tái)搭建

2.1 多源融合定位算法

多源融合定位算法需要有效的融合各個(gè)傳感器的有效信息，獲得更加魯棒的定位性能。GNSS的優(yōu)點(diǎn)是定位精度高且能夠覆蓋全球，但受環(huán)境影響較大，有時(shí)會(huì)出現(xiàn)信號(hào)中斷的現(xiàn)象[23-25]；INS 的優(yōu)點(diǎn)是不受外界環(huán)境影響和無源，但長時(shí)間運(yùn)行會(huì)產(chǎn)生較大累計(jì)誤差；視覺SLAM 系統(tǒng)的優(yōu)點(diǎn)是在室內(nèi)以及紋理特征明顯的區(qū)域運(yùn)行良好且能夠建圖，但在速度過快及特征稀疏的場(chǎng)景定位較差；激光SLAM 系統(tǒng)的優(yōu)點(diǎn)是在大場(chǎng)景區(qū)域運(yùn)行良好，但在空曠場(chǎng)景的定位性能不穩(wěn)定。由于各個(gè)傳感器的應(yīng)用場(chǎng)景不同、優(yōu)點(diǎn)與不足各異，所以巡檢機(jī)器人在復(fù)雜的電網(wǎng)環(huán)境中進(jìn)行魯棒定位，需要對(duì)傳感器進(jìn)行有效的融合。利用傳感器之間的互補(bǔ)特性，結(jié)合環(huán)境、應(yīng)用和精度的不同，選擇不同的傳感器組合，以提高導(dǎo)航定位系統(tǒng)在定位方面的準(zhǔn)確性與魯棒性。

基于高逼真仿真平臺(tái)和FKF 結(jié)構(gòu)進(jìn)行多傳感器融合，驗(yàn)證多源融合定位算法在各種傳感器組合下的定位效果。為了能夠在電網(wǎng)環(huán)境中獲得魯棒的定位結(jié)果，本文設(shè)計(jì)了多傳感器融合濾波結(jié)構(gòu)如圖1 所示。

圖1 多傳感器融合濾波結(jié)構(gòu)Fig.1 Filter structure of multi-sensor fusion

由圖1 可知，多傳感器融合濾波結(jié)構(gòu)由2 部分組成。一部分是3 個(gè)并行的FKF 濾波器，分別估計(jì)得到INS 與GNSS、INS 與視覺SLAM 以及INS 與激光SLAM 在FKF 系統(tǒng)中的局部最優(yōu)狀態(tài)估計(jì)值；另一部分是將局部最優(yōu)狀態(tài)估計(jì)通過主濾波器融合3個(gè)子濾波器得到全局最優(yōu)估計(jì)。

本文將INS 作為融合的主系統(tǒng)，選取姿態(tài)誤差的等效旋轉(zhuǎn)矢量、速度誤差、位置誤差以及IMU 零偏誤差構(gòu)成k時(shí)刻估計(jì)狀態(tài)量X(k)，建立多傳感器融合系統(tǒng)狀態(tài)方程為：

式中：(k)為k時(shí)刻估計(jì)狀態(tài)量求導(dǎo)；W(k)為k時(shí)刻系統(tǒng)噪聲；F為狀態(tài)遞推函數(shù)。

融合導(dǎo)航定位系統(tǒng)的測(cè)量由3 部分組成，分別為：

式中：δzG,k為INS 與GNSS 輸出的位置與速度的差值；δzC,k為INS 與視覺SLAM 輸出的位置與姿態(tài)差值；δzL,k為INS 與激光SLAM 輸出的位置與姿態(tài)的差值；HG,k，HC,k，HL,k分別為INS 與GNSS、INS 與視覺SLAM、INS 與激光SLAM 這3 個(gè)Kalman 子系統(tǒng)的觀測(cè)矩陣；vG,k，vC,k，vL,k分別為上述3 個(gè)Kalman 子系統(tǒng)的觀測(cè)殘差。

基于經(jīng)典FKF 的預(yù)測(cè)更新和測(cè)量更新[11]，在3個(gè)子濾波器中分別獲得子濾波器的局部最優(yōu)估計(jì)以及其協(xié)方差矩陣。根據(jù)線性最小方差準(zhǔn)則[16]，得到全局最優(yōu)估計(jì)值X*(k)。應(yīng)用FKF 的方差上界法消除2 個(gè)局部狀態(tài)量之間的相關(guān)性，即子系統(tǒng)之間的協(xié)方差為0。在FKF 的實(shí)際更新過程中，將各子濾波器的協(xié)方差擴(kuò)大以保持濾波器的穩(wěn)定性，狀態(tài)量的最優(yōu)估計(jì)為：

式中：XG(k)，XC(k) 和XL(k) 分別為INS 與GNSS、INS 與 視 覺SLAM、INS 與 激 光SLAM 這3 個(gè)Kalman 子系統(tǒng)的狀態(tài)量局部最優(yōu)估計(jì)；PGG(k)，PCC(k)和PLL(k)分別為上述3 個(gè)Kalman 子系統(tǒng)的狀態(tài)協(xié)方差陣。

2.2 魯棒濾波融合算法

面對(duì)電網(wǎng)的復(fù)雜環(huán)境，多源融合定位算法需更加魯棒來抵抗干擾，本文設(shè)計(jì)的多傳感器融合濾波結(jié)構(gòu)使用魯棒核函數(shù)和一致性檢驗(yàn)的FKF 技術(shù)來應(yīng)對(duì)電網(wǎng)中的強(qiáng)電磁干擾。

2.2.1 魯棒核函數(shù)

魯棒核函數(shù)包含Huber 核函數(shù)、Tukey 核函數(shù)等，是被廣泛應(yīng)用的抗差方法，其通過降低外點(diǎn)的權(quán)重來降低異常數(shù)據(jù)的影響。在多傳感器融合濾波結(jié)構(gòu)中，魯棒核函數(shù)主要應(yīng)用在測(cè)量方程上，抗差Kalman 濾波的觀測(cè)優(yōu)化目標(biāo)為：

式中：f為魯棒核函數(shù)；Z(k)i為第i個(gè)子濾波器k時(shí)刻的測(cè)量值；I為子濾波器總數(shù)；Hi為第i個(gè)子濾波器的觀測(cè)矩陣。

在FKF 的更新流程中，使用魯棒核函數(shù)的FKF調(diào)整新息的權(quán)重，得到狀態(tài)量估計(jì)為：

式中：X(k|k-1)為待估計(jì)狀態(tài)量在預(yù)測(cè)更新后的一步預(yù)測(cè)；K(k)為k時(shí)刻FKF 增益；De(k)為使用魯棒核函數(shù)的新息。

在實(shí)際實(shí)驗(yàn)中，由于Huber 核函數(shù)混合使用了絕對(duì)損失和平方損失，能夠很好地平衡有效性與魯棒性，因此我們選取Huber 核函數(shù)來抑制估計(jì)誤差。

2.2.2 一致性檢驗(yàn)的FKF技術(shù)

多傳感器融合濾波結(jié)構(gòu)由3 個(gè)子濾波器和1個(gè)主濾波器構(gòu)成。子濾波器的融合結(jié)果受到輔助參考定位系統(tǒng)精度的影響，并進(jìn)一步傳遞到主濾波器中。由于電網(wǎng)環(huán)境中具有復(fù)雜的電磁場(chǎng)，為了得到更加魯棒的定位結(jié)果，本文研究將FKF 與一致性檢驗(yàn)相結(jié)合，來解決輔助定位系統(tǒng)定位誤差導(dǎo)致的故障。每個(gè)傳感器的觀測(cè)時(shí)刻均能夠得到一個(gè)FKF 新息，不同的新息互相獨(dú)立，構(gòu)建評(píng)價(jià)函數(shù)對(duì)融合的數(shù)據(jù)源的質(zhì)量進(jìn)行評(píng)估，評(píng)價(jià)值方程為：

式中：ηik為第i個(gè)子濾波器第k時(shí)刻評(píng)價(jià)函數(shù)器的評(píng)價(jià)值；Hik為觀測(cè)矩陣；為觀測(cè)矩陣的轉(zhuǎn)置；Pik為系統(tǒng)協(xié)方差；Qik為觀測(cè)協(xié)方差；rik為測(cè)量新息；為測(cè)量新息的轉(zhuǎn)置。

魯棒濾波融合算法能夠檢測(cè)濾波是否存在故障，并及時(shí)進(jìn)行信息恢復(fù)。其在檢測(cè)出子濾波器存在故障后，將每個(gè)子濾波器結(jié)果與預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，再使用置信度較高的參考系統(tǒng)進(jìn)行融合，以保證總體系統(tǒng)的穩(wěn)定性。

2.3 智能電網(wǎng)仿真平臺(tái)搭建

本文基于AAA 級(jí)游戲引擎UE4，結(jié)合Airsim系統(tǒng)搭建智能電網(wǎng)巡檢機(jī)器人導(dǎo)航定位仿真平臺(tái)，并從光影渲染和傳感器仿真2 個(gè)方面開展相應(yīng)工作：（1）基于渲染引擎和虛幻編輯器在計(jì)算機(jī)中高逼真還原電網(wǎng)場(chǎng)景，包括光影、天氣等；（2）傳感器仿真與現(xiàn)實(shí)傳感器具有一致性，保證定位算法評(píng)估的高度有效性。

具體設(shè)計(jì)中，基于Unreal 強(qiáng)大的渲染引擎和物料庫，在仿真系統(tǒng)中最大限度還原電網(wǎng)場(chǎng)景的外觀，達(dá)到高逼真的視覺重建效果，得到智能電網(wǎng)虛擬仿真場(chǎng)景，如圖2 所示。

圖2 智能電網(wǎng)虛擬仿真場(chǎng)景Fig.2 Smart grid virtual simulation scenario

3 仿真分析

本文仿真平臺(tái)實(shí)驗(yàn)電腦的配置如下：處理器為Intel I7-8750，顯卡為NVIDIA RTX-2080，內(nèi)存為32G DDR4-RAM，UE4 引擎版本為4.18。視覺定位算法采用雙目定位模式，相機(jī)基線長為1.205 m。

為驗(yàn)證智能巡檢機(jī)器人導(dǎo)航定位仿真系統(tǒng)的有效性和多源融合定位算法的魯棒性，本文設(shè)計(jì)了3 組實(shí)驗(yàn)進(jìn)行仿真：（1）相機(jī)仿真評(píng)估與雙目基線對(duì)比實(shí)驗(yàn)：針對(duì)相機(jī)仿真設(shè)計(jì)了視覺SLAM 的相關(guān)實(shí)驗(yàn)，比較不同的雙目基線對(duì)視覺定位的影響。（2）點(diǎn)云仿真與定位性能實(shí)驗(yàn)：驗(yàn)證點(diǎn)云仿真噪聲證定位結(jié)果帶來的影響，證明高逼真仿真平臺(tái)點(diǎn)云仿真的有效性。（3）魯棒FKF 實(shí)驗(yàn)：仿真慣性測(cè)量單元、GNSS、相機(jī)圖像和激光點(diǎn)云數(shù)據(jù)，設(shè)置傳感器觀測(cè)異常數(shù)據(jù)并模擬復(fù)雜異常環(huán)境，驗(yàn)證本文設(shè)計(jì)的多源融合算法在智能電網(wǎng)環(huán)境中的可靠性。

3.1 相機(jī)仿真評(píng)估與雙目基線對(duì)比實(shí)驗(yàn)

進(jìn)行相機(jī)仿真評(píng)估與雙目基線對(duì)比實(shí)驗(yàn)，首先在實(shí)驗(yàn)中評(píng)估仿真相機(jī)成像與實(shí)際圖像成像的幾何一致性，再通過仿真系統(tǒng)設(shè)置雙目相機(jī)基線長度來評(píng)估基線長度對(duì)于視覺定位的影響。

3.1.1 仿真相機(jī)成像幾何一致性評(píng)估

仿真平臺(tái)中的相機(jī)采用幾何一致性指標(biāo)進(jìn)行評(píng)估和誤差分析。在仿真系統(tǒng)中設(shè)置對(duì)應(yīng)于現(xiàn)實(shí)世界真實(shí)值的虛擬標(biāo)定板和虛擬相機(jī)的位置及姿態(tài)，分別采集現(xiàn)實(shí)和虛擬世界中標(biāo)定板的圖片，通過匹配檢測(cè)的角點(diǎn)，得到幾何一致性誤差。實(shí)驗(yàn)表明本文設(shè)計(jì)的虛擬仿真相機(jī)的成像水平在亞豪米級(jí)，平均誤差為0.95 px，中位數(shù)誤差為0.84 px。

3.1.2 雙目相機(jī)基線長度影響評(píng)估

本文以視覺傳感器為例，通過在高逼真仿真平臺(tái)中調(diào)整2 個(gè)相機(jī)之間的基線，來驗(yàn)證雙目SLAM算法在不同基線長度下的運(yùn)行效果。實(shí)驗(yàn)中設(shè)置3種基線長度，分別為短基線0.125 m、中長基線1.205 m 和長基線3.005 m，設(shè)置每個(gè)相機(jī)的視場(chǎng)角為90°。3 種基線長度圖片采集結(jié)果如圖3 所示。

圖3 3種基線長度圖片采集結(jié)果Fig.3 Collection results of three types of baseline image

將采集圖像數(shù)據(jù)導(dǎo)入視覺SLAM 系統(tǒng)，得到不同基線長度定位誤差對(duì)比，如表1 所示。

表1 不同基線長度定位誤差對(duì)比Table 1 Errors comparison of different baseline m

由表1 可知，在基線過長的情況下雙目視覺SLAM 初始化困難，在運(yùn)行一段時(shí)間后由于特征跟蹤丟失導(dǎo)致視覺SLAM 不可用。由于2 個(gè)相機(jī)傳感器之間的平移量過大，致使圖像上物體的形狀角度發(fā)生明顯變化，特征提取和描述也產(chǎn)生較大差異，使匹配過程變得更加困難，從而導(dǎo)致解算的失效。比較另外2 組基線較短的實(shí)驗(yàn)可知，基線在較短的情況下視覺SLAM 定位精度下降較多。

3.2 點(diǎn)云仿真與定位性能實(shí)驗(yàn)

對(duì)仿真得到的點(diǎn)云depth 數(shù)據(jù)進(jìn)行性能分析，驗(yàn)證在不同噪聲條件下的激光點(diǎn)云定位結(jié)果。在點(diǎn)云理論深度值上疊加不同強(qiáng)度的高斯白噪聲，噪聲等級(jí)定義為在深度圖中對(duì)每個(gè)像素添加的高斯噪聲的程度，疊加噪聲后的點(diǎn)云為Pixnew：

式中：Pixold為原始仿真點(diǎn)云；N（0，1）為噪聲分布；σ為噪聲等級(jí)。

設(shè)置4 種不同噪聲點(diǎn)云數(shù)據(jù)如表2 所示。

表2 不同噪聲點(diǎn)云數(shù)據(jù)Table 2 Point cloud data with different noise levels

通過點(diǎn)云仿真與定位性能實(shí)驗(yàn)得到不同噪聲點(diǎn)云數(shù)據(jù)下的定位誤差，如表3 所示。

表3 不同噪聲點(diǎn)云數(shù)據(jù)下的定位誤差Table 3 Positioning error of cloud data with various noise levels m

由表3 可知，隨著點(diǎn)云噪聲的增大，定位結(jié)果也隨之變差，噪聲較大時(shí)會(huì)造成定位算法的失效。在實(shí)際測(cè)試的過程中，誤差的引入會(huì)在轉(zhuǎn)彎處造成更大誤差。

3.3 魯棒FKF實(shí)驗(yàn)

實(shí)驗(yàn)利用本文搭建的仿真系統(tǒng)驗(yàn)證魯棒FKF架構(gòu)在電網(wǎng)復(fù)雜環(huán)境下的定位性能。實(shí)驗(yàn)設(shè)置了戰(zhàn)術(shù)級(jí)和消費(fèi)級(jí)2 種噪聲參數(shù)的IMU，構(gòu)成3 種不同的融合實(shí)驗(yàn)方案。方案1：GNSS 與戰(zhàn)術(shù)級(jí)IMU組合；方案2：GNSS、消費(fèi)級(jí)IMU 與雙目視覺定位組合；方案3：GNSS、消費(fèi)級(jí)IMU、雙目視覺定位和激光點(diǎn)云定位組合。實(shí)驗(yàn)得到不同組合導(dǎo)航方案定位結(jié)果如表4 所示。

表4 不同組合導(dǎo)航方案定位結(jié)果Table 4 Positioning results of different integrated navigation schemes

由表4 可知，使用FKF 架構(gòu)引入額外的傳感器信息，不僅能夠提升系統(tǒng)的精度，并且能夠增加系統(tǒng)的魯棒性并提升可用性。

為了適應(yīng)電網(wǎng)的復(fù)雜環(huán)境，本文引入粗差噪聲來檢驗(yàn)一致性估計(jì)模塊的有效性。第45～55 s 在GNSS 中加入粗差噪聲，得到一致性檢測(cè)模塊對(duì)多傳感器融合濾波誤差影響，如圖4 所示。

圖4 一致性檢測(cè)模塊對(duì)多傳感器融合濾波誤差影響Fig.4 Effect of multi-sensor fusion error on consistency detection module

由圖4 可知，增加一致性檢測(cè)模塊可有效抵抗誤差的干擾，使導(dǎo)航定位算法更具魯棒性。

綜上所述，在具有較多干擾因素的場(chǎng)景中，本文提出的多源融合定位算法具有分米級(jí)定位能力，能夠較好地支持巡檢機(jī)器人在復(fù)雜的電網(wǎng)環(huán)境中進(jìn)行大范圍自由巡檢，完成更多自主的巡檢操作和任務(wù)?？梢宰畲笙薅缺苊庋矙z機(jī)器人由于定位精度較低、無法到達(dá)預(yù)檢位置而導(dǎo)致任務(wù)失敗的情況。

4 結(jié)語

本文針對(duì)智能巡檢機(jī)器人在實(shí)際場(chǎng)景測(cè)試中存在的系統(tǒng)安全問題及潛在風(fēng)險(xiǎn)，基于UE4 引擎和Airsim 插件搭建了面向巡檢機(jī)器人的虛擬仿真平臺(tái)，并提出一種基于一致性檢測(cè)的FKF 融合方法。實(shí)驗(yàn)基于智能電網(wǎng)導(dǎo)航定位仿真平臺(tái)，驗(yàn)證了視覺圖像和點(diǎn)云算法在不同仿真設(shè)置下的定位結(jié)果，并對(duì)所設(shè)計(jì)的FKF 算法進(jìn)行了測(cè)試和驗(yàn)證。發(fā)現(xiàn)有效的融合多種傳感器可提升定位精度、抑制傳感器誤差，增加巡檢機(jī)器人導(dǎo)航定位系統(tǒng)的可用性與魯棒性。虛擬測(cè)試方法可降低后續(xù)研究的難度，為電網(wǎng)的數(shù)字孿生技術(shù)在導(dǎo)航定位領(lǐng)域做出了初步的探索，具有一定的實(shí)際意義和應(yīng)用前景。