電力智能巡檢機(jī)器人視覺與激光自適應(yīng)融合導(dǎo)航方法研究

尹 杭，樊紹勝，楊 權(quán)

（長(zhǎng)沙理工大學(xué)電氣與信息工程學(xué)院，長(zhǎng)沙 410114）

0 引言

降壓變電站、升壓變電站作為電力系統(tǒng)中傳輸電能、變換電壓的重要組成部分，對(duì)相關(guān)設(shè)備的巡檢維護(hù)在保障電力系統(tǒng)安全可靠運(yùn)行中起著重要的作用。目前國(guó)內(nèi)變電站常采用人工巡檢的方式，這種方式存在著巡檢效率低、勞動(dòng)強(qiáng)度大、人工成本高、安全風(fēng)險(xiǎn)高等問題，伴隨著人工智能的發(fā)展，部分傳統(tǒng)人工巡檢的工作可由機(jī)器人巡檢完成［1］。

機(jī)器人自動(dòng)巡檢的關(guān)鍵是路徑導(dǎo)航與定位技術(shù)，巡檢機(jī)器人在巡視過程中需要定點(diǎn)?？?，利用機(jī)器人上搭載的高清和紅外攝像頭云臺(tái)，來分別讀取表計(jì)讀數(shù)和導(dǎo)線觸點(diǎn)溫度，所以，無論是哪種導(dǎo)航方法都必須得到準(zhǔn)確、實(shí)時(shí)的機(jī)器人位置與姿態(tài)信息，這樣才能夠控制巡檢機(jī)器人準(zhǔn)確停靠。目前，主流的機(jī)器人導(dǎo)航方法是磁軌導(dǎo)航、激光導(dǎo)航和視覺導(dǎo)航；磁軌和RFID 標(biāo)簽方法的導(dǎo)航線鋪設(shè)隱蔽，導(dǎo)航原理簡(jiǎn)單且可靠性高［2］，但是其導(dǎo)航線鋪設(shè)復(fù)雜，更改或增減線路麻煩，磁軌在鋪設(shè)后容易出現(xiàn)氧化腐蝕現(xiàn)象，后期維護(hù)成本高［3］；激光導(dǎo)航有著精度大、計(jì)算快速的優(yōu)點(diǎn)［4］，但其導(dǎo)航定位精度受強(qiáng)光反射和霧霾等因素的影響，而且應(yīng)用場(chǎng)景發(fā)生變化可能會(huì)使其出現(xiàn)嚴(yán)重偏差。單一的視覺導(dǎo)航方法也存在精度低、穩(wěn)定性差等問題。

本文將視覺導(dǎo)航與激光導(dǎo)航得到的位姿融合，從而得到穩(wěn)定可靠的機(jī)器人位姿信息。其中，視覺導(dǎo)航是通過在變電站內(nèi)鋪設(shè)黃色導(dǎo)航線，作為機(jī)器人巡檢軌跡，機(jī)器人前側(cè)搭載高清攝像頭，導(dǎo)航線圖像經(jīng)過預(yù)處理、分割、二值化、透視變換、直線擬合等圖像處理技術(shù)，得到機(jī)器人相對(duì)實(shí)際巡檢軌跡的姿態(tài)誤差，從而控制機(jī)器人調(diào)整姿態(tài)；激光導(dǎo)航首先構(gòu)建變電站全局地圖，將預(yù)設(shè)好的黃色導(dǎo)航線映射到全局地圖中，導(dǎo)航過程中計(jì)算機(jī)器人實(shí)際位姿與預(yù)設(shè)導(dǎo)航線之間的位姿差，根據(jù)位姿差實(shí)時(shí)調(diào)整機(jī)器人位姿。在實(shí)際應(yīng)用中，視覺導(dǎo)航方法會(huì)因?yàn)閷?dǎo)航線缺損、褪色、積水等情況，得到錯(cuò)誤的位姿；激光導(dǎo)航也會(huì)因?yàn)辄c(diǎn)云匹配算法帶來的定位誤差導(dǎo)致機(jī)器人偏航。所以，本文采取以下方法進(jìn)行融合：分別對(duì)兩種算法得到的位姿結(jié)果進(jìn)行評(píng)估，根據(jù)評(píng)估值對(duì)兩組位姿數(shù)據(jù)進(jìn)行加權(quán)融合，最終得到相對(duì)正確的機(jī)器人位姿。

1 視覺導(dǎo)航方法與評(píng)估

變電站巡檢機(jī)器人要求全天候工作，室外環(huán)境又相對(duì)復(fù)雜，導(dǎo)航線顏色的選擇要滿足與背景形成較大對(duì)比、對(duì)光線變化不敏感等要求；在針對(duì)不同顏色導(dǎo)航線在不同光照條件下的對(duì)比度進(jìn)行實(shí)驗(yàn)比較后，選定黃色作為導(dǎo)航線顏色。

1.1 基于自適應(yīng)伽馬校正方法的圖像預(yù)處理

在導(dǎo)航線識(shí)別過程中，光照條件會(huì)對(duì)圖像質(zhì)量造成不同程度的影響。電力巡檢機(jī)器人需要全天候運(yùn)行，導(dǎo)航線還受光照角度和強(qiáng)度的干擾，如白天太陽光線、夜晚人造光源等均會(huì)對(duì)導(dǎo)航線圖像產(chǎn)生不同程度的影響。圖像對(duì)應(yīng)的直方圖能直觀地反映出：當(dāng)光照強(qiáng)度變化時(shí)，圖像灰度值分布會(huì)發(fā)生整體均勻變化；當(dāng)光照角度變化時(shí)，圖像灰度值分布會(huì)發(fā)生不均勻變化，如圖1 所示。

圖1 不同光照干擾下的導(dǎo)航線圖像及其灰度直方圖Fig.1 Navigation line images and their grayscale histograms under different light disturbances

根據(jù)生物特征，人眼對(duì)光線的感知和光強(qiáng)呈現(xiàn)非線性關(guān)系，當(dāng)光照強(qiáng)度增加到一定程度，人眼分辨亮度變化的能力逐漸下降。攝像頭對(duì)光的識(shí)別跟光強(qiáng)呈現(xiàn)線性關(guān)系［5］，為了更好地識(shí)別光線變化，對(duì)攝像頭采集到的圖像進(jìn)行伽馬校正，其原理是對(duì)圖像中的每個(gè)像素點(diǎn)的像素值進(jìn)行乘積運(yùn)算，假設(shè)某個(gè)像素點(diǎn)處理前后的歸一化像素值分別為r、s，校正因子為γ，則：

當(dāng)γ＜1 時(shí)，灰度值減小，圖像整體變暗；當(dāng)γ＞1 時(shí)灰度值增大，圖像整體變亮。若γ的取值不變，則無法適用于所有光照條件，而且對(duì)光照不均圖像的增強(qiáng)效果不佳。

導(dǎo)航線圖像受光照影響主要體現(xiàn)在灰度均值方面，參考圖像卷積和濾波原理，提出了基于動(dòng)態(tài)γ因子的伽馬校正方法。通過選取合適的卷積核對(duì)輸入圖像灰度圖的每個(gè)像素點(diǎn)進(jìn)行對(duì)應(yīng)的相乘求和，得到每個(gè)像素點(diǎn)的局部灰度均值，代入γ因子的擬合函數(shù)確定γ因子，并對(duì)每個(gè)像素點(diǎn)進(jìn)行伽馬校正，實(shí)現(xiàn)動(dòng)態(tài)調(diào)節(jié)。對(duì)像素灰度值和最佳伽馬因子的數(shù)據(jù)集進(jìn)行擬合，根據(jù)最小均方誤差選定基于最小絕對(duì)殘差的高斯函數(shù)為擬合函數(shù)，假設(shè)m是坐標(biāo)為（x，y）的像素點(diǎn)的局部灰度均值，則局部灰度均值和γ因子的擬合函數(shù)可表示為：

式中，N2表示卷積核大小，f(i，j)和k(i，j)分別表示輸入圖像和卷積核中第i行j列的像素點(diǎn)灰度值和卷積核因子，a=16.85，b=-356.1，c=283.8。經(jīng)反復(fù)測(cè)試，選取效果最佳的7×7 卷積核，自適應(yīng)伽馬校正結(jié)果如圖2 所示。

圖2 不同光照條件下導(dǎo)航線對(duì)應(yīng)的預(yù)處理結(jié)果Fig.2 Preprocessing results corresponding to navigation lines under different lighting conditions

1.2 基于改進(jìn)的DenseNet 的導(dǎo)航路徑分割

通過圖像預(yù)處理得到圖像后，對(duì)導(dǎo)航線進(jìn)行精準(zhǔn)提取。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，輸入和梯度信息會(huì)隨之消失，從而導(dǎo)致訓(xùn)練精度下降。巡檢機(jī)器人的導(dǎo)航算法對(duì)實(shí)時(shí)性和準(zhǔn)確性要求較高，研究選用的導(dǎo)航路徑分割算法是輕量級(jí)的FCN-DenseNet 語義分割網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中，凡是特征圖大小相同的網(wǎng)絡(luò)層都會(huì)直接相連，該特點(diǎn)增加了特征信息的傳播和再利用，這一密集的連接方式的優(yōu)點(diǎn)是該網(wǎng)絡(luò)參數(shù)比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)少而且訓(xùn)練效率更高。

1.2.1 FCN-DenseNet 語義分割網(wǎng)絡(luò)

DenseNet 是出現(xiàn)在ResNet 之后的語義分割網(wǎng)絡(luò)，分割網(wǎng)絡(luò)由多個(gè)Dense Block 連接而成［6］，Dense Block包含若干個(gè)由Batch Normalization，ReLU 和1×1、3×3 的卷積組合而成的BottleNeck 結(jié)構(gòu)。DenseNet-121經(jīng)過一個(gè)卷積層和池化層之后，四個(gè)Dense Block 和三個(gè)Transition Layer 穿插連接，最后連接包含池化層和全連接層的分類層實(shí)現(xiàn)像素分類。

1.2.2 激活函數(shù)

單獨(dú)的Dense Block 中每一層網(wǎng)絡(luò)的特征大小一樣，每一個(gè)Dense Block 將所有輸出的特征信息利用Batch Normalization，ReLU 和1×1、3×3 卷積進(jìn)行非線性變換，最后一層實(shí)現(xiàn)下采樣［7］。激活函數(shù)ReLU 的計(jì)算公式為：

當(dāng)梯度過大產(chǎn)生很多負(fù)數(shù)時(shí)，輸出為0，神經(jīng)元無法激活，這將導(dǎo)致梯度消失問題。將BottleNeck 結(jié)構(gòu)中的激活函數(shù)替換為SeLU 函數(shù)，計(jì)算公式為：

SeLU 函數(shù)在實(shí)現(xiàn)ReLU 函數(shù)單邊抑制作用的同時(shí)避免了梯度消失問題。圖3 所示為改進(jìn)激活函數(shù)的DenseNet-121 網(wǎng)絡(luò)深層結(jié)構(gòu)解析圖。

圖3 改進(jìn)的DenseNet-121 網(wǎng)絡(luò)深層結(jié)構(gòu)解析圖Fig.3 Improved DenseNet-121 network deep structure analysis diagram

1.2.3 損失函數(shù)

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，損失函數(shù)是描述真實(shí)值與預(yù)測(cè)值之間差異的度量參數(shù)，不同損失函數(shù)所反映的模型預(yù)測(cè)性能不同。DenseNet 網(wǎng)絡(luò)采用交叉熵?fù)p失函數(shù)，設(shè)y表示真實(shí)值，y^ 表示預(yù)測(cè)值，則其計(jì)算公式為：

Focal Loss［8］在交叉熵的基礎(chǔ)上進(jìn)行修改，引入α因子使比例不均勻的導(dǎo)航線正負(fù)樣本分布均衡化，并引入γ因子解決易分類樣本和困難樣本的問題，減少了易分類樣本的損失，使其更關(guān)注困難的、錯(cuò)分的樣本。由于導(dǎo)航線圖像樣本復(fù)雜，采用Focal Loss 損失函數(shù)，其計(jì)算公式為：

γ因子實(shí)現(xiàn)了易分類樣本權(quán)重減小的速度調(diào)節(jié)，γ=0 即為交叉熵?fù)p失函數(shù)。Focal Loss 損失函數(shù)降低了易分類負(fù)樣本的權(quán)重占比，提高困難樣本的權(quán)重，使得訓(xùn)練由正樣本主導(dǎo)。經(jīng)參數(shù)優(yōu)化后，得到α=0.25，γ=2。

1.3 計(jì)算機(jī)器人偏航角

考慮到導(dǎo)航算法最終會(huì)部署至嵌入式平臺(tái)，對(duì)語義分割后的圖像進(jìn)行二值化處理，轉(zhuǎn)換為單通道二值化圖像，以此達(dá)到降低計(jì)算復(fù)雜度的目的。部分導(dǎo)航線的分割效果如圖4 所示。研究采用Otsu 動(dòng)態(tài)二值化算法，針對(duì)機(jī)器人導(dǎo)航過程中的每一幀導(dǎo)航線圖像計(jì)算各個(gè)區(qū)域的最優(yōu)閾值［9］。

圖4 部分導(dǎo)航線分割效果Fig.4 Part of the navigation line split effect

二值化后的圖像依然是立體視覺圖像，這樣直接計(jì)算出的偏航角誤差較大，可以采用透視變換的方法［10］，將三維的立體視覺圖像轉(zhuǎn)換為鳥瞰圖，從而計(jì)算出真實(shí)的偏航角。

變電站機(jī)器人一般都是在平面道路上行駛的，所以三維世界坐標(biāo)(X，Y，Z)到二維平面坐標(biāo)(x，y)的變換關(guān)系表達(dá)式如下式所示：

由透視變換可以得到導(dǎo)航線的鳥瞰圖，如圖5（b）所示：鳥瞰圖中導(dǎo)航線所在直線與圖像中線的夾角，對(duì)應(yīng)機(jī)器人當(dāng)前相對(duì)于黃色導(dǎo)航線之間的夾角，即偏航角。

研究采用了最小二乘法［11］，將導(dǎo)航線擬合成一條直線y=kx+b，通過直線的斜率k計(jì)算出機(jī)器人的偏航角φ1：

如圖5 所示，經(jīng)過語義分割得到的導(dǎo)航線圖像，經(jīng)過二值化、透視變換、直線擬合得到最終的導(dǎo)航線L：y=-4.5x+864，當(dāng)前時(shí)刻的偏航角φ1=12.53°。

圖5 導(dǎo)航線圖像處理結(jié)果Fig.5 Navigation line image processing results

1.4 視覺導(dǎo)航方法評(píng)估

在現(xiàn)場(chǎng)實(shí)際使用中，黃色導(dǎo)航線容易受到雨、雪、雜物的遮蓋，并且由于長(zhǎng)時(shí)間暴露在陽光下導(dǎo)航線容易褪色，影響導(dǎo)航線分割結(jié)果［12］，因此在最后的融合中，還需要輸入視覺導(dǎo)航結(jié)果的歸一化評(píng)估值作為參考。

借助導(dǎo)航線邊緣相互平行這一特性，可采用以下方法進(jìn)行視覺導(dǎo)航評(píng)估。

（1）圖像f( )x，y寬高分別為m、n，計(jì)算每一行像素點(diǎn)中，最右邊的白色像素點(diǎn)(ij_right，j)與最左邊的白色像素點(diǎn)(ij_left，j)差值，得到dj：

（2）計(jì)算dj的方差Dt：

（3）采用線性函數(shù)歸一化方法，得到視覺導(dǎo)航的評(píng)估結(jié)果Svision：

2 激光導(dǎo)航方法與評(píng)估

2.1 環(huán)境地圖構(gòu)建

環(huán)境地圖構(gòu)建采取基于圖優(yōu)化的Cartographer-SLAM 算法，如圖6 所示，相較于基于濾波的SLAM 算法，Cartographer-SLAM 算法分為前端和后端兩個(gè)模塊。前端模塊在提取數(shù)據(jù)和關(guān)聯(lián)數(shù)據(jù)的過程中，激光雷達(dá)掃描周圍環(huán)境生成對(duì)應(yīng)的子圖，將得到的子圖與上次掃描形成的子圖進(jìn)行對(duì)比，并且插入上一次的結(jié)果中，這樣就得到一個(gè)不斷優(yōu)化的子圖。當(dāng)結(jié)束最后一幀數(shù)據(jù)插入后就能夠得到完整優(yōu)化的子圖。不斷循環(huán)上述步驟，得到若干個(gè)子圖，也就是局部地圖。后端模塊首先進(jìn)行閉環(huán)檢測(cè)［13］，然后對(duì)前端模塊中獲取的局部地圖進(jìn)行優(yōu)化。通過全局計(jì)算得到優(yōu)化后的位姿，可用來消除累計(jì)誤差，因此與濾波類的SLAM 算法相比，圖優(yōu)化類算法在地圖構(gòu)建過程中對(duì)于里程計(jì)的依賴小，且具備回環(huán)效果，更適合電力系統(tǒng)中降壓變電站、升壓變電站等場(chǎng)地較大的地圖。

圖6 圖優(yōu)化SLAM 算法框架Fig.6 Graph optimization SLAM algorithm framework

2.2 機(jī)器人定位算法

通過對(duì)Cartographer-SLAM 進(jìn)行參數(shù)調(diào)整最終獲取了點(diǎn)云地圖后，使用實(shí)時(shí)的三維激光雷達(dá)數(shù)據(jù)進(jìn)行三維配準(zhǔn)，獲取機(jī)器人在點(diǎn)云地圖中的位姿［14］。在三維配準(zhǔn)中較常用的配準(zhǔn)算法是ICP 迭代的方法，這種方法需要粗配準(zhǔn)，也就是要給定一個(gè)較準(zhǔn)確的初始值，同時(shí)由于算法自身的缺陷，最終迭代結(jié)果可能會(huì)出現(xiàn)局部最優(yōu)的現(xiàn)象，從而導(dǎo)致配準(zhǔn)不成功，達(dá)不到想要的點(diǎn)云配準(zhǔn)效果［15］。

研究采用3D-NDT［16-17］算法進(jìn)行點(diǎn)云匹配，該算法將三維體素內(nèi)所有點(diǎn)云數(shù)據(jù)轉(zhuǎn)換成概率分布函數(shù)，該概率分布函數(shù)連續(xù)可微。第一步，拆分三維點(diǎn)云數(shù)據(jù)，將其劃分成大小固定、規(guī)則均勻的三維單元格；第二步，為了將三維點(diǎn)云以概率密度形式進(jìn)行分段連續(xù)可微描述，以正態(tài)分布形式表示每個(gè)三維位置測(cè)量樣本的概率分布：

式中，q為包含點(diǎn)云x在內(nèi)的體素單元中的均值向量，C為包含點(diǎn)云x在內(nèi)的體素單元中的協(xié)方差矩陣，c為常量。

每個(gè)體素單元的q和C可以定義為：

式中，xi(i=1，…，n)為體素單元格中的所有點(diǎn)云。

由于此概率分布模型是分段連續(xù)可微的，所以采用Hessian 矩陣法［18］能夠解決激光數(shù)據(jù)之間復(fù)雜的相互匹配問題。掃描匹配可使不同位姿下采集的激光點(diǎn)云數(shù)據(jù)得到坐標(biāo)變換參數(shù)。算法的具體實(shí)現(xiàn)步驟如下所示。

（1）建立首個(gè)激光掃描的正態(tài)分布變換。

（2）根據(jù)機(jī)器人當(dāng)前位姿初始化坐標(biāo)變換參數(shù)。

（3）對(duì)于第二個(gè)掃描的每一個(gè)樣本，根據(jù)坐標(biāo)變換參數(shù)，映射第二個(gè)掃描樣本到第一個(gè)掃描樣本坐標(biāo)系中。

（4）確定每一個(gè)映射點(diǎn)對(duì)應(yīng)的正態(tài)分布。

（5）將每個(gè)映射點(diǎn)的概率分布之和作為每個(gè)坐標(biāo)變換參數(shù)的分?jǐn)?shù)值s(p)進(jìn)行估計(jì)：

式中，p=[t|r|θ]，t=[tx，ty，tz]代表x、y、z上的平移量，r=[rx，ry，rz]代表x、y、z上的旋轉(zhuǎn)量，s=sinθ，c=cosθ。

（6）采用Hessian 矩陣法對(duì)得到的這些分?jǐn)?shù)值-s(p)進(jìn)行優(yōu)化，選取-s(p)最大值。

（7）返回第（3）步繼續(xù)循環(huán)，直至滿足收斂要求。

2.3 機(jī)器人在局部路徑中的偏航角計(jì)算

偏航角指的是機(jī)器人行進(jìn)方向與預(yù)定巡檢軌跡之間的夾角，機(jī)器人根據(jù)此夾角進(jìn)行對(duì)應(yīng)的姿態(tài)調(diào)整，使機(jī)器人能夠回到預(yù)定巡檢路線，進(jìn)行正常的巡檢任務(wù)。

將用以視覺導(dǎo)航的黃色導(dǎo)航線映射在Cartographer-SLAM 構(gòu)建的全局地圖中作為激光導(dǎo)航的全局路徑；在機(jī)器人巡檢過程中，激光導(dǎo)航采用局部導(dǎo)航方式，動(dòng)態(tài)刷新局部導(dǎo)航目標(biāo)點(diǎn)，在機(jī)器人行進(jìn)過程中，該點(diǎn)與機(jī)器人距離固定不變，且在全局路徑上，如圖7 所示。

圖7 激光導(dǎo)航偏航角計(jì)算Fig.7 Laser navigation yaw angle calculation

由于電力系統(tǒng)中降壓變電站、升壓變電站等環(huán)境路面相對(duì)平整，本文假定機(jī)器人坐標(biāo)z軸始終為0；機(jī)器人在巡檢過程中可以通過配準(zhǔn)算法3D-NDT 知道自身在環(huán)境中的位姿信息R(x，y，θ)、局部目標(biāo)點(diǎn)P(px，py)。利用世界坐標(biāo)系可以得到機(jī)器人運(yùn)動(dòng)方向與正確的導(dǎo)航路徑方向之間的夾角φ2：

2.4 激光導(dǎo)航評(píng)估

由于環(huán)境干擾、激光雷達(dá)自身誤差等因素，點(diǎn)云匹配過程中難免會(huì)出現(xiàn)匹配效果較差的情況，計(jì)算出的機(jī)器人位姿就會(huì)出現(xiàn)偏差；因此，還需要對(duì)點(diǎn)云匹配效果進(jìn)行評(píng)估。

上述3D-NDT 點(diǎn)云匹配算法可以得到滿足收斂條件下的最大值-s(p)，記-s(p)為N，Ni為第i次激光點(diǎn)云配準(zhǔn)結(jié)果分?jǐn)?shù)值；在變電站現(xiàn)場(chǎng)環(huán)境下進(jìn)行一定時(shí)間的測(cè)試，記錄所有點(diǎn)云匹配分?jǐn)?shù)值，對(duì)數(shù)據(jù)進(jìn)行歸一化處理：

式（19）中，Nt為t時(shí)刻的激光導(dǎo)航評(píng)估值，Slaser為當(dāng)前時(shí)刻點(diǎn)云匹配評(píng)估的歸一化結(jié)果。

3 視覺與激光自適應(yīng)融合導(dǎo)航方法

視覺與激光融合導(dǎo)航方法分別得到機(jī)器人姿態(tài)數(shù)據(jù)和對(duì)應(yīng)測(cè)量準(zhǔn)確性的評(píng)估值。傳統(tǒng)的線性加權(quán)融合只是將多個(gè)算法結(jié)果加權(quán)［19］，這種做法過于簡(jiǎn)單，靈活性較差，不能適應(yīng)變電站導(dǎo)航的復(fù)雜環(huán)境。研究中采用了自適應(yīng)線性加權(quán)融合法，導(dǎo)航過程中對(duì)兩種導(dǎo)航方法進(jìn)行評(píng)估，根據(jù)評(píng)估結(jié)果確定不同算法結(jié)果的權(quán)重，增強(qiáng)算法靈活性，如圖8 所示。

圖8 導(dǎo)航方式融合方案Fig.8 Navigation mode integration scheme

根據(jù)視覺與激光導(dǎo)航方法分別得到的機(jī)器人測(cè)量位姿φ1、φ2，以及對(duì)應(yīng)的評(píng)估結(jié)果Svision、Slaser，將兩組數(shù)據(jù)可通過式（20）進(jìn)行融合：

根據(jù)式（20），最終得到融合后的機(jī)器人相對(duì)準(zhǔn)確的偏航角φ，通過PID 控制算法，調(diào)整機(jī)器人左右輪速度，從而修正機(jī)器人姿態(tài)。

4 實(shí)驗(yàn)過程

4.1 算法可行性驗(yàn)證

考慮最終應(yīng)用的機(jī)器人，需要將算法部署到嵌入式平臺(tái)，選擇NVIDA AGX Xaiver 作為開發(fā)平臺(tái)。

融合算法軟件分為激光導(dǎo)航算法、視覺導(dǎo)航算法、數(shù)據(jù)處理三個(gè)部分。激光導(dǎo)航部分是基于ROS 機(jī)器人操作系統(tǒng)進(jìn)行開發(fā)的，結(jié)合Cartographer 建圖算法與NDT 定位算法，得到機(jī)器人的姿態(tài)和評(píng)估值。視覺導(dǎo)航部分采用輕量級(jí)的FCN-DenseNet 語義分割網(wǎng)絡(luò)，在Pytorch1.7.1 和Python3.6 環(huán)境下，機(jī)器人實(shí)時(shí)姿態(tài)識(shí)別準(zhǔn)確率達(dá)到了92.33%。

為測(cè)試該融合導(dǎo)航方法的穩(wěn)定性，試驗(yàn)過程分別在以下兩種復(fù)雜環(huán)境中進(jìn)行：第一種為導(dǎo)航線缺損環(huán)境下，視覺導(dǎo)航方法不能正確測(cè)量機(jī)器人的實(shí)際姿態(tài)，此時(shí)，視覺導(dǎo)航方法得出機(jī)器人位姿對(duì)應(yīng)的Svision較低，而此時(shí)激光導(dǎo)航得到的機(jī)器人位姿相對(duì)準(zhǔn)確，機(jī)器人的導(dǎo)航則更加依賴激光導(dǎo)航方法；第二種為周圍環(huán)境發(fā)生較大變化時(shí)，激光點(diǎn)云匹配效果較差，容易產(chǎn)生漂移，激光導(dǎo)航得出的機(jī)器人位姿誤差較大，而視覺導(dǎo)航方法得出的機(jī)器人姿態(tài)準(zhǔn)確。采用上述的融合方法能夠很好地達(dá)到兩種算法相互補(bǔ)償?shù)哪康?，最終得到相對(duì)準(zhǔn)確的機(jī)器人姿態(tài)。

如圖9 所示，由于積水，導(dǎo)航線被污漬覆蓋，此時(shí)導(dǎo)航線分割不完整，得到錯(cuò)誤的機(jī)器人分位姿，當(dāng)前視覺導(dǎo)航得到的機(jī)器人偏航角φ1=24.6°，歸一化評(píng)估值Svision=0.33；而此時(shí)激光點(diǎn)云匹配效果較好，激光導(dǎo)航得到的機(jī)器人偏航角φ2=2.9°，歸一化評(píng)估值Slaser=0.96；根據(jù)該視覺與激光融合導(dǎo)航方法得到的機(jī)器人最終偏航角φ=8.4°，機(jī)器人定位誤差小于2.0 cm，結(jié)合前置導(dǎo)航攝像頭的圖像，融合算法得出的角度與實(shí)際偏航角基本一致。

圖9 導(dǎo)航線積水處理結(jié)果與激光點(diǎn)云匹配Fig.9 Navigation line stagnant water treatment results are matched with laser point clouds

圖10 為場(chǎng)景變化導(dǎo)致的激光點(diǎn)云匹配發(fā)生漂移和視覺處理結(jié)果，激光導(dǎo)航方法得到機(jī)器人偏航角φ2=-10.1°，評(píng)估值Slaser=0.26，而此時(shí)視覺導(dǎo)航算法正確地識(shí)別到了導(dǎo)航線，并且得到正確的機(jī)器人偏航角φ1=-0.8°、歸一化評(píng)估值Svision=0.99，最終得到機(jī)器人的偏航角φ=-2.7°。在周圍場(chǎng)景變化較大且激光導(dǎo)航效果較差的環(huán)境下，定位精度達(dá)到1.7 cm，能夠滿足智能巡檢機(jī)器人在復(fù)雜環(huán)境下的定位與導(dǎo)航。

圖10 激光點(diǎn)云匹配漂移與視覺處理結(jié)果Fig.10 Laser point cloud matching drift and vision processing results

4.2 現(xiàn)場(chǎng)實(shí)驗(yàn)

巡檢機(jī)器人在國(guó)電漢川發(fā)電有限公司進(jìn)行了長(zhǎng)達(dá)一年的現(xiàn)場(chǎng)試驗(yàn)，如圖11（a）。在此之前電廠采用人工巡檢方式，效率低下，耗時(shí)費(fèi)力。從目前機(jī)器人的運(yùn)行情況來看，巡檢機(jī)器人已經(jīng)能完成人工巡檢的部分工作；此外，機(jī)器人還在四川省綿陽市某變電站投入運(yùn)行，如圖11（b）所示。

圖11 投入電力系統(tǒng)現(xiàn)場(chǎng)運(yùn)行Fig.11 Putting the power system into operation on site

5 結(jié)論

針對(duì)目前電力智能巡檢機(jī)器人存在的導(dǎo)航問題，本文提出一種視覺與激光自適應(yīng)融合導(dǎo)航方法。通過理論推導(dǎo)、實(shí)驗(yàn)環(huán)境測(cè)試，對(duì)所研究導(dǎo)航方法的精度、速度、穩(wěn)定性等多個(gè)方面進(jìn)行考量。在算法可行性分析中，在導(dǎo)航線被污漬覆蓋的環(huán)境下測(cè)試得到機(jī)器人定位誤差小于2.0 cm；在周圍場(chǎng)景變化較大且激光導(dǎo)航效果較差的環(huán)境下，定位精度達(dá)到1.7 cm，驗(yàn)證了自適應(yīng)融合導(dǎo)航方法的可行性。本文所提方法已經(jīng)投入電力現(xiàn)場(chǎng)巡檢工作，運(yùn)行狀況穩(wěn)定，進(jìn)一步驗(yàn)證了激光與視覺自適應(yīng)融合導(dǎo)航方法的可行性與穩(wěn)定性。