巡檢機(jī)器人導(dǎo)航系統(tǒng)研究與設(shè)計(jì)

宋明磊，謝麗蓉，安 冬，2

（1.新疆大學(xué)電氣工程學(xué)院，新疆 烏魯木齊 830047；2.中國(guó)農(nóng)業(yè)大學(xué)信息與電子工程學(xué)院，北京 100083）

0 引 言

隨著社會(huì)的不斷發(fā)展與進(jìn)步，巡檢機(jī)器人已經(jīng)在各種環(huán)境下被普遍使用。目前，電力巡檢機(jī)器人和無(wú)人機(jī)巡檢機(jī)器人是市面上最常見的兩類巡檢機(jī)器人[1]。自動(dòng)導(dǎo)航技術(shù)通過巡檢機(jī)器人的傳感器對(duì)未知環(huán)境進(jìn)行感知，并結(jié)合已知環(huán)境信息對(duì)其進(jìn)行相應(yīng)控制，完成巡檢作業(yè)任務(wù)[2?3]。巡檢機(jī)器人如何實(shí)現(xiàn)安全到達(dá)指定位置，且在行駛過程中快速避開障礙物是研究的重點(diǎn)[4]。巡檢機(jī)器人常用的導(dǎo)航方法有基于衛(wèi)星[5]、機(jī)器視覺[6?7]、激光雷達(dá)[8]、慣性導(dǎo)航[9]等的方法，可以單獨(dú)使用或結(jié)合使用。

未來導(dǎo)航技術(shù)應(yīng)用的主要模型是組合導(dǎo)航，將幾種不同的傳感器組合，每個(gè)單獨(dú)傳感器彼此補(bǔ)充其獨(dú)特性和局限性，以提高系統(tǒng)的準(zhǔn)確度[10]。文獻(xiàn)[11]提出了一種基于GPS 和機(jī)器視覺組合導(dǎo)航的定位系統(tǒng)，克服了僅有一種定位方式的不足，提高了農(nóng)業(yè)機(jī)器人的定位效果，但未實(shí)現(xiàn)其自主化控制；文獻(xiàn)[12]提出了組合視覺導(dǎo)航與慣性導(dǎo)航的方法，使用立體相機(jī)獲得最小化重投影組合IMU 慣性優(yōu)化函數(shù)來估計(jì)移動(dòng)機(jī)器人的位姿、速度，此系統(tǒng)成本高，且容易產(chǎn)生累積誤差；文獻(xiàn)[13]提出通過相機(jī)、IMU、GPS 的組合方法跟蹤照相機(jī)在6 個(gè)自由度的運(yùn)動(dòng)，但GPS 信號(hào)容易產(chǎn)生丟失問題。

為了實(shí)現(xiàn)巡檢機(jī)器人的高精度定位和自主導(dǎo)航能力，提高巡檢機(jī)器人的作業(yè)效率，本文研究聯(lián)合了實(shí)時(shí)差分定位（Real?Time Kinematic，RTK）和機(jī)器視覺導(dǎo)航兩種方法，未發(fā)現(xiàn)障礙時(shí)，采用RTK 導(dǎo)航為主、視覺導(dǎo)航為輔的組合方式；發(fā)現(xiàn)障礙物時(shí)，切換為視覺導(dǎo)航為主、RTK 導(dǎo)航為輔的組合方式。其中視覺導(dǎo)航采用多個(gè)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）分類模型實(shí)時(shí)地對(duì)障礙物進(jìn)行分類，得到相應(yīng)的指令來控制巡檢機(jī)器人自主避障。采用生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）對(duì)數(shù)集進(jìn)行訓(xùn)練，CNN 訓(xùn)練分類模型，速度快、準(zhǔn)確率高、數(shù)集采集量小，可以更好地識(shí)別到障礙物并為巡檢機(jī)器人發(fā)出正確的指令，運(yùn)用無(wú)模型自適應(yīng)控制避開障礙物。實(shí)驗(yàn)證明該組合導(dǎo)航系統(tǒng)具有較強(qiáng)的抗干擾能力，自主性好、精度高，能為巡檢機(jī)器人提供準(zhǔn)確的導(dǎo)航信息以及運(yùn)動(dòng)信號(hào)。

1 數(shù)據(jù)提取

1.1 RTK 數(shù)據(jù)提取

對(duì)實(shí)時(shí)動(dòng)態(tài)（Real?Time Kinematic，RTK）數(shù)據(jù)進(jìn)行字節(jié)分離，提取緯度數(shù)據(jù)、經(jīng)度數(shù)據(jù)。將數(shù)據(jù)按世界坐標(biāo)計(jì)算公式計(jì)算得到緯度數(shù)據(jù)與經(jīng)度數(shù)據(jù)，同時(shí)將目標(biāo)點(diǎn)的經(jīng)度和緯度數(shù)據(jù)讀取出來；再利用兩個(gè)世界坐標(biāo)點(diǎn)計(jì)算距離和角度公式得到直線距離（L）和偏轉(zhuǎn)角（v）。公式如下：

式中：A1是巡檢機(jī)器人所在點(diǎn)經(jīng)度；A2是目標(biāo)點(diǎn)的緯度；B1是目標(biāo)點(diǎn)的緯度；B2是目標(biāo)點(diǎn)經(jīng)度；R是地球平均半徑，約為6 371.004 km。

1.2 障礙物數(shù)據(jù)提取

單目相機(jī)的成像原理如圖1所示，圖中世界坐標(biāo)系O?XWYWZW中的點(diǎn)P(XC,YC,ZC)通過透視投影在成像平面成像，成像點(diǎn)為p，成像平面的像素坐標(biāo)系以像素點(diǎn)為單位，以圖像左上角O0點(diǎn)為原點(diǎn)，成像點(diǎn)p在以O(shè)0點(diǎn)為原點(diǎn)的坐標(biāo)系中的坐標(biāo)為(up,vp)。由于本文是采集圖像信息，不需要確定距離，所以不需要進(jìn)行相機(jī)的內(nèi)外參數(shù)的標(biāo)定工作。

圖1 單目相機(jī)的成像原理

1.3 障礙物數(shù)據(jù)GAN 處理

生成式對(duì)抗網(wǎng)絡(luò)（GAN）是一種深度學(xué)習(xí)模型。本文采用GAN 對(duì)數(shù)據(jù)集進(jìn)行處理，該模型由兩個(gè)模塊組成：生成模型（Generative Model）和判別模型（Discriminative Model），兩模塊皆為深度神經(jīng)網(wǎng)絡(luò)。通過兩者互相博弈學(xué)習(xí)輸出新的數(shù)據(jù)集，公式如下：

式中：s表示真實(shí)圖片；Px(x)表示輸入G網(wǎng)絡(luò)的噪聲；G(x)表示G網(wǎng)絡(luò)生成的圖片；D(s)表示D網(wǎng)絡(luò)判斷真實(shí)圖片是否真實(shí)的概率。

2 模型搭建

2.1 無(wú)模型自適應(yīng)控制模型

無(wú)模型自適應(yīng)控制（Model?free Adaptive Control，MFAC）是一種無(wú)需被控對(duì)象先驗(yàn)?zāi)Ｐ蛥?shù)信息的控制策略。RTK 移動(dòng)站安裝在車輛的幾何中心，航向角計(jì)算模型如圖2所示。

圖2 航向角計(jì)算模型

式中γ為航向角。

得到偏轉(zhuǎn)角和需運(yùn)動(dòng)距離，無(wú)模型自適應(yīng)控制運(yùn)動(dòng)的速度，并及時(shí)反饋修改運(yùn)動(dòng)速度，控制巡檢機(jī)器人快速到達(dá)下一個(gè)點(diǎn)。因此，每個(gè)麥克納姆輪的電機(jī)系統(tǒng)可視作一個(gè)SISO 的離散時(shí)間非線性系統(tǒng)，其表達(dá)形式如下：

式中：y(k)∈R是電機(jī)在采樣時(shí)刻k時(shí)的速度大??；u(k)∈R表示系統(tǒng)的控制輸入信號(hào)；ny和nu是兩個(gè)未知的正整數(shù)；f(·):Rnu+ny+2?R是未知的非線性函數(shù)。

在得到緊格式動(dòng)態(tài)線性化（CFDL）前，需給出以下假設(shè)：

假設(shè)1：非線性函數(shù)f(·)關(guān)于第(ny+2)個(gè)變量的偽偏導(dǎo)數(shù)是連續(xù)的。

假設(shè)2：非線性系統(tǒng)滿足廣義Lipschitz 條件，對(duì)任意的k1≠k2,k1,k2≥0 和u(k1)≠u(k2)，有：

式中 ：y(ki+1)=f(y(ki),…,y(ki-ny),u(ki),…,u(ki-nu)),i=1,2;b為常數(shù)，b>0。

定理1：當(dāng)非線性系統(tǒng)滿足假設(shè)1 和假設(shè)2，且|Δu(k) |≠0 時(shí)，一定存在被稱作PPD 的時(shí)變參數(shù)φ(k)∈R，使得麥克納姆輪的電機(jī)系統(tǒng)如式（9）所示，能夠轉(zhuǎn)化成等效的CFDL 數(shù)據(jù)驅(qū)動(dòng)模型[14]。

考慮CFDL 數(shù)據(jù)驅(qū)動(dòng)模型如式（9）所示，設(shè)計(jì)無(wú)模型自適應(yīng)控制如下：

式中：(k)是PPD 參數(shù)φ(k)的估計(jì)值；μ是步長(zhǎng)因子；是權(quán)重因子，>0；ρ是步長(zhǎng)因子，用于控制輸入量的變化；yr(k+1)是期望的速度大小。

2.2 CNN 分類模型

卷積神經(jīng)網(wǎng)絡(luò)（CNN）有較好的非線性形變穩(wěn)定性，其結(jié)構(gòu)分為卷積層、最大池化層和全連接層。

卷積層：本文為提高算法收斂速度，降低算法復(fù)雜度，使用ReLU 作為激活函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，其函數(shù)定義和激活函數(shù)公式如下：

池化層：池化層的主要作用是計(jì)算特征圖每一個(gè)固定窗口內(nèi)的像素值，相當(dāng)于對(duì)特征圖片進(jìn)行了縮減，可以防止模型的過擬合。

沒有了戴菲兒，艾莉成為豪宅真正的主人。她可以赤裸著身子在各個(gè)房間之間走來走去，她可以赤裸著身子躺在游泳池邊的躺椅上享受或溫暖或熱烈的日光浴。她可以毫無(wú)顧忌地與秦川做愛，在臥室里，在廚房里，在浴室里……在地板上，在桌子上，在空中……在霧氣里，在陽(yáng)光里，在大雨中……在一缸飄著花瓣的溫水中，在一叢葳蕤的花草旁，在一株高大的棗樹下……無(wú)聊時(shí)候，這是她和秦川最喜歡的娛樂方式。后來她發(fā)現(xiàn)她再一次愛上秦川，這足以成為她繼續(xù)留在這里的理由?？墒撬龑?duì)這種感覺保持著足夠的警惕，她知道，當(dāng)女人對(duì)男人言聽計(jì)從，那么這個(gè)女人，已經(jīng)成為充氣娃娃。

全連接層：將提取的各種特征進(jìn)行組合，并將其特征反映到分類標(biāo)簽。其計(jì)算公式如下：

式中：x1，x2，x3為全連接層的輸入數(shù)據(jù)；a1，a2，a3為輸出數(shù)據(jù)。

選擇先使用卷積神經(jīng)網(wǎng)絡(luò)來提取環(huán)境特征，再通過全連接神經(jīng)網(wǎng)絡(luò)將這些得到的特征值聯(lián)系起來歸結(jié)為該圖片三種類別的概率，其中概率最大的一類便是識(shí)別結(jié)果。

首先使用搭建好的智能巡檢機(jī)器人平臺(tái)拍攝圖像制作數(shù)據(jù)集；之后通過實(shí)驗(yàn)初步確定深度神經(jīng)網(wǎng)絡(luò)的層數(shù)與結(jié)構(gòu)組成。通過訓(xùn)練和調(diào)參，最終得到一個(gè)滿意的模型。本文采用了7 層神經(jīng)網(wǎng)絡(luò)，分別為4 層卷積、池化層以及3 層全連接層（包括輸出層），其結(jié)構(gòu)如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.3 RTK 與視覺切換模型

巡檢機(jī)器人導(dǎo)航系統(tǒng)的目的主要是精準(zhǔn)定位和障礙物的避讓，對(duì)導(dǎo)航的精度要求比較高。RTK 可以精確地獲得巡檢機(jī)器人的絕對(duì)位置，視覺導(dǎo)航可以檢測(cè)障礙物并繞過障礙物，因此結(jié)合兩種導(dǎo)航方式對(duì)系統(tǒng)進(jìn)行設(shè)計(jì)，其設(shè)計(jì)框架如圖4所示。

圖4 RTK 與視覺組合系統(tǒng)總設(shè)計(jì)圖

系統(tǒng)分三層，設(shè)備層負(fù)責(zé)位置信息獲取、障礙物信息感知；數(shù)據(jù)層是對(duì)接收的數(shù)據(jù)進(jìn)行儲(chǔ)存和使用；算法決策層通過數(shù)據(jù)處理進(jìn)行運(yùn)動(dòng)控制。數(shù)據(jù)層中RTK 為巡檢機(jī)器人提供精確的導(dǎo)航位置和需要行駛的參數(shù)，單目相機(jī)主要是對(duì)周邊環(huán)境信息進(jìn)行采集，獲得前方障礙物的圖片信息。

設(shè)計(jì)的整個(gè)RTK 導(dǎo)航與視覺避障主輔切換優(yōu)化控制策略工作流程為：起始采用RTK 導(dǎo)航為主、視覺導(dǎo)航為輔的組合方式，由RTK 接收器獲得當(dāng)前小車的位置信息并進(jìn)行RTK 導(dǎo)航，計(jì)算出前行距離和航向角，通過無(wú)模型自適應(yīng)控制車輪速度，對(duì)巡檢機(jī)器人進(jìn)行導(dǎo)航控制。同時(shí)在巡檢機(jī)器人行動(dòng)過程中，使用視覺傳感器采集周邊環(huán)境信息，實(shí)時(shí)對(duì)圖片進(jìn)行障礙物的檢測(cè)識(shí)別，若識(shí)別到障礙物時(shí)，切換為視覺導(dǎo)航為主、RTK 導(dǎo)航為輔的組合方式，對(duì)障礙物進(jìn)行位置分類，依據(jù)障礙物類型確定小車運(yùn)動(dòng)方向，再次通過無(wú)模型自適應(yīng)控制車輪速度，從而實(shí)現(xiàn)巡檢機(jī)器人視覺避障導(dǎo)航。巡檢機(jī)器人根據(jù)RTK 和視覺組合實(shí)現(xiàn)不同情況下導(dǎo)航方式的切換，并能準(zhǔn)確地行駛到指定位點(diǎn)，實(shí)現(xiàn)連續(xù)的障礙物躲避，進(jìn)行轉(zhuǎn)彎等操作。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺(tái)搭建

上層控制器的運(yùn)行環(huán)境為Ubuntu 18.04.5 LTS，該系統(tǒng)為L(zhǎng)inux 的一種，CPU 為ARM Cortex?A72 1.5 GHz（四核），內(nèi)存為4 GB。遠(yuǎn)程控制軟件使用CPU：雙Cortex?A72大核+四Cortex?A53小核，最高主頻為1.8 GHz；操作系統(tǒng)為Windows 10；開發(fā)平臺(tái)為Android Studio 4.0。差分GPS 接收器使用UB482 差分GPS 接收器，其平面精度為1 cm+1 ppm。

3.2 GAN?CNN 分類模型

單目相機(jī)采集的數(shù)據(jù)集經(jīng)GAN 處理后生成新數(shù)據(jù)集，再由新數(shù)據(jù)集進(jìn)行CNN 分類模型訓(xùn)練。GAN?CNN分類框架如圖5所示。

圖5 GAN?CNN 分類框架

為了選擇適合本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)參數(shù)，在實(shí)驗(yàn)開始前對(duì)不同層數(shù)或者不同節(jié)點(diǎn)數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行了測(cè)試，目的是找到可以滿足設(shè)計(jì)需求而且模型盡量要小的神經(jīng)網(wǎng)絡(luò)參數(shù)來進(jìn)行后續(xù)的實(shí)驗(yàn)。網(wǎng)絡(luò)從一層卷積池化層加一層全連接層開始測(cè)試，增加卷積鏈接層的數(shù)量，觀察其會(huì)對(duì)訓(xùn)練過程中的數(shù)據(jù)的影響，結(jié)果如圖6所示。

圖6 卷積層、連接層數(shù)對(duì)準(zhǔn)確率的影響

經(jīng)過分析，決定采用兩層卷積池化層加兩層全連接層的網(wǎng)絡(luò)結(jié)構(gòu)作為本文設(shè)計(jì)中的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)于神經(jīng)網(wǎng)絡(luò)中超參數(shù)的調(diào)節(jié)，運(yùn)用了經(jīng)驗(yàn)分析以及實(shí)驗(yàn)調(diào)試的方法，最終的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)如下：輸入層輸入120×120×1 的灰度圖像數(shù)據(jù)；隱層第一層卷積層采用32 個(gè)6×6 的卷積核進(jìn)行卷積運(yùn)算，池化層選擇核大小為4×4 的取最大值的下采樣方式，取樣的步長(zhǎng)為4，這樣經(jīng)過第一層的卷積激活池化后，輸出結(jié)果為30×30×32的矩陣；隱層第二層卷積層采用64 個(gè)4×4 的卷積核進(jìn)行卷積運(yùn)算，池化層選擇核大小為3×3 的取最大值的下采樣方式，取樣的步長(zhǎng)為3，輸出結(jié)果為10×10×64 的矩陣；之后三維矩陣通過reshape 函數(shù)進(jìn)行降維，輸出6 400×1的向量；隱層第三層為全連接層，輸入降維后的數(shù)組，輸出512×1 的數(shù)組；最后為輸出層，再經(jīng)過全連接輸出3×1的結(jié)果。

將GAN 訓(xùn)練的圖片采用CNN 訓(xùn)練出模型，進(jìn)行最后實(shí)驗(yàn)。對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行可視處理，損失函數(shù)最低為0.58，識(shí)別精度最高為96.52%，再對(duì)測(cè)試集圖片進(jìn)行識(shí)別測(cè)試，可完成測(cè)試集分類，其分類精度最高可以達(dá)到96%。識(shí)別精度結(jié)果如圖7所示。

圖7 識(shí)別精度

表1中詳細(xì)列出了各類識(shí)別圖片的數(shù)目以及識(shí)別結(jié)果。

表1 驗(yàn)證集識(shí)別結(jié)果

表1中：橫向表示正確的分類，列向表示實(shí)際識(shí)別到的分類；C0 表示標(biāo)簽為右轉(zhuǎn)；C1 表示識(shí)別標(biāo)簽為左轉(zhuǎn)；C2 表示識(shí)別標(biāo)簽為直行。通過對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及驗(yàn)證分析，理論上是可以滿足巡檢機(jī)器人避障的功能實(shí)現(xiàn)所需要的準(zhǔn)確度。

驗(yàn)證圖片集的部分驗(yàn)證結(jié)果如圖8所示。

圖8 驗(yàn)證集識(shí)別結(jié)果（部分圖片）

3.3 RTK?GAN?CNN 驗(yàn)證

實(shí)驗(yàn)環(huán)境為漁場(chǎng)模擬環(huán)境，本文RTK?GAN?CNN 組合導(dǎo)航實(shí)驗(yàn)采用的巡檢機(jī)器人行駛速度為0.6 m/s，最后實(shí)驗(yàn)未碰觸到障礙物，成功從起始點(diǎn)到末位點(diǎn)。其巡檢機(jī)器人百度地圖的既定路線遠(yuǎn)程與實(shí)際運(yùn)動(dòng)追蹤軌跡如圖9所示。

圖9 巡檢機(jī)器人實(shí)際運(yùn)動(dòng)追蹤軌跡圖

其中紅線為既定路線，藍(lán)線為實(shí)際路線。整個(gè)過程共設(shè)置了5 個(gè)障礙物，巡檢機(jī)器人皆以直線平移的方式成功繞過障礙物。巡檢機(jī)器人在實(shí)際環(huán)境中的實(shí)驗(yàn)，在未設(shè)定障礙物時(shí)，采用RTK 導(dǎo)航為主GAN?CNN 視覺導(dǎo)航為輔、MFAC 控制小車速度的組合方式進(jìn)行導(dǎo)航，巡檢機(jī)器人實(shí)際行駛與既定路線誤差小于5 cm。在設(shè)定障礙物時(shí)，未遇到障礙物時(shí)，采用差分GPS 導(dǎo)航為主、GAN?CNN 視覺導(dǎo)航為輔的組合方式；遇到障礙物時(shí)，切換為GAN?CNN 視覺導(dǎo)航為主RTK 導(dǎo)航為輔、MFAC 控制小車速度的組合方式進(jìn)行導(dǎo)航，脫離既定路線以較小的平移距離繞開障礙物。

為了驗(yàn)證所提出的模型在預(yù)測(cè)精度上的優(yōu)越性，本文還分別對(duì)無(wú)障礙物時(shí)使用的RTK?PID 模型、RTK?MFAC 模型，有障礙物時(shí)使用的RTK?CNN?PID 模型、RTK?GAN?CNN?PID 模型、RTK?CNN?MFAC 模型、RTK?GAN?CNN?MFAC 模型進(jìn)行實(shí)驗(yàn)對(duì)比。未設(shè)定障礙物的既定路線與實(shí)際路線對(duì)比圖、設(shè)定障礙物后的理想路線與實(shí)際路線對(duì)比圖如圖10所示。

圖10 巡檢機(jī)器人導(dǎo)航算法路線對(duì)比圖

巡檢機(jī)器人在遇到模擬障礙物（障礙物類型之一紙箱）時(shí)，導(dǎo)航過程主要分為三個(gè)階段，如圖11所示。

圖11 巡檢機(jī)器人室外避障示意圖

第一階段如圖11a）所示，距離障礙物較遠(yuǎn)，系統(tǒng)為RTK?MFAC 導(dǎo)航為主GAN?CNN 識(shí)別為輔的導(dǎo)航模式快速前進(jìn)至第二階段位置。第二階段如圖11b）所示，已到達(dá)障礙物前端，單目相機(jī)采集圖片被GAN?CNN 模型識(shí)別為存在障礙物，系統(tǒng)切換為GAN?CNN?MFAC 導(dǎo)航為主RTK 獲取實(shí)時(shí)定位為輔的導(dǎo)航模式，通過平移繞過障礙物，到達(dá)第三階段位置。第三階段如圖11c）所示，已繞開障礙物，系統(tǒng)重新切換為RTK?MFAC 導(dǎo)航為主GAN?CNN 識(shí)別為輔的導(dǎo)航模式快速行駛。綜上所述，巡檢機(jī)器人RTK?GAN?CNN?MFAC 組合導(dǎo)航系統(tǒng)可以使巡檢機(jī)器人安全平穩(wěn)地規(guī)避障礙物。

4 結(jié) 論

為了實(shí)現(xiàn)巡檢機(jī)器人的準(zhǔn)確定位和自主導(dǎo)航能力，提高巡檢機(jī)器人的工作效率，本文提出了一種RTK 導(dǎo)航與視覺導(dǎo)航主副切換模型，設(shè)計(jì)了巡檢機(jī)器人導(dǎo)航系統(tǒng)。實(shí)驗(yàn)結(jié)果表明：與其他算法對(duì)比，本文采用的GAN?CNN 算法能夠提高識(shí)別障礙物的精度；與傳統(tǒng)PID 相比，本文采用的MFAC 能夠更精準(zhǔn)地反饋實(shí)時(shí)的速度變化，及時(shí)地調(diào)整麥克納姆輪的速度。采用巡檢機(jī)器人RTK?GAN?CNN?MFAC 組合導(dǎo)航系統(tǒng)能夠更好地實(shí)現(xiàn)導(dǎo)航控制，驗(yàn)證了本文模型的優(yōu)越性，使得巡檢機(jī)器人更好、更安全地完成漁場(chǎng)巡檢。