CN113514066A - 一种同步定位与地图构建和路径规划方法 - Google Patents
一种同步定位与地图构建和路径规划方法 Download PDFInfo
- Publication number
- CN113514066A CN113514066A CN202110663215.1A CN202110663215A CN113514066A CN 113514066 A CN113514066 A CN 113514066A CN 202110663215 A CN202110663215 A CN 202110663215A CN 113514066 A CN113514066 A CN 113514066A
- Authority
- CN
- China
- Prior art keywords
- path planning
- robot
- module
- inspection
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种同步定位与地图构建和路径规划方法;包括:步骤1,同步定位与地图构建;利用改进的EKF SLAM算法对物流仓进行环境地图构建与同步定位,获取物流仓的现场物理数据;步骤2,利用改进的路径规划算法,对巡检目标进行路径规划,提供最优路径,使得巡检机器人能够在最短时间内到达目标点;步骤3,在巡检过程中,判断现场环境是否存在温度异常物品;步骤4,进行检测,判断物流仓是否有可燃性气体,是否存在安全隐患;步骤5,进行信息采集。本发明一种16邻域路径规划算法,引入了16邻域的搜索方法,解决了搜索维度少而造成的路径次优问题,该方法更加平滑,更加接近实测最优路径。
Description
技术领域
本发明属于机器人技术领域;尤其涉及一种同步定位与地图构建和路径规划方法。
背景技术
目前,随着电子商务的飞速发展,物流仓库的规模和吞吐量在显著增大,为了节约存储空间并进行高效管理,物流仓库需要将货物摆放的密集且规则。如此高密度的货物存储,物流仓安全问题已成为重中之重,对物流仓库管理提出了新挑战。目前包括中国、日本、加拿大等多个国家都在进行针对以物流仓为应用背景的智能巡检机器人研究和推广。物流仓巡检机器人旨在将移动机器人应用于无人值守或少人值守的物流仓场景。以移动机器人为平台,搭载多种智能化检测装备,对仓库现场信息进行及时准确的检测,上传云平台及时感知物流仓的安全隐患,以便于对检测现场下达及时有效的处理指令。保证物流仓储安全稳定的运行。
物流仓为追求空间的最大化利用,通常会高密度的存储货物,因此仓库安防成为不可忽视的一环。现有的物流仓监测一般通过室内加装多个摄像头和人工巡检的方式组合进行。该方法存在经济开支大、人力资源浪费、检测精度不够及响应不及时等问题。研究设计一款通过携带智能化检测装备对周围环境进行自主感知巡检机器人。该机器人能够应对复杂昏暗现场环境,合理规划路径,不间断地负责对物流仓内可燃性气体检测、红外热图采集、远程视屏监控等进行巡检,基于智能算法自动识别设备的状态信息,从而取代人工对物流仓库进行设备检测和预警分析的功能。
SLAM的主要任务是对机器人的位置估计信息进行更新。由于仅单一的通过运动信息推算出来的位置信息存在精度不高的问题,通过引入观测信息,滤波的作用是将两者信息结合起来赋给不同的权重来修正预测值。由于扩展卡尔曼滤波在处理非线性问题时,对非线性函数进行近似化处理,即仅保留泰勒展开的一阶项,这就给估计带来了很大的误差。要实现EKF滤波后的结果更加接近真实值,要求***的状态方程和观测方程都接近线性且连续。
EKF SLAM算法进行理论推导如下:
(1)定义二维EKF SLAM的状态变量
状态变量定义为:
X=(φ,Xr,X1,…,XN) (3.4)
式中,φ代表机器人的方向,Xr=(xr,yr)代表机器人当前位置,X1=(x1,y1),…XN=(xN,yN)代表机器人观测到地图上的地标点位置信息。将机器人的方向φ分开标注的原因是其在收敛性和一致性分析上有着重要的作用。
(2)预测
①过程模型:式(3.5)表示机器人的过程模型:
简写为:
式中,v,r代表控制输入,δγ,δv是关于v,r均值为零的高斯白噪声,T代表机器人每移动一步的时间间隔,函数fφ的显示公式依据于移动机器人。
以简单离散时间机器人为例进行分析。机器人运动模型如下所示:
式中,v为速率,γ为转率。
地标的运动模型:
Xi(k+1)=Xi(k),i=1,…,N (3.8)
***模型表达公式如下:
X(k+1)=F(X(k),γ(k),v(k),δγ,δv) (3.9)
式中,F为公式(3.6)和公式(3.8)的结合。
②预测:假设k时刻状态变量的最有估计值为:
矩阵P(k|k)为估计误差的协方差阵,预测过程如下:
根据上式(3.6)所定义的***,机器人位姿的雅可比矩阵表达式如下:
(3)更新
①测量模型:在k+1时刻,机器人的所获取得到的当前时刻地标信息包含γi和θi,γi为测量距离,θi为转向角,具体的表达式如下:
观测模型为:
②更新:对协方差矩阵进行更新:
式中,Ω(·)是信息矩阵,Ωnew是从观测值获得的信息矩阵:
更新状态变量估计值表达式如下:
估计误差协方差阵表达式如下:
以上推导则为典型的EKF更新方式。
测量函数H的雅克比矩阵为:
式中,
从上式推导公式可以得出,雅可比矩阵仅包含当前时刻所观测到的点,观测到的地标点不包含其中。
由于扩展卡尔曼滤波在处理非线性问题时,对非线性函数进行近似化处理,即仅保留泰勒展开的一阶项,这就给估计带来了很大的误差。要实现EKF滤波后的结果更加接近真实值,要求***的状态方程和观测方程都接近线性且连续。针对于EKF这一问题,本发明提出一种对非线性***的前二阶矩进行线性近似滤波的方法。在扩展卡尔曼滤波的基础上,对状态函数和观测函数进行泰勒展开时保留二阶项以此来克服原算法只保留一阶项而造成的滤波精度和收敛性问题。
发明内容
本发明的目的是提供了一种同步定位与地图构建和路径规划方法。
本发明是通过以下技术方案实现的:
本发明涉及一种同步定位与地图构建和路径规划方法,包括以下步骤:
步骤1,利用改进的EKF SLAM算法对物流仓进行环境地图构建与实时定位,获取物流仓的现场物理数据;
步骤2,利用改进的路径规划算法,对巡检目标进行路径规划,提供最优路径,使得巡检机器人能够在最短时间内到达目标点;
步骤3,在巡检过程中,判断现场环境是否存在温度异常物品;
步骤4,进行检测,判断物流仓是否有可燃性气体,是否存在安全隐患;
步骤5,进行信息采集。
优选地,步骤1中,所述改进的EKF SLAM算法是一种对非线性***的前二阶矩进行线性近似滤波的计算方法。在对***状态方程和观测方程进行泰勒展开时保留二阶项来克服原算法只保留一阶项而造成的滤波精度和收敛性问题。
步骤1中,所述环境地图构建与实时定位的方法采用改进的二阶拓展卡尔曼滤波方法。
所述改进的二阶拓展卡尔曼滤波方法,扩展卡尔曼滤波的处理过程与卡尔曼滤波类似,不同在与扩展卡尔曼滤波常常被用来处理非线性***。
优选地,步骤2中,所述改进的路径规划算法是在传统的搜索基础上,引入了16邻域的搜索方法的改进算法。
所述改进的路径规划算法是一种16邻域算法。该方法是在原有A*算法8邻域的搜索方向基础上,扩充增至到相邻16个邻域,扩展了待选结点的个数,使得行进方向从原有的π/4的基础上扩展到π/8。
16邻域方向的扩展是基于传统A*算法的基础上,对其搜索行进方向进行了改进,在原有周围的8邻域基础之上,又叠加了8个可选择邻域。即对当前节点周围16个邻域点是否可以加入扩展列表(Open表)进行判断。
优选地,步骤3中,所述判断现场环境是否存在温度异常物品的方法具体为:利用红外热成像仪采集现场热力云图,根据设定的温度阈值判断现场环境是否存在温度异常物品。
优选地,步骤4中,所述检测的具体过程为:巡检机器人利用自身携带的可燃性气体检测传感器对物流仓现场进行检测。
优选地,步骤5中,所述进行信息采集的具体过程为:使用高清广角摄像头对现场进行信息采集。
本发明的原理:
第一步,同步定位与地图构建;本发明获取物流仓的空间信息采用由思岚科技公司(SLAMTEC)生产的RPLIDAR A1(二维单线激光雷达)外部传感器;该款激光雷达不仅精度良好、价格便宜,而且相较传统激光雷达其可以长时间稳定运行,因此选择其作为本发明的外部传感器。
第二步,路径规划:本发明针对传统A*算法只包含8邻域的扩展方向问题,本发明提出一种16邻域的膨胀路径算法。通过本发明验证16邻域的搜索算法路径最优,该优化方法可以对传统的A*算法达到优化的目的。对比采用16邻域的搜索算法得到的规划路径,可以很直观的发现其路径明显更加平滑、转折点个数明显减少、更加接近最优路径。
第三步,热成像功能:本发明选用DC-2TC1217双光谱热成像摄像机(以下简称热成像仪),该热成像仪采用DC12V电源供电,功率为8W,重量1.0kg,适合巡检机器人便携。DC-2TC1217选用POE供电方式进行设备供电,POE指的是在现有的以太网的情况下,在为一些基于IP的终端传输数据信号的同时,还能为此类设备提供直流供电的技术。
第四步,可燃性气体检测功能:本发明采用JXM系列智能型气体检测模组,JXM模组内置高精度电化学传感器,通过模拟电路将气体浓度信号输出为用户需要的数字信号。传感器内部自带高精度放大、去噪声处理、温度补偿处理。同时每个传感器都会经过气体标定处理,确保了传感器模组可靠性和准确性。
第五步,远程视屏监控功能,视屏监控采用工业级高清广角无畸变720P免驱USB摄像头作为采集单元,采用5V直流电压供电,分辨率每秒30帧,金属外壳,使得其防摔,耐用寿命更长,具有更好的经济型和实用性。
本发明以物流仓巡检任务为背景,研究设计了基于激光雷达的巡检机器人。该机器人包括同步定位与地图构建和路径规划两个单元,并在移动过程中利用红外热成像仪、可燃性气体传感器及高清广角摄像头对现场温度、可燃性气体和巡检现场信息进行采集,最后通过厂内局域网上传至中控室对物流仓进行智慧化管理。
一种物流仓机器人,主要包括:用户层、决策层、感知层和执行层;
所述感知层包括:传感器信息采集模块、里程计模块和激光雷达模块;
所述执行层包括:运动控制模块、第一电机驱动模块和第二电机驱动模块;
所述传感器信息采集模块具体包括红外热成像采集仪,可燃性气体检测传感器,高清摄像头,该机器人可实现采集工作区域的温度信息,生成热源信息图发回给中控室,方便中控室做出及时决策。并且检测巡检区域内的可燃性气体浓度值,通过局域网传输,对操作区域环境信息进行实时监测。并且通过远程摄像头实现远程视屏监控,让中控室操作人员掌握巡检区域的实时信息。
所述里程计模块来实现巡检机器人定位,根据物理模型判定机器人当前所处位置。
所述激光雷达模块实现了巡检机器人获取当前环境信息,生成点云数据集,实现地图构建功能。
所述运动控制模块根据上位机指令,可实现在位置环境中的巡检,为实现地图构建获取环境信息。
所述第一电机驱动模块和第二电机驱动模块保证了机器人移动的可能。
所述红外热成像功能、可燃性气体检测功能、远程视频监控功能、同步定位与地图构建功能、路径规划功能。
本***选用DC-2TC1217双光谱热成像摄像机(以下简称热成像仪),该热成像仪采用DC12V电源供电,功率为8W,重量1.0kg,适合巡检机器人便携。探测器采用氧化钒非制冷型探测器,最大图像尺寸160*120,相应波段8~14um,热成像镜头焦距2mm,热成像视场角90°*66.4°,热成像近摄距0.15m,支持1路DC 0~5V报警输入,红外照射距离最远可达15米。
可燃性气体检测采用JXM系列智能型气体检测模组,JXM模组内置高精度电化学传感器,通过模拟电路将气体浓度信号输出为用户需要的数字信号。传感器内部自带高精度放大、去噪声处理、温度补偿处理。同时每个传感器都会经过气体标定处理,确保了传感器模组可靠性和准确性。
视屏监控采用工业级高清广角无畸变720P免驱USB摄像头作为采集单元,,采用5V直流电压供电,分辨率每秒30帧,金属外壳,使得其防摔,耐用寿命更长,具有更好的经济型和实用性。具体的产品规格如表5.10所示,摄像头正视图边长为36mm,以实际镜头为准,高为20mm。
同步定位与地图构建功能、路径规划功能见摘要结构图
本发明具有以下优点:
(1)本发明所涉及的物流仓机器人主要由五个功能组成:红外热成像功能、可燃性气体检测功能、远程视频监控功能、同步定位与地图构建功能、路径规划功能;由于巡检机器人需要在未知的环境下,根据巡检任务实现对工作区域进行全覆盖式的巡检,在运动过程中需要精准的定位和精确的地图构建,并且规划出合理的运动轨迹,同时需要采集工作区域的温度信息,生成热源信息图发回给中控室,方便中控室做出及时决策。并且检测巡检区域内的可燃性气体浓度值,通过局域网传输,对操作区域环境信息进行实时监测。在巡检过程中,通过远程摄像头实现远程视屏监控,让中控室操作人员掌握巡检区域的实时信息,确保物流仓库安全稳定运行;本发明所涉及的机器人可以同时满足以上要求。
(2)本发明提出一种对非线性***的前二阶矩进行线性近似滤波的方法。与传统方法相比,该方法具有较高的滤波精度和收敛精度,整体提升了算法的建图精度。本发明提出一种16邻域A*路径算法。该算法是在传统A*的搜索基础上,引入了16邻域的搜索方法,以此解决原A*算法搜索维度少而造成的路径次优问题。与传统的A*搜索算法相比,16邻域A*搜索路径更加平滑,更加接近实测最优路径。
附图说明
图1是本发明所涉及的物流仓巡检机器人实物图,其中左边为机器人的侧视图;右边为主视图;
图2是本发明所涉及的16邻域A*路径规划图;
图3是本发明所涉及的物流仓巡检机器人的红外热成像连接方案图;
图4是本发明所涉及的物流仓巡检机器人的可燃性气体检测过程图;
图5是本发明所涉及的物流仓巡检机器人的实时监控运行效果图;
图6是本发明所涉及的物流仓巡检机器人的结构原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。应当指出的是,以下的实施实例只是对本发明的进一步说明,但本发明的保护范围并不限于以下实施例。
实施例
本实施例涉及一种同步定位与地图构建和路径规划方法,包括以下步骤:
步骤1,利用改进的EKF SLAM算法对物流仓进行环境地图构建与实时定位,获取物流仓的现场物理数据;
步骤2,利用改进的路径规划算法,对巡检目标进行路径规划,提供最优路径,使得巡检机器人能够在最短时间内到达目标点;
步骤3,在巡检过程中,判断现场环境是否存在温度异常物品;
步骤4,进行检测,判断物流仓是否有可燃性气体,是否存在安全隐患;
步骤5,进行信息采集。
本实施例方法中所涉及的物流仓机器人主要由五个功能组成:红外热成像功能、可燃性气体检测功能、远程视频监控功能、同步定位与地图构建功能、路径规划功能;所述机器人的实物图见所示。
优选地,步骤1中,所述改进的EKF SLAM算法是一种对非线性***的前二阶矩进行线性近似滤波的计算方法。在对***状态方程和观测方程进行泰勒展开时保留二阶项来克服原算法只保留一阶项而造成的滤波精度和收敛性问题。
步骤1中,所述环境地图构建与实时定位的方法采用改进的二阶拓展卡尔曼滤波方法。
所述改进的二阶拓展卡尔曼滤波方法,扩展卡尔曼滤波的处理过程与卡尔曼滤波类似,不同在与扩展卡尔曼滤波常常被用来处理非线性***。具体的解决办法是通过一阶泰勒展开将非线性的***进行线性化,主要的过程如下:
状态更新:
状态预测:
预测误差的方差阵:
滤波器增益:
估计误差的方差阵:
在移动机器人进行SLAM过程中,观测到的***状态和观测模型为:
xk+1=f(xk,wk)
zk=h(xk,vk) (3.30)
上述式(3.25)-(3.30)中,A是f对x偏导的雅可比矩阵,Q是过程噪声协方差矩阵,W是f对ω偏导的雅可比矩阵,R是量测噪声协方差矩阵,V是h对v偏导的雅可比矩阵,H是h对x偏导的雅可比矩阵。上标“∧”表示估计值。
二阶泰勒展开式线性化的思想就是将高阶项保留到二阶项,近似后的泰勒展开式可以写为:
同理,对观测模型中的方程也进行同样的展开,具体展开公式如下:
结合式(3.25)~(3.29)的滤波公式和式(3.32)~(3.33)的二阶泰勒展开式,可以建立二阶扩展卡尔曼滤波如下:
状态更新:
状态预测:
预测误差:
滤波器增益:
估计误差:
通过上文对一阶EKF和二阶EKF的理论分析可知,增加泰勒展开的高阶项会进一步的提高算法估计的准确性。
优选地,步骤2中,所述改进的路径规划算法是在传统的搜索基础上,引入了16邻域的搜索方法的改进算法,见图2所示。
所述改进的路径规划算法是一种16邻域算法。该方法是在原有A*算法8邻域的搜索方向基础上,扩充增至到相邻16个邻域,扩展了待选结点的个数,使得行进方向从原有的π/4的基础上扩展到π/8。
16邻域方向的扩展是基于传统A*算法的基础上,对其搜索行进方向进行了改进,在原有周围的8邻域基础之上,又叠加了8个可选择邻域。即对当前节点周围16个邻域点是否可以加入扩展列表(Open表)进行判断。具体的设计过程如下:
(1)边界性检查。判断输入点的每一个邻接点都在实验设计的工作空间环境范围内,是否存在超出工作范围的邻接点。
(2)由于16邻域的搜索算法是在原有的8邻域算法基础上叠加层数而来的,因此需对邻接点进行分层判断。
(3)首先对当前节点周围的8个邻域点依次进行判断,即判断是否在Closed表里面,如果该点为障碍点,则直接舍弃,如果为非障碍点,则表明其可作为扩展点,进而检查该点是否已作为扩展点存放在Open表,如若不存在,将该点纳入Open列表,如若存在,则需对拥有不同前向指针的此点的评价值f进行比较,选用较小函数f值的节点,并以此为依据判断是否需要对其前向指针进行更新。
(4)然后对第二层8个邻域节点进行判断,首先检查是否为障碍点,若是障碍点,直接对其进行舍弃操作,如若不是,还需检查从当前节点到邻接点所经过的1至2个点,如若途径节点里存在障碍点,则对该邻接点进行舍弃操作。若途径点均为自由区域,检查发现该点是否已经存在于Open列表中,若存在,则需对拥有不同前向指针的邻接点点进行判断,判断的依据为评价函数值f,选用较小f值的节点作为邻接点。并对Open列表中的邻接点前向指针进行更行,如若Open表中不存在此邻接点,需将该点***到Open表中。
(5)选取此时Open表中具有最小评价函数值f的节点为最优节点坐标,运用相应子函数将其从Open表纳入Closed表。
优选地,步骤3中,所述判断现场环境是否存在温度异常物品的方法具体为:利用红外热成像仪采集现场热力云图,根据设定的温度阈值判断现场环境是否存在温度异常物品,见图3所示。
优选地,步骤4中,所述检测的具体过程为:巡检机器人利用自身携带的可燃性气体检测传感器对物流仓现场进行检测,见图4所示。
优选地,步骤5中,所述进行信息采集的具体过程为:使用高清广角摄像头对现场进行信息采集。
本发明涉及的一种物流仓机器人,其结构见图6所示:主要包括:用户层、决策层、感知层和执行层;
所述感知层包括:传感器信息采集模块、里程计模块和激光雷达模块;
所述执行层包括:运动控制模块、第一电机驱动模块和第二电机驱动模块;
所述传感器信息采集模块具体包括红外热成像采集仪,可燃性气体检测传感器,高清摄像头,该机器人可实现采集工作区域的温度信息,生成热源信息图发回给中控室,方便中控室做出及时决策。并且检测巡检区域内的可燃性气体浓度值,通过局域网传输,对操作区域环境信息进行实时监测。并且通过远程摄像头实现远程视屏监控,让中控室操作人员掌握巡检区域的实时信息。
所述里程计模块来实现巡检机器人定位,根据物理模型判定机器人当前所处位置。
所述激光雷达模块实现了巡检机器人获取当前环境信息,生成点云数据集,实现地图构建功能。
所述运动控制模块根据上位机指令,可实现在位置环境中的巡检,为实现地图构建获取环境信息。
所述第一电机驱动模块和第二电机驱动模块保证了机器人移动的可能。
红外热成像功能、可燃性气体检测功能、远程视频监控功能、同步定位与地图构建功能、路径规划功能。
本***选用DC-2TC1217双光谱热成像摄像机(以下简称热成像仪),该热成像仪采用DC12V电源供电,功率为8W,重量1.0kg,适合巡检机器人便携。探测器采用氧化钒非制冷型探测器,最大图像尺寸160*120,相应波段8~14um,热成像镜头焦距2mm,热成像视场角90°*66.4°,热成像近摄距0.15m,支持1路DC 0~5V报警输入,红外照射距离最远可达15米。
可燃性气体检测采用JXM系列智能型气体检测模组,JXM模组内置高精度电化学传感器,通过模拟电路将气体浓度信号输出为用户需要的数字信号。传感器内部自带高精度放大、去噪声处理、温度补偿处理。同时每个传感器都会经过气体标定处理,确保了传感器模组可靠性和准确性。
视屏监控采用工业级高清广角无畸变720P免驱USB摄像头作为采集单元,,采用5V直流电压供电,分辨率每秒30帧,金属外壳,使得其防摔,耐用寿命更长,具有更好的经济型和实用性。具体的产品规格如表5.10所示,摄像头正视图边长为36mm,以实际镜头为准,高为20mm。
本发明的原理:
第一步,同步定位与地图构建;本发明获取物流仓的空间信息采用由思岚科技公司(SLAMTEC)生产的RPLIDAR A1(二维单线激光雷达)外部传感器;该款激光雷达不仅精度良好、价格便宜,而且相较传统激光雷达其可以长时间稳定运行,因此选择其作为本发明的外部传感器。
第二步,路径规划:本发明针对传统A*算法只包含8邻域的扩展方向问题,本发明提出一种16邻域的膨胀路径算法。通过本发明验证16邻域的搜索算法路径最优,该优化方法可以对传统的A*算法达到优化的目的。对比采用16邻域的搜索算法得到的规划路径,可以很直观的发现其路径明显更加平滑、转折点个数明显减少、更加接近最优路径。
第三步,热成像功能:本发明选用DC-2TC1217双光谱热成像摄像机(以下简称热成像仪),该热成像仪采用DC12V电源供电,功率为8W,重量1.0kg,适合巡检机器人便携。DC-2TC1217选用POE供电方式进行设备供电,POE指的是在现有的以太网的情况下,在为一些基于IP的终端传输数据信号的同时,还能为此类设备提供直流供电的技术。
第四步,可燃性气体检测功能:本发明采用JXM系列智能型气体检测模组,JXM模组内置高精度电化学传感器,通过模拟电路将气体浓度信号输出为用户需要的数字信号。传感器内部自带高精度放大、去噪声处理、温度补偿处理。同时每个传感器都会经过气体标定处理,确保了传感器模组可靠性和准确性。
第五步,远程视屏监控功能,视屏监控采用工业级高清广角无畸变720P免驱USB摄像头作为采集单元,采用5V直流电压供电,分辨率每秒30帧,金属外壳,使得其防摔,耐用寿命更长,具有更好的经济型和实用性。
本发明以物流仓巡检任务为背景,研究设计了基于激光雷达的巡检机器人。该机器人包括同步定位与地图构建和路径规划两个单元,并在移动过程中利用红外热成像仪、可燃性气体传感器及高清广角摄像头对现场温度、可燃性气体和巡检现场信息进行采集,最后通过厂内局域网上传至中控室对物流仓进行智慧化管理。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质。
Claims (7)
1.一种同步定位与地图构建和路径规划方法,其特征在于,包括以下步骤:
步骤1,同步定位与地图构建;利用改进的EKF SLAM算法对物流仓进行环境地图构建与同步定位,获取物流仓的现场物理数据;
步骤2,利用改进的路径规划算法,对巡检目标进行路径规划,提供最优路径,使得巡检机器人能够在最短时间内到达目标点;
步骤3,在巡检过程中,判断现场环境是否存在温度异常物品;
步骤4,进行检测,判断物流仓是否有可燃性气体,是否存在安全隐患;
步骤5,进行信息采集。
2.如权利要求1所述的同步定位与地图构建和路径规划方法,其特征在于,步骤1中,所述改进的EKF SLAM算法是一种对非线性***的前二阶矩进行线性近似滤波的计算方法。
3.如权利要求1所述的同步定位与地图构建和路径规划方法,其特征在于,步骤2中,所述改进的路径规划算法是在传统的搜索基础上,引入了16邻域的搜索方法的改进算法。
4.如权利要求1所述的同步定位与地图构建和路径规划方法,其特征在于,步骤3中,所述判断现场环境是否存在温度异常物品的方法具体为:利用红外热成像仪采集现场热力云图,根据设定的温度阈值判断现场环境是否存在温度异常物品。
5.如权利要求1所述的同步定位与地图构建和路径规划方法,其特征在于,步骤4中,所述检测的具体过程为:巡检机器人利用自身携带的可燃性气体检测传感器对物流仓现场进行检测。
6.如权利要求1所述的同步定位与地图构建和路径规划方法,其特征在于,步骤5中,所述进行信息采集的具体过程为:使用高清广角摄像头对现场进行信息采集。
7.一种物流仓机器人,其特征在于,主要包括:用户层、决策层、感知层和执行层;
其中,所述感知层包括:传感器信息采集模块、里程计模块和激光雷达模块;
所述执行层包括:运动控制模块、第一电机驱动模块和第二电机驱动模块;
所述传感器信息采集模块,包括:红外热成像采集仪,可燃性气体检测传感器,高清摄像头;所述传感器信息采集模块用于采集工作区域的温度信息,生成热源信息图发回给中控室,使控室做出及时决策;
所述里程计模块用于巡检机器人的定位,根据物理模型判定机器人当前所处位置;
所述激光雷达模块用于巡检机器人获取当前环境信息,生成点云数据集,实现地图构建功能;
所述运动控制模块根据上位机指令,实现在位置环境中的巡检,为实现地图构建获取环境信息;
所述第一电机驱动模块和第二电机驱动模块用于机器人移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663215.1A CN113514066A (zh) | 2021-06-15 | 2021-06-15 | 一种同步定位与地图构建和路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663215.1A CN113514066A (zh) | 2021-06-15 | 2021-06-15 | 一种同步定位与地图构建和路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113514066A true CN113514066A (zh) | 2021-10-19 |
Family
ID=78065592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663215.1A Pending CN113514066A (zh) | 2021-06-15 | 2021-06-15 | 一种同步定位与地图构建和路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514066A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455822A (zh) * | 2013-08-19 | 2013-12-18 | 江苏科技大学 | 复杂工业环境中的巡检机器人***及多人脸动态跟踪方法 |
CN105333869A (zh) * | 2015-11-04 | 2016-02-17 | 天津津航计算技术研究所 | 一种基于自适应ekf的无人侦察机同步定位与构图方法 |
WO2018107916A1 (zh) * | 2016-12-14 | 2018-06-21 | 南京阿凡达机器人科技有限公司 | 一种基于环境地图的机器人安防巡检方法及其机器人 |
CN109599945A (zh) * | 2018-11-30 | 2019-04-09 | 武汉大学 | 一种智慧电厂自主巡检机器人巡检***及方法 |
CN110456785A (zh) * | 2019-06-28 | 2019-11-15 | 广东工业大学 | 一种基于履带机器人的室内自主探索方法 |
US20200240793A1 (en) * | 2019-01-28 | 2020-07-30 | Qfeeltech (Beijing) Co., Ltd. | Methods, apparatus, and systems for localization and mapping |
-
2021
- 2021-06-15 CN CN202110663215.1A patent/CN113514066A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455822A (zh) * | 2013-08-19 | 2013-12-18 | 江苏科技大学 | 复杂工业环境中的巡检机器人***及多人脸动态跟踪方法 |
CN105333869A (zh) * | 2015-11-04 | 2016-02-17 | 天津津航计算技术研究所 | 一种基于自适应ekf的无人侦察机同步定位与构图方法 |
WO2018107916A1 (zh) * | 2016-12-14 | 2018-06-21 | 南京阿凡达机器人科技有限公司 | 一种基于环境地图的机器人安防巡检方法及其机器人 |
CN109599945A (zh) * | 2018-11-30 | 2019-04-09 | 武汉大学 | 一种智慧电厂自主巡检机器人巡检***及方法 |
US20200240793A1 (en) * | 2019-01-28 | 2020-07-30 | Qfeeltech (Beijing) Co., Ltd. | Methods, apparatus, and systems for localization and mapping |
CN110456785A (zh) * | 2019-06-28 | 2019-11-15 | 广东工业大学 | 一种基于履带机器人的室内自主探索方法 |
Non-Patent Citations (1)
Title |
---|
王盼盼;黄宜庆;: "基于时变调节因子的移动机器人EKF-SLAM算法" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Mobile robot for power substation inspection: A survey | |
CN109599945A (zh) | 一种智慧电厂自主巡检机器人巡检***及方法 | |
Chen et al. | Robot navigation with map-based deep reinforcement learning | |
CN103064416A (zh) | 巡检机器人室内外自主导航*** | |
CN110647089A (zh) | 智能仓储物流机器人控制***及控制方法 | |
CN113075686B (zh) | 一种基于多传感器融合的电缆沟智能巡检机器人建图方法 | |
CN116755451B (zh) | 一种智能巡逻机器人路径规划方法及*** | |
CN105445729A (zh) | 无人机飞行三维航迹精度检测方法及*** | |
Ziebinski et al. | Challenges associated with sensors and data fusion for AGV-driven smart manufacturing | |
CN105372650A (zh) | 一种无人机飞行航迹精度检测方法及装置 | |
CN109752724A (zh) | 一种图像激光一体式导航定位*** | |
Pan et al. | Sweeping robot based on laser SLAM | |
CN113642687A (zh) | 一种融合二维码识别和惯性***的变电站巡检室内位置推算方法 | |
CN113514066A (zh) | 一种同步定位与地图构建和路径规划方法 | |
CN111999756A (zh) | 全自动氚表面污染巡测***及应用方法 | |
Kong et al. | Hybrid indoor positioning method of BLE and monocular VINS based smartphone | |
Kemppainen et al. | An infrared location system for relative pose estimation of robots | |
CN212460060U (zh) | 全自动氚表面污染巡测*** | |
CN114415655A (zh) | 一种基于改进slam的巡检机器人导航控制方法 | |
CN109506624B (zh) | 一种基于移动机器人的分布式视觉定位***及方法 | |
CN114062302A (zh) | 用于太赫兹成像检测的配网自主巡检方法 | |
Zhang et al. | A visual slam system with laser assisted optimization | |
Liang et al. | An Accurate Visual Navigation Method for Wheeled Robot in Unstructured Outdoor Environment Based on Virtual Navigation Line | |
Chu et al. | A PERFORMANCE ANALYSIS ON DRONE LOCO POSITIONING SYSTEM FOR TWO-WAY RANGING PROTOCOL | |
Banjanovic-Mehmedovic et al. | Alarm detection and monitoring in industrial environment using hybrid wireless sensor network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |