CN117311369B - 一种多场景的机器人智能巡检方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，提供一种多场景的机器人智能巡检方法，方法包括：生成机器人巡检任务，调用巡检区域的数字化信息；交互获得基础数据；输出路径规划结果并作为标准参考路径；执行路径图像采集；生成障碍特征和路面特征；配置预瞄距离和避障参考；生成回归路径；控制机器人完成巡检任务，解决机器人巡检无法适应实际场景需求，所得的巡检数据质量不高、准确性不足技术问题，实现对照实际场景需求，配置预瞄点，生成回归路径，大大提高巡检效率和准确性，降低巡检成本和风险，同时，通过智能路径规划和场景识别，机器人能够高效地执行巡检任务，提高巡检数据的质量和可靠性，为后续的数据分析和决策提供有力支持技术效果。

Description

一种多场景的机器人智能巡检方法

技术领域

本发明涉及数据处理相关技术领域，具体涉及一种多场景的机器人智能巡检方法。

背景技术

多场景的机器人智能巡检可以广泛应用于各个领域，常见的，机器人巡检方法主要包括：固定路径巡检、传感器辅助巡检。固定路径巡检是指机器人按照预先设定好的路径进行巡检，类似于传统的固定巡检线路，机器人沿着指定路径进行巡检，适用于场景稳定、路径明确的巡检任务，但在遇到障碍物或路径变化时不够灵活；传感器辅助巡检是机器人搭载各种传感器设备，如摄像头、红外传感器等，通过感知周围环境，实现障碍物检测、距离测量等功能，利用传感器数据来辅助路径规划和障碍物避让，提高巡检效率和精度，但在面对复杂环境的变化时仍需要人工干预以应对复杂环境的变动。

综上可知，虽然固定路径巡检、传感器辅助巡检等传统的机器人巡检方法可以提高巡检效率，但在遇到障碍物或路径变化时不够灵活，因此需要更加智能化的机器人巡检方法来应对更加复杂的巡检任务。

综上所述，现有技术中存在机器人巡检无法适应实际场景需求，所得的巡检数据质量不高、准确性不足的技术问题。

发明内容

本申请通过提供了一种多场景的机器人智能巡检方法，旨在解决现有技术中的机器人巡检无法适应实际场景需求，所得的巡检数据质量不高、准确性不足的技术问题。

鉴于上述问题，本申请提供了一种多场景的机器人智能巡检方法。

本申请公开的第一个方面，提供了一种多场景的机器人智能巡检方法，其中，所述方法包括：生成机器人巡检任务，并调用巡检区域的数字化信息；交互获得机器人的基础数据，其中，所述基础数据包括尺寸数据、功能数据、电量数据；通过所述基础数据执行路径规划模型的模型初始化，将所述数字化信息和所述巡检任务输入所述路径规划模型，输出路径规划结果，将所述路径规划结果作为所述机器人的标准参考路径；基于所述标准参考路径控制所述机器人执行场景巡检，并通过图像采集装置执行所述标准参考路径的路径图像采集；对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；根据所述障碍特征、所述路面特征和所述基础数据配置预瞄距离和避障参考；根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径；依据所述回归路径控制所述机器人完成巡检任务。

本申请公开的另一个方面，提供了一种多场景的机器人智能巡检***，其中，所述***包括：信息调用模块，用于生成机器人巡检任务，并调用巡检区域的数字化信息；基础数据获得模块，用于交互获得机器人的基础数据，其中，所述基础数据包括尺寸数据、功能数据、电量数据；路径规划模块，用于通过所述基础数据执行路径规划模型的模型初始化，将所述数字化信息和所述巡检任务输入所述路径规划模型，输出路径规划结果，将所述路径规划结果作为所述机器人的标准参考路径；场景巡检模块，用于基于所述标准参考路径控制所述机器人执行场景巡检，并通过图像采集装置执行所述标准参考路径的路径图像采集；特征生成模块，用于对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；路径配置模块，用于根据所述障碍特征、所述路面特征和所述基础数据配置预瞄距离和避障参考；回归路径生成模块，用于根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径；巡检控制模块，用于依据所述回归路径控制所述机器人完成巡检任务。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了生成机器人巡检任务，并调用巡检区域的数字化信息；交互获得机器人的基础数据，其中，基础数据包括尺寸数据、功能数据、电量数据；通过基础数据执行路径规划模型的模型初始化，将数字化信息和巡检任务输入路径规划模型，输出路径规划结果，将路径规划结果作为机器人的标准参考路径；基于标准参考路径控制机器人执行场景巡检，并通过图像采集装置执行标准参考路径的路径图像采集；对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；根据障碍特征、路面特征和基础数据配置预瞄距离和避障参考；根据预瞄距离、避障参考和标准参考路径生成回归路径；依据回归路径控制机器人完成巡检任务，实现了对照实际场景需求，配置预瞄点，生成回归路径，大大提高巡检效率和准确性，降低巡检成本和风险，同时，通过智能路径规划和场景识别，机器人能够高效地执行巡检任务，提高巡检数据的质量和可靠性，为后续的数据分析和决策提供有力支持的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种多场景的机器人智能巡检方法可能的流程示意图。

图2为本申请实施例提供了一种多场景的机器人智能巡检方法中路径规划可能的流程示意图。

图3为本申请实施例提供了一种多场景的机器人智能巡检方法中生成回归路径可能的流程示意图。

图4为本申请实施例提供了一种多场景的机器人智能巡检***可能的结构示意图。

附图标记说明：信息调用模块100，基础数据获得模块200，路径规划模块300，场景巡检模块400，特征生成模块500，路径配置模块600，回归路径生成模块700，巡检控制模块800。

具体实施方式

本申请实施例提供了一种多场景的机器人智能巡检方法，解决了机器人巡检无法适应实际场景需求，所得的巡检数据质量不高、准确性不足的技术问题，实现了对照实际场景需求，配置预瞄点，生成回归路径，大大提高巡检效率和准确性，降低巡检成本和风险，同时，通过智能路径规划和场景识别，机器人能够高效地执行巡检任务，提高巡检数据的质量和可靠性，为后续的数据分析和决策提供有力支持的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种多场景的机器人智能巡检方法，其中，所述方法包括：

S10：生成机器人巡检任务，并调用巡检区域的数字化信息；

S20：交互获得机器人的基础数据，其中，所述基础数据包括尺寸数据、功能数据、电量数据；

S30：通过所述基础数据执行路径规划模型的模型初始化，将所述数字化信息和所述巡检任务输入所述路径规划模型，输出路径规划结果，将所述路径规划结果作为所述机器人的标准参考路径；

步骤S30还包括步骤：

S31：对所述机器人执行电池电量数据采集，根据采集结果生成实际储电量评价值；

S32：提取所述机器人的历史环境执行数据，并依据所述历史环境执行数据构建所述机器人的电池环境影响因子；

S33：解析所述巡检任务，采集任务执行节点的环境预测数据；

S34：依据所述环境预测数据和所述电池环境影响因子生成电池影响系数；

S35：基于所述实际储电量评价值对所述电量数据初始化，并通过所述电池影响系数生成所述路径规划模型的路径规划约束。

具体而言，在将机器人投放至巡检区域之前，根据巡检区域的环境，在多场景的机器人智能巡检***上生成机器人需要执行的巡检任务，比如，巡检区域的环境为隧道，对应的，巡检任务可以对应为一段或多段隧道的隧道巡检起点、隧道巡检终点，同时，获取巡检区域的数字化信息，所述数字化信息包括但不限于地图数据、传感器数据。

所述基础数据包括尺寸数据（包括但不限于高度、宽度、长度）、功能数据（包括但不限于承载能力、传感器种类）、电量数据，通过所述多场景的机器人智能巡检***与机器人之间的交互连接，获取机器人的基础数据，交互连接即通过信号的传输交互，在所述多场景的机器人智能巡检***与机器人之间构成通讯网络，为实时获取机器人的基础数据提供技术支撑。

构建路径规划模型；所述基础数据带有模型初始化标识，通过所述基础数据对路径规划模型进行初始化，输入基础数据，包括但不限于机器人的尺寸、功能、电量，以及数字化信息，包括但不限于巡检区域的地图、尺寸、巡检点；路径规划模型的输入是所述数字化信息和所述巡检任务，输出是路径规划结果，通过路径规划模型进行路径规划可以确定即机器人支持按照某一条路径或某几条路径进行巡检，将所述路径规划结果作为所述机器人的标准参考路径，以确保机器人按照预期的路径进行巡检，同时，通过数字化信息和路径规划模型的应用，可以实现自动化的场景巡检，提高巡检的自动化程度和智能化水平。

构建路径规划模型，包括，所述路径规划模型包括场景仿真建模层、路径自动规划层；具体的，设置场景仿真建模层：使用3DStudioMax(软件名)、Maya(软件名)、Rhino(软件名)、Blender(软件名)或其他任意建模软件为底层建模逻辑，以巡检区域的数字化信息为基础进行场景建模；设置路径自动规划层：对照设定巡检任务的巡检起点、巡检终点和巡检途经点，使用Dijkstra算法进行路径规划，同时，路径生成过程中需要考虑路径的连续性。

配置一个机器人的余电约束，进一步，根据设备状态，环境状态，对设备特征更新，重新确定余电，还包括，对所述机器人执行电池电量数据采集得到采集结果，根据采集结果生成实际储电量评价值，所述实际储电量评价值等于实际消耗电量/（电池标称容量-电池剩余电量）×100%，直接将采集得到采集结果代入计算得出实际储电量评价值。

所述历史环境执行数据为记录机器人在过去一年内的执行任务中所处环境的相关数据，在所述机器人的数据存储模块中进行环境的相关数据检索提取所述机器人的历史环境执行数据；所述电池环境影响因子是指机器人历史执行数据中，与电池使用环境相关的各种因素对电池寿命和电量消耗的影响程度，例如，温度、湿度、光照等因素都可能对电池的性能和寿命产生影响，而电池环境影响因子可以反映这些因素对电池的影响程度，从而为机器人的电池管理提供依据，依据所述历史环境执行数据构建所述机器人的用于衡量环境对电池性能的电池环境影响因子：常见的，历史环境执行数据以及机器人历史执行数据，机器人历史执行数据包括机器人在不同环境下的电池消耗情况、电池寿命等数据，可以对历史环境执行数据、机器人历史执行数据进行数据关联映射，进而得出与电池使用环境对电池的影响程度，将影响程度不低于0.2%的指标作为电池环境影响因子，依照电池环境影响因子指导机器人的电池管理策略，例如在不同环境下及时设置电池保养措施，或者调整机器人的工作计划以充分利用电池的寿命和能量。

解析所述巡检任务，将巡检任务解析为不同的任务执行节点，同时，任务执行节点对应的时刻下的预测环境即为所述环境预测数据；将执行节点对应的时刻、执行节点对应的地址信息作为约束条件，在线上天气预报平台上，采集任务执行节点的环境预测数据；对所述环境预测数据和所述电池环境影响因子进行归一化处理，将所述电池环境影响因子的归一化处理结果作为权重值，对所述环境预测数据的归一化处理结果进行加权计算，得出电池影响系数，所述电池影响系数用于描述电池性能受环境影响程度。

在机器人持续使用的过程中，将所述实际储电量评价值×电池标称容量之积作为电池实际储电量，对所述电量数据初始化，同时，通过所述电池影响系数生成所述路径规划模型的路径规划约束：根据电池影响系数计算电池的预计使用时间，并将其转换为对应的能量消耗值；根据Dijkstra算法进行路径规划，生成路径规划方案，并计算每个路径段的能量消耗值；将电池的能量消耗值与路径段的能量消耗值进行对比，判断能否完成路径规划任务；如果不能完成任务，则调整路径规划方案，重新计算路径段的能量消耗值，直到找到可行的方案。将生成的路径规划约束应用于路径规划模型中，以确保路径规划方案符合电池的能量消耗限制。

通过对电池数据和环境数据的采集和分析，能够对机器人电池储能情况进行评估，并根据环境预测数据生成相应的电池影响系数，从而为路径规划提供更加准确的约束，以保证路径规划的有效执行，同时，可以提高机器人的电池利用率和工作效率，减少停机时间。

如图2所示，步骤S35还包括步骤：

S351：设置电池的保留电量阈值；

S352：将所述数字化信息和所述巡检任务输入所述路径规划模型后，通过所述保留电量阈值执行所述路径规划模型的电量保留设定；

S353：基于进行保留电量设定后的所述路径规划模型执行路径规划。

具体而言，设置电池的保留电量阈值，电池的保留电量阈值是机器人执行巡检任务所需电量和电池剩余电量之间的差值，以确保机器人在执行任务结束时有足够的电量返回充电站；将所述数字化信息和所述巡检任务作为输入数据，输入路径规划模型后，在进行路径规划之前，根据设定的电量保留阈值，调整路径规划模型中的电量保留设定，以确保机器人在执行任务时不会因电量不足而中途停机或无法返回充电站；根据设定的保留电量阈值和输入的所述数字化信息和所述巡检任务，使用所述路径规划模型执行路径规划，规划的路径还包括机器人从当前位置返回充电站的路径。

通过设定电池的保留电量阈值和路径规划模型的保留电量设定，可以确保机器人在执行巡检任务时保留足够的电量，避免因电量不足导致任务中断或电池耗尽，同时，可以提高机器人的工作可靠性和长时间工作能力，保证任务的成功完成。

S40：基于所述标准参考路径控制所述机器人执行场景巡检，并通过图像采集装置执行所述标准参考路径的路径图像采集；

S50：对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；

S60：根据所述障碍特征、所述路面特征和所述基础数据配置预瞄距离和避障参考；

步骤S60还包括步骤：

S61：通过大数据构建所述机器人与路面特征的轨迹关联系数集合；

S62：基于所述路面特征对所述轨迹关联系数集合映射匹配，获得匹配轨迹关联系数；

S63：在进行所述预瞄距离配置时，通过所述匹配轨迹关联系数进行初始预瞄距离补偿，以完成预瞄距离配置。

具体而言，将路径规划结果作为机器人的参考路径，通过控制机器人的运动轨迹来实现场景巡检。同时，机器人配备了图像采集装置，通过搭载的图像采集装置可以执行标准参考路径的路径图像采集，即在沿着标准路径行进的过程中，机器人可以拍摄路径图像，以便后续的数据处理。

所述障碍特征用以表征机器人巡检路径上的障碍物，如路障、车辆、行人；所述路面特征用以表征机器人巡检路径上的路面特征，如车道线、路标、减速带；对路径图像采集结果进行计算机视觉分析，识别出路径上的障碍特征和路面特征；根据所述障碍特征、所述路面特征和所述基础数据，配置机器人的预瞄距离和避障参考，以便机器人能够在行驶过程中及时发现障碍物并做出避让动作，所述避障参考可以是障碍物时所参考的避让方向，一般的，优选前方无障碍以及路面信息异常的方向进行避障，左前方有积水，避障参考对应的避让方向即为右前方。

进一步的，根据所述障碍特征、所述路面特征和所述基础数据，配置机器人的预瞄距离，包括，所述路面特征用以表征机器人巡检路径上的路面特征，如车道线、路标、减速带，基于大数据，将机器人型号作为数据筛选条件，获取同型号机器人在不同路面特征下的巡检路径，按照同型号机器人的路面特征-巡检路径的对应关系进行数据整理，进而得到构建所述机器人与路面特征的轨迹关联系数集合，比如，路面特征为减速带，52.47%的机器人对应的巡检路径为保持原有方向并适当减速，38.17%的机器人对应的巡检路径为靠右边单边车轮过，9.36%的机器人对应的巡检路径为靠左边单边车轮过，另一种情况下，路面特征为限速路标，87.4%的机器人对应的巡检路径为保持原有方向并适当减速，对应的，将52.47%、38.17%、9.36%、87.4%添加到路面特征-巡检路径的对应关系形成的轨迹关联系数集合中进而构建所述机器人与路面特征的轨迹关联系数集合。

将当前的路面特征作为匹配条件，在所述轨迹关联系数集合进行匹配，找到与当前路面特征最相似的轨迹关联系数，比如，当前路面特征为设置有限速路标与减速带，对应的，机器人对应的巡检路径为保持原有方向并适当减速所对应的轨迹关联系数=（52.47%+87.4%）/2。

所述预瞄距离是指越过障碍或者路面信息异常，比如有水，有冰，有雪，需要在原本的预瞄点上叠加预瞄距离，进而越过障碍或者路面信息异常区域；PP（PurePursuit，纯跟踪算法)算法控制时，被控机器人的位姿、轴距都是固定信息，主要取决于预瞄距离的设置：若预瞄距离的取值过小，机器人循迹时会不断地回绕跟踪预瞄点，进而产生行驶震荡的现象，导致机器人控制的稳定性差，行驶轨迹变长，机器人速度难以有效提升；若预瞄距离取值过大，被控机器人直线跟踪迟缓，过弯转向不足，进而出现“抄近路”的现象，机器人难以准确地沿轨迹行驶，降低跟踪精度。

所述初始预瞄距离可以是0.1m，在进行所述预瞄距离配置时，通过所述匹配轨迹关联系数进行初始预瞄距离补偿，在原本的预瞄点朝着所述避障参考所限定的避让方向上叠加一个初始预瞄距离作为新的预瞄点，判断是否越过障碍或者路面信息异常：若越过障碍或者路面信息异常，则将所述预瞄距离设置为0.1m；若未越过障碍或者路面信息异常，在原本的预瞄点朝着所述避障参考所限定的避让方向上叠加二个初始预瞄距离作为新的预瞄点，判断是否越过障碍或者路面信息异常，不断重复上述步骤，直至越过障碍或者路面信息异常，以完成预瞄距离配置，所述预瞄距离等于一个或几个初始预瞄距离。配置预瞄距离，可以使机器人在行驶过程中更好地跟踪目标点，以保证机器人行驶的准确性和稳定性。

S70：根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径；

S80：依据所述回归路径控制所述机器人完成巡检任务。

如图3所示，步骤S70还包括步骤：

S71：根据所述基础数据确定所述机器人的后轴中心坐标；

S72：以所述后轴中心坐标为圆心，以所述预瞄距离为半径进行轨迹相交，确定生成圆轨迹与所述标准参考路径的交点，将其作为预瞄点；

S73：依据所述预瞄点作为目标点，并执行所述机器人的行驶轨迹拟合；

S74：根据行驶轨迹拟合结果生成所述回归路径。

具体而言，根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径：所述避障参考可以是障碍物时所参考的避让方向，在原本的预瞄点朝着所述避障参考所限定的避让方向上叠加预瞄距离作为新的预瞄点，使用PP算法基于机器人与标准参考路径的几何关系，在几何关系，在预瞄距离、新的预瞄点与机器人位置，计算出转向半径及行驶曲率，最后根据机器人的轴距和预瞄距离计算出机器人前轮转角控制量，机器人在机器人前轮转角控制量的作用下可不断逼近越过障碍或者路面信息异常区域对应的路径，进而实现初始预瞄距离补偿，生成回归路径；依据所述回归路径控制所述机器人完成巡检任务。

进一步的，根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径，还包括，所述后轴中心坐标是指机器人后轮轴的中心点的坐标，依照所述基础数据中公开的信息，确定所述机器人的后轴中心坐标；以所述后轴中心坐标为圆心，以所述预瞄距离为半径做一个圆，该圆将与机器人行驶方向上的所述标准参考路径轨迹相交，确定生成圆轨迹与所述标准参考路径的交点，将圆轨迹与所述标准参考路径的交点作为预瞄点；得到以所述后轴中心坐标为圆心，以所述预瞄距离为半径所绘制圆的圆弧轨迹，将所述预瞄点作为目标点，机器人根据圆弧轨迹到达预瞄点，并执行PP算法控制所述机器人的行驶轨迹拟合，得到行驶轨迹拟合结果；将多段行驶轨迹拟合结果进行拼接得出所述回归路径。

通过确定后轴中心坐标和预瞄距离，可以准确地计算出圆轨迹与标准参考路径的交点，得到预瞄点作为机器人的目标点。通过行驶轨迹拟合，使机器人能够更准确地按照预瞄点进行行驶，提高了路径规划和导航的精确度。最终生成的回归路径能够更好地适应实际行驶需求，使机器人能够有效地在标准参考路径上行驶，并保持稳定和准确的导航能力。

步骤S70还包括步骤：

S75：基于所述尺寸数据和所述回归路径生成预定机器人接触轨迹；

S76：通过所述机器人接触轨迹和所述避障参考进行障碍接触拟合，生成拟合结果；

S77：判断所述拟合结果是否存在避障接触；

S78：若存在避障接触时，则根据接触范围进行阶梯预瞄距离增长拟合；

S79：根据拟合结果重新生成行驶轨迹。

具体而言，所述尺寸数据即机器人的尺寸信息，包括长度数据、宽度数据、高度数据，若机器人为四轮机器人，所述宽度数据包括左侧轮胎与右侧轮胎之间的距离数据；若机器人为轨道机器人，所述宽度数据包括轨道之间的距离数据；所述预定机器人接触轨迹带有所述尺寸数据中的宽度数据，基于所述回归路径，按照所述尺寸数据中的机器人宽度数据进行还原，测得预定机器人接触轨迹，所述预定机器人接触轨迹表示机器人在行驶过程中可能与障碍物接触的轨迹，若避障参考对应的避让方向即为右前方，同时机器人为四轮机器人，所述预定机器人接触轨迹为左侧轮胎与障碍物接触的轨迹，或，同时机器人为轨道机器人，所述预定机器人接触轨迹为左侧轨道与障碍物接触的轨迹，对障碍接触拟合所得坐标点组合进而得到所述拟合结果。

避障接触是指机器人避障的回归路径与障碍或者路面信息异常的接触，判断所述拟合结果中是否存在与障碍物接触的情况：若存在避障接触时，则根据接触范围进行阶梯预瞄距离增长拟合，对应的，所述预瞄距离设置为0.1m，阶梯预瞄距离增长对应的单次增长步长等于0.1m×10%，经验证，若接触范围对应的长度数据小于或等于机器人的尺寸信息中的长度数据10%，对应的阶梯预瞄距离为一倍的单次增长步长；若接触范围对应的长度数据小于或等于机器人的尺寸信息中的长度数据20%，对应的阶梯预瞄距离为二倍的单次增长步长；在完成预瞄距离的单次增长后，重新生成对应的回归路径以及预定机器人接触轨迹，进而根据拟合结果判断是否存在避障接触：若存在避障接触，重复上述步骤直至不存在避障接触；若不存在避障接触，将阶梯预瞄距离增长所得的预瞄距离对应的回归路径作为重新生成的行驶轨迹。

基于尺寸数据和回归路径生成预定机器人接触轨迹，并通过障碍接触拟合和判断，可以检测机器人与障碍物的接触情况，提前进行避障规划。如果存在避障接触，根据接触范围进行阶梯预瞄距离增长拟合，调整预瞄距离的单次增长步长，以实现更准确的避障规划。最终根据拟合结果重新生成行驶轨迹，使机器人能够避开障碍物、安全行驶。

本申请实施例还包括步骤：

S81：生成所述标准参考路径的伴随电量映射，并生成所述标准参考路径的N个关键响应节点；

S82：对N个关键响应节点执行所述机器人的电量检测，生成电量检测结果；

S83：基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的电量验证，生成第一电量异常结果；

S84：基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的节点间电量下降趋势分析，生成第二电量异常结果；

S85：根据所述第一电量异常结果和所述第二电量异常结果进行机器人的控制管理。

具体而言，通过机器人巡检和电量检测，快速发现电量异常情况，并通过电量验证和趋势分析提供更准确的异常判断和预警，进而提高机器人巡检的效率和准确性，具体步骤包括：巡检任务开始前，将电量信息与路径的不同位置进行匹配和映射，生成所述标准参考路径的伴随电量映射，形成路径-电量分布图，在所述标准参考路径上每间隔100米设置一关键响应节点，生成所述标准参考路径的N个关键响应节点；对N个关键响应节点分别执行所述机器人的电量检测，输出机器人的电量检测结果，在所述路径-电量分布图上对所述N个关键响应节点进行标记，同时，将所测得的电量检测结果添加至所述路径-电量分布图。

基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的电量验证，分别对比验证电量是否一致，若对比验证电量存在不一致，将不一致的关键响应节点保留至第一电量异常结果中；基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的节点间电量下降趋势分析，分析所述N个关键响应节点对应的各关键响应节点之间的电量变化趋势，若电量变化趋势异常突变，将电量变化趋势异常突变的关键响应节点保留至第二电量异常结果中，将所述第一电量异常结果和所述第二电量异常结果组合起来，进行机器人的控制管理，及时进行电量补充、实时路径调整、任务调整、状态异常维护，降低因电量异常引发的巡检中断事故的可能。

通过生成标准参考路径的伴随电量映射和关键响应节点，以及对机器人进行电量检测和管理，可以实现对机器人电量状态的监测和控制。通过电量验证和节点间电量下降趋势分析，可以及时发现电量异常情况，并根据结果进行相应的控制管理，确保机器人在执行任务时能够正常工作并保持足够的电量，整体上来说，可以提高机器人工作的可靠性和稳定性，确保任务的顺利完成。

综上所述，本申请实施例所提供的一种多场景的机器人智能巡检方法具有如下技术效果：

1．由于采用了生成机器人巡检任务，并调用巡检区域的数字化信息；交互获得机器人的基础数据，其中，基础数据包括尺寸数据、功能数据、电量数据；通过基础数据执行路径规划模型的模型初始化，将数字化信息和巡检任务输入路径规划模型，输出路径规划结果，将路径规划结果作为机器人的标准参考路径；基于标准参考路径控制机器人执行场景巡检，并通过图像采集装置执行标准参考路径的路径图像采集；对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；根据障碍特征、路面特征和基础数据配置预瞄距离和避障参考；根据预瞄距离、避障参考和标准参考路径生成回归路径；依据回归路径控制机器人完成巡检任务，本申请通过提供了一种多场景的机器人智能巡检方法，实现了对照实际场景需求，配置预瞄点，生成回归路径，大大提高巡检效率和准确性，降低巡检成本和风险，同时，通过智能路径规划和场景识别，机器人能够高效地执行巡检任务，提高巡检数据的质量和可靠性，为后续的数据分析和决策提供有力支持的技术效果。

2．由于采用了根据基础数据确定机器人的后轴中心坐标；以后轴中心坐标为圆心，以预瞄距离为半径进行轨迹相交，确定生成圆轨迹与标准参考路径的交点，将其作为预瞄点；依据预瞄点作为目标点，并执行机器人的行驶轨迹拟合；根据行驶轨迹拟合结果生成回归路径。通过确定后轴中心坐标和预瞄距离，可以准确地计算出圆轨迹与标准参考路径的交点，得到预瞄点作为机器人的目标点。通过行驶轨迹拟合，使机器人能够更准确地按照预瞄点进行行驶，提高了路径规划和导航的精确度。最终生成的回归路径能够更好地适应实际行驶需求，使机器人能够有效地在标准参考路径上行驶，并保持稳定和准确的导航能力。

实施例二

基于与前述实施例中一种多场景的机器人智能巡检方法相同的发明构思，如图4所示，本申请实施例提供了一种多场景的机器人智能巡检***，其中，所述***包括：

信息调用模块100，用于生成机器人巡检任务，并调用巡检区域的数字化信息；

基础数据获得模块200，用于交互获得机器人的基础数据，其中，所述基础数据包括尺寸数据、功能数据、电量数据；

路径规划模块300，用于通过所述基础数据执行路径规划模型的模型初始化，将所述数字化信息和所述巡检任务输入所述路径规划模型，输出路径规划结果，将所述路径规划结果作为所述机器人的标准参考路径；

场景巡检模块400，用于基于所述标准参考路径控制所述机器人执行场景巡检，并通过图像采集装置执行所述标准参考路径的路径图像采集；

特征生成模块500，用于对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；

路径配置模块600，用于根据所述障碍特征、所述路面特征和所述基础数据配置预瞄距离和避障参考；

回归路径生成模块700，用于根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径；

巡检控制模块800，用于依据所述回归路径控制所述机器人完成巡检任务。

进一步的，所述路径规划模块300还用于执行以下步骤：

对所述机器人执行电池电量数据采集，根据采集结果生成实际储电量评价值；

提取所述机器人的历史环境执行数据，并依据所述历史环境执行数据构建所述机器人的电池环境影响因子；

解析所述巡检任务，采集任务执行节点的环境预测数据；

依据所述环境预测数据和所述电池环境影响因子生成电池影响系数；

基于所述实际储电量评价值对所述电量数据初始化，并通过所述电池影响系数生成所述路径规划模型的路径规划约束。

进一步的，所述路径规划模块300还用于执行以下步骤：

设置电池的保留电量阈值；

将所述数字化信息和所述巡检任务输入所述路径规划模型后，通过所述保留电量阈值执行所述路径规划模型的电量保留设定；

基于进行保留电量设定后的所述路径规划模型执行路径规划。

进一步的，所述多场景的机器人智能巡检***还用于执行以下步骤：

生成所述标准参考路径的伴随电量映射，并生成所述标准参考路径的N个关键响应节点；

对N个关键响应节点执行所述机器人的电量检测，生成电量检测结果；

基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的电量验证，生成第一电量异常结果；

基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的节点间电量下降趋势分析，生成第二电量异常结果；

根据所述第一电量异常结果和所述第二电量异常结果进行机器人的控制管理。

进一步的，所述回归路径生成模块700还用于执行以下步骤：

根据所述基础数据确定所述机器人的后轴中心坐标；

以所述后轴中心坐标为圆心，以所述预瞄距离为半径进行轨迹相交，确定生成圆轨迹与所述标准参考路径的交点，将其作为预瞄点；

依据所述预瞄点作为目标点，并执行所述机器人的行驶轨迹拟合；

根据行驶轨迹拟合结果生成所述回归路径。

进一步的，所述回归路径生成模块700还用于执行以下步骤：

基于所述尺寸数据和所述回归路径生成预定机器人接触轨迹；

通过所述机器人接触轨迹和所述避障参考进行障碍接触拟合，生成拟合结果；

判断所述拟合结果是否存在避障接触；

若存在避障接触时，则根据接触范围进行阶梯预瞄距离增长拟合；

根据拟合结果重新生成行驶轨迹。

进一步的，所述路径配置模块600用于执行以下步骤：

通过大数据构建所述机器人与路面特征的轨迹关联系数集合；

基于所述路面特征对所述轨迹关联系数集合映射匹配，获得匹配轨迹关联系数；

在进行所述预瞄距离配置时，通过所述匹配轨迹关联系数进行初始预瞄距离补偿，以完成预瞄距离配置。

综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (5)

1.一种多场景的机器人智能巡检方法，其特征在于，所述方法包括：

生成机器人巡检任务，并调用巡检区域的数字化信息；

交互获得机器人的基础数据，其中，所述基础数据包括尺寸数据、功能数据、电量数据；

通过所述基础数据执行路径规划模型的模型初始化，将所述数字化信息和所述巡检任务输入所述路径规划模型，输出路径规划结果，将所述路径规划结果作为所述机器人的标准参考路径；

基于所述标准参考路径控制所述机器人执行场景巡检，并通过图像采集装置执行所述标准参考路径的路径图像采集；

对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；

根据所述障碍特征、所述路面特征和所述基础数据配置预瞄距离和避障参考；

根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径；

依据所述回归路径控制所述机器人完成巡检任务；

所述方法还包括：

根据所述基础数据确定所述机器人的后轴中心坐标；

以所述后轴中心坐标为圆心，以所述预瞄距离为半径进行轨迹相交，确定生成圆轨迹与所述标准参考路径的交点，将其作为预瞄点；

依据所述预瞄点作为目标点，并执行所述机器人的行驶轨迹拟合；

根据行驶轨迹拟合结果生成所述回归路径；

所述方法还包括：

基于所述尺寸数据和所述回归路径生成预定机器人接触轨迹；

通过所述机器人接触轨迹和所述避障参考进行障碍接触拟合，生成拟合结果；

判断所述拟合结果是否存在避障接触；

若存在避障接触时，则根据接触范围进行阶梯预瞄距离增长拟合；

根据拟合结果重新生成行驶轨迹；

所述方法还包括：

通过大数据构建所述机器人与路面特征的轨迹关联系数集合，具体为获取同型号机器人在不同路面特征下的巡检路径，按照同型号机器人的路面特征-巡检路径的对应关系进行数据整理，进而得到构建所述机器人与路面特征的轨迹关联系数集合；

基于所述路面特征对所述轨迹关联系数集合映射匹配，获得匹配轨迹关联系数；

在进行所述预瞄距离配置时，通过所述匹配轨迹关联系数进行初始预瞄距离补偿，以完成预瞄距离配置。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

对所述机器人执行电池电量数据采集，根据采集结果生成实际储电量评价值；

提取所述机器人的历史环境执行数据，并依据所述历史环境执行数据构建所述机器人的电池环境影响因子；

解析所述巡检任务，采集任务执行节点的环境预测数据；

依据所述环境预测数据和所述电池环境影响因子生成电池影响系数；

基于所述实际储电量评价值对所述电量数据初始化，并通过所述电池影响系数生成所述路径规划模型的路径规划约束。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

设置电池的保留电量阈值；

将所述数字化信息和所述巡检任务输入所述路径规划模型后，通过所述保留电量阈值执行所述路径规划模型的电量保留设定；

基于进行保留电量设定后的所述路径规划模型执行路径规划。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

生成所述标准参考路径的伴随电量映射，并生成所述标准参考路径的N个关键响应节点；

对N个关键响应节点执行所述机器人的电量检测，生成电量检测结果；

基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的电量验证，生成第一电量异常结果；

基于所述电量检测结果和所述伴随电量映射进行N个关键响应节点的节点间电量下降趋势分析，生成第二电量异常结果；

根据所述第一电量异常结果和所述第二电量异常结果进行机器人的控制管理。

5.一种多场景的机器人智能巡检***，其特征在于，用于实施权利要求1-4任意一项所述的一种多场景的机器人智能巡检方法，包括：

信息调用模块，用于生成机器人巡检任务，并调用巡检区域的数字化信息；

基础数据获得模块，用于交互获得机器人的基础数据，其中，所述基础数据包括尺寸数据、功能数据、电量数据；

路径规划模块，用于通过所述基础数据执行路径规划模型的模型初始化，将所述数字化信息和所述巡检任务输入所述路径规划模型，输出路径规划结果，将所述路径规划结果作为所述机器人的标准参考路径；

场景巡检模块，用于基于所述标准参考路径控制所述机器人执行场景巡检，并通过图像采集装置执行所述标准参考路径的路径图像采集；

特征生成模块，用于对路径图像采集结果执行障碍和路面识别，生成障碍特征和路面特征；

路径配置模块，用于根据所述障碍特征、所述路面特征和所述基础数据配置预瞄距离和避障参考；

回归路径生成模块，用于根据所述预瞄距离、所述避障参考和所述标准参考路径生成回归路径；

巡检控制模块，用于依据所述回归路径控制所述机器人完成巡检任务。