初雪嬌

摘?要：通過針對搭載氣體檢測、視頻采集、激光雷達等多傳感器的消防偵檢機器人的即時定位、地圖構(gòu)建與路徑規(guī)劃問題進行研究。同時還研究了激光雷達與深度相機數(shù)據(jù)融合、環(huán)境信息與地圖信息的可視化、動態(tài)路徑規(guī)劃等關鍵技術(shù)，提升機器人的建圖、定位與規(guī)劃效率，實現(xiàn)機器人自動控制、自主定位、路徑規(guī)劃和信息采集，提高國內(nèi)消防偵檢機器人的智能化水平。

關鍵詞：機器人控制?即時定位?路徑規(guī)劃?魯棒優(yōu)化

中圖分類號：TP242

Localization，?Mapping?and?Path?Planning?of?Firefighting?Detection?Robots

CHU?Xuejiao

（Shanghai?Qiyao?Environmental?Technology?Co.，?Ltd.，?Shanghai，?200090?China）

Abstract：?This?paper?studies?the?problem?of?the?simultaneous?localization，?mapping?and?path?planning?of?firefighting?detection?robots?equipped?with?multiple?sensors?such?as?gas?detection，?video?capture?and?the?lidar，?and?aslo?studies?key?technologies?such?as?the?data?fusion?of?the?lidar?and?the?depth?camera，?the?visualization?of?environmental?and?map?information，?and?dynamic?path?planning，?which?improves?the?efficiency?of?the?mapping，?localization?and?planning?of?robots，?realizes?the?autonomous?control，?autonomous?localization，?path?planning?and?information?collection?of?robots，?and?enhances?the?intelligence?level?of?domestic?firefighting?detection?robots.

Key?Words：?Robot?control;?Simultaneous?localization;?Route?planning;?Robust?optimization

當前，每年火災及化學品等物質(zhì)的泄漏、燃燒、爆炸等事故給人們的生命安全和財產(chǎn)造成了巨大損失。在發(fā)生火災、爆炸等事故后，消防人員在高危事故現(xiàn)場的救援和勘察過程中存在很多困難。例如：在面臨易燃易爆氣體、有毒有害氣體、高溫濃煙等災害情況時，由于缺少有效裝備及設施，救援人員若貿(mào)然采取行動必將給消防人員帶來很大危險。消防人員雖然可著防護設備進入火場，但需攜帶諸多探測設備對火場參數(shù)進行測量，給消防員造成沉重的體力負擔，甚至會阻礙消防人員在爆炸等緊急情況下的逃生[1，?2]。

1.?國內(nèi)外研究現(xiàn)狀

目前國內(nèi)消防偵檢機器人主要適用于爆炸性危險區(qū)域，能替代消防救援人員進入易燃、易爆、有毒有害、缺氧、濃煙等危險災害現(xiàn)場，進行偵察并將采集的信息（圖像、語音、數(shù)據(jù)）實時處理和實時無線傳輸。但是在消防實際作戰(zhàn)過程中，機器人需要進入陌生的樓宇或者室內(nèi)區(qū)域中進行偵檢任務，普通的消防偵檢機器人不能快速構(gòu)建導航地圖并實現(xiàn)機器人的定位導航。

SLAM（Simultaneous?Localization?and?Mapping），即同時定位與建圖，作為移動機器人定位與建圖領域非常重要的技術(shù)，MUR-ARTAL?R和DISSANAYAKE?M等人的研究中提及，自1986年由Hugh?Durrant-Whyte?和?John?J.Leonard在ICRA首次提出以來，經(jīng)過近幾十年的發(fā)展，已經(jīng)有了諸多適用于特定場景的解決方案[3，?4]。

將SLAM與消防機器人相結(jié)合，將解決消防機器人在陌生環(huán)境中進行偵檢任務不能快速構(gòu)建導航地圖并實現(xiàn)自主導航的問題?！凹す?SLAM”是目前機器人自主定位導航所使用的主流技術(shù)。激光測距相比較于圖像和超聲波測距，具有良好的指向性和高度聚焦性，是目前最可靠、穩(wěn)定的定位技術(shù)。激光雷達傳感器獲取地圖信息，構(gòu)建地圖，實現(xiàn)路徑規(guī)劃與導航。機器人路徑規(guī)劃與運動執(zhí)行的結(jié)合，需要多傳感器的融合[5]。通過激光雷達和深度相機掃描周圍的環(huán)境，判斷智能體與環(huán)境物體的間距[6，?7]；運用跌落傳感器辨別邊緣區(qū)域，防止踏空跌落[8]；運用超聲波傳感器，探測深度相機與激光雷達的視覺盲區(qū)，如玻璃等，防止碰撞；運用碰撞傳感器，讓機器人在與其他物體相撞之時，能夠及時調(diào)整自己的方向。在獲取地圖之后，消防機器人應能根據(jù)起點與終點的位置，規(guī)劃避開障礙物的最短移動路徑[9]。該任務設計優(yōu)化算法，當前啟發(fā)式優(yōu)化方法可以獲得較好的規(guī)劃結(jié)果，但優(yōu)化結(jié)果的魯棒性有待進一步提高[10，?11]。目前，尚沒有研究從建圖和路徑規(guī)劃兩方面對消防機器人做整體研究。

目前，現(xiàn)有的消防偵檢機器人在陌生的爆炸性危險環(huán)境中執(zhí)行任務時，不能構(gòu)建導航地圖并實現(xiàn)自主導航，存在信息采集不足、機器人智能化程度不高、不能自主避障等問題[12-?13]，智能化程度較低，實用性較弱，因此亟待優(yōu)化完善。考慮到以上問題，本文將提出一種消防偵檢機器人的集成方案，以下將從硬件結(jié)構(gòu)和軟件設計兩方面對系統(tǒng)進行介紹。

2系統(tǒng)設計

2.1硬件結(jié)構(gòu)設計

消防偵檢機器人硬件結(jié)構(gòu)擬包含7個主要模塊：板載計算機模塊、履帶式移動底盤、電機驅(qū)動模塊、無線通信模塊、傳感器組模塊、激光雷達及視覺模塊和電源模塊。其中，傳感器組模塊包含有害氣體檢測傳感器等，用于監(jiān)測環(huán)境參數(shù)；慣性測量傳感器，用于輔助機器人即時定位；視覺模塊采用深度相機，用于地圖構(gòu)建、工作視頻采集和障礙物辨識?；谝陨嫌布Y(jié)構(gòu)，擬實現(xiàn)機器人遠程控制、環(huán)境參數(shù)采集及回傳、自主路徑規(guī)劃及避障、即時定位與地圖構(gòu)建等功能。

2.2軟件設計主框架

本系統(tǒng)旨在實現(xiàn)在未知環(huán)境中機器人的自主定位和環(huán)境地圖構(gòu)建。在系統(tǒng)初始化階段，首先，建立SLAM系統(tǒng)的基本結(jié)構(gòu)，包括地圖、位姿估計、特征提取和描述符等核心組件。這個初始化過程為后續(xù)的SLAM操作奠定了基礎。在主循環(huán)中，采用傳感器數(shù)據(jù)預處理的方法，對原始數(shù)據(jù)進行優(yōu)化和校正，以確保數(shù)據(jù)的質(zhì)量和一致性。這包括去除鏡頭畸變、點云配準和慣性測量單元（Inertial?Measurement?Unit，?IMU）數(shù)據(jù)融合等步驟。其次，執(zhí)行特征提取和匹配，通過使用特征提取器從傳感器數(shù)據(jù)中提取關鍵點和特征描述符，并進行特征匹配來建立當前幀與上一幀之間的關聯(lián)。這是SLAM系統(tǒng)中的關鍵步驟，用于確定機器人的運動軌跡。位姿估計是SLAM系統(tǒng)的核心之一，使用特征匹配的結(jié)果來估計當前幀相對于上一幀的位姿。這一步驟采用不同的技術(shù)，包括運動模型、視覺里程計和數(shù)學優(yōu)化方法。地圖的構(gòu)建是SLAM的另一個重要方面，通過將當前幀的特征點投影到地圖上不斷更新地圖的信息，包括環(huán)境的幾何結(jié)構(gòu)和特征點分布。再次，系統(tǒng)還包括回環(huán)檢測機制，定期檢查機器人是否返回到先前訪問過的地點。當檢測到回環(huán)時，系統(tǒng)將執(zhí)行修正操作，以提高位姿估計和地圖的一致性。為了提高位姿估計的精度，系統(tǒng)還引入了位姿優(yōu)化步驟，使用全局或局部優(yōu)化方法，如圖優(yōu)化，來進一步細化位姿估計的結(jié)果。最后，對地圖進行維護，刪除不穩(wěn)定或重復的特征點，以確保地圖的準確性和可用性。最后，基于當前地圖，動態(tài)調(diào)整行進路線，尋找到目標點距離最短最安全的路線，直到機器人抵達目標點。

1.3地圖構(gòu)建與環(huán)境信息融合

結(jié)合激光雷達、深度相機和慣性測量單元完成即時定位與地圖構(gòu)建，建立高魯棒性的地圖構(gòu)建系統(tǒng)。同時，開發(fā)上位機軟件，展示實時地圖構(gòu)建結(jié)果，并通過點云圖、等線圖等方式在地圖上標注實時環(huán)境信息。

1.3自主偵檢路徑規(guī)劃

自主路徑規(guī)劃主要包含兩部分：自主避障和自主偵檢路徑規(guī)劃。自主避障為局部優(yōu)化策略，由板載計算機模塊執(zhí)行；自主偵檢路徑規(guī)劃為全局優(yōu)化策略，綜合遠程監(jiān)控偏好區(qū)域設置與環(huán)境值分布規(guī)律對路徑進行優(yōu)化，從而提高偵檢效率，保證運行安全，縮減危險區(qū)域（如泄漏點）的查找時耗。

融合障礙物預測的魯棒路徑規(guī)劃是一種基于遺傳算法的智能路徑規(guī)劃方法，可以提高機器人或自動駕駛系統(tǒng)在復雜環(huán)境中的導航魯棒性。該算法主要分為初始化種群、主循環(huán)、子代生成、障礙物預測模型更新、適應值估計、種群排序與選擇以及最終路徑輸出等步驟。

首先，初始化種群，即生成一組具有隨機性的候選路徑。這些路徑將作為初始解的集合，種群的大小和初始路徑的多樣性對算法的性能有重要影響。其次，通過一個主循環(huán)來控制算法的迭代過程，直到滿足結(jié)束條件。在每次迭代中，通過遺傳算法的交叉和變異操作，將父代路徑組合產(chǎn)生新的路徑。這一步驟旨在保留高適應度路徑的特征，并引入一些變異以增加搜索空間的多樣性。最后，更新障礙物預測代理模型。這一模型的更新可以基于Kriging插值等方法，通過不斷收集新的觀測數(shù)據(jù)來提高對環(huán)境障礙物分布的預測精度。這樣的預測模型更新使得路徑規(guī)劃能夠更好地適應環(huán)境的變化。

算法根據(jù)預測模型的不確定性估計路徑的適應值。這一步驟的關鍵在于將障礙物預測的不確定性融入適應值的計算中，使規(guī)劃的路徑更具有魯棒性和可靠性。通過適應值對種群進行排序，并選擇適應值較高的個體作為父代，用于下一輪的交叉和變異操作。這一步驟保留了適應性較強的路徑，促進了遺傳算法的收斂性。最后，保存最佳路徑作為算法的輸出。這條路徑是在考慮障礙物預測不確定性的情況下，通過遺傳算法搜索得到的機器人或車輛的導航路徑。這條路徑具有較好的魯棒性，適應于在復雜、動態(tài)的環(huán)境中導航。

綜合而言，融合障礙物預測的魯棒路徑規(guī)劃算法通過遺傳算法、障礙物預測模型更新和適應值估計等步驟，使機器人能夠更好地應對環(huán)境變化，具備更高的路徑規(guī)劃魯棒性。

3實驗測試

根據(jù)以上設計，令機器人在仿真環(huán)境下進行測試。

4結(jié)語

本文研究了消防偵檢機器人的硬件結(jié)構(gòu)、即時定位、地圖構(gòu)建與路徑規(guī)劃問題。將SLAM技術(shù)引入消防偵檢機器人，并設計了融合避障功能的魯棒路徑規(guī)劃算法。仿真結(jié)果證明，所提出的硬件與軟件結(jié)構(gòu)可以較好地實現(xiàn)定位、建圖與路徑規(guī)劃，為消防機器人的發(fā)展提供了技術(shù)支持。

參考文獻

[1] 祁宇明，謝兵，鄧三鵬，等.可變形履帶式自動巡檢消防機器人設計與性能分析[J].裝備制造技術(shù)，2019（10）：62-66.

[2] 彭小清.消防機器人在我國滅火救援中的應用現(xiàn)狀和前景分析[J].今日消防，2019，4（12）：18-19.

[3] MUR-ARTAL?R，MONTIEL?J?M?M，TARDOS?J?D.?ORB-SLAM：?A?Versatile?and?Accurate?Monocular?SLAM?System?[J].IEEE?Transactions?on?Robotics，2015，31（5）：?1147-1163.

[4] DISSANAYAKE?M，NEWMAN?P，CLARK?S，et?al.?A?solution?to?the?simultaneous?localization?and?map?building?（SLAM）?problem[J].?IEEE?Transactions?on?Robotics?and?Automation，2001，17（3）：229-241.

[5] CHIANG?K-W，TSAI?G-J，CHU?H-J，et?al.?Performance?Enhancement?of?INS/GNSS/Refreshed-SLAM?Integration?for?Acceptable?Lane-Level?Navigation?Accuracy[J].IEEE?Transactions?on?Vehicular?Technology，2020，69（3）：2463-2476.

[6] LIU?C，ZHOU?C，CAO?W，et?al.A?Novel?Design?and?Implementation?of?Autonomous?Robotic?Car?Based?on?ROS?in?Indoor?Scenario[J].Robotics，2020，9（1）：1-15.

[7] ZHANG?T，NAKAMURA?Y.Humanoid?Robot?RGB-D?SLAM?in?the?Dynamic?Human?Environment[J].International?Journal?of?Humanoid?Robotics，2020，17（2）：1-10.

[8] WEN?S，ZHAO?Y，YUAN?X，et?al.Path?planning?for?active?SLAM?based?on?deep?reinforcement?learning?under?unknown?environments[J].Intelligent?Service?Robotics，2020，13（2）：263-272.

[9] SATAKE?Y，ISHII?H.Path?Planning?Method?With?Constant?Bending?Angle?Constraint?for?Soft?Growing?Robot?Using?Heat?Welding?Mechanism[J].IEEE?Robotics?and?Automation?Letters，2023，8（5）：2836-2843.

[10] SHAO?X，GONG?Y?J，ZHAN?Z?H，et?al.?Bipartite?Cooperative?Coevolution?for?Energy-Aware?Coverage?Path?Planning?of?UAVs?[J].IEEE?Transactions?on?Artificial?Intelligence，2021，3（1）：29-42.

[11] DU?W，SONG?W，TANG?Y，et?al.Searching?for?Robustness?Intervals?in?Evolutionary?Robust?Optimization[J].IEEE?Transactions?on?Evolutionary?Computation，2022，26（1）：58-72.

[12] 熊根.履帶式消防機器人設計與仿真[D].南昌：南昌大學，2019.

[13] 秦松亭.基于物聯(lián)網(wǎng)技術(shù)的消防偵察機器人系統(tǒng)設計[D].大連：大連海事大學，2017.