初雪嬌

摘?要：通過(guò)針對(duì)搭載氣體檢測(cè)、視頻采集、激光雷達(dá)等多傳感器的消防偵檢機(jī)器人的即時(shí)定位、地圖構(gòu)建與路徑規(guī)劃問(wèn)題進(jìn)行研究。同時(shí)還研究了激光雷達(dá)與深度相機(jī)數(shù)據(jù)融合、環(huán)境信息與地圖信息的可視化、動(dòng)態(tài)路徑規(guī)劃等關(guān)鍵技術(shù)，提升機(jī)器人的建圖、定位與規(guī)劃效率，實(shí)現(xiàn)機(jī)器人自動(dòng)控制、自主定位、路徑規(guī)劃和信息采集，提高國(guó)內(nèi)消防偵檢機(jī)器人的智能化水平。

關(guān)鍵詞：機(jī)器人控制?即時(shí)定位?路徑規(guī)劃?魯棒優(yōu)化

中圖分類號(hào)：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(dāng)前，每年火災(zāi)及化學(xué)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(cái)產(chǎn)造成了巨大損失。在發(fā)生火災(zāi)、爆炸等事故后，消防人員在高危事故現(xiàn)場(chǎng)的救援和勘察過(guò)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(zāi)害情況時(shí)，由于缺少有效裝備及設(shè)施，救援人員若貿(mào)然采取行動(dòng)必將給消防人員帶來(lái)很大危險(xiǎn)。消防人員雖然可著防護(hù)設(shè)備進(jìn)入火場(chǎng)，但需攜帶諸多探測(cè)設(shè)備對(duì)火場(chǎng)參數(shù)進(jìn)行測(cè)量，給消防員造成沉重的體力負(fù)擔(dān)，甚至?xí)璧K消防人員在爆炸等緊急情況下的逃生[1，?2]。

1.?國(guó)內(nèi)外研究現(xiàn)狀

目前國(guó)內(nèi)消防偵檢機(jī)器人主要適用于爆炸性危險(xiǎn)區(qū)域，能替代消防救援人員進(jìn)入易燃、易爆、有毒有害、缺氧、濃煙等危險(xiǎn)災(zāi)害現(xiàn)場(chǎng)，進(jìn)行偵察并將采集的信息（圖像、語(yǔ)音、數(shù)據(jù)）實(shí)時(shí)處理和實(shí)時(shí)無(wú)線傳輸。但是在消防實(shí)際作戰(zhàn)過(guò)程中，機(jī)器人需要進(jìn)入陌生的樓宇或者室內(nèi)區(qū)域中進(jìn)行偵檢任務(wù)，普通的消防偵檢機(jī)器人不能快速構(gòu)建導(dǎo)航地圖并實(shí)現(xiàn)機(jī)器人的定位導(dǎo)航。

SLAM（Simultaneous?Localization?and?Mapping），即同時(shí)定位與建圖，作為移動(dòng)機(jī)器人定位與建圖領(lǐng)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(lái)，經(jīng)過(guò)近幾十年的發(fā)展，已經(jīng)有了諸多適用于特定場(chǎng)景的解決方案[3，?4]。

將SLAM與消防機(jī)器人相結(jié)合，將解決消防機(jī)器人在陌生環(huán)境中進(jìn)行偵檢任務(wù)不能快速構(gòu)建導(dǎo)航地圖并實(shí)現(xiàn)自主導(dǎo)航的問(wèn)題?！凹す?SLAM”是目前機(jī)器人自主定位導(dǎo)航所使用的主流技術(shù)。激光測(cè)距相比較于圖像和超聲波測(cè)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(dá)傳感器獲取地圖信息，構(gòu)建地圖，實(shí)現(xiàn)路徑規(guī)劃與導(dǎo)航。機(jī)器人路徑規(guī)劃與運(yùn)動(dòng)執(zhí)行的結(jié)合，需要多傳感器的融合[5]。通過(guò)激光雷達(dá)和深度相機(jī)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(yùn)用跌落傳感器辨別邊緣區(qū)域，防止踏空跌落[8]；運(yùn)用超聲波傳感器，探測(cè)深度相機(jī)與激光雷達(dá)的視覺(jué)盲區(qū)，如玻璃等，防止碰撞；運(yùn)用碰撞傳感器，讓機(jī)器人在與其他物體相撞之時(shí)，能夠及時(shí)調(diào)整自己的方向。在獲取地圖之后，消防機(jī)器人應(yīng)能根據(jù)起點(diǎn)與終點(diǎn)的位置，規(guī)劃避開障礙物的最短移動(dòng)路徑[9]。該任務(wù)設(shè)計(jì)優(yōu)化算法，當(dāng)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(jìn)一步提高[10，?11]。目前，尚沒(méi)有研究從建圖和路徑規(guī)劃兩方面對(duì)消防機(jī)器人做整體研究。

目前，現(xiàn)有的消防偵檢機(jī)器人在陌生的爆炸性危險(xiǎn)環(huán)境中執(zhí)行任務(wù)時(shí)，不能構(gòu)建導(dǎo)航地圖并實(shí)現(xiàn)自主導(dǎo)航，存在信息采集不足、機(jī)器人智能化程度不高、不能自主避障等問(wèn)題[12-?13]，智能化程度較低，實(shí)用性較弱，因此亟待優(yōu)化完善?？紤]到以上問(wèn)題，本文將提出一種消防偵檢機(jī)器人的集成方案，以下將從硬件結(jié)構(gòu)和軟件設(shè)計(jì)兩方面對(duì)系統(tǒng)進(jìn)行介紹。

2系統(tǒng)設(shè)計(jì)

2.1硬件結(jié)構(gòu)設(shè)計(jì)

消防偵檢機(jī)器人硬件結(jié)構(gòu)擬包含7個(gè)主要模塊：板載計(jì)算機(jī)模塊、履帶式移動(dòng)底盤、電機(jī)驅(qū)動(dòng)模塊、無(wú)線通信模塊、傳感器組模塊、激光雷達(dá)及視覺(jué)模塊和電源模塊。其中，傳感器組模塊包含有害氣體檢測(cè)傳感器等，用于監(jiān)測(cè)環(huán)境參數(shù)；慣性測(cè)量傳感器，用于輔助機(jī)器人即時(shí)定位；視覺(jué)模塊采用深度相機(jī)，用于地圖構(gòu)建、工作視頻采集和障礙物辨識(shí)。基于以上硬件結(jié)構(gòu)，擬實(shí)現(xiàn)機(jī)器人遠(yuǎn)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(shí)定位與地圖構(gòu)建等功能。

2.2軟件設(shè)計(jì)主框架

本系統(tǒng)旨在實(shí)現(xiàn)在未知環(huán)境中機(jī)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(jì)、特征提取和描述符等核心組件。這個(gè)初始化過(guò)程為后續(xù)的SLAM操作奠定了基礎(chǔ)。在主循環(huán)中，采用傳感器數(shù)據(jù)預(yù)處理的方法，對(duì)原始數(shù)據(jù)進(jìn)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(diǎn)云配準(zhǔn)和慣性測(cè)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(guò)使用特征提取器從傳感器數(shù)據(jù)中提取關(guān)鍵點(diǎn)和特征描述符，并進(jìn)行特征匹配來(lái)建立當(dāng)前幀與上一幀之間的關(guān)聯(lián)。這是SLAM系統(tǒng)中的關(guān)鍵步驟，用于確定機(jī)器人的運(yùn)動(dòng)軌跡。位姿估計(jì)是SLAM系統(tǒng)的核心之一，使用特征匹配的結(jié)果來(lái)估計(jì)當(dāng)前幀相對(duì)于上一幀的位姿。這一步驟采用不同的技術(shù)，包括運(yùn)動(dòng)模型、視覺(jué)里程計(jì)和數(shù)學(xué)優(yōu)化方法。地圖的構(gòu)建是SLAM的另一個(gè)重要方面，通過(guò)將當(dāng)前幀的特征點(diǎn)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(diǎn)分布。再次，系統(tǒng)還包括回環(huán)檢測(cè)機(jī)制，定期檢查機(jī)器人是否返回到先前訪問(wèn)過(guò)的地點(diǎn)。當(dāng)檢測(cè)到回環(huán)時(shí)，系統(tǒng)將執(zhí)行修正操作，以提高位姿估計(jì)和地圖的一致性。為了提高位姿估計(jì)的精度，系統(tǒng)還引入了位姿優(yōu)化步驟，使用全局或局部?jī)?yōu)化方法，如圖優(yōu)化，來(lái)進(jìn)一步細(xì)化位姿估計(jì)的結(jié)果。最后，對(duì)地圖進(jìn)行維護(hù)，刪除不穩(wěn)定或重復(fù)的特征點(diǎn)，以確保地圖的準(zhǔn)確性和可用性。最后，基于當(dāng)前地圖，動(dòng)態(tài)調(diào)整行進(jìn)路線，尋找到目標(biāo)點(diǎn)距離最短最安全的路線，直到機(jī)器人抵達(dá)目標(biāo)點(diǎn)。

1.3地圖構(gòu)建與環(huán)境信息融合

結(jié)合激光雷達(dá)、深度相機(jī)和慣性測(cè)量單元完成即時(shí)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(shí)，開發(fā)上位機(jī)軟件，展示實(shí)時(shí)地圖構(gòu)建結(jié)果，并通過(guò)點(diǎn)云圖、等線圖等方式在地圖上標(biāo)注實(shí)時(shí)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?jī)?yōu)化策略，由板載計(jì)算機(jī)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(yuǎn)程監(jiān)控偏好區(qū)域設(shè)置與環(huán)境值分布規(guī)律對(duì)路徑進(jìn)行優(yōu)化，從而提高偵檢效率，保證運(yùn)行安全，縮減危險(xiǎn)區(qū)域（如泄漏點(diǎn)）的查找時(shí)耗。

融合障礙物預(yù)測(cè)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(jī)器人或自動(dòng)駕駛系統(tǒng)在復(fù)雜環(huán)境中的導(dǎo)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(yù)測(cè)模型更新、適應(yīng)值估計(jì)、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(jī)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(duì)算法的性能有重要影響。其次，通過(guò)一個(gè)主循環(huán)來(lái)控制算法的迭代過(guò)程，直到滿足結(jié)束條件。在每次迭代中，通過(guò)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(yīng)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(yù)測(cè)代理模型。這一模型的更新可以基于Kriging插值等方法，通過(guò)不斷收集新的觀測(cè)數(shù)據(jù)來(lái)提高對(duì)環(huán)境障礙物分布的預(yù)測(cè)精度。這樣的預(yù)測(cè)模型更新使得路徑規(guī)劃能夠更好地適應(yīng)環(huán)境的變化。

算法根據(jù)預(yù)測(cè)模型的不確定性估計(jì)路徑的適應(yīng)值。這一步驟的關(guān)鍵在于將障礙物預(yù)測(cè)的不確定性融入適應(yīng)值的計(jì)算中，使規(guī)劃的路徑更具有魯棒性和可靠性。通過(guò)適應(yīng)值對(duì)種群進(jìn)行排序，并選擇適應(yīng)值較高的個(gè)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(yīng)性較強(qiáng)的路徑，促進(jìn)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(yù)測(cè)不確定性的情況下，通過(guò)遺傳算法搜索得到的機(jī)器人或車輛的導(dǎo)航路徑。這條路徑具有較好的魯棒性，適應(yīng)于在復(fù)雜、動(dòng)態(tài)的環(huán)境中導(dǎo)航。

綜合而言，融合障礙物預(yù)測(cè)的魯棒路徑規(guī)劃算法通過(guò)遺傳算法、障礙物預(yù)測(cè)模型更新和適應(yīng)值估計(jì)等步驟，使機(jī)器人能夠更好地應(yīng)對(duì)環(huán)境變化，具備更高的路徑規(guī)劃魯棒性。

3實(shí)驗(yàn)測(cè)試

根據(jù)以上設(shè)計(jì)，令機(jī)器人在仿真環(huán)境下進(jìn)行測(cè)試。

4結(jié)語(yǔ)

本文研究了消防偵檢機(jī)器人的硬件結(jié)構(gòu)、即時(shí)定位、地圖構(gòu)建與路徑規(guī)劃問(wèn)題。將SLAM技術(shù)引入消防偵檢機(jī)器人，并設(shè)計(jì)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(shí)現(xiàn)定位、建圖與路徑規(guī)劃，為消防機(jī)器人的發(fā)展提供了技術(shù)支持。

參考文獻(xiàn)

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

[2] 彭小清.消防機(jī)器人在我國(guó)滅火救援中的應(yīng)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(jī)器人設(shè)計(jì)與仿真[D].南昌：南昌大學(xué)，2019.

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