基于深度學習與ROS 的無人巡檢車輛設計與實現(xiàn)

鄭乾坤，儀淼淼，原楊

（1.中國船舶重工集團公司第七一三研究所，河南鄭州 450000；2.汝州職業(yè)技術學院，河南平頂山 467500）

通過對中國電力發(fā)電模式及占比的調研，在中國的所有電力系統(tǒng)中，火力模式發(fā)電仍然有著較高的占比。從對火力發(fā)電廠地管理及實時檢測的角度來看，該場地有以下2 個特點：①安全性。安全性是保障人員進入的必要條件。②數(shù)據(jù)采集簡易且重復度高?；诖耍梢岳脵C械方式來代替工人進行重復工作[1]。

1 系統(tǒng)概述

通過對該系統(tǒng)背景的分析，提出一種基于深度學習與ROS 的車輛巡檢系統(tǒng)[2-3]。該系統(tǒng)主要由機器人控制系統(tǒng)、機器人操作系統(tǒng)、圖像識別系統(tǒng)、視覺感知系統(tǒng)組成[4-5]，系統(tǒng)架構如圖1 所示。

圖1 車輛巡檢系統(tǒng)架構

2 系統(tǒng)功能

通過對系統(tǒng)功能進行分析，基于深度學習與ROS的車輛巡檢系統(tǒng)主要包括以下3 部分具體功能[6]。

2.1 機器人控制系統(tǒng)與機器人操作系統(tǒng)功能

機器人操作系統(tǒng)與機器人控制系統(tǒng)兩者相互配合使用，用于控制小車的行進、儀表讀取及避障等。

2.2 圖像識別系統(tǒng)功能

圖像識別系統(tǒng)通過實時獲取高清相機讀取的儀表圖像數(shù)據(jù)，使用深度學習圖像處理算法對圖像進行位置糾正、特征提取、圖像識別等處理，智能獲取儀表指針等位置特征信息[7-8]。

2.3 視覺感知系統(tǒng)功能

視覺感知系統(tǒng)主要包括以下部分：①速騰激光雷達-16。本系統(tǒng)中采用了速騰16 線的激光雷達，電磁能量脈沖覆蓋的區(qū)域是車輛360°的全部區(qū)域，對車輛的行進提供多種數(shù)據(jù)參數(shù)[9]。②高清相機。高清相機是讀取儀表數(shù)據(jù)的重要方式，通過高清相機拍照，放入已經(jīng)訓練好的深度學習的模型中，識別出圖片中的儀表數(shù)據(jù)[10]。③慣性測量單元。慣性測量單元在導航中可以用于更加精準的位置及更快的姿態(tài)調整[3，5]。

3 實驗準備

3.1 實驗流程

實驗流程是車輛巡檢系統(tǒng)調試過程的具體闡釋，具體包括以下3 個步驟：①雷達設備調試與參數(shù)調試。通過外部鏈接，采用軟件對雷達數(shù)據(jù)進行可視化展示，需調試雷達配置參數(shù)，如掃描角度、傳輸端口等，同時需要地圖錄制與建模。②配置地圖以及參數(shù)預設。設置車輛行進地圖的相關參數(shù)，如采用地圖的名稱、地圖服務器等[11]。③參數(shù)調校。了解諸多參數(shù)的含義，根據(jù)車輛在調試過程中出現(xiàn)的問題進行多項參數(shù)更改，并在調試的過程中做好記錄。

3.2 技術補充

在無人車巡檢時，車輛的狀態(tài)估計是相對復雜的問題，針對該問題主要采取了擴展卡爾曼濾波策略，下面對擴展的卡爾曼濾波及相關知識進行補充[7]。

3.2.1 線性高斯系統(tǒng)

線性高斯系統(tǒng)是一種用于描述線性數(shù)據(jù)的方法，從運動方程和觀測方程中可以得出，兩者均是線性的，2 個噪聲項服從零均值的高斯分布[8]。但是在實際的應用中，需要更多考慮到離散的情況，離散事件線性時變系統(tǒng)運動方程和觀測方程為：

式中：A、C分別為轉移矩陣和觀測矩陣。

針對線性高斯系統(tǒng)的后續(xù)計算，可以采用卡爾曼濾波器的方法，利用Bayes 公式計算后驗概率，卡爾曼濾波主要針對線性系統(tǒng)，即從Xk－1估計Xk的無偏差最優(yōu)估計[6]。

Bayes 公式為：

式中：P（A|B）為后驗概率的數(shù)值；P（B|A）為似然值；P（A）為先驗概率的數(shù)值。

線性高斯系統(tǒng)對于線性問題可以很好地似然估計，但是在現(xiàn)實世界中很多數(shù)據(jù)都不是線性的，僅采用線性高斯系統(tǒng)難以解決。

3.2.2 擴展卡爾曼濾波

線性高斯系統(tǒng)無法對非線性數(shù)據(jù)進行處理，究其原因是高斯分布經(jīng)過非線性變換后不再是高斯分布，對于擴展的卡爾曼濾波來說，采用了高斯分布盡可能去近似數(shù)值。擴展卡爾曼濾波是在非線性-非高斯系統(tǒng)下的直接擴展[9-10]，原理主要由2 個部分構成：①在工作點附近取值，對系統(tǒng)進行線性近似；②在線性系統(tǒng)近似下，把噪聲項和狀態(tài)都當成了高斯分布，即可利用均值和協(xié)方差矩陣預估值進行狀態(tài)描述。

經(jīng)過以上的近似操作后，后續(xù)的處理與卡爾曼濾波類似，公式如下：

上述偏導數(shù)在工作點處取值來對系統(tǒng)進行線性化近似，近似于一個線性系統(tǒng)。

3.2.3 A*算法

在導航的應用中，全局路徑規(guī)劃采用了A*算法。從本質意義上說，A*算法是基于迪杰斯特拉算法進行改進的算法，迪杰斯特拉算法的時間復雜度為O（n3）。A*采用了啟發(fā)式搜索的策略，路徑規(guī)劃的效率有了顯著的提升，該算法流程如圖2 所示。

圖2 A＊算法流程說明

3.2.4 導航模塊

導航模塊主要基于ROS 環(huán)境，主要采用了4 個功能包[12]，具體如下：①Move_base。用于無人車導航，也參與多傳感器的融合，該功能包的導航架構如圖3所示。②AMCL。在運動的過程中對無人車的位姿進行概率估計。③Map_server。用于地圖的保存。④Gmapping。用于建立地圖，地圖示例如圖4 所示。

圖3 Move_base 功能包導航框架

圖4 建立地圖

3.3 重要參數(shù)說明

在調試無人車的過程中，有一些路徑規(guī)劃相關參數(shù)需要說明，具體包括路徑規(guī)劃相關參數(shù)、代價地圖相關參數(shù)和IMU 參數(shù)說明。路徑規(guī)劃相關參數(shù)包括全局路徑規(guī)劃（如表1 所示）及局部路徑規(guī)劃[11]（如表2 所示）。

表1 全局路徑規(guī)劃部分參數(shù)

表2 局部路徑規(guī)劃部分參數(shù)

4 實驗

4.1 實驗環(huán)境

實驗環(huán)境如表3 所示。

表3 實驗環(huán)境

4.2 實驗結果

一次實驗定義為在固定區(qū)域每次進行5 圈巡檢，每一圈中設置4 個巡檢點，在第一次巡檢時記錄小車停止的位置，同時記錄每次后續(xù)圈小車停止的位置，分別求得4 個巡檢點每次5 圈參數(shù)設置的方差和標準差。在參數(shù)設置中，設置了弧度誤差與位置誤差，其中前者為0.1 弧度，后者為0.05 m（弧度與位置參數(shù)設置需要搭配高清相機的擴展角度），后續(xù)均以此為基準進行計算。經(jīng)過多次實驗及參數(shù)調試（詳細參數(shù)設置可以參照3.3 節(jié)），從方差與標準差（均保留2 位小數(shù)）的評價指標中，得出的實驗結果如表4 所示。

表4 實驗結果

5 結束語

本文主要進行了深度學習與ROS 的無人車輛巡檢系統(tǒng)設計與研究，利用無人車輛對封閉廠區(qū)進行巡檢，代替人工巡檢。本文針對封閉廠區(qū)這種特定場景進行了多次巡檢實驗，從實驗結果來看，基本可以滿足基本的工業(yè)需求，并對后續(xù)機器人操作系統(tǒng)的設計與應用提供一定的參考。