基于ROS的動(dòng)車組智能巡檢平臺(tái)

羅意平，萬政良，宇文天，張吉祥，劉斯斯

(1.中南大學(xué) 交通運(yùn)輸工程學(xué)院，湖南 長沙 410075；2.廣州局(鐵路)集團(tuán)有限公司廣州動(dòng)車段，廣東 廣州 510088)

在科技日益發(fā)達(dá)的今天，我國鐵路網(wǎng)遍及到了大江南北，并且我國的列車數(shù)量還會(huì)再增加。由于在長時(shí)間的超負(fù)荷工作中，維修人員會(huì)產(chǎn)生急躁的情緒，影響工作狀態(tài)。所以，為了提高檢修的工作質(zhì)量和運(yùn)營效率，需要盡快完成從“人力”到“機(jī)械”的轉(zhuǎn)變。機(jī)器換人不僅可以提高效率，而且可以保證質(zhì)量。采用智能檢測(cè)機(jī)器人可以解決上述問題[1]。智能機(jī)器人不僅可以完美貼合我國鐵路未來發(fā)展的方向，而且更是完成人力檢修到機(jī)械檢修不可或缺的一個(gè)過程。動(dòng)車所環(huán)境圖如圖1所示。當(dāng)前的現(xiàn)場(chǎng)服務(wù)操作解決方案是勞動(dòng)密集型的、危險(xiǎn)的，并且受限于人類在不完整或不正確信息的情況下做出關(guān)鍵決策的操作能力。此外，高效的系統(tǒng)級(jí)操作需要集成全系統(tǒng)解決方案，而不僅僅是針對(duì)關(guān)鍵挑戰(zhàn)的單點(diǎn)解決方案[2]。這些任務(wù)的性質(zhì)決定了任務(wù)和環(huán)境不能總是在設(shè)計(jì)時(shí)被完全預(yù)期或指定，然而一個(gè)自主的解決方案必須具有執(zhí)行任務(wù)的基本能力和工具，即使它遇到了意想不到的情況。目前，有許多移動(dòng)操縱系統(tǒng)已經(jīng)在受控的室內(nèi)環(huán)境中得到成功的驗(yàn)證。MEEUSSEN等[3]展示了PR2機(jī)器人如何在雜亂的桌面環(huán)境中利用3D傳感器進(jìn)行物體檢測(cè)和操縱。英特爾HERB移動(dòng)操作平臺(tái)在室內(nèi)環(huán)境中拾取和放置物體的能力令人印象深刻[4]。NGUYEN等[5]提出了能自動(dòng)從平面上抓取物體的El-E機(jī)器人。為了簡(jiǎn)化機(jī)器人感知問題，所有這些平臺(tái)都對(duì)環(huán)境做出了一定的假設(shè)。當(dāng)將機(jī)器人放置在室外環(huán)境中時(shí)，技術(shù)挑戰(zhàn)大大增加，但現(xiàn)場(chǎng)機(jī)器人應(yīng)用在技術(shù)和經(jīng)濟(jì)上都有好處[6]。一些研究人員已經(jīng)在農(nóng)業(yè)[7-8]、采礦[9-10]、運(yùn)輸[11-12]等領(lǐng)域使用機(jī)器人。美國國防高級(jí)研究計(jì)劃局機(jī)器人挑戰(zhàn)賽在提高機(jī)器人系統(tǒng)應(yīng)對(duì)災(zāi)難的能力，是機(jī)器人在非結(jié)構(gòu)化室外環(huán)境中工作的少數(shù)例子之一[13]，這項(xiàng)挑戰(zhàn)需要機(jī)器人與人類合作，以實(shí)現(xiàn)各種任務(wù)目標(biāo)，如開門、轉(zhuǎn)動(dòng)閥門和鉆孔。與在室外環(huán)境中可靠地檢測(cè)物體相關(guān)的困難導(dǎo)致物體檢測(cè)的問題主要由操作人員來執(zhí)行，使模型適合于感覺數(shù)據(jù)[14]。華興致遠(yuǎn)的動(dòng)車組底部探測(cè)機(jī)器人服務(wù)于上海市火車段虹橋動(dòng)車運(yùn)用所。該系統(tǒng)由檢測(cè)機(jī)器人、中央服務(wù)器、手持移動(dòng)終端、立柱檢測(cè)和信息管理平臺(tái)5個(gè)模塊組成。它采用機(jī)器視覺等人工智能技術(shù)，能自動(dòng)檢測(cè)各類動(dòng)車組車底及轉(zhuǎn)向架可見部位，實(shí)現(xiàn)車底故障的識(shí)別和報(bào)警。但由于它只能探測(cè)車底，所以有一定的局限性。本文設(shè)計(jì)一種在動(dòng)車運(yùn)用所全局環(huán)境下可實(shí)現(xiàn)自由移動(dòng)、避障和檢修的機(jī)器人檢修自主移動(dòng)系統(tǒng)。

圖1 動(dòng)車所環(huán)境Fig.1 Environment of EMU station

1 巡檢平臺(tái)搭建

所開發(fā)的系統(tǒng)用于驅(qū)動(dòng)巡檢機(jī)器人，這是一種典型的現(xiàn)場(chǎng)機(jī)器人操作。該系統(tǒng)作用于機(jī)器人在檢修走廊內(nèi)沿著一節(jié)車廂移動(dòng)到另一節(jié)車廂的列車長度自主導(dǎo)航并對(duì)動(dòng)車進(jìn)行故障檢測(cè)。在自主導(dǎo)航過程中，機(jī)器人向前移動(dòng)時(shí)需要與動(dòng)車保持一段距離，為了確保實(shí)時(shí)動(dòng)車檢測(cè)和隨后的機(jī)器人位置估計(jì)，一旦機(jī)器人導(dǎo)航到動(dòng)車附近，一種基于3D點(diǎn)云的極快搜索算法會(huì)確認(rèn)機(jī)器人的粗略位置。一旦機(jī)器人到達(dá)期望的位置，用機(jī)械臂運(yùn)動(dòng)使相機(jī)獲取到最佳拍攝位置。操作解決方案需要足夠靈活，以應(yīng)對(duì)環(huán)境、動(dòng)車的位置和狀態(tài)以及傳感和感知的變化。

1.1 平臺(tái)硬件

整個(gè)平臺(tái)的硬件由Clearpath husky機(jī)器人硬件移動(dòng)底座、UR3機(jī)械臂、相機(jī)、激光雷達(dá)和IMU組成，各自參數(shù)如表1所示，實(shí)際巡檢機(jī)器人如圖2所示。

表1 硬件參數(shù)Table 1 Hardware parameters

圖2 實(shí)際巡檢機(jī)器人Fig.2 Actual inspection robot

1.2 平臺(tái)系統(tǒng)架構(gòu)

平臺(tái)系統(tǒng)是基于機(jī)器人操作系統(tǒng)(Robot Oper‐ating System，ROS)開發(fā)的。主要部分包括感知、導(dǎo)航、抓取和任務(wù)計(jì)劃程序。作為最廣泛使用的開源機(jī)器人軟件平臺(tái)，ROS極大地提高了機(jī)器人開發(fā)效率。

智能巡檢任務(wù)架構(gòu)由3層組成：硬件設(shè)備層、軟件數(shù)據(jù)處理層和行為規(guī)劃層組成。硬件設(shè)備層包含機(jī)器人和各種智能傳感器。對(duì)于硬件設(shè)備層，使用傳感器和平臺(tái)集成來構(gòu)建一個(gè)能執(zhí)行智能巡檢任務(wù)的平臺(tái)。軟件數(shù)據(jù)處理層是系統(tǒng)的關(guān)鍵部分，因?yàn)榇蠖鄶?shù)算法和功能都是在這個(gè)層上實(shí)現(xiàn)的。將數(shù)據(jù)處理層分為4個(gè)模塊：思考、感知、導(dǎo)航和操作。審議模塊負(fù)責(zé)規(guī)劃和協(xié)調(diào)系統(tǒng)中的所有行為。它從傳感器獲得經(jīng)過處理的信息，并決定移動(dòng)HUSKY機(jī)器人和UR3機(jī)械臂。感知模塊處理感官信息，并找到動(dòng)車與障礙物在環(huán)境中的姿態(tài)，與此同時(shí)導(dǎo)航模塊控制HUSKY移動(dòng)到所需位置，操縱模塊用于控制UR3機(jī)械臂移動(dòng)獲取最佳拍攝角度。環(huán)境建模用于幫助機(jī)器人規(guī)劃運(yùn)動(dòng)軌跡，同時(shí)避免碰撞。最后在行為規(guī)劃層，所有的感覺信息和狀態(tài)信息都從較低的層收集，以進(jìn)行動(dòng)作選擇。根據(jù)任務(wù)的要求，系統(tǒng)會(huì)根據(jù)當(dāng)前與任務(wù)相關(guān)的情況做出不同的決策。整個(gè)系統(tǒng)流程如圖3所示。

圖3 系統(tǒng)流程圖Fig.3 System flow chart

1.3 平臺(tái)硬件

以巡檢機(jī)器人為硬件平臺(tái)，在巡檢機(jī)器人工控機(jī)和PC機(jī)分別安裝Linux系統(tǒng)和機(jī)器人操作系統(tǒng)，將PC機(jī)與巡檢機(jī)器人工控機(jī)連接在同一網(wǎng)絡(luò)中，依托機(jī)器人操作系統(tǒng)的通信機(jī)制，實(shí)現(xiàn)在機(jī)器人操作系統(tǒng)環(huán)境下巡檢機(jī)器人工控機(jī)和PC機(jī)的組網(wǎng)。在PC機(jī)機(jī)器人操作系統(tǒng)中，對(duì)RVIZ仿真環(huán)境和與移動(dòng)機(jī)器人工控機(jī)的通信進(jìn)行測(cè)試，完成了對(duì)機(jī)械臂的控制和巡檢機(jī)器人軟件平臺(tái)的搭建。

巡檢機(jī)器人控制系統(tǒng)的控制流程如圖4所示，HUSKY A200機(jī)器人和工控機(jī)ROS的通信是基于串口通信的。ROS軟件的框架結(jié)構(gòu)封裝了通信接口，它支持多種不同的語言，比如在C++和python上，使用機(jī)器人開源庫。串行接口先對(duì)中央處理器(Central Processing Unit，CPU)并行信息進(jìn)行實(shí)時(shí)接受，然后，把所接收到的一系列參數(shù)，轉(zhuǎn)換成不間斷的信息流，并且最終完成發(fā)送。

圖4 巡檢機(jī)器人控制系統(tǒng)的控制流程Fig.4 Control flow of inspection robot control system

2 機(jī)器人自主移動(dòng)及控制

2.1 環(huán)境建模和平臺(tái)運(yùn)動(dòng)控制

在動(dòng)車運(yùn)用所的不同位置之間移動(dòng)平臺(tái)以執(zhí)行任務(wù)是移動(dòng)操縱系統(tǒng)的基本要求。在導(dǎo)航模塊中提供了2種操作模式：一種是遙控操作模式，另一種是自主模式。在自主模式下，機(jī)器人移動(dòng)以在環(huán)境中對(duì)動(dòng)車進(jìn)行故障檢測(cè)。導(dǎo)航模塊與檢測(cè)模塊緊密耦合，沿平行于動(dòng)車平面的軌跡移動(dòng)機(jī)器人。防止對(duì)機(jī)器人和環(huán)境造成任何損害，先在GAZEBO軟件中構(gòu)建模擬環(huán)境與機(jī)器人進(jìn)行試驗(yàn)。

在一比一建立的虛擬巡檢機(jī)器人上安裝了實(shí)時(shí)傳感器。這些傳感器可以與ROS消息和服務(wù)結(jié)合使用，提供傳感器數(shù)據(jù)，為實(shí)現(xiàn)主機(jī)和傳感器之間的數(shù)據(jù)傳輸，并在GAZEBO的描敘文件中對(duì)機(jī)器人的質(zhì)量和摩擦力進(jìn)行了定義。創(chuàng)建的機(jī)器人模型如圖5所示，各個(gè)智能傳感器的作用及特點(diǎn)如表2所示。

表2 各個(gè)智能傳感器的作用及特點(diǎn)Table 2 Function and characteristics of each intelligent sensor

圖5 機(jī)器人模型Fig.5 Robot model

機(jī)器人三維模型或局部結(jié)構(gòu)模型主要用于模擬機(jī)器人或幫助開發(fā)人員簡(jiǎn)化日常工作。當(dāng)然，具體的方法是使用URDF文件，通用機(jī)器人描述格式(URDF)是用于描述機(jī)器人及其部件參數(shù)的一種XML格式的文件。通過GAZEBO建模得到的檢測(cè)機(jī)器人機(jī)器的檢測(cè)環(huán)境如圖6所示。

圖6 檢測(cè)環(huán)境建模Fig.6 Detection environment modeling

機(jī)器人的運(yùn)動(dòng)僅限于能夠在一列動(dòng)車的長度上導(dǎo)航，隨后不需要移動(dòng)很長的距離，這意味著不需要全局規(guī)劃。然而，即使在局部規(guī)劃和運(yùn)動(dòng)中，機(jī)器人也需要在其環(huán)境中安全運(yùn)行，因此使用點(diǎn)云數(shù)據(jù)來識(shí)別動(dòng)車的位置。該信息用于使機(jī)器人遠(yuǎn)離動(dòng)車，并保持預(yù)定的分離距離。

本文系統(tǒng)中實(shí)現(xiàn)了2個(gè)規(guī)劃模塊。一是移動(dòng)盡量減小機(jī)器人與期望位置的距離，二是保持機(jī)器人與動(dòng)車的安全距離。用于向前驅(qū)動(dòng)機(jī)器人的目標(biāo)控制器和用于保持機(jī)器人遠(yuǎn)離動(dòng)車的安全控制器的計(jì)算控制命令被融合，從而得以計(jì)算速度命令，該速度命令將控制機(jī)器人在環(huán)境中移動(dòng)。融合是2個(gè)控制命令的加權(quán)和：

cmdgoal和cmdsafety使用人工勢(shì)場(chǎng)[15-16]算法生成。α和β是根據(jù)與任務(wù)相關(guān)的情況調(diào)整的參數(shù)。

2.2 目標(biāo)檢測(cè)和姿態(tài)估計(jì)

在無約束環(huán)境中的目標(biāo)檢測(cè)方法依賴于通過融合2D圖像和3D點(diǎn)云的檢測(cè)結(jié)果來獲得候選目標(biāo)假設(shè)。由于一些障礙物間離得太近，它們之間會(huì)出現(xiàn)數(shù)據(jù)融合。因此，如何準(zhǔn)確、穩(wěn)定以及誤差小地識(shí)別障礙物并將其為分類處理提供更好的數(shù)據(jù)基礎(chǔ)，圖7為障礙物識(shí)別流程圖。

圖7 障礙物識(shí)別流程圖Fig.7 Obstacle identification flow chart

在目標(biāo)識(shí)別處理中，Velodyne16線雷達(dá)的數(shù)據(jù)量相對(duì)較小，因此，為了保證操作的速度和準(zhǔn)確性必須加快處理時(shí)間及提高識(shí)別難度。本文使用Dimitris Zermas提出的Scan Line Run(SLR)[17]算法，通過標(biāo)簽從上到下掃描線的點(diǎn)云數(shù)據(jù)實(shí)現(xiàn)障礙物的識(shí)別。對(duì)于平面的估計(jì)，使用簡(jiǎn)單的線性模型：

用n=[abc]T和x=[xyz]T，通過由種子點(diǎn)集合C∈R3x3計(jì)算的協(xié)方差矩陣S∈R3求解法向n。

首先對(duì)頂部掃描線返回的點(diǎn)云數(shù)據(jù)進(jìn)行處理。點(diǎn)云數(shù)據(jù)先得到自己的標(biāo)簽，然后由標(biāo)簽點(diǎn)對(duì)下一層的點(diǎn)云數(shù)據(jù)進(jìn)行評(píng)估。采用尋找最近鄰的辦法使舊標(biāo)簽只對(duì)四周的點(diǎn)感興趣，并采用雙層閾值法解決新點(diǎn)云數(shù)據(jù)是不是屬于舊標(biāo)簽這一方法能實(shí)現(xiàn)高效高精的障礙物識(shí)別，獲得障礙物的具體地址、具體位置點(diǎn)云數(shù)據(jù)和其他信息。實(shí)際的點(diǎn)云圖像如圖8所示。

圖8 實(shí)際檢測(cè)的點(diǎn)云圖Fig.8 Point cloud image of actual detection

2.3 軌跡生成

檢測(cè)完成后，機(jī)器人知道確定目標(biāo)位置在哪里后，使用姿態(tài)估計(jì)結(jié)果，機(jī)器人基于當(dāng)前環(huán)境建模結(jié)果規(guī)劃工作空間中的運(yùn)動(dòng)軌跡。然后控制機(jī)械臂安全移動(dòng)使相機(jī)拍攝視角對(duì)準(zhǔn)動(dòng)車需檢修部位。

對(duì)運(yùn)動(dòng)規(guī)劃算法要求快與安全。本文使用機(jī)器人操作系統(tǒng)(ROS)[15]Motoman Package[16]作為基本運(yùn)動(dòng)規(guī)劃驅(qū)動(dòng)程序，并創(chuàng)建了3個(gè)ROS服務(wù)，包括關(guān)節(jié)空間中的線性軌跡規(guī)劃、笛卡爾空間中的線性軌跡規(guī)劃和關(guān)節(jié)空間中的點(diǎn)對(duì)點(diǎn)軌跡規(guī)劃，用于系統(tǒng)中的運(yùn)動(dòng)規(guī)劃。

根據(jù)定義運(yùn)動(dòng)的起始位置和目標(biāo)位置，使用人工勢(shì)場(chǎng)算法，可以在期望的運(yùn)動(dòng)上找到路徑點(diǎn)。吸引力函數(shù)是：

其中：ξ是正比例因子；ρ和(q,qgoal)是機(jī)器人q與目標(biāo)(q,qgoal)之間的距離。引力由引力的負(fù)梯度給出：

當(dāng)機(jī)器人接近目標(biāo)時(shí)，吸引力趨于0，此時(shí)機(jī)器人在此力場(chǎng)中移動(dòng)。

對(duì)于機(jī)械臂的運(yùn)動(dòng)控制只是定義了目標(biāo)關(guān)節(jié)角度，沒有任何內(nèi)部路徑點(diǎn)。這種方法可以使機(jī)械臂盡快到達(dá)目標(biāo)位置。

2.4 機(jī)器人運(yùn)動(dòng)控制

生成的運(yùn)動(dòng)軌跡被定義為關(guān)節(jié)空間中的一系列路點(diǎn)。每個(gè)方向點(diǎn)包含關(guān)節(jié)角度、時(shí)間標(biāo)記和速度等信息。在機(jī)器人上運(yùn)行ROS程序[18]，通過在geometry_msgs/Twis節(jié)點(diǎn)來接收速度與轉(zhuǎn)向角信息，用來驅(qū)動(dòng)機(jī)器人沿著生成的運(yùn)動(dòng)軌跡移動(dòng)。

2.5 基于深度學(xué)習(xí)的故障檢測(cè)

本文基于TENSERFLOW[19]深度學(xué)習(xí)框架，在本地服務(wù)器上搭建了深度學(xué)習(xí)目標(biāo)檢測(cè)環(huán)境，骨干網(wǎng)絡(luò)使用VGG16，配置好的檢測(cè)網(wǎng)絡(luò)包括FasterR-CNN和YOLO，使用已建立的動(dòng)車組故障數(shù)據(jù)庫進(jìn)行訓(xùn)練后，得到可以對(duì)動(dòng)車組典型故障進(jìn)行檢測(cè)的模型。

每個(gè)模型通過隨機(jī)梯度下降的方式實(shí)施邊到邊的培訓(xùn)，把Yolo模型樣本的原始學(xué)習(xí)值設(shè)定為0.001，線性動(dòng)量設(shè)定為0.9，衰減為0.000 5。當(dāng)數(shù)字迭代達(dá)到20 000和40 000時(shí)，學(xué)習(xí)率降低到當(dāng)前學(xué)習(xí)率的1/10，直到損失不再變化。對(duì)于Faster R-CNN模型，初始學(xué)習(xí)率設(shè)置為0.001，動(dòng)量為0.9，衰減為0.000 5，總共80 000個(gè)訓(xùn)練步驟。對(duì)于Yolo模型檢測(cè)結(jié)果對(duì)比如表3所示，對(duì)于Faster R-CNN模型檢測(cè)結(jié)果對(duì)比如表4所示。

表3 Yolo模型檢測(cè)結(jié)果對(duì)比Table 3 Comparison of Yolo model test results

表4 Faster R-CNN模型檢測(cè)結(jié)果對(duì)比Table 4 Comparison of fast r-cnn model detection results

3 實(shí)驗(yàn)結(jié)果和討論

所提出的設(shè)計(jì)在虛擬的一比一工作環(huán)境和設(shè)備下開發(fā)和在實(shí)際工作環(huán)境和移動(dòng)機(jī)器人上驗(yàn)證。本文使用Clearpath Husky移動(dòng)機(jī)器人作為基礎(chǔ)平臺(tái)，集成了一個(gè)UR3機(jī)械臂和一個(gè)定制的末端相機(jī)。為了進(jìn)行環(huán)境建模和動(dòng)車檢測(cè)，使用velo‐dyne16線激光雷達(dá)和IMU結(jié)合進(jìn)行檢測(cè)和分割。點(diǎn)云信息還用于移動(dòng)平臺(tái)的映射和定位。智能巡檢平臺(tái)使用一臺(tái)筆記本電腦和一個(gè)工控機(jī)，工控機(jī)負(fù)責(zé)移動(dòng)平臺(tái)的運(yùn)動(dòng)控制，目標(biāo)的檢測(cè)和姿態(tài)估計(jì)及控制機(jī)器人規(guī)劃運(yùn)動(dòng)軌跡，筆記本電腦用來遠(yuǎn)程遙控機(jī)器人運(yùn)動(dòng)。

3.1 仿真測(cè)試結(jié)果

在ROS控制下，利用gazebo建立機(jī)器人模型和環(huán)境模型，并進(jìn)行了仿真。如圖9所示，使用rviz軟件包將模擬結(jié)果可視化。通過使用攝影機(jī)插件，模擬環(huán)境將顯示在rviz中。機(jī)器人的目標(biāo)位置是通過電腦鼠標(biāo)指向并點(diǎn)擊來設(shè)定的。

圖9 模擬結(jié)果可視化圖Fig.9 Visualization of simulation results

如圖10所示，基于在Gazebo搭建的仿真環(huán)境，可見當(dāng)激光雷達(dá)采集點(diǎn)的云數(shù)據(jù)稀疏時(shí)，當(dāng)有4束以上激光束的點(diǎn)云目標(biāo)時(shí)，能穩(wěn)定、準(zhǔn)確地識(shí)別障礙物，并通過標(biāo)定框架進(jìn)行選定。

圖10 GAZEBO環(huán)境下檢測(cè)效果Fig.10 Detection result under gazebo environment

3.2 實(shí)際測(cè)試結(jié)果

在長沙城際動(dòng)車運(yùn)用所實(shí)際環(huán)境中運(yùn)行，如圖11所示，可見當(dāng)激光雷達(dá)采集點(diǎn)的云數(shù)據(jù)稀疏時(shí)，當(dāng)有4束以上激光束的點(diǎn)云目標(biāo)時(shí)，能穩(wěn)定、準(zhǔn)確地識(shí)別障礙物，并通過標(biāo)定框架進(jìn)行選定。

圖11 實(shí)際檢測(cè)效果Fig.11 Detection result from the collected LiDARdate

本文通過對(duì)采集的樣本圖像進(jìn)行幾何變換和強(qiáng)度變換，將數(shù)據(jù)擴(kuò)展到幾何變換包括調(diào)整圖像的截?cái)?、旋轉(zhuǎn)和水平翻轉(zhuǎn)，強(qiáng)度變換包括增強(qiáng)的圖像對(duì)比度和亮度。檢測(cè)精確度如表5所示(樣本數(shù)為識(shí)別時(shí)的圖片數(shù)量)。

表5 檢測(cè)精確度對(duì)比Table 5 Comparison table of detection accuracy

3.3 動(dòng)車故障檢測(cè)結(jié)果

Fast R-CNN是一個(gè)可以在圖形處理器中計(jì)算的完全卷積的網(wǎng)絡(luò)，被應(yīng)用于生成高質(zhì)量的候選區(qū)域。此外，該神經(jīng)網(wǎng)絡(luò)可以與檢測(cè)模型共享一個(gè)卷積層，并采用感興趣區(qū)域策略將候選區(qū)域映射到神經(jīng)網(wǎng)絡(luò)的特征層，直接在特征層提取相應(yīng)區(qū)域的深層特征。通過感興趣區(qū)域策略避免將候選區(qū)域重復(fù)輸入到特征層，不僅減少了檢測(cè)時(shí)間，而且提高了檢測(cè)精度。在動(dòng)車運(yùn)用所環(huán)境下，使用巡檢機(jī)器人對(duì)動(dòng)車故障檢測(cè)，效果如圖12所示。

圖12 動(dòng)車故障檢測(cè)效果Fig.12 Fault detection on a collected real photo

4 結(jié)論

1)本文巡檢平臺(tái)設(shè)計(jì)可搭配不同種底盤機(jī)器人以滿足不同作業(yè)環(huán)境需求。

2)使用激光雷達(dá)進(jìn)行障礙物檢測(cè)，實(shí)現(xiàn)了各種光線條件下方案實(shí)施的可行性，提高了識(shí)別率。

在本文工作支持下，可在動(dòng)車所實(shí)施智能巡檢技術(shù)，大幅提高了檢修效率。下一步是開發(fā)工業(yè)機(jī)械手的抓取和拉動(dòng)能力，該系統(tǒng)將在不同條件下在更多的動(dòng)車運(yùn)用所進(jìn)行更多的測(cè)試。