基于深度学习与ROS 的无人巡检车辆设计与实现

郑乾坤，仪淼淼，原杨

（1.中国船舶重工集团公司第七一三研究所，河南郑州 450000；2.汝州职业技术学院，河南平顶山 467500）

通过对中国电力发电模式及占比的调研，在中国的所有电力系统中，火力模式发电仍然有着较高的占比。从对火力发电厂地管理及实时检测的角度来看，该场地有以下2 个特点：①安全性。安全性是保障人员进入的必要条件。②数据采集简易且重复度高。基于此，可以利用机械方式来代替工人进行重复工作[1]。

1 系统概述

通过对该系统背景的分析，提出一种基于深度学习与ROS 的车辆巡检系统[2-3]。该系统主要由机器人控制系统、机器人操作系统、图像识别系统、视觉感知系统组成[4-5]，系统架构如图1 所示。

图1 车辆巡检系统架构

2 系统功能

通过对系统功能进行分析，基于深度学习与ROS的车辆巡检系统主要包括以下3 部分具体功能[6]。

2.1 机器人控制系统与机器人操作系统功能

机器人操作系统与机器人控制系统两者相互配合使用，用于控制小车的行进、仪表读取及避障等。

2.2 图像识别系统功能

图像识别系统通过实时获取高清相机读取的仪表图像数据，使用深度学习图像处理算法对图像进行位置纠正、特征提取、图像识别等处理，智能获取仪表指针等位置特征信息[7-8]。

2.3 视觉感知系统功能

视觉感知系统主要包括以下部分：①速腾激光雷达-16。本系统中采用了速腾16 线的激光雷达，电磁能量脉冲覆盖的区域是车辆360°的全部区域，对车辆的行进提供多种数据参数[9]。②高清相机。高清相机是读取仪表数据的重要方式，通过高清相机拍照，放入已经训练好的深度学习的模型中，识别出图片中的仪表数据[10]。③惯性测量单元。惯性测量单元在导航中可以用于更加精准的位置及更快的姿态调整[3，5]。

3 实验准备

3.1 实验流程

实验流程是车辆巡检系统调试过程的具体阐释，具体包括以下3 个步骤：①雷达设备调试与参数调试。通过外部链接，采用软件对雷达数据进行可视化展示，需调试雷达配置参数，如扫描角度、传输端口等，同时需要地图录制与建模。②配置地图以及参数预设。设置车辆行进地图的相关参数，如采用地图的名称、地图服务器等[11]。③参数调校。了解诸多参数的含义，根据车辆在调试过程中出现的问题进行多项参数更改，并在调试的过程中做好记录。

3.2 技术补充

在无人车巡检时，车辆的状态估计是相对复杂的问题，针对该问题主要采取了扩展卡尔曼滤波策略，下面对扩展的卡尔曼滤波及相关知识进行补充[7]。

3.2.1 线性高斯系统

线性高斯系统是一种用于描述线性数据的方法，从运动方程和观测方程中可以得出，两者均是线性的，2 个噪声项服从零均值的高斯分布[8]。但是在实际的应用中，需要更多考虑到离散的情况，离散事件线性时变系统运动方程和观测方程为：

式中：A、C分别为转移矩阵和观测矩阵。

针对线性高斯系统的后续计算，可以采用卡尔曼滤波器的方法，利用Bayes 公式计算后验概率，卡尔曼滤波主要针对线性系统，即从Xk－1估计Xk的无偏差最优估计[6]。

Bayes 公式为：

式中：P（A|B）为后验概率的数值；P（B|A）为似然值；P（A）为先验概率的数值。

线性高斯系统对于线性问题可以很好地似然估计，但是在现实世界中很多数据都不是线性的，仅采用线性高斯系统难以解决。

3.2.2 扩展卡尔曼滤波

线性高斯系统无法对非线性数据进行处理，究其原因是高斯分布经过非线性变换后不再是高斯分布，对于扩展的卡尔曼滤波来说，采用了高斯分布尽可能去近似数值。扩展卡尔曼滤波是在非线性-非高斯系统下的直接扩展[9-10]，原理主要由2 个部分构成：①在工作点附近取值，对系统进行线性近似；②在线性系统近似下，把噪声项和状态都当成了高斯分布，即可利用均值和协方差矩阵预估值进行状态描述。

经过以上的近似操作后，后续的处理与卡尔曼滤波类似，公式如下：

上述偏导数在工作点处取值来对系统进行线性化近似，近似于一个线性系统。

3.2.3 A*算法

在导航的应用中，全局路径规划采用了A*算法。从本质意义上说，A*算法是基于迪杰斯特拉算法进行改进的算法，迪杰斯特拉算法的时间复杂度为O（n3）。A*采用了启发式搜索的策略，路径规划的效率有了显著的提升，该算法流程如图2 所示。

图2 A＊算法流程说明

3.2.4 导航模块

导航模块主要基于ROS 环境，主要采用了4 个功能包[12]，具体如下：①Move_base。用于无人车导航，也参与多传感器的融合，该功能包的导航架构如图3所示。②AMCL。在运动的过程中对无人车的位姿进行概率估计。③Map_server。用于地图的保存。④Gmapping。用于建立地图，地图示例如图4 所示。

图3 Move_base 功能包导航框架

图4 建立地图

3.3 重要参数说明

在调试无人车的过程中，有一些路径规划相关参数需要说明，具体包括路径规划相关参数、代价地图相关参数和IMU 参数说明。路径规划相关参数包括全局路径规划（如表1 所示）及局部路径规划[11]（如表2 所示）。

表1 全局路径规划部分参数

表2 局部路径规划部分参数

4 实验

4.1 实验环境

实验环境如表3 所示。

表3 实验环境

4.2 实验结果

一次实验定义为在固定区域每次进行5 圈巡检，每一圈中设置4 个巡检点，在第一次巡检时记录小车停止的位置，同时记录每次后续圈小车停止的位置，分别求得4 个巡检点每次5 圈参数设置的方差和标准差。在参数设置中，设置了弧度误差与位置误差，其中前者为0.1 弧度，后者为0.05 m（弧度与位置参数设置需要搭配高清相机的扩展角度），后续均以此为基准进行计算。经过多次实验及参数调试（详细参数设置可以参照3.3 节），从方差与标准差（均保留2 位小数）的评价指标中，得出的实验结果如表4 所示。

表4 实验结果

5 结束语

本文主要进行了深度学习与ROS 的无人车辆巡检系统设计与研究，利用无人车辆对封闭厂区进行巡检，代替人工巡检。本文针对封闭厂区这种特定场景进行了多次巡检实验，从实验结果来看，基本可以满足基本的工业需求，并对后续机器人操作系统的设计与应用提供一定的参考。