检测机器人在定位与路径规划中的研究综述

邓洁 张文志 陈楷 李鑫

摘要：对国内外检测机器人的研究现状进行分析，探讨了具备爬壁能力的检测机器人在总体结构、控制系统、定位方式和路径规划技术上的研究进展。定位方式方面主要简述了航迹推算定位、地图匹配定位和组合定位的原理和特点，路径规划的算法方面主要分析了全局路径规划和局部路径规划算法。重点阐述了现有检测机器人在吸附方式、定位技术和控制算法三个方面的优势和不足。经分析表明，市面上常见的检测机器人普遍存在定位准确度差和环境变化敏感度低的问题，结合检测机器人智能化和自动化的发展趋势，提出了优化扩展卡尔曼滤波方法将会对检测机器人的定位精度的提升起着重要作用，在粒子群算法上进行突破性研究将有助于检测机器人快速寻找到最优路径。基于优化扩展卡尔曼滤波方法和粒子群算法对于提升检测机器人的性能具有重要意义。

关键词：检测机器人；总体结构；定位方式；路径规划

中图分类号：TP242                   文献标志码：A                   doi：10.3969/j.issn.1006-0316.2024.05.001

文章编号：1006-0316 （2024） 05-0001-11

Research Review of Detection Robot in Positioning and Path Planning

DENG Jie，ZHANG Wenzhi，CHEN Kai，LI Xin

（ College of Mechanical Engineering， Inner Mongolia University of Technology， Hohhot 010051， China ）

Abstract：This paper analyzes the research status of detection robots at home and abroad， and discusses the research progress of detection robots with wall-climbing ability in the overall structure， control system， positioning mode and path planning technology. Regarding the positioning mode， the principles and characteristics of trajectory estimation positioning， map matching positioning， and integrated positioning are briefly introduced. And the path planning algorithm is analyzed with a focus on both global and local approaches. The advantages and disadvantages of the existing detection robot in adsorption mode， positioning technology and control algorithm are emphasized. The analysis shows that the common detection robots in the market generally have inadequate positioning accuracy and low sensitivity to environmental changes. In line with the development trend of intelligent and automated detection robots， it is proposed that the optimized extended Kalman filter and particle swarm optimization algorithm will play an important role in the positioning accuracy of robots， and the breakthrough in the research on particle swarm optimization will facilitate the robots in finding the optimal path quickly. The optimized extended Kalman filter and particle swarm optimization is of significant importance for enhancing the performance of detection robots.

Key words：detection robot；overall structure；positioning mode；path planning

在化工、机械和冶金等领域中处理易燃易爆原料时，面临较高的风险隐患。为了保障操作的安全，通常会将危险物存储在大型压力容器内。在众多不同类型的压力容器中，球形储罐具有一定的结构优势以及性能优势，在实际应用上更受青睐。相较于其他形式的储罐，在相同容积和压力条件下，球形储罐的表面积最小，具有损耗少和空间利用率高的优点[1]。但是考虑到其在实际应用中一般是在高温高压或者腐蚀性强的恶劣环境下，因此，罐壁和焊缝连接部位往往会面临着裂纹和蠕变的风险。这些问题的存在可能会导致严重的安全事故，不仅会造成巨大的经济损失，而且还会对工作人员的人身安全造成隐患。从这一角度出发，在球形储罐的应用过程之中，还需要进一步强化安全防范与风险应对[2]，需要定期对球形储罐的压力容器壁面上的焊缝检测[3]，以此为依托确保可以及时地发现潜在风险隐患，并且及时采取应对策略，确保其安全运行。目前，大多数压力容器的检测仍然采用传统的人工检测方法，在开始检测操作前，需要先关闭设备，在容器外围搭建脚手架，工作人员要到高处进行逐点检测。这种人工检测方式存在效率低下、操作复杂程度较高等一系列问题[4]。为解决上述问题，目前已研发了爬壁机器人来代替人工完成压力容器自主检测。与人工检测相比，这种检测机器人能够显著地减少人为操作错误和检测漏洞，提高了检测效率，在很大程度上节约了检测成本。

现有的爬壁检测机器人对球罐上焊缝进行自主检测的过程中，机器人在球罐表面稳定移

动的同时，还需要确保机器人拥有相应的视觉识别能力[5]，能对球罐表面进行精准识别并且生成高质量的图像，检测机器人的运作、移动与跟踪需要沿着焊缝纹路开展，方便及时对球罐进行勘察分析，存档记录信息[6-7]。因此，机器人需要具备更准确的定位功能，可采用三维定位原理对焊缝位置以及存在问题的区域进行定位，从而确保工作人员可以更加迅速地针对焊缝存在的问题进行分析，并据此制定出与之相对应的修复策略[8-9]。Moreno等[10]提出了一种基于进化定位滤波器的检测机器人全局定位方法ELF（Evolutionary filter），通过概率感知的方法，比较运动模型中观测数据和预测数据得到二者的误差，最后将全局定位模块集成到一个配备激光测距仪的检测机器人中，并利用实验证明了该方法的有效性和鲁棒性，但该方法没有考虑到误差累积的问题。在大型压力容器上需要检测机器人长时间工作，现有的机器人短时间内能保证定位精度，随着时间误差会逐渐增大，甚至产生严重偏移。此外，检测机器人还应对焊缝路径进行准确规划，使其能够完全遍历球罐上错综复杂的焊缝[11]，并基于有效应对策略对焊缝路径规划的可行性以及合理性进行检测与深入分析，从而确保其运动路径最短、检测质量和效率最优。路晨曦等[12]通过对轮式机器人在球面作业的运动分析，提出一种基于单元分解法及弗洛莱算法相结合的方法，规划出机器人巡检的最短路径，并引入遗传算法对检测路径进一步优化，但忽视了机器人直角转弯的困难情况。本文通过综述爬壁机器人进行焊缝精确识别和实时定位，在定位方

面，通过优化扩展卡尔曼滤波方法来获取机器人最优定位，对误差进行实时修正，最终实现有效全局定位。在路径规划方面，采用粒子群算法来规划检测路径，具有鲁棒性强和并行性好的优点，并对球罐上分布较复杂的焊缝的最短路径规划这一现实需求进行了研究，为大型压力容器检测机器人未来相关技术的研究提供了一定的方案，对大型压力容器检测技术的提高有重大意义。

1 爬壁机器人的研究进展

1.1 爬壁机器人的总体结构

爬壁机器人是一个综合了信息技术、控制系统、传感器以及机械设计等数个功能的复合体，其之所以能够产生运动，主要是通过移动机构协同吸附机构，在二者的协力基础之上实现相应功能。进一步分析发现，移动机构的核心构件包括车轮、履带以及足式，而吸附机构的核心构件则包括磁铁与吸盘，基于这种设计，才能确保机器人可根据其所处的环境交叉运动，最终实现移动[13]。通过分析与爬壁机器人相关的国内外研究现状可知，近十年来获取了一定的进展与成果，该类机器人在各个领域均展示出广泛的应用前景。然而，目前仍然没有一款机器人可以科学地针对球形压力容器设计并投入应用，以完成特有的作业过程，如内外壁面进行检查、喷砂除锈、喷漆防腐等，无法满足球罐表面的检测需求。

1.2 国外爬壁机器人研究进展

通过对国内外的一些爬壁机器人的吸附原理和移动原理进行重点阐述与对比分析发现，磁吸附式机器人在大型压力容器检测领域应用较多。在移动方式上，轮式和履带式较为常见。Go等[14]研究了一款磁吸式行波型全向爬壁机器人，该机器人为需要定期检查的船舶和油箱的壁面而开发的，由多个独立的吸附单元连接而成，并且安装了万向节，使该机器人能够适应曲面，并具有较顺畅的移动能力。同时，其所应用的吸附机构属于永磁吸附机构，可以保障其具备在垂直壁面上的较强的爬升能力。此外，该机器人还设置了凸轮控制机构，可实现磁铁移动的同时控制组件的长短。Eich等[15]研制了一款小型双轮攀爬机器人，其总体外形尺寸为380 mm×280 mm×150 mm，自重为670 g。这款机器人由两个磁性车轮与一个弹性尾部组成，通过磁性车轮上的数个小磁块在钢制壁面上进行交替吸附，并由锂聚合物电池供电对直流电机进行驱动，使得机器人能够克服管道弯曲的限制，以实现自由移动。此外，机器人还配置了模拟摄像机，集成于机器人中，具备无线运行的能力，并通过WLAN达到远程控制的目的，方便操作人员在远距离进行监控和调控。相关研究中，Grieco等[16]还成功研发了一种新型的爬壁机器人，该机器人的设计是基于高载荷足式。机器人长110 mm、宽600 mm、高90mm。在机器人内部的控制系统安装了PC构件，能够实现高级控制。在吸附方式上采用永磁和电磁结合的形式，在移动方式上采用足式移动。在机器人的六只足上安装有混合永磁铁和电磁铁的阵列，永磁体默认激活，以此为依托来保护该机器人，确保机器人的构件的安全性。即使在电源故障时，也能保证机器人不会从壁面脱离。Eto等[17]研究了一种具有形状自适应磁粘附机构的轮式爬壁机器人，为了确保在各种弯曲的铁磁表面上下移动，两个摇臂通过差速器机构相互连接，同时和机器人的主体部分组合在一起。差速接头保持两个摇臂之间中心主体的平均俯仰角，并采用被动运动悬架的摇臂连杆，带有钕磁铁的磁铁支架位于外

壳内部，固定于车轮的旋转轴上。机器人外壳内表面与磁铁支架之间有0.5 mm的间隔，从而确保连接到轴上的磁铁支架与车轮旋转之间具有一定的独立性。Leon-Rodriguez等[18]研究了一种用于罐体检测的爬壁机器人，如图1所示。该机器人机体由多个板块组成，相邻板块之间使用铰链连接，可确保该机器人具有更强的灵活性与适用性。在铰链连接处配备了车轮作为行走机构，使机器人能够在物体表面稳定移动。此外，磁铁被安装在机器人每个板块的下方，确保机器人能够实现在携带小型检测设备的前提下，具备在罐体壁面行走的曲面适应能力。

1.3 国内爬壁机器人研究进展

国内众多高校也在这一领域中的开展了大量探索，一直走在国内研究的前沿[19]。迄今为止，研究人员已在这一领域中取得了一定的研究进展，成功研发了多种具备差异化功能的履带式爬壁机器人，如图2所示，并且已经将履带式爬壁机器人应用于压力容器焊缝检测[20]。除此之外，也逐步提升了将机器人应用于维护与修复压力容器的重视度，比如将传统喷漆、喷砂方法的应用到实践过程中。即便可以获取到一定的防腐效果，但需要耗费大量的人力资源。因此，研究人员开发了具有磁吸附功能的爬壁机器人，该类型的爬壁机器人除了开展检测焊缝的工作之外，还可以对容器的喷漆厚度进行具体检测[21]。机器人采用永磁吸附双履带结构，可跨越罐壁上5～10 mm的突起物[22]，该结构吸附稳定、负载能力强，但行进过程中转向不灵活。田兰图等[23]共同开发了一种新型履带式爬壁机器人。该机器人在两侧各设置了履带，每侧的履带上分布着36个永磁体吸盘。为了确保机器人具有较强吸附能力，采用12个吸盘共同作用，且本体左右两侧各安装一台额定功率为80 W的直流伺服电机驱动，此外，该机器人采用齿轮副和谐波减速器两级减速传动系统，超高的减速比使得运动转向更加灵活。陈国明等[24]研制轮足组合式焊接机器人，该机器人的爬行机构由三组吸附单元和六个伺服电机驱动的驱动轮组成，每两个驱动轮共同发挥作用，在吸附单元和驱动轮的共同作用下，该机器人既可以利用吸附单元实现足式越障，又可以通过驱动轮更加灵活地移动。同时还应用了升降变位机构，使得每组驱动轮实现交替抬高下降，确保该机器人可以实现越障功能。

1.4 爬壁机器人的不足与改进方向

基于对已有研究进展的阐述发现，大部分机器人采用的是多足式、轮式、履带式这三种方式实现移动[25]，但是多足行走式机器人的构成比较繁杂，研究领域应用相对较少。然而在球罐表面检测方面，采用磁吸附技术的爬壁机器人展现了巨大潜力，该类机器人安装了磁性装置，比如永磁铁或者电磁铁，用来吸附导磁材料，由此可以确保其具备较强的吸附能力。这类机器人的工作原理相对比较简单，且可以按需求调控吸附力，进一步提升了检测机器人的市场认可度与接受度。如今爬壁机器人研究人员把研究重心放在移动装置的设计以及改进吸附方式上，针对机器人的自主性问题研究却相对较少。在爬壁机器人的焊缝检测过程，重点是维持其在压力容器表面的吸附作用和移动功能，与此同时，还需增加跟踪识别装置，以精确定位机器人的坐标位置并制定科学的移动路径。综上，在研发检测机器人时，应该将重点放在智能化与自动化两个方向。

2 检测机器人定位技术的应用

2.1 爬壁机器人的精确定位与定位技术

爬壁机器人被放置于球罐上对焊缝进行检测的过程中，需要确保其具备较强的精确定位功能，特别是将其应用于球罐表面定位方面，这一功能显得尤为重要。鉴于此，还必须根据爬壁机器人搭载的传感器类型来尽可能全面地收集周围的环境信息，并通过一定的数据处理得到自身位姿。当处于特定的工作环境时，爬壁机器人与移动机器人二者在定位功能上存在着类似性。爬壁机器人在球罐上的定位类似于移动机器人在空间上的定位，还可以进一步将移动机器人的定位划分为绝对定位与相对定位[26]。相对定位是以机器人出发位置为参考，采用距离、方向这两个关键参数，从而显示出机器位置，而绝对定位则是应用SLAM（Simultaneous Localization and Mapping）和GPS等定位技术，以此获得机器人的坐标信息[27]。

2.2 航迹推算定位

在移动机器人的定位方面，常见的方法主要以航迹推算定位方法为典型代表[28]。在实践应用中，基于使用场景存在的差异性，需要选择与之相匹配的传感器[29]。在应用航迹推算定位方法的具体过程中，其定位功能的实现一般基于两种方法：其一，利用里程计，通过对机器人运动的里程数进行记录，以此对机器人的位置进行推断；其二，利用惯性导航来计算和测量机器人的运行速度，以此定位机器人。二者对比后发现，第二种方法有着更高的准确度，但是应用过程中需要充分考虑到温度飘移的问题，且相应的传感器和设备成本较高。里程计定位相较航迹推算方法而言，在一定时间范围内定位更加准确，并且还具备操作简易性与成本低廉性等优势。但该定位方法的计算误差会逐渐累积的缺陷，长时间作业后，机器人将无法按照规定路径移动，定位数据将失去意义。

2.3 地图匹配定位

2.3.1 已知环境地图定位

在定位之前，首先根据爬壁机器人的工作环境建立全局地图，并将地图信息存储在爬壁机器人中，供定位过程使用。特征地图适应于局部区域，可获得较高环境精度，但在大范围环境精度较差。目前常见的构建环境地图的方法主要有特征法、栅格法以及拓扑法等[30]。

拓扑地图比较适用于相似度不高且简单的环境。特征地图通过将自由位姿空间中的环境特征映射到特征图上，并附加权值，从而将原问题转换为图搜索问题。该方法在局部区域内可获得较高精度，但不适用于大范围环境，且非结构环境下几何特征地图精度不足。栅格地图创建和维护容易，能够尽量保留整个环境的各种信息，而且简单、高效、存储方便、计算量小，具有较强的鲁棒性。但当栅格数量增大时，地图不容易维护，且实时性差。栅格划分较小时计算量较大，栅格划分较大时分辨率较低。为了进一步解决由于单一地图应用的局限性，学者们开展探究如何构建起混合地图的方法[31]。在这一背景之下，为了确定检测机器人的全局位姿，需要对比分析全局地图与局部地图，同时利用机器人携带的传感器对周围环境进行探测，从而将机器人与地图一一对应。现有的研究一般在识别周围环境、建立环境地图时采用的传感器有超声波、激光雷达、CCD摄像机等[32-34]，上述传感器均具有相对准确的定位精度。

2.3.2 未知环境地图定位

在一个完全陌生的环境中，机器人从一个未知的位置出发，建立环境地图的同时，利用已经建立的地图来更新自身的位姿，这个过程被称为同时定位与地图构建[35-36]，SLAM技术现在已经相当成熟，被广泛应用于无人驾驶、机器人导航等诸多领域中。大部分学者认为该技术是实现机器人自主化、智能化的关键。SLAM定位方法在机器人定位领域引起了广泛讨论与探索，该方法是以视觉传感器为基础开展应用的一种方法，利用摄像机采集图像信息，并将图像信息经过特征提取、特征匹配以及位姿估计等一系列处理后，得到机器人在地图中的位置与航向信息[37-38]。Klein等[39]在2007年就提出了PTAM（Parallel Tracking and Mapping）方案，该方案首次引入了非线性优化，并设置关键帧的机制，实现了并行化跟踪和建图过程，但也存在明显缺点，比如场景小、容易跟丢等。Engle等[40]提出了LSD-SLAM算法（Large Scale Direct monocular SLAM），该算法采用密集跟踪技术和实时视觉测距技术开展测算，允许在CPU上实时运行，具有简洁性与准确性，并且摆脱了此前算法对于视觉特征的过于依赖。  此外，该方法能够连续估计半密集逆深度图并使用密集图像对齐来跟踪相机运动，可以准确地估计相机位姿并同时构建大规模的半稠密三维地图，具有不可忽略的图像梯度，并且在新图像到来时用新的测量值更新。随着时间的推移，在传统的方案中几乎是没有出现以简单的应用CPU技术来重建半稠密的场景的情况。在跟踪精度和计算速度方面，该方法优于最先进的基于特征的视觉里程计和SLAM的算法，但是在相机快速移动的过程之中，可能会出现丢失目标的这一问题，并对相机的内参以及曝光都很敏感[41]。Foster等[42]提出了一种半直接计算单目视觉里程的方法，简称SVO（Semi-Direct Monocular Visual Odometry）。该方法是根据视觉里程中的稀疏直接法开展研究。直接法主要作用于像素强度，即便在高帧率条件下，仍然可以实现高精度定位。半直接法是在直接法的应用中融入特征点进行计算，消除了昂贵的特征提取，同时带来了更高的鲁棒性，并且在定位精度和速度上明显优于目前的方法。除此外，有学者又提出了ORB-SLAM和ORB-SLAM2算法（Oriented FAST and Rotated BRIEF，   ORB）[43-44]。

2.4 组合定位

2.4.1 传统组合定位方式

检测机器人在实际应用中，应用单一化的定位方式更容易受制于环境因素的影响[45]，一旦传感器在定位过程中出现故障，则会直接导致定位数据完全失效，进而影响对机器人的控制。为了解决这一问题，目前有相关学者对多传感器融合的定位方法进行研究，该定位方法通过将各传感器的信息进行综合，实现各传感器的优势互补，从而有助于提升定位系统的精

度与准确度。Mur-artal等[46]为了解决GPS传感器信号被遮挡时还能够使车辆精确定位的问题，使用IMU传感器和视觉进行融合，在一定程度上降低了定位的不稳定性。Abdulla[47]提出一种无人移动巡检平台在储油罐底部的位置定位方法，因为测量系统存在一定的不确定性，所以在对平台位置进行计算的过程中会产生误差。在此基础上采用安装在平台上的3量程和1轴承传感器以及已知的储罐轮廓，解决了定位误差方面与三边测量的技术难题。Elena等[48]将惯性、视觉和激光传感器所采集到的数据用EKF算法（Extended Kalman Filter）进行融合，得到了高质量的地图，提高了检测机器人的定位精度。李恺[49]结合激光与视觉信息融合，有效提高了机器人在复杂交通中的环境感知。王随阳等[50]提出了基于里程计、惯性和激光雷达等传感器的紧密耦合组合滤波方法。经过实际场地的实验验证，该方法能够有效地抑制机器人运动中的误差累积，提升机器人的定位精度。王鹏飞[51]将激光雷达数据与深度相机数据融合构建自适应加权算法提升数据精度。张文等[52]提出RGB-D（深度）视觉与机载IMU（惯性）组合的自主定位方法，该方法利用法向量方向投影的方法实现高精度位置定位。通过融合外部视觉获得的机器人底盘法向量信息、机载IMU测得的重力矢量信息和运动角速度信息，解决了其航向角误差随时间累积的问题，实现了机器人的高精度姿态估计，使爬壁机器人位置定位误差小于0.02 m，姿态估计的航向角和横滚角误差小于2.5°，俯仰角误差小于1.5°，有效地提高了爬壁机器人定位精度。

2.4.2 组合定位方式的改进

组合定位方式的改进是为了提高爬壁机器人在压力容器表面定位的精确性。张文杰[53]利用有限差分方法和小循环迭代结构对扩展卡尔曼滤波算法进行改进，提出一种小循环有限差分扩展卡尔曼滤波算法，并引入粒子滤波器对该算法进行优化，最后采用仿真实验对该方法进行了验证。吴显等[54]针对EKF位姿优化计时由于系统参数和传感器观测不确定性引起的误差累积问题，提出了一种基于EKF的GNSS（Global Navigation Satellite System）里程计融合定位模型，实现了对里程计累积误差的周期性校正，仿真结果表明所提出的算法能够显著提高检测机器人的位姿优化估计精度。顿向明等[55]研究设计了一种被动声定位技术的机器人定位系统，通过麦克风阵列来捕捉机器人发出的声信号，应用改进的时延估计定位方法对信号进行处理，以实现对爬壁机器人的准确定位，并通过卡尔曼滤波算法来处理该定位数据。实验表明该系统在15 m内的定位距离误差不超过12 cm，在一定程度上提高了储罐内爬壁机器人的智能水平及作业效率。

不同的定位方法有其适用场景和优缺点，针对相关定位技术：视觉识别可以通过摄像头捕捉场景进行分析，实现定位和导航，但需要机器人具备较强的计算处理能力；组合定位可将多个传感器的数据结合起来进行定位。这种方法的优点是可以同时利用多个传感器，提高定位的精度和鲁棒性，但罐体属于在非平面空间，上述研究技术现状提及的定位方法不能完全应用于大型压力容器球罐上。

3 检测机器人路径规划技术的研究进展

路径规划是实现检测机器人自主检测功能的必要部分，特别是对于球形压力容器的检测任务，更是不可或缺[56]。路径规划是指检测机器人可以规划从初始状态到目标状态的最优或近似最优路径[57]。本文检测机器人使用球罐上已知的地图信息，规划出一条可以遍历全部焊缝的路径。由于球罐壁面上焊缝分布错乱，若无规则进行检测，难免会有漏检、重复检测，达不到路径最优化等问题。为提高检测效率，要求最终的这条路径能够满足机器人完全遍历焊缝的同时达到最小的重复检测率，规划出完成全覆盖检测情况下的最优路线。传统路径规划算法根据等级关系可以分为全局路径规划算法和局部路径规划算法[58]。全局路径规划算法的优势主要是将感知环境信息置于首位[59]，即机器人事先获取整个场景的信息，计算出最优的移动路径；但是全局规划缺点明显，非常依赖机器人对环境信息感知的精细度及路径准确，且对环境变化的处理效率很低，极大地浪费时间。相对而言，局部路径规划算法所用的时间相对较短，更侧重于考虑计算机器人下一时刻的最优的移动路径[60]，但需要实时更新机器人周边环境模型并在不同的局部环境下能够快速更新环境信息。全局路径规划和局部路径规划适用于不同的场景并能相互转化，也可以同时使用[61]。

现阶段有关于检测机器人的路径规划这一方面的研究已经获取了一定的进展以及成果，但检测机器人路径规划也存在环境建模方面问题[62]。路径规划建模方法包括可视图法和栅格法等。视图法[63]是一种利用多边形构建外围框架来表示障碍物的方法，该方法的优点在于机器人的结构、形态不会对路径规划产生影响，缺点在于在路径规划方面缺乏灵活性，不能根据使用场景变化做对应调整，如果重新制定起点位置和目标点位置，则机器人也要根据改动的位置重新构建路径行驶的可视地图，而栅格法的应用原理是在将地图进行小单元格划分的基础之上，实现对于机器人的工作环境模型的构建，因此也被称为单元分解建模法。栅格法将运行环境进行单元分割，构建出来的栅格地图环境信息清晰，但地图存储系统的空间有限，信息存储过多将会增加地图的存储负担和干扰信号，在较大程度上削弱了检测机器人路径规划的效能，也无法确保在规定时间之内获取到信息的有效性[64]。

检测机器人的路径规划涉及到的指标主要有最佳路径、收敛效率等，而最佳路径与机器人对环境理解的准确性具有直接关系。因此，根据检测机器人对环境信息的把握程度将其路径规划具体划分为传统算法和仿生智能算法两种类型，其中，前者主要有迪杰斯特拉算法[65]、A算法和人工势场方法，后者包含遗传算法[66]、蚁群算法[67]、粒子群算法[68]等。在实际应用中，路径规划算法通常会结合机器人的本体及功能进行优化，通常采用遗传算法寻找最优路径，但该算法的复杂度较高；考虑环境因素和目标需求，具有一定的适应性和灵活性，可以选择模糊控制，但需要模糊集合的选择和精细化的调参。

4 展望

综述大型压力容器自动检测机器人定位与路径规划问题的目的在于提高检测机器人的自主检测水平，定位方式和路径规划方法已有诸多成熟技术，但针对特定的压力容器检测方面研究仍有许多问题有待进一步改善，主要结论如下：

（1）由于定位的精度稳定性要求较高，多传感器融合技术是未来研究的主流发展方向。由于实验条件和环境限制，会存在动态性扰动因素，如基于视觉的焊缝识别容易受环境光和被检测壁面清洁度的影响，为了最大程度的减少这些扰动因素的影响，下一步可以考虑视觉结合激光雷达等技术提高定位精度，并在以后工作中需要进一步探索融合算法模型。

（2）对于检测机器人的自主定位问题，可在未来研究中将陀螺仪观测模型、基于扩展卡尔曼滤波EKF融合后的新位姿与相机观测模型三者相结合，实现检测机器人在大型压力容器上的自主定位。

（3）在路径规划方面，虽然粒子群算法已经在检测机器人中得到应用，但粒子群算法在搜索后期由于算法早熟，会导致粒子集中在局部极值区域，而且目前粒子群算法无法彻底解决粒子局部范围内的最优值问题，所以，以后需着重研究收敛机制方面的问题。

参考文献：

[1]陈福海. TOF检测与射线检测在球罐检测应用上的对比分析[J]. 质量技术监督研究，2020（5）：6-9.

[2]肖俊. 压力容器事故及加强安全对策的研究[J]. 化工管理，2018（15）：81-82.

[3]杨宁祥，丛成龙，刘莎，等. 《钢制球形储罐定期检验规范》的研究[J]. 中国质量与标准导报，2018（1）：34-37.

[4]舒俊健，王强，何雅颖，等. 大型球罐容器焊缝识别与检测爬壁机器人设计[J]. 热加工工艺，2020，49（11）：127-135.

[5]徐羊，刘磊. 机器视觉智能机器人无损检测系统探讨[J]. 电脑知识与技术，2022，18（8）：76-77，80.

[6]SZEGEDY C，VANHOUCKE V，IOFFE S，et al. Rethinking the Inception Architecture for Computer Vision：2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）[C]. Las Vegas：2016.

[7]MING A，FURUKAWA S，TESHIMA T，et al. A new golf swing robot to simulate human skill—Learning control based on direct dynamics model using recurrent ANN[J]. Mechatronics，2006，16（7）：443-449.

[8]郭学军，王喜平，刘贺平. 机器人焊缝中心三维定位的解析方法[J]. 数学的实践与认识，2009，39（9）：123-127.

[9]魏崇珍. 船舶钢结构焊接中常见病害成因及控制对策分析[J]. 江苏科技信息，2018，35（4）：37-39.

[10]MORENO L，GARRIDO S，MUNOZ M L. Evolutionary filter for robust mobile robot global localization[J]. Robotics and Autonomous Systems，2006（7）：590-600.

[11]李斌，王聪，刘铜，等. 自适应爬壁磁粉检测机器人：CN216646344U[P]. 2022-05-31.

[12]路晨曦，张文志，陈福民. 双轮式机器人在球面上的运动学分析[J]. 机械传动，2020，44（3）：137- 141.

[13]杨静萍，李海峰，王万雷，等. 爬壁机器人的方案设计与结构优化[J]. 科学技术创新，2018（31）：1-3.

[14]GO T，OSAWA T，NAKAMURA T. Proposed locomotion strategy for a traveling-wave-type omnidirectional wall-climbing robot for spherical surfaces：2015 IEEE International Conference on Robotics and Biomimetics （ROBIO）[C].  ZhuHai：2015.

[15]EICH M，V?GELE T. Design and control of a lightweight magnetic climbing robot for vessel inspection： Mediterranean Conference on Control Automation [C]. Platanias： 2011.

[16]GRIECO J C，PRIETO M，ARMADA M，et al. Asix-legged climbing robot for high payloads： Proceedings of the 1998 lEEE International Conference on ControlApplications[C]. Trieste：1998.

[17]ETO H，ASADA H H. Development of a Wheeled Wall- Climbing Robot with a Shape-Adaptive Magnetic Adhesion Mechanism： 2020 IEEE International Conference on Robotics and Automation （ICRA） [C]. Paris：2020.

[18]LEON-RODRIGUEZ H，HUSSAIN S，SATTAR T. Acompact wall-climbing and surface adaptation robot for non-destructive testing： 2012 12th International Conference on Control， Automation and Systems [C]. Jeju： 2012.

[19]黄哲轩. 石化储罐壁面检测爬壁机器人设计及其特性研究[D]. 天津：河北工业大学，2018.

[20]韩力春，闫晓玲，汪洋. 船舶爬壁机器人吸附技术及其应用研究探讨[J]. 机械工程与自动化，2022（4）：216-219.

[21]姜洪源，李曙生，刘淑良，等. 磁吸附检测爬壁机器人的研究[J]. 哈尔滨工业大学学报，1998（2）：80-84.

[22]潘焕焕，赵言正，刘淑良，等. 多功能履带式磁吸附爬壁机器人的姿态控制研究[J]. 哈尔滨工业大学学报，2000（2）：5-8.

[23]田兰图. 油罐检测爬壁机器人技术及系统研究[D]. 北京：清华大学，2004.

[24]陈国明. 轮足组合越障全位置自主焊接机器人的虚拟样机设计与分析[D]. 上海：上海交通大学，2010.

[25]李瑞峰，李汉舟. 地面可移动服务机器人发展现状[J]. 导航与控制，2017，16（1）：104-112.

[26]ZHANG S. Mobile robot positioning algorithm based on Kalman filtering method innetwork environment[J]. MATEC Web of Conferences，2020，327（1）：1-3.

[27]高恩阳，陈兆华，李彤，等. 移动机器人定位技术研究综述[J].

科技视界，2015（30）：98-101.

[28]HASHIMOTO M，OBA F，TOMIIE T. Mobile robot localization using color signboard[J]. Mechatronics，1999，9（6）：633-656.

[29]俞阿龙，李正，孙红兵，等. 传感器原理及其应用[M]. 南京：南京大学出版社：201706. 331.

[30]CHIANG Y Y. Harvesting geographic features from heterogeneous raster maps[J]. Dissertations & Thses Gradworks，2010（1）：31-36.

[31]史鹏程，李加元，张永军. 激光室内定位的混合式高效点云地图构建方法[J]. 导航定位与授时，2022，9（4）：31-40.

[32]SHEN M Q，WANG Y Y，JIANG Y D，et al. A New Postining Method Based on Multiple Ultrasonic Sensors for Autonomous Mobile Robot[J]. Sensors（Basel），2019，20（1）：17-17.

[33]KIM H，CHOL Y. Location estimation of autonomous driving robot and 3D tunnel mapping in underground mines using pattern matched LiDAR sequential images[J]. International Journal of Mining Science and Technology，2021，31（5）：779-788.

[34]赵梅，沙宇芳，王芳荣. 基于CCD摄像头的航空相机最佳成像位置定位系统[J]. 传感器与微系统，2009，28（10）：94-96.

[35]龙大周. 基于视觉与惯导融合的移动机器人定位算法研究[D]. 重庆：重庆邮电大学，2021.

[36]JIA G，LI X，ZHAN G D，et al. Visual-SLAM Classical Framework and Key Techniques： A Review[J]. Sensors （Basel， Switzerland），2022，22（12）：4582-4582.

[37]DEBEUNNE C，VIVET D. A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping[J]. Sensors，2020，20（7）：2068.

[38]QIAN J，CHEN K，CHEN Q，et al. Robust Visual-Lidar Simultaneous Localization and Mapping System for UAV[J]. IEEE Geoscience and Remote Sensing Letters，2022（19）：1-5.

[39]KLEIN G，MURRAY D. Parallel Tracking and Mapping for Small AR Workspaces：2007 6th IEEE and ACM International Symposiumon Mixed and Augmented Reality[C]. Nara：2007.

[40]ENGEL J，ST?CKLER J，CREMERS D. Large-scale direct SLAM with stereo cameras： 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）[C]. Hamburg：2015.

[41]ENGEL J，STURM J，CREMERS D. Semi-dense Visual Odometry for a Monocular Camera： 2013 IEEE International Conference on Computer Vision[C]. Sydney： 2013.

[42]FORSTER C，PIZZOLI M，SCARAMUZZA D. SVO： Fast

semi-direct monocular visualodometry： 2014 IEEE International Conference on Robotics and Automation （ICRA）[C]. Hong Kong：2014.

[43]MUR-ARTALR，MONTIELJMM，TARDOSJD. ORB-SLAM： A Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics，2015，31（5）：1147-1163.

[44]MURA R，TARDOS J D. ORB-SLAM2：An Open-Source SLAM System for Monocular， Stereo， and RGB-D Cameras[J]. IEEE Transactions on Robotics，2017，33（5）：1255-1262.

[45]黄荣怀. 人工智能正加速教育变革：现实挑战与应对举措[J]. 中国教育学刊，2023（6）：26-33.

[46]MUR-ARTAL，RAUL，MONTIEL， et al. ORB-SLAM： A Versatile and Accurate Monocular SLAM System[J]. IEEE Transactions on Robotics：A publication of the IEEE Robotics and Automation Society，2015，31（5）：1147-1163.

[47]ABDULL A，KHALIL A，SHEHHI A，et al. Localization of a submersible mobile in spection platform in an oil storage tank： 7th International Symposium on Mechatronics and its Applications[C].

Sanya：2010.

[48]ELENA L，SERGIO G，RAFAEL B，et al. A Multi-Sensorial Simultaneous Localization and Mapping （SLAM） System for Low-Cost Micro Aerial Vehicles in GPS-Denied Environments[J]. Sensors，2017，17（4）：802.

[49]李恺. 激光与视觉信息融合的复杂交通环境感知方法研究[D]. 淄博：山东理工大学，2020.

[50]王随阳，蒋林，雷斌，等. 基于多传感器融合的室内机器人定位研究[J]. 组合机床与自动化加工技术，2020（10）：72-75.

[51]王鹏飞. 基于ROS的多传感器信息融合自主导航控制系统设计与实现[D]. 南京：南京邮电大学，2019.

[52]张文，丁雨林，陈咏华，等. 基于外部视觉与机载IMU组合的爬壁机器人自主定位方法[J]. 清华大学学报（自然科学版），2022，62（9）：1524-1531.

[53]张文杰. 基于多传感器室内移动机器人自主定位方法的研究[D]. 哈尔滨：哈尔滨工业大学，2009.

[54]吴显. 基于多传感器信息融合的移动机器人定位方法研究[D]. 北京：北京交通大学，2016.

[55]顿向明，缪松华，沈静，等. 基于麦克风阵列的储罐内爬壁机器人定位技术[J]. 机器人，2012，34（4）：460-465.

[56]张昊宇. 关于压力容器检验探讨[J]. 科技创新与应用，2019（2）：143-144.

[57]LYU D S，CHEN Z W，CAI Z S，et al. Robot path planning by leveraging the graph-encoded Floyd algorithm[J]. Future Generation COMPUTER Systems-The International Journal of Escience，2021（122）：204-208.

[58]史国军. 储油罐壁爬行机器人漏磁探伤与路径规划技术研究[D]. 大庆：东北石油大学，2018.

[59]LUAN P G，Thinh N T . Hybrid genetic algorithm based smooth global-path planning for a mobile robot[J]. Mechanics Based Design of Structures and Machines，2021（15）：1-17.

[60]陈浩，王光林，郝询. 移动机器人的路径规划综述与发展趋势[J]. 物流技术与应用，2020，25（10）：158-160.

[61]彭君. 改进RRT算法在移动机器人路径规划中的应用研究[D]. 南京：南京邮电大学，2022.

[62]张广林，胡小梅，柴剑飞，等. 路径规划算法及其应用综述[J]. 现代机械，2011（5）：85-90.

[63]邵长春，胡国明，李水明. 焊接机器人路径规划的高斯变异蝗虫优化算法[J]. 机械设计与制造，2023（4）：276-280.

[64]赵娜，岳建锋，李亮玉，等. 双机器人主从协调焊接的路径规划算法[J]. 焊接学报，2015，36（3）：67-70.

[65]WANG Z，CROWCROFT J. Analysis of shortest-path routing algorithms in a dynamic network environment[J]. Acm Sigcomm Computer Communication Review，1992，22（2）：63-71.

[66]徐兴，俞旭阳，赵芸，等. 基于改进遗传算法的移动机器人全局路径规划[J]. 计算机集成制造系统，2022，28（6）：1659-1672.

[67]YANG Y，GAO H，WANG D. Research on path planning for mobile robot based on antcolony algorithm in dynamic environment： IEEE Conference on Industrial Electronics & Applications[C]. Singapore：2008.

[68]LI Q，ZHANG C，XU Y M，et al. Path planning of mobile robots based on specialized genetic algorithm and improved particles warm optimization： Proceedings of the 31st Chinese Control Conference [C]. HeFei：2012.