全天候移动车间巡检机器人目标定位算法

孟延辉，史晓龙，王占宁，李江龙，耿冬梅

(1.国网河北省电力有限公司超高压分公司，河北 石家庄 050070；2.河北华能源电力设备有限公司，河北 任丘 062550)

0 引言

变电站的巡检工作主要借助人工完成，随着变电站规模和数量的持续增加，人工无法承受长时间高强度的工作量，导致故障无法及时被检测出，并且故障数据也不能上传至信息管理系统[1-2]。无人值守变电站的推广，促使变电站内部设备维修以及定期检查成为当前从业者关注的主要问题。

随着机器人技术的飞速发展，采用移动机器人巡检成为可能，变电站巡检机器人可以在一定程度上完成变电站的智能巡检，不仅有效提升巡检效率，同时降低了巡检人员的安全作业风险。现阶段，国内相关专家针对巡检机器人目标定位方面的内容展开了大量研究，如牛勃等[3]主要采用智能检测系统采集局部放电信号，同时和采集终端的巡检机器人通信，将数据上传至云端，最终实现局部放电信号的跟踪和定位。毕松等[4]通过Mask R-CNN模型识别并分割道路和树干，同时组建位姿-道路成像几何模型，最终实现目标定位。马洪涛[5]通过核心图像识别以及处理算法完成目标定位。

在上述几种算法的基础上，本文提出一种全天候移动车间巡检机器人目标定位算法。

1 巡检机器人目标定位算法

1.1 移动车间环境重建

完成视觉导航的主要目的是完成三维重建，环境的三维建模属于流程性过程。通过相机的标定计算相机参数取值，并且还是联系二维矩阵图像和三维世界坐标之间的重要枢纽。

通过Open CV的标定法，优先需要采用相机拍摄棋盘图像，根据不同位置拍摄的棋盘图像，检测图像中黑白相间的角点信息。在变换过程中，主要借助相机位置信息获取棋盘对应的图像信息。当使用相机完成标定之后，相机内参矩阵l为

(1)

(gx,gy)为相机内参数对应的坐标位置；(dx,dy)为相机外参数对应的坐标位置。

在求解图像的像素坐标到世界坐标变换过程中，会产生一定误差。主要通过光束法平差提取三维点坐标、相机的运动和光学参数[6-7]，最终达到有效修正投影变换误差的目的。

在完成以上操作之后，想要实现稠密重建，需要借助三维视角立体视觉算法。在提取到图像的特征点之后，不同特征点会围绕这些点，通过这些特征点构建稀疏点云，进而形成一个面片，最终达到稠密重建的目的[8-9]。

在得到特征点的面片之后，需要完成相邻面片的拓展，采用不同颜色的色块代表对应特征点形成的矩形面片，将各原始图像的图片分割为多个不同阵列，每个格子代表不同的图像区域，同时各格子中包含若干个特征点，采用这些特征点组成的面片可以构建一个完整的面片序列，实现稠密重建。

移动车间环境重建流程如图1所示。

图1 移动车间环境重建流程

采用相机拍摄的移动车间环境序列图像作为输入，主要包含高低纹理区域图像；在搜索匹配过程中完成图像特征点匹配，同时借助超像素匹配的方式完成匹配[10-11]；最终利用稀疏重建和稠密重建实现移动车间环境重建。

1.2 巡检机器人位姿估计

小孔成像模型属于线性摄像机模型，也是目标使用比较广泛的一项技术。首先，需要将CCD相机成像系统设定为理想摄像机模型，并且相机内部加入镜头畸变优化模型，确保得到的图像质量是优质的。将摄像机光心作为原点组建坐标系，则相似的三角形可以表示为

(2)

(a1,b1,c1)和(a2,b2,c2)分别为景物点1和景物点2在成像平面上的成像点坐标；f为摄像机焦距。

在成像过程中，需要将景物点1对应的坐标(a1,b1,c1)转换为图像点(x,y)，主要借助摄像机内部参数描述移动车间景物点和成像点二者之间的关系。图像在x轴和y轴方向对应的放大系数为

(4)

(βx,αy)为光轴中心和成像平面角点之间的图像坐标。

在巡检机器人工作过程中，无法利用线性理想模型准确描述模型成像几何关系，同时还会导致图像发生畸变。其中，摄像机畸变公式为

(5)

θx(x,y)和θy(x,y)为镜像畸变。

立体视觉也是计算机视觉中一个十分重要的研究方向，主要通过模仿人眼对移动车间内环境实行感知，分别在不同位置和方向拍照，通过视差达到距离信息恢复的目的。其中，立体视觉恢复需要经过以下步骤实现[12-13]：

a.图像匹配点的确定。

b.摄像机标定。

c.确定摄像机运动参数。

为了确定图像匹配点，增加匹配速度，需要引入线性约束，同时通过约束方程，求解图像对应的直线，进而获取匹配点。

主要通过能量函数描述图像的灰度变化情况，针对图像上的像素点，当已知坐标系，即可获取对应的能量函数，即

(6)

D(x,y)为能量函数；s(x,y)为图像对应的窗口函数；J(x,y)为图像灰度值。

将式(6)中的图像点(x,y)展开，即可将图像灰度的自相关函数近似表示为

D(x,y)=X(a1)+Y(b1)+Z(c1)

(7)

在上述分析的基础上，相机内外参数将匹配点的图像坐标和世界坐标相关联，并且以此为依据估计巡检机器人的位姿。

1.3 全天候移动车间巡检机器人目标定位

粒子滤波算法也可以被称为蒙特卡洛算法[14-15]，属于统计算法，可以被广泛应用于不同的研究领域。粒子滤波算法流程如图2所示。

图2 粒子滤波算法流程

a.初始化处理。在已知的先验概率分布中对多个不同粒子采样，进而获取初始样本集合，同时设定对应的权重取值。

b.在设定时间段内，通过函数得到序列子集，同时实时更新粒子集。粒子的权重值ω更新为

(8)

q为粒子总数。

c.重采样过程。采用高权值粒子替换低权值粒子，假设粒子总数处于恒定状态，则获取全新的粒子集；同时采用步骤b更新粒子集。

实行采样的主要目的是获取提议函数，在算法结束前期，需要重新采样提议函数，这样就可以获取后续的粒子集。当完成采样后，需要对粒子展开二次采样，同时采用全新的粒子替换旧的粒子。

通过粒子滤波算法完成全天候移动车间巡检机器人目标定位，详细的操作步骤如下：

a.对全天候移动车间巡检机器人工作条件初始化处理，主要包含机器人运动路径以及坐标初始化处理。在设定时间内，巡检机器人的移动距离d为

(9)

e为2个车轮之间的距离；r为车轮半径；n为巡检机器人的移动增量。

巡检机器人的移动增量为

(10)

巡检机器人在下一时间段的位置姿态为

(11)

α为车轮间距。

b.估计移动车间内障碍物坐标位置(am,bm)为

(12)

δt为传感器的中心坐标。

将障碍物红外传感器放置于巡检机器人的前端，根据传感器的中心坐标，获取巡检机器人和几何中心之间的距离U为

(13)

c.将巡检机器人在设定时间段内的位置作为一个粒子集合，同时更新粒子集，采用融合增强粒子群算法对巡检机器人所在位置实行优化处理，确定粒子集的权重取值。

d.通过以上3个步骤的分析，采用粒子滤波算法对巡检机器人的实际位置和预测值展开预测，最终完成全天候移动车间巡检机器人目标定位。

2 仿真实验

为了评估本文算法的性能，在如图3所示的环境下展开实验研究。

图3 实验环境

2.1 巡检机器人目标定位结果的对比分析

在图3设定的实验环境下，采用巡检机器人对目标定位，详细的实验测试结果如图4和图5所示。

图4 测试环境1下不同算法的巡检机器人目标定位结果

由图4和图5可知，本文算法可以准确定位目标所在位置，而另外2种算法只可以定位部分目标信息，获取的目标定位结果并不准确。由此可见，本文算法可以获取高精度的目标定位结果。

图5 测试环境2下不同算法的巡检机器人目标定位结果

3种算法的巡检机器人联合定位误差如表1所示。

表1 不同算法的巡检机器人联合定位误差

由表1可知，本文算法的联合定位误差一直被控制在0.15 m以内，而另外2种算法的联合误差明显高于本文方法，说明本文方法可以获取比较准确的目标定位结果。

2.2 巡检机器人目标定位时间的对比分析

优先对本文算法的定位时间展开分析研究，其中定位时间越短，说明运行效率就越快，详细的实验测试结果如图6所示。

图6 不同算法的巡检机器人目标定位时间结果

由图6可知，各算法的巡检机器人目标定位时间会随着测试样本数量的增加而增加。但是与另外2种算法相比，本文方法的目标定位时间明显更短，说明本文方法可以以更快的速度完成目标定位。

3 结束语

针对传统算法存在的一系列问题，提出一种全天候移动车间巡检机器人目标定位算法。经实验测试结果证明，所提算法不仅可以有效降低巡检机器人目标定位时间，还可以获取高精度的定位结果。