论文部分内容阅读
管道作为水、石油、煤气等气态和液态物质的重要输送途径,广泛应用于石油、化工、建筑、天然气、核工业等多个领域,在给工农业生产和人类生活带来了诸多便利和巨大经济效益,同时,大量的管道检测和维护工作也造就了管道机器人的巨大需求。管道机器人综合了多种传感器、智能移动载体、作业装置和无损检测等技术,进入人所不能及的复杂多变的非结构性管道环境,例如地下、海底、空中或者建筑物中,完成检测、清理和维护等任务。随着机器学习、模式识别和统计理论的发展,机器人的智能行为研究被提到了更高的地位,具有学习能力的机器人已经成为机器人发展的新趋势。本文从提高机器人的智能性出发,研究了智能管道机器人的两个核心问题:基于视觉的管道图像自动理解。针对管道检测的实时性和常被忽略的类别不平衡问题,从多分类器集成、特征选择等多个角度出发,提高管道检测的实时性和缺陷的识别率;移动机器人在非结构化管道环境下的智能控制和自主导航。针对小型移动机器人的定位、运动控制算法和导航策略等多个问题,引入模糊控制、模仿学习和多模块优化方法,提高了复杂环境下的智能机器人运动能力和自主导航能力。本文的主要研究内容、难点与创新点概括如下:1、考虑了基于视觉的自动管道检测的实时性和识别率问题。以视觉方式获取的大量信息给实时处理带来了很大的难度。本文把级联多个boosting分类器的思想引入到管道检测中,提高了管道检测的实时性和识别率。在级联式多分类问题中,首先利用特征的巴氏距离作为类的可分性测度指标,优先分类最易区分的类别,通过前期的简单分类器快速分类,抛弃大多数非目标图像,从易到难地逐步对管道缺陷进行分类,并基于高斯最大似然函数分析了级联式分类器的复杂性。采用了自动的分层图像分割方法,逐步提取所需的几何特征。整个分割过程是从粗到细的图像处理过程,逐步消除强噪音中的错误警报(false alarms)。2、针对不平衡数据分布问题,本文提出了面向不平衡样本集的特征选择和多分类集成检测方法。在基于禁忌搜索的特征选择中,有针对性地设计了代价敏感函数和不对称误分类代价。采用了加权叠加、最近一致原则和最邻近原则等三种原则集成多分类器结果。并采用数据层的重采样和降采样方法缓解样本分布不平衡的影响,提高不平衡数据分布中管道异常检测的识别率。针对特征分布的多样性问题,提出采用基于半监督的K-means聚类方法对特征进行预处理,缓解了标准不统一问题;然后通过集成C4.5决策树改善聚类中类优势问题和强迫分配问题。将此方法应用到基于视觉的自动管道异常检测等多噪音多局部最优的分类困难问题,取得了很好的识别效果。3、履带式机器人是一个具有内在非线性的非完整约束动力学系统,它的弯道运动是通过滑动来完成的,即滑动驾驶(skid-steering)。本文提出了一种基于分层模糊控制的路径跟踪控制算法,把全局控制器分解成三层低维子控制器:模糊速度控制器、模糊驾驶和模糊监管控制器。由低维模糊控制器组成的分层模糊控制系统大幅度地减少了模糊控制规则数,避免了多变量模糊控制系统的“维数灾”,使得控制器的设计简单,计算量少,并能够适应复杂的地形和环境。这种架构应用到小型履带机器人有明显的优势,易于实现,并且输入量和输出量具有明确的物理意义,可以较容易地从专家系统获得模糊控制规则。4、讨论了管道机器人基于学习的多模块参数优化问题。在管道机器人的路径规划问题中,通过学习专家示例,使用模仿学习中的最大化边际规划(Maximum MarginPlanning-MMP)方法实现从多模块感知信息到代价的映射,建立多模块间的联合代价函数(或者回报函数),在新的环境中通过代价再现专家行为,为具有多模块耦合作用获得最优参数,从而提高了模块化机器人自主导航的鲁棒性,减少了人为的干预,并且通过对动态的信息学习,实现移动管道机器人局部的自主避障行为。