[发明专利]一种野外管道检测机器人的控制系统

说明书

本发明涉及管道检测机器人技术领域，且公开了一种野外管道检测机器人的控制系统，包括基于pytorch深度学习模糊神经网络避障算法，通过该算法可以计算碰撞的危险度。在机器人的避障过程中，仅讨论机器人与障碍物之间的距离和相对速度的方向与碰撞危险度的关系，也就是空间碰撞危险度。以机器人相对于障碍物的最短距离和相对速度方位为参数。本发明通过采用基于pytorch深度学习模糊神经网络避障算法计算碰撞危险度，通过系列运算和数据传输决策机器的移动，工作平台人机交互通过无线WiFi模块完成，在电控方面获取机器人周围障碍物情况，使得机器人的灵敏度较强，能够准确的判断具体问题情况，方便了对机器人的控制。

技术领域

本发明涉及管道检测机器人技术领域，具体为一种野外管道检测机器人的控制系统。

背景技术

管道检测机器人，随着社会的发展来带了基础设施建设的发展，越来越多高楼大厦拔地而起，而随之铺设的各种管网也成为了检修维护的难点，现有技术中有很多能够在管道内行动的管道检测机械，能够帮助发现管道内是否有安全隐患，其中最常见的就是轮式管道检测机器人，其性能优越且成本低。

运输管道整体里程数较大，且管道常铺设至荒无人烟处，环境较差，一旦发生问题，进一步增大了排查难度，而且现有机器人相对灵敏度较差，难以做到准确的判断具体问题情况，对机器人的控制难度大。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种野外管道检测机器人的控制系统，具备采用基于pytorch深度学习模糊神经网络避障算法计算碰撞危险度，通过系列运算和数据传输决策机器的移动，工作平台人机交互通过无线WiFi模块完成，在电控方面获取机器人周围障碍物情况，使得机器人的灵敏度较强，能够准确的判断具体问题情况，方便了对机器人的控制等优点，解决了现有的运输管道整体里程数较大，且管道常铺设至荒无人烟处，环境较差，一旦发生问题，进一步增大了排查难度，而且现有机器人相对灵敏度较差，难以做到准确的判断具体问题的情况，对机器人的控制难度大的问题。

(二)技术方案

为实现上述采用基于pytorch深度学习模糊神经网络避障算法计算碰撞危险度，通过系列运算和数据传输决策机器的移动，工作平台人机交互通过无线WiFi模块完成，在电控方面获取机器人周围障碍物情况，使得机器人的灵敏度较强，能够准确的判断具体问题情况，方便了对机器人的控制的目的，本发明提供如下技术方案：一种野外管道检测机器人的控制系统，包括基于pytorch深度学习模糊神经网络避障算法，通过该算法可以计算碰撞的危险度；在机器人的避障过程中，仅讨论机器人与障碍物之间的距离和相对速度的方向与碰撞危险度的关系，也就是空间碰撞危险度；以机器人相对于障碍物的最短距离和相对速度方位为参数，确定机器人与障碍物发生碰撞可能性大小的度量；图1表示了碰撞危险度的概念，第i个障碍物到机器人的距离为di，障碍物与机器人之间的相对速度为VR，Bi；将机器人上能感知的障碍物的两个端点定为A，B，相应的距离为a，b，障碍物与机器人相对速度与中心连线(CCi)的夹角为θ；SCR(t)的值越大，碰撞的可能性就越大，反之，SCR(t)的值越小，碰撞的可能性就越小。

优选的，所述设计改进的模糊神经网络与传统的模糊神经网络一样有5层(如图所示):输入层、模糊化层、模糊推理层、补偿运算层、反模糊化层；第一层为输入层，有四个输入变量xi：分别是右前方障碍物碰撞危险度R_SCR、正前方障碍物碰撞危险度C_SCR、左前方障碍物碰撞危险度L_SCR、目标定位导航角t_r；定义碰撞危险度SCR，第i个障碍物到仿生蜥蜴的距离为di；障碍物与仿生蜥蜴的相对速度为V_R，B_i；将仿生蜥蜴上能感知的障碍物的两个端点定为A，B，相应的距离为a，b；障碍物与仿生蜥蜴相对速度与中心连线(CCi)的夹角为θ；并且把运动障碍物的速度也考虑到碰撞危险度中。