基于改进RTAB-Map算法的爬壁机器人导航研究

doi:10.3785/j.issn.1006-754X.2025.04.131

基于改进RTAB-Map算法的爬壁机器人导航研究

覃超^,¹, 唐东林^,^,¹, 游东潘¹, 丁超², 饶胜¹, 何媛媛³

1.西南石油大学机电工程学院，四川成都 610500

2.成都工业学院智能制造学院，四川成都 611730

3.四川省特种设备检验研究院，四川成都 610061

Research on navigation of wall-climbing robot based on improved RTAB-Map algorithm

QIN Chao^,¹, TANG Donglin^,^,¹, YOU Dongpan¹, DING Chao², RAO Sheng¹, HE Yuanyuan³

1.School of Mechanical and Electrical Engineering, Southwest Petroleum University, Chengdu 610500, China

2.School of Intelligent Manufacturing, Chengdu Technology University, Chengdu 611730, China

3.Sichuan Special Equipment Inspection Institute, Chengdu 610061, China

通讯作者: 唐东林（1970—），男，教授，博士，从事无损检测、机器人技术和光机电一体化技术等研究，E-mail: tdl840451816@163.com, https://orcid.org/0000-0002-3922-1711

收稿日期: 2024-04-15 修回日期: 2024-05-20

基金资助:

国家市场监督管理总局科技计划项目.  2022MK115
四川省重点研发计划项目.  2002ZYZFGY04
南充市-西南石油大学市校科技战略合作项目.  23XNSYSX0048

First author contact: QIN C, TANG D L, YOU D P, et al. Research on navigation of wall-climbing robot based on improved RTAB-Map algorithm[J]. Chinese Journal of Engineering Design, 2025, 32(1): 32-41.

Received: 2024-04-15 Revised: 2024-05-20

作者简介 About authors

覃　超（1999—），男，硕士生，从事爬壁机器人技术及应用等研究，E-mail:1804478662@qq.com , E-mail：1804478662@qq.com

摘要

针对爬壁机器人难以对大型石化装备壁面感知和自动化检测等难题，提出了一种改进RTAB-Map（real-time appearance-based mapping，基于外观的实时建图）算法，通过多传感器数据融合实现爬壁机器人定位、建图与导航。首先，搭建了具有壁面吸附能力的机器人运动底盘，以保证爬壁机器人在壁面灵活稳定运动；其次，针对爬壁机器人在壁面滑移导致的里程计累计误差问题，采用扩展卡尔曼滤波并融合编码器和惯性测量单元的数据，为建图和导航提供精确的里程计信息；再次，基于RTAB-Map算法对深度相机、激光雷达及里程计的数据进行融合，生成二维栅格和三维点云地图，实现对装备壁面的完整描述，并基于融合数据构建了爬壁机器人导航算法的框架；最后，在装备壁面进行了实验验证。结果表明：采用融合里程计算法，能显著减小航向角误差，航向角平均误差为0.78°，相对轮式里程计规划，航向角误差减少了88.94%；改进RTAB-Map算法提高了爬壁机器人在壁面环境下的建图与感知能力，结合路径规划算法，实现了机器人自主导航。研究结果对爬壁机器人自动化检测技术的研究及应用具有一定的参考意义。

关键词： 爬壁机器人 ; RTAB-Map（基于外观的实时建图）算法 ; 扩展卡尔曼滤波 ; 多传感器融合 ; 导航

Abstract

Aiming at the difficulty of wall-climbing robot in wall sensing and automated detection of large petrochemical equipment, an improved RTAB-Map (real-time appearance-based mapping) algorithm was proposed to realize the wall-climbing robot's localization, mapping and navigation by fusing multiple sensor data. Firstly, a robot motion chassis with wall adsorption ability was built to ensure the flexible and stable movement of the wall-climbing robot on the wall surface. Secondly, to address the cumulative error of the odometer resulting from the wall-climbing robot's slippage on the wall surface, the extended Kalman filter was utilized to fuse the data of encoder and inertial measurement unit to provide accurate odometer information for mapping and navigation. Thirdly, based on the RTAB-Map algorithm, the data of depth camera, LiDAR and odometer were fused to generate 2D grid and 3D point cloud map to realize a complete description of the equipment wall, and the navigation algorithm framework of the wall-climbing robot was constructed based on the fusion data. Finally, the experimental validation was carried out on the equipment wall. The results showed that the yaw angle error could be significantly reduced by using fusion mileage method, the average error of yaw angle was reduced by 88.94% compared with that under wheel odometer planning with an average error of 0.78°. The improved RTAB-Map algorithm improved the wall-climbing robot's mapping and sensing ability in the wall environment, and realized the autonomous navigation combined with the path planning algorithm. The research results have a certain reference significance for the research and application of automated detection technology of wall-climbing robots.

Keywords： wall-climbing robot ; RTAB-Map (real-time appearance-based mapping) algorithm ; extended Kalman filtering ; multi sensor fusion ; navigation

PDF (4531KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

覃超, 唐东林, 游东潘, 丁超, 饶胜, 何媛媛. 基于改进RTAB-Map算法的爬壁机器人导航研究[J]. 工程设计学报, 2025, 32(1): 32-41 doi:10.3785/j.issn.1006-754X.2025.04.131

QIN Chao, TANG Donglin, YOU Dongpan, DING Chao, RAO Sheng, HE Yuanyuan. Research on navigation of wall-climbing robot based on improved RTAB-Map algorithm[J]. Chinese Journal of Engineering Design, 2025, 32(1): 32-41 doi:10.3785/j.issn.1006-754X.2025.04.131

本文链接：https://www.zjujournals.com/gcsjxb/CN/10.3785/j.issn.1006-754X.2025.04.131

大型石化装置如千万吨级炼油塔、原油战略储备库等，是国家能源产业的重大核心装备，必须进行定期的检测和维护，确保安全稳定运行^[1-2]。目前，对该类特种装备的检测，主要由人工采用无损检测设备进行^[3]，既费时又危险。爬壁机器人能够在垂直壁面环境中进行多种高强度、高风险的工作^[4]，由爬壁机器人代替人工进行特种装备的检测已成为目前重要的研究方向^[5]。由于大型石化装备表面设有管道、盘梯、加强圈等附属设施，机器人在壁面检测时，检测路径需避开这些设施，这通常由操作人员在地面进行远程控制而实现^[6]。但人工遥控技术的自动化程度较低，同时壁面滑移会影响定位的准确性^[7]。爬壁机器人通过自身搭载的多种传感器实现定位、感知及路径规划，成为爬壁机器人领域的研究核心和热点^[8]。

近年来，针对爬壁机器人多传感器融合定位及导航，国内外学者进行了深入研究。如：张文等^[9]提出了采用机载鱼眼相机观测地面ArUco码的定位方案，并通过误差状态扩展卡尔曼滤波框架对惯性测量单元（inertial measurement unita, IMU）、编码器、鱼眼相机进行多传感器融合，来实时估计爬壁机器人的位姿；张文等^[10]提出了一种基于外部RGB-D深度相机和IMU的爬壁机器人定位方法，采用目标跟踪算法进行初步定位，并设计串联的扩展卡尔曼滤波器，来实现机器人定位中的姿态估计；针对爬壁机器人在立面作业时难以判断障碍物高度的问题，张小俊等^[11]将红外传感器、激光雷达测得的数据及超声测距数据输入支持向量机的多传感器数据融合模型，求出障碍物的准确位置，规划机器人行进速度；丁杰月等^[12]设计了一套罐体检测爬壁机器人控制系统，该系统在焊缝识别的基础上，采用自适应权重算法并融合位姿仪、里程计实现了机器人空间定位，弥补了传统机器人空间定位方式的不足；汪潼等^[13]针对立式储罐的测量需求，设计了基于激光跟踪仪的爬壁机器人路径规划方法，根据测点分布规划机器人的测量路径，从而实现了高效、高精度的容量计量。

以上对爬壁机器人的设计与研究中，机器人依赖装置壁面的外部特征进行辅助定位，而复杂多变的壁面外部特征会影响机器人的定位精度和感知能力。为了提高爬壁机器人在壁面的定位与感知能力，实现自动化检测，本文提出了一种基于多传感器融合的改进RTAB-Map（real-time appearance-based mapping，基于外观的实时建图）算法。采用扩展卡尔曼滤波（extended Kalman filter，EKF），并融合惯性传感器的数据，来获得精准的里程计信息；通过RTAB-Map算法并融合深度相机、激光雷达及里程计的数据，构建三维壁面环境地图，提高爬壁机器人的感知能力；基于融合数据优化导航算法，实现爬壁机器人在壁面的自主导航。

1 爬壁机器人组成

为了实现在垂直壁面稳定爬行，爬壁机器人需要吸附能力强、转向灵活、能适应复杂壁面的底盘结构。差速运动模型结构紧凑，运行平稳及通过性好，因此在移动机器人领域得到广泛使用^[14]。为了使机器人能够更好地适应复杂的壁面环境，本文基于四轮差速运动模型，设计了一款主体为永磁间隙吸附装置的爬壁机器人，实物如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 爬壁机器人实物图

Fig.1 Physical diagram of wall-climbing robot

机器人的底盘结构如图2所示。机器人通过吸附装置上的2块高磁能积的钕铁硼磁铁吸附壁面，并通过螺栓固定在升降导磁板上。调节丝杆用来控制吸附装置的升降，保证机器人在垂直壁面稳定爬行。底盘的每个驱动轮由单独的直流减速电机驱动，通过四轮差速实现机器人在垂直壁面灵活转向。机器人底盘结构的主要技术参数如表1所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 爬壁机器人底盘结构

Fig.2 Chassis structure of wall-climbing robot

表1 爬壁机器人底盘结构主要技术参数

Table 1 Main technical parameters of chassis structure of wall-climbing robot

参数	数值
整体质量/kg	6.5
主体尺寸（长×宽×高）/mm×mm×mm	288×260×163
永磁体数量/个	2
最大驱动力/N	500
最大磁吸力/N	150

新窗口打开| 下载CSV

爬壁机器人搭载了树莓派开发板，作为主控单元；采用基于STM32的电机控制板驱动减速电机；搭载了深度相机和单线激光雷达，作为感知模块，并结合惯性传感器来实时获取机器人的位姿信息；通过串口通信实现惯性传感器与主控单元的数据传输，确保机器人在壁面环境实现精准控制、建图以及导航等功能。

2 融合里程计算法

2.1　轮式里程计工作原理

里程计用于监测和估计机器人在运动中的位姿信息，包括移动距离和偏航角度，是实现机器人建图与导航的基础信息^[15-16]。爬壁机器人通过搭载在驱动轮上的霍尔编码器获取车轮转速，结合底盘运动学模型解算出角速度ω和线速度v并对其积分，获得机器人相对于起始点的位置信息。用向量 P = $[X Y θ]$ 表示底盘的坐标和航向角，则机器人位姿可表示为：

\overset{•}{P} = [\begin{matrix} \overset{•}{X} \\ \overset{_{•}}{Y} \\ \overset{•}{θ} \end{matrix}] = [\begin{matrix} c o s θ & - s i n θ & 0 \\ s i n θ & c o s θ & 0 \\ 0 & 0 & 1 \end{matrix}] [\begin{matrix} ν_{x} \\ ν_{y} \\ ω_{z} \end{matrix}]

(1)

将 $\dot{P}$ 对时间t积分，得到里程计的实时信息。可以通过式(2)所示的累加运算来获得k时刻里程计的信息。

P_{k} = P_{k - 1} + {\overset{•}{P}}_{k - 1} Δ t

(2)

2.2　EKF算法与里程计的融合

爬壁机器人在壁面爬行时，存在着灵活运动与稳定吸附之间的矛盾，其在转向时会出现滑移等状况^[17-18]，使得里程计发生位置漂移，无法准确检测滑动距离^[19]。为了减小里程计的检测误差，采用滤波算法将编码器与IMU的数据进行融合。经典的卡尔曼滤波只适用于线性系统，而爬壁机器人的运动方程和观测方程往往是非线性的^[20]，因此需要将非线性系统转换成近似的线性系统，这一过程通常通过EKF来实现^[21]。对此，本文提出了一种融合里程计算法，即采用EKF算法对编码器和IMU的数据进行融合。

EKF算法分为预测和更新两个步骤，分别基于系统的状态模型和观测模型来实现^[22]。以轮式里程计模型为系统状态方程，通过编码器和IMU获取机器人的状态向量 X_k，将传感器输出的机器人位姿数据作为系统输入，在EKF算法的基础上进行观测更新，实现里程计与IMU数据的融合。

机器人的姿态通常用欧拉角表示，即俯仰角、横滚角和航向角。由于爬壁机器人主要在垂直壁面工作，俯仰角和横滚角对其运动姿态不产生影响，只需通过IMU获取机器人转向时的角速度ω，通过积分得到偏航角，并与轮式里程计的数据进行融合，来减小爬壁机器人在转向过程中滑移导致的累计误差。在k时刻，由IMU获得的机器人状态向量为：

X_{k 1} = [v_{x k} v_{y k} ω_{z k}]

(3)

机器人运动用非线性系统模型描述，在k时刻机器人运动方程 X_k 和传感器观测方程 Z_k 如式(4)所示。

\{\begin{array}{l} X_{k} = f (X_{k - 1}) + W_{k} \\ Z_{k} = h (X_{k}) + V_{k} \end{array}

(4)

式中： W_k 为k-1到k时刻的运动噪声， V_k 为传感器观测噪声。

机器人在k时刻的状态向量 X_k 可表示为：

X_{k} = {[X_{k} Y_{k} θ_{k} ν_{x k} ν_{y k} ω_{z k}]}^{T}

(5)

根据式(1)和式(3)，得到机器人运动方程为：

X_{k} = X_{k - 1} + [\begin{matrix} Δ t c o s θ & - Δ t s i n θ & 0 \\ Δ t s i n θ & Δ t c o s θ & 0 \\ 0 & 0 & Δ t \end{matrix}] [\begin{matrix} ν_{x k} \\ ν_{y k} \\ ω_{z k} \end{matrix}] + W_{k}

(6)

利用一阶泰勒展开式将运动方程和观测方程展开为线性方程，为：

\{\begin{array}{l} X_{k} = f ({\hat{X}}_{k - 1}) + A (X_{k - 1} - {\hat{X}}_{k - 1}) + W_{k} \\ Z_{k} = h ({\hat{X}}_{k}^{-}) + H (X_{k} - {\hat{X}}_{k}^{-}) + V_{k} \end{array}

(7)

式中： $A = \partial f (x) / \partial x$ ，为状态函数 $f (x)$ 在 $X_{k - 1}$ 的雅可比矩阵； $H = \partial h (x) / \partial x$ ，为观测函数 $h (x)$ 在 $X_{k}$ 的雅可比矩阵。

预测：根据机器人在k-1时刻的后验估计位姿，对其在k时刻的状态模型和协方差矩阵进行预测。

预测状态估计：

{\hat{X}}_{k} = f ({\hat{X}}_{k - 1})

(8)

预测协方差矩阵：

P_{k}^{-} = A P_{k - 1}^{-} A^{T} + Q_{k}

(9)

式中： P_k^-为先验估计误差协方差， Q_k 为过程噪声的协方差矩阵。

更新：更新状态估计和协方差矩阵。

卡尔曼增益 $K_{k}$ 为：

K_{k} = P_{k}^{-} H^{T} (H P_{k}^{-} H_{k}^{T} + R_{k})^{- 1}

(10)

式中： R_k 为观测噪声的协方差矩阵。

更新状态估计：

{\hat{X}}_{k} = {\hat{X}}_{k}^{-} + K_{k} (Z_{k} - H ({\hat{X}}_{k}^{-}))

(11)

更新协方差矩阵：

P_{k} = (I - K_{k} H) P_{k}^{-}

(12)

式中： I 为单位矩阵。

由上可知，通过不断地预测和更新，EKF算法可以修正状态向量的先验估计，减小误差，为爬壁机器人的建图和导航提供精确的里程计信息。

3 基于多传感器融合的建图和导航

3.1　RTAB-Map算法原理及其改进

RTAB-Map是一种基于图优化的SLAM（simultaneous localization and mapping，同步定位与地图构建）算法，作为RGB-D SLAM中使用最广泛的算法之一，能够利用深度信息构建用于机器人避障、导航的三维点云地图^[23]。本文针对垂直壁面环境，将传统RTAB-Map算法框架中的轮式里程计数据与IMU数据相结合而作为融合里程计的输入，同时添加激光雷达，来提高爬壁机器人的位姿估计精度及感知范围。改进RTAB-Map算法的框架如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 改进RTAB-Map算法框架

Fig.3 Improved RTAB-Map algorithm framework

改进RTAB-Map算法的输入主要包括三部分：深度相机数据、激光雷达数据和融合里程计数据。深度相机数据采用RGB-D格式；激光雷达数据采用Laserscan格式；融合里程计数据通过单独的里程计节点输入，各个传感器坐标与机器人底盘坐标通过坐标转换（TransForm Frame，TF）软件包转换而输入系统。由于各个数据通过不同话题异步输入系统，需先由同步模块进行时间戳对齐处理。数据同步过程如图4所示。利用rgbd_sync节点对RGB-D相机的图像和深度信息进行精确同步，使其具有相同的时间戳，对齐之后再与激光雷达数据和融合里程计信息进行近似同步，以确保不同传感器数据的一致性。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 传感器数据同步过程

Fig.4 Sensor data synchronization process

同步后传感器数据被存储到短时记忆（short- term memory, STM）模块中。该模块主要为每帧数据创建节点并储存，同时利用激光扫描数据和深度点云等，通过TF软件包将传感器数据转换到机器人坐标系下，生成对应的二维栅格和三维点云局部地图。

里程计提供位姿估计信息以构建局部地图。基于各个节点的里程计位姿信息，将局部地图进行拼接而得到全局地图。若出现累计误差，会导致地图出现漂移及重叠等情况，因此里程计的精度对全局地图的构建尤为重要。改进RTAB-Map算法采用EKF，将轮式里程计的数据与IMU数据相融合，可减小里程计的累计误差，提高位姿估计的精度及全局地图的准确性。

此外，还需要对全局地图作进一步的闭环检测和全局优化。在RTAB-Map算法中，闭环检测通过视觉词袋模型^[24]和贝叶斯滤波器实现。视觉词袋模型通过计算当前位姿节点与工作内存（working memory，WM）节点之间的相似度s来更新定位点的权重，判断该节点参与闭环检测还是移入长期记忆（long-term memory，LTM）模块。

s (z_{t}, z_{c}) = \{\begin{array}{l} \frac{N_{p}}{N_{z_{t}}}, & N_{z_{t}} \geq N_{z_{c}} \\ \frac{N_{p}}{N_{z_{c}}}, & N_{z_{t}} < N_{z_{c}} \end{array}

(13)

式中： $N_{z_{t}}$ 、 $N_{z_{c}}$ 分别为STM模块中当前时刻和最后时刻的总单词数，N_p为词对匹配数。

贝叶斯滤波用于更新候选节点相似度的概率分布情况，通过更新概率分布来选择最为可能的产生闭环检测的节点。设L_t 为当前位姿节点，将WM中所有待检测的候选节点看作一个整体，用变量S_t 表示，S_t =i的概率表示L_t 与L_i 产生闭环的可能性。根据贝叶斯估计，概率P的更新公式为：

P (S_{t} | L^{t}) = η P (L_{t} | S_{t}) \sum_{i = 1}^{t_{n}} P (S_{t} | S_{t - 1} = i) P (S_{t - 1} = i | L)

(14)

式中： $η$ 为归一化常数； $L^{t}$ 为观测序列，表示在t时刻WM中的所有位姿节点。

当检测到闭环时，所有节点和节点约束会被送入图优化模块进行全局优化，对当前机器人里程计的全局位姿漂移进行修正。修正后节点中储存的各个局部地图就可以用于集成全局地图，生成可用于实现导航的栅格全局地图。

3.2　多传感器融合导航算法框架的构建

针对复杂的壁面环境特征，本文提出基于多传感器融合的爬壁机器人自主导航策略。将通过改进RTAB-Map算法构建的地图和里程计数据融入导航算法的框架，如图5所示。通过地图和里程计数据生成代价地图，对障碍物信息进行统一度量，利用融合里程计信息进行局部定位。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 导航算法框架

Fig.5 Navigation algorithm framework

爬壁机器人获得目标点位置后，采用启发式A*搜索算法生成全局最优路径。A*算法是基于启发函数构建代价函数，对当前节点距离起始点和目标点的代价值进行计算，并将代价值最小的节点作为最优解点，以减小搜索空间^[25]。启发代价函数f(n)为：

f (n) = g (n) + h (n)

(15)

式中：代价函数g(n)表示起始点到n点的实际代价。

g (n) = n (x) + n (y)

(16)

式中：n(x)和n(y)分别为起始点到n点的横向距离和纵向距离。

启发函数h(n)表示n点到目标点的估计代价。采用Manhanttan距离作为启发函数，即代价距离值为n点到目标点横、纵坐标之差的和：

h (n) = |\begin{matrix} n (x) - g (x) \end{matrix}| + |\begin{matrix} n (y) + g (y) \end{matrix}|

(17)

A*算法采用open和close两个集合来表示待遍历的节点与已遍历的节点。其原理如图6所示。假设爬壁机器人需要从S点移动到G点进行工作，两点之间存在一定长度的障碍物，则：定义机器人横向和纵向的移动代价值为10，对角线的移动代价值则为14；从起始点S开始并移入close集合，将S点相邻的8个子节点移入open集合作为待遍历节点；在open集合中计算出最小移动代价值为f(n)的节点，移入close，同时将相邻子节点移入open；重复遍历，直到搜索到目标点G，即完成路径搜索。从目标点G开始，通过父节点反推，提取全局最优路径。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 A*算法原理图

Fig.6 A* algorithm schematic

局部路径规划旨在实现对机器人速度及加速度的精准约束与控制，在全局规划所生成路径的基础上，推算出机器人的运动轨迹。动态窗口算法（dynamic window approach，DWA）通过接收全局路径信息、地图信息及里程计信息等，实时计算并输出底盘运动参数^[26]。爬壁机器人工作时，需要实时感知障碍物距离并调整路径，避免发生碰撞。壁面轨迹规划算法的流程如下：

1）对爬壁机器人速度空间 $(v, ω)$ 进行采样，根据机器人运动模型、当前状态 $[X Y θ]$ 及采样速度推算出机器人运动轨迹。在采样周期 $Δ t$ 内，将机器人的运动看作近似直线运动，其轨迹计算公式为：

\{\begin{array}{l} X_{t + 1} = X_{t} + v_{t} Δ t c o s θ_{t} \\ Y_{t + 1} = Y_{t} + v_{t} Δ t s i n θ_{t} \\ θ_{t + 1} = θ_{t} + ω_{t} Δ t \end{array}

(18)

2）根据机器人轨迹模型，通过速度采样推算出轨迹信息，找出最优轨迹对应的速度，从而驱动机器人运动。但是受机器人本身和环境的限制，需要将机器人速度限制在一定范围v_m内，即：

v_{m} = {v \in [v_{m i n}, v_{m a x}], w \in [w_{m i n}, w_{m a x}]}

(19)

由于电机扭矩有限，机器人存在最大加/减速度，动态窗口内的速度范围限定了机器人在当前条件下能够达到的最大、最小速度。机器人速度v_d为：

v_{d} = \{(v, ω) |\begin{array}{l} v \in [v_{c} - {\dot{v}}_{b} Δ t, v_{c} + {\dot{v}}_{a} Δ t] \\ ω \in [ω_{c} - {\dot{ω}}_{b} Δ t, ω_{c} + {\dot{ω}}_{a} Δ t] \end{array}\}

(20)

式中：（ $v_{c}, w_{c}$ ）为机器人当前速度， ${\dot{v}}_{a} 、 {\dot{v}}_{b}$ 分别为机器人最大加速度和最大减速度， ${\dot{ω}}_{a} 、 {\dot{ω}}_{b}$ 分别为机器人最大角加速度和最大角减速度。

为了使机器人在障碍物前停下，在最大减速度下，其速度v_a为：

v_{a} = \{(v, ω) |v \leq \sqrt[]{2 d (v, ω) {\dot{v}}_{b}}, ω \leq \sqrt[]{2 d (v, ω) {\dot{ω}}_{b}}\}

(21)

式中： $d (v, ω)$ 为速度为 $(v, ω)$ 时机器人轨迹与障碍物间的最小距离。

3）模拟出多条路径后，通过评价函数来选择最佳运动轨迹。评价函数E表示为：

E (v, ω) = σ (α h (v, ω) + β c (v, ω) + γ s (v, ω))

(22)

式中： $h (v, ω)$ 为机器人航向角与目标航向角的偏差； $c (v, ω)$ 为推算距离与目标距离的偏差； $s (v, ω)$ 为推算速度与目标速度的偏差； $α 、 β 、 γ$ 分别为航向角、距离和速度偏差的权重值； $σ$ 为整体权重，用于保证机器人的运动轨迹平滑。

沿着评价最优的局部路径，机器人能够更好地避开障碍物，低速安全地到达目标点。基于A*算法生成全局轨迹，通过DWA进行轨迹推算，得到最优的运动策略，在保证全局最优的同时实现局部避障。机器人壁面轨迹推算如图7所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 机器人壁面轨迹推算示意图

Fig.7 Schematic diagram of robot wall trajectory reckoning

4 实验与分析

4.1　里程计误差测试实验与分析

为了验证所研制的爬壁机器人的稳定性以及融合里程计的有效性，将爬壁机器人置于垂直壁面进行实验验证。控制机器人以0.12 m/s的线速度和0.35 rad/s的角速度沿边长为1 m的正方形轨迹运动，实验现场如图8所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 里程计误差测试实验现场

Fig.8 Odometer error test site

记录融合前后里程计的数据，机器人运动轨迹如图9所示。由图(a)可知：采用融合里程计规划路径时，机器人的运动轨迹能够较好地与目标轨迹贴合；采用轮式里程计规划时，在位置2，3，4处机器人转向时，其轨迹与目标轨迹有较大偏离。由于驱动轮在壁面转向时发生打滑，采用轮式里程计规划会显著增加编码器航向角的累积误差。由图(b)和图(c)可知：采用轮式里程计时，机器人分别经过20 s和40 s后在X向和Y向发生位置偏移，且随着时间的推进，偏移增大；采用轮式里程计时，机器人表现稳定。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 爬壁机器人运动轨迹

Fig.9 Movement trajectory of wall-climbing robot

将里程计中的四元数转换为欧拉角，进一步验证融合里程计的优越性。提取到的机器人航向角如图10所示，计算得到的航向角误差如图11所示。由图11可知，爬壁机器人每完成一次90°的转向，采用轮式里程计规划的航向角的累计误差逐渐增大，航向角平均误差为7.24°，最大误差超过15°；融合里程计能够实现对航向角的修正，使机器人的运动轨迹与目标轨迹的误差较小，平均误差为0.47°，最大误差不超过5°。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 爬壁机器人航向角

Fig.10 Yaw angle of wall-climbing robot

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 爬壁机器人航向角误差

Fig.11 Yaw angle error of wall-climbing robot

为了定量分析融合里程计对机器人航向角的修正效果，重复10次图9(a)所示1→2→3的90°转向实验，计算航向角并进行分析，结果如表2所示。由表可知，采用轮式里程计时的航向角平均误差为7.03°，经融合里程计修正后航向角平均误差为0.78°，远小于前者，航向角误差减小了88.94%。因此采用所提出的融合里程计能够大幅提高机器人在壁面转向时的航向角测量精度和稳定性，为机器人导航提供准确的里程计信息。

表2 融合前后爬壁机器人航向角误差

Table 2 Yaw angle errors of wall-climbing robot before and after fusion

序号	融合前误差/(°)		融合后误差/(°)
序号	最大值	平均值	最大值	平均值
1	13.27	6.38	2.12	0.85
2	12.75	6.03	1.80	0.68
3	13.99	8.60	0.48	0.02
4	12.75	6.06	3.37	0.60
5	13.60	7.64	3.57	1.82
6	13.07	7.00	2.18	0.56
7	13.63	6.98	2.06	0.51
8	14.42	8.79	2.55	0.53
9	13.19	6.40	3.35	1.38
10	13.92	6.43	2.02	0.85

新窗口打开| 下载CSV

4.2　导航实验与分析

为了验证所提出的改进RTAB-Map算法对壁面建图和机器人导航的效果，在某工厂的大型石化装备壁面进行实验。实验平台如图12所示。壁面为1.6 m高、2 m宽、10 mm厚的钢制立方体泥浆罐表面，其底部有一条直径为300 mm的管道。通过电脑端遥控，控制机器人在垂直壁面运动1周。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 机器人爬壁实验平台

Fig.12 Robot wall climbing experiment platform

首先，构建壁面环境的二维栅格和三维点云地图，以实现机器人在壁面的全局定位。根据里程计信息及坐标变换，确定机器人所在位置。壁面环境建图效果如图13所示。通过改进RTAB-Map算法构建的地图既包含了激光雷达的广度信息，又融合了深度相机的空间信息。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 壁面环境建图效果

Fig.13 Wall environment mapping effect

绝大部分壁面场景在三维点云地图中得到了较好还原，如沙袋、管道及手轮等。由于相机安装位置和机器人移动范围的限制，对于管道顶部及较远位置物体的描述不够完善，但已建地图足以使机器人感知到自身运动空间中的障碍物。

标记机器人的起始点为S，目标点为G，机器人需在壁面从S点运动到G点。壁面导航实验如图14所示。通过A*算法在代价地图中生成了一条S点到G点的全局路径，DWA根据融合里程计信息求出机器人运动轨迹和运动策略，控制机器人向目标位置自主移动，最终顺利到达目标点，完成导航任务。在导航实验中，各运动学参数如表3所示。

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 机器人壁面导航实验

Fig.14 Robot navigation experiment on wall

表3 导航实验运动学参数

Table 3 Kinematic parameters for navigation experiment

参数	数值	参数	数值
最大牵引速度/(m/s)	0.15	最大角速度/(rad/s)	0.5
最小牵引速度/(m/s)	0	最小角速度/(rad/s)	0.1
最大加/减速度/（m/s²）	0.5	最大角加/减速度/（rad/s²）	3.5
牵引速度采样点数量/个	10	角速度采样点数量/个	10

新窗口打开| 下载CSV

为了进一步测试爬壁机器人在壁面的避障能力，选取与壁面连接的管道作为壁面障碍物，机器人需避开管道到达目标点。壁面避障实验如图15所示。规划的机器人运动路径为一条绕过管道的曲线，同时通过局部路径规划实时调整机器人的航向角和速度，使其跟随全局路径移动，最终安全到达目标点。

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15 机器人壁面避障实验

Fig.15 Robot wall obstacle avoidance experiment

通过实验可知，爬壁机器人能够准确识别壁面障碍物，并通过全局路径规划到达所设定的目标点。因此，采用改进RTAB-Map算法并融合深度相机和激光雷达的数据，可以完整地还原壁面环境；同时，基于融合IMU的里程计能够实时反馈机器人的位姿信息，获取机器人位置，使整个导航路径更加精确。

5 结语

为了实现大型石化装备的自动化检测，本文提出了一种壁面环境建图与爬壁机器人自主导航方法。采用EKF，并融合轮式里程计和IMU，可减小壁面滑移造成的累计误差；通过改进RTAB-Map算法，可实现对壁面环境的完整构建与机器人自主导航。经过实验，验证了所提出方法的有效性。在接下来的研究中，作者将装配无损检测装置，在更加复杂的壁面环境进行实验，来进一步验证所提方法对提高爬壁机器人自动化检测精度和稳定性的作用。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

ZHANG

B Y

， LI

H H

， WANG

Numerical study of dynamic response and failure analysis of spherical storage tanks under external blast loading

［J］. Journal of Loss Prevention in the Process Industries， 2015， 34： 209-217.