当前位置:首页 > 工业控制 > 电路设计项目集锦
[导读]Circe 是一款低矮的履带式巡检车,可自主对工业地坪进行早期故障和安全隐患的检测。该设备无需依赖 GPS、LiDAR 或轮子编码器,仅依靠一台摄像头以及离线运行的前馈视觉SLAM系统完成导航。它能够自主探索,停靠在指定位置,拍摄周围环境,并在 Arduino UNO Q 上执行缺陷检测。已确认的缺陷会根据其在重建地图上的位置被记录。

Circe 是一款低矮的履带式巡检车,可自主对工业地坪进行早期故障和安全隐患的检测。该设备无需依赖 GPS、LiDAR 或轮子编码器,仅依靠一台摄像头以及离线运行的前馈视觉SLAM系统完成导航。它能够自主探索,停靠在指定位置,拍摄周围环境,并在 Arduino UNO Q 上执行缺陷检测。已确认的缺陷会根据其在重建地图上的位置被记录。

该系统的应用目标是针对那些难以频繁人工检查的区域进行重复性检测:例如输送带下方、机器底座之间、狭窄设备排之间的空间。通过反复运行相同的路径,可以清晰地发现缓慢劣化情况,这正是预测性维护的优势所在。

底盘设计特意保持较低,因此高大的机身、墙板和高处安装的仪表盘在设计上均不在摄像头视野范围内。因此,检测对象为地面及底座水平位置:地板与底座状况、机器底座以及低矮的固定装置。这一单一约束定义了以下描述的类别列表、捕获模式和覆盖模型。

系统的工作原理

运行循环

•探测车将摄像头帧流传输至机外的SLAM主机,主机返回摄像头姿态以及不断增长的密集地图。

•该地图上的两个覆盖层会被更新:已重建的空间区域,以及已拍摄到足够清晰度以检测缺陷的重建表面。

•规划器选择下一个站点为在单位移动成本下预期覆盖增益最佳的可到达视角。

•探测车使用自校准的开环运动前往该位置,并通过机载IMU惯性导航进行桥接,在到达后由SLAM进行校正。

•车辆停靠、稳定后,采集一圈图像,同时持续对实时视频进行检测。

•任何不确定的检测都会在继续采集前触发“接近并确认”中断。已确认的缺陷将被记录到其地图位置上。

•该循环重复,直到两个覆盖层均关闭。

机载与机外

根据延迟容忍度而非原始吞吐量,工作按UNO Q的双脑架构进行划分:

•离线(远程GPU):适用于重型、间歇性且对延迟容忍度高的几何任务,特别是SLAM。延迟较晚的地图更新是可以接受的。

•在线(UNO Q):适用于轻量级、连续且对延迟极为敏感的感知任务,特别是每帧进行驾驶运动检测与跟踪,并做出升级决策。

在线闭环无法迁移至远程GPU。持续高清视频流传输会消耗大量带宽,可变的往返延迟会导致因丢帧或延迟帧而中断跟踪,同时会使系统中最脆弱的组件承担起最耗时的关键功能。

这一点是可验证的而非假设:在运行过程中切断Wi-Fi连接将停止地图更新,但探测器仍可在车上持续检测、跟踪并接近缺陷。

建图与定位

建图采用VGGT-SLAM 2.0(Maggio和Carlone,MIT SPARK),这是一种前馈式RGB SLAM方法,能够生成密集点云和每帧相机姿态,并具备增量式子地图对齐和基于注意力的闭环机制。该算法在远程GPU笔记本电脑上运行:探测器通过串流帧图像,并接收姿态信息和地图数据回传。

建图过程为增量式,因此不存在“先建图,后检查”的独立阶段。地图绘制和检测在单次遍历中完成。

在无度量标尺的情况下工作

前馈单目SLAM重建以相对尺度进行,不包含任何度量单位。由于没有车轮编码器,探测车无法直接测量某个电机指令导致其移动的距离。

该问题通过将探测车自身的运动用作自校准标尺来解决。探测车发出一个已知的开环驱动指令并保持一定时长,然后读取其SLAM姿态在指令前后的变化,并计算两者之间的位移长度。由此得到一个实时转换因子:每指令秒对应的地图单位数。

由于子地图之间以及闭环过程中存在相对尺度差异,因此该因子并非仅在启动时估算一次,而是在每次已知移动时重新估计。实时的指数加权平均可抵消这种漂移。与旋转相比,位移校准更可靠,因为滑移转向会导致转向速率噪声较大,因此两者分别进行估计,且旋转权重较低,被认为可信度更低。

系统大多数情况下根本不需要使用公制单位。探索、边界逻辑以及通过相对高度判断障碍物的避让,都是与尺度无关的。唯一一个真正需要米(m)来判断攀爬与绕行步长的决策已被排除在考虑范围之外:任何高于地面高度的格子均被视为绕行,这种行为对于低矮的探测车而言是正确的,因为它旨在从障碍物下方或周围通过,而非越过。

双速率定位

在设备上,六轴惯性测量单元(IMU)以微控制器侧约100 Hz的频率进行无网络依赖的绝对定位计算。每次新的SLAM姿态估计后,都会将当前估计值重置为绝对真实值,并清除累积的漂移。由于探测车会停止检查,因此图像采集时的姿态精度达到最高。

两个覆盖层下方各设有一个向前飞行时间传感器,作为硬中断,可独立于可能已过时的地图,优先阻断任何电机指令。

覆盖范围:地图未被检查

规划器在同一个不断增长的地图上跟踪两个独立的覆盖层:

雾化层(映射覆盖)。一个占用网格,其中每个格子可能是未知、自由或被占据。边界即自由空间与未知空间之间的分界线。这回答了某个体积是否已被重建,并驱动着探测过程。

检测级层(检查覆盖范围):在重建几何体上的每个小表面区域所携带的状态信息。该层用于判断已映射的表面是否以检测级质量被成像,从而推动检查工作。

这两者并不重合,而这正是设计的核心所在。SLAM能够在几米远的距离、以斜视角度准确重建机器底座:几何结构完整,但图像无法用于检测微小裂纹。检测层的清除速度比雾层更慢,是闸门运行完成的依据。

一个表面区域只有在通过以下四个条件时,才被视为由某视角覆盖检查:

- 其投影位于图像内部;

- 未被更近的几何结构遮挡;

- 投影区域的尺寸超过最小像素大小;

- 观测角度足够直,而非斜视角度。

以上四项测试均与尺度无关。足迹门控评估焦距乘以斑块大小再除以深度,由于斑块大小和深度均以地图单位表示,因此该比值得到一个真实的像素数量,即使地图没有度量比例,也可以与固定阈值进行比较。

站点选择是接下来的贪心最优视角步骤。未被覆盖的斑块被聚类,为每个聚类计算理想的立距视角,并将该视角投影到探测车实际可到达的位置:固定相机高度、可通行的地面位置以及自由航向。候选点根据单位成本预期增益进行排序,其中增益统计视角所覆盖的所有斑块,而成本包括转向惩罚,因为履带式旋转缓慢且易打滑。距离是相对的但内部一致,因此在没有度量比例的情况下该比值依然成立。

后续回访无需特殊记录。早期已绘制但尚未检查的表面仅保留为开放间隙,并在增益与成本比值更高时稍后选中。

一个几何约束被排除

机器侧面和底板等垂直表面具有水平法线,因此从水平距离处的低角度相机正面拍摄时,这些表面能清晰呈现。

地面表面的法线朝上,从地板上任何可到达的位置几乎以贴地的角度照射,导致入射门在所有位置均失效。而纯正前方视角的相机,由于结构设计,地面区域无法被清除:无论移动多少距离,都无法将其清除。正是这一结果为相机引入了向下的自由度,而真正揭示需求的是覆盖模型,而非一次失败的测试运行。

每个站点的检查

探测车在一次完整旋转中会拍摄一圈共八张图像。该步长由光学系统决定:62°的水平视野,约25%的重叠区域,可产生45°的步长;而360°除以45°等于8。

探测车转动后停止,让底盘稳定,然后进行图像采集。在旋转过程中不会拍摄图像,因为运动模糊会影响小缺陷的检测,并导致定位姿态的失真。一旦覆盖层被填充,后续站点仅采集仍包含未覆盖表面的扇区,而完整的八张图像环仍作为确定性后备方案保留。

检测持续运行于实时视频流上,而非仅基于八张静态图像,这使得能够实现逐帧跟踪,并支持以下的升级行为。

升级:接近并确认

当检测到的缺陷既低置信度又面积较小时,即触发升级机制,表明该缺陷可能距离过远而无法分类。必须同时满足两个条件:若检测结果置信度高,则距离不是限制因素,此时接近检测无济于事;若检测结果置信度高,则无需再次检查。

在第k圈图像拍摄时,触发条件被激活。

环形区域的状态已存储:包含图像索引,以及环中心的SLAM姿态作为返回锚点。

探测车转向以对准物体,小步前进并重新检测,直到检测结果确认或被取消为止。

随后返回到存储的环中心姿态,闭环更新SLAM姿态,并重新定位至当前图像方向。由于接近距离较短,返回错误范围受到限制。

环形区域在第k+1次图像拍摄时恢复。

中断发生在环内中间位置而非结束时,因为一旦探测车继续移动,无法可靠地恢复一个未定位且置信度较低的目标。在短时间内,重复对同一目标进行升级检测会被抑制,这是通过持久性跟踪器ID实现的,同时结合了地图位置抑制机制,用于处理丢失后再次观测到的对象。如果返回姿态无法在容差范围内重建,则从当前位置重新完整拍摄环形区域,而不是从错位的多个片段拼接而成。

缺陷检测模型

检测使用Ultralytics提供的YOLO26n模型,该模型基于COCO预训练权重进行了微调。该模型被选为当前最轻量的YOLO变体,参数仅为2.4M,具备原生无NMS的端到端推理能力,可在UNO Q上实现实时板载执行。

它可检测油液泄漏、锈蚀和腐蚀以及混凝土裂缝:这些地面缺陷在视觉上明显,且与真正的早期故障信号密切相关。训练图像以探测器视角的高度和角度拍摄,因此模型是在其运行时所采用的相同视角下进行训练的。

结果

该探测车在无需操作员干预的情况下,从头到尾完成整个运行周期。它从未绘制的地面冷启动,进行探索,移动过程中构建地图,自主选择检查站点,在每个站点采集环状数据,中断自身以接近并确认不确定的检测结果,并将已确认的缺陷记录到地图上的对应位置。当两个覆盖层均关闭时,运行结束。

导航与检查规划堆栈首先在Gazebo模拟环境中开发并验证,使用独立机器上的SLAM系统,确保模拟系统与实际拓扑结构完全一致,随后再移植到探测车上。这一顺序是经过精心设计的:若直接基于猜测对覆盖规划行为进行迭代,针对真实的滑移转向和八张图像环路,每发现一个缺陷将耗费数天时间。

覆盖阈值是根据实际检测性能进行校准,而非凭经验估算。最小像素覆盖范围通过在不同距离处放置已知缺陷,并找到检测召回率下降的临界点来确定,从而将规划器对“足够视野”的定义直接关联到检测器实际能够识别的范围。

在运行过程中切断Wi-Fi连接,会导致地图信息失效,而探测车继续进行缺陷的检测、跟踪和接近。这种自主性并非宣称,而是通过实际演示来证明。

与原计划的一个偏差是:配套无人机被取消了。所用设备是一台廉价玩具级四轴飞行器,从未稳定飞行过,无法可靠地进行操控,而一个不稳定的空中平台只会增加一种故障模式。该系统仅支持地面操作。

本文编译自hackster.io

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除( 邮箱:macysun@21ic.com )。
关闭