由于变电站环境复杂,人工巡检强度大、效率低,文中研究了巡检机器人的硬件框架,基于自适应蒙特卡洛算法(Adaptive Monte Carlo Localization,AMCL)完成巡检机器人的定位研究;针对自适应蒙特卡洛算法在实际工程中应用的不足,给出了相应...由于变电站环境复杂,人工巡检强度大、效率低,文中研究了巡检机器人的硬件框架,基于自适应蒙特卡洛算法(Adaptive Monte Carlo Localization,AMCL)完成巡检机器人的定位研究;针对自适应蒙特卡洛算法在实际工程中应用的不足,给出了相应的解决策略;就AMCL算法无法快速进行定位,恢复设计了一种基于数据库的重定位方法,利用数据库存储定位值,当定位失匹配时,获取数据库存储的定位值用于初始化粒子,从而实现快速恢复定位。实验结果表明,改进后的AMCL算法在定位丢失后恢复定位的性能明显优于原始AMCL算法。展开更多
为了提升变电站巡检机器人对自身所处环境的理解能力,将深度学习技术应用于变电站巡检机器人对道路场景的识别中,提出了一种全卷积道路场景识别网络(road scene recognition net,RSRNet)。该网络主要由相对浅层的编码网络和镜像结构与...为了提升变电站巡检机器人对自身所处环境的理解能力,将深度学习技术应用于变电站巡检机器人对道路场景的识别中,提出了一种全卷积道路场景识别网络(road scene recognition net,RSRNet)。该网络主要由相对浅层的编码网络和镜像结构与跳层融合结构相结合的解码网络组成,通过编码网络提取图像特征后由解码网络识别出图像目标信息。通过实验表明,本文提出的网络在同类型网络中识别精度及效率更高,同时在实际变电站场景中也表现出了优良的场景识别性能。展开更多
文摘由于变电站环境复杂,人工巡检强度大、效率低,文中研究了巡检机器人的硬件框架,基于自适应蒙特卡洛算法(Adaptive Monte Carlo Localization,AMCL)完成巡检机器人的定位研究;针对自适应蒙特卡洛算法在实际工程中应用的不足,给出了相应的解决策略;就AMCL算法无法快速进行定位,恢复设计了一种基于数据库的重定位方法,利用数据库存储定位值,当定位失匹配时,获取数据库存储的定位值用于初始化粒子,从而实现快速恢复定位。实验结果表明,改进后的AMCL算法在定位丢失后恢复定位的性能明显优于原始AMCL算法。
文摘为了提升变电站巡检机器人对自身所处环境的理解能力,将深度学习技术应用于变电站巡检机器人对道路场景的识别中,提出了一种全卷积道路场景识别网络(road scene recognition net,RSRNet)。该网络主要由相对浅层的编码网络和镜像结构与跳层融合结构相结合的解码网络组成,通过编码网络提取图像特征后由解码网络识别出图像目标信息。通过实验表明,本文提出的网络在同类型网络中识别精度及效率更高,同时在实际变电站场景中也表现出了优良的场景识别性能。
