该巡检机器人的底盘结构如 图2 所示，并且使用四个麦克纳姆轮作为驱动轮，可以在各种复杂的环境进行纵横向自由移动，相较于传统的机器人的机动性更高。同时四驱轮平台架构效率更高，编写控制运动代码较为简单，相关计算量较小，增加了机器人定位和自主导航的准确性。

巡检机器人硬件部分如 图3 所示，由麦克纳姆轮、Asttra pro Plus摄像头、思岚S2激光雷达、直流电机等组成。开发板采用STM32和Jetson Nano。

激光雷达、IMU、里程计以及监测的图像的数据在内置PC系统中进行处理，对巡检机器人的控制命令通过PC系统控制并且监测界面可视化。

软件部分主要包括ROS巡检机器人的上位机界面的设计与机器人建图定位与自主导航、路径规划算法以及检测等相关算法的设计 [6] 。在Ubuntu16.04系统中进行实现。主要是负责对算法的处理以及多传感器融合计算，其中包括深度相机、激光雷达驱动控制、同各个开发板保持实时话题通讯等。设计好上位机界面，在PyQt设计的监控界面上可以实时观察巡检的周围环境状况。且ROS系统下的相应组件极大方便了ROS机器人的相应开发进程。由于Gmappinng与AMCL只适用于2D雷达数据 [7] ，在此，使用3D点云转为2D的激光雷达数据。从而让Gmapping建图与AMCL重定位过程更加的精准。AMCL与Gmapping都依赖于里程计的数据，且机器人巡检过程中也可能存在打滑与巡检地面凹凸不平的情况，这对建图与重定位有着很大影响。融合扩展卡尔曼滤波(EKF)对里程计和IMU的数据进行处理，提升里程计数据的准确度，得到的数据与激光雷达的数据用于建立栅格地图，最终栅格地图与雷达数据的信息实现AMCL重定位。大致框架如 图4 。

视觉检测模块使用改进的YOLOv7的RGB图像目标检测方法，其主要结构如 图5 所示。它的主要改进原理是结和COT (Contextual Transformer)结构，改进YOLOv7主干，指导动态注意力矩阵的学习，增强视觉表征能力 [8] 。其次，在主干网络的第一个池化层后面添加了MSC模块，扩大感受野，更好地理解全局特征信息，提高检测精度；最后在头部网络的特征融合部分添加了三维SimAM注意力机制，能够对不同通道和空间位置的神经元分配不同的注意权重。在不增加参数的情况下，避免结构复杂化，利用该注意力机制加强目标在提取特征中的权重并抑制背景干扰权重，从而提升模型检测性能。

其次为了减小MSC模块的参数量，将得到的特征图沿通道方向分成4个特征图。随后，将这些特征映射回拼接操作前的大小，然后对它们进行拼接，以进一步扩展图像的感受野。接下来，通过应用1 × 1卷积来增加通道的数量，从而控制网络的通道数量，有效控制模型的复杂性。最后，引入残差结构，缓解YOLOv7网络层较深导致梯度消失的问题，提高网络识别目标任务的泛化能力。结构如 图6 所示。

改进YOLOv7的RGB图像目标检测算法主要用于ROS巡检车检测室内是否存在火灾烟雾以及行人倚靠电梯等危险行为的发生。室内巡检机器人检测到室内是否发生火灾烟雾以及行人依靠电梯等行为对于室内安防具有十分重要的意义，该功能的运用可以有效消除室内的大部分安全隐患。

自主导航 [11] 的最重要就是机器人的路径规划和定位。前者是负责机器人的运动路线的设计，后者就是机器人的定位。ROS-Navigation是基于ROS移动机器人最常用的功能包集，里面集成了各种路径规划算法与AMCL [12] 的实现。

如 图7 所示，该导航框架中的传感器等相关节点都是基于机器人硬件平台提供，主要用于反馈环境信息、坐标转换信息、运动信息等。MOVE_BASE框架中的全局代价地图、局部代价地图和恢复行为这三个模块主要用于辅助机器人整个自主导航过程中的路径规划以及运动控制。

A^*算法 [13] 是一种广泛应用于图形路径查找和图搜索的启发式算法，它结合了最佳优先搜索和Dijkstra算法的优点，能够在给定的起点和目标点之间找到最短路径，并且在许多实际应用中表现出色，广泛应用于移动机器人的全局路径规划。其基本原理是：首先设置两个数组Openlist和Closedlist数组，分别存放待搜索节点和被搜索节点。从起始点S开始搜索，并移到Closedlist数组中，然后生成下一个当前处理节点的8领域子节点，添加到Openlist数组中，同时计算 $S$点周围8个字节点，通过函数 $F\left(n\right)$计算每个子节点的值，通过比较值最小的节点作为新的父节点，并存储到Closedlist数组中。重复上述操作，直到结束点 $G$存储在Closedlist数组中。

A^*算法的函数是由当前节点到起点和终点的距离组成，公式如下：

$F\left(n\right)=G\left(n\right)+H\left(n\right)$ (4)

其中 $F\left(n\right)$是起点到终点的最大估计里程， $G\left(n\right)$是从起点到当前节点的最大实际里程， $H\left(n\right)$是从当前节点到终点的最小估算里程，一般使用曼哈顿距离或者欧几里得距离 [14] 。鉴于欧几里得距离公式计算量较大，故采用曼哈顿距离公式。计算公式如式(5)下：

$H\left(n\right)=\left|n_x-G_x\right|+\left|n_y-G_y\right|$ (5)

其中 $n_x$、 $n_y$是当前节点 $X$， $Y$的坐标， $G_x$、 $G_y$为终点的 $X$、 $Y$的坐标。

由于室内场所的障碍物不是很密集分布，空间也不是非常大。A^*算法非常适合室内场所的全局路径规划，可以满足实际场景的运用。

在巡检机器人自主导航的过程中，可能会存在有新的障碍物甚至动态障碍物出现 [15] 。此时需要局部路径规划实现局部实时避障，DWA算法 [16] 运用于实时局部避障。基本原理是考虑机器人的动力学约束和环境障碍物的位置，实时计算出最优的速度和转向角，舍弃有障碍物存在的路径，从而使巡检机器人得以安全有效向目标点地移动。

巡检机器人位置与速度的关系表示为：

$X=X+V_x\Delta t\cdot \cos \left({\theta }_t\right)-V_y\Delta t\cdot \sin \left({\theta }_t\right)$ (6)

$Y=Y+V_x\Delta t\times \sin \left({\theta }_t\right)+V_y\Delta t\times \cos \left({\theta }_t\right)$ (7)

${\theta }_t={\theta }_t+w\Delta t$ (8)

$G\left(v,w\right)=\partial \cdot heading\left(v,w\right)+\beta \cdot dist\left(v,w\right)+\gamma \cdot velocity\left(v,w\right)$ (9)

式中 $V_x$是 $X$轴方向的速度， $V_y$是 $Y$轴方向的速度， $\Delta t$是前进时间， ${\theta }_t$是角度的变化量， $w$是巡检车的旋转角度， $G\left(v,w\right)$是评价函数， $\partial ,\beta ,\gamma$是相应评定函数的权重。

对评价函数归一化处理可得：

$normal\_head\left(i\right)=\frac{head\left(i\right)}{{\displaystyle {\sum }_{i=1}^{n}head\left(i\right)}}$ (10)

$normal\_dist\left(i\right)=\frac{dist\left(i\right)}{{\displaystyle {\sum }_{i=1}^{n}dist\left(i\right)}}$ (11)

$normal\_velocity\left(i\right)=\frac{velocity\left(i\right)}{{\displaystyle {\sum }_{i=1}^{n}velocity\left(i\right)}}$ (12)

式中 $velocity\left(v,w\right)$是速度评定函数， $dist\left(v,w\right)$是距离评定函数， $heading\left(v,w\right)$是方位角评定函数 [17] 。但DWA算法在障碍物比较密集的情况下，规划出来的路径可能是次优化的路径。通过Matlab进行仿真，验证传统DWA算法和改进DWA算法的效果。圆圈代表障碍物，其半径为1。假设巡检车从原点(0, 0)出发，终点坐标设为(10, 10)。

从 图8(a) 仿真结果可以看出，DWA算法存在一定的局限性。虽然可以做到很好的实时避障，但规划出的路线并不是最优路线。这主要是因为算法中相关参数的取值，其中主要包括算法运动模型中各参数和评定函数权重值的取值大小，其中影响DWA算法最大的因素是评定函数前权重的取值，评定函数权重的取值会直接影响DWA算法的效果 [18] 。此外，不同场景下的环境是有所不同的，运动模型中各参数、评定函数的权重值并不是不变，需要根据应用场景的不同进行实验并改变相应参数的值。据对上述算法的分析，经过大量的计算与仿真实验。在障碍物不变的前提下，设置好合适的权重值后，进行仿真实验，仿真效果如 图8(b) 所示。从两图对比来看，在选取好合适的权重值后，DWA算法规划的路径明显是要优于之前的路径。

在进行系统测试时，需要使用Rviz这个可视化工具，Rviz是一款用于ROS系统的三维可视化工具，在Rviz中，可以使用XML文件编写机器人、周围物体属性的描述程序，并在界面中呈现。同时，Rviz还可以通过图形化实时显示机器人传感器的信息、运动状态和周围环境的变化等。将巡检机器人放置在需要建图巡检的区域，使用手柄或者手机远程控制巡检机器人开始建图，Jetson Nano开发板控制雷达获取周边环境的点云信息，接收惯性测量单元获取角度信息以及光电编码器生成位置信息，Jetson Nano开发板将得到的信息结合Gmapping算法得到最短时间内的地姿和地图，但因为不可避免的偏差累积问题，还需后端优化并通过增量式扫描和后优化的里程计和地图信息，以及闭环测试来降低全局地图的偏移现象，从而得到全局角度一致性地图，并在Rviz上可以实时的观测建图过程。建图如 图9 所示。

巡检机器人的导航功能模块主要是测试其路径规划和实时避障的能力。这主要是依靠全局路径规划和局部路径规划算法 [19] 实现。使用map_server功能保存好地图后，使用A^*算法和改进DWA算法共同作用规划出最优化路径并实时避障，通过闭环PID运动算法控制机器人以合适的速度从路径起点导航到路径终点。其实验场景和导航结果如 图10 所示。

对于检测行人倚靠电梯与火灾烟雾情况的发生，系统采用了改进YOLOv7算法对人员倚靠电梯行为和火灾烟雾情况实验检测。在实现改进YOLOv7网络的搭建后，在D-Fair数据集上进行模型训练 [20] 。

训练周期为200，使用余弦退火的学习率防止模型过拟合，模型的训练损失和验证MAP、如 图11 所示。可以看出，在训练200个周期后，损失值稳定在0.5左右，模型达到收敛，验证MAP(0.5)稳定在92%左右。

其实验结果如 表1 所示。改进网络模型在D-Fire数据集上，在火灾和烟雾的检测准确率达到88.7%，其中对烟雾数据集的检测准确率为95.4%，对火灾数据集的检测准确91.9%。

对于行人检测数据集训练，将改进网络模型在LLVIP数据集中进行模型训练，包含样本包含30,976张图像即15,488对，训练周期为100。分别对使用余弦退火 [21] 的学习率防止模型过拟合，模型的训练损失和验证MAP、如 图12 所示，可以看出，在训练100个周期后，损失值稳定在0.03左右，模型达到收敛，验证MAP (0.5)稳定在95%左右。

在开源数据集LLVIP中，分别对YOLO系列算法进行对比实验，实验数据见 表2 。使用改进的行人检测网络训练出的模型准确率高达96.3%，在参数量和计算量都相较于各系列YOLO算法平均减少了25.1%。

在目标区域导航的过程中，对该区域进行巡检，检测是否有火灾或者其他危险状况的发生。本次实验巡检区域选择在电梯等候区，将检验机器人是否能检测到火灾与人员依靠电梯行为。并且系统通过局域网络，将目标检测结果在设计的界面上实时显示。实验表明，准确检测到火灾与行人依靠电梯。检测结果如 图13 所示。