低卫星信号环境下轨道巡检机器人检测数据精确定位方法与流程

1.本发明涉及一种轨道交通巡检领域，尤其涉及一种低卫星信号环境下轨道巡检机器人检测数据精确定位方法。


背景技术：

2.轨道交通系统严检慎修，但随着运营时间的增长，轨道结构等基础设施的服役状态劣化不可避免，扣件弹条断裂、钢轨裂纹、轨枕掉块等病害时有发生，目前最常用的手段是工务人员上道巡检。而随着机器视觉、人工智能等新技术的发展，轨道交通系统中的人工巡检正逐渐被轨道巡检机器人等自动化、智能化的设备替代，轨道巡检正逐渐向无人化趋势发展。
3.无人化智能化的巡检设备在检测轨道病害时还需要对病害位置进行精准定位以便上道维护。现有轨道巡检设备和列车走行部一般都能够通过gps、北斗等卫星定位系统进行实时定位，但在实际工程中轨道交通系统要穿越各类地形，车辆、巡检设备等必然要经过卫星定位信号弱，无法准确定位检测数据的地域。如部分线路下穿山岭隧道，卫星信号被衬砌与岩体完全遮挡，此时巡检数据无法准确定位，发现病害后在维护时还需要人工二次复检找到病害位置，反而增大了巡检工作量。
4.目前也有部分技术针对这种低卫星信号下的检测数据定位难题进行了研发。如专利号为cn112665578.a的发明专利公开了一种利用蓝牙定位标签进行三点定位的隧道巡检机器人定位方法，但该种方法还需在隧道内加装蓝牙定位标签，提升了成本，同时经过小半径曲线后也存在信号阻隔，无法三点定位的隐患；专利号为cn201810809504.6的发明专利中提供了一种能够拍摄隧道壁百米标来进行定位的城市轨道交通巡检系统，但单一的定位方式决定了其定位精度也仅到百米级，无法满足亚米级的巡检需求；专利号为cn111376946.a的发明专利则是使用了编码器技术记录驱动电机转动圈数和轨枕数量来双重定位，但无法将距离链接至绝对里程，同时走行轮打滑、岔区曲线枕间距等因素也影响了定位精度，随着里程的积累定位漂移不可避免。基于上述分析，现有技术在低卫星信号条件下轨道巡检数据的精准定位都存在一定的误差，无法满足亚米级的巡检维护需求。


技术实现要素：

5.本发明的目的在于解决现有技术中存在的问题，并提供一种低卫星信号条件下轨道巡检机器人检测数据精确定位方法，该方法结合了惯性式里程传感器、机器视觉传感器和线路数据集匹配模块，形成了低卫星信号条件下的数据定位方式，在巡检机器人经过山岭隧道等低卫星信号地段时，仍能保证巡检数据的亚米级定位准确性，以便后续精准维护，提升轨道病害处理效率。
6.为达到上述目的，本发明具体采用的技术方案如下：
7.一种低卫星信号环境下轨道巡检机器人检测数据精确定位方法，所述巡检机器人包括巡检机器人走行部以及安装于所述走行部之上的内置卫星、结构光摄像机、工控机、惯
性里程定位模块、标识牌检测定位模块、线路特征定位模块，该定位方法包括以下步骤：
8.s1、所述巡检机器人根据输入的巡检计划确定巡检起点里程信息，并对当前的巡检里程进行初始化；
9.s2、校准所述巡检机器人的内置时钟，在内置卫星搜星定位完毕后，所述巡检机器人从所述巡检起点开始进行巡检，通过走行部在铁路轨道上沿着行进方向前进并开始采集带时间信息的巡检数据；
10.s3、巡检过程中，所述惯性里程定位模块计算得到每个时刻的速度和里程信息，输出连续里程-时间信息；所述标识牌检测定位模块通过深度卷积循环神经网络对结构光摄像机采集的沿途标识牌进行光学字符获取与识别，得到关键里程节点的定位信息；所述线路特征定位模块依靠顺序匹配铁路轨道曲线超高信息的方式得到关键里程节点的定位信息；同时，对巡检过程中内置卫星接收到的卫星信号强度进行沿途判定，并根据判定结果选择不同的定位信息生成定位-时间信息，其中：
11.在卫星信号强度满足定位要求的时段，利用内置卫星的定位信息校准所述连续里程-时间信息中的里程信息，同时将内置卫星的定位信息与时间信息匹配后形成对应时段的定位-时间信息；
12.在卫星信号强度不满足定位要求的时段，则获取由惯性里程定位模块输出的所述连续里程-时间信息，并开始读取标识牌检测定位模块和线路特征定位模块输出的关键里程节点的时间信息，将所述关键里程节点时间信息匹配到所述连续里程-时间信息中，以时间信息为标定基准将已有的连续里程和关键里程节点的里程信息进行数据对齐，利用关键里程节点的里程信息对所述连续里程-时间信息中的里程进行修正，再根据修正后的里程确定定位信息并形成对应时段的定位-时间信息；
13.s4、以时间信息为基准，将巡检起始点之间的所述巡检数据与所述定位-时间信息进行数据匹配，输出带有准确定位信息的巡检数据。
14.优选地，所述轨道巡检机器人在巡检过程中获取的巡检数据包括轨道几何形位数据和结构光摄像机拍摄的沿途图片数据。
15.优选地，所述惯性里程定位模块通过包括陀螺仪和加速度计的惯性式传感器的数据计算里程，惯性式传感器与巡检机器人走行部固定连接，通过测量物体运动加速度和角速度并在互补滤波的基础上进行积分得到每个时刻的速度和里程信息，从而输出连续里程-时间信息。
16.优选地，所述线路特征定位模块依靠铁路轨道的曲线超高信息逐段顺序匹配的方式实现关键里程节点定位，实现步骤包括：
17.s301、巡检计划开始前输入包括目标铁路轨道实际的曲线和道岔在内的线路数据集；
18.s302、工控机根据输入的线路数据集按照曲线和道岔在铁路轨道上的空间分布依次生成用于匹配的预设特征曲线用于作为特征匹配模型的输入，每一条预设特征曲线均带有一段曲线或道岔对应的超高数据；
19.s303、巡检机器人开始巡检后，不断采集带时间信息的超高数据并输入工控机中，由特征匹配模型与巡检起点位置所在的第i条预设特征曲线进行匹配，当特征匹配模型识别到巡检机器人经过第i条预设特征曲线对应的曲线或道岔区域时，输出对齐时间信息指
令，对齐检测到的超高数据和第i条预设特征曲线的起点与终点，将预设特征曲线起点和终点各自对应的时间输出为t
i-start
和t
i-end
；
20.s304、以第i个预设特征曲线对应的曲线或道岔的实际里程信息为基准，通过平滑插值修正所述连续里程-时间信息中位于t
i-start
和t
i-end
时刻之间的里程信息；
21.s305、当第i条预设特征曲线匹配成功后，第i+1条预设特征曲线开始进入匹配进程，巡检机器人采集的超高数据继续由特征匹配模型按照相同的匹配方法与下一条预设特征曲线进行匹配。
22.优选地，所述标识牌检测定位模块依靠结构光摄像机和深度卷积循环神经网络进行标识牌的光学字符获取与识别，实现步骤包括：
23.s311、由轨道巡检机器人所载的前视结构光摄像机和侧视结构光摄像机对线路侧边场景进行持续性的图像捕获；
24.s312、基于所拍摄到的照片先使用卷积神经网络(convolutional neural network,cnn)进行特征提取，输出特征序列为x＝{x1,x2,
…
,x
t
}，其中x
t
表示t时刻的特征；
25.s313、基于所述特征序列，使用深度双向长短记忆网络(bidirectional long short term memory network,bilstm)对特征序列进行逐帧预测，预测结果经过转换得到最终文本，输出识别到的标识牌图像上的里程信息；其中bilstm对每一个特征预测其标签分布：y
t
←ht
＝g(x
t
,h
t-1
)，其中h
t
表示t时刻的网络内部状态，y
t
表示预测结果，进而得到预测结果序列为y＝{y1,y2,
…
,y
t
}，其中每个预测结果都是一个概率分布，其中表示概率空间，表示字符标签集合；给定序列对序列的映射函数定义在序列其中t表示序列长度，重复的标签和空白标签会被依次移除，并使用如下条件概率作为预测结果标签序列概率：
[0026][0027]
其中表示t时刻的标签概率；
[0028]
s314、识别到标识牌上的里程信息后，输出对应标识牌图像的时间信息tj，j为识别到的标识牌序号，并采用平滑插值修正所述连续里程-时间信息中时间信息tj对应的里程信息。
[0029]
优选地，巡检机器人开始巡检后，所述标识牌检测定位模块与线路特征定位模块持续进行工作，但只在卫星信号强度不满足定位要求时被调用关键里程节点的定位信息。
[0030]
优选地，确定关键里程节点信息后采用平滑插值方法修正里程时，以关键里程节点间所有检测数据点均分里程误差的方式进行修正。
[0031]
优选地，在卫星信号强度不满足定位要求的时段，线路特征定位模块的里程修正优先级大于标识牌检测定位模块。
[0032]
优选地，在线路特征定位模块中，当线路数据集上的关键里程节点为圆曲线时，预设特征曲线的波形为等腰梯形，梯形上底长度为圆曲线的长度、梯形下底长度为曲线全长，梯形的高为实设超高值；当线路数据集上的关键里程节点为道岔时，预设特征曲线的波形采用表达式为h
×
sin(a
×
l)的正弦函数，其中l为相对里程，h为导曲线的理论曲率，h＝
5400/r，正弦函数的角频率a通过道岔尖轨和导曲线的长度l进行估计，a＝π/l；所述特征匹配模型采用相关系数绝对值的大小来衡量匹配度，具体表示为：
[0033]
l
error
＝max abs(corr(f(t),g(t))),
[0034]
其中，l
error
为预设特征曲线和检测到的超高数据的里程偏差，里程偏差越小相关系数越接近于1；corr为相关系数计算函数，f(t)为经过截断处理用于匹配的超高数据，g(t)为用于匹配的预设特征曲线。
[0035]
优选地，在标识牌检测定位模块中，所述标识牌包括百米标、公里标、圆曲线标、缓和曲线标、竖曲线标；所述前视结构光摄像机用于捕获垂直/倾斜线路方向安装的百米标、公里标，及辅助判别圆曲线标、缓和曲线标和竖曲线标；所述侧视结构光摄像机用于捕获平行于线路方向安装的圆曲线标、缓和曲线标和竖曲线标，并辅助判别百米标与公里标；标识牌上的文本识别对象可分为由字母“k”、数字、符号“+”和数字组成的a类标识牌以及由“k”字母和三位数字组成的b类标识牌。
[0036]
优选地，标识牌检测定位模块所用的前视/侧视结构光摄像机可通过嵌入算法改造检测异物侵限的结构光摄像机实现标识牌定位检测功能。
[0037]
优选地，标识牌检测定位模块中所构建的网络使用随机梯度下降法进行训练，并使用adadelta自动的计算每个维度的每个维度的学习率。相较于卷积矩方法，adadelta不需要手动输入学习率参数，且可以更快的收敛。
[0038]
优选地，标识牌检测定位模块中构建网络后，输入的图像都被缩放至100
×
32，以加速整个图像训练过程。
[0039]
相对于现有技术而言，本发明的有益效果主要表现在：
[0040]
在低卫星信号条件下通过惯性传感器的输出信息记录里程的时间历程，并基于标识牌识别和线路数据集匹配的关键里程节点二次校准，多模块配合实现巡检数据的精确定位。惯性传感器记录避开了车轮、电机打滑带来的误差，同时也保障了里程数据的连续性，实现了低卫星条件下连续的“线式”里程定位。后续通过线路数据集及标识牌对连续的里程数据进行“点式”的关键节点二次校正，最大限度地提升了定位精确度。通过统一的时间信息来回溯标定各个关键里程节点的位置信息，避免了不同模块因数据异构导致的信息融合问题，内部时钟作为唯一的时间参照设备也使得各个定位模块的时间信息不发生偏差，保证了各模块定位数据的统一性。此外，用于识别标识牌的结构光摄像头可利用现有可用于检测轨道异物侵入等指标的机器视觉传感器直接进行改造，成本可控，所述轨道不平顺检测数据本身就为轨道巡检机器人的功能之一，在设定巡检计划时线路数据集也为原有输入信息之一，不需要在巡检机器人中通过添加额外的冗余功能，亦不需要在线路上加装其他设备设施。
[0041]
综上所述，本发明提供的一种低卫星信号环境下轨道巡检机器人检测数据精确定位方法，其结构新颖，设计合理，通过简单而不寻常的架构设计，实现了轨道巡检机器人的数据精确定位功能，应用前景广阔。
附图说明
[0042]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1是本发明的低卫星信号环境下轨道巡检机器人检测数据精确定位方法整体示意图。
[0044]
图2是本发明标识块定位模块识别圆曲线圆缓点标识牌图像发挥定位功能的流程示意图。
[0045]
图3是本发明实施例二中惯性里程定位模块和标识牌检测定位模块所输出的用于定位修正的信息。
[0046]
图4是本发明实施例二中经过标识牌检测定位模块修正后的里程信息对比。
[0047]
图5是本发明实施例三中线路特征定位模块匹配特征曲线的示意图。
[0048]
图6是本发明实施例二中惯性里程定位模块和线路特征定位模块所输出的用于定位修正的信息。
[0049]
图7是本发明实施例三中经过线路特征定位模块修正后的里程信息对比。
具体实施方式
[0050]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
在本发明的描述中，需要说明的是，某些指示的方位或位置关系的词语，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0052]
在本发明的描述中，需要说明的是，“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0053]
作为本发明的一种较佳实现形式，提供了一种低卫星信号环境下轨道巡检机器人检测数据精确定位方法，其中该巡检机器人包括巡检机器人走行部以及安装于走行部之上的内置卫星、结构光摄像机、工控机、惯性里程定位模块、标识牌检测定位模块、线路特征定位模块，巡检机器人的走行部为任意能够使巡检机器人沿着铁路轨道自动行进的移动组件，可以采用任意的现有技术来实现，对此不作限定。如图1所示，为该定位方法的流程框架，具体包括以下步骤：
[0054]
s1、所述巡检机器人根据输入的巡检计划确定巡检起点里程信息，并对当前的巡检里程进行初始化。
[0055]
s2、校准所述巡检机器人的内置时钟，在内置卫星搜星定位完毕后，所述巡检机器人从所述巡检起点开始进行巡检，通过走行部在铁路轨道上沿着行进方向前进并开始采集带时间信息的巡检数据。
[0056]
在本发明中，轨道巡检机器人在巡检过程中获取的巡检数据包括轨道几何形位数据和结构光摄像机拍摄的沿途图片数据。轨道几何形位数据包括高低、轨向、水平(超高)等，结构光摄像机采集的包括扣件、限界入侵等图片数据。
[0057]
s3、巡检过程中，所述惯性里程定位模块计算得到每个时刻的速度和里程信息，输出连续里程-时间信息；所述标识牌检测定位模块通过深度卷积循环神经网络对结构光摄像机采集的沿途标识牌进行光学字符获取与识别，得到关键里程节点的定位信息；所述线路特征定位模块依靠顺序匹配铁路轨道曲线超高信息的方式得到关键里程节点的定位信息；
[0058]
在本发明中，上述三个模块的具体工作原理如下：
[0059]
1)惯性里程定位模块通过包括陀螺仪和加速度计的惯性式传感器的数据计算里程，惯性式传感器与巡检机器人走行部固定连接，通过测量物体运动加速度和角速度并在互补滤波的基础上进行积分得到每个时刻的速度和里程信息，从而输出连续里程-时间信息。
[0060]
2)线路特征定位模块依靠铁路轨道的曲线超高信息逐段顺序匹配的方式实现关键里程节点定位，实现步骤包括：
[0061]
s301、巡检计划开始前输入包括目标铁路轨道实际的曲线和道岔在内的线路数据集；
[0062]
s302、工控机根据输入的线路数据集按照曲线和道岔在铁路轨道上的空间分布依次生成用于匹配的预设特征曲线用于作为特征匹配模型的输入，每一条预设特征曲线均带有一段曲线或道岔对应的超高数据；
[0063]
s303、巡检机器人开始巡检后，不断采集带时间信息的超高数据并输入工控机中，由特征匹配模型与巡检起点位置所在的第i条预设特征曲线进行匹配，当特征匹配模型识别到巡检机器人经过第i条预设特征曲线对应的曲线或道岔区域时，输出对齐时间信息指令，对齐检测到的超高数据和第i条预设特征曲线的起点与终点，将预设特征曲线起点和终点各自对应的时间输出为t
i-start
和t
i-end
；
[0064]
s304、以第i个预设特征曲线对应的曲线或道岔的实际里程信息为基准，通过平滑插值修正所述连续里程-时间信息中位于t
i-start
和t
i-end
时刻之间的里程信息；其中i表示第i个预设特征曲线，同时也表示了巡检机器人经过的第i个曲线或道岔；
[0065]
s305、当第i条预设特征曲线匹配成功后，第i+1条预设特征曲线开始进入匹配进程，巡检机器人采集的超高数据继续由特征匹配模型按照相同的匹配方法与下一条预设特征曲线进行匹配。
[0066]
3)标识牌检测定位模块依靠结构光摄像机和深度卷积循环神经网络进行标识牌的光学字符获取与识别，实现步骤包括：
[0067]
s311、由轨道巡检机器人所载的前视结构光摄像机和侧视结构光摄像机对线路侧边场景进行持续性的图像捕获；
[0068]
s312、基于所拍摄到的照片先使用卷积神经网络(convolutional neural network,cnn)进行特征提取，输出特征序列为x＝{x1,x2,
…
,x
t
}，其中x
t
表示t时刻的特征；
[0069]
s313、基于所述特征序列，使用深度双向长短记忆网络(bidirectional long short term memory network,bilstm)对特征序列进行逐帧预测，预测结果经过转换得到最终文本，输出识别到的标识牌图像上的里程信息；其中bilstm对每一个特征预测其标签分布：y
t
←ht
＝g(x
t
,h
t-1
)，其中h
t
表示t时刻的网络内部状态，y
t
表示预测结果，进而得到预测结果序列为y＝{y1,y2,
…
,y
t
}，其中每个预测结果都是一个概率分布，其中表
示概率空间，表示字符标签集合；给定序列对序列的映射函数定义在序列其中t表示序列长度，重复的标签和空白标签会被依次移除，并使用如下条件概率作为预测结果标签序列概率：
[0070][0071]
其中表示t时刻的标签概率；
[0072]
s314、识别到标识牌上的里程信息后，输出对应标识牌图像的时间信息tj，j为识别到的标识牌序号，并采用平滑插值修正所述连续里程-时间信息中时间信息tj对应的里程信息。
[0073]
整个巡检过程中，上述惯性里程定位模块、标识牌检测定位模块和线路特征定位模块均持续工作，同时需要对巡检过程中内置卫星接收到的卫星信号强度进行沿途判定，并根据判定结果选择不同的定位信息生成定位-时间信息，其中判定结果可以分为a)和b)两种情况：
[0074]
a)在卫星信号强度满足定位要求的时段，利用内置卫星的定位信息校准所述连续里程-时间信息中的里程信息，同时将内置卫星的定位信息与时间信息匹配后形成对应时段的定位-时间信息。
[0075]
b)在卫星信号强度不满足定位要求的时段(例如经过山岭隧道等低卫星信号地段时)，则获取由惯性里程定位模块输出的所述连续里程-时间信息，并开始读取标识牌检测定位模块和线路特征定位模块输出的关键里程节点的时间信息，将所述关键里程节点时间信息匹配到所述连续里程-时间信息中，以时间信息为标定基准将已有的连续里程和关键里程节点的里程信息进行数据对齐，利用关键里程节点的里程信息对所述连续里程-时间信息中的里程进行修正，再根据修正后的里程确定定位信息并形成对应时段的定位-时间信息。
[0076]
将在卫星信号强度满足定位要求的时段的定位信息和卫星信号强度不满足定位要求的时段的定位信息在时间轴上合并，即可得到完整的用于匹配巡检数据的全时段定位信息。
[0077]
由此可见，虽然巡检机器人开始巡检后，标识牌检测定位模块与线路特征定位模块是持续进行工作的，但只在卫星信号强度不满足定位要求时被调用关键里程节点的定位-时间信息。
[0078]
标识牌检测定位模块与线路特征定位模块所确定的关键里程节点信息主要用于修正无法得到准确卫星定位信号时的惯性里程定位模块的里程计偏差。标识牌检测定位模块检测到的每一块标识牌以及线路特征定位模块匹配到的每一条预设特征曲线对应的曲线或道岔，均可以根据其在实际铁路线上的位置来获得准确的定位信息，用于对惯性里程定位模块的里程信息进行修正。在本发明中，修正的方式均采用平滑插值方法修正里程，该方法具体是以关键里程节点间所有检测数据点均分里程误差的方式进行修正，即将总的里程偏差平均分到所有的检测数据点上，使最后一个检测数据点的里程与准确值相符。
[0079]
需要注意的是，由于卫星信号定位模块、线路特征定位模块、标识牌检测定位模块均可以获取定位信息，用于对惯性里程定位模块输出的所述连续里程-时间信息进行里程
修正。总体而言，里程修正优先级为卫星信号定位模块大于线路特征定位模块大于标识牌检测定位模块，即卫星信号强度满足定位要求的时段，直接用卫星定位信号进行里程修正，而在卫星信号强度不满足定位要求的时段，线路特征定位模块和标识牌检测定位模块均可能输出关键里程节点的定位信息，假如在某一时刻同时存在这两种模块输出的关键里程节点定位信息，线路特征定位模块的里程修正优先级需大于标识牌检测定位模块，即优先采用线路特征定位模块输出关键里程节点的定位信息进行里程修正。
[0080]
s4、当巡检机器人完成整个巡检计划后，即可获得巡检起始点之间的所有巡检数据与定位-时间信息，由于两类数据之间的时间信息经过时钟校准后是统一的，因此可以以时间信息为基准，将巡检起始点之间的巡检数据与定位-时间信息进行数据匹配，输出带有准确定位信息的巡检数据。
[0081]
另外本发明中，在线路特征定位模块中，当线路数据集上的关键里程节点为圆曲线时，预设特征曲线的波形为等腰梯形，梯形上底长度为圆曲线的长度、梯形下底长度为曲线全长，梯形的高为实设超高值；当线路数据集上的关键里程节点为道岔时，预设特征曲线的波形采用表达式为h
×
sin(a
×
l)的正弦函数，其中l为相对里程，h为导曲线的理论曲率，h＝5400/r，正弦函数的角频率a通过道岔尖轨和导曲线的长度l进行估计，a＝π/l；所述特征匹配模型采用相关系数绝对值的大小来衡量匹配度，具体表示为：
[0082]
l
error
＝max abs(corr(f(t),g(t))),
[0083]
其中，l
error
为预设特征曲线和检测到的超高数据的里程偏差，里程偏差越小相关系数越接近于1；corr为相关系数计算函数，f(t)为经过截断处理用于匹配的超高数据，g(t)为用于匹配的预设特征曲线。
[0084]
另外本发明中，在标识牌检测定位模块中，所述标识牌包括百米标、公里标、圆曲线标、缓和曲线标、竖曲线标；所述前视结构光摄像机用于捕获垂直/倾斜线路方向安装的百米标、公里标，及辅助判别圆曲线标、缓和曲线标和竖曲线标；所述侧视结构光摄像机用于捕获平行于线路方向安装的圆曲线标、缓和曲线标和竖曲线标，并辅助判别百米标与公里标；标识牌上的文本识别对象可分为由字母“k”、数字、符号“+”和数字组成的a类标识牌以及由“k”字母和三位数字组成的b类标识牌。
[0085]
前述cnn-blstm架构网络的训练使用真值条件概率的负对数似然为损失函数：
[0086][0087]
其中ii表示所输入图像，表示真实值，表示二者所构成数据集，yi表示由图像ii经过cnn和blstm生成的序列。
[0088]
综上可见，本发明在巡检过程中基于内置的惯性传感器输出“线式”的连续里程数据，并通过基于深度卷积循环神经网络的标识牌检测定位模块以及基于数据集柔性匹配的线路特征定位模块识别到关键里程节点，在连续里程数据上通过统一的时间信息来回溯标定各个关键里程节点的位置信息，达到“点式”修正里程的目的。本发明在轨道巡检机器人加装惯导传感器的基础上，利用巡检机器人原有的传感设备和既有数据集就能进行关键里程节点的修正，亦不需要在线路上加装额外设备，同时采用时间信息回溯标定的方式也避免了多元异构数据的融合问题。本发明形成的“线式”和“点式”相结合的定位方法，使得轨
道巡检机器人能够在巡检数据上达到亚米级的定位精度，方便之后的线路维护工作。
[0089]
下面将上述s1～s4所述的低卫星信号环境下轨道巡检机器人检测数据精确定位方法应用于具体的实施例中，通过具体的实施例并结合附图对本发明做进一步的详细描述，以便于展示本发明的具体技术效果。由于上述s1～s4所述的定位方法中，标识牌检测定位模块和线路特征定位模块都可以对惯性里程定位模块输出的连续里程-时间信息进行里程修正，因此分别通过两个实施例来说明各自模块的修正方式和修正效果。但是需要说明的是，下面的两个实施例中标识牌检测定位模块和线路特征定位模块实际是可以同时工作的，分开通过不同的实施例来展示仅仅是为了便于描述和效果展。
[0090]
实施例1
[0091]
在本实施例中，以轨道巡检机器人通过某城轨线路曲线地段为例，对惯性里程定位模块和标识牌检测定位模块共同作用修正里程信息的过程进行阐述。值得说明的是，在本发明的实施例中，为描述方便，所述巡检时间和巡检距离都为相对值，设置某一靠近修正点位置的时间和距离为原点，从该位置开始对时间和距离进行计数。如在本实施例中，由于此前在车辆段内已行驶一段距离，为方便描述里程的修正过程，以里程为k0+112.274处位置为巡检数据的零点，并以该位置之后记录的数据为例进行数据里程数据修正过程的说明。
[0092]
为保证标识牌检测定位模块的光学字符识别能够正常工作，预先在地铁线路场景内收集相应字符数据集照片10000张对深度卷积循环神经网络进行预训练，训练、测试、验证集合比例为6：3：1，实验环境为服务器一台，cpu为i5 7400u，32g ram，具备一张12g显存的3080ti显卡，软件环境为ubuntu 20.04，部署pytorch 1.9.0。adadelta的参数ρ＝0.9。所有的照片都被缩放至100
×
32，以加速训练过程。训练完成后在标识牌检测定位模块中加载训练好的深度卷积循环神经网络开始工作。如图2所示，巡检机器人以8km/h的时速在某城轨线路左股轨道进行巡检，进入某曲线后在02：23：46时刻经过k0+607.032里程拍摄到圆缓点标识牌图像，将该图像输入标识牌检测定位模块后首先由卷积神经网络提取图像特征，并转入深度双向长短时记忆网络逐帧预测字符，将预测结果转换为文本，输出字符串：“圆缓”和“左k0+607.032”，并将字符串转换为里程信息为“k0.607032”，同时将图像拍摄时刻换算为相对巡检时间：220秒。基于同样的过程在第167s时收集到了直缓点的里程数据，为k0+494.758。
[0093]
下面结合图3对巡检数据里程的具体修正过程进行说明。在巡检开始后，惯性里程定位模块开始工作，记录了如图3所示的巡检速度信息，并通过积分得到了图3中的巡检距离-时间信息。将标识牌检测定位模块采集到的关键里程节点按照时间信息进行匹配可知，由于在正线运行前已经在车辆段内巡检一段时间，初始里程未标定，因此里程出现了较大幅度的漂移。在第167s时巡检机器人经过了k0+494.758，但此时惯性里程定位模块的数据里程为k0+382.260m。同样，在第220s时巡检机器人经过了k0+607.032，但此时数据里程为k0+498.246。
[0094]
确定了关键里程节点信息后发现，在k0+494.758位置里程计数漂移了112.274m，在k0+494.758里程漂移了108.786m。将误差按区间平均分配给每个采样点(采样频率为1hz)并进行平滑插值后，将里程时间信息进行了修正如图4所示。此时第167s时数据里程为k0+494.758，第220s时数据里程为k0+607.032。
[0095]
实施例2
[0096]
在本实施例中，以轨道巡检机器人通过某高铁线路曲线地段为例，对惯性里程定位模块和线路特征定位模块共同作用修正里程信息的过程进行阐述。在本实施例中，为表述方便，以里程为k392+600处位置为巡检数据的零点。
[0097]
如图5所示，根据线路数据集，发现在里程k392.6～k392.7处有一总长800m，圆曲线长200m，超高为58mm的曲线，因此首先生成下底长800m，上底长200m，高度为58m的等腰梯形作为超高检测数据的预设匹配曲线。图5中实线为巡检机器人在进入k392区间后采集到的带时间信息的超高检测数据，将预设匹配曲线与超高检测数据匹配后发现，巡检机器人在第38秒通过了直缓点即k392+600处，第308秒通过了曲中点即k392+700处，第682秒通过了缓直点即k393+500处。
[0098]
结合图6对巡检数据里程的具体修正过程进行说明。图6下方为惯性里程定位模块记录的速度曲线，通过积分得到了图6上方的相对巡检距离曲线。k392+600处为巡检数据的零点，根据线路特征定位模块输出的各位置点对应时间信息将直缓点、曲中点和缓直点的里程坐标与相对巡检距离曲线对齐，发现此时在直缓点处里程被记录为k392+702.0200，曲中点处里程被记录为k393+103.006，缓直点处里程被记录为k393+504.170，在三个关键里程节点处里程信息分别漂移了2.020m、3.006m和4.170m。同样将将误差按节点区间平均分配给每个采样点(采样频率为1hz)并进行平滑插值，对里程数据进行修正，修正结果参见图7，由于漂移量较小，修正前后里程曲线宏观上差异不显著，但放大后仍然可以看到巡检数据里程信息已被修正。
[0099]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。