孙晓东，宋雷震

(淮南联合大学 智能制造学院，安徽 淮南 232038)

对于巡检机器人而言，因为其工作环境多为室内、管道、工作站等较为狭小密闭的空间，障碍物较多，因而需要检测识别障碍物，并获取与障碍物之间的距离，以达到自主定位导航的目的。目前多数巡检机器人采用雷达、超声波传感器、激光测距仪等来实现对障碍物的识别与定位，但这些方法的成本较高，智能度也不够，因此无法满足需求[1]。针对上述问题，提出一种基于自主定位导航和深度学习的视觉感知的巡检机器人检测方法。使用深度学习中的SSD(Single Shot MultiBox Detector)算法识别障碍物，并计算障碍物的像素高度；通过相似集合原理计算巡检机器人与障碍物之间的距离，并向机器人发送Twist信息，以完成自主定位导航。研究结果表明，该方法能够有效提高巡检机器人对障碍物的识别与定位精度，对智能机器人的发展有一定借鉴意义[2]。

1 巡检机器人对障碍物的识别与定位

1.1 基于深度学习的SSD算法对目标的检测

目前巡检机器人使用较多的目标检测算法有YOLO算法、R-CNN算法以及SSD算法[3]。这三种算法都是基于卷积神经网络(Convolutional Neural Networks，CNN)的深度学习算法[4]。YOLO算法对目标物的定位精度较低，且很难检测体积较小的物体，而SSD算法能够直接采用卷积神经网络进行目标检测，且能够产生不同大小的先验框以对不同大小的目标物进行匹配检测，克服了YOLO算法存在的缺点[5]。SSD算法是一种单阶段目标检测算法，同时也是一种端到端的目标检测算法，因此相较于R-CNN算法，SSD算法对目标物的检测速度更快，检测效率更高[6]。……