人工智能消防机器人、灾情检测方法、计算机装置及介质与流程

[0001]
本申请涉及智能设备技术领域，尤其涉及人工智能消防机器人、灾情检测方法、计算机 装置及介质。


背景技术：

[0002]
近年来，随着我国石油化工等基础工业的飞速发展，生产中易燃易爆和剧毒化学制品导 致火灾事故发生的概率也越来越高，再加上家庭生活、森林户外等场景火灾事故的频频发生， 不仅对人们和社会的财产造成巨大损失，也给事故人员和救援人员带来生命危险。
[0003]
人工智能消防机器人的出现，不管是对受灾人员还是消防行业来说都意义重大，因此， 国外早在上世纪80年代，就由日本率先开始了对人工智能消防机器人的研发工作，之后美国、 法国、德国、前苏联等国家也迎头赶上，普遍取得了相应的研究成果。
[0004]
由于国内地大人多，加上经济快速发展导致火灾事故快速上升，因此人工智能消防机器 人的应用场景是世界上最多多复杂的，应用市场也是全球最大的。在国家的大力推动下，我 国的人工智能消防机器人的技术水平已经处于国际领先水平。
[0005]
不过，虽然在研发机构、企业、高校和政府的共同努力下，我国的人工智能消防机器人 研发工作进展神速，但目前实际的应用案例却少之又少；
[0006]
之所以我国的人工智能消防机器人应用较少，主要是受到三个因素的制约：第一，目前 我国的人工智能消防机器人功能较为单一，目前按人工智能消防机器人的用途和功能分类， 有：火场侦察机器人、消防灭火机器人、危险物品泄漏探测机器人、破拆机器人和救援机器 人等单用途机器人。而把侦查和灭火或者危险品探测整合起来就被冠名为“多功能”，但距离 消防实战意义上的“多功能”相去甚远，消防实战意义的多用途多功能，不但需要的一体化 机器人，更需要具有人工智能的可自主消防救援的机器人，而不是通过人来进行遥控操作的 远程机器。
[0007]
其次，灭火机器人都以水带灭火为主，机器人拖着一条或者几条水带行军，无疑对其移 动速度和转向能力带来了致命的缺陷，机器人拖着一条沉重的水带不但行动缓慢，而且难以 掉头，更无法回旋。所以，目前人工智能消防机器人受移动和地形限制，无法应对高层火灾 和石油化工等大型火灾情况。
[0008]
再有，人工智能技术还有待提高。目前大部分人工智能消防机器人并不能称为真正的“机 器人”，仅仅是人为遥控的机器而已。现在市场上仅有大华人工智能消防机器人带有三轴陀螺 仪，可以判断倾覆危险而自动停车。
[0009]
因此，如何提供一种改进的人工智能消防机器人来克服上述缺陷，已成为业界亟待解决 的技术问题。


技术实现要素：

[0010]
鉴于以上所述现有技术的缺点，本申请的目的在于提供人工智能消防机器人、灾
情检测 方法、计算机装置及介质，从而解决现有技术中人工智能消防机器人的各种功能缺陷问题。
[0011]
为实现上述目标及其他相关目标，本申请提供一种人工智能消防机器人，包括：可移动 部件；设于所述可移动部件的机器人本体，包括：控制部件、电池部件、激光探测部件、视 觉热像探测部件、及声波火情探测部件；所述电池部件，供电性连接以供电；所述激光探测 部件，设于所述移动机构，电性连接所述控制部件，用于探测环境得到环境结构数据，以供 得到环境障碍物分布；所述视觉热像探测部件，设于所述移动机构，用于采集环境热度图像 数据，以供发现火灾位置；所述声波火情探测部件，用于向外发送及接收声波信号以探测环 境，以得到声波探测数据，以供定位火灾位置方向、距离、及火势；应灾运动组件，用于执 行消防救援作业；所述控制部件，电性连接所述可移动部件以控制其移动；所述控制部件， 电性连接所述激光探测部件、视觉热像探测部件、及声波火情探测部件，用于至少根据所述 环境结构数据、环境热度图像数据、及声波探测数据作为输入，输入至基于机器学习模型实 现的灾情探测模型进行估计以得到火灾灾情估计结果；所述控制部件，电性连接所述应灾运 动组件，用于控制执行消防救援作业。
[0012]
于本申请的一或多个实施例中，所述应灾运动组件，包括：机械手和/或灭火部件；其中， 所述机械手，用于破拆以救援；所述灭火部件，用于发射灭火材料。
[0013]
于本申请的一或多个实施例中，所述灭火部件，包括：火箭式灭火弹发射装置。
[0014]
于本申请的一或多个实施例中，所述控制部件，用于将火灾灾情估计结果输入消防救援 模型以得到输出的匹配的救援应急预案，并按所述救援应急预案控制所述可移动部件配合应 灾运动组件执行消防救援作业。
[0015]
于本申请的一或多个实施例中，所述可移动部件包括：承载所述机器人本体的可移动底 盘，其包括：履带轮运动机构，包括：分布在相对两侧的两组履带轮组件，每组履带轮组件 包括：一组主动轮及从动轮，每组主动轮及从动轮外绕设有履带；主动轮减速机构，与所述 主动轮连接；爬坡机构，包括：多个自适应爬坡组件；每个自适应爬坡组件包括：与一所述 主动轮同轴连接而随动的驱动轮、以及与所述驱动轮间通过履带绕接的副轮；且所述驱动轮 和副轮的轮轴可转动地套接在同一连接件的轴孔中，以限制驱动轮和从动轮的相对位置。
[0016]
于本申请的一或多个实施例中，所述激光探测部件，包括：3d激光扫描仪。
[0017]
于本申请的一或多个实施例中，所述视觉热像探测部件，包括：红外多目摄像机。
[0018]
于本申请的一或多个实施例中，所述视觉热像探测部件、激光探测部件、及声波火情探 测部件中的一种或多种是能活动地设置的，所述活动包括：升降和/或转动。
[0019]
于本申请的一或多个实施例中，所述的人工智能消防机器人，还包括：离子气谱侦检部 件，用于检测环境中预定种类的气体数据；所述气体数据也作为所述基于机器学习模型实现 的灾情探测模型的输入。
[0020]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为经训练的 神经网络模型。
[0021]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为径向基函 数神经网络模型，并根据最近邻聚类学习算法建立。
[0022]
为实现上述目标及其他相关目标，本申请提供一种火灾灾情检测方法，包括：获取
火灾 现场的环境结构数据、环境热度图像数据、及声波探测数据；作为输入，输入至基于机器学 习模型实现的灾情探测模型进行估计以得到火灾灾情估计结果。
[0023]
于本申请的一或多个实施例中，所述的方法，还包括：获取火灾现场的环境中预定种类 的气体数据，并将所述气体数据也作为所述基于机器学习模型实现的灾情探测模型的输入。
[0024]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为经训练的 神经网络模型。
[0025]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为径向基函 数神经网络模型，并根据最近邻聚类学习算法建立。
[0026]
于本申请的一或多个实施例中，方法还包括：将火灾灾情估计结果输入消防救援模型以 得到输出的匹配的救援应急预案，并按所述救援应急预案执行消防救援作业。
[0027]
为实现上述目标及其他相关目标，本申请提供一种计算机装置，包括：一或多个通信器、 一或多个存储器、及一或多个处理器；所述一或多个通信器，用于与外部通信；所述一或多 个存储器，用于存储计算机程序；所述一或多个处理器，用于运算所述计算机程序，以执行 所述的火灾灾情检测方法。
[0028]
为实现上述目标及其他相关目标，本申请提供一种计算机存储介质，存储有计算机程序， 所述计算机程序在被一个或多个处理器运行的情况下执行所述的火灾灾情检测方法。
[0029]
如上所述，本申请的人工智能消防机器人、灾情检测方法、计算机装置及介质，人工智 能消防机器人包括：控制部件、电池部件、激光探测部件、视觉热像探测部件、及声波火情 探测部件；所述激光探测部件探测环境得到环境结构数据；所述视觉热像探测部件环境热度 图像数据，以供发现火灾位置；所述声波火情探测部件探测环境得到声波探测数据，所述控 制部件根据这些数据输入，输入至人工智能的基于机器学习模型实现的灾情探测模型进行估 计以得到火灾灾情估计结果，并进一步可智能匹配消防应急预案来执行合适的消防救援措施。
[0030]
本申请的人工智能消防机器人能实现侦查、消防救援等多功能一体化的人工智能消防机 器人，而且该机器人还可以通过选择合适部件来实现全地图快速移动能力、火场侦查能力、 快速灭火能力、破拆和救援能力、自动单机消防救援和联合消防救援能力，弥补了目前人工 智能消防机器人单一性、速度慢、功能差和无智慧的技术空白。
附图说明
[0031]
图1显示为本申请实施例中人工智能消防机器人的结构示意图。图2显示为本申请实施例中机械手的结构示意图。图3显示为本申请实施例中机器自我训练的思路示意图。图4显示为本申请实施例中的火灾灾情检测方法的流程示意图。图5显示为本申请实施例中的计算机装置的结构示意图。
具体实施方式
[0032]
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书
所揭露 的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加 以实施或应用系统，本说明书中的各项细节也可以基于不同观点与应用系统，在没有背离本 申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本申请中的实施例及 实施例中的特征可以相互组合。
[0033]
下面以附图为参考，针对本申请的实施例进行详细说明，以便本申请所属技术领域的技 术人员能够容易地实施。本申请可以以多种不同形态体现，并不限定于此处说明的实施例。
[0034]
为了明确说明本申请，省略与说明无关的单元，对于通篇说明书中相同或类似的构成要 素，赋予了相同的参照符号。
[0035]
在通篇说明书中，当说某单元与另一单元“连接”时，这不仅包括“直接连接”的情形， 也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种单元“包括
”ꢀ
某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素排除在外，而是意味着 可以还包括其它构成要素。
[0036]
当说某单元在另一单元“之上”时，这可以是直接在另一单元之上，但也可以在其之间 伴随着其它单元。当对照地说某单元“直接”在另一单元“之上”时，其之间不伴随其它单 元。
[0037]
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当 被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一接口及第 二接口等描述。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包 括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存 在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他 特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术 语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c
”ꢀ
或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和 c”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义 的例外。
[0038]
此处使用的专业术语只用于言及特定实施例，并非意在限定本申请。此处使用的单数形 态，只要语句未明确表示出与之相反的意义，那么还包括复数形态。在说明书中使用的“包 括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化，并非排除其它 特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
[0039]
表示“下”、“上”等相对空间的术语可以为了更容易地说明在附图中图示的一单元相对 于另一单元的关系而使用。这种术语是指，不仅是在附图中所指的意义，还包括使用中的装 置的其它意义或作业。例如，如果翻转附图中的装置，曾说明为在其它单元“下”的某单元 则说明为在其它单元“上”。因此，所谓“下”的示例性术语，全部包括上与下方。装置可以 旋转90
°
或其它角度，代表相对空间的术语也据此来解释。
[0040]
虽然未不同地定义，但包括此处使用的技术术语及科学术语，所有术语均具有与本申请 所属技术领域的技术人员一般理解的意义相同的意义。普通使用的字典中定义的术语追加解 释为具有与相关技术文献和当前提示的内容相符的意义，只要未进行定义，不得过度解释为 理想的或非常公式性的意义。
[0041]
鉴于现有技术中人工智能消防机器人智能化程度差等问题，本申请提供能进行灾
情估计 并进行相应合适消防救援动作的人工智能消防机器人，解决现有技术的问题。
[0042]
以下通过多个图示及相应实施例来说明本申请的人工智能消防机器人的原理。
[0043]
如图1所示，展示本申请实施例中人工智能消防机器人100的结构示意图。
[0044]
在本实施例中，所述人工智能消防机器人100包括：可移动部件101、及设于所述可移 动部件101的机器人本体。
[0045]
所述可移动部件101，包括：承载所述机器人本体的可移动底盘。
[0046]
在本实施例中，为实现人工智能消防机器人100在火灾现场这样不利于行走的各种地形 中能快速顺畅运动，例如实现爬坡等动作；所述可移动底盘采用履带轮设计。
[0047]
并且，本实施例中，采用非常规的履带轮运动机构设计，不同于例如类似于坦克车等履 带轮方案，更利于爬坡等作业。
[0048]
所述履带轮运动机构，包括：
[0049]
分布在相对两侧的两组履带轮组件111，每组履带轮组件111包括：一组主动轮及从动轮， 每组主动轮及从动轮外绕设有履带；
[0050]
主动轮减速机构，与所述主动轮连接。在一些实施例中，所述主动轮减速机构能用于调 节两侧的主动轮至不同的转速，从而实现转向等；当然，减速机构还可以有其他作用，此处 不展开一一描述。
[0051]
爬坡机构，包括：多个自适应爬坡组件112；每个自适应爬坡组件112包括：与一所述 主动轮同轴连接而随动的驱动轮、以及与所述驱动轮间通过履带绕接的副轮；且所述驱动轮 和副轮的轮轴可转动地套接在同一连接件的轴孔中，以限制驱动轮和从动轮的相对位置。
[0052]
可以通过控制前后两侧的自适应爬坡组件112的角度来调节机器人的运动姿态，从而达 到辅助过坑、越障爬坡等动作。
[0053]
所述可移动底盘内可设置多个电机，通过电机运转驱动其运动，各所述电机可以由所述 电池部件供电。
[0054]
所述机器人本体包括：控制部件(未图示)、电池部件(未图示)、激光探测部件113、 视觉热像探测部件114、及声波火情探测部件115等。
[0055]
所述电池部件，供电性连接以供电。在可能的实现方式中，所述电池部件可以采用大功 率无线充电电池组件，该组件防爆耐高温，并能实现电池充电过程的完全自动化，使用便捷， 维护简单。电池组一次满冲可机器人整体满负载运作多个小时(例如6～10小时)，且可在电 源控制电路实现自适应控制技术，克服充电距离和负载变化对系统性能的影响，控制精度高， 能保护和延长电池寿命。
[0056]
优选的，所述电池部件采用无接触充电(例如无线充电)，工效高，寿命长，可实现充电 时间碎片化；可选的，电池的磁芯结构设计漏磁小，辐射低；可选的，采用多回路谐振设计， 损耗低，输电频带宽；多环路自适应控制算法，确保系统始终处于最佳工作状态；2.4ghz跳 频通讯算法，数据传输延迟小，抗干扰能力强；能通过距离感应和位置确认算法来有效杜绝 充电误动作；可选的，还可设计多重过载保护设计，确保设备运行稳定可靠；可选的，所述 电池部件中的变压器与控制电路一体化结构，节省空间，安装便捷；全密封设计，防水、防 尘、防油，适应各种恶劣工作环境。
[0057]
所述激光探测部件113，设于所述移动机构，电性连接所述控制部件，用于探测环
境得 到环境结构数据，以供得到环境障碍物分布。
[0058]
在一或多个实施例中，所述激光探测部件113，包括：3d激光扫描仪。
[0059]
可选的，3d激光扫描仪可采用usb接口与控制部件电性连接，无需任何其他的外部数 据采集或控制器，体积小，重量轻，搭载组装和维保更为方便。
[0060]
该3d激光扫描仪可内嵌处理系统，运行软件即时完成3d扫描数据的获取和处理，具有 强大的逆向工程处理功能，其通用机器接口可以与机器人各运动机构(例如所述可移动机构) 等相连，配合3d激光扫描仪移动来完成大型建筑物及障碍物体的扫描、造型、检测、复制 等任务。
[0061]
在一些实施例中，较为理想的3d激光扫描仪的性能要求，举例来讲可以包含以下的一 种或多种：
[0062]
1)扫描精度高，例如达到0.025mm，重复精度可达0.005mm；
[0063]
2)数据处理速度快，采用实时图像处理技术，可每秒输出例如75帧激光扫描线，实现 快速扫描，同时可用软件使能同步信号的输出。
[0064]
3)可靠性好，使用了自适应技术和抗干扰技术，使其能在复杂的环境条件下使用，能自 动优化不同物体表明的测量条件。
[0065]
4)使用操作简单，该产品将被设计成传感器式，就像使用普通的传感器一样，插入工控 机或计算机的usb接口就能获得扫描数据，无需任何其他设置。体积小、重量轻、功耗低， 该扫描仪器的小型化减少了外形体积和重量，在不使用时可自动进入休眠状态以节省功耗。
[0066]
5)软件功能强大，具有强大的逆向工程功能，可提供云图处理、建模、造型、数据分析 等，可以完成大型复杂的3d扫描、复制和检测。
[0067]
需说明的是，上述性能要求仅为举例，而非以此为限。
[0068]
所述视觉热像探测部件114，设于所述移动机构，用于采集环境热度图像数据，以供发 现火灾位置。
[0069]
可选的，所述视觉热像探测部件114，包括：红外多目摄像机。
[0070]
在可能的实现方式中，所述红外多目摄像机可以优选为远距离双光谱一体化云台摄像机 (即双目)，高度契合人工智能消防机器人100的应用。可以通过云台实现例如升降和/或转 动来调节摄像机的角度、位置等。
[0071]
可选的，该摄像机内部可采用长焦电动变倍高清透雾日夜型网络摄像机，并配合大口径 的非制冷热成像摄像机，搭载360
°
全方位精密网络重载云台，实现6千米-10千米以上昼夜 全天候视频监控。该摄像机在白天输出全彩色图像，热成像组件可24小时进行图像处理和测 温运算，内部工业级嵌入式控制电子系统，实现对可见光成像系统和红外热成像系统的变倍、 聚焦、视频切换、云台俯仰/旋转高稳定性控制。整机具有ip66防护等级，结构坚固并全密 封，表面抗氧化防盐雾喷涂。远程除霜防雾化功能，防水和耐高低温特性良好，可以无视各 种恶劣环境全天候工作。
[0072]
在一些实施例中，较为理想的远距离双光谱一体化云台摄像机的性能要求，举例来讲可 以包含以下的一种或多种：
[0073]
1)远距离监控设备，可满足6公里-10公里范围内的有效动态监控并及时追踪热点预警；
[0074]
2)可见光、远红外热感应双通道成像输出，昼夜互补，24小时不间断监控；
[0075]
3)高清晰透雾摄像机，机械式滤光片切换，135级灰度等级，自动黑电平、轮廓校正；
[0076]
4)可见光采集选用望远长焦透雾镜头，红外增透滤片和摄像机dsp处理二合一高效透 雾技术，解决可见光学摄像机在雾霾条件下的可视问题；
[0077]
5)大倍数变焦镜头，实现目标远摄的需要，具有自动聚焦、预置功能；
[0078]
5)热成像采用国际先进的非制冷氧化钒(vox)微热探测器(可选336*256、384*288、 640x480、640*512分辨率或同等像素)；
[0079]
6)热成像镜头可选用定焦镜头、视场切换、连续变焦，电动调焦获取更清晰的夜视图像， 机芯采用高灵敏探测器，支持场景热点追踪；
[0080]
7)恶劣天气适应性强，利用远红外特性，即使全黑、雨、雪、雾、烟尘环境都可以有效 成像；
[0081]
8)全方位一体化重载云台，采用无级变速控制，高等级防护，例如ip66防护等级；
[0082]
9)预置位可达256个，支持巡航扫描，无人值守，自动扫描等功能；
[0083]
10)集成热成像集成测温检测模块，实时对监控环境360度热点扫描检测，实时分析林 区可疑点温度变化，探测到火情自动预警；
[0084]
11)可结合gis地理信息系统二次开发目标场景定位功能，定位精度0.01度；
[0085]
12)摄像机设备耐寒，内集成有自动温度控制保护，整机采用严密的加固处理，可有效 防尘、防淋雨、抗振、抗冲击。
[0086]
需说明的是，上述性能要求仅为举例，而非以此为限。
[0087]
所述声波火情探测部件115，用于向外发送及接收声波信号以探测环境，以得到声波探 测数据，以供定位火灾位置方向、距离、及火势。
[0088]
从中可知，声波火情探测主要解决三个问题：一是判断火灾点的距离，二是火势的大小， 三是火灾点的方向。
[0089]
具体说明声波探测火情的原理：
[0090]
判定火灾点距离最重要的线索是声音的大小。一般说来，近的声音比远的声音要大。火 灾点距离另一个线索是火灾声音的复杂性。在一般情况下，声音越复杂，灾点就越近。因为 一般声音都是复音，复音中所包括的音强弱不同。火灾点远，复音中较弱的音就会听不到。 火灾点越远，复音中较弱的音就听到的越少，最后接近于纯音。如再远一些，就会所有的音 都听不到了。
[0091]
火灾点的方向的线索有双耳的，也有单耳的。当转头的时候，声源对两耳的距离就会改 变，声音的音调和音强对两耳就有不同的变化。甚至在头静止不动的时候，也会有这种两耳 的差别，这就提供了判定火灾点方向的线索。
[0092]
火灾声源的距离也对火势大小的判断提供了线索。声音响度大且复杂，火势就较大，反 之则较小。听觉声音的核心问题，其一是对声音的感受；其二是对声音讯号的分析(分辨频率、 强度、音质、时程以及声源方向).声音定位作为一个总体概念，包括方向和距离两方面的定 位。声音定位的三个主要因素：声音从声源传到两耳的距离不同，导致声音传到两耳时产生 一个时间差；由于头的反射和遮掩作用，使离声源近的那只耳朵收到的信号比离声源远些的 那只收到的信号强，这就产生了一个强度差；声源位置的不同使两耳接
收到的声音信号的频 谱也不一样，这就是耳廓和外耳道的滤过特性，或者叫单耳频谱特性。声源在空间中的方向 通常是以头部为参考点来定义的.正因为如此，声源的位置一般由三个平面确定：水平面定义 为通过两外耳道入口的上沿与眼眶下沿连线所构成的平面.额平面定义为垂直于水平面并横 穿两外耳道入口上沿的平面.正中矢状平面定义为既垂直于水平面又垂直于额平面的平面.三 个平面的交点大体位于头的中心，此点被定义为坐标原点，用来定位声源相对于头的各个角 度.声源的位置可由方位角和仰角来确定。
[0093]
可选的，所述激光探测部件113、及声波火情探测部件115也是能活动地设置在可移动 部件101上的，所述活动包括：升降和/或转动。
[0094]
可选的，所述的人工智能消防机器人100，还包括：离子气谱侦检部件116，用于检测环 境中预定种类的气体数据。从而，能有效判断现场灾情情况，例如可燃气体、有害气体的浓 度，从而判别采用合适的消防手段。
[0095]
优选的，所述离子气谱侦检部件116能探测上百种，例如100种以上，优选为600种以 上的气体的浓度。
[0096]
说明其原理：
[0097]
离子气谱也称离子迁移率谱，是在20世纪70年代初出现的一种新的气相分离和检测技 术。它以离子漂移时间的差别来进行离子的分离定性，借助类似于色谱保留时间的概念，起 初被称为等离子体色谱。技术发展初期主要是在爆炸物和毒剂的检测方面，并于20世纪80 年代初研制出军用现场检测仪器。但是因为其分辨率低的缺点和当时对大气压力下离子化的 特性了解不多，民用方面的发展缓慢。随着近年来反恐稽毒的需求极大地促进了现场高灵敏、 高选择性检测设备的发展。离子气谱侦检技术特别适合于一些挥发性有机化合物的痕量探测 如化学战剂、毒品、爆炸物和大气污染物等，已经广泛地应用在机场安检和战地勘查并在环 境监测、工业生产等方面有应用。
[0098]
离子气谱侦检的核心部件是漂移管,其工作原理是首先被检测的样品蒸汽或微粒气化后 经过一层半渗透膜滤除其中的烟雾、无机分子和水分子等杂质,然后被载气携带进入漂移管的 反应区。在反应区内，样品气首先被63ni放射源发射的射线电离，形成产物离子，在反应区 电场的作用下，产物离子移向离子门。控制离子门的开关脉冲，形成周期性进入漂移区的离 子脉冲。在漂移电场的作用下，产物离子沿轴向向收集电极漂移。离子的迁移率依赖于其质 量、尺寸和所带电荷。不同物质生成的产物离子在同一电场下的迁移率不同，因此通过整个 漂移区长度所用的漂移时间也不同。在已知漂移区长度和漂移区内电场条件下，测量出离子 通过漂移区到达收集电极所用的时间，就可以计算出离子的迁移率(迁移率的定义是指在单位 电场强度作用下离子的漂移速度)，从而可以辨识被检测物种类。通过测量离子峰的面积，就 可以估算出被检测物的浓度。通过改变反应区和漂移区电场方向，漂移管可以同时监测正负 离子。因此,可以同时监测多种化学物质。
[0099]
离子气谱侦检部件116由以下七大部分组成：离子迁移管，载气和迁移气体循环系统(简 称气路系统)，采样与进样系统，离子门控制系统，高压电源系统，温度加热控制电路，信号 放大，采集和数据处理系统。迁移管、气路系统以及采样与进样系统是硬件，其余部分则是 控制电路并直接由计算机装置(例如本申请中的控制部件中集成)对工作状态进行总体控制。
[0100]
所述应灾运动组件，用于执行消防救援作业。
[0101]
在一或多个实施例中，所述应灾运动组件，包括：机械手117和/或灭火部件118；其中， 所述机械手117，用于破拆以救援；所述灭火部件118，用于发射灭火材料。
[0102]
其中，在可能的实现方式中，如图2所示，所述机械手201是可旋转(如360度)的， 并采用4爪设计，提高了抓取的稳定性。可选的，所述机械手201由耐高温合金建造，采用 启动进行破拆动作和抓取动作。
[0103]
其中，在可能的实现方式中，所述灭火部件118，包括：火箭式灭火弹发射装置。
[0104]
该灭火弹组件采用了如下原理：多发小型高效火箭式灭火弹装填到发射器内，装填到位 后，尾翼上接电片与发射器上供电部位接触，接通发火电路，并点燃火箭发动机，引燃火箭 推进剂。火箭发动机开始工作后将弹丸发射出膛，同时点燃战斗部开舱机构延期体。战斗部 到达火场后，顶部安装的快引线遇火后迅速点燃中心爆药，将战斗部内装的超细高效灭火降 温材料(如干粉固体、液体或气体状态)抛撒开，达到扑灭火灾的目的。如战斗部未被明火 引燃，则弹丸中部的延期机构经过约3秒延期后作用，点燃中心爆药。在0
°
～60
°
射角内， 战斗部炸点高度约为1.5米～5米。
[0105]
可选的，弹体内的延时装置还具有自毁功能，避免了战斗部未被明火引燃，灭火弹不作 用带来的安全隐患。
[0106]
所述控制部件，电性连接所述可移动部件101以控制其移动。例如，控制部件通过发送 控制指令至可移动部件101中的各个电机中的一或多个以实现对例如主动轮等机构的驱动。
[0107]
所述控制部件，电性连接所述激光探测部件113、视觉热像探测部件114、及声波火情探 测部件115，用于至少根据所述环境结构数据、环境热度图像数据、及声波探测数据作为输 入，输入至基于机器学习模型实现的灾情探测模型进行估计以得到火灾灾情估计结果；所述 控制部件，电性连接所述应灾运动组件，用于控制执行消防救援作业。
[0108]
可选的，所述气体数据也作为所述基于机器学习模型实现的灾情探测模型的输入。
[0109]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为经训练的 神经网络模型。
[0110]
在可能的实现方式中，所述灾情探测模型基于径向基函数(rbf)神经网络模型实现， 并根据最近邻聚类学习算法建立。
[0111]
具体来讲，神经网络算法的原理是：利用参考的训练样本数据，通过最近邻聚类学习算 法训练神经网络，修改神经网络的权值，即修改了隶属度函数的参数。将这些隶属度函数和 模糊规则保存，作为此现场环境下的模糊推理之用。
[0112]
结合视觉热像探测部件114(如双目热成像摄像机)、激光探测部件113(如激光3d扫描 仪)、及声波火情探测(还可以有离子气谱侦检部件116的实际值)作为输入，按照训练好的 模糊神经网络进行计算，即可得出正确的输出结果。以下是应用rbf模糊神经网络进行灾情 探测
[0113]
灾情分析的结构采用视觉热像探测部件114(如双目热成像摄像机)、激光探测部件113 (如激光3d扫描仪)、及声波火情探测部件115(还可以有离子气谱侦检部件116)等多种设 备的实时采集数据作为神经网络的输入参数，首先对信号进行归一化，使其归一到{0,1}之间 的任一值；然后把归一化为各类灾情的的可能性。由于神经网络的输出是这些
变量的隶属度 函数值，需要再引和人模糊推理对其进行模糊辨识，最后输出为灾情结果。
[0114]
神经网络以视觉热像探测部件114(如双目热成像摄像机)、激光探测部件113(如激光 3d扫描仪)、及声波火情探测部件115(还可以有离子气谱侦检部件116)等多种设备为神经 网络模型的输入，以灾情类型、灾情大小为神经网络的输出，建立神经网络模型。根据最近 邻聚类学习算法，建立的rbf网络模型其输出应为：
[0115][0116]
其中，半径r的大小决定了动态自适应rbf网络的复杂程度。r越小，所得到的聚类数 目就越多，计算量也就越大，精度也就越高。
[0117]
模糊判别规则根据灾情类型和灾情大小输出的是具体灾情的类比数据。根据特征层的输 出结果，经过分析判断并采取适当的融合算法，最终决策出是具体情形。特征层的输出包括 两部分，即神经网络输出的灾情类型s1、灾情大小s2，采用三角形隶属函数建立这些模糊集 的隶属函数。
[0118]
所述控制部件，用于将火灾灾情估计结果输入消防救援模型以得到输出的匹配的救援应 急预案，并按所述救援应急预案控制所述可移动部件101配合应灾运动组件执行消防救援作 业。
[0119]
其中，消防救援模型建模，就是把已知的事故灾害类型和受灾情况的救援应急预案作为 行为训练的样本模型，将事故灾害的各种情况对应到应急预案中设定的动作流程。让人工智 能消防机器人100有一个可以训练的样本和基础。
[0120]
已知的各种不同类型的灾害情况都要建立起对应的预案，再确定灾害受损程度决定具体 的救援行为。灾情严重程度不同的可能需要涉及的救援动作也不尽相同。远距离的大型火灾 致命毒气的，需要启动火箭式灭火弹；远距离大型火灾非致命毒气，需要呼叫水龙外援压制 火势后，破拆进入实施救援。各种灾中和灾后救援的情况，也需要根据环境因素进行区别对 待。
[0121]
所以建模是一个工作量非常庞大的工程，需要有丰富经验的团队才能完成。国家应急管 理部消防救援局的四大研究所有部分资料可以借鉴，以作为样本来训练模型。
[0122]
所述消防救援模型也可以是选用神经网络模型实现，例如rbf、bp、rnn、cnn等。
[0123]
需说明的是，在上述模型建模过程中实现的机器自我训练，其思路是通过灾害模型对应 的行动指令，根据感知神经网络输出的参数适当偏移，评估行动后果及效率。如果后果为否， 或者效率低于65％，则重新归一计算行动指令。训练可以通过不断尝试得到最佳结果，并将 这种结果返推给建模库。示意图如图3所示。
[0124]
本申请上述实施例中的灾情探测模型和/或消防救援模型等，所实现的机器自我训练算法 是一种非监督学习的算法。非监督学习又称归纳性学习(clustering)利用k均值聚类(kmeans)， 建立中心(centriole)，通过循环和递减运算(iteration&descent)来减小误差，达到训练进化的 目的。
[0125]
需说明的是，输入灾情探测模型的环境结构数据、环境热度图像数据、及声波探测
数据 (还可以有气体数据)需是相近时间内采集的，以保证得到的火灾灾情估计结果准确性；相 应的，视觉热像探测部件114、激光探测部件113、及声波火情探测部件115(还可以有离子 气谱侦检部件116)，都是实时进行数据采集的。
[0126]
利用上述实施例中的视觉热像探测部件114(如双目摄像头)、所述激光探测部件113(如 3d激光扫描仪)中的一种或者两种配合，通过控制部件进行处理，能实现机器人自动路径规 划。
[0127]
机器人的自动路径规划涉及slam(simultaneous localization and mapping)技术，也称为 cml(concurrent mapping and localization)，即时定位与地图构建，或并发建图与定位。
[0128]
自动路径规划是一个极为复杂的算法，路径规划是移动机器人导航最基本的环节，指的 是机器人在有障碍物的工作环境中，如何找到一条从起点到终点适当的运动路径，使机器人 在运动过程中能安全、无碰撞地绕过所有障碍物。这不同于用动态规划等方法求得的最短路 径，而是指移动机器人能对静态及动态环境作出综合性判断，进行智能决策。
[0129]
总的来说，路径规划主要涉及这3大问题：
①
明确起点位置及终点；
②
规避障碍物；
③
尽 可能的做到路径上的优化。
[0130]
根据对环境信息的掌握程度不同，机器人路径规划可分为全局路径规划和局部路径规划。
[0131]
全局路径规划是在已知的环境中，给机器人规划一条路径，路径规划的精度取决于环境 获取的准确度，全局路径规划可以找到最优解，但是需要预先知道环境的准确信息，当环境 发生变化，如出现未知障碍物时，该方法就无能为力了。它是一种事前规划，因此对机器人 系统的实时计算能力要求不高，虽然规划结果是全局的、较优的，但是对环境模型的错误及 噪声鲁棒性差。
[0132]
而局部路径规划则环境信息完全未知或有部分可知，侧重于考虑机器人当前的局部环境 信息，让机器人具有良好的避障能力，通过传感器对机器人的工作环境进行探测，以获取障 碍物的位置和几何性质等信息，这种规划需要搜集环境数据，并且对该环境模型的动态更新 能够随时进行校正，局部规划方法将对环境的建模与搜索融为一体，要求机器人系统具有高 速的信息处理能力和计算能力，对环境误差和噪声有较高的鲁棒性，能对规划结果进行实时 反馈和校正，但是由于缺乏全局环境信息，所以规划结果有可能不是最优的，甚至可能找不 到正确路径或完整路径。
[0133]
全局路径规划和局部路径规划并没有本质上的区别，很多适用于全局路径规划的方法经 过改进也可以用于局部路径规划，而适用于局部路径规划的方法同样经过改进后也可适用于 全局路径规划。两者协同工作，机器人可更好的规划从起始点到终点的行走路径。在实际情 况中，机器人路径规划除了考虑已知环境和未知环境地图，还要考虑到动态和静态环境下的 路径规划。
[0134]
在slam技术的算法中，a*(a-star)算法是一种静态路网中求解最短路径最有效的直接 搜索方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终 搜索速度越快。但是，a*算法同样也可用于动态路径规划当中，只是当环境发生变化时，需 要重新规划路线。
[0135]
在slam技术的算法中，d*算法则是一种动态启发式路径搜索算法，它事先对环境位置， 让机器人在陌生环境中行动自如，在瞬息万变的环境中游刃有余。d*算法的最大优点是不需 要预先探明地图，机器人可以和人一样，即使在未知环境中，也可以展开行动，随着机器人 不断探索，路径也会时刻调整。
[0136]
在一或多个实施例中，人工智能消防机器人100还可以建有无线通信部件，电性连接或 集成在所述控制部件中；可选的，所述无线通信部件可以包括：3g/4g/5g通讯模块(优选为 5g通信模块)及数据接口，以在自身无法实施最佳救援行动时可以呼叫外援，形成多种功能 机器人协同进行更为高效的集团救援。比如，呼叫无人机进行灾情全面探测，呼叫自动水龙 机器人进行火势压制，回传重要数据信息至后台指挥平台等。
[0137]
另外，可选的，在设计人工智能消防机器人100中应急救援、通信动作的算法时，人工 智能消防机器人100必须在安全规则下设计和运作，具体的安全规则如下：
[0138]
1)机器人不应该超越人的自主性。所有的人工智能算法及系统自主决策，都能被人检查 和审计，并在必要时可进行人工干预。
[0139]
2)机器人应确保技术可靠性和安全性，设计应能做出高效准确的最优决策，同时对外部 攻击和陷阱具有足够的安全性和防御力。
[0140]
3)所有算法都应该进行广泛的测试，谨慎使用并严格监控。
[0141]
4)应尽量减少人工智能算法的系统性偏差。
[0142]
5)所有人工智能算法都应该可审核可追责。人工智能算法的错误、缺陷、偏见或其他负 面影响，一经发现，应立即予以承认并积极地加以处理。
[0143]
6)确保数据安全与隐私保护。算法的开发及使用过程中，需严格保护用户的个人隐私、 保障数据安全。
[0144]
在一或多个实施例中，所述控制部件可以包括：工控机，实现对机器人各运动部件的驱 动，例如对可移动底盘中的各电机进行控制；可选的，还可以实现对各部件的参数调节，例 如调节视觉热像探测部件114的焦距，角度等等。
[0145]
该工控机，优选的，具有易安装、速度快、抗干扰、耐高温、防爆防辐射、防水防尘、 接口丰富等特点；该工控机需执行设计或工业图像处理的高速、大容量数据处理工作。
[0146]
优选的，工控机的机箱主体为优质钢材，厚度防护性好例如大于10mm，整机防护性能 与抗干扰性能优异，可以满足设备在恶劣环境中的可靠使用，保证不会因遭受到高温、粉尘、 环境腐蚀性气体的侵蚀。可选的，机箱内可采用特殊的抗震措施，如特有硬盘防震设计，使 用相对独立的硬盘托架和拥有设计专利的硬盘弹簧垫圈等，双重保护，层层减震，加强二次 抗振能力，能使整个系统在强振动环境中长期稳定地运行。
[0147]
另外，需说明的是，上述人工智能相关的模型，如灾情探测模型，可以实现于该工控机 的初始硬件(如初始的处理器芯片、存储器等)，也可以实现于外接在该工控机的人工智能板 卡等。
[0148]
如图4所示，展示本申请实施例中的火灾灾情检测方法的流程示意图。
[0149]
所述火灾灾情检测方法可以实现于图1实施例中的控制部件(可以实现于例如该控制部 件的工控机的初始硬件，或外接处理板卡等)，也可以实现于与该人工智能消防机器人通信的 其他处理设备(例如后台指挥平台的台式机、服务器、服务器组等)。
[0150]
由于原理相似，前述实施例中的各技术细节基本都能应用于本实施例中，因此，本
实施 例中不再重复赘述。
[0151]
所述方法具体包括：
[0152]
步骤s401：获取火灾现场的环境结构数据、环境热度图像数据、及声波探测数据；
[0153]
步骤s402：将火灾现场的环境结构数据、环境热度图像数据、及声波探测数据作为输入， 输入至基于机器学习模型实现的灾情探测模型进行估计以得到火灾灾情估计结果。
[0154]
于本申请的一或多个实施例中，所述的方法，还包括：离子气谱侦检部件，用于检测环 境中预定种类的气体数据；所述气体数据也作为所述基于机器学习模型实现的灾情探测模型 的输入。
[0155]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为经训练的 神经网络模型。
[0156]
于本申请的一或多个实施例中，所述基于机器学习模型实现的灾情探测模型为径向基函 数神经网络模型，并根据最近邻聚类学习算法建立。
[0157]
于本申请的一或多个实施例中，方法还包括：将火灾灾情估计结果输入消防救援模型以 得到输出的匹配的救援应急预案，并按所述救援应急预案执行消防救援作业。
[0158]
如图5所示，展示本申请实施例中的计算机装置的结构示意图。
[0159]
所述计算机装置500可以实现于图1实施例中的控制部件(可以实现于例如该控制部件 的工控机的初始硬件，或其外接处理板卡等)，也可以实现于与该人工智能消防机器人通信的 其他处理设备(例如后台指挥平台的台式机、服务器、服务器组等)。
[0160]
所述计算机装置500包括：一或多个通信器501、一或多个存储器502、及一或多个处理 器503；
[0161]
所述一或多个通信器501，用于与外部通信；
[0162]
所述一或多个存储器502，用于存储计算机程序；
[0163]
所述一或多个处理器503，用于运算所述计算机程序，以执行所述的火灾灾情检测方法。
[0164]
在一或多个实施例中，所述一个或多个处理器503能够是任何合适的处理元件(例如处理 器核、微处理器、asic、fpga、控制器、微控制器等)，并且能够是一个处理器或操作地 连接的多个处理器。
[0165]
在一或多个实施例中，所述一或多个存储器502可以包括易失性存储器形式的计算机装 置可读介质，例如随机存取存储器(ram)和/或高速缓存存储器，还可以包括一个或多个非暂 时的计算机可读存储介质诸如rom、eeprom、eprom、闪存设备、磁盘等，和/或其组 合。
[0166]
在一或多个实施例中，所述一或多个通信器501可以包括与处理器的芯片管脚(如io管 脚)相接的端口，可以外接例如无线通信部件；或者，所述一或多个通信器包括与处理器连 接的无线通信电路，例如3g/4g/5g移动通信模块。
[0167]
需说明的是，上述实施例(例如图4的方法实施例)中所涉及的计算机程序皆可以包含 在计算机可读存储介质，所计算机可读存储介质可以是可以保持和存储由指令执行设备使用 的指令的有形设备。计算机可读存储介质例如可以是、但不限于电存储设备、磁存储设备、 光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储 介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取
存储器(ram)、 只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、 便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、 例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用 的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、 通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输 的电信号。
[0168]
综上所述，本申请的人工智能消防机器人、灾情检测方法、计算机装置及介质，人工智 能消防机器人包括：控制部件、电池部件、激光探测部件、视觉热像探测部件、及声波火情 探测部件；所述激光探测部件探测环境得到环境结构数据；所述视觉热像探测部件环境热度 图像数据，以供发现火灾位置；所述声波火情探测部件探测环境得到声波探测数据，所述控 制部件根据这些数据输入，输入至人工智能的基于机器学习模型实现的灾情探测模型进行估 计以得到火灾灾情估计结果，并进一步可智能匹配消防应急预案来执行合适的消防救援措施。
[0169]
本申请的人工智能消防机器人能实现侦查、消防救援等多功能一体化的人工智能消防机 器人，而且该机器人还可以通过选择合适部件来实现全地图快速移动能力、火场侦查能力、 快速灭火能力、破拆和救援能力、自动单机消防救援和联合消防救援能力，弥补了目前人工 智能消防机器人单一性、速度慢、功能差和无智慧的技术空白。
[0170]
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技 术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡 所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等 效修饰或改变，仍应由本申请的权利要求所涵盖。