一种高铁箱梁巡检机器人实现自动巡检的方法

本发明是涉及一种高铁箱梁巡检机器人实现自动巡检的方法，属于高铁箱梁缺陷检测技术领域。

背景技术：

铁路高架桥梁能够确保高铁线路的平顺性，在我国高铁建设中广泛应用。箱梁作为高架桥梁的关键构件，承受着高铁轨道传递的列车载荷。在各种复杂因素的作用下，箱梁会产生疲劳裂缝，极端情况下会出现疲劳开裂，严重威胁高铁的运行安全。因此实现高铁箱梁缺陷快速自动化巡检，为后续的维护保障提供支持是目前亟待解决的问题。

目前，高铁箱梁的日常维护与维修以高铁桥隧工的人工巡检为主。基于目视检查的人工巡检，严重依赖于检查人员对结构状况的定性判断。这种检测方式存在检测效率低、作业环境恶劣、劳动强度大、检测准确率低、存在安全隐患等问题。

针对上述问题，目前有采用巡检机器人来对高铁箱梁进行自动检测。但是高铁箱梁内的环境较为复杂(例如：为了排除桥面积水，箱梁内部预设的较多排水管，会使巡检机器人在运行过程中容易被水管卡住)，导致现有的巡检机器人难以适应高铁箱梁内的复杂环境并完成自动化巡检。

技术实现要素：

针对现有技术存在的上述问题，本发明的目的是提供一种高铁箱梁巡检机器人实现自动巡检的方法，以实现高效、无损、实时检测出高铁箱梁内部缺陷，为高铁的安全运营提供及时预警和有力保障。

为实现上述目的，本发明采用如下技术方案：

一种高铁箱梁巡检机器人实现自动巡检的方法，包括如下步骤：

s1、雷达slam算法生成地图：使巡检机器人行驶至待巡检的高铁箱梁处，然后利用巡检机器人上的激光雷达扫描模块对巡检机器人的周围环境进行立体扫描，并将获取的环境信息传给巡检机器人上的处理器，处理器基于雷达slam算法生成周围环境的地图；

s2、定位巡检机器人位置、并在地图中规划走行路径：利用巡检机器人上的gps定位模块获取巡检机器人自身在环境中的绝对位置信息，并将获取的绝对位置信息传递给处理器；利用巡检机器人上的姿态检测模块获取巡检机器人自身在环境中的相对姿态信息，并将获取的相对姿态信息传递给处理器；处理器加载构建好的地图，结合绝对位置信息和相对姿态信息，通过人工势场法在地图中规划出巡检机器人的走行路径；

s3、确认巡检机器人的运动控制方案：处理器将规划好的走行路径传输给巡检机器人上的运动控制处理器，运动控制处理器接收处理器中的路径信息、姿态信息、位置信息，确认巡检机器人的运动控制方案，并输出控制信号量；

s4、控制巡检机器人移动：运动控制处理器根据运动控制方案将控制信号量输出至检机器人上的履带驱动模块，然后通过履带驱动模块驱动检机器人的履带运动，实现巡检机器人移动；

s5、采集巡检机器人的履带运动量：巡检机器人移动的过程中，设于巡检机器人履带驱动轴上的光电编码器利用其码盘的转动生成脉冲电信号，生成的脉冲电信号通过运动控制处理器传输到巡检机器人上的处理器中，实现巡检检机器人的履带运动量的采集；

s6、对高铁箱梁的内部隐患进行检测并获取隐患的绝对位置：巡检机器人移动的过程中，巡检机器人上的超声阵列检测模块持续对所巡检的高铁箱梁的内部隐患进行超声无损检测，并将检测的信息实时传递给处理器；同时巡检机器人上的视觉信息采集模块实时、全方位的采集所巡检的高铁箱梁的视觉信息，并将采集的视觉信息传递给处理器，从而获取所巡检的高铁箱梁的绝对位置；处理器通过步骤s5采集的履带运动量来记录高铁箱梁内隐患点的相对位置，然后根据高铁箱梁的绝对位置和隐患点相对位置即可得到高铁箱梁内的隐患点的地理位置，从而完成高铁箱梁的巡检。

一种实施方案，所述步骤s1中，是采用基于特征的雷达slam算法生成地图，具体是：以激光雷达扫描模块作为环境感知器，激光雷达扫描模块测量巡检机器人本机与环境边界的距离从而形成一系列空间点，然后通过帧间点集的扫描匹配进行位姿推算，从而生成环境的点云地图。

一种实施方案，所述步骤s2中，是通过激光雷达扫描模块测量巡检机器人与待巡检的高铁箱梁内的排水管间的距离，然后在处理器中通过距离算法来定位巡检机器人在车辆坐标系下的自身位置，并通过处理器将自身相对位置转换为在巡检机器人gps定位系统下的绝对位置。

一种实施方案，所述步骤s2中，采用最优路径或次优路径的人工势场法规划巡检机器人的走行路径。

一种实施方案，所述步骤s3中巡检机器人的运动控制方案，包括如下步骤：

s31、构建机器人运动模型、环境观测模型、路径规划模型，然后根据上述构建的模型确定模糊预测控制模型的输入控制量、输出控制量(此处的控制量是没有物理意义的，仅代表算法中的控制量，slam算法需要一个控制量的输入，这个控制量的输入是通过模糊预测控制模型确定的)；

s32、构建时间更新模型，通过时间更新模型及模糊预测控制模型输出量解slam问题；并将时间更新模型适用于模糊预测控制模型中的预测模型；

s33、将k时刻雷达扫描模块测得的环境特征点与原有特征点进行匹配关联；模糊预测控制模型中对控制量进行滚动优化；

s34、经环境观测模型校正地图和位姿，得到观测更新模型；并将观测更新模型适用于模糊预测控制模型中的校正模型，进行负反馈校正控制量；

s35、将未被数据关联步骤关联上的环境特征点，添加至地图中，并输出k时刻的巡检机器人的位姿和地图。

一种实施方案，所述步骤s3中巡检机器人的运动控制方案的确认，包括a)自适应控制量的ekf-slam方法和b)基于slam方法的控制量模糊预测方法两部分，其中，

a)自适应控制量的ekf-slam方法包括如下步骤：

a1)首先采用状态转移矩阵的概率分布表示巡检机器人的运动模型：

p(xk|xk-1，uk)(1)；

公式(1)中，p(xj|xk-1，uk)表示以概率分布方式所表示的机器人运动模型，xk表示k时刻的巡检机器人位姿，该位姿由gps定位模块和姿态检测模块采集确认，xk-1表示k-1时刻的巡检机器人位姿，uk表示k时刻的控制输入；

其中，

公式(2)中，xvel和yvel分别为巡检机器人在二维世界坐标系下的x坐标和y坐标，为巡检机器人的方向；

然后根据巡检机器人的运动模型，建立巡检机器人的动力模型：

公式(3)中，v、ω分别为设于巡检机器人的传动轴上的光电编码器传递的线速度与角速度，表示xvel对于时间的导数；表示yvel对于时间的导数，表示对于时间的导数；

a2)先将给定k时刻的巡检机器人位姿xk和环境地图m时，环境观测z的后验分布表示为：

p(zk|xk，mk)(4)；

公式(4)中，p(zk|xk，mk)表示k时刻的环境观测模型，zk为k时刻的巡检机器人对环境的观测，由雷达扫面模块采集确认，xk为k时刻的巡检机器人位姿，mk为k时刻的环境地图；

其中，

公式(5)中，n为环境特征点的数量,mi＝(xi，yi)^t,xi和yi分别为环境特征点在二维世界坐标系下的x坐标和y坐标；

然后将从0到k时刻的巡检机器人对环境的所有观测表示为：

z0：k＝{z0，z1，......，zk}(6)；

公式(6)中，z0：k表示从0到k时刻的巡检机器人对环境的所有观测；

然后经由mk构建k时刻的环境地图，并通过人工势场法获取可供巡检机器人通过的走行路径并获取巡检机器人k+1时刻的位姿：

及相对偏差：

公式(8)中，e(i)为k+1时刻机器人期望位姿与k时刻机器人位姿的相对偏差，ex(i)为x轴方向的分量ey(i)为y轴方向的分量为角度轴方向的分量；

然后将xk和e(i)输入至b)中的模糊预测控制模型，即可获得控制量矩阵q；

a3)接收光电编码器传递的线速度v与角速度ω，模糊预测控制模型输出的控制量μk+1，即自适应控制量的ekf-slam方法k+1时刻的控制输入；按照a1)中的方法构建k+1时刻的巡检机器人的动力模型，按照a2)中的方法构建k+1时刻的环境观测模型；通过公式(9)所示的时间更新模型更新k+1时刻巡检机器人位姿及地图的联合后验分布模型：

p(xk+1,mk+1|z0:k,u0:k+1,x0)＝

∫p(xk+1|xk,μk+1)p(xk,mk|z0:k,u0:k,x0)dxk(9)；

公式(9)中，xk+1为k+1时刻的巡检机器人位姿；mk+1为k+1时刻的环境地图；z0：k为从0到k时刻的巡检机器人对环境的所有观测；u0:k+1为从0到k+1时刻的巡检机器人所有运动控制输入，u0:k+1＝{μ0,μ1，……，μk+1}，μk+1为k+1时刻的控制输入；x0为0时刻的巡检机器人位姿；

然后将时间更新模型作为预测模型输入至b)中的模糊预测控制模型；

a4)获取激光雷达扫描模块得到的环境特征点，构建mk+1，并与mk相互关联，通过两个地图中关联上的观测特征点对巡检机器人的位姿xk+1和地图mk+1更新；

a5)根据k时刻的环境观测模型、k时刻的巡检机器人位姿及k+1时刻的地图的联合后验分布、归一化常数p(zk+1|z0:k+1,u0:k+1)，获取观测更新公式：

则，在已知所有控制输入u0:k+1和观测z0:k+1的前提下，k+1时刻即当前时刻的巡检机器人位姿和地图的联合后验分布p(xk+1,mk+1|z0:k,u0:k+1,x0)可通过式(9)和式(10)递推得到，其过程为时间更新——观测更新——时间更新；并且将观测更新模型作为校正模型输入至b)中的模糊预测控制模型中；

a6)将未被a4)中数据关联步骤关联上的环境特征点，添加至mk+1地图中，并输出k+1时刻的巡检车辆的位姿xk+1和地图mk+1；

b)基于slam方法的控制量模糊预测方法包括如下步骤：

b1)采用通用模糊预测框架构建模糊预测控制模型，模糊预测控制模型接受a2)中的相对偏差e(i)，经由最优控制律获得控制量矩阵q，q＝(μk+1,ωk+1)^t，即：控制律的输入量为输出量为μk+1，且μk+1≡q；

b2)模糊预测控制模型接受b1)的输入量，以及a2)中的时间更新模型，以时间更新模型作为模糊预测控制模型中的预测模型，经由时间更新模型获取预测位姿与间误差采用模糊预测方法输出量μk+1；

b3)对于b2)的输出量μk+1，采取滚动优化的方法使得优化后为最小；

b4)将a5)中的观测更新模型作为模糊预测控制模型的校正模型，对于b3)的滚动优化结果进行校正，负反馈调整输出量μk+1，并将输出量μk+1视为自适应控制量的ekf-slam方法k+1时刻的输入控制。

一种实施方案，所述巡检机器人包括机器人主车，所述机器人主车的左右两侧分别对应设有左侧履带和右侧履带，所述左侧履带和右侧履带的驱动轴上均设有光电编码器，所述机器人主车上设有视觉信息采集模块、超声阵列检测模块和履带式走行控制模块，所述履带式走行控制模块包括运动控制处理器、gps定位模块、姿态检测模块、履带驱动模块、激光雷达扫描模块和处理器，所述履带驱动模块分别设于左侧履带和右侧履带上，所述光电编码器和履带驱动模块均与运动控制处理器信号连接，所述视觉信息采集模块、超声阵列检测模块、运动控制处理器、gps定位模块、姿态检测模块、激光雷达扫描模块均与处理器信号连接，所述处理器信号连接有通信与交互模块。

一种优选方案，所述视觉信息采集模块包括设于机器人主车上的工业相机检测模块和与工业相机检测模块信号连接的视觉信息采集设备，所述视觉信息采集设备与处理器信号连接。

一种优选方案，所述工业相机检测模块包括设于机器人主车顶部的左侧面检测相机、顶侧面检测相机、右侧面检测相机、底面检测相机。

一种优选方案，所述超声阵列检测模块包括设于机器人主车前端的超声阵列传感器和与超声阵列传感器信号连接的超声数据采集设备，所述超声数据采集设备与处理器信号连接。

一种优选方案，所述通信与交互模块包括人机交互模块和与人机交互模块信号连接的无线通信单元，所述无线通信单元与处理器信号连接。

一种优选方案，所述gps定位模块为gps定位器。

一种优选方案，所述姿态检测模块为姿态检测仪。

一种优选方案，所述履带驱动模块包括履带驱动电机和与履带驱动电机信号连接的电机驱动器，所述电机驱动器与运动控制处理器信号连接。

一种优选方案，所述激光雷达扫描模块包括设于机器人主车顶部的左侧激光雷达和右侧激光雷达。

相较于现有技术，本发明的有益技术效果在于：

本发明提供的高铁箱梁巡检机器人实现自动巡检的方法，可使巡检机器人在高铁箱梁复杂环境下实现自动定位、建立地图及自动走行控制，可以在高铁箱梁复杂环境下实现高铁箱梁快速自动化巡检，可实现高效、快速、准确、检测高铁箱梁内部缺陷，而且缺陷位置可同时标记以利于后期维护检修，使得检测和维护工作效率得到大幅度提高，能为高铁的安全运营提供及时预警和有力保障，可为后续轨道维修工作提供有力支撑；因此，本发明相对于现有技术，具有显著进步性和应用价值。

附图说明

图1是本发明实施例提供的一种高铁箱梁巡检机器人的结构示意图；

图2是本发明实施例提供的高铁箱梁巡检机器人的原理框图；

图中标号示意如下：1、机器人主车；2、左侧履带；3、右侧履带；4、光电编码器；5、视觉信息采集模块；51、工业相机检测模块；511、左侧面检测相机；512、顶侧面检测相机；513、右侧面检测相机；514、底面检测相机；52、视觉信息采集设备；6、超声阵列检测模块；61、超声阵列传感器；62、超声数据采集设备；7、履带式走行控制模块；71、运动控制处理器；72、gps定位模块；73、姿态检测模块；74、履带驱动模块；741、履带驱动电机；75、激光雷达扫描模块；751、左侧激光雷达；752、右侧激光雷达；76、处理器；8、通信与交互模块；81、人机交互模块；82、无线通信单元；9、控制箱。

具体实施方式

以下将结合附图和实施例对本发明的技术方案做进一步清楚、完整地描述。

实施例

请结合图1和图2所示：本实施例提供的一种高铁箱梁巡检机器人，包括机器人主车1，所述机器人主车1的左右两侧分别对应设有左侧履带2和右侧履带3，所述左侧履带2和右侧履带3的驱动轴上均设有光电编码器4，所述机器人主车1上设有视觉信息采集模块5、超声阵列检测模块6和履带式走行控制模块7，所述履带式走行控制模块7包括运动控制处理器71、gps定位模块72、姿态检测模块73、履带驱动模块74、激光雷达扫描模块75和处理器76，所述履带驱动模块74分别设于左侧履带2和右侧履带3上，所述光电编码器4和履带驱动模块74均与运动控制处理器71信号连接，所述视觉信息采集模块5、超声阵列检测模块6、运动控制处理器71、gps定位模块72、姿态检测模块73、激光雷达扫描模块75均与处理器76信号连接，所述处理器76信号连接有通信与交互模块8。

本实施例中，所述视觉信息采集模块5包括设于机器人主车上的工业相机检测模块51和与工业相机检测模块51信号连接的视觉信息采集设备52，所述视觉信息采集设备52与处理器76信号连接。具体的，请参见图1所示，所述工业相机检测模块51包括设于机器人主车1顶部的左侧面检测相机511、顶侧面检测相机512、右侧面检测相机513、底面检测相机514。高铁箱梁内通常会印制有箱梁位置、梁号、箱梁生产日期等信息，工业相机检测模块51可以实时、全方位的采集所巡检的高铁箱梁的视觉信息，并将采集的视觉信息通过视觉信息采集设备52传递给处理器76，从而获取所巡检的高铁箱梁的绝对位置信息。

本实施例中，所述超声阵列检测模块6包括设于机器人主车1前端的超声阵列传感器61和与超声阵列传感器61信号连接的超声数据采集设备62，所述超声数据采集设备62与处理器76信号连接。超声阵列传感器61可以持续对所巡检的高铁箱梁的内部隐患进行超声无损检测，并将检测的信息通过超声数据采集设备62实时传递给处理器76。

本实施例中，所述通信与交互模块8包括人机交互模块81和与人机交互模块81信号连接的无线通信单元82，所述无线通信单元82与处理器76信号连接。处理器76通过无线通信单元82和人机交互模块81实现机器人与工作人员通信与交互。

本实施例中，所述gps定位模块72为gps定位器，以用于获取巡检机器人自身位置信息。

本实施例中，所述姿态检测模块73为姿态检测仪，以用于获取巡检机器人自身姿态信息。

本实施例中，所述履带驱动模块74包括履带驱动电机741和与履带驱动电机741信号连接的电机驱动器(图中未显示)，所述电机驱动器与运动控制处理器71信号连接。运动控制处理器71输出控制信号至电机驱动器，然后电机驱动器驱动履带驱动电机741带动左侧履带2和右侧履带3运动，实现巡检机器人移动。

本实施例中，所述激光雷达扫描模块75包括设于机器人主车1顶部的左侧激光雷达751和右侧激光雷达752，激光雷达扫描模块75对巡检机器人周围环境进行立体扫描，并将获取的环境信息传输给处理器76，从而构建巡检机器人所处环境的地图。

本实施例中，机器人主车1上设有控制箱9，所述视觉信息采集设备52、超声数据采集设备62、运动控制处理器71、gps定位模块72、姿态检测模块73、处理器76、无线通信单元82均安装于控制箱9内，从而实现了控制模块的集约化。

本发明所述的高铁箱梁巡检机器人实现自动巡检的方法，包括如下步骤：

s1、使巡检机器人行驶至待巡检的高铁箱梁处，然后利用激光雷达扫描模块75对巡检机器人的周围环境进行立体扫描，并将获取的环境信息传输给处理器76，处理器76基于雷达slam算法构建周围环境的地图；其中，所述雷达slam算法是采用基于特征的雷达slam算法生成地图，具体是：以激光雷达扫描模块75中的激光雷达751/752作为环境感知器，激光雷达扫描模块75测量巡检机器人本机与环境边界的距离从而形成一系列空间点，然后通过帧间点集的扫描匹配进行位姿推算，从而生成环境的点云地图；

s2、定位巡检机器人位置、并在地图中规划走行路径：利用巡检机器人上的gps定位模块72获取巡检机器人自身在环境中的绝对位置信息，并将获取的绝对位置信息传递给处理器76；利用巡检机器人上的姿态检测模块73获取巡检机器人自身在环境中的相对姿态信息，并将获取的相对姿态信息传递给处理器76；处理器76加载构建好的地图，结合绝对位置信息和相对姿态信息，通过人工势场法可在地图中规划出巡检机器人的走行路径；其中：巡检机器人的定位是通过激光雷达扫描模块75中的激光雷达751/752测量巡检机器人与待巡检的高铁箱梁内的排水管间的距离，然后在处理器76中通过距离算法来定位巡检机器人自身相对的位置，并通过处理器76将相对位置转换为gps世界坐标系下的绝对位置；

需要说明的是：此步骤属于巡检机器人的起步阶段，由于gps定位模块72在梁(混凝土中)中会存在干扰，因此gps定位信息只能在巡检机器人刚进入箱梁内会起到作用，gps定位模块72可以获取大致位置(世界坐标系)，姿态检测模块73获取的xyz三轴坐标为以巡检机器人为原点的(车辆坐标系)相对姿态，即：gps信息-世界坐标、姿态信息-车辆坐标系、地图-世界坐标系，此步骤将gps信息-世界坐标、姿态信息-车辆坐标系都传到处理器76中，对两者的坐标都归一化到世界坐标下，然后结合地图-世界坐标系，这样三者坐标系统一后，即可用已有的人工势场方法规划巡检机器人的路径；

s3、确认巡检机器人的运动控制方案：处理器76将规划好的走行路径传输给运动控制处理器71，运动控制处理器71接收处理器76中的路径信息、姿态信息、位置信息，确认巡检机器人的运动控制方案，并输出控制信号量(控制信号量是具有物理意义的控制量，是通过运动控制方案得到的关于履带驱动电机741的信号量，具体是指履带驱动电机741的角速度的加减量)；

其中，巡检机器人的运动控制方案的确认，包括a)自适应控制量的ekf-slam方法和b)基于slam方法的控制量模糊预测方法两部分，其中，

a1)首先采用状态转移矩阵的概率分布表示巡检机器人的运动模型：

p(xk|xk-1，uk)(1)；

公式(1)中，p(xk|xk-1，uk)表示以概率分布方式所表示的机器人运动模型，xk表示k时刻的巡检机器人位姿，该位姿由gps定位模块和姿态检测模块采集确认，xk-1表示k-1时刻的巡检机器人位姿，uk表示k时刻的控制输入；

其中，

公式(2)中，xvel和yvel分别为巡检机器人在二维世界坐标系下的x坐标和y坐标，为巡检机器人的方向；

然后根据巡检机器人的运动模型，建立巡检机器人的动力模型：

公式(3)中，v、ω分别为设于巡检机器人的传动轴上的光电编码器传递的线速度与角速度，表示xvel对于时间的导数；表示yvel对于时间的导数，表示对于时间的导数。

a2)先将给定k时刻的巡检机器人位姿xk和环境地图m时，环境观测z的后验分布表示为：

p(zk|xk，mk)(4)；

公式(4)中，p(zk|xk，mk)表示k时刻的环境观测模型，zk为k时刻的巡检机器人对环境的观测，由雷达扫面模块采集确认，xk为k时刻的巡检机器人位姿，mk为k时刻的环境地图；

其中，

公式(5)中，n为环境特征点的数量,mi＝(xi，yi)^t,xi和yi分别为环境特征点在二维世界坐标系下的x坐标和y坐标；

然后将从0到k时刻的巡检机器人对环境的所有观测表示为：

z0：k＝{z0，z1，......，zk}(6)；

公式(6)中，z0：k表示从0到k时刻的巡检机器人对环境的所有观测；

然后经由mk构建k时刻的环境地图，并通过人工势场法获取可供巡检机器人通过的走行路径并获取巡检机器人k+1时刻的位姿：

及相对偏差：

公式(8)中，e(i)为k+1时刻机器人期望位姿与k时刻机器人位姿的相对偏差，ex(i)为x轴方向的分量ey(i)为y轴方向的分量为角度轴方向的分量；

然后将xk和e(i)输入至b)中的模糊预测控制模型，即可获得控制量矩阵q；

a3)接收光电编码器传输的传递的线速度v与角速度ω，模糊预测控制模型输出的控制量μk+1，即自适应控制量的ekf-slam方法k+1时刻的控制输入；按照a1)中的方法构建k+1时刻的巡检机器人的动力模型，按照a2)中的方法构建k+1时刻的环境观测模型；通过公式(9)所示的时间更新模型更新k+1时刻巡检机器人位姿及地图的联合后验分布模型：

p(xk+1,mk+1|z0:k,u0:k+1,x0)＝

∫p(xk+1|xk,μk+1)p(xk,mk|z0:k,u0:k,x0)dxk(9)；

公式(9)中，xk+1为k+1时刻的巡检机器人位姿；mk+1为k+1时刻的环境地图；z0：k为从0到k时刻的巡检机器人对环境的所有观测；u0:k+1为从0到k+1时刻的巡检机器人所有运动控制输入，u0:k+1＝{μ0,μ1，……，μk+1}，μk+1为k+1时刻的控制输入；x0为0时刻的巡检机器人位姿；

然后将时间更新模型作为预测模型输入至b)中的模糊预测控制模型；

a4)获取激光雷达扫描模块得到的环境特征点，构建mk+1，并与mk相互关联，通过两个地图中关联上的观测特征点对巡检机器人的位姿xk+1和地图mk+1更新；

a5)根据k时刻的环境观测模型、k时刻的巡检机器人位姿及k+1时刻的地图的联合后验分布、归一化常数p(zk+1|z0:k+1,u0:k+1)，获取观测更新公式：

则，在已知所有控制输入u0:k+1和观测z0:k+1的前提下，k+1时刻即当前时刻的巡检机器人位姿和地图的联合后验分布p(xk+1,mk+1|z0:k,u0:k+1,x0)可通过式(9)和式(10)递推得到，其过程为时间更新——观测更新——时间更新；并且将观测更新模型作为校正模型输入至b)中的模糊预测控制模型中；

a6)将未被a4)中数据关联步骤关联上的环境特征点，添加至mk+1地图中，并输出k+1时刻的巡检车辆的位姿xk+1和地图mk+1；

b)基于slam方法的控制量模糊预测方法包括如下步骤：

b1)采用通用模糊预测框架构建模糊预测控制模型，模糊预测控制模型接受a2)中的相对偏差e(i)，经由最优控制律获得控制量矩阵q，q＝(μk+1,ωk+1)^t，即控制律的输入量为输出量为μk+1，且μk+1≡q；

b2)模糊预测控制模型接受b1)的输入量，以及a2)中的时间更新模型，以时间更新模型作为模糊预测控制模型中的预测模型，经由时间更新模型获取预测位姿与间误差采用模糊预测方法输出量μk+1；

b3)对于b2)的输出量μk+1，采取滚动优化的方法使得优化后为最小；

b4)将a5)中的观测更新模型作为模糊预测控制模型的校正模型，对于b3)的滚动优化结果进行校正，负反馈调整输出量μk+1，并将输出量μk+1视为自适应控制量的ekf-slam方法k+1时刻的输入控制；

s4、控制巡检机器人移动：运动控制处理器71根据运动控制方案将控制信号量输出至履带驱动模块74，然后通过履带驱动模块74驱动检机器人的履带运动(具体是：将控制信号量输出至履带驱动模块74中的电机控制器，然后电机控制器驱动履带驱动模块74中的履带驱动电机741带动左侧履带2和右侧履带3运动)，实现巡检机器人移动；

s5、采集巡检检机器人的履带运动量：巡检机器人移动的过程中，设于的驱动轴上的光电编码器4利用其码盘的转动生成脉冲电信号，生成的脉冲电信号通过运动控制处理器71传输到处理器76中，实现机器人履带(包括：左侧履带2和右侧履带3)运动量情况的采集；

s6、对高铁箱梁的内部隐患进行检测并获取隐患的绝对位置：巡检机器人移动的过程中，超声阵列检测模块6持续对所巡检的高铁箱梁的内部隐患进行超声无损检测，并将检测的信息实时的传递给处理器76(具体是：超声阵列检测模块6中的超声阵列传感器61持续对所巡检的高铁箱梁的内部隐患进行超声无损检测，并将检测的信息通过超声数据采集设备62实时的传递给处理器76)；同时视觉信息采集模块5实时、全方位的采集所巡检的高铁箱梁的视觉信息，并将采集的视觉信息传递给处理器76，从而获取所巡检的高铁箱梁的绝对位置；处理器76通过步骤s5采集的左侧履带2和右侧履带3的运动量来记录高铁箱梁内隐患点的相对位置，然后根据高铁箱梁的绝对位置和隐患点相对位置即可得到高铁箱梁内的隐患点的地理位置，从而完成高铁箱梁的巡检。

综上所述可见，本发明提供的高铁箱梁巡检机器人实现自动巡检的方法，可使巡检机器人实现在高铁箱梁复杂环境下的自动定位、建立地图及自动走行控制，可以在高铁箱梁复杂环境下实现高铁箱梁快速自动化巡检，可实现高效、快速、准确、检测高铁箱梁内部缺陷，而且缺陷位置可同时标记以利于后期维护检修，使得检测和维护工作效率得到大幅度提高，能为高铁的安全运营提供及时预警和有力保障，可为后续轨道维修工作提供有力支撑；因此，本发明相对于现有技术，具有显著进步性和应用价值。

最后有必要在此指出的是：以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。