AI Talk | 商场巡检机器人解决方案

腾讯云TI平台

发布于 2022-01-27 11:12:50

7100

发布于 2022-01-27 11:12:50

文章被收录于专栏：腾讯云TI平台腾讯云TI平台

近年来随着机器人技术的普及，越来越多的机器人巡检被选择用来替代人工巡检。传统人工巡检存在巡检效率低，作业风险高等运营成本问题，而巡检机器人在提升巡检效率同时，可保障巡检人员人身安全，因此在商超，化工，能源，园区等场景被广泛关注。

优图依赖图像匹配技术与弱监督训练算法，结合丙晟科技的机器人通用调度平台和真机智能的青翼蝠mini无人巡控机器人，共同打造了一套针对巡检机器人的技术解决方案，并成功在商超场景落地使用。

巡检机器人应用场景

巡检机器人作为人工巡检的取代方案，具有巡检效率高，作业风险低等降本增效的优势。据统计，在电力行业巡检机器人可降低45%的人力资源成本，提高20%的劳动生产力。

当前的巡检机器人主要由前端机器人模块与后台数据分析模块组成，其中机器人载体负责巡检相关的路径规划与数据采集，云端服务器负责相关巡检任务分析与反馈。目前巡检相关的技术瓶颈主要集中在上层的视觉任务与环境感知。

图1 巡检机器人组成模块

常见的巡检场景包括能源化工，商场，园区等。传统的巡检机器人厂商只具备基础的硬件设备，无法针对业务场景提供完整的巡检解决方案。

部分机器人厂商会针对能源，化工等体量大，领域垂直度高的行业进行定制化研发。然而这样的研发成果不仅不可复制，而且开发投入成本高。

因此现在更多的机器人厂商选择与人工智能公司合作的形式，由机器人提供硬件并采集数据，人工智能公司提供视觉解决方案。

如在商超巡检中，我们与丙晟科技，真机智能共同研发，共同为客户提供商场巡检解决方案。通过与合作伙伴取长补短，短时间内迅速完成了客户的产品需求。

图2 巡检相关市场现状

市场主流的技术方案

下面我们主要介绍一下目前市场上的主流解决方案。

目前比较成熟的解决方案为"云-边-端"解决方案，其中端侧为无人机，无人车或无人船等巡检设备，主要负责数据采集和无人巡检工作。边侧为信号基站和中转服务器，负责机器人的定位导航与巡检数据的缓存和预处理以减小云侧的传输与存储成本。云侧由数据平台和AI算法平台组成，主要负责巡检结果的识别并生成巡检报告。

由于巡检相关的场景垂直，其任务类型往往具有高度的定制化需求。如在商场中需要判断店铺经营状况，灯箱吊幔状态等功能。在能源电力需要元器件缺陷检测，设备状态监控等功能。目前的AI平台往往依赖开源数据集和开源算法模型进行冷启动，同时通过积累行业相关数据进行人工标注并定期更新算法模型，提升识别效果。

图3 当前主流技术方案

然而这样的方法存在两个问题：

行业相关数据往往为稀缺数据，需要长时间的积累，其中的异常样本更是少之又少，积累阶段客户存在沉默成本。

由于巡检结果往往需要相关领域的专业知识，人工标注存在培训周期长，标注成本高，标注效率低等问题，最终造成算法的更新速度慢，影响客户体验。

图4 商场巡检相关任务类型

我们的技术解决方案

由于巡检机器人的数据采集方式主要有两种，一种为视频录制实时观察巡检环境，一种为指定点位拍摄。图像匹配技术是寻找两张图片之间的匹配关系，这和巡检机器人的使用场景可以很好地契合。因此我们使用自研的图像匹配技术SS-Fusing来生成人工伪标签数据，减少标注成本。使用图像匹配技术有三点优势：

针对视频数据，图像匹配技术可通过相邻两张之间的映射关系实现视频跟踪，通过起始图标注+视频跟踪实现对后续图片的标注结果映射。
针对指定点位拍摄的数据，可通过底图标注+图像匹配技术寻找每张张图之间的映射关系进而对标注图进行标签映射。
传统图像匹配技术如SIFT+GNN对真实场景中的大角度和复杂环境匹配效果较差，生成的映射结果可能会有较多噪声，我们针对大角度和复杂场景优化了图像匹配算法，提升了其匹配的准确率和泛化性。

图5 基于图像匹配的视频跟踪

解决了标注效率的问题后，接下来就是如何设计特定任务下的算法方案。为了能提高巡检相关算法模型的泛化性和方法复用性，我们提出使用数据结构化的方案来解决巡检相关的任务，具体任务大概可分为三个步骤：巡检组件检测、巡检组件识别和巡检任务推理。通过对这三个模块的维护，可以实现不同巡检任务之间的技术模块复用甚至是模型层面复用,提高算法方案的可复制性。

图6为我们针对商场巡检机器人的算法pipeline示意图，通过图像匹配技术与数据结构化，我们实现了开闭店、灯箱、吊幔等算法的快速冷启动与模型迭代。目前开闭店判断相关算法接口已提供客户。后续逐步提供更多算法能力，形成完整的商超巡检解决方案。