传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

煤矿救援机器人地图构建与路径规划研究

针对矿井地貌环境的非结构性和复杂性,为了提高救灾机器人的越障能力和实际救援能力,分析了轮式救援机器人行走系统的力学系统原理,提出了机器人六轮行走机构的设计方案。六轮移动机器人采用电动推杆为升降系统提供动力;采用独立悬挂系统,减小了车身的倾斜和震动;采用集中控制-分布驱动方式,有利于运动机构性能的发挥;能够根据地形特征调整自己的底座结构,有很强的越障能力和对非结构化地形的适应能力。

根据煤矿救援环境特点,采用人工鱼群算法对救援路径进行规划,在二维平面内建立环境模型,并采用威胁区域距离检测的方式处理优化约束条件。对不同数目参考点选取进行对比研究,增加参考点数目,路径长度增加,算法复杂程度提高,迭代时间延长,算法性能下降;参考点过少会导致路径规划成功率降低。仿真结果表明,设置合理的参考点数目,人工鱼群算法能在较短的迭代时间内成功规划得到最优路径。