一種輔助火災搜救的智能車設計*

王曉鵬，于家旺，趙恩波，楊建海，趙楠楠

（遼寧科技大學電子與信息工程學院，遼寧 鞍山 114000）

1 研究背景

在過去的幾十年里，大量的高樓大廈、核工廠和化學實驗室等不斷出現火災，當這些地方出現火災時，不僅難于進行滅火，而且其中的很多危險因素都直接威脅著消防人員的生命安全[1]。本文設計了一款火災救助智能車，不僅可以代替消防員，搜集火災現場，減輕消防人員的負擔；也可以進入樓宇進行監測，搜尋生命跡象。

近年來，隨著科學技術的不斷發展火災救助智能車的研制工作也有了很大地提高。但我國的火災救助智能車起步較晚，還存在智能化程度不夠、環境處理能力弱、可靠性不強等問題。該智能車小巧，在開發時盡可能多地采用成熟技術，注意配套技術，確保使用時的可靠性與實用性，適用于更多場景。

目前的火災救助都采用消防員進入災區，承擔監測災區環境，尋找生命跡象等任務，這對消防員來說是十分危險的。為了減少消防員進入災區的時間，該智能車將代替消防員，進行初次的勘測災區環境和尋找人類生命跡象活動，從而保證消防員的生命安全。

它的主要特點是擁有自動、遙控雙模式，使用簡單、方便，能對發現的生命體進行簡單的救助（對其周圍噴灑水）。此市場并不完善，有較大的應用前景。

2 整體設計方案

2.1 功能設計

該設計是一個用于輔助消防員進行火災探測工作的智能小車。該智能車是由STM32、OpenMV4-plus、超聲波模塊、人體紅外感應模塊、ESP8266 Wi-Fi 模塊、2.4 G 無線模塊、電機驅動模塊、噴水裝置以及其他機械結構構成。整體結構設計見圖1。

圖1 智能車結構設計圖

該智能車車輪采用耐火材料，以保證該智能車在進入火災現場后可以正常地工作。該智能車有兩種模式，一種是自動模式，另一種是遙控模式。在自動模式下，該車始終貼近右墻壁前進，同時用攝像頭記錄現場實時信息，并反饋給操作人員。當該智能車接收到由人體產生的紅外信號后，對該點進行標記，規劃到達的最短路線，同時將該點坐標發送給操作人員，解決了消防員花費大量時間監測，并進行生命信號尋找的過程，整個過程更加的快捷、高效。該智能車在到達被困人員附近后，自動對其周圍的火域進行噴水，從而保證人身安全。在自動前進過程中，由避障模塊控制智能車進行自動避障，以保證車輛整體的安全。遙控模式下，操作人員利用攝像頭觀察周圍的地形、局勢，并通過無線通信模塊控制小車前進，控制噴水器噴水。智能車工作流程見圖2。

圖2 智能車工作流程圖

2.2 系統設計

該智能車以STM32 為主控，車身通體使用鋁合金，在電池以及模塊表面涂抹阻燃劑。在進入火災區域后，整體結構依靠超聲波模塊對右墻壁進行校準，使其與右墻壁始終保持一定距離，智能車將掃描火災區域的大致形狀，通過ESP8266 Wi-Fi 模塊將火災內部環境信息發送至手機端，并由STM32依照火災形狀信息進行路徑規劃。智能車在正常行駛過程中，依靠車頭上的三個超聲波模塊進行避障處理。由紅外模塊來接收人體的紅外信號，以達到快速尋找火災受困人員的目的。

智能車通過OpenMV 攝像頭探測火焰大概位置，然后旋轉云臺，通過紅外檢測模塊進一步確認火焰位置，再結合煙霧傳感器確認火焰的發生，旋轉二維云臺，將噴水裝置對準火源，進行火災的簡單處理。在處理復雜火災情況時，可使用2.4 G 模塊實現對智能車進行遠程遙控及噴水等操作。

3 實現方案與核心算法

3.1 詳細設計

該智能車選用四輪麥克納姆輪結構，能夠全方向移動，可以靈活地在火災區域內部活動。車身搭載的超聲波模塊能夠進行避障，人體紅外傳感器模塊能對受困人員進行小范圍的搜尋，攝像頭選擇OpenMV4plus，它是一款開源，低成本的機器視覺模塊[2]。該攝像頭能提供充足的存儲空間和帶寬來運行復雜的算法和存儲大量的圖像數據，并且支持多種機器視覺算法和深度學習模型。通信模塊采用ESP8266，能將攝像頭模塊的實時數據反饋到手機上。無線遙控采用2.4 G 模塊，連接更加穩定。

3.2 核心算法

3.2.1 PID 控制算法

在人工智能車領域，PID 算法控制以其處理速率快，魯棒性好，無用干擾誤差信號影響較小，數據整定較為方便等特點而被廣泛應用[3]。傳統的增量式PID 算法公式為

增量式PID 應用在智能車上的流程見圖3。

圖3 智能車增量式PID 流程圖

在整個算式的過程中不需要對計算量進行累加，輸出為系統控制量之間的增量，因此當計算機系統出現故障時，影響范圍較小，執行程序的結構本身具有記憶的功能，可以繼續保持原有的位置不變，并不會過多影響整個智能車系統的正常運轉。由于記憶系統相關的控制量是增量式PID 所必需的工作，所以對于一些自身不帶記憶裝置的系統時，就只能采用位置式PID 進行調節與控制。在手動和自動之間進行切換時，對計算機系統產生的沖擊較小，可實現計算機在兩者之間的無擾動切換。

3.2.2 實時目標檢測

YOLO-V2 是一種用于實時目標檢測的卷積神經網絡，它的構架分為特征提取網絡、特征融合網絡、檢測網絡3 個部分。在使用深度卷積網絡提取目標圖像特征時，卷積網絡深度和寬度決定網絡性能，與淺層網絡相比，深層網絡特征提取效果更佳[4]。但由于網絡過深，導致誤差梯度在反向傳播時不能有效指導前層網絡權重的更新方向，致使網絡訓練時間加長和擬合能力變弱。將殘差網絡結構加入基于YOLO-V2 的特征提取網絡中，并通過火焰識別試驗數據驗證改進特征提取網絡的性能。實驗結果表明，在原有的特征提取網絡加入殘差結構能夠有效地提高深度卷積網絡模型的性能[5]。

智能車采用OpenMV4plus 對火焰進行識別，使用的是云端的edge impulse 網站來進行模型的訓練及自動生成。只需要將火焰數據集上傳即可獲得OpenMV4plus 可使用的訓練模型，進行目標識別。模型訓練見圖4。

圖4 模型訓練圖片

3.2.3 路徑規劃

該算法依靠MATLAB 函數對區域內部進行路徑規劃。該函數接受父節點、網格的行數和列數、障礙物和關閉列表作為輸入。它首先定義了一個多邊形障礙區域（深色為障礙墻壁），設置一個智能車工作的起點和受困人員所在的區域，仿真演示見圖5。然后計算可能的子節點，對于每個子節點，檢查該點是否在多邊形內且不在障礙物列表中。如果滿足這些條件，則將其添加到子節點列表中。最后，排除已經存在于關閉列表中的節點。

圖5 障礙區域設計及其路徑規劃MATLAB 仿真演示

4 結果測試

一是火焰識別率高達80%，仍在優化算法。二是將小車放在發車點，通過ESP8266 模塊傳回的路徑數據見圖6。

圖6 手機上的路徑數據

5 結束語

本文提出了能夠輔助火災搜救的智能車，使用增量式PID 算法控制車輛前進；使用YOLO-V2 神經網絡去尋找火源位置，對火源進行噴水處理；使用A-star 算法規劃路徑，使用ESP8266 模塊將室內MATLAB 仿真圖發送至手機。該智能車在未來可應用于輔助救援，在消防安全方面有一定的參考價值。