CN117782097A - 一种基于云平台的机器人巡检路径规划方法及*** - Google Patents
一种基于云平台的机器人巡检路径规划方法及*** Download PDFInfo
- Publication number
- CN117782097A CN117782097A CN202311809567.9A CN202311809567A CN117782097A CN 117782097 A CN117782097 A CN 117782097A CN 202311809567 A CN202311809567 A CN 202311809567A CN 117782097 A CN117782097 A CN 117782097A
- Authority
- CN
- China
- Prior art keywords
- inspection
- path
- target point
- node
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 claims abstract description 104
- 230000006870 function Effects 0.000 claims description 61
- 238000005265 energy consumption Methods 0.000 claims description 19
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及机器人路径规划技术领域，具体涉及一种基于云平台的机器人巡检路径规划方法及***，所述方法包括将巡检任务发送至云平台，基于历史数据获取巡检目标点的巡检优先级、巡检时间；获得巡检目标点的巡检代价；根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。本发明解决机器人多目标路径规划问题，得到高效安全的全局路径，并能针对动态障碍物实现高效避障。
Description
技术领域
本发明属于自动化技术领域，尤其涉及一种基于云平台的机器人巡检路径规划方法及***。
背景技术
近年来，随着现代工业科技的发展，自动控制技术得到进一步发展，很多场合都有各种设备运行，为了保证很多工厂等地方设备的正常运行，需要对现场的环境进行巡检和维护，传统技术中，往往采用人工巡检的方式，这种方式安全性低，有点环境比较危险，会严重损害工作人员的身体健康，导致巡检任务的人力成本投入大。因而自动巡检机器人被广泛关注。路劲规划作为机器人的重要组成部分，是机器人巡检工作的前提和基础。
而现有的巡检机器人智能化程度不高，还比较依赖于人工操作，要求操作人员有丰富的经验；且当巡检任务比较多，且巡检任务的情况比较复杂时，不同基于巡检任务的情况，规划出合适下巡检路径，巡检路径更没有考虑的巡检任务的优先级、巡检时间等特点；在路径规划过程中，也没有充分考虑路径代价的调节系数，导致在路径规划过程中不精细，存在盲目搜索，导致运算量较大；或者容易陷入局部最优值的情况，不能得到最优的路径规划。为解决上述问题，本发明提供一种基于云平台的机器人巡检路径规划方法及***。
发明内容
本发明的目的在于提供一种基于云平台的机器人巡检路径规划方法及***。
本发明的技术方案如下：一种基于云平台的机器人巡检路径规划方法，包括如下步骤：步骤1：根据用户发送的巡检任务，启动机器人运行，通过传感器获得环境数据，构建环境地图；巡检任务包括多个巡检目标点；
步骤2：将巡检任务发送至云平台，基于历史数据获取巡检目标点的巡检优先级、巡检时间；
步骤3：基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
步骤4：根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；
步骤5：基于最优的全局巡检目标点序列，对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；
步骤6：实时检测障碍物，并更新环境地图；当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
优选的，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
优选的，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
所述适应度函数为：
其中/>分别为路径代价、时间代价、能耗代价的权重；Si为粒子Xi的路径长度，Smin为种群中粒子路径长度最小值；Smax为种群中粒子路径长度最大值；/>为粒子Xi从起点到节点j的消耗时间，Tmin为种群中粒子消耗时间最小值；Tmax为种群中粒子消耗时间最大值；/>为第j个巡检目标点的巡检代价；E(Xi)为能耗代价，/>
其中，Xi为第i个粒子，/>为第i个粒子的第k巡检目标点；/> 分别表示巡检目标点的坐标，/>为巡检目标点的地势；kh>1>kl；通过系数kf，区分路径在上下坡时不同的能耗；Emax为种群的最大能耗。
优选的，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：步骤4.1：初始化起点、终点、列表open和列表close；从起点S开始，定义S为父节点，并把它加入到列表open中；
步骤4.2：父节点S周围有8个栅格节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
步骤4.3：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
步骤4.4：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
步骤4.5：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
步骤4.6：当列表open中出现目标节点时，路径找到；
所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，通过调节系数调节启发函数h(n)在不同位置处的权重，可保证刚开始搜索时启发函数h(n)的调节系数比较大，减少无效节点的盲目搜索；在接近目标点时启发函数h(n)的调节系数比较小，降低陷入局部最优的风险；d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
优选的，所述当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划具体包括：实时检测机器人与动态障碍物的距离dt，当dt大于设定阈值d0，则机器人仍然按照全局规划路径运行，当dt小于设定阈值d0，则需要进行局部路径规划，改变巡检路线，根据全局规划路径，提取关键节点，作为改进的TEB算法的临时目标点；改变巡检路线的方式为：其中R为巡检路线改变后的栅格节点，ε为动态障碍物的数目，θt为机器人当前时刻相对于目标点的的偏转角；线速度与角速度的改变公式为：/> 其中(xt，yt，θt)为当前时刻机器人的位姿；Δt为时间差；在局部路径规划过程中，实时检测局部路径规划下机器人运行方向，判断机器人运行方向是否与全局规划路径方向相同,若不相同，则检测当前路线所在的栅格节点邻近的所有可行栅格节点与机器人当前位置节点的距离sa，及当前路线所在的栅格节点邻近的所有可行栅格节点与巡检目标点的距离sb，将sa+sb的数值最小路径节点作为下一步运行路线，如此循环，完成机器人局部路径规划。
一种基于云平台的机器人巡检路径规划***，包括云平台和机器人***；机器人***包括地图构建模块、感知模块、路径规划模块和控制模块；
所述云平台获取用户的巡检任务，基于历史数据获取巡检目标点的巡检优先级、巡检时间；基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
所述感知模块用于获取环境信息，根据所述环境信息构建环境点云地图；
所述地图构建模块用于基于环境点云地图构建环境栅格地图，并将障碍物标记在栅格地图中；并实时更新栅格地图；
所述路径规划模块根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；基于最优的全局巡检目标点序列，对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；并基于检测到的动态障碍物，根据改进的TEB算法得到局部路径规划；
所述控制模块控制机器人进行巡检，当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
优选的，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
优选的，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
所述适应度函数为：
其中/>分别为路径代价、时间代价、能耗代价的权重；Si为粒子Xi的路径长度，Smin为种群中粒子路径长度最小值；Smax为种群中粒子路径长度最大值；/>为粒子Xi从起点到节点j的消耗时间，Tmin为种群中粒子消耗时间最小值；Tmax为种群中粒子消耗时间最大值；/>为第j个巡检目标点的巡检代价；E(Xi)为能耗代价，/>
其中，Xi为第i个粒子，/>为第i个粒子的第k巡检目标点；/> 分别表示巡检目标点的坐标，/>为巡检目标点的地势；kh>1>kl；通过系数kf，区分路径在上下坡时不同的能耗；Emax为种群的最大能耗。
优选的，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：1)：初始化起点、终点、列表open和列表close；从起点S开始，定义S为父节点，并把它加入到列表open中；
2)：父节点S周围有8个节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
3)：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
4)：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
5)：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
6)：当列表open中出现目标节点时，路径找到；
所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，通过调节系数调节启发函数h(n)在不同位置处的权重，可保证刚开始搜索时启发函数h(n)的调节系数比较大，减少无效节点的盲目搜索；在接近目标点时启发函数h(n)的调节系数比较小，降低陷入局部最优的风险；d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
优选的，所述当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划具体包括：实时检测机器人与动态障碍物的距离dt，当dt大于设定阈值d0，则机器人仍然按照全局规划路径运行，当dt小于设定阈值d0，则需要进行局部路径规划，改变巡检路线，根据全局规划路径，提取关键节点，作为改进的TEB算法的临时目标点；改变巡检路线的方式为：其中R为巡检路线改变后的栅格节点，ε为动态障碍物的数目，θt为机器人当前时刻相对于目标点的的偏转角；线速度与角速度的改变公式为：/> 其中(xt，yt，θt)为当前时刻机器人的位姿；Δt为时间差；在局部路径规划过程中，实时检测局部路径规划下机器人运行方向，判断机器人运行方向是否与全局规划路径方向相同,若不相同，则检测当前路线所在的栅格节点邻近的所有可行栅格节点与机器人当前位置节点的距离sa，及当前路线所在的栅格节点邻近的所有可行栅格节点与巡检目标点的距离sb，将sa+sb的数值最小路径节点作为下一步运行路线，如此循环，完成机器人局部路径规划。
本发明提供的一种基于云平台的机器人巡检路径规划方法及***，具有如下有益效果：1、本发明针对多任务的巡检控制，基于历史数据获取巡检目标点的巡检优先级、巡检时间；充分考虑巡检任务的优先级，并通过改进的粒子群优化算法获得巡检任务的巡检顺序；基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；创新的将该巡检代价、路径代价、时间代价、能耗代价进行融合，构建适应度函数，实现针对不同任务、不同优先级的实时高效巡检；2、在相邻巡检目标点的路径规划过程中，采用改进的A*算法，设置启发函数的调节系数，通过调节系数调节启发函数h(n)在不同位置处的权重，可保证刚开始搜索时启发函数h(n)的调节系数比较大，减少无效节点的盲目搜索；在接近目标点时启发函数h(n)的调节系数比较小，降低陷入局部最优的风险；并添加距离函数，通过距离函数避免规划的路径距离障碍物过近，进一步保障路径规划的效率和安全性；在局部路径规划中，采用改进的Teb算法，结合机器人的位姿信息,以全局路径弹性拉伸的方式,实现局部动态障碍的避障，并在局部路径规划过程中,根据机器人当前运行方向与全局巡检路径是否相同,动态调节规划机器人巡检路径，实现高效安全避障。
附图说明
图1为本发明的基于云平台的机器人巡检路径规划方法流程图；
图2为本发明的基于云平台的机器人巡检路径规划***框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例：如图1，本实施例提供一种基于云平台的机器人巡检路径规划方法，包括如下步骤：步骤1：根据用户发送的巡检任务，启动机器人运行，通过传感器获得环境数据，构建环境地图；巡检任务包括多个巡检目标点；
步骤2：将巡检任务发送至云平台，基于历史数据获取巡检目标点的巡检优先级、巡检时间；
步骤3：基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
步骤4：根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；
步骤5：基于最优的全局巡检目标点序列，对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；
步骤6：实时检测障碍物，并更新环境地图；当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
进一步的，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
进一步的，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
所述适应度函数为：
其中/>分别为路径代价、时间代价、能耗代价的权重；Si为粒子Xi的路径长度，Smin为种群中粒子路径长度最小值；Smax为种群中粒子路径长度最大值；/>为粒子Xi从起点到节点j的消耗时间，Tmin为种群中粒子消耗时间最小值；Tmax为种群中粒子消耗时间最大值；/>为第j个巡检目标点的巡检代价；E(Xi)为能耗代价，/>
其中，Xi为第i个粒子，/>为第i个粒子的第k巡检目标点；/> 分别表示巡检目标点的坐标，/>为巡检目标点的地势；kh>1>kl；通过系数kf，区分路径在上下坡时不同的能耗；Emax为种群的最大能耗。
进一步的，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：步骤4.1：初始化起点、终点、列表open和列表close；从起点S开始，定义S为父节点，并把它加入到列表open中；
步骤4.2：父节点S周围有8个栅格节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
步骤4.3：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
步骤4.4：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
步骤4.5：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
步骤4.6：当列表open中出现目标节点时，路径找到；
所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，通过调节系数调节启发函数h(n)在不同位置处的权重，可保证刚开始搜索时启发函数h(n)的调节系数比较大，减少无效节点的盲目搜索；在接近目标点时启发函数h(n)的调节系数比较小，降低陷入局部最优的风险；d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
进一步的，所述当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划具体包括：实时检测机器人与动态障碍物的距离dt，当dt大于设定阈值d0，则机器人仍然按照全局规划路径运行，当dt小于设定阈值d0，则需要进行局部路径规划，改变巡检路线，根据全局规划路径，提取关键节点，作为改进的TEB算法的临时目标点；改变巡检路线的方式为：其中R为巡检路线改变后的栅格节点，ε为动态障碍物的数目，θt为机器人当前时刻相对于目标点的的偏转角；线速度与角速度的改变公式为：/>其中(xt，yt，θt)为当前时刻机器人的位姿；Δt为时间差；在局部路径规划过程中，实时检测局部路径规划下机器人运行方向，判断机器人运行方向是否与全局规划路径方向相同,若不相同，则检测当前路线所在的栅格节点邻近的所有可行栅格节点与机器人当前位置节点的距离sa，及当前路线所在的栅格节点邻近的所有可行栅格节点与巡检目标点的距离sb，将sa+sb的数值最小路径节点作为下一步运行路线，如此循环，完成机器人局部路径规划。
第二实施例：如图2所示，本发明实施例提供一种基于云平台的机器人巡检路径规划***，包括云平台和机器人***；机器人***包括地图构建模块、感知模块、路径规划模块和控制模块；
所述云平台获取用户的巡检任务，基于历史数据获取巡检目标点的巡检优先级、巡检时间；基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
所述感知模块用于获取环境信息，根据所述环境信息构建环境点云地图；
所述地图构建模块用于基于环境点云地图构建环境栅格地图，并将障碍物标记在栅格地图中；并实时更新栅格地图；
所述路径规划模块根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；基于最优的全局巡检目标点序列，对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；并基于检测到的动态障碍物，根据改进的TEB算法得到局部路径规划；
所述控制模块控制机器人进行巡检，当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
进一步的，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
进一步的，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
所述适应度函数为：
其中/>分别为路径代价、时间代价、能耗代价的权重；Si为粒子Xi的路径长度，Smin为种群中粒子路径长度最小值；Smax为种群中粒子路径长度最大值；/>为粒子Xi从起点到节点j的消耗时间，Tmin为种群中粒子消耗时间最小值；Tmax为种群中粒子消耗时间最大值；/>为第j个巡检目标点的巡检代价；E(Xi)为能耗代价，/>
其中，Xi为第i个粒子，/>为第i个粒子的第k巡检目标点；/> 分别表示巡检目标点的坐标，/>为巡检目标点的地势；kh>1>kl；通过系数kf，区分路径在上下坡时不同的能耗；Emax为种群的最大能耗。
进一步的，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：1)：初始化起点、终点、列表open和列表close；从起点S开始，定义S为父节点，并把它加入到列表open中；
2)：父节点S周围有8个节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
3)：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
4)：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
5)：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
6)：当列表open中出现目标节点时，路径找到；
所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，通过调节系数调节启发函数h(n)在不同位置处的权重，可保证刚开始搜索时启发函数h(n)的调节系数比较大，减少无效节点的盲目搜索；在接近目标点时启发函数h(n)的调节系数比较小，降低陷入局部最优的风险；d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
进一步的，所述当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划具体包括：实时检测机器人与动态障碍物的距离dt，当dt大于设定阈值d0，则机器人仍然按照全局规划路径运行，当dt小于设定阈值d0，则需要进行局部路径规划，改变巡检路线，根据全局规划路径，提取关键节点，作为改进的TEB算法的临时目标点；改变巡检路线的方式为：其中R为巡检路线改变后的栅格节点，ε为动态障碍物的数目，θt为机器人当前时刻相对于目标点的的偏转角；线速度与角速度的改变公式为：/>其中(xt，yt，θt)为当前时刻机器人的位姿；Δt为时间差；在局部路径规划过程中，实时检测局部路径规划下机器人运行方向，判断机器人运行方向是否与全局规划路径方向相同,若不相同，则检测当前路线所在的栅格节点邻近的所有可行栅格节点与机器人当前位置节点的距离sa，及当前路线所在的栅格节点邻近的所有可行栅格节点与巡检目标点的距离sb，将sa+sb的数值最小路径节点作为下一步运行路线，如此循环，完成机器人局部路径规划。
以上所述仅为本发明的较佳实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云平台的机器人巡检路径规划方法，其特征在于，包括如下步骤：
步骤1：根据用户发送的巡检任务，启动机器人运行，通过传感器获得环境数据，构建环境地图；巡检任务包括多个巡检目标点；
步骤2：将巡检任务发送至云平台，基于历史数据获取巡检目标点的巡检优先级、巡检时间；
步骤3：基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
步骤4：根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；
步骤5：基于最优的全局巡检目标点序列，对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；
步骤6：实时检测障碍物，并更新环境地图；当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
2.根据权利要求1所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
3.根据权利要求2所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；所述适应度函数为：
其中/>分别为路径代价、时间代价、能耗代价的权重；Si为粒子Xi的路径长度，Smin为种群中粒子路径长度最小值；Smax为种群中粒子路径长度最大值；/>为粒子Xi从起点到节点j的消耗时间，Tmin为种群中粒子消耗时间最小值；Tmax为种群中粒子消耗时间最大值；/>为第j个巡检目标点的巡检代价；E(Xi)为能耗代价，/>
其中Xi为第i个粒子，/>为第i个粒子的第k巡检目标点； 分别表示巡检目标点的坐标，/>为巡检目标点的地势；kh>1>kl；通过系数kf，区分路径在上下坡时不同的能耗；Emax为种群的最大能耗。
4.根据权利要求3所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：步骤4.1：初始化起点、终点、列表open和列表close；从起点S开始，定义S为父节点，并把它加入到列表open中；
步骤4.2：父节点S周围有8个栅格节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
步骤4.3：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
步骤4.4：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
步骤4.5：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
步骤4.6：当列表open中出现目标节点时，路径找到。
5.根据权利要求4所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
6.一种基于云平台的机器人巡检路径规划***，采用权利要求1-6的任一项所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，
包括云平台和机器人***；机器人***包括地图构建模块、感知模块、路径规划模块和控制模块；
所述云平台获取用户的巡检任务，基于历史数据获取巡检目标点的巡检优先级、巡检时间；基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
所述感知模块用于获取环境信息，根据所述环境信息构建环境点云地图；
所述地图构建模块用于基于环境点云地图构建环境栅格地图，并将障碍物标记在栅格地图中；并实时更新栅格地图；
所述路径规划模块根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；基于最优的全局巡检目标点序列，对相邻的目标点采用改进的A*算法进行路径规划，得到全局最优巡检路径；并基于检测到的动态障碍物，根据改进的TEB算法得到局部路径规划；
所述控制模块控制机器人进行巡检，当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的TEB算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
7.根据权利要求6所述的一种基于云平台的机器人巡检路径规划***，其特征在于，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
8.根据权利要求7所述的一种基于云平台的机器人巡检路径规划***，其特征在于，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
所述适应度函数为：
其中/>分别为路径代价、时间代价、能耗代价的权重；Si为粒子Xi的路径长度，Smin为种群中粒子路径长度最小值；Smax为种群中粒子路径长度最大值；/>为粒子Xi从起点到节点j的消耗时间，Tmin为种群中粒子消耗时间最小值；Tmax为种群中粒子消耗时间最大值；/>为第j个巡检目标点的巡检代价；E(Xi)为能耗代价，/>
其中，Xi为第i个粒子，/>为第i个粒子的第k巡检目标点； 分别表示巡检目标点的坐标，/>为巡检目标点的地势；kh＞1＞kl；通过系数kf，区分路径在上下坡时不同的能耗；Emax为种群的最大能耗。
9.根据权利要求8所述的一种基于云平台的机器人巡检路径规划***，其特征在于，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：1)：初始化起点、终点、列表open和列表c1ose；从起点S开始，定义S为父节点，并把它加入到列表open中；
2)：父节点S周围有8个节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
3)：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
4)：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
5)：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
6)：当列表open中出现目标节点时，路径找到。
10.根据权利要求9所述的一种基于云平台的机器人巡检路径规划***，其特征在于，所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311809567.9A CN117782097B (zh) | 2023-12-26 | 2023-12-26 | 一种基于云平台的机器人巡检路径规划方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311809567.9A CN117782097B (zh) | 2023-12-26 | 2023-12-26 | 一种基于云平台的机器人巡检路径规划方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117782097A true CN117782097A (zh) | 2024-03-29 |
| CN117782097B CN117782097B (zh) | 2024-06-11 |
Family
ID=90397871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311809567.9A Active CN117782097B (zh) | 2023-12-26 | 2023-12-26 | 一种基于云平台的机器人巡检路径规划方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782097B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401611A (zh) * | 2020-03-06 | 2020-07-10 | 山东科技大学 | 一种化工厂设备巡检点路线优化方法 |
| US20210287556A1 (en) * | 2020-03-13 | 2021-09-16 | Electronics And Telecommunications Research Institute | Method and apparatus for generating optimal path for an unmanned aerial vehicle |
| CN115877855A (zh) * | 2023-03-03 | 2023-03-31 | 天津滨电电力工程有限公司 | 自适应环境路径规划的智能电力巡检机器人及巡检方法 |
| CN116880561A (zh) * | 2023-07-31 | 2023-10-13 | 中科方寸知微(南京)科技有限公司 | 基于改进粒子群无人机路径规划安全增强的优化方法及*** |
| CN116954233A (zh) * | 2023-08-24 | 2023-10-27 | 南方电网数字电网科技(广东)有限公司 | 一种巡检任务与航线自动匹配方法 |
| CN117014472A (zh) * | 2023-09-04 | 2023-11-07 | 中国长江电力股份有限公司 | 一种基于云边端协同的电厂设备智能巡检方法及*** |
| CN117093019A (zh) * | 2023-09-04 | 2023-11-21 | 常州大学 | 改进狼群算法的无人机电力线路路径规划方法 |
-
2023
- 2023-12-26 CN CN202311809567.9A patent/CN117782097B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401611A (zh) * | 2020-03-06 | 2020-07-10 | 山东科技大学 | 一种化工厂设备巡检点路线优化方法 |
| US20210287556A1 (en) * | 2020-03-13 | 2021-09-16 | Electronics And Telecommunications Research Institute | Method and apparatus for generating optimal path for an unmanned aerial vehicle |
| CN115877855A (zh) * | 2023-03-03 | 2023-03-31 | 天津滨电电力工程有限公司 | 自适应环境路径规划的智能电力巡检机器人及巡检方法 |
| CN116880561A (zh) * | 2023-07-31 | 2023-10-13 | 中科方寸知微(南京)科技有限公司 | 基于改进粒子群无人机路径规划安全增强的优化方法及*** |
| CN116954233A (zh) * | 2023-08-24 | 2023-10-27 | 南方电网数字电网科技(广东)有限公司 | 一种巡检任务与航线自动匹配方法 |
| CN117014472A (zh) * | 2023-09-04 | 2023-11-07 | 中国长江电力股份有限公司 | 一种基于云边端协同的电厂设备智能巡检方法及*** |
| CN117093019A (zh) * | 2023-09-04 | 2023-11-21 | 常州大学 | 改进狼群算法的无人机电力线路路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117782097B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai | ROBOTICS: From Manipulator to Mobilebot | |
| CN111240319B (zh) | 室外多机器人协同作业***及其方法 | |
| Cheng et al. | Topological indoor localization and navigation for autonomous mobile robot | |
| WO2018176594A1 (zh) | 一种面向无人自行车的人工势场路径规划法 | |
| CN113625716B (zh) | 一种多智能体动态路径规划方法 | |
| CN103558856A (zh) | 动态环境下服务动机器人导航方法 | |
| CN109933067A (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
| Li et al. | A mobile robot path planning algorithm based on improved A* algorithm and dynamic window approach | |
| CN113031621B (zh) | 一种桥式起重机安全避障路径规划方法及*** | |
| Yusof et al. | Path planning for visually impaired people in an unfamiliar environment using particle swarm optimization | |
| Tang et al. | Obstacle avoidance motion in mobile robotics | |
| CN114527753A (zh) | 人机共融的楼宇间路径规划方法、计算机装置及程序产品 | |
| CN113867341B (zh) | 一种高精度循迹和控制的巡逻车路径规划及跟踪方法 | |
| Shi et al. | Research on path planning method of forging handling robot based on combined strategy | |
| Song et al. | A new hybrid method in global dynamic path planning of mobile robot | |
| CN117782097B (zh) | 一种基于云平台的机器人巡检路径规划方法及*** | |
| CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 | |
| CN115826586A (zh) | 一种融合全局算法和局部算法的路径规划方法及*** | |
| CN114167856B (zh) | 一种基于人工情感的服务机器人局部路径规划方法 | |
| CN111708356A (zh) | 一种起重机自动规划路径***与方法 | |
| Inoue et al. | Intelligent control for illuminance measurement by an autonomous mobile robot | |
| Luo et al. | Planning optimal trajectory for histogram-enabled mapping and navigation by an efficient PSO algorithm | |
| Liu et al. | Research on real-time positioning and map construction technology of intelligent car based on ROS | |
| CN113805585B (zh) | 一种复杂约束下的移动机器人跟踪控制方法 | |
| Yu et al. | Local path planning based on ridge regression extreme learning machines for an outdoor robot |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |