CN105000476A - 一种基于模糊决策推理的无人吊车空间避碰策略 - Google Patents

Abstract

本发明公开了一种基于模糊决策推理的无人吊车空间避碰策略。首先确定吊车的起止点及一条可能的路线；然后使用激光扫描车间内整体环境，绘制激光扫描结果图；使用模糊推理与决策理论及本发明设计算法，计算选择该条路线时，吊车与车间每个区域内设备、货物等实体的空间拓扑关系，是否均为“相离”；如果否，则重新规划路线，并返回第一步；如果是，则选择使用这条路线，执行吊装任务。本发明采用模糊控制理论及模糊决策推理算法来计算指定路线上吊车与车间内其他实体的空间拓扑关系，以此支持实现吊装任务的无碰要求，为无人吊车的路径规划结果的可行性提供一种检测手段，提高了无人操作环境下吊装任务的可靠性。

Description

一种基于模糊决策推理的无人吊车空间避碰策略

技术领域

本发明涉及控制领域，特别涉及一种基于模糊决策推理的无人吊车空间避碰策略的设计方法。

背景技术

避碰方法的研究广泛地出现在对机器人、船舶、无人水下自主航行器、自动导引车、无人机等的路径规划研究中。目前对无人起重机的研究并不太多，且重点大都放在最优路径规划方面，对避碰问题提及较少。现有对路径规划中避碰的研究方法主要是利用传感器，来感知机器自身及外部环境，判断自身与障碍物的距离、角度信息，然后更改自身位姿及行进方向，以避开障碍。这种方法适用于动态环境，在预定轨道上，遇到障碍物才绕过障碍物。而车间中的环境是静态的，可以通过激光扫描预先得知车间环境，并按照一定原则将不同路线按照优劣排序；利用本分设计的模糊决策推理算法，从最优一个开始逐个排除会发生碰撞的路线，从而实现避碰的目标。

因此需要一种基于模糊决策推理的无人车间避碰策略及其算法。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种基于模糊决策推理的无人车间避碰策略及其算法。

本发明的目的之一是提出一种基于模糊决策推理的无人车间避碰判断算法；本发明的目的之二是提出一种基于模糊决策推理的无人车间避碰策略。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的基于模糊决策推理的无人车间避碰算法的设计，包括以下步骤：

S1：用户给出吊装任务的起点、终点及预设路线；

S2：得到该时刻车间内的激光扫描点云坐标及其生成的图像；

S3：计算该路线上吊车吊钩与车间内实体的空间拓扑关系：

本步骤的计算方法：

S3.1：根据激光扫描数据，得到车间内实体所在位置，及其边界各点坐标；

S3.2：根据对吊车的控制精度，来确定预设吊装路径可能的位置，及其边界各点坐标；

S3.3：将以上坐标转换为直角坐标系中的坐标；

S3.4：车间内某一实体区域A和预设路线中的一段区域B的空间拓扑关系计算过程：

对于空间中任意一个实体都可以划分为内部、边界和外部三个部分，由于激光扫描误差的存在，以上三个部分存在重叠，即存在一定模糊性。通过将空间区域进行模糊划分后，空间中的任意一点都以一定隶属度属于该区域的内部、边界和外部。同样，由于对吊车的控制精度有限、存在误差，空间中任意一点也都以一定隶属度属于预设吊装路线区域的内部、边界和外部，如图1所示。

于是可以得到车间内某一实体区域A和预设路线中的一段区域B划分的6个模糊集合：A^o(区域A内部)，(区域A边界)，A^-(区域A外部)，B^o(区域B内部)，(区域B边界)，B^-(区域B外部)，其定义为：

μ_Ai(x,y)为坐标(x,y)点属于区域A内部的隶属度函数，在栅格化地图中为栅格下标(x,y)。其他隶属度定义与其类似。因此可以得出如下模糊九交模型：

T(A,B)为模糊九交矩阵，其中λ(A^o∩B^o)的计算规则如下：

λ(A^o∩B^o)＝max_(x,y)∈UAB(min(u_Ai(x,y),u_Bi(x,y)))      (1-1) 

即模糊九交矩阵T(A,B)中的每个元素的隶属度为取两个对应模糊交集中的最大隶属度。由于区域A和B内部、边界和外部模糊集由对象拓扑空间模糊划分的隶属度函数决定，因而模糊九交矩阵中的元素值也由模糊划分隶属度函数决定。

利用这个模糊九交矩阵，分析两个区域的拓扑关系，如对图1中的车间内某一实体区域A和预设路线中的一段区域B，根据面实体范围模糊隶属度的定义可以得到如图1所示的栅格化模糊隶属度描述：

$\begin{array}{cc}{P}_{A1}=\frac{0}{{\mathrm{\μ}}_{Ai}}+\frac{0}{{\mathrm{\μ}}_{Ab}}+\frac{1}{{\mathrm{\μ}}_{Ao}}& P_{B1}=\frac{0}{{\mathrm{\μ}}_{Bi}}+\frac{0}{{\mathrm{\μ}}_{Bb}}+\frac{1}{{\mathrm{\μ}}_{Bo}}\end{array}$

$\begin{array}{cc}{P}_{A2}=\frac{0.1}{{\mathrm{\μ}}_{Ai}}+\frac{0.8}{{\mathrm{\μ}}_{Ab}}+\frac{0.1}{{\mathrm{\μ}}_{Ao}}& P_{B2}=\frac{0.1}{{\mathrm{\μ}}_{Bi}}+\frac{0.8}{{\mathrm{\μ}}_{Bb}}+\frac{0.1}{{\mathrm{\μ}}_{Bo}}\end{array}$

$\begin{array}{cc}{P}_{A3}=\frac{0.3}{{\mathrm{\μ}}_{Ai}}+\frac{0.6}{{\mathrm{\μ}}_{Ab}}+\frac{0.1}{{\mathrm{\μ}}_{Ao}}& P_{B3}=\frac{0.15}{{\mathrm{\μ}}_{Bi}}+\frac{0.8}{{\mathrm{\μ}}_{Bb}}+\frac{0.05}{{\mathrm{\μ}}_{Bo}}\end{array}$

$\begin{array}{cc}{P}_{A4}=\frac{0.8}{{\mathrm{\μ}}_{Ai}}+\frac{0.2}{{\mathrm{\μ}}_{Ab}}+\frac{0}{{\mathrm{\μ}}_{Ao}}& P_{B4}=\frac{0.6}{{\mathrm{\μ}}_{Bi}}+\frac{0.4}{{\mathrm{\μ}}_{Bb}}+\frac{0}{{\mathrm{\μ}}_{Bo}}\end{array}$

于是，如图1，可以根据1-1式计算T(A,B)，这里只就车间内某一实体区域A和预设路线中的一段区域B中的四个栅格点P_A1P_A2P_A3P_A4和P_A1P_A2P_A3P_A4的λ(A'^o∩B'^o)进行分析，整个区域的模糊九交矩阵的计算与之类似。

即，如果只考虑四个栅格点P_A1P_A2P_A3P_A4和P_B1P_B2P_B3P_B4组成的区域A和B，它们的λ(A'^o∩B'^o)为0.1。

根据以上计算过程，可以得到图1中关于区域A和B的模糊九交矩阵：

$T(A,B)=\left[\begin{array}{ccc}0.1& 0.2& 1\\ 0.4& 0.7& 1\\ 1& 1& 1\end{array}\right]---(1-2)$

下一步，根据模糊九交矩阵进行模糊推理，对面实体空间拓扑进行分析。两个面实体间的空间拓扑关系主要有“相离”“相遇”“交叠”“包含”“相等”“覆盖”“内部(被包含)”“被覆盖”8种关系，如图2所示，给出了这8种空间拓扑关系的典型示例及其对应的模糊九交矩阵。

下一步，对面实体空间拓扑关系进行模糊推理。将当前已经模糊栅格化处理的车间内实体区域A和预设路线中的一段区域B按照1-1式计算两者的模糊九交矩阵T(A,B)，并在此基础上按照1-1式计算模糊九交矩阵与8类典型空间拓扑关系特征矩阵的差异程度。

设两个区域的模糊九交矩阵为T'(A,B)，简写为T'，由典型的模糊九交矩阵构成的空间模糊拓扑关系集合为T＝(T₁,T₂,...,T₈)，其中T₁,T₂,...,T₈依次对应上述8种典型模糊空间拓扑关系。于是，按照贴近度计算公式，如果，

$T_i=\left[\begin{array}{ccc}{t}_1& t_2& t_3\\ t_4& t_5& t_6\\ t_7& t_8& t_9\end{array}\right],(i=1,2,3...8)$ 和 $T^{,}(A,B)=\left[\begin{array}{ccc}{t_1}^{,}& {t_2}^{,}& {t_3}^{,}\\ {t_4}^{,}& {t_5}^{,}& {t_6}^{,}\\ {t_7}^{,}& {t_8}^{,}& {t_9}^{,}\end{array}\right],$

则T'(A,B)与T_i的贴近度可以为：

${\mathrm{\σ}}_i={\mathrm{\σ}}_i(T^{,},T_i)=1-\frac{1}{9}\underset{k=1}{\overset{9}{\Σ}}|{t_k}^{,}-t_k|---(1-3)$

根据式1-3及式1-2的计算结果，可以得到σ_i，(i＝1,2,3...8)，如下：σ₁＝0.84，σ₂＝0.91，σ₃＝0.72，σ₄＝0.79，σ₅＝0.36，σ₆＝0.53，σ₇＝0.48，σ₈＝0.47，即1-2式给出对应图1中区域A和区域B的关系T_r为：

在进行空间拓扑关系推理分析时，根据式1-3的贴近度和择近原则，选取σ_i，(i＝1,2,3...8)中最大值所对应的拓扑关系作为当前两个区域的空间拓扑关系判断结果。即，按照最大阈值原则，认为区域A与B是“相遇”的。

S4：根据S3计算结果，判断出该条路线上所有区域与车间内设备等实体的空间拓扑关系。

进一步，所述吊装任务的起点与终点，是事先确定的；所述预设吊装路线，是从备选的众多吊装路线中，选取的一条路线，包括预设的吊车所经区域的坐标范围，用于标注吊车运动范围。

进一步，所述激光扫描，是指安装在车间合适位置的激光扫描仪器实时对整个车间进行全景扫描；所述激光扫描仪器生成点云坐标，用于获取车间内不可碰撞的实体坐标。

进一步，所述激光扫描结果图是根据权利要求7中实体坐标绘制而成，表达了车间内各设备、货物的位置及外形轮廓坐标。

进一步，所述算法是依据模糊控制理论及模糊推理与决策理论，由本发明人自行设计的一种算法，用来计算预设路径上吊车与车间内实体的关系。

进一步，所述碰撞概率算法，是由本发明重点设计；在已知实体轮廓范围及吊车运行范围的基础上，使用本发明设计的算法可以计算出吊车与车间内设备等实体的关系。

进一步，所述吊装任务的起点与终点坐标及预设吊装路线，用于确定本发明使用范围及环境；所述激光扫描仪器，用于得到车间内实体(设备、货物)的点云坐标；所述激光扫描结果图绘制，用于根据点云坐标，得到实体边界坐标值域，并据点云坐标计算其隶属度；所述碰撞概率算法，用于计算按照预设路线执行吊装任务时，发生碰撞的模糊隶属度。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的基于模糊决策推理的无人车间避碰策略的设计，包括吊装任务的起止点及预设吊装路线、激光扫描及其结果、碰撞概率算法；包括以下步骤：

S1：用户给出吊装任务的起点、终点及预设路线；

S2：得到该时刻车间内的激光扫描点云坐标及其图像；

S3：计算该路线上吊车吊钩与车间内实体的空间拓扑关系，计算方法请参见本发明目的之一中S3；

S4：根据计算结果，判断出该条路线上所有区域是否均符合避碰准则：在预设路线上，任意一段区域，与车间内实体区域的拓扑关系均为“相离”关系时，该 条路线才是可行的；否则，该条路线不满足避碰准则，应该更换吊装路线。

进一步，所述吊装任务的起点与终点，是事先确定的；所述预设吊装路线，是从备选的众多吊装路线中，选取的一条路线，包括预设的吊车所经区域的坐标范围，用于标注吊车运动范围。

进一步，所述激光扫描，是指安装在车间合适位置的激光扫描仪器实时对整个车间进行全景扫描；所述激光扫描仪器生成点云坐标，用于获取车间内不可碰撞的实体坐标。

进一步，所述激光扫描结果图是根据权利要求7中实体坐标绘制而成，表达了车间内各设备、货物的位置及外形轮廓坐标。

进一步，所述算法是依据模糊控制理论及模糊推理与决策理论，由本发明人自行设计的一种算法，用来计算预设路径上吊车与车间内实体的关系。

进一步，所述碰撞概率算法，是由本发明重点设计；在已知实体轮廓范围及吊车运行范围的基础上，使用本发明设计的算法可以计算出吊车与车间内设备等实体的关系。

进一步，所述吊装任务的起点与终点坐标及预设吊装路线，用于确定本发明使用范围及环境；所述激光扫描仪器，用于得到车间内实体(设备、货物)的点云坐标；所述激光扫描结果图绘制，用于根据点云坐标，得到实体边界坐标值域，并据点云坐标计算其隶属度；所述碰撞概率算法，用于计算按照预设路线执行吊装任务时，发生碰撞的模糊隶属度。

本发明的有益效果在于：本发明采用基于模糊决策推理的算法进行无人吊车空间避碰策略的分析决策，实现使用激光扫描车间及对应算法来判断预设路线是否可行的目的，并通过该算法实现计算预设路线上吊车与车间内设备货物等发生碰撞的概率。为实现无人吊车空间避碰提供一种有效的判断策略。本发明利用了激光扫描速度较快、扫描结果较为准确的特点，将其利用在对无人值守车间的实体扫描中，实现对车间内实体的辨识，然后再利用本发明所设计的算法判断预设路线上吊车与车间内实体的空间拓扑关系，从而选择一条可以避开障碍的路线。无人吊车的发展既可以节约人力成本，又能提高人员安全操作概率，是工业应用的重要方向，本发明为实现无人吊车的吊装任务的精准化提供依据，支持了无人值守工业现场的建设。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1描述了两区域的空间关系。对于空间中任意一个实体都可以划分为内部、边界和外部三个部分。通过将空间区域进行模糊划分后，空间中的任意一点都以一定隶属度属于该区域的内部、边界和外部。

图2描述的是8种空间拓扑关系的典型示例及其对应的模糊九交矩阵。

图3为本发明实施例提供的选择避碰路线、实现无人吊车空间避碰策略的操作流程图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

图3为本发明实施例提供的选择避碰路线、实现无人吊车空间避碰策略的操作流程图。如图3所示，本实施例提供的一种基于模糊决策推理的无人吊车空间避碰算法及其避碰策略，包括以下步骤：

S1：用户提出吊装任务的起点与终点以及一条可能的吊装路线；

S2：判断是否给出了一条可能的吊装路线，如果否，则设计一条路线；

S3：如果是，则使用这条路线；

S4：使用激光扫描仪扫描车间内整体环境，得到该时刻车间内的激光扫描点云坐标及其生成的图像；

S5：使用模糊推理与决策理论及本发明设计算法(请参见本说明书发明内容中发明目的之一的S3步计算方法)，计算选择该条路线时，该路线上吊车吊钩与车间内实体的空间拓扑关系；

S6：判断S5中所述空间拓扑关系，是否均为“相离”；

S7：如果否，说明使用该条路线执行吊装任务会发生碰撞，应该换一条吊装路线，并返回S2；

S8：如果是，说明该条路线可以实现避碰原则，可以选用该条路线执行吊装任务。

所述吊装任务的起点与终点坐标及预设吊装路线，用于确定本发明使用范围及环境；

所述激光扫描仪器，用于得到车间内实体(设备、货物)的点云坐标；

所述激光扫描结果图绘制，用于根据点云坐标，得到实体边界坐标值域，并据点云坐标计算其隶属度；

所述空间拓扑关系算法，是本发明所设计并用于计算按照预设路线执行吊装任务时，该条路线上所有区域与车间内设备等实体的空间拓扑关系。

本实施例的吊装任务的预设路线是由用户预先设定的几条路线；激光扫描结果，即车间内设备、货物等实体坐标，由用户进行预处理转换为直角坐标系坐标；预设路线中吊车的边界位置坐标及其模糊隶属度，取决于对吊车的控制精度，这由用户根据历史数据统计分析或者经验决定。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (9)

1.基于模糊决策推理的无人吊车空间避碰策略的设计方法，其特征在于：包括以下步骤：

S1：用户提出吊装任务的起点与终点以及一条可能的吊装路线；

S2：判断是否给出了一条可能的吊装路线，如果否，则设计一条路线；

S3：如果是，则使用这条路线；

S4：使用激光扫描仪扫描车间内整体环境，得到该时刻车间内的激光扫描点云坐标及其生成的图像；

S5：使用模糊推理与决策理论及本发明设计算法(请参见本说明书发明内容中发明目的之一的S3步计算方法)，计算选择该条路线时，该路线上吊车吊钩与车间内实体的空间拓扑关系；

S6：判断S5中所述空间拓扑关系，是否均为“相离”；

S7：如果否，说明使用该条路线执行吊装任务会发生碰撞，应该换一条吊装路线，并返回S2；

S8：如果是，说明该条路线可以实现避碰原则，可以选用该条路线执行吊装任务。

2.根据权利要求1所述的基于模糊决策推理的无人吊车空间避碰策略的设计方法，其特征在于：所述吊装任务的起点与终点，是事先确定的；所述一条可能的吊装路线，是从备选的众多吊装路线中，选取的一条路线，通过本发明方法，判定其是否符合避碰原则。

3.根据权利要求1所述的基于模糊决策推理的无人吊车空间避碰策略的设计方法，其特征在于：所述激光扫描，是指安装在车间合适位置的激光扫描仪器实时对整个车间进行全景扫描；所述激光扫描点云坐标是指激光仪器实时扫描返回的点阵坐标图，该图上边界点都以一定的模糊隶属度属于实体范围的内部、边界或外部。

4.根据权利要求1所述的基于模糊决策推理的无人吊车空间避碰策略的设计方法，其特征在于：所述算法是依据模糊控制理论及模糊推理与决策理论，由本发明人自行设计的一种算法，用来计算预设路线与车间内实体的空间拓扑关系。

5.基于模糊决策推理的无人吊车空间避碰策略，其特征在于：包括吊装任务的起点与终点坐标、一条初步设定的吊装路线、安装在车间内可以扫描车间整体环境的激光扫描仪器、激光扫描结果图及其坐标、空间拓扑关系算法；

所述吊装任务的起点与终点坐标及预设吊装路线，用于确定本发明使用范围及环境；

所述激光扫描仪器，用于得到车间内实体(设备、货物)的点云坐标；

所述激光扫描结果图绘制，用于根据点云坐标，得到实体边界坐标值域，并据点云坐标计算其隶属度；

所述空间拓扑关系算法，用于计算按照预设路线执行吊装任务时，吊车与车间内实体的空间拓扑关系是否均为“相离”。

6.根据权利要求5所述的基于模糊决策推理的无人吊车空间避碰策略，其特征在于：所述吊装任务的起点与终点坐标是固定的，预设吊装路线可以有多条备选；所述预设吊装路线包括预设的吊车所经区域的坐标范围，用于标注当前控制精度下的吊车运动范围。

7.根据权利要求5所述的基于模糊决策推理的无人吊车空间避碰策略，其特征在于：所述激光扫描仪器安装在车间合适的位置，以保证可以扫描到整个车间环境；所述激光扫描仪器生成点云坐标，用于获取车间内不可碰撞的实体坐标。

8.根据权利要求5所述的基于模糊决策推理的无人吊车空间避碰策略，其特征在于：所述激光扫描结果图是根据权利要求7中实体坐标绘制而成，表达了车间内各设备、货物的位置及外形轮廓，其中轮廓范围附近的点都以一定的隶属度隶属于实体的内部、边界及外部。

9.根据权利要求5所述的基于模糊决策推理的无人吊车空间避碰策略，其特征在于：所述空间拓扑关系算法，是由本发明重点设计；在已知实体轮廓范围及吊车运行范围的基础上，使用本发明设计的算法可以计算得出其空间拓扑关系；若此空间拓扑关系均为“相离”，则可以执行预设路线；否则不能使用预设路线执行吊装任务。