CN108638071A - 一种巡检机器人最优路径动态规划方法 - Google Patents

Abstract

本发明公开了一种巡检机器人最优路径动态规划方法，其包括形成无向图，生成深度优化生成树，深度优化生成树转换为矩阵，查找叶子节点，生成最短路径片段集合，连接路径片段集合生成最短路径。本发明以无向图中的任意点作为起点计算最短路径，得到最短长度的巡检路径，实现最优路径动态规划；并且最优路径具有先近后远的巡检特性，符合现场巡检的习惯；此外以充电点作为最优路径的结束点，从而保证机器人能够充电续航。

Description

一种巡检机器人最优路径动态规划方法

技术领域

本发明属于机器人控制技术领域，具体涉及一种巡检机器人最优路径动态规划方法。

背景技术

现有的机器人巡检过程一般为检测完所有检测点后会回到充电桩，通常采用欧拉回路和旅行推销员问题来进行路径规划。

欧拉回路：如果图G中的一个路径包括每个边恰好一次，则该路径称为欧拉路径(EulerPath)，原因有二：1、无向图是否欧拉图是有条件的：当且仅当图是连通图且没有奇度顶点。现场构建的无向图不一定具备此条件，如树型结构的无向图。2、欧拉图要求每个边恰好一次，现场的机器人可以走重复边，而且是难以避免的，比如机器人走到树的叶子节点，必然原路返回才能继续巡检。

旅行推销员问题，(英语：Travelling salesman problem,TSP)，TSP是这样一个问题：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。因为旅行商问题的条件也要求每个点访问一次，但是现场构建的无向图无法满足，因为可能是树结构的无向图。

现有的搜索算法可以解决最短路径的问题，但是巡检过程与现场巡检习惯(或者说是人类的主观意识：先近后远)不同，比如:现有6个发电机组分别为(1F、2F、3F、4F、5F、6F)，机器人在1F的某个位置用深度优先算法生成出来的路径使得机器人巡检顺序为6F→5F→4F→3F→2F→1F，而客户的巡检习惯是1F→2F→3F→4F→5F→6F。有悖于现场的巡检原则：先近后远。

发明内容

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种巡检机器人最优路径动态规划方法。

本发明的技术方案是：一种巡检机器人最优路径动态规划方法，包括以下步骤：

A、获取巡检地图的辅助点、充电点和检测点，将辅助点、充电点和检测点连线形成具有环路的无向图；

B、判断步骤A形成的无向图是否为树结构；若是，则进行下一步骤；若否，则将步骤A形成的无向图转换为树结构，并采用深度优化搜索算法进行处理，得到深度优化生成树；

C、将步骤B得到的深度优化生成树转换为矩阵；

D、在步骤C得到的矩阵中遍历所有节点，选择与其它节点只有一个非零距离的节点作为叶子节点；

E、以任意节点作为起始点，采用迪杰斯特拉算法计算起始点到叶子节点的最短路径；选取各个最短路径中最短的路径片段，以该路径片段上的叶子节点作为起始点进行迭代，直至路径片段组成的集合中包括所有叶子节点；

F、依次将路径片段集合中前一路径片段的终点作为起点、后一路径片段的起点作为终点进行连接，生成巡检最优路径。

进一步地，所述步骤C将步骤B得到的深度优化生成树转换为矩阵具体为：依次判断步骤B得到的深度优化生成树中的节点与其它节点是否有连线，若有则将二者连线长度作为矩阵元素，若无则将矩阵元素记为无穷大。

进一步地，所述步骤D还包括将充电点作为叶子节点。

进一步地，所述步骤F还包括计算最后一个路径片段的终点到充电点的最短路径，将最后一个路径片段的终点与充电点连接。

本发明的有益效果是：本发明以无向图中的任意点作为起点计算最短路径，得到最短长度的巡检路径，实现最优路径动态规划；并且最优路径具有先近后远的巡检特性，符合现场巡检的习惯；此外以充电点作为最优路径的结束点，从而保证机器人能够充电续航。

附图说明

图1是本发明的巡检机器人最优路径动态规划方法的流程示意图；

图2是本发明实施例中巡检地图示意图；

图3是本发明实施例中深度优化生成树示意图；

图4是本发明实施例中深度优化生成树转换矩阵示意图；

图5是本发明实施例中无向图转换为矩阵示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明的巡检机器人最优路径动态规划方法的流程示意图。一种巡检机器人最优路径动态规划方法，包括以下步骤：

A、获取巡检地图的辅助点、充电点和检测点，将辅助点、充电点和检测点连线形成具有环路的无向图；

B、判断步骤A形成的无向图是否为树结构；若是，则进行下一步骤；若否，则将步骤A形成的无向图转换为树结构，并采用深度优化搜索算法进行处理，得到深度优化生成树；

C、将步骤B得到的深度优化生成树转换为矩阵；

D、在步骤C得到的矩阵中遍历所有节点，选择与其它节点只有一个非零距离的节点作为叶子节点；

E、以任意节点作为起始点，采用迪杰斯特拉算法计算起始点到叶子节点的最短路径；选取各个最短路径中最短的路径片段，以该路径片段上的叶子节点作为起始点进行迭代，直至路径片段组成的集合中包括所有叶子节点；

F、依次将路径片段集合中前一路径片段的终点作为起点、后一路径片段的起点作为终点进行连接，生成巡检最优路径。

在本发明的一个可选实施例中，上述步骤A用于形成数据结构，即将巡检地图中的辅助点、充电点和检测点之间两点进行连线，形成具有环路的无向图。这里的检测点是指机器人巡检过程中的目标点，体现在地图中是能够拍到目标点的路径上的最佳点；辅助点是指辅助机器人行走的点，比如拐角点等；充电点是指机器人在此点可以回退到充电桩自动充电，这个点最优位置是距离充电桩前面20～50cm的位置；无向图是指边没有方向的图。如图2所示，为本发明实施例中巡检地图示意图，其中1表示充电点，2表示辅助点，3表示检测点，4表示辅助点，5表示检测点，6表示辅助点，7表示检测点，点与点之间的连线长度为均为一个单位长度。

在本发明的一个可选实施例中，上述步骤B用于变换数据结构，即将步骤A形成的无向图转换为树结构，通过判断步骤A形成的无向图是否为树结构；若无向图初始即为树结构，则直接进行下一步骤；若无向图不是树结构，则将步骤A形成的无向图转换为树结构，并采用深度优化搜索算法对无向图进行求解，得到深度优化生成树。这里采用的深度优先搜索算法(Depth-First-Search)是沿着树的深度遍历树的节点，尽可能深的搜索树的分支；当节点v的所有边都己被探寻过，搜索将回溯到发现节点v的那条边的起始节点；这一过程一直进行到已发现从源节点可达的所有节点为止；如果还存在未被发现的节点，则选择其中一个作为源节点并重复以上过程，整个进程反复进行直到所有节点都被访问为止。如图3所示，为本发明实施例中深度优化生成树示意图。本发明设定巡检任务为从充电点出发巡检完所有检测点并回到充电点，即从1出发，巡检完3、4、7巡检点后回到1；巡检地图中具有1个充电点、3个辅助点、3个检测点，其数据结构为带有4、5、7、6构成的环路的无向图，删除4与5之间的连线生成深度优化生成树。

在本发明的一个可选实施例中，上述步骤C用于将数据结构转换为矩阵模型，即将步骤B得到的深度优化生成树转换为矩阵，具体为：依次判断步骤B得到的深度优化生成树中的每一个节点与其它节点是否有连线；若两个节点之间有连线，则将两个节点之间的连线长度作为两个节点对应的矩阵元素，若两个节点之间没有连线，则将两个节点对应的矩阵元素记为无穷大。如图4所示，为本发明实施例中深度优化生成树转换矩阵示意图。

在本发明的一个可选实施例中，上述步骤D用于查找叶子节点，即在步骤C得到的矩阵中遍历所有节点，选择与其它节点只有一个非零距离的节点作为叶子节点，这里的非零距离表示非无穷大且大于0的距离。特别地，本发明将将充电点作为叶子节点。根据步骤C中矩阵可以得到叶子节点为1、3、5。

在本发明的一个可选实施例中，上述步骤E用于生成最短路径片段集合，即以任意一个节点作为起始点，采用迪杰斯特拉算法计算起始点到叶子节点的最短路径；选取各个最短路径中最短的路径片段，以该路径片段上的叶子节点作为起始点进行迭代，迭代过程中删除遍历过的叶子节点，直至路径片段组成的集合中包括所有叶子节点。本发明以无像图中任意一个点作为起点均能计算出最短路径，能够得到最短长度的巡检路径，并且实现最优路径动态规划。

路径片段①＝min{1到3的最短路径，1到5的最短路径}的路径

＝min{[1-2-3]，[3-2-4-6-7-5]}的路径

＝[1-2-3]

路径片段②＝min{3到5的最短路径}的路径

＝min{[3-2-4-6-7-5]}的路径

＝[3-2-4-6-7-5]

路径片段③＝路径片段①+路径片段②

＝[1-2-3-2-4-6-7-5]

叶子节点5到充电点1的最短路径为将步骤A中具有环路的无向图转换为矩阵模型，如图5所示，为本发明实施例中无向图转换为矩阵示意图，根据生成的矩阵模型计算最短路径为[5-4-2-1。

从而得到最终路径＝路径片段③+{5到1的最短路径}

＝[1-2-3-2-4-6-7-5]+[5-4-2-1]

＝[1-2-3-2-4-6-7-5-4-2-1]

在本发明的一个可选实施例中，上述步骤F用于连接路径片段集合生成最短路径，即依次将路径片段集合中前一路径片段的终点作为起点、后一路径片段的起点作为终点进行连接，并且计算最后一个路径片段的终点到充电点的最短路径，将最后一个路径片段的终点与充电点连接，生成机器人巡检最优路径，使得最优路径具有先近后远的巡检特性，符合现场巡检的习惯，更加人性化，同时以充电点作为最优路径的结束点，可以解决一图多充电点求解巡检后回到最近充电点的巡检路径的问题，从而保证机器人能够充电续航。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种巡检机器人最优路径动态规划方法，其特征在于，包括以下步骤：

A、获取巡检地图的辅助点、充电点和检测点，将辅助点、充电点和检测点连线形成具有环路的无向图；

B、判断步骤A形成的无向图是否为树结构；若是，则进行下一步骤；若否，则将步骤A形成的无向图转换为树结构，并采用深度优化搜索算法进行处理，得到深度优化生成树；

C、将步骤B得到的深度优化生成树转换为矩阵；

D、在步骤C得到的矩阵中遍历所有节点，选择与其它节点只有一个非零距离的节点作为叶子节点；

E、以任意节点作为起始点，采用迪杰斯特拉算法计算起始点到叶子节点的最短路径；选取各个最短路径中最短的路径片段，以该路径片段上的叶子节点作为起始点进行迭代，直至路径片段组成的集合中包括所有叶子节点；

F、依次将路径片段集合中前一路径片段的终点作为起点、后一路径片段的起点作为终点进行连接，生成巡检最优路径。

2.如权利要求1所述的巡检机器人最优路径动态规划方法，其特征在于，所述步骤C将步骤B得到的深度优化生成树转换为矩阵具体为：依次判断步骤B得到的深度优化生成树中的节点与其它节点是否有连线，若有则将二者连线长度作为矩阵元素，若无则将矩阵元素记为无穷大。

3.如权利要求2所述的巡检机器人最优路径动态规划方法，其特征在于，所述步骤D还包括将充电点作为叶子节点。

4.如权利要求3所述的巡检机器人最优路径动态规划方法，其特征在于，所述步骤F还包括计算最后一个路径片段的终点到充电点的最短路径，将最后一个路径片段的终点与充电点连接。