CN108981710B - 一种移动机器人的全覆盖路径规划方法 - Google Patents

Abstract

本发明提供了一种移动机器人的全覆盖路径规划方法，该方法通过解决优化分割覆盖及这个过程中的路径规划问题实现的新的覆盖算法，该算法不需要预先知道地图空间环境，在覆盖的同时进行区域划分，并且这个过程是增量式覆盖，实现动态覆盖划分，并且可对动态出现的障碍物做实时选择规划，从而实现避障完成覆盖的双重任务。该方法不仅可以运用于拓扑环境规则的地图环境，而且同样适用于复杂区域环境空间，相比于牛耕分割算法更具优势。

Description

一种移动机器人的全覆盖路径规划方法

技术领域

本发明涉及移动机器人应用技术领域，尤其涉及一种移动机器人的全覆盖路径规划方法。

背景技术

全覆盖路径规划技术是指移动机器人从一个区域或者感兴趣的空间内找到一条穿过空间内所有点的路径，并且这条路径要避开环境内的障碍物，为了实现全覆盖路径，机器人必须满足以下几个条件：

1)移动机器人必须穿过目标区域内所有的点，完成完全覆盖；

2)移动机器人必须用无重叠的路径去填充该目标域；

3)该覆盖路径必须是连续并且有序的，不能有任何重复覆盖；

4)移动过程中必须避开所有障碍物；

5)覆盖路径策略尽可能简单；

6)在允许情况下尽可能优化覆盖路径。

该技术是移动机器人融入现有生产生活应用中不可或缺的环节，如军用排雷机器人、家用扫地机器人、草坪割草机器人等，实际工作环境中都要涉及行走路径覆盖问题从而能够更好地完成特定任务。该技术分为区域划分和路径覆盖两个部分：对环境空间进行区域分割和对每个部分进行全覆盖路径行走：

1)区域分割：

梯形分割：作为精确分割的一种，在包括环境外边界和内部障碍物在内的多边形特征空间中，每个顶点都含有两个部分，上垂直拓展和下垂直拓展，在每个关键点的位置，都会对整个区域做划分。该方法虽然解决了整个地图无重叠区域子区域划分，但是对划分区域个数并没有做简化合并，会使得最终覆盖路径长度增加。

牛耕分割：在梯形分割基础上将那些只有在上延和下延相通的关键点处划分分割单元，这样就可以减少整幅地图划分单元个数，进而在下一步过程中能够减少全覆盖路径长度。因为，个数减少，会减少移动机器人往返的次数。但是，该算法是基于地图环境已知添加下进行，并且在子区域划分上还有提升可能。

2)全覆盖路径规划：

随机路径覆盖：是一种简单的路径覆盖策略，它可以随着时间增加最大程度覆盖空间面积，是一种随机策略因此不需要复杂计算和选择策略，也因为这样它的覆盖效率是最低的，重复覆盖率相对较高。

螺旋路径覆盖：是移动机器人从外边界向中心覆盖路径一种螺旋覆盖方式，它可以减少重叠覆盖，每次遇到不可行区域会回溯到尚未覆盖区域，但是这种覆盖方式不够灵活，如遇到复杂环境大部分的覆盖路径都会花费到回溯路径覆盖上，从而产生许多不必要的重复覆盖。

折线路径覆盖：是相对简单的覆盖方式，从开始沿着一个方向出发到达终点每次平移一个单位长度继续相反方向行走一直重复这个过程，该算法相对简单易实现，并且覆盖复杂度相对较小。

有研究学者利用牛耕分割和折线覆盖相结合实现一种牛耕分割全覆盖路径算法，首先对整个地图区域进行分割，得到无重叠的子区域，通过建立各个区域的节点邻接图，按照遍历策略对每个区域进行访问，同时对每个区域内部进行折现覆盖最终实现地图的全覆盖。然而仍然存在如下技术问题：首先，虽然牛耕分割全覆盖路径算法可以实现对地图的全覆盖，但是它必须是对已知的地图环境进行覆盖，不能实现对未知地图环境的覆盖。其次，牛耕分割出的子区域并不是最少的区域，在区域数量上尚存在进一步优化的空间。再者，其动态避障环节的处理相对复杂，并且效果并不理想。

发明内容

针对上述技术问题，本发明提供了一种BA*(Boustrophedon A*)全覆盖路径覆盖算法并在实际应用中实现一种新的覆盖策略来解决该技术问题。

本发明提供了一种移动机器人的全覆盖路径规划方法，具体包括以下步骤：

一种移动机器人的全覆盖路径规划方法，该方法包括以下步骤：

1)初始化移动机器人位置，首先在地图空间内初始化一个移动机器人的位置，这个位置在覆盖过程中是任意选择的，随后通过安装在移动机器人上的传感器去增量式获取当前位置的未探索区域；

2)最大连通区域确定，采用最大连通区域矩形来量化地图区域环境，使得移动机器人可以避免环境边缘和小区域因素影响，实现最大程度覆盖，移动机器人从开始位置出发开始进入探索模式，搜索最大未覆盖连通区域，最大未覆盖连通区域是通过距离变换得到的距离矩阵，然后按照移动机器人的尺寸信息在距离矩阵中寻找所有移动机器人可达的区域从中拆除已覆盖区域后得到最大未覆盖连通区域，计算最大未覆盖连通区域外接矩形来作为目标区域，进而利用水漫算法判断是否存在路径进入目标区域覆盖目标区域，最大连通区域矩形是包含未覆盖最大连通区域，双边平行于边界的矩形；

3)牛耕行走覆盖区域，基于步骤2)中确定的目标区域，在目标区域内部利用牛耕折返行走来覆盖每个目标区域，完成特定增量区域内部路径的全覆盖；

4)构造回溯列表，移动机器人从某一位置开始行走覆盖，在沿着一个方向行走过程中，边行走边寻找确定回溯点，所述回溯点是指当前位置存在自由可行路径的点，在增量覆盖的同时将这些回溯点添加到回溯列表记录下来，用作遇到关键点后回溯寻找依据；

5)寻找最优回溯点，当移动机器人在遇到关键点位置后，通过回溯列表中存储的回溯点寻找一个最佳的回溯点作为当前点到下一个开始点的路径，要求当前关键点和回溯点的距离最小，利用欧氏距离或曼哈顿距离计算两点距离；

6)A*路径规划，基于步骤5)中确定的回溯点，计算出一条从当前关键点到该回溯点的最短路径，选取A*算法作为路径规划方法，计算出最短路径，同时考虑行走过程中两点之间的障碍物信息，实现两点之间的避障处理；

7)A*路径平滑，移动机器人在通过A*算法找到最短路径后，进一步对该路径做一次平滑处理，以尽可能减少覆盖步长，利用两点之间的可视性来确定路径中间的下一个位置；

所述步骤6)中A*算法为：

F＝G+H (4)

F为当前点的距离代价值，G为起始点到当前点的实际距离，H为当前点到终点估计距离，每次选择代价函数值最小的进行行走，同时动态更新当前周围节点的估计代价并把决定行走的节点添加到父列表中，遇到终点后，通过逆向遍历父列表节点得到最终的规划路径。

进一步的，所述步骤4)中构造回溯列表的方法为：

首先，判断当前点S是否为回溯点，根据其八邻域的代价和来计算，将当前点S的八邻域划分为自由区域点、封锁区域点和不关心点，以N_s＝{S₁,S₂,S₃,S₄,S₅,S₆,S₇,S₈}代表当前点S的八个方向：东，东北，北，西北，西，西南，南，东南，对于其中任意两个点S_i∈N_S、S_j∈N_s定义一个评估函数：

然后，定义一个目标函数μ_s来判断当前点S是否为回溯点：

μ_s＝b(S₁,S₈)+b(S₁,S₂)+b(S₅,S₆)+b(S₅,S₄)+b(S₇,S₆)+b(S₇,S₈) (2)

当μ_s≥1时，这个点即为回溯点。

进一步的，所述步骤5)中寻找最优回溯点的方法为：

S_sp＝argmin(f(S′，S_CP)) (3)

其中S′∈L，L是回溯点列表，f(S′，S_CP)是距离代价函数，为两点之间的欧式距离，从回溯点列表中找到代价最小的下一个区域起始点S_sp。

本发明相对现有技术的优点为：

实时覆盖，即不需要预先知道地图空间环境，该算法是移动机器人通过自身传感器感知自身位姿构成增量地图，是探索式的去获取地图信息，不用事先已知地图环境进行规划。

区域划分，牛耕分割全覆盖路径算法虽然尽可能减少最终划分区域数量，但是在覆盖过程中还存在可以合并的单元，BA*算法是在覆盖的同时进行区域划分，并且这个过程是增量式对已探索地图进行区域划分，实现动态覆盖划分目的。

动态避障，如果在牛耕分割上处理动态障碍物的情况需要对整个或者局部的地图重新进行再分割，而且很难做到实时响应处理，BA*全覆盖路径采用动态增量覆盖，对动态出现的障碍物做实时选择规划，从而实现避障完成覆盖的双重任务。

本发明不仅可以运用于牛耕分割进行全覆盖路径的拓扑环境规则的地图环境，而且对复杂区域环境空间也可以用本专题提出的覆盖策略，对实际环境进行全覆盖。通过实验对比，分析BA*算法相比于牛耕分割算法更具优势，同时在其他应用场景下也可以依此来应用。

综上，本发明实现了一种BA*全覆盖路径算法并在实际应用中提出了一种新的覆盖策略，相比于现有的牛耕分割全覆盖路径算法在覆盖时间、覆盖面积、覆盖路径长度、划分子区域个数等方面有较为明显优势，并且在实际应用中对提出的覆盖策略进行优化，覆盖效果较好。除此之外，BA*算法可以达到实时覆盖不需要已知地图环境信息，以及它实现对环境中的动态障碍物的处理。

附图说明

图1是移动机器人覆盖过程中最大联通区域图；

图2是确定最大联通区域流程图；

图3是牛耕行走路线图；

图4是当前点S及其八邻域图；

图5是A*路径示意图；

图6是A*平滑路径示意图；

图7是本发明的流程图；

图8是牛耕分割全覆盖路径结果图(仿真环境)；(a)牛耕分割图；(b)牛耕分割覆盖图；

图9是牛耕分割全覆盖路径结果图(实际环境)；(a)牛耕分割图；(b)牛耕分割覆盖图；

图10是BA*全覆盖路径结果图(仿真环境)；(a)地图空间图；(b)全覆盖路径图；

图11是BA*全覆盖路径结果图(实际环境)；(a)环境构图；(b)BA*全覆盖路径图；

图12是相同区域覆盖时间对比图；

图13是区域总面积与算法覆盖面积的对比图；

图14是相同区域覆盖路径长度对比图；

图15是相同区域划分子区域个数对比图。

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仅用以解释本发明，并不用于限定本发明。

本发明是一种移动机器人的全覆盖路径规划方法，该方法是基于牛耕分割算法启发，通过解决优化分割覆盖及这个过程中的路径规划问题实现的新的覆盖算法，主要包括以下七个步骤：初始化机器人位置、最大联通区域确定、牛耕行走覆盖区域、构造回溯列表、寻找最优回溯点、A*路径规划、A*路径平滑，其工作流程如图7所示。流程中各步骤的具体操作如下：

1)初始化机器人位置

对于需要覆盖的地图空间环境，首先输入一个起始点的位置作为移动机器人的输入，因为BA*算法是动态增量覆盖的，所以这个位置坐标是任意的或者说整个环境中的任意起点都是可行的，这样就可以确定起始点(X，Y)，并且按照既定方向开始覆盖算法。

2)最大联通区域确定

由于实际环境的不规则和边缘复杂化，本发明提出一种局部矩形区域来细化全覆盖路径的整体覆盖面积，如图1深色部分所示。移动机器人从开始位置出发开始进入探索模式，搜索最大未覆盖连通区域，该区域是通过距离变换得到的距离矩阵然后按照机器人的尺寸信息在矩阵中寻找所有机器人可达的区域从中拆除已覆盖区域最后得到最大未覆盖联通区域。然后通过计算当前该区域外接矩形来作为目标区域，进而利用水漫算法判断是否存在路径进入区域覆盖目标区域，流程如图2所示。

3)牛耕行走覆盖区域

基于上一步骤确定的矩形单元区域，如图3所示，利用牛耕行走方式去覆盖路径，这样既可以保证单独区域内所有空间被覆盖同时可以最大限度的实现覆盖面积。因为，这样覆盖方式减少了计算的复杂度同时对于最终覆盖路径长度来说也是尽可能小的。

4)构造回溯列表

回溯列表中存放的是回溯点，所谓回溯点就是在其八邻域周围存在自由可行区域的点，那这样在移动机器人覆盖过程中会产生很多回溯点，大大提高了后面流程计算复杂度，因此为了减少数量构造回溯列表，本发明实现了一种构造回溯列表方法：

首先，判断当前点S是否为回溯点，根据其八邻域的代价和来计算，如图4所示，其中，白色代表自由且尚未覆盖点，黑色代表封锁区域点，灰色代表不关心点，即可为封锁区域点或者是自由区域点。这里用N_s＝{S₁,S₂,S₃,S₄,S₅,S₆,S₇,S₈}代表当前点S的八个方向：东，东北，北，西北，西，西南，南，东南。对于其中任意两个点Si∈Ns并且Sj∈Ns定义一个评估函数：

然后，我们定义一个目标函数μs来判断当前点S是否为回溯点：

μ_s＝b(S₁,S₈)+b(S₁,S₂)+b(S₅,S₆)+b(S₅,S₄)+b(S₇,S₆)+b(S₇,S₈) (2)

这里考虑了六个方向自由域方向的点的评估函数，因为移动机器人在自己驶入的方向上是不需要做判断的，所以，当μ_s≥1时，我们认为这个点是回溯点，这样就可以把已经添加到回溯列表中的众多的回溯点数目，筛选到很少的数量。

5)寻找最优回溯点

上一步骤中已经建立好回溯列表，当移动机器人在覆盖过程中遇到关键点时，即障碍物点或者是已经覆盖过的点，会选择回溯。当移动机器人到达关键后，会终止当前区域行走，并且从上述最终构建的关键点列表中寻找到距离当前关键点最近的一个回溯点，这个过程可以使用常见的计算两点之间的欧式距离，曼哈顿距离，或者利用距离传播算法来找到这个回溯点，即：

S_sp＝argmin(f(S′，S_CP)) (3)

其中S′∈L，L是回溯点列表，f(S′，S_CP)是代价函数，这里为了方便计算采用的是两点之间的欧式距离作为代价函数，从回溯点列表中找到代价最小的下一个区域起始点S_sp。

6)A*路径规划

在确定了回溯点列表回溯点之后要计算出一条从关键点到这个回溯点最近路径，这里采用A*路径算法，每个点都有自己的代价函数：

F＝G+H (4)

F代表当前点的距离代价值，G代表起始点到当前点的实际距离，H代表当前点到终点估计距离，每次选择代价函数值最小的进行行走，同时动态更新当前周围节点的估计代价并把决定行走的节点添加到父列表中，直到遇到终点后，只需要逆向遍历父列表节点就可以得到最终的规划路径。如图5所示，

其中，绿色代表起始位置，红色点代表终止位置，黄色点代表在开启列表中的尚未判断的点位置蓝色代表当前已经判断过的点，在每一步行走中，都会计算每一个点的代价，最终从目标点倒序返回这一条粉色的路径，即为最终的寻路路径。

7)A*路径平滑

上一步得到的A*路径并不是最终行走路径，为了尽可能减少路径长度需要对这条进行平滑流程如下：

在利用A*寻路得到的路径P＝[S₁，S₂，S₃……S_n]列表上对相距最远的点进行可视性判断即可不可直达，如果可以那就以这个点为最终的路径上的点构造平滑列表P’，直到迭代完成最终得到平滑路径P′＝[S₁′，S₂′，S₃′……S_k′]列表，如图6所示。

相比于传统的牛耕分割算法，本实施例采用的全覆盖路径规划方法更具优势，图8-15为两者的效果对比图，从图中可以看出，在覆盖时间、覆盖面积、覆盖路径长度、划分子区域个数等方面，本发明具有明显的优势。

Claims (3)

1.一种移动机器人的全覆盖路径规划方法，其特征在于，该方法包括以下步骤：

1)初始化移动机器人位置，首先在地图空间内初始化一个移动机器人的位置，这个位置在覆盖过程中是任意选择的，随后通过安装在移动机器人上的传感器去增量式获取当前位置的未探索区域；

2)最大连通区域确定，采用最大连通区域矩形来量化地图区域环境，使得移动机器人可以避免环境边缘和小区域因素影响，实现最大程度覆盖，移动机器人从开始位置出发开始进入探索模式，搜索最大未覆盖连通区域，最大未覆盖连通区域是通过距离变换得到的距离矩阵，然后按照移动机器人的尺寸信息在距离矩阵中寻找所有移动机器人可达的区域从中拆除已覆盖区域后得到最大未覆盖连通区域，计算最大未覆盖连通区域外接矩形来作为目标区域，进而利用水漫算法判断是否存在路径进入目标区域覆盖目标区域，最大连通区域矩形是包含未覆盖最大连通区域，双边平行于边界的矩形；

3)牛耕行走覆盖区域，基于步骤2)中确定的目标区域，在目标区域内部利用牛耕折返行走来覆盖每个目标区域，完成特定增量区域内部路径的全覆盖；

4)构造回溯列表，移动机器人从某一位置开始行走覆盖，在沿着一个方向行走过程中，边行走边寻找确定回溯点，所述回溯点是指当前位置存在自由可行路径的点，在增量覆盖的同时将这些回溯点添加到回溯列表记录下来，用作遇到关键点后回溯寻找依据；

5)寻找最优回溯点，当移动机器人在遇到关键点位置后，通过回溯列表中存储的回溯点寻找一个最佳的回溯点作为当前点到下一个开始点的路径，要求当前关键点和回溯点的距离最小，利用欧氏距离或曼哈顿距离计算两点距离；

6)A*路径规划，基于步骤5)中确定的回溯点，计算出一条从当前关键点到该回溯点的最短路径，选取A*算法作为路径规划方法，计算出最短路径，同时考虑行走过程中两点之间的障碍物信息，实现两点之间的避障处理；

7)A*路径平滑，移动机器人在通过A*算法找到最短路径后，进一步对该路径做一次平滑处理，以尽可能减少覆盖步长，利用两点之间的可视性来确定路径中间的下一个位置；

所述步骤6)中A*算法为：

F＝G+H (4)

F为当前点的距离代价值，G为起始点到当前点的实际距离，H为当前点到终点估计距离，每次选择代价函数值最小的进行行走，同时动态更新当前周围节点的估计代价并把决定行走的节点添加到父列表中，遇到终点后，通过逆向遍历父列表节点得到最终的规划路径。

2.根据权利要求1所述的一种移动机器人的全覆盖路径规划方法，其特征在于，所述步骤4)中构造回溯列表的方法为：

首先，判断当前点S是否为回溯点，根据其八邻域的代价和来计算，将当前点S的八邻域划分为自由区域点、封锁区域点和不关心点，以N_s＝{S₁,S₂,S₃,S₄,S₅,S₆,S₇,S₈}代表当前点S的八个方向：东，东北，北，西北，西，西南，南，东南，对于其中任意两个点S_i∈N_S、S_j∈N_s定义一个评估函数：

然后，定义一个目标函数μ_s来判断当前点S是否为回溯点：

μ_s＝b(S₁,S₈)+b(S₁,S₂)+b(S₅,S₆)+b(S₅,S₄)+b(S₇,S₆)+b(S₇,S₈) (2)

当μ_s≥1时，这个点即为回溯点。

3.根据权利要求1所述的一种移动机器人的全覆盖路径规划方法，其特征在于，所述步骤5)中寻找最优回溯点的方法为：

S_sp＝argmin(f(S′，S_CP)) (3)

其中S′∈L，L是回溯点列表，f(S′，S_CP)是距离代价函数，为两点之间的欧式距离，从回溯点列表中找到代价最小的下一个区域起始点S_sp。