CN109459052B - 一种扫地机全覆盖路径规划方法 - Google Patents

Abstract

本发明涉及一种扫地机全覆盖路径规划方法。本方法的具体操作步骤为：1）地图构建，2）多角度扫线分割，3）贪婪初始化，和4）自适应遗传算法处理。本发明寻找扫地机转弯次数最少的分割角度，使扫地机具有更高的清扫效率。本发明优化了各子区域间的遍历路线，缩短了清扫时间，从而进一步提高其清扫效率。

Description

一种扫地机全覆盖路径规划方法

技术领域

本发明涉及机器人的自主定位与未知环境的地图构建和路径规划领域，具体涉及一种扫地机全覆盖路径规划方法。

背景技术

全覆盖路径规划算法是移动机器人智能导航中的重要分支，所谓全覆盖指的是要求机器人去寻找一条能够遍历当前环境中所有区域的路径。全覆盖路径规划算法在军事、农业等多个领域都有着广泛的应用。

研究扫地机全覆盖路径规划的目的就是要使扫地机更加高效的遍历清扫目标区域内所有空白区域，同时尽可能避免在已遍历区域重复行走。从而使得扫地机总的清扫路径最优，消耗能源最少。这对一个稳定高效的扫地机清扫系统来说意义重大。而现有的扫地机在实际清扫时存在着在某些区域重复行走的问题，降低了清扫效率。

发明内容

本发明的目的在于针对已有的技术的不足，提供一种能提高清扫效率的扫地机全覆盖路径规划方法。

为达到上述目的，本发明所采用的技术方案为：一种扫地机全覆盖路径规划方法，具体操作步骤如下：

1)地图构建：扫地机在未知室内环境行走，行走的同时获取扫地机附近的局部二维栅格地图m_y(1≤y≤n)，扫地机在室内行走一遍后将已获取的局部二维栅格地图m₁,m₂,…m_n组合成为整个室内环境的二维栅格地图M；

2)多角度扫线分割：扫地机通过不同角度扫线将二维栅格地图M分割成有限个子区域M₁,M₂,…M_a；

3)贪婪初始化：对分割后的子区域M₁,M₂,…M_a进行贪婪初始化排序；

4)自适应遗传算法处理：将初始化后的各子区域模拟成旅行商模型，利用自适应遗传算法求取扫地机遍历各子区域的最优连接路径。

作为一种优选方案，所述步骤1)地图构建：扫地机利用深度相机传感器数据z_1:t＝z₁,z₂…z_t和里程计数据u_1:t＝u₁,u₂…u_t,通过联合概率分布：p(x_1:t,m_y|z_1:t,u_1:t)＝p(m_y|x_1:t,z_1:t)*p(x_1:t|z_1:t,u_1:t)来计算机器人的运行轨迹x_1:t＝x₁,x₂…x_t和局部二维栅格地图m_y(1≤y≤n),最后将所有二维局部栅格地图m₁,m₂,…m_n组合成为整个室内环境的二维栅格地图M。

作为一种优选方案，所述步骤1)地图构建中在获得局部二维栅格地图m_y(1≤y≤n)后，可通过深度相机的三维传感器数据，取其在竖直方向上的最小深度数据Z_min＝min(Z₁,Z₂…Z_t)并将其映射到当前局部二维栅格地图m_y(1≤y≤n)当中，并利用牛顿迭代法对扫地机位姿约束进行优化处理，从而提高局部二维栅格地图m_y(1≤y≤n)与实际室内环境的一致性。

作为一种优选方案，所述步骤2)多角度扫线分割：扫地机以倾斜角为θ的扫线将二维栅格地图M分割成有限个子区域M₁,M₂,…M_a，对于二维栅格地图M，S(θ)为各子区域在θ+Π/2方向上的转弯次数总和，当S(θ)取得最小值时，此时的θ即为目标区域的分割方向。

作为一种优选方案，所述步骤3)贪婪初始化：对于分割完毕的各子区域，首先选择距离机器人当前位置最近的子区域M_current并加入到种群中，对其他各个子区域进行搜索，找到距离M_current最近的子区域M_next，将其添加到自适应遗传算法中，将其作为计算的初始值，由此循环，继续寻找并添加下一个最近子区域，直到所有子区域都搜寻完毕并加入到了自适应遗传算法中作为初始值。

作为一种优选方案，所述步骤4)自适应遗传算法处理：交叉概率P_j实现了种群的迭代和更新，设置P_j的自适应机制如下：

式中P_ji为个体i的交叉概率，初始时刻交叉概率较高，迭代后期则较小趋于稳定，P_jmin取值为0.5，f_i为个体i的适应度，f_max为当前个体中最大的适应度，

为种群的平均适应度，P_jmax的取值随着迭代次数的变化而变化，如下所示：

式中G为最大迭代次数，g为当前迭代次数。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著技术进步：由于采用多角度扫线分割方式，充分考虑了各种切割方向，从而寻找到了使得扫地机转弯次数最少的分割角度，使扫地机具有更高的清扫效率。由于采用了贪婪初始化与自适应遗传算法对各个子区域的联通问题进行求解，优化了各个子区域间的遍历路线，缩短了清扫时间，从而进一步提高扫地机的清扫效率。

由于在步骤a)中获得了局部二维栅格地图m_y(1≤y≤n)后，通过深度相机的三维传感器在竖直方向上的最小深度数据z_min＝min(z₁,z₂…z_t)并将其映射到当前局部二维栅格地图m_y(1≤y≤n)当中，并利用牛顿迭代法对扫地机位姿约束进行优化处理，提高了局部二维栅格地图m_y(1≤y≤n)与实际室内环境的一致性，从而提高了整个室内环境的二维栅格地图M的精确度。

附图说明

图1是本发明的流程框图。

具体实施方式

下面结合附图，详细描述本发明的优选实施例。

实施例一：参见图1本扫地机全，一种扫地机全覆盖路径规划方法，具体操作步骤如下：

1)地图构建：扫地机在未知室内环境行走，行走的同时获取扫地机附近的局部二维栅格地图m_y(1≤y≤n)，扫地机在室内行走一遍后将已获取的局部二维栅格地图m₁,m₂,…m_n组合成为整个室内环境的二维栅格地图M；

2)多角度扫线分割：扫地机通过不同角度扫线将二维栅格地图M分割成有限个子区域M₁,M₂,…M_a；

3)贪婪初始化：对分割后的子区域M₁,M₂,…M_a进行贪婪初始化排序；

4)自适应遗传算法处理：将初始化后的各子区域模拟成旅行商模型，利用自适应遗传算法求取扫地机遍历各子区域的最优连接路径。

实施例二：本实施例与实施例一基本相同，特别之处如下：

1.所述步骤1)地图构建：扫地机利用深度相机传感器数据z_1:t＝z₁,z₂…z_t和里程计数据u_1:t＝u₁,u₂…u_t,通过联合概率分布：p(x_1:t,m_y|z_1:t,u_1:t)＝p(m_y|x_1:t,z_1:t)*p(x_1:t|z_1:t,u_1:t)来计算机器人的运行轨迹x_1:t＝x₁,x₂…x_t和局部二维栅格地图m_y(1≤y≤n),最后通过所有局部二维栅格地图m₁,m₂,…m_n组合成为整个室内环境的二维栅格地图M。

2.所述步骤1)地图构建中在获得局部二维栅格地图m_y(1≤y≤n)后，可通过深度相机的三维传感器数据，取其在竖直方向上的最小深度数据z_min＝min(z₁,z₂…z_t)并将其映射到当前局部二维栅格地图m_y(1≤y≤n)当中，并利用牛顿迭代法对扫地机位姿约束进行优化处理，从而提高局部二维栅格地图m_y(1≤y≤n)与实际室内环境的一致性。

3.所述步骤2)多角度扫线分割：扫地机以倾斜角为θ的扫线将二维栅格地图M分割成有限个子区域M₁,M₂,…M_a，对于二维栅格地图M，S(θ)为各子区域在θ+П/2方向上的转弯次数总和，当S(θ)取得最小值时，此时的θ即为分割角度。

4.所述步骤3)贪婪初始化：对于分割完毕的各子区域，首先选择距离机器人当前位置最近的子区域M_current并加入到种群中，对其他各个子区域进行搜索，找到距离M_current最近的子区域M_next，将其添加到自适应遗传算法中，将其作为计算的初始值，由此循环，继续寻找并添加下一个最近子区域，直到所有子区域都搜寻完毕并加入到了自适应遗传算法中作为初始值。

5.所述步骤4)自适应遗传算法处理：交叉概率P_j实现了种群的迭代和更新，设置P_j的自适应机制如下：

式中P_ji为个体i的交叉概率，初始时刻交叉概率较高，迭代后期则较小趋于稳定，P_jmin取值为0.5，f_i为个体i的适应度，f_max为当前个体中最大的适应度，

为种群的平均适应度，P_jmax的取值随着迭代次数的变化而变化，如下所示：

式中G为最大迭代次数，g为当前迭代次数。

实施例三：如图1所示，一种扫地机全覆盖路径规划方法，具体操作步骤如下：

步骤1，地图构建：扫地机在未知室内环境行走，行走的同时利用深度相机传感器数据z_1:t＝z₁,z₂…z_t和里程计数据u_1:t＝u₁,u₂…u_t,通过联合概率分布：p(x_1:t,m_y|z_1:t,u_1:t)＝p(m_y|x_1:t,z_1:t)*p(x_1:t|z_1:t,u_1:t)来计算机器人的运行轨迹x_1:t＝x₁,x₂…x_t和局部二维栅格地图m_y(1≤y≤n)。在获得局部二维栅格地图m_y(1≤y≤n)后，通过深度相机的三维传感器数据，取其在竖直方向上的最小深度数据z_min＝min(z₁,z₂…z_t)并将其映射到当前局部二维栅格地图m_y(1≤y≤n)当中，并利用牛顿迭代法对扫地机位姿约束进行优化处理，从而提高局部二维栅格地图m_y(1≤y≤n)与实际室内环境的一致性。最后将所有优化过的局部二维栅格地图m₁,m₂,…m_n组合成为整个室内环境的二维栅格地图M。

步骤2，多角度扫线分割：扫地机以倾斜角为θ的扫线将二维栅格地图M分割成有限个子区域M₁,M₂,…M_a，对于二维栅格地图M，S(θ)为各子区域在θ+∏/2方向上的转弯次数总和，当S(θ)取得最小值时，此时的θ即为目标区域的分割方向。

步骤3，贪婪初始化：对于分割完毕的各子区域，首先选择距离机器人当前位置最近的子区域M_current并加入到种群中，对其他各个子区域进行搜索，找到距离M_current最近的子区域M_next，将其添加到自适应遗传算法中，将其作为计算的初始值，由此循环，继续寻找并添加下一个最近子区域，直到所有子区域都搜寻完毕并加入到了自适应遗传算法中作为初始值。

步骤4,自适应遗传算法处理：将初始化后的各子区域模拟成旅行商模型，利用自适应遗传算法求取扫地机遍历各子区域的最优连接路径。交叉概率P_j实现了种群的迭代和更新，设置P_j的自适应机制如下：

式中P_ji为个体i的交叉概率，初始时刻交叉概率较高，迭代后期则较小趋于稳定，P_jmin取值为0.5，f_i为个体i的适应度，f_max为当前个体中最大的适应度，

为种群的平均适应度，P_jmax的取值随着迭代次数的变化而变化，如下所示：

式中G为最大迭代次数，g为当前迭代次数。

上述的实施例仅例示性说明本发明创造的原理及其功效，以及部分运用的实施例，而非用于限制本发明；应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种扫地机全覆盖路径规划方法，其特征在于：具体操作步骤如下：

1)地图构建：扫地机在未知室内环境行走，行走的同时获取扫地机附近的局部二维栅格地图m_y，1≤y≤n，扫地机在室内行走一遍后将已获取的局部二维栅格地图m₁，m₂，...m_n组合成为整个室内环境的二维栅格地图M；

2)多角度扫线分割：扫地机通过不同角度扫线将二维栅格地图M分割成有限个子区域M₁，M₂，...M_a；

3)贪婪初始化：对分割后的子区域M₁，M₂，...M_a进行贪婪初始化排序；

4)自适应遗传算法处理：将初始化后的各子区域模拟成旅行商模型，利用自适应遗传算法求取扫地机遍历各子区域的最优连接路径；

所述步骤1)地图构建：扫地机利用深度相机传感器数据z_1：t＝z₁，z₂…z_t和里程计数据u_1：t＝u₁，u₂…u_t，通过联合概率分布：p(x_1：t，m_y|z_1：t，u_1：t)＝p(m_y|x_1：t，z_1：t)*p(x_1：t|z_1：t，u_1：t)来计算机器人的运行轨迹x_1：t＝x₁，x₂…x_t和局部二维栅格地图m_y，1≤y≤n，最后通过所有局部二维栅格地图m₁，m₂，...m_n组合成为整个室内环境的二维栅格地图M；

所述步骤1)地图构建中在获得局部二维栅格地图m_y后，1≤y≤n，可通过深度相机的三维传感器数据，取其在竖直方向上的最小深度数据z_min＝min(z₁，z₂…z_t)并将其映射到当前局部二维栅格地图m_y当中，1≤y≤n，并利用牛顿迭代法对扫地机位姿约束进行优化处理，从而提高局部二维栅格地图m_y与实际室内环境的一致性，1≤y≤n；

所述步骤2)多角度扫线分割：扫地机以倾斜角为θ的扫线将二维栅格地图M分割成有限个子区域M₁，M₂，...M_a，对于二维栅格地图M，S(θ)为各子区域在θ+Π/2方向上的转弯次数总和，当S(θ)取得最小值时，此时的θ即为分割角度；

所述步骤3)贪婪初始化：对于分割完毕的各子区域，首先选择距离机器人当前位置最近的子区域M_current并加入到种群中，对其他各个子区域进行搜索，找到距离M_current最近的子区域M_next，将其添加到自适应遗传算法中，将其作为计算的初始值，由此循环，继续寻找并添加下一个最近子区域，直到所有子区域都搜寻完毕并加入到了自适应遗传算法中作为初始值；

所述步骤4)自适应遗传算法处理：交叉概率P_j实现了种群的迭代和更新，设置P_j的自适应机制如下：

式中P_ji为个体i的交叉概率，初始时刻交叉概率较高，迭代后期则较小趋于稳定，P_jmin取值为0.5，f_i为个体i的适应度，f_max为当前个体中最大的适应度，

为种群的平均适应度，P_jmax的取值随着迭代次数的变化而变化，如下所示：

式中G为最大迭代次数，g为当前迭代次数。

Images