CN111352421A - 一种多移动单元协同巡查的轨迹生成方法 - Google Patents

Abstract

本发明涉及一种多移动单元协同巡查的轨迹生成方法，包括如下步骤：巡查不确定度计算、移动单元位置识别、动态巡查成本计算、位置声明、收益值计算、目标声明、下一时刻无人车位置计算。有益效果在于，由于考虑移动单元的传感器巡查范围，可更真实地反映实际巡查情况，有效避免轨迹规划中的轨迹重叠情况，同时考虑了多移动单元间的相互协作，降低多个移动单元同时向相邻区域移动的可能性，以防止部分区域长期未被监测。本发明特别适用于真实地面环境的多移动单元联合巡查任务。

Description

一种多移动单元协同巡查的轨迹生成方法

技术领域

本发明属于多移动单元巡查领域，涉及一种多移动单元协同巡查的轨迹生成方法。

背景技术

随着自动化水平的不断提高，以无人车、地面机器人、旋翼无人机、无人船为主的无人移动单元，越来越多地应用在自主巡查任务中，例如战场搜索、基础设施检测、灾害预警等。在大面积区域的移动巡查任务中，巡查的地图被抽象为无向图模型，该模型由巡查点和边组成，无人移动单元需沿着边移动以感知巡查点位置的事件状态。其中，各巡查点的事件发生概率未知，因此，要求移动单元的移动轨迹应在满足重点区域的监控等级要求下，尽可能以均匀访问频率对各巡查点进行监控，已到达最佳的巡查效果。

现有的移动单元巡查问题，均被抽象为机器人巡逻问题。在机器人巡逻问题中，机器人的轨迹规划是“点到点”的规划，没有考虑到机器人的传感器的巡查范围，因此所得轨迹往往存在不合理的重叠，也不能反映出巡查效果的动态变化情况。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种多移动单元协同巡查的轨迹生成方法，考虑移动单元的传感器巡查范围和多移动单元间的相互协作，可更真实地反映实际巡查情况，并可实现多移动单元在真实环境中的巡查任务。

技术方案

一种多移动单元协同巡查的轨迹生成方法，其特征在于步骤如下：

步骤1、巡查不确定度计算：

步骤1.1、构造移动单元监测准确度模型：通过探测点到移动单元中心相对距离d的分段概率函数来构造移动单元监测准确度模型：

其中，d表示探测点到移动单元中心相对距离，d_c表示移动单元的完全覆盖范围的直径，d_l表示移动单元的可覆盖的直径极限；

步骤1.2、巡查不确定度计算：

其中，δ_i即为i点巡查不确定度，σ_i表示i点巡查权重，t_k表示当前时间，t_lvi表示无向图中第i个点上次被完全识别时的时间，R_i为覆盖第i个监测点的移动单元个数，t_lim为最大允许间隔时间，f_cr为第r个移动单元对第i个监测点的传感器巡查准确度，通过公式1求得；

步骤2、移动单元位置识别：取第个移动单元在当前时刻t_k的位置坐标(x_rt,y_rt,z_rt)，判断是否抵达其中一个巡查点i，记坐标(x_i,y_i,z_i)，若达到巡查点，即满足

(x_i-x_rt)²+(y_i-y_rt)²+(z_i-z_rt)²≤(v_r·dt/2)² 3

则记i为第r个移动单元的位置点，并进行步骤3至步骤6；其中，v_UGV为移动单元的移动速度，为恒定，dt为采样时间间隔，为恒定；否则，将进行步骤7；

步骤3：计算当前时刻下每条边的动态巡查成本

其中，Cp_ij即为第i巡查点和第j巡查点所连接的边的动态巡查成本，E_ij为第i巡查点和第j巡查点间的边长度；常数项c取2，加号项表示穿过某条边时路程成本的增加量，其中，σ_i表示i点巡查权重，σ_j表示j点巡查权重；减号项表示穿过该边时不确定度的收益量，δ_i即为i点巡查不确定度，δ_j即为j点巡查不确定度；

步骤4、位置声明：移动单元r复制动态巡查成本为个体巡查成本Cp_r，同时调取其他移动单元的前进方向，在移动单元r的个体巡查成本中，将与其他移动单元的前进方向相对应的所有边的成本值修改为一个极大数；

步骤5、收益值计算：计算移动单元r到其他所有巡查点i的巡查收益值

其中，A_ri为移动单元r到第i个巡查点的巡查收益值，q_w表示收益系数，d_min为到完全覆盖到目标点的所有巡查点中的最短路径，即为可覆盖最短路径，通过步骤4得到的个体巡查成本计算最短路径；

步骤6、目标声明：移动单元r调取其他移动单元的目标点序号，在移动单元r的巡查收益值中，将与其他移动单元的目标点相对应的收益值修改为0；

步骤7、确定下一时刻无人车位置：

步骤7.1、计算最大收益路径：计算移动单元r往最大巡查收益位置的最短路径，记最大巡查收益位置为移动单元r的目标点，记最短路径中经过的第一个巡查点为移动单元r的前进方向(p_xr,p_yr,p_zr)，其中，p_xr,p_yr,p_zr分别表示轨迹的三坐标增量；

步骤7.2、轨迹生成：令移动单元r沿着前进方向移动一个采样时间间隔dt，得到下一时刻的轨迹点坐标(x_rN,y_rN,z_rN)，并回到步骤1.2；其中x_rN,y_rN,z_rN满足

x_rN＝x_rt+p_xr,y_rN＝y_rt+p_yr,z_rN＝z_rt+p_zr 6。

有益效果

本发明提出的一种多移动单元协同巡查的轨迹生成方法，包括如下步骤：巡查不确定度计算、移动单元位置识别、动态巡查成本计算、位置声明、收益值计算、目标声明、下一时刻无人车位置计算。有益效果在于，由于考虑移动单元的传感器巡查范围，可更真实地反映实际巡查情况，有效避免轨迹规划中的轨迹重叠情况，同时考虑了多移动单元间的相互协作，降低多个移动单元同时向相邻区域移动的可能性，以防止部分区域长期未被监测。本发明特别适用于真实地面环境的多移动单元联合巡查任务。

附图说明

图1为本发明轨迹生成方法流程图；

图2为本发明实施例所用实际平面图；

图3为本发明实施例中所用的模型；

图4为本发明实施例中规划出的所有移动单元的平面轨迹和三维时空轨迹；

图5为本发明实施例中监测点平均巡查不确定度随时间关系；

图6为本发明实施例中监测点最大巡查不确定度随时间关系。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明提出了一种多移动单元协同巡查的轨迹生成方法，包括如下步骤：巡查不确定度计算、移动单元位置识别、动态巡查成本计算、位置声明、收益值计算、目标声明、下一时刻无人车位置计算。

如图1所示，具体实施步骤如下：

1)巡查不确定度计算；

步骤1.1：构造移动单元监测准确度模型。假设已经存在的无向图模型中点的坐标和各边长度。通过探测点到移动单元中心相对距离d的分段概率函数来构造移动单元监测准确度模型：

本实施例所用的模型如图3，为由图2所得的模型，设完全探测范围d_c＝10m，可探测极限d_l＝20m，根据公式(1)构造移动单元监测准确度模型f_c：

其中，d表示某一点到传感器中心的距离。

设置各点巡查权重σ，表示被完全覆盖的频率：σ＝[σ₁,...σ_i,...σ₁₁]。

根据公式(2)计算32个点中第i个点的巡查不确定度δ_i：

2)移动单元位置识别。假设3个移动单元，取每一个移动单元r的当前位置(x_rt,y_rt,z_rt)，分别判断是否抵达32个巡查点中的一个，设第i个巡查点的坐标(x_i,y_i,z_i)，若满足

(x_i-x_rt)²+(y_i-y_rt)²+(z_i-z_rt)²≤(v_r·dt/2)²

则抵达巡查点i，则进行步骤3)、步骤4)、步骤5)、步骤6)，否则，将进行步骤7)，移动单元沿着此前方向一直移动直至到达所有32个巡查点中的一个；

3)动态巡查成本计算。计算每个边的动态巡查成本

重复计算所有边，将所有边的动态巡查成本表示为矩阵形式，计C。

4)位置声明。移动单元r复制动态巡查成本为个体巡查成本Cp_r，同时调取其他2个移动单元的前进方向，在移动单元r的个体巡查成本中，将与其他2个移动单元的前进方向相对应的所有边的成本值修改为1000。

5)收益值计算。

计算此时该移动单元r到除当前位置点外的其他所有31个巡查点i的巡查收益值A_ri：

通过步骤4得到的个体巡查成本计算最短路径d_min。

6)目标声明。移动单元r调取其他2个移动单元的目标点序号，若k、h点被其他2个移动单元声明为目标点，则将与其他2个移动单元的目标点相对应的收益值修改为0。

7)确定下一时刻无人车位置。

步骤7.1、计算最大收益路径：计算移动单元r往最大巡查收益位置的最短路径，记最大巡查收益位置为移动单元r的目标点，记最短路径中经过的第一个巡查点为移动单元r的前进方向(p_xr,p_yr,p_zr)，其中，p_xr,p_yr,p_zr分别表示轨迹的三坐标增量；

步骤7.2、轨迹生成：令移动单元r沿着前进方向移动一个采样时间间隔dt，得到下一时刻的轨迹点坐标(x_rN,y_rN,z_rN)，并回到步骤1)。其中x_rN,y_rN,z_rN满足

x_rN＝x_rt+p_xr,y_rN＝y_rt+p_yr,z_rN＝z_rt+p_zr

如图4，显示了3个移动单元表示任务周期内移动单元的轨迹，图5、图6中的纵坐标分别表示某时刻无向图的平均巡查不确定度与最大巡查不确定度。可见，通过以上方法，本实施例中平均巡查不确定度随时间推移达到稳定状态，同时，各巡查点的最大不确定度变化较平稳，表明方法实现了在真实环境的多移动传感器协同巡查感知任务。

Claims (1)

1.一种多移动单元协同巡查的轨迹生成方法，其特征在于步骤如下：

步骤1、巡查不确定度计算：

步骤1.1、构造移动单元监测准确度模型：通过探测点到移动单元中心相对距离d的分段概率函数来构造移动单元监测准确度模型：

其中，d表示探测点到移动单元中心相对距离，d_c表示移动单元的完全覆盖范围的直径，d_l表示移动单元的可覆盖的直径极限；

步骤1.2、巡查不确定度计算：

其中，δ_i即为i点巡查不确定度，σ_i表示i点巡查权重，t_k表示当前时间，t_lvi表示无向图中第i个点上次被完全识别时的时间，R_i为覆盖第i个监测点的移动单元个数，t_lim为最大允许间隔时间，f_cr为第r个移动单元对第i个监测点的传感器巡查准确度，通过公式1求得；

步骤2、移动单元位置识别：取第个移动单元在当前时刻t_k的位置坐标(x_rt,y_rt,z_rt)，判断是否抵达其中一个巡查点i，记坐标(x_i,y_i,z_i)，若达到巡查点，即满足

(x_i-x_rt)²+(y_i-y_rt)²+(z_i-z_rt)²≤(v_r·dt/2)² 3

则记i为第r个移动单元的位置点，并进行步骤3至步骤6；其中，v_UGV为移动单元的移动速度，为恒定，dt为采样时间间隔，为恒定；否则，将进行步骤7；

步骤3：计算当前时刻下每条边的动态巡查成本

其中，Cp_ij即为第i巡查点和第j巡查点所连接的边的动态巡查成本，E_ij为第i巡查点和第j巡查点间的边长度；常数项c取2，加号项表示穿过某条边时路程成本的增加量，其中，σ_i表示i点巡查权重，σ_j表示j点巡查权重；减号项表示穿过该边时不确定度的收益量，δ_i即为i点巡查不确定度，δ_j即为j点巡查不确定度；

步骤4、位置声明：移动单元r复制动态巡查成本为个体巡查成本Cp_r，同时调取其他移动单元的前进方向，在移动单元r的个体巡查成本中，将与其他移动单元的前进方向相对应的所有边的成本值修改为一个极大数；

步骤5、收益值计算：计算移动单元r到其他所有巡查点i的巡查收益值

其中，A_ri为移动单元r到第i个巡查点的巡查收益值，q_w表示收益系数，d_min为到完全覆盖到目标点的所有巡查点中的最短路径，即为可覆盖最短路径，通过步骤4得到的个体巡查成本计算最短路径；

步骤6、目标声明：移动单元r调取其他移动单元的目标点序号，在移动单元r的巡查收益值中，将与其他移动单元的目标点相对应的收益值修改为0；

步骤7、确定下一时刻无人车位置：

步骤7.1、计算最大收益路径：计算移动单元r往最大巡查收益位置的最短路径，记最大巡查收益位置为移动单元r的目标点，记最短路径中经过的第一个巡查点为移动单元r的前进方向(p_xr,p_yr,p_zr)，其中，p_xr,p_yr,p_zr分别表示轨迹的三坐标增量；

步骤7.2、轨迹生成：令移动单元r沿着前进方向移动一个采样时间间隔dt，得到下一时刻的轨迹点坐标(x_rN,y_rN,z_rN)，并回到步骤1.2；其中x_rN,y_rN,z_rN满足

x_rN＝x_rt+p_xr,y_rN＝y_rt+p_yr,z_rN＝z_rt+p_zr 6。

Images