CN111546343B - 一种基于改进人工势场法的消防移动机器人路径规划方法及系统 - Google Patents
一种基于改进人工势场法的消防移动机器人路径规划方法及系统 Download PDFInfo
- Publication number
- CN111546343B CN111546343B CN202010401801.4A CN202010401801A CN111546343B CN 111546343 B CN111546343 B CN 111546343B CN 202010401801 A CN202010401801 A CN 202010401801A CN 111546343 B CN111546343 B CN 111546343B
- Authority
- CN
- China
- Prior art keywords
- fire
- mobile robot
- point
- fighting
- fighting mobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C27/00—Fire-fighting land vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Abstract
本发明公开了一种基于改进人工势场法的消防移动机器人路径规划方法及系统,方法包括获取火灾点;获取火灾点附近的消防移动机器人的坐标点;设置目标点,并建立目标点和消防移动机器人之间的对应关系;读取环境信息,采用改进人工势场法计算消防移动机器人对应的合力;判断消防移动机器人是否陷入局部极小点,若是则采用模拟退火算法逃离局部极小点,然后重新计算合力;否则将计算得到的合力发送至对应的消防移动机器人,判断运动后的消防移动机器人是否达到对应的目标点,若已达到目标点则执行灭火作业;否则重新计算合力。本发明解决了人工势场法路径规划时出现的目标不可达和陷入局部极小点问题,同时消防移动机器人规避障碍更快到达目标点。
Description
技术领域
本申请属于移动机器人路径规划技术领域,具体涉及一种基于改进人工势场法的消防移动机器人路径规划方法及系统。
背景技术
随着机器人技术的高速发展以及“智慧消防”政策的大力推动,消防移动机器人在火灾救援中扮演着越来越重要的角色。目前,市面上常见的消防移动机器人都是基于人工操作的方式执行灭火救灾工作,自主化程度较低,这限制了消防移动机器人的推广。因此,新一代智能消防移动机器人成为新的发展趋势。智能消防移动机器人能实现自主巡逻、火灾预警、自主识别火灾和灭火等功能,从而最大限度保障人员和财产损失。其中,自主导航和路径规划技术是自主运行的根本。路径规划要求在一种有障碍物的工作环境中,根据传感器及其给予的指令,按照某些指标要求,搜索一条能安全绕过所有障碍物的从起始点到目标点的最优或次优无碰撞路径。
目前路径规划常用的方法有人工势场法、A*算法、神经网络算法、遗传算法和蚁群算法等。上述算法存在模型复杂、计算量大和收敛速度慢等问题不太适合运用到消防移动机器人上。人工势场法有模型简单、计算量小和实时性强等优点,很容易在消防移动机器人上实现,所以常选择人工势场法作为消防移动机器人的路径规划算法。但人工势场法存在目标不可达和局部极小点问题,尤其对于消防移动机器人来说,火灾点通常会被看成一个障碍物,而目标点往往都会设置在火灾点附近,这样造成的结果是人工势场法的目标不可达问题会经常发生。因此需要一种改进算法解决目标不可达问题,尤其是解决火灾情况下的目标不可达问题。
发明内容
本申请的目的在于一种基于改进人工势场法的消防移动机器人路径规划方法及系统,很好的解决了人工势场法路径规划时出现的目标不可达和陷入局部极小点问题,同时又可以让消防移动机器人规避障碍更快到达目标点。
为实现上述目的,本申请所采取的技术方案为:
一种基于改进人工势场法的消防移动机器人路径规划方法,所述基于改进人工势场法的消防移动机器人路径规划方法,包括:
步骤S1、获取火灾的坐标点作为火灾点;
步骤S2、获取距离火灾点在预设范围内的消防移动机器人的坐标点,并统计获取的消防移动机器人的总数量;
步骤S3、根据获取的消防移动机器人的总数量和火灾点设置目标点,并建立目标点和消防移动机器人之间的对应关系;
步骤S4、读取预存的环境信息,采用改进人工势场法计算消防移动机器人对应的合力,包括:
步骤S41、读取预存的环境信息,统计障碍物的坐标集合;
步骤S44、建立火灾点对消防移动机器人的斥力场Urepd(q)和斥力Frepd(q);
步骤S46、计算合力场U(q)和合力F(q)为:
其中,n为障碍物的总个数,N为获取的消防移动机器人的总数量,m为n个障碍物中的第m个障碍物,z为N-1个消防移动机器人中的第z个消防移动机器人;
步骤S5、判断消防移动机器人是否陷入局部极小点,若陷入局部极小点则采用模拟退火算法逃离局部极小点,然后执行步骤S4;否则直接执行步骤S6;
步骤S6、将计算得到的合力F(q)发送至对应的消防移动机器人,供对应的消防移动机器人根据该合力F(q)运动,判断运动后的消防移动机器人是否达到对应的目标点,若已达到目标点则执行灭火作业;否则重新执行步骤S4。
作为优选,所述根据获取的消防移动机器人的总数量和火灾点设置目标点,并建立目标点和消防移动机器人之间的对应关系,包括:
步骤S31、设定消防移动机器人的最佳灭火距离R;
步骤S32、根据以下公式设置目标点:
qf=(qf1,qf2,…,qfi,…,qfN);
qfi=(xfi,yfi);
xfi=xd+Rcos[(i-1)2π/N];
yfi=yd+Rsin[(i-1)2π/N];
其中,N为获取的消防移动机器人的总数量,qfi表示第i个目标点的坐标,xfi表示第i个目标点的横坐标;yfi表示第i个目标点的纵坐标,xd表示火灾点的横坐标,yd表示火灾点的纵坐标;
步骤S33、按照距离就近原则,建立目标点和消防移动机器人之间一对一的对应关系。
作为优选,所述读取预存的环境信息,统计障碍物的坐标集合,包括:
读取预存的环境信息,将环境信息中的障碍物坐标放入矩阵O,得到障碍物的坐标集合如下:
O=[qo1 qo2 qo3 …]2×n;
qom=[xom yom]T,m=1,2,3…;
其中,矩阵O表示障碍物的坐标集合,qom表示第m个障碍物的坐标,xom表示第m个障碍物的横坐标,yom表示第m个障碍物的纵坐标。
其中,Katt为引力增益常数,q为第i个消防移动机器人当前的坐标点,qfi为与第i个消防移动机器人对应的第i个目标点的坐标,表示第i个消防移动机器人与第m个障碍物之间的距离,表示为Krep为斥力增益常数,ρ0为预设的最大影响距离;
作为优选,建立火灾点对消防移动机器人的斥力场Urepd(q)和斥力Frepd(q),包括:
其中,K0为特殊系数,ρobsd(q)表示第i个消防移动机器人与火灾点之间的距离,ρ0为预设的最大影响距离,Krep为斥力增益常数。
作为优选,所述特殊系数K0的计算方式如下:
建立火灾点到第i个目标点的直线l1,第i个目标点为与第i个消防移动机器人对应的目标点;
过第i个目标点作直线l1的垂线l2;
建立特殊系数K0的计算公式如下:
其中,当满足条件1时K0采用参数Ks计算,当满足条件2时K0采用参数Kd计算,所述条件1包括火灾点与第i个消防移动机器人的坐标位于垂线l2的同侧,所述条件2包括火灾点与第i个消防移动机器人的坐标分别位于垂线l2的两侧,θ为第i个目标点与第i个消防移动机器人的连线和直线l1的夹角,h为第i个消防移动机器人与直线l1的距离,q为第i个消防移动机器人当前的坐标点,qfi为与第i个消防移动机器人对应的第i个目标点的坐标。
作为优选,所述判断消防移动机器人是否陷入局部极小点,包括:
步骤S51、获取消防移动机器人当前的坐标点qj和前两步的坐标点qj-2;
步骤S52、计算坐标点qj和坐标点qj-2的距离为||qj-qj-2||;
步骤S53、若||qj-qj-2||<l0,l0为最小间距,则该消防移动机器人陷入局部极小点,并结束判断;若||qj-qj-2||≥l0,则执行下一步;
步骤S54、判断消防移动机器人收到的合力F(q)是否为零,若为零则该消防移动机器人陷入局部极小点,并结束判断;若不为零则该消防移动机器人未陷入局部极小点,并结束判断;
其中,最小间距l0的表达式为:
式中,lstep表示消防移动机器人每次运动的步长。
作为优选,所述采用模拟退火算法逃离局部极小点,包括:
步骤S55、获取陷入局部极小点的消防移动机器人当前的坐标点qx,并在坐标点qx附近选择一个随机点qy;
步骤S56、计算坐标点qx和随机点qy的合力场U(qx)和U(qy);
步骤S57、若U(qx)≥U(qy),则控制消防移动机器人运行至随机点qy,并执行步骤S58;否则根据以下公式计算概率P:
其中,T为模拟退火算法的温度参数,若P0≤P则表示概率通过,控制消防移动机器人运行至随机点qy,并执行步骤S58;若P0>P则表示概率不通过,执行步骤S55;其中P0为随机数;
步骤S58、将消防移动机器人当前的坐标点和进入局部极小点的起始坐标点的合力场进行比较,若当前的坐标点的合力场大于起始坐标点的合力场,则更新温度参数T并执行步骤S55;否则表示成功逃离局部极小点,并结束。
本申请还提供一种基于改进人工势场法的消防移动机器人路径规划系统,所述基于改进人工势场法的消防移动机器人路径规划系统包括火灾报警器、云服务平台和若干消防移动机器人,所述云服务平台与火灾报警器连接用于获取火灾的坐标点,所述云服务平台与消防移动机器人连接用于控制消防移动机器人;
所述云服务平台包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述技术方案中任一项所述的基于改进人工势场法的消防移动机器人路径规划方法的步骤。
本申请提供的基于改进人工势场法的消防移动机器人路径规划方法及系统,采用火灾点对消防移动机器人的斥力场解决人工势场法路径规划时出现的目标不可达问题;并且增加了消防移动机器人之间的斥力场,避免多个消防移动机器人集中运行时可能出现碰撞的问题,保证消防移动机器人更快到达目标点;同时结合模拟退火算法逃离局部极小点,保证消防移动机器人更快更准的执行灭火作业。
附图说明
图1是本申请基于改进人工势场法的消防移动机器人路径规划方法的工作流程图;
图2是本申请设置消防移动机器人的目标点的一种实施例示意图;
图3是本申请计算合力的一种实施例示意图;
图4是本申请计算火灾点斥力同侧和两侧两种情况的实施例示意图;
图5是本申请模拟退火算法的流程图;
图6是本申请基于改进人工势场法的消防移动机器人路径规划方法的一种实施例模拟仿真图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
其中一个实施例中,提供一种基于改进人工势场法的消防移动机器人路径规划方法,用于实现消防移动机器人的避障运动。
如图1所示,本实施例中的基于改进人工势场法的消防移动机器人路径规划方法,包括以下步骤:
步骤S1、获取火灾的坐标点作为火灾点。
火灾的坐标点通过火灾报警器确定,火灾报警器可以是温度传感器、烟雾传感器或摄像头等可以发现火灾的设备。并且若火灾报警器为温度传感器、烟雾传感器等无法具体定位的设备时,将设备的坐标点作为火灾的坐标点;若火灾报警器为摄像头等可以具体定位的设备时,可以将设备的坐标点作为火灾的坐标点,也可以是根据摄像头获取的图像信息确定具体的火灾坐标点。
容易理解的是,本申请重点在于消防移动机器人的避障控制实现快速灭火,对于如何获取火灾的坐标点不做严格限制。
步骤S2、获取距离火灾点在预设范围内的消防移动机器人的坐标点,并统计获取的消防移动机器人的总数量。
对于灭火场景而言,离火灾点距离越远的消防移动机器人能够做出的灭火贡献越小,因此本实施例重点调用距火灾点预设范围内的消防移动机器人,即保证灭火作业的有效性,又可降低能源消耗。
距离火灾点在预设范围根据消防移动机器人的实际布置场景进行设定,例如可以设定为距离火灾点20米、50米范围内等。
步骤S3、根据获取的消防移动机器人的总数量和火灾点设置目标点,并建立目标点和消防移动机器人之间的对应关系。
考虑到火灾会蔓延的特性,在一实施例中,首先需要根据火灾点建立火灾区域,设置火灾区域的具体布置如下:
记火灾的坐标点,即火灾点为qd=(xd,yd),其中xd表示火灾点的横坐标,yd表示火灾点的纵坐标。
以火灾点为圆心,L为半径作圆,得到集合A作为火灾区域,表达式如下:
A={x,y|(x-xd)2+(y-yd)2≤L2};
其中,L可以根据火灾情况进行调整,例如L的取值与火灾的火势成正比。
本实施例以作圆的形式设置火灾区域,设置方法简单。在其他实施例中,还可以采用其他方式,例如作矩阵框、椭圆或者不规则区域作为火灾区域。
在灭火作业中,考虑到消防移动机器人的安全灭火,需要在火灾点附近设置消防移动机器人的目标点,在一实施例中,如图2所示,目标点的设置方式如下:
步骤S31、设定消防移动机器人的最佳灭火距离R,并且R>L。
步骤S32、根据以下公式设置目标点:
qf=(qf1,qf2,…,qfi,…,qfN);
qfi=(xfi,yfi);
xfi=xd+Rcos[(i-1)2π/N];
yfi=yd+Rsin[(i-1)2π/N];
其中,N为获取的消防移动机器人的总数量,qfi表示第i个目标点的坐标,xfi表示第i个目标点的横坐标;yfi表示第i个目标点的纵坐标,xd表示火灾点的横坐标,yd表示火灾点的纵坐标。
一般设置目标点的数量与消防移动机器人的数量相同,并按照距离就近原则,建立目标点和消防移动机器人之间的一对一的对应关系,利用多个消防移动机器人的配合完成灭火。最佳灭火距离按照保证消防移动机器人不受火势影响,并且在消防移动机器人的灭火距离内进行调整。
上述目标点的设置方法为本申请提供的一种优选方法,在其他实施例中还可以采用其他设置方式,例如以与火灾点的距离递增、且各目标点间夹角相等的位置设置多个目标点。
步骤S4、读取预存的环境信息,采用改进人工势场法计算消防移动机器人对应的合力。
在计算合力时,每次以一个消防移动机器人作为对象进行计算,并将计算得到的合力发送给作为对象的这个消防移动机器人。本实施例以N个消防移动机器人中的第i个消防移动机器人为例说明合力的计算过程,并且该第i个消防移动机器人对应的目标点为第i个目标点。
具体的,如图3所示,采用改进人工势场法计算合力的过程包括:
步骤S41、读取预存的环境信息,统计障碍物的坐标集合。
该环境信息为火灾点附近预存的环境信息,读取预存的环境信息后,将环境信息中的障碍物坐标放入矩阵O,得到障碍物的坐标集合如下:
O=[qo1 qo2 qo3 …]2×n;
qom=[xom yom]T,m=1,2,3…;
其中,矩阵O表示障碍物的坐标集合,qom表示第m个障碍物的坐标,xom表示第m个障碍物的横坐标,yom表示第m个障碍物的纵坐标。
其中,Katt为引力增益常数,q为第i个消防移动机器人当前的坐标点,qfi为与第i个消防移动机器人对应的第i个目标点的坐标,表示第i个消防移动机器人与第m个障碍物之间的距离,表示为Krep为斥力增益常数,ρ0为预设的最大影响距离,如果障碍物与消防移动机器人的距离大于最大影响距离,则斥力场为0。
步骤S44、建立火灾点对消防移动机器人的斥力场Urepd(q)和斥力Frepd(q)。
考虑到火灾情况的特殊性,火灾点附近危险且会蔓延,因此本申请将火灾点视为一个特殊的障碍物。由于灭火点也就是目标点往往离火灾点比较近,使用原有的人工势场法会出现目标点不可达的问题,因此本实施例使用新的斥力场公式解决这个问题。
本实施例建立的火灾点对消防移动机器人的斥力场Urepd(q)和斥力Frepd(q)的表达式包括:
其中,K0为特殊系数,ρobsd(q)表示第i个消防移动机器人与火灾点之间的距离,ρ0为预设的最大影响距离,Krep为斥力增益常数。
特殊系数K0主要用于调节火灾点对消防移动机器人的斥力场大小,提高消防移动机器人到达目标点的准确性和可靠性,该特殊系数K0可以是预设的定值,也可以是动态调节的值。在一实施例中,如图4所示,为了保证对目标不可达问题解决的可靠性,提供特殊系数K0的计算方式如下:
建立火灾点到第i个目标点的直线l1,第i个目标点为与第i个消防移动机器人对应的目标点。
过第i个目标点作直线l1的垂线l2。
建立特殊系数K0的计算公式如下:
其中,当满足条件1时K0采用参数Ks计算,当满足条件2时K0采用参数Kd计算,所述条件1包括火灾点与第i个消防移动机器人的坐标位于垂线l2的同侧(如图4左所示),所述条件2包括火灾点与第i个消防移动机器人的坐标分别位于垂线l2的两侧(如图4右所示),θ为第i个目标点与第i个消防移动机器人的连线和直线l1的夹角,h为第i个消防移动机器人与直线l1的距离,q为第i个消防移动机器人当前的坐标点,qfi为与第i个消防移动机器人对应的第i个目标点的坐标。
其中,参数Ks和参数Kd的取值可以是预设的固定值,也可以是随火灾发生的时间变化的值,始终保证参数Ks的取值大于参数Kd的取值即可。
考虑到消防移动机器人群体出动的情况,在各个消防移动机器人向着相近的目标点运动时难免会出现碰撞的可能,为了避免这种情况的发生,本实施例给距离过近的消防移动机器人赋予斥力场,解决碰撞的发生。
距离阈值D和力量系数Kr的添加是由于消防移动机器人运行时速度较快,考虑到面对面运行的情况,增加了消防移动机器人之间斥力场的大小和力量。当两个消防移动机器人之间的距离小于D时,消防移动机器人互相给对方一个斥力场。
步骤S46、计算合力场U(q)和合力F(q)为:
其中,n为障碍物的总个数,N为获取的消防移动机器人的总数量,m为n个障碍物中的第m个障碍物,z为N-1个消防移动机器人中的第z个消防移动机器人。
本实施例的合力综合考虑了各个障碍物、火灾点和其他消防移动机器人给的斥力以及目标点给的引力,从而可以较好的控制消防移动机器人实现避障运行,并且可以有效避免目标不可达的问题。
需要说明的是,多个斥力场中的斥力增益常数Krep的取值可以相同,也可以不同。通过步骤S4可对每一消防移动机器人实现控制,为了避免消防移动机器人陷入局部极小点而影响灭火,因此本实施例通过步骤S5解决该问题。
步骤S5、判断消防移动机器人是否陷入局部极小点,若陷入局部极小点则采用模拟退火算法逃离局部极小点,然后执行步骤S4;否则直接执行步骤S6。
在一实施例中,判断消防移动机器人是否陷入局部极小点的具体步骤如下:
步骤S51、获取消防移动机器人当前的坐标点qj和前两步的坐标点qj-2。
步骤S52、计算坐标点qj和坐标点qj-2的距离为||qj-qj-2||。
步骤S53、若||qj-qj-2||<l0,l0为最小间距,则该消防移动机器人陷入局部极小点,并结束判断;若||qj-qj-2||≥l0,则执行下一步。
步骤S54、判断消防移动机器人收到的合力F(q)是否为零,若为零则该消防移动机器人陷入局部极小点,并结束判断;若不为零则该消防移动机器人未陷入局部极小点,并结束判断。
其中,最小间距l0的表达式为:
式中,lstep表示消防移动机器人每次运动的步长。
本实施例提供的方法结合消防移动机器人每次运动的步长,实现是否陷入局部极小点的准确判断,但该方法不作为唯一的判断方法,还可以采用现有技术中提供的其他判断方法。
当判断到消防移动机器人陷入局部极小点后,需要控制消防移动机器人逃离局部极小点,在一实施例中,如图5所示,提供的逃离方法如下:
步骤S55、获取陷入局部极小点的消防移动机器人当前的坐标点qx,并在坐标点qx附近选择一个随机点qy。
步骤S56、计算坐标点qx和随机点qy的合力场U(qx)和U(qy)。
步骤S57、若U(qx)≥U(qy),则控制消防移动机器人运行至随机点qy(即设置坐标点qx=qy,并控制控制消防移动机器人运行至qx),并执行步骤S58;否则根据以下公式计算概率P:
其中,T为模拟退火算法的温度参数,若P0≤P则表示概率通过,控制消防移动机器人运行至随机点qy,并执行步骤S58;若P0>P则表示概率不通过,执行步骤S55。其中P0为随机数,该随机数在每次计算完概率P后随机产生。
步骤S58、将消防移动机器人当前的坐标点和进入局部极小点的起始坐标点q0的合力场U(q0)进行比较,若当前的坐标点的合力场大于起始坐标点的合力场,则更新温度参数T并执行步骤S55;否则表示成功逃离局部极小点,并结束。
其中温度参数T以一定的方式减小,一般可以采用以下表达式进行更新取值:
T(t)=αT(t-1) 0.85<α<1;
其中,T(t)表示本次待计算的温度参数T,T(t-1)表示上一次计算得到的温度参数T。
步骤S6、将计算得到的合力F(q)发送至对应的消防移动机器人,供对应的消防移动机器人根据该合力F(q)运动,判断运动后的消防移动机器人是否达到对应的目标点,若已达到目标点则执行灭火作业;否则重新执行步骤S4。
以消防移动机器人的步长为标准判断消防移动机器人是否达到对应的目标点,若消防移动机器人当前的坐标点与其对应的目标点之间的距离小于消防移动机器人的步长,则认为消防移动机器人达到目标点;否则未达到目标点。该判断可以防止消防移动机器人运动的离火灾点过近。
在其他实施例中,还可以是采用其他判断方式,例如若消防移动机器人当前的坐标点与其对应的目标点之间的距离小于一固定值,则认为消防移动机器人达到目标点;否则未达到目标点。
以本申请提供的基于改进人工势场法的消防移动机器人路径规划方法进行仿真实验,仿真实验的结果如图6所示,图中的大圆表示火灾区域,多个小圆表示障碍物,曲线表示消防移动机器人的运行路径。
由图中可以看出当消防移动机器人遇到第一个障碍物(最左下角的小圆)时陷入局部极小点。消防移动机器人使用模拟退火算法成功逃离,起始路径附近*形标志即表示采用模拟退火算法规划的逃离路线。在火灾点附近,消防移动机器人可以很好规避火灾点避免火焰的威胁,同时一旦绕过火灾点消防移动机器人就直接向目标点进发,没有因为目标点和火灾点相近陷入局部极小点,提高到达速度。
在另一实施例中,还提供一种基于改进人工势场法的消防移动机器人路径规划系统,基于改进人工势场法的消防移动机器人路径规划系统包括火灾报警器、云服务平台和若干消防移动机器人,所述云服务平台与火灾报警器连接用于获取火灾的坐标点,所述云服务平台与消防移动机器人连接用于控制消防移动机器人。
火灾报警器可以是温度传感器、烟雾传感器或摄像头等可以发现火灾的设备。这些设备可以通过网络连接云服务平台并在发现火灾时会自动报警。
云服务平台包括存储器和处理器,存储器存储有计算机程序,处理器执行所述计算机程序时实现上述任一实施例中的基于改进人工势场法的消防移动机器人路径规划方法的步骤。
云服务平台还包括通讯模块,通讯模块可以连接火灾报警器接收报警信息,连接消防移动机器人发送路径信息。
消防机人是一种高自主性机器人,消防移动机器人有通讯系统、运动系统和灭火系统,可以在接收路径指令后运动到目的地进行自主灭火工作。
云服务平台可以是一种计算机设备,该计算机设备可以是终端,其内部结构可以包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述基于改进人工势场法的消防移动机器人路径规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于改进人工势场法的消防移动机器人路径规划方法,其特征在于,所述基于改进人工势场法的消防移动机器人路径规划方法,包括:
步骤S1、获取火灾的坐标点作为火灾点;
步骤S2、获取距离火灾点在预设范围内的消防移动机器人的坐标点,并统计获取的消防移动机器人的总数量;
步骤S3、根据获取的消防移动机器人的总数量和火灾点设置目标点,并建立目标点和消防移动机器人之间的对应关系;
步骤S4、读取预存的环境信息,采用改进人工势场法计算消防移动机器人对应的合力,包括:
步骤S41、读取预存的环境信息,统计障碍物的坐标集合;
步骤S44、建立火灾点对消防移动机器人的斥力场Urepd(q)和斥力Frepd(q);
步骤S46、计算合力场U(q)和合力F(q)为:
其中,n为障碍物的总个数,N为获取的消防移动机器人的总数量,m为n个障碍物中的第m个障碍物,z为N-1个消防移动机器人中的第z个消防移动机器人;
步骤S5、判断消防移动机器人是否陷入局部极小点,若陷入局部极小点则采用模拟退火算法逃离局部极小点,然后执行步骤S4;否则直接执行步骤S6;
步骤S6、将计算得到的合力F(q)发送至对应的消防移动机器人,供对应的消防移动机器人根据该合力F(q)运动,判断运动后的消防移动机器人是否达到对应的目标点,若已达到目标点则执行灭火作业;否则重新执行步骤S4;
其中,所述采用模拟退火算法逃离局部极小点,包括:
步骤S55、获取陷入局部极小点的消防移动机器人当前的坐标点qx,并在坐标点qx附近选择一个随机点qy;
步骤S56、计算坐标点qx和随机点qy的合力场U(qx)和U(qy);
步骤S57、若U(qx)≥U(qy),则控制消防移动机器人运行至随机点qy,并执行步骤S58;否则根据以下公式计算概率P:
其中,T为模拟退火算法的温度参数,若P0≤P则表示概率通过,控制消防移动机器人运行至随机点qy,并执行步骤S58;若P0>P则表示概率不通过,执行步骤S55;其中P0为随机数;
步骤S58、将消防移动机器人当前的坐标点和进入局部极小点的起始坐标点的合力场进行比较,若当前的坐标点的合力场大于起始坐标点的合力场,则更新温度参数T并执行步骤S55;否则表示成功逃离局部极小点,并结束。
2.如权利要求1所述的基于改进人工势场法的消防移动机器人路径规划方法,其特征在于,所述根据获取的消防移动机器人的总数量和火灾点设置目标点,并建立目标点和消防移动机器人之间的对应关系,包括:
步骤S31、设定消防移动机器人的最佳灭火距离R;
步骤S32、根据以下公式设置目标点:
qf=(qf1,qf2,…,qfi,…,qfN);
qfi=(xfi,yfi);
xfi=xd+Rcos[(i-1)2π/N];
yfi=yd+Rsin[(i-1)2π/N];
其中,N为获取的消防移动机器人的总数量,qfi表示第i个目标点的坐标,xfi表示第i个目标点的横坐标;yfi表示第i个目标点的纵坐标,xd表示火灾点的横坐标,yd表示火灾点的纵坐标;
步骤S33、按照距离就近原则,建立目标点和消防移动机器人之间一对一的对应关系。
3.如权利要求2所述的基于改进人工势场法的消防移动机器人路径规划方法,其特征在于,所述读取预存的环境信息,统计障碍物的坐标集合,包括:
读取预存的环境信息,将环境信息中的障碍物坐标放入矩阵O,得到障碍物的坐标集合如下:
O=[qo1 qo2 qo3…]2×n;
qom=[xom yom]T,m=1,2,3…;
其中,矩阵O表示障碍物的坐标集合,qom表示第m个障碍物的坐标,xom表示第m个障碍物的横坐标,yom表示第m个障碍物的纵坐标。
6.如权利要求5所述的基于改进人工势场法的消防移动机器人路径规划方法,其特征在于,所述特殊系数K0的计算方式如下:
建立火灾点到第i个目标点的直线l1,第i个目标点为与第i个消防移动机器人对应的目标点;
过第i个目标点作直线l1的垂线l2;
建立特殊系数K0的计算公式如下:
其中,当满足条件1时K0采用参数Ks计算,当满足条件2时K0采用参数Kd计算,所述条件1包括火灾点与第i个消防移动机器人的坐标位于垂线l2的同侧,所述条件2包括火灾点与第i个消防移动机器人的坐标分别位于垂线l2的两侧,θ为第i个目标点与第i个消防移动机器人的连线和直线l1的夹角,h为第i个消防移动机器人与直线l1的距离,q为第i个消防移动机器人当前的坐标点,qfi为与第i个消防移动机器人对应的第i个目标点的坐标。
8.如权利要求1所述的基于改进人工势场法的消防移动机器人路径规划方法,其特征在于,所述判断消防移动机器人是否陷入局部极小点,包括:
步骤S51、获取消防移动机器人当前的坐标点qj和前两步的坐标点qj-2;
步骤S52、计算坐标点qj和坐标点qj-2的距离为||qj-qj-2||;
步骤S53、若||qj-qj-2||<l0,l0为最小间距,则该消防移动机器人陷入局部极小点,并结束判断;若||qj-qj-2||≥l0,则执行下一步;
步骤S54、判断消防移动机器人收到的合力F(q)是否为零,若为零则该消防移动机器人陷入局部极小点,并结束判断;若不为零则该消防移动机器人未陷入局部极小点,并结束判断;
其中,最小间距l0的表达式为:
式中,lstep表示消防移动机器人每次运动的步长。
9.一种基于改进人工势场法的消防移动机器人路径规划系统,其特征在于,所述基于改进人工势场法的消防移动机器人路径规划系统包括火灾报警器、云服务平台和若干消防移动机器人,所述云服务平台与火灾报警器连接用于获取火灾的坐标点,所述云服务平台与消防移动机器人连接用于控制消防移动机器人;
所述云服务平台包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的基于改进人工势场法的消防移动机器人路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010401801.4A CN111546343B (zh) | 2020-05-13 | 2020-05-13 | 一种基于改进人工势场法的消防移动机器人路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010401801.4A CN111546343B (zh) | 2020-05-13 | 2020-05-13 | 一种基于改进人工势场法的消防移动机器人路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111546343A CN111546343A (zh) | 2020-08-18 |
CN111546343B true CN111546343B (zh) | 2021-08-03 |
Family
ID=72000704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010401801.4A Active CN111546343B (zh) | 2020-05-13 | 2020-05-13 | 一种基于改进人工势场法的消防移动机器人路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111546343B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149305A (zh) * | 2020-09-25 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 轨道车辆火灾人员疏散仿真方法及系统 |
CN112327831A (zh) * | 2020-10-20 | 2021-02-05 | 大连理工大学 | 一种基于改进人工势场法的工厂agv轨迹规划方法 |
CN112370694B (zh) * | 2020-11-17 | 2022-07-01 | 宁波鼎翔消防技术有限公司 | 一种基于无人机和机器人的协同灭火方法 |
CN112344943B (zh) * | 2020-11-20 | 2022-09-06 | 安徽工程大学 | 一种改进人工势场算法的智能车路径规划方法 |
CN113341951B (zh) * | 2021-05-13 | 2022-03-15 | 杭州电子科技大学 | 一种基于多目标优化的救援机器人逃逸方法 |
CN114077255B (zh) * | 2021-11-22 | 2023-07-18 | 江苏理工学院 | 一种基于椭圆模型人工势场法的智能车寻路方法 |
CN114020032A (zh) * | 2021-11-25 | 2022-02-08 | 江苏科技大学 | 一种基于人工势场法和退火算法的无人机路径规划方法 |
CN114460965B (zh) * | 2022-01-21 | 2023-08-29 | 上海应用技术大学 | 一种基于改进人工势场法的无人机三维避障方法 |
CN114643581B (zh) * | 2022-04-20 | 2024-01-19 | 安徽大学 | 基于改进人工势场法的双机械臂避碰轨迹规划方法及系统 |
CN115487444A (zh) * | 2022-09-30 | 2022-12-20 | 应急管理部四川消防研究所 | 一种用于长大交通隧道的无人机灭火路径规划方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377055A (zh) * | 2019-08-14 | 2019-10-25 | 西南石油大学 | 基于改进型人工势场法的无人机三维编队方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9436187B2 (en) * | 2015-01-15 | 2016-09-06 | The United States Of America As Represented By The Secretary Of The Navy | System and method for decentralized, multi-agent unmanned vehicle navigation and formation control |
CN105867365B (zh) * | 2016-03-11 | 2019-02-05 | 中国矿业大学(北京) | 基于改进人工势场法的路径规划导航系统及方法 |
CN108873875B (zh) * | 2017-05-08 | 2023-11-14 | 中国华电集团有限公司青海分公司 | 机器人转向运动控制方法和装置、机器人、存储介质 |
CN108398960B (zh) * | 2018-03-02 | 2021-01-26 | 南京航空航天大学 | 一种改进APF与分段Bezier相结合的多无人机协同目标追踪方法 |
CN109737961A (zh) * | 2018-05-23 | 2019-05-10 | 哈尔滨理工大学 | 一种具有概率完备性的机器人最优化点到区路径规划方法 |
CN110471429B (zh) * | 2019-09-19 | 2020-12-11 | 华南农业大学 | 基于改进人工势场法的割草机器人实时避障方法 |
CN110908373B (zh) * | 2019-11-11 | 2021-05-07 | 南京航空航天大学 | 一种基于改进人工势场的智能车辆轨迹规划方法 |
-
2020
- 2020-05-13 CN CN202010401801.4A patent/CN111546343B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377055A (zh) * | 2019-08-14 | 2019-10-25 | 西南石油大学 | 基于改进型人工势场法的无人机三维编队方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111546343A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111546343B (zh) | 一种基于改进人工势场法的消防移动机器人路径规划方法及系统 | |
US11143521B2 (en) | System and method for aiding responses to an event detected by a monitoring system | |
US9109896B2 (en) | Model-based egress support system | |
CN107168611A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
Cheng et al. | A general trust framework for multi-agent systems | |
US20230045828A1 (en) | Emergency incident detection, response, and mitigation using autonomous drones | |
TWI680364B (zh) | 用於教練式驅動多機器人合作運作系統之教練裝置及其合作運作控制方法 | |
US20120218080A1 (en) | System for representing locations of persons in a structure | |
US20190354100A1 (en) | Bayesian control methodology for the solution of graphical games with incomplete information | |
KR102030509B1 (ko) | 화재 위험도 평가 결과를 이용하는 노후 건축물의 안전 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
CN110415396A (zh) | 基于人工智能的门禁控制方法、系统、设备及存储介质 | |
Huang et al. | Path planning of mobile robot in unknown dynamic continuous environment using reward‐modified deep Q‐network | |
Cai et al. | Prediction-based path planning for safe and efficient human–robot collaboration in construction via deep reinforcement learning | |
CN110569872A (zh) | 室内疏散路径优化方法、装置和电子设备 | |
Dai et al. | Reinforcement learning with safe exploration for network security | |
Tan et al. | Targeted adversarial attacks against neural network trajectory predictors | |
KR102271556B1 (ko) | 공사 현장의 화재 감시를 위한 제어 방법, 장치 및 시스템 | |
Jiang et al. | Pedestrian flow optimization to reduce the risk of crowd disasters through human–robot interaction | |
CN110146845A (zh) | 一种事件驱动的固定时间电磁源定位方法 | |
WO2023221443A1 (zh) | 基于2d相机的安全预警方法、装置、设备及存储介质 | |
WO2020210968A1 (zh) | 一种物联网连网安全控管机制操控系统 | |
McCausland et al. | A proactive risk-aware robotic sensor network for critical infrastructure protection | |
CN107566445A (zh) | 基于物联网的路线指引方法及设备 | |
CN117282054B (zh) | 一种基于边缘计算的隧道消防联动系统 | |
KR102300101B1 (ko) | 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |