CN111625023A - 基于改进Astar算法的港口无人机巡检路径规划方法 - Google Patents

Abstract

本发明提供了基于改进Astar算法的港口无人机巡检路径规划方法，包括如下步骤：首先根据港口实际环境建立飞行场地地图，设置飞行起点以及所有任务点；然后采用改进Astar算法进行起点和任务点的路径规划；其次对无人机进行实时定位，无人机沿规划路径飞行；之后针对飞行过程中出现的新的障碍物，进行局部路径规划；最后判断任务是否完成，完成则回归起点，否则重复上述流程。本发明可以规划无人机港口巡检的路径，能够很好地满足无人机巡检的任务。

Description

基于改进Astar算法的港口无人机巡检路径规划方法

技术领域

本发明涉及港口机械领域，更具体地说，涉及基于改进Astar算法的港口无人机巡检路径规划方法。

背景技术

港口机械在物流领域应用广泛，港口机械主要包括岸边集装箱起重机、轨道吊、轮胎吊、门座式起重机和卸船机等。对于岸边集装箱起重机而言，其工作位置处于海边，是易腐蚀的环境。因此，及时对岸边集装箱起重机进行巡检，可以预防事故发生。

目前的港口机械巡检主要是以人工巡检为主，由巡检员攀爬港口机械，对港口机械的各处结构进行检测。然而，由于港口机械的结构特殊性有些区域人员无法到达，或者由于人工视角问题，无法获取图像，形成检测盲区，因此需要新的巡检方式。

公开号为CN 107607543 A的中国专利“港口机械的巡检装置及巡检方法”揭示了无人机对港口机械的巡检方法，通过事先导入港机的数据自动生成巡检路径，属于全局静态路径规划，然而没有给出路径规划相应算法，另外对于港机周围新出现的障碍物，需要手动修改航线参数来更改无人机飞行路径，较依赖于人工经验，执行效率不高。

发明内容

针对现有技术的以上缺陷和改进需求，本发明提供了基于改进Astar算法的港口无人机巡检路径规划方法，其目的在于：将改进Astar算法作为港口无人机巡检的路径规划方法，根据实际情况规划出合适的港口巡检路线，同时通过传感器及时检测到周围障碍物并重新规划出新的飞行路线，进而达到港口巡检的要求。为了达到上述要求，本发明给出了港口无人机巡检的路径规划方法步骤如下：

S1：根据港口实际环境建立飞行场地地图。

S2：设置飞行起点以及所有任务点。

S3：无人机的起点设为当前点，任务点为之后的目标点。

S4：当前点到下一个目标点采用改进Astar算法进行路径规划。

S5：对无人机进行实时定位，沿规划路径飞行。

S6：判断是否出现新的障碍物，若没出现则继续沿全局最优路径飞行并跳到S8，若出现则进入S7。

S7：鸣笛提醒并判断新的障碍物是否远离预定路径，若远离则无人机继续沿原定路径飞行，否则判断新的障碍物的停留时间是否超过设定值，若超过时间则重新规划至下一个目标点的路径。

S8：判断是否到达下一个目标点，是则进入S9，否则回到S6。

S9：判断任务点是否全部飞完，是则进入S10，否则更新当前点与目标点信息，然后回到S4。

S10：无人机回到起点，停止规划。

进一步地：步骤S2中设定了飞行起点和任务点，其中飞行起点是人为随机选择的起点，而任务点是无人机必须经过的岸桥关键部位点，包括：海侧门框连接处、前拉杆连接处，大梁末端处，前拉杆眼镜板处，梯形架连接处，后拉杆眼镜板处，后拉杆连接处、大梁门框连接处、门框连接处、杆件连接处、陆侧门框连接处等岸桥巡检的重要部位。

进一步地：S4中所述的改进Astar算法，在搜索过程中，将整个搜索空间划分为规则的网格节点，用三维数组表示整个搜索区域的地图信息。每个数组元素对应一个网格节点，0表示该节点可以到达，1表示该节点不可以到达。具体搜索步骤如下：

(1)设置2个数据结构：open表和close表。open表用于存放正在等待扩展的节点，close表用于存放已被扩展的节点。

(2)将起始点插入open表中，将close表清空。

(3)如果open表为空，算法以搜索失败结束。调整算法参数，然后重新运行规划算法。

(4)从open表中移出代价最小的节点作为当前节点，将它放入close表中。

所述代价值公式为：f(n)＝g(n)+h(n)

式中：f(n)为从起点经过节点n到达目标节点的实际代价；g(n)为从起点到当前节点n的实际代价；h(n)为当前节点n到目标节点的估计代价。

其中，(x_n,y_n,z_n)为当前节点坐标，(x_g,y_g,z_g)为目标节点坐标。

(5)若当前节点是目标点，则路径搜索过程结束，从目标点开始向上回溯直到起始点，得到从起始点到目标点的最小代价路径。否则转到步骤(6)。

(6)根据节点剔除规则和跳转搜索规则寻找当前节点的所有继承节点，将它们作为可扩展节点并计算其代价函数值。对于选择的可扩展节点作如下处理。

如果该节点不在open表和close表中，则添加到open表中，并将它的父节点指针指向当前节点。如果该节点已在open表中，则比较其代价函数值与该节点在open表中的原代价函数值，如果新的代价函数值较小，则记录新的代价函数值并将它的父节点指针指向当前节点，如果该节点在close表中，则舍去该可扩展节点。

本发明与现有技术相比具有以下优点：

1.使用改进Astar算法对港口无人机进行巡检路径规划，在寻路时剔除了不必搜索的网格节点，减少了网格节点计算量，提升搜索效率。

2.通过传感器实时监测无人机飞行路径所新出现的障碍物，并及时调整飞行路径，能够高效，安全有效地完成实际巡检任务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是无人机巡检路径规划方法流程图

图2是岸桥一侧巡检路径点

图3是岸桥另一侧巡检路径点

图4改进Astar算法的流程图

图5是无障碍物环境中搜索节点剔除示意图

图6是有障碍物环境中搜索节点剔除示意图

附图标记说明

001：路径规划起止点、002/1：岸桥正面海侧门框连接处、002/2：岸桥背面海侧门框连接处、003/1：岸桥正面前拉杆连接处、003/2：岸桥背面前拉杆连接处、004/1：岸桥正面大梁末端处、004/2：岸桥背面大梁末端处、005/1：岸桥正面前拉杆眼镜板处、005/2：岸桥背面前拉杆眼镜板处、006/1：岸桥正面梯形架连接处、006/2：岸桥背面梯形架连接处、007/1：岸桥正面后拉杆眼镜板处、007/2：岸桥背面后拉杆眼镜板处、008/1：岸桥正面后拉杆连接处、008/2：岸桥背面后拉杆连接处、009/1：岸桥正面大梁门框连接处、009/2：岸桥背面大梁门框连接处、010/1：岸桥正面门框连接处、010/2：岸桥背面门框连接处、011/1：岸桥正面杆件连接处、011/2：岸桥背面杆件连接处、012/1：岸桥正面路侧门框连接处。012/2：岸桥背面路侧门框连接处。

具体实施方式

下面通过附图及实例对该发明进行详细说明，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

结合图1，本发明实施例提供了基于改进Astar算法的港口无人机巡检路径规划方法，包括以下步骤S1～S10：

S1：根据港口实际环境建立飞行场地地图。

S2：设置飞行起点以及所有任务点。

S3：无人机的起点设为当前点，任务点为之后的目标点。

S4：当前点到下一个目标点采用改进Astar算法进行路径规划。

S5：对无人机进行实时定位，沿规划路径飞行。

S6：判断是否出现新的障碍物，若没出现则继续沿全局最优路径飞行并跳到S8，若出现则进入S7。

S7：鸣笛提醒并判断新的障碍物是否远离路径，若远离则无人机继续沿原定路径飞行，否则判断新的障碍物的停留时间是否超过设定值，若超过时间则重新规划至下一个目标点的路径。

S8：判断是否到达下一个目标点，是则进入S9，否则回到S6。

S9：判断任务点是否全部飞完，是则进入S10，否则更新当前点与目标点信息，然后回到S4。

S10：无人机回到起点，停止规划。

进一步地：S1中所述的对飞行场地地图是根据港口岸边集装箱起重机建立的。

进一步地：S2中的设置飞行起点001是人为随机选择的起点，而任务点是无人机必须经过的岸桥关键部位点，如图2和图3所示，任务点包括：海侧门框连接处002、前拉杆连接处003，大梁末端处004，前拉杆眼镜板处005，梯形架连接处006，后拉杆眼镜板处007，后拉杆连接处008、大梁门框连接处009、门框连接处010、杆件连接处011、路侧门框连接处012等岸桥巡检的重要部位。无人机需要对这些关键部位进行拍照和图像识别。

进一步地：S4中所述的改进Astar算法，是对传统的Astar算法进行相应改进，在三维环境中搜索路径时采用节点修剪来剔除部分网格节点，降低网格节点计算量，提升搜索速度。

该算法在搜索过程中，将整个搜索空间划分为规则的网格节点，用三维数组表示整个搜索区域的地图信息。每个数组元素对应一个网格节点，0表示该节点可以到达，1表示该节点不可以到达。算法从起点开始搜索，由启发函数引导搜索方向，通过搜索代价值最小的网格节点来找到最优路径。代价函数由实际代价与用启发函数计算的估计代价之和构成。实际代价为从一个网格节点移动到另一个网格节点的代价值。

代价函数可表示为：f(n)＝g(n)+h(n)

式中：f(n)为从起点经过节点n到达目标节点的实际代价；g(n)为从起点到当前节点n的实际代价；h(n)为当前节点n到目标节点的估计代价。

其中，(x_n,y_n,z_n)为当前节点坐标，(x_g,y_g,z_g)为目标节点坐标。

结合图4所示，改进Astar算法具体步骤如下：

S401：设置2个数据结构：open表和close表。open表用于存放正在等待扩展的节点，close表用于存放已被扩展的节点。

S402：将起始点插入open表中，将close表清空；

S403：如果open表为空，算法以搜索失败结束。调整算法参数，然后重新运行规划算法；

S404：从open表中移出代价最小的节点作为当前节点，将它放入close表中；

S405：若当前节点是目标点，则路径搜索过程结束。从目标点开始向上回溯直到起始点，得到从起始点到目标点的最小代价路径；

S406：对当前节点周围的邻居节点进行判断，按照节点剔除规则舍去当前节点周围不满足要求的邻居节点，然后根据跳转搜索规则找到当前节点对应的所有继承节点，并将当前节点的所有继承节点作为可扩展节点并计算其代价函数，对于当前节点的可扩展节点作如下处理。

1)如果该节点不在open表和close表中，则添加到open表中，并将它的父节点指针指向当前节点；

2)如果该节点已在open表中，计算该节点新代价函数值并与该节点在open表中的原代价函数值相比较，如果新代价函数值较小，则记录新的代价函数值并将它的父节点指针指向当前节点；

3)如果该节点在close表中，则舍去该可扩展节点。

S407：转S404，继续循环，直到找到解或无解退出。

S406中的节点剔除规则，具体如下：

如图5所示，三维搜索环境由3×3×3的立方体网格表示，立方体网格总共有三层，其中每一层均包含9个网格节点。

当前节点周围无障碍的情况下，当算法从第二层2号节点向5号节点搜索时，由2号节点经过5号节点再到达8号节点的距离小于任何由2号节点不经过5号节点再到达8号节点的距离，因此这种搜索情况可以将8号节点作为5号节点的不可剔除节点，而将其余25个节点剔除，不作为接下来的搜索对象。当算法从第二层1号节点向第二层5号节点方向搜索时，由1号节点经过5号节点再到达第二层6、8、9号节点的距离小于等于任何由1号节点不经过5号节点再到达第二层6、8、9号节点的距离，因此这种搜索情况可以将第二层6、8、9号节点作为第二层5号节点的不可剔除节点，而将其余23个节点剔除。当算法从第一层1号节点向第二层5号节点方向搜索时，同理可将第二层的6、8、9号节点与第三层的5、6、8、9号节点作为第二层5号节点的不可剔除节点，而将其余节点剔除。

当前节点周围存在障碍的情况下，也可用改进Astar算法剔除部分搜索节点。如图6所示，第一层的8号节点、第二层的2号节点和8号节点被障碍物占据，当算法从第二层4号节点向第二层5号节点方向搜索路径时，由第二层4号节点经过第二层5号节点再到达第二层3、6、9号节点和第一层9号节点的距离小于任何由4号节点不经过5号节点再到达第二层3、6、9号节点和第一层9号节点的距离，因此这种情况可以将第二层3、6、9号节点和第一层9号节点作为第二层5号节点的不可剔除节点，而将其余节点剔除。当算法从第二层7号节点向第二层5号节点方向搜索路径时，由第二层7号节点经过第二层5号节点再到达第二层3、6、9号节点距离小于任何由第二层7号节点不经过第二层5号节点再到达第二层3、6、9号节点的距离，因此这种情况可以将第二层3、6、9号节点作为第二层5号节点的不可剔除节点，而将其余节点剔除。当算法从第一层7号节点向第二层5号节点方向搜索路径时，由第一层7号节点经过第二层5号节点再到达第二层3、6、9号节点和第三层2、3、5、6号节点的距离小于任何由第二层7号节点不经过第二层5号节点再到达第二层3、6、9号节点和第三层2、3、5、6号节点的距离，因此这种情况可以将第二层3、6、9号节点和第三层2、3、5、6号节点作为第二层5号节点的不可剔除节点，而将其余节点剔除。

S406所述的跳转搜索规则，具体如下：

根据前面所提到的节点剔除规则，依据当前节点n1和父节点n0和环境障碍物信息，就可以找出当前节点经剔除后的邻居节点，一个邻居节点对应一个搜索方向，当算法沿某个搜索方向遇到障碍物或者遇到环境模型边界，则终止该方向的搜索，开始新的方向的搜索；如果算法从当前节点n1沿某个搜索方向找到目标点g或者找到带有不可剔除节点的节点n2后，则将节点g或节点n2作为节点n1的一个继承节点(可扩展节点)。

进一步地：S6中无人机可以通过超声波传感器和红外线来检测规划好的路径是否出现新的障碍物。

进一步地：S7中对新出现障碍物进行重新规划路线，对长时间鸣笛不做反应的障碍物处理为静态障碍物，进而根据S4所述的改进Astar算法重新规划至下一个目标点的路线。

显然上述实例仅仅只是为了详细地介绍本发明的一些相关的原理、思路和流程，但其并非是对本发明的限制。对于所属领域的普通人来说，在不脱离本发明的范围和原理的前提下，可以在其形式和结构上做相应的调整和转变来适应不同的环境和要求。

Claims (4)

1.基于改进Astar算法的港口无人机巡检路径规划方法，其特征在于，包括以下步骤：首先根据港口实际环境建立飞行场地地图，设置飞行起点以及所有任务点；然后采用改进Astar算法进行起点和任务点的路径规划；其次对无人机进行实时定位，无人机沿规划路径飞行；之后针对飞行过程中出现的新的障碍物，进行局部路径规划；最后判断任务是否完成，完成则回归起点，否则重复上述流程。

2.根据权利要求1所述的基于改进Astar算法的港口无人机巡检路径规划方法，其特征在于：飞行起点可人为设定，任务点主要包括海陆侧门框连接处、梯形架连接处、前后拉杆连接处、大梁末端、大梁门框连接处、拉杆眼镜板等区域。

3.根据权利要求1所述的基于改进Astar算法的港口无人机巡检路径规划方法，其特征在于：改进Astar算法规划路径时使用节点剔除规则和跳转搜索规则剔除了不必搜索的网格节点，用于减少网格节点计算量。

4.根据权利要求1所述的基于改进Astar算法的港口无人机巡检路径规划方法，其特征在于：出现障碍物进行局部路径规划，是指若已规划路径出现障碍物，且停留时间超过设定值，根据改进Astar算法重新规划至下一个目标点的路径。

Images