CN113359725A - 一种工业巡检机器人路径规划方法及系统 - Google Patents

一种工业巡检机器人路径规划方法及系统 Download PDF

Info

Publication number
CN113359725A
CN113359725A CN202110620351.2A CN202110620351A CN113359725A CN 113359725 A CN113359725 A CN 113359725A CN 202110620351 A CN202110620351 A CN 202110620351A CN 113359725 A CN113359725 A CN 113359725A
Authority
CN
China
Prior art keywords
path
inspection
industrial
pheromone
industrial robot
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.)
Withdrawn
Application number
CN202110620351.2A
Other languages
English (en)
Inventor
李坤
华娟
孙勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xuanshi Qiyuan Software Technology Co Ltd
Original Assignee
Nanjing Xuanshi Qiyuan Software Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Xuanshi Qiyuan Software Technology Co Ltd filed Critical Nanjing Xuanshi Qiyuan Software Technology Co Ltd
Priority to CN202110620351.2A priority Critical patent/CN113359725A/zh
Publication of CN113359725A publication Critical patent/CN113359725A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Manipulator (AREA)

Abstract

本发明提出了一种工业巡检机器人路径规划方法及系统，其中所述方法，具体包括以下步骤：步骤一、根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；步骤二、根据巡检需求，标记工业机器人巡检时的起始地点和目的地点；步骤三、利用路径规划模型获取工业机器人的最优巡检路径；步骤四、根据制定的路径进行巡检。通过对工业机器人巡检路径的最优选取，可以在工业生产过程中极大的提高生产工作效率。

Description

一种工业巡检机器人路径规划方法及系统
技术领域
本发明涉及一种工业巡检机器人路径规划方法及系统，特别是涉及智能路径规划技术领域。
背景技术
随着计算机技术以及嵌入式集成芯片的发展，大众生活与工业制造对自动化的生产水平需求也在日益提高。工业巡检机器人在巡检过程中，根据设定的起点与终点，使用一定的准则，使机器人从起点按照设定的规划路径运行从而到达终点。
现有技术中，在机器人的路径规划中，往往采用的迭代规划方法，容易让机器人陷入局部最优解，以及收敛速度慢等问题，从而导致在寻求最优路径的时候走很多弯路。
发明内容
发明目的：一个目的是提出一种工业巡检机器人路径规划方法及系统，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种工业巡检机器人路径规划方法，该方法具体包括以下步骤：
步骤一、根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；
步骤二、根据巡检需求，标记工业机器人巡检时的起始地点和目的地点；
步骤三、利用路径规划模型获取工业机器人的最优巡检路径；
步骤四、根据制定的路径进行巡检。
在第一方面的一些可实现方式中，将工业机器人实际工作环境划分为多个部分，并形成实际环境与构建的虚拟环境一一映射的关系。
构建二维平面坐标图，在映射过程中，利用1表示不可通行或具有障碍物的区域，0表示通行无障碍的自由区域，从而将划分出来的多个部分转化为数字量化的数值空间。
巡检过程中，工业机器人通过安装在自身头部的摄像机，对现场作业的情况进行图像数据的采集，并通过无线传输技术实时的将数据传输至后台服务器中进行运算处理。服务器中包括图像处理模型，用于对接收到的图像进行识别分类，并购根据输出的结果与正常作业下的图像进行比对，从而判断出当前作业下是否有故障产生。
在第一方面的一些可实现方式中，利用所述路径规划模型获取最优巡检路径的方式具体为：
步骤1、获取一条相对最优路径，并提高该路径上的信息素初始值；
步骤2、初始化相关参数，所述相关参数包括：迭代次数、信息素因子、启发函数因子；
步骤3、将用于进行搜索的蚂蚁编码后置于起点进行搜索；
步骤4、根据转移概率选择下一个节点；
步骤5、任意一个蚂蚁在完成搜索后，更新信息素；
步骤6、判断是否达到最大迭代次数，若判断结果为是，则保存并输出最优路径；反之，跳转至步骤4。
在第一方面的一些可实现方式中，所有蚂蚁在完成一次搜索后，通过挥发旧的信息素和添加每只蚂蚁储存的信息素对全局信息素进行更新，更新表达式为：
τij(t+n)＝(1-ρ)*τij(t)+Δτij(t,t+n)
Figure BDA0003099617350000021
式中，ρ表示信息素挥发因子，ρ越大，则信息素挥发速度越快，ρ越小，则信息素挥发速度越慢；(t,t+n)表示经过n步后蚂蚁完成一次循环；
Figure BDA0003099617350000022
表示经过一次循环后第k只蚂蚁走过路径上的信息素增加量。
获取最优巡检路径时，还包括估价函数，即：
f(n)＝g(n)+h(n)
式中，f(n)表示从初始状态经由状态n到目标状态的估计代价函数，g(n)表示在状态空间中从初始状态到状态n的实际代价；h(n)表示从状态n到目标状态的最佳路径的估计代价。
采用动态调整方式对信息素挥发因子进行更新，表达式为：
Figure BDA0003099617350000023
式中，GDmt表示第t次迭代中观点参数的平均值；GDmt-1表示第t-1次迭代中观点参数的平均值；ρt-1表示更新前的信息素挥发因子。
蚂蚁在前行的过程中，对下一个节点的选择的转移概率
Figure BDA0003099617350000024
为：
Figure BDA0003099617350000025
式中，allowedk表示蚂蚁k可以选择的节点；
Figure BDA0003099617350000031
表示蚂蚁从当前节点i前往下一个节点j的概率；τ(i,j)表示当前路径上的信息素浓度；α表示信息素因子；β表示启发函数因子；
Figure BDA0003099617350000032
表示启发函数。
第二发明，提出一种工业巡检机器人路径规划系统，该系统具体包括：
用于构建虚拟地图模型的第一模块；
用于根据巡检需求，标记工业机器人巡检时的起始地点和目的地点的第二模块；
用于利用路径规划模型获取工业机器人的最优巡检路径的第三模块；
用于根据制定的路径进行巡检的第四模块。
在第二方面的一些可实现方式中，所述第一模块进一步为：根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；在映射过程中，利用1表示不可通行或具有障碍物的区域，0表示通行无障碍的自由区域。
所述第三模块在进行最优巡检路径寻找时，具体如下：
步骤1、获取一条相对最优路径，并提高该路径上的信息素初始值；
步骤2、初始化相关参数，所述相关参数包括：迭代次数、信息素因子、启发函数因子；
步骤3、将用于进行搜索的蚂蚁编码后置于起点进行搜索；
步骤4、根据转移概率选择下一个节点；
步骤5、任意一个蚂蚁在完成搜索后，更新信息素；
步骤6、判断是否达到最大迭代次数，若判断结果为是，则保存并输出最优路径；反之，跳转至步骤4。
所述第四模块置于工业机器人中，用于根据接收到路径指令，令工业机器人的运算处理单元发出根据最优路径继续进行巡检的指令。
有益效果：本发明提出了一种工业巡检机器人路径规划方法及系统，通过以下步骤实现巡检路径规划，即：步骤一、根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；步骤二、根据巡检需求，标记工业机器人巡检时的起始地点和目的地点；步骤三、利用路径规划模型获取工业机器人的最优巡检路径；步骤四、根据制定的路径进行巡检。通过对工业机器人巡检路径的最优选取，可以在工业生产过程中极大的提高生产工作效率。
附图说明
图1为本发明的数据处理流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
在一个实施例中，提出一种工业巡检机器人路径规划方法，在工业机器人进行巡检过程中，智能规划巡检路径，提高巡检效率。如图1所示，该方法具体包括以下步骤：
步骤一、根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；
步骤二、根据巡检需求，标记工业机器人巡检时的起始地点和目的地点；
步骤三、利用路径规划模型获取工业机器人的巡检路径；
步骤四、工业机器人的中央处理器单元根据制定的路径发出指令，让其进行巡检作业。
巡检过程中，工业机器人通过安装在自身头部的摄像机，对现场作业的情况进行图像数据的采集，并通过无线传输技术实时的将数据传输至后台服务器中进行运算处理。服务器中包括图像处理模型，用于对接收到的图像进行识别分类，并购根据输出的结果与正常作业下的图像进行比对，从而判断出当前作业下是否有故障产生。当产生故障时，工业机器人触发自身携带的警报器，发出故障警告，从而协助维护人员对现场故障进行及时的排查处理。通过高效率的巡检，可以减少人工巡检的投入成本，同时，辅助维护人员高效快速的排出故障点。
在进一步的实施例中，工业机器人巡检过程中，为了更好的设定巡检路径，首先根据实际场景构建虚拟地图模型，从而便于工业机器人利用构建好虚拟地图模型，分析获取最优路径方案。
具体的，将工业机器人实际工作环境划分为多个部分，并形成实际环境与构建的虚拟环境一一映射的关系。构建二维平面坐标图，在映射过程中，利用1表示不可通行或具有障碍物的区域，0表示通行无障碍的自由区域，从而将划分出来的多个部分转化为数字量化的数值空间。
在进一步的实施例中，最优路径的获取方式具体为：
步骤1、获取一条相对最优路径，并提高该路径上的信息素初始值；
步骤2、初始化相关参数，所述相关参数包括：迭代次数、信息素因子、启发函数因子；
步骤3、将用于进行搜索的蚂蚁编码后置于起点进行搜索；
步骤4、根据转移概率选择下一个节点；
步骤5、任意一个蚂蚁在完成搜索后，更新信息素；
步骤6、判断是否达到最大迭代次数，若判断结果为是，则保存并输出最优路径；反之，跳转至步骤4。
在进一步的实施例中，所有蚂蚁在完成一次搜索后，通过挥发旧的信息素和添加每只蚂蚁储存的信息素对全局信息素进行更新，更新表达式为：
τij(t+n)＝(1-ρ)*τij(t)+Δτij(t,t+n)
Figure BDA0003099617350000051
式中，ρ表示信息素挥发因子，ρ越大，则信息素挥发速度越快，ρ越小，则信息素挥发速度越慢；(t,t+n)表示经过n步后蚂蚁完成一次循环；
Figure BDA0003099617350000052
表示经过一次循环后第k只蚂蚁走过路径上的信息素增加量。
Figure BDA0003099617350000053
式中，Q表示信息素增强系数；Dk表示第k只蚂蚁走过的总路径长度。
为了可以更快的搜索到最优路径，将信息素的更新方式进一步更新如下：
Figure BDA0003099617350000054
式中，Q表示信息素增强系数；Dk表示第k只蚂蚁走过的总路径长度；
Figure BDA0003099617350000055
当上一路径长度Dk-1大于当前路径Dk时，增加Dk的信息素增量，当上一路径长度Dk-1小于当前路径Dk时，减少Dk的信息素增量。
建立从初始状态经由状态n到目标状态的估计代价函数，即：
f(n)＝g(n)+h(n)
式中，g(n)表示在状态空间中从初始状态到状态n的实际代价；h(n)表示从状态n到目标状态的最佳路径的估计代价。
信息素挥发因子为常数时，在全局搜索的情况下常常会降低搜索效率，因此采用如下表达式对信息素挥发因子进行动态调整。
Figure BDA0003099617350000061
式中，GDmt表示第t次迭代中观点参数的平均值；GDmt-1表示第t-1次迭代中观点参数的平均值。
启发函数因子用于让蚂蚁更容易的找到最佳的下一个选择点，因此在对下一个网格进行选择时引入障碍物概率，从而辅助启发函数因子的更新。
蚂蚁在前行的过程中，对下一个节点的选择的转移概率
Figure BDA0003099617350000062
为：
Figure BDA0003099617350000063
式中，allowedk表示蚂蚁k可以选择的节点；
Figure BDA0003099617350000064
表示蚂蚁从当前节点i前往下一个节点j的概率；τ(i,j)表示当前路径上的信息素浓度；α表示信息素因子；β表示启发函数因子；
Figure BDA0003099617350000065
表示启发函数。
通过先获取一条相对较优路径，获取并提高此路径上的信息素初值，其次，使用新的信息素更新方式以及启发函数，可以在加快搜索速度的同时，减少蚁群初期搜索时的盲目性。
在进一步的实施例中，工业机器人巡检过程中所处的运行轨道采用模块化的设计，包括：轨道连接结构、刚性轨道、以及轨道柔性过度结构。轨道连接结构将刚性轨道与工作面的工业机器人连接，为巡检过程汇总提供牢固的附着点。柔性过度结构将相邻的两段刚性轨道连接，从而形成整个路径整体。
其中，柔性过度机构由双伸缩万向节、防护板和伸缩外壳组成，其中，伸缩节单个连接可实现垂直方面和水平方向上的转角变形；防护板的外形尺寸被设置为与轨道界面一致，中心穿过两组伸缩节万向节，多个防护板有伸缩外壳以一定间距，按照串联形式连接成整体后，与固定挡板连接。
柔性过度机构进行作业时，由其左右两端连接的刚性轨道，将处于工作面的工业机器人在作业时所产生的弯曲伸缩变量传递到双伸缩万向节，从而带动伸缩外壳随万向节发生弯曲伸缩变形。与此同时，双伸缩万向节作为机构整体的支撑，防护板为框架，伸缩外壳为覆盖面，共同实现了柔性过度机构在不改变外部截面尺寸的情况下完成不同角度和长度的伸缩变形。
本实施例中，双伸缩万向节连接轴改变现有技术中使用的万向节的花键结构，使得载能力更强、安装加工更为便捷。另一方面，经济的圆柱式伸缩轴，将伸缩万向节的两端分别与两刚性轨道固定，当伸缩万向节的两端均固定时，伸缩万向节亦会保持当时姿态不再变化，当刚性轨道发生变形时，两组万向节同步变形，同步固定，配合完成角度和长度的变量补偿。
在一个实施例中，提出一种工业巡检机器人路径规划系统，该系统具体包括：
用于构建虚拟地图模型的第一模块；
用于根据巡检需求，标记工业机器人巡检时的起始地点和目的地点的第二模块；
用于利用路径规划模型获取工业机器人的最优巡检路径的第三模块；
用于根据制定的路径进行巡检的第四模块。
在进一步的实施例中，所述第一模块进一步为：根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；在映射过程中，利用1表示不可通行或具有障碍物的区域，0表示通行无障碍的自由区域。
第三模块进行最优巡检路径寻找时，具体如下：
步骤1、获取一条相对最优路径，并提高该路径上的信息素初始值；
步骤2、初始化相关参数，所述相关参数包括：迭代次数、信息素因子、启发函数因子；
步骤3、将用于进行搜索的蚂蚁编码后置于起点进行搜索；
步骤4、根据转移概率选择下一个节点；
步骤5、任意一个蚂蚁在完成搜索后，更新信息素；
步骤6、判断是否达到最大迭代次数，若判断结果为是，则保存并输出最优路径；反之，跳转至步骤4。
其中，所有蚂蚁在完成一次搜索后，通过挥发旧的信息素和添加每只蚂蚁储存的信息素对全局信息素进行更新，更新表达式为：
τij(t+n)＝(1-ρ)*τij(t)+Δτij(t,t+n)
Figure BDA0003099617350000071
式中，ρ表示信息素挥发因子，ρ越大，则信息素挥发速度越快，ρ越小，则信息素挥发速度越慢；(t,t+n)表示经过n步后蚂蚁完成一次循环；
Figure BDA0003099617350000081
表示经过一次循环后第k只蚂蚁走过路径上的信息素增加量。
Figure BDA0003099617350000082
式中，Q表示信息素增强系数；Dk表示第k只蚂蚁走过的总路径长度。
为了可以更快的搜索到最优路径，将信息素的更新方式进一步更新如下：
Figure BDA0003099617350000083
式中，Q表示信息素增强系数；Dk表示第k只蚂蚁走过的总路径长度；
Figure BDA0003099617350000084
当上一路径长度Dk-1大于当前路径Dk时，增加Dk的信息素增量，当上一路径长度Dk-1小于当前路径Dk时，减少Dk的信息素增量。
建立从初始状态经由状态n到目标状态的估计代价函数，即：
f(n)＝g(n)+h(n)
式中，g(n)表示在状态空间中从初始状态到状态n的实际代价；h(n)表示从状态n到目标状态的最佳路径的估计代价。
信息素挥发因子为常数时，在全局搜索的情况下常常会降低搜索效率，因此采用如下表达式对信息素挥发因子进行动态调整。
Figure BDA0003099617350000085
式中，GDmt表示第t次迭代中观点参数的平均值；GDmt-1表示第t-1次迭代中观点参数的平均值。
启发函数因子用于让蚂蚁更容易的找到最佳的下一个选择点，因此在对下一个网格进行选择时引入障碍物概率，从而辅助启发函数因子的更新。
蚂蚁在前行的过程中，对下一个节点的选择的转移概率
Figure BDA0003099617350000086
为：
Figure BDA0003099617350000087
式中，allowedk表示蚂蚁k可以选择的节点；
Figure BDA0003099617350000088
表示蚂蚁从当前节点i前往下一个节点j的概率；τ(i,j)表示当前路径上的信息素浓度；α表示信息素因子；β表示启发函数因子；
Figure BDA0003099617350000091
表示启发函数。
通过先获取一条相对较优路径，获取并提高此路径上的信息素初值，其次，使用新的信息素更新方式以及启发函数，可以在加快搜索速度的同时，减少蚁群初期搜索时的盲目性。
所述第四模块置于工业机器人中，用于根据接收到路径指令，令工业机器人的运算处理单元发出根据最优路径继续进行巡检的指令。
工业机器人在巡检的过程中，通过安装在自身的摄像头对实际环境中的作业情况进行拍摄，并上传至服务器中进行判断，当接收到服务器运算处理结果为异常时，发出警报，从而通知工作人员进行现场查看及维修。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种工业巡检机器人路径规划方法，其特征在于，具体包括以下步骤：
步骤一、根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；
步骤二、根据巡检需求，标记工业机器人巡检时的起始地点和目的地点；
步骤三、利用路径规划模型获取工业机器人的最优巡检路径；
步骤四、根据制定的路径进行巡检。
2.根据权利要求1所述的一种工业巡检机器人路径规划方法，其特征在于，
将工业机器人实际工作环境划分为多个部分，并形成实际环境与构建的虚拟环境一一映射的关系；
构建二维平面坐标图，在映射过程中，利用1表示不可通行或具有障碍物的区域，0表示通行无障碍的自由区域，从而将划分出来的多个部分转化为数字量化的数值空间；
巡检过程中，工业机器人通过安装在自身头部的摄像机，对现场作业的情况进行图像数据的采集，并通过无线传输技术实时的将数据传输至后台服务器中进行运算处理；服务器中包括图像处理模型，用于对接收到的图像进行识别分类，并购根据输出的结果与正常作业下的图像进行比对，从而判断出当前作业下是否有故障产生；当产生故障时，工业机器人触发自身携带的警报器，发出故障警告，从而协助维护人员对现场故障进行及时的排查处理。
3.根据权利要求1所述的一种工业巡检机器人路径规划方法，其特征在于，
利用所述路径规划模型获取最优巡检路径的方式具体为：
步骤1、获取一条相对最优路径，并提高该路径上的信息素初始值；
步骤2、初始化相关参数，所述相关参数包括：迭代次数、信息素因子、启发函数因子；
步骤3、将用于进行搜索的蚂蚁编码后置于起点进行搜索；
步骤4、根据转移概率选择下一个节点；
步骤5、任意一个蚂蚁在完成搜索后，更新信息素；
步骤6、判断是否达到最大迭代次数，若判断结果为是，则保存并输出最优路径；反之，跳转至步骤4。
4.根据权利要求3所述的一种工业巡检机器人路径规划方法，其特征在于，
所有蚂蚁在完成一次搜索后，通过挥发旧的信息素和添加每只蚂蚁储存的信息素对全局信息素进行更新，更新表达式为：
τij(t+n)＝(1-ρ)*τij(t)+Δτij(t，t+n)
Figure FDA0003099617340000021
式中，ρ表示信息素挥发因子，ρ越大，则信息素挥发速度越快，ρ越小，则信息素挥发速度越慢；(t，t+n)表示经过n步后蚂蚁完成一次循环；
Figure FDA0003099617340000022
表示经过一次循环后第k只蚂蚁走过路径上的信息素增加量。
5.根据权利要求3所述的一种工业巡检机器人路径规划方法，其特征在于，
获取最优巡检路径时，还包括估价函数，即：
f(n)＝g(n)+h(n)
式中，f(n)表示从初始状态经由状态n到目标状态的估计代价函数，g(n)表示在状态空间中从初始状态到状态n的实际代价；h(n)表示从状态n到目标状态的最佳路径的估计代价。
6.根据权利要求3所述的一种工业巡检机器人路径规划方法，其特征在于，
采用动态调整方式对信息素挥发因子进行更新，表达式为：
Figure FDA0003099617340000023
式中，GDmt表示第t次迭代中观点参数的平均值；GDmt-1表示第t-1次迭代中观点参数的平均值；ρt-1表示更新前的信息素挥发因子。
7.根据权利要求3所述的一种工业巡检机器人路径规划方法，其特征在于，
蚂蚁在前行的过程中，对下一个节点的选择的转移概率
Figure FDA0003099617340000024
为：
Figure FDA0003099617340000025
式中，allowedk表示蚂蚁k可以选择的节点；
Figure FDA0003099617340000026
表示蚂蚁从当前节点i前往下一个节点j的概率；τ(i，j)表示当前路径上的信息素浓度；α表示信息素因子；β表示启发函数因子；
Figure FDA0003099617340000027
表示启发函数。
8.一种工业巡检机器人路径规划系统，其特征在于，具体包括：
用于构建虚拟地图模型的第一模块；
用于根据巡检需求，标记工业机器人巡检时的起始地点和目的地点的第二模块；
用于利用路径规划模型获取工业机器人的最优巡检路径的第三模块；
用于根据制定的路径进行巡检的第四模块。
9.根据权利要求8所述的一种工业巡检机器人路径规划系统，其特征在于，
所述第一模块进一步为：根据实际环境利用栅格划分区域，构建工业机器人巡检时的虚拟地图模型；在映射过程中，利用1表示不可通行或具有障碍物的区域，0表示通行无障碍的自由区域。
10.根据权利要求8所述的一种工业巡检机器人路径规划系统，其特征在于，
所述第三模块在进行最优巡检路径寻找时，具体如下：
步骤1、获取一条相对最优路径，并提高该路径上的信息素初始值；
步骤2、初始化相关参数，所述相关参数包括：迭代次数、信息素因子、启发函数因子；
步骤3、将用于进行搜索的蚂蚁编码后置于起点进行搜索；
步骤4、根据转移概率选择下一个节点；
步骤5、任意一个蚂蚁在完成搜索后，更新信息素；
步骤6、判断是否达到最大迭代次数，若判断结果为是，则保存并输出最优路径；反之，跳转至步骤4；
所述第四模块置于工业机器人中，用于根据接收到路径指令，令工业机器人的运算处理单元发出根据最优路径继续进行巡检的指令。
CN202110620351.2A 2021-06-03 2021-06-03 一种工业巡检机器人路径规划方法及系统 Withdrawn CN113359725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110620351.2A CN113359725A (zh) 2021-06-03 2021-06-03 一种工业巡检机器人路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110620351.2A CN113359725A (zh) 2021-06-03 2021-06-03 一种工业巡检机器人路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN113359725A true CN113359725A (zh) 2021-09-07

Family

ID=77531816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110620351.2A Withdrawn CN113359725A (zh) 2021-06-03 2021-06-03 一种工业巡检机器人路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN113359725A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049688A (zh) * 2022-08-16 2022-09-13 之江实验室 基于强化学习思想的栅格地图区域划分方法及装置
CN117485929A (zh) * 2023-12-29 2024-02-02 中国电力工程顾问集团西南电力设计院有限公司 一种基于智能控制的无人化堆取料控制系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049688A (zh) * 2022-08-16 2022-09-13 之江实验室 基于强化学习思想的栅格地图区域划分方法及装置
CN115049688B (zh) * 2022-08-16 2022-11-18 之江实验室 基于强化学习思想的栅格地图区域划分方法及装置
CN117485929A (zh) * 2023-12-29 2024-02-02 中国电力工程顾问集团西南电力设计院有限公司 一种基于智能控制的无人化堆取料控制系统及方法
CN117485929B (zh) * 2023-12-29 2024-03-19 中国电力工程顾问集团西南电力设计院有限公司 一种基于智能控制的无人化堆取料控制系统及方法

Similar Documents

Publication Publication Date Title
CN113359725A (zh) 一种工业巡检机器人路径规划方法及系统
CN110587600B (zh) 基于点云的带电作业机器人自主路径规划方法
EP3940494B1 (en) Path planning method for substation inspection robot
US11892855B2 (en) Robot with perception capability of livestock and poultry information and mapping approach based on autonomous navigation
Huang et al. Global path planning for autonomous robot navigation using hybrid metaheuristic GA-PSO algorithm
CN111179457A (zh) 一种工业设备的巡检系统及巡检方法
CN113334379A (zh) 一种基于虚拟力的主从跟随与避碰方法
US20190346207A1 (en) Online temperature monitoring system and method for direct air-cooled condenser
CN111239768A (zh) 一种电力巡检机器人自主构建地图并查找巡检目标的方法
CN110749895B (zh) 一种基于激光雷达点云数据的定位方法
EP4088884A1 (en) Method of acquiring sensor data on a construction site, construction robot system, computer program product, and training method
CN114407030A (zh) 一种自主导航配网带电作业机器人及其工作方法
CN112415997A (zh) 一种用于多机器人协作的路径规划方法及系统
Choi et al. Improved CNN-based path planning for stairs climbing in autonomous UAV with LiDAR sensor
CN116289543A (zh) 一种结合巡检与典检的桥梁支座实时监测系统及方法
CN112947457B (zh) 一种分拣机器人群动态无线供电路径规划方法
CN116300969B (zh) 一种移动机器人的路径跟踪方法
CN113848912A (zh) 基于自主探索的室内地图建立方法及装置
CN110737264B (zh) 一种实验室远程监控系统
Puck et al. Distributed active learning for semantic segmentation on walking robots
CN111638728A (zh) 一种基于车载无人机的快速大范围人群聚集情况监控方法
CN116735599A (zh) 一种建筑底板裂缝的自主扫描检测方法
CN115890677A (zh) 一种用于标准化笼养鸡舍的捡死鸡机器人及其方法
Jiang et al. Application of power ubiquitous Internet of Things technology in intelligent inspection of unattended substation
Huang et al. Study on a boat-assisted drone inspection scheme for the modern large-scale offshore wind farm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210907

WW01 Invention patent application withdrawn after publication