CN113485346B

CN113485346B - 一种移动机器人在核事故复杂环境中的自主导航方法

Info

Publication number: CN113485346B
Application number: CN202110801080.0A
Authority: CN
Inventors: 熊振华; 黄颖; 周研; 吴建华
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2021-07-15
Filing date: 2021-07-15
Publication date: 2022-07-22
Anticipated expiration: 2041-07-15
Also published as: CN113485346A

Abstract

本发明公开了一种移动机器人在核事故复杂环境中的自主导航方法，涉及核工程与核技术领域，该方法包括如下步骤：对辐射场分布地图进行处理，进行栅格化，得到辐射代价地图；对环境点云地图进行处理，投影成灰度图像，处理获得图像梯度，得到坡度代价地图；将辐射代价地图与坡度代价地图叠加，得到多层代价地图；根据环境点云地图以及当前雷达数据，利用Scan Context算法进行定位，获得机器人在环境中的位置；根据多层代价地图和定位信息，使用改进A*算法规划合理路径，使机器人到达目标位置。本发明可以在核事故复杂环境下同时考虑多种因素，为机器人规划安全高效的路径，实现安全可靠的自主导航。

Description

一种移动机器人在核事故复杂环境中的自主导航方法

技术领域

本发明涉及核工程与核技术领域，尤其涉及一种移动机器人在核事故复杂环境中的自主导航方法。

背景技术

随着核工业的快速发展和核电技术的广泛运用，人们对于核辐射的安全保障需求日益迫切。在核电站日常的运作中，工作人员不可避免地会受到辐射的影响，危及人身安全。近几十年来，机器人技术的日益发展使得机器人完成辐射环境下的工作成为可能。现阶段研发的核环境机器人多为移动式遥控机器人，但是在很多应急处置的情况下，遥控操作会比较困难。这对机器人在辐射环境中进行安全自主的导航提出了新的需求。

首先，强辐射环境会导致传感器中电子元件的失灵，使得机器人迷失在辐射环境中。但由于技术和成本的限制，机器人的抗辐射设计仍无法做到能够无视辐射剂量。这要求机器人在自主导航时需要尽可能地避免辐射。其次，在发生事故的环境中可能会出现类似于倒塌的墙面之类的障碍物，在地面上构成斜坡。现阶段移动机器人导航一般使用二维地图，会将这类障碍归为不可通行的区域。但实际上应急机器人都会具有一定的爬坡能力，可以通过坡度较小的障碍。如果不考虑坡度影响，可能会导致路径规划失败。

申请号为202010416736.2的专利公开了一种核辐射环境的救灾机器人，其中包含了一种路径规划系统，可以通过对所述辐射信号和环境信号的分析规划出所述机器人本体的行进路线。预设了辐射信号阈值，目标距离阈值和与所述障碍物之间的距离阈值，通过与预设阈值比较来选择继续前进或者重新规划。

虽然在上述专利公开的技术方案中提出了机器人的自运行控制方法，但不够可靠，不适用于复杂的核事故环境。既无法准确识别环境的可通行性，也不能估计路径的整体代价。

因此，本领域的技术人员致力于开发一种移动机器人在核事故复杂环境中的自主导航方法，同时考虑复杂环境下的多种因素，为机器人规划安全高效的路径。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何准确地描述环境的辐射特征和物理可通行性特征，并综合考虑路径长短、辐射剂量和路面坡度，在复杂环境下为机器人规划出最合适的路径。

为实现上述目的，本发明提供了一种移动机器人在核事故复杂环境中的自主导航方法，包括如下步骤：

步骤1、对辐射场分布地图进行处理，进行栅格化，得到辐射代价地图；

步骤2、对环境点云地图进行处理，投影成灰度图像，处理获得图像梯度，得到坡度代价地图；

步骤3、将辐射代价地图与坡度代价地图叠加，得到多层代价地图；

步骤4、根据环境点云地图以及当前雷达数据，利用Scan Context算法进行定位，获得机器人在环境中的定位信息；

步骤5、根据多层代价地图和定位信息，使用改进A*算法规划合理路径，使机器人到达目标位置。

进一步地，辐射代价地图包括辐射警戒代价地图和辐射剂量代价地图，坡度代价地图包括坡度警戒代价地图和坡度移动代价地图。

进一步地，步骤1中，辐射场分布地图处理过程具体包括如下步骤：

步骤1.1、选取合适的栅格大小；

步骤1.2、计算每个栅格对应位置的辐射剂量率，得到辐射剂量代价地图；

步骤1.3、选取辐射剂量阈值，将辐射剂量超过辐射剂量阈值的栅格标记为障碍物，得到辐射警戒代价地图。

进一步地，步骤2中，环境点云地图处理过程具体包括如下步骤：

步骤2.1、对点云进行裁剪，去除高处天花板在路径规划中的无效信息；

步骤2.2、使用RANSAC算法识别地面；

步骤2.3、对点云进行校正，旋转点云，使地面与水平面重合；

步骤2.4、选取合适的栅格大小；

步骤2.5、计算栅格对应区域内的点云高度平均值；根据点云高度最大值和最小值，线性映射到灰度图像的灰度值，将点云投影成灰度图像；

步骤2.6、对灰度图像进行闭运算，填补孔洞；

步骤2.7、使用sobel算子计算0°,45°,90°和135°方向的梯度，得到4张坡度移动代价地图；

步骤2.8、选取梯度阈值，将坡度超过梯度阈值的栅格标记为障碍物，得到坡度警戒代价地图。

进一步地，步骤3中，多层代价地图处理过程具体包括如下步骤：

步骤3.1、将辐射警戒代价地图和坡度警戒代价地图叠加，将辐射剂量超过辐射剂量阈值或者坡度超过坡度阈值的栅格标记为障碍物；

步骤3.2、辐射剂量代价地图和坡度移动代价地图单独存放，栅格内存储移动到该栅格的对应代价。

进一步地，步骤4中，Scan Context算法具体包括如下步骤：

步骤4.1、将当前雷达数据的点云划分成20个环，每个环分成60等份，共1200个格子；

步骤4.2、计算每个格子里点云的最大高度值，将点云用一个二维图像scancontext表示；

步骤4.3、进一步计算列的均值，得到一个1×60列向量ring key；计算行的均值，得到一个20×1行向量sector key；

步骤4.4、用列向量ring key构造kd-tree，并且执行KNN搜索，得到候选匹配scancontext；

步骤4.5、对候选匹配scan context，使用行向量sector key对齐，得到偏移量；

步骤4.6、对候选匹配scan context施加偏移量，然后比较获得机器人位置。

进一步地，步骤5中，改进A*算法构造了路径评价函数F(n)＝G(n)+H(n)，G(n)是从起始节点到当前节点n所花费的实际代价，H(n)是从当前节点n到目标节点的估计代价；G(n)与H(n)均与路径长短、辐射剂量和路面坡度相关。

进一步地，步骤5中，改进的A*算法具体包括如下步骤：

步骤5.1、设置目标节点，起始节点为机器人当前位置；

步骤5.2、创建两个列表：开放列表和关闭列表；

步骤5.3、将起始节点添加到开放列表中；

步骤5.4、遍历开放列表中的节点，当开放列表为空时，表示没有找到路径，算法结束，否则转到下一步；

步骤5.5、当开放列表不为空时，从开放列表中选择一个路径代价函数值最小的节点，将其添加到关闭列表中；

步骤5.6、判断当前节点是否是目标节点；若当前节点是目标节点，搜索结束，找到最优路径，否则转到步骤5.7；

步骤5.7、扩展当前节点，计算所有子节点的路径代价函数值，该步骤具体包括；

步骤5.7.1、如果子节点不在开放列表和关闭列表中，就添加到开放列表中，并且给子节点加一个指向当前节点的指针；路径搜索完成以后，根据指针的指向连接路径；

步骤5.7.2、如果子节点已经在开放列表中了，则比较计算得到的新函数值和开放列表中的旧值，保存函数值较小的节点，修改指针指向当前的子节点；

步骤5.7.3、如果子节点在关闭列表中，则忽略该节点，返回步骤5.7继续扩展其它节点；

步骤5.8、当找到最优解或者无解时，算法结束，否则回到步骤5.4继续循环。

进一步地，步骤1中，机器人从起点到终点沿路径的累积辐射剂量与每个栅格的剂量率、机器人的运动速度和栅格大小相关。

进一步地，步骤2中，sobel算子为3×3的梯度算子矩阵，将sobel算子与图像进行卷积，获得4张坡度移动代价地图。

与现有技术相比，本发明至少具有如下有益技术效果：

本发明使用多层代价地图，可以更好的表征环境信息，通过处理辐射场分布地图以及环境点云地图，可以快速获得环境整体的可通行性与通行代价，为后面的改进A*算法路径规划提供了准确可靠的障碍地图和代价地图；在处理环境点云地图时，将点云投影成灰度图像，用图像处理方法代替了点云处理方法；可以通过图像运算去除噪声，填补没有信息的栅格，还能快速地计算获得地面坡度对应的梯度信息；使用改进A*算法，对环境反应迅速，利用启发信息寻找最优路径；启发函数综合考虑路径长短、辐射剂量和路面坡度等信息，通过修改影响系数，搜索特定条件下的最优路径，可以完成不同任务需求下的路径规划。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的移动机器人在核事故复杂环境中的自主导航方法流程示意图；

图2是本发明的一个较佳实施例的多层代价地图结构组织示意图；

图3是本发明的一个较佳实施例的改进A*算法流程示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

如图1所示，是本发明的一个较佳实施例的移动机器人在核事故复杂环境中的自主导航方法，方法包括如下步骤：

步骤4、根据环境点云地图以及当前雷达数据，利用Scan Context算法进行定位，获得机器人在环境中的位置；

如图2所示，是本发明的一个较佳实施例的多层代价地图结构，辐射代价地图包括辐射警戒代价地图和辐射剂量代价地图，坡度代价地图包括坡度警戒代价地图和坡度移动代价地图。

具体地，处理获得辐射代价地图的具体步骤包括：

步骤1.1、选取合适的栅格大小，将辐射场分布地图栅格化，每个栅格中存储对应位置的平均辐射剂量率；

步骤1.2、选取机器人可以承受的最大瞬时剂量率作为阈值，当环境中的辐射剂量率大于阈值时，认为该位置存在致命的障碍物，从而获得辐射警戒代价地图。辐射警戒代价地图中储存值c_1[index]如下：

步骤1.3、机器人从起点S到终点G沿路径P的累积辐射剂量与每个栅格R(i,j)的剂量率、机器人的运动速度v和栅格大小△s相关。机器人受到的辐射总量E计算方式如下：

为了简化路径评价函数的计算，辐射剂量代价地图中储存值c_2[index]如下：

具体地，处理获得坡度代价地图的具体步骤包括：

步骤2.1、对点云进行裁剪，通过设置点云Z轴最大值，去除高处天花板等在路径规划中的无效信息；

步骤2.2、使用RANSAC算法识别地面，获得平面参数；

步骤2.3、对点云进行校正，使得地面法向量与Z轴重合，根据地面法向量和Z轴由罗德里格旋转公式计算旋转矩阵，使地面与水平面重合；

步骤2.4、选取合适的栅格大小；

步骤2.5、计算栅格对应区域内的点云高度平均值，根据点云高度最大值和最小值，线性映射到灰度图像的灰度值，范围为0至255，将点云投影成灰度图像；

步骤2.6、对灰度图像进行闭运算，填补孔洞；

步骤2.7、使用sobel算子计算0°,45°,90°和135°方向的梯度。sobel算子为3×3的梯度算子矩阵，将sobel算子与图像进行卷积，获得4张坡度移动代价地图。0°,45°,90°和135°方向的梯度值分别为

辐射剂量代价地图中储存值c_4[index]如下：

步骤2.8、选取机器人可以越过的最大坡度作为阈值，将坡度超过阈值的栅格标记为障碍物，得到坡度警戒代价地图。坡度警戒代价地图中储存值c_3[index]如下：

具体地，多层代价地图处理过程具体步骤包括：

将辐射代价地图与坡度代价地图叠加，得到多层代价地图。将辐射剂量超过阈值或者坡度超过阈值的栅格标记为障碍物，获得障碍物地图。辐射剂量代价地图和坡度移动代价地图单独存放，方便后续改进A*算法计算路径评价函数时取用。

具体地，根据环境点云地图以及当前雷达数据，利用Scan Context算法进行定位，具体步骤包括：

步骤4.1、将当前雷达数据的点云划分成20个环，每个环分成60等份，共1200个格子。

步骤4.2、计算每个格子里点云的最大高度值，将点云用一个二维图像表示，记为scan context。

步骤4.3、进一步计算列的均值，得到一个1×60的向量，记为ring key；计算行的均值，得到一个20×1的向量，记为sector key。

步骤4.4、用ring key构造kd-tree，并且执行knn搜索，得到候选匹配scancontext。

步骤4.5、对候选匹配scan context，使用sector key对齐，得到偏移量。

具体地，根据多层代价地图和定位信息，使用改进A*算法规划合理路径，使机器人到达目标位置。路径评价函数F(n)＝G(n)+H(n)，G(n)代表是从起始节点到当前节点n所花费的实际代价，H(n)是从当前节点n到目标节点的估计代价。

如图3所示，改进A*算法具体步骤如下：

步骤5.1、设置目标节点，起始节点为机器人当前位置；

步骤5.2、创建两个列表：开放列表和关闭列表；

步骤5.3、将起始节点添加到开放列表中；

步骤5.5、当开放列表不为空时，从开放中选择一个路径代价函数值最小的节点，将其添加到关闭列表中；

步骤5.7、扩展当前节点，计算所有子节点的路径代价函数值；

具体地，步骤5.7中，路径评价函数的计算步骤具体包括：

1.实际代价G(n)的计算。

路径因子x_k定义如下：

则路径长度L的计算公式如下：

机器人受到的辐照总量计算公式如下：

机器人移动的总坡度代价计算公式如下：

引入代价影响系数ε₁,ε₂和ε₃，分别表示路径、辐射和坡度代价对总代价的影响。将各部分代价归一化，实际代价G(n)的计算公式如下：

2.估计代价H(n)的计算。

假设dx和dy表示当前节点N和目标节点G之间的水平距离和垂直距离。到目标节点的最短距离计算公式如下：

到目标节点的最少移动次数计算公式如下：

N_min＝max(dx,dy)

以前节点N和目标节点G为顶点的矩形区域的平均辐射剂量计算公式如下：

以前节点N和目标节点G为顶点的矩形区域的平均坡度梯度计算公式如下：

将各部分代价归一化，估计代价H(n)的计算公式如下：

3.路径评价函数的计算。路径评价函数F(n)的计算公式如下：

F(n)＝G(n)+H(n)

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述方法包括如下步骤：

步骤3、将所述辐射代价地图与所述坡度代价地图叠加，得到多层代价地图；

步骤4、根据所述环境点云地图以及当前雷达数据，利用Scan Context算法进行定位，获得机器人在环境中的定位信息；

步骤5、根据所述多层代价地图和所述定位信息，使用改进A*算法规划合理路径，使机器人到达目标位置。

2.如权利要求1所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述辐射代价地图包括辐射警戒代价地图和辐射剂量代价地图，所述坡度代价地图包括坡度警戒代价地图和坡度移动代价地图。

3.如权利要求2所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤1中，所述辐射场分布地图处理过程具体包括如下步骤：

步骤1.1、选取合适的栅格大小；

步骤1.2、计算每个栅格对应位置的辐射剂量率，得到所述辐射剂量代价地图；

步骤1.3、选取辐射剂量阈值，将辐射剂量超过所述辐射剂量阈值的栅格标记为障碍物，得到所述辐射警戒代价地图。

4.如权利要求2所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤2中，所述环境点云地图处理过程具体包括如下步骤：

步骤2.2、使用RANSAC算法识别地面；

步骤2.3、对所述点云进行校正，旋转所述点云，使地面与水平面重合；

步骤2.4、选取合适的栅格大小；

步骤2.5、计算栅格对应区域内的所述点云高度平均值；根据所述点云高度最大值和最小值，线性映射到灰度图像的灰度值，将所述点云投影成灰度图像；

步骤2.6、对所述灰度图像进行闭运算，填补孔洞；

步骤2.7、使用sobel算子计算0°,45°,90°和135°方向的梯度，得到4张所述坡度移动代价地图；

步骤2.8、选取梯度阈值，将坡度超过所述梯度阈值的栅格标记为障碍物，得到所述坡度警戒代价地图。

5.如权利要求2所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤3中，所述多层代价地图处理过程具体包括如下步骤：

步骤3.1、将所述辐射警戒代价地图和所述坡度警戒代价地图叠加，将辐射剂量超过所述辐射剂量阈值或者坡度超过所述坡度阈值的栅格标记为障碍物；

步骤3.2、所述辐射剂量代价地图和所述坡度移动代价地图单独存放，栅格内存储移动到该栅格的对应代价。

6.如权利要求1所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤4中，所述Scan Context算法具体包括如下步骤：

步骤4.2、计算每个格子里点云的最大高度值，将点云用一个二维图像scan context表示；

步骤4.4、用所述列向量ring key构造kd-tree，并且执行KNN搜索，得到候选匹配scancontext；

步骤4.5、对所述候选匹配scan context，使用所述行向量sector key对齐，得到偏移量；

步骤4.6、对所述候选匹配scan context施加偏移量，然后比较获得机器人位置。

7.如权利要求2所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤5中，所述改进A*算法构造了路径评价函数F(n)＝G(n)+H(n)，G(n)是从起始节点到当前节点n所花费的实际代价，H(n)是从当前节点n到目标节点的估计代价；G(n)与H(n)均与路径长短、辐射剂量和路面坡度相关。

8.如权利要求2所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤5中，所述改进A*算法具体包括如下步骤：

步骤5.1、设置目标节点，起始节点为机器人当前位置；

步骤5.2、创建两个列表：开放列表和关闭列表；

步骤5.3、将起始节点添加到所述开放列表中；

步骤5.4、遍历所述开放列表中的节点，当所述开放列表为空时，表示没有找到路径，算法结束，否则转到下一步；

步骤5.5、当所述开放列表不为空时，从所述开放列表中选择一个路径代价函数值最小的节点，将其添加到所述关闭列表中；

步骤5.6、判断当前节点是否是所述目标节点；若当前节点是所述目标节点，搜索结束，找到最优路径，否则转到步骤5.7；

步骤5.7、扩展当前节点，计算所有子节点的路径代价函数值，该步骤具体包括：

步骤5.7.1、如果子节点不在所述开放列表和所述关闭列表中，就添加到所述开放列表中，并且给所述子节点加一个指向当前节点的指针；路径搜索完成以后，根据指针的指向连接路径；

步骤5.7.2、如果子节点已经在所述开放列表中了，则比较计算得到的新函数值和所述开放列表中的旧值，保存函数值较小的节点，修改指针指向当前的子节点；

9.如权利要求3所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤1中，机器人从起点到终点沿路径的累积辐射剂量与每个栅格的剂量率、机器人的运动速度和栅格大小相关。

10.如权利要求4所述的移动机器人在核事故复杂环境中的自主导航方法，其特征在于，所述步骤2中，所述sobel算子为3×3的梯度算子矩阵，将所述sobel算子与图像进行卷积，获得4张所述坡度移动代价地图。