CN114296451A - 基于遗传算法的机器人墙面工作的路径规划方法 - Google Patents

Abstract

本发明公开基于遗传算法的机器人墙面作业的路径规划方法，该路径规划方法运用于墙面清洁机器人或墙面装修机器人中，机器人吸附在墙面后使用改进的遗传算法对其吸附的墙面工作区域进行路径规划，连接成合理的清洁作业的路径或装修作业的路径。本发明采用简化的遗传算法对墙面规整分布的工作点进行路径规划，利用遗传进化的快速性和墙面组成的工作点序列的多样性，在有限的阈值条件和有限的评价指标条件下加快达到局部区域内的最优工作点，进而连接成机器人在墙面工作区域内的工作路径，增强机器人在墙面环境工作的适应性。

Description

基于遗传算法的机器人墙面工作的路径规划方法

技术领域

本发明涉及机器人控制的技术领域，具体涉及基于遗传算法的机器人墙面工作的路径规划方法。

背景技术

在室内环境中，对于家居商场超市的某些装修工艺如墙面打磨、面漆喷涂，还有对商场超市的墙角处积累下的蜘蛛网和一些其他杂物进行清洁，都需在较高尺寸的墙面上作业，人工无法安全地利用梯子对顶部的墙体进行装修或清洁作业，此时需要控制机器人在相应高度位置进行作业，目前还缺乏机器人在墙面作业过程中能够自主移动的理想路径。

发明内容

为了解决上述技术问题，本发明公开基于遗传算法的机器人墙面作业的路径规划方法，该路径规划方法运用于墙面清洁机器人或墙面装修机器人中，机器人吸附在墙面后使用改进的遗传算法对其吸附的墙面工作区域进行路径规划，连接成合理的清洁作业的路径或装修作业的路径；具体的技术方案如下：

基于遗传算法的机器人墙面工作的路径规划方法，机器人包括驱动组件、真空吸附组件和用于处理墙面的作业组件，该路径规划方法包括以下步骤：步骤1、控制机器人的真空吸附组件通过真空吸附的方式使机器人整体抓牢墙面，然后在控制驱动组件和作业组件停止运转的基础上，利用机器人自带的传感器组采集墙面环境信息，再将机器人的墙面工作区域划分为均匀分布的栅格；其中，每个栅格的中心设置工作点；步骤2、沿工作起点和工作终点的连线方向等距离选取N个工作点，再在每个工作点的垂直线上都随机选取一个工作点，且前述选取的工作点都不在障碍物内；再将所选取的工作点配置为一个工作点序列，并将工作点序列设置为遗传算法的初始群体；其中，N是正整数；工作起点和工作终点都属于预先设置的工作点；步骤3、对步骤2配置出的工作点序列进行交叉操作和变异操作，获得新的工作点序列，直至满足预设规划条件，并将最新获得的工作点序列设置为遗传算法的终止群体；步骤4、按照工作点的参考距离由小到大的顺序，依次连接遗传算法的终止群体内包括的所有工作点，得到一条优化路径，再将该优化路径的连接起点连接所述工作起点，并将该优化路径的连接终点连接所述工作终点；其中，工作点的参考距离是该工作点与原点的距离，原点是预先设置的墙面位置点。

进一步地，所述步骤2选取的工作点和所述步骤3产生的工作点中，机器人在每个工作点处的有效工作区域是以该工作点为圆心的、1.5倍的机身宽度为半径的圆形区域；其中，在所述墙面工作区域内，除了所述步骤2选取的工作点处的有效工作区域和所述步骤3产生的工作点处的有效工作区域之外的区域是冗余区域，冗余区域是机器人内设的作业组件没有覆盖到的区域；机器人的作业组件还被配置为跟随驱动组件同步移动；其中，机器人在所述步骤2选取的工作点处的有效工作区域和所述步骤3产生的工作点处的有效工作区域组成的区域内移动，但机器人不跨出所述墙面工作区域。

进一步地，在所述步骤2中，在所述垂直线上以随机距离选取一个工作点，再将以随机距离选取的工作点标记为转向点；其中，所述墙面工作区域内的障碍物是由障碍边界围成；其中，机器人被配置为不允许跨越所述障碍边界。

进一步地，所述墙面工作区域是由预设尺寸的单位栅格填充成的矩形区域，以便于标记到机器人即时构建的栅格地图上；工作起点和工作终点分居在该矩形区域的中心位置的两侧；若所述墙面工作区域的横向边长大于其纵向边长，则工作起点和工作终点的连线的长度等于所述墙面工作区域的横向边长与一个单位栅格的边长的差值；若所述墙面工作区域的纵向边长大于其横向边长，则工作起点和工作终点的连线的长度等于所述墙面工作区域的纵向边长与一个单位栅格的边长的差值。

进一步地，在所述步骤3中，每当执行一次交叉操作和一次变异操作，则产生一个新的工作点序列，并保持计算新的工作点序列的适应度，再对适应度大于第一预设适应度优化值的工作点序列进行计数；其中，所述预设规划条件是适应度大于第一预设适应度优化值的工作点序列的计数值达到第二预设阈值数量；第一预设适应度优化值设置为等于遗传算法规定的种群的最大适应度的四分之一；其中，一个工作点序列的适应度的计算方式包括：计算该工作点序列内的每个工作点与同一个原点的直线距离的倒数的累加和值与路径权重系数的乘积，获得第一加权项；计算该工作点序列内的转向点的数目与转角权重系数的乘积，获得第二加权项；计算第一加权项与第二加权项的和值，再将该和值设置为该工作点序列的适应度。

进一步地，所述预设规划条件是存在第二预设阈值数量个工作点的适应度都大于第二预设适应度优化值；其中，第二预设适应度优化值设置为等于遗传算法规定的种群的最大适应度的三分之一；其中，每个工作点与同一个原点的直线距离的倒数配置为该工作点的适应度，以描述机器人在直线导航任务中的满足程度。

进一步地，所述交叉操作和所述变异操作都是遗传算法中，以设定的概率生成新的个体的操作，以减少在同一个工作点序列内出现相同的两个工作点的概率，也使得工作点在所述机器人的墙面工作区域内自适应变化。

进一步地，每当执行一次交叉操作和一次变异操作，则产生新的方向关系的工作点和/或新的距离关系的工作点；若当前产生的一个的工作点的参考距离大于原工作序列所包括的工作点当中最大的参考距离时，则将该工作点替换掉原工作序列内的参考距离最大的工作点，并将发生替换后的原工作序列更新为新的工作点序列；否则直接将原工作序列更新为新的工作点序列。

进一步地，所述优化路径的连接起点在所述终止群体内是适应度最大的一个工作点，所述优化路径的连接终点在所述终止群体内是适应度最小的一个工作点。

与现有技术相比，本发明在对墙面规整分布的工作点进行路径规划，利用遗传算法的进化的快速迭代性和墙面组成的工作点序列的多样性，在有限的阈值条件和有限的评价指标条件下加快达到局部区域内的最优工作点，进而连接成机器人在墙面工作区域内的工作路径，能够满足路径规划方法的环境适应性，计算复杂性低于标准的遗传算法。

附图说明

图1为本发明一种实施例公开基于遗传算法的机器人墙面作业的路径规划方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细描述。应当理解，下面所描述的具体实施例仅用于解释本发明，并不用于限定本发明。在下面的描述中，给出具体细节以提供对实施例的透彻理解。然而，本领域的普通技术人员将理解，可以在没有这些具体细节的情况下实施实施例。

目前，机器人吸附在室内的墙面进行清洁作业（包括清洁刷洗）或装修作业（包括墙面打磨、面漆喷涂）缺乏合理的工作路径，可能会导致机器人重复遍历一个位置点或遗漏某个位置点，降低机器人工作的效率和对墙面的处理效果。为此，本发明则公开基于遗传算法的机器人墙面工作的路径规划方法，连接成合理的清洁作业的路径或装修作业的路径，以供机器人吸附在墙面并开始在墙面爬行后，沿着该路径进行墙面清洁或墙面装修。在本实施例中，该路径规划方法的执行主体是机器人，该机器人是属于墙面清洁机器人或墙面装修机器人，机器人包括驱动组件、真空吸附组件和用于处理墙面的作业组件，其中，驱动组件和真空吸附组件都属于现有技术公开的组件，具体参考中国实用新型专利CN210842876U或中国实用新型专利CN212755461U；用于处理墙面的作业组件被配置为清洁墙面时，机器人内设的作业组件包括毛刷、抹布、第一支架和第一驱动电机，第一支架的一端与驱动组件连接以实现支架跟随驱动组件同步行进移动，第一支架的另一端与第一驱动电机连接，第一驱动电机的输出端与毛刷或抹布传动连接，用于对墙面进行清洁刷洗；同理，用于处理墙面的作业组件被配置为装修墙面时，机器人内设的作业组件包括涂料刷、第二支架和第二驱动电机，第二支架的一端与驱动组件连接以实现支架跟随驱动组件同步行进移动，第二支架的另一端与第二驱动电机连接，第二驱动电机的输出端与涂料刷传动连接，用于对墙面进行涂漆。

如图1所示，所述路径规划方法包括以下步骤：

步骤S1、控制机器人的真空吸附组件通过真空吸附的方式使机器人整体抓牢墙面，然后在控制驱动组件和作业组件停止运转的基础上，利用机器人自带的传感器组采集墙面环境信息，再将机器人的墙面工作区域划分为均匀分布的栅格，然后机器人执行步骤S2。其中，每个栅格的中心设置工作点；预先设置的工作起点和预先设置的工作终点都属于工作点。在本实施例中，机器人在执行所述路径规划方法的过程中，机器人控制所述真空吸附组件吸附抓牢墙面，但是机器人没有发生移动，机器人的作业组件也可以选择不发生转动；其中，所述吸附面包括水泥墙面、玻璃幕的墙面等其余材料筑成的墙面；在本实施例中，将各种材料的墙体中被机器人吸附的吸附面统一称为墙面。

在步骤S1中，机器人自带的传感器组包括红外传感器、激光传感器、视觉传感器等，机器人将传感器组采集的墙面环境信息降维映射到栅格地图，栅格地图就是将实际工作的墙面环境等价为由相同大小的格子构成的一个栅格矩阵，对每个栅格以0和1进行编码，将实际障碍物对应的栅格以1填充，在地图中以黑色表示，对可通行区域以0填充，白色表示，从而将机器人的墙面工作区域划分为均匀分布的栅格，其中，每个栅格的中心设置工作点，便于路径的规划。

步骤S2、沿工作起点和工作终点的连线方向等距离选取N个工作点，再在每个工作点的垂直线上都随机选取一个工作点，且前述选取的工作点都不在障碍物内；再将所选取的工作点配置为一个工作点序列，并将工作点序列设置为遗传算法的初始群体，使得所选取的工作点的集合设置为遗传算法的初始群体，然后，机器人执行步骤S3。其中，N是正整数，优选地，遗传算法的初始种群大小是30，则N等于30；遗传算法的初始群体是属于工作点序列，都是由机器人在步骤S1确定的机器人的墙面工作区域内选取出来的；工作起点和工作终点都属于预先设置的工作点，是属于所述机器人的墙面工作区域内的固定的两个工作点，但不加入机器人选取作为遗传算法的初始群体。因此，在步骤S2中，遗传算法的初始群体内的个体来源于工作起点和工作终点的连线方向上等距离选取的N个工作点；遗传算法的初始群体内的个体还来源于在前述的N个工作点中，对于每个工作点，与工作起点和工作终点的连线垂直且经过工作点的垂直线上随机选取的一个工作点；而且，遗传算法的初始群体内所包括的工作点都不是障碍物栅格的中心点。

具体地，在所述步骤S2中，机器人在所述垂直线上以随机距离选取一个工作点，再将以随机距离选取的工作点标记为转向点，从而规划出机器人在所述墙面工作区域内发生转向动作的位置点；其中，所述墙面工作区域内的障碍物是由障碍边界围成，优选地，所述障碍边界包括门框、窗框以及装饰框；机器人被配置为不允许跨越所述障碍边界以避免与障碍物发生碰撞或进入所述障碍物内部。因而本实施例将由障碍边界围成的区域作为构造所述遗传算法的初始群体的约束条件。

可选地，当机器人移动至所述转向点时，机器人在使用真空吸附组件吸附抓牢吸附面时，通过局部的吸附组件进行吸附而牢固抓紧墙面，控制其余的吸附组件则跟随所述驱动组件转动，进而在遇到墙面弯角时能够自行跨域而无需人工搬移。

优选地，所述墙面工作区域是由预设尺寸的单位栅格填充成的矩形区域，以便于标记到机器人即时构建的栅格地图上，完成对墙面工作区域的建模；其中，所述工作起点和所述工作终点分居在该矩形区域的中心位置的两侧。具体地，若所述墙面工作区域的横向边长大于其纵向边长，则工作起点和工作终点的连线的长度等于所述墙面工作区域的横向边长与一个单位栅格的边长的差值，即工作起点和工作终点的连线方向平行于所述墙面工作区域的横边（较长边）。若所述墙面工作区域的纵向边长大于其横向边长，则工作起点和工作终点的连线的长度等于所述墙面工作区域的纵向边长与一个单位栅格的边长的差值，即工作起点和工作终点的连线方向平行于所述墙面工作区域的纵边（较长边）。扩大沿工作起点和工作终点的连线方向及其垂直方向上的工作点的选取范围，提高种群个体的丰富性。

步骤S3、对步骤S2配置出的工作点序列进行交叉操作和变异操作，获得新的工作点序列，直至满足一个预设规划条件，并将最新获得的工作点序列设置为遗传算法的终止群体，即获得最优的工作点；然后机器人进入步骤S4。本实施例中，对步骤S2配置出的工作点序列进行交叉操作和变异操作的过程是属于机器人使用交叉概率和变异概率进行遗传操作的过程，机器人可以选择以一个工作点序列为单位依次进行交叉操作和变异操作，并在迭代的遗传操作的过程中，不断产生新的工作点，或者选择更新或淘汰适应度不匹配的工作点，进而更新为新的工作点序列，使得新的工作点序列的适应度朝着更合理的方向变化，所述合理的方向变化包括让更新出的工作点序列的适应度变得更加大、更加稳定（但不是长时间维持于一个固定值），也防止前述的遗传操作在局部工作区域收敛于某个特定的位置点，优化所述初始种群。

步骤S4、按照工作点的参考距离由大到小的顺序，依次连接遗传算法的终止群体内包括的所有工作点，得到一条优化路径，再将该优化路径的连接起点连接所述工作起点，并将该优化路径的连接终点连接所述工作终点；其中，工作点的参考距离是该工作点与原点的距离的倒数，原点是预先设置的墙面位置点。在步骤S4中，机器人计算所述终止群体内包括的所有工作点的参考距离，再按照参考距离的数值大至小的顺序对相应的工作点进行排序，然后依照排列出的序号依次连接所述终止群体内的对应的工作点，得到一条优化路径，然后机器人将该优化路径的连接起点连接所述工作起点，并将该优化路径的连接终点连接所述工作终点，则由所述优化路径得到最终规划的出的最优路径，作为机器人在所述墙面工作区域内实际移动的路径，即工作路径，所述机器人的作业组件实际产生的有效工作区域覆盖到所述最优路径。

作为一种实施例，所述步骤S2选取的工作点和所述步骤S3产生的工作点中，机器人在每个工作点处的有效工作区域是以该工作点为圆心的、1.5倍的机身宽度为半径的圆形区域；所述步骤S3产生的工作点相对于所述步骤S2选取的工作点是新产生的工作点，使得二者对应的有效工作区域是不同的或是存在部分重叠的。其中，在所述机器人的墙面工作区域内，除了所述步骤S2选取的工作点处的有效工作区域和所述步骤S3产生的工作点处的有效工作区域之外的区域是冗余区域。在本实施例中，冗余区域是机器人内设的作业组件没有覆盖到的区域，冗余区域内的工作点可以不记录起来，或将其从所述墙面工作区域内删除，尽可能地减少工作点的数量，则机器人不用移动到所述冗余区域。

需要说明的是，机器人内设的作业组件还被配置为跟随所述驱动组件同步移动，是沿着特定方向上发生位移，而不一定是同步转动。而且，机器人被配置为在所述步骤S2选取的工作点处的有效工作区域和所述步骤S3产生的工作点处的有效工作区域组成的区域内移动，但机器人不跨出所述墙面工作区域，则机器人的作业组件在移动过程中实际覆盖过的区域（不包括重叠的区域）是小于所述墙面工作区域的。

在一些实施例中，所述机器人的驱动组件在工作时，可以在其内部设置电机，该电机工作时通过连接杆带动作业组件，让作业组件（比如前述的毛刷和涂料刷）在自转的同时绕驱动组件转动或摆动；或作业组件在自转的时候产生扭力，在连接杆的牵引下绕驱动组件转动，作业组件通过重复顺时针和逆时针转动，来实现以作业组件为基点的摆动，则所述步骤S2选取的工作点和所述步骤S3产生的工作点中，机器人在每个工作点处的有效工作区域是以该驱动组件的中心位置点为圆心的、1.5倍的机身宽度为半径的圆形区域，其中，所述机器人的机身宽度与部分刷毛的长度的和值接近1.5倍的机身宽度。

作为步骤S3的一种实施例，每当执行一次交叉操作和一次变异操作，则产生一个新的工作点序列，机器人可以是通过在原来的工作点序列内加入新产生的工作点的方式来更新出一个新的工作点序列，或者通过在原来的工作点序列内删除适应度最大的工作点的方式来更新出一个新的工作点序列，或者通过将新产生的工作点替换掉原来的工作点序列内的适应度最小的工作点的方式来更新出一个新的工作点序列；同时保持计算新的工作点序列的适应度，再对适应度大于第一预设适应度优化值的工作点序列进行计数，即机器人每当检测到新产生的一个工作点序列的适应度大于所述第一预设适应度优化值，则进行加一计数一次，至于原来的工作点序列，机器人可以选择不用保存下来。在本实施例中，所述预设规划条件是适应度大于第一预设适应度优化值的工作点序列的计数值达到第二预设阈值数量，作为结束执行交叉操作和变异操作的条件；优选地，所述第二预设阈值数量是在执行到所述步骤S3产生的工作点序列的总数量的一半。步骤S3中提及的满足所述预设规划条件可以理解为产生的工作点序列或其适应度满足所述预设规划条件。优选地，第一预设适应度优化值设置为等于遗传算法规定的种群的最大适应度的四分之一，避免生成的工作点序列的适应度过大。具体地，一个工作点序列的适应度的计算方式包括：计算该工作点序列内的每个工作点与同一个所述原点的直线距离的倒数的累加和值与路径权重系数的乘积，获得第一加权项；计算该工作点序列内的所述转向点的数目与转角权重系数的乘积，获得第二加权项；然后计算第一加权项与第二加权项的和值，再将该和值设置为该工作点序列的适应度。本计算方式将路径长度（工作点与原点的距离）的倒数和路径转弯节点数作为适应度的评价指标，则当工作点距离原点的距离越大，转弯次数越少时，适应度越小，表示机器人利用该工作点序列内包括的工作点进行导航作业的顺畅度越高；反之，当工作点距离原点的距离越小，转弯次数越多时，适应度越大，表示机器人利用该工作点序列内包括的工作点进行导航作业的顺畅度越低。因此，本实施例选择适应度合理的工作点序列作为最满足机器人导航顺畅需求（直达程度）的工作点序列，即机器人计数到已经产生第二预设阈值数量个适应度大于所述第一预设适应度优化值的工作点序列时，选择停止继续执行前述交叉操作和变异操作，停止产生新的工作点，此时，选择最新产生的工作点序列作为遗传算法的终止群体，也属于迭代处理出的最优群体。

在一些实施例中，机器人使用所述步骤S2和所述步骤S3在栅格地图中产生的工作点之间可能存在障碍物，在连接出所述优化路径之前需要求解线段经过的工作点，用于判断是否经过障碍物，以此调节计算所述适应度所需的路径权重系数和转角权重系数，则一个工作点序列的适应度的计算方式可以引用自适应变化的权重系数，以加快所述交叉操作和所述变异操作下产生的工作点序列达到所述预设规划条件，具体是在迭代执行所述交叉操作和所述变异操作的过程中加快满足所述预设规划条件。

作为步骤S3的另一种实施例，所述预设规划条件是存在第二预设阈值数量个工作点的适应度都大于第二预设适应度优化值，作为结束执行交叉操作和变异操作的条件；优选地，所述第二预设阈值数量是在执行到所述步骤S3产生的工作点的总数量的一半。步骤S3中提及的满足所述预设规划条件可以理解为产生的工作点序列或其适应度满足所述预设规划条件。其中，第二预设适应度优化值设置为等于遗传算法规定的种群的最大适应度的三分之一，避免迭代执行所述交叉操作和所述变异操作的过程中所生成的工作点序列的适应度过大。在本实施例中，机器人将每个工作点与同一个原点的直线距离的倒数配置为该工作点的适应度，以描述机器人在直线导航任务中的满足程度。因此，本计算方式将路径长度的倒数作为适应度的评价指标，则当工作点距离原点的距离越大时，适应度越小，表示机器人利用该工作点序列内包括的工作点进行直线导航作业的可达范围越大；反之，当工作点距离原点的距离越小时，适应度越大，表示机器人利用该工作点序列内包括的工作点进行直线导航作业的可达范围越小。因此，本实施例选择适应度合理的工作点序列作为最满足机器人导航运动范围的工作点序列，即机器人计数到已经产生第二预设阈值数量个适应度大于所述第二预设适应度优化值的工作点时，选择停止继续执行前述交叉操作和变异操作，停止产生新的工作点，此时，选择最新产生的工作点序列作为遗传算法的终止群体，也属于迭代处理出的最优群体。

在前述实施例中，所述交叉操作和所述变异操作都是遗传算法中，以设定的概率生成新的个体的操作，具体对应为在原来的工作点或工作点序列的基础上，利用交叉概率对工作点的适应度或工作点序列的适应度进行预配置的四则计算，并利用变异概率对工作点的适应度或工作点序列的适应度进行预配置的指数运算，以减少在同一个工作点序列内出现相同的两个工作点的概率，也使得工作点在所述机器人的墙面工作区域内自适应变化。优选地，变异概率是0.5，交叉概率是0.9。需要说明的是，每当对一个工作点序列进行交叉操作和变异操作而获得新的工作点序列后，若机器人判断到相应的适应度不满足所述预设规划条件，则循环执行交叉操作和变异操作，直至最新获得的工作点序列的适应度满足所述预设规划条件，也完善个体的丰富程度。

作为一种实施例，每当执行一次交叉操作和一次变异操作，则产生新的方向关系的工作点和/或新的距离关系的工作点，所述的新的方向关系的工作点和/或新的距离关系的工作点是相对于原来的工作点序列（更新之前的工作点序列）内存在的工作点而言的，所述方向关系和所述距离关系是相对于同一个原点而言的矢量位置关系。

然后，为了产生新的一个工作点序列，机器人需要执行以下步骤：

若当前产生的一个的工作点的参考距离大于原工作序列所包括的工作点当中最大的参考距离时，则将该工作点替换掉原工作序列内的参考距离最大的工作点，并将发生替换后的原工作序列更新为新的工作点序列；然后计算该新的工作点序列的适应度，并计数适应度大于第一预设适应度优化值的工作点序列；或计算该新的工作点序列内的工作点的适应度，并计数适应度大于第二预设适应度优化值的工作点序列。当计算出的工作点序列的适应度及计数值不满足所述预设规划条件时、或当计算出的工作点的适应度及计数值不满足所述预设规划条件时，继续循环进行交叉操作和变异操作，可以保留当前的适应度，进入下一次迭代。实现工作点序列自适应优化，形成较为完善的用于处理墙面的位置点的集合。

若当前产生的一个的工作点的参考距离小于或等于原工作序列所包括的工作点当中最大的参考距离时，直接将原工作序列更新为新的工作点序列。然后存在以下步骤：

在采用工作点序列的适应度进行所述预设规划条件的判断时，可以通过调整前述路径权重系数和前述转角权重系数，重新计算该新的工作点序列的适应度，并计数适应度大于第一预设适应度优化值的工作点序列；然后当计算出的工作点序列的适应度及计数值不满足所述预设规划条件时，继续循环进行交叉操作和变异操作，可以保留当前的适应度，进入下一次迭代。实现工作点序列自适应优化。形成较为环境适应性较强的用于处理墙面的位置点的集合。

在采用工作点的适应度进行所述预设规划条件的判断时，由于是原工作序列，可以不计算相关的适应度，此时随机调节所述变异概率和所述交叉概率，再继续循环进行交叉操作和变异操作，可以保留当前的适应度，进入下一次迭代。实现工作点序列自适应优化，形成较为简化的用于处理墙面的位置点的集合。

优选地，所述优化路径的连接起点在所述终止群体内是适应度最大的一个工作点，所述优化路径的连接终点在所述终止群体内是适应度最小的一个工作点。使得所述步骤S4中最终连接形成的最优路径的首尾端充分考虑所述遗传算法中的个体的适应度的变化趋势。

综上，本发明本发明在对墙面规整分布的工作点进行路径规划，利用遗传算法的进化的快速迭代性和墙面组成的工作点序列的多样性，在有限的阈值条件和有限的评价指标条件下加快达到局部区域内的最优工作点，进而连接成机器人在墙面工作区域内的工作路径，能够满足路径规划方法的环境适应性。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。这些程序可以存储于计算机可读取存储介质（比如ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质）中。该程序在执行时，执行包括上述各方法实施例的步骤。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.基于遗传算法的机器人墙面工作的路径规划方法，机器人包括驱动组件、真空吸附组件和用于处理墙面的作业组件，其特征在于，该路径规划方法包括以下步骤：

步骤1、控制机器人的真空吸附组件通过真空吸附的方式使机器人整体抓牢墙面，然后在控制驱动组件和作业组件停止运转的基础上，利用机器人自带的传感器组采集墙面环境信息，再将机器人的墙面工作区域划分为均匀分布的栅格；其中，每个栅格的中心设置工作点；

步骤2、沿工作起点和工作终点的连线方向等距离选取N个工作点，再在每个工作点的垂直线上都随机选取一个工作点，且前述选取的工作点都不在障碍物内；再将所选取的工作点配置为一个工作点序列，并将工作点序列设置为遗传算法的初始群体；其中，N是正整数；工作起点和工作终点都属于预先设置的工作点；

步骤3、对步骤2配置出的工作点序列进行交叉操作和变异操作，获得新的工作点序列，直至满足预设规划条件，并将最新获得的工作点序列设置为遗传算法的终止群体；

步骤4、按照工作点的参考距离由小到大的顺序，依次连接遗传算法的终止群体内包括的所有工作点，得到一条优化路径，再将该优化路径的连接起点连接所述工作起点，并将该优化路径的连接终点连接所述工作终点；其中，工作点的参考距离是该工作点与原点的距离，原点是预先设置的墙面位置点。

2.根据权利要求1所述路径规划方法，其特征在于，所述步骤2选取的工作点和所述步骤3产生的工作点中，机器人在每个工作点处的有效工作区域是以该工作点为圆心的、1.5倍的机身宽度为半径的圆形区域；

其中，在所述墙面工作区域内，除了所述步骤2选取的工作点处的有效工作区域和所述步骤3产生的工作点处的有效工作区域之外的区域是冗余区域，冗余区域是机器人内设的作业组件没有覆盖到的区域；机器人的作业组件还被配置为跟随驱动组件同步移动；

其中，机器人在所述步骤2选取的工作点处的有效工作区域和所述步骤3产生的工作点处的有效工作区域组成的区域内移动，但机器人不跨出所述墙面工作区域。

3.根据权利要求1所述路径规划方法，其特征在于，在所述步骤2中，在所述垂直线上以随机距离选取一个工作点，再将以随机距离选取的工作点标记为转向点；

其中，所述墙面工作区域内的障碍物是由障碍边界围成；

其中，机器人被配置为不允许跨越所述障碍边界。

4.根据权利要求3所述路径规划方法，其特征在于，所述墙面工作区域是由预设尺寸的单位栅格填充成的矩形区域，以便于标记到机器人即时构建的栅格地图上；工作起点和工作终点分居在该矩形区域的中心位置的两侧；

若所述墙面工作区域的横向边长大于其纵向边长，则工作起点和工作终点的连线的长度等于所述墙面工作区域的横向边长与一个单位栅格的边长的差值；

若所述墙面工作区域的纵向边长大于其横向边长，则工作起点和工作终点的连线的长度等于所述墙面工作区域的纵向边长与一个单位栅格的边长的差值。

5.根据权利要求4所述路径规划方法，其特征在于，在所述步骤3中，每当执行一次交叉操作和一次变异操作，则产生一个新的工作点序列，并保持计算新的工作点序列的适应度，再对适应度大于第一预设适应度优化值的工作点序列进行计数；

其中，所述预设规划条件是适应度大于第一预设适应度优化值的工作点序列的计数值达到第二预设阈值数量；第一预设适应度优化值设置为等于遗传算法规定的种群的最大适应度的四分之一；

其中，一个工作点序列的适应度的计算方式包括：

计算该工作点序列内的每个工作点与同一个原点的直线距离的倒数的累加和值与路径权重系数的乘积，获得第一加权项；

计算该工作点序列内的转向点的数目与转角权重系数的乘积，获得第二加权项；

计算第一加权项与第二加权项的和值，再将该和值设置为该工作点序列的适应度。

6.根据权利要求1所述路径规划方法，其特征在于，所述预设规划条件是存在第二预设阈值数量个工作点的适应度都大于第二预设适应度优化值；其中，第二预设适应度优化值设置为等于遗传算法规定的种群的最大适应度的三分之一；

其中，每个工作点与同一个原点的直线距离的倒数配置为该工作点的适应度，以描述机器人在直线导航任务中的满足程度。

7.根据权利要求5或6所述路径规划方法，其特征在于，所述交叉操作和所述变异操作都是遗传算法中，以设定的概率生成新的个体的操作，以减少在同一个工作点序列内出现相同的两个工作点的概率，也使得工作点在所述机器人的墙面工作区域内自适应变化。

8.根据权利要求1、5或6所述路径规划方法，其特征在于，每当执行一次交叉操作和一次变异操作，则产生新的方向关系的工作点和/或新的距离关系的工作点；

若当前产生的一个的工作点的参考距离大于原工作序列所包括的工作点当中最大的参考距离时，则将该工作点替换掉原工作序列内的参考距离最大的工作点，并将发生替换后的原工作序列更新为新的工作点序列；否则直接将原工作序列更新为新的工作点序列。

9.根据权利要求6所述路径规划方法，其特征在于，所述优化路径的连接起点在所述终止群体内是适应度最大的一个工作点，所述优化路径的连接终点在所述终止群体内是适应度最小的一个工作点。

Images