CN114967679B - 一种消防机器人路径自适应控制方法及系统 - Google Patents
一种消防机器人路径自适应控制方法及系统 Download PDFInfo
- Publication number
- CN114967679B CN114967679B CN202210454009.4A CN202210454009A CN114967679B CN 114967679 B CN114967679 B CN 114967679B CN 202210454009 A CN202210454009 A CN 202210454009A CN 114967679 B CN114967679 B CN 114967679B
- Authority
- CN
- China
- Prior art keywords
- ants
- path
- ant
- normal
- variant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000009471 action Effects 0.000 claims abstract description 110
- 241000257303 Hymenoptera Species 0.000 claims abstract description 109
- 239000003016 pheromone Substances 0.000 claims abstract description 78
- 238000012876 topography Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000001007 puffing effect Effects 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0219—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
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
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)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种消防机器人路径自适应控制方法及系统，涉及智能控制领域，按照用时最短的准则自动调整消防机器人的移动路径，使消防机器人具有最佳性能。包括：获取森林地形栅格灰度图，根据各子块的灰度值确定出自由栅格；根据自由栅格之间的距离以及蚁群算法的信息素构建蚁群算法中的最短行动路径，利用变异蚂蚁对正常蚂蚁行动路径进行优化并更新蚁群算法信息素；根据更新后的信息素对行动路径进行迭代，根据迭代结果确定出最优行动路径对消防机器人的自适应控制。本发明通过设置两种功能的蚂蚁改进蚁群算法，通过变异蚂蚁对正常蚂蚁的行动路径进行优化，使消防机器人能够在最快的时间内到达火情点完成灭火任务。
Description
技术领域
本申请涉及智能控制领域，具体涉及一种消防机器人路径自适应控制方法及系统。
背景技术
随着人工智能的发展，机器人对我们的生活也有了很大的帮助，现在机器人不仅在生活中能够起到很大的帮助，对于一些特殊的行业也能有很大的帮助，在消防作业中，消防机器人属于特种机器人范畴，消防机器人作为特种装备能够代替消防员进入危险环境中，利用蚁群算法能够在短时间内规划出一条从初始点到火情点的最短无碰撞路径，速度相比于消防员也能够更快一点。
路径规划是消防机器人自主导航研究中重要的组成部分，对于参与森林火灾救援的消防机器人，由于森林中复杂崎岖的地形，单纯构建正常蚂蚁行动路径不适合森林火灾救援的，有些路径消防机器人无法行走，需要结合地形获取一条用时短且安全性高的路径。
目前对消防机器人的路径规划多采用人工势场法或拓扑图法结合蚁群算法对消防机器人的路径进行规划，但是人工势场法在路径规划的过程中可能会存在消防机器人突然停止运作的情况，拓扑图法规划出的路径质量不高。
基于上述技术问题，本发明提出一种消防机器人路径自适应控制方法及系统，利用栅格地图法，结合蚁群算法对消防机器人的路径进行规划，并基于蚁群算法设置两种类型的蚂蚁对路径进行规划，以正常蚂蚁的路径为基础，采用变异蚂蚁对正常蚂蚁的路径进行优化，对消防机器人的路径进行规划，达到用时最快效率最高的行动路径。
发明内容
针对上述技术问题，本发明提供了一种消防机器人路径自适应控制方法及系统。
第一方面，本发明实施例提供了一种消防机器人路径自适应控制方法，包括：
S1：自由栅格获取：
获取森林地形图；
将森林地形图划分为多个子块，利用每一个子块中每个像素点的所记载的高度值构建每一个子块的灰度，获取森林地形栅格灰度图；
获取森林地形栅格灰度图中的自由栅格；
S2：蚁群算法更新：
S201：基于初始信息素的正常蚂蚁蚁群算法以及森林地形栅格灰度图中自由栅格之间的距离构建正常蚂蚁在行动时所有正常蚂蚁行动路径；
S202：基于变异蚂蚁蚁群算法及正常蚂蚁的每一条正常蚂蚁行动路径中相邻两个自由栅格之间的平坦度构建变异蚂蚁在所有正常蚂蚁行动路径中用时最少的优化行动路径；
S203：利用正常蚂蚁和变异蚂蚁经过每一个栅格的次数对森林地形栅格灰度图上每个自由栅格的信息素进行更新；
S204：根据更新后的信息素对正常蚂蚁蚁群算法和变异蚂蚁蚁群算法进行更新，获取更新后的优化行动路径；
S205：对步骤S201-S204进行迭代，根据每次迭代的优化行动路径确定出最优行动路径；
S3：将确定出的最优行动路径作为消防机器人的行动路径。
获取森林地形栅格灰度图的方法为：对得到的森林地形图进行划分得到多个子块，以划分的每一个子块为中心进行滑窗处理得到滑窗区域，所述滑窗区域包含子块区域，根据滑窗区域中每个像素点的高度值计算该滑窗区域对应的子块的灰度值得到森林地形栅格灰度图，计算该滑窗区域对应的子块的灰度值的公式为：
式中：h为子块的灰度值，k为高度转化灰度的转换系数，Z1为滑窗区域，所述滑窗区域的边长大于子块的边长，(x,y)为子块中像素点的位置坐标，g(x,y)为子块中像素点(x,y)在森林地形图上所记载的高度值，ρ(x,y)为子块中像素点(x,y)的权值；
式中ρ(x,y)的计算公式如下：
式中：S为子块的边长，Z2为子块区域。
利用正常蚂蚁和变异蚂蚁经过每一个自由栅格的次数对森林地形栅格灰度图上每个自由栅格的信息素进行更新的方法如下：
τij(u+1)＝(1-σ)τij(u)+Δτij
式中：u表示迭代次数，1-σ为信息素残留系数，τij(u+1)表示第(u+1)次迭代的信息素，τij(u)当前的信息素，即表示第u次迭代的信息素，Δτij表示，路径ij上信息素增量；
其中，路径ij上信息素增量Δτij的计算公式为：
式中：v为蚂蚁的序号，n为蚂蚁的数量，为第v只蚂蚁在本次迭代中留在路径ij上信息素量；
其中，蚂蚁在本次迭代中留在路径ij上信息素量的计算方法如下：
式中：Q表示蚂蚁完成一次完整路径释放信息素的总量，Lv表示蚂蚁v经过的路径，即蚂蚁v经过的子块数量；
信息素浓度的更新方法为：若某个自由栅格只属于正常蚂蚁的最优搜索路径，则根据正常蚂蚁更新该自由栅格中的信息素，若某个自由栅格只属于变异蚂蚁的最优搜索路径，则根据变异蚂蚁更新该自由栅格中的信息素，若某个自由栅格同时属于正常蚂蚁和变异蚂蚁的最优搜索路径，则根据正常蚂蚁和变异蚂蚁中留下的信息素大的浓度值对该自由栅格的信息素浓度进行更新。
基于变异蚂蚁蚁群算法及每一条正常蚂蚁行动路径中相邻两个自由栅格之间的平坦度构建变异蚂蚁在所有正常蚂蚁行动路径中用时最少的优化行动路径的过程如下：
构建正常蚂蚁的距离最短的正常蚂蚁行动路径，所述正常蚂蚁行动路径的计算方法如下：
式中：为正常蚂蚁n1目标点的行动概率，i表示当前点，j表示目标点，所述目标点为与当前点相邻的八邻域内某一像素点；用τij(t)表示在t时刻，当前点i到目标点j之间所包含的信息素浓度大小；/>表示在t时刻i和j之间距离dij的倒数，L(n1)表示正常蚂蚁n1还没有到达过的子块的集合；α为信息素因子；
根据正常蚂蚁的行动路径构建变异蚂蚁的优化行动路径，所述变异蚂蚁的优化行动路径计算方法如下：
式中：为变异蚂蚁n2目标点的行动概率，i表示当前点，j表示目标点，所述目标点为与当前点相邻的八邻域内某一像素点；用τij′(t)表示在t时刻，当前点i到目标点j之间所包含的信息素浓度大小；tj表示在t时刻表示j到火情点之间路径的最小平坦度，平坦度即为两个栅格之间的灰度差值，L(n2)表示变异蚂蚁n2还没有到达过的正常蚂蚁到达过的像素的集合；α为信息素因子。
确定出最优行动路径的方法为：
根据所有变异蚂蚁的行动路径得到所有的优化行动路径，选择所有优化行动路径中距离最短且用时最少的行动路径对蚁群算法的信息素更新，利用更新后的信息素对变异蚂蚁数量和优化行动路径进行更新，对优化行动路径的更新过程进行迭代，直至达到最大迭代次数时停止迭代，选择迭代过程中距离最短且用时最快的优化行动路径作为消防机器人的最优行动路径。
变异蚂蚁的数量的计算方法如下：
每次迭代过程中，正常蚂蚁和变异蚂蚁的数量也在不断变化，变异蚂蚁的数量计算公式为：n2＝n-n1，其中n为蚂蚁总数，n1为正常蚂蚁的数量，n2为变异蚂蚁的数量，正常蚂蚁的数量计算公式如下：
式中：z为迭代次数，n为正常蚂蚁和变异蚂蚁的总数，m为最大迭代次数。
将森林地形图划分为多个子块过程如下：
所述森林地形图包括森林图像中每个位置的坐标和高度，将得到的增量式地图简化为二维地图，即森林地形图，将森林地形图划分为S×S的矩形，每个矩形映射为一个子块，即得到森林地形图中的所有子块。
第二方面，本发明实施例提供了一种消防机器人路径自适应控制系统，包括：地形构建模块、栅格分割模块、路径规划模块和控制器：
地形构建模块：通过消防巡视无人机观测环境，获得森林的增量式地图，提取增量式地图中的信息得到二维地图，即森林地形图，对森林地形图中的高度值进行转换得到灰度值，获取森林地形灰度图；
栅格分割模块：对森林地形灰度图进行子块划分，根据划分的每一个子块获得森林地形栅格灰度图，根据森林地形栅格灰度图的灰度值对栅格进行分类，得到自由栅格，根据自由栅格进行路径规划；
路径规划模块：对蚁群算法进行优化，利用优化后的蚁群算法通过森林地形栅格灰度图中的自由栅格对路径进行规划，获取最优行动路径；
控制器：用于控制消防机器人根据得到的基于最快时间的最短距离最优行动路径到达火情点，完成灭火任务。
相比于现有技术，本发明实施例的有益效果在于：本发明提供一种消防机器人路径自适应控制方法及系统，该方法通过计算地形梯度获得森林地形栅格灰度图，设置两种功能的蚂蚁来获得改进蚁群算法，以正常蚂蚁的路径为基础，采用变异蚂蚁对正常蚂蚁的路径进行优化，按照预定的用时最短的准则自动调整消防机器人的移动路径，使消防机器人具有最佳性能的路径规划系统。所述路径规划系统不仅能够获取最优路径，同时保证较高的效率。
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作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例1提供的一种消防机器人路径自适应控制方法的方法流程图；
图2为本发明实施例2提供的一种消防机器人路径自适应控制方法的方法流程图；
图3为本发明实施例一种消防机器人路径自适应控制方法提供的子块及滑窗区域示意图；
图4为本发明实施例一种消防机器人路径自适应控制方法提供的森林地形栅格灰度图；
图5为本发明实施例一种消防机器人路径自适应控制方法提供的障碍物实际形状及膨化处理后形状示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例1
本发明实施例提供了一种消防机器人路径自适应控制方法，如图1所示，包括：
S101、获取森林地形灰度图
所述森林地形图包括森林环境地图中各像素点的位置及其高度。根据巡视无人机获取周围环境的增量式地图，对三维的增量式地图进行简化得到二维地图，即森林地形图，对森林地形图中的高度值进行转换得到森林地形灰度图，方便后续对图像数据的提取及处理。
S102、确定森林地形栅格灰度图中的自由栅格
由于消防机器人的运动特性，对于一些森林复杂崎岖的地形，消防机器人不仅需要躲避树木，还需要躲避无法翻越的坡度较大的土坡和沟壑，因此采用栅格法对消防机器人的工作环境进行建模，获得森林地形栅格灰度图。将栅格划分为自由栅格和障碍栅格，根据自由栅格对消防机器人的行动路径进行规划。
S103、对正常蚂蚁行动路径进行优化
将蚁群算法中的蚂蚁分为正常蚂蚁和变异蚂蚁，根据自由栅格对正常蚂蚁的路径进行规划得到初始路径，再利用变异蚂蚁对正常蚂蚁得到的初始路径进行优化，得到耗时更短的行动路径。
S104、确定出最优行动路径
对变异蚂蚁得到的路径进行迭代，每次迭代都对蚂蚁算法中的信息素进行更新，通过更新的信息素进行下一次迭代，通过预设的迭代次数对路径进行迭代，获取基于距离最短的用时最快的行动路径，即消防机器人的最优行动路径。
S105、对消防机器人进行自适应控制
根据优化的蚁群算法得到的最优行动路径对消防机器人进行自适应控制，通过规划的路径到达火情点完成灭火任务。
实施例2
本发明实施例提供了一种消防机器人路径自适应控制方法，如图2所示，具体内容包括：
S201、获取森林地形灰度图
所述森林地形图包括森林环境地图中各像素点的位置及其高度。根据巡视无人机获取周围环境的增量式地图，对三维的增量式地图进行简化得到二维地图，即森林地形图，对森林地形图中的高度值进行转换得到森林地形灰度图，方便后续对图像数据的提取及处理。
1.获取森林地形图
消防巡视无人机在执行日常的消防巡视过程中，通过温度传感器实现对森林中火灾的识别，同时在运动过程中的重复观测环境特征、定位自身位置和姿态，进而根据自身位置构建周围环境的增量式地图，所述的增量式地图是根据距离传感器和激光雷达传感器获得每个位置的坐标和高度。将实际环境的三维地图简化为的合理的二维地图，即森林地形图。
2.获取森林地形灰度图
对森林地形图划分为S×S的矩形，每个矩形映射为一个子块，每个子块的平均高度映射为每个子块的灰度值，获得森林地形灰度图。
以森林地形图的各子块为中心进行滑窗处理得到2S×2S的滑窗，如图3所示，根据滑窗区域中各像素点所记载的高度值对子块的灰度值进行计算，得到森林地形灰度图。
根据高度转化灰度的转化系数以及得到的滑窗区域对得到的森林地形图中每个子块的高度值进行转化得到森林地形灰度图，具体转化方法如下：
式中：h为转化后的子块的灰度值，k为高度转化灰度的转换系数，Z1为滑窗区域，(x,y)为滑窗区域中像素点的位置坐标，g(x,y)为滑窗区域中像素点在森林地形图上的高度值，ρ(x,y)为滑窗区域中像素点(x,y)的权值；
其中子块的权值的计算方法为：根据二维高斯模型来计算的，子块矩形内的位置的权值为1，其余位置的权值根据所述二维高斯模型来获得，具体计算公式如下：
式中：S为子块的边长，Z1为子块区域。
S202、获取森林地形栅格灰度图
由于消防机器人的运动特性，对于一些森林复杂崎岖的地形，消防机器人不仅需要躲避树木，还需要躲避无法翻越的坡度较大的土坡和沟壑，因此采用栅格法对消防机器人的工作环境进行建模，获得森林地形栅格灰度图。将栅格划分为自由栅格和障碍栅格，根据自由栅格对消防机器人的行动路径进行规划。
利用栅格法对消防工作机器人的工作环境进行建模，根据森林地形灰度图中的灰度值构建森林地形栅格灰度图，如图4所示。
S203、确定自由栅格
根据森林地形栅格灰度图的梯度值对栅格进行分类，将栅格划分为自由栅格和障碍栅格，根据自由栅格对消防机器人的行动路径进行规划。
根据森林地形梯度图，将每个子块映射为自由栅格和障碍栅格两种栅格，自由栅格为消防机器人能够到达的栅格，障碍栅格为树木，无法经过的沟壑或土坡，将梯度大于等于的栅格确定为障碍栅格，其中，k为高度转化灰度的转换系数，S为子块的边长，消防机器人在所述自由栅格中移动的时间根据灰度值确定。
对环境中的障碍物进行膨胀处理，即只要栅格中包含障碍物，则该栅格按照障碍物处理，如图5所示，表示障碍物实际形状与膨胀处理后形状。
S204、获取最短行动路径
为了研究的方便，对消防机器人及其工作环境做出以下几点假设：
1)将消防机器人视为一个栅格。
2)将树木、土坡和沟壑根据其实际大小视为多个栅格。
3)当前点、目标点以及环境中障碍物的信息已知。
4)消防机器人的功率相同，因此在不同的土坡和沟壑上移动的时间不同，在坡度为0的平缓处，速度最大，所用时间最少。
将蚁群算法中的蚂蚁分为正常蚂蚁和变异蚂蚁，根据自由栅格对正常蚂蚁的路径进行规划得到初始行动路径。
a)设置参数。蚁群算法中有最基本的6个参数：用n表示蚂蚁的总数；用Q表示蚂蚁一次循环释放信息素的总量；用m表示在运算过程中最大的迭代次数；用α表示信息素因子；用σ表示信息素挥发因子。
b)构建行动路径。在构建路径的过程中，将蚂蚁分为两类，第一类为正常蚂蚁，所述正常蚂蚁不考虑坡度对速度的影响，按照最大速度移动构建路径，通过正常蚂蚁，获取初始路径；第二类为变异蚂蚁，所述变异蚂蚁的速度受到坡度的影响，根据正常蚂蚁走过的初始路径规划用时最快的路径。
利用变异蚂蚁对正常蚂蚁的路径进行优化，首先构建正常蚂蚁的行动路径，正常蚂蚁的行动路径是基于最短距离进行构建的，正常蚂蚁行动路径的计算方法如下：
式中：为正常蚂蚁n1目标点的行动概率，i表示当前点，j表示目标点，所述目标点为与当前点相邻的八邻域内某一像素点；用τij(t)表示在t时刻，当前点i到目标点j之间所包含的信息素浓度大小；/>表示在t时刻i和j之间距离dij的倒数，L(n1)表示正常蚂蚁n1还没有到达过的子块的集合；α为信息素因子。
S205、对正常蚂蚁的行动路径进行优化
根据变异蚂蚁对正常蚂蚁的行动路径进行优化，得到变异蚂蚁的优化后的行动路径，根据变异蚂蚁的路径进行最优行动路径的确定。
根据正常蚂蚁的行动路径构建变异蚂蚁的行动路径，让变异蚂蚁走正常蚂蚁的行动路径，确定出正常蚂蚁行动路径中的最快路径，即正常蚂蚁的行动路径为距离正常蚂蚁行动路径，但基于正常蚂蚁的行动路径使变异蚂蚁得到最平坦也即耗时最短的优化行动路径，完成变异蚂蚁对正常蚂蚁路径的优化；
变异蚂蚁的行动路径计算方法如下：
式中：为变异蚂蚁n2目标点的行动概率，i表示当前点，j表示目标点；用τij′(t)表示在t时刻，当前点i到目标点j之间所包含的信息素浓度大小；tj表示在t时刻表示j到火情点之间路径的最小平坦度，平坦度即为两个栅格之间的灰度差值，L(n2)表示变异蚂蚁n2还没有到达过的正常蚂蚁到达过的像素的集合；α为信息素因子。
S206、确定最优行动路径
对变异蚂蚁得到的路径进行迭代，每次迭代都对蚁群算法中的信息素进行更新，通过更新的信息素进行下一次迭代，通过预设的迭代次数对路径进行迭代，获取基于最短距离的最快行动路径，即消防机器人的最优行动路径。
1.对蚁群算法中的信息素进行更新
蚂蚁释放的信息素具有随着时间挥发的特性。因此，在每一次迭代完成后，都要将蚂蚁所带来的相关信息和信息素浓度进行更新。
根据当前信息素对下一次迭代的信息素进行更新，更新方法如下：
τij(u+1)＝(1-σ)τij(u)+Δτij
式中：u表示迭代次数，1-σ为信息素残留系数，τij(u+1)表示第(u+1)次迭代的信息素，τij(u)当前的信息素，即表示第u次迭代的信息素，Δτij表示，路径ij上信息素增量；
其中，路径ij上信息素增量Δτij的计算公式为：
式中：v为蚂蚁的序号，n为蚂蚁的数量，为第v只蚂蚁在本次迭代中留在路径ij上信息素量；
其中，蚂蚁在本次迭代中留在路径ij上信息素量的计算方法如下：
式中：Q表示蚂蚁完成一次完整路径释放信息素的总量，Lv表示蚂蚁v经过的路径，即蚂蚁v经过的子块数量；
信息素浓度的更新方法为：若某个自由栅格只属于正常蚂蚁的最优搜索路径，则根据正常蚂蚁的行动路径更新该自由栅格中的信息素，若某个自由栅格只属于变异蚂蚁的最优搜索路径，则根据变异蚂蚁的行动路径更新该自由栅格中的信息素，若某个自由栅格同时属于正常蚂蚁和变异蚂蚁的最优搜索路径，则根据正常蚂蚁和变异蚂蚁在行动路径中留下的信息素浓度大的值更新该自由栅格中的信息素。
2.根据变异蚂蚁的行动路径确定最快行动路径
确定变异蚂蚁的数量的方法为：每次迭代过程中，正常蚂蚁和变异蚂蚁的数量也在不断变化，变异蚂蚁的数量计算公式为：n2＝n-n1，其中n为蚂蚁总数，n1为正常蚂蚁的数量，n2为变异蚂蚁的数量，正常蚂蚁的数量计算公式如下：
式中：z为迭代次数，m为最大迭代次数。
确定出变异蚂蚁的数量，根据变异蚂蚁的行动得到所有的行动路径，选择所有行动路径中最快行动路径，更新蚁群算法的信息素对变异蚂蚁和最快路径进行更新，将新的最快路径与上一次的最快路径进行对比，对最快路径的更新过程进行迭代，直至达到最大迭代次数时停止迭代，选择迭代过程中距离最短且用时最快的路径作为消防机器人的最优行动路径。
其中不断迭代的目的是为了防止算法早熟，过早的收敛于局部最优解而导致搜索的过早停滞，经过多次迭代，在多次迭代的过程中确定出全局最优解。
S207、对消防机器人进行自适应控制
根据优化的蚁群算法得到的最优行动路径对消防机器人进行自适应控制，通过规划的路径到达火情点完成灭火任务。
基于与上述方法相同的发明构思，本实施例还提供了一种消防机器人路径自适应控制系统，本实施例中一种消防机器人路径自适应控制系统包括地形构建模块、栅格分割模块、路径规划模块和控制器，所述地形构建模块、栅格分割模块、路径规划模块和控制器，以实现如一种消防机器人路径自适应控制方法的实施例中所描述的利用消防巡视无人机观测环境，获得森林的增量式地图，提取增量式地图中的信息得到二维地图，即森林地形图，对森林地形图中的像素值进行转换得到灰度值，获取森林地形灰度图；根据森林地形灰度图获取森林地形梯度图，根据森林地形梯度图获得森林地形栅格灰度图，根据栅格环境地形图对栅格进行分类，得到自由栅格，根据自由栅格进行路径规划；对蚁群算法进行优化，利用优化后的蚁群算法通过森林地形栅格灰度图中的自由栅格对路径进行规划，获取最快行动路径；控制消防机器人根据得到的最快行动路径进行行动，以最短时间到达火情点完成灭火任务。
由于一种消防机器人路径自适应控制方法实施例中已经对利用消防巡视无人机观测环境，获得森林的增量式地图，提取增量式地图中的信息得到二维地图，即森林地形图，对森林地形图中的高度值进行转换得到灰度值，获取森林地形灰度图；根据森林地形灰度图得到森林地形栅格灰度图，根据森林地形栅格灰度图对栅格进行分类，得到自由栅格，根据自由栅格进行路径规划；对蚁群算法进行优化，利用优化后的蚁群算法通过森林地形栅格灰度图中的自由栅格对路径进行规划，获取最优行动路径；控制消防机器人根据得到的最优行动路径进行行动，以最短时间到达火情点完成灭火任务的方法进行了说明，此处不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种消防机器人路径自适应控制方法，其特征在于，包括：
S1：自由栅格获取：
获取森林地形图；
将森林地形图划分为多个子块，利用每一个子块中每个像素点的所记载的高度值构建每一个子块的灰度，获取森林地形栅格灰度图；
获取森林地形栅格灰度图中的自由栅格；
S2：蚁群算法更新：
S2-1：基于初始信息素的正常蚂蚁蚁群算法以及森林地形栅格灰度图中自由栅格之间的距离构建正常蚂蚁在行动时所有正常蚂蚁行动路径；
S2-2：基于变异蚂蚁蚁群算法及正常蚂蚁的每一条正常蚂蚁行动路径中相邻两个自由栅格之间的平坦度构建变异蚂蚁在所有正常蚂蚁行动路径中用时最少的优化行动路径；
S2-3：利用正常蚂蚁和变异蚂蚁经过每一个栅格的次数对森林地形栅格灰度图上每个自由栅格的信息素进行更新；
S2-4：根据更新后的信息素对正常蚂蚁蚁群算法和变异蚂蚁蚁群算法进行更新，获取更新后的优化行动路径；
S2-5：对步骤S2-1至S2-4的步骤进行迭代，根据每次迭代的优化行动路径确定出最优行动路径；
S3：将确定出的最优行动路径作为消防机器人的行动路径；
所述利用正常蚂蚁和变异蚂蚁经过每一个自由栅格的次数对森林地形栅格灰度图上每个自由栅格的信息素进行更新的方法如下：
τij(u+1)＝(1-σ)τij(u)+Δτij
式中：u表示迭代次数，1-σ为信息素残留系数，τij(u+1)表示第(u+1)次迭代的信息素，τij(u)当前的信息素，即表示第u次迭代的信息素，Δτij表示，路径ij上信息素增量；
其中，路径ij上信息素增量Δτij的计算公式为：
式中：v为蚂蚁的序号，n为蚂蚁的数量，为第v只蚂蚁在本次迭代中留在路径ij上的信息素量；
其中，蚂蚁在本次迭代中留在路径ij上信息素量的计算方法如下：
式中：Q表示蚂蚁完成一次完整路径释放信息素的总量，Lv表示蚂蚁v经过的路径，即蚂蚁v经过的子块数量；
信息素浓度的更新方法为：若某个自由栅格只属于正常蚂蚁的最优搜索路径，则根据正常蚂蚁更新该自由栅格中的信息素，若某个自由栅格只属于变异蚂蚁的最优搜索路径，则根据变异蚂蚁更新该自由栅格中的信息素，若某个自由栅格同时属于正常蚂蚁和变异蚂蚁的最优搜索路径，则根据正常蚂蚁和变异蚂蚁中留下的信息素大的浓度值对该自由栅格的信息素浓度进行更新；
所述基于变异蚂蚁蚁群算法及每一条正常蚂蚁行动路径中相邻两个自由栅格之间的平坦度构建变异蚂蚁在所有正常蚂蚁行动路径中用时最少的优化行动路径的过程如下：
构建正常蚂蚁的距离最短的正常蚂蚁行动路径，所述正常蚂蚁行动路径的计算方法如下：
式中：为正常蚂蚁n1目标点的行动概率，i表示当前点，j表示目标点，所述目标点为与当前点相邻的八邻域内某一像素点；用τij(t)表示在t时刻，当前点i到目标点j之间所包含的信息素浓度大小；/>表示在t时刻i和j之间距离dij的倒数，L(n1)表示正常蚂蚁n1还没有到达过的子块的集合；α为信息素因子；
根据正常蚂蚁的行动路径构建变异蚂蚁的优化行动路径，所述变异蚂蚁的优化行动路径计算方法如下：
式中：为变异蚂蚁n2目标点的行动概率，i表示当前点，j表示目标点，所述目标点为与当前点相邻的八邻域内某一像素点；用τij′(t)表示在t时刻，当前点i到目标点j之间所包含的信息素浓度大小；tj表示在t时刻表示j到火情点之间路径的最小平坦度，平坦度即为两个栅格之间的灰度差值，L(n2)表示变异蚂蚁n2还没有到达过的正常蚂蚁到达过的像素的集合；α为信息素因子。
2.根据权利要求1所述的一种消防机器人路径自适应控制方法，其特征在于，所述获取森林地形栅格灰度图的方法为：对得到的森林地形图进行划分得到多个子块，以划分的每一个子块为中心进行滑窗处理得到滑窗区域，根据滑窗区域中每个像素点的高度值计算该滑窗区域对应的子块的灰度值得到森林地形栅格灰度图，各子块灰度值的计算公式如下：
式中：h为子块的灰度值，k为高度转化灰度的转换系数，Z1为滑窗区域，所述滑窗区域包含子块区域，即滑窗区域的边长大于子块的边长，(x，y)为子块中像素点的位置坐标，g(x，y)为子块中像素点(x，y)在森林地形图上所记载的高度值，ρ(x，y)为子块中像素点(x，y)的权值；
式中ρ(x，y)的计算公式如下：
式中：S为子块的边长，Z2为子块区域。
3.根据权利要求1所述的一种消防机器人路径自适应控制方法，其特征在于，所述确定出最优行动路径的方法为：
根据所有变异蚂蚁的行动路径得到所有的优化行动路径，选择所有优化行动路径中距离最短且用时最少的行动路径对蚁群算法的信息素更新，利用更新后的信息素对变异蚂蚁数量和优化行动路径进行更新，对优化行动路径的更新过程进行迭代，直至达到最大迭代次数时停止迭代，选择迭代过程中距离最短且用时最快的优化行动路径作为消防机器人的最优行动路径。
4.根据权利要求3所述的一种消防机器人路径自适应控制方法，其特征在于，所述变异蚂蚁的数量的计算方法如下：
每次迭代过程中，正常蚂蚁和变异蚂蚁的数量也在不断变化，变异蚂蚁的数量计算公式为：n2＝n-n1，其中n为蚂蚁总数，n1为正常蚂蚁的数量，n2为变异蚂蚁的数量，正常蚂蚁的数量计算公式如下：
式中：z为迭代次数，n为正常蚂蚁和变异蚂蚁的总数，m为最大迭代次数。
5.根据权利要求1所述的一种消防机器人路径自适应控制方法，其特征在于，所述将森林地形图划分为多个子块过程如下：
所述森林地形图包括森林图像中每个位置的坐标和高度，将得到的增量式地图简化为二维地图，即森林地形图，将森林地形图划分为S×S的矩形，每个矩形映射为一个子块，即得到森林地形图中的所有子块。
6.一种消防机器人路径自适应控制系统，其特征在于，所述系统用于实现权利要求1-5中任一项所述的一种消防机器人路径自适应控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454009.4A CN114967679B (zh) | 2022-04-24 | 2022-04-24 | 一种消防机器人路径自适应控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454009.4A CN114967679B (zh) | 2022-04-24 | 2022-04-24 | 一种消防机器人路径自适应控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114967679A CN114967679A (zh) | 2022-08-30 |
| CN114967679B true CN114967679B (zh) | 2024-03-22 |
Family
ID=82979029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210454009.4A Active CN114967679B (zh) | 2022-04-24 | 2022-04-24 | 一种消防机器人路径自适应控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114967679B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
| CN105387875A (zh) * | 2015-12-24 | 2016-03-09 | 安徽工程大学 | 基于蚁群算法的移动机器人路径规划方法的一种改进 |
| CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
| CN206768336U (zh) * | 2017-05-19 | 2017-12-19 | 南通倍佳机械科技有限公司 | 圆织机张力控制自停装置 |
| CN108241375A (zh) * | 2018-02-05 | 2018-07-03 | 景德镇陶瓷大学 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
| CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人（合肥）国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
| CN112161627A (zh) * | 2020-09-23 | 2021-01-01 | 同济大学 | 一种消防机器人智能路径规划方法 |
| CN114355913A (zh) * | 2021-12-27 | 2022-04-15 | 浙江工业大学 | 基于时空自适应双向蚁群算法的移动机器人路径规划方法 |
-
2022
- 2022-04-24 CN CN202210454009.4A patent/CN114967679B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
| CN105387875A (zh) * | 2015-12-24 | 2016-03-09 | 安徽工程大学 | 基于蚁群算法的移动机器人路径规划方法的一种改进 |
| CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
| CN206768336U (zh) * | 2017-05-19 | 2017-12-19 | 南通倍佳机械科技有限公司 | 圆织机张力控制自停装置 |
| CN108241375A (zh) * | 2018-02-05 | 2018-07-03 | 景德镇陶瓷大学 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
| CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人（合肥）国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
| CN112161627A (zh) * | 2020-09-23 | 2021-01-01 | 同济大学 | 一种消防机器人智能路径规划方法 |
| CN114355913A (zh) * | 2021-12-27 | 2022-04-15 | 浙江工业大学 | 基于时空自适应双向蚁群算法的移动机器人路径规划方法 |
Non-Patent Citations (4)
| Title |
|---|
| An efficient multi-objective ant colony optimization for task allocation of heterogeneous unmanned aerial vehicles;Lizhi Chen, Wei-Li Liu, Jinghui Zhong;Journal of Computational Science;第58卷;1-10 * |
| 基于信息融合蚁群算法的机器人路径规划;孙兆阳，邓晓刚;工业控制计算机;第30卷(第6期);26-31 * |
| 基于多蚁群协同搜索算法的多AUV路径规划;岳伟, 席云, 关显赫;水下无人系统学报;第28卷(第5期);505-511 * |
| 自适应蚁群算法的移动机器人路径规划;封声飞，等;计算机工程与应用;第55卷(第17期);35-43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114967679A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Leung et al. | Active SLAM using model predictive control and attractor based exploration | |
| Frey et al. | Locomotion policy guided traversability learning using volumetric representations of complex environments | |
| US8706298B2 (en) | Temporal tracking robot control system | |
| CN112000131B (zh) | 基于人工势场法的无人机集群路径规划方法及系统 | |
| Sadat et al. | Fractal trajectories for online non-uniform aerial coverage | |
| CN110737968B (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
| CN108897312A (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
| CN113050116B (zh) | 机器人定位方法、装置、机器人和可读存储介质 | |
| CN111784079A (zh) | 一种基于人工势场和蚁群算法的无人机路径规划方法 | |
| CN110989352A (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
| Saulnier et al. | Information theoretic active exploration in signed distance fields | |
| CN106056643A (zh) | 一种基于点云的室内动态场景slam方法及系统 | |
| KR20160048530A (ko) | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 | |
| CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
| CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
| Zanol et al. | Drone mapping through multi-agent reinforcement learning | |
| CN112415997A (zh) | 一种用于多机器人协作的路径规划方法及系统 | |
| CN116301014A (zh) | 一种无人直升机贴地飞行轨迹优化方法 | |
| Prokop et al. | Neuro-heuristic pallet detection for automated guided vehicle navigation | |
| Li et al. | Path planning of mobile robot based on improved td3 algorithm | |
| CN114967679B (zh) | 一种消防机器人路径自适应控制方法及系统 | |
| Jacinto et al. | Navigation of autonomous vehicles using reinforcement learning with generalized advantage estimation | |
| CN115145280A (zh) | 一种基于装配过程的零件搬运路径规划方法及系统 | |
| Patil et al. | Graph-based Simultaneous Coverage and Exploration Planning for Fast Multi-robot Search | |
| CN110989602A (zh) | 医学病理检验实验室内自主引导车路径规划方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240223 Address after: 065200 West of Zhaotuzhuang Village, Jiyang Town, Sanhe City, Langfang City, Hebei Province Applicant after: Hebei Hangruixinke Precision Machinery Co.,Ltd. Country or region after: China Address before: 226200 17 Yuelong East Road, Qidong science and Technology Pioneer Park, Nantong City, Jiangsu Province Applicant before: NANTONG BECA MACHINERY TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |