CN115145284A - 一种爆破环境下验孔机器人路径规划方法 - Google Patents
一种爆破环境下验孔机器人路径规划方法 Download PDFInfo
- Publication number
- CN115145284A CN115145284A CN202210897919.XA CN202210897919A CN115145284A CN 115145284 A CN115145284 A CN 115145284A CN 202210897919 A CN202210897919 A CN 202210897919A CN 115145284 A CN115145284 A CN 115145284A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- point
- list
- hole
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 70
- 238000005422 blasting Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000005553 drilling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G05D1/0231—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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
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)
- Manipulator (AREA)
Abstract
本发明公开了一种爆破环境下验孔机器人路径规划方法，包括：(1)建立爆破区域二维环境栅格地图；(2)确定起点以及所有炮孔位姿点，根据设定的炮孔排序规则确定炮孔检验的顺序；(3)采用改进A*搜索算法自起点按炮孔检验的顺序对相邻炮孔间路径逐步搜索，获取若干相邻炮孔之间巡航路径以及该段巡航路径的转向信息表，拼接得到全局巡航初始路径；(4)对全局巡航初始路径进行拐点判别，提取所有拐点信息至拐点列表中，将全局巡航初始路径的起点与终点加入拐点列表中的首末位置；根据拐点分布类型与预节点优化流程去除多余拐点更新局部路径，获得全局巡航路径。本发明能够实现在多炮孔之间快速规划出一条拐点少、路径长度优、平滑度好的路径。
Description
技术领域
本发明涉及机器人路径规划的技术领域，具体是一种爆破环境下验孔机器人路径规划方法。
背景技术
随着安全生产标准化工作持续深入开展及行业管理部门对钻孔爆破作业安全工作要求的不断提高，对露天矿钻孔、爆破、验收等进行全流程实时管理已是一项十分迫切的现实要求和任务。实际进行作业时，钻孔后不是马上装药，因为钻粉滑入等因素可能会引起炮孔深度变化，因此装药前需要对炮孔深度进行测量，也就是验孔工作。而以往的验孔工作大多采用人工验孔，爆区钻孔结束,爆破专业人员对照布孔图进行成孔检测,要逐一进行清孔和验孔,记录孔深、孔距、排距和倾角,上述爆破参数与钻孔设计若有变化,需进行适当废孔补钻、计算单孔装药量和装药品种、堵孔处理等一系列工作。
由于爆破对炮孔的质量有着严格的要求，所以传统人工验孔不仅要求验孔人员具备专业的爆破验孔专业知识和丰富的实际操作经验，以能够应对多种不确定的突发状况。在这种条件下的人工验孔下逐渐暴露出明显弊端，如炮孔数据误差大、工作环境恶劣、验孔步骤繁多工作量大，从而影响钻孔爆破作业的安全和质量。因此采用自动验孔机器人基于无人驾驶的方式进行自动巡航，采用自主导航、图像识别、多传感器融合技术等技术进行验孔并高效地提供精确数据，而实现替代人工验孔。自动验孔过程中要求验孔机器人携带检测装置在爆破场地内行进时要保持稳定的运动速度以及规律的运动轨迹，所以对各个炮孔间的路径规划是验孔之前的必要环节，依据环境信息快速规划出前往各个炮孔的安全可行的路径，是验孔机器人的核心技术之一和重要研究问题。
目前，在自主移动机器人上应用性较广、寻得路径效率较高的路径规划算法为A*搜索算法，能够在保证找到目标点的前提下给出全局可行路径。而传统A*算法应用时仍存在改进空间，如拓展无效空间大，搜索时间长，路径拐点多等，国内外学者也对此进行了许多改进研究，如卫珊等对A*算法中的启发函数的估计代价进行改进,减少了搜寻节点的数目,但最终路径的转向节点数目仍过多；KE Da等人提出一种变步长的A*算法，找到一条步数更少的路径，但存在转折点多、紧贴障碍物进行转弯、易发生碰撞等问题；孔继利等采用双向搜索机制对A*算法进行改进,通过从起点和目标点的交替搜索减少了搜索节点的数量,但在较大环境中提升效果差且转向次数未进行优化。
综上所述，虽然目前学者对A*算法做了很多研究，但在验孔机器人在特定的爆破环境下巡航路径规划的应用中仍存在无效拓展点多、路径不必要拐点冗余、路径不够平滑等问题，导致寻路时长增加和路径可行度不佳。
发明内容
发明目的：针对以上缺点，本发明提供一种爆破环境下验孔机器人路径规划方法，使得验孔机器人在钻孔爆破前实现在多炮孔之间快速规划出一条拐点少、路径长度优、平滑度好的路径，从而便于验孔机器人上进行精确验孔，增加了爆破环境下炮孔检验的安全性和可靠性，提高炮孔检验的工作效率。
技术方案：为解决上述问题，本发明提供一种爆破环境下验孔机器人路径规划方法，具体包括以下步骤；
(1)对验孔机器人工作环境进行扫描建模，建立爆破区域二维环境栅格地图；
(2)确定验孔机器人在爆破区域二维环境栅格地图的起点以及所有炮孔位姿点，根据设定的炮孔排序规则确定炮孔检验的顺序；
(3)采用改进A*搜索算法自爆破区域二维环境栅格地图的起点按炮孔检验的顺序对相邻炮孔间路径逐步搜索，获取若干相邻炮孔之间巡航路径以及该段巡航路径中所有节点对应的转向信息表；将相邻炮孔之间的巡航路径进行拼接得到全局巡航初始路径；
(4)依据每段巡航路径的转向信息表对全局巡航初始路径进行拐点判别，按全局巡航初始路径节点的前后顺序依次提取拐点信息至拐点列表中，将全局巡航初始路径的起点与终点加至拐点列表中的首末位置；根据拐点分布类型对拐点列表中每相邻的三个元素顺序进行分布类型的判断，通过判断的分布类型计算预节点索引值从而获取预节点位置；判别预节点处是否为障碍物，若预节点处无障碍且预节点所在路径节点均无障碍，则采用该预节点替换原三个元素中的中心元素完成拐点优化；否则，则保持原元素不变；对优化后的所有拐点进行路径拐点回溯处理，更新获得全局巡航路径；所述预节点所在路径为预节点与原三个元素中非中心元素之间的路径。
进一步的，所述拐点分布类型为：
式中，p1、p2、p3分别为拐点的每个判别周期中三个相邻元素坐标对应的索引值，n0为环境栅格地图中纵轴方向上一列的栅格个数；标号①-⑧分别对应一种拐点分布类型；
所述预节点索引值的计算公式为：
p*＝p3-(p2-p1)
式中，p*为预节点对应的索引值。
进一步的，还包括步骤：
(5)采用Bezier曲线对更新后的全局巡航路径进行路径轨迹平滑优化，获取优化后的验孔机器人全局巡航路径；所述的Bezier曲线公式为：
式中，j表示曲线的阶数，Pi表示曲线中的控制点，t表示曲线的控制参数；
进一步的，所述步骤(3)中采用改进A*搜索算法自爆破区域二维环境栅格地图的起点按炮孔检验顺序对相邻炮孔间路径逐步搜索的具体包括：
(3.1)创建开放列表和关闭列表，将验孔机器人于爆破区域二维环境栅格地图的起点加入开放列表；
(3.2)自该起点进行邻近节点拓展，拓展的新节点继续放入开放列表；
(3.3)根据代价函数公式和曼哈顿距离计算方法计算拓展的新节点的代价，将代价最小的拓展点提出开放列表并放入关闭列表；所述的节点拓展的代价函数F(n)为：
F(n)＝G(n)+H(n)
G(n)＝G(n-1)+m
H(n)＝m×w(n)×(|goalposx-nx|+|goalposy-ny|)
式中，G(n)为起始节点距离当前节点n的实际代价，H(n)为当前节点n距离目标炮孔节点的估计代价；G(n-1)表示节点n的父节点与起始点之间的实际代价；m表示栅格间距设定值；w(n)表示为估价权重；goalposx表示目标炮孔节点的横坐标、goalposy表示目标炮孔节点的纵坐标；nx表示节点n的横坐标，ny表示节点n的纵坐标；
(3.4)判断开放列表中是否包含目标炮孔位姿节点，若包含目标炮孔位姿节点则将该节点加入关闭列表进行初始路径回溯找到巡航路径，否则继续选取开放列表中代价最小的拓展点进行新节点扩展，直至开放列表中包含目标炮孔位姿节点；所述的目标炮孔位姿节点是指与起点相邻的炮孔位姿节点；
(3.5)根据炮孔检验顺序依次将当前已经寻得的目标炮孔位姿节点作为起点，炮孔检验顺序中对应的下一个炮孔节点作为目标炮孔位姿节点，重复步骤(3.2)至步骤(3.4)，直至寻找到炮孔检验顺序中最后两个炮孔间的巡航路径。
进一步的，所述步骤(3.2)中邻近节点拓展采用四方向节点拓展方式，即向当前拓展节点的上下左右四个方向进行拓展。
进一步的，所述步骤(3.3)中采用占据节点标记的方式进行代价计算；具体的：创建代价列表，进行邻近节点拓展之前，将代价列表均标记为占据状态，表示四个相邻方向的拓展节点位置均为占据状态；若当前任一拓展点存在障碍为不可行点，则代价列表的对应位置保持初始标记状态，不进入后续代价计算；若当前拓展点为可行点，将实际计算代价取代初始代价列表标记状态，同时选取开放列表中的最小代价的节点放入关闭列表时不考虑开放列表中被保持初始标记状态的节点。
进一步的，步骤(2)中所述的炮孔排序规则依据炮孔所在爆破区域二维环境栅格地图中的横纵坐标值大小降序或者升序进行设定。
此外，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述方法的步骤。
有益效果：本发明所述一种爆破环境下验孔机器人路径规划方法相对于现有技术，其显著优点是：1、采用改进的A*算法从起始位姿点按一定顺序对炮孔间路径逐步搜索，引入估价权重并考虑地图栅格间距值设定，提升寻路效率，当遍历完地图中所有的炮孔节点后，对各个炮孔间的路径进行拼接；通过分布类型和预节点优化流程对路径进行拐点回溯处理进一步削减冗余拐点，在保证路径长度优的前提下减少拐弯次数；2、考虑到运动过程的连续性加入路径轨迹平滑，再采用拐点回溯处理的方法更新完局部路径后融合Bezier曲线进行平滑处理，最终得到全局炮孔巡检路径。
附图说明
图1所示为本发明所述方法的流程图；
图2所示为本发明所述SLAM建图算法生成的爆破环境地图；
图3所示为本发明的炮孔排序示意图；
图4所示为拐点分布类型示意图；
图5所示为实施例中不同算法实验结果对比图；
图6所示为实施例中经过拐点优化和平滑后路径对比图；
图7所示为进行预节点优化的示意图；
图8所示为栅格索引排列示意图。
具体实施方式
下面结合附图对本发明的技术方案进一步说明。
如图1所示，本发明采用一种爆破环境下验孔机器人路径规划方法，具体包括以下步骤；
步骤一、对验孔机器人工作环境进行扫描建模，建立爆破区域二维环境栅格地图。
具体的，采用激光雷达传感器对验孔机器人工作环境进行建模，结合基于SLAM技术的激光建图算法Gmapping在爆破区域建立完整的精度较高的二维环境栅格地图，生成的环境栅格地图为pgm格式。如图2所示，栅格地图的状态包括黑色占据状态、白色空闲状态、灰色未知状态，所建立的环境栅格地图中炮孔所在区域和障碍物区域均为黑色占据状态。
步骤二、如图3所示，确定验孔机器人在爆破区域二维环境栅格地图的起点以及所有炮孔位姿点，根据炮孔排序规则确定炮孔检验的顺序。
根据炮孔位置进行路径规划时对孔排序规则如下：1、x轴坐标降序或升序；2、y轴坐标降序或升序；3、x+y的和降序或升序；4、得到“Z”连线；5、相邻2个孔距离最小；6、相邻2个孔距离过大时表示需要改变方向，调整路径。
步骤三、采用改进A*搜索算法自爆破区域二维环境栅格地图的起点按炮孔检验的顺序对相邻炮孔间路径逐步搜索。具体的，
(1)创建开放列表和关闭列表，将验孔机器人于爆破区域二维环境栅格地图的起点加入开放列表；
(2)自该起点进行邻近节点拓展，拓展的新节点继续放入开放列表。当开放列表为空表示无法进行下一个炮孔的巡航路径规划，若开放列表不为空进入下一步。
所述邻近节点拓展方式采用四方向节点拓展方式，向当前拓展节点的上下左右四个方向进行拓展；
(3)根据代价函数公式和曼哈顿距离计算方法计算拓展的新节点的代价，将代价最小的拓展点提出开放列表并放入关闭列表；所述的节点拓展的代价函数F(n)为：
F(n)＝G(n)+H(n)
G(n)＝G(n-1)+m
H(n)＝m×w(n)×(|goalposx-nx|+|goalposy-ny|)
式中，G(n)为起始节点距离当前节点n的实际代价，H(n)为当前节点n距离目标炮孔节点的估计代价；G(n-1)表示节点n的父节点与起始点之间的实际代价；m表示栅格间距设定值；w(n)表示为估价权重；goalposx表示目标炮孔节点的横坐标、goalposy表示目标炮孔节点的纵坐标；nx表示节点n的横坐标，ny表示节点n的纵坐标；
其中，邻近子节点四方向拓展过程中，采用占据节点标记的方式来替代原A*算法中占据节点的拓展；具体的，创建代价列表，进行邻近节点拓展之前，将代价列表均标记为占据状态，表示四个相邻方向的拓展节点位置均为占据状态。若当前任一拓展的新节点存在障碍为不可行点，则代价列表的对应位置保持初始标记状态，不进入后续代价计算；若当前拓展点为可行点，存入其父节点实际计算代价取代初始代价列表标记状态，同时选取开放列表中的最小代价的节点放入关闭列表时不考虑开放列表中被保持初始标记状态的节点。
(4)判断开放列表中是否包含目标炮孔位姿节点，该目标炮孔位姿节点是指与起点相邻的炮孔位姿节点；若包含目标炮孔位姿节点则将该节点加入关闭列表进行初始路径回溯找到巡航路径，否则继续选取开放列表中代价最小的拓展点进行新节点扩展，直至开放列表中包含目标炮孔位姿节点；
(5)根据炮孔检验顺序依次将当前已经寻得的目标炮孔位姿节点作为新的起点，炮孔检验顺序中该新的起点对应的下一个炮孔节点作为新的目标炮孔位姿节点，重复步骤(2)至步骤(3)，直至寻找到炮孔检验顺序中最后两个炮孔间的巡航路径。
根据上述搜索的结果得到若干段相邻炮孔之间的巡航路径，将相邻炮孔之间的巡航路径进行拼接得到全局巡航初始路径。
步骤四、对全局巡航初始路径进行拐点判别，并提取所有拐点信息至拐点列表中，根据拐点分布类型以及预节点优化流程对拐点列表中拐点进行拐点优化；拐点优化后并对拐点所在局部路径进行更新，最终更新全局巡航路径。具体的：
(1)在使用改进的A*算法进行寻找炮孔位姿节点的过程中，会对拓展的节点赋予转向信息，故全局巡航初始路径中的所有节点均有对应的路径转向信息列表。遍历初始路径节点列表进行路径拐点判别，即通过对路径点前后的转向信息进行判断，从而得到该点是否为拐点，最终按全局巡航初始路径中所有节点的前后顺序依次把所有拐点存到拐点列表中；
(2)把起始点和任务点加入初始拐点列表中的首末位置，选择拐点列表依次选择相邻的三个元素放入判别列表中，根据拐点分布类型对三个拐点进行分布类型的判断；所述的拐点分布类型共有八种，分别为：
式中，p1、p2、p3分别为拐点的每个判别周期中三个相邻拐点坐标对应的索引值，n0为环境栅格地图中纵轴方向上一列的栅格个数；
如图4所示，上述公式中的①-④分别对应图4中的图4(a)、图4(b)、图4(c)、图4(d)；公式中的①-④分别对图4(a)、图4(b)、图4(c)、图4(d)中路径行进方向全部取反。
(3)预节点优化流程：
进行预节点优化前，需要首先说明栅格索引值，针对栅格地图中的索引值计算如图8所示，一个尺寸为n*n的未知状态栅格地图，其原点坐标为O(0,0)，每个栅格的单位长度均为1，其中的数字表示栅格左下角坐标所对应在地图的中索引值。若n为10，某栅格左下角坐标为S(x,y)，则对应栅格索引值的计算公式为：
Index＝x*n+y+1
(3.1)通过判断的分布类型的结果计算预节点索引值；以分布类型①为例，若当前判断的拐点列表中相邻的三个元素的分布类型属于分布类型①；如图7所示，通过三个相邻拐点坐标对应的索引值计算预节点的索引值，所述的预节点为期望拓展的节点。公式为：
p*＝p3-(p2-p1)
式中，p*为预节点对应的索引值。
(3.2)通过计算获得预节点索引值p*获取当前对应的预节点所处的位置；判断该预节点处是否存在障碍，若无障碍，则继续判断该预节点与p3、p1对应拐点之间的路径中是否存在障碍，若没有障碍则表明该路径可行；则选用该预节点替代原拐点p2从而减少一些路径中的非必要拐点；若预节点存在障碍或者预节点所在的路径存在障碍，则保持原拐点不变。
(3.3)对优化后的所有拐点进行路径拐点回溯处理，更新获得全局巡航路径。
步骤五、拐点优化处理后更新的全局巡航路径融合Bezier曲线进行路径轨迹平滑优化，得到最终验孔机器人的巡航路径，其中Bezier曲线一般参数公式可表达为：
式中，j表示曲线的阶数，Pi表示曲线中的控制点，t表示曲线的控制参数；
具体的，本发明对改进A*算法进行仿真结果与分析，以测试复杂多障碍物环境下的有效性。仿真实验环境为Matlab R2018b。在两个20x20大小的复杂场景地图下设定起点和终点，障碍物比例为30％，间距设定值m均取10，引入估价权重的算法中对应估价权重w(n)均取3；分别在以上实验环境下对A*算法、加入转弯优化后的改进算法(传统改进A*算法)和本发明的改进算法进行实验验证，实验数据进行分析并比较如下表1所示；
表1实验结果分析表
结合实验图表可以看出，如图5所示的复杂环境情况下，首先，图5(b)所示加入转弯优化后的传统改进算法拐点优化未能实现；其次，图5(a)、图5(b)、图5(c)的分别对应的A*算法、传统改进A*算法、本文改进算法，进行路径规划的寻路时长、拐点个数、拓展点数方面本发明具有明显优势，在较优路径基础上能够进一步减少路径复杂度，最终路径更具备可行性。此外，起始点与目标点路径之间的路径平滑效果如图6所示，采用本发明所述方法应用于爆破环境验孔机器人在各个炮孔之间的路径搜索，最终可得到验孔机器人巡航到每个炮孔的平稳且复杂度低的可行路径。
Claims (9)
1.一种爆破环境下验孔机器人路径规划方法，其特征在于，包括以下步骤；
(1)对验孔机器人工作环境进行扫描建模，建立爆破区域二维环境栅格地图；
(2)确定验孔机器人在爆破区域二维环境栅格地图的起点以及所有炮孔位姿点，根据设定的炮孔排序规则确定炮孔检验的顺序；
(3)采用改进A*搜索算法自爆破区域二维环境栅格地图的起点按炮孔检验的顺序对相邻炮孔间路径逐步搜索，获取若干相邻炮孔之间巡航路径以及该段巡航路径中所有节点对应的转向信息表；将相邻炮孔之间的巡航路径进行拼接得到全局巡航初始路径；
(4)依据每段巡航路径的转向信息表对全局巡航初始路径进行拐点判别，按全局巡航初始路径节点的前后顺序依次提取拐点信息至拐点列表中，将全局巡航初始路径的起点与终点加至拐点列表中的首末位置；根据拐点分布类型对拐点列表中每相邻的三个元素顺序进行分布类型的判断，通过判断的分布类型计算预节点索引值从而获取预节点位置；判别预节点处是否有障碍物，若预节点处无障碍且预节点所在路径节点均无障碍，则采用该预节点替换原三个元素中的中心元素完成拐点优化；否则，则保持原元素不变；对优化后的所有拐点进行路径拐点回溯处理，更新获得全局巡航路径；所述预节点所在路径为预节点与原三个元素中非中心元素之间的路径。
2.根据权利要求1所述的爆破环境下验孔机器人路径规划方法，其特征在于，步骤(4)中所述拐点分布类型公式为：
式中，p1、p2、p3分别为拐点的每个判别周期中三个相邻元素坐标对应的索引值，n0为环境栅格地图中纵轴方向上一列的栅格个数；标号①-⑧分别对应一种拐点分布类型；
所述预节点索引值的计算公式为：
p*＝p3-(p2-p1)
式中，p*为预节点对应的索引值。
3.根据权利要求1所述的爆破环境下验孔机器人路径规划方法，其特征在于，还包括步骤：
(5)采用Bezier曲线对更新后的全局巡航路径进行路径轨迹平滑优化，获取优化后的验孔机器人全局巡航路径；所述的Bezier曲线公式为：
式中，j表示曲线的阶数，Pi表示曲线中的控制点，t表示曲线的控制参数；
4.根据权利要求1所述的爆破环境下验孔机器人路径规划方法，其特征在于，所述步骤(3)中采用改进A*搜索算法自爆破区域二维环境栅格地图的起点按炮孔检验顺序对相邻炮孔间路径逐步搜索的具体包括：
(3.1)创建开放列表和关闭列表，将验孔机器人于爆破区域二维环境栅格地图的起点加入开放列表；
(3.2)自起点进行邻近节点拓展，拓展的新节点继续放入开放列表；
(3.3)根据代价函数公式和曼哈顿距离计算方法计算拓展的新节点的代价，将代价最小的拓展点提出开放列表并放入关闭列表；所述的节点拓展的代价函数F(n)为：
F(n)＝G(n)+H(n)
G(n)＝G(n-1)+m
H(n)＝m×w(n)×(|goalposx-nx|+|goalposy-ny|)
式中，G(n)为起始节点距离当前节点n的实际代价，H(n)为当前节点n距离目标炮孔节点的估计代价；G(n-1)表示节点n的父节点与起始点之间的实际代价；m表示栅格间距设定值；w(n)表示为估价权重；goalposx表示目标炮孔节点的横坐标、goalposy表示目标炮孔节点的纵坐标；nx表示节点n的横坐标，ny表示节点n的纵坐标；
(3.4)判断开放列表中是否包含目标炮孔位姿节点，若包含目标炮孔位姿节点则将该节点加入关闭列表进行初始路径回溯找到巡航路径，否则继续选取开放列表中代价最小的拓展点进行新节点扩展，直至开放列表中包含目标炮孔位姿节点；所述的目标炮孔位姿节点是指与起点相邻的炮孔位姿节点；
(3.5)根据炮孔检验顺序依次将当前已经寻得的目标炮孔位姿节点作为新的起点，炮孔检验顺序中对应的下一个炮孔节点作为新的目标炮孔位姿节点，重复步骤(3.2)至步骤(3.4)，直至寻找到炮孔检验顺序中最后两个炮孔间的巡航路径。
5.根据权利要求4所述的爆破环境下验孔机器人路径规划方法，其特征在于，所述步骤(3.2)中邻近节点拓展采用四方向节点拓展方式，即向当前拓展节点的上下左右四个方向进行拓展。
6.根据权利要求5所述的爆破环境下验孔机器人路径规划方法，其特征在于，所述步骤(3.3)中采用占据节点标记的方式进行代价计算；具体的：
创建代价列表，进行邻近节点拓展之前，将代价列表均标记为占据状态，表示四个相邻方向的拓展节点位置均为占据状态；若当前任一拓展点存在障碍为不可行点，则代价列表的对应位置保持初始标记状态，不进入后续代价计算；若当前拓展点为可行点，将实际计算代价取代初始代价列表标记状态，同时选取开放列表中的最小代价的节点放入关闭列表时不考虑开放列表中被保持初始标记状态的节点。
7.根据权利要求1所述的爆破环境下验孔机器人路径规划方法，其特征在于，步骤(2)中所述的炮孔排序规则依据炮孔所在爆破区域二维环境栅格地图中的横纵坐标值大小降序或者升序进行设定。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至权利要求7任一所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至权利要求7任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210897919.XA CN115145284A (zh) | 2022-07-28 | 2022-07-28 | 一种爆破环境下验孔机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210897919.XA CN115145284A (zh) | 2022-07-28 | 2022-07-28 | 一种爆破环境下验孔机器人路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115145284A true CN115145284A (zh) | 2022-10-04 |
Family
ID=83413978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210897919.XA Pending CN115145284A (zh) | 2022-07-28 | 2022-07-28 | 一种爆破环境下验孔机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115145284A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520853A (zh) * | 2023-06-08 | 2023-08-01 | 江苏商贸职业学院 | 一种基于人工智能技术的农业巡检机器人 |
| WO2024168656A1 (en) * | 2023-02-16 | 2024-08-22 | Qualcomm Incorporated | Method and system for improved coverage path planning |
-
2022
- 2022-07-28 CN CN202210897919.XA patent/CN115145284A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024168656A1 (en) * | 2023-02-16 | 2024-08-22 | Qualcomm Incorporated | Method and system for improved coverage path planning |
| CN116520853A (zh) * | 2023-06-08 | 2023-08-01 | 江苏商贸职业学院 | 一种基于人工智能技术的农业巡检机器人 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115145284A (zh) | 一种爆破环境下验孔机器人路径规划方法 | |
| CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
| CN111780777A (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
| CN111504325A (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
| CN106441303A (zh) | 一种基于可搜索连续邻域a*算法的路径规划方法 | |
| CN112114584A (zh) | 一种球形两栖机器人的全局路径规划方法 | |
| CN109657868A (zh) | 一种任务时序逻辑约束的概率规划识别方法 | |
| CN113867336B (zh) | 一种适用于复杂场景下移动机器人路径导航及规划方法 | |
| CN110986945A (zh) | 基于语义高度地图的局部导航方法和系统 | |
| Zaech et al. | Action sequence predictions of vehicles in urban environments using map and social context | |
| CN114779788A (zh) | 一种改进a*算法的路径规划方法 | |
| CN115407352A (zh) | 基于粒子滤波和图优化的机器人定位和建图系统及方法 | |
| CN114442629A (zh) | 一种基于图像处理的移动机器人路径规划方法 | |
| Lippi et al. | Enabling visual action planning for object manipulation through latent space roadmap | |
| CN114371711B (zh) | 一种机器人编队避障路径规划方法 | |
| CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
| CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
| CN113639757B (zh) | 基于双向评分模型和回溯校正机制的地图匹配方法及系统 | |
| Wu et al. | Convolutionally evaluated gradient first search path planning algorithm without prior global maps | |
| CN116560410A (zh) | 基于蒙特卡洛树搜索的无人机三维覆盖路径规划方法 | |
| CN115272289A (zh) | 一种激光清洗系统及方法 | |
| CN115019275A (zh) | 启发项确定及模型训练方法、电子设备及计算机存储介质 | |
| Liu et al. | Deep Reinforcement Learning-Based Driving Policy at Intersections Utilizing Lane Graph Networks | |
| JP6831523B2 (ja) | 情報処理装置 | |
| CN114281105A (zh) | 一种面向变电站巡检的无人机路径规划方法 |
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 |