CN115328146B - 一种巡检机器人的自适应路径巡检方法 - Google Patents
一种巡检机器人的自适应路径巡检方法 Download PDFInfo
- Publication number
- CN115328146B CN115328146B CN202211050799.6A CN202211050799A CN115328146B CN 115328146 B CN115328146 B CN 115328146B CN 202211050799 A CN202211050799 A CN 202211050799A CN 115328146 B CN115328146 B CN 115328146B
- Authority
- CN
- China
- Prior art keywords
- inspection
- path
- instability
- data sequence
- adaptive
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 434
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005674 electromagnetic induction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 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
- G05D1/0212—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
- G05D1/0221—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种巡检机器人的自适应路径巡检方法，包括以下步骤：基于所述不稳定程度排列出巡检机器人在所述交叉点的自适应巡检顺序，并依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列；将所述巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整。本发明建立的不稳定性预测模型识别每个巡检路径的不稳定程度，基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，实现了对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。
Description
技术领域
本发明涉及巡检机器人技术领域，具体涉及一种巡检机器人的自适应路径巡检方法。
背景技术
随着机器人技术的快速发展，巡检机器人在工业、农业、医疗、军事以及社会服务业等领域得到广泛运用，特别是以巡检机器人为载体，搭载红外热成像仪、可见光摄像头等设备完成与故障监测、设备监控等相关的工作任务，具有广阔的应用前景和实用价值。
在移动机器人相关技术研究中，移动机器人路径跟踪必须具有高可靠性，并且适应强磁、强辐射、高寒、高压等特殊环境。电磁感应巡线是目前用于巡检机器人最可靠的导航方案。电磁感应巡检是利用设置在机器人上的电磁感应传感器不断感应铺设在巡检路径上的磁条，以保证机器人始终行驶在既定的巡检路径上，磁条是永磁铁，不受环境光线、温度、湿度、天气条件、场地路面的影响。
但是现有技术中，机器人自动运行，运行过程中操作人员并不能快直观的确定机器人的当前巡检路段，导致巡检路径顺序无法依据现实情况合理规划，不能保障巡检时效性。
发明内容
本发明的目的在于提供一种巡检机器人的自适应路径巡检方法，以解决现有技术中巡检路径顺序无法依据现实情况合理规划，不能保障巡检时效性的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种巡检机器人的自适应路径巡检方法，包括以下步骤：
步骤S1、在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列，并将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度；
步骤S2、基于所述不稳定程度排列出巡检机器人在所述交叉点的自适应巡检顺序，并依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列；
步骤S3、将所述巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，以实现对巡检机器人在所述交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。
作为本发明的一种优选方案，所述在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列，包括：
巡检机器人由交叉点出发依次向每个巡检路径行进预设长度得到环境监测点，并在各个巡检路径上的环境监测点处朝向巡检路径终点监测每个巡检路径的环境数据序列，所述环境数据序列由环境监测点朝向巡检路径终点监测到巡检机器人的环境数据序列监测长度得到；
其中，巡检机器人在获取到一个巡检路径的环境数据序列后由环境监测点返回至交叉点，再由交叉点重新出发到另一巡检路径的环境监测点处；
所述预设长度设置包括：
设置预设长度为L，巡检路径的路径总长度为D，巡检机器人的环境数据序列监测长度为d；
以获取的环境数据序列分布于巡检路径在上半程路径和下半程路径的为原则构建预设长度的求解函数，所述求解函数的函数表达式为：
式中，若则/>若/>则/>
作为本发明的一种优选方案，所述将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度，包括：
将各个巡检路径的环境数据序列代入至各个巡检路径的不稳定性预测模型，由所述不稳定性预测模型输出每个巡检路径的不稳定程度；
所述不稳定性预测模型的构建包括：
选取每个巡检路径的标准环境数据序列，以及选取多个表征每个巡检路径不稳定程度的环境数据序列作为样本环境数据序列；
计算各个样本环境数据序列与标准环境数据序列的数据相似度，并将数据相似度作为样本环境数据序列对应的巡检路径的不稳定程度，所述数据相似度的衡量采用欧式距离、余弦相似度或相关系数中的任意一种；
将每个巡检路径的样本环境数据序列作为BP神经网络的输入项，样本环境数据序列作为BP神经网络的输出项，利用BP神经网络基于所述BP神经网络的输入项和BP神经网络的输出项进行模型训练得到每个巡检路径的不稳定性预测模型，所述不稳定性预测模型的模型表达式为：
Pi＝BPi([date]i)；
式中，Pi为第i个巡检路径的不稳定程度，[date]i为第i个巡检路径的环境数据序列，BPi为第i个巡检路径的BP神经网络，i为计量常数。
作为本发明的一种优选方案，所述基于所述不稳定程度排列出巡检机器人在所述交叉点的自适应巡检顺序，包括：
将交叉点的各个巡检路径依据不稳定程度进行由高到低排列得到巡检机器人在所述交叉点的自适应巡检顺序；
其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；
若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。
作为本发明的一种优选方案，所述依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，包括：
巡检机器人由交叉点出发依次向每个巡检路径行进至巡检路径终点监测每个巡检路径的巡检数据序列；
其中，巡检机器人在获取到一个巡检路径的巡检数据序列后由巡检路径终点返回至交叉点，再由交叉点重新出发到另一巡检路径的巡检路径终点处获取另一巡检路径的巡检数据序列。
作为本发明的一种优选方案，所述将所述巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，包括：
将各个巡检路径的巡检数据序列代入至所述路径状态预测模型，由路径状态预测模型输出每个巡检路径的路径状态；
所述路径状态预测模型的构建包括：
将各个巡检路径的历史巡检数据序列和历史路径状态进行提取，并将历史巡检数据作为SVM分类器的输入项，历史路径状态作为SVM分类器的输出项，利用SVM分类器基于SVM分类器的输入项和SVM分类器的输出项进行分类器训练得到路径状态预测模型，所述路径状态预测模型的模型表达式为：
Label＝SVM([Date])；
式中，Label为路径状态，[Date]为巡检路径的巡检数据序列，SVM为SVM分类器，所述路径状态包括正常状态或异常状态。
作为本发明的一种优选方案，所述根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，包括：
当巡检路径的路径状态为正常状态，则将巡检路径的不稳定程度调整为：
当巡检路径的路径状态为异常状态，则将巡检路径的不稳定程度调整为：
式中，Pi,new为调整后的第i个巡检路径的不稳定程度，Pi,old为调整前的第i个巡检路径的不稳定程度，t为调整后与调整前的时间差。
作为本发明的一种优选方案，所述对巡检机器人在所述交叉点的自适应巡检顺序进行反馈调整，包括：
将交叉点的各个巡检路径依据反馈调整后的不稳定程度进行由高到低排列得到反馈调整后的巡检机器人在所述交叉点的自适应巡检顺序；
其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；
若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。
作为本发明的一种优选方案，在计算前，将各个巡检路径的巡检数据序列和环境数据序列均进行归一化处理。
作为本发明的一种优选方案，所述交叉点的巡检路径不包含以交叉点作为巡检路径终点的已完成巡检的巡检路径。
本发明与现有技术相比较具有如下有益效果：
本发明建立的不稳定性预测模型识别每个巡检路径的不稳定程度，基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，实现了对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的自适应路径跟踪方法图。
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
如图1所示，本发明提供了一种巡检机器人的自适应路径巡检方法，包括以下步骤：
步骤S1、在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列，并将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度，环境数据包括：环境温湿度、环境颗粒度浓度、环境噪声、环境天气情况等；
在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列，包括：
巡检机器人由交叉点出发依次向每个巡检路径行进预设长度得到环境监测点，并在各个巡检路径上的环境监测点处朝向巡检路径终点监测每个巡检路径的环境数据序列，环境数据序列由环境监测点朝向巡检路径终点监测到巡检机器人的环境数据序列监测长度得到；
其中，巡检机器人在获取到一个巡检路径的环境数据序列后由环境监测点返回至交叉点，再由交叉点重新出发到另一巡检路径的环境监测点处；
预设长度设置包括：
设置预设长度为L，巡检路径的路径总长度为D，巡检机器人的环境数据序列监测长度为d；
以获取的环境数据序列分布于巡检路径在上半程路径和下半程路径的为原则构建预设长度的求解函数，求解函数的函数表达式为：
式中，若则/>若/>则/>
根据巡检路径的路径总长度D、巡检机器人的环境数据序列监测长度为d设定出每条巡检路径的环境监测点，使得从该环境监测点处能够使巡检机器人获得的环境数据序列包含巡检路径上半程路径和下半程路径的环境情况，能够更全面的掌握到巡检路径的现实的环境情况。
将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度，包括：
将各个巡检路径的环境数据序列代入至各个巡检路径的不稳定性预测模型，由不稳定性预测模型输出每个巡检路径的不稳定程度；
不稳定性预测模型的构建包括：
选取每个巡检路径的标准环境数据序列，以及选取多个表征每个巡检路径不稳定程度的环境数据序列作为样本环境数据序列；
计算各个样本环境数据序列与标准环境数据序列的数据相似度，并将数据相似度作为样本环境数据序列对应的巡检路径的不稳定程度，数据相似度的衡量采用欧式距离、余弦相似度或相关系数中的任意一种；
将每个巡检路径的样本环境数据序列作为BP神经网络的输入项，样本环境数据序列作为BP神经网络的输出项，利用BP神经网络基于BP神经网络的输入项和BP神经网络的输出项进行模型训练得到每个巡检路径的不稳定性预测模型，不稳定性预测模型的模型表达式为：
Pi＝BPi([date]i)；
式中，Pi为第i个巡检路径的不稳定程度，[date]i为第i个巡检路径的环境数据序列，BPi为第i个巡检路径的BP神经网络，i为计量常数。
识别巡检路径的不稳定程度，其中不稳定程度高，表明该巡检路径上现实的环境情况不稳定，易造成巡检路径上的设备装置出现异常工作状态，因此不稳定程度高的巡检路径应当设定为优先巡检，即在交叉点处存在多个巡检路径待排序时，将不稳定程度高的巡检路径排列在前，从而尽快在该巡检路径上进行安全巡检，识别出异常状况或排除异常状况，如果存在异常状况，可减少异常状况的存续时长，降低损失，保证了巡检的时效性。
步骤S2、基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，并依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，巡检数据包括：设备影像、设备热量、设备声音等；
基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，包括：
将交叉点的各个巡检路径依据不稳定程度进行由高到低排列得到巡检机器人在交叉点的自适应巡检顺序；
其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；
若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。
依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，包括：
巡检机器人由交叉点出发依次向每个巡检路径行进至巡检路径终点监测每个巡检路径的巡检数据序列；
其中，巡检机器人在获取到一个巡检路径的巡检数据序列后由巡检路径终点返回至交叉点，再由交叉点重新出发到另一巡检路径的巡检路径终点处获取另一巡检路径的巡检数据序列。
步骤S3、将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，以实现对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。
将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，包括：
将各个巡检路径的巡检数据序列代入至路径状态预测模型，由路径状态预测模型输出每个巡检路径的路径状态；
路径状态预测模型的构建包括：
将各个巡检路径的历史巡检数据序列和历史路径状态进行提取，并将历史巡检数据作为SVM分类器的输入项，历史路径状态作为SVM分类器的输出项，利用SVM分类器基于SVM分类器的输入项和SVM分类器的输出项进行分类器训练得到路径状态预测模型，路径状态预测模型的模型表达式为：
Label＝SVM([Date])；
式中，Label为路径状态，[Date]为巡检路径的巡检数据序列，SVM为SVM分类器，路径状态包括正常状态或异常状态。
根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，包括：
当巡检路径的路径状态为正常状态，则将巡检路径的不稳定程度调整为：
当巡检路径的路径状态为异常状态，则将巡检路径的不稳定程度调整为：
式中，Pi,new为调整后的第i个巡检路径的不稳定程度，Pi,old为调整前的第i个巡检路径的不稳定程度，t为调整后与调整前的时间差。
构建路径状态预测模型用于获取巡检路径的路径状况，在确认巡检路径的路径状态后，根据巡检路径的路径状态对不稳定程度进行调整，从而为后续巡检提供巡检辅助，即当前巡检确定巡检路径为正常状态，则在下次巡检时以当前的路径状态为参考，当前巡检为正常状态，说明该巡检路径上环境情况对路径上设置装置的状况无影响或影响较小，因此需要对不稳定程度进行降低，从而使得该巡检路径的巡检优先性降低，本实施例将路径状态对不稳定程度的调整设定与调整时间差相关联，其中，下次巡检较当前巡检的时间间隔过长，环境情况变化性不可估计，进而路径状态对不稳定程度的调整可参考性降低，从而时间间隔越长，不稳定程度降低程度越小，巡检路径的巡检优先性降低程度越小，下次巡检较当前巡检的时间间隔较短，环境情况变化性较小，进而路径状态对不稳定程度的调整可参考性高，从而时间间隔越长，不稳定程度降低程度越大，巡检路径的巡检优先性降低程度越大。
当前巡检确定巡检路径为异常状态，则在下次巡检时以当前的路径状态为参考，当前巡检为异常状态，说明该巡检路径上环境情况对路径上设置装置的状况影响较大，因此需要对不稳定程度进行提升，从而使得该巡检路径的巡检优先性升高，本实施例将路径状态对不稳定程度的调整设定与调整时间差相关联，其中，下次巡检较当前巡检的时间间隔过长，环境情况变化性不可估计，进而路径状态对不稳定程度的调整可参考性降低，从而时间间隔越长，不稳定程度升高程度越小，巡检路径的巡检优先性升高程度越小，下次巡检较当前巡检的时间间隔较短，环境情况变化性较小，进而路径状态对不稳定程度的调整可参考性高，从而时间间隔越长，不稳定程度升高程度越大，巡检路径的巡检优先性升高程度越大。
根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，实现了巡检路径优先性的调整，利用巡检数据对基于环境数据获得的巡检顺序进行修正，提高巡检顺序设定的合理性。
对巡检机器人在交叉点的自适应巡检顺序进行反馈调整，包括：
将交叉点的各个巡检路径依据反馈调整后的不稳定程度进行由高到低排列得到反馈调整后的巡检机器人在交叉点的自适应巡检顺序；
其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；
若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。
在计算前，将各个巡检路径的巡检数据序列和环境数据序列均进行归一化处理。
交叉点的巡检路径不包含以交叉点作为巡检路径终点的已完成巡检的巡检路径。
本发明建立的不稳定性预测模型识别每个巡检路径的不稳定程度，基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，实现了对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (8)
1.一种巡检机器人的自适应路径巡检方法，其特征在于，包括以下步骤：
步骤S1、在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列，并将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度；
步骤S2、基于所述不稳定程度排列出巡检机器人在所述交叉点的自适应巡检顺序，并依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列；
步骤S3、将所述巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，以实现对巡检机器人在所述交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性；
所述在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列，包括：
巡检机器人由交叉点出发依次向每个巡检路径行进预设长度得到环境监测点，并在各个巡检路径上的环境监测点处朝向巡检路径终点监测每个巡检路径的环境数据序列，所述环境数据序列由环境监测点朝向巡检路径终点监测到巡检机器人的环境数据序列监测长度得到；
其中，巡检机器人在获取到一个巡检路径的环境数据序列后由环境监测点返回至交叉点，再由交叉点重新出发到另一巡检路径的环境监测点处；
所述预设长度设置包括：
设置预设长度为L，巡检路径的路径总长度为D，巡检机器人的环境数据序列监测长度为d；
以获取的环境数据序列分布于巡检路径在上半程路径和下半程路径的为原则构建预设长度的求解函数，所述求解函数的函数表达式为：；
式中，若，则/>；若/>，则/>；
所述将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度，包括：
将各个巡检路径的环境数据序列代入至各个巡检路径的不稳定性预测模型，由所述不稳定性预测模型输出每个巡检路径的不稳定程度；
所述不稳定性预测模型的构建包括：
选取每个巡检路径的标准环境数据序列，以及选取多个表征每个巡检路径不稳定程度的环境数据序列作为样本环境数据序列；
计算各个样本环境数据序列与标准环境数据序列的数据相似度，并将数据相似度作为样本环境数据序列对应的巡检路径的不稳定程度，所述数据相似度的衡量采用欧式距离、余弦相似度或相关系数中的任意一种；
将每个巡检路径的样本环境数据序列作为BP神经网络的输入项，样本环境数据序列作为BP神经网络的输出项，利用BP神经网络基于所述BP神经网络的输入项和BP神经网络的输出项进行模型训练得到每个巡检路径的不稳定性预测模型，所述不稳定性预测模型的模型表达式为：P i =BP i ([date] i )；式中，P i 为第i个巡检路径的不稳定程度，[date] i 为第i个巡检路径的环境数据序列，BP i 为第i个巡检路径的BP神经网络，i为计量常数。
2.根据权利要求1所述的一种巡检机器人的自适应路径巡检方法，其特征在于：所述基于所述不稳定程度排列出巡检机器人在所述交叉点的自适应巡检顺序，包括：
将交叉点的各个巡检路径依据不稳定程度进行由高到低排列得到巡检机器人在所述交叉点的自适应巡检顺序；
其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；
若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。
3.根据权利要求2所述的一种巡检机器人的自适应路径巡检方法，其特征在于：所述依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，包括：
巡检机器人由交叉点出发依次向每个巡检路径行进至巡检路径终点监测每个巡检路径的巡检数据序列；
其中，巡检机器人在获取到一个巡检路径的巡检数据序列后由巡检路径终点返回至交叉点，再由交叉点重新出发到另一巡检路径的巡检路径终点处获取另一巡检路径的巡检数据序列。
4.根据权利要求3所述的一种巡检机器人的自适应路径巡检方法，其特征在于：所述将所述巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，包括：
将各个巡检路径的巡检数据序列代入至所述路径状态预测模型，由路径状态预测模型输出每个巡检路径的路径状态；
所述路径状态预测模型的构建包括：
将各个巡检路径的历史巡检数据序列和历史路径状态进行提取，并将历史巡检数据作为SVM分类器的输入项，历史路径状态作为SVM分类器的输出项，利用SVM分类器基于SVM分类器的输入项和SVM分类器的输出项进行分类器训练得到路径状态预测模型，所述路径状态预测模型的模型表达式为：；
式中，Label为路径状态，[Date]为巡检路径的巡检数据序列，SVM为SVM分类器，所述路径状态包括正常状态或异常状态。
5.根据权利要求4所述的一种巡检机器人的自适应路径巡检方法，其特征在于，所述根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，包括：
当巡检路径的路径状态为正常状态，则将巡检路径的不稳定程度调整为：；
当巡检路径的路径状态为异常状态，则将巡检路径的不稳定程度调整为：
；
式中，P i,new 为调整后的第i个巡检路径的不稳定程度，P i,old 为调整前的第i个巡检路径的不稳定程度，t为调整后与调整前的时间差。
6.根据权利要求5所述的一种巡检机器人的自适应路径巡检方法，其特征在于，所述对巡检机器人在所述交叉点的自适应巡检顺序进行反馈调整，包括：
将交叉点的各个巡检路径依据反馈调整后的不稳定程度进行由高到低排列得到反馈调整后的巡检机器人在所述交叉点的自适应巡检顺序；
其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；
若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。
7.根据权利要求6所述的一种巡检机器人的自适应路径巡检方法，其特征在于，在计算前，将各个巡检路径的巡检数据序列和环境数据序列均进行归一化处理。
8.根据权利要求7所述的一种巡检机器人的自适应路径巡检方法，其特征在于，所述交叉点的巡检路径不包含以交叉点作为巡检路径终点的已完成巡检的巡检路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050799.6A CN115328146B (zh) | 2022-08-30 | 2022-08-30 | 一种巡检机器人的自适应路径巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050799.6A CN115328146B (zh) | 2022-08-30 | 2022-08-30 | 一种巡检机器人的自适应路径巡检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115328146A CN115328146A (zh) | 2022-11-11 |
| CN115328146B true CN115328146B (zh) | 2024-04-02 |
Family
ID=83928700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211050799.6A Active CN115328146B (zh) | 2022-08-30 | 2022-08-30 | 一种巡检机器人的自适应路径巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115328146B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116699326B (zh) * | 2023-05-18 | 2024-01-02 | 江苏濠汉信息技术有限公司 | 基于声学成像的电力设备异常移动式巡检系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109822597A (zh) * | 2019-04-14 | 2019-05-31 | 北京中大科慧科技发展有限公司 | 一种数据中心的全自动智能巡检机器人 |
| CN111121807A (zh) * | 2019-12-18 | 2020-05-08 | 安徽机电职业技术学院 | 一种移动机器人路径规划方法 |
| CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
| CN113547500A (zh) * | 2020-04-23 | 2021-10-26 | 鸿富锦精密电子(烟台)有限公司 | 巡检机器人、巡检机器人系统及巡检机器人的巡检方法 |
| CN113703444A (zh) * | 2021-08-13 | 2021-11-26 | 南京付联微网络科技有限公司 | 一种智能化机器人的巡检避障方法及系统 |
| CN114018265A (zh) * | 2021-10-28 | 2022-02-08 | 山东新一代信息产业技术研究院有限公司 | 一种巡检机器人行驶轨迹生成方法、设备及介质 |
| CN114093052A (zh) * | 2021-11-17 | 2022-02-25 | 中国工商银行股份有限公司 | 适用于机房管理的智能巡检方法及系统 |
| CN114756034A (zh) * | 2022-06-13 | 2022-07-15 | 北京蒙帕信创科技有限公司 | 一种机器人实时避障路径规划方法及装置 |
-
2022
- 2022-08-30 CN CN202211050799.6A patent/CN115328146B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109822597A (zh) * | 2019-04-14 | 2019-05-31 | 北京中大科慧科技发展有限公司 | 一种数据中心的全自动智能巡检机器人 |
| CN111121807A (zh) * | 2019-12-18 | 2020-05-08 | 安徽机电职业技术学院 | 一种移动机器人路径规划方法 |
| CN113547500A (zh) * | 2020-04-23 | 2021-10-26 | 鸿富锦精密电子(烟台)有限公司 | 巡检机器人、巡检机器人系统及巡检机器人的巡检方法 |
| CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
| CN113703444A (zh) * | 2021-08-13 | 2021-11-26 | 南京付联微网络科技有限公司 | 一种智能化机器人的巡检避障方法及系统 |
| CN114018265A (zh) * | 2021-10-28 | 2022-02-08 | 山东新一代信息产业技术研究院有限公司 | 一种巡检机器人行驶轨迹生成方法、设备及介质 |
| CN114093052A (zh) * | 2021-11-17 | 2022-02-25 | 中国工商银行股份有限公司 | 适用于机房管理的智能巡检方法及系统 |
| CN114756034A (zh) * | 2022-06-13 | 2022-07-15 | 北京蒙帕信创科技有限公司 | 一种机器人实时避障路径规划方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115328146A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11144616B2 (en) | Training distributed machine learning with selective data transfers | |
| US10133938B2 (en) | Apparatus and method for object recognition and for training object recognition model | |
| CN113264066A (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
| CN115328146B (zh) | 一种巡检机器人的自适应路径巡检方法 | |
| CN112597877A (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
| CN110059521A (zh) | 目标跟踪方法及装置 | |
| CN114637884B (zh) | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 | |
| CN113159984B (zh) | 一种变电站工作人员工作路径追踪方法 | |
| CN113225391B (zh) | 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备 | |
| CN107819793A (zh) | 用于机器人操作系统的数据采集方法及装置 | |
| CN107121661B (zh) | 定位方法、装置及系统和服务器 | |
| CN112945395A (zh) | 一种基于目标检测的畜禽动物体温评估方法 | |
| CN111784745A (zh) | 一种用于封样送检的样品追踪方法与系统 | |
| CN112053386A (zh) | 基于深度卷积特征自适应集成的目标跟踪方法 | |
| Jin et al. | Performance comparison of moving target recognition between Faster R-CNN and SSD | |
| Diginsa et al. | Issues and Challenges of Simultaneous Localization and Mapping (SLAM) Technology in Autonomous Robot | |
| CN112025709B (zh) | 一种基于车载摄像头视觉的移动机器人定位系统及方法 | |
| US20210097394A1 (en) | Method and apparatus for compressing deep learning model | |
| CN114880215B (zh) | 一种面向众包系统的测试用例自动生成的方法 | |
| CN114973110B (zh) | 一种高速公路气象在线监测方法及系统 | |
| CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 | |
| CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
| CN114743300B (zh) | 基于行为大数据模型的门禁访问控制方法及系统 | |
| CN114708495B (zh) | 一种多源灌溉信息融合决策方法及系统 | |
| Awasthy | Automatic obstacle detection for a star algorithm using digital image processing |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |