CN115933637A - 一种变电设备巡检机器人路径规划方法、设备及存储介质 - Google Patents
一种变电设备巡检机器人路径规划方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115933637A CN115933637A CN202211402419.0A CN202211402419A CN115933637A CN 115933637 A CN115933637 A CN 115933637A CN 202211402419 A CN202211402419 A CN 202211402419A CN 115933637 A CN115933637 A CN 115933637A
- Authority
- CN
- China
- Prior art keywords
- path
- robot
- node
- degrees
- current
- 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
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种变电设备巡检机器人路径规划方法,该方法包括:使用3D激光雷达采集变电设备巡检机器人运行时的变电站地图信息,完成巡检环境的栅格地图建模;根据所建立栅格地图和巡检路径的起点和终点,使用改进的A*算法规划出候选路径,并确定机器人巡检路径关键点;根据机器人巡检路径关键点,在各关键点之间使用改进动态窗口法进行局部路径规划,将各关键点间局部路径连接得到最终的规划路径。本申请减少了变电设备巡检机器人的运动路径和转角,进而提升了变电设备巡检机器人的巡检效率,有利于变电设备巡检机器人的广泛应用。本申请还提供了一种变电设备巡检机器人路径规划装置、设备以及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本发明涉及智能技术领域,特别是涉及一种变电设备巡检机器人路径规划方法、设备以及计算机可读存储介质。
背景技术
变电站内变电设备因灰尘、器件老化、环境因素等影响,容易出现电力事故,因此需要定期针对变电设备巡检以排除危险。传统人工巡检效率低下,容易出现误检、漏检等情况,且随着社会人工老龄化加剧和对以人为本的重视,采用巡检机器人替代人工进行巡检已经成为巡检的新方式。变电设备巡检机器人通过搭载各类传感器(如:视觉、红外、声音等),在各类设备间运动,实现设备的状态检测。路径规划是变电设备巡检机器人走向应用的关键技术之一。
巡检机器人的路径规划主要包括:全局路径规划和局部路径规划,全局路径规划主要针对静态环境,通常分为图搜索类算法(A*、RRT等)和智能仿生算法(蚁群、遗传、粒子群等),局部路径规划指根据环境动态变化,实时调整运动轨迹,常用算法有动态窗口法(DWA)和人工势场法等。A*算法是一种应用最为广泛的全局路径规划算法,但随着搜索空间的加大,算法计算量会呈指数形式增加,导致规划时间过长。动态窗口法由于原理简单、算法清晰被广泛使用,但传统动态窗口法只生成当前时刻极短时间范围内路径,障碍物较近时才能躲避,动态壁障效果一般。因此,为提升变电设备巡检机器人的巡检效率,需要对传统的路径规划算法进行改进。
发明内容
本发明的目的在于提出一种变电设备巡检机器人路径规划方法、设备以及计算机可读存储介质,提升变电设备巡检机器人的巡检效率。
为解决上述技术问题,本发明提供一种变电设备巡检机器人路径规划方法,具体包括如下步骤:
S1,使用3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,完成巡检环境栅格地图建模;
S2,根据所建立栅格地图和巡检路径的起点和终点,使用改进A*算法规划出候选路径,并确定机器人巡检路径关键点;
S3,根据机器人巡检路径关键点,在各关键点之间使用改进动态窗口法进行局部路径规划,将各关键点间局部路径连接得到最终规划路径。
进一步的,S1,使用3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,完成巡检环境栅格地图建模,具体方法为:
使用威力登3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,包括:变电设备、消防设施和其他障碍物信息,构建二维栅格地图模型,其中地图左下角为原点,向右为X轴正方向,向上为Y轴正方向;
根据激光雷达获取变电站地图信息,确定环境中各类设备占地面积,其中变电设备占地面积为S1=[a1,a2,...,ai],ai为第i个变电设备占地面积,消防设施占地面积为S2=[b1,b2,...,bj],bj为第j个消防设施占地面积,其他障碍物占地面积为S3=[c1,c2,...,ck],ck为第k个其他障碍物占地面积,巡检机器人面积为Sc,设置地图环境中膨胀系数为μ,μ的取值为1.0-1.5之间,将S1,S2,S3和Sc进行面积膨胀,使得各类设备、障碍面积均为面积A的整数倍,A即为确定栅格地图的最小栅格面积;
整个空间以A为最小面积,拆分为相同大小的网格,每个网格坐标表示为(x,y),其中每个网格对应于实际环境空间中的位置区域,当某个网格机器人无法到达时,设置该处坐标值为1,反之机器人可以到达则设置为0。
进一步的,S2,根据所建立栅格地图和巡检路径的起点和终点,使用改进A*算法规划出候选路径,并确定机器人巡检路径关键点,具体方法为:
步骤S2.1,根据所建立栅格地图、巡检初始和目标位置,确定巡检路径的起点和终点,并在栅格地图上进行位置标注;
步骤S2.2,建立2个列表O和C用于存储未检测和已检测节点信息,并将起始点加入列表O中;
步骤S2.3,计算列表O中所有节点的全局代价函数F(n),将F(n)值最小的节点取出置于列表C中,该节点就是当前节点n;
其中,引入障碍物因子的全局代价函数F(n),表达式为:
F(n)=κ1G(n)+κ2H(n)+κ3Z(n),
其中,G(n)为从起点到达当前节点n的实际代价值,表示为机器人已走过的路径长度;H(n)为启发式函数,表示当前节点到目标节点的欧几里得距离;Z(n)为代价函数补偿量,I(n)为已走过路径的转角和,J(n)为当前位置向目标位置路径搜索过程中,正前方90°范围内障碍物位置信息;κ1,κ2和κ3为权重系数,κ1+κ2+κ3=1;(xG,yG)为目标位置,(xn,yn)为当前位置,(xi,yi)为当前点向目标点搜索,正前方90°范围内障碍物位置,M为当前点向目标点搜索路径上,正前方90°范围内障碍物的总数量,(xl,yl)为已走过路径上拐点位置,θl为已走过路径上拐角角度值;α1和α2为拐角和障碍物信息权重系数;
步骤S2.4,将当前节点n作为路径搜索的父节点,根据自适应路径搜索策略对父节点进行拓展,其中自适应路径搜索策略由当前位置与目标位置的夹角确定,具体方法为:
基于栅格地图模型,求出当前位置与目标位置夹角θf为:
若θf∈(-18.44°,18.44°),则优先拓展节点为(xn,yn+1)、(xn+1,yn+1)、(xn+1,yn)、(xn+1,yn-1)和(xn,yn-1);若θf∈(18.44°,71.57°),则优先拓展节点为(xn-1,yn+1)、(xn,yn+1)、(xn+1,yn+1)、(xn+1,yn)和(xn+1,yn-1);若θf∈(71.57°,108.54°),则优先拓展节点为(xn-1,yn)、(xn-1,yn+1)、(xn,yn+1)、(xn+1,yn+1)和(xn+1,yn);若θf∈(108.54°,161.58°),则优先拓展节点为(xn-1,yn-1)、(xn-1,yn)、(xn-1,yn+1)、(xn,yn+1)和(xn+1,yn+1);若θf∈(161.58°,198.46°),则优先拓展节点为(xn,yn-1)、(xn-1,yn-1)、(xn-1,yn)、(xn-1,yn+1)和(xn,yn+1);若θf∈(198.46°,251.59°),则优先拓展节点为(xn+1,yn-1)、(xn,yn-1)、(xn-1,yn-1)、(xn-1,yn)和(xn-1,yn+1);若θf∈(251.59°,288.47°),则优先拓展节点为(xn+1,yn)、(xn+1,yn-1)、(xn,yn-1)、(xn-1,yn-1)和(xn-1,yn);若θf∈(288.47°,341.6°),则优先拓展节点为(xn+1,yn+1)、(xn+1,yn)、(xn+1,yn-1)、(xn,yn-1)和(xn-1,yn-1);当使用优先拓展节点无法到达目标位置时,才使用放弃的3个方向拓展;
步骤S2.5,判断步骤S2.4中拓展节点是否包含目标位置,若包含目标位置则路径搜索结束,若不包含将拓展节点加入列表O中,重复步骤S2.3,直至搜索到目标位置为止;
步骤S2.6,在列表C中根据父节点与子节点的拓展关系,回溯得到从起点到终点的原始路径;
步骤S2.7,从起点出发,使用参数η依次确定原始路径上机器人拐点,η计算方法为:
其中,(xi-1,yi-1)、(xi,yi)和(xi+1,yi+1)分别为原始路径上相邻的三个节点,当η≠0时,(xi,yi)为路径上拐点,依次记录原始路径上拐点为A1,A2,…,Am,m为最大拐点数,机器人规划原始路径可表示为:S,A1,A2,…,Am,G;建立2个空列表D和E,按起点、拐点和终点的顺序将路径依次存入列表D中;
步骤S2.8,通过节点将列表D中第1个节点取出,存入列表E中,该节点就是当前优化节点p;
步骤S2.9,寻找当前优化节点后下一最优节点i,使当前优化节点与下一最优节点i不与环境中障碍物相交,具体方法为:
将当前优化节点p与之后每个节点p+1,p+2,…,p+r,…,G连接,依次判断线段p-(p+1),p-(p+2),…,p-(p+r),…,p-G是否与环境中障碍物相交,则下一最优节点i是使线段p-(i)不与障碍物相交、线段p-(i+1)与障碍物相交的最小值;
步骤S2.10,将下一最优节点i从列表D中取出存入列表E中,作为当前优化节点,重复步骤S2.9,直至节点i为路径终点G;
步骤S2.11,将E中所有节点取出,这些节点就是路径的关键点,连接各关键点,得到机器人候选路径。
进一步的,S3,根据机器人巡检路径关键点,在各关键点之间使用改进动态窗口法进行局部路径规划,将各关键点间的局部路径连接得到最终规划路径,具体方法为:
步骤S3.1,取出机器人巡检路径关键点{P1,P2,…,Pn}作为动态窗口法的局部目标点,即将机器人候选路径分为由SP1,P1P2,…,PnG组成的多段局部路径;
步骤S3.2,对局部路径SP1使用动态窗口法(DWA)进行路径规划,初始化机器人速度空间、进行速度采样,根据机器人运动学模型生成模拟轨迹;
步骤S3.3,根据改进后动态窗口法评价函数Cost(v,ω),确定机器人最优路径,并记录下机器人到达局部目标点P1时的偏航角,评价函数Cost(v,ω)表达式为:
Cost(v,ω)=λ(ξ*heading(v,ω)+ψdis'(v,ω)+ζvel(v,ω)+τDist(v,ω)+ρz(v,ω)),
z(v,ω)=σ1(v-vc)2+σ2(ω-ωc)2+σ3d2,
其中,heading(v,ω)为机器人在当前速度空间下达到模拟轨迹末端时朝向和目标之间的角度差距;dis'(v,ω)为修正后机器人在当前轨迹上与障碍物之间的距离,dis(v,ω)为标准动态窗口法中机器人在当前轨迹上与障碍物之间的距离,dismax为障碍物距离上限,Ls为机器人与障碍物间安全距离;vel(v,ω)为机器人速度;Dist(v,ω)为机器人轨迹末端与目标点间距离;z(v,ω)为机器人躲避动态障碍的评价量;λ为5个评价函数的归一化参数;σ1,σ2和σ3分别为动态障碍评价量中线速度、角速度和距离的权重;vc和ωc分别为机器人当前速度和角速度,d为模拟轨迹末端到动态障碍物的距离;ξ,ψ,ζ,τ和ρ为各部分的权重,权重有两组(ξ1,ψ1,ζ1,τ1,ρ1)和(ξ2,ψ2,ζ2,τ2,ρ2),若机器人正前方90°范围内,动态障碍物占地面积和静态障碍物占地面积比值大于1,选择(ξ1,ψ1,ζ1,τ1,ρ1),反之选择(ξ2,ψ2,ζ2,τ2,ρ2),且两组权重参数中ρ1>ρ2;
各部分权重ξ,ψ,ζ,τ和ρ使用改进粒子群算法进行确定,种群中每个粒子存在五个维度,每一维的信息分别对应权重系数ξ,ψ,ζ,τ和ρ,动态障碍物较多时ρ∈(0.4,1),动态障碍物较少时ρ∈(0,0.4);使用多涡卷Jerk系统对粒子群进行初始化,具体表达式为:
其中,r,s,u,v和z均为无量纲变量;G(r)为涡卷控制函数,A为涡卷大小控制变量,K为涡卷数量控制变量;
使用动态窗口法评价函数Cost(v,ω)作为粒子群算法的适应度函数,根据适应度函数确定粒子局部最佳和全局最佳;使用改进的位置和速度更新公式,进行粒子位置和速度的更新,具体表达式为:
其中,o为迭代次数,vi(ο+1)和xi(ο+1)分别表示第i个粒子在第o+1代的位置和速度;c1,c2,c3和c4为学习因子;r1,r2,r3和r4为0到1中均匀分布的随机数;pi(ο)为第o次迭代时粒子i的最优位置;g(ο)为第o次迭代时全局最优位置;ω为惯性权重;使用改进粒子群算法确定多动态障碍与少动态障碍环境中权重ξ,ψ,ζ,τ和ρ的两组值,机器人根据激光雷达采集的实际环境信息选择不同权重参数,完成局部路径规划;
步骤S3.4,重复步骤S3.2和S3.3对局部路径P1P2,P2P3,…,PnG完成路径规划,其中当前段局部路径规划的初始角度为上一段局部路径规划终点时偏航角;
步骤S3.5,依次连接各段局部规划路径,得到最终的机器人规划路径。
一种变电设备巡检机器人路径规划系统,基于所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人路径规划。
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,基于所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人的路径规划。
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,基于所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人的路径规划。
本发明与现有技术相比,其显著优点在于:1)采用3D激光雷达对巡检环境进行建模,确定各类障碍物面积,通过障碍物面积膨胀,选择合理的最小栅格面积。2)通过对传统A*算法的全局代价函数、搜索方向和冗余节点进行改进,减少搜索路径,提高算法搜索效率。3)对动态窗口法中评价函数进行优化,提升机器人对动态障碍物的躲避能力。
附图说明
图1是实施例中的总体流程图;
图2是实施例中改进A*算法路径规划流程图;
图3是实施例中父节点拓展方向图;
图4是实施例中节点优化方法流程图;
图5是实施例中融合改进A*和DWA算法流程图;
图6是实施例中改进DWA算法流程图;
图7是实施例中使用粒子群优化对DWA算法权重确定流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本发明一种变电设备巡检机器人路径规划方法,总体实现流程图1所示,具体包括以下步骤:
S1,使用3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,完成巡检环境栅格地图建模,具体包括以下过程:
使用威力登3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,包括:变电设备、消防设施和其他障碍物信息,构建二维栅格地图模型,其中地图左下角为原点,向右为X轴正方向,向上为Y轴正方向;
根据激光雷达获取变电站地图信息,确定环境中各类设备占地面积,其中变电设备占地面积为S1=[a1,a2,...,ai],ai为第i个变电设备占地面积,消防设施占地面积为S2=[b1,b2,...,bj],bj为第j个消防设施占地面积,其他障碍物占地面积为S3=[c1,c2,...,ck],ck为第k个其他障碍物占地面积,巡检机器人面积为Sc,设置地图环境中膨胀系数为μ,μ的取值为1.0-1.5之间,将S1,S2,S3和Sc进行面积膨胀,使得各类设备、障碍面积均为面积A的整数倍,A即为确定栅格地图的最小栅格面积;
整个空间以A为最小面积,拆分为相同大小的网格,每个网格坐标表示为(x,y),其中每个网格对应于实际环境空间中的位置区域,当某个网格机器人无法到达时,设置该处坐标值为1,反之机器人可以到达则设置为0。
S2,根据所建立栅格地图和巡检路径的起点和终点,使用改进A*算法规划出候选路径,并确定机器人巡检路径关键点,流程图如图2所示,具体包括以下过程:
步骤S2.1,根据所建立栅格地图、巡检初始和目标位置,确定巡检路径的起点和终点,并在栅格地图上进行位置标注;
步骤S2.2,建立2个列表O和C用于存储未检测和已检测节点信息,并将起始点加入列表O中;
步骤S2.3,计算列表O中所有节点的全局代价函数F(n),将F(n)值最小的节点取出置于列表C中,该节点就是当前节点n;
其中,引入障碍物因子的全局代价函数F(n),表达式为:
F(n)=κ1G(n)+κ2H(n)+κ3Z(n),
其中,G(n)为从起点到达当前节点n的实际代价值,表示为机器人已走过的路径长度;H(n)为启发式函数,表示当前节点到目标节点的欧几里得距离;Z(n)为代价函数补偿量,I(n)为已走过路径的转角和,J(n)为当前位置向目标位置路径搜索过程中,正前方90°范围内障碍物位置信息;κ1,κ2和κ3为权重系数,κ1+κ2+κ3=1;(xG,yG)为目标位置,(xn,yn)为当前位置,(xi,yi)为当前点向目标点搜索,正前方90°范围内障碍物位置,M为当前点向目标点搜索路径上,正前方90°范围内障碍物的总数量,(xl,yl)为已走过路径上拐点位置,θl为已走过路径上拐角角度值;α1和α2为拐角和障碍物信息权重系数;
步骤S2.4,将当前节点n作为路径搜索的父节点,根据自适应路径搜索策略对父节点进行拓展,其中自适应路径搜索策略由当前位置与目标位置的夹角确定,具体方法为:
基于栅格地图模型,求出当前位置与目标位置夹角θf为:
若θf∈(-18.44°,18.44°),则优先拓展节点为(xn,yn+1)、(xn+1,yn+1)、(xn+1,yn)、(xn+1,yn-1)和(xn,yn-1);若θf∈(18.44°,71.57°),则优先拓展节点为(xn-1,yn+1)、(xn,yn+1)、(xn+1,yn+1)、(xn+1,yn)和(xn+1,yn-1);若θf∈(71.57°,108.54°),则优先拓展节点为(xn-1,yn)、(xn-1,yn+1)、(xn,yn+1)、(xn+1,yn+1)和(xn+1,yn);若θf∈(108.54°,161.58°),则优先拓展节点为(xn-1,yn-1)、(xn-1,yn)、(xn-1,yn+1)、(xn,yn+1)和(xn+1,yn+1);若θf∈(161.58°,198.46°),则优先拓展节点为(xn,yn-1)、(xn-1,yn-1)、(xn-1,yn)、(xn-1,yn+1)和(xn,yn+1);若θf∈(198.46°,251.59°),则优先拓展节点为(xn+1,yn-1)、(xn,yn-1)、(xn-1,yn-1)、(xn-1,yn)和(xn-1,yn+1);若θf∈(251.59°,288.47°),则优先拓展节点为(xn+1,yn)、(xn+1,yn-1)、(xn,yn-1)、(xn-1,yn-1)和(xn-1,yn);若θf∈(288.47°,341.6°),则优先拓展节点为(xn+1,yn+1)、(xn+1,yn)、(xn+1,yn-1)、(xn,yn-1)和(xn-1,yn-1);当使用优先拓展节点无法到达目标位置时,才使用放弃的3个方向拓展,拓展方向如图3所示;
步骤S2.5,判断步骤S2.4中拓展节点是否包含目标位置,若包含目标位置则路径搜索结束,若不包含将拓展节点加入列表O中,重复步骤S2.3,直至搜索到目标位置为止;
步骤S2.6,在列表C中根据父节点与子节点的拓展关系,回溯得到从起点到终点的原始路径;
步骤S2.7,从起点出发,使用参数η依次确定原始路径上机器人拐点,η计算方法为:
其中,(xi-1,yi-1)、(xi,yi)和(xi+1,yi+1)分别为原始路径上相邻的三个节点,当η≠0时,(xi,yi)为路径上拐点,依次记录原始路径上拐点为A1,A2,…,Am,m为最大拐点数,机器人规划原始路径可表示为:S,A1,A2,…,Am,G;建立2个空列表D和E,按起点、拐点和终点的顺序将路径依次存入列表D中;
步骤S2.8,通过节点将列表D中第1个节点取出,存入列表E中,该节点就是当前优化节点p;
步骤S2.9,寻找当前优化节点后下一最优节点i,使当前优化节点与下一最优节点i不与环境中障碍物相交,具体方法为:
将当前优化节点p与之后每个节点p+1,p+2,…,p+r,…,G连接,依次判断线段p-(p+1),p-(p+2),…,p-(p+r),…,p-G是否与环境中障碍物相交,则下一最优节点i是使线段p-(i)不与障碍物相交、线段p-(i+1)与障碍物相交的最小值;
步骤S2.10,将下一最优节点i从列表D中取出存入列表E中,作为当前优化节点,重复步骤S2.9,直至节点i为路径终点G,节点优化流程图如图4所示;
步骤S2.11,将E中所有节点取出,这些节点就是路径的关键点,连接各关键点,得到机器人候选路径;
以某路径(S,3,5,7,11,15,18,21,G)为例进行节点优化,将S存入列表E中,连接S与3号节点,判断S-3是否与障碍物相交,若不相交,连接S-5继续判断是否与障碍物相机,直至找到S-n与障碍物相交,则节点n-1就是下一优化节点,将n-1存入列表E中;以n-1为起点,重复上述步骤,找到下一个优化节点继续存入E中,当下一优化节点为G时,优化过程结束,E中所以节点即为路径关键点,连接各关键点,得到机器人候选路径。
S3,根据机器人巡检路径关键点,在各关键点之间使用改进动态窗口法进行局部路径规划,将各关键点间的局部路径连接得到最终规划路径,融合算法流程图如图5所示,具体包括如下步骤:
步骤S3.1,取出机器人巡检路径关键点{P1,P2,…,Pn}作为动态窗口法的局部目标点,即将机器人候选路径分为由SP1,P1P2,…,PnG组成的多段局部路径;
步骤S3.2,对局部路径SP1使用改进动态窗口法(DWA)进行路径规划,改进动态窗口法流程图如图6所示;
步骤S3.3,初始化机器人速度空间、进行速度采样,根据机器人运动学模型生成模拟轨迹,根据改进后动态窗口法评价函数Cost(v,ω),确定机器人最优路径,并记录下机器人到达局部目标点P1时的偏航角,评价函数Cost(v,ω)表达式为:
Cost(v,ω)=λ(ξ*heading(v,ω)+ψdis'(v,ω)+ζvel(v,ω)+τDist(v,ω)+ρz(v,ω)),
z(v,ω)=σ1(v-vc)2+σ2(ω-ωc)2+σ3d2,
其中,heading(v,ω)为机器人在当前速度空间下达到模拟轨迹末端时朝向和目标之间的角度差距;dis'(v,ω)为修正后机器人在当前轨迹上与障碍物之间的距离,dis(v,ω)为标准动态窗口法中机器人在当前轨迹上与障碍物之间的距离,dismax为障碍物距离上限,Ls为机器人与障碍物间安全距离;vel(v,ω)为机器人速度;Dist(v,ω)为机器人轨迹末端与目标点间距离;z(v,ω)为机器人躲避动态障碍的评价量;λ为5个评价函数的归一化参数;σ1,σ2和σ3分别为动态障碍评价量中线速度、角速度和距离的权重;vc和ωc分别为机器人当前速度和角速度,d为模拟轨迹末端到动态障碍物的距离;ξ,ψ,ζ,τ和ρ为各部分的权重,权重有两组(ξ1,ψ1,ζ1,τ1,ρ1)和(ξ2,ψ2,ζ2,τ2,ρ2),若机器人正前方90°范围内,动态障碍物占地面积和静态障碍物占地面积比值大于1,选择(ξ1,ψ1,ζ1,τ1,ρ1),反之选择(ξ2,ψ2,ζ2,τ2,ρ2),且两组权重参数中ρ1>ρ2;
各部分权重ξ,ψ,ζ,τ和ρ使用改进粒子群算法进行确定,粒子群优化算法流程图如图7所示,种群中每个粒子存在五个维度,每一维的信息分别对应权重系数ξ,ψ,ζ,τ和ρ,动态障碍物较多时ρ∈(0.4,1),动态障碍物较少时ρ∈(0,0.4);使用多涡卷Jerk系统对粒子群进行初始化,具体表达式为:
其中,r,s,u,v和z均为无量纲变量;G(r)为涡卷控制函数,A为涡卷大小控制变量,K为涡卷数量控制变量;
使用动态窗口法评价函数Cost(v,ω)作为粒子群算法的适应度函数,根据适应度函数确定粒子局部最佳和全局最佳;使用改进的位置和速度更新公式,进行粒子位置和速度的更新,具体表达式为:
其中,o为迭代次数,vi(ο+1)和xi(ο+1)分别表示第i个粒子在第o+1代的位置和速度;c1,c2,c3和c4为学习因子;r1,r2,r3和r4为0到1中均匀分布的随机数;pi(ο)为第o次迭代时粒子i的最优位置;g(ο)为第o次迭代时全局最优位置;ω为惯性权重;使用改进粒子群算法确定多动态障碍与少动态障碍环境中权重ξ,ψ,ζ,τ和ρ的两组值,机器人根据激光雷达采集的实际环境信息选择不同权重参数,完成局部路径规划;
步骤S3.4,重复步骤S3.2和S3.3对局部路径P1P2,P2P3,…,PnG完成路径规划,其中当前段局部路径规划的初始角度为上一段局部路径规划终点时偏航角;
步骤S3.5,依次连接各段局部规划路径,得到最终的机器人规划路径。
本发明还提出一种变电设备巡检机器人路径规划系统,基于所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人路径规划。
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,基于所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人的路径规划。
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,基于所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人的路径规划。
综上所述,本发明使变电设备巡检机器人在复杂环境中也能得到理想的路径,搜索节点更加合理,算法效率高,考虑动态障碍物的影响,利用改进动态窗口法,提升机器人对动态障碍物的躲避能力,极大提升了巡检机器人的工作效率。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (6)
1.一种变电设备巡检机器人路径规划方法,其特征在于,具体包括如下步骤:
S1,使用3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,完成巡检环境栅格地图建模;
S2,根据所建立栅格地图和巡检路径的起点和终点,使用改进A*算法规划出候选路径,并确定机器人巡检路径关键点;
S3,根据机器人巡检路径关键点,在各关键点之间使用改进动态窗口法进行局部路径规划,将各关键点间局部路径连接得到最终规划路径。
2.根据权利要求1所述一种变电设备巡检机器人路径规划方法,其特征在于:S1,使用3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,完成巡检环境栅格地图建模,具体方法为:
使用威力登3D激光雷达采集变电设备巡检机器人运行时变电站地图信息,包括:变电设备、消防设施和其他障碍物信息,构建二维栅格地图模型,其中地图左下角为原点,向右为X轴正方向,向上为Y轴正方向;
根据激光雷达获取变电站地图信息,确定环境中各类设备占地面积,其中变电设备占地面积为S1=[a1,a2,...,ai],ai为第i个变电设备占地面积,消防设施占地面积为S2=[b1,b2,...,bj],bj为第j个消防设施占地面积,其他障碍物占地面积为S3=[c1,c2,...,ck],ck为第k个其他障碍物占地面积,巡检机器人面积为Sc,设置地图环境中膨胀系数为μ,μ的取值为1.0-1.5之间,将S1,S2,S3和Sc进行面积膨胀,使得各类设备、障碍面积均为面积A的整数倍,A即为确定栅格地图的最小栅格面积;
整个空间以A为最小面积,拆分为相同大小的网格,每个网格坐标表示为(x,y),其中每个网格对应于实际环境空间中的位置区域,当某个网格机器人无法到达时,设置该处坐标值为1,反之机器人可以到达则设置为0。
3.根据权利要求1所述一种变电设备巡检机器人路径规划方法,其特征在于:S2,根据所建立栅格地图和巡检路径的起点和终点,使用改进A*算法规划出候选路径,并确定机器人巡检路径关键点,具体方法为:
步骤S2.1,根据所建立栅格地图、巡检初始和目标位置,确定巡检路径的起点和终点,并在栅格地图上进行位置标注;
步骤S2.2,建立2个列表O和C用于存储未检测和已检测节点信息,并将起始点加入列表O中;
步骤S2.3,计算列表O中所有节点的全局代价函数F(n),将F(n)值最小的节点取出置于列表C中,该节点就是当前节点n;
其中,引入障碍物因子的全局代价函数F(n),表达式为:
F(n)=κ1G(n)+κ2H(n)+κ3Z(n),
其中,G(n)为从起点到达当前节点n的实际代价值,表示为机器人已走过的路径长度;H(n)为启发式函数,表示当前节点到目标节点的欧几里得距离;Z(n)为代价函数补偿量,I(n)为已走过路径的转角和,J(n)为当前位置向目标位置路径搜索过程中,正前方90°范围内障碍物位置信息;κ1,κ2和κ3为权重系数,κ1+κ2+κ3=1;(xG,yG)为目标位置,(xn,yn)为当前位置,(xi,yi)为当前点向目标点搜索,正前方90°范围内障碍物位置,M为当前点向目标点搜索路径上,正前方90°范围内障碍物的总数量,(xl,yl)为已走过路径上拐点位置,θl为已走过路径上拐角角度值;α1和α2为拐角和障碍物信息权重系数;
步骤S2.4,将当前节点n作为路径搜索的父节点,根据自适应路径搜索策略对父节点进行拓展,其中自适应路径搜索策略由当前位置与目标位置的夹角确定,具体方法为:
基于栅格地图模型,求出当前位置与目标位置夹角θf为:
若θf∈(-18.44°,18.44°),则优先拓展节点为(xn,yn+1)、(xn+1,yn+1)、(xn+1,yn)、(xn+1,yn-1)和(xn,yn-1);若θf∈(18.44°,71.57°),则优先拓展节点为(xn-1,yn+1)、(xn,yn+1)、(xn+1,yn+1)、(xn+1,yn)和(xn+1,yn-1);若θf∈(71.57°,108.54°),则优先拓展节点为(xn-1,yn)、(xn-1,yn+1)、(xn,yn+1)、(xn+1,yn+1)和(xn+1,yn);若θf∈(108.54°,161.58°),则优先拓展节点为(xn-1,yn-1)、(xn-1,yn)、(xn-1,yn+1)、(xn,yn+1)和(xn+1,yn+1);若θf∈(161.58°,198.46°),则优先拓展节点为(xn,yn-1)、(xn-1,yn-1)、(xn-1,yn)、(xn-1,yn+1)和(xn,yn+1);若θf∈(198.46°,251.59°),则优先拓展节点为(xn+1,yn-1)、(xn,yn-1)、(xn-1,yn-1)、(xn-1,yn)和(xn-1,yn+1);若θf∈(251.59°,288.47°),则优先拓展节点为(xn+1,yn)、(xn+1,yn-1)、(xn,yn-1)、(xn-1,yn-1)和(xn-1,yn);若θf∈(288.47°,341.6°),则优先拓展节点为(xn+1,yn+1)、(xn+1,yn)、(xn+1,yn-1)、(xn,yn-1)和(xn-1,yn-1);当使用优先拓展节点无法到达目标位置时,才使用放弃的3个方向拓展;
步骤S2.5,判断步骤S2.4中拓展节点是否包含目标位置,若包含目标位置则路径搜索结束,若不包含将拓展节点加入列表O中,重复步骤S2.3,直至搜索到目标位置为止;
步骤S2.6,在列表C中根据父节点与子节点的拓展关系,回溯得到从起点到终点的原始路径;
步骤S2.7,从起点出发,使用参数η依次确定原始路径上机器人拐点,η计算方法为:
其中,(xi-1,yi-1)、(xi,yi)和(xi+1,yi+1)分别为原始路径上相邻的三个节点,当η≠0时,(xi,yi)为路径上拐点,依次记录原始路径上拐点为A1,A2,…,Am,m为最大拐点数,机器人规划原始路径可表示为:S,A1,A2,…,Am,G;建立2个空列表D和E,按起点、拐点和终点的顺序将路径依次存入列表D中;
步骤S2.8,通过节点将列表D中第1个节点取出,存入列表E中,该节点就是当前优化节点p;
步骤S2.9,寻找当前优化节点后下一最优节点i,使当前优化节点与下一最优节点i不与环境中障碍物相交,具体方法为:
将当前优化节点p与之后每个节点p+1,p+2,…,p+r,…,G连接,依次判断线段p-(p+1),p-(p+2),…,p-(p+r),…,p-G是否与环境中障碍物相交,则下一最优节点i是使线段p-(i)不与障碍物相交、线段p-(i+1)与障碍物相交的最小值;
步骤S2.10,将下一最优节点i从列表D中取出存入列表E中,作为当前优化节点,重复步骤S2.9,直至节点i为路径终点G;
步骤S2.11,将E中所有节点取出,这些节点就是路径的关键点,连接各关键点,得到机器人候选路径。
4.根据权利要求1所述一种变电设备巡检机器人路径规划方法,其特征在于:S3,根据机器人巡检路径关键点,在各关键点之间使用改进动态窗口法进行局部路径规划,将各关键点间的局部路径连接得到最终规划路径,具体方法为:
步骤S3.1,取出机器人巡检路径关键点{P1,P2,…,Pn}作为动态窗口法的局部目标点,即将机器人候选路径分为由SP1,P1P2,…,PnG组成的多段局部路径;
步骤S3.2,对局部路径SP1使用动态窗口法(DWA)进行路径规划,初始化机器人速度空间、进行速度采样,根据机器人运动学模型生成模拟轨迹;
步骤S3.3,根据改进后动态窗口法评价函数Cost(v,ω),确定机器人最优路径,并记录下机器人到达局部目标点P1时的偏航角,评价函数Cost(v,ω)表达式为:
Cost(v,ω)=λ(ξ*heading(v,ω)+ψdis'(v,ω)+ζvel(v,ω)+τDist(v,ω)+ρz(v,ω)),
z(v,ω)=σ1(v-vc)2+σ2(ω-ωc)2+σ3d2,
其中,heading(v,ω)为机器人在当前速度空间下达到模拟轨迹末端时朝向和目标之间的角度差距;dis'(v,ω)为修正后机器人在当前轨迹上与障碍物之间的距离,dis(v,ω)为标准动态窗口法中机器人在当前轨迹上与障碍物之间的距离,dismax为障碍物距离上限,Ls为机器人与障碍物间安全距离;vel(v,ω)为机器人速度;Dist(v,ω)为机器人轨迹末端与目标点间距离;z(v,ω)为机器人躲避动态障碍的评价量;λ为5个评价函数的归一化参数;σ1,σ2和σ3分别为动态障碍评价量中线速度、角速度和距离的权重;vc和ωc分别为机器人当前速度和角速度,d为模拟轨迹末端到动态障碍物的距离;ξ,ψ,ζ,τ和ρ为各部分的权重,权重有两组(ξ1,ψ1,ζ1,τ1,ρ1)和(ξ2,ψ2,ζ2,τ2,ρ2),若机器人正前方90°范围内,动态障碍物占地面积和静态障碍物占地面积比值大于1,选择(ξ1,ψ1,ζ1,τ1,ρ1),反之选择(ξ2,ψ2,ζ2,τ2,ρ2),且两组权重参数中ρ1>ρ2;
各部分权重ξ,ψ,ζ,τ和ρ使用改进粒子群算法进行确定,种群中每个粒子存在五个维度,每一维的信息分别对应权重系数ξ,ψ,ζ,τ和ρ,动态障碍物较多时ρ∈(0.4,1),动态障碍物较少时ρ∈(0,0.4);使用多涡卷Jerk系统对粒子群进行初始化,具体表达式为:
其中,r,s,u,v和z均为无量纲变量;G(r)为涡卷控制函数,A为涡卷大小控制变量,K为涡卷数量控制变量;
使用动态窗口法评价函数Cost(v,ω)作为粒子群算法的适应度函数,根据适应度函数确定粒子局部最佳和全局最佳;使用改进的位置和速度更新公式,进行粒子位置和速度的更新,具体表达式为:
其中,o为迭代次数,vi(ο+1)和xi(ο+1)分别表示第i个粒子在第o+1代的位置和速度;c1,c2,c3和c4为学习因子;r1,r2,r3和r4为0到1中均匀分布的随机数;pi(ο)为第o次迭代时粒子i的最优位置;g(ο)为第o次迭代时全局最优位置;ω为惯性权重;使用改进粒子群算法确定多动态障碍与少动态障碍环境中权重ξ,ψ,ζ,τ和ρ的两组值,机器人根据激光雷达采集的实际环境信息选择不同权重参数,完成局部路径规划;
步骤S3.4,重复步骤S3.2和S3.3对局部路径P1P2,P2P3,…,PnG完成路径规划,其中当前段局部路径规划的初始角度为上一段局部路径规划终点时偏航角;
步骤S3.5,依次连接各段局部规划路径,得到最终的机器人规划路径。
5.一种计算机设备,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,基于权利要求1-4任一项所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人的路径规划。
6.一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,基于权利要求1-4任一项所述的变电设备巡检机器人路径规划方法,实现变电设备巡检机器人的路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402419.0A CN115933637A (zh) | 2022-11-10 | 2022-11-10 | 一种变电设备巡检机器人路径规划方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402419.0A CN115933637A (zh) | 2022-11-10 | 2022-11-10 | 一种变电设备巡检机器人路径规划方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115933637A true CN115933637A (zh) | 2023-04-07 |
Family
ID=86649851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211402419.0A Pending CN115933637A (zh) | 2022-11-10 | 2022-11-10 | 一种变电设备巡检机器人路径规划方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115933637A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117128975A (zh) * | 2023-10-24 | 2023-11-28 | 国网山东省电力公司济南供电公司 | 一种开关柜巡检作业机器人导航方法、系统、介质及设备 |
-
2022
- 2022-11-10 CN CN202211402419.0A patent/CN115933637A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117128975A (zh) * | 2023-10-24 | 2023-11-28 | 国网山东省电力公司济南供电公司 | 一种开关柜巡检作业机器人导航方法、系统、介质及设备 |
CN117128975B (zh) * | 2023-10-24 | 2024-03-12 | 国网山东省电力公司济南供电公司 | 一种开关柜巡检作业机器人导航方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning | |
CN111780777B (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 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN107063280A (zh) | 一种基于控制采样的智能车辆路径规划系统及方法 | |
CN110703762A (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
Sudhakara et al. | Trajectory planning of a mobile robot using enhanced A-star algorithm | |
CN105717929A (zh) | 一种多分辨率障碍物环境下移动机器人混合路径规划方法 | |
CN112068588A (zh) | 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法 | |
CN112650242A (zh) | 一种基于混合算法的移动机器人路径规划方法 | |
CN115079705A (zh) | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 | |
Yakovlev et al. | Grid-based angle-constrained path planning | |
CN115143970B (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
CN114625150B (zh) | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 | |
Li et al. | Mobile robot path planning based on improved genetic algorithm with A-star heuristic method | |
CN113848974A (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
CN115933637A (zh) | 一种变电设备巡检机器人路径规划方法、设备及存储介质 | |
CN116804879A (zh) | 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法 | |
Sadhu et al. | Aerial-DeepSearch: Distributed multi-agent deep reinforcement learning for search missions | |
Yang et al. | Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments | |
Wu et al. | UAV path planning based on multicritic-delayed deep deterministic policy gradient | |
CN115826586B (zh) | 一种融合全局算法和局部算法的路径规划方法及系统 | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
Zhang et al. | A State-Decomposition DDPG Algorithm for UAV Autonomous Navigation in 3D Complex Environments | |
CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
He et al. | Intelligent navigation of indoor robot based on improved DDPG algorithm |
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 |