CN116125995A - 一种高铁巡检机器人的路径规划方法及系统 - Google Patents

一种高铁巡检机器人的路径规划方法及系统 Download PDF

Info

Publication number
CN116125995A
CN116125995A CN202310349256.2A CN202310349256A CN116125995A CN 116125995 A CN116125995 A CN 116125995A CN 202310349256 A CN202310349256 A CN 202310349256A CN 116125995 A CN116125995 A CN 116125995A
Authority
CN
China
Prior art keywords
inspection robot
speed
path
function
obstacle
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.)
Granted
Application number
CN202310349256.2A
Other languages
English (en)
Other versions
CN116125995B (zh
Inventor
姚道金
殷雄
董文涛
程宵
王晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202310349256.2A priority Critical patent/CN116125995B/zh
Publication of CN116125995A publication Critical patent/CN116125995A/zh
Application granted granted Critical
Publication of CN116125995B publication Critical patent/CN116125995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0219Control 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
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种高铁巡检机器人的路径规划方法及系统,方法包括:获取高铁站的环境信息,根据环境信息构建点云地图,其中,点云地图中包含静态障碍物点云和动态障碍物点云提取静态障碍物点云,根据静态障碍物点云构建2D栅格地图,并在2D栅格地图中使用改进的
Figure ZY_1
算法进行全局路径规划,生成全局最优路径;对巡检机器人进行运动学建模,并基于改进的DWA算法控制巡检机器人在沿着全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。提高了巡检路径生成速率,增强了对动态障碍物躲避能力,控制了巡检机器人能量消耗,有利于高铁站巡检机器人的应用。

Description

一种高铁巡检机器人的路径规划方法及系统
技术领域
本发明属于路径优化技术领域,尤其涉及一种高铁巡检机器人的路径规划方法及系统。
背景技术
高铁站数量多、建筑规模大 、现场环境复杂。传统仅靠肉眼巡视的模式,不仅工作量大、信息传递慢、效率低、维护成本高,且一旦危险发生时不能及时响应处理,高铁站巡检机器人的出现有效缓解了这些问题,所以高铁站巡检机器人是近几年的研究热点。国内外学者在巡检机器人方面,进行了大量的研究,巡检机器人是一种能够自主运动,识别障碍物,生成运动轨迹并按照轨迹运动的智能系统,路径规划是巡检机器人诸多技术中不可或缺的重要组成部分,目的是在含障碍物空间中规划出一条无碰撞且距离最近的路径。
根据目前的研究成果来看,RRT算法是一种经典的基于图采样算法,同样可以应用于路径规划问题;然而,RRT算法存在以下不足:(1)不是最优解;(2)节点采样效率低下;(3)路径不平滑;(4)无法躲避局部动态障碍;因此,RRT算法仍然存在有一些缺陷,使得算法容易陷入局部最优,在进行巡检机器人路径规划时,往往达不到理想的路径规划效果。
为此,本发明提出了一种高铁巡检机器人的路径规划方法及系统。
发明内容
本发明提供一种高铁巡检机器人的路径规划方法及系统,克服了传统RRT算法存在的几点不足,显著减少随机采样点,缩短路径生成时间同时有效的躲避动态障碍物。
第一方面,本发明提供一种高铁巡检机器人的路径规划方法,包括:获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的
Figure SMS_1
算法进行全局路径规划,生成全局最优路径;对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线,其中,得到最终巡检路线过程具体包括:
在全局化时生成的栅格地图上加入动态障碍物信息,同时将全局最优路径中的
Figure SMS_2
个路径点坐标存入
Figure SMS_3
集合中,并根据预设选取公式在
Figure SMS_4
集合中选取预设个数
Figure SMS_5
的路径点作为局部路径规划的临时目标点,其中,预设选取公式为:
Figure SMS_6
式中,
Figure SMS_7
为临时目标点坐标,
Figure SMS_8
为临时目标节点筛选系数,
Figure SMS_9
为第
Figure SMS_10
个路径点坐标,
Figure SMS_11
为静态障碍物权值,
Figure SMS_12
为动态障碍物权值,
Figure SMS_13
为巡检机器人的质量;
计算预设个数
Figure SMS_14
的表达式为:
Figure SMS_15
式中,
Figure SMS_16
为目标点个数权重,
Figure SMS_17
为第
Figure SMS_18
个路径点坐标,
Figure SMS_19
为第
Figure SMS_20
个路径点坐标,
Figure SMS_21
为起始节点,
Figure SMS_22
为目标点;
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动,并对巡检机器人进行运动学建模,其中,运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度;
融合人工势场算法,给局部动态障碍物增加斥力场,约束巡检机器人的最大速度和最大加速度;
根据获取的动态障碍物信息预测动态障碍物的速度和航向,根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度,其中,预测动态障碍物的速度和航向的表达式为:
Figure SMS_23
Figure SMS_24
Figure SMS_25
式中,
Figure SMS_34
为动态障碍物的线速度,
Figure SMS_28
为线速度预测系数,
Figure SMS_32
为动态障碍物第
Figure SMS_38
个位置和第
Figure SMS_41
个位置,
Figure SMS_42
为预测时间,
Figure SMS_44
为线速度调节比例,
Figure SMS_35
为动态障碍物的角速度,
Figure SMS_37
为角速度预测系数,
Figure SMS_26
为动态障碍物第
Figure SMS_30
个角度和第
Figure SMS_36
个角度,
Figure SMS_39
为角速度调节比例,
Figure SMS_40
为动态障碍物的航向,
Figure SMS_43
为航向预测系数,
Figure SMS_27
为动态障碍物第
Figure SMS_33
个航向和第
Figure SMS_29
个航向,
Figure SMS_31
为航向调节比例;
优化巡检机器人的线速度和角速度的表达式为:
Figure SMS_45
Figure SMS_46
式中,
Figure SMS_49
为线速度增益权重,
Figure SMS_50
为角速度增益权重,
Figure SMS_54
为线速度优化比例,
Figure SMS_48
为角速度优化比例,
Figure SMS_52
为巡检机器人当前线速度,
Figure SMS_53
为巡检机器人当前角速度,
Figure SMS_55
为巡检机器人航向,
Figure SMS_47
为优化后的巡检机器人的线速度,
Figure SMS_51
为优化后的巡检机器人角速度;
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
第二方面,本发明提供一种高铁巡检机器人的路径规划系统,包括:获取模块,配置为获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;构建模块,配置为提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的
Figure SMS_56
算法进行全局路径规划,生成全局最优路径;生成模块,配置为对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线,其中,得到最终巡检路线过程具体包括:
在全局化时生成的栅格地图上加入动态障碍物信息,同时将全局最优路径中的
Figure SMS_57
个路径点坐标存入
Figure SMS_58
集合中,并根据预设选取公式在
Figure SMS_59
集合中选取预设个数
Figure SMS_60
的路径点作为局部路径规划的临时目标点,其中,预设选取公式为:
Figure SMS_61
式中,
Figure SMS_62
为临时目标点坐标,
Figure SMS_63
为临时目标节点筛选系数,
Figure SMS_64
为第
Figure SMS_65
个路径点坐标,
Figure SMS_66
为静态障碍物权值,
Figure SMS_67
为动态障碍物权值,
Figure SMS_68
为巡检机器人的质量;
计算预设个数
Figure SMS_69
的表达式为:
Figure SMS_70
式中,
Figure SMS_71
为目标点个数权重,
Figure SMS_72
为第
Figure SMS_73
个路径点坐标,
Figure SMS_74
为第
Figure SMS_75
个路径点坐标,
Figure SMS_76
为起始节点,
Figure SMS_77
为目标点;
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动,并对巡检机器人进行运动学建模,其中,运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度;
融合人工势场算法,给局部动态障碍物增加斥力场,约束巡检机器人的最大速度和最大加速度;
根据获取的动态障碍物信息预测动态障碍物的速度和航向,根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度,其中,预测动态障碍物的速度和航向的表达式为:
Figure SMS_78
Figure SMS_79
Figure SMS_80
式中,
Figure SMS_94
为动态障碍物的线速度,
Figure SMS_82
为线速度预测系数,
Figure SMS_85
为动态障碍物第
Figure SMS_88
个位置和第
Figure SMS_89
个位置,
Figure SMS_92
为预测时间,
Figure SMS_97
为线速度调节比例,
Figure SMS_96
为动态障碍物的角速度,
Figure SMS_98
为角速度预测系数,
Figure SMS_81
为动态障碍物第
Figure SMS_91
个角度和第
Figure SMS_90
个角度,
Figure SMS_93
为角速度调节比例,
Figure SMS_95
为动态障碍物的航向,
Figure SMS_99
为航向预测系数,
Figure SMS_84
为动态障碍物第
Figure SMS_87
个航向和第
Figure SMS_83
个航向,
Figure SMS_86
为航向调节比例;
优化巡检机器人的线速度和角速度的表达式为:
Figure SMS_100
Figure SMS_101
式中,
Figure SMS_104
为线速度增益权重,
Figure SMS_106
为角速度增益权重,
Figure SMS_108
为线速度优化比例,
Figure SMS_102
为角速度优化比例,
Figure SMS_105
为巡检机器人当前线速度,
Figure SMS_109
为巡检机器人当前角速度,
Figure SMS_110
为巡检机器人航向,
Figure SMS_103
为优化后的巡检机器人的线速度,
Figure SMS_107
为优化后的巡检机器人角速度。
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的高铁巡检机器人的路径规划方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的高铁巡检机器人的路径规划方法的步骤。
本申请的高铁巡检机器人的路径规划方法及系统,提高了巡检路径生成速率,增强了对动态障碍物躲避能力,控制了巡检机器人能量消耗,有利于高铁站巡检机器人的应用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明一实施例提供的一种高铁巡检机器人的路径规划方法的流程图;
图2是本发明实施的改进
Figure SMS_111
算法流程图;
图3是本发明实施的重选父节点和剪枝示意图;
图4是本发明实施的
Figure SMS_112
采样区域图;
图5是本发明实施的去冗余示意图;
图6为本发明一实施例提供的一种高铁巡检机器人的路径规划系统的结构框图;
图7是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
实施例一
请参阅图1,其示出了本申请的一种高铁巡检机器人的路径规划方法的流程图。
如图1所示,步骤S101,获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;
步骤S102,提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的
Figure SMS_113
算法进行全局路径规划,生成全局最优路径;
步骤S103,对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
在本实施例中,在全局化时生成的栅格地图上加入动态障碍物信息,同时将全局最优路径中的
Figure SMS_114
个路径点坐标存入
Figure SMS_115
集合中,并根据预设选取公式在
Figure SMS_116
集合中选取预设个数
Figure SMS_117
的路径点作为局部路径规划的临时目标点,其中,预设选取公式为:
Figure SMS_118
式中,
Figure SMS_119
为临时目标点坐标,
Figure SMS_120
为临时目标节点筛选系数,
Figure SMS_121
为第
Figure SMS_122
个路径点坐标,
Figure SMS_123
为静态障碍物权值,
Figure SMS_124
为动态障碍物权值,
Figure SMS_125
为巡检机器人的质量;
计算预设个数
Figure SMS_126
的表达式为:
Figure SMS_127
式中,
Figure SMS_128
为目标点个数权重,
Figure SMS_129
为第
Figure SMS_130
个路径点坐标,
Figure SMS_131
为第
Figure SMS_132
个路径点坐标,
Figure SMS_133
为起始节点,
Figure SMS_134
为目标点;
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动,并对巡检机器人进行运动学建模,其中,运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度;
融合人工势场算法,给局部动态障碍物增加斥力场,约束巡检机器人的最大速度和最大加速度;
根据获取的动态障碍物信息预测动态障碍物的速度和航向,根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度,其中,预测动态障碍物的速度和航向的表达式为:
Figure SMS_135
Figure SMS_136
Figure SMS_137
式中,
Figure SMS_148
为动态障碍物的线速度,
Figure SMS_139
为线速度预测系数,
Figure SMS_145
为动态障碍物第
Figure SMS_152
个位置和第
Figure SMS_156
个位置,
Figure SMS_153
为预测时间,
Figure SMS_155
为线速度调节比例,
Figure SMS_150
为动态障碍物的角速度,
Figure SMS_154
为角速度预测系数,
Figure SMS_140
为动态障碍物第
Figure SMS_142
个角度和第
Figure SMS_141
个角度,
Figure SMS_144
为角速度调节比例,
Figure SMS_146
为动态障碍物的航向,
Figure SMS_151
为航向预测系数,
Figure SMS_138
为动态障碍物第
Figure SMS_143
个航向和第
Figure SMS_147
个航向,
Figure SMS_149
为航向调节比例;
优化巡检机器人的线速度和角速度的表达式为:
Figure SMS_157
Figure SMS_158
式中,
Figure SMS_160
为线速度增益权重,
Figure SMS_164
为角速度增益权重,
Figure SMS_165
为线速度优化比例,
Figure SMS_161
为角速度优化比例,
Figure SMS_163
为巡检机器人当前线速度,
Figure SMS_166
为巡检机器人当前角速度,
Figure SMS_167
为巡检机器人航向,
Figure SMS_159
为优化后的巡检机器人的线速度,
Figure SMS_162
为优化后的巡检机器人角速度;
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
本实施例的方法,提高了巡检路径生成速率,增强了对动态障碍物躲避能力,控制了巡检机器人能量消耗,有利于高铁站巡检机器人的应用。
实施例二
本发明提出高铁站巡检机器人的路径规划方法,具体包括以下步骤:
S1,机载深度相机提取高铁站环境,获取含障碍物地图模型,区分静态障碍物与动态碍物。
在本实施例中,机载深度相机提取高铁站环境,获取含障碍物地图模型,区分静态障碍物与动态碍物;在巡检机器人上安装奥比中光Astar Pro深度相机,对高铁站进行采样,生成点云地图,高铁站环境复杂,面向场景多样,建筑规模庞大,当对其进行建模时,需要区分静态障碍物和动态障碍物,静态障碍物为:墙体,座椅,供电设备,安检机器等,动态障碍物主要是人。
S2,在栅格化地图中使用改进
Figure SMS_168
算法进行全局路径规划,生成全局最优路径。
在本实施例中,在栅格化地图中使用改进
Figure SMS_169
算法进行全局路径规划,生成全局最优路径,如图2所示,具体步骤为:
步骤S2.1、提取高铁站点云地图中静态障碍物点云,生成不含动态障碍物的2D栅格地图,增加膨胀距离,具体内容指:由于全局规划算法无法在含有动态障碍物地图中进行路径规划,需对静态障碍物点云提取,生成只含静态障碍物点云地图,将其进行栅格化,进行栅格化地图时需要对静态障碍物增加膨胀距离
Figure SMS_170
,静态障碍物膨胀距离和动态障碍物膨胀距离不同,需要根据巡检机器人巡航速度
Figure SMS_171
和巡检机器人最大加速度amax来计算:
Figure SMS_172
式中,
Figure SMS_173
为安全距离,
Figure SMS_174
为巡检机器人的巡航速度,
Figure SMS_175
为巡检机器人的最大加速度。
步骤S2.2、固定最大迭代次数,迭代次数对
Figure SMS_176
算法起着决定性的作用,迭代次数越多,生成路径越优,当迭代次数超出一定的数量级之后,超出的迭代次数可能对路径的修剪效果微乎其微,却对计算机的计算量和内存带来负担,所以需要提前设置一个最大迭代次数
Figure SMS_177
,使生成较优路径的同时节约计算机内存。
步骤S2.3、融合混沌算法生成随机采样节点,防止算法在采样空间采样时陷入局部最优,具体内容指:混沌运动是非线性系统中存在的一种现象,混沌算法可以在采样空间中不重复的遍历所有点,具有随机性和遍历性,其通常是使用Logistic映射:
Figure SMS_178
式中,
Figure SMS_179
为控制参数,
Figure SMS_180
为下一个混沌矢量,
Figure SMS_181
为当前混沌矢量,
Figure SMS_182
Figure SMS_183
为矢量索下标,
Figure SMS_184
为矢量总数;
Logistic将产生混沌现象,随着迭代的进行,
Figure SMS_186
将遍历整个(0,1),由混沌算法随机生成一个二维向量
Figure SMS_188
,将二维向量
Figure SMS_190
,按照
Figure SMS_185
映射到相应的采样空间,
Figure SMS_189
为二维向量
Figure SMS_191
的分量,
Figure SMS_192
Figure SMS_187
均为尺度变换常数,随机生成采样点,可以防止在狭小采样空间中采不到点,避免陷入局部最优。
步骤S2.4、采用自适应采样函数
Figure SMS_193
,约束初始路径生成之前的采样空间,具体内容指:将临时起始点
Figure SMS_197
、临时目标点
Figure SMS_199
和所述2D栅格地图的坐标信息输入
Figure SMS_195
函数,将采样空间约束在起始点周围且包括临时起始点
Figure SMS_196
,大小为2D栅格地图的1/4区域内,即为采样空间;当生成随机树超过采样空间,将临时目标点
Figure SMS_198
设置成有效采样点
Figure SMS_200
,其中,自适应采样
Figure SMS_194
函数的表达式为:
Figure SMS_201
式中,
Figure SMS_202
为随机数,表示栅格地图边长比例。
步骤S2.5、融合RRT-connect算法,从起始点和目标点同时生长快速随机搜索树,加快路径生成速度,具体内容指:从起始点
Figure SMS_204
生长的树Tree1在所述采样空间中,以目标点
Figure SMS_208
为临时目标点
Figure SMS_209
,根据混沌序列生成一个有效采样节点,在树Tree1找到新节点
Figure SMS_205
,对新节点
Figure SMS_207
进行碰撞检测,如果不发生碰撞则将生成的树枝和节点加入树Tree1;再从目标点
Figure SMS_211
生长的树Tree2在所述采样空间中,以树Tree1中新节点
Figure SMS_212
为临时目标点
Figure SMS_203
,根据混沌算法生成另一个有效采样节点,在树Tree2找到新节点
Figure SMS_206
,对新节点
Figure SMS_210
进行碰撞检测,如果不发生碰撞则将生成的树枝和节点加入树Tree2,树Tree1和树Tree2向着彼此的方向生长,直至连接成初始路径。
步骤S2.6、增加重选父节点和剪枝函数,优化随机树的节点与树枝,具体内容指:根据重选父节点函数和剪枝函数对随机树的节点与树枝进行优化,其中,优化过程包括:重选父节点函数,当新找到的节点
Figure SMS_214
加入随机树后,以节点
Figure SMS_218
为圆心形成一个圆,计算圆中覆盖的节点与节点
Figure SMS_220
的距离出,并将距离最短点与节点
Figure SMS_213
连接起来,将距离最短点与节点
Figure SMS_216
加入随机树;当节点
Figure SMS_219
已经加入随机树,在圆中寻找是否有其他节点与节点
Figure SMS_221
连接之后,形成到起始节点
Figure SMS_215
的新路径,比与父节点相连时路径短,若存在就将其他节点与节点
Figure SMS_217
相连,将其他节点与父节点之间的树枝去除,如图3所示。
步骤S2.7、通过启发式采样函数,将初始路径后的采样空间限制在一个椭圆采样空间内部,具体内容指:当RRT*算法生成第一条路径之后将采样空间限制在一个椭圆采样空间内部,以起始点
Figure SMS_222
和目标点
Figure SMS_223
为焦点,由椭圆的性质可知,椭圆内的点与两焦点的距离长度之和小于椭圆上的点与两焦点的距离长度之和:
Figure SMS_224
Figure SMS_225
式中,a为长轴的一半,b为短轴的一半,c为焦点的横坐标;
Informed-RRT*算法的核心实现是先在单位圆中随机采样,经过矩阵运算,旋转等可以获得椭圆随机采样区域样本子集
Figure SMS_226
:
Figure SMS_227
,
Figure SMS_228
,
式中,
Figure SMS_229
为椭圆随机采样区域样本子集,
Figure SMS_230
为单位圆随机采样区域样本子集,L为单位圆转换椭圆的系数,
Figure SMS_231
为起始点
Figure SMS_232
与目标点
Figure SMS_233
的中点,如图4所示。
步骤S2.8、融合贪心算法选择出在当前状况下的最优父节点,进行碰撞检测,生成去冗余路径,具体内容指:贪心算法是一种快速、性能好,广泛用来求解最短路径的算法,贪心算法会选择出在当前状况下的最优父节点,对它所选择的父节点进行碰撞检测,故最终生成的路径不会与障碍物碰撞,如图5所示。
步骤S2.9、考虑巡检机器人的运动学特性,融合B样条对已经去冗余路径进行平滑性约束,具体内容指:B样条曲线可以将去冗余路径的关键点作为B样条曲线基函数控制点,生成曲率连续的平滑路径; 设存在n+1个控制点
Figure SMS_234
,k阶B样条曲线定义为:
Figure SMS_235
Figure SMS_236
式中,
Figure SMS_237
为B样条曲线函数,
Figure SMS_243
为k次B样条基函数,
Figure SMS_245
为组合数,计算方式为
Figure SMS_239
Figure SMS_241
为节点向量,
Figure SMS_242
为B样条的幂次,
Figure SMS_244
Figure SMS_238
次B样条基函数的数量,
Figure SMS_240
为k次B样条基函数的系数;
采用三次 B样条曲线函数平滑约束去冗余路径,并融合障碍物碰撞检测函数,得到全局最优路径,其中,三次 B样条曲线函数的表达式为:
Figure SMS_246
式中,
Figure SMS_247
为改进三次B样条曲线函数,
Figure SMS_248
为障碍物评价系数,
Figure SMS_249
为障碍物的边缘与路径之间的夹角。
步骤S2.10、将生成的全局最优路径中的关键节点提取,为后面改进DWA算法提供临时目标点。
S3,对巡检机器人进行运动学建模,融合改进DWA算法,巡检机器人沿着全局最优路径巡检时躲避局部动态障碍物。优选地,机载深度相机提取高铁站环境,获取含障碍物地图模型,区分静态障碍物与动态碍物;在巡检机器人上安装奥比中光Astar Pro深度相机,对高铁站进行采样,生成点云地图,高铁站环境复杂,面向场景多样,建筑规模庞大,当对其进行建模时,需要区分静态障碍物和动态障碍物,静态障碍物为:墙体,座椅,供电设备,安检机器等,动态障碍物主要是人。
在本实施例中,对巡检机器人进行运动学建模,融合改进DWA算法,巡检机器人沿着全局最优路径巡检时躲避局部动态障碍物,具体步骤包括:
步骤S3.1、在全局化时生成的栅格地图上加入全局路径提供的临时目标点,同时加入动态障碍物信息,具体内容指:提取全局最优路径中的关键点,将其作为局部路径规划的临时目标点,加入动态障碍物信息,对其增加膨胀距离
Figure SMS_250
,静态障碍物膨胀距离和动态障碍物膨胀距离不同,动态障碍物的膨胀系数为1.5倍安全距离
Figure SMS_251
步骤S3.2、巡检机器人运动学建模,具体内容指:速度建模移动机器人常见的运动方式分为两大类,一类是差速驱动机器人模型,另一类为全向移动机器人模型。本申请选用差速驱动机器人模型,通过调节左右轮驱动速度来控制机器人的运动。对其进行运动学建模,将其线速度和角速度进行采样。如下公式所示机器人模型在一段时间内做匀速运动:
Figure SMS_252
式中,
Figure SMS_253
Figure SMS_258
Figure SMS_261
Figure SMS_256
时刻机器人在世界坐标系的位姿,
Figure SMS_257
Figure SMS_262
Figure SMS_265
Figure SMS_254
时刻机器人在世界坐标系的位姿,
Figure SMS_259
Figure SMS_263
时刻线速度,
Figure SMS_264
Figure SMS_255
时刻角速度,
Figure SMS_260
为一段时间;
步骤S3.3、融合人工势场算法,给局部动态障碍物增加斥力场,约束移动机器人的最大速度和加速度,具体内容指:由于高铁站中动态障碍物主要是人,躲避动态障碍物时需要算法限制移动机器人的最大,最小速度,以防止巡检机器人将人撞伤,将临时目标点上加上引力场,动态障碍物上加上斥力场,传统的引力场的表达式:
Figure SMS_266
式中,
Figure SMS_267
为引力场数值,
Figure SMS_268
为到目标位置的距离,
Figure SMS_269
为引力增益常数;传统的斥力场的表达式:
Figure SMS_270
式中,
Figure SMS_271
为斥力场数值,
Figure SMS_272
为与障碍物的距离,
Figure SMS_273
为斥力增益常数,
Figure SMS_274
为障碍物的影响范围;
运动的方向由力场函数取负梯度产生:
Figure SMS_275
Figure SMS_276
式中,
Figure SMS_277
为引力,
Figure SMS_278
为斥力,
Figure SMS_279
为调节因子;
巡检机器人受到的总势能
Figure SMS_280
和总合力
Figure SMS_281
为:
Figure SMS_282
Figure SMS_283
式中,
Figure SMS_284
为势能的梯度;
结合自身模型的限制,硬件的上限,环境的约束,可得出最大和最小速度范围
Figure SMS_285
Figure SMS_286
式中,
Figure SMS_287
为人工势场约束线速度的加权系数,
Figure SMS_288
为人工势场约束角速度的加权系数,
Figure SMS_289
为最大速度,
Figure SMS_290
为最小速度,
Figure SMS_291
为最大线速度,
Figure SMS_292
为最小线速度,
Figure SMS_293
为巡检机器人当前线速度;
巡检机器人运动是靠电机驱动,存在速度约束,在DWA算法中,机器人模型受加速度的影响的最大和最小速度范围
Figure SMS_294
Figure SMS_295
式中,
Figure SMS_297
为人工势场约束线加速度的加权系数,
Figure SMS_299
为人工势场约束角加速度的加权系数,
Figure SMS_302
为线加速度,
Figure SMS_298
为角加速度,
Figure SMS_300
为当前线速度,
Figure SMS_301
为当前角速度,
Figure SMS_303
为巡检机器人当前线速度,
Figure SMS_296
为巡检机器人当前角速度;
步骤S3.4改进DWA算法评价函数,具体内容指:评价函数的表达式为:
Figure SMS_304
式中,
Figure SMS_305
为方位角评价子函数,
Figure SMS_308
为距离评价子函数,
Figure SMS_311
为速度评价子函数,
Figure SMS_306
为能耗评价子函数,
Figure SMS_309
为转弯评价子函数,
Figure SMS_312
为平滑函数,
Figure SMS_313
分别为方位角评价子函数的加权系数、距离评价子函数的加权系数、速度评价子函数的加权系数、能耗评价子函数的加权系数,
Figure SMS_307
为转弯评价子函数的加权系数,
Figure SMS_310
为巡检机器人当前线速度;
其中,方位角评价子函数的表达式为:
Figure SMS_314
Figure SMS_315
式中,
Figure SMS_318
为修正系数,
Figure SMS_319
为权值,
Figure SMS_323
为巡检机器人位置指向目标角度,
Figure SMS_317
为巡检机器人的朝向,
Figure SMS_320
为时间间隔个数,
Figure SMS_322
为系数,
Figure SMS_324
为移出距离,
Figure SMS_316
为取整函数,
Figure SMS_321
为巡检机器人当前线速度;
距离评价子函数的表达式为:
Figure SMS_325
式中,
Figure SMS_326
为巡检机器人距离障碍物的最小距离,
Figure SMS_327
为距离修正系数,R为巡检机器人半径;
速度评价子函数的表达式为:
Figure SMS_328
Figure SMS_329
式中,
Figure SMS_330
为线速度评价系数,
Figure SMS_331
为角速度评分,
Figure SMS_332
分别为巡检机器人第t-2时刻、第t-1时刻和第t时刻的角速度,
Figure SMS_333
均为速度评价系数,
Figure SMS_334
为角速度评价权值,
Figure SMS_335
为巡检机器人当前线速度;
能耗评价子函数的表达式为:
Figure SMS_336
式中,
Figure SMS_337
为巡检机器人第i个采样点的线速度,
Figure SMS_338
为巡检机器人第i个采样点的角速度;
转弯评价子函数的表达式为:
Figure SMS_339
式中,
Figure SMS_340
为转弯评价权值。
步骤S3.5 巡检机器人融合改进DWA算法最终生成的路径即为巡检机器人最终巡检路线。
实施例三
请参阅图6,其示出了本申请的一种高铁巡检机器人的路径规划系统的结构框图。
如图6所示,路径规划系统200,包括获取模块210、构建模块220以及生成模块230。
其中,获取模块210,配置为获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;构建模块220,配置为提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的Informed-RRT*算法进行全局路径规划,生成全局最优路径;生成模块230,配置为对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
应当理解,图6中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图6中的诸模块,在此不再赘述。
实施例四
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的高铁巡检机器人的路径规划方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;
提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的Informed-RRT*算法进行全局路径规划,生成全局最优路径;
对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据高铁巡检机器人的路径规划系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至高铁巡检机器人的路径规划系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图7是本发明实施例提供的电子设备的结构示意图,如图7所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图7中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例高铁巡检机器人的路径规划方法。输入装置330可接收输入的数字或字符信息,以及产生与高铁巡检机器人的路径规划系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于高铁巡检机器人的路径规划系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;
提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的Informed-RRT*算法进行全局路径规划,生成全局最优路径;
对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上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精神和范围。

Claims (9)

1.一种高铁巡检机器人的路径规划方法,其特征在于,包括:
获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;
提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的
Figure QLYQS_1
算法进行全局路径规划,生成全局最优路径;
对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线,其中,得到最终巡检路线过程具体包括:
在全局化时生成的栅格地图上加入动态障碍物信息,同时将全局最优路径中的
Figure QLYQS_2
个路径点坐标存入
Figure QLYQS_3
集合中,并根据预设选取公式在
Figure QLYQS_4
集合中选取预设个数
Figure QLYQS_5
的路径点作为局部路径规划的临时目标点;
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动,并对巡检机器人进行运动学建模,其中,运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度;
融合人工势场算法,给局部动态障碍物增加斥力场,约束巡检机器人的最大速度和最大加速度;
根据获取的动态障碍物信息预测动态障碍物的速度和航向,根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度;
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
2.根据权利要求1所述的一种高铁巡检机器人的路径规划方法,其特征在于,其中,预设选取公式为:
Figure QLYQS_6
式中,
Figure QLYQS_7
为临时目标点坐标,
Figure QLYQS_8
为临时目标节点筛选系数,
Figure QLYQS_9
为第
Figure QLYQS_10
个路径点坐标,
Figure QLYQS_11
为静态障碍物权值,
Figure QLYQS_12
为动态障碍物权值,
Figure QLYQS_13
为巡检机器人的质量;
计算预设个数
Figure QLYQS_14
的表达式为:
Figure QLYQS_15
式中,
Figure QLYQS_16
为目标点个数权重,
Figure QLYQS_17
为第
Figure QLYQS_18
个路径点坐标,
Figure QLYQS_19
为第
Figure QLYQS_20
个路径点坐标,
Figure QLYQS_21
为起始节点,
Figure QLYQS_22
为目标点。
3.根据权利要求1所述的一种高铁巡检机器人的路径规划方法,其特征在于,其中,预测动态障碍物的速度和航向的表达式为:
Figure QLYQS_23
Figure QLYQS_24
Figure QLYQS_25
式中,
Figure QLYQS_42
为动态障碍物的线速度,
Figure QLYQS_27
为线速度预测系数,
Figure QLYQS_34
为动态障碍物第
Figure QLYQS_37
个位置和第
Figure QLYQS_38
个位置,
Figure QLYQS_39
为预测时间,
Figure QLYQS_40
为线速度调节比例,
Figure QLYQS_33
为动态障碍物的角速度,
Figure QLYQS_44
为角速度预测系数,
Figure QLYQS_26
为动态障碍物第
Figure QLYQS_36
个角度和第
Figure QLYQS_29
个角度,
Figure QLYQS_30
为角速度调节比例,
Figure QLYQS_31
为动态障碍物的航向,
Figure QLYQS_32
为航向预测系数,
Figure QLYQS_28
为动态障碍物第
Figure QLYQS_35
个航向和第
Figure QLYQS_41
个航向,
Figure QLYQS_43
为航向调节比例;
优化巡检机器人的线速度和角速度的表达式为:
Figure QLYQS_45
Figure QLYQS_46
式中,
Figure QLYQS_48
为线速度增益权重,
Figure QLYQS_51
为角速度增益权重,
Figure QLYQS_52
为线速度优化比例,
Figure QLYQS_49
为角速度优化比例,
Figure QLYQS_53
为巡检机器人当前线速度,
Figure QLYQS_54
为巡检机器人当前角速度,
Figure QLYQS_55
为巡检机器人航向,
Figure QLYQS_47
为优化后的巡检机器人的线速度,
Figure QLYQS_50
为优化后的巡检机器人角速度。
4.根据权利要求1所述的一种高铁巡检机器人的路径规划方法,其特征在于,其中,所述静态障碍物点云包括墙体点云,座椅点云,供电设备点云和安检机器点云;所述动态障碍物点云包括人员点云。
5.根据权利要求1所述的一种高铁巡检机器人的路径规划方法,其特征在于,所述提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图包括:
提取所述静态障碍物点云,并生成只含所述静态障碍物点云的静态障碍物点云地图;
对所述静态障碍物点云地图进行栅格化并对所述静态障碍物点云增加膨胀距离,得到2D栅格地图,其中,计算所述膨胀距离
Figure QLYQS_56
的表达式为:
Figure QLYQS_57
式中,
Figure QLYQS_58
为安全距离,
Figure QLYQS_59
为巡检机器人的巡航速度,
Figure QLYQS_60
为巡检机器人的最大加速度。
6.根据权利要求1所述的一种高铁巡检机器人的路径规划方法,其特征在于,所述在所述2D栅格地图中使用改进的
Figure QLYQS_61
算法进行全局路径规划,生成全局最优路径包括:
设置最大迭代次数
Figure QLYQS_62
采用自适应采样函数
Figure QLYQS_63
约束初始路径生成之前的采样空间;
根据预设的混沌算法在所述采样空间中生成随机采样节点,其中所述混沌算法的Logistic映射的表达式为:
Figure QLYQS_64
式中,
Figure QLYQS_65
为控制参数,
Figure QLYQS_66
为下一个混沌矢量,
Figure QLYQS_67
为当前混沌矢量,
Figure QLYQS_68
为矢量索下标,
Figure QLYQS_69
为矢量总数;
从起始点
Figure QLYQS_71
生长的树Tree1开始,在所述采样空间中以目标点
Figure QLYQS_75
为临时目标点
Figure QLYQS_78
,根据混沌序列生成一个有效采样节点,在树Tree1找到新节点
Figure QLYQS_72
,对新节点
Figure QLYQS_74
进行碰撞检测,如果不发生碰撞则将生成的树枝和节点加入树Tree1;再从目标点
Figure QLYQS_76
生长的树Tree2开始,在所述采样空间中以树Tree1中新节点
Figure QLYQS_79
为临时目标点
Figure QLYQS_70
,根据混沌算法生成另一个有效采样节点,在树Tree2找到新节点
Figure QLYQS_73
,对新节点
Figure QLYQS_77
进行碰撞检测,如果不发生碰撞则将生成的树枝和节点加入树Tree2,树Tree1和树Tree2向着彼此的方向生长,直至连接成初始路径;
根据重选父节点函数和剪枝函数对随机树的节点与树枝进行优化,其中,优化过程包括:重选父节点函数,当新找到的节点
Figure QLYQS_81
加入随机树后,以节点
Figure QLYQS_84
为圆心形成一个圆,计算圆中覆盖的节点与节点
Figure QLYQS_87
的距离,并将距离最短的节点与节点
Figure QLYQS_82
连接起来,将距离最短的节点与节点
Figure QLYQS_85
加入随机树;当节点
Figure QLYQS_86
已经加入随机树,在圆中寻找是否有其他节点与节点
Figure QLYQS_88
连接之后,形成到起始节点
Figure QLYQS_80
的新路径,比与父节点相连时路径短,若存在就将其他节点与节点
Figure QLYQS_83
相连,将其他节点与父节点之间的树枝去除;
通过启发式采样函数,将所述初始路径后的采样空间限制在一个椭圆采样空间内部;
根据融合贪心算法选择出在当前状况下的最优父节点,进行碰撞检测,生成去冗余路径;
考虑巡检机器人的运动学特性,融合B样条曲线对所述去冗余路径进行平滑性约束,得到全局最优路径,其中,得到全局最优路径的过程具体包括:将去冗余路径的关键点作为B样条曲线基函数控制点,生成曲率连续的平滑路径;设存在n+1个控制点
Figure QLYQS_89
,k阶B样条曲线定义为:
Figure QLYQS_90
Figure QLYQS_91
式中,
Figure QLYQS_93
为B样条曲线函数,
Figure QLYQS_96
为k次B样条基函数,
Figure QLYQS_98
为组合数,计算方式为
Figure QLYQS_94
Figure QLYQS_97
为节点向量,
Figure QLYQS_99
为B样条的幂次,
Figure QLYQS_100
Figure QLYQS_92
次B样条基函数的数量,
Figure QLYQS_95
为k次B样条基函数的系数;
采用三次 B样条曲线函数平滑约束去冗余路径,并融合障碍物碰撞检测函数,得到全局最优路径,其中,三次 B样条曲线函数的表达式为:
Figure QLYQS_101
式中,
Figure QLYQS_102
为改进三次B样条曲线函数,
Figure QLYQS_103
为障碍物评价系数,
Figure QLYQS_104
为障碍物的边缘与路径之间的夹角。
7.根据权利要求6所述的一种高铁巡检机器人的路径规划方法,其特征在于,所述采用自适应采样函数
Figure QLYQS_105
约束初始路径生成之前的采样空间包括:
将临时起始点
Figure QLYQS_106
、临时目标点
Figure QLYQS_107
和所述2D栅格地图的坐标信息输入
Figure QLYQS_108
函数,将采样空间约束在起始点周围且包括临时起始点
Figure QLYQS_109
,大小为2D栅格地图的1/4区域内,即为采样空间;当生成随机树超过采样空间,将临时目标点
Figure QLYQS_110
设置成有效采样点
Figure QLYQS_111
,其中,自适应采样
Figure QLYQS_112
函数的表达式为:
Figure QLYQS_113
式中,
Figure QLYQS_114
为随机数,表示栅格地图边长比例。
8.根据权利要求1所述的一种高铁巡检机器人的路径规划方法,其特征在于,其中,所述评价函数的表达式为:
Figure QLYQS_115
式中,
Figure QLYQS_118
为方位角评价子函数,
Figure QLYQS_119
为距离评价子函数,
Figure QLYQS_121
为速度评价子函数,
Figure QLYQS_117
为能耗评价子函数,
Figure QLYQS_120
为转弯评价子函数,
Figure QLYQS_122
为平滑函数,
Figure QLYQS_123
分别为方位角评价子函数的加权系数、距离评价子函数的加权系数、速度评价子函数的加权系数、能耗评价子函数的加权系数,
Figure QLYQS_116
为转弯评价子函数的加权系数;
其中,方位角评价子函数的表达式为:
Figure QLYQS_124
Figure QLYQS_125
式中,
Figure QLYQS_127
为修正系数,
Figure QLYQS_129
为权值,
Figure QLYQS_130
为巡检机器人位置指向目标角度,
Figure QLYQS_128
为巡检机器人的朝向,
Figure QLYQS_131
为时间间隔个数,
Figure QLYQS_132
为系数,
Figure QLYQS_133
为移出距离,
Figure QLYQS_126
为取整函数;
距离评价子函数的表达式为:
Figure QLYQS_134
式中,
Figure QLYQS_135
为巡检机器人距离障碍物的最小距离,
Figure QLYQS_136
为距离修正系数,R为巡检机器人半径;
速度评价子函数的表达式为:
Figure QLYQS_137
Figure QLYQS_138
式中,
Figure QLYQS_139
为线速度评价系数,
Figure QLYQS_140
为角速度评分,
Figure QLYQS_141
分别为巡检机器人第t-2时刻、第t-1时刻和第t时刻的角速度,
Figure QLYQS_142
均为速度评价系数,
Figure QLYQS_143
为角速度评价权值;
能耗评价子函数的表达式为:
Figure QLYQS_144
式中,
Figure QLYQS_145
为巡检机器人第i个采样点的线速度,
Figure QLYQS_146
为巡检机器人第i个采样点的角速度;
转弯评价子函数的表达式为:
Figure QLYQS_147
式中,
Figure QLYQS_148
为转弯评价权值。
9.一种高铁巡检机器人的路径规划系统,其特征在于,包括:
获取模块,配置为获取高铁站的环境信息,根据所述环境信息构建点云地图,其中,所述点云地图中包含静态障碍物点云和动态障碍物点云;
构建模块,配置为提取所述静态障碍物点云,根据所述静态障碍物点云构建2D栅格地图,并在所述2D栅格地图中使用改进的
Figure QLYQS_149
算法进行全局路径规划,生成全局最优路径;
生成模块,配置为对巡检机器人进行运动学建模,并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线,其中,得到最终巡检路线过程具体包括:
在全局化时生成的栅格地图上加入动态障碍物信息,同时将全局最优路径中的
Figure QLYQS_150
个路径点坐标存入
Figure QLYQS_151
集合中,并根据预设选取公式在
Figure QLYQS_152
集合中选取预设个数
Figure QLYQS_153
的路径点作为局部路径规划的临时目标点;
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动,并对巡检机器人进行运动学建模,其中,运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度;
融合人工势场算法,给局部动态障碍物增加斥力场,约束巡检机器人的最大速度和最大加速度;
根据获取的动态障碍物信息预测动态障碍物的速度和航向,根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度;
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物,使得到最终巡检路线。
CN202310349256.2A 2023-04-04 2023-04-04 一种高铁巡检机器人的路径规划方法及系统 Active CN116125995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310349256.2A CN116125995B (zh) 2023-04-04 2023-04-04 一种高铁巡检机器人的路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310349256.2A CN116125995B (zh) 2023-04-04 2023-04-04 一种高铁巡检机器人的路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN116125995A true CN116125995A (zh) 2023-05-16
CN116125995B CN116125995B (zh) 2023-07-28

Family

ID=86310285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310349256.2A Active CN116125995B (zh) 2023-04-04 2023-04-04 一种高铁巡检机器人的路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN116125995B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117022715A (zh) * 2023-10-09 2023-11-10 国网山东省电力公司沂水县供电公司 一种巡检无人机电能补给方法
CN117470252A (zh) * 2023-12-28 2024-01-30 中闽(福清)风电有限公司 基于rrt*算法的风电场升压站机器人巡检局部路径规划方法
CN117519177A (zh) * 2023-11-23 2024-02-06 淮阴工学院 一种应用于火灾救援的机器人路径寻优方法
CN117553802A (zh) * 2024-01-08 2024-02-13 民航成都电子技术有限责任公司 一种航站楼巡检路径规划方法、装置、设备及存储介质

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6980656B1 (en) * 1998-07-17 2005-12-27 Science Applications International Corporation Chaotic communication system and method using modulation of nonreactive circuit elements
KR20100081824A (ko) * 2009-01-07 2010-07-15 삼성전자주식회사 로봇의 경로계획장치 및 그 방법
KR20110048330A (ko) * 2009-11-02 2011-05-11 삼성전자주식회사 로봇의 경로 계획 장치 및 그 방법
JP2011107984A (ja) * 2009-11-17 2011-06-02 Toyota Motor Corp 経路探索システム、経路探索方法、経路探索プログラム、及び移動体
CN106708054A (zh) * 2017-01-24 2017-05-24 贵州电网有限责任公司电力科学研究院 结合地图栅格与势场法避障的巡检机器人路径规划方法
US20170193705A1 (en) * 2015-12-31 2017-07-06 Daqri, Llc Path visualization for motion planning
CN109542106A (zh) * 2019-01-04 2019-03-29 电子科技大学 一种移动机器人多约束条件下的路径规划方法
CN110501020A (zh) * 2019-08-28 2019-11-26 湖南大学 一种多目标三维路径规划方法
US20200081444A1 (en) * 2018-01-12 2020-03-12 Hong Huang Cleaning method capable of automatically planning path
US20200401148A1 (en) * 2018-01-24 2020-12-24 Ford Global Technologies, Llc Path planning for autonomous moving devices
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
WO2021159901A1 (zh) * 2020-02-12 2021-08-19 华为技术有限公司 一种路径规划方法及相关设备
WO2022016941A1 (zh) * 2020-07-20 2022-01-27 华为技术有限公司 行驶装置的避障路径的规划方法和装置
CN114371716A (zh) * 2022-01-20 2022-04-19 红骐科技(杭州)有限公司 一种用于消防机器人的自动驾驶巡检方法
CN114740862A (zh) * 2022-04-24 2022-07-12 深圳粒子群智能科技有限公司 一种用于自动采血机器人的路径规划方法及系统
CN114859929A (zh) * 2022-05-19 2022-08-05 哈尔滨工业大学(威海) 动态环境下基于改进dwa算法的agv路径规划方法
CN114973443A (zh) * 2022-05-19 2022-08-30 杭州中威电子股份有限公司 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN115309161A (zh) * 2022-08-23 2022-11-08 南京信息工程大学 一种移动机器人路径规划方法、电子设备及存储介质
CN115454107A (zh) * 2022-09-08 2022-12-09 哈尔滨工程大学 一种近海巡检型auv的路径规划方法
CN115560774A (zh) * 2022-10-24 2023-01-03 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN115631651A (zh) * 2022-09-23 2023-01-20 北京理工大学 一种无管控路口环境的自动驾驶决策规划系统和方法
EP4141474A1 (en) * 2021-08-25 2023-03-01 Hexagon Geosystems Services AG System for 3d surveying by an autonomous robotic vehicle using lidar-slam and an estimated point distribution map for path planning
CN115870990A (zh) * 2023-01-03 2023-03-31 西南交通大学 一种机械臂避障路径规划方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6980656B1 (en) * 1998-07-17 2005-12-27 Science Applications International Corporation Chaotic communication system and method using modulation of nonreactive circuit elements
KR20100081824A (ko) * 2009-01-07 2010-07-15 삼성전자주식회사 로봇의 경로계획장치 및 그 방법
KR20110048330A (ko) * 2009-11-02 2011-05-11 삼성전자주식회사 로봇의 경로 계획 장치 및 그 방법
JP2011107984A (ja) * 2009-11-17 2011-06-02 Toyota Motor Corp 経路探索システム、経路探索方法、経路探索プログラム、及び移動体
US20170193705A1 (en) * 2015-12-31 2017-07-06 Daqri, Llc Path visualization for motion planning
CN106708054A (zh) * 2017-01-24 2017-05-24 贵州电网有限责任公司电力科学研究院 结合地图栅格与势场法避障的巡检机器人路径规划方法
US20200081444A1 (en) * 2018-01-12 2020-03-12 Hong Huang Cleaning method capable of automatically planning path
US20200401148A1 (en) * 2018-01-24 2020-12-24 Ford Global Technologies, Llc Path planning for autonomous moving devices
CN109542106A (zh) * 2019-01-04 2019-03-29 电子科技大学 一种移动机器人多约束条件下的路径规划方法
CN110501020A (zh) * 2019-08-28 2019-11-26 湖南大学 一种多目标三维路径规划方法
WO2021159901A1 (zh) * 2020-02-12 2021-08-19 华为技术有限公司 一种路径规划方法及相关设备
WO2022016941A1 (zh) * 2020-07-20 2022-01-27 华为技术有限公司 行驶装置的避障路径的规划方法和装置
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
EP4141474A1 (en) * 2021-08-25 2023-03-01 Hexagon Geosystems Services AG System for 3d surveying by an autonomous robotic vehicle using lidar-slam and an estimated point distribution map for path planning
CN114371716A (zh) * 2022-01-20 2022-04-19 红骐科技(杭州)有限公司 一种用于消防机器人的自动驾驶巡检方法
CN114740862A (zh) * 2022-04-24 2022-07-12 深圳粒子群智能科技有限公司 一种用于自动采血机器人的路径规划方法及系统
CN114859929A (zh) * 2022-05-19 2022-08-05 哈尔滨工业大学(威海) 动态环境下基于改进dwa算法的agv路径规划方法
CN114973443A (zh) * 2022-05-19 2022-08-30 杭州中威电子股份有限公司 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN115309161A (zh) * 2022-08-23 2022-11-08 南京信息工程大学 一种移动机器人路径规划方法、电子设备及存储介质
CN115454107A (zh) * 2022-09-08 2022-12-09 哈尔滨工程大学 一种近海巡检型auv的路径规划方法
CN115631651A (zh) * 2022-09-23 2023-01-20 北京理工大学 一种无管控路口环境的自动驾驶决策规划系统和方法
CN115560774A (zh) * 2022-10-24 2023-01-03 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN115870990A (zh) * 2023-01-03 2023-03-31 西南交通大学 一种机械臂避障路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何佳等: "基于RRT路径规划算法的改进方法研究", 智能王联汽车, no. 22, pages 39 - 42 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117022715A (zh) * 2023-10-09 2023-11-10 国网山东省电力公司沂水县供电公司 一种巡检无人机电能补给方法
CN117022715B (zh) * 2023-10-09 2024-02-06 国网山东省电力公司沂水县供电公司 一种巡检无人机电能补给方法
CN117519177A (zh) * 2023-11-23 2024-02-06 淮阴工学院 一种应用于火灾救援的机器人路径寻优方法
CN117519177B (zh) * 2023-11-23 2024-08-09 淮阴工学院 一种应用于火灾救援的机器人路径寻优方法
CN117470252A (zh) * 2023-12-28 2024-01-30 中闽(福清)风电有限公司 基于rrt*算法的风电场升压站机器人巡检局部路径规划方法
CN117553802A (zh) * 2024-01-08 2024-02-13 民航成都电子技术有限责任公司 一种航站楼巡检路径规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116125995B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116125995B (zh) 一种高铁巡检机器人的路径规划方法及系统
CN109520507B (zh) 一种基于改进rrt的无人机实时路径规划方法
CN108196536A (zh) 一种改进的无人车快速搜索随机树路径规划方法
CN103365293B (zh) 一种基于动态区域划分的机器人安全路径规划方法
CN106989748A (zh) 一种基于云模型的农业移动机器人人机合作路径规划方法
CN109685237B (zh) 一种基于Dubins路径和分支限界的无人机航迹实时规划方法
CN117970925A (zh) 机器人实时避障与动态路径规划方法及系统
CN110045738A (zh) 基于蚁群算法和Maklink图的机器人路径规划方法
CN115145315A (zh) 一种改进a*算法的适合杂乱环境的无人机路径规划方法
Zhao et al. Autonomous exploration method for fast unknown environment mapping by using UAV equipped with limited FOV sensor
Ying et al. Path planning of mobile robot based on Improved RRT Algorithm
Sun et al. Interactive left-turning of autonomous vehicles at uncontrolled intersections
Li A hierarchical autonomous driving framework combining reinforcement learning and imitation learning
CN115143970A (zh) 一种基于威胁度评估的水下航行器避障方法和系统
CN116501030A (zh) 基于改进人工势场法的自动驾驶车辆路径规划方法
Li et al. Real-time local path planning for intelligent vehicle combining tentacle algorithm and B-spline curve
Shang et al. Research on path planning of autonomous vehicle based on RRT algorithm of Q-learning and obstacle distribution
Geng et al. Robo-Centric ESDF: A fast and accurate whole-body collision evaluation tool for any-shape robotic planning
Li et al. AUV Local Path Planning Based on Fusion of Improved DWA and RRT Algorithms
CN115981331A (zh) 一种基于安全通行走廊的最优折线路径规划方法
Dong et al. Path Planning Research for Outdoor Mobile Robot
Wang et al. Trajectory Planning for Complex Shaped Spacecraft Proximity Based on Critical Safety Curve and Disturbed Fluid
Zhang et al. Autonomous car motion prediction based on hybrid resnet model
Fan et al. On evolutionary genetic algorithm in path planning for a USV collision avoidance
Shi et al. Improvement of Path Planning Algorithm based on Small Step Artificial Potential Field Method

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