CN117470252A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117470252A CN117470252A CN202311824654.1A CN202311824654A CN117470252A CN 117470252 A CN117470252 A CN 117470252A CN 202311824654 A CN202311824654 A CN 202311824654A CN 117470252 A CN117470252 A CN 117470252A
- Authority
- CN
- China
- Prior art keywords
- path
- node
- new
- obstacle
- nodes
- 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 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000013138 pruning Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- MKXZASYAUGDDCJ-NJAFHUGGSA-N dextromethorphan Chemical compound C([C@@H]12)CCC[C@]11CCN(C)[C@H]2CC2=CC=C(OC)C=C21 MKXZASYAUGDDCJ-NJAFHUGGSA-N 0.000 claims description 21
- 101100533306 Mus musculus Setx gene Proteins 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了基于RRT*算法的风电场升压站机器人巡检局部路径规划方法，包括以下步骤：步骤1：根据巡检任务对风电场升压站内部待巡检区域进行二维抽象，生成二维地图；步骤2：对二维地图进行预处理，对障碍物边界进行膨胀处理，从而避免碰撞；步骤3：使用RRT*算法在状态空间中搜寻连接起点和目标点的初始路径，判断各点位置关系生成优化路径，与关键节点集合，调用关键节点函数确定关键节点采样空间，通过距离可变的树枝修剪方法，对路径进行剪枝优化迭代，最终形成风电场升压站内最优巡检路径。本技术方案具有更好的计算速度和巡检路径优化能力。
Description
技术领域
本发明涉及机器人路径规划技术领域，特别是基于RRT*算法的风电场升压站机器人巡检局部路径规划方法。
背景技术
近年来，风力发电已成为除光伏外全球经济体能源转型的重要新方向。风电场升压站作为风能发电系统的关键组成部分，起着转换和传输电能的关键作用。传统风电场升压站巡检主要采用人工巡检方式，巡检过程中存在安全隐患、人力成本高等问题。为此，引入机器人巡检技术成为目前风电场升压站无人化巡检运维新模式的探索热点。
机器人巡检技术能够在降低人力成本的同时提高巡检效率和安全性。通过引入机器人巡检，实现对风电场升压站内设备的全面检查与监测，降低人为因素对巡检结果的影响，提高巡检准确性和可靠性。此外，机器人还可以对危险或人工难以到达的区域进行巡检，降低工作人员的安全风险。
机器人巡检需要根据巡检任务对巡检路径进行规划，传统的RRT*算法、BIT算法以及Information RRT*算法存在计算速度慢，数据处理量大，输出路径长等问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于RRT*算法的风电场升压站机器人巡检局部路径规划方法，具有更好的计算速度和巡检路径优化能力。
为实现上述目的，本发明采用如下技术方案：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，包括以下步骤：
步骤1：根据巡检任务对风电场升压站内部待巡检区域进行二维抽象，生成二维地图；
步骤2：对二维地图进行预处理，对障碍物边界进行膨胀处理，从而避免碰撞；
步骤3：使用RRT*算法在状态空间中搜寻连接起点和目标点的初始路径，判断各点位置关系生成优化路径，与关键节点集合，调用关键节点函数确定关键节点采样空间，通过距离可变的树枝修剪方法，对路径进行剪枝优化迭代，最终形成风电场升压站内最优巡检路径。
在一较佳的实施例中，步骤2中，对障碍物边界进行膨胀处理具体为：将障碍物的边长扩大α个单位。
在一较佳的实施例中，步骤3中，通过二维地图，生成障碍物所在的碰撞空间X obs ，路径所在的无碰撞空间X free；使用RRT*算法，在无碰撞空间中采样，形成初始路径节点集合X={X 1 ,X 2 ,...，X n-1 ,X n }，选取X n ,X n-1 ,作为父节点X f和子节点X s，并判断两者连线是否与障碍物发生冲突，若不发生冲突，则将X n-2作为新的子节点，继续判断是否冲突；当发生冲突时，将此时的X f存入关键节点集合X p中，令X s+1为新的父节点，并判断当前子节点X s是否为初始路径集合中的首位元素X 1，若X f =X 1成立，则将集合X p中的节点相连，形成修正初始路径；
调用关键节点选择函数式(1)，判断障碍物顶点与修正初始路径的距离；
（1）
其中，障碍物顶点坐标为（x p ,y p ），对应某一段修正初始路径的两端节点分别为（x 1 ,y 1 ），（x 2 ,y 2 ），dis为障碍物顶点到对应某一段修正初始路径的距离；判断dis是否小于初始给定阈值Dis，若小于则将该障碍物点放入关键节点集合X v ；筛选出关键节点，以关键节点为圆心，μ为半径形成对应的采样空间sample_c；
利用式（2），筛选合适的采样空间从中确定新的采样点；
（2）
其中，p为浮点生成函数生成的[0,1]的数，pr为预设的阈值，sample_o为关键节点无碰撞状态空间；
在选择出的采样空间中，进行概率采样，生成采样点x rand，再利用距离最小的邻近节点x nearest，确定新节点x new，以x new为圆心，r为搜索半径，寻找快速扩展随机树上的节点，将搜索范围内的节点放入集合X near，并按照式(3)计算以新节点x new为父节点时，相邻节点x near的路径成本；
（3）
其中，cost(L)是相邻节点x naer与新节点x new的路径成本，cost(x new )是x naer至起始节点x start的路径成本，实际为相邻点之间的距离相加的总路径长度；通过式(3)计算集合X near中的每个节点修剪后的路径成本，断开路径成本最小节点x new与其原先父节点的连接，再将x new作为它新的父节点，实现树枝修剪功能，逼近最优解；
采用距离可变的搜索半径r，在公式(4)中对r进行赋值，表示为
（4）
其中，n为当前的迭代次数，a是由地图的具体大小选取的经验值；形成的函数r'为减函数，在迭代次数较低时，可在较大搜索半径内对相邻节点x near进行树枝修剪；随着迭代次数的增加，缩小搜索半径，减小集合X near中元素数量对算法运行速度的影响；
当迭代次数超过阈值时，算法结束，生成最终路径。
与现有技术相比，本发明具有以下有益效果：本发明采用基于改进RRT*算法的风电场升压站机器人巡检局部路径规划方法，与现有路径规划方法相比，具有更好的计算速度和收敛性，得出的最优巡检路径结果明显优于传统算法。本发明可应用于在风电场升压站内设备巡检，对巡检机器人的局部路径进行规划。
附图说明
图1为本发明优选实施例的改进RRT*局部巡检路径规划算法流程；
图2为本发明优选实施例的障碍物边界“膨胀”示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
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，参考图1-2，包括以下步骤：首先，根据巡检任务对风电场升压站内部待巡检区域进行二维抽象，生成二维地图；其次，对二维地图进行预处理，考虑到升压站内巡检设备体积不可忽略，对障碍物边界进行膨胀处理，从而避免碰撞；最后，使用RRT*算法在状态空间中搜寻连接起点和目标点的初始路径，判断各点位置关系生成优化路径，与关键节点集合，调用关键节点函数确定关键节点采样空间，通过距离可变的树枝修剪方法，对路径进行剪枝优化迭代，最终形成风电场升压站内最优巡检路径。
具体来说：
(1)对风电场升压站内部进行二维抽象，生成二维平面地图。由于巡检机器人体积相对巡检空间来说不可忽略，为防止机器人巡检过程中与升压站内设备发生碰撞，需要对障碍物边界进行“膨胀”处理，将障碍物的边长扩大α个单位。如图2所示，V为障碍物原边界，V’为膨胀后障碍物边界。
(2)通过二维地图，生成障碍物所在的碰撞空间X obs ，路径所在的无碰撞空间X free。使用RRT*算法，在无碰撞空间中采样，形成初始路径节点集合X={X 1 ,X 2 ,...，X n-1 ,X n }，选取X n ,X n-1 ,作为父节点X f和子节点X s，并判断两者连线是否与障碍物发生冲突，若不发生冲突，则将X n-2作为新的子节点，继续判断是否冲突。当发生冲突时，将此时的X f存入关键节点集合X p中，令X s+1为新的父节点，并判断当前子节点X s是否为初始路径集合中的首位元素X 1，若X f =X 1成立，则将集合X p中的节点相连，形成修正初始路径。
(3)调用关键节点选择函数式(1)，判断障碍物顶点与修正初始路径的距离。
（1）
其中，障碍物顶点坐标为（x p ,y p ），对应某一段修正初始路径的两端节点分别为（x 1 ,y 1 ），（x 2 ,y 2 ），dis为障碍物顶点到对应某一段修正初始路径的距离。判断dis是否小于初始给定阈值Dis，若小于则将该障碍物点放入关键节点集合X v 。筛选出关键节点，以关键节点为圆心，μ为半径形成对应的采样空间sample_c。
(4)利用式(2)，筛选合适的采样空间从中确定新的采样点。
（2）
其中，p为浮点生成函数生成的[0,1]的数，pr为预设的阈值，sample_c和sample_o分别为关键节点采样空间和无碰撞状态空间。
(5)在上述选择出的采样空间中，进行概率采样，生成采样点x rand，再利用距离最小的邻近节点x nearest，确定新节点x new，以x new为圆心，r为搜索半径，寻找快速扩展随机树上的节点，将搜索范围内的节点放入集合X near，并按照式(1-3)计算以新节点x new为父节点时，相邻节点x near的路径成本。
（3）
其中，cost(L)是相邻节点x naer与新节点x new的路径成本，cost(x new )是x naer至起始节点x start的路径成本，实际为相邻点之间的距离相加的总路径长度。通过式(3)计算集合X near中的每个节点修剪后的路径成本，断开路径成本最小节点x new与其原先父节点的连接，再将x new作为它新的父节点，实现树枝修剪功能，逼近最优解。
(6)为减少节点增加导致算法速度减慢的影响，采用距离可变的搜索半径r，在公式(4)中对r进行赋值，表示为
（4）
其中，n为当前的迭代次数，a是由地图的具体大小选取的经验值。形成的函数r'为减函数，在迭代次数较低时，可在较大搜索半径内对邻近节点x near进行树枝修剪；随着迭代次数的增加，缩小搜索半径，减小集合X near中元素数量对算法运行速度的影响。
(7)当迭代次数超过阈值时，算法结束，生成最终路径。
Claims (3)
1.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，其特征在于包括以下步骤：
步骤1：根据巡检任务对风电场升压站内部待巡检区域进行二维抽象，生成二维地图；
步骤2：对二维地图进行预处理，对障碍物边界进行膨胀处理，从而避免碰撞；
步骤3：使用RRT*算法在状态空间中搜寻连接起点和目标点的初始路径，判断各点位置关系生成优化路径，与关键节点集合，调用关键节点函数确定关键节点采样空间，通过距离可变的树枝修剪方法，对路径进行剪枝优化迭代，最终形成风电场升压站内最优巡检路径。
2.根据权利要求1所述的基于RRT*算法的风电场升压站机器人巡检局部路径规划方法，其特征在于，步骤2中，对障碍物边界进行膨胀处理具体为：将障碍物的边长扩大α个单位。
3.根据权利要求1所述的基于RRT*算法的风电场升压站机器人巡检局部路径规划方法，其特征在于，步骤3中，通过二维地图，生成障碍物所在的碰撞空间X obs ，路径所在的无碰撞空间X free；使用RRT*算法，在无碰撞空间中采样，形成初始路径节点集合X={X 1 ,X 2 ,...， X n-1 ,X n }，选取X n ,X n-1 ,作为父节点X f和子节点X s，并判断两者连线是否与障碍物发生冲突，若不发生冲突，则将X n-2作为新的子节点，继续判断是否冲突；当发生冲突时，将此时的X f存入关键节点集合X p中，令X s+1为新的父节点，并判断当前子节点X s是否为初始路径集合中的首位元素X 1，若X f =X 1成立，则将集合X p中的节点相连，形成修正初始路径；
调用关键节点选择函数式(1)，判断障碍物顶点与修正初始路径的距离；
（1）
其中，障碍物顶点坐标为（x p ,y p ），对应某一段修正初始路径的两端节点分别为（x 1 ,y 1 ），（x 2 ,y 2 ），dis为障碍物顶点到对应某一段修正初始路径的距离；判断dis是否小于初始给定阈值Dis，若小于则将该障碍物点放入关键节点集合X v ；筛选出关键节点，以关键节点为圆心，μ为半径形成对应的采样空间sample_c；
利用式（2），筛选合适的采样空间从中确定新的采样点；
（2）
其中，p为浮点生成函数生成的[0,1]的数，pr为预设的阈值，sample_o为关键节点无碰撞状态空间；
在选择出的采样空间中，进行概率采样，生成采样点x rand，再利用距离最小的邻近节点x nearest，确定新节点x new，以x new为圆心，r为搜索半径，寻找快速扩展随机树上的节点，将搜索范围内的节点放入集合X near，并按照式(3)计算以新节点x new为父节点时，相邻节点x near的路径成本；
（3）
其中，cost(L)是相邻节点x naer与新节点x new的路径成本，cost(x new )是x naer至起始节点x start的路径成本，实际为相邻点之间的距离相加的总路径长度；通过式(3)计算集合X near中的每个节点修剪后的路径成本，断开路径成本最小节点x new与其原先父节点的连接，再将x new作为它新的父节点，实现树枝修剪功能，逼近最优解；
采用距离可变的搜索半径r，在公式(4)中对r进行赋值，表示为
（4）
其中，n为当前的迭代次数，a是由地图的具体大小选取的经验值；形成的函数r'为减函数，在迭代次数较低时，可在较大搜索半径内对相邻节点x near进行树枝修剪；随着迭代次数的增加，缩小搜索半径，减小集合X near中元素数量对算法运行速度的影响；
当迭代次数超过阈值时，算法结束，生成最终路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824654.1A CN117470252A (zh) | 2023-12-28 | 2023-12-28 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824654.1A CN117470252A (zh) | 2023-12-28 | 2023-12-28 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117470252A true CN117470252A (zh) | 2024-01-30 |
Family
ID=89638217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311824654.1A Pending CN117470252A (zh) | 2023-12-28 | 2023-12-28 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117470252A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106131489A (zh) * | 2016-07-13 | 2016-11-16 | 杨林 | 一种多源数据电厂巡检管理系统 |
| US20190051198A1 (en) * | 2018-09-28 | 2019-02-14 | Intel Corporation | Method of generating a collision free path of travel and computing system |
| CN116038688A (zh) * | 2022-11-14 | 2023-05-02 | 上海理工大学 | 基于概率虚拟势场引导双向rrt*算法的机械臂关节空间路径规划方法 |
| CN116125995A (zh) * | 2023-04-04 | 2023-05-16 | 华东交通大学 | 一种高铁巡检机器人的路径规划方法及系统 |
| WO2023197092A1 (zh) * | 2022-04-11 | 2023-10-19 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
-
2023
- 2023-12-28 CN CN202311824654.1A patent/CN117470252A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106131489A (zh) * | 2016-07-13 | 2016-11-16 | 杨林 | 一种多源数据电厂巡检管理系统 |
| US20190051198A1 (en) * | 2018-09-28 | 2019-02-14 | Intel Corporation | Method of generating a collision free path of travel and computing system |
| WO2023197092A1 (zh) * | 2022-04-11 | 2023-10-19 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
| CN116038688A (zh) * | 2022-11-14 | 2023-05-02 | 上海理工大学 | 基于概率虚拟势场引导双向rrt*算法的机械臂关节空间路径规划方法 |
| CN116125995A (zh) * | 2023-04-04 | 2023-05-16 | 华东交通大学 | 一种高铁巡检机器人的路径规划方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘逸凡: ""变电站巡检机器人的路径规划研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2023, 15 February 2023 (2023-02-15), pages 042 - 2283 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109617065B (zh) | 一种考虑海量运行场景的电力系统输电网线路规划方法 | |
| CN111982129B (zh) | 一种基于月面数字高程地图的综合全局路径规划方法 | |
| CN104732070A (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
| CN103037389B (zh) | 基于敏度信息的索网反射面天线型面赋形方法 | |
| CN112367129B (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
| CN116125995B (zh) | 一种高铁巡检机器人的路径规划方法及系统 | |
| CN113806947B (zh) | 海上风电场布局处理方法、装置及设备 | |
| CN107277827A (zh) | 一种矿井无线传感器网络的网络结构及网络节点部署方法 | |
| CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| CN113358129B (zh) | 基于Voronoi图的避障最短路径规划方法 | |
| CN110929989A (zh) | 基于深度学习的含不确定性n-1安全校核方法 | |
| CN117470252A (zh) | 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 | |
| CN102905320A (zh) | 最大化多小区下行加权和速率的单调优化方法 | |
| CN112072708B (zh) | 一种提升电力系统风电消纳水平的方法 | |
| Hussain et al. | A hybrid artificial neural network for grid-connected photovoltaic system output prediction | |
| CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
| CN108460501A (zh) | 一种基于组合模型的风力电站输出功率预测方法 | |
| CN104462829A (zh) | 空间推进求解中的复杂多区网格的处理方法 | |
| Wu et al. | Leveraging Foundation Model Automatic Data Augmentation Strategies and Skeletal Points for Hands Action Recognition in Industrial Assembly Lines | |
| CN117773918B (zh) | 一种基于点云处理的智能喷浆机器人喷浆路径规划方法 | |
| CN107995632A (zh) | 一种保证静态目标检测质量的无源传感节点部署调度方法 | |
| CN118381466B (zh) | 基于大数据的光伏设备运行监测方法 | |
| CN117021094B (zh) | 一种适用于狭窄空间的盾构机换刀机器人路径规划方法 | |
| CN115758640B (zh) | 一种基于路由规划的电气连管自动连线方法 | |
| CN116975611B (zh) | 一种基于扩散模型ode形式的高频负荷数据生成方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |