CN117592633A - 一种智慧巡检优化方法 - Google Patents
一种智慧巡检优化方法 Download PDFInfo
- Publication number
- CN117592633A CN117592633A CN202410070679.5A CN202410070679A CN117592633A CN 117592633 A CN117592633 A CN 117592633A CN 202410070679 A CN202410070679 A CN 202410070679A CN 117592633 A CN117592633 A CN 117592633A
- Authority
- CN
- China
- Prior art keywords
- inspection
- path
- paths
- patrol
- routing
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 467
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000035772 mutation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 230000002068 genetic effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 108091026890 Coding region Proteins 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010016173 Fall Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Robotics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧巡检优化方法,涉及监控巡检技术领域,通过路径长度、巡检时间以及巡检能耗定义适应度函数,重复多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后生成优化巡检路径集群,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序生成路径列表。该优化方法在随机为巡检区域生成多个巡检路径后,自动寻找得出最优巡检路径集群,并结合巡检区域的实时数据对最优巡检路径集群中的巡检路径进行排序,不仅有效提高巡检机器人的工作效率和降低巡检能耗,而且还有效避免巡检机器人在巡检过程中频繁更换巡检路径,保障巡检机器人的巡检准确性和稳定性。
Description
技术领域
本发明涉及监控巡检技术领域,具体涉及一种智慧巡检优化方法。
背景技术
随着物联网、云计算、大数据分析、人工智能等技术的迅猛发展,智能化应用在各个领域得以深入应用,室内智慧巡检是这一趋势的延伸,通过整合各类传感器、设备和系统,实现对室内环境的智能监测和管理;
室内智慧巡检是指利用先进的信息技术和传感器技术对室内环境、设备设施进行全面、高效、自动化的监测和巡检的一种应用场景,这一概念通常与物联网(IoT)技术、人工智能(AI)、大数据分析等相结合,旨在提高室内环境的安全性、可靠性、能效性,减少设备故障,优化维护管理,从而提升整体生活和工作质量。
现有技术存在以下不足:
1、在室内通过巡检机器人移动式巡检时,由于室内涉及多种静态目标以及动态目标,静态目标属于固定放置在室内的货物或设备,而动态目标则为各种可移动的物体(包括工作人员以及可移动设备),因此,巡检机器人通常会具有多条巡检路径,然而,现有的巡检机器人通常是由人工选择巡检路径或巡检机器人随机选择巡检路径,上述两种方式的随机性较强,使得巡检机器人可能不位于最优路径进行巡检,降低巡检机器人工作效率的同时,增加巡检机器人的巡检能耗;
2、选择巡检路径后,由于巡检机器人无法结合室内的多源数据来综合判断巡检路径是否利于通行,这会导致随机选择巡检路径后,巡检机器人在该巡检路径中,会因为存在多种阻碍通行的因素导致巡检机器人频繁更换巡检路径,进一步降低工作效率,并且容易导致漏检问题发生。
发明内容
本发明的目的是提供一种智慧巡检优化方法,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种智慧巡检优化方法,所述优化方法包括以下步骤:
S1:系统端口通过巡检区域的规划日志获取巡检区域中的静态目标,基于静态目标通过随机数生成算法随机生成若干巡检路径,将若干巡检路径进行整数编码后创建初始种群;
S2:通过路径长度、巡检时间以及巡检能耗定义适应度函数,基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群;
S3:使用交叉算子对一代巡检路径集群中的巡检路径进行数据交换,数据交换后的巡检路径生成二代巡检路径集群;
S4:对二代巡检路径集群中的巡检路径进行变异操作引入随机性,变异操作后的巡检路径生成三代巡检路径集群;
S5:重复步骤S2、S3、S4进行多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后,将最终的三代巡检路径集群作为优化巡检路径集群;
S6:系统端口通过巡检区域的摄像头以及传感器设备获取与优化巡检路径集群中巡检路径相关的实时数据,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表;
S7:路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径。
使用图像处理算法对规划日志中的信息进行处理,识别和定位静态目标的位置包括以下步骤:
对规划日志中的图像数据进行去噪处理,以提高后续处理步骤的准确性,可以进行图像增强操作,如对比度调整、灰度变换等,以增强目标的特征,提取静态目标的特征,这可能涉及到颜色、形状、纹理等方面的特征,使用图像处理技术,如卷积神经网络(CNN)或其他目标检测算法,识别图像中的静态目标,根据目标在图像中的特征,使用定位算法计算静态目标的位置,进行摄像机标定,以提高位置定位的准确性,将从图像中识别和定位的目标与规划日志中的相应目标进行关联,确保位置信息与巡检区域规划一致。
通过随机数生成算法在巡检区域中生成若干随机路径,使巡检路径覆盖所有的静态目标包括以下步骤:
确定巡检区域的边界,可以通过规划日志或地图等方式获取,使用随机数生成算法,在巡检区域内生成一个随机的起点,确保其落在合法的巡检区域范围内,从起点开始,使用随机数生成算法生成一条路径,每一步的移动方向和距离都是随机的,可以考虑使用直线段、曲线段等,以增加路径的多样性,在生成路径的同时,需要进行路径合法性检验,确保路径不越过巡检区域的边界,并且不与障碍物相交;
重复以上步骤,直到生成的路径覆盖了巡检区域中的所有静态目标或达到预定的路径数量,确保生成的路径覆盖了所有的静态目标,可以通过路径与静态目标的位置信息进行交叉验证,确保路径经过或覆盖了每个静态目标的位置,如果生成的路径未能覆盖所有目标,可以通过调整随机数生成算法的参数或增加路径数量来改进,将生成的路径转换为适应遗传算法处理的整数编码,确保路径能够被遗传算法有效处理,将生成的路径信息保存在系统中,以备后续使用。
将生成的巡检路径进行证书编码转换成整数序列,将整数编码与实际路径进行映射包括以下步骤:
确定每个路径的整数编码的长度,这可以根据路径的步数来确定,确定每个位置的取值范围,例如,如果路径有N个位置,可以使用0到N-1的整数表示每个位置,将路径上的每个位置(点)用整数表示,按照事先定义的编码规则进行转换,例如,如果有5个位置,可以将路径转换为整数序列[2,4,1,3,0],其中每个数字表示路径上对应位置的整数编码,建立整数序列与实际路径的映射关系,确保整数编码的每个值对应于路径上的一个位置,将整数编码与实际路径的映射关系保存在系统中,以便在后续的遗传算法迭代中进行解码时使用。
在一个优选的实施方式中,步骤S1中,创建初始种群包括以下步骤:
S101:系统端口进行规划日志的获取,收集巡检区域中静态目标的信息,包括设备、基础设施的位置和特征;
S102:使用图像处理算法对规划日志中的信息进行处理,识别和定位静态目标的位置;
S103:通过随机数生成算法在巡检区域中生成若干随机路径,使巡检路径覆盖所有的静态目标;
S104:将生成的巡检路径进行证书编码转换成整数序列,将整数编码与实际路径进行映射;
S105:使用整数编码后的规则随机生成初始种群中的个体,每个个体代表一个巡检路径。
在一个优选的实施方式中,步骤S2中,通过路径长度、巡检时间以及巡检能耗定义适应度函数包括以下步骤:
路径长度表示路径上各个位置之间的累计距离,巡检时间表示路径上各个位置的
累计时间,巡检能耗表示执行巡检任务所消耗的能量,则适应度函数的表达式为:,式中,为巡检路径的适应度,、、分别为路径长度、巡检时间
以及巡检能耗,、、分别为路径长度、巡检时间以及巡检能耗的权重,且。
在一个优选的实施方式中,步骤S2中,基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群包括以下步骤:
S201:将初始种群中所有巡检路径的适应度值相加得到适应度总和,计算每个巡
检路径的选择概率,表达式为:;式中,表示巡检路径的选择概率,为巡检路
径的适应度值,为适应度总和;
S202:根据计算得到的选择概率构建轮盘赌,将轮盘分成若干扇区,每个扇区对应一个巡检路径,扇区的面积大小与路径的选择概率成正比;
S203:进行轮盘赌选择,随机选择一个扇区,对应选择一条巡检路径;
S204:重复步骤S202、S203,当选择的巡检路径数量超过数量阈值时,生成一代的巡检路径集群。
在一个优选的实施方式中,步骤S3中,使用交叉算子对一代巡检路径集群中的巡检路径进行数据交换,数据交换后的巡检路径生成二代巡检路径集群包括以下步骤:
S301:获取一代巡检路径集群中最短的巡检路径长度,取最短路径长度的一半作为交叉点位置的生成距离;
S302:通过每个巡检路径的初始位置加上生成距离后得到每个巡检路径的交叉点位置;
S303:对一代巡检路径集群中所有的巡检路径两两在交叉点之后进行数据交换,生成新的巡检路径;
S304:重复交叉过程,直到一代巡检路径集群中的所有巡检路径均交叉完成后,生成二代巡检路径集群。
在一个优选的实施方式中,步骤S4中,对二代巡检路径集群中的巡检路径进行变异操作引入随机性,变异操作后的巡检路径生成三代巡检路径集群包括以下步骤:
S401:选择二代巡检路径集群中三分之一的巡检路径进行变异操作,通过随机工具生成随机距离;
S402:若随机距离大于选择巡检路径中最短长度,则重新生成随机距离;
S403:将选择的巡检路径两两进行变异操作,生成新的巡检路径;
S404:重复变异过程,直到选择的巡检路径均变异完成后,将变异后的巡检路径与二代巡检路径集群中剩余的巡检路径生成三代巡检路径集群。
在一个优选的实施方式中,步骤S6中,路径通行模型的建立包括以下步骤:
S601:获取巡检区域中所有巡检路径的障碍物干扰系数、路径最窄通行指数、路径路面破损面积以及电磁干扰度;
S602:将障碍物干扰系数、路径最窄通行指数、路径路面破损面积以及电磁干扰度
归一化处理后综合计算获取优化巡检路径集群中所有巡检路径的巡检系数,完成路径
通行模型的建立。
在一个优选的实施方式中,步骤S6中,对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表包括以下步骤:
S603:将巡检区域获取的实时数据代入路径通行模型计算得到巡检系数;
S604:巡检系数值越大,表明优化巡检路径集群中巡检路径的可通行度越好;
S605:获取所有巡检路径的巡检系数值后,将所有巡检路径依据巡检系数
值由大到小进行排序,生成路径列表;
S606:当巡检路径的巡检系数值等于0时,表明该巡检路径已经不支持通行,从
路径列表中删除。
在一个优选的实施方式中,步骤S7中,路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径包括以下步骤:
S701:每个路径包含关键点、坐标信息、任务要求,将生成的路径列表信息基于无线通信技术发送给巡检机器人;
S702:巡检机器人接收到路径列表后,根据预设的路径选择策略,选择路径列表中排序第一的巡检路径作为移动路径;
S703:机器人依据巡检路径执行巡检任务,包括在巡检路径上进行导航、运动控制、传感器数据采集;
S704:巡检机器人在移动过程中实时反馈当前位置、执行进度、检测结果信息。
在一个优选的实施方式中,所述路径最窄通行指数的获取逻辑为:通过巡检
机器人的管理系统获取巡检机器人的最小通行宽度,若巡检路径的最窄区域宽度小于最小
通行宽度,表明巡检机器人无法从该巡检路径通过,路径最窄通行指数,若巡检
路径的最窄区域宽度大于等于最小通行宽度,表明巡检机器人能从该巡检路径通过,路径
最窄通行指数;
所述障碍物干扰系数的计算逻辑为:从巡检区域的监控摄像头获取巡检路径
上的障碍物数量,以及每个障碍物的占地面积后计算障碍物干扰系数,表达式为:,其中,,n表示巡检路径上的障碍物数量,表示
巡检路径上第i个障碍物的占地面积。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过路径长度、巡检时间以及巡检能耗定义适应度函数,重复多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后生成优化巡检路径集群,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表,路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径。该优化方法在随机为巡检区域生成多个巡检路径后,自动寻找得出最优巡检路径集群,并结合巡检区域的实时数据对最优巡检路径集群中的巡检路径进行排序,使得巡检机器人能够选择最优巡检路径使用,不仅有效提高巡检机器人的工作效率和降低巡检能耗,而且还有效避免巡检机器人在巡检过程中频繁更换巡检路径,保障巡检机器人的巡检准确性和稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的初始种群生成示意图。
图3为本发明的一代巡检路径集群生成示意图。
图4为本发明的二代巡检路径集群生成示意图。
图5为本发明的思维导图。
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:请参阅图1和图5所示,本实施例所述一种智慧巡检优化方法,所述优化方法包括以下步骤:
系统端口通过巡检区域的规划日志获取巡检区域中的静态目标(即固定放置的设备以及基础设施等),基于静态目标通过随机数生成算法随机生成若干巡检路径,将若干巡检路径进行整数编码后创建初始种群,确保产生多样性的初始解,通过路径长度、巡检时间以及巡检能耗定义适应度函数,基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群,在这个步骤中,巡检路径的适应度越高,越有可能被选择使用,使用交叉算子对一代巡检路径集群中的巡检路径进行数据交换,数据交换后的巡检路径生成二代巡检路径集群,对二代巡检路径集群中的巡检路径进行变异操作引入随机性,变异操作包括交换、插入、删除等,变异操作后的巡检路径生成三代巡检路径集群;
不断重复上述步骤进行多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后,将最终的三代巡检路径集群作为优化巡检路径集群,系统端口通过巡检区域的摄像头以及传感器设备获取与优化巡检路径集群中巡检路径相关的实时数据,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表,路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径;
本申请通过路径长度、巡检时间以及巡检能耗定义适应度函数,基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群,重复多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后,将最终的三代巡检路径集群作为优化巡检路径集群,系统端口通过巡检区域的摄像头以及传感器设备获取与优化巡检路径集群中巡检路径相关的实时数据,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表,路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径。该优化方法在随机为巡检区域生成多个巡检路径后,自动寻找得出最优巡检路径集群,并结合巡检区域的实时数据对最优巡检路径集群中的巡检路径进行排序,使得巡检机器人能够选择最优巡检路径使用,不仅有效提高巡检机器人的工作效率和降低巡检能耗,而且还有效避免巡检机器人在巡检过程中频繁更换巡检路径,保障巡检机器人的巡检准确性和稳定性。
系统端口通过巡检区域的规划日志获取巡检区域中的静态目标(即固定放置的设备以及基础设施等),基于静态目标通过随机数生成算法随机生成若干巡检路径,将若干巡检路径进行整数编码后创建初始种群,具体为:
请参阅图2所示,通过系统端口进行规划日志的获取,收集巡检区域中静态目标的信息,包括设备、基础设施的位置和特征等,使用图像处理或传感器数据处理算法,对规划日志中的信息进行处理,准确识别和定位静态目标的位置,使用随机数生成算法,在巡检区域中生成若干随机路径,确保路径覆盖了所有的静态目标,且生成的路径是合法的,即不会穿越障碍物,能够覆盖所有的静态目标,将生成的巡检路径转换成整数序列,将整数编码与实际路径进行映射,以便在后续处理中能够正确解码并进行评估,确定初始种群的大小,即包含多少个巡检路径的个体,使用整数编码后的规则,随机生成初始种群中的个体,每个个体代表一个巡检路径,确保初始种群中的每个个体都是合法的巡检路径,符合巡检区域规定的条件,将生成的初始种群保存在系统中,以便在遗传算法的迭代过程中使用;
使用图像处理算法对规划日志中的信息进行处理,识别和定位静态目标的位置包括以下步骤:
对规划日志中的图像数据进行去噪处理,以提高后续处理步骤的准确性,可以进行图像增强操作,如对比度调整、灰度变换等,以增强目标的特征,提取静态目标的特征,这可能涉及到颜色、形状、纹理等方面的特征,使用图像处理技术,如卷积神经网络(CNN)或其他目标检测算法,识别图像中的静态目标,根据目标在图像中的特征,使用定位算法计算静态目标的位置,进行摄像机标定,以提高位置定位的准确性,将从图像中识别和定位的目标与规划日志中的相应目标进行关联,确保位置信息与巡检区域规划一致。
通过随机数生成算法在巡检区域中生成若干随机路径,使巡检路径覆盖所有的静态目标包括以下步骤:
确定巡检区域的边界,可以通过规划日志或地图等方式获取,使用随机数生成算法,在巡检区域内生成一个随机的起点,确保其落在合法的巡检区域范围内,从起点开始,使用随机数生成算法生成一条路径,每一步的移动方向和距离都是随机的,可以考虑使用直线段、曲线段等,以增加路径的多样性,在生成路径的同时,需要进行路径合法性检验,确保路径不越过巡检区域的边界,并且不与障碍物相交;
重复以上步骤,直到生成的路径覆盖了巡检区域中的所有静态目标或达到预定的路径数量,确保生成的路径覆盖了所有的静态目标,可以通过路径与静态目标的位置信息进行交叉验证,确保路径经过或覆盖了每个静态目标的位置,如果生成的路径未能覆盖所有目标,可以通过调整随机数生成算法的参数或增加路径数量来改进,将生成的路径转换为适应遗传算法处理的整数编码,确保路径能够被遗传算法有效处理,将生成的路径信息保存在系统中,以备后续使用。
将生成的巡检路径进行证书编码转换成整数序列,将整数编码与实际路径进行映射包括以下步骤:
确定每个路径的整数编码的长度,这可以根据路径的步数来确定,确定每个位置的取值范围,例如,如果路径有N个位置,可以使用0到N-1的整数表示每个位置,将路径上的每个位置(点)用整数表示,按照事先定义的编码规则进行转换,例如,如果有5个位置,可以将路径转换为整数序列[2,4,1,3,0],其中每个数字表示路径上对应位置的整数编码,建立整数序列与实际路径的映射关系,确保整数编码的每个值对应于路径上的一个位置,将整数编码与实际路径的映射关系保存在系统中,以便在后续的遗传算法迭代中进行解码时使用。
定义初始种群中个体的数量,这决定初始搜索空间,对于每个个体,根据整数编码的规则,随机生成一个整数序列,其中每个整数代表路径上的一个位置,确保每个位置都有且仅有一个整数编码,如果路径有5个位置,整数编码规则是从0到4,那么一个可能的随机生成的整数编码序列是[2,4,1,3,0],对于每个生成的整数编码序列,需要进行路径合法性检验,确保路径不越过巡检区域的边界,并且不与障碍物相交,如果生成的路径不合法,可以通过调整整数编码的生成规则或重新生成整数序列,直到得到合法的巡检路径,将生成的巡检路径的整数编码序列保存为初始种群中的一个个体,保存整数编码与实际路径的映射关系,以备后续解码时使用,重复以上步骤,生成足够数量的巡检路径,构成初始种群。
请参阅图3所示,通过路径长度、巡检时间以及巡检能耗定义适应度函数包括以下步骤:
路径长度表示路径上各个位置之间的累计距离,巡检时间表示路径上各个位置的
累计时间,巡检能耗表示执行巡检任务所消耗的能量,则适应度函数的表达式为:,式中,为巡检路径的适应度,、、分别为路径长度、巡检时间
以及巡检能耗,、、分别为路径长度、巡检时间以及巡检能耗的权重,且,巡检路径的适应度越大,表明巡检路径的综合性能越好。
基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群,具体为:
对于每个巡检路径,使用适应度函数计算其适应度值,适应度值越大,说明巡检路
径的综合性能越好,将所有巡检路径的适应度值相加,得到适应度总和,计算每个巡检路径
的选择概率,表达式为:;式中,表示巡检路径的选择概率,为巡检路径的适
应度值,为适应度总和,根据计算得到的选择概率构建轮盘赌,将轮盘分成若干扇区,每
个扇区对应一个巡检路径,扇区的大小与路径的选择概率成正比,进行轮盘赌选择,随机选
择一个扇区,对应选择了一条巡检路径,重复上述步骤,当选择的巡检路径数量超过数量阈
值时,生成一代的巡检路径集群。
请参阅图4所示,使用交叉算子对一代巡检路径集群中的巡检路径进行数据交换,数据交换后的巡检路径生成二代巡检路径集群,具体为:
获取一代巡检路径集群中最短的巡检路径长度,取最短路径长度的一半作为交叉点位置的生成距离,通过每个巡检路径的初始位置加上生成距离后得到每个巡检路径的交叉点位置,对一代巡检路径集群中所有的巡检路径两两在交叉点之后进行数据交换,生成新的巡检路径,重复交叉过程,直到一代巡检路径集群中的所有巡检路径均交叉完成后,生成二代巡检路径集群,例如,一代巡检路径集群中最短的巡检路径长度为100米,则生成距离为50米,假设有一代巡检路径集群中有三条巡检路径,分别为巡检路径A、巡检路径B、巡检路径C,则生成的二代巡检路径集群中的巡检路径为:
巡检路径a:巡检路径A的前50米加上巡检路径B的后续距离;
巡检路径b:巡检路径A的前50米加上巡检路径C的后续距离;
巡检路径c:巡检路径B的前50米加上巡检路径A的后续距离;
巡检路径d:巡检路径B的前50米加上巡检路径C的后续距离;
巡检路径e:巡检路径C的前50米加上巡检路径A的后续距离;
巡检路径f:巡检路径C的前50米加上巡检路径B的后续距离。
对二代巡检路径集群中的巡检路径进行变异操作引入随机性,变异操作后的巡检路径生成三代巡检路径集群,具体为:
选择二代巡检路径集群中三分之一的巡检路径进行变异操作,通过随机工具生成随机距离,若随机距离大于选择巡检路径中最短长度,则重新生成随机距离,将选择的巡检路径两两进行变异操作,生成新的巡检路径,重复变异过程,直到选择的巡检路径均变异完成后,将变异后的巡检路径与二代巡检路径集群中剩余的巡检路径生成三代巡检路径集群,变异操作主要是向巡检路径集群中增加随机性,变异操作的步骤与交叉操作步骤类似,在此不做举例说明。
重复进行多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后,将最终的三代巡检路径集群作为优化巡检路径集群,具体为:
设置一个预设的迭代次数阈值,在每次迭代中,执行选择、交叉和变异等操作,生成新的一代巡检路径集群,在每次迭代结束后,检查迭代次数是否达到预设的阈值,如果达到阈值停止,否则继续进行下一次迭代,将新生成的一代巡检路径集群替代原始种群,在算法结束时,将最终的三代巡检路径集群作为优化的结果输出,这些路径集群中的个体代表了经过多次迭代后的优秀路径规划方案。
系统端口通过巡检区域的摄像头以及传感器设备获取与优化巡检路径集群中巡检路径相关的实时数据,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表,具体为:
配置系统端口,确保它们能够与摄像头和传感器设备进行通信,这可能包括设备地址、通信协议等的配置,通过系统端口,从摄像头和传感器设备中实时采集数据,数据可以包括图像、视频流、环境监测数据等,这些数据与巡检路径相关,对采集到的数据进行实时处理与分析,对于摄像头的图像和视频流,可以使用图像处理算法进行目标识别、位置定位等,对于传感器设备的数据,可以分析环境信息、设备状态等,将实时采集到的数据与当前正在执行的巡检路径关联起来,这可能涉及到将摄像头和传感器设备的数据与已知的巡检路径进行匹配,以确定当前检测到的目标或环境信息在路径中的位置;
路径通行模型的建立包括以下步骤:
获取巡检区域中所有巡检路径的障碍物干扰系数、路径最窄通行指数、路径路面破损面积以及电磁干扰度;
将障碍物干扰系数、路径最窄通行指数、路径路面破损面积以及电磁干扰度归一
化处理后综合计算获取优化巡检路径集群中所有巡检路径的巡检系数,完成路径通行
模型的建立,表达式为:,式中,为路径最
窄通行指数,为障碍物干扰系数,为路径路面破损面积,为电磁干扰度,分别为障碍物干扰系数、路径路面破损面积以及电磁干扰度的比例系数,且均大于0;
将巡检区域获取的实时数据代入路径通行模型计算得到巡检系数,由巡检系
数的计算表达式可知,巡检系数值越大,表明优化巡检路径集群中巡检路径的可通
行度越好,因此,获取所有巡检路径的巡检系数值后,将所有巡检路径依据巡检系数值由大到小进行排序,生成路径列表,当巡检路径的巡检系数值等于0时,表明该巡
检路径已经不支持通行,可以直接从路径列表中删除;
路径最窄通行指数的获取逻辑为:通过巡检机器人的管理系统获取巡检机器
人的最小通行宽度,若巡检路径的最窄区域宽度小于最小通行宽度,表明巡检机器人无法
从该巡检路径通过,路径最窄通行指数,若巡检路径的最窄区域宽度大于等于最
小通行宽度,表明巡检机器人能从该巡检路径通过,路径最窄通行指数;
障碍物干扰系数的计算逻辑为:从巡检区域的监控摄像头获取巡检路径上的
障碍物数量,以及每个障碍物的占地面积后计算障碍物干扰系数,表达式为:,其中,,n表示巡检路径上的障碍物数量,表示
巡检路径上第i个障碍物的占地面积,障碍物干扰系数值越大,表明该巡检路径上存
在过多障碍物,对巡检机器人的正常巡检影响越大,具体为:
障碍物的存在可能导致机器人的导航变得更加困难。机器人需要能够检测障碍物并相应地调整路径,以避免碰撞或卡住。如果巡检路径上的障碍物密集,机器人可能需要更复杂的导航算法来规避障碍物,以确保安全且高效地完成巡检任务。
障碍物可能对机器人搭载的传感器产生干扰,特别是视觉传感器,例如,反射或遮挡可能导致传感器无法准确感知环境,影响机器人的感知能力,这可能需要采取额外的措施来处理或规避;
障碍物可能阻挡机器人与控制中心之间的通信信号,这可能导致通信中断或信号弱化,进而影响对机器人的实时控制和监测,在有大量障碍物的环境中,需要考虑强化通信系统以确保可靠的通信;
机器人在遇到障碍物时可能需要更多的能量来克服障碍物,例如马达可能需要更大的功率来克服摩擦力或爬升障碍物,这可能导致机器人的电池寿命缩短,需要更频繁的充电或更大容量的电池;
在与障碍物接触或穿越障碍物时,机器人的部件可能经受额外的机械磨损,这可能需要更频繁的维护和更换零部件,增加机器人的维护成本;
路径路面破损面积的计算逻辑为:通过巡检区域的监控摄像头获取巡检路径
路面上的坑洼、裂缝,计算每个坑洼、裂缝的面积后,将每个坑洼、裂缝的面积相加获取路径
路面破损面积,表达式为:,式中,表示巡检路径上的坑洼或裂缝破损面积元素,z为坑洼或裂缝的数
量,路径路面破损面积越大,巡检机器人在该巡检路径上越容易受到颠簸,容易损坏或
倾倒,具体为:
大面积的路面破损可能导致巡检机器人在行进时遇到不平坦的地形,引起振动和颠簸,这些运动会传递到机器人的结构和组件中,增加机器人的机械应力,可能导致损坏或故障;
路面破损可能导致机器人在路径上的导航不稳定,特别是当机器人依赖地面传感器进行导航时,不平坦的路面可能使传感器产生误差,影响机器人的位置估计和导航性能;
如果巡检机器人设计不足以处理大面积路面破损,可能在行进时容易倾倒,特别是在路面出现较大坑洼或不规则凸起的情况下,机器人的稳定性可能受到挑战,增加倾倒的风险;
路面破损会导致机器人底部的机械部件受到额外的冲击和摩擦,从而增加机械损耗,这可能导致机器人的零部件更快地磨损,需要更频繁的维护;
电磁干扰度的获取方式为:通过巡检路径上的电场强度测量仪、磁场强度测
量仪或频谱分析仪等,确保设备的测量范围和灵敏度足够以检测关键频率范围的干扰,在
选定的测量点上执行实地测量,测量电场强度、磁场强度以及其他与电磁干扰相关的参数,
记录每个测量点的具体位置和测量结果,电磁干扰度越大,越容易导致巡检机器人的
巡检精度下降,具体为:
电磁干扰可能对机器人搭载的传感器产生负面影响,例如,视觉传感器、激光雷达、超声波传感器等可能受到电磁场的干扰,导致测量不准确或数据失真,从而降低机器人对周围环境的感知精度;
电磁干扰可能对机器人与控制中心之间的通信信号产生干扰,如果巡检机器人与控制中心之间的通信受到影响,指令和数据传输可能出现错误,导致机器人在巡检任务中的行为不稳定,进而降低巡检的精度;
电磁干扰可能影响机器人的导航系统,导致机器人在巡检过程中偏离预定路径,这可能导致漏检、误巡或遗漏关键区域,降低巡检的全面性和准确性;
电磁干扰可能对机器人的控制系统产生干扰,导致控制系统的稳定性下降,这可能影响机器人的运动精度,使其在执行特定任务时出现误差。
由巡检系数的计算表达式可知,巡检系数值越大,表明优化巡检路径集群
中巡检路径的可通行度越好,因此,获取所有巡检路径的巡检系数值后,将所有巡检路
径依据巡检系数值由大到小进行排序,生成路径列表,当巡检路径的巡检系数值等
于0时,表明该巡检路径已经不支持通行,可以直接从路径列表中删除;
路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径,具体为:
巡检任务的管理系统生成包含多个巡检路径的路径列表,每个路径可能包含关键点、坐标信息、任务要求等,将生成的路径列表信息通过通信系统发送给巡检机器人,这可以通过使用网络通信、Wi-Fi、蓝牙等无线通信技术,或者物理存储介质(如SD卡)进行传输,巡检机器人接收到路径列表后,根据预设的路径选择策略,选择路径列表中排序第一的巡检路径作为移动路径,机器人依据巡检路径执行巡检任务,这可能涉及到机器人的导航、运动控制、传感器数据采集等,巡检机器人在移动过程中可以实时向任务管理系统反馈当前位置、执行进度、检测结果等信息,这有助于实时监控和管理整个巡检过程。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种智慧巡检优化方法,其特征在于:所述优化方法包括以下步骤:
S1:系统端口通过巡检区域的规划日志获取巡检区域中的静态目标,基于静态目标通过随机数生成算法随机生成若干巡检路径,将若干巡检路径进行整数编码后创建初始种群;
S2:通过路径长度、巡检时间以及巡检能耗定义适应度函数,基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群;
S3:使用交叉算子对一代巡检路径集群中的巡检路径进行数据交换,数据交换后的巡检路径生成二代巡检路径集群;
S4:对二代巡检路径集群中的巡检路径进行变异操作引入随机性,变异操作后的巡检路径生成三代巡检路径集群;
S5:重复步骤S2、S3、S4进行多次迭代,使新的巡检路径不断替换初始种群中的巡检路径,当迭代次数超过预设次数阈值后,将最终的三代巡检路径集群作为优化巡检路径集群;
S6:系统端口通过巡检区域的摄像头以及传感器设备获取与优化巡检路径集群中巡检路径相关的实时数据,基于路径通行模型分析实时数据对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表;
S7:路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径。
2.根据权利要求1所述的一种智慧巡检优化方法,其特征在于:步骤S1中,创建初始种群包括以下步骤:
S101:系统端口进行规划日志的获取,收集巡检区域中静态目标的信息,包括设备、基础设施的位置和特征;
S102:使用图像处理算法对规划日志中的信息进行处理,识别和定位静态目标的位置;
S103:通过随机数生成算法在巡检区域中生成若干随机路径,使巡检路径覆盖所有的静态目标;
S104:将生成的巡检路径进行证书编码转换成整数序列,将整数编码与实际路径进行映射;
S105:使用整数编码后的规则随机生成初始种群中的个体,每个个体代表一个巡检路径。
3.根据权利要求2所述的一种智慧巡检优化方法,其特征在于:步骤S2中,通过路径长度、巡检时间以及巡检能耗定义适应度函数包括以下步骤:
路径长度表示路径上各个位置之间的累计距离,巡检时间表示路径上各个位置的累计时间,巡检能耗表示执行巡检任务所消耗的能量,则适应度函数的表达式为:,式中,/>为巡检路径的适应度,/>、/>、/>分别为路径长度、巡检时间以及巡检能耗,/>、/>、/>分别为路径长度、巡检时间以及巡检能耗的权重,且。
4.根据权利要求3所述的一种智慧巡检优化方法,其特征在于:步骤S2中,基于轮盘赌选择方法根据适应度函数选择巡检路径,生成一代巡检路径集群包括以下步骤:
S201:将初始种群中所有巡检路径的适应度值相加得到适应度总和,计算每个巡检路径的选择概率,表达式为:;式中,/>表示巡检路径的选择概率,/>为巡检路径的适应度值,/>为适应度总和;
S202:根据计算得到的选择概率构建轮盘赌,将轮盘分成若干扇区,每个扇区对应一个巡检路径,扇区的面积大小与路径的选择概率成正比;
S203:进行轮盘赌选择,随机选择一个扇区,对应选择一条巡检路径;
S204:重复步骤S202、S203,当选择的巡检路径数量超过数量阈值时,生成一代的巡检路径集群。
5.根据权利要求4所述的一种智慧巡检优化方法,其特征在于:步骤S3中,使用交叉算子对一代巡检路径集群中的巡检路径进行数据交换,数据交换后的巡检路径生成二代巡检路径集群包括以下步骤:
S301:获取一代巡检路径集群中最短的巡检路径长度,取最短路径长度的一半作为交叉点位置的生成距离;
S302:通过每个巡检路径的初始位置加上生成距离后得到每个巡检路径的交叉点位置;
S303:对一代巡检路径集群中所有的巡检路径两两在交叉点之后进行数据交换,生成新的巡检路径;
S304:重复交叉过程,直到一代巡检路径集群中的所有巡检路径均交叉完成后,生成二代巡检路径集群。
6.根据权利要求5所述的一种智慧巡检优化方法,其特征在于:步骤S4中,对二代巡检路径集群中的巡检路径进行变异操作引入随机性,变异操作后的巡检路径生成三代巡检路径集群包括以下步骤:
S401:选择二代巡检路径集群中三分之一的巡检路径进行变异操作,通过随机工具生成随机距离;
S402:若随机距离大于选择巡检路径中最短长度,则重新生成随机距离;
S403:将选择的巡检路径两两进行变异操作,生成新的巡检路径;
S404:重复变异过程,直到选择的巡检路径均变异完成后,将变异后的巡检路径与二代巡检路径集群中剩余的巡检路径生成三代巡检路径集群。
7.根据权利要求6所述的一种智慧巡检优化方法,其特征在于:步骤S6中,路径通行模型的建立包括以下步骤:
S601:获取巡检区域中所有巡检路径的障碍物干扰系数、路径最窄通行指数、路径路面破损面积以及电磁干扰度;
S602:将障碍物干扰系数、路径最窄通行指数、路径路面破损面积以及电磁干扰度归一化处理后综合计算获取优化巡检路径集群中所有巡检路径的巡检系数,完成路径通行模型的建立。
8.根据权利要求7所述的一种智慧巡检优化方法,其特征在于:步骤S6中,对优化巡检路径集群中所有的巡检路径进行排序,生成路径列表包括以下步骤:
S603:将巡检区域获取的实时数据代入路径通行模型计算得到巡检系数;
S604:巡检系数值越大,表明优化巡检路径集群中巡检路径的可通行度越好;
S605:获取所有巡检路径的巡检系数值后,将所有巡检路径依据巡检系数/>值由大到小进行排序,生成路径列表;
S606:当巡检路径的巡检系数值等于0时,表明该巡检路径已经不支持通行,从路径列表中删除。
9.根据权利要求8所述的一种智慧巡检优化方法,其特征在于:步骤S7中,路径列表信息发送至巡检机器人,巡检机器人选择路径列表中排序第一的巡检路径作为移动路径包括以下步骤:
S701:每个路径包含关键点、坐标信息、任务要求,将生成的路径列表信息基于无线通信技术发送给巡检机器人;
S702:巡检机器人接收到路径列表后,根据预设的路径选择策略,选择路径列表中排序第一的巡检路径作为移动路径;
S703:机器人依据巡检路径执行巡检任务,包括在巡检路径上进行导航、运动控制、传感器数据采集;
S704:巡检机器人在移动过程中实时反馈当前位置、执行进度、检测结果信息。
10.根据权利要求9所述的一种智慧巡检优化方法,其特征在于:所述路径最窄通行指数的获取逻辑为:通过巡检机器人的管理系统获取巡检机器人的最小通行宽度,若巡检路径的最窄区域宽度小于最小通行宽度,表明巡检机器人无法从该巡检路径通过,路径最窄通行指数/>,若巡检路径的最窄区域宽度大于等于最小通行宽度,表明巡检机器人能从该巡检路径通过,路径最窄通行指数/>;
所述障碍物干扰系数的计算逻辑为:从巡检区域的监控摄像头获取巡检路径上的障碍物数量,以及每个障碍物的占地面积后计算障碍物干扰系数,表达式为:,其中,/>,n表示巡检路径上的障碍物数量,/>表示巡检路径上第i个障碍物的占地面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070679.5A CN117592633B (zh) | 2024-01-18 | 2024-01-18 | 一种智慧巡检优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070679.5A CN117592633B (zh) | 2024-01-18 | 2024-01-18 | 一种智慧巡检优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592633A true CN117592633A (zh) | 2024-02-23 |
CN117592633B CN117592633B (zh) | 2024-03-26 |
Family
ID=89911893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410070679.5A Active CN117592633B (zh) | 2024-01-18 | 2024-01-18 | 一种智慧巡检优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592633B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198366A (zh) * | 2013-04-09 | 2013-07-10 | 北京理工大学 | 一种考虑目标节点时效性的多目标路径规划方法 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
CN106500704A (zh) * | 2016-12-30 | 2017-03-15 | 亿嘉和科技股份有限公司 | 一种基于改进遗传算法的机器人路径规划方法 |
WO2018176596A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
CN108844541A (zh) * | 2018-03-09 | 2018-11-20 | 广东电网有限责任公司机巡作业中心 | 一种基于巡检场景的机巡路径规划方法 |
CN112650248A (zh) * | 2020-12-23 | 2021-04-13 | 齐鲁工业大学 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
CN113075686A (zh) * | 2021-03-19 | 2021-07-06 | 长沙理工大学 | 一种基于多传感器融合的电缆沟智能巡检机器人建图方法 |
CN113435025A (zh) * | 2021-06-22 | 2021-09-24 | 同济大学 | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 |
EP3940494A1 (en) * | 2020-07-17 | 2022-01-19 | Wuhan University of Science and Technology | Path planning method for substation inspection robot |
CN114355918A (zh) * | 2021-12-27 | 2022-04-15 | 北京航天数据股份有限公司 | 一种除冰车路径规划方法、装置及存储介质 |
CN114386696A (zh) * | 2022-01-12 | 2022-04-22 | 常州大学 | 一种对机器视觉数据模糊运算的路径规划方法 |
CN116050682A (zh) * | 2021-12-24 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 一种基于改进遗传算法的全覆盖田间路径规划方法及装置 |
CN116307648A (zh) * | 2023-05-24 | 2023-06-23 | 国网江苏省电力有限公司南京供电分公司 | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 |
-
2024
- 2024-01-18 CN CN202410070679.5A patent/CN117592633B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198366A (zh) * | 2013-04-09 | 2013-07-10 | 北京理工大学 | 一种考虑目标节点时效性的多目标路径规划方法 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
CN106500704A (zh) * | 2016-12-30 | 2017-03-15 | 亿嘉和科技股份有限公司 | 一种基于改进遗传算法的机器人路径规划方法 |
WO2018176596A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
CN108844541A (zh) * | 2018-03-09 | 2018-11-20 | 广东电网有限责任公司机巡作业中心 | 一种基于巡检场景的机巡路径规划方法 |
EP3940494A1 (en) * | 2020-07-17 | 2022-01-19 | Wuhan University of Science and Technology | Path planning method for substation inspection robot |
CN112650248A (zh) * | 2020-12-23 | 2021-04-13 | 齐鲁工业大学 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
CN113075686A (zh) * | 2021-03-19 | 2021-07-06 | 长沙理工大学 | 一种基于多传感器融合的电缆沟智能巡检机器人建图方法 |
CN113435025A (zh) * | 2021-06-22 | 2021-09-24 | 同济大学 | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 |
CN116050682A (zh) * | 2021-12-24 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 一种基于改进遗传算法的全覆盖田间路径规划方法及装置 |
CN114355918A (zh) * | 2021-12-27 | 2022-04-15 | 北京航天数据股份有限公司 | 一种除冰车路径规划方法、装置及存储介质 |
CN114386696A (zh) * | 2022-01-12 | 2022-04-22 | 常州大学 | 一种对机器视觉数据模糊运算的路径规划方法 |
CN116307648A (zh) * | 2023-05-24 | 2023-06-23 | 国网江苏省电力有限公司南京供电分公司 | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
周旺平;巩力源;王雅;: "化工灾害搜救机器人路径规划研究", 计算机仿真, vol. 33, no. 09, 15 September 2016 (2016-09-15), pages 392 - 395 * |
李培英: "基于改进遗传算法的移动机器人路径规划", 理论与方法, vol. 41, no. 6, 30 June 2022 (2022-06-30), pages 38 - 44 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592633B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115908424A (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
Sánchez‐Rodríguez et al. | Detection of structural faults in piers of masonry arch bridges through automated processing of laser scanning data | |
CN113240801B (zh) | 一种物料堆三维重构方法、装置、电子设备及存储介质 | |
CN113920053A (zh) | 基于深度学习的瑕疵检测方法、计算设备和存储介质 | |
CN110375736A (zh) | 智能设备的路径规划方法、系统、设备及可读存储介质 | |
CN110567383A (zh) | 基于结构森林和亚像素的受电弓磨耗预警系统及检测方法 | |
CN115600513A (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
CN117592633B (zh) | 一种智慧巡检优化方法 | |
CN116759355B (zh) | 一种晶圆传送控制方法及系统 | |
CN111738878B (zh) | 一种桥梁应力检测系统 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
KR102260556B1 (ko) | 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치 | |
CN115661189A (zh) | 一种场景动态信息检测方法及系统 | |
CN111612087B (zh) | 动车组teds系统图像特征字典生成方法 | |
CN112069445A (zh) | 一种2d slam算法评估及量化方法 | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN112198472A (zh) | 一种局部放电智能传感器在线远程校验方法及系统 | |
CN113706465B (zh) | 基于深度学习的笔类缺陷检测方法、计算设备和存储介质 | |
CN110703196B (zh) | 基于超声波传感器三位置测量的环境轮廓重构方法 | |
Camous et al. | Deep Networks for Point Cloud Map Validation | |
Meng et al. | Research on Metallurgical Saw Blade Surface Defect Detection Algorithm Based on SC-YOLOv5. Processes 2023, 11, 2564 | |
CN118150484A (zh) | 一种基于gis的地质灾害实时监测方法及系统 | |
CN116839530A (zh) | 三维自动扫描数据在线测试方法及相关设备 | |
CN117274386A (zh) | 一种波纹管定位检测方法、装置及电子设备 |
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 |