[發(fā)明專利]一種高鐵巡檢機器人的路徑規(guī)劃方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202310349256.2
• 申請日: 2023-04-04
• 公開（公告）號: CN116125995B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計）人: 姚道金;殷雄;董文濤;程宵;王曉明
• 申請（專利權(quán)）人: 華東交通大學(xué)
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 南昌賢達專利代理事務(wù)所(普通合伙) 36136
• 代理人: 胡友勝

1.一種高鐵巡檢機器人的路徑規(guī)劃方法，其特征在于，包括：

獲取高鐵站的環(huán)境信息，根據(jù)所述環(huán)境信息構(gòu)建點云地圖，其中，所述點云地圖中包含靜態(tài)障礙物點云和動態(tài)障礙物點云；

提取所述靜態(tài)障礙物點云，根據(jù)所述靜態(tài)障礙物點云構(gòu)建2D柵格地圖，并在所述2D柵格地圖中使用改進的算法進行全局路徑規(guī)劃，生成全局最優(yōu)路徑，其中，所述在所述2D柵格地圖中使用改進的算法進行全局路徑規(guī)劃，生成全局最優(yōu)路徑包括：

設(shè)置最大迭代次數(shù)；

采用自適應(yīng)采樣函數(shù)約束初始路徑生成之前的采樣空間；

根據(jù)預(yù)設(shè)的混沌算法在所述采樣空間中生成隨機采樣節(jié)點，其中所述混沌算法的Logistic映射的表達式為：

，

式中，為控制參數(shù)，為下一個混沌矢量，為當(dāng)前混沌矢量，為矢量索下標(biāo)，為矢量總數(shù)；

從起始點生長的樹Tree1開始，在所述采樣空間中以目標(biāo)點為臨時目標(biāo)點，根據(jù)混沌序列生成一個有效采樣節(jié)點，在樹Tree1找到新節(jié)點，對新節(jié)點進行碰撞檢測，如果不發(fā)生碰撞則將生成的樹枝和節(jié)點加入樹Tree1；再從目標(biāo)點生長的樹Tree2開始，在所述采樣空間中以樹Tree1中新節(jié)點為臨時目標(biāo)點，根據(jù)混沌算法生成另一個有效采樣節(jié)點，在樹Tree2找到新節(jié)點，對新節(jié)點進行碰撞檢測，如果不發(fā)生碰撞則將生成的樹枝和節(jié)點加入樹Tree2，樹Tree1和樹Tree2向著彼此的方向生長，直至連接成初始路徑；

根據(jù)重選父節(jié)點函數(shù)和剪枝函數(shù)對隨機樹的節(jié)點與樹枝進行優(yōu)化，其中，優(yōu)化過程包括：重選父節(jié)點函數(shù)，當(dāng)新找到的節(jié)點加入隨機樹后，以節(jié)點為圓心形成一個圓，計算圓中覆蓋的節(jié)點與節(jié)點的距離，并將距離最短的節(jié)點與節(jié)點連接起來，將距離最短的節(jié)點與節(jié)點加入隨機樹；當(dāng)節(jié)點已經(jīng)加入隨機樹，在圓中尋找是否有其他節(jié)點與節(jié)點連接之后，形成到起始節(jié)點的新路徑，比與父節(jié)點相連時路徑短，若存在就將其他節(jié)點與節(jié)點相連，將其他節(jié)點與父節(jié)點之間的樹枝去除；

通過啟發(fā)式采樣函數(shù)，將所述初始路徑后的采樣空間限制在一個橢圓采樣空間內(nèi)部；

根據(jù)融合貪心算法選擇出在當(dāng)前狀況下的最優(yōu)父節(jié)點，進行碰撞檢測，生成去冗余路徑；

考慮巡檢機器人的運動學(xué)特性，融合B樣條曲線對所述去冗余路徑進行平滑性約束，得到全局最優(yōu)路徑，其中，得到全局最優(yōu)路徑的過程具體包括：將去冗余路徑的關(guān)鍵點作為B樣條曲線基函數(shù)控制點，生成曲率連續(xù)的平滑路徑；設(shè)存在n+1個控制點，k階B樣條曲線定義為：

，

，

式中，為B樣條曲線函數(shù)，為k次B樣條基函數(shù)，為組合數(shù)，計算方式為，?為節(jié)點向量，為B樣條的冪次，為次B樣條基函數(shù)的數(shù)量，為k次B樣條基函數(shù)的系數(shù)；

采用三次?B樣條曲線函數(shù)平滑約束去冗余路徑，并融合障礙物碰撞檢測函數(shù)，得到全局最優(yōu)路徑，其中，三次?B樣條曲線函數(shù)的表達式為：

，

式中，為改進三次B樣條曲線函數(shù)，為障礙物評價系數(shù)，為障礙物的邊緣與路徑之間的夾角；

對巡檢機器人進行運動學(xué)建模，并基于改進的DWA算法控制所述巡檢機器人在沿著所述全局最優(yōu)路徑巡檢時躲避局部動態(tài)障礙物，使得到最終巡檢路線，其中，得到最終巡檢路線過程具體包括：

在全局化時生成的柵格地圖上加入動態(tài)障礙物信息，同時將全局最優(yōu)路徑中的個路徑點坐標(biāo)存入集合中，并根據(jù)預(yù)設(shè)選取公式在集合中選取預(yù)設(shè)個數(shù)的路徑點作為局部路徑規(guī)劃的臨時目標(biāo)點；

通過調(diào)節(jié)左右輪驅(qū)動速度來控制巡檢機器人沿著局部路徑規(guī)劃的臨時目標(biāo)點移動，并對巡檢機器人進行運動學(xué)建模，其中，運動學(xué)建模中包含巡檢機器人的最大速度、最大加速度、線速度和角速度；

融合人工勢場算法，給局部動態(tài)障礙物增加斥力場，約束巡檢機器人的最大速度和最大加速度；

根據(jù)獲取的動態(tài)障礙物信息預(yù)測動態(tài)障礙物的速度和航向，根據(jù)所述動態(tài)障礙物的速度和航向優(yōu)化巡檢機器人的線速度和角速度；

根據(jù)改進的DWA算法的評價函數(shù)控制所述巡檢機器人在沿著所述全局最優(yōu)路徑巡檢時躲避局部動態(tài)障礙物，使得到最終巡檢路線，其中所述評價函數(shù)的表達式為：

，

式中，為方位角評價子函數(shù)，為距離評價子函數(shù)，為速度評價子函數(shù)，為能耗評價子函數(shù)，為轉(zhuǎn)彎評價子函數(shù)，為平滑函數(shù)，分別為方位角評價子函數(shù)的加權(quán)系數(shù)、距離評價子函數(shù)的加權(quán)系數(shù)、速度評價子函數(shù)的加權(quán)系數(shù)、能耗評價子函數(shù)的加權(quán)系數(shù)，為轉(zhuǎn)彎評價子函數(shù)的加權(quán)系數(shù)；

其中，方位角評價子函數(shù)的表達式為：

，

，

式中，為修正系數(shù)，為權(quán)值，為巡檢機器人位置指向目標(biāo)角度，為巡檢機器人的朝向，為時間間隔個數(shù)，為系數(shù)，為移出距離，為取整函數(shù)；

距離評價子函數(shù)的表達式為：

，

式中，為巡檢機器人距離障礙物的最小距離，為距離修正系數(shù)，R為巡檢機器人半徑；

速度評價子函數(shù)的表達式為：

，

，

式中，為線速度評價系數(shù)，為角速度評分，分別為巡檢機器人第t-2時刻、第t-1時刻和第t時刻的角速度，均為速度評價系數(shù)，為角速度評價權(quán)值；

能耗評價子函數(shù)的表達式為：

，

式中，為巡檢機器人第i個采樣點的線速度，為巡檢機器人第i個采樣點的角速度；

轉(zhuǎn)彎評價子函數(shù)的表達式為：

，

式中，為轉(zhuǎn)彎評價權(quán)值。