一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法技术

本发明专利技术公开了一种基于改进BIT*与人工势场法融合的电力巡检机器人巡检路径规划方法，该方法包括：根据传统BIT*算法扩展节点找出初步最优全局路径，使用改进BIT*算法对初步最优全局路径进行优化，获取并导出最优全局路径中的各个节点；基于人工势场法，将这些节点添加到引力场中，计算其势场函数，生成新节点并持续追踪这些新节点直至到达目标位置，输出BIT*融合人工势场法的最优路径。本申请弥补了BIT*算法单独使用时，局部出现未知障碍物无法及时躲避的问题，以及人工势场法单独使用时，局部最优但是无法达到目标点的问题，满足电力巡检机器人全局路径规划过程中的动态避障需求。机器人全局路径规划过程中的动态避障需求。机器人全局路径规划过程中的动态避障需求。

【技术实现步骤摘要】
一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法


[0001]本专利技术涉及智能
，特别是涉及一种动态环境下的基于改进BIT*与人工势场法的电力巡检机器人路径规划方法。

技术介绍

[0002]随着人工智能技术的不断发展，具备自主路径规划的巡检机器人在日常生活中因为其全天候、实时监控、数据云端，减少人力资源投入等等优点在电力设备、医院、写字楼等巡检方面受到了广泛运用。在电力巡检机器人领域中，自主导航的路径规划技术作为其的核心技术之一，计算出一种最快速、最安全到达目的地的路径对动态环境下的巡检显得尤为重要。现有的路径规划方法主要有：A*算法、RRT算法、概率路线图法、人工势场法，蚁群算法等等。但是单一的路径规划算法在动态场景下实施避障缺陷凸显，故此，提出一种具备多种算法融合优势的新型路径规划算法显得尤为重要。
[0003]传统的批通知树(Batch Informed Trees，BIT*)算法并存了A*算法和RRT*算法的优势，但是BIT*算法无法躲避动态障碍物，在动态场景下路径规划效果不佳。人工势场法是一种局部路径规划算法，其机理在于目标点施加引力作用，障碍物施加斥力作用，最终通过力的矢量和作用在巡检机器人上控制机器人运动，该算法因其路径光滑，逻辑简单广泛应用于机器人的局部动态避障中。但是人工势场法局限于局部环境，缺乏全局环境信息，因此容易引起目标不可达的情况。

技术实现思路

[0004]本专利技术的目的在于提出基于改进BIT*与人工势场法的电力巡检机器人路径规划方法，提升电力巡检机器人的巡检效率。本专利技术方法中的BIT*算法并存了A*算法和RRT*算法的优势，同时BIT*算法与人工势场法的融合，弥补了BIT*算法单独使用时局部出现未知障碍物无法进行及时躲避的问题，以及人工势场法单独使用时局部最优但是无法达到目标点的问题，满足巡检机器人全局路径规划过程中的动态避障需求。
[0005]为解决上述技术问题，本专利技术提供一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法，具体包括如下步骤：
[0006]S1，初始化参数；
[0007]S2，利用栅格地图确定起始位置和目标位置；
[0008]S3，根据传统BIT*算法，由起始点和目标点确定椭圆区域，在划定的椭圆区域内增加采样点，对采样点进行连线、选边、节点扩展，找出传统BIT*算法初步确定的最优全局路径；
[0009]S4，根据改进后的BIT*算法对冗余节点去除并新增关键节点，进一步优化全局路径；
[0010]S5，导出最优全局路径中的各个节点；
[0011]S6，基于人工势场法，通过目标点提供引力，障碍物提供排斥力，形成引力场，将该些节点添加到引力场中，计算其势场函数，生成新目标节点(虚拟)，并持续追踪这些新目标节点(虚拟)直至到达目标位置；
[0012]S7，输出BIT*融合人工势场法得到的最优路径，电力巡检机器人路径规划结束。
[0013]进一步的，所述步骤S1中初始化参数，指改进BIT*与人工势场法的巡检机器人路径规划算法参数，包括BIT*融合人工势场法的算法参数以及巡检机器人的运动学参数：BIT*融合人工势场法的算法参数包括最短路径长度参数，引力场函数参数，斥力场函数参数，距离函数参数，模拟时间；巡检机器人运动学参数包括初始方位角，最大线速度，最小线速度，最大角速度，最大线加速度，最大角加速度，线速度分辨率，角速度分辨率，采样周期。
[0014]进一步的，所述步骤S2中，利用栅格地图确定起始位置和目标位置，具体指每一次重新模拟都从新初始化栅格地图，并在在初始化后的栅格地图中确定起始位置和目标位置。
[0015]进一步的，所述步骤S3中，根据传统BIT*算法，由起始点和目标点确定椭圆区域，在划定的椭圆区域内增加采样点，对采样点进行连线、选边、节点扩展，找出传统BIT*算法初步确定的最优全局路径，具体方法为：
[0016]步骤S3.1，根据传统BIT*算法，由起始点和目标点确定椭圆区域，其中，椭圆两个焦点为起始点和目标点，椭圆长轴长度为D
long
，表示目前状态下最优全局路径长度，椭圆短轴长度为D
short
，D
short
表示为：
[0017][0018]其中，D
min
表示为起始位置和目标位置之间的欧拉距离；
[0019]步骤S3.2，在划定的椭圆区域内生成采样点；
[0020]步骤S3.3，对采样点进行连线选择，其中函数F1可以得出当前栅格模型中的最优连线，函数F2可以得出当前栅格模型的最优节点；函数F3可以得出当前栅格模型中的连线的最优移动成本；函数F4可以得出当前栅格模型中节点的最优移动成本，F1至F4表达式为：
[0021]F1＝BestInQuene(Q
E
),
[0022]F2＝BestInQuene(Q
V
),
[0023]F3＝BestValue(Q
E
),
[0024]F4＝BestValue(Q
V
),
[0025]其中，Q
E
为存储最优移动成本递增排列的连线的队列，Q
V
为存储最优移动成本递增排列的节点的队列；
[0026]步骤S3.4，对采样点进行连线操作，由步骤S3.3提到的函数F1得出当前栅格模型Q
E
队列中的最优连线，连接一条最优连线之后并将该连线在队列Q
E
中删除，便于完成连线之后的操作，避免数据冗杂；
[0027]步骤S3.5，对采样点进行节点扩展，由步骤S3.3提到的函数F2得出当前栅格模型Q
V
队列中的最优节点v，然后计算各个节点v中欧拉距离小于r的节点构成采样点M
r
，当采样点中的节点m满足v和m的连线的欧拉距离小于v和m在栅格模型中的连线长度的条件时，将连线(v,m)增加到Q
E
队列中；
[0028]步骤S3.6，如果还为达到迭代次数，则进行修剪操作，具体修剪操作为：删除采样
点中成本高于预定成本的节点，删除当前存在的节点中成本大于预定成本的节点，删除当前完成的连线中成本大于预定成本的连线；
[0029]步骤S3.7，如果已经达到迭代次数，则生成当前状态下的机器人最优全局路径。
[0030]进一步的，所述步骤S4中，根据改进后的BIT*算法对冗余节点去除并新增关键节点，进一步优化全局路径，具体方法为：
[0031]步骤S4.1，在传统BIT*算法中，选出当前最优路径中的各个节点定义为n
int
、n1、n2、n3……
n
m
、n
m+1
、n
out
；
[0032]步骤S4.2，连接n
int
和n2，当连线与障碍物不碰撞时连接n
in本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进BIT*与人工势场法的电力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，初始化参数；S2，利用栅格地图确定起始位置和目标位置；S3，根据传统BIT*算法，由起始点和目标点确定椭圆区域，在划定的椭圆区域内增加采样点，对采样点进行连线、选边、节点扩展，找出传统BIT*算法初步确定的最优全局路径；S4，根据改进后的BIT*算法对冗余节点去除并新增关键节点，进一步优化全局路径；S5，导出最优全局路径中的各个节点；S6，基于人工势场法，通过目标点提供引力，障碍物提供排斥力，形成引力场，将该些节点添加到引力场中，计算其势场函数，生成新目标节点(虚拟)，并持续追踪这些新目标节点(虚拟)直至到达目标位置；S7，输出BIT*融合人工势场法得到的最优路径，电力巡检机器人路径规划结束。2.根据权利要求1所述一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法，其特征在于：S1，初始化参数，具体包括BIT*融合人工势场法的算法参数以及巡检机器人的运动学参数：BIT*融合人工势场法的算法参数包括最短路径长度参数，引力场函数参数，斥力场函数参数，距离函数参数，模拟时间；巡检机器人运动学参数包括初始方位角，最大线速度，最小线速度，最大角速度，最大线加速度，最大角加速度，线速度分辨率，角速度分辨率，采样周期。3.根据权利要求1所述一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法，其特征在于：S2，利用栅格地图确定起始位置和目标位置，具体指每一次重新模拟都从新初始化栅格地图，并在在初始化后的栅格地图中确定起始位置和目标位置。4.根据权利要求1所述一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法，其特征在于：S3，根据传统BIT*算法，由起始点和目标点确定椭圆区域，在划定的椭圆区域内增加采样点，对采样点进行连线、选边、节点扩展，找出传统BIT*算法初步确定的最优全局路径，具体方法为：步骤S3.1，根据传统BIT*算法，由起始点和目标点确定椭圆区域，其中，椭圆两个焦点为起始点和目标点，椭圆长轴长度为D
long
，表示目前状态下最优全局路径长度，椭圆短轴长度为D
short
，D
short
表示为：其中，D
min
表示为起始位置和目标位置之间的欧拉距离；步骤S3.2，在划定的椭圆区域内生成采样点；步骤S3.3，对采样点进行连线选择，其中函数F1可以得出当前栅格模型中的最优连线，函数F2可以得出当前栅格模型的最优节点；函数F3可以得出当前栅格模型中的连线的最优移动成本；函数F4可以得出当前栅格模型中节点的最优移动成本，F1至F4表达式为：F1＝BestInQuene(Q
E
),F2＝BestInQuene(Q
V
),F3＝BestValue(Q
E
),F4＝BestValue(Q
V
),
其中，Q
E
为存储最优移动成本递增排列的连线的队列，Q
V
为存储最优移动成本递增排列的节点的队列；步骤S3.4，对采样点进行连线操作，由步骤S3.3提到的函数F1得出当前栅格模型Q
E
队列中的最优连线，连接一条最优连线之后并将该连线在队列Q
E
中删除，便于完成连线之后的操作，避免数据冗杂；步骤S3.5，对采样点进行节点扩展，由步骤S3.3提到的函数F2得出当前栅格模型Q
V
队列中的最优节点v，然后计算各个节点v中欧拉距离小于r的节点构成采样点M
r
，当采样点中的节点m满足v和m的连线的欧拉距离小于v和m在栅格模型中的连线长度的条件时，将连线(v,m)增加到Q
E
队列中；步骤S3.6，如果还为达到迭代次数，则进行修剪操作，具体修剪操作为：删除采样点中成本高于预定成本的节点，删除当前存在的节点中成本大于预定成本的节点，删除当前完成的连线中成本大于预定成本的连线；步骤S3.7，如果已经达到迭代次数，则生成当前状态下的机器人最优全局路径。5.根据权利要求1所述一种基于改进BIT*与人工势场法的电力巡检机器人路径规划方法，其特征在于：S4，根据改进后的BIT*算法对冗余节点去除并新增关...

【专利技术属性】
技术研发人员：周凯，李俊芬，韩飞，杨荆宜，尹秋妮，胡卡，李旭东，姚道金，董文涛，
申请(专利权)人：华东交通大学董文涛，
类型：发明
国别省市：