【技术实现步骤摘要】
本专利技术属于自动化，尤其涉及一种基于云平台的机器人巡检路径规划方法及系统。
技术介绍
1、近年来，随着现代工业科技的发展，自动控制技术得到进一步发展，很多场合都有各种设备运行，为了保证很多工厂等地方设备的正常运行，需要对现场的环境进行巡检和维护，传统技术中，往往采用人工巡检的方式，这种方式安全性低，有点环境比较危险，会严重损害工作人员的身体健康，导致巡检任务的人力成本投入大。因而自动巡检机器人被广泛关注。路劲规划作为机器人的重要组成部分，是机器人巡检工作的前提和基础。
2、而现有的巡检机器人智能化程度不高，还比较依赖于人工操作，要求操作人员有丰富的经验；且当巡检任务比较多，且巡检任务的情况比较复杂时，不同基于巡检任务的情况，规划出合适下巡检路径，巡检路径更没有考虑的巡检任务的优先级、巡检时间等特点；在路径规划过程中，也没有充分考虑路径代价的调节系数，导致在路径规划过程中不精细，存在盲目搜索，导致运算量较大；或者容易陷入局部最优值的情况，不能得到最优的路径规划。为解决上述问题，本专利技术提供一种基于云平台的机器人巡检路径规划方法及系统。
技术实现思路
1、本专利技术的目的在于提供一种基于云平台的机器人巡检路径规划方法及系统。
2、本专利技术的技术方案如下：一种基于云平台的机器人巡检路径规划方法，包括如下步骤：步骤1：根据用户发送的巡检任务，启动机器人运行，通过传感器获得环境数据，构建环境地图；巡检任务包括多个巡检目标点；
3、步骤2：将巡检任务发
4、步骤3：基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价；
5、步骤4：根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列；
6、步骤5：基于最优的全局巡检目标点序列，对相邻的目标点采用改进的a*算法进行路径规划，得到全局最优巡检路径；
7、步骤6：实时检测障碍物，并更新环境地图；当没有检测到动态障碍物时，根据全局最优巡检路径进行巡检，当检测到动态障碍物，则根据改进的teb算法得到局部路径规划；并根据局部路径规划的路径进行巡检。
8、优选的，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
9、优选的，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
10、所述适应度函数为：
11、其中分别为路径代价、时间代价、能耗代价的权重；si为粒子xi的路径长度，smin为种群中粒子路径长度最小值；smax为种群中粒子路径长度最大值；为粒子xi从起点到节点j的消耗时间，tmin为种群中粒子消耗时间最小值；tmax为种群中粒子消耗时间最大值；为第j个巡检目标点的巡检代价；e(xi)为能耗代价，
12、
13、其中，xi为第i个粒子，为第i个粒子的第k巡检目标点；分别表示巡检目标点的坐标，为巡检目标点的地势；kh>1>kl；通过系数kf，区分路径在上下坡时不同的能耗；emax为种群的最大能耗。
14、优选的，所述对相邻的目标点采用改进的a*算法进行路径规划具体包括：步骤4.1：初始化起点、终点、列表open和列表close；从起点s开始，定义s为父节点，并把它加入到列表open中；
15、步骤4.2：父节点s周围有8个栅格节点，定义为子节点，将子节点中可走的节点放入列表open中；并将父节点从列表open中移出，放入列表close中；
16、步骤4.3：计算列表open中所有节点的路径代价值f(n)；并将路径代价值最小的节点从表open中移出，放入列表close中；
17、步骤4.4：继续搜索寻找路径代价值最小的节点周围的所有节点，障碍物和列表close中的节点不考虑；如果这些节点不在列表open中，将它们加入列表open，计算这些节点的路径代价值f(n)，并设置并设f(n)值最小的点为父节点；如果某相邻的节点已经在列表open中，重新计算这些节点的f(n)值，如果新的f(n)值小于之前的值，则对原先的f(n)的值进行更新并设此节点为父节点；
18、步骤4.5：继续从列表open中找出f(n)值最小的，从列表open中删除，添加到close列表，再继续找出周围可以到达的节点，如此循环；
19、步骤4.6：当列表open中出现目标节点时，路径找到；
20、所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·l+α2·n；l为当前节点与周围障碍物的最近距离；n为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，通过调节系数调节启发函数h(n)在不同位置处的权重，可保证刚开始搜索时启发函数h(n)的调节系数比较大，减少无效节点的盲目搜索；在接近目标点时启发函数h(n)的调节系数比较小，降低陷入局部最优的风险；d为当前节点到目标点的距离，d为起点到目标点的距离，α为距离权重系数。
21、优选的，所述当检测到动态障碍物，则根据改进的teb算法得到局部路径规划具体包括：实时检测机器人与动态障碍物的距离dt，当dt大于设定阈值d0，则机器人仍然按照全局规划路径运行，当dt小于设定阈值d0，则需要进行局部路径规划，改变巡检路线，根据全局规划路径，提取关键节点，作为改进的teb算法的临时目标点；改变巡检路线的方式为：其中r为巡检路线改变后的栅格节点，ε为动态障碍物的数目，θt为机器人当前时刻相对于目标点的的偏转角；线速度与角速度的改变公式为：其中(xt，yt，θt)为当前时刻机器人的位姿；δt为时间差；在局部路径规划过程中，实时检测局部路径规划下机器人运行方向，判断机器人运行方向是否与全局规划路径方向相同,若不相同，则检测当前路线所在的栅格节点邻近的所有可行栅格节点与机器人当前位置节点的距离sa，及当前路线所在的栅格节点邻近的所有可行栅格节点与巡检目标点的距离sb，将sa+sb的数值最小路径节点作为下一步运行路线，如此循环，完成机器人局部路径规划。
22、一种基于云平台的机器人巡检路本文档来自技高网...
【技术保护点】
1.一种基于云平台的机器人巡检路径规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
3.根据权利要求2所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；所述适应度函数为：
4.根据权利要求3所述的一种基于云平台的机器人巡检路径规划方法，其特
5.根据权利要求4所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
6.一种基于云平台的机器人巡检路径规划系统，采用权利要求1-6的任一项所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，
7.根据权利要求6所述的一种基于云平台的机器人巡检路径规划系统，其特征在于，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
8.根据权利要求7所述的一种基于云平台的机器人巡检路径规划系统，其特征在于，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子Xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；
9.根据权利要求8所述的一种基于云平台的机器人巡检路径规划系统，其特征在于，所述对相邻的目标点采用改进的A*算法进行路径规划具体包括：1)：初始化起点、终点、列表open和列表c1ose；从起点S开始，定义S为父节点，并把它加入到列表open中；
10.根据权利要求9所述的一种基于云平台的机器人巡检路径规划系统，其特征在于，所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·L+α2·N；L为当前节点与周围障碍物的最近距离；N为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，d为当前节点到目标点的距离，D为起点到目标点的距离，α为距离权重系数。
...【技术特征摘要】
1.一种基于云平台的机器人巡检路径规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述基于巡检目标点的巡检优先级、巡检时间获得巡检目标点的巡检代价具体包括：对巡检目标点的巡检优先级及巡检时间进行相应加权处理，得到各巡检目标点的巡检代价
3.根据权利要求2所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述根据巡检目标点及各巡检目标点的巡检代价，基于改进的粒子群算法，获得最优的全局巡检目标点序列具体包括：1)获取巡检目标点及各巡检目标点的巡检代价；2)对粒子种群的种群规模、初始位置、初始速度及迭代次数进行初始化，并对粒子进行初始化；每个粒子xi代表当前粒子经过所有巡检目标点所走的顺序序列；3)计算每个粒子的适应度函数；4)更新粒子个体最优值和全局最优值；5)更新粒子位置和速度；6)判断是否满足结束条件，不满足则重复步骤3)-5)；满足则输出最优解；该最优解即为最优的全局巡检目标点序列；所述适应度函数为：
4.根据权利要求3所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述对相邻的目标点采用改进的a*算法进行路径规划具体包括：步骤4.1：初始化起点、终点、列表open和列表close；从起点s开始，定义s为父节点，并把它加入到列表open中；
5.根据权利要求4所述的一种基于云平台的机器人巡检路径规划方法，其特征在于，所述路径代价值：f(n)＝g(n)+εh(n)+r(n)；其中：g(n)表示起点到当前节点的实际代价，启发函数h(n)表示当前的到目标点的估计代价；r(n)为距离函数，通过距离函数避免规划的路径距离障碍物过近；r(n)＝α1·l+α2·n；l为当前节点与周围障碍物的最近距离；n为当前节点周围的障碍物数目；α1和α2分别为距离函数的权重系数；ε为启发函数的调节系数，d为当前节点到目标点的距离，d为起点到目标点的距离，α为距离权重系数。
6.一种基于...
【专利技术属性】
技术研发人员：李艳斌，周博文，张寒乐，庞敏丽，周良，李康军，何世超，龚权华，鲍文一，易志雄，
申请(专利权)人：湖南比邻星科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。