基于机器学习的微型巡检机器人避障路径规划

基于机器学习的微型巡检机器人避障路径规划

翁志能,程秀芹,张勇华,王小龙,席凯

北方自动控制技术研究所 山西太原 030006

摘要：目前，随着科技的发展，维护安全的方式也开始从传统的人工巡检向智能化、无人化发展，微型巡检机器人是巡检领域发展的垫脚石，对于智能化的发展有促进作用。随着我国经济的快速发展，智能系统所承载的工作量也越来越多，导致智能系统人工巡检工作者的工作任务量严重超出正常工作量，并且智能系统运输量的提高，致使运输也不断提高，为此在安全维护领域下将用微型巡检机器人代替人工巡检。基于机器学习的微型巡检机器人避障路径规划可以使巡检机器人避让较多的障碍物，并且对于复杂障碍物的避障能力保持稳定，巡检效果较好。

关键词：机器学习；微型巡检机器人；避障行为；路径规划分析

前言：路径规划用于决策机器人在环境中如何行走的问题，是实现机器人智能化的关键技术。为提高机器人路径规划，对未知环境的实时性、适应性和优化性要求越来越高。自主移动机器人是集环境感知、动态策略与规划、行为控制与执行等多功能于一体的综合系统。

1. 基于动态窗口的避障算法及仿真概述

机器人局部路径规划的方法很多，动态窗口法就是其中的一种，其主要是在速度（v,w）空间中采样多组速度，并模拟机器人在这些速度下一定时间内的轨迹。在得到多组轨迹以后，对这些轨迹进行评价，选取最优轨迹所对应的速度来驱动机器人运动。该算法突出点在于动态窗口这个名词，它的含义是依据移动机器人的及速度性能限定速度采样空间在一个可行的动态图范围内。

2. 机器人避障路径规划

机器学习技术被广泛地应用于家庭服务、工业指导、军事作业等多个领域，机器学习分为单机机器学习技术和多机机器学习技术两种类型，根据机器学习面向对象的难度，选择最佳的机器学习方法。单机机器学习技术相对于多机机器学习技术的应用范围少，根据文中设计的微型巡检机器人避障路径规划方法，文中选择多机机器学习技术，该技术通过对环境的学习可以完成静态和动态两种不同路径的规划，并且在路径规划过程中具有自我校验的流程，避免规划路径存在冗余问题。

微型巡检机器人确定好自身存在的位置，根据控制中心发送的巡检任务，规划微型巡检机器人需要巡检的具体路径。规划过程中利用斥力函数确定巡检的有效范围，通过人工势场的方法将巡检范围内存在的障碍物进行标记。障碍物标记的原理是存在障碍物位置的人工势场结合实时环境的场强，会向外发散出一个斥力，斥力影响巡检目标对巡检机器人路线的引力，微型巡检机器人则通过引力的大小判断巡检障碍物的具体位置。

微型巡检机器人识别到巡检的有效范围和巡检障碍物后，可以初次完成微型巡检机器人避障路线的规划，此次路线规划将存在障碍物的可巡检路线舍去，但是如果全部路线都存在障碍物，那么就要启动微型巡检机器人的避障功能。文中通过DWA滑动窗口方法，驱使微型巡检机器人在运行过程中避开障碍物，稳定地完成巡检工作。

3.智能移动机器人避障路径规划方法的实现

避障与路径规规划问题在等众多领域有着广泛的应用，涉及环境表达、规划方法、路径搜索以及人工智能等多个学科。在智能移动机器人的核心技术研究，通常都常都包含两个重要的技术，一个是避障技术，一个是移动路径规划。为智能移动机器人设计一个科学合理的移动路径，来减少和避免遗漏区域、重复区域，即增加了机器人在移动时安全，也同时增加了对周围环境的安全。机器人如果在有障碍物的环境中移动，那就一定会对避障路径规划问题进行研究。避障路径规划可按照移动时间最短、移动路径最短、长度、消耗能量最少等多种技术指标，规划一条从起始点位置到达目标点位置最优避障路径。机器人要实现避障移动，首先机器人要知道自己在周围环境中的位置，然后是机器人通过各种传感器获取周围环境的信息，根据得到的数据进行地图构建，最后是对其移动路径进行规划。科学合理的路径规划是结合地图构建的信息以及自身的运动状态信息，选择路径计算方法，再经过一系列计算后，为机器人行走提供了一条最优或次优移动路径。路径规划按照机器人对于周围环境的已知程度来分，可分为完全已知的路径规划、部分已知的路径规划，以及完全未知的路径规划。按照路径的划分层次又可分为全局和局部路径规划。全局路径规划需要机器人对于周围的环境地图信息完成掌握，根据掌握的地图信息进行路径规划，计算出一系列关键点作为子目标点传达给局部路径规划系统。而局部路径规划只需知道距离机器人在移动过程中的周围较近的障碍物的信息，在它走过程中，不断根据传感器的信息更新其内部的环境表示，规划出一条从起点到某一目标点的路径。在移动过程中，最容易实现也是最常见点到点的路径规划外，除此之外重点还要进行完全遍历路径规划。它一种特殊的路径规划方法，要让机器人找到一条有效可行移动路径，使其移动的路线可以覆盖到整移动区域，不仅要减少或避免遗漏区域和还要减少或避免重复区域，以提高机器人移动的覆盖率，实现移动路径的最优效果。人工势场法是机器人移动路径规划算法中一种简单有效的方法。当机器人向目标行进过程中，所处的环境中如包含静止的或移动的障碍物时，可以定义并计算出一个人工势场，通过搜索势场函数下降方向来实现机器人的的避障路径规划。在静态环境下，机器人能够追踪到目标点，也能很好地完成避障工作，路径比较光滑。在动态环境下，通常包括运动中的目标与障碍物，此时两者对机器人产生的力场作用原理不变，由于环境的复杂化导致一般的势力场公式不能很好地满足要求，因此需要根据实际情况修改基本的势力场公式，使之能适应动态环境。移动机器人在环境中的运动视为一种在抽象的人造受力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求合力的方法来控制机器人的运动。势场中包括斥力极和吸引极，不希望机器人进入的区域和障碍物定义为斥力极，目标及建议机器人进入的区域定义为引力极，使得在该势场中的移动机器人受到其目标位引力场和障碍物周围斥力场的共同作用，机器人向目标前进。人工势场法是通常采用梯度势场法。机器人在势场中具有一定的抽象势能，它的负梯度方向表示机器人系统所受到抽象力的方向，正是这种抽象力促使机器人绕过障碍物，朝目标前进。通常通过建立统一的势能函数来解决这一问题，但这就要求障碍物最好是规则的，否则算法的计算量将很大，有时甚至是无法计算的。当机器人遇到多个障碍物的时候，采用势场的迭加来求得多个障碍物对机器人的斥力势场。

但从另一个方面来看，由于人工势场法在数学描述上简洁、美观，这种方法仍然具有很大的吸引力。但是它也有一定的的局限性，主要表现在当目标附近有障碍物时，移动机器人将永远也到达不了目的地。在以前的许多研究中，目标和障碍物都离的很远，当机器人接近目标时，障碍物的斥力变的很小，甚至可以忽略，机器人将只受到吸引力的作用而直达目标。

4.结束语：

综上所述，机器学习算法提高了微型巡检机器人对于巡检路径规划的自学习性和智能性，使得巡检机器人可以达到安全巡检的目的。相信通过文中的设计，可以提高微型巡检机器人巡检的工作效率，降低巡检机器人碰撞事故的发生率，促进微型巡检智能化发展，具有非常广泛有应用价值。

参考文献：

[1]张永,钱平,杨松伟.基于插补轨迹控制的变电站机器人巡检避障技术[J].机械与电子,2020,38(8):49-53.

[2]张刚,宋丽敏,龚健,等.基于B样条曲线的电力巡检机器人越障控制[J].自动化与仪表,2020,35(3):41-45.

[3]张承模,田恩勇,胡星,等.变电站巡检机器人巡检路径规划策略的研究[J].自动化技术与应用,2019,38(11):89-93.

[4]张凡,蔡涛,刘文达,等.基于改进JPS算法的电站巡检机器人路径规划[J].电子测量技术,2020,43(8):16-22