陈南凯(1989-), 男, 博士生, 从事多机器人协作作业的研究, E-mail:
王耀南(1957-), 男, 教授, 博士生导师, 中国工程院院士, 从事机器人技术、智能电动车控制技术、机械电力工业自动化控制系统等研究, E-mail:
贾林(1988-), 男, 博士生, 从事机器人控制的研究, E-mail:
针对大型变电站巡检作业效率低的问题, 利用改进的生物激励神经网络算法和优先级启发式算法, 结合基于变切线长的无障碍物区域分割法, 提出一种多移动机器人协同全区域覆盖巡检以及多任务点协同巡检的方法.首先, 分析生物激励神经网络算法的不足, 如规划的路径曲折、转角大等问题, 并提出一种改进方法, 利用改进的算法和Hungarian算法实现对多任务点的巡检; 然后, 设计一种变切线法将电站区域分解成若干不含障碍物的子区域, 各移动机器人分别在子区域内利用优先级启发式算法选择路径, 利用改进的生物激励神经网络算法跳出死区, 从而完成多机器人的协同全区域巡检任务; 最后, 通过仿真实验表明, 改进的神经网络算法相比于原始算法与A*算法在路径长度和转向次数等方面具有明显的优化作用, 仿真实验验证了所提出多机器人协同巡检方案的可行性.
A multi-mobile robot cooperative method is proposed to overcome the problem of low inspection efficiency in the large substation, by using the improved biological excitation neural network algorithm in this paper. Firstly, the shortcoming of the biological excitation neural network algorithm is analyzed, such as tortuous paths, large turning angle, and then an improved method is proposed. Combining the improved method and Hungarian algorithm, the cooperative inspection task of multi-robot for multi-task points is completed. Then, a variable tangent method is designed to decompose the substation area into several sub-regions without obstacles, and the priority heuristic algorithm is proposed for the robots to complete the full-area inspection task, meanwhile the improved method also be used for the robots to jump out the dead zone. Simulation experiments show that compared with the original algorithm and A* algorithm, the improved algorithm has obvious optimization effects in terms of path length and turning times, and the feasibility of the multi-robot collaborative inspection scheme is also proved throught the simulation.
电力是国民经济发展中最为重要的生产资料, 也是人民生活中必不可少的生活资料.安全稳定的电力供应对确保经济社会又好又快地发展具有十分重要的意义.然而, 在输变电部分, 电网和变电站长期暴露在野外, 具有极大的安全隐患.为防止大规模电网事故发生, 需要定期对输电线路和变电站进行检测与维护.然而, 目前电站的巡检工作主要依靠人工作业, 且存在很多不足, 如劳动强度大、工作效率低、检测质量分散、手段单一; 在雷雨等恶劣天气条件下, 人工巡检存在较大安全风险, 无法及时进行巡检; 传统的视频监控系统, 由于受到种种条件限制, 存在很大的监控盲区, 很难真正满足视频监控全方位覆盖的要求[
本文针对巡检机器人的路径规划以及多移动机器人协同全覆盖巡检问题进行研究.路径规划是指按照一定的优化规则, 在工作空间找出一条从初始位置到目标位置且能够避开障碍物的最优路径[
生物激励神经网络算法中, 目标点向拓扑空间中的节点传输活性值, 形成一个各节点活性不同的活性场, 机器人按照一定的选择规律从初始位置移动到目标位置.周围环境的变化直接体现在神经元的活性场上, 初始阶段所有神经元的活性值均为0, 神经元活性值的变化按照分流方程[
其中:
令
其中
神经元活性场
为了节省能量并提高工作效率, 机器人在路径决策时应考虑走最短路径、最少转向等因素.因此在该模型中, 机器人下一个位置点的选择由该点神经元活性值和机器人前一个位置决定, 即
其中:
生物激励神经网络算法在计算神经元的活性值时, 其输入刺激主要包括两部分, 即目标点才有的自身激励以及周围神经元传播的加权激励.但是, 在边界和障碍物附近, 由于邻域内可传播活性值的神经元减少, 从而导致该处的神经元活性值普遍偏低, 生成的路径不合理, 如
原算法规划的不合理路径
生物激励神经网络算法的输入信号主要分为两部分: 抑制输入信号
针对边界附近神经元(即作业区域内最外层神经元)因邻域内活性神经元减少而导致的总活性值偏低的问题, 本文采取扩展地图以增加机器人虚拟神经元活动范围的方法, 将原始地图的边界神经元分别向外扩展一层.初始化时, 假设这些区域是虚拟可达的(不视为障碍), 具有积极的活动值, 也可以传播活性, 但在选择实际路径时忽略它们.该方法的主要目的是提高原始地图边界神经元的活性值, 可以看作是对这些神经元的边界保护, 如
边界扩展
针对障碍物附近神经元因邻域内活性神经元减少而导致的总活性值偏低的问题, 对其刺激输入信号部分进行如下改进[
其中:
该方法使神经元活性值不与邻域内活性神经元个数有关, 而只与其平均值有关, 这样可以解决因邻域内活性神经元个数较少而导致的中心神经元活性值偏低的问题.
多移动机器人协同巡检任务可以分为单点巡检、多点巡检以及全区域覆盖巡检3类.本文主要针对多点巡检与全区域覆盖巡检设计协同方法, 使多移动机器人可以高效、安全地完成大型电站的巡检任务.
在任务区域内, 有时需要对多个设备点进行巡检, 这种情况下, 多机器人的协同分工可以有效地提高巡检效率.对每一个点的巡检可以视为一个子任务, 则多点巡检是在完成所有子任务的前提下要求总代价
其中:
代价评估: 在已知环境信息中, 以机器人当前位置为起始点, 以待巡检点为目标点, 各机器人基于改进生物激励神经网络算法给出完成各子任务的代价, 形成一个代价表.
多任务分配: 本文采用Hungarian算法进行多任务的分配[
自行巡检: 各移动机器人按照分配的任务以及规划的最优路径进行巡检.
多移动机器人协同覆盖巡检可以分为如下步骤: 1)对待巡检目标区域进行分解, 将一个整体任务分解成若干子任务; 2)将若干子任务分配到各机器人当中; 3)各移动机器人分别规划巡检路径, 并按该路径进行巡检.
本文基于已知环境内的地图信息对任务区域进行分解, 主要目的是将待巡检区域分解成若干不包含障碍物的子区域.因此, 设计一种基于障碍物位置的切线法实现区域分解.记第
step1:在新地图
step2:遇到
step3:记录切线与障碍物
step4:记该交点为
step5:若无其他
step6:记该交点为
step7:若无其他
step8:判断
任务区域分布如
任务区域分解
巡检区域被分解成若干子区域后, 需要将这些子区域分配给各移动机器人.利用上述的区域分解方法获得的子区域数目
当
当
本文采用栅格地图, 地图信息用二值表示.各机器人在分配到任务后, 移动到巡检子区域, 按照一定的方式实现目标区域的巡检任务.本文设计一种基于优先级启发式与生物激励神经网络相结合的方法规划机器人的路径, 其中优先级启发式算法负责机器人正常行驶中路径的选择问题, 生物激励神经网络算法主要处理机器人在进入死区时的路径选择问题.
优先级启发算法: 对邻域内神经元优先级进行排序, 本文设计两种不同优先级顺序的启发式算法, 分别对应于不同类型的地图.对于地图长宽比较大的地形, 采用第1种优先级顺序: n
生物激励神经网络: 当机器人完成某点巡检任务后, 若周围8个神经元位置均为已巡检区域或不可达区域, 则表明该机器人进入了死区状态.在此情况下, 机器人扫描子区域内是否还有尚未巡检区域, 若有, 则按照前文中改进的生物激励神经网络算法规划出从死区点到各未巡检点的最优路径, 然后按照下式比较各未巡检点的最小代价
其中:
为了验证改进算法的有效性, 仿真实验将原算法和A*算法与改进后的算法进行对比.在30
原算法生成的路径
A*算法生成的路径
改进算法生成的路径
3种不同算法的效果对比
指标 | A*算法 | 原算法 | 改进算法 |
路径长度 | 59.46 | 60.28 | 9.46 |
转向次数 | 18 | 21 | 16 |
转动角度 | 50.27 | 53.41 | 39.27 |
可以看出, 改进后的生物神经网络算法不仅减少了转向次数和转动角度, 起到了优化路径平滑度的作用, 而且路径长度也得到了缩减.由
多机器人多任务点巡检
各机器人对任务的代价评估
cost | ||||
18.64 | 32.35 | 21.20 | 52.36 | |
19.63 | 19.62 | 33.93 | 36.65 | |
24.96 | 29.67 | 23.70 | 39.58 | |
31.35 | 19.06 | 31.94 | 22.77 |
为了验证该多移动机器人协同巡检作业方案的有效性, 对
多机器人协作巡检路线
本文主要设计一种变电站多移动机器人协同巡检的方案.首先, 改进生物激励神经网络算法中的一些缺陷, 有效提升了路径的质量, 利用改进算法和Hungarian算法实现了多机器人对多任务点的协同巡检; 然后, 利用切线法将障碍物地图分割成若干不包含障碍物的子区域, 多移动机器人分别在各自子区域内利用启发式算法与改进后的生物激励神经网络算法实现对变电全区域的覆盖巡检; 最后, 通过仿真实验验证了所提出方案的有效性.
责任编委:谢晖.
裴茂林, 黄洋界, 赵伟, 等. 智能电能表异常测量数据诊断方法综述[J]. 电测与仪表, 2018, 55(23): 129-135.
Pei M L, Huang Y J, Zhao W, et al. A review on outlier detection techniques for smart meter data analytic[J]. Electrical Measurement & Instrumentation, 2018, 55(23): 129-135.
方立. 面向电力巡检机器人的仪表示数识别[D]. 杭州: 浙江大学, 2017.
Fang L. Industrial meter reading for patrol robot of electric power substation[D]. Hangzhou: Zhejiang University, 2017.
黄山, 吴振升, 任志刚, 等. 电力智能巡检机器人研究综述[J]. 电测与仪表, 2020, 57(2): 26-38.
Huang S, Wu Z S, Ren Z G, et al. Review of electric power intelligent inspection robot[J]. Electrical Measurement & Instrumentation, 2020, 57(2): 26-38.
李磊, 叶涛, 谭民, 等. 移动机器人技术研究现状与未来[J]. 机器人, 2002, 24(5): 475-480.
Li L, Ye T, Tan M, et al. Present state and future development of mobile robot technology research[J]. Robot, 2002, 24(5): 475-480.
Yao Q F, Zheng Z Y, Qi L, et al. Path planning method with improved artificial potential field---A reinforcement learning perspective[J]. IEEE Access, 2020, 8: 135513-135523.
Orozco-Rosas U, Montiel O, Sepúlveda R. Mobile robot path planning using membrane evolutionary artificial potential field[J]. Applied Soft Computing, 2019, 77: 236-251.
Yang B W, Ding Z M, Yuan L, et al. A novel urban emergency path planning method based on vector grid map[J]. IEEE Access, 2020, 8: 154338-154353.
Yao K, Li J W, Sun B, et al. An adaptive grid model based on mobility constraints for UAV path planning[C]. The 2nd International Conference on Control Science and Systems Engineering(ICCSSE). Piscataway: IEEE, 2016: 207-211.
Liu C G, Mao Q Z, Chu X M, et al. An improved a-star algorithm considering water current, traffic separation and berthing for vessel path planning[J]. Applied Sciences, 2019, 9(6): 1057.
Le A, Prabakaran V, Sivanantham V, et al. Modified a-star algorithm for efficient coverage path planning in tetris inspired self-reconfigurable robot with integrated laser sensor[J]. Sensors, 2018, 18(8): 2585.
Alomari A, Phillips W, Aslam N, et al. Dynamic fuzzy-logic based path planning for mobility-assisted localization in wireless sensor networks[J]. Sensors, 2017, 17(8): 1904.
Bagherian M. Unmanned aerial vehicle terrain following/terrain avoidance/threat avoidance trajectory planning using fuzzy logic[J]. Journal of Intelligent & Fuzzy Systems, 2018, 34(3): 1791-1799.
宋晓茹, 任怡悦, 高嵩, 等. 移动机器人路径规划综述[J]. 计算机测量与控制, 2019, 27(4): 1-5.
Song X R, Ren Y Y, Gao S, et al. Survey on technology of mobile robot path planning[J]. Computer Measurement & Control, 2019, 27(4): 1-5.
Yang S X, Meng M. An efficient neural network approach to dynamic robot motion planning[J]. Neural Networks, 2000, 13(2): 143-148.
刘晶, 姚维, 章玮. 移动机器人全覆盖路径规划算法研究[J]. 工业控制计算机, 2019, 32(12): 52-54.
Liu J, Yao W, Zhang W. Research on path planning algorithm of mobile robot[J]. Industrial Control Computer, 2019, 32(12): 52-54.
王新武, 任浩, 雷珊, 等. 改进的清洁机器人全覆盖路径规划算法[J]. 电子技术与软件工程, 2013(21): 154-155.
Wang X W, Ren H, Lei S, et al. Improved full coverage path planning algorithm for cleaning robot[J]. Electronic Technology & Software Engineering, 2013(21): 154-155.
陈超勇, 熊禾根, 陶永, 等. 基于高效模板法与动态窗口法的服务机器人全覆盖路径规划方法[J]. 高技术通讯, 2020, 30(9): 949-958.
Chen C Y, Xiong H G, Tao Y, et al. Coverage path planning method for service robot based on efficient template algorithm and dynamic window approach[J]. Chinese High Technology Letters, 2020, 30(9): 949-958.
Chen Y J, Liang J C, Wang Y N, et al. Autonomous mobile robot path planning in unknown dynamic environments using neural dynamics[J]. Soft Computing, 2020, 24(18): 13979-13995.
Ivey R, Bullock D, Grossberg S. A neuromorphic model of spatial lookahead planning[J]. Neural Networks, 2011, 24(3): 257-266.
Yang S X, Meng M Q H. Real-time collision-free motion planning of a mobile robot using a neural dynamics-based approach[J]. IEEE Transactions on Neural Networks, 2003, 14(6): 1541-1552.
王耀南, 潘琪, 陈彦杰. 改进型生物激励神经网络的路径规划方法[J]. 控制工程, 2018, 25(4): 541-548.
Wang Y N, Pan Q, Chen Y J. Path planning method based on improved biologically inspired neural network[J]. Control Engineering of China, 2018, 25(4): 541-548.
Chopra S, Notarstefano G, Rice M, et al. A distributed version of the Hungarian method for multirobot assignment[J]. IEEE Transactions on Robotics, 2017, 33(4): 932-947.
Choset H. Coverage of known spaces: The boustrophedon cellular decomposition[J]. Autonomous Robots, 2000, 9(3): 247-253.