大規模復雜變電站巡檢機器人分層路徑規劃

李睿欣，湯明東，李海英，黃 微

（上海理工大學機械工程學院，上海 200093）

0 引言

隨著電網規模的增大、電壓等級的提高，其對供電安全、可靠性的要求也更加嚴格，變電站正常運行成為保障電力系統供電安全的重要環節［1-2］。目前，中國電網主要采用人工巡檢作業方式，即采用人工巡視、手工記錄的模式對運行中的變電設備進行檢查。人工巡檢存在勞動強度大、工作效率低、巡檢質量不穩定等缺點，惡劣的氣象條件對巡檢人員的身體也存在危害［3-5］。近年來，采用機器人巡檢代替人工巡檢模式已成為變電站巡檢發展的熱點方向［6-8］。巡檢機器人可在變電站的復雜環境中工作，其具有環境感知、任務規劃和動作控制等基本功能［9］。在移動機器人技術研究中，路徑規劃是有效完成復雜任務的關鍵。

國內山東省電力公司于1999 年最早開始變電站巡檢機器人研究，并于2004 年研制成功第1 臺功能樣機，之后在國家863 項目的支持下研制出變電站巡檢機器人［10］。2012 年，重慶電力公司在500kV 巴南變電站成功應用機器人進行自主巡檢作業。2014 年，浙江國自機器人公司研制的機器人在瑞安變電站投運。目前，中國在變電站機器人巡檢領域取得了長足進展，但在多傳感器綜合探測、四輪驅動移動平臺、綜合導航和精確對準、故障精確診斷等技術方面還存在瓶頸［11-12］。如今，隨著自動駕駛等新理論及應用的提出，具有全自動駕駛能力的移動機器人也得到了迅速發展，機器人可表現出與人類駕駛員相似的感知和決策能力［13］。雖然機器人在典型的城市交通場景中表現出高性能，但在大規模復雜場景中仍難以實現類人的靈活性和安全性。因此，在大規模、未知或部分未知的變電站復雜環境下，設計一種能夠避開固定障礙物及穿越可變障礙物，同時確保安全性、平滑性、靈活性和效率的路徑規劃方法仍然具有挑戰性。

如今，研究者提出了許多路徑規劃算法。這些算法可分為兩類：基于構造的方法和基于探索的方法?；跇嬙斓姆椒梢栽诰€生成可行且平滑的局部路徑，而無需復雜的計算。因此，這些方法適用于高速場景中的運動規劃。例如Piazzi 等［14］和Jian 等［15］使用多項式插值執行離線平滑和局部規劃。為實現類似的過程，Maekawa 等［16］采用基于樣條線的方法，Gu 等［17］使用了回旋線。然而，上述方法無法有效地應用于變電站、停車場、廣場和非結構化場景，這些場景中的結構信息不足以構建精確的路徑。此外，不正確的注釋或環境變化容易導致地圖與現實世界不匹配，可能會導致車輛走錯方向或影響避障性能。

相比之下，基于探索的運動規劃方法可在不依賴地圖的情況下處理規劃問題。該方法通過構建搜索樹來探索環境，直到起點與目標連接起來。其中的代表性方法包括A*［18］和快速探索隨機樹（RRT）［19］方法，這兩種方法都可以找到連接兩點的可行路徑，同時避免存在障礙物。

本文提出一種變電站復雜環境下的巡檢機器人導航方法，以實現巡檢路徑最優的路徑規劃。變電站環境中存在各種障礙物，如固定障礙物、可變障礙物等。之前的研究只針對固定障礙物或動態障礙物作出規劃，本文創新地提出可變障礙物?？勺冋系K物是指從不同方向通過它時，可呈現出障礙物或非障礙物的特點（如斜坡、臺階、洼地等）。按照規劃的巡檢線路，機器人自動記錄所有設備以及建筑物的地理信息，進而完成整個地圖數據的采集，建立變電站巡檢地圖，之后規劃變電站常規巡檢路線。本文考慮到可變障礙物的出現，不斷豐富離線地圖。采用全局路徑規劃—局部避障控制具有層次化結構的機器人導航運動控制器，實現機器人導航行為控制，以確保機器人在與人共處的復雜動態環境下可實現安全、高效的導航行為。

為了保持混合A*算法靈活性強的優點，并克服其在搜索速度和路徑平滑性方面的缺陷，本文提出一種新的基于層次搜索空間尺度的HHA*運動規劃方法，在混合A*算法基礎上作進一步優化。所提出的HHA*方法包括兩個階段：第一階段在粗標度圖上執行二維搜索，其中提取出通往目標的粗糙路徑。通過對此路徑的進一步分析，可找到幾個本地目標作為后續搜索過程的指導；第二階段在精細尺度上進行優化的HHA*搜索，以生成達到目標的可行路徑。首先利用第一階段獲得的全局目標進行引導，提高了啟發式函數的精度，從而減少了重復的無用擴展，然后利用立體曲線和解析展開曲線提高路徑的平滑性。在各種復雜的模擬場景中驗證了本文方法的安全性、平滑性、靈活性和高效率。實驗結果表明，該方法的計算效率相比混合A*算法提高了6 倍。在全局規劃階段相比混合A*提高了45.48%，在局部階段相比QBC 算法提高了22.87%，相比TEB 算法提高了16.37%。仿真和實驗結果表明，采用該方法在大規模變電站復雜場景中進行巡檢，可滿足路徑規劃平滑度和安全性的要求。

1 基本介紹及框架

變電站機器人巡檢基本框架如圖1 所示。首先機器人按照規劃的巡檢線路繞整個變電站行走一圈，機器人自動記錄所有設備及建筑物地理信息，結合變電站建筑圖紙完成整個地圖構建數據的采集；然后開啟地圖生成程序，自動生成變電站巡檢地圖；地圖構建完成后，根據變電站巡檢設備類型及數量設定巡檢點，并優化巡檢路線。當動態障礙物突然出現時，會使原來設定的巡檢路線出軌，可利用局部路徑規劃出新的巡檢路線。若遇到可變障礙物，判斷可變障礙物地形是否可以通過。如果不能通過，則將其視為障礙物并更新離線地圖，繼續進行局部路徑規劃。采用全局路徑規劃—局部避障控制具有層次化結構的機器人導航運動控制器，以確保機器人在與人共處的復雜動態環境下實現安全、高效的導航行為。

1.1 變電站離線地圖構建

變電站巡檢地圖構建步驟如下：開啟機器人激光雷達傳感器傳輸功能，完成激光雷達初始化；遙控機器人按照規劃的巡檢線路繞變電站行走一圈，機器人自動記錄所有設備及建筑物地理信息，完成地圖構建數據采集；之后開啟地圖生成程序，自動生成變電站巡檢地圖，見圖2。

地圖構建完成后，根據變電站巡檢設備類型及數量設定巡檢點，并優化巡檢路線，然后進行巡檢測試。按照標定完成的最優路線對變電站設備的巡檢點進行測試，查找遺漏并調整巡檢路線，保證設備巡檢點的全覆蓋。

Fig.1 Basic framework for substation robot inspection圖1 變電站機器人巡檢基本框架

Fig.2 Establishment of offline map of the substation圖2 變電站離線地圖構建

1.2 可變障礙物

可變障礙物是指變電站中能夠以某種方向、姿態通過的障礙物，可呈現障礙物或非障礙物的特點。基于這一特點，在變電站離線地圖中不可將其視為障礙物，否則將無法得到最優巡檢路徑。如圖3（a）所示的可變障礙物，可以上坡但不能下坡；如圖3（b）所示的可變障礙物，只能向下行駛而不能上臺階。變電站巡檢機器人能在平坦、開闊的路面行駛，面對可變障礙物則需要判斷是否能以特定的方向、姿態穿過。當變電站巡檢機器人檢測到周圍出現人或其他動態障礙物時，通過局部路徑規劃生成新軌跡，將新路徑與變電站地圖中的可變障礙物進行比對，判斷生成新的路徑是否能通過可變障礙物，如果不能通過，則將其放入離線地圖中，重新進行局部路徑規劃?？勺冋系K物路徑規劃分析過程如圖4所示。

在局部路徑規劃過程中，隨著離線地圖的不斷豐富，尤其是可變障礙物的出現加大了路徑規劃難度，所以本文提出面對大規模復雜變電站的路徑規劃方法。

1.3 豐富離線地圖

根據變電站的環境不斷豐富離線地圖。變電站環境中地形比較復雜且障礙物較多。一開始根據傳感器采集到的變電站中電站等固定障礙物信息和可變障礙物信息，將其加入到地圖中建立離線地圖。由于出現動態障礙物，利用局部路徑規劃生成新路徑。通過不斷豐富離線地圖，建立動態地圖。

Fig.3 Variable obstacles圖3 可變障礙物

Fig.4 Variable obstacle path planning analysis process圖4 可變障礙物路徑規劃分析過程

本文主要將障礙物分為3 種類型：固定障礙物、可變障礙物、動態障礙物。固定障礙物是指變電站中的大型設備，如變壓器、電站、建筑物等；可變障礙物是指變電站中能夠以某種方式通過的障礙物，不可單純設定為固定障礙物；動態障礙物是指變電站中的人、突然出現的雜物等。障礙物分類如圖5 所示。隨著離線地圖的不斷豐富以及各種類型障礙物的出現，加大了路徑規劃難度，因此本文特別提出可變障礙物的路徑規劃。

Fig.5 Obstacle classification圖5 障礙物分類

2 路徑規劃算法系統

為了實現變電站巡檢機器人的導航行為控制，使機器人在復雜動態環境下實現安全、高效的導航行為，本文提出一種新的基于層次搜索空間尺度的HHA*運動規劃方法。

2.1 HHA*算法

基于現有工作，HHA*算法包括預處理和搜索階段。在預處理階段，通過粗尺度上的2DA*搜索生成一個引導路徑。通過對生成路徑的分析，可以找到劃分整個搜索空間的局部目標，其中每個部分都相對簡單，然后在精細尺度上執行基于A*的混合搜索。在本地目標的指導下，通過使用分層啟發式函數，可大大加快搜索速度，從而使整個系統能夠及時響應環境中的動態障礙物。此外，利用曲率連續運動單元和展開曲線，使生成的路徑可直接滿足連續要求。

2.2 啟發層次函數

在子目標的幫助下，對不同子區域的狀態進行了不同定義。對于每個狀態s，將所提出的啟發式函數hHHA*定義為：

其中，Sgi表示與s所在位置對應的目標：

hHHA*由兩部分組成：局部啟發式hLocal，從s到sgi，以及輸入的啟發式h，從sgi到最終目標。當搜索樹的一個分支通過sgi時，其提供了足夠的梯度，并引導搜索過程更快接近最終目標。hLocal與hHA*略有不同，s可以達到具有橫向偏移量的sgi。當s足夠接近局部目標時，sgi就會退化為h2D，以確保一致性。

2.3 路徑平滑度優化

HHA*中的節點擴展采用直線和圓弧作為運動單元。此外，引入Reeds-Shepp 曲線作為解析展開曲線，求出直接解即這些曲線的組合。雖然用該方法可保證最終路徑方向的連續性，但是如果直接用于路徑跟蹤，生成路徑在曲率輪廓上的不連續性會引起抖動。因此，在HHA*中需要一個進一步平穩的步驟，以避免這種影響。

本文方法解決了這一問題，即在節點展開和解析展開曲線生成過程中使曲率曲線保持連續。對于節點的展開，引入連接狀態曲率與線性曲率的方法；對于解析展開曲線的生成，生成一個具有連續曲率的Reeds-shepp 樣曲線。兩種方法都能保持曲線和端點的曲率連續，使整個組合路徑連續。

2.4 運動單元

引入具有線性曲率的運動單元可用參數｛κ0，σ，L，v｝表示，其中κ0表示初始曲率，σ表示曲率，l表示曲線長度，v=±1 表示驅動方向。通過積分得到運動單元對狀態的影響：

通過旋轉和平移變換，運動單元可被附加到任何具有相同曲率的狀態s0=［x0，y0，θ0，κ0，d0］T上。生成的子狀態如下：

其中，R2× 2(θ)表示二維旋轉矩陣：

當σ=0 時，式（17）、式（18）的表達式退化為混合A*的表達式：

否則，根據初始曲率κ0=0，當σ=0 時，式（17）、式（18）可使用菲涅耳積分計算得到：

其中，FC(t)和FS(t)為菲涅耳積分，分別為：

使用所提出的運動單元的效果如圖6（a）、圖6（b）所示，圖6（a）顯示了環形曲線（κ0=0，σ=0）平滑地連接直線段（κ0=0，σ=0）與弧線段（κ0=0，σ=0）。圖6（b）的方法與圖6（c）所示的混合A*相比，可在保持生成路徑連續性的同時，有效地提高整體平滑度。

3 仿真實驗

Fig.6 Comparison of motor units in mixed A*and HHA*圖6 混合A*與HHA*中的運動單元比較

本文提出一種新的基于層次搜索空間尺度的HHA*運動規劃方法，該方法相比混合A*具有更高的搜索效率，并能得到更平滑的結果。此外，與RRT*方法相比，HHA*也具備這些優勢。在各種虛擬場景下進行實驗比較，驗證該方法的優越性。此外，還在變電站巡檢機器人平臺上通過算法實驗作進一步的道路測試。

3.1 層次啟發式函數實驗

引入100m×100m 的多障礙物場景來模擬變電站場景，驗證所提出的層次搜索結構，如圖7 所示。其中，黑色柵格為固定障礙物，灰色柵格為可變障礙物，圓圈為動態障礙物。巡檢機器人從點A 到點B 行駛，黑色虛線表示變電站常規巡檢路徑，紅色實線表示HHA*算法的實驗結果，藍色虛線表示混合A*算法的實驗結果。

Fig.7 Path planning Comparison of HHA*and hybrid A*algorithms圖7 HHA*與混合A*算法路徑規劃對比

HHA*能夠識別可變障礙物，同時能夠避開動態障礙物?；旌螦*不能識別可變障礙物，并將可變障礙物當作固定障礙物處理，且路徑較長。

表1 中列出了以上兩種方法的數值分析結果。兩種算法都可在場景中生成可行的路徑，但在搜索節點數量上存在顯著差異。與預測的一樣，混合A*中采用的兩種啟發式方法都不能真正代表到目標的距離，其搜索節點和時間消耗是HHA*的幾十倍。

Table 1 Comparison of HHA*with the other methods表1 HHA*與其他方法比較

兩種方法沿生成路徑移動的f 值如圖8 所示。由于受到被低估的啟發式函數的影響，混合A*的f 值在整個過程中不斷增加，如圖8（b）所示。相比之下，由于每個子區域比較簡單，HHA*中的啟發式函數可以很好地進行估計，從而得到圖8（a）中的多個平坦范圍。此外，圖8 中顯示了下降情況，表明當路徑通過子目標時，f 的總體趨勢保持下降，解析展開式對搜索空間的劃分也有較好效果。然而，根據表1，通過所提出的局部目標，HHA*中的解析擴展式獲得了更高的成功率，從而產生了更好的優化效果。與上述相反的是，在混合A*中，雖然嘗試了數千次的分析展開，但大部分被碰撞實驗拒絕，導致搜索速度無法得到提高。

Fig.8 f values of paths generated by both methods圖8 兩種方法生成的路徑f值

3.2 路徑平滑性分析

對HHA*和混合A*生成的路徑進行曲率分析，比較其平滑性。生成的路徑曲率曲線如圖9 所示，其中圖（a）-（b）由HHA*生成，圖（c）-（d）由混合A*生成。HHA*方法相比混合A*獲得了更平滑的曲率輪廓。在混合A*產生的路徑中有幾十個曲率，其中包含不連續的點。因此，HHA*中使用的方法滿足連續要求，而混合A*中使用的Reeds-Shepp曲線則不滿足要求。

4 路徑規劃實驗

本節精心設計了具有挑戰性的實驗場景，以驗證該方案的效率、靈活性、平滑性和安全性，并對實驗結果進行了詳細討論。

Fig.9 Curvature curve of the path圖9 生成的路徑曲率曲線

4.1 實驗設置

本文實驗在配備HokuyoUTM30LX 激光測距儀的先鋒3-DX 差速驅動機器人上進行，如圖10（a）所示，該機器人的最大線性速度為1.2 m/s。考慮到變電站導航的安全性，本文將線速度的上界設為0.7 m/s。激光測距儀的掃描范圍為270°，角度分辨率為0.25°，且有效測量范圍為0.1～30m。

Fig.10 Experimental environment圖10 實驗環境

4.2 全局路徑規劃

為驗證本文提出的路徑規劃方法的優越性能，方案1的設計如圖10（b）所示。一個盒子被放置在機器人前面作為一個可變障礙物，機器人必須到達門口。

為了對路徑規劃進行公平的比較，在方案1 的測試中使用了相同場景。在兩組測試中，全局路徑規劃的線程被觸發61 次，基于混合A*的路徑規劃器的平均擴展狀態數與圖大小分別為1 794 和4 226，而本文建議的HHA*路徑規劃的平均擴展狀態數分別為978 和1 815。與基于混合A*的路徑規劃相比，該路徑規劃的計算效率與內存消耗分別提高了45.48%和57.05%，證明了所提出的基于層次搜索空間尺度的HHA*路徑規劃方法的有效性。

4.3 局部路徑規劃

為了驗證所提出的局部規劃方法的靈活性、平滑性和效率，設計了方案2，如圖11（a）所示。在此情況下，機器人需要沿著一條長長的走廊移動，并向右急轉彎以通過門。此外，門縫里有兩個盒子作為可變障礙物。該場景需要局部路徑規劃提供平滑和靈活的運動來引導機器人達到目標。其中，本文HHA*路徑規劃結果如圖11（b）、圖11（d）所示，QBC 路徑規劃結果如圖11（c）所示，TEB 路徑規劃結果如圖11（e）所示。

Fig.11 Comparison of different results for path planning圖11 不同路徑規劃結果比較

在方案2 的測試中，本文提出的局部規劃方法顯示出良好的運動效率和靈活性。特別是當機器人接近門并需要急右轉時，通過局部規劃引導機器人順利通過門，如圖11（b）所示。相比之下，如圖11（c）所示，QBC 會引導機器人緩慢地通過門，離線設計的Bezier 曲線的端點是固定的，不能根據實時規劃任務進行調整，從而限制了局部規劃運動的靈活性。重復實驗幾次，實驗結果見表2。QBC大約需要25s 引導機器人達到目標，而本文的HHA*局部規劃方法只需要19s。與QBC 相比，本文提出的局部規劃方法的運動效率提高了22.87%。本文還將其與路徑局部規劃算法TEB 進行了比較，結果表明，本文方法得到的局部路徑明顯比TEB 更平滑，如圖11（d）、圖11（e）所示。重復幾次實驗，由表2 可知，TEB 大約需要23s 引導機器人到達目標，相比于TEB，本文提出的局部規劃方法的運動效率提高了16.37%?；谝陨蠈Ρ葘嶒灲Y果，得出了本文提出的局部規劃方法在平滑性、運動效率和靈活性方面都具有優勢。

Table 2 Comparison of motor efficiency（s）in scheme 2表2 方案2中運動效率比較

5 結語

本文提出一種HHA*運動規劃方法來解決變電站復雜場景下機器人的運動規劃問題，針對變電站中的可變障礙物提出解決方案。本文所提出的HHA*方法包括兩個階段：第一階段在變電站粗標度圖上執行二維搜索，其中提取出通往目標的粗糙路徑，通過對此路徑作進一步分析，可將障礙物進行具體分類作為后續搜索過程的指導；第二階段在精細尺度上進行優化的HHA*搜索，克服了混合A*在搜索速度和路徑平滑性方面的缺陷。在該方法中，采用一種新的啟發式函數來加速搜索，同時采用連續運動單元來提高生成路徑的平滑性。實驗結果表明，本文方法在運行速度和路徑平滑性方面相比其他方法具有更大優勢。進一步的道路實驗表明，該方法能更好地響應快速變化。后續工作還將對該方法進行擴展，以更好地與場景中的動態障礙物進行交互。