一種巡檢機器人自適應路徑巡檢方法的研究

程晶晶　周明龍

摘要：一種巡檢機器人的自適應路徑巡檢方法，依據自適應巡檢順序依次對交叉點處的巡檢路徑進行與環境不穩定性相匹配的自適應巡檢，得到每個巡檢路徑的巡檢數據序列，將巡檢數據序列代入至預先建立的路徑狀態預測模型，得到巡檢路徑的路徑狀態，并根據巡檢路徑的路徑狀態對巡檢路徑的不穩定程度進行反饋調整，實現了對巡檢機器人在交叉點的自適應巡檢順序進行反饋調整來保障巡檢順序符合巡檢排除不穩定性的時效性。

關鍵詞：巡檢機器人；路徑巡檢；自適應

中圖分類號：F270? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）01-0035-03

隨著機器人技術的快速發展，巡檢機器人在工業、農業、醫療、軍事以及社會服務業等領域得到廣泛運用[1]，特別是以巡檢機器人為載體，搭載紅外熱成像儀、可見光攝像頭等設備完成與故障監測、設備監控等相關的工作任務，具有廣闊的應用前景和實用價值。

在移動機器人相關技術研究中，移動機器人路徑跟蹤必須具有高可靠性，并且適應強磁、強輻射、高寒、高壓等特殊環境。電磁感應巡線是目前用于巡檢機器人最可靠的導航方案。電磁感應巡檢是利用設置在機器人上的電磁感應傳感器不斷感應鋪設在巡檢路徑上的磁條，以保證機器人始終行駛在既定的巡檢路徑上，磁條是永磁鐵，不受環境光線、溫度、濕度、天氣條件、場地路面的影響[2]。

但是現有技術中，機器人自動運行，運行過程中操作人員并不能直觀地確定機器人的當前巡檢路段，導致巡檢路徑順序無法依據現實情況合理規劃，不能保障巡檢時效性。

1 一種巡檢機器人自適應路徑巡檢方法的技術方案

為解決現有技術中巡檢路徑順序無法依據現實情況合理規劃，不能保障巡檢時效性的技術問題，文章提出了一種巡檢機器人自適應路徑巡檢方法，主要是在多個巡檢路徑的交叉點依次獲取每個巡檢路徑的環境數據序列[3]，通過不穩定性預測模型得到每個巡檢路徑的不穩定程度，排列出巡檢機器人在交叉點的自適應巡檢順序，依次對交叉點處的巡檢路徑進行與環境不穩定性相匹配的自適應巡檢得到每個巡檢路徑的巡檢數據序列，代入至預先建立的路徑狀態預測模型得到巡檢路徑的路徑狀態，對巡檢路徑的不穩定程度進行反饋調整，以保障巡檢順序符合巡檢排除不穩定性的時效性。

2 一種巡檢機器人自適應路徑巡檢方法的具體實施流程

一種巡檢機器人的自適應路徑巡檢方法，包括以下步驟：

步驟S1：在多個巡檢路徑的交叉點依次獲取每個巡檢路徑的環境數據序列[4]，包括：巡檢機器人由交叉點出發依次向每個巡檢路徑行進預設長度得到環境監測點，并在各個巡檢路徑上的環境監測點處朝向巡檢路徑終點監測每個巡檢路徑的環境數據序列，環境數據序列由環境監測點朝向巡檢路徑終點監測到巡檢機器人的環境數據序列監測長度得到。其中，巡檢機器人在獲取到一個巡檢路徑的環境數據序列后由環境監測點返回至交叉點，再由交叉點重新出發到另一巡檢路徑的環境監測點處。

預設長度設置包括：設置預設長度為L，巡檢路徑的路徑總長度為D，巡檢機器人的環境數據序列監測長度為d；以獲取的環境數據序列分布于巡檢路徑在上半程路徑和下半程路徑為原則構建預設長度的求解函數，求解函數的函數表達式為：

根據巡檢路徑的路徑總長度D、巡檢機器人的環境數據序列監測長度為d設定出每條巡檢路徑的環境監測點，使得從該環境監測點處能夠使巡檢機器人獲得的環境數據序列包含巡檢路徑上半程路徑和下半程路徑的環境情況，能夠更全面地掌握巡檢路徑的現實環境情況。

將環境數據序列代入至預先建立的不穩定性預測模型得到每個巡檢路徑的不穩定程度，包括：將各個巡檢路徑的環境數據序列代入至各個巡檢路徑的不穩定性預測模型，由不穩定性預測模型輸出每個巡檢路徑的不穩定程度。

不穩定性預測模型的構建包括：選取每個巡檢路徑的標準環境數據序列以及選取多個表征每個巡檢路徑不穩定程度的環境數據序列作為樣本環境數據序列；計算各個樣本環境數據序列與標準環境數據序列的數據相似度，并將數據相似度作為樣本環境數據序列對應的巡檢路徑的不穩定程度，數據相似度的衡量采用歐式距離、余弦相似度或相關系數中的任意一種；將每個巡檢路徑的樣本環境數據序列作為BP神經網絡的輸入項，樣本環境數據序列作為BP神經網絡的輸出項[5]，利用BP神經網絡基于BP神經網絡的輸入項和BP神經網絡的輸出項進行模型訓練得到每個巡檢路徑的不穩定性預測模型，不穩定性預測模型的模型表達式為：

Pi=BPi （[date]i） ? ? ? ? ?（2）

式中，Pi為第i個巡檢路徑的不穩定程度，[date]i為第i個巡檢路徑的環境數據序列，BPi為第i個巡檢路徑的BP神經網絡，i為計量常數。

識別巡檢路徑的不穩定程度，其中不穩定程度高，表明該巡檢路徑上現實環境情況不穩定，易造成巡檢路徑上的設備裝置出現異常工作狀態，因此不穩定程度高的巡檢路徑應當設定為優先巡檢，即在交叉點處存在多個巡檢路徑待排序時，將不穩定程度高的巡檢路徑排列在前，從而盡快在該巡檢路徑上進行安全巡檢，識別出異常狀況或排除異常狀況，如果存在異常狀況，可減少異常狀況的存續時長，降低損失，保證巡檢的時效性。

步驟S2：基于不穩定程度排列出巡檢機器人在交叉點的自適應巡檢順序，并依據自適應巡檢順序依次對交叉點處的巡檢路徑進行與環境不穩定性相匹配的自適應巡檢得到每個巡檢路徑的巡檢數據序列，巡檢數據包括：設備影像、設備熱量、設備聲音等。基于不穩定程度排列出巡檢機器人在交叉點的自適應巡檢順序，包括：將交叉點的各個巡檢路徑依據不穩定程度進行由高到低排列得到巡檢機器人在交叉點的自適應巡檢順序；其中，若存在至少兩個巡檢路徑的不穩定程度相同且路徑總長度不相同，則將路徑總長度短的巡檢路徑排列在前；若存在至少兩個巡檢路徑的不穩定程度相同且路徑總長度相同，則隨機將任一巡檢路徑排列在前。依據自適應巡檢順序依次對交叉點處的巡檢路徑進行與環境不穩定性相匹配的自適應巡檢得到每個巡檢路徑的巡檢數據序列，包括：巡檢機器人由交叉點出發依次向每個巡檢路徑行進至巡檢路徑終點監測每個巡檢路徑的巡檢數據序列；其中，巡檢機器人在獲取到一個巡檢路徑的巡檢數據序列后由巡檢路徑終點返回至交叉點，再由交叉點重新出發到另一巡檢路徑的巡檢路徑終點處獲取另一巡檢路徑的巡檢數據序列。

步驟S3：將巡檢數據序列代入至預先建立的路徑狀態預測模型得到巡檢路徑的路徑狀態，并根據巡檢路徑的路徑狀態對巡檢路徑的不穩定程度進行反饋調整，以實現對巡檢機器人在交叉點的自適應巡檢順序進行反饋調整來保障巡檢順序符合巡檢排除不穩定性的時效性。將巡檢數據序列代入至預先建立的路徑狀態預測模型得到巡檢路徑的路徑狀態，包括：將各個巡檢路徑的巡檢數據序列代入至路徑狀態預測模型，由路徑狀態預測模型輸出每個巡檢路徑的路徑狀態。

路徑狀態預測模型的構建包括：將各個巡檢路徑的歷史巡檢數據序列和歷史路徑狀態進行提取，并將歷史巡檢數據作為SVM分類器的輸入項，歷史路徑狀態作為SVM分類器的輸出項，利用SVM分類器基于SVM分類器的輸入項和SVM分類器的輸出項進行分類器訓練得到路徑狀態預測模型[6]，路徑狀態預測模型的模型表達式為：

Label=SVM（[Date]）? ? ? ? （3）

式中，Label為路徑狀態，[Date]為巡檢路徑的巡檢數據序列，SVM為SVM分類器，路徑狀態包括正常狀態或異常狀態。

根據巡檢路徑的路徑狀態對巡檢路徑的不穩定程度進行反饋調整，包括：

當巡檢路徑的路徑狀態為正常狀態，則將巡檢路徑的不穩定程度調整為：

當巡檢路徑的路徑狀態為異常狀態，則將巡檢路徑的不穩定程度調整為：

構建路徑狀態預測模型用于獲取巡檢路徑的路徑狀況，在確認巡檢路徑的路徑狀態后，根據巡檢路徑的路徑狀態對不穩定程度進行調整，從而為后續巡檢提供巡檢輔助，即當前巡檢確定巡檢路徑為正常狀態，則在下次巡檢時以當前的路徑狀態為參考，當前巡檢為正常狀態，說明該巡檢路徑上環境情況對路徑上設置裝置的狀況無影響或影響較小，因此需要對不穩定程度進行降低，從而使得該巡檢路徑的巡檢優先性降低，本實施將路徑狀態對不穩定程度的調整設定與調整時間差相關聯，其中，下次巡檢較當前巡檢的時間間隔過長，環境情況變化性不可估計，進而路徑狀態對不穩定程度的調整可參考性降低，從而時間間隔越長，不穩定程度降低程度越小，巡檢路徑的巡檢優先性降低程度越小，下次巡檢較當前巡檢的時間間隔較短，環境情況變化性較小，進而路徑狀態對不穩定程度的調整可參考性高，從而時間間隔越長，不穩定程度降低程度越大，巡檢路徑的巡檢優先性降低程度越大。

當前巡檢確定巡檢路徑為異常狀態，則在下次巡檢時以當前的路徑狀態為參考，當前巡檢為異常狀態，說明該巡檢路徑上環境情況對路徑上設置裝置的狀況影響較大，因此需要對不穩定程度進行提升，從而使得該巡檢路徑的巡檢優先性升高，本實施例將路徑狀態對不穩定程度的調整設定與調整時間差相關聯，其中，下次巡檢較當前巡檢的時間間隔過長，環境情況變化性不可估計，進而路徑狀態對不穩定程度的調整可參考性降低，從而時間間隔越長，不穩定程度升高程度越小，巡檢路徑的巡檢優先性升高程度越小，下次巡檢較當前巡檢的時間間隔較短，環境情況變化性較小，進而路徑狀態對不穩定程度的調整可參考性高，從而時間間隔越長，不穩定程度升高程度越大，巡檢路徑的巡檢優先性升高程度越大。

根據巡檢路徑的路徑狀態對巡檢路徑的不穩定程度進行反饋調整，實現了巡檢路徑優先性的調整[7]，利用巡檢數據對基于環境數據獲得的巡檢順序進行修正，提高巡檢順序設定的合理性。

對巡檢機器人在交叉點的自適應巡檢順序進行反饋調整[8]，包括：將交叉點的各個巡檢路徑依據反饋調整后的不穩定程度進行由高到低排列得到反饋調整后的巡檢機器人在交叉點的自適應巡檢順序；其中，若存在至少兩個巡檢路徑的不穩定程度相同且路徑總長度不相同，則將路徑總長度短的巡檢路徑排列在前；若存在至少兩個巡檢路徑的不穩定程度相同且路徑總長度相同，則隨機將任一巡檢路徑排列在前。在計算前，將各個巡檢路徑的巡檢數據序列和環境數據序列均進行歸一化處理。交叉點的巡檢路徑不包含以交叉點作為巡檢路徑終點的已完成巡檢的巡檢路徑。

3 結束語

與現有技術相比，建立的不穩定性預測模型識別每個巡檢路徑的不穩定程度，基于不穩定程度排列出巡檢機器人在交叉點的自適應巡檢順序[9]，將巡檢數據序列代入至預先建立的路徑狀態預測模型得到巡檢路徑的路徑狀態，并根據巡檢路徑的路徑狀態對巡檢路徑的不穩定程度進行反饋調整，實現了對巡檢機器人在交叉點的自適應巡檢順序進行反饋調整來保障巡檢順序符合巡檢排除不穩定性的時效性。

參考文獻：

[1] 段瑗.基于視覺信息的移動機器人路面環境分析方法研究[D].天津：河北工業大學，2015.

[2] 聶鴻宇，劉睿，薛志航.磁導航巡檢機器人運動控制系統設計[J].中國測試，2014，40（S1）：42-44.

[3] 奚婉.基于激光掃描的電力巡檢機器人導航系統研制[D].杭州：浙江大學，2017.

[4] 邵延華，羅燕楊，楚紅雨，等.基于STM32的便攜式環境質量監測儀設計[J].自動化儀表，2020，41（7）：7-10，14.

[5] 黃永紅.灰色-BP神經網絡在深基坑變形預測中的應用研究[J].四川理工學院學報（自然科學版），2016，29（5）：18-22.

[6] 王晨.數據驅動的公路隧道運營監控系統設計及應用[D].西安：長安大學，2017.

[7] 武孟賢.基于改進遺傳算法的設備巡檢路徑優化研究[D].天津：河北工業大學，2016.

[8] 凌烈.輸電線路巡檢機器人設計與實驗研究[D].沈陽：東北大學，2012.

[9] 周明龍，程晶晶.一種防彎道側翻的智能移動機器人設計[J].綠色科技，2022，24（10）：246-249.

【通聯編輯：代影】