面向復雜障礙場的電力巡檢機器人局部動態融合路徑規劃

寧雪峰，袁煒燈

(1.廣東電網有限責任公司 東莞供電局，廣東 東莞 523000；2.華南理工大學 電力學院，廣州 510000)

0 引言

目前我國變電站的發展方向以無人式管理為主，巡檢機器人出現后，解決了以往人工巡檢效率低這一弊端[1]。電力設備巡檢時，機器人屬于巡檢所用智能體，可使用全自動或遠程控制的方式完成電力巡檢任務。當下我國很多企業都將無軌化導航技術，使用在機器人巡檢控制問題中，但此類技術均以優化巡檢信息采集精度、常規性巡檢路徑規劃效果為主，未考慮機器人在復雜障礙場中路徑規劃效果[2]。復雜障礙場中，除了固定已知障礙物，還會出現動態移動、新增的障礙物，此類障礙物的出現模式并不存在規律，此問題對電力巡檢機器人運行安全存在直接威脅[3-4]。

劉勝等人曾將ACO-SA算法，用于變電站巡檢機器人路徑規劃問題中，此算法可由改進的蟻群-模擬退火算法，完成機器人路徑全局規劃，但在復雜障礙場中避障效果還有待測試[5]；童梟軍等人在規劃表計讀數巡檢機器人巡檢路徑時，構建可優化巡檢效率的路徑規劃目標函數，并由蟻群優化算法尋優獲取路徑規劃方案，完成巡檢機器人路徑優化設計。但此方法路徑規劃僅適用于環境已知的工況之中，針對動態、突然出現的障礙物而言，此方法是否具備路徑動態規劃能力，還有待分析[6]。邱碩涵等人通過使用DStar算法來規劃機器人的最優路徑，考慮到機器人在執行任務時可能會遇到障礙物或工作空間的干擾，因此在規劃路徑時充分考慮了避免碰撞的策略，從而降低了潛在的碰撞風險和安全隱患，保障了機器人執行任務的安全性[7]。鄭亞紅等人提出利用自適應蒙特卡洛定位算法解決傳統蒙特卡洛算法中機器人綁架和粒子數固定問題，能夠實時定位巡檢機器人的位置，并結合異常溫度檢測與報警算法，及時發現并報警溫度異常情況。與傳統蒙特卡洛算法相比，它能夠根據機器人實時的運動狀態，動態地調整粒子數的數量，減少了機器人綁架和定位不準確的問題，提高了巡檢效率和精準度，同時也保障了機器人行動的安全性[8]。張志文等人采用了融合改進A*算法和動態窗口法的全局動態路徑規劃方法。這種方法首先基于傳統A*算法，結合JPS算法對子節點進行擴展跳躍，從而提高了路徑規劃效率；其次，采用Floyd算法對規劃的路徑進行平滑優化，使得路徑更加平滑，減少了路徑的曲折度；最后，融合動態窗口法，使得A*算法能夠進行全局動態路徑規劃[9]。但上述方法的路徑規劃效率及機器人運動效率不夠理想，還需要獲得更加智能化和高效的路徑規劃解決方案。

為此，本文研究面向復雜障礙場的電力巡檢機器人局部動態融合路徑規劃方法。此方法結合復雜障礙場環境的特殊性，采用基于柵格法的復雜障礙場地圖生成方法，構建面向復雜障礙場的電力巡檢環境地圖。結合所構建地圖信息，采用基于局部動態融合的電力巡檢機器人路徑規劃方法，通過改進遺傳算法尋優獲取最短路徑并結合時間彈性帶算法，在不同時刻根據機器人位姿信息，判斷機器人與動態障礙物碰撞可能性，并通過彈性拉伸方式完成局部動態融合的避障運行。同時，還需要對局部動態規劃路徑中機器人運行方向與全局規劃路徑的一致性進行分析和動態調節規劃機器人巡檢路徑，以確保其路徑規劃的準確性和高效性。

1 電力巡檢機器人局部動態融合路徑規劃方法

障礙物群體因運行方式不同，且存在未知性，為此可將其看做復雜障礙場。面向復雜障礙場的電力巡檢環境中可能存在多種形狀的障礙物，如墻壁、陡坡、河流等。這些障礙物不僅影響了機器人的行進速度，還可能引起機器人的碰撞和損壞。且巡檢環境可能包含多個場景，例如室內外、高空等，不同場景的特點和巡檢難度都不一樣。需要針對不同場景做出相應的適配和規劃。并且環境中障礙物和巡檢目標的位置隨時間和空間的變化而改變，機器人需要實時感知環境并調整路徑規劃。為簡略說明巡檢過程，將電力巡檢機器人所巡檢環境，近似成二維平面，則電力巡檢機器人在巡檢環境中，躲避多種障礙物問題，便可看成二維空間中穿越復雜障礙場問題。設置電力巡檢機器人在出發點至巡檢目標點時，途中會出現已知、未知障礙物群體，此類障礙物群體又分為靜態、動態障礙物，詳情如圖1所示。障礙物之間存在一定距離，可以作為電力巡檢機器人可通行路徑。

為此，在此巡檢環境中，想要保證電力巡檢機器人安全運行至目標點，必須動態規劃機器人的運行路徑，在動態避障的前提下，才能安全抵達目標點[10]。為此，本文研究面向復雜障礙場的電力巡檢機器人局部動態融合路徑規劃方法，此方法的核心方法主要分為復雜障礙場地圖生成、全局路徑規劃、局部動態路徑規劃、巡檢路徑動態融合規劃4種。

1.1 基于柵格法的復雜障礙場地圖生成方法

復雜障礙場地圖是指存在著多個不規則形狀的障礙物，如建筑物、道路障礙等，這些障礙物對于機器人的路徑規劃具有很大的影響。因此，將復雜障礙場中電力巡檢機器人巡檢環境進行地圖建模，可以有效解決路徑規劃的問題。

柵格法是一種將二維或三維空間離散化的方法，可以將空間分成相等大小的小方格或小立方體，每個小格子或小立方體稱為一個柵格。在電力巡檢機器人路徑規劃問題中，柵格法可用于建立復雜障礙場地圖。在柵格法中，能把面向存在障礙場特征的巡檢地圖，分解成若干個小柵格，各個柵格狀態主要分為占用、空閑兩類。將障礙物生成為一個占用柵格，然后將機器人所在位置也生成為一個占用柵格，空閑柵格則表示機器人可以自由通過的區域。采用柵格法建立復雜障礙場地圖可以有效降低路徑規劃過程的難度，提高電力巡檢機器人工作效率和安全性[11]。

在本文研究內容中，把各個柵格信息，看做此柵格是否被障礙物占據的描述，如果此柵格中存在障礙物，那么此柵格概率值是0，電力巡檢機器人運行時，此柵格屬于不可行駛狀態；如果柵格不存在障礙物，此柵格便可通行[12]。

設置巡檢地圖柵格邊長是M，結合M把面向復雜障礙場的電力巡檢環境，分解成若干矩形柵格，此時復雜障礙場的電力巡檢環境中，原始巡檢地圖便轉換為s行b列的柵格地圖。巡檢地圖里各柵格均描述為一個節點，并具備對應序號編碼[13]。第j行第i列柵格序號是r(j，i)：

r(j，i)=j+(i-1)×i

(1)

其中：j∈[1，s]，i∈[1，b]。

(2)

結合柵格地圖劃分結果可知，某節點最多存在8個方向。因此，針對各個柵格而言，它和附近柵格序號相關性可表示為矩陣A。將方向順序以順時針角度分別設成右上、右、右下、下、左下、左、左上、上[15]。結合上文柵格序號編碼，便可構建矩陣A：

A[-1，s-1，s，s+1，1，-s+1，-s，-s-1]

(3)

則柵格r的臨近柵格的序號cand(r)是：

cand(r)=r+A

(4)

但針對電力機器人巡檢地圖邊緣的柵格而言，因某些柵格的方向，會超出電力機器人巡檢地圖邊界線，使用式(4)運算便會出現誤差。為此，設置上、下邊界柵格條件分別是mod(r，s)=1、mod(r，s)=0，mod是求余函數。左、右邊界柵格條件分別是1≤r≤s、(b-1)+1≤r≤s×b。若滿足此類條件，則柵格對應方向的柵格序號便設成0，此方向屬于巡檢機器人不可行駛位置。

1.2 基于局部動態融合的電力巡檢機器人路徑規劃方法

電力巡檢機器人路徑規劃問題，可看做機器人在執行巡檢任務時，從出發點運行至目標點的安全巡檢路徑規劃。在運行過程中，除了已知障礙物之外，經常會出現突發性障礙物，此類障礙物不存在已知性，且存在動態性，若機器人不能躲避障礙物，便會出現碰撞事件，從而影響巡檢進度[16]。為此，提出基于局部動態融合的電力巡檢機器人路徑規劃方法，此方法首先利用全局規劃的方式，結合已知障礙物信息，規劃一個全局性的安全運行路徑。然后由局部動態路徑規劃方法，以動態障礙物與機器人之間的距離作為路徑改變決策信息，完成局部路徑規劃，并分析局部路徑是否與全局路徑方向一致，完成巡檢路徑融合規劃。

1.2.1 全局路徑規劃

電力巡檢機器人的路徑規劃問題，就是在1.1小節所構建復雜障礙場地圖中，對柵格r及臨近柵格序號cand(r)進行計算后，選定出一個點集Q={r1，r2，…，rm}，此點集即為電力巡檢機器人全局路徑規劃結果，r1，r2，…，rm是電力巡檢機器人出發點與目標點之間，m個路徑柵格序號。Q屬于復雜障礙場地圖中電力巡檢機器人巡檢所用的最短路徑點集[17]。

設置出發點與目標點分別是φ、ψ，隨機2個柵格之間距離，就是2個柵格中心點之間連線長度，將其設成q：

(5)

其中：x、y表示柵格中心點橫坐標、縱坐標。

在Q中，首個柵格節點和最后一個柵格節點之間長度，即為出發點與目標點之間全部可通行的路徑長度最小值。為了在所構建復雜障礙場地圖中檢索Q，本文使用改進遺傳算法，結合復雜障礙場地圖中已知靜態障礙物所在柵格信息，遍歷尋優獲取可安全運行的最短巡檢路徑。

本文將遺傳算法改進，引入刪除算子，則基于改進遺傳算法的全局路徑規劃方法流程如下。

1)可通行路徑個體編碼：

電力巡檢機器人自出發點至目標點運行時，安全運行的柵格路徑即為路徑個體，將此個體排序串聯的過程即為路徑個體編碼處理。將電力巡檢機器人在巡檢地圖中的路徑轉化為一串編碼，這個編碼可以分為兩部分：一個是表示路徑方向的編碼，另一個是表示路徑長度的編碼。對于路徑方向的編碼，可以將巡檢地圖中的每個柵格按照其位置關系編上號，如將左上角的柵格編為1，右上角的柵格編為2，以此類推。然后將巡檢路徑上每個柵格的編碼連接起來，得到表示路徑方向的編碼。對于路徑長度的編碼，可以將整個路徑的長度進行均分，將每個均分后的距離用二進制編碼表示，用一個符號表示正負，表示路徑長度的編碼。這樣，整個路徑編碼就由路徑方向編碼和路徑長度編碼兩部分組成了，可以將其作為遺傳算法中的一個個體，進行計算和優化。

2)初始化種群：

在電力巡檢機器人路徑規劃中，初始種群即為路徑個體的集合。由于路徑個體存在的柵格節點數量和路徑長度存在差異，因此在初始化種群的過程中，必須限定路徑柵格節點的數量。這個數量可以根據電力巡檢機器人的巡檢需求和機器人的運動能力進行設定。在生成路徑個體時，可以采取隨機生成的方法或者遺傳算法中的交叉變異策略生成[18]，生成的路徑個體需要保證在電力巡檢機器人的巡檢地圖上是合法的、安全的、可行的。在生成完路徑個體集合后，需要使用適應度函數對每個個體進行評價和排序，然后進行選擇、交叉和變異等操作，生成下一代種群。通過多次迭代，最終得到最優解，即最優路徑規劃方案。

3)適應度函數：

適應度函數對電力巡檢機器人全局路徑規劃效果存在直接影響，在本文研究內容中，最短巡檢路徑需要存在連貫性，為此，適應度函數是：

(6)

4)遺傳算子：

遺傳處理過程的核心問題是設置合理的遺傳算子[19]，才能保證巡檢路徑不出現冗余路徑。為此，改進遺傳算法使用刪除算子處理冗余柵格點。具體算子詳情如下：

(1)選擇算子

選擇算子可在種群中提取優秀個體，主要根據個體適應度篩選可通行的柵格路徑個體。

(2)交叉算子

引入兩點交叉算子，由此算子執行路徑編碼，能夠在2點交叉的操作下，保證巡檢路徑連通性。

(3)變異算子

電力巡檢機器人運行過程中，為保證尋優的路徑柵格節點適應度始終最優，需要使用變異算子執行變異，如果變異算子數值隨機設置，便會導致巡檢路徑可靠性變差，為此，本文在適應度最顯著的路徑柵格點八鄰域中，隨機選擇可通行的柵格點，運算此區域柵格點適應度，把適應度最大柵格點作為通行路徑。

(4)刪除算子

遍歷全部路徑個體，結合路徑個體之間的連通性，分析是否存在冗余路徑，由刪除算子去除冗余路徑后，運算可通行柵格節點適應度。

5)分析迭代次數是否為最大值，如果滿足最大次數，便可輸出目前適應度函數最優路徑個體，將此路徑個體最為電力巡檢機器人全局路徑規劃結果。

1.2.2 局部動態路徑規劃

使用時間彈性帶算法完成機器人局部動態路徑規劃，時間彈性帶算法是一種基于不同時刻機器人位姿信息結合距離閾值判斷的路徑規劃算法[20]，用于避免機器人與動態障礙物發生碰撞。該算法考慮了機器人、動態障礙物和全局規劃路徑之間的時態關系，將全局規劃路徑實施彈性拉伸，以實現避障運行。將全局規劃路徑分成若干段連通區域，將區域中的每個點和動態障礙物進行距離判斷，判斷是否有可能會出現碰撞，確定每個區域的時間帶大小，以確保機器人在路徑上進行運動時，避開動態障礙物，但又不會偏離全局規劃路徑，對路徑進行彈性拉伸，使機器人在避開動態障礙物的同時，能夠在一定程度上保持運動的原始方向和速度。

設置電力巡檢機器人為質點，其偏轉角是，則：

(7)

其中：(xφ，yφ)、(xψ，yψ)分別是電力巡檢機器人巡檢時出發點、目標點坐標。

局部動態路徑規劃時，設置電力巡檢機器人時刻的位姿坐標是Bt=[xt，yt，βt]，則t+1時刻位姿與t時刻的時間差是Δt。

局部動態路徑規劃的重點是躲避新增的、動態的未知障礙物。為此，先結合各時刻電力巡檢機器人激光雷達，所檢測的其和障礙物之間距離et，距離閾值e0=0.5m，若電力巡檢機器人和障礙物之間距離超過距離閾值，機器人按照全局規劃路徑運行，無需改變路徑，若小于距離閾值，便需要改變路徑，此時路徑改變方法是：

(8)

其中：r′、δ分別是路徑改變后的柵格節點、復雜障礙場出現的動態障礙物數目。

巡檢路徑改變后，巡檢機器人運行軌跡也出現變化，所以不可以按照原始線速度與角速度運行，此時機器人線速度Vx、角速度Vy是：

(9)

(10)

1.2.3 面向復雜障礙場的巡檢路徑動態融合規劃

實時檢測局部動態規劃路徑下，機器人運行方向是否與全局規劃路徑一致，是為了確保機器人能夠按照全局規劃路徑順利到達目的地。若出現差異，說明機器人遇到了一些障礙物或者運動出現了異常，便需要運算出現差異時，目前路徑所在柵格節點鄰域的所有可通行路徑柵格節點，與目前機器人位置節點的距離ea，以及運算所有可通行路徑節點與巡檢目標點的距離eb，將ea與eb相加，提取數值最小路徑節點作為下一步運行路徑，以此循環，直到電力巡檢機器人安全抵達目標點便可停止，完成巡檢機器人巡檢路徑動態融合規劃。

在機器人運行過程中，需要不斷檢測運動方向和全局規劃路徑是否一致，并及時做出動態規劃調整，以確保機器人能夠順利到達目的地，同時還需要考慮各種異常情況，如突發的障礙物出現或者機器人運動出現異常等，及時做出相應的調整，保證電力巡檢機器人的安全和巡檢效率。

2 實驗分析

為分析本文方法使用效果，將某變電站作為本文方法的路徑規劃目標，實驗環境詳情如表1所示。

表1 實驗環境詳情

本文方法使用基于柵格法的復雜障礙場地圖生成方法，將此變電站巡檢環境進行建模，生成復雜障礙場地圖，詳情如圖2所示。

圖2 復雜障礙場地圖

其中，黑色與白色分別代表存在障礙物位置、可通行柵格位置。

表2 是實驗所用機器人的性能指標詳情

實驗中的電力巡檢機器人出廠性能參數、實驗規劃參數如表3所示。

表3 機器人出廠性能參數、實驗規劃參數

本文方法對此機器人全局規劃路徑如圖3所示。

圖3 全局規劃路徑

在此障礙場中加入動態障礙物，則本文算法結合圖3的全局規劃路徑信息，啟動局部動態融合規劃，規劃結果如圖4所示。

圖4 局部動態融合規劃路徑

如圖4所示，本文方法能夠結合復雜障礙場的動態變化，自適應規劃巡檢人的避障運行路徑，機器人未與多障礙物出現碰撞，本文方法的局部動態融合規劃效果較好。

圖5是本文方法使用前后，巡檢機器人巡檢過程中避障耗時。

圖5 路徑規劃前后巡檢機器人避障耗時變化

分析圖5可知，本文方法使用前后，巡檢機器人安全完成巡檢任務時，避障耗時出現明顯變化，本文方法規劃路徑后，巡檢機器人避障耗時縮短，可提高電力巡檢機器人避障速度約300%。

設置如表4所示多種復雜障礙場的巡檢工況，對比分析本文方法使用前后，電力巡檢機器人路徑規劃長度、障礙物碰撞次數變化，測試結果如表5所示。

表4 多種復雜障礙場的巡檢工況詳情

表5 路徑規劃長度、障礙物碰撞次數對比結果

分析表5對比結果可知，本文方法使用前，多種復雜障礙場的巡檢工況中，電力巡檢機器人巡檢路徑長度均比本文方法規劃路徑長，本文方法使用后，巡檢路徑長度縮短值最高達6m，原因是本文方法能夠將全局路徑規劃與局部動態路徑規劃相融應用，減少機器人避障路徑重復運行，且在全局路徑規劃時，引入刪除算子改進了遺傳算法，有效刪除巡檢環境地圖中冗余路徑。障礙物碰撞次數分析可知，本文方法所規劃路徑能夠將碰撞次數控制為0次，和使用本文方法前相比，電力巡檢機器人運行安全性得到保證。

3 結束語

巡檢是電力變電站核心任務之一，以往電力巡檢任務主要由工作人員親自完成，此種巡檢方式巡檢效果會受工作人員身體狀態所影響，且變電站面積較大，人工巡檢耗時過多，導致電力巡檢效率低。而本文研究了一種面對復雜障礙場的電力巡檢機器人局部動態融合路徑規劃方法，從全局、局部規劃角度，將靜態避障、動態避障技術相結合，完成電力巡檢機器人局部動態融合的避障巡檢路徑規劃，保證機器人安全完成巡檢任務。這種方法可以為電力巡檢提供更加智能化、高效的路徑規劃解決方案，提高機器人避障效率，且不會出現碰撞問題，可大大提高機器人路徑規劃的精度和速度，具備可用價值。