軌道交通車輛吹掃機器人智能路徑規劃研究

摘 要：針對城市軌道交通車輛吹掃機器人路徑規劃問題，提出一種基于CHNN神經網絡的全覆蓋路徑規劃算法，綜合機器人運行方向上障礙物信息與吹掃信息建立柵格地圖，采用矩形分解法將整個工作空間劃分為不同矩形子區域，在各子區域內基于柵格信息分別得到全覆蓋路徑，各子區域之間則采用CHNN神經網絡進行遍歷尋優。仿真結果表明：所提出的算法可以有效解決吹掃機器人全覆蓋路徑規劃過程中的路徑纏繞和清潔死區問題，降低了路徑重復率，提高機器人吹掃效率，具有較好的工程應用前景。

關鍵詞：吹掃機器人；CHNN神經網絡；全覆蓋； 路徑規劃

中圖分類號：TP242.3 文獻標志碼：B 文章編號：1671-5276（2024）04-0245-05

Research on Intelligent Path Planning of Purging Robot for Rail Vehicles

LIU Jin

（Suzhou Rail Transit Group Co.， Ltd.，Suzhou 215101， China）

Abstract：With regard to the path-planning of urban rail transit vehicle purging robot， a full-coverage path-planning algorithm based on CHNN neural network was proposed. The raster map was established by integrating obstacle information and purging information in the robot's moving direction. The whole workspace was divided into different rectangular sub-regions by rectangular decomposition method， and in each sub-region， the full coverage path was obtained based on grid information， and CHNN neural network was used for traversal optimization between sub-regions. The simulation results show that the proposed algorithm can effectively solve the problems of path winding and cleaning dead zone in the process of full coverage path planning of the robot， reduce the path repetition rate and improve the efficiency of the robot， which has a good prospect of engineering application.

Keywords：purging robot; CHNN neural network; full coverage; path planning

0 引言

城市軌道交通列車吹掃作業為車輛檢修前的必要工序，目前主要采用人工吹掃，作業效率低、強度大、環境差。研究吹掃機器人代替人工作業，可有效解決現有人工吹掃作業存在的問題^[1]。因列車車底零部件多，作業空間有限，吹掃機器人需要根據車底零部件布置以及空間限制合理規劃吹掃路徑，提高車底吹掃作業效率。現有全覆蓋路徑規劃算法多采用將全局路徑規劃轉化為相鄰柵格間局部運動決策的思想，可以得到局部最優全覆蓋路經，但無法保證所得路徑達到全局最優^[2]。因此，針對軌道交通車輛吹掃機器人路徑規劃問題，本文提出了一種基于CHNN神經網絡的全覆蓋路徑規劃算法，通過將柵格地圖劃分為多個形狀規則的區域，各子區域間采用CHNN神經網絡求解最優連通路徑，從而高效完成各工作區域的全覆蓋。仿真結果表明，該方法可有效降低路徑重復率，避免機器人陷入死區，提高工作效率。

1 基于柵格法的子區域覆蓋方法

結合軌道交通車輛吹掃環境特點，本文采用簡單可靠且易于實現的柵格法進行環境地圖建模^[3]，采用沿邊學習法使機器人沿著邊界或鄰近邊界的障礙物運動，通過傳感器實現機器人對工作環境整體輪廓的感知^[4]。具體流程為在笛卡兒坐標系中將工作地圖按統一規格劃分為若干個柵格，根據柵格的位置性質信息賦予不同的置信度，從而確定機器人下一步運動方向。柵格大小的選取一般根據地圖大小、障礙物尺寸形狀、機器人工作范圍以及算法復雜度確定。每個柵格需要對實際位置信息、相對位置信息、滯留信息等進行描述。

1.1 柵格覆蓋信息與障礙信息的表達

為避免機器人與障礙物發生碰撞，防止機器人對于非重點區域的多次重復遍歷，需要對各柵格的覆蓋信息與障礙物信息進行賦值。為了避免對非滯留柵格的重復覆蓋，對于未覆蓋柵格，設定其初始柵格信息為1，每覆蓋一次其綜合屬性值會遞減0.5，覆蓋次數越多屬性值越小，在重復覆蓋過程中該柵格被選中的可能性越小；同時為了區分障礙物柵格，將其柵格信息賦值為-∞。假設機器人的工作空間柵格地圖如圖1（a）所示，其中p_p表示機器人當前所處柵格，p_b表示機器人上一覆蓋柵格，黑色柵格表示障礙物柵格，p_p周圍柵格表示機器人下一步可能的運動方向，根據柵格地圖計算出的柵格屬性信息如圖1（b）所示。

1.2 柵格相對位置信息的表達

為了減少吹掃機器人運動過程中頻繁轉向引起的能量損耗以及機器人反向運動導致規劃路徑過于復雜，引入描述各柵格與機器人相對位置信息的轉向置信函數，如式（1）所示。

式中：Δθ表示預選柵格與機器人當前位置夾角；Δφ表示機器人陷入死區后最近未覆蓋柵格與機器人當前位置以及預選柵格之間的夾角，Δθ、Δφ∈[0，π]，均可根據機器人柵格坐標求出。 當機器人未陷入死區時，隨著機器人轉向角度增大，轉向置信度值不斷減小，機器人總是趨向于朝著偏航角度小的方向運動，遠離已覆蓋區域的方向，且機器人更偏向于直行；當機器人陷入死區后，轉向置信度隨機器人下一步運動方向與最近未覆蓋柵格之間角度的減小而增大，因此機器人會朝著最近未覆蓋柵格的方向運動，可使機器人迅速逃離死區。

當機器人陷入死區后，需要先確定最近未覆蓋柵格位置，然后根據轉向置信度函數確定機器人逃離死區的路線^[5]。最近未覆蓋柵格采用環形搜索法確定。以當前死點位置為中心，以當前柵格與未覆蓋柵格之間的歐式距離為半徑進行搜索，直至找到最近未覆蓋柵格位置。吹掃機器人工作時除無障礙遍歷工作空間外，還需對車底重點零部件位置進行集中吹掃。因此，將機器人工作空間中重點零部件所在位置設為滯留柵格，機器人途經滯留柵格時，需要停留在當前柵格，更改吹掃速度等參數。柵格i的滯留屬性根據參數γ_i確定。利用柵格法建立二維仿真地圖的柵格地圖如圖2（a）所示，采用（x_i，y_i，α_i，β_i，γ_i）的坐標形式對其各柵格屬性進行賦值，如圖2（b）所示。其中紅色柵格表示起點位置，紫色柵格表示終點位置，綠色柵格表示已覆蓋路徑，青色柵格表示機器人當前位置（本刊黑白印刷，相關疑問咨詢作者）。

1.3 機器人工作空間子區域覆蓋方法

子區域分割采用“矩形分解法”，通過豎直與水平兩條直線從左到右、從下往上將工作空間分兩次劃分為獨立的子區域。子區域的面積越大，則機器人直線行走可覆蓋區域面積越大，需要轉彎的次數越少，可間接提高機器人工作效率。對于如圖2（a）、圖2（b）所示工作空間，采用矩形分解法得到S1—S11共11個子區域，如圖2（c）所示。

2 基于CHNN神經網絡的路徑規劃算法

2.1 CHNN網絡基本原理

CHNN是一種單層互相全連接的反饋型神經網絡，網絡中的每個神經元將自己的輸出傳遞進其他神經元，同時接收其他神經元的輸入，可模擬神經系統中的神經回路現象^[6]。其神經元輸入與輸出之間的關系：

式中：X_i表示第i個神經元輸入；I_i表示第i個神經元的外部輸入；ω_ji表示i、 j神經元之間的權值系數。

由上式可得，每個神經元的輸入隨時間動態變化，輸入大小與網絡內部輸入以及其他神經元的輸出有關。因此整個網絡狀態隨時間動態變化。通常采用能量函數對神經網絡的動態穩定性進行觀測：

通過設定各神經元間的權值矩陣與神經元的外部輸入，將傳統優化問題中的約束條件以及目標函數與CHNN能量函數聯系起來，保證網絡達到穩定時的極值點為待優化問題中的最優解。

基于各神經元之間的全連接關系，將網絡結構圖進一步展開為環狀的全連通圖。由此可見，CHNN網絡可用于求解全連通圖最優路徑問題。

2.2 基于CHNN子區域遍歷路徑優化

本文所述全覆蓋路徑規劃，在對工作空間采用柵格法進行子區域分割后，需對各子區域之間進行遍歷。各子區域可視為全連通圖，因此可將CHNN網絡應用于子區域遍歷路徑優化，求解步驟如下。

1）建立全連通模型，求解權值矩陣

將矩形分解法得到的子區域采用環形全連接圖表示，同時求出各子區域間的距離。吹掃機器人子區域間的距離除柵格距離外，還應考慮機器人轉向等問題，因此，建立如式（4）所示子區域間距離求解方法。

式中：S_i表示子區域柵格距離；β_i表示根據式（1）計算得到的路徑中由轉向引起的總置信值；ω₁、ω₂分別表示對應的權重系數，且二者和為1；T表示覆蓋次數。得到各子區域間的相對距離后，需要求解起點區域與終點區域間經過每個區域僅一次的最短路徑。采用關聯矩陣來標志不同區域的遍歷順序。

2）設置目標函數與約束條件

得到關聯矩陣后，需要對關聯矩陣元素進行約束，保證每個子區域只覆蓋一次，同時為保證對所有區域的完全遍歷，矩陣中所有元素之和需為區域數目。設定如下的約束函數：

式中：α、β、γ均為非負系數；m、n分別表示不同的區域；k、t分別表示不同遍歷次序；V_xk、V_yt均為關聯矩陣元素，取值為0與1，表示是否經過該區域。當滿足每次僅訪問一個區域、每個區域僅遍歷一次、總遍歷區域數目為N時，該函數取最小值。對求解遍歷子區域最短路徑問題，目標函數與完成全覆蓋遍歷總距離相關，如式（6）所示。

式中η為非負系數。目標函數取得最小值時，表示路徑代價最小。

3）求解神經網絡狀態方程

根據約束條件與目標函數，將二者疊加可得到網絡能量函數。根據以下方程對神經網絡進行迭代求解。

式中f（U_mi）為激活函數，根據實際需要進行選取。

2.3 軌道交通車輛吹掃機器人路徑規劃流程

綜上所述，本文采用基于柵格法與CHNN網絡優化方法實現吹掃機器人全覆蓋路徑規劃，具體步驟如下：

步驟1，采用沿邊學習法獲取機器人工作空間輪廓信息，在直角坐標系下建立二維地圖；

步驟2，對工作空間地圖進行柵格分解，確定各柵格坐標以及機器人運動起點、終點位置；

步驟3，計算各柵格障礙物信息、相對位置信息等，對各柵格賦值；

步驟4，用矩形分解法對工作地圖進行分割，建立子工作區域全連通模型，計算各子區域之間的距離D；

步驟5，基于機器人運動優先級和柵格信息對各子區域內柵格進行完全覆蓋；

步驟6，采用CHNN對各子區域間的全連通圖進行最優遍歷路徑求解；

步驟7，結合各子區域內柵格全覆蓋路徑以及子區域之間的遍歷路線，確定機器人全覆蓋路徑規劃。

3 仿真試驗分析

為了驗證本文算法在吹掃機器人全覆蓋路徑規劃中的優越性，設定機器人工作空間為40×20，如圖3（a）所示。根據機器人以及障礙物的實際尺寸設定每個柵格大小為2×2，因此整個工作空間被劃分為20×10的柵格地圖。為了研究路徑規劃算法的效果，將機器人視為質點，可以向四周任意方向運動，所有障礙物都占據至少一個柵格并經規則化處理，通過設定不同障礙物占比模擬不同復雜度的環境。處理后的柵格地圖如圖3（b）所示。所有仿真試驗中，參數K=1，ω₁=0.8，ω₂=0.2。

將本文算法與僅采用柵格法進行全覆蓋路徑規劃的算法對比，對比指標包括路徑質量、區域覆蓋率、路徑重復率等。其中路徑質量通過轉彎次數描述，區域覆蓋率與路徑重復率分別用完成覆蓋柵格個數以及重復覆蓋柵格個數與工作空間總柵格次數比值確定。區域覆蓋率越高，路徑重復率越低，算法性能越好。

對圖3（a）所示的仿真工作環境，僅采用柵格法進行路徑規劃，結果如圖3（c）所示，機器人對工作空間可達到100%覆蓋，同時路徑中存在3個死點（圖中黑點標注位置），由死點引起的重復柵格數目為5個（圖中小方框位置），即路徑重復率只有2.87%，路徑整體質量較好，不存在路徑纏繞問題。

基于CHNN的全覆蓋路徑規劃根據矩形分解法劃分得到的子區域建立的全連通圖如圖4（a）所示，所得路徑如圖4（b）所示。對比柵格法路徑規劃結果，CHNN算法得到的路徑可達到工作空間100%覆蓋，且路徑重復率降低為1.72%。同時，基于CHNN規劃的路徑將機器人的死區逃離問題轉化為子區域聯通問題，避免了死區逃離過程，提高了工作效率。

為進一步對比兩種算法的性能，通過增大工作空間中的障礙物占比，得到如圖4（c）所示柵格地圖，在此環境下兩種算法對比結果如表1所示。由表1可得，工作環境越復雜，基于柵格法的路徑規劃出現陷入死區次數與路徑長度顯著增加，機器人行走工作效率大幅降低；融入CHNN進行路徑規劃在保證同樣完全覆蓋的前提下，可降低死區次數和路徑重復率，間接提高了吹掃機器人的工作效率。

4 結語

本文針對軌道交通車輛吹掃機器人路徑規劃問題，提出了一種基于CHNN的全覆蓋路徑規劃算法，可以在機器人工作空間內無障礙地實現高效覆蓋。通過仿真試驗，對比傳統路徑規劃方法，得出以下結論：

1）傳統全覆蓋路徑規劃方法與本文所述的CHNN路徑規劃方法的基本思想均為將全局路徑轉化為對工作空間各子區域內的完全覆蓋以及子區域之間的遍歷問題；

2）在障礙物比例高的復雜環境中，本文所述方法相對于僅采用柵格法的路徑規劃方法，可有效降低路徑重復率，同時可消除機器人陷入死區的現象，節省了死區逃離路徑選擇的時間，間接提高機器人工作效率。

本文研究了軌道交通車輛吹掃機器人全覆蓋路徑規劃算法，并在仿真實驗環境下取得了良好的效果，提高了路徑規劃的效率，后續需通過改變試驗參數、微調算法方案等對規劃出的路徑進行優化，以減少機器人轉彎次數，降低能量損耗，進一步提高CHNN全覆蓋路經規劃算法的適用性。

參考文獻：

[1] 趙文濤，朱丹，周小斌，等. 一種集成車底車側吹掃除塵設備的吹掃裝置，中國：CN213892447U[P]. 2021-08-06.

[2] 林韓熙，向丹，歐陽劍，等.移動機器人路徑規劃算法的研究綜述[J].計算機工程與應用，2021，57（18）：38-48.

[3] 簡毅，高斌，張月.一種室內掃地機器人全遍歷路徑規劃方法研究[J].傳感器與微系統，2018，37（1）：32-34.

[4] LE A V，NHAN N H K，ELARA MOHAN R. Evolutionary algorithm-based complete coverage path planning for tetriamond tiling robots[J]. Sensors，2020，20（2）：445.

[5] 李少雄，張黎明，曹筱歐，等. 面向電動公交車的充電機器人感知與控制[J]. 機械制造與自動化，2021，50（6）： 190-194，198.

[6] 田春穎，劉瑜，馮申珅，等. 基于柵格地圖的移動機器人完全遍歷算法：矩形分解法[J]. 機械工程學報，2004，40（10）：56-61.

收稿日期：2022-12-15