2025《移动巡检机器人全局路径规划方法探析》2800字.docxVIP

PAGE

PAGE27

移动巡检机器人全局路径规划方法分析综述

1.1变电站巡检机器人巡检过程

机器人巡检过程实质上是机器人找到从其当前位置到检查点的最佳路线的过程。这里所说的最佳路径是指在道路上没有障碍物的最短路径，即机器人在初次规划路径和进行检查时没有遇到障碍物，并且进行正常检查；如果机器人在检查过程中遇到障碍物并且无法避免，则机器人会认为路径已阻塞并重新启动。由于任务要求，下一个计划的路径可能不是原始地图中最短的路径，但它必须是可到达的路径。

在检查开始之前，机器人首先在工作人员手动控制下巡视要检查的地点一周，以便对检查地点进行地图建模。地图建模的本质是将SLAM算法用于从激光传感器接收的数据。基于激光雷达SLAM建好的是一种栅格地图。栅格地图可以将实际环境的位置邓希贤奥维一个个小格子。在相同的比例尺坐标系中，所有节点都有自己的唯一坐标。栅格图必须编码。所有自由节点形成地图上的“自由区”。在“自由区”中，所有要检查的点和起点都一个接一个地连接在一起，形成一个加权的“图形”，权重位于节点和节点之间。检查路径规划经过转换，以找到图中顶点之间的最短路径。

1.2图论介绍

在数学中，我们用一个二元组(V

图论是数学的一个分支。它使用图形作为研究对象。它的概念和结果来自多种来源。它源于探索一些困难的数学游戏，例如Euler解决的“七桥”问题。同时，一些游戏难题在人们中广为流传，例如迷宫，博弈和棋盘上马的最短路线。图论于1847年首次用于工程学，当时它被用于分析电路网络。后来其作用越来越突出。随着科学界的不断深入探索，图论已成为诸多问题的密匙。

1.3全局路径规划方法

每种路径规划方法都有其自身的优缺点。到目前为止，还没有可应用于所有环境和移动机器人系统的全局路径规划方法。但是，将不同的规划方法结合起来并利用各自的优势往往可以在路径规划中取得良好的效果，并已成为当前路径规划方法的发展方向。下面将简单的介绍几种穆齐安应用于各种领域的路径规划算法。

1.1.1Dijkstra算法

Dijkstra算法是经典的单源搜索算法，用于图搜索中的最短路径，它使用连续更新当前状态下每个起点V到达终点S最短距离的方式完成搜索任务。传统Dijkstra算法的基本思想是，首先要有一个带有权值的有向图，如图3-1所示，然后设置三个集合T、S、V，三个集合间的数学关系可以表示为：

T=S∪V

这个公式中T表示的是点的集合，S表示的是以搜索点的集合。S的初始状态为仅含有起点的集合，V的初始状态为除源点以外的所有点的集合。在路径搜索过程中，随着迭代次数的增加，S集合继续增长，而V集合继续缩小。从源点开始，所有可访问的节点都从V记录传输到S记录。

图3-1带权值有向图

1.1.2A＊算法

A*算法的实现要要知道从起点到当前点的成本，而且还要知道从当前节点到终点的预测成本。它是一种深度算法。它在某种程度上类似于Dijkstra，但是引入了预期成本会导致提供启发式信息并给出搜索方向。

A*算法的基本思想是，选择一个评估函数，计算路径中每个节点的评估函数值，如果接下来要选择行走的点是该节点，则计算从起点经过该节点，并最终到达终点的估计值，每次选择最佳估计值的节点后，继续发散搜索，直到搜寻到目标节点，确定出最短路径。可以用以下表达式进行描述:

f(n)=g(n)+?(n)

其中，f(n)是点n处的评估函数，其函数值是由g(n)和h(n)两部分函数值构成的;g(n)是从路径起始点到达当前点n的已知路径的长度，是一个确定值;h(n)是当前点n到目标节点的预测值，是不确定的。A*算法的关键是估计函数h(n)的选取，h(n)的选择与实际环境有很大一部分关系，估计值与实际值越接近，搜索效果越好，并且所选择的原则是该函数的估计值不大于实际值，以确保最终路径为最小距离。

运行A*算法时，要创建两个表：OPEN和CLOSE。待识别的相邻节点存储在OPEN表中，而已识别的节点存储在CLSOE表中。每次将OPEN表中f(i)函数值最小的点传输到CLOSE表中，同时更新OPEN表，当前节点记录并称之为父节点，这与Dijkstra算法很相似。A*算法在理论上是花费时间最短的，但是也有缺点：它的空间增长是指数级别的；当目标点数量较大时，A*算法会导致运算的冗余和函数的复杂化。

1.1.3遗传算法

遗传算法是一种用于模拟生物进化的算法。这是可以组织和适应自身的全局优化路径搜索方法。

搜索路径中使用的遗传算法的基本思想是首先创建一个初始路径种群。初始种群由许多随机产生的染色体组成。每个染色体都是一条包含路径节点的路径。每个染色体的编码点数目可以不同，但??是必须遵循以下原则：

（1）每个染色体的起点和终点必须是计划路线的起点和终点。

（2）每一条染色体上的片段一定只能