CN111708369A - 一种变电站巡检机器人路径规划方法 - Google Patents

Abstract

本发明公开了一种变电站巡检机器人路径规划方法，该方法包括以下步骤：1)根据地图构建机器人运动的路网约束模型；2)考虑机器人对目标进行测温时云台的姿态和测量视距的实际约束，结合测温点构建测温点巡检位姿约束模型；3)根据机器人运动的路网和测温点巡检位姿约束模型确定机器人停靠点集合；4)以完成巡检的时间最小为目标建立巡检机器人路径规划模型；5)对模型进行求解，输出全局最优解对应的巡检路径、各停靠点位置，以及各停靠点所对应的测温点集，作为变电站巡检机器人的执行测温任务时的路径规划方案。本发明方法解决了机器人在路网约束与位姿约束下携带热成像仪自主对高压线路温度检测的路径规划问题。

Description

一种变电站巡检机器人路径规划方法

技术领域

本发明涉及人工智能技术，尤其涉及一种变电站巡检机器人路径规划方法。

背景技术

变电站高压线路因灰尘、老化、天气等影响，易出现电力事故，因此需要定期进行巡视和检测以尽早发现和排除安全隐患。传统的人工巡检方式存在任务繁重、效率低下、容易漏检等诸多问题，而变电站巡检机器人代替人工可以实施全自主和全天候的巡检工作。

现有机器人携带红外热成像仪对高压电缆末端的压接线进行定期巡检测温时需要考虑以下因素：

(1)巡检机器人的运动受到变电站道路网络的约束。机器人的最终巡检路径须限制在路网中。

(2)机器人对目标点进行测量时自身的位姿约束。首先，因测量仪器性能限制，机器人与测温点之间的距离必须在允许可行范围之内。其次，机器人携带的测量仪可以调节的姿态(如云台的各关节角)受到客观约束。尤其是当云台的自由度数较少时进一步限制了机器人测量时的姿态。

(3)为了提高巡检效率，不仅期望机器人的运动总路径更短，还期望在完成所有测温点的前提下尽可能减少停靠次数，以节省时间消耗。由于机器人在停靠时才进行检测，当测温点总数一定时，减少停靠次数便意味着增加每次停靠时需完成的测温点数目。

现有技术中没有考虑路网与测量时机器人位姿约束下变电站机器人路径规划，因此现有的路径规划方法无法直接应用于机器人对输电线路巡检。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种变电站巡检机器人路径规划方法。

本发明解决其技术问题所采用的技术方案是：一种变电站巡检机器人路径规划方法，包括以下步骤：

1)根据地图构建机器人运动的路网约束模型；

2)考虑机器人对目标进行测温时云台的姿态和测量视距的实际约束，结合测温点构建测温点巡检位姿约束模型；

3)根据机器人运动的路网和测温点巡检位姿约束模型确定机器人停靠点集合；

4)以完成巡检的时间最小为目标建立巡检机器人路径规划模型；具体如下：

其中，λ表示机器人每次停靠测温所消耗的时间常数，λK为执行K次停靠测温所需的时间，

为机器人在路径中持续运动所需时间，v是机器人平均运动速度，l_C为路径总长度；

G为机器人运动的路网，T为全部测温点集合，s₀是充电房的位置，C为机器人在路网中的巡检路径，s_k为机器人第k次停靠实施测温时的位置，k＝1,2,…,K；

5)对模型进行求解，输出全局最优解对应的巡检路径、各停靠点位置，以及各停靠点所对应的测温点集。

按上述方案，所述步骤1)中根据地图构建机器人运动的路网约束模型，具体如下：

使用无向图G(V,E)表示机器人运动路网，其中，V＝[v₁,v₂,...v_n]为道路节点集合，n为道路节点的数目，E表示无向边集，E(i,j)表示由v_i和v_j相连的边，权重W∈R^n×n表示机器人通过相应边时所经过距离。

按上述方案，所述步骤2)中构建巡检位姿约束模型，具体如下：

机器人对目标进行测温过程中的巡检位姿约束包括检测相机俯仰角约束和最大视距约束；θ_max表示相机受云台结构和拍摄质量约束的最大俯仰角度，d_max表示相机在满足检测质量要求下的最大视距，则

其中，H为测温仪离地高度，测温点T_i的坐标为(x_i,y_i,h_i)，d_i为机器人停靠点s(x_s,y_s,0)与测温点T_i之间的水平距离；

计算测温点约束环S_Ti，测温点约束环S_Ti表示机器人对T_i进行检测时，满足位姿约束条件的位置集合；

当机器人位于环域S_Ti内时，机器人对目标点T_i进行有效测温。

按上述方案，所述步骤3)中确定机器人停靠点集合，具体如下：

通过对路网中的路径均匀插值，获得离散化路径点，假设路径离散化精度为I_L(相邻两个离散点的间距)，组成该路径的离散点集为L，机器人在离散化路径中的停靠点s_k由测温点约束环S_Ti与离散路径L的交集确定，即存在：

按上述方案，所述步骤4)中对模型进行求解具体如下：

采用蚁群算法获得可完成测温任务的闭环路径，然后将闭环路径离散化，采用贪婪思想对测温点进行聚类，并将聚类结果和闭环路径长度共同用于路网信息素的更新，同时比较路径规划模型目标函数中的时间代价更新全局最优解。

按上述方案，所述步骤4)中，采用蚁群算法获得可完成测温任务的闭环路径，具体如下：

4.1)初始化相关参数：蚂蚁数量M，信息素重要程度因子α、启发函数重要程度因子β、信息素的挥发程度ρ、信息素释放总量Q、最大迭代次数iter_max、机器人相机高度H、相机俯仰角度最大上限值θ_max、相机最大视距d_max、机器人测温过程所消耗的时间常数λ、机器人平均运动速度v、路径离散化精度I_L；

4.2)构建解空间：初始时刻将蚂蚁放在充电房位置，每只蚂蚁根据转移概率函数计算依次跳转到下一个随机概率最大的节点(非重复节点)，直到所有蚂蚁回到出发点或者无可跳转节点，转移概率函数如下式：

其中，τ_ij(t)为t时刻边E(i,j)上残留信息素浓度，η_ij(t)是启发函数，表示蚂蚁从节点v_i转移到v_j的期望程度，与节点间距离成反比，启发函数为：

allow_m表示蚂蚁m待访问的节点集合，α为信息素重要程度因子，β为启发函数重要程度因子。

4.3)更新信息素：

4.3.1)记第m只蚂蚁选择的闭环路径为C^m，计算其长度

同时将C^m离散化，得到路径点集L^m，最后获得L^m与第i个测温点约束环S_Ti的交集，记为

4.3.2)当m＝1时，判断是否存在某个T_i使得

若存在，则表示蚂蚁m无法完成全部巡检任务，令完成任务总时间f₁＝∞；反之，对路径C^m上的所有测温点根据约束进行聚类，得出类别总数K¹，代入目标函数计算巡检时间代价f₁，依次计算当m＝2,3,...,M时所对应的f₂,f₃,...,f_M值，根据下式进行迭代：

其中ρ∈(0,1)表示信息素的挥发程度，

表示蚂蚁m在边E(i,j)上释放的信息素为：

其中，Q是一个常量，f_m是蚂蚁m完成任务总时间，Δτ_ij(t)表示蚁群中所有蚂蚁在边E(i,j)上释放的信息素之和；

4.4)判断蚁群是否终止迭代：计算当前迭代中所有蚂蚁完成巡检任务的时间消耗，同时与以前迭代中存储的全局最优解进行比较，当存在更小的时间代价时，则更新全局最优解；然后，判断迭代次数是否达到最大值，若未达到，则返回第4.2)步，若达到则停止计算并保留迭代过程中的全局最优解。

按上述方案，所述步骤4.3.2)中对路径C^m上的所有测温点根据约束进行聚类为基于贪婪思想将满足机器人位姿约束的测温点聚为一类，通过迭代获得聚类结果，聚类获得的类别数目便是机器人的停靠次数；具体如下：

S1：构建待聚类的测温点初始集合A＝T，求蚂蚁m的离散化路径L^m与第i个测温点约束环S_Ti的交集

S2：计算路径点集

且T_j∈A，集合

中离散点的数目

代表了T_i与T_j的相近程度，将所有

从大到小排序，得

S3：如果

表示T_i与其它目标点没有共同可行的停靠路径点，则将T_i单独归为一类，即

然后跳至S5执行，计算蚂蚁m剩余停靠点，否则，执行S4；

S4：如果

则路径点集

定义如下可行的停靠路径集合

其中

计算如下约束式，确定r*

得到停靠点

可完成检测的目标集

相应停靠点集合表达式为：

停靠点

从停靠点集

中任意选择即可；

S5：从A中剔除能够完成检测的目标集

即：

从A中选择下一个测温点执行S2，直到A为空集时，得到蚂蚁m的路径对应的停靠点位置

与其所对应的测温点集

S6：根据机器人闭环路径C^m中道路节点的先后顺序调整

的顺序，得到最终的

与

避免机器人在此路径中往复运动。

本发明产生的有益效果是：

1、本发明构建了路网约束与巡检位姿约束下变电站巡检机器人的路径规划模型，该模型考虑路网与测量时机器人位姿约束，适用于变电站输电高压线路的日常巡检温度检测；

2、给出了一种基于蚁群优化算法的路径规划模型求解方法；然后采用贪婪思想对测温点进行聚类，并将聚类结果和蚂蚁的路径长度共同用于路网信息素的更新；经过多次迭代，可以得到机器人的最优巡检路径、依次需要在路径中停靠的位置，以及每个停靠点所对应的测温点集。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的结构示意图；

图2是本发明实施例的机器人运动的路网与测温点示意图；

图3是本发明实施例的云台模型图；

图4是本发明实施例的测温点约束环示意图；

图5是本发明实施例的机器人执行任务示例俯视图；

图6是本发明实施例的路径规划求解流程示意图；

图7是本发明实施例的路网中信息素更新流程图；

图8是本发明实施例的简易路网下路径规划结果；

图9是本发明实施例的变电站点云地图；

图10是本发明实施例的实际路网下路径规划结果示意图；

图11是本发明实施例的实际路网下的最优解变化曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，一种变电站巡检机器人路径规划方法，包括以下步骤：

1)根据地图构建机器人运动的路网约束模型；

如图2所示，使用无向图G(V,E)表示机器人运动路网，其中，V＝[v₁,v₂,...v_n]为道路节点集合，n为道路节点的数目，E表示无向边集，E(i,j)表示由v_i和v_j相连的边，权重W∈R^n×n表示机器人通过相应边时所经过距离；例如w_ij表示机器人从v_i运动到v_j经过的距离，当i≠j时，w_ij＝w_ij；当i＝j时，w_ij＝w_ij＝0。

2)考虑机器人对目标进行测温时云台的姿态和测量视距的实际约束，结合测温点构建巡检位姿约束模型；

位于路网附近的测温点为T_i∈T，i＝1,2,…,N_T，N_T表示测温点的数量。机器人第k次停靠实施测温时的位置为s_k∈E(i,j)，即处于边E(i,j)中的某点，并且该次停靠完成测温的目标集为T_s(s_k)∈T。其中k＝1,2,…,K，K表示停靠的总次数，通常K＜＜N_T。所有停靠点的邻域须覆盖全部测温点集：

巡检机器人的出发点通常为充电房位置s₀，记机器人在路网中的巡检路径为

其中，v′₁＝v′_N′＝s₀。组成上述路径的边为

且i＝1,2,...,N′-1。该路径总长度为

该简易路网实例由8个道路节点与15条道路边组成，另外有5个测温点分布于路网附近，经实地勘测其高度处于7米到10米之间，充电高度房位置是v₁，具体参数如表1所示。

表1路网节点与测温点

机器人对目标进行测温过程中的巡检位姿约束包括检测相机俯仰角约束和最大视距约束。安装相机的云台如图3所示，可绕水平轴和竖直轴旋转，其中绕竖直轴旋转范围为(0,2π)，绕水平轴旋转范围为(0,θ_max)，其中θ_max表示相机受云台结构和拍摄质量约束的最大俯仰角度，0≤θ_max≤π/2。实际应用中，测温点位于高架线路上，故而只需考虑俯仰角上界θ_max对巡检任务的影响。如图4所示，定义测温点约束环S_Ti，表示机器人对T_i进行检测时，满足位姿约束条件的位置集合。设测温仪离地高度为H，测温点T_i的坐标为(x_i,y_i,h_i)，d_i为机器人停靠点s(x_s,y_s,0)与测温点T_i之间的水平距离。

因此，相机俯仰角度和视距须分别满足如下约束：

其中，d_max表示相机在满足检测质量要求下的最大视距。由于

于是，可得测温点的约束环STi：

当且仅当机器人位于环域S_Ti内时才可对目标点T_i进行有效测温。

3)通过对路径均匀插值，获得离散化路径点，假设路径离散化精度为I_L(相邻两个离散点的间距)，组成该路径的离散点集为L，机器人在离散化路径中的停靠点s_k由测温点约束环S_Ti与离散路径L的交集确定，即存在：

4)以完成巡检的时间最小为目标建立巡检机器人路径规划模型；该路径规划问题的目标是获得机器人的巡检路径C、各停靠点位置s_k，以及各停靠点所对应的测温点集T_s(s_k)，而巡检路径长度和停靠点数目与巡检时间存在密切的联系，以完成巡检任务总时间最短为目标，其路径规划的目标函数为：

其中，λ表示机器人每次停靠测温所消耗的时间常数，λK为执行K次停靠测温所需的时间，

为机器人在路径中持续运动所需时间，v是机器人平均运动速度，l_C为路径总长度；

基于上述分析，机器人执行任务的一个例子如图5所示。首先，机器人从充电房s₀出发沿箭头所示路径运动，依次停靠在s₁对T₁和T₂测温、停靠在s₂对T₅测温、停靠在s₃对T₃和T₄测温，最后返回充电房。图5中环形区域是各测温点约束环。机器人的部分路径被测温环的交集所覆盖，用粗实线段表示，这意味机器人如果停靠在该路段上任意一点均可完成对相应目标点的检测。例如，机器人停靠在s₁所处的停靠路段上时可以实现对T₁和T₂的测量。对于T₅的测温任务，有s₂和s′₂两个分离的路段可供选择。

4)对模型进行求解，输出全局最优解对应的巡检路径、各停靠点位置，以及各停靠点所对应的测温点集。

实施例中采用基于蚁群算法的求解方法，流程如图6所示，具体步骤如下：

4.1)初始化相关参数：蚂蚁数量M，信息素重要程度因子α、启发函数重要程度因子β、信息素的挥发程度ρ、信息素释放总量Q、最大迭代次数iter_max、机器人相机高度H、相机俯仰角度最大上限值θ_max、相机最大视距d_max、机器人测温过程所消耗的时间常数λ、机器人平均运动速度v、路径离散化精度I_L，相关参数如表2所示：

表2蚁群算法参数与机器人参数

其中，检测相机俯仰角度的最大上限值θ_max为π/3，通过更换镜片相机的最大视距可达50米，最佳测温范围在20～30米之间，此处将d_max设为25米。I_L为0.5米，表示路径由间隔0.5米的离散点构成。

4.2)构建解空间：初始时刻将蚂蚁放在充电房位置，每只蚂蚁根据转移概率函数计算依次跳转到下一个随机概率最大的节点(非重复节点)，直到所有蚂蚁回到出发点或者无可跳转节点，转移概率函数如下式：

其中，τ_ij(t)为t时刻边E(i,j)上残留信息素浓度，η_ij(t)是启发函数，表示蚂蚁从节点v_i转移到v_j的期望程度，与节点间距离成反比，如下式所示：

allow_m表示蚂蚁m待访问的节点集合，α为信息素重要程度因子，β为启发函数重要程度因子。

4.3)更新信息素：

(1)记第m只蚂蚁选择的闭环路径为C^m，计算其长度

同时将C^m离散化，得到路径点集L^m，最后获得L^m与第i个测温点约束环S_Ti的交集，记为

(2)当m＝1时，判断是否存在某个T_i使得

若存在，则表示蚂蚁m无法完成全部巡检任务，令完成任务总时间f₁＝∞；反之，对路径C^m上的所有测温点根据约束进行聚类，得出类别总数K¹，将其代入目标函数计算巡检时间代价f₁。依次计算当m＝2,3,...,M时所对应的f₂,f₃,...,f_M值，根据下式进行迭代：

其中ρ∈(0,1)表示信息素的挥发程度，

表示蚂蚁m在边E(i,j)上释放的信息素为：

其中Q是一个常量，f_m是蚂蚁m完成任务总时间。Δτ_ij(t)表示蚁群中所有蚂蚁在边E(i,j)上释放的信息素之和，路网中信息素更新流程如图7所示；

4.4)判断蚁群是否终止迭代：计算当前迭代中所有蚂蚁完成巡检任务的时间消耗，同时与以前迭代中存储的全局最优解进行比较，当存在更小的时间代价时，则更新全局最优解。然后，判断迭代次数是否达到最大值，若未达到，则返回第(2)步，若达到则停止计算，并保留迭代过程中的全局最优解。

在蚁群算法步骤4.3)中为了获得机器人在不同路径下的测温停靠方案需要对测温点聚类。聚类获得的类别数目便是机器人的停靠次数。本发明基于贪婪思想将满足机器人位姿约束的测温点聚为一类，通过迭代获得聚类结果。其流程如下所示：

S1：构建待聚类的测温点初始集合A＝T，求蚂蚁m的离散化路径L^m与第i个测温点约束环S_Ti的交集

S2：计算路径点集

且T_j∈A。集合

中离散点的数目

代表了T_i与T_j的相近程度。将所有

从大到小排序，得

S3：如果

表示T_i与其它目标点没有共同可行的停靠路径点，则将T_i单独归为一类，即

然后跳至S5执行，计算蚂蚁m剩余停靠点，否则，执行S4。

S4：如果

则路径点集

定义如下可行的停靠路径集合

其中

易求得：

则得到停靠点

可完成检测的目标集

相应停靠点集合表达式为：

于是停靠点

从停靠点集

中任意选择即可。

S5：从A中剔除能够完成检测的目标集

即：

从A中选择下一个测温点执行S2，直到A为空集时，得到蚂蚁m的路径对应的停靠点位置

与其所对应的测温点集

S6：最后根据机器人闭环路径C中道路节点的先后顺序调整

的顺序，得到最终的

与

避免机器人在此路径中往复运动。

5)输出全局最优解

简易路网实例的仿真结果如图8所示，其中v₁,v₂,…,v₈表示道路节点，五角星代表充电房位置s₀,，星号表示T₁,T₂,…,T₅测温点的位置，测温点约束环为以测温点为中心的圆环。图8中闭合线段为机器人的最终巡检路径，包括两次停靠，分别位于s₁和s₂。s₁处的粗实线段为机器人测量目标点集{T₂,T₄,T₅}时的可停靠路段，该路段是将测温点约束环S_T2,S_T4,S_T5与离散化路径取交集得到的。以同样的方法可得到s₂处的可停靠路段，不过由于S_T1内环的限制，停靠路段被分为两个不相连的部分，这符合机器人在S_T1内环中无法对T₁测温的实际情况。

采用本发明的方法得到的机器人最优巡检路线是表3中路径1：v₁-v₄-v₆-v₂-v₁。为了分析聚类方法的准确性，从蚂蚁解空间中选取停靠次数不同的三条典型路径，其中路径3与测温点约束环相交为4段不相连的部分，且除第一段对应{T₁,T₃}外，其余三段均单独对应测温点，表明机器人需要在该路径上停靠4次完成任务。路径2分析同理，聚类结果与表3中的停靠次数一致，说明了聚类方法的准确性。从图8可知，机器人巡检流程与表4所示的聚类结果相吻合，表明该求解方法的可行性。通过比较可知，时间代价最小的路径1相比于其它两条路径，停靠点数量最少且路径长度最短。

表3简单路网主要路径对比

表4简单路网最优路径1聚类结果

实施例2：

该实例中变电站巡检机器人的路径规划的流程与实施例1相同，不同之处在于本实施例采用了变电站实测数据。实际路网实验数据来源于变电站点云地图数据提取与实地勘测，由16线3维激光雷达构建的点云地图的俯视效果如图9所示。该地图清晰的展示了地图尺寸与变电设备位置等信息，四周不规则的点线为变电站围墙，墙内离散点是电线支撑杆，相应实物的坐标及尺寸采用ROS下Rviz可视化平台获取，并结合激光测距仪实地勘测进行矫正。

由于测温点通常依托电线杆集群分布，因此该仿真以电线杆的位置代替测温点位置。变电站的范围为100米×120米，包括270个测温点，根据实验数据建立的道路网络由42个节点与63条边组成，如图10所示。由于测温点增多，将路网离散化精度设为0.1，蚂蚁数量增加至500，避免无解。蚁群算法的相关参数如表2所示。机器人在实际变电站路网中的最优巡检路径如图10中闭合线段所示，其中符号含义与图8相同，充电房位于节点v₁₆。

图10中以s₃为圆心的圆是机器人停靠在s₃时，测温相机的最大可视范围，其半径为相机最大视距d_max，星号表示目标点T₁,T₂,…,T₂₇₀的位置。由于测温点数量较多，除测温点集合Ts(s₃)外，其它测温点编号以及相应的测温点约束环均未标出。仿真结果表明，机器人的最优巡检路径从充电房v₁₆出发，完成全部检测任务后返回充电房，一共需停靠12次，停靠点分别为s₁,s₂,…,s₁₂，如图10中六角星所示。

采用本发明方法得到符合约束条件的蚂蚁解空间，根据式目标函数计算时间代价，其中时间代价最小的3条路径如表5所示。从表5可以看出，路径1的时间代价最小，为最优路径C*，路径2的停靠次数与路径长度均大于C*，虽然路径3的长度比C*小，但停靠次数却多于C*。由此可见，最优路径C*代表的是综合性能最佳的巡检方案。表6是最优路径C*的测温点聚类结果，机器人需要在该路径上停靠12次完成对270个目标点的测温。另外，测温点集合T_s(s₃)全部位于图10中以s₃为圆心的圆域内，该聚类结果与机器人在s₃对T_s(s₃)进行测温的事实相符。

表5实际路网主要路径对比

表6最优路径C*的聚类结果

图11给出了蚁群算法迭代过程中所有蚂蚁的最小时间消耗及其对应的停靠次数和路径长度的变化曲线。其中，根据目标函数将停靠次数与路径长度曲线加权得到最小时间消耗曲线。迭代开始时，信息素对蚁群的影响较小，蚂蚁根据启发函数进行寻路，最小时间代价曲线变化不明显。迭代7次后，随着信息素的增强，蚂蚁逐渐趋向于时间代价较小的路径，迭代曲线呈下降趋势。迭代23次后，最少停靠次数曲线基本不再变化，说明完成巡检任务的时间消耗可能已达到最优值。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种变电站巡检机器人路径规划方法，其特征在于，包括以下步骤：

1)根据地图构建机器人运动的路网约束模型；

2)考虑机器人对目标进行测温时云台的姿态和测量视距的实际约束，结合测温点构建测温点巡检位姿约束模型；

3)根据机器人运动的路网和测温点巡检位姿约束模型确定机器人停靠点集合；

4)以完成巡检的时间最小为目标建立巡检机器人路径规划模型；具体如下：

其中，λ表示机器人每次停靠测温所消耗的时间常数，λK为执行K次停靠测温所需的时间，

为机器人在路径中持续运动所需时间，v是机器人平均运动速度，l_C为路径总长度；

G为机器人运动的路网，T为全部测温点集合，s₀是充电房的位置，C为机器人在路网中的巡检路径，s_k为机器人第k次停靠实施测温时的位置，k＝1,2,…,K；

5)对模型进行求解，输出全局最优解对应的巡检路径、各停靠点位置，以及各停靠点所对应的测温点集，作为变电站巡检机器人的执行测温任务时的路径规划方案。

2.根据权利要求1所述的变电站巡检机器人路径规划方法，其特征在于，所述步骤1)中根据地图构建机器人运动的路网约束模型，具体如下：

使用无向图G(V,E)表示机器人运动路网，其中，V＝[v₁,v₂,...v_n]为道路节点集合，n为道路节点的数目，E表示无向边集，E(i,j)表示由v_i和v_j相连的边，权重W∈R^n×n表示机器人通过相应边时所经过距离。

3.根据权利要求1所述的变电站巡检机器人路径规划方法，其特征在于，所述步骤2)中构建巡检位姿约束模型，具体如下：

机器人对目标进行测温过程中的巡检位姿约束包括检测相机俯仰角约束和最大视距约束；θ_max表示相机受云台结构和拍摄质量约束的最大俯仰角度，d_max表示相机在满足检测质量要求下的最大视距，则

其中，H为测温仪离地高度，测温点T_i的坐标为(x_i,y_i,h_i)，d_i为机器人停靠点s(x_s,y_s,0)与测温点T_i之间的水平距离；

计算测温点约束环S_Ti，测温点约束环S_Ti表示机器人对T_i进行检测时，满足巡检位姿约束条件的位置集合；

当机器人位于环域S_Ti内时，机器人对目标点T_i进行有效测温。

4.根据权利要求1或3所述的变电站巡检机器人路径规划方法，其特征在于，所述步骤3)中确定机器人停靠点集合，具体如下：

通过对路网中的路径均匀插值，获得离散化路径点，假设路径离散化精度为I_L，组成该路径的离散点集为L，机器人在离散化路径中的停靠点s_k由测温点约束环S_Ti与离散路径L的交集确定，即存在：

5.根据权利要求1所述的变电站巡检机器人路径规划方法，其特征在于，所述步骤4)中对模型进行求解具体如下：

采用蚁群算法获得可完成测温任务的闭环路径，然后将闭环路径离散化，采用贪婪思想对测温点进行聚类，并将聚类结果和闭环路径长度共同用于路网信息素的更新，同时比较路径规划模型目标函数中的时间代价更新全局最优解。

6.根据权利要求5所述的变电站巡检机器人路径规划方法，其特征在于，所述步骤4)中，采用蚁群算法获得可完成测温任务的闭环路径，具体如下：

4.1)初始化相关参数：蚂蚁数量M，信息素重要程度因子α、启发函数重要程度因子β、信息素的挥发程度ρ、信息素释放总量Q、最大迭代次数iter_max、机器人相机高度H、相机俯仰角度最大上限值θ_max、相机最大视距d_max、机器人测温过程所消耗的时间常数λ、机器人平均运动速度v、路径离散化精度I_L；

4.2)构建解空间：初始时刻将蚂蚁放在充电房位置，每只蚂蚁根据转移概率函数计算依次跳转到下一个随机概率最大的节点(非重复节点)，直到所有蚂蚁回到出发点或者无可跳转节点，转移概率函数如下式：

其中，τ_ij(t)为t时刻边E(i,j)上残留信息素浓度，η_ij(t)是启发函数，表示蚂蚁从节点v_i转移到v_j的期望程度，与节点间距离成反比，启发函数为：

allow_m表示蚂蚁m待访问的节点集合，α为信息素重要程度因子，β为启发函数重要程度因子。

4.3)更新信息素：

4.3.1)记第m只蚂蚁选择的闭环路径为C^m，计算其长度

同时将C^m离散化，得到路径点集L^m，最后获得L^m与第i个测温点约束环S_Ti的交集，记为

4.3.2)当m＝1时，判断是否存在某个T_i使得

若存在，则表示蚂蚁m无法完成全部巡检任务，令完成任务总时间f₁＝∞；反之，对路径C^m上的所有测温点根据约束进行聚类，得出类别总数K¹，代入目标函数计算巡检时间代价f₁，依次计算当m＝2,3,...,M时所对应的f₂,f₃,...,f_M值，根据下式进行迭代：

其中ρ∈(0,1)表示信息素的挥发程度，

表示蚂蚁m在边E(i,j)上释放的信息素为：

其中Q是一个常量，f_m是蚂蚁m完成任务总时间，Δτ_ij(t)表示蚁群中所有蚂蚁在边E(i,j)上释放的信息素之和；

4.4)判断蚁群是否终止迭代：计算当前迭代中所有蚂蚁完成巡检任务的时间消耗，同时与以前迭代中存储的全局最优解进行比较，当存在更小的时间代价时，则更新全局最优解；然后，判断迭代次数是否达到最大值，若未达到，则返回第4.2)步，若达到则停止计算并保留迭代过程中的全局最优解。

7.根据权利要求6所述的变电站巡检机器人路径规划方法，其特征在于，所述步骤4.3.2)中对路径C^m上的所有测温点根据约束进行聚类为基于贪婪思想将满足巡检位姿约束的测温点聚为一类，通过迭代获得聚类结果，聚类获得的类别数目便是机器人的停靠次数；具体如下：

S1：构建待聚类的测温点初始集合A＝T，求蚂蚁m的离散化路径L^m与第i个测温点约束环S_Ti的交集

S2：计算路径点集

j>i且T_j∈A，集合

中离散点的数目

代表了T_i与T_j的相近程度，将所有

从大到小排序，得

Z＝|A|-1；

S3：如果

表示T_i与其它目标点没有共同可行的停靠路径点，则将T_i单独归为一类，即

然后跳至S5执行，计算蚂蚁m剩余停靠点，否则，执行S4；

S4：如果

则路径点集

定义如下可行的停靠路径集合

其中

r＝1,2,…,Z；

计算如下约束式，确定r*

r*＝max r,

得到停靠点

可完成检测的目标集

相应停靠点集合表达式为：

停靠点

从停靠点集合

中任意选择即可；

S5：从A中剔除能够完成检测的目标集

即：

从A中选择下一个测温点执行S2，直到A为空集时，得到蚂蚁m的路径对应的停靠点位置

与其所对应的测温点集

S6：根据机器人闭环路径C中道路节点的先后顺序调整

的顺序，得到最终的

与

避免机器人在此路径中往复运动。

Images