一种基于阿克曼运动模型的多车协同巡检实现方法技术

本发明专利技术涉及一种基于阿克曼运动模型的多车协同巡检实现方法，通过拍卖算法分配任务，再将细胞神经元激励和

【技术实现步骤摘要】
一种基于阿克曼运动模型的多车协同巡检实现方法


[0001]本专利技术涉及一种基于阿克曼运动模型的多车协同巡检实现方法，属于集群协同路径规划

。

技术介绍

[0002]目前世界自动化智能化水平正快速提高，各个行业邻域智能设备的普及率越来越高
。
对于大型工厂
、
车间或是室外空地，若花费人力去人工巡检，存在多方面的限制：其一，工人代价成本高；其二，工人存在主观经验主义，问题的反馈存在不及时的现象；其三，工人会有惰性，巡检不全面
、
巡检的实时性差以及记录性难以保证；其四，有些设备底部，或是地形限制处，工人难以深入检查
。
因此采用机器人代替工人，进行自主全覆盖路径规划巡检，这是更高效
、
更可靠的方式
。
[0003]目前国内外对于全覆盖路径规划算法，主要为单机器人实现清扫工作
。
对于单机器人实现全覆盖路径规划的方案有多种方式，例如随机游走
、
混沌覆盖路径规划
、
基于采样的规划算法
、
基于图搜索算法等
。
但是对于一个障碍物遍布的环境或是较复杂的环境，单机器人实现全覆盖巡检，受机器人电池电量
、
环境地形等多种因素限制，故在这类环境中单车全覆盖巡检的可靠性低
。
[0004]因此，采用多车协同规划，无疑是一个更好的方式
。
对于多车任务分配问题是个
NP
问题，一个好的的任务分配方案可极大幅度提升多车全覆盖实现的效率
。
对于已知环境和已知机器人数目的情况下，且无直接冲撞的多机器人分配算法
。
对于这个中情况，本文设计提出了基于拍卖算法的任务分配机
。
该算法不不经能考虑路径长度
,
时间下的最优分配，而且每个机器人都单独考虑其在工作期间的资源消耗
,
比如由于电池电量或是环境因素，使得路径规划不可达或是发生偏差时
,
该机器人会停止该项任务，而临近有能力且可达的机器人会帮助继续执行未完成的任务
。
[0005]同时对于清扫机器人多为双轮差速模型，该模型虽然可实现原地转向，运动学限制较少，但是该模型在高速环境下的稳定性不及
ackermann
运动模型
(
阿克曼运动模型
)
，对于发杂环境的适应性也不如
ackermann
运动模型
。
[0006]目前，大多是都是以双轮差速运动模型为基础，提出的全覆盖路径规划或是多车协同路径规划，而
ackermann
运动模型具有稳定性好，在载重能力的表现也更优秀，同时有着更高的转向精度
。
对于一些特殊环境，比如说一个复杂的复合环境，包括有：狭窄的通道
、
拐角和障碍物遍布
。
阿克曼车模具有较好的稳定性和转向精度，能够准确控制车辆的转向角度和半径
。
这对于穿过狭窄的通道或绕过拐角等操作至关重要
。
阿克曼车模可以通过合理的路径规划和精确的转向控制，确保机器人在复杂环境中覆盖每个区域，避免错过或重复巡视的问题阿克曼运动模型相较于双轮差速模型有着更大的优势
。
相比之下，双轮差速车模在狭窄空间中可能会遇到一些困难
。
其机动性和转向能力使其更适合于在开放区域或较宽敞的环境中操作，而不是在有限空间中进行精确的全覆盖路径规划
。
[0007]对于多车协同全覆盖路径规划的实现，多为在双轮差速运动模型下进行的研究，
且目前多车协同全覆盖路径规划的运用场景多为农业浇灌
、
采摘等农业方面较多，在工业方面多为单车实现小环境下的巡检
。
[0008]因此，采用
ackermann
运动模型的车能更好的使用复杂对转向精度要求高的环境中实现全覆盖路径规划的巡检
。
[0009]目前，全覆盖算法所规划的的路径大致可分为三大类：其一，“弓”字形；其二，“回”字型；其三，随机型
。
但是这些路径均存在连续直角转向，甚至是锐角转向的情况，不符合
ackermann
运动模型的运动学拘束
。
同时，对于传统的基于细胞神经元激励的全覆盖，其覆盖率较为低下，易使得细胞元规划陷入死区
。
[0010]因此本发现提出一种改进的细胞神经元激励的全覆盖路径规划方法，在提高覆盖率
、
减少非必要转弯次数
、
高效进行死区逃离的同时也对规划路径即存即删的高效三阶贝塞尔曲线拟合，在极小的缓存下计算得出一定前瞻下的新路径，使得路径更切合
ackermann
运动模型的运动轨迹
。

技术实现思路

[0011]为了克服现有研究的不足，本专利技术提供了一种基于阿克曼运动模型的多车协同巡检实现方法
。
通过拍卖算法分配任务，实现了多车任务的合理分配；再将细胞神经元激励和双向
A*
算法融合以及贝塞尔曲线拟合进行融合，实现改进细胞元神经算法算法，降低了遍历路径的重复度
、
提高了全覆盖路径规划的效率，在具有良好的鲁棒性和扩展性的前提下，也更贴合
ackermann
运动模型车辆的控制实现
。
[0012]一种基于阿克曼运动模型的多车协同巡检实现方法，包括以下步骤：
[0013]步骤一：获取每辆车在栅格地图中的位姿信息
[0014]步骤二：通过
TF
坐变换将每辆车的位姿转换为相对于世界基坐标系的
/word
下的位姿信息；
[0015]步骤三：结合每辆车的位姿信息，运用拍卖算法进行任务分配；
[0016]步骤四：对代价地图进行重新赋值，对于障碍物区域或是未知区域赋值为，而其
‑
1000
，其余区域仍均赋值为0；
[0017]步骤五：对每个分割好的区域进行基于改进细胞神经元算法的全覆盖路径规划；
[0018]步骤六：每辆车重复执行步骤五，直至车辆陷入死区，即以车为中心的八领域的细胞神经元活性均为负值，此时，跳转至步骤七；
[0019]步骤七：遍历栅格地图，检测栅格地图是否存在未赋值的神经元，若存在，转跳至步骤八，反之转跳至步骤十；
[0020]步骤八：计算每个未赋值神经元栅格，找到距死区曼哈顿距离点一个栅格，将该点插入目标点中；
[0021]步骤九：以双向
A*
算法计算车辆到达该点的最优路径，并加入到全局路径中，转跳至步骤五；
[0022]步骤十：合并全局路径规划，发布到定义初步全局路径话题信息中；
[0023]步骤十一：订阅初步全局路径话题信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于阿克曼运动模型的多车协同巡检实现方法，其特征在于：包括以下步骤：步骤一：获取每辆车在栅格地图中的位姿信息步骤二：通过
TF
坐变换将每辆车的位姿转换为相对于世界基坐标系的
/word
下的位姿信息；步骤三：结合每辆车的位姿信息，运用拍卖算法进行任务分配；步骤四：对代价地图进行重新赋值，对于障碍物区域或是未知区域赋值为，而其
‑
1000
，其余区域仍均赋值为0；步骤五：对每个分割好的区域进行基于改进细胞神经元算法的全覆盖路径规划；步骤六：每辆车重复执行步骤五，直至车辆陷入死区，即以车为中心的八领域的细胞神经元活性均为负值，此时，跳转至步骤七；步骤七：遍历栅格地图，检测栅格地图是否存在未赋值的神经元，若存在，转跳至步骤八，反之转跳至步骤十；步骤八：计算每个未赋值神经元栅格，找到距死区曼哈顿距离点一个栅格，将该点插入目标点中；步骤九：以双向
A*
算法计算车辆到达该点的最优路径，并加入到全局路径中，转跳至步骤五；步骤十：合并全局路径规划，发布到定义初步全局路径话题信息中；步骤十一：订阅初步全局路径话题信息，采用三阶贝塞尔曲线拟合，进行实时4点曲线拟合，并发布至新话题
。2.
根据权利要求1所述的一种基于阿克曼运动模型的多车协同巡检实现方法，其特征在于：所述步骤三中拍卖算法包括：机器人根据自身的局部信息计算报价，任务分配由机器人的报价决定；对每个机器人电池电量的合理使用，使得所有机器人的任务收益最大化，定义：
G
＝
{g
ij
|i∈I,j∈J}
；机器人
i
对于路径
j
的净收益；
J
＝
{j1,j2,
…
,j
M
}
；路径集合；
B
＝
{b
j
|j∈J}
；经一轮报价后，确定路径
j
的竞标价；
F
＝
{f
ij
|i∈I,j∈J}
；为机器人
i
是否选择路径
j
的集合；输出为
bool
型0或1；
T
；机器人数量；
M
；可选择路径数量；当分配方案为
S
时，由于限制拘束条件为每个机器人能且仅能选择唯一的一条路径，故该算法的数学模型如下：该算法的数学模型如下：
T
＝
M
ꢀ③
其中
①
式为分配方案为
S
时，某个机器人对于路径选择的总效益，
②③
式为限制条件，每个机器人只能选择一条路径；每条路径一定会被机器人执行
。3.
根据权利要求2所述的一种基于阿克曼运动模型的多车协同巡检实现方法，其特征
在于：所述步骤三中，在基于拍卖算法的任务分配方法中，需要3种角色的参与：第三方拍卖商
、
购买者和出售者，第三方拍卖商主要负责拍卖过程，确定任务最终的分配；购买者负责向拍卖商递交投标，投标成功的边缘计算节点，被拍卖商授予任务；出售者主要负责向拍卖商提交任务，让拍卖商负责任务的分配，其实现的大体流程如下：任务发布：任务发布者将待执行的路径规划任务发布给参与者；参与者注册：所有有资格执行任务的参与者注册其个人信息和能力，如车辆速度
、
机器人传感器能力；竞标过程：参与者根据任务要求和自身能力生成路径规划方案，并提交竞标；路径规划方案应包括参与者计划执行的路径和相应的时间估计；竞标评估：任务发布者收集所有参与者的竞标，并对其可行性和性能进行评估；评估指标可以包括路径长度
、
时间预估
、
资源利用效率；路径分配：基于竞标评估结果，任务发布者选择一个或多个获胜者，并将任务分配给他们，分配过程可能基于最佳路径
、
最短时间
、
资源利用平衡不同的优化目标；执行任务：获得任务分配的参与者根据规划的路径开始执行任务
。4.
根据权利要求1所述的一种基于阿克曼运动模型的多车协同巡检实现方法，其特征在于：所述步骤五中改进细胞神经元算法具体包括：定义一个栅格作为一个神经元；定义长为
x
轴方向，宽为
y
轴方向；定义
x
+
为从坐标原点开始向
x
轴正方向，
x
‑
从坐标原点开始向
x
轴负方向，同理，
y
+
和
y
‑
分别代表从坐标原点开始向
y
轴的正方向和负方向；定义车辆当前所在位姿为
(x
current
,y
current
,
θ
cu...

【专利技术属性】
技术研发人员：董佳明，孟陈晨，王昌鹏，林启航，张健康，李真，余善恩，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：