【技术实现步骤摘要】
本专利技术涉及巡检机器人路径规划，具体涉及一种基于卷积神经网络的巡检机器人路径规划方法。
技术介绍
1、随着人工智能和大数据时代的到来，机器人技术不断发展迭代，传统制造行业已经不断被智能化装备所取代。其中，利用机器人代替人工作业已经成为机器人作业的主流趋势，并且在工业制造、医疗服务、食品生产、航天航空、农业自动化等社会各方面得到了广泛的应用，但面向变电站环境下的巡检机器人作业应用目前还处于初级阶段。
2、随着智能化装备技术的不断发展并结合安全因素与效率因素的综合考量，传统人工巡检作业的方式必然会逐步被机器人作业所取代。其中，通过机器人搭载红外、激光雷达、双目相机等传感器，去完成不同种类、不同场景、不同目标的电力巡检任务，是目前输变电背景下智能巡检作业的主流方式。因此，展开复杂输变电环境下巡检机器人路径规划研究，有利于提高巡检机器人在输变电环境下连续作业的能力，促进自主、智能、智慧作业的发展。
3、传统rrt*算法是在rrt算法的基础上引入枝剪操作、重布线操作来优化随机树，使路径代价在不断的迭代过程中收敛到最短，但由于算法的随机性导致其迭代收敛的过程并不稳定，导致传统rrt*算法路径规划时间效率较低；图1(a)展示了传统rrt*算法在该障碍物环境地图下迭代5000次的结果，其中：绿色圆点代表起点，红色圆点代表终点，黑色矩形代表障碍物，墨绿色代表迭代过程中产生的树枝，粉红色代表最终路径；图1(b)展示了该路径规划过程中路径代价和规划时间随迭代次数的关系，由图1(b)可知：传统rrt*算法路径规划过程中，路径代
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于卷积神经网络改进的rrt*路径规划方法(nrrt*)，该方法可应用于变电站环境下巡检机器人的路径规划，具有明显的优越性和有效性；同时也为输配变电智能巡检路径规划提供了新的方向。
2、本专利技术采取的技术方案为：
3、基于卷积神经网络的巡检机器人路径规划方法，包括以下步骤：
4、步骤1:首先，提出基于卷积神经网络的最优路径可行域预测模型，预测出路径规划任务中起点到目标点的可行域分布地图，进而从缩小采样域范围的角度实现缩短路径规划时间，提升路径规划的时间效率；
5、步骤2:然后，提出切线寻优法来优化最终路径中存在的冗余节点，进一步减小路径代价；
6、步骤3:最后，提出分段三次hermite插值优化方法来处理切线寻优后路径中的拐点，将路径中的拐点进行平滑处理，以保障巡检机器人安全平稳的进行转向运动。
7、所述步骤1中，基于卷积神经网络的最优路径可行域预测模型包括：基于卷积神经网络的地图特征编码、坐标特征编码和特征融合解码三个环节,具体网络结构如图3(a)所示；地图特征编码环节，采用训练好的resnet18网络作为该环节编码器的干网络，其输入是维度为(256,256,3)的障碍物地图，具体障碍物地图如图3(b)所示；
8、坐标特征编码环节，采用四个编码模块将坐标特征从低纬度依次提取到高维度，同时采用四个双线性插值模块将提取到的坐标特征进行重新采样，坐标特征编码环节输入是维度为(2,2,1)的起点与终点坐标，具体输入坐标如图3(a)中坐标特征编码区域所示。
9、特征融合解码环节，首先是将地图特征和坐标特征沿着通道维度进行拼接，并由后续网络模块进行解码处理；然后对拼接特征进行卷积操作，再利用反卷积模块对融合特征进行反卷积处理，其输出为(256,256,1)的可行域分布地图，该网络具体输出的可行域分布地图如图3(c)所示。
10、基于卷积神经网络的最优路径可行域预测模型旨在将高分辨率输入地图转换为另一种高分辨率输出地图，即该模型预测出的可行域分布地图。
11、所述地图特征编码环节，输入地图首先经过一个conv2d+relu+conv2d+relu层，用于提取障碍物地图的低维度特征，然后利用四个resnet18层用于提取更高维度的特征；该环节所有卷积模块均采用3×3卷积核，步长为1，填充为1；经过地图特征编码环节的处理，输入地图的特征尺寸由(256,256,3)变为(32,32,512),具体如图3(a)中的地图特征编码区域所示。
12、所述坐标特征编码环节，输入是维度为(2,2,1)的起点与终点坐标，采用四个conv2d+relu编码模块将坐标特征从低纬度依次提取到高维度；同时采用四个双线性插值模块将提取到的坐标特征进行重新采样，生成与地图特征编码环节特征尺寸相匹配的新特征数据，以便于后续环节进行特征的拼接；该环节所有卷积模块均采用3×3卷积核，步长为1，填充为1；双线性插值模块的插值目标尺寸是地图特征编码环节对应卷积层的输出特征尺寸；经过坐标特征编码环节的处理，输入坐标的特征尺寸由(2,2,1)变为(32,32,512),具体如图3(a)中的坐标特征编码区域所示。
13、所述特征融合解码环节，首先是将地图特征和坐标特征沿着通道维度进行拼接，并由后续网络模块进行解码处理；然后利用conv2d+relu+conv2d+relu层对拼接特征进行卷积操作，再利用convtranspose2d模块对融合特征进行反卷积操作，该环节仅最后一层卷积模块均采用2×2卷积核，其余卷积模块均采用3×3卷积核，步长为1，填充为1；经过特征融合解码环节的处理，输入坐标的特征尺寸由(32,32,1024)变为(256,256,1),具体如图3(a)中的特征融合解码区域所示。
14、所述步骤2中，切线寻优法包括以下步骤：
15、s2.1.定义并初始化起点、终点分别为：x1、x4；
16、s2.2.从起点x1出发寻找第一次发送碰撞的路径点，记为碰撞点x3；
17、s2.3.将碰撞点x3的前一个点记为次碰撞点x2；
18、s2.4.分别对路径x2-x1、x2-x3进行离散拆分，得到离散合集p1、p2；
19、s2.5.分别将起点x1、碰撞点x3依次与离散点p2、p1进行碰撞检测，分别找到离散点p2、p1中第一次发生碰撞节点的子节点n2、n1；
20、s2.6.求解直线x1-n2与x3-n1的交点n，更新起点x1为交点n；
21、s2.7.重复迭代上述步骤，直到迭代到终点x4。
22、所述步骤2.4中，分别对路径x2-x1、x2-x3进行离散拆分，获得更加精细的冗余节点删除方式，得到离散合集p1、p2；离散拆分表达式为：
23、p＝(1-θ)·(xk-1,yk-1)+θ·(xk,yk)；
24、式中：θ为本文档来自技高网...
【技术保护点】
1.基于卷积神经网络的巡检机器人路径规划方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：
3.根据权利要求2所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：所述地图特征编码环节，输入地图首先经过一个Conv2d+Relu+Conv2d+Relu层，用于提取障碍物地图的低维度特征，然后利用四个ResNet18层用于提取更高维度的特征；该环节所有卷积模块均采用3×3卷积核，步长为1，填充为1。
4.根据权利要求2所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：所述坐标特征编码环节，输入是维度为(2,2,1)的起点与终点坐标，采用四个Conv2d+Relu编码模块将坐标特征从低纬度依次提取到高维度；同时采用四个双线性插值模块将提取到的坐标特征进行重新采样，生成与地图特征编码环节特征尺寸相匹配的新特征数据，以便于后续环节进行特征的拼接；该环节所有卷积模块均采用3×3卷积核，步长为1，填充为1；双线性插值模块的插值目标尺寸是地图特征编码环节对应卷积层的输出特征尺寸。
<...【技术特征摘要】
1.基于卷积神经网络的巡检机器人路径规划方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：
3.根据权利要求2所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：所述地图特征编码环节，输入地图首先经过一个conv2d+relu+conv2d+relu层，用于提取障碍物地图的低维度特征，然后利用四个resnet18层用于提取更高维度的特征；该环节所有卷积模块均采用3×3卷积核，步长为1，填充为1。
4.根据权利要求2所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：所述坐标特征编码环节，输入是维度为(2,2,1)的起点与终点坐标，采用四个conv2d+relu编码模块将坐标特征从低纬度依次提取到高维度；同时采用四个双线性插值模块将提取到的坐标特征进行重新采样，生成与地图特征编码环节特征尺寸相匹配的新特征数据，以便于后续环节进行特征的拼接；该环节所有卷积模块均采用3×3卷积核，步长为1，填充为1；双线性插值模块的插值目标尺寸是地图特征编码环节对应卷积层的输出特征尺寸。
5.根据权利要求2所述基于卷积神经网络的巡检机器人路径规划方法，其特征在于：所述特征融合解码环节...
【专利技术属性】
技术研发人员：吴田，罗宇，高佳启，狄正辉，赵文俊，吴升泽，宋璇，陈宗菊，杨展豪，宋妍霖，王少奇，钟垒锋，冯兴龙，尉浩杰，陈凯，王铭心，徐圆红，
申请(专利权)人：三峡大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。