技术新讯 > 控制调节装置的制造及其应用技术 > 基于动态学习因子的变电站多巡检点路径规划方法  >  正文

基于动态学习因子的变电站多巡检点路径规划方法

  • 国知局
  • 2024-07-31 23:38:56

本发明属于机器人路径规划,特别是一种基于动态学习因子的变电站多巡检点路径规划方法。

背景技术:

1、变电站巡检方式分为人工巡检和机器巡检,传统的人工巡检存在诸多问题,已经很难实现实时性要求不断提高、复杂程度不断加深的变电站运维工作。伴随着科技的不断发展和巡检标准的日益提高,智能巡检机器人有望替代人工,逐步成为承担变电站日常巡检工作的主力。路径规划技术是机器人高效巡检的基础,在进行路径规划时,需要为机器人规划一条合理路径,遍历巡检点,并躲避环境中的障碍物。

2、目前涉及变电站巡检机器人路径规划的方法有:发明专利(申请号:cn202211495883.9,名称:一种变电站巡检机器人路径规划方法),采用多节点并行的方向启发式路径规划,并进行路径平滑优化,提高了变电站巡检机器人路径规划的效率;发明专利(申请号:cn202010693555.4,名称:一种变电站巡检机器人路径规划方法),通过构建机器人运动的路网约束模型,并以完成巡检的时间最小为目标,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;发明专利(申请号:cn201710153238.1,名称:一种变电站巡检机器人路径规划系统)采用强化学习的路径规划系统完成特殊天气等条件下对重点指定设备进行特殊巡检任务,避免磁轨道等路径规划方法的轨道维护工作。对于巡检机器人的路径规划问题,研究者们已经提出了多种解决方案,其中包括基于图论、基于随机采样、以及基于人工智能等不同方式。图论路径规划算法在这些方案中凭借其能够保证路径最优性、适应复杂环境、可解释性强以及具有分布式性的特点而备受青睐,并在巡检机器人路径规划领域得到广泛应用。然而,由于变电站巡检任务点众多,仅依赖图论路径规划算法难以规划多任务点的巡检顺序,进而无法实现更高效的巡检。文献调查发现,粒子群(pso)算法在解决非线性优化问题方面有广泛应用,为解决传统巡检机器人路径规划能力弱的问题提供了新的解决方案。然而,传统粒子群算法存在易陷入局部最优、算法收敛速度较慢的问题。如何合理的改进粒子群算法,提高路径搜索效率,需要进一步的研究。另外在解决完多任务点巡检顺序的问题后,如何规划两个任务点之间的路径,同时避开障碍物也需要进行研究。

技术实现思路

1、本发明的目的在于针对上述现有技术存在的问题,提供一种适用于变电站巡检机器人多任务点巡检作业,并兼顾巡检高效性和安全性的动态学习因子的变电站多巡检点路径规划方法。

2、实现本发明目的的技术解决方案为:一方面,提供了一种基于动态学习因子的变电站多巡检点路径规划方法,所述方法包括以下步骤:

3、步骤1,构建环境栅格地图,并输入变电站多任务巡检点xy坐标及其各个坐标间的欧几里得距离;

4、步骤2,利用改进pso算法即ipso算法进行多巡检点任务规划,所述改进pso算法能平衡pso算法的全局搜索能力和局部改良能力,提高种群多样性并扩大算法的搜索范围;

5、步骤3,融合lazy theta*算法,在基于ipso算法对变电站多任务点巡检任务进行顺序规划输出任务点列表的基础上,实现两两任务点间的路径规划。

6、进一步地,步骤2中所述ipso算法具体包括:

7、采用非线性的动态惯性权重系数,以平衡pso算法的全局搜索能力和局部改良能力;

8、动态调整pso算法中的学习因子,构造学习因子c1为单调递减函数,构造学习因子c2为单调递增函数;

9、在pso算法中引入遗传算法的交叉、变异操作。

10、进一步地,pso算法中的常量惯性权重因子ω替换为非线性的动态惯性权重系数,公式如下:

11、

12、式中,f表示粒子实时的目标函数值,favg和fmin分别表示当前所有粒子的平均值和最小目标值,ωmax、ωmin为固定值,分别为设定的常量惯性权重因子的最大值和最小值。

13、进一步地,所述非线性的动态惯性权重系数,当粒子目标值分散时,减小惯性权重;当粒子目标值一致时,增加惯性权重。

14、进一步地,所述学习因子c1、c2的公式为:

15、

16、

17、其中,k为常系数,用于设置c1和c2的最大值;t为当前的迭代次数,tamx为粒子群的最大迭代次数。

18、进一步地,k取值为1~5。

19、进一步地,所述在pso算法中引入遗传算法的交叉、变异操作,具体包括:

20、通过嵌入式混合方法,将遗传算法中的交叉和变异操作嵌入到ipso算法中;

21、(1)交叉操作的步骤如下:

22、随机选择两个交叉点,确定交叉区间;

23、在交叉区间内,提取其中的片段;

24、从第一个父代中删除交叉区间内的基因片段;

25、检查并去除交叉区间内的重复元素;

26、将去除重复元素后的片段插入到第一个父代对应位置,形成第一个子代;

27、(2)变异操作的步骤如下:

28、随机生成两个不同的索引,这两个索引对应染色体中除去首尾起始点的位置;

29、对这两个索引进行换位操作,即将染色体中的两个位置的基因值进行交换;

30、再次随机生成两个不同的索引,进行二次换位操作,将染色体中的另外两个位置的基因值进行交换。

31、进一步地,步骤3具体过程包括:

32、初始化ipso算法、lazy theta*算法参数,并加载任务点坐标、距离;

33、利用ipso算法构建多任务点巡检解决方案,依次加载多任务点巡检任务列表,设置机器人开始与结束位置,利用lazy theta*算法进行路径规划;

34、通过计算路径成本,判断是否达到误差精度或迭代次数,若是,则获得最佳路径,否则利用ipso、lazy theta*结合的混合算法继续优化现有路径,直至找到最佳路径,最后输出最佳路径并进行路线绘制。

35、另一方面,提供了一种动态学习因子的变电站多巡检点路径规划系统,所述系统包括:

36、第一模块,用于构建环境栅格地图,并输入变电站多任务巡检点xy坐标及其各个坐标间的欧几里得距离;

37、第二模块,用于利用改进pso算法即ipso算法进行多巡检点任务规划,所述改进pso算法能平衡pso算法的全局搜索能力和局部改良能力,提高种群多样性并扩大算法的搜索范围;

38、第三模块,用于融合lazy theta*算法,在基于ipso算法对变电站多任务点巡检任务进行顺序规划输出任务点列表的基础上,实现两两任务点间的路径规划。

39、本发明与现有技术相比,其显著优点为:

40、(1)本发明提供一种基于动态学习因子的变电站多巡检点路径规划方法,将变电站巡检机器人的全局路径规划问题,分成单任务点巡检和多任务点巡检两类情况进行分析。

41、(2)针对粒子群算法进行多任务点路径规划易陷入局部最优且算法收敛速度慢的问题,通过改进粒子群算法的惯性权重和学习因子并融合遗传算法思想,提升了算法对多任务点路径规划的性能,跳出了局部最优,算法收敛速度也明显加快。

42、(3)针对改进粒子群算法只考虑任务点间直线距离,无法避开障碍物的问题,通过将lazy theta*算法与ipso算法融合,在保证总路径长度较短的同时,避免了机器人与障碍物发生碰撞的情况。

43、下面结合附图对本发明作进一步详细描述。

本文地址:https://www.jishuxx.com/zhuanli/20240730/197999.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。