一种基于阿克曼运动模型的多车协同巡检实现方法

技术领域

本发明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领域。

背景技术

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。

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。

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。

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。

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。

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。

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。

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。

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。

发明内容

为了克服现有研究的不足，本发明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。

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：

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。

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，任务分配完全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

J＝{j

B＝{b

F＝{f

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：

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。

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；购买者主要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、资源利用效率等；

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、资源利用平衡等不同的优化目标；

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。

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

对栅格地图进行重新赋值，将障碍物区域赋值原本为-1改为为-1000，可规划区域赋值为0，

首先获取车辆当前所处的位姿，通过坐标转化，得到其所处的栅格，将该处赋值为一个定值-200作为起始点，在结合在全局地图中所处的位置，在进行神经细胞元赋值，

对于不规则栅格地图，先进行栅格地图的矩形分块，找到障碍物的左下角点M和右上角点N，并将这两点的连线作为对角线将该障碍物虚拟成为一个矩形障碍物，以矩形障碍的M点为起点沿纵向作割线直到边界或矩形障碍或其他的分割线以矩形化障碍的N点为起点沿横向作割线直到环境边界或矩形障碍或其他的分割线，整个目标区域就被分为若干子区域，再进行分块测量长宽；对于规则栅格地图，直接测量地图的长宽；记录栅格地图长集合为{X

对于改进神经元细胞的赋值算法核心在于在起始阶段加入一个符合机器人自身位姿以及地图信息的导向信息，具体采用如下方法：

每个神经元与周围相邻神经元相互连接，实现神经元活性相互影响与传递。神经元活性值由分流方程描述外部激励及相互间作用关系，其分流方程如下：

式中：u

w

其中，|(u

外部输入I

通过分流式子可知，对于未覆盖区域，正的活性值可以通过分流方程不断扩散，在全局范围内对机器人产生吸力；而对于障碍物区域，负的活性值不参与分流方程，只受外部输入的作用，

同时，转弯对于阿克曼运动模型车辆，损耗较大，故为了减少非必要转弯，将转弯角度加入到活性值中，即：

Path

其中，Path

之后将导向加入到活性值中，即表达式为：

Path

式中，H

与现有技术相比，本发明的有益效果在于：

本发明涉及的一种基于改进细胞神经元激励的阿克曼运动模型的多车协同巡检实现方法，在细胞神经元激励算法的基础上，结合机器人所处位姿信息，并进行一定的方向导向，以提高车辆的运动效率和精准性。同时，为了更快速地规划避障路径，引入了双向A*算法，使得路径规划更加高效。除此之外，为了适应阿克曼运动模型的控制要求，我们对规划好的全局路径进行了贝塞尔曲线拟合，从而使得车辆运动轨迹更加平滑，提高了巡检的稳定性和精度。

本次发明的创新之处在于将细胞神经元激励算法与机器人位姿信息相结合，并采用双向A*算法和贝塞尔曲线拟合技术，使得多车协同巡检的实现更加高效、智能化和可靠。通过该发明，可大幅提升多车协同巡检的整体性能，为相关领域的智能化巡检任务提供了一种优化方案。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于阿克曼运动模型的多车协同巡检实现方法的流程图；

图2为本发明拍卖算法流程图；

图3为本发明算法伪代码实现图；

图4为本发明导向神经元活性赋值示意图；

图5为本发明路径规划示意图；

图6为本发明贝塞尔曲线路径拟合图；

图7为本发明仿真结果示意图；

图8为本发明入弯前的示意图；

图9为本发明入弯时候的示意图；

图10为本发明入弯后的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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：

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。

机器人根据自身的局部信息计算报价，任务分配完全由机器人的报价决定。

对每个机器人资源(电池电量)的合理使用，使得所有机器人的任务(规划路径覆盖面)收益最大化。如果任务被某个机器人执行，那么该机器人需要付出对应的资源消耗。因此，某个机器人完成用户任务的处理能够得到相应的收益。

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，任务分配完全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

J＝{j

B＝{b

F＝{f

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：

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。

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；购买者主要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、资源利用效率等；

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。

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

对栅格地图进行重新赋值，将障碍物区域赋值原本为-1改为为-1000，可规划区域赋值为0，

首先获取车辆当前所处的位姿，通过坐标转化，得到其所处的栅格，将该处赋值为一个定值-200作为起始点，在结合在全局地图中所处的位置，在进行神经细胞元赋值，

对于不规则栅格地图，先进行栅格地图的矩形分块，找到障碍物的左下角点M和右上角点N，并将这两点的连线作为对角线将该障碍物虚拟成为一个矩形障碍物，以矩形障碍的M点为起点沿纵向作割线直到边界或矩形障碍或其他的分割线以矩形化障碍的N点为起点沿横向作割线直到环境边界或矩形障碍或其他的分割线，整个目标区域就被分为若干子区域，再进行分块测量长宽；对于规则栅格地图，直接测量地图的长宽；记录栅格地图长集合为{X

对于改进神经元细胞的赋值算法核心在于在起始阶段加入一个符合机器人自身位姿以及地图信息的导向信息，具体采用如下方法：

每个神经元与周围相邻神经元相互连接，实现神经元活性相互影响与传递。神经元活性值由分流方程描述外部激励及相互间作用关系，其分流方程如下：

式中：u

w

其中，|(u

外部输入I

通过分流式子可知，对于未覆盖区域，正的活性值可以通过分流方程不断扩散，在全局范围内对机器人产生吸力；而对于障碍物区域，负的活性值不参与分流方程，只受外部输入的作用，

同时，转弯对于阿克曼运动模型车辆，损耗较大，故为了减少非必要转弯，将转弯角度加入到活性值中，即：

Path

其中，Path

之后将导向加入到活性值中，即表达式为：

Path

式中，H

H的值选定方式如下：

结合车辆起始所在位置与栅格地图之间的关系，对神经元细胞活性重赋值；

当X

x

x

||X

||X

当X

x

x

||X

||X

按照重新分配完成的细胞活性进行初步的全覆盖路径规划。

如图4和图5，-200代表为起始点，按上述导向神经元活性活性规则(x

当车辆经过该点后，该点的细胞活性值变为0，故存在一种现象，车辆领域中神经元活性均为非正数，即为陷入死区，路径不可规划。此时，需要进行死区逃离。采用的为双向A*算法进行点到点路径规划，以当前车辆位姿为起始点，遍历未覆盖点(细胞活性较大)，先判断车辆位姿是否处于其邻域中，若满足条件，则进行双向A*算法，进行路径规划。

步骤11中路径曲线拟合包括

用贝塞尔曲线在全局全覆盖路径的基础上再构建局部路径，具体步骤如下：在车的当前点位置，发布当前位置、车的后一个位置和车的前面两个前瞻点。对于发布的4个点使用贝塞尔曲线重新拟合出局部路径。

对于车辆系统，规划的轨迹应满足以下准则:轨迹连续；轨迹曲率连续；轨迹容易被车辆跟随，且容易生成；贝塞尔曲线是一种数学曲线，它由一系列控制点和一组参数定义。这些控制点确定了曲线的形状和方向，而参数则控制了曲线的平滑度和曲率。贝塞尔曲线的原理可以通过以下步骤来解释：

首先，需要确定要拟合的局部路径，这可以通过选择一组相邻的离散点来实现。这些点将被用来计算贝塞尔曲线。

接下来，需要计算贝塞尔曲线的控制点。这可以通过使用离散点的位置和方向来计算。通常，(n+2)个离散点中有n个控制点。

通过相邻的控制点按照如下公式迭代计算，最终得到关于初始控制点的函数。再根据控制间隔计算曲线上的离散点，将离散点存入局部路径数组中。

对于三阶贝塞尔曲线，公式如下:

B(t)＝(1-t)

其中t为0到1之间的常数参数，作用于控制曲线的位置。

图6为不同拐角处，经过贝塞尔曲线平滑后的输出路径，其中左侧为离散路径点，右侧为平滑后的路径。

在仿真环境下的输出全局路径规划显示结果如图7所示。

本发明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。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。