一种巡检机器人自适应路径巡检方法的研究

程晶晶　周明龙

摘要：一种巡检机器人的自适应路径巡检方法，依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检，得到每个巡检路径的巡检数据序列，将巡检数据序列代入至预先建立的路径状态预测模型，得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，实现了对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。

关键词：巡检机器人；路径巡检；自适应

中图分类号：F270        文献标识码：A

文章编号：1009-3044（2023）01-0035-03

随着机器人技术的快速发展，巡检机器人在工业、农业、医疗、军事以及社会服务业等领域得到广泛运用[1]，特别是以巡检机器人为载体，搭载红外热成像仪、可见光摄像头等设备完成与故障监测、设备监控等相关的工作任务，具有广阔的应用前景和实用价值。

在移动机器人相关技术研究中，移动机器人路径跟踪必须具有高可靠性，并且适应强磁、强辐射、高寒、高压等特殊环境。电磁感应巡线是目前用于巡检机器人最可靠的导航方案。电磁感应巡检是利用设置在机器人上的电磁感应传感器不断感应铺设在巡检路径上的磁条，以保证机器人始终行驶在既定的巡检路径上，磁条是永磁铁，不受环境光线、温度、湿度、天气条件、场地路面的影响[2]。

但是现有技术中，机器人自动运行，运行过程中操作人员并不能直观地确定机器人的当前巡检路段，导致巡检路径顺序无法依据现实情况合理规划，不能保障巡检时效性。

1 一种巡检机器人自适应路径巡检方法的技术方案

为解决现有技术中巡检路径顺序无法依据现实情况合理规划，不能保障巡检时效性的技术问题，文章提出了一种巡检机器人自适应路径巡检方法，主要是在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列[3]，通过不稳定性预测模型得到每个巡检路径的不稳定程度，排列出巡检机器人在交叉点的自适应巡检顺序，依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，代入至预先建立的路径状态预测模型得到巡检路径的路径状态，对巡检路径的不稳定程度进行反馈调整，以保障巡检顺序符合巡检排除不稳定性的时效性。

2 一种巡检机器人自适应路径巡检方法的具体实施流程

一种巡检机器人的自适应路径巡检方法，包括以下步骤：

步骤S1：在多个巡检路径的交叉点依次获取每个巡检路径的环境数据序列[4]，包括：巡检机器人由交叉点出发依次向每个巡检路径行进预设长度得到环境监测点，并在各个巡检路径上的环境监测点处朝向巡检路径终点监测每个巡检路径的环境数据序列，环境数据序列由环境监测点朝向巡检路径终点监测到巡检机器人的环境数据序列监测长度得到。其中，巡检机器人在获取到一个巡检路径的环境数据序列后由环境监测点返回至交叉点，再由交叉点重新出发到另一巡检路径的环境监测点处。

预设长度设置包括：设置预设长度为L，巡检路径的路径总长度为D，巡检机器人的环境数据序列监测长度为d；以获取的环境数据序列分布于巡检路径在上半程路径和下半程路径为原则构建预设长度的求解函数，求解函数的函数表达式为：

根据巡检路径的路径总长度D、巡检机器人的环境数据序列监测长度为d设定出每条巡检路径的环境监测点，使得从该环境监测点处能够使巡检机器人获得的环境数据序列包含巡检路径上半程路径和下半程路径的环境情况，能够更全面地掌握巡检路径的现实环境情况。

将环境数据序列代入至预先建立的不稳定性预测模型得到每个巡检路径的不稳定程度，包括：将各个巡检路徑的环境数据序列代入至各个巡检路径的不稳定性预测模型，由不稳定性预测模型输出每个巡检路径的不稳定程度。

不稳定性预测模型的构建包括：选取每个巡检路径的标准环境数据序列以及选取多个表征每个巡检路径不稳定程度的环境数据序列作为样本环境数据序列；计算各个样本环境数据序列与标准环境数据序列的数据相似度，并将数据相似度作为样本环境数据序列对应的巡检路径的不稳定程度，数据相似度的衡量采用欧式距离、余弦相似度或相关系数中的任意一种；将每个巡检路径的样本环境数据序列作为BP神经网络的输入项，样本环境数据序列作为BP神经网络的输出项[5]，利用BP神经网络基于BP神经网络的输入项和BP神经网络的输出项进行模型训练得到每个巡检路径的不稳定性预测模型，不稳定性预测模型的模型表达式为：

Pi=BPi （[date]i）          （2）

式中，Pi为第i个巡检路径的不稳定程度，[date]i为第i个巡检路径的环境数据序列，BPi为第i个巡检路径的BP神经网络，i为计量常数。

识别巡检路径的不稳定程度，其中不稳定程度高，表明该巡检路径上现实环境情况不稳定，易造成巡检路径上的设备装置出现异常工作状态，因此不稳定程度高的巡检路径应当设定为优先巡检，即在交叉点处存在多个巡检路径待排序时，将不稳定程度高的巡检路径排列在前，从而尽快在该巡检路径上进行安全巡检，识别出异常状况或排除异常状况，如果存在异常状况，可减少异常状况的存续时长，降低损失，保证巡检的时效性。

步骤S2：基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，并依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，巡检数据包括：设备影像、设备热量、设备声音等。基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序，包括：将交叉点的各个巡检路径依据不稳定程度进行由高到低排列得到巡检机器人在交叉点的自适应巡检顺序；其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。依据自适应巡检顺序依次对交叉点处的巡检路径进行与环境不稳定性相匹配的自适应巡检得到每个巡检路径的巡检数据序列，包括：巡检机器人由交叉点出发依次向每个巡检路径行进至巡检路径终点监测每个巡检路径的巡检数据序列；其中，巡检机器人在获取到一个巡检路径的巡检数据序列后由巡检路径终点返回至交叉点，再由交叉点重新出发到另一巡检路径的巡检路径终点处获取另一巡检路径的巡检数据序列。

步骤S3：将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，以实现对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，包括：将各个巡检路径的巡检数据序列代入至路径状态预测模型，由路径状态预测模型输出每个巡检路径的路径状态。

路径状态预测模型的构建包括：将各个巡检路径的历史巡检数据序列和历史路径状态进行提取，并将历史巡检数据作为SVM分类器的输入项，历史路径状态作为SVM分类器的输出项，利用SVM分类器基于SVM分类器的输入项和SVM分类器的输出项进行分类器训练得到路径状态预测模型[6]，路径状态预测模型的模型表达式为：

Label=SVM（[Date]）        （3）

式中，Label为路径状态，[Date]为巡检路径的巡检数据序列，SVM为SVM分类器，路径状态包括正常状态或异常状态。

根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，包括：

当巡检路径的路径状态为正常状态，则将巡检路径的不稳定程度调整为：

当巡检路径的路径状态为异常状态，则将巡检路径的不稳定程度调整为：

构建路径状态预测模型用于获取巡检路径的路径状况，在确认巡检路径的路径状态后，根据巡检路径的路径状态对不稳定程度进行调整，从而为后续巡检提供巡检辅助，即当前巡检确定巡检路径为正常状态，则在下次巡检时以当前的路径状态为参考，当前巡检为正常状态，说明该巡检路径上环境情况对路径上设置装置的状况无影响或影响较小，因此需要对不稳定程度进行降低，从而使得该巡检路径的巡检优先性降低，本实施将路径状态对不稳定程度的调整设定与调整时间差相关联，其中，下次巡检较当前巡检的时间间隔过长，环境情况变化性不可估计，进而路径状态对不稳定程度的调整可参考性降低，从而时间间隔越长，不稳定程度降低程度越小，巡检路径的巡检优先性降低程度越小，下次巡检较当前巡检的时间间隔较短，环境情况变化性较小，进而路径状态对不稳定程度的调整可参考性高，从而时间间隔越长，不稳定程度降低程度越大，巡检路径的巡检优先性降低程度越大。

当前巡检确定巡检路径为异常状态，则在下次巡检时以当前的路径状态为参考，当前巡检为异常状态，说明该巡检路径上环境情况对路径上设置装置的状况影响较大，因此需要对不稳定程度进行提升，从而使得该巡检路径的巡检优先性升高，本实施例将路径状态对不稳定程度的调整设定与调整时间差相关联，其中，下次巡检较当前巡检的时间间隔过长，环境情况变化性不可估计，进而路径状态对不稳定程度的调整可参考性降低，从而时间间隔越长，不稳定程度升高程度越小，巡检路径的巡检优先性升高程度越小，下次巡检较当前巡检的时间间隔较短，环境情况变化性较小，进而路径状态对不稳定程度的调整可参考性高，从而时间间隔越长，不稳定程度升高程度越大，巡检路径的巡检优先性升高程度越大。

根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，实现了巡检路径优先性的调整[7]，利用巡检数据对基于环境数据获得的巡检顺序进行修正，提高巡检顺序设定的合理性。

對巡检机器人在交叉点的自适应巡检顺序进行反馈调整[8]，包括：将交叉点的各个巡检路径依据反馈调整后的不稳定程度进行由高到低排列得到反馈调整后的巡检机器人在交叉点的自适应巡检顺序；其中，若存在至少两个巡检路径的不稳定程度相同且路径总长度不相同，则将路径总长度短的巡检路径排列在前；若存在至少两个巡检路径的不稳定程度相同且路径总长度相同，则随机将任一巡检路径排列在前。在计算前，将各个巡检路径的巡检数据序列和环境数据序列均进行归一化处理。交叉点的巡检路径不包含以交叉点作为巡检路径终点的已完成巡检的巡检路径。

3 结束语

与现有技术相比，建立的不稳定性预测模型识别每个巡检路径的不稳定程度，基于不稳定程度排列出巡检机器人在交叉点的自适应巡检顺序[9]，将巡检数据序列代入至预先建立的路径状态预测模型得到巡检路径的路径状态，并根据巡检路径的路径状态对巡检路径的不稳定程度进行反馈调整，实现了对巡检机器人在交叉点的自适应巡检顺序进行反馈调整来保障巡检顺序符合巡检排除不稳定性的时效性。

参考文献：

[1] 段瑗.基于视觉信息的移动机器人路面环境分析方法研究[D].天津：河北工业大学，2015.

[2] 聂鸿宇，刘睿，薛志航.磁导航巡检机器人运动控制系统设计[J].中国测试，2014，40（S1）：42-44.

[3] 奚婉.基于激光扫描的电力巡检机器人导航系统研制[D].杭州：浙江大学，2017.

[4] 邵延华，罗燕杨，楚红雨，等.基于STM32的便携式环境质量监测仪设计[J].自动化仪表，2020，41（7）：7-10，14.

[5] 黄永红.灰色-BP神经网络在深基坑变形预测中的应用研究[J].四川理工学院学报（自然科学版），2016，29（5）：18-22.

[6] 王晨.数据驱动的公路隧道运营监控系统设计及应用[D].西安：长安大学，2017.

[7] 武孟贤.基于改进遗传算法的设备巡检路径优化研究[D].天津：河北工业大学，2016.

[8] 凌烈.输电线路巡检机器人设计与实验研究[D].沈阳：东北大学，2012.

[9] 周明龙，程晶晶.一种防弯道侧翻的智能移动机器人设计[J].绿色科技，2022，24（10）：246-249.

【通联编辑：代影】