[发明专利]一种巡检机器人最优路径动态规划方法

说明书

本发明公开了一种巡检机器人最优路径动态规划方法，其包括形成无向图，生成深度优化生成树，深度优化生成树转换为矩阵，查找叶子节点，生成最短路径片段集合，连接路径片段集合生成最短路径。本发明以无向图中的任意点作为起点计算最短路径，得到最短长度的巡检路径，实现最优路径动态规划；并且最优路径具有先近后远的巡检特性，符合现场巡检的习惯；此外以充电点作为最优路径的结束点，从而保证机器人能够充电续航。

技术领域

本发明属于机器人控制技术领域，具体涉及一种巡检机器人最优路径动态规划方法。

背景技术

现有的机器人巡检过程一般为检测完所有检测点后会回到充电桩，通常采用欧拉回路和旅行推销员问题来进行路径规划。

欧拉回路：如果图G中的一个路径包括每个边恰好一次，则该路径称为欧拉路径(EulerPath)，原因有二：1、无向图是否欧拉图是有条件的：当且仅当图是连通图且没有奇度顶点。现场构建的无向图不一定具备此条件，如树型结构的无向图。2、欧拉图要求每个边恰好一次，现场的机器人可以走重复边，而且是难以避免的，比如机器人走到树的叶子节点，必然原路返回才能继续巡检。

旅行推销员问题，(英语：Travelling salesman problem,TSP)，TSP是这样一个问题：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。因为旅行商问题的条件也要求每个点访问一次，但是现场构建的无向图无法满足，因为可能是树结构的无向图。

现有的搜索算法可以解决最短路径的问题，但是巡检过程与现场巡检习惯(或者说是人类的主观意识：先近后远)不同，比如:现有6个发电机组分别为(1F、2F、3F、4F、5F、6F)，机器人在1F的某个位置用深度优先算法生成出来的路径使得机器人巡检顺序为6F→5F→4F→3F→2F→1F，而客户的巡检习惯是1F→2F→3F→4F→5F→6F。有悖于现场的巡检原则：先近后远。

发明内容

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种巡检机器人最优路径动态规划方法。

本发明的技术方案是：一种巡检机器人最优路径动态规划方法，包括以下步骤：

A、获取巡检地图的辅助点、充电点和检测点，将辅助点、充电点和检测点连线形成具有环路的无向图；

B、判断步骤A形成的无向图是否为树结构；若是，则进行下一步骤；若否，则将步骤A形成的无向图转换为树结构，并采用深度优化搜索算法进行处理，得到深度优化生成树；

C、将步骤B得到的深度优化生成树转换为矩阵；

D、在步骤C得到的矩阵中遍历所有节点，选择与其它节点只有一个非零距离的节点作为叶子节点；

E、以任意节点作为起始点，采用迪杰斯特拉算法计算起始点到叶子节点的最短路径；选取各个最短路径中最短的路径片段，以该路径片段上的叶子节点作为起始点进行迭代，直至路径片段组成的集合中包括所有叶子节点；

F、依次将路径片段集合中前一路径片段的终点作为起点、后一路径片段的起点作为终点进行连接，生成巡检最优路径。

进一步地，所述步骤C将步骤B得到的深度优化生成树转换为矩阵具体为：依次判断步骤B得到的深度优化生成树中的节点与其它节点是否有连线，若有则将二者连线长度作为矩阵元素，若无则将矩阵元素记为无穷大。

进一步地，所述步骤D还包括将充电点作为叶子节点。

进一步地，所述步骤F还包括计算最后一个路径片段的终点到充电点的最短路径，将最后一个路径片段的终点与充电点连接。