常玉紅，鮑友革，何 秋，黃建德

（1.國網(wǎng)新源控股有限公司，北京市 100032；2.深圳市瑞德森工業(yè)自動化設(shè)備有限公司，廣東省深圳市813110；3.國網(wǎng)新源華東桐柏抽水蓄能發(fā)電有限公司，浙江省天臺縣 317200）

0 引言

隨著機器人在工業(yè)應(yīng)用的普及，智能機器人在電力生產(chǎn)領(lǐng)域成為研究熱點，在這個領(lǐng)域的成果有助于實現(xiàn)工業(yè)2025戰(zhàn)略規(guī)劃，為智能電站、智慧電站建設(shè)提供局部解決方案。抽水蓄能電站大多為地下廠房布局，環(huán)境及工況較普通水電站更為復(fù)雜，巡檢機器人的應(yīng)用要求很高，包括各種巡檢功能、任務(wù)的自動規(guī)劃和異常檢測識別等。任務(wù)規(guī)劃是智能巡檢機器人研究的最核心的問題之一，也是人工智能算法應(yīng)用最多的地方。本文是在國網(wǎng)新源桐柏抽水蓄能電站展開對智能巡檢機器人的任務(wù)規(guī)劃優(yōu)化研究，經(jīng)過算法驗證、試驗分析等工作，取得了較好的效果。

1 巡檢機器人的任務(wù)規(guī)劃

巡檢機器人在變電站的應(yīng)用開展比較早，任務(wù)規(guī)劃的研究偏重于具體巡檢項目的規(guī)劃[1]和路徑規(guī)劃[2]。水電站及抽水蓄能電站巡檢機器人任務(wù)規(guī)劃方面的研究比較少，本文就巡檢機器人在抽水蓄能電站復(fù)雜環(huán)境下巡檢任務(wù)規(guī)劃的優(yōu)化策略展開研究應(yīng)用，提出了巡檢任務(wù)規(guī)劃的難點和解決路徑，給出了任務(wù)規(guī)劃部署的策略和求解方法，希望對其他抽水蓄能電站巡檢機器人應(yīng)用有參考價值。

智能巡檢機器人的巡檢任務(wù)規(guī)劃，是為保證高效圓滿完成巡檢任務(wù)成，綜合各約束條件，對巡檢機器人執(zhí)行動作進行排序的策略。例如：巡檢機器人要完成對尾水人孔門處的巡檢，其具體步驟包括最優(yōu)路徑確定、過門、乘電梯、到達指定位置、姿態(tài)調(diào)整、云臺調(diào)整、視覺巡檢、噪聲巡檢、振動巡檢等，實現(xiàn)這些步驟的程序就是任務(wù)規(guī)劃。而如何通過狹窄的門或走廊，如何乘電梯等，是更為具體的運動規(guī)劃；如何走才是最短路徑，如何按照生產(chǎn)現(xiàn)場規(guī)范達到目標位置，是路徑規(guī)劃；調(diào)整哪些姿態(tài)，完成哪些巡檢項目，則是巡檢動作規(guī)劃；任務(wù)規(guī)劃既偏向于高層決策，也包括底層的運動規(guī)劃、路徑規(guī)劃及巡檢動作規(guī)劃。對于復(fù)雜的巡檢任務(wù)，機器人需要任務(wù)規(guī)劃算法來排序動作，以實現(xiàn)單個動作不可能完成的巡檢任務(wù)目標。

在機器人巡檢過程中，需要時時刻刻計算和預(yù)測下一步的動作輸出，規(guī)劃是無時無刻不在的。任務(wù)規(guī)劃是在巡檢機器人執(zhí)行任務(wù)之前需要計劃的動作進程，是通過程序和算法求解完成任務(wù)步驟的過程，是巡檢過程的描述，任務(wù)規(guī)劃的本質(zhì)就是尋找問題的最佳求解過程[3]。抽水蓄能電站現(xiàn)場的實際狀況是復(fù)雜多變的，巡檢機器人做不到對現(xiàn)場不確定性因素進行全面的預(yù)測，因此也可能存在規(guī)劃失敗。失敗的規(guī)劃也是有價值的，為系統(tǒng)提供了監(jiān)督樣本，使系統(tǒng)能夠及時糾錯，完成正確的動作輸出。

2 任務(wù)規(guī)劃的難點及解決路徑

抽水蓄能電站的巡檢任務(wù)規(guī)劃就是制定出滿足性能等約束條件，并使任務(wù)效能最優(yōu)的任務(wù)實施計劃。任務(wù)規(guī)劃分為建立任務(wù)模型、任務(wù)目標說明和算法程序綜合等步驟。巡檢機器人是多學(xué)科交叉應(yīng)用的產(chǎn)品，需要人工智能技術(shù)、現(xiàn)代控制技術(shù)、建模優(yōu)化技術(shù)、決策理論等的支持，在研究各種技術(shù)和規(guī)劃方法的基礎(chǔ)上，需要搭建出適合現(xiàn)場需求的任務(wù)規(guī)劃系統(tǒng)，在機器人實際巡檢規(guī)劃的研究應(yīng)用過程中，許多數(shù)據(jù)無法直接應(yīng)用，規(guī)劃模型算法也無法通用，有些很好的算法應(yīng)用雖然可行，但后期的使用和維護存在困難。而抽水蓄能電站巡檢任務(wù)環(huán)境具有不確定性，為規(guī)劃方法的選取以及規(guī)劃結(jié)果的有效性帶來了考驗，需要任務(wù)規(guī)劃由預(yù)先規(guī)劃向動態(tài)實時規(guī)劃轉(zhuǎn)變[4]，這就需要根據(jù)具體場景和任務(wù)需求選擇合適的算法，有時需要融合多種算法，才能夠滿足實際巡檢任務(wù)的需要。

由于抽水蓄能電站巡檢環(huán)境及任務(wù)的復(fù)雜性，任務(wù)規(guī)劃的環(huán)境、約束條件、技術(shù)指標都具有很強的非線性及離散性，要素很多并且相互耦合?，F(xiàn)場環(huán)境的動態(tài)性與不確定性、機器人本身的限制，以及規(guī)劃結(jié)果的策略輸出等方面，都使得實際任務(wù)規(guī)劃的復(fù)雜性越來越高。

解決難點的第一個重要路徑是，剔除重復(fù)的、不變的部分。當巡檢機器人從一個空間狀態(tài)到達下一個空間狀態(tài)時，只需要重新考慮狀態(tài)中哪些是可能變化部分，哪些是固定不變的部分，而無需計算整個新的狀態(tài)。例如，當巡檢機器人從1號機組盤柜運動到2號機組盤柜，兩個巡檢點的狀態(tài)空間中，廠房及其他設(shè)備的位置并不改變。所以，當規(guī)劃狀態(tài)的復(fù)雜程度不斷提高時，就需要研究如何簡化信息量，選擇適合的框架來決定哪些狀態(tài)是可能變化的，哪些狀態(tài)是固定不變。

第二個重要路徑，就是把一個較難問題分割為幾個相對簡單并且比較容易解決的子問題，通過分解使較難的問題求解變得可能和容易些。但不是每個問題都能夠分解，有很多問題是無法合理分解的。為了解決這些問題，若把許多問題看作是可分解的，有可能被分割的某些子問題相關(guān)性不高，只有少量才相互作用。所以，需要通過相關(guān)性分析，設(shè)計合理的參數(shù)，達到解決問題的目的。

3 任務(wù)規(guī)劃的基本因素

在巡檢機器人實際巡檢任務(wù)中，機器人的傳感器及采集信息都存在或多或少的誤差，抽水蓄能電站的現(xiàn)場環(huán)境還可能存在諸多未知因素和障礙，所以，規(guī)劃所依賴的環(huán)境信息是不確定的，具有部分可觀性。同時，對任務(wù)規(guī)劃輸出進程的執(zhí)行也不可避免地存在誤差，這些都成為影響任務(wù)成敗的重要因素。因此，對處理巡檢任務(wù)規(guī)劃過程中的不確定性需要有足夠的應(yīng)對策略。如對環(huán)境狀態(tài)和動作效果都不確定的情況，通過概率統(tǒng)計，部分可觀馬爾可夫決策過程等一系列決策達到最優(yōu)的算法模型[5]；按照實時動態(tài)任務(wù)規(guī)劃的方法，克服環(huán)境信息的動態(tài)性及不確定性帶來的影響，使得巡檢機器人在有限的計算資源和時間要求下，給出當前最優(yōu)的規(guī)劃輸出。

所以，研究分析巡檢任務(wù)規(guī)劃的基本因素，有利于簡化這種復(fù)雜性和算法的求解難度。

3.1 狀態(tài)空間

巡檢任務(wù)需要包括巡檢機器人所有可能發(fā)生的狀態(tài)空間，比如巡檢機器人的位置和姿態(tài)、機器人的動作和速度等。離散的和連續(xù)的狀態(tài)都是需要的，在任務(wù)規(guī)劃中，最基本也是最重要一點是，用簡潔的規(guī)劃算法來描述這些狀態(tài)。

3.2 時間

所有的任務(wù)規(guī)劃問題都是在時間序列上的決策。設(shè)計簡潔的時間模型，能提高系統(tǒng)的反應(yīng)速度，簡潔的時間模型需要保證正確的機器人控制序列。

3.3 初始狀態(tài)和目標狀態(tài)

任務(wù)規(guī)劃一般包含初始化的狀態(tài)和目標狀態(tài)，巡檢過程就是通過一系列規(guī)劃的中間狀態(tài)及控制序列組成。初始狀態(tài)是整個狀態(tài)空間的一個特殊點，也是動作序列未發(fā)生時的全局狀態(tài)。目標狀態(tài)是規(guī)劃被執(zhí)行后一系列狀態(tài)變化后的最終狀態(tài)。

3.4 操作的控制序列

每一個任務(wù)規(guī)劃都將產(chǎn)生可以改變狀態(tài)空間的一系列動作。在任務(wù)規(guī)劃中，當控制序列被執(zhí)行時，巡檢機器人的狀態(tài)需要有返回函數(shù)，以處理離散的時間變化或者可微分的連續(xù)時間上的變化，同時需要避免時間函數(shù)直接在狀態(tài)空間相鄰位置連續(xù)變換。

3.5 控制規(guī)劃

任務(wù)規(guī)劃通過一系列的策略和動作控制巡檢機器人完成給定的任務(wù)，有效的規(guī)劃策略應(yīng)該使控制序列容易被執(zhí)行。然而，這將使得規(guī)劃設(shè)計更加復(fù)雜，從而使預(yù)測計算變得很困難?，F(xiàn)實是，如果不能很快預(yù)測下一步動作輸出，巡檢機器人將不知道如何工作，所以考慮預(yù)測的完美方案是沒有實際意義的，也就和貪心算法策略是相似的。大多采用反饋和動作規(guī)劃，雖然在這種情況下有些狀態(tài)測量精確度不夠，仍然使任務(wù)的動作能夠被有條件地執(zhí)行下去。

3.6 標準化

標準化是將有關(guān)狀態(tài)和動作控制規(guī)劃的輸出結(jié)果進行編碼，形成可執(zhí)行格式。大致可以分為兩種類型：一是只考慮可行性，不考慮其效率；二是在可行并且最優(yōu)效能下，達到目標狀態(tài)的最佳性。

4 任務(wù)規(guī)劃的策略

根據(jù)抽水蓄能電站巡檢任務(wù)的需求，巡檢機器人通過動作進程來完成各種要求的巡檢任務(wù)。巡檢機器人管理服務(wù)系統(tǒng)平臺（Robots Server，簡稱RS系統(tǒng)）向機器人發(fā)送巡檢任務(wù)信息序列，巡檢機器人獲取并處理信息，完成相關(guān)動作后返回信息給系統(tǒng)，管理服務(wù)系統(tǒng)接收到機器人的巡檢數(shù)據(jù)和狀態(tài)信息后做出判定任務(wù)是否完成。巡檢機器人根據(jù)RS系統(tǒng)發(fā)布的巡檢任務(wù)和指定的位置，感知當前機器人在地圖上的坐標以及所處環(huán)境的數(shù)據(jù)集合，判斷達到目標位置的最優(yōu)路徑、運動方式以及動作邏輯次序等。任務(wù)規(guī)劃將一個任務(wù)分解成多個子任務(wù)，以便采用成本最低的策略完成給定巡檢任務(wù)。

如何使巡檢機器人用最簡潔的動作完成系統(tǒng)部署的任務(wù)也是項目需要研究的，在實際巡檢進程中，有時會需要機器人同時處理多個子任務(wù)。在人工智能技術(shù)和機器學(xué)習(xí)中被描述為：空間狀態(tài)通過一系列進程而到達最終空間狀態(tài)，分解圖如圖1所示。

圖1 空間狀態(tài)分解Figure 1 Spatial state decomposition

目前針對任務(wù)規(guī)劃問題的策略，多采用啟發(fā)式搜索類算法，如A*算法，文化算法，回答集等[6]，通過不斷利用搜索進行試探，并在一定的約束條件下，計算得出（近似）最優(yōu)動作序列后再去執(zhí)行，從而完成空間狀態(tài)的變換。這些算法對執(zhí)行簡單任務(wù)規(guī)劃效果比較好，缺點是隨著下達巡檢任務(wù)數(shù)逐漸增多，將會組合出非常復(fù)雜的動作序列，對時間的要求也越來越嚴格，沒有一定的算力，根本無法在要求的時間之內(nèi)得出最優(yōu)的結(jié)果，這就需要優(yōu)化策略來完成目標。

4.1 任務(wù)排序策略

為了解決巡檢任務(wù)復(fù)雜組合帶來求解困難的問題，可將任務(wù)拆分成若干單個子任務(wù)，對于單個任務(wù)，算法比較容易產(chǎn)生最優(yōu)解法，降低了求解難度。系統(tǒng)發(fā)布的每一個任務(wù)，都由任務(wù)規(guī)劃器按照巡檢目標的要求拆分成一系列的任務(wù)序列描述，形成各單獨的子任務(wù)來完成執(zhí)行。這種逐一完成單個序列任務(wù)的方法，大大簡化了巡檢機器人的行動序列組合的復(fù)雜程度，同時降低了計算難度，使任務(wù)得以及時處理和完成。例如，對抽水蓄能電站主變壓器室的巡檢任務(wù)就隱含包括開門、收放擋鼠板、過門等子任務(wù)，只有先執(zhí)行開門及過門子任務(wù)，在主變壓器室的門打開，擋鼠板放下后，巡檢機器人通過狹窄的主變壓器室門，到達目標地點完成對主變壓器的巡檢任務(wù)。當巡檢機器人執(zhí)行完整個任務(wù)后，由RS系統(tǒng)判斷最后的完成狀態(tài)。

然而，有利必有弊，任務(wù)拆分也會帶來全局規(guī)劃的不可靠性。在巡檢中可能會出現(xiàn)一個任務(wù)尚未完成的情況下被一個新的任務(wù)沖掉，出現(xiàn)任務(wù)邏輯混亂。針對這種任務(wù)拆分可能帶來的問題，通過分析各巡檢任務(wù)和巡檢場景之間的聯(lián)系，將拆分后的任務(wù)序列按邏輯、按權(quán)重進行排序，給出一個最優(yōu)的動作序列，保證每個任務(wù)都不會被其后的任務(wù)破壞，任務(wù)序列執(zhí)行時不會出現(xiàn)混亂，增大全局規(guī)劃的可靠性。這樣既可以通過任務(wù)拆分簡化規(guī)劃，又可以保證每個任務(wù)的可靠完成。

4.2 任務(wù)預(yù)處理策略

在實際巡檢場景中，一個任務(wù)的兩個子任務(wù)之間不一定是完全獨立的，在執(zhí)行一個子任務(wù)時可能對已完成的前一個子任務(wù)造成損害。經(jīng)試驗發(fā)現(xiàn)，大多數(shù)原因是巡檢機器人在執(zhí)行不同子任務(wù)時，處理的對象是同一個傳感器或設(shè)備，造成端口擠占或數(shù)據(jù)沖突。所以，對規(guī)劃的任務(wù)進行預(yù)處理是有必要的，預(yù)處理策略就是通過解析規(guī)劃的任務(wù)，提前預(yù)判信息的價值，合理調(diào)度，如：提前預(yù)判需要輸出哪個動作，需要對哪個設(shè)備進行操作。經(jīng)過預(yù)處理之后，巡檢機器人的執(zhí)行效率得到很大的提高。

在實際巡檢測試過程中，僅僅是這樣簡單的預(yù)處理并不能保證完成所有的任務(wù)要求。還需要按照排好的動作序列搜索相關(guān)信息，在執(zhí)行兩個任務(wù)時，若搜索函數(shù)[7]按順序搜索到的均是一個信息，這就意味著可能會影響到之前執(zhí)行過的任務(wù)。任務(wù)預(yù)處理策略，還能夠在執(zhí)行任務(wù)之前先將所要執(zhí)行的任務(wù)分成兩組，把和此任務(wù)相關(guān)的一組任務(wù)信息進行預(yù)先處理，而其他任務(wù)排序不變，仍按照之前設(shè)定的動作序列依次執(zhí)行，這樣可以有效解決此問題。

4.3 任務(wù)優(yōu)先級策略

在任務(wù)規(guī)劃中，對于各種不同的巡檢場景需要有一個統(tǒng)一的策略，通過現(xiàn)場調(diào)試檢驗，采用優(yōu)先級策略。任務(wù)的優(yōu)先級策略是保證巡檢機器人在執(zhí)行下一任務(wù)時當前任務(wù)為空。這樣，巡檢機器人在執(zhí)行下一任務(wù)時就不能對已完成的任務(wù)造成破壞。具體策略是，將巡檢機器人本體狀態(tài)監(jiān)測任務(wù)設(shè)置為最高優(yōu)先級，將機器人狀態(tài)信息解析到任務(wù)狀態(tài)中，作為執(zhí)行其他任務(wù)的先決條件。對于機器人需要維護的任務(wù)設(shè)置為第二優(yōu)先級，維護任務(wù)的狀態(tài)是可以確定的，比如電量狀態(tài)、通信狀態(tài)、傳感器狀態(tài)等，這些狀態(tài)都設(shè)置在一個維護列表里，在執(zhí)行任務(wù)時，首先搜索維護列表，當搜索不到需要維護的項目時，就說明機器人狀態(tài)滿足繼續(xù)完成巡檢任務(wù)。在執(zhí)行規(guī)劃的巡檢項目時，采用給每個動作序列設(shè)置不同的優(yōu)先級，滿足高效、準確地完成每個巡檢任務(wù)的動作，而不會破壞其他任務(wù)的狀態(tài)。

經(jīng)過模型分析和現(xiàn)場測試相結(jié)合，給出每個任務(wù)的優(yōu)先執(zhí)行序列，巡檢機器人就可以按要求處理每個任務(wù)。通過對任務(wù)按優(yōu)先級進行排序劃分，合理地安排任務(wù)執(zhí)行順序，使得規(guī)劃處理起來簡單有效，基本可以保證每個任務(wù)都能夠順利完成。

4.4 任務(wù)交互策略

在實際巡檢任務(wù)場景中，由于設(shè)備檢修或其他工作，巡檢機器人所處的場景出現(xiàn)改變，機器人本身出現(xiàn)故障重啟等，這種情況下，需要巡檢機器人感知周圍環(huán)境來判斷自己的位置等信息，或者問詢系統(tǒng)以獲取當前任務(wù)所需的相關(guān)信息。巡檢機器人獲取信息正確性和時效性是整個任務(wù)規(guī)劃的基礎(chǔ)。巡檢機器人只有獲取正確的信息才能完成下一步的任務(wù)，所以，和系統(tǒng)間保持交互是必須的，經(jīng)過試驗分析可采用以下策略。

4.4.1 重復(fù)查詢

在執(zhí)行巡檢任務(wù)時，為了順利完成巡檢項目，巡檢機器人必須實時獲取當前信息。比如對于現(xiàn)場環(huán)境變化、未知障礙出現(xiàn)、巡檢機器人信息異常丟失等，都需要重新獲取信息。這種狀況下，向系統(tǒng)重復(fù)查詢是比較簡單的策略。在測試試驗中，查詢RS系統(tǒng)獲得的信息正確率約為65%，錯誤率約為27%，不可知率約為8%。經(jīng)計算，實際正確率約為70.6%，錯誤率約為29.4%。根據(jù)貝努里概型二項概率公式，可以計算得到n次之內(nèi)正確的概率。二項概率公式如下：

式中：K——第k次的概率；

P——正確概率。

可以得到獲取正確信息的概率。經(jīng)過試驗測驗，重復(fù)查詢策略是：一般查詢系統(tǒng)三次，將得到兩次及兩次以上相同的信息視為正確的信息。

4.4.2 移動探測

通過巡檢機器人原地旋轉(zhuǎn)、局部移動來感知、探測周圍的環(huán)境信息，將得到更高的正確率。首先原地旋轉(zhuǎn)獲取周圍環(huán)境信息，再小范圍移動，再判斷傳感器得到的信息中是否與已知信息相匹配，如果達到匹配度要求，就繼續(xù)執(zhí)行下面的任務(wù)；如果沒有達到匹配度要求，就需要小范圍地移動一下位置，再次探測當前位置的信息，直到找到所需的信息。

4.4.3 融合策略

移動探測策略具有一定的盲目性，當周圍環(huán)境特征信息本來就非常少的情況下，那么有可能一直也無法達到匹配的要求，這種策略還會導(dǎo)致超時問題，巡檢機器人在盲目亂轉(zhuǎn)。一般而言，出現(xiàn)信息丟失，移動探測策略將首先使用，在規(guī)定時間內(nèi)無法獲取到足夠的信息時，則啟動重復(fù)查詢策略，這樣，移動探測和重復(fù)查詢策略交替融合使用，減少了獲取信息的時間，增加了任務(wù)規(guī)劃的可靠性。

通過概率統(tǒng)計隨機變量及其分布公式如下：

式中：P——正確概率。

得出準確信息的概率，通過試驗一次探測兩次查詢就可以獲得很高的正確信息概率。

5 任務(wù)規(guī)劃求解方法

巡檢任務(wù)規(guī)劃需要完成機器人巡檢任務(wù)分配、任務(wù)控制、任務(wù)協(xié)同等功能，任務(wù)規(guī)劃的上層重點研究目標、項目、系統(tǒng)及機器人之間的優(yōu)化調(diào)度與協(xié)調(diào)；規(guī)劃的底層是在任務(wù)配置的基礎(chǔ)上，確定巡檢機器人及巡檢子單元所執(zhí)行的行動序列以及時序關(guān)系。需要根據(jù)場景的變換選擇算法，有時需要多算法融合優(yōu)化才能達到應(yīng)用效果[8]。任務(wù)規(guī)劃給出的最優(yōu)任務(wù)序列是通過試驗和分析計算得到的，在大部分情況下可以得到有限最優(yōu)解，在某些局部場景下則不一定是最優(yōu)任務(wù)規(guī)劃序列。主要求解思路是集中式求解和分布式求解。

5.1 集中式求解法

集中式求解法一種是最優(yōu)化方法，比如動態(tài)規(guī)劃算法、分支界定算法、窮舉算法等，缺點是最優(yōu)求解會隨著任務(wù)規(guī)模的增大而急劇增加難度。

還有一種是啟發(fā)式方法，主要有神經(jīng)網(wǎng)絡(luò)算法、蟻群算法、搜索算法、粒子群優(yōu)化算法、模擬退火算法等。

5.2 分布式求解法

分布式求解法一種是自上向下的方法，思路是基于分層求解，即將巡檢任務(wù)問題分解為若干個子任務(wù)問題，巡檢機器人同各巡檢子平臺之間通過協(xié)商完成對任務(wù)問題的求解。常用的方法包括：分布式模型預(yù)測控制方法、分布式馬爾可夫決策方法、市場競拍機制方法等。

另一種是自下而上的方法，是研究反應(yīng)和行為方法的優(yōu)化與協(xié)調(diào)策略，重點是巡檢機器人對所處環(huán)境變化的動態(tài)反應(yīng)，通過機器人的傳感器和動作反饋作用來協(xié)調(diào)控制機器人的行為。優(yōu)點是計算量比較小、魯棒性好。比如，在異步間斷通信條件下，分布式任務(wù)的一致性方法，通過對系統(tǒng)內(nèi)其他單元的狀態(tài)進行有效估計，提高各單元間任務(wù)分配的效能；同時在現(xiàn)場WIFI有限通信條件下，用決策—估計模型解決機器人各子系統(tǒng)信息共享及融合，保證巡檢機器人移動產(chǎn)生的動態(tài)通信連接[9]。

6 運動規(guī)劃和路徑規(guī)劃

運動規(guī)劃及路徑規(guī)劃是任務(wù)規(guī)劃底層規(guī)劃之一，路徑規(guī)劃一般分為全局規(guī)劃和局部規(guī)劃。路徑規(guī)劃首先對巡檢機器人的任務(wù)路徑進行描述，也叫運動軌跡的描述，再根據(jù)已經(jīng)給定的軌跡參數(shù)，模擬出所要求的運動軌跡。巡檢機器人根據(jù)巡檢任務(wù)確定路徑參數(shù)，選擇合適的算法，在給定時間內(nèi)按一定的速率計算出位置、速度和加速度，完成運動軌跡的預(yù)測計算，從而生成巡檢機器人的運動軌跡[10]。

巡檢機器人運動規(guī)劃首先要完成空間環(huán)境中的定位，通過雅克比矩陣求解微分方程，完成多傳感器融合算法，由卡爾曼算法完成機器人的定位。雅可比矩陣如下：

式中：xk——機器人的x坐標；

yk——機器人的y坐標；k

φ——機器人的角度；

vk——機器人的速度。

卡爾曼算法仿真如圖2所示，定位的穩(wěn)定性和定位精度有很大提高。

圖2 多傳感器約束的卡爾曼算法仿真Figure 2 Kalman algorithm simulation of multi-sensor constraints

在定位的基礎(chǔ)上，建立起模型—預(yù)測—控制的運動規(guī)劃算法[11]，從而完成運動軌跡的最優(yōu)線性跟蹤，試驗仿真如圖3所示，可以看出巡檢機器人在初始誤差較大的情況下，能夠快速消除誤差并最終達到穩(wěn)定狀態(tài)，在運動規(guī)劃測驗中取得不錯的效果。

圖3 運動規(guī)劃的跟蹤仿真Figure 3 Tracking simulation of motion planning

在任務(wù)規(guī)劃中，不僅要給定巡檢機器人的起始點和終止點，而且要給出中間的路徑點，如過門地點、乘坐電梯地點等特殊位置，還要對機器人的位置及路徑點之間的時間進行合理分配，即給出兩個路徑點之間大約的運動時間。路徑規(guī)劃是尋找從當前位置到目標位置的最優(yōu)路徑。采用粒子群優(yōu)化算法、搜索算法、遺傳算法、蟻群算法、復(fù)合算法、RRT勢場法等來解決巡檢機器人的運動規(guī)劃問題。

由于巡檢機器人的運動規(guī)劃問題具有非線性、狀態(tài)和控制約束的最優(yōu)控制問題，一般采用最優(yōu)控制方法進行求解，最優(yōu)控制方法可分為間接求解和直接求解。間接求解是基于極小值原理推導(dǎo)最優(yōu)控制一階必要條件，進而構(gòu)成最優(yōu)軌跡的邊界進行求解。直接求解是基于參數(shù)化將最優(yōu)控制問題轉(zhuǎn)化為非線性規(guī)劃問題，并通過數(shù)值優(yōu)化方法求解來獲得最優(yōu)運動軌跡[12]。為平滑運動軌跡，以運動狀態(tài)微分方程組的輸出為反饋，通過輸出到輸入空間的逆映射來獲取最優(yōu)軌跡控制量輸出，使巡檢機器人轉(zhuǎn)彎軌跡控制更為平順，軌跡跟蹤更為準確。

7 任務(wù)規(guī)劃的應(yīng)用

目前，所研發(fā)的智能巡檢機器人已在桐柏抽水蓄能電站投入試用，如圖4所示。巡檢機器人系統(tǒng)采用多算法融合策略的任務(wù)規(guī)劃，解決實際復(fù)雜場景下的巡檢任務(wù)部署，搭建適合現(xiàn)場需求的任務(wù)規(guī)劃系統(tǒng)，驗證了所用任務(wù)規(guī)劃策略和方法的可行性。按本文設(shè)計的任務(wù)規(guī)劃策略，巡檢機器人能夠完成抽水蓄能電站定時巡檢任務(wù)，指定巡檢任務(wù)等任規(guī)劃的部署。對于隱含在任務(wù)中的搭乘電梯、開門以及通過特殊場景的任務(wù)，通過算法合理規(guī)劃，嵌入在整個任務(wù)中，完成部署的巡檢任務(wù)。本文巡檢機器人任務(wù)規(guī)劃的優(yōu)化策略對加快抽水蓄能電站巡檢機器人的應(yīng)用具有現(xiàn)實意義。

圖4 智能巡檢機器人在執(zhí)行巡檢任務(wù)Figure 4 Intelligent inspection robot is performing inspection task

8 結(jié)束語

本文研究的目的在于解決抽水蓄能電站復(fù)雜場景下巡檢任務(wù)的部署和優(yōu)化策略問題，通過智能巡檢機器人在國網(wǎng)新源桐柏抽水蓄能電站的實際研究，提出了巡檢任務(wù)規(guī)劃的難點和解決路徑，給出了任務(wù)規(guī)劃部署的策略和求解方法。從現(xiàn)場試驗結(jié)果來看，巡檢機器人的巡檢任務(wù)規(guī)劃取得了很好的效果，基本達到預(yù)期目標。隨著機器人及人工智能技術(shù)的不斷發(fā)展，如何簡化和優(yōu)化模型，如何提高任務(wù)規(guī)劃的實時性和可靠性，如何在全局規(guī)劃和局部規(guī)劃之間進行合理有效分配，以及對于知識庫的利用、控制策略的優(yōu)化、知識獲取方式、推理機的應(yīng)用等問題，還需要進行認真而深入的研究與探索。