鄭磊，王楠，李金鑫，廖海，董澤強

摘要：常規(guī)的機器人巡檢路徑規(guī)劃方法通常以最短規(guī)劃時長作為目標，通過結合機器人的工作性能，對目標函數(shù)進行約束，通過求取最優(yōu)解實現(xiàn)路徑規(guī)劃。但由于忽略了機器人工作視野的限制，導致規(guī)劃效果不佳。對此，針對變電站機器人，提出基于快速搜索隨機樹的全覆蓋巡檢路徑規(guī)劃方法。首先，利用柵格法對巡檢區(qū)域進行環(huán)境建模，并計算局部滾動窗口，獲得機器人的最佳工作視野范圍。然后，將目標采樣閾值設定為一個動態(tài)變量，計算隨機樹節(jié)點的路徑代價，通過將雙向搜索與迭代的方式，實現(xiàn)隨機樹節(jié)點擴展，從而搜索到最優(yōu)路徑規(guī)劃結果。在實驗中，對該方法的規(guī)劃效果進行檢驗，結果表明，在可以完成巡檢任務的前提下，采用該方法規(guī)劃的巡檢路徑較短，可以提高機器人巡檢的效率。

關鍵詞：快速搜索隨機樹；變電站機器人；巡檢路徑；路徑規(guī)劃

中圖分類號：TP399；TM743

文獻標志碼：A文章編號：1001-5922（2023）12-0169-05

Research on the optimal design of substation robot full coverage inspection path based on random tree nodes

ZHENG Lei，WANG Nan，LI Jinxin，LIAO Hai，DONG Zeqiang

（Zunyi Power Supply Bureau of Guizhou Power Grid Co.，Ltd.，Zunyi 563100，Guizhou China）

Abstract：The conventional robot inspection path planning method usually takes the shortest planning time as the goal，constrains the objective function by combining the working performance of the robot，and achieves path planning by finding the optimal solution.However，due to the neglect of the limitations of the robots working field of view，the planning effect is not satisfied.In this regard，a full coverage inspection path planning method based on fast search random trees was proposed for substation robots.Firstly，the grid method was used to model the environment of the inspection area，and the local rolling window was calculated to obtain the best working field of view of the robot.Then，the target sampling threshold was set as a dynamic variable to calculate the path cost of the random tree nodes，and the random tree nodes were expanded by bidirectional search and iteration，so as to search for the optimal path planning results.In the experiment，the planning effect of this method was tested，and the results showed that，under the premise of completing the inspection task，the inspection path planned by this method was shorter，which can improve the efficiency of robot inspection.

Key words：quickly search for random trees;substation robots;inspection path;path planning

變電站機器人巡檢系統(tǒng)作為一種先進的解決方案，能夠實現(xiàn)變電站設備的實時監(jiān)控和定期巡檢，提高了電力系統(tǒng)的穩(wěn)定性和可靠性。然而，變電站機器人的全覆蓋巡檢路徑規(guī)劃是一個具有挑戰(zhàn)性的問題，因為需要考慮多種因素，如地形、障礙物、設備布局等。因此，開發(fā)一種高效、可靠的變電站機器人全覆蓋巡檢路徑規(guī)劃方法是非常必要的。

通過實現(xiàn)全覆蓋巡檢，不僅可以減少電力系統(tǒng)的故障率，提高電力系統(tǒng)的穩(wěn)定性和可靠性；同時也能夠有效提高巡檢效率，減少巡檢時間和成本；最后，通過自動化巡檢，可以減輕工作人員的負擔，提高工作效率。因此，研究變電站機器人全覆蓋巡檢路徑規(guī)劃方法具有重要的理論和實踐意義。

近年來，國內外學者針對變電站機器人全覆蓋巡檢路徑規(guī)劃問題進行了廣泛的研究。例如，文獻中通過對智能變電站環(huán)境進行仿真建模，并對其進行網(wǎng)格化拆分處理，在此基礎上對機器人的巡檢最優(yōu)路徑進行優(yōu)化求解。文獻中以巡檢路徑最短作為優(yōu)化目標，通過灰狼算法求解規(guī)劃函數(shù)，從而得到路徑規(guī)劃方案。

變電站是電力系統(tǒng)中重要的設施，對其安全運行提出了高要求。通過機器人全覆蓋巡檢，可以定期對變電站進行全面的檢查，及早發(fā)現(xiàn)潛在的安全隱患，確保設施的穩(wěn)定性和安全性。因此，基于傳統(tǒng)的研究，本文基于快速搜索隨機樹（RRT-FST），提出了一種新的路徑規(guī)劃方法。該方法能夠快速處理復雜地形和大規(guī)模地圖，自適應處理動態(tài)環(huán)境，從而提高變電站假期人的巡檢效率和覆蓋率。

1基于快速搜索隨機樹節(jié)點的變電站機器人全覆蓋巡檢路徑優(yōu)化設計

1.1變電站機器人全覆蓋巡檢區(qū)域柵格地圖建模

為實現(xiàn)變電站機器人全覆蓋巡檢路徑規(guī)劃，本文首先結合柵格法，對巡檢區(qū)域進行環(huán)境建模。假設變電站巡檢所用的機器人為點狀機器人，根據(jù)機器人的實際尺寸，對巡檢過程中可能會遇到的障礙物Obs（i）進行膨化處理。首先，在巡檢區(qū)域中構建出全局坐標系，假設工作區(qū)域的左下角為坐標原點，橫縱兩個方向分別作為柵格地圖的x軸和y軸，其對應的軸向尺寸分別為Xmax和Ymax。以l作為單位長度，將全覆蓋巡檢區(qū)域劃分為柵格地圖。在柵格地圖中，每行與每列的柵格數(shù)量表達式：

Nx=XmaxlNy=Ymaxl（1）

假設在柵格地圖中，代表任意一個單元柵格，其對應坐標為g（x，y），那么假設柵格序號集合為Num={1，2，...，M}，由此可以得到以下表達式：

Num（1）=g（1，1）Num（2）=g（2，1）Num（3）=g（3，1）（2）

根據(jù)上述劃分方式可以看出，本文根據(jù)空間大小對柵格劃分程度進行了量化，由此可以得到巡檢區(qū)域空間柵格化示意圖如圖1所示。

由圖1可知，單元格的數(shù)字代表柵格化的對應值。假設在t時刻，變電站巡檢機器人的柵格位置為pr（t），那么以該點為圓心，R為覆蓋半徑，可以對機器人的巡檢覆蓋范圍進行巡檢。對此，本實驗定義機器人位置的滾動窗口即為任意2個柵格之間的距離，由此可以得到柵格距離表達式：

d（gi，gj）=xi-xj2+（yi-yj）2（3）

式中：gi和gj分別代表任意2點對應的柵格位置；（xi，yi）、（xj，yj）代表任意2點對應的具體坐標。對局部滾動窗口進行計算，具體計算公式：

win（pr（t））={g-g∈Wspace，d（pr（t），g）≤R}（4）

式中：win（pr（t））代表局部滾動窗口；Wspace代表全覆蓋巡檢區(qū)域。局部滾動窗口即為機器人的工作視野，因此在后續(xù)的變電站巡檢機器人路徑規(guī)劃中，需要基于局部滾動窗口進行。

1.2巡檢目標動態(tài)概率采樣

考慮到快速搜索隨機樹算法在對最優(yōu)規(guī)劃路徑進行求解時，可能存在一定的盲目性。因此為了對后續(xù)的路徑規(guī)劃效果進行優(yōu)化，本文首先這對變電站機器人的巡檢目標進行動態(tài)概率采樣。假設巡檢目標的采樣閾值為pbias，那么每次在對目標節(jié)點進行采樣時，都會提前生成一個在0～1的隨機值p。如果生成的隨機值低于設定的目標采樣閾值，那么可以將該目標點作為采樣點。具體采用公式：

Xrand=Xgoal，p≤pbias

Xrand，p≥pbias（5）

式中：Xrand代表隨機采樣點；Xgoal代表巡檢目標動態(tài)采樣點。

當快速搜索隨機樹進行擴展時，如果擴展區(qū)域中的障礙物較少，那么可以采用式（5）進行目標采樣。但是當擴展空間內的障礙物較多時，可能會出現(xiàn)局部困境的情況。對此，本文綜合變電站機器人全覆蓋巡檢需求，將目標采樣點的概率閾值設置為一個動態(tài)變量，Niter假設代表算法的迭代次數(shù)；Ncurr代表當前生成的隨機數(shù)有效節(jié)點數(shù)量，那么可以對目標采樣點的動態(tài)概率閾值進行計算：

pbias=NcurrNiter×k（6）

式中：k代表快速搜索隨機樹的節(jié)點分支數(shù)量。式（6）中，NcurrNiter的值代表了柵格地圖中障礙物的密集程度，NcurrNiter的值越高，代表在當前巡檢區(qū)域內，障礙物的分布越密集。同理，若NcurrNiter值越低，則代表當前巡檢區(qū)域內障礙物的分布越稀疏。當障礙物越少時，代表快速搜索隨機樹向目標節(jié)點擴展的概率也就越大。

通過上述步驟即可完成對于巡檢目標動態(tài)概率的采樣處理，通過將目標采樣閾值設定為一個動態(tài)變量，從而后續(xù)規(guī)劃算法帶來的搜索盲目性的問題。

1.3基于快速搜索隨機樹規(guī)劃機器人全覆蓋巡檢路徑

在目標動態(tài)概率采樣的基礎上，本文通過結合快速搜索隨機樹算法，對機器人到每個隨機樹節(jié)點所花費的路徑代價進行計算，實現(xiàn)全覆蓋巡檢路徑規(guī)劃。

在快速搜索隨機樹算法中，通常采用（x，y，z）存儲隨機樹的任意節(jié)點信息，其中，x和y分別代表節(jié)點為二維坐標；z代表該節(jié)點的上一級父節(jié)點。RRT算法的原理在于通過采用增量方式，分別在起點和終點處構建隨機樹，然后通過目標動態(tài)概率采樣，在空間區(qū)域進行搜索出一條最佳規(guī)劃路徑。假設在生成新的隨機樹節(jié)點xnew后，該擴展路徑與原路徑之間的夾角為θ。若該角度低于最大轉彎角度，則可以對擴展節(jié)點xnew進行保存，否則，則需要刪除掉新擴展的隨機樹節(jié)點，從而保證巡檢任務的執(zhí)行效果。θ的具體計算公式：

θ=acrossxparent·xnew‖xnearxnew‖（7）

式中：xnear代表最近規(guī)劃節(jié)點；xparent代表最近規(guī)劃節(jié)點的父節(jié)點。最近規(guī)劃節(jié)點主要與路徑代價有關，其具體計算公式：

xnear=minCost（xtree，xstart）+dis（xtree，xgoal）（8）

式中：Cost（xtree，xstart）代表快速搜索隨機樹上的節(jié)點到規(guī)劃路徑起點之間的路徑開銷；dis（xtree，xgoal）代表快速搜索隨機樹上的節(jié)點到規(guī)劃路徑終點之間的距離，該距離可以通過曼哈頓距離公式計算而得，具體計算公式：

dis（i，j）=xi-yi+xj-yj（9）

式中：i和j分別代表2個隨機節(jié)點；（xi，yi）、（xj，yj）分別代表2個隨機節(jié)點對應的柵格坐標值?；谏鲜隽鞒?，對隨機樹節(jié)點的路徑代價進行計算，并通過雙向搜索與迭代的方式，搜索出最佳規(guī)劃路徑。

將本節(jié)內容與上述提到的柵格化地圖建模以及目標動態(tài)概率采樣等相關內容進行結合，至此，基于快速搜索隨機樹的變電站機器人全覆蓋巡檢路徑規(guī)劃方法設計完成。

2實驗結果與討論

為了證明本文提出的基于快速搜索隨機樹的變電站機器人全覆蓋巡檢路徑規(guī)劃方法的實際規(guī)劃效果，在理論部分的設計完成后，構建實驗環(huán)節(jié)，對本文方法的實際規(guī)劃效果進行檢驗。

2.1實驗說明

實驗選取了兩組常規(guī)的變電站機器人巡檢路徑規(guī)劃方法作為對比對象，分別為基于仿真優(yōu)化的智能變電站巡檢機器人路徑規(guī)劃方法（常規(guī)方法A）、基于改進灰狼算法的變電站巡檢機器人路徑規(guī)劃方法（常規(guī)方法B）。采用3種方法對同一組變電站巡檢任務進行規(guī)劃，對比不同方法的實際規(guī)劃效果。

2.2實驗對象

本次實驗通過結合matlab軟件構建出仿真巡檢環(huán)境，通過對巡檢空間的規(guī)模參數(shù)進行調取，并構建出地圖范圍為（1 000×1 000）像素的搜索空間。設置鄰域搜索半徑為75像素，機器人的搜索步長為25像素。為實現(xiàn)路徑規(guī)劃，本次實驗對機器人的起點坐標以及終點坐標進行了規(guī)定，并在搜索地圖中設置了兩種不同類型的障礙物，分別為靜態(tài)障礙物以及動態(tài)障礙物，從而檢測出不同算法的避障效果。具體實驗地圖如圖2所示。

本文選用的巡檢機器人為軌道式巡檢機器人，本文算法的具體參數(shù)配置情況如表1所示。

為防止因機器人控制性能差異對規(guī)劃路徑產(chǎn)生的影響，本次實驗通過編寫程序，對機器人進行統(tǒng)一控制，由此得到的機器人前饋控制輸出模擬結果如圖3所示。

由圖3可知，以上述前饋控制輸入方式，對巡檢機器人進行仿真控制，分別采用3種方法對巡檢任務進行路徑規(guī)劃。待規(guī)劃完成后，對比不同方法的路徑長度，從而比較出不同方法的實際規(guī)劃效果。

2.3實驗規(guī)劃結果對比

采用本文方法對巡檢任務進行路徑規(guī)劃后，所得到的規(guī)劃結果如圖4所示。

由圖4可知，本方法可以有效規(guī)避出不同類型的障礙物，從而實現(xiàn)最優(yōu)路徑規(guī)劃。為了使實驗結果更具對比性，實驗以不同規(guī)劃方法下的路徑長度作為對比指標，用于衡量不同方法的實際規(guī)劃效果；具體實驗結果如表2所示。

由表2可知，隨著迭代次數(shù)的不斷提高，不同方法下的路徑長度也在逐漸縮短。通過數(shù)值上的對比可以直接看出，本文提出的基于快速搜索隨機樹的變電站機器人全覆蓋巡檢路徑規(guī)劃方法的規(guī)劃效果更好，路徑長度更短。

3結語

綜上所述，提出的基于快速搜索隨機樹的變電站機器人全覆蓋巡檢路徑規(guī)劃方法具有較低的運算復雜度，能夠快速搜索到最優(yōu)路徑，提高了機器人的反應速度和實時性。在變電站巡檢中，能夠有效地減少巡檢盲區(qū)，提高巡檢效率和準確性，為變電站的安全運行提供保障。

【參考文獻】

[1]馬鋒，高明亮，許崇耀，等.基于仿真優(yōu)化智能變電站巡檢機器人路徑研究 .電測與儀表，2023，60（9）：14-20.

[2]張威，張鑫中，王叢佼，等.改進灰狼算法的變電站巡檢機器人路徑規(guī)劃 .重慶理工大學學報（自然科學），2023，37（6）：129-135.

[3]樊琛，王毅.基于浮游式變壓器巡檢機器人系統(tǒng)設計與試驗.粘接，2022，49（12）：174-177.

[4]柯清派，史訓濤，袁智勇，等.基于改進遺傳算法的變電站巡檢機器人路徑規(guī)劃 .電測與儀表，2023，60（8）：144-149.

[5]李福鵬，曾紅英，王霞.變電站輪式巡檢機器人機械臂避障路徑規(guī)劃方法 .機械與電子，2023，41（2）：32-36.

[6]趙澤龍，鄭磊，易克松，等.數(shù)字化變電站巡視機器人避障路徑智能規(guī)劃研究 .電氣技術與經(jīng)濟，2022（6）：45-48.

[7]馬松玲，陳起源，康佳歡.基于強化學習的變電站巡檢路徑規(guī)劃算法 .計算機仿真，2022，39（12）：103-107.

[8]劉勝，張豪，晏齊忠，等.基于ACO-SA算法的變電站巡檢機器人路徑規(guī)劃 .南方電網(wǎng)技術，2022，16（9）：75-82.

[9]童梟軍，陳洋，路浩，等.面向表計讀數(shù)的變電站巡檢機器人路徑規(guī)劃 .電子測量與儀器學報，2022，36（8）：167-177.

[10]唐標，沈映泉，黃緒勇，等.基于改進型蟻群算法和圖像識別的變電站機器人路徑規(guī)劃和設備缺陷識別研究 .制造業(yè)自動化，2022，44（2）：46-52.

[11]徐明.基于改進深度學習的變電站機器人巡檢路徑規(guī)劃研究 .自動化與儀表，2022，37（1）：36-39.

[12]韓耀廷，趙志梅，郝曉宇，等.變電站巡檢機器人路徑規(guī)劃智能算法優(yōu)化 .內蒙古電力技術，2021，39（6）：58-61.

[13]楊元義，楊超.基于SLAM的機器人運動控制系統(tǒng)設計.粘接，2021，48（12）：107-111.

[14]董翔宇，季坤，朱俊，等.對特高壓變電站巡檢機器人路徑規(guī)劃改進蟻群算法的研究 .電力系統(tǒng)保護與控制，2021，49 （18）：154-160.

[15]路浩，陳洋，吳懷宇，等.受路網(wǎng)和測量約束的變電站巡檢機器人路徑規(guī)劃 .中國機械工程，2021，32（16）：1972-1982.

[16]楊瑩，張莉，郭瑞鴻，等.基于改進快速搜索隨機樹算法的包裹分揀路徑規(guī)劃算法.計算機集成制造系統(tǒng)，2022，28（3）：951-958.

[17]謝志文，汪政，王銳，等.基于改進蟻群算法的變電站巡檢機器人路徑規(guī)劃研究 .能源與環(huán)保，2021，43（12）：212-216.

[18]劉云飛，楊旭，羅晨瑀，等.基于蟻群算法的變電站巡檢機器人全局路徑規(guī)劃研究 .自動化應用，2023，64（9）：9-10.