鄧 紅，孫 栩

(黑龍江工程學(xué)院，哈爾濱 150050)

0 引言

隨著社會(huì)的發(fā)展，人們對(duì)生活品質(zhì)的需求也在不斷增高，對(duì)于環(huán)境也有了更高的清潔度需求。因此移動(dòng)智能掃地機(jī)器人被研究出來(lái)，成為了清掃工作的代替者[1]。為保證道路上所有區(qū)域的干凈整潔，需要保證智能機(jī)器人可以做到全方位的路徑覆蓋，且在同樣的區(qū)域內(nèi)，行走路徑需要盡量減少，路徑重復(fù)率盡量降低[2-3]。

在現(xiàn)有的研究中，文獻(xiàn)[4]為獲取肉眼不可見(jiàn)區(qū)域的圖像信息，設(shè)計(jì)了一種針對(duì)圖像監(jiān)測(cè)的路徑規(guī)劃算法。該方法可以基于生物啟發(fā)神經(jīng)網(wǎng)絡(luò)模型，將結(jié)果直接指向活性增益趨勢(shì)，并獲取連續(xù)的圖像信息。對(duì)比原有的算法，該路徑規(guī)劃方法的準(zhǔn)確率和效率均有一定程度的提高。但是，該方法路徑規(guī)劃重復(fù)率有待驗(yàn)證。文獻(xiàn)[5]使用無(wú)人機(jī)技術(shù)，在凸劃分優(yōu)化方法的基礎(chǔ)上，提出了一種針對(duì)復(fù)雜障礙物的路徑規(guī)劃方法，該方法可以準(zhǔn)確繪制復(fù)雜地塊的邊界輪廓，標(biāo)記凹凸點(diǎn)信息，并在隨機(jī)路標(biāo)算法的基礎(chǔ)上，尋找最短路徑。但是，該方法在計(jì)算算力方面有待進(jìn)一步提高。文獻(xiàn)[6]提出了一種基于高校模版與動(dòng)態(tài)窗口法的路徑規(guī)劃算法，結(jié)合全局路徑與位置的障礙物，在窗口柵格地圖中，對(duì)路徑的覆蓋率進(jìn)行規(guī)劃分析。實(shí)驗(yàn)結(jié)果顯示，該算法可以提高機(jī)器人在全覆蓋路徑中的工作效率和工作精度，具備較高的使用價(jià)值。但是，該方法在復(fù)雜環(huán)境下的路徑覆蓋率需要提升。

魚(yú)群算法是一種根據(jù)魚(yú)群覓食行為完成最優(yōu)數(shù)值計(jì)算的方式，使聚集區(qū)域內(nèi)魚(yú)群數(shù)目達(dá)到特定比例，其具有實(shí)現(xiàn)簡(jiǎn)單、魯棒性強(qiáng)、使用靈活等優(yōu)點(diǎn)，且對(duì)初值要求不高，對(duì)參數(shù)選擇不敏感，只需獲取其目標(biāo)函數(shù)值即可[7]。通過(guò)魚(yú)群算法執(zhí)行追尾和聚群行為，降低遍歷重疊度，減少路徑冗余，在確保高收斂效率的基礎(chǔ)上降低時(shí)延，提升復(fù)雜環(huán)境下的路徑規(guī)劃精準(zhǔn)度，實(shí)現(xiàn)數(shù)值處理和智能規(guī)劃的高覆蓋、低重復(fù)、強(qiáng)算力?；诖耍Y(jié)合上述文獻(xiàn)資料，本文基于魚(yú)群算法設(shè)計(jì)了一種智能機(jī)器人全覆蓋路徑規(guī)劃方法。根據(jù)機(jī)器人位姿關(guān)系計(jì)算目標(biāo)區(qū)域旋轉(zhuǎn)角，構(gòu)建智能機(jī)器人死區(qū)脫困模型，描述柵格周邊狀態(tài)，獲取未被覆蓋的柵格區(qū)域。在描述不同目標(biāo)魚(yú)個(gè)體之間距離的基礎(chǔ)上，依托三維坐標(biāo)系獲取移動(dòng)目標(biāo)元素的坐標(biāo)向量，求解目標(biāo)點(diǎn)代價(jià)完成全路徑覆蓋的判定。運(yùn)用魚(yú)群算法判斷機(jī)器人當(dāng)前位置是否為死區(qū)，獲取路徑規(guī)劃的全局最優(yōu)解，實(shí)現(xiàn)智能機(jī)器人的全覆蓋路徑規(guī)劃。在保證100%覆蓋率的基礎(chǔ)上，進(jìn)一步優(yōu)化機(jī)器人路徑的重復(fù)率和路徑長(zhǎng)度，以期提升機(jī)器人對(duì)復(fù)雜環(huán)境的適應(yīng)性。

1 建立智能機(jī)器人死區(qū)脫困模型

在選擇智能機(jī)器人的目標(biāo)軌跡時(shí)，需要以活性值作為依據(jù)。每一個(gè)神經(jīng)元均存在感知域的響應(yīng)機(jī)制，因此可以結(jié)合智能機(jī)器人周邊的活性值獲取位姿關(guān)系[8-9]。在柵格地圖下，其自身的活性可以表示為：

(1)

式中，p(x，y)表示某目標(biāo)點(diǎn)的活性值；km表示目標(biāo)點(diǎn)與障礙物的覆蓋狀態(tài)，當(dāng)km=0時(shí)表示未覆蓋，當(dāng)km=1時(shí)表示已覆蓋；fd表示目標(biāo)點(diǎn)是否已經(jīng)被疊加，當(dāng)fd=1時(shí)表示已被疊加，當(dāng)fd=0時(shí)表示未被疊加[10]。在自身的活性影響范圍之外，還存在運(yùn)動(dòng)方向?qū)πD(zhuǎn)角度的影響，因此可以規(guī)定機(jī)器人在目標(biāo)區(qū)域的旋轉(zhuǎn)角度：

(2)

式中，h(x，y)表示智能機(jī)器人的旋轉(zhuǎn)角度對(duì)活性值影響；dj表示旋轉(zhuǎn)角度。通過(guò)上述兩個(gè)公式，可以對(duì)正常路線下以及前方出現(xiàn)障礙物情況下的智能機(jī)器人行走進(jìn)行規(guī)劃與分析[11-12]。但是很多時(shí)候，如果障礙物較為密集，智能機(jī)器人很容易走入死區(qū)。通常將智能機(jī)器人周邊沒(méi)有未被覆蓋柵格的情況成為機(jī)器人陷入死區(qū)。死區(qū)與未被覆蓋區(qū)域的距離越遠(yuǎn)，逃離死去的路徑就越長(zhǎng)，智能機(jī)器人在全覆蓋路徑規(guī)劃過(guò)程中陷入死區(qū)的次數(shù)越多，其覆蓋重復(fù)率就越高。此時(shí)需要對(duì)整體地圖環(huán)境下的柵格數(shù)量進(jìn)行計(jì)算：

(3)

式中，Nk表示該地圖環(huán)境的柵格總數(shù)；sd表示單位柵格的長(zhǎng)度；Lh和Wh則分別表示該柵格地圖模型的長(zhǎng)與寬、同時(shí)使用函數(shù)描述柵格地圖的狀態(tài)：

(4)

式中，Wsta表示某一柵格周邊所擁有的未被覆蓋區(qū)域的數(shù)量[13]；uij表示未被覆蓋柵格數(shù)量，在該狀態(tài)函數(shù)中，uij={0，1，2，3，4}，即表示單一柵格周邊可以有0～4個(gè)未被標(biāo)記的柵格。

當(dāng)智能機(jī)器人在某一活柵格中被逐漸引導(dǎo)到死區(qū)時(shí)，其想要脫困時(shí)的行駛角度差可以表示為：

(5)

式中，Δβdead表示智能機(jī)器人行走在死區(qū)時(shí)的角度差；β則表示方向引導(dǎo)角度[14-15]。通過(guò)該角度公式，可以得知智能機(jī)器人脫離死區(qū)的方法，只要朝著這個(gè)方向一直前進(jìn)，就能夠以最短的距離進(jìn)入未被覆蓋的柵格區(qū)域。

2 基于魚(yú)群算法的全路徑覆蓋判定

在該路徑規(guī)劃方法中，除盡快促進(jìn)智能機(jī)器人脫離死區(qū)以外，還需要保證機(jī)器人的路徑覆蓋率達(dá)到100%，以實(shí)現(xiàn)全路徑覆蓋。制定需要一個(gè)判定機(jī)制，避免機(jī)器人在未完全覆蓋所有路徑時(shí)即停止運(yùn)行[16]。在這個(gè)搜索空間中，可以假設(shè)存在一個(gè)人工魚(yú)群，該魚(yú)群內(nèi)包含N個(gè)個(gè)體，則可以對(duì)不同魚(yú)之間的距離進(jìn)行描述：

(6)

式中，dij表示第i條魚(yú)和第j條魚(yú)之間的距離；Ni和Nj則分別表示兩條魚(yú)的感知范圍[17]。當(dāng)某條魚(yú)的當(dāng)前狀態(tài)良好且未達(dá)到完全覆蓋狀態(tài)，則其在單位時(shí)間內(nèi)的三維坐標(biāo)系如圖1所示。

圖1 移動(dòng)目標(biāo)坐標(biāo)系

結(jié)合圖1中的目標(biāo)點(diǎn)坐標(biāo)系，可以直接確定智能機(jī)器人在全局坐標(biāo)中的位姿，將本體與局部坐標(biāo)系聯(lián)合在儀器，就可以獲取一個(gè)元素坐標(biāo)向量：

(7)

式中，Gt表示元素坐標(biāo)向量；xi和yi分別表示該智能機(jī)器人到達(dá)的預(yù)期目標(biāo)點(diǎn)；ti則表示機(jī)器人轉(zhuǎn)換位姿的時(shí)間參數(shù)[18]。由此可以建立每個(gè)目標(biāo)點(diǎn)的求解代價(jià)和：

g(x，y)=k(x，y)Δβdead+d(x，y)Δβdead

(8)

式中，g(x，y)表示起點(diǎn)到當(dāng)前點(diǎn)的總代價(jià)；k(x，y)表示實(shí)際代價(jià)；d(x，y)表示預(yù)估代價(jià)。根據(jù)運(yùn)動(dòng)特性，可以獲取機(jī)器人向下一個(gè)目標(biāo)點(diǎn)行駛的最小距離：

(9)

式中，Dmn表示智能機(jī)器人向下一個(gè)目標(biāo)點(diǎn)行駛的最小距離，當(dāng)Dmn等于1時(shí)，表示該目標(biāo)點(diǎn)周邊有可用柵格，當(dāng)Dmn大于1時(shí)，表示該目標(biāo)點(diǎn)已進(jìn)入死區(qū)，需要立即脫離，當(dāng)Dmn=0時(shí)，表示該地圖上已經(jīng)沒(méi)有為覆蓋柵格，即路徑已經(jīng)實(shí)現(xiàn)了全覆蓋[19]。vu表示行駛速度；ap表示機(jī)器人在目標(biāo)區(qū)域行駛的最小距離。通過(guò)上述公式，可以獲取全路徑覆蓋的判定依據(jù)。

3 設(shè)計(jì)機(jī)器人全覆蓋路徑規(guī)劃算法

根據(jù)采集到的全路徑覆蓋判定依據(jù)信息，劃定機(jī)器人搜索空間。將搜索空間設(shè)定為W維度，人工魚(yú)的尋優(yōu)變量為a[20]，人工魚(yú)個(gè)體之間的距離矢量為Ds=(ds1，ds2， ，dsw， ，dsW)，魚(yú)群移動(dòng)速度矢量為Fs=(fs1，fs2， ，fsw)。當(dāng)人工魚(yú)當(dāng)前狀態(tài)為Gs=(gs1，gs2， ，gsw， ，gsW)時(shí)，魚(yú)種群則開(kāi)始快速移動(dòng)，并向食物中心聚集[21]。當(dāng)前人工魚(yú)最優(yōu)位置矢量為Gu=(gu1，gu2， ，guw， ，guW)，并且每個(gè)人工魚(yú)個(gè)體根據(jù)公式(10)更新覓食位置：

fsw=φf(shuō)sw+φ1γ1(gsw-dsw)+φ2γ2(guw-dsw)

(10)

式中，φ表示慣性因素；φ1和φ2表示學(xué)習(xí)因素；隨機(jī)的[0，1]用γ1和γ2表示。通過(guò)不斷更新隨機(jī)位置和速度，尋找覓食最優(yōu)解。

(11)

圖2 算法流程

在該算法內(nèi)，首先需要隨機(jī)一個(gè)位置節(jié)點(diǎn)，即初始節(jié)點(diǎn)，并建立兩個(gè)不同的子群體，分別為已覆蓋群體和未覆蓋群體，對(duì)數(shù)據(jù)進(jìn)行初始化處理。判斷此時(shí)的位置是否為死區(qū)，如果是死區(qū)，則需要重新隨機(jī)位置節(jié)點(diǎn)，如果不是死區(qū)，則使用魚(yú)群算法進(jìn)行群體行為的執(zhí)行過(guò)程[24]。判斷此時(shí)的路徑規(guī)劃是否為局部最優(yōu)：

(12)

式中，Xi表示當(dāng)前的路徑規(guī)劃函數(shù)；Xp表示算法前期的更新位置[25]；Rand()表示周邊未覆蓋節(jié)點(diǎn)數(shù)；Xg表示搜索空間中極值點(diǎn)數(shù)量[26]。根據(jù)該方法，同步更新網(wǎng)絡(luò)信息，并判斷是否達(dá)到全局最優(yōu)。對(duì)魚(yú)群進(jìn)行操作后，即可得到路徑全覆蓋規(guī)劃的最優(yōu)解，實(shí)現(xiàn)智能機(jī)器人全覆蓋路徑規(guī)劃。

4 實(shí)驗(yàn)研究

4.1 實(shí)驗(yàn)環(huán)境設(shè)置

選擇Roborock S7 MaxV Ultra型清潔機(jī)器人在40 m×60 m的空間內(nèi)完成全覆蓋路徑規(guī)劃實(shí)驗(yàn)。清潔機(jī)器人導(dǎo)航技術(shù)為激光導(dǎo)航，避障類型為結(jié)構(gòu)光避障，續(xù)航時(shí)間為180 min。在Matlab R2022a的環(huán)境下，使用Matlab代碼編寫(xiě)算法在主頻為1的環(huán)境下完成機(jī)器人全覆蓋路徑規(guī)劃仿真。

實(shí)時(shí)仿真過(guò)程包括七個(gè)步驟，具體如下。

步驟1：在simulink環(huán)境中，采用C++編程環(huán)境多樣化，編譯機(jī)器人軌跡法自動(dòng)調(diào)節(jié)補(bǔ)償器參數(shù)，并且同時(shí)指定干擾參考跟蹤、穩(wěn)定裕度等多個(gè)調(diào)節(jié)目標(biāo)。

步驟2：對(duì)機(jī)器人系統(tǒng)進(jìn)行高度細(xì)化建模，設(shè)計(jì)高級(jí)自主性和低級(jí)控制度量，連接ROS系統(tǒng)。

步驟3：根據(jù)建立的柵格地圖模型，使用MATLAB Coder對(duì)經(jīng)過(guò)維護(hù)的算法庫(kù)進(jìn)行代碼自動(dòng)生成及控制。

步驟4：采用Simulink Coder設(shè)定機(jī)器人傳感器(激光雷達(dá)、慣性姿態(tài)傳感IMU、攝像頭)數(shù)據(jù)，優(yōu)化機(jī)器人的外部物理環(huán)境感知效果。

步驟5：將ROS系統(tǒng)直接連接到傳感器，完成實(shí)驗(yàn)對(duì)象的檢測(cè)跟蹤。利用RoboticsSystem Toolbox對(duì)傳感器提取的信息進(jìn)行校準(zhǔn)、降噪等操作，完成特征提取和算法匹配等。

步驟6：通過(guò)Embedded coder對(duì)機(jī)器人進(jìn)行最終執(zhí)行和決策功能設(shè)定，生成嵌入式代碼實(shí)現(xiàn)端到端的機(jī)器人控制策略。

步驟7：進(jìn)行實(shí)時(shí)仿真證明。

4.2 實(shí)驗(yàn)設(shè)備

為測(cè)試上文中魚(yú)群算法下智能機(jī)器人全覆蓋路徑規(guī)劃的性能，搭建實(shí)驗(yàn)平臺(tái)。在linux系統(tǒng)下，根據(jù)各自的功能，實(shí)現(xiàn)話題和服務(wù)之間的信息傳遞。硬件部分使用Core-i5 5200U作為工控機(jī)，該工控機(jī)可以被網(wǎng)絡(luò)遠(yuǎn)程控制，有一個(gè)對(duì)外接口，體積小，性能高，且支持windows平臺(tái)。軟件平臺(tái)則包括全覆蓋路徑規(guī)劃與點(diǎn)線之間的運(yùn)動(dòng)規(guī)劃兩個(gè)方面，在接受目標(biāo)點(diǎn)信息的基礎(chǔ)上，實(shí)現(xiàn)數(shù)據(jù)控制。測(cè)試過(guò)程中的硬件環(huán)境，軟件環(huán)境，軟件工具如表1所示。

表1 硬件、軟件參數(shù)詳情表

4.3 實(shí)驗(yàn)準(zhǔn)備

具體的實(shí)驗(yàn)參數(shù)設(shè)置為：選擇機(jī)器人定位避障的建圖數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，設(shè)定機(jī)器人的線速度為0.2 m/s，角速度為0.3 rad/s，視場(chǎng)角為280°，角度分辨率為0.5°，最大響應(yīng)時(shí)間為1 s。在此條件下整合測(cè)試方案，驗(yàn)證實(shí)驗(yàn)可行性，實(shí)驗(yàn)測(cè)試流程如圖3所示。

圖3 實(shí)驗(yàn)流程圖

4.4 實(shí)驗(yàn)工況

4.4.1 簡(jiǎn)單環(huán)境下的全覆蓋路徑規(guī)劃

在該路徑規(guī)劃實(shí)驗(yàn)中，簡(jiǎn)單環(huán)境路徑效果如圖4所示。

圖4 路徑示意圖

如圖4所示，對(duì)該路徑圖進(jìn)行預(yù)處理，圖(a)中的方格為遮擋物體，曲線則為不可到達(dá)區(qū)域的邊界，在柵格規(guī)劃效果圖中，將不可到達(dá)區(qū)域與遮擋部位剔除，就可以得到智能機(jī)器人全覆蓋路徑效果圖，其中黑色部位為不可達(dá)區(qū)域，白色部分為可達(dá)區(qū)域。在計(jì)算機(jī)上進(jìn)行仿真，在障礙物之間，柵格活性函數(shù)值為0.6，每一個(gè)方格為一步。

如圖5所示，在簡(jiǎn)單環(huán)境的全覆蓋路徑探索中，機(jī)器人從一個(gè)端口進(jìn)入，采用單一變量控制的原則，將所有白色區(qū)域全部覆蓋。

圖5 簡(jiǎn)單環(huán)境路徑覆蓋

4.4.2 復(fù)雜環(huán)境下的全覆蓋路徑規(guī)劃

在該路徑規(guī)劃實(shí)驗(yàn)中，復(fù)雜環(huán)境路徑效果如圖6所示。

圖6 路徑示意圖

圖6為復(fù)雜路徑下的規(guī)劃效果與柵格示意圖，對(duì)比簡(jiǎn)單路徑，該復(fù)雜路徑內(nèi)的障礙物為非規(guī)范圖形。因此智能機(jī)器人行走在該路徑中，會(huì)遇到更多的死角，其重復(fù)率和全面覆蓋所需要行走的路徑長(zhǎng)度也會(huì)進(jìn)一步增加。

如圖7所示，在復(fù)雜環(huán)境的路徑覆蓋規(guī)劃中，智能機(jī)器人從左上角出發(fā)，在右下角離開(kāi)，并多次遇到大幅度的重復(fù)行走情況。相比起簡(jiǎn)單環(huán)境，復(fù)雜環(huán)境雖然同樣可以實(shí)現(xiàn)全方位覆蓋，但其所經(jīng)歷過(guò)的重復(fù)路徑有了明顯的增加。

圖7 復(fù)雜環(huán)境路徑覆蓋

4.5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提方法(基于魚(yú)群算法的智能機(jī)器人全覆蓋路徑規(guī)劃)的整體有效性，需要對(duì)其展開(kāi)測(cè)試。以文獻(xiàn)[4]方法(基于生物啟發(fā)神經(jīng)網(wǎng)絡(luò)的水下壩面表觀裂縫檢測(cè)路徑規(guī)劃算法)、文獻(xiàn)[5]方法(基于復(fù)雜地塊凸劃分優(yōu)化的多無(wú)人機(jī)覆蓋路徑規(guī)劃)、文獻(xiàn)[6]方法(基于高效模板法與動(dòng)態(tài)窗口法的服務(wù)機(jī)器人全覆蓋路徑規(guī)劃方法)作為對(duì)比方法，進(jìn)行機(jī)器人全覆蓋路徑規(guī)劃仿真測(cè)試。分別計(jì)算簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境的路徑覆蓋率、路徑重復(fù)率、路徑長(zhǎng)度，獲取不同算法下的路徑規(guī)劃對(duì)比結(jié)果。

4.5.1 路徑規(guī)劃覆蓋率對(duì)比分析

機(jī)器人路徑規(guī)劃覆蓋效果越優(yōu)，說(shuō)明機(jī)器人復(fù)雜環(huán)境下的運(yùn)行能力越穩(wěn)定。若機(jī)器人在簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境下的路徑規(guī)劃覆蓋率較高，則對(duì)應(yīng)方法的機(jī)器人控制精度越優(yōu)。路徑遍歷范圍越廣，則表明路徑規(guī)劃覆蓋率越高，測(cè)試結(jié)果如圖8所示。

圖8 路徑規(guī)劃覆蓋率結(jié)果

根據(jù)圖8可知，所提方法、文獻(xiàn)[4]方法、文獻(xiàn)[5]方法、文獻(xiàn)[6]方法均不存在機(jī)器人路徑規(guī)劃異常值，所有方法都可以完成簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境下的路徑遍歷。所提方法在簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境下的路徑覆蓋與規(guī)劃一致，覆蓋率為100%，由此證明所提方法可以完成復(fù)雜環(huán)境下全方位覆蓋。而文獻(xiàn)[4]方法、文獻(xiàn)[5]方法、文獻(xiàn)[6]方法在簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境的路徑規(guī)劃遍歷不全，無(wú)法實(shí)現(xiàn)全方位覆蓋。這是因?yàn)樗岱椒?gòu)建了智能機(jī)器人死區(qū)脫困模型，通過(guò)計(jì)算柵格地圖模型中的目標(biāo)活性值可以優(yōu)化整體柵格參數(shù)，提高描述地圖中柵格狀態(tài)穩(wěn)定性，進(jìn)而提高了機(jī)器人全覆蓋路徑規(guī)劃覆蓋率。

4.5.2 路徑規(guī)劃重復(fù)率對(duì)比分析

在發(fā)布數(shù)據(jù)頻率為30 kN、分辨率為0.015%，加速度為0.8的條件下，獲取路徑規(guī)劃重復(fù)率結(jié)果，判別簡(jiǎn)單環(huán)境和復(fù)雜環(huán)境下的路徑規(guī)劃效果，具體測(cè)試結(jié)果如圖9所示。

圖9 路徑規(guī)劃重復(fù)率結(jié)果

根據(jù)圖9可知，由于所提方法描述不同目標(biāo)魚(yú)個(gè)體之間的距離，在三重移動(dòng)目標(biāo)坐標(biāo)系下獲取元素坐標(biāo)向量，進(jìn)而降低了路徑規(guī)劃重復(fù)率。因此，在機(jī)器人路徑規(guī)劃重復(fù)率測(cè)試過(guò)程中，所提方法在簡(jiǎn)單環(huán)境下的路徑重復(fù)率為5.23%，復(fù)雜環(huán)境下的路徑重復(fù)率為10.24%。而文獻(xiàn)[4]方法在簡(jiǎn)單環(huán)境下的路徑重復(fù)率為6.99%，復(fù)雜環(huán)境下的路徑重復(fù)率為15.01%。文獻(xiàn)[5]方法在簡(jiǎn)單環(huán)境下的路徑重復(fù)率為8.01%，復(fù)雜環(huán)境下的路徑重復(fù)率為22.05%。文獻(xiàn)[6]方法在簡(jiǎn)單環(huán)境下的路徑重復(fù)率為8.91%，復(fù)雜環(huán)境下的路徑重復(fù)率為18.27%。由此表明，所提方法具有更強(qiáng)的實(shí)時(shí)性，更適合用于復(fù)雜環(huán)境下的智能機(jī)器人全覆蓋路徑規(guī)劃。

4.5.3 路徑規(guī)劃長(zhǎng)度對(duì)比分析

在數(shù)據(jù)變化趨勢(shì)提升的環(huán)境下，路徑規(guī)劃干擾強(qiáng)度會(huì)呈現(xiàn)倍增趨勢(shì)，在機(jī)器人路徑規(guī)劃過(guò)程中規(guī)劃長(zhǎng)度可以反映方法的優(yōu)劣性。在客觀環(huán)境一致的條件下，路徑規(guī)劃長(zhǎng)度越小則方法效果越優(yōu)。在一階固有頻率下進(jìn)行測(cè)試分析，結(jié)果如表2所示。

表2 不同方法路徑規(guī)劃長(zhǎng)度結(jié)果

根據(jù)表2可知，所提方法的路徑長(zhǎng)度在簡(jiǎn)單環(huán)境與復(fù)雜環(huán)境下均小于文獻(xiàn)[4]方法、文獻(xiàn)[5]方法、文獻(xiàn)[6]方法。這是因?yàn)樗岱椒ɡ敏~(yú)群算法判斷當(dāng)前位置是否為死區(qū)，完成路徑規(guī)劃全局最優(yōu)解，以此提高了算法的計(jì)算算力，縮短路徑規(guī)劃長(zhǎng)度。實(shí)現(xiàn)智能機(jī)器人的全覆蓋路徑規(guī)劃。由此表明，所提方法在機(jī)器人全覆蓋路徑規(guī)劃中性能最優(yōu)。

5 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種基于魚(yú)群算法的智能機(jī)器人全覆蓋路徑規(guī)劃方法，該方法可以獲取脫離死區(qū)的最快方法，并結(jié)合全覆蓋的判定機(jī)制，設(shè)計(jì)相應(yīng)算法優(yōu)化路徑最優(yōu)解，完成路徑規(guī)劃。實(shí)驗(yàn)結(jié)果顯示，該路徑規(guī)劃算法在簡(jiǎn)單環(huán)境與復(fù)雜環(huán)境下均可以實(shí)現(xiàn)全覆蓋路徑規(guī)劃，且路徑重復(fù)率較低，路徑長(zhǎng)度較短。但是由于研究時(shí)間和研究條件的有限，本文僅選擇了一種清潔機(jī)器人作為測(cè)試對(duì)象，且在研究過(guò)程中未考慮計(jì)算的延遲。因此，下一步的研究方向?yàn)椋涸诒敬窝芯績(jī)?nèi)容的基礎(chǔ)上，引入多類型機(jī)器人操作設(shè)備完成路徑規(guī)劃任務(wù)，并在全覆蓋判定過(guò)程中加入時(shí)延矩陣，進(jìn)一步優(yōu)化模型計(jì)算算力。以獲取的數(shù)據(jù)結(jié)果為依據(jù)，從多方面驗(yàn)證路徑規(guī)劃效果。