一種基于虛擬化的數據中心自動巡檢導航算法

由于自動化技術的快速發展和廣泛應用，利用巡檢機器人對數據中心設備安全巡檢更是多式多樣。導航技術是機器人巡檢的必要前提，目前機器人導航技術主要分為視覺導航（VSLAM）、電磁導航和激光雷達導航（SLAM）。視覺導航技術主要通過智能巡檢機器人攜帶紅外熱像儀、可見光CCD等巡檢設備，實現視覺導航巡檢功能。激光雷達導航技術[1]則是通過內部激光模組測量與障礙物之間的距離，結合定位信息來實現越障巡檢。而電磁導航則是基于神經網絡[2]，通過各種傳感器采集的信息，建立巡檢機器人行進路線的模型。不管采用什么技術，其最終目的是實現巡檢機器人自主越障巡檢的功能。

國內外相關領域的研究機構，針對機器人巡檢越障問題，提出了各種各樣的方法。文獻[3]提出一種基于信息融合的巡檢機器人電磁導航方法；文獻[4]提出了基于感知技術的機器人巡檢方法；利用電磁傳感器獲取位置信息，利用激光模組測量與障礙物之間距離的辨識方法；文獻[5]在巡檢機器人導航系統設計以及配合電網調控方面進行了深入研究。

目前大多數研究的重點偏向于機器人的智能控制，在機器人巡檢路線算法上的研究較少，為了使機器人快速自主越障、耗時更少和路線更為精確，本文提出了一種基于虛擬化算法的數據中心巡檢機器人導航設計，虛擬化算法以地圖數據庫、紅外檢測、傳感器信息和圖像信息為依據，利用虛擬化技術建立巡檢機器人巡檢路線模型。該設計能有效地對機器人行進路線優化，使機器人快速越障，縮短巡檢時間，為數據中心設備巡檢帶來便利。

1 巡檢機器人導航自主越障原理

巡檢機器人最主要的功能就是運動和跨越障礙物，對此巡檢機器人機身采用旋轉式關節，機身能夠自由切換旋轉，且安置傳感器、紅外探測儀、攝像頭和拾音器。底部則是采用四驅動非對稱輪式關節設計，其中每個行進輪設有滑輪結構、回轉結構、重心調節結構和機體緩沖結構，分別實現行走、反轉、穩定和緩沖的功能。

巡檢機器人自主導航控制原理如圖1所示，通過機器人機身上的傳感器，實時監測行進路線，通過紅外探測和攝像進行圖像采集，一旦識別到障礙物類型，便調用地圖數據庫中存儲的路徑規劃，計算出適合機器人行進的路線模型，并輸出路徑權值參數至虛擬化算法；同時根據檢測到的障礙物的類型特征，調用機器人動作模型庫中存儲的動作規劃，模擬出機器人跨越或繞過障礙物的動作，并輸出機器人動作權值參數至虛擬化算法；通過虛擬化算法計算出最終參數，將數據寫入控制器，最后得到巡檢機器人底部滑輪和各個關節的運動矢量，驅動電機運行，最終實現機器人按照預先設置的避障動作跨越或繞過障礙物。

圖1 巡檢機器人控制原理圖

2 路線模型以及動作模型參數獲取方法

2.1 路徑參數獲取

自動巡檢的前提是定位，而定位的基礎是坐標。由圖1可知，路線模型是從存儲的路徑規劃中獲取的，機器人是在水平地面上行進，可以建立行進路線平面坐標系[6]。

以曲線巡檢路徑為例，如圖2所示，將實際巡檢路徑用若干個直線分割，曲線上的每個點坐標都可以表示，根據點坐標可以計算出路徑斜率變化率K。由微分的原理可知，X軸自變增量和Y軸因變增量存在一個關系常量，可用切線段近似代替曲線段，將若干個點坐標通過積分的方法計算出路徑偏移矩陣TX→Y。

路徑斜率變化率K的描述：

路徑矢量參數F0和路徑偏移矩陣TX→Y的關系：

圖2 巡檢路線分割簡化圖

2.2 動作參數獲取

巡檢機器人辨識到障礙物時會調用動作模型庫做出相應的越障動作，根據D-H矩陣（Denavit和Hartenberg）原理[7]，機器人每個連桿上固定一個坐標系，用齊次變換矩陣描述行進輪之間的位姿變化，建立機器人運動方程。

以巡檢機器人某一行進輪運動為例，建立一個三維坐標系，行進輪旋轉有六個自由度，行進輪旋轉后和三個坐標軸的夾角分別為α、β、θ，旋轉之后的位置用M(X1，Y1，Z1)來表示，通過矩陣計算得到旋轉矩陣R1，通過分析位姿的變化可得出機器人動作參數T1。

旋轉矩陣R1可以表示為：

比例變換I1可以表示為：

由（3）、（4）式可計算出動作參數T1可以表示為：

圖3 行進輪旋轉簡化圖

3 虛擬化算法

上述的路徑、動作參數獲取方法和都是通過建立坐標系模型，結合數學公式計算而來。仍存在少許誤差，虛擬化算法[8]具有動態數據資源調整配置的特點，通過使用虛擬化算法將這些底層參數鏈接起來，排除不貼合的參數，計算出最佳路線權值，使機器人行進時避開或跨越障礙物[7]。

3.1 路徑參數導入和應用

為實現行進路徑少、時間耗費低和行進準確的功能，依據虛擬化算法生成路線分類器將獲取到的路徑參數進行資源分類，Set X1=0，Set Y1=0設定原點基礎位置，通過n個標準切割線計算，生成一個新的 ?i 路線，并計算其誤差W，和原有模型路線對比，若誤差為0，則應用到新的函數h(x)中。

多障礙物環境下，路況問題會導致行進路線偏差，為使機器人能自行矯正，利用虛擬化算法統計出目前行進路線的坐標集合{M1，M2，……，Mn}，計算出平均權值k，與預設平均權值的差值Q對比，如果差值相等，則路線矯正成功，輸出OK。若差值不相等，則繼續調整偏移量T，直到差值相等為止。

3.2 動作參數導入和應用

為減少機器人不必要的動作，將機器人每次做過的動作存儲記憶下來，當重復動作時，虛擬化算法可以對動作參數進行優化，可以將動作時間縮短，提高巡檢效率。

初始化算法緩沖庫記錄做過的動作Record Rd{1，2，3……，n}，存儲動作庫Storage new Rd：，如果動作Xi重復，即，調整行進輪角度θ并更新至動作函數h(x)中，對點坐標Xi，Yi，Zi進行調整，輸出一個角度變量M，模擬M角度旋轉所用時間T1，如果T1小于T，則M即為最佳旋轉角度。

4 實驗分析

虛擬化算法可將路徑參數和動作參數優化導入到控制器，優化巡檢機器人路線。

實驗主要驗證虛擬化算法的合理性和有效性，實驗環境主要有巡檢機器人、各種障礙物、數據中心實際巡檢線路和輔助測量設備等構成。在實驗環境中，為了讓實驗數據更有真實性和說服力，設置某數據中心多個地點為目的終點，同時增加了多種障礙物。

4.1 多障礙物自主導航巡檢實驗

多障礙物路線會導致巡檢機器人的行進輪受到阻塞或發生側滑，此實驗驗證虛擬化算法能否讓巡檢機器人自行矯正路線和越障功能。

巡檢機器人按照路線模型在數據中心路線中行進，檢測到前方障礙物，會自行跨越或繞過障礙物。當繞過障礙物時行進輪發生側滑現象時，巡檢機器人依據虛擬化算法及時調整行進輪角度，機體調整重心，矯正巡檢路線。實驗過程中記錄了機械運動關節位移量、行進輪角度變化量、機器人巡檢損耗時間等信息。

實驗得到行進輪角度變化量的實測值和算法估算值，通過數據可以清晰看出虛擬化算法的估算值無限接近實測值，其最大誤差為0°00′10″。

4.2 與其他研究實驗對比

實驗數據提取部分，選取5條不同長度和不同障礙物的路線，長度分別為15m、20m、25m、30m、35m；障礙物分別為木樁、垃圾桶和坑洼路等。實驗對象分別為虛擬化算法巡檢、無算法巡檢和特征提取算法巡檢。通過三種算法實驗對比，可以看出虛擬化算法對新路線第一次巡檢時間較長，隨著巡檢次數的增加，時間會縮小并趨向于穩定。

經過某數據中心實際測驗可知虛擬化算法相比無算法和特征提取算法，巡檢時間更短更穩定，巡檢效率更高。

5 結束語

隨著人工智能與現代生活的關聯愈加密切，人工智能在生活中的應用將會愈加廣泛。機器人巡檢損耗的時間對數據中心來說十分寶貴，本文提出了一種基于虛擬化算法的數據中心巡檢機器人導航設計，虛擬化算法以地圖數據庫、紅外檢測、傳感器信息和圖像信息為依據，利用虛擬化技術建立巡檢機器人行進路線模型，對巡檢機器人行進路線進行優化，確保路線準確并快速越障，降低了數據中心的人工成本并提供了設備巡檢便利。