基于機器學習的電力巡檢機器人避障路徑規(guī)劃

郭瑜，倪旭明

（國網(wǎng)金華供電公司，浙江金華 321001）

目前，隨著科技的發(fā)展，維護電網(wǎng)安全的方式也開始從傳統(tǒng)的人工巡檢向智能化、無人化發(fā)展，電力巡檢機器人是電力領域發(fā)展的墊腳石，對于智能化電網(wǎng)的發(fā)展有促進作用。隨著我國經(jīng)濟的快速發(fā)展，電力系統(tǒng)所承載的工作量也越來越多，導致電力系統(tǒng)人工巡檢工作者的工作任務量嚴重超出正常工作量，并且電力系統(tǒng)運輸量的提高，致使運輸?shù)碾妷阂膊粩嗵岣撸瑸榇嗽陔娏Π踩S護領域下將用電力巡檢機器人代替電力人工巡檢[1-2]。

傳統(tǒng)的電力巡檢機器人由于技術不成熟，在巡檢過程中會與電力設備出現(xiàn)碰撞，而發(fā)生電力巡檢事故，對于電力巡檢機器人和電力系統(tǒng)都存在損失，因此，文中提出基于機器學習的電力巡檢機器人避障路徑規(guī)劃方法，達到巡檢機器人安全巡檢的目的。

1 電力巡檢機器人路線三維模型建立

文中設計電力巡檢機器人路線三維模型的目標是既可以保證電力巡檢機器人穩(wěn)定巡檢，又可以使電力巡檢機器人具有辨識感知巡檢路徑方向感的功能，可以全方面完成巡檢任務的巡檢路徑規(guī)劃[3-4]。為了提高巡檢機器人巡檢的穩(wěn)定性，根據(jù)物理原則在電力巡檢機器人的底端設計4 個交叉的驅動輪，驅動輪的運動方向和周期相同，具體物理電力巡檢機器人三維模型如圖1 所示。

圖1 電力巡檢機器人三維模型

電力巡檢機器人對于方向的感知十分重要，一旦機器人的方向感知能力降低，會導致電力巡檢機器人的巡檢路線偏離正規(guī)的巡檢路線，可能會與其他電子系統(tǒng)的巡檢障礙物或者設備相互碰撞，造成電力巡檢失誤。為了解決以上問題，文中利用運動模型和地勢強度建立電力巡檢機器人路線三維模型，使電力機器人重心的感知角度最佳，為此，文中選擇電力機器人質心作為模型的中心原點，電力巡檢機器人二維坐標系示意圖如圖2 所示。

圖2 電力巡檢機器人三維模型坐標系

模擬電力巡檢機器運動行為，首先設定巡檢機器人的4 個驅動輪的方向向量為P，然后結合實時環(huán)境狀態(tài)，首先計算出機器人在巡檢范圍內的相對位置，計算公式如下所示：

其中，PB表示機器人巡檢起始位置；x(t)表示巡檢機器人X軸的方向導向系數(shù)；y(t)表示巡檢機器人Y軸的方向導向系數(shù)；L表示巡檢機器人驅動輪的半徑；∏表示電力巡檢機器人的坐標；Q表示巡檢機器人運行的自由度；Pn表示巡檢機器人驅動輪的運動方向向量。Wx和Wy分別表示電力巡檢機器人路線三維模型的X軸和Y軸的權重矩陣[5-8]。

電力巡檢機器人在巡檢過程中會進行基本的巡檢行為操作，比如直行、拐彎、倒退、平移、轉圈，為了提高電力巡檢機器人運行的平滑性，文中利用合力平衡定理，在機器人巡檢過程中，對機器人巡檢運動行為進行制約。電力巡檢機器人轉圈運動路線規(guī)劃示意圖如圖3 所示，公式如下所示：

圖3 電力巡檢機器人轉圈路線示意圖

其中，f7表示電力巡檢機器人運動的斥力；F表示電力巡檢機器人運動的合力；Fx2、Fy2分別表示電力巡檢機器人運動在X軸和Y軸的運動分量；ε表示機器人運動平衡系數(shù)[9-10]。

2 機器人避障路徑規(guī)劃

機器學習技術被廣泛地應用于家庭服務、工業(yè)指導、軍事作業(yè)等多個領域，機器學習分為單機機器學習技術和多機機器學習技術兩種類型，根據(jù)機器學習面向對象的難度，選擇最佳的機器學習方法。單機機器學習技術相對于多機機器學習技術的應用范圍少，根據(jù)文中設計的電力巡檢機器人避障路徑規(guī)劃方法，文中選擇多機機器學習技術，該技術通過對環(huán)境的學習可以完成靜態(tài)和動態(tài)兩種不同路徑的規(guī)劃，并且在路徑規(guī)劃過程中具有自我校驗的流程，避免規(guī)劃路徑存在冗余問題[11-12]。

電力巡檢機器人確定好自身存在的位置，根據(jù)控制中心發(fā)送的巡檢任務，規(guī)劃電力巡檢機器人需要巡檢的具體路徑。規(guī)劃過程中利用斥力函數(shù)確定巡檢的有效范圍，通過人工勢場的方法將巡檢范圍內存在的障礙物進行標記[13-14]。障礙物標記的原理是存在障礙物位置的人工勢場結合實時環(huán)境的場強，會向外發(fā)散出一個斥力，斥力影響巡檢目標對巡檢機器人路線的引力，電力巡檢機器人則通過引力的大小判斷巡檢障礙物的具體位置。斥力函數(shù)如下所示：

其中，Ut表示斥力函數(shù)；O表示巡檢機器人與障礙物的相對距離；k1表示系數(shù)。

電力巡檢機器人識別到巡檢的有效范圍和巡檢障礙物后，可以初次完成電力巡檢機器人避障路線的規(guī)劃，此次路線規(guī)劃將存在障礙物的可巡檢路線舍去，但是如果全部路線都存在障礙物，那么就要啟動電力巡檢機器人的避障功能。文中通過DWA 滑動窗口方法，驅使電力巡檢機器人在運行過程中避開障礙物，穩(wěn)定地完成巡檢工作，避障運動行為生成公式如下所示：

其中，y(h) 表示電力巡檢機器人避障指令；Vb表示電力巡檢機器人的角速度；Vs表示電力巡檢機器人運動的線速度；Va表示電力巡檢機器人運動的加速度；Δt表示巡檢機器人巡檢周期；αdpath表示巡檢機器人與障礙物的最短距離；βdgoal表示從軌跡終點到局部目標的距離；γdobstcle表示電力巡檢機器人運行軌跡的最大障礙代價[15-16]。

利用模糊支持向量模型設定路徑規(guī)劃約束，根據(jù)文中研究目標，設定路徑規(guī)劃約束為巡檢范圍最大和巡檢路徑最短，可以提高電力巡檢機器人避障路線規(guī)劃的效率。約束條件的公式如下所示：

其中，D表示約束條件模型；c1、c2表示模糊支持向量機模型上界和下界決策函數(shù)的均值；ai表示模糊控制算法的隸屬度；minL表示巡檢最小路徑；f(k)表示電力巡檢機器人巡檢概率核函數(shù)，其他未知數(shù)的意義同上。

最終調用機器學習技術、巡檢規(guī)劃路徑約束條件、避障運動行為指令，完成電力機器人巡檢行走路徑規(guī)劃，規(guī)劃公式如下所示：

其中，s(t) 表示電力巡檢機器人的巡檢路徑；Q(x,y,z)表示巡檢行為分類的特征向量；μ表示路徑規(guī)劃系數(shù)；ω表示高維特征空間向量的內積；f(x,y,z)表示路徑優(yōu)化的損失函數(shù)。電力巡檢機器人路徑選擇示意圖如圖4 所示。

圖4 電力巡檢機器人路徑選取示意圖

3 仿真實驗分析

通過以上分析與設計，完成了基于機器學習的電力巡檢機器人避障路徑規(guī)劃方法的設計，為了檢驗該方法的工作性能，文中借助基于GPS 導航技術的電力巡檢機器人避障路徑規(guī)劃方法（傳統(tǒng)方法1）和基于無載波通信技術的電力巡檢機器人避障路徑規(guī)劃方法（傳統(tǒng)方法2）共同完成對比實驗測試，保證測試的科學性。為了提高測試結果的可信度和可分析性，文中測試的巡檢機器人都是型號為HKD09 系列的巡檢機器人，該系列巡檢機器人的驅動器、電機以及其他配件的功能是最佳的，不會導致實驗因為巡檢機器人而終止。實驗測試機器人行走的路線包括直行、拐彎、轉圈、倒退、平移5 項基本巡檢動作，為了保證實驗測試的難度，文中設置的避障物分別為20 個基本障礙物和10 個復雜障礙物，隨機混合在巡檢機器人巡檢測試的路徑范圍內。實驗前，將3個巡檢機器人分別錄入3 個電力巡檢機器人避障路徑規(guī)劃方法，選擇同一時間，向電力巡檢機器人發(fā)送巡檢任務，然后開始試驗，當所有巡檢機器到達巡檢任務出口時，停止實驗測試，整理實驗場地和實驗數(shù)據(jù)，進行實驗數(shù)據(jù)分析。

巡檢機器人在實際場景下的軌跡圖如圖5所示。

圖5 巡檢機器人在實際場景下的軌跡圖

具體的巡檢機器人避開障礙物數(shù)量測試和巡檢機器人巡范圍測試結果如圖6、圖7 所示。

圖6 測試巡檢機器人避開障礙物數(shù)量的結果圖

圖7 測試巡檢機器人巡檢范圍結果圖

通過觀察圖6 中的實驗結果，可以直觀地觀察到，3 個電力巡檢機器人都可以對基本障礙物進行避讓，但是避障的數(shù)據(jù)不同，文中設計的基于機器學習的電力巡檢機器人避障路徑規(guī)劃方法可以成功避障8 個基本障礙物、4 個復雜障礙物；傳統(tǒng)方法1 可以避障4 個基本障礙物、兩個復雜障礙物；傳統(tǒng)方法2 可以成功避開8 個基本障礙兩個復雜障礙物。文中設計的基于機器學習的電力巡檢機器人避障路徑規(guī)劃方法成功地全部避開基本障礙物，主要的原因是基于模糊控制算法可以有效地保證機器人在巡檢過程中的行為波動不觸碰到障礙物，并且機器學習技術可以在路線規(guī)劃前，有效地檢測到巡檢范圍內的所有障礙物，減少巡檢機器人與障礙的碰撞。復雜障礙物的存在感知小、避障難度大，但是基于機器學習的電力巡檢機器人避障路徑規(guī)劃成功避開了80%的復雜障礙物，具有高性能的避讓功能。

通過觀察圖7 中的實驗結果，可以得到文中設計的電力巡檢機器人避障路徑規(guī)劃方法對于發(fā)布的巡檢任務巡檢有效范圍達到了100%，傳統(tǒng)避障路徑規(guī)劃方法1 的巡檢有效范圍為89%，傳統(tǒng)避障路徑規(guī)劃方法2 的巡檢有效范圍為93%。得到這一結果主要是因為文中建立的三維路徑規(guī)劃模型和地勢算法，保證了巡檢機器人的巡檢范圍。

綜上所述，文中設計的電力巡檢機器人避障路徑規(guī)劃方法的避障數(shù)量比傳統(tǒng)的方法避障數(shù)量多，并且巡檢效果好，可以實現(xiàn)無誤差的巡檢，具有較高的工作效率。

4 結束語

利用試驗測試證明了基于機器學習的電力巡檢機器人避障路徑規(guī)劃方法的避障性能和規(guī)劃功能的可行性。基于模糊控制算法從根本上提高了電力巡檢機器人避障路徑的方向辨認感知能力，并控制機器人在進行轉彎行為時，轉動誤差最小化。利用運動模型和勢場定理提高巡檢機器人對路徑的合理規(guī)劃能力，使得輸出的規(guī)劃路線避障物最少，巡檢有效范圍最廣。機器學習算法提高了電力巡檢機器人對于巡檢路徑規(guī)劃的自學習性和智能性，使得巡檢機器人可以達到安全巡檢的目的。相信通過文中的設計，可以提高電力巡檢機器人巡檢的工作效率，降低巡檢機器人碰撞電力事故的發(fā)生率，促進電力巡檢智能化發(fā)展。