基于灰狼算法的厂房巡检机器人路径规划

宁旭成 张 倩 王续红

（1.天津城建大学，天津 300384；2.天津市立维科石油技术服务有限公司，天津 300272）

0 引言

近年来，我国各行各业的不断发展使相关工作流程得到了完善，其中巡检岗位是一个不可或缺的职位，尤其是在电厂、燃气厂房和煤矿等危险领域中的工作，更不能缺少巡检岗位。传统的巡检工作是通过工人不定时地对每台机器或地点进行检查来完成工作，这不仅会耗费大量的人力和物力资源，而且在危险环境和特殊天气下，工人也会面临一定的危险以及存在检查不到位的顾虑。因此智能巡检机器人的诞生就很好地解决了巡检工作存在投入人力大、成本高、效率低、巡检结果不可靠以及巡检人员面临一定危险的问题。巡检机器人的运行只与电量以及其本身质量有关，不会受到危险环境和特殊天气的影响，且巡检机器人的灵活性使它不受时间和地点的限制。相对于人工巡检来说，将重要、复杂以及重复的巡检任务交给巡检机器人，可以极大地降低成本，提升巡检过程的效率和可靠性。巡检机器人在厂房环境下工作需要具备一定的条件，需要根据厂房的特殊环境对机器人进行设计和路径规划，例如燃气管道厂房中存在因气体泄露而造成的易燃易爆、中毒和燃气管道内压力超标等一系列危险，因此，使用巡检机器人可以更好地保障财产和人员的安全。

1 巡检机器人路径规划

路径规划[1-2]作为巡检机器人研究中的重要领域，对机器人的运动有不可或缺的作用。路径规划是指巡检机器人按照某些特定约束搜索一条从起始点到目标点的最优或次优路径。因此路径规划的研究也就是在可以到达目标点的前提下，满足相关约束，例如满足耗费时间最短、路程最短和耗费能量最少等约束，进而达到高效率、高精度以及低消耗的目的[3]。为达到这一目的，巡检机器人的路径规划研究一般分为3个步骤：1） 环境建模 。2） 使用优化算法规划出一条满足要求的路径 。3） 对已规划化的路径进行处理（例如对路径进行平滑处理，减少拐弯次数）。

2 灰狼优化算法

灰狼算法[4]是2014年Mirjalili 团队基于灰狼群体捕食过程提出的一种新型仿生智能算法，灰狼算法具有结构简单、调节参数小、容易实现以及存在能够自适应调整的收敛因子的优点，广泛应用于机器人、无人机和工业控制等行业。该文对灰狼算法适应度函数进行调整，将其应用于燃气管道厂房巡检机器人的路径规划中，使燃气管道厂房所需要的巡检机器人具有更高的安全性、快速性和准确性。

灰狼算法的基本思想为初始化狼群后，选取适应度最好的3匹狼作为头狼，分别定义为α、β和δ，其余狼群ω在头狼的带领下根据它们与猎物的距离更新自己的位置，进而围捕猎物，猎物的位置代表最优解。灰狼算法主要通过搜索猎物、包围猎物以及进攻猎物来建立数学模型[4-5]。

灰狼包围猎物的数学模型如公式（1）、公式（2）所示。

式中：t为迭代次数；为 灰狼与猎物之间的长度向量；（t）为当前猎物的位置向量；（t）为当前灰狼的位置向量；X（t+1）为灰狼个体更新后的位置向量；和为系数向量。

公式（1）和公式（2）分别表示灰狼与猎物之间的距离和灰狼个体的位置更新。

系数向量的计算如公式（3）、公式（4）所示。

式中：tmax为最大迭代次数，公式（5）中，从2到0线性递减。

灰狼在捕食过程中，逐渐靠近猎物并包围猎物，最后对猎物发起进攻，其数学模型随着不断地迭代，所有初始解也不断地向最优解靠近，最终得到最优解，即最优解为头狼α，第二解和第三解分别为β狼和δ狼。图1为灰狼算法中灰狼个体的位置更新图[6]。

图1 灰狼算法灰狼位置更新图

灰狼算法中进攻猎物的数学模型如公式（6）所示。

灰狼ω的更新过程如公式（7）、公式（8）所示。

公式（7）和公式（8）分别表示灰狼个体ω的位置更新和灰狼个体最终的移动位置。

灰狼算法的基本计算步骤如下：1） 初始化狼的种群数量N、收敛因子以及向量系数和。2） 计算每个灰狼的适应度，保存适应度最好的三匹狼为α、β和δ。3） 根据公式更新灰狼的位置以及参数和。4） 计算灰狼个体的适应度并更新三匹头狼的适应度和位置。5） 判断是否达到最大迭代次数，达到最大迭代次数后输出头狼α的位置为最优解，否则返回第3步继续计算。

3 灰狼算法在厂房路径规划中的应用仿真

3.1 适应度函数

灰狼群体的头狼α、β和δ是由适应度的大小而决定的，即适应度越高，灰狼与猎物的位置越近。因此选择路径的长短作为评价适应度大小的标准，路径越短，其适应度越高，如公式（9）、公式（10）所示。

式中：L为起点到终点路径的总长度，即为适应度函数，起点为左上角（坐标为（1，1）），终点为右下角（坐标为（c，c），c为栅格地图的行列数；L（s）为起点到第一个节点的距离；L（f）为最后一个节点到终点的距离；L（i）为中间其余节点之间的距离；x（i）为除去第一个节点和最后一个节点的其余节点，i∈，（2，c-2）；x（1）为路径的第一个节点；x（end）为路径的最后一个节点；x（i-1）为节点x（i）的上一个节点。

3.2 灰狼算法Matlab仿真

该仿真是在2018（a）版Matlab软件上进行的，首先建立10×10、15×15以及20×20的栅格地图来模拟燃气管道厂房的环境，用黑色格子模拟障碍物和燃气管道，左上角为起点，其坐标是为（1，1），右下角为终点，其坐标为（c，c），c为栅格地图的行列数，节点线段的和表示最终计算所得的路径。栅格地图10×10分别用不同障碍物进行路径规划的模拟（如图2所示）；栅格地图15×15分别用不同障碍物进行路径规划的模拟（如图3所示）；栅格地图20×20分别用不同障碍物进行路径规划的模拟（如图4所示）。

图2 在栅格10×10地图下计算所得路径

图3 栅格15×15地图下计算所得路径

图4 栅格20×20地图下计算所得路径

分别建立大小不同的栅格地图和不同障碍物的栅格地图，通过Matlab路径仿真图发现使用灰狼算法可以得到一条最优路径，通过表1可以发现不管地图的大小和路径的长短，灰狼算法计算路径所用时间都很短且很稳定，可以很好地满足厂房巡检机器人的要求。

表1 不同地图下计算路径所用时间和路径大小

4 结论

该文主要讨论了巡检机器人的路径规划研究，针对厂房巡检机器人应该满足快速性、准确性和安全性的特点，引入灰狼算法进行路径规划，并使用Matlab进行仿真实验，在地图大小和障碍物数量不同的情况下，发现用灰狼算法得到的路径的准确性和快速性都很好，可以有效地满足厂房巡检机器人的要求。

巡检机器人的路径规划过程主要为建立所需要的环境地图，根据地图建立满足要求的目标函数，进而通过优化算法得到一条最优路径。路径规划的主要研究还是优化算法的使用，而算法的使用就存在一些缺陷，例如算法收敛性差、容易陷入局部最优、实时运算速度慢以及搜索效率低等，因此未来对算法性能的提升将是一种提高巡检机器人路径规划精度的有效方法。