基于改进蚁群算法的变电站巡检机器人路径规划研究

谢志文，汪 政，王 锐，周 原

(广东电网有限责任公司电力科学研究院，广东 广州 510080)

电网输电工作的正常运行需要开展变电站巡检工作。最常见变电站巡检工作是借助人力资源，该巡检方式消耗大量人力，人长期在变电站环境中开展巡检工作，经常受到电磁辐射与复杂环境侵害，对于人体健康危大[1-3]。随着科学技术的不断进步，机器人技术逐渐进入变电站巡检工作中，路径规划研究是机器人巡检工作中至关重要的一部分。

在机器人系统内部安装所需巡检的环境地图，目的地确定下来以后，机器人沿着算法规划完成的路径自主运行，在机器人内部安装超声传感器与光视觉传感器，以此检测出运行前方的静止障碍物或者运动障碍物[4-6]。有学者提出以生物认知作为基础的机器人路径规划方法[7]，该方法计算过程复杂，实现路径规划需要经过系统复杂计算，降低机器人反应时间；还有学者将离散灰狼算法作为基础规划机器人的巡检路径[8]，该方法由于路径规划以路径最短为目标，造成巡检过程中多次出现漏巡检的情况。

蚁群算法对蚂蚁寻找食物的过程进行模拟，提出多种假设形成一种智能模式[9-10]。为变电站机器人巡检规划更加合理的路径，提出了改进蚁群算法的变电站机器人巡检规划方法。

1 巡检机器人路径规划方法

1.1 巡检地图构建

变电站中机器人巡检地图通过栅格法被划分成众多小栅格，一个二值表示一个小栅格，最终使用二值表示全部栅格，由此实现全区域空间在地图上使用二值表示。实验开展时地图使用一个矩阵来表示，如果地图中某一个障碍物的位置出现变化，对某个二值做出调整就能重新获取地图结构[11-13]。地图构建完成以后才可以通过改进后的蚁群算法寻找最为安全、最为准确也是最短的巡检路径。

1.2 用于规划机器人巡检路径的改进蚁群算法

1.2.1 蚁群算法数学模型

使用式(1)表示t时刻下，某个蚂蚁从巡检点i至j的概率：

(1)

式中，τij(t)与dij={i，j=1，2，…，n}分别代表范围(i，j)上在时刻t时的信息素数量与从一个巡检点至另一个巡检点的距离；与分别表期望启发因子与信息素启发因子；在(i，j)上，ηij=1/dij表示启发函数，该启发函数也就是两个巡检点之间的期望度；AK与{C-tabUk}相等，其中tabUk等于{1，2，…，m}，同时tabUk也代表第k个蚂蚁的禁忌表，该表用来统计第k个蚂蚁经过的巡检点。

正常情况下蚂蚁遗留的信息素存在挥发现象，外界环境也会对蚂蚁行进造成路线影响，对这些因素综合考虑，信息素挥发情况设定ρ表示，1-ρ为经过挥发后信息素剩余量。蚂蚁遍历一次巡视后，重新更新巡视路径上的信息素：

(2)

2.2.2 改进蚁群算法

(1)构建转角启发因子。把方向系数ε引入到基础蚁群算法中，由此使得途径选择指向性得以提升，避免机器人转弯角度太大导致路径搜索时间浪费。设定图1表示t时刻路径搜索时机器人状态。

图1 路径搜索原理Fig.1 Principle of path search

机器人巡检过程中依次经过巡检点1-4，如果机器人行进从巡检点1到巡检点2，巡检点3和下一个巡检路径的起点，巡检点4是下一个巡检路径的终点，当机器人巡检到巡检点2时，和x轴之间形成一个角度，称为φ1，当机器人巡检到巡检点3时，和x轴之间形成一个角度，称为φ2。从图1中能够看出，机器人巡检的方向越接近终点越大，由此获得转角启发因子：

(3)

(2) 启发函数改进。前文中所阐述的蚁群算法并没有对当前巡检点与目标巡检点之间的距离加以考虑，这一欠缺导致蚁群算法的搜索效率被降低。所以本文改进方法中引进A*算法中的估价函数，使得算法在计算过程中如果遇到自锁情况可以自动跳出[14]。使用A*算法能够将路径中当前巡检点与目标巡检点代价估计出来，开展选择，使得搜索范围降低，由此确保搜索效率的提升[15]。式(4)为估计函数：

f(n)=g(n)+h(n)

(4)

式中，g(n)与h(n_)分别表示实际代价与估计代价，二者又分别是巡检起点与当前巡检点距离以及下个巡检点至目标巡检点之间的距离。

改进启发函数为：

(5)

式中，dij相当于g(n)，也是巡检起点与当前巡检点的距离，djE相当于h(n)，也是当前巡检点与目标巡检点的距离。

(3)改进信息素挥发因子。上文所研究的基础蚁群算法原理中，以固定值确定信息素，这种信息素内容确定方式比较单一，不适合路径巡检过程中分配信息素，这种情况下，巡检初期由于信息素较少，蚂蚁搜索时盲目性过高，巡检后期大量信息素积累，干扰选择信息素，所以这种固定值确定信息素不能搜索得到最优路径。通过这些分析，本文对信息素挥发因子加以改进，确保信息素挥发因子符合拉普拉斯概率密度函数变化：

(6)

式中，b与μ分别表示尺度与位置的参数，如果μ与ρ相等，选取最大值作为取值。

根据拉普拉斯概率分布研究分析获悉，路线规划之初选取比较小的信息素因子，积累下一定量的信息素，使得蚂蚁搜索路径时提升导向性；路线规划中期增大挥发因子，使得蚁群算法的迭代速率得到提升；路线规划末期，降低信息素挥发因子，使得算法收敛速度加快。经过改进后的蚁群算法，在时刻下某个蚂蚁从巡视点i至j的概率使用式(7)表示：

(7)

(4) 算法流程。改进蚁群算法的改进蚁群算法变电站巡检机器人路径规划流程如图2所示。

图2 改进蚁群算法计算流程Fig.2 Calculation process of improved ant colony algorithm

改进蚁群算法变电站巡检机器人路径规划步骤如下：①利用栅格法构建环境地图；②将算法参数设定下来，确定巡检的起始位置与巡检终点位置；③在巡检起点位置放置一只蚂蚁，开始寻找巡检路线；④通过概率公式确定蚂蚁行进的下一个巡检点；⑤对全部蚂蚁位置开展判断，判定每只蚂蚁是否都到达巡检终点，如果全部蚂蚁已经到达巡检终点就仅需下一步计算，如果没有到达巡检终点就继续返回上一步；⑥依据改进后的信息素更新准则，更新信息素；⑦将各个蚂蚁的路径长度保存下来，对当下蚂蚁最优路径加以选择并且对比曾经获取的最优路径，得到全局最优解；⑧判定迭代是否达到次数，如果已经多达迭代次数就将最优解输出，如果没有到达迭代次数就重新返回到步骤③，重新寻找路线。

3 具体应用实例分析

3.1 应用对象

以某市大型变电站为例，使用本文方法规划巡检机器人的行进路线，同时寻找出机器人巡检的最优路径。使用平面坐标系把该变电站布局与巡检点标记出来，平面效果如图3所示。

图3 变电站平面效果及巡检点分布Fig.3 Layout of substation plan and inspection point

在该变电站中机器人巡检的起点是充电室，对变电站中的20个巡检点开展巡检，针对各个巡检点，巡检机器人每次只巡检一次，待遍历全部巡检点后，巡检机器人重新回到充电室之内。

3.2 相关参数设置

实验过程中需要先确定改进蚁群算法数，这些参数包含4组，分别分为：信息素重要程度、信息素蒸发系数、启发因子重要程度、信息素增加强度系数，分析最小路径长度与迭代次数时，改变任意值但是确保有一个值不变，参数计算结果如图4所示。在图4中，只对改进蚁群算法每组参数中最优代表性的一组开展实验分析，只改变单一变量，获得最优参数，经过各组实验中曲线波动收敛情况与最终获得的最优路径计算结果，确定各参数分别为1.0、8.0、0.4、1.0时路径寻优效果较为理性，所以后续机器人巡检路线规划可以使用这4个参数。

图4 参数选择对迭代最短路径影响Fig.4 Influence of parameter selection on shortest path of iteration

3.3 结果与分析

使用栅格法针对图3中的变电站平面图构建变电站巡检栅格图，图中的自由区域与设备分布导致的障碍区域利用二值表示，改进蚁群算法规划的机器人巡检路线如图5所示。

图5 机器人巡检路线规划Fig.5 Robot inspection route planning

在图5中，使用本文改进的蚁群算法规划路径后机器人在巡检过程中能够避开变电站环境中的障碍物，利用算法中蚂蚁开辟的全新道路，获得更加直接平滑的巡检路线，加快机器人巡检速度，这也直接证明经过改进的蚁群算法具有较强的搜索能力。

4 结语

研究改进蚁群算法的变电站巡检机器人路径规划方法，在基础蚁群算法的基础上引入启发因子，使得选择路径时具有较高的指向性，降低路径搜索时间，避免出现机器人转弯角过大的情况；在蚁群算法的基础上结合A*算法，使得启发函数得到改进，对多个巡检点之间的距离加以考虑，进一步提升路径规划效率；使用拉普拉变化信息素挥发策略，使得蚁群算法的迭代速率得到提升。以实际变电站为实验对象开展试验，证明本文方法在规划机器人巡检路线时具有较高的巡检效率与较短的巡检时间，适合推广使用。