基于膜計算的煤礦井下機器人路徑規(guī)劃算法

黃友銳， 李靜， 韓濤， 徐善永

(安徽理工大學 電氣與信息工程學院，安徽 淮南 232001)

0 引言

煤礦井下空間狹小，環(huán)境惡劣，危險性大，對煤炭自動化采掘和運輸提出了巨大挑戰(zhàn)[1]。使用機器人進行煤礦井下生產(chǎn)和運輸工作，可最大程度地減少傷亡事故。隨著研究不斷深入，機器人將被應用于煤礦井下探測、開采、運輸、救援等工作[2]，而要實現(xiàn)這些應用，機器人需能夠在井下復雜環(huán)境中規(guī)劃出合理、高效的可行路徑。因此，路徑規(guī)劃成為煤礦機器人研究的重點之一。

路徑規(guī)劃的基本任務是尋找一條從起始點到目標點的可行路徑[3]，要求過程簡單、用時少、尋找到的路徑無碰撞且距離短等。路徑規(guī)劃算法一般分為基于柵格的路徑規(guī)劃算法和基于采樣的路徑規(guī)劃算法[4]?；跂鸥竦穆窂揭?guī)劃算法包括Dijkstra及其改進算法等[5-7]，這類算法具有過程簡單、實時性好的優(yōu)點，但路徑規(guī)劃效果過度依賴于劃分地圖柵格時所采用的分辨率?；诓蓸拥穆窂揭?guī)劃算法不需要對環(huán)境進行離散化或?qū)φ系K物進行公式化處理，為路徑規(guī)劃提供了新思路?；陔S機采樣的快速擴展隨機樹(Rapidly-exploring Random Tree，RRT)近年來受到了極大的關注與重視[8-10]，RRT算法具有建模快、搜索能力強的優(yōu)點。文獻[11]提出了具有漸進最優(yōu)性的RRT*算法，解決了RRT算法無法收斂至最優(yōu)路徑的問題。針對RRT*算法采樣范圍過大、效率低的問題，文獻[12]提出了Informed RRT*算法，在路徑優(yōu)化過程中的采樣區(qū)域為橢圓形，相比于RRT*算法對整個空間進行搜索來講，縮小了采樣空間，加快了收斂速度。但基于采樣的路徑規(guī)劃算法采用隨機采樣、固定步長增長樹的方式生成路徑，規(guī)劃時間長、效率低。

為了加快路徑規(guī)劃速度，研究者們提出了多種算法融合的路徑規(guī)劃方法，如A*與RRT融合[13]、人工勢場與RRT融合[14]、貪婪策略與RRT*融合[15]、三角不等式與RRT*融合(PQ-RRT*)[16]、啟發(fā)式偏差與RRT*融合[17]等。這些融合算法優(yōu)化了全局最優(yōu)解的搜索過程，加快了搜索速度，但仍都采用固定步長和串行計算的規(guī)劃方式，在一些復雜環(huán)境中，尤其是煤礦井下狹小空間環(huán)境中，容易產(chǎn)生路徑規(guī)劃失敗、規(guī)劃速度慢、規(guī)劃路徑不合理等問題。

膜計算(Membrane Computing，MC)是一種通過編寫規(guī)則處理類細胞或類組織中多個對象的分布式并行計算仿生模型。多個基本膜同時獨立進行規(guī)則更新，使得MC具有很強的分布式和并行性計算特點，在處理工程優(yōu)化問題上具有獨特優(yōu)勢。因此，本文利用MC改進Informed RRT*算法，提出了一種基于MC的煤礦井下機器人路徑規(guī)劃算法，即基于MC的Informed RRT*(MC-IRRT*)算法。該算法充分利用了多核計算機的并發(fā)計算能力，使細胞型膜結(jié)構(gòu)中的多個基本膜能并行工作(不同步長、多采樣點)，既可以在大空間區(qū)域進行大步長快速搜索，也可以在小空間區(qū)域進行小步長精細搜索，擴大了采樣范圍，在控制搜索時間的前提下，增強了路徑優(yōu)化能力，特別適用于煤礦井下狹長空間的特殊環(huán)境。

1 MC和Informed RRT*算法

1.1 MC

圖1 細胞型膜系統(tǒng)結(jié)構(gòu)

MC的核心思想是在多個基本膜內(nèi)根據(jù)各自規(guī)則同時更新對象，并將更新結(jié)果輸送到表層膜，表層膜再根據(jù)自己的規(guī)則進行計算和更新，并輸出最終結(jié)果。

1.2 Informed RRT*算法

Informed RRT*算法是一種基于采樣的路徑規(guī)劃算法，算法分為2個階段：第1階段，采用RRT算法在整個地圖中隨機采樣，并用固定步長增長樹的方式快速尋找到一條從起始點到目標點的可行路徑；第2階段，根據(jù)已經(jīng)獲取的可行路徑，在1個特定的橢圓區(qū)域內(nèi)采樣，獲取新的可行路徑，不斷優(yōu)化找到的可行路徑，最終找到一條最短的可行路徑作為路徑規(guī)劃結(jié)果。

Informed RRT*算法路徑優(yōu)化過程中的采樣區(qū)域為橢圓形，其搜索過程如圖2所示。

圖2 Informed RRT*算法搜索過程

與RRT*算法相比，Informed RRT*算法的采樣空間不斷縮小，其收斂速度也相應加快，搜索效率提升。但Informed RRT*算法的第1階段是以固定步長不斷獲取路徑點，生成可行路徑，若步長過大，則不能尋找到較窄路徑；若步長較小，則搜索速度變慢。第2階段則以串行方式搜索路徑并進行比較后才能確定最優(yōu)路徑，效率較低。

2 MC-IRRT*算法

2.1 算法總體結(jié)構(gòu)

MC-IRRT*算法的總體結(jié)構(gòu)如圖3所示。

圖3 MC-IRRT*算法總體結(jié)構(gòu)

MC-IRRT*算法主要包括快速連通和路徑尋優(yōu)2個階段。在快速連通階段，構(gòu)建具有多個步長的細胞型膜結(jié)構(gòu)，多個基本膜分別以不同的步長進行搜索，在表層膜中進行篩選優(yōu)化，不斷迭代，最終找到一條從起始點到目標點的可行路徑。在路徑尋優(yōu)階段，構(gòu)建具有多采樣點的細胞型膜結(jié)構(gòu)，多個基本膜分別生成多個不同采樣點，不斷搜索更優(yōu)路徑，最終找到最短可行路徑。

2.2 快速連通階段

MC-IRRT*算法快速連通階段構(gòu)建的多步長膜結(jié)構(gòu)如圖4所示。

圖4 多步長膜結(jié)構(gòu)

多步長并行膜結(jié)構(gòu)可描述為

Π=(V,T,u,w0,w1,…,wm,R0,R1,…,Rm)

(1)

(2)

u=[0[1]1,…,[j]j,…,[m]m]0

(3)

w0={Map,P0,PT,K,ν,i,Ltarget}

(4)

(5)

式中：V為系統(tǒng)中所有元素的集合；T為輸出對象的集合,T?V；u為膜系統(tǒng)，含有m個基本膜和1個表層膜(表層膜0)；wj表示膜系統(tǒng)u中基本膜j內(nèi)包含的字符對象；Rj為基本膜j的運行規(guī)則；Map為區(qū)域地圖信息；P0，PT分別為起始點位置坐標和目標點位置坐標；K為迭代次數(shù)；ν為路徑點集合；i為當前迭代次數(shù)；Pnow為當前路徑點集合；S為采用步長集合；Pth為隨機采樣概率閾值集合；Psmp為采樣點集合；Pnew為新路徑點集合；Prand為隨機采樣點集合；Ltarget為新路徑點到達目標點的距離閾值；[j]表示基本膜j中對應的粒子對象。

基本膜j的運行規(guī)則：① 在區(qū)域地圖Map中隨機采樣1個點Prand[j]，比較該點與隨機采樣概率閾值的大小。如果Prand[j]≥Pth[j]，則基本膜內(nèi)采樣點就是Prand[j]；如果Prand[j]

表層膜0的運行規(guī)則：分別計算m個基本膜輸出的新節(jié)點Pnew[j]與目標點PT之間的距離L[j]，并選取最小值。

(6)

Lmin=minL[j]

(7)

將距離PT最近的節(jié)點作為新的路徑點加入到路徑點集合ν中，再將該節(jié)點作為當前迭代次數(shù)尋找到的路徑點，重新同時輸入到m個基本膜中，不斷迭代循環(huán)，直至找到目標點。當滿足以下條件時認為目標點被找到。

(8)

式中Lnow為當前路徑點與目標點的距離。

判斷Lnow是否在閾值范圍內(nèi)，如果Lnow≤Ltarget，說明尋找的路徑已經(jīng)到達目標點，將輸出的所有路徑點按順序連接起來，即可得到一條起始點到目標點的可行路徑。如果Lnow>Ltarget，說明此時找到的路徑點不是目標點，進行下一次迭代循環(huán)，直到滿足最大迭代次數(shù)為止。

快速連通階段工作流程如圖5所示。

圖5 快速連通階段工作流程

(1)設置表層膜0的當前路徑點Pnow=P0，當前迭代次數(shù)i=1，路徑點集合ν={P0}。

(2)將當前路徑點Pnow復制到m個基本膜內(nèi),同時進行基本膜計算，得到m個新路徑點Pnew[j]，將其輸出到表層膜0中。

(3)表層膜0分別計算每個新路徑點與目標點之間的距離，獲取距離最小值對應的新路徑點，將其作為當前迭代次數(shù)尋找到的路徑點放入到路徑點集合ν中。

(4)計算當前路徑點與目標點的距離，判斷是否到達目標點，到達則跳轉(zhuǎn)到步驟(6)，否則跳轉(zhuǎn)到步驟(5)。

(5)判斷迭代次數(shù)是否完成，即i是否等于K，若是，則認為迭代完成，跳轉(zhuǎn)到步驟(6)；否則，令i=i+1，跳轉(zhuǎn)到步驟(2)。

(6)快速連通結(jié)束，輸出路徑點集合ν，按順序連接路徑點集合中所有路徑點，作為尋找到的起始點到目標點的一條可行路徑。

快速連通階段采用多步長膜結(jié)構(gòu)，能夠根據(jù)空間區(qū)域的大小來調(diào)整步長。在可行空間較大的區(qū)域采用大步長搜索，加快搜索速度，而在狹小的空間使用小步長搜索，使搜索空間更加精細，提高狹小空間路徑搜索成功率，保證煤礦機器人在煤礦復雜多變的環(huán)境中安全高效行駛。

2.3 路徑尋優(yōu)階段

路徑尋優(yōu)階段的主要目的是基于快速連通階段已經(jīng)找到的一條可行路徑，進行最短路徑優(yōu)化，從而尋找出從起始點到目標點之間的最短可行路徑。將MC的并行性和高效性與Informed RRT*算法相結(jié)合，在第1階段尋找到一條從起始點到目標點的可行路徑后，形成1個橢圓采樣區(qū)，然后通過構(gòu)建多采樣點膜結(jié)構(gòu)，讓m個基本膜同時在橢圓區(qū)域內(nèi)并行搜索最短可行路徑。

構(gòu)建多采樣點并行膜結(jié)構(gòu)，如圖6所示。

圖6 多采樣點并行膜結(jié)構(gòu)

多采樣點并行膜結(jié)構(gòu)可描述為

(9)

(10)

u′=[0[1]1,…,[j]j,…,[m]m]0

(11)

(12)

(13)

表層膜0的運行規(guī)則：表層膜0根據(jù)Map，P0，PT和當前路徑長度形成1個橢圓形采樣區(qū)域M，如圖7所示。橢圓的2個焦點為P0和PT，2個焦點之間的距離為Cfocus，當前路徑長度為橢圓的長軸Clong，Cshort為橢圓的短軸，具體計算公式為

圖7 采樣橢圓

(14)

Pi∈ν′

(15)

(16)

路徑尋優(yōu)過程：

(1)將尋優(yōu)路徑點集合ν′[0]設置為快速連通階段找到的路徑點集合ν，即ν′=ν，當前迭代次數(shù)i[0]=1。

(2)表層膜0根據(jù)區(qū)域地圖信息、起始點、目標點和尋優(yōu)路徑點集合形成1個橢圓形區(qū)域作為隨機采樣區(qū)M，并輸入到所有基本膜中。

(3)m個基本膜分別同時按照Informed RRT*橢圓區(qū)域?qū)?yōu)過程進行計算，并將得到的路徑點集合ν′[j]輸出到表層膜0。

(4)表層膜0分別計算當前路徑點集合ν′[0]和ν′[j]內(nèi)路徑點距離之和，選取最小值對應的路徑點集合作為新的最短路徑點集合,即ν′[0]=min{ν′[0],ν′[j]}。

(5)判斷迭代是否完成，即i[0]是否為N[0]，若是，則認為迭代完成，跳轉(zhuǎn)到步驟(6)；否則，令i[0]=i[0]+1，跳轉(zhuǎn)到步驟(2)。

(6)最短路徑優(yōu)化結(jié)束，輸出ν′[0]，即起始點到目標點的最優(yōu)可行路徑。

路徑尋優(yōu)流程如圖8所示。

圖8 路徑尋優(yōu)流程

路徑尋優(yōu)階段的優(yōu)點是采用了多采樣點膜結(jié)構(gòu)，通過m個基本膜的并行計算，能夠同時在多個橢圓區(qū)域內(nèi)并行搜索最短可行路徑，節(jié)省了時間，提高了路徑優(yōu)化效率，可在最短時間內(nèi)找到一條起始點到目標點的最優(yōu)路徑，大大增強了機器人路徑規(guī)劃的實時性，提高了機器人的行駛效率，為機器人在煤礦井下自主安全行駛提供了基礎保證。

3 實驗分析

3.1 實驗條件

為了驗證所提算法的有效性，在不同場景進行對比實驗。實驗硬件系統(tǒng)為Intel(R)Core(TM)i5-7500 CPU@3.80 GHz，內(nèi)存為(RAM)16 GB，軟件采用Python 3.6編程。實驗分為2個場景，如圖9所示，場景1為簡單環(huán)境，地圖大小設置為20 m×20 m，圖中x,y分別為地圖的橫坐標和縱坐標,黑色代表障礙物，不能通行，白色區(qū)域為可行區(qū)域，環(huán)境布置時盡量在起始點和目標點之間的路徑與周圍障礙物之間留下狹小的空間，主要分析改進算法2個階段的運行性能。煤礦井下空間狹小，加上大型生產(chǎn)設備，很容易出現(xiàn)連續(xù)狹小的極端環(huán)境，為了模擬煤礦井下環(huán)境，設計了場景2，地圖大小為22.5 m×22.5 m，黑色障礙物中間只留了距離為2 m的可通行區(qū)域，且連續(xù)設置3個可行區(qū)域不在一條直線的障礙物，以測試苛刻環(huán)境下的路徑規(guī)劃效果。場景1和場景2的起始點分別為(0,0)和(2.5 m,2.5 m)，目標點都為(15 m,12 m)。

(a)場景1

3.2 簡單場景實驗

在場景1中，使用MC-IRRT*算法和InformedRRT*算法進行對比實驗，測試MC-IRRT*算法的特性。在快速連通階段，考慮到采用的CPU為四核，設置多步長膜結(jié)構(gòu)為1個表層膜(表層膜0)、3個基本膜(基本膜1、基本膜2和基本膜3)，3個基本膜的步長分別設置為0.5,2.5和5，Informed RRT*算法在步長為0.5和2.5的條件下運行，算法最大迭代次數(shù)為200。2種算法的實驗結(jié)果如圖10所示。

圖10 快速連通階段實驗結(jié)果對比

由圖10(a)可知，Informed RRT*算法在步長為0.5時運行了170次，規(guī)劃出一條可行路徑，可以成功搜索到一條起始點到目標點的路徑，但由于步長很小，需要多次迭代才能最終找到可行路徑。由圖10(b)可知，增大步長后Informed RRT*算法沒能到達目標點，快速連通失敗，由于步長較大，很難搜索到較狹小的可行空間，最大迭代次數(shù)200次運行結(jié)束后，也很難找到一條可行路徑。由圖10(c)可看出，由于改進算法在此階段采用了多步長并行膜結(jié)構(gòu)，在狹小區(qū)域選擇小步長，能夠順利搜索到可行路徑，在較大可行空間選擇大步長，可以加快搜索速度，因此，在迭代40次之后便成功搜索到了一條從起始點到目標點的可行路徑。相比于Informed RRT*算法，MC-IRRT*算法減少了130次迭代，搜索效率提高了76%。

在路徑尋優(yōu)階段，由2種算法得到的實驗結(jié)果如圖11所示。對比圖11(a)和圖11(b)可看出，在迭代次數(shù)相同的情況下，MC-IRRT*算法得到的路徑更短，這是因為其在路徑尋優(yōu)階段使用了多采樣點膜結(jié)構(gòu)，利用MC的并行性，3個基本膜同時進行采樣搜索，再與表層膜進行信息粒子交換。對比圖11(a)和圖11(c)可看出，在找到相同優(yōu)化路徑的條件下，Informed RRT*算法需要迭代200次，而MC-IRRT*算法只需要迭代120次，路徑尋優(yōu)搜索效率提高了40%。

(a)MC-IRRT*,迭代120次

3.3 復雜場景實驗

為了進一步驗證MC-IRRT*算法性能，選擇可通行路徑更加苛刻的場景2進行實驗，并與RRT*,Informed RRT*和PQ-RRT*算法進行對比，4種算法均設置迭代次數(shù)為3 000次，實驗結(jié)果如圖12所示。從圖12可看出：在迭代滿3 000次后，RRT*和Informed RRT*算法都無法找到一條從起始點到目標點的可行路徑；PQ-RRT*算法成功尋找到了可行路徑并有所優(yōu)化，但由于使用的是固定步長增長樹，尋找到的路徑不夠平滑；MC-IRRT*算法由于使用了多步長，不僅可以迅速通過較窄可行區(qū)域，而且在路徑轉(zhuǎn)折處可以選擇使用較小步長，使路徑更加平滑。

(a)RRT*

復雜場景具體實驗數(shù)據(jù)見表1。可以看出，PQ-RRT*算法和MC-IRRT*算法均能成功尋得可行路徑，PQ-RRT*算法平均用時17.05 s，而MC-IRRT*算法平均用時14.87 s，比PQ-RRT*算法少用了2.18 s，速率提高了12.79%。從尋到的平均路徑長度可以看出，MC-IRRT*算法規(guī)劃的路徑長度比PQ-IRRT*算法規(guī)劃的短8.18%。

表1 復雜場景具體實驗數(shù)據(jù)

4 結(jié)論

(1)提出了一種基于MC的煤礦井下機器人路徑規(guī)劃算法，將MC的并行性與Informed RRT*算法相結(jié)合，使用多步長并行計算，既可以使用大步長進行快速搜素，也可以采用小步長精細搜索，增加了在狹長空間中的搜索成功率，提高了搜索效率。使用多采樣點同時采樣搜索，在不大幅增加運行時間成本的前提下，擴展了采樣區(qū)域，提高了路徑優(yōu)化效率。

(2)簡單場景實驗結(jié)果表明，與Informed RRT*算法相比，MC-IRRT*算法在快速連通階段和路徑尋優(yōu)階段的搜索效率分別提高了76%，40%。復雜場景實驗結(jié)果表明：RRT*算法和Informed RRT*算法路徑規(guī)劃失敗，PQ-RRT*算法和MC-IRRT*算法均能成功尋得可行路徑；與PQ-RRT*算法相比，MC-IRRT*算法的速率提高了12.79%，規(guī)劃的路徑長度縮短了8.18%；MC-IRRT*算法不僅可以迅速通過較窄可行區(qū)域，而且在路徑轉(zhuǎn)折處可以選擇使用較小步長，使路徑更加平滑。

(3)MC-IRRT*算法充分利用了多核CPU的并行運算能力，極大提高了路徑規(guī)劃的效率和實時性，為煤礦井下特殊環(huán)境下機器人的自主行駛提供了可靠保證。