煤矿井下多旋翼飞行器避障控制方法研究

郭爱军, 王妙云, 马宏伟, 张旭辉, 薛旭升, 杜昱阳, 张超

郭爱军,王妙云,马宏伟,等. 煤矿井下多旋翼飞行器避障控制方法研究[J]. 工矿自动化,2022,48(12):93-100. DOI: 10.13272/j.issn.1671-251x.2022110020
引用本文: 郭爱军,王妙云,马宏伟,等. 煤矿井下多旋翼飞行器避障控制方法研究[J]. 工矿自动化,2022,48(12):93-100. DOI: 10.13272/j.issn.1671-251x.2022110020
GUO Aijun, WANG Miaoyun, MA Hongwei, et al. Research on obstacle avoidance control method of multi-rotor aircraft in coal mine[J]. Journal of Mine Automation,2022,48(12):93-100. DOI: 10.13272/j.issn.1671-251x.2022110020
Citation: GUO Aijun, WANG Miaoyun, MA Hongwei, et al. Research on obstacle avoidance control method of multi-rotor aircraft in coal mine[J]. Journal of Mine Automation,2022,48(12):93-100. DOI: 10.13272/j.issn.1671-251x.2022110020

煤矿井下多旋翼飞行器避障控制方法研究

基金项目: 国家自然科学基金项目(50674075,51974228);陕西省重点研发计划项目(2018ZDCXL-GY-06-04);陕西省科技创新团队项目(2018TD-032);陕西省自然科学基础研究计划项目(2019JQ-802)。
详细信息
    作者简介:

    郭爱军(1970—),男,内蒙古包头人,教授级高级工程师,现主要从事采矿工程及智能矿山建设方面的研究工作,E-mail:43460340@qq.com

  • 中图分类号: TD67

Research on obstacle avoidance control method of multi-rotor aircraft in coal mine

  • 摘要: 多旋翼飞行器以其机械结构简单、可悬停和多方向飞行的优点,在煤矿井下生产巡检方面具有良好的应用前景。但多旋翼飞行器移动速度较快,飞行时易受外界各种因素的影响,难以建立精确的数学模型,使得飞行控制算法的设计较为复杂,现有基于激光雷达的同步定位与地图构建方法难以满足多旋翼飞行器快速飞行的实时性要求。针对上述问题,研究了一种利用虚拟远程操控技术对煤矿井下多旋翼飞行器进行避障的控制方法。构建了煤矿井下巷道多旋翼飞行器虚拟远程操控系统,根据煤矿巷道初始信息在虚拟远程操控系统中建立虚拟巷道模型及全局导航地图,获得飞行器移动过程中已知的静态障碍物信息,建立已知的静态环境模型,减少多旋翼飞行器运动过程中对环境感知建模的任务量,提高虚拟远程操控的运行效率。在巡检过程中,多旋翼飞行器通过自身携带的传感设备检测移动方向的动态障碍物信息,虚拟远程操控系统将动态障碍物信息实时重建于初始虚拟巷道模型中,对虚拟环境状态进行实时更新,为飞行器局部避障控制提供可靠的环境依据;虚拟远程操控系统通过读取障碍物与飞行器的位置数据和移动速度信息,采用复合虚拟势场(CVFF)避障控制算法进行避障路径规划,如果检测到前方障碍物对飞行器移动产生较大威胁,远程操控人员可根据规划的避障路径对飞行器进行远程干预,实现了自主避障飞行和人为远程干预控制。为提高飞行器对动态障碍物的感知效率和精度,在虚拟势场(VFF)算法的基础上引入飞行器与障碍物、目标点之间的相对速度影响,提出了一种CVFF避障控制算法。从静态和动态障碍物避障路径2个方面对CVFF避障控制算法进行仿真验证,结果表明:静态情况下,相比VFF算法,CVFF避障控制算法在减少了迭代次数的同时,也缩短了飞行器的轨迹长度;动态情况下,飞行器成功避开了提前设定的2个动态障碍物,顺利到达设定目标点,验证了采用CVFF算法的煤矿井下多旋翼飞行器避障控制方法的有效性。
    Abstract: Multi-rotor aircraft has a good application prospect in coal mine production inspection because of its advantages of simple structure, hovering and multi-directional flight. However, multi-rotor aircraft moves at a high speed, and the aircraft is easily influenced by various external factors during flying. It is difficult to establish a precise mathematical model. The design of a flight control algorithm is complicated. The existing synchronous positioning and map construction method based on laser radar is difficult to meet the real-time requirement of rapid flying of the multi-rotor aircraft. In view of the above problems, an obstacle avoidance control method of multi-rotor aircraft in coal mine by using remote virtual control technology is studied. The virtual remote control system of the multi-rotor aircraft in coal mine underground roadway is constructed. The virtual roadway model and the global navigation map are established in the virtual remote control system according to the initial information of the coal mine roadway. The known static obstacle information in the moving process of the aircraft is obtained, and the known static environment model is established. The task quantity of environment perception modeling in the moving process of the multi-rotor aircraft is reduced, and the operation efficiency of virtual remote control can be improved. In the inspection process, the multi-rotor aircraft detects dynamic obstacle information in the moving direction through sensing equipment carried by the multi-rotor aircraft. The remote control system reconstructs the dynamic obstacle information in an initial virtual roadway model in real-time according to obstacle data. The virtual environment state is updated in real-time to provide a reliable environment basis for local obstacle avoidance control of the aircraft. The remote control system uses the compound virtual force field (CVFF) obstacle avoidance control algorithm to plan the obstacle avoidance path by reading the positioning data and moving speed information of obstacles and aircraft. If the obstacle in front is detected to pose a great threat to the movement of the aircraft, the remote controller can implement remote intervention on the aircraft according to the planned obstacle avoidance path. The system realizes autonomous obstacle avoidance flight and human remote intervention control. In order to improve the perception efficiency and accuracy of aircraft to dynamic obstacles, a CVFF obstacle avoidance control algorithm is studied based on virtual force field (VFF) algorithm by introducing the influence of relative velocity between aircraft and obstacles and target points. The CVFF obstacle avoidance control algorithm is verified by simulation from two aspects of static and dynamic obstacle avoidance paths. The results show that under static conditions, compared with the VFF algorithm, the CVFF algorithm reduces the number of iterations and also shortens the trajectory length of the aircraft. Under dynamic conditions, the aircraft successfully avoids the two dynamic obstacles set in advance and successfully reaches the set target point. The effectiveness of the obstacle avoidance control method of multi-rotor aircraft using the CVFF algorithm is verified.
  • 煤矿井下重要工作面环境和设备的日常巡检是确保井下工作人员人身安全及设备安全运行、高效生产的重要措施[1]。传统的人工巡检方式劳动强度大、检测结果容易受到巡检人员水平差异的影响而存在很大的不确定性。随着电池技术发展,多旋翼飞行器以其机械结构简单,可以定点悬停和多方向飞行等特点在各行各业环境安全巡检方面得到了广泛应用。将多旋翼飞行器应用于煤矿巷道关键场所和装备的巡检,可以降低工人劳动强度,有效提升巡检效率。

    煤矿井下没有全球定位系统 (Global Positioning System,GPS)信号,加上多种电磁干扰的影响,飞行器在井下自主稳定飞行面临巨大挑战[2]。文献[3]提出了基于激光雷达和毫米波雷达的四旋翼巡检机器人井下巷道自主导航飞行的方案,利用5G网络作为传输通道,对5G传输系统进行了验证,效果较好。文献[4]利用扩展卡尔曼滤波算法对三轴陀螺仪、加速度计和磁力计3种传感器数据进行融合,实现了多旋翼飞行器姿态的检测。文献[5]基于迭代最近点对井下无人机实时位姿进行估计。要实现飞行器对井下设备的巡检,仅仅获得位姿信息是不够的,还需研究飞行器路径规划和自主避障策略[6]。机器人技术与虚拟现实结合成为交叉学科研究热点。文献[7]构建了移动机器人作业虚拟场景,利用虚拟现实技术设计可视化仿真系统,通过改进Dijkstra算法得到了移动机器人在不规则矩形障碍下的避障策略,但该策略难以用于井下复杂环境。文献[8]建立了履带式掘进机器人运动控制模型,结合虚拟现实技术研究了非结构化环境下的局部避障策略,但该策略不能建立飞行器的运动模型。针对煤矿井下巡检机器人自主定位和避障问题,文献[9]研究了基于激光雷达的同步定位与地图构建方法,提高了机器人的定位精度,但该方法难以保证多旋翼飞行器快速飞行的实时性要求。

    针对上述问题,本文提出利用虚拟远程操控技术对煤矿井下多旋翼飞行器进行避障的控制方法,通过矿山建井图建立虚拟巷道模型,形成导航小地图,减少移动过程中静态障碍物数据的传输;考虑飞行器移动速度对避障结果的影响,提出了复合虚拟势场(Compound Virtual Force Field,CVFF)避障控制算法,实现了复杂环境下飞行器的自主避障和远程干预控制,为煤矿井下巡检提供了新的思路。

    煤矿井下多旋翼飞行器虚拟远程操控系统主要由飞行器虚拟远程操控中心、数据交互中心和多旋翼飞行器及其所携带的传感装置组成,如图1所示。系统将自主飞行避障和人为远程干预相结合,实现了自主避障飞行为主、人为远程干预为辅的控制方式,提高了复杂环境中多旋翼飞行器的巡检效率。

    图  1  煤矿井下多旋翼飞行器虚拟远程操控系统组成
    Figure  1.  Composition of virtual remote control system of underground coal mine multi-rotor aircraft

    基于Unity3D开发平台,依据煤矿巷道建井图构建虚拟巷道模型;建立多旋翼飞行器控制数学模型,形成可交互的飞行器虚拟远程操控中心。系统采用MySQL数据库作为数据交互中心,用于存储物理样机上传的飞行器位姿数据、工况环境数据和控制中心下发的控制命令等。巡检过程中,多旋翼飞行器对自身所携带的多传感器数据进行处理,获得位置、姿态和避障结果,实现自主避障飞行。虚拟操控中心通过接收飞行器上传的姿态数据、工况信息及视频数据,驱动虚拟飞行器在虚拟巷道中同步运动,与井下巡检场景实时保持一致。飞行中若遇到复杂环境或未知障碍导致飞行器自主决策慢,此时避障检测单元根据巷道环境的变化情况,以当前的位置环境状况,利用CVFF避障控制算法实时修正飞行轨迹。紧急情况下,远程操控人员以虚拟仿真界面上飞行器虚拟样机与虚拟仿真环境之间的关系为控制依据,通过远程控制台对井下多旋翼飞行器进行人为远程干预。

    在复杂巷道内巡检时,煤矿多旋翼飞行器不仅要为自主控制规划全局路径,还要在遇到动态障碍物时完成局部避障路径规划和人为远程干预[10]。通过数字化虚拟巷道可以提前获得封闭环境内的路径信息,生成导航地图,建立已知的静态环境模型,减少运动过程中飞行器对环境感知建模的任务量,可以提高虚拟远程操控的运行效率。备飞阶段,可以通过提前建立的虚拟巷道规划飞行器的移动路径。在移动过程中,飞行器通过自身携带的传感设备检测移动方向的动态障碍物信息。虚拟远程操控系统根据障碍物数据将动态障碍物实时重建于初始虚拟巷道模型中,对虚拟环境状态进行实时更新,为飞行器局部避障控制提供可靠的环境依据。虚拟远程操控系统通过读取障碍物与飞行器的位置数据和移动速度信息,采用CVFF避障控制算法进行避障路径规划,如果检测到前方障碍物对飞行器移动产生巨大威胁时,远程操控人员可根据规划的避障路径对飞行器进行远程干预,具体的避障控制流程如图2所示。

    图  2  复杂环境下多旋翼飞行器避障控制流程
    Figure  2.  Obstacle avoidance control flow for multi-rotor aircraft in complex environment

    煤矿多旋翼飞行器在复杂井下巷道飞行的全局路径规划基于矿井初始地图实现。根据煤矿巷道初始地图库信息在虚拟远程操控系统中建立初始巷道模型及全局导航地图,可提前获得飞行器移动过程中已知的静态障碍物信息,在全局路径中为飞行器规划初始导航路线。将初始巷道模型导入Unity3D平台[11],通过坐标系变换和模型渲染,形成井下巷道虚拟仿真场景。全局虚拟巷道模型如图3所示,局部虚拟巷道模型如图4所示。

    图  3  全局虚拟巷道模型
    Figure  3.  The global coal mine virtual roadway model
    图  4  局部虚拟巷道模型
    Figure  4.  The local coal mine virtual roadway model

    初始巷道模型建立后,在巷道模型正上方设置一个Minimap Camera相机实时拍摄模型的全局路径。在Minimap Camera相机的检视面板中设置Minimap Render Texture,将获得的全局路径生成一张用户界面(User Interface,UI)图片放置于监测界面的右上角,作为导航小地图,如图3右上角所示。导航小地图在X方向的缩放比例$ {f}_{X} $Y方向的缩放比例$ {f}_{Y} $分别为

    $$ \left\{ \begin{array}{c}{f}_{X}=\dfrac{r}{R}\\ {f}_{Y}=\dfrac{u}{U}\end{array}\right. $$ (1)

    式中$:\left(r,u\right)$为飞行器在巷道模型中的坐标;$\left(R,U\right)$为巷道模型尺寸。

    在小地图上同步飞行器在巷道的位置:

    $$ \left\{ \begin{array}{l} {r}{{'}}={r}{{'}}{f}_{X}\\ {u}{{'}}={U}{{'}}{f}_{Y}\end{array}\right. $$ (2)

    式中:$\left({r}{{'}},{u}{{'}}\right)$为飞行器同步在导航小地图上的坐标;$\left({R}{{'}},{U}{{'}}\right)$为导航小地图尺寸。

    在获得初始巷道模型和导航小地图之后,可通过Unity3D平台NavMesh导航网格寻路模块将复杂的三维环境结构划分成带有寻路导航信息的网格。调用Navigation Static模块,在初始巷道模型中将移动路线自动生成导航网格,Navigation视图的Bake命令将划分好的可移动区域导航网格以蓝色栅格形式显示出来,如图5所示。在规划好的路径中,通过编辑C#脚本完成目标位置TargetObject的定义,调用NavMesh Agent命令将多旋翼飞行器虚拟模型设定为移动对象,在Unity3D平台中获得全局地图,为飞行器自主飞行提供导航路径。

    图  5  全局地图内生成的导航网格
    Figure  5.  Navigation grid on the global map

    虚拟势场 (Virtual Force Field, VFF) 算法是移动机器人避障导航技术中最常用的算法之一,该算法实质是使用栅格法来表示环境,在虚拟势场中引入环境对多旋翼飞行器的影响[12]。VFF算法的基本思想是考虑了障碍物栅格对飞行器的排斥力和目标点对飞行器的吸引力的共同作用,从而控制飞行器按照避障规划路径飞行[13]

    CVFF避障控制算法在VFF算法的基础上融入了速度势场,在计算过程中引入飞行器与障碍物、目标点之间的相对速度,提高了飞行器对动态障碍物的感知效率和精度。该算法采用栅格法将避障检测单元采集到的障碍物信息局部环境分成若干个栅格,根据障碍物的位置与形状,每个栅格将会对飞行器产生相应大小的斥力作用,每个矩形栅格都有一个累计值(Certainty Value,CV),表示此方格内存在障碍物的可能性大小。定义$ {C}_{i,j}\mathrm{为} $$ \left({i},{j}\right) $个栅格内存在障碍物的可信度,$ {C}_{i,j} $越大,表示此栅格存在障碍物的可能性越高,没有检测到障碍物的范围内$ {C}_{i,j}=0 $$ {C}_{i,j} $通过飞行器所携带的传感设备对空间中障碍物的检测结果进行刷新。

    在位置势场和速度势场共同作用下,飞行器在复合虚拟势场中的受力情况如图6所示,其中,$ {F}_{{\rm{rep}}} $为飞行器在复合势场中受到的障碍物栅格的排斥力,$ {F}_{{\rm{att}}} $为飞行器在复合势场中受到的目标点的引力,飞行器在虚拟复合势场中所受合力为$ F $

    图  6  多旋翼飞行器在复合虚拟势场中的受力
    Figure  6.  The force of multi-rotor aircraft in compound virtual force field

    在飞行过程中,每个小栅格$ \left({i},{j}\right) $对飞行器作用一个虚拟斥力$ {F}_{i,j} $,斥力的大小与栅格的可信度$ {C}_{i,j} $成正比,与飞行器到障碍物之间的距离$ {d}_{i,j} $的平方成反比。

    假设飞行器的坐标为$ \left({{x}}_{0},{{y}}_{0}\right) $,障碍物栅格的坐标为$\left({x}_{{\rm{z}}},{y}_{{\rm{z}}}\right)$,目标点的坐标为$({x}_{{\rm{a}}},{y}_{{\rm{a}}})$,飞行器的飞行速度为$ {{\boldsymbol{V}}}_{{\rm{robot}}} $,障碍物的运动速度为$ {{\boldsymbol{V}}}_{{\rm{object}}} $,则飞行器在复合势场中受到的障碍物栅格的排斥力为

    $$ {F}_{\mathrm{r}\mathrm{e}\mathrm{p}}={F}_{\mathrm{r}\mathrm{e}\mathrm{p}\mathrm{p}}+{F}_{\mathrm{r}\mathrm{e}\mathrm{p}\mathrm{v}} $$ (3)

    式中:$ {F}_{{\rm{repp}}} $为飞行器在位置势场中受到的斥力;$ {F}_{{\rm{repv}}} $为飞行器在速度势场中受到的斥力。

    $$ {F}_{{\rm{repp}}}={\sum }_{i,j}\frac{{M}_{{\rm{p}}}{C}_{i,j}}{{d}_{i,j}^{2}}\left[\frac{{x}_{{\rm{z}}}-{x}_{0}}{{d}_{i,j}}\hat{{\boldsymbol{x}}}+\frac{{y}_{{\rm{z}}}-{y}_{0}}{{d}_{i,j}}\hat{{\boldsymbol{y}}}\right] $$ (4)
    $$ {d}_{i,j}=\sqrt{{\left(i-{x}_{0}\right)}^{2}+{\left(j-{y}_{0}\right)}^{2}} $$ (5)
    $$ {C}_{i,j}=\left\{ \begin{array}{c}0\quad {d}_{i,j} > r\\ 1\quad {d}_{i,j}\leqslant r\end{array}\right. $$ (6)

    式中:$ {M}_{{\rm{p}}} $为位置势场的引力增益系数;$ \hat{{\boldsymbol{x}}} $$\hat{{\boldsymbol{y}}} $分别为X方向和Y方向的单位向量。

    $$ {F}_{{\rm{repv}}}=\frac{{M}_{{\rm{v}}}{{\boldsymbol{V}}}_{{\rm{b}}}{C}_{i,j}}{\sqrt{{\left({x}_{{\rm{z}}}-{x}_{0}\right)}^{2}+{\left({y}_{{\rm{z}}}-{y}_{0}\right)}^{2}}}\left(-\hat{{\boldsymbol{x}}}\,\mathrm{sin}\,\theta\, \mathrm{cos}\,\beta+\hat{{\boldsymbol{y}}}\,\mathrm{cos}\,\theta\, \mathrm{sin}\,\beta \right) $$ (7)

    式中:$ {M}_{{\rm{v}}} $为速度势场中的斥力增益系数;$ {{\boldsymbol{V}}}_{{\rm{b}}} $为飞行器相对于障碍物的运动速度;$\theta $为飞行器与障碍物相对位置矢量与相对运动速度矢量的夹角;$ \;\beta $$ {{\boldsymbol{V}}}_{{\rm{b}}} $X轴的夹角。

    飞行器在复合势场中受到目标点的引力为

    $$ {F}_{{\rm{att}}}={F}_{{\rm{attp}}}+{F}_{{\rm{attv}}} $$ (8)

    式中:$ {F}_{{\rm{attp}}} $为飞行器在位置势场中受到的引力;$ {F}_{{\rm{attv}}} $为飞行器在速度势场中受到的引力。

    $$ {F}_{{\rm{attp}}}={K}_{{\rm{p}}}\left(\frac{{x}_{{\rm{a}}}-{x}_{0}}{{d}_{{\rm{a}}}}\hat{{\boldsymbol{x}}}+\frac{{y}_{{\rm{a}}}-{y}_{0}}{{d}_{{\rm{a}}}}\hat{{\boldsymbol{y}}}\right) $$ (9)
    $$ {d}_{{\rm{a}}}=\sqrt{{\left({x}_{{\rm{a}}}-{x}_{0}\right)}^{2}+{\left({y}_{{\rm{a}}}-{y}_{0}\right)}^{2}} $$ (10)

    式中:$ {K}_{{\rm{p}}} $为位置势场的引力增益系数;$ {d}_{{\rm{a}}} $为飞行器与目标点之间的相对距离。

    $$ {F}_{{\rm{attv}}}={K}_{{\rm{v}}}\left[ \hat{{\boldsymbol{x}}}\,{{\boldsymbol{V}}}_{{\rm{g}}}\mathrm{cos}\,\alpha+ \hat{{\boldsymbol{y}}}\,{{\boldsymbol{V}}}_{{\rm{g}}}\mathrm{sin}\,\alpha\right] $$ (11)
    $$ {{\boldsymbol{V}}}_{{\rm{g}}}={{\boldsymbol{V}}}_{{\rm{robot}}}-{{\boldsymbol{V}}}_{{\rm{aim}}} $$ (12)

    式中:$ {K}_{{\rm{v}}} $为速度势场引力增益系数;$ {{\boldsymbol{V}}}_{{\rm{g}}} $为飞行器相对于目标点的运动速度;$\alpha $$ {{\boldsymbol{V}}}_{{\rm{g}}} $X轴的夹角。

    因此,飞行器在虚拟复合势场中所受合力为

    $$ F={F}_{{\rm{att}}}+{F}_{{\rm{rep}}} $$ (14)

    假设飞行器运动步长为$ {{l}}_{0} $,飞行器在虚拟复合势场中所受合力在X轴,Y轴上的分量分别为$ {F}_{X},{F}_{Y} $$ {t} $ 时刻飞行器的坐标为$ \left({x}_{t},{y}_{t}\right) $,则该飞行器在$ {t}+1 $ 时刻的坐标为$ \left({x}_{t+1},{y}_{t+1}\right) $,其计算公式为

    $$ \left\{ \begin{array}{l}{x}_{t+1}=\dfrac{{F}_{X}}{F} {l}_{0}+{x}_{t}\\ {y}_{t+1}=\dfrac{{F}_{Y}}{F} {l}_{0}+{y}_{t}\end{array}\right. $$ (15)

    CVFF避障控制算法流程如图7所示。

    图  7  CVFF避障控制算法流程
    Figure  7.  Compound virtual force field obstacle avoidance control algorithm flow

    CVFF避障控制算法具体实现步骤如下:

    (1) 初始化参数。获取飞行器、障碍物和目标点的位置坐标,设定位置势场和速度的相关参数。

    (2) 调用Compute_Angle模块分别计算飞行器与障碍物和目标位置之间的夹角。

    (3) 分别调用Compute_Attract模块和Compute_Repulsion模块,计算引力和斥力在X轴和Y轴的分量。

    (4) 计算飞行器在下一时刻的位置坐标,并进行记录。

    (5) 判断飞行器是否到达目标位置,如果到达指定位置则跳出程序,否则回到步骤(2),进入下一次循环。

    为了验证煤矿井下多旋翼飞行器避障控制方法的效果,在Matlab仿真平台中构建$ {\text{10}} \times {\text{10}} $的环境感知栅格,飞行器在避障过程中的相关参数设置[14]表1

    表  1  仿真环境参数
    Table  1.  Simulation environment parameters
    参数名称数值
    位置势场引力增益系数$ {K}_{{\rm{p}}} $13
    速度势场引力增益系数$ {{K}}_{\mathrm{v}} $15
    位置势场斥力增益系数$ {{M}}_{\mathrm{p}} $5
    速度势场斥力增益系数$ {M}_{{\rm{v}}} $7
    步长$ {l}_{0} $/dm1
    迭代次数J500
    障碍物影响距离$ {p}_{0} $0.5/1
    下载: 导出CSV 
    | 显示表格

    实验中设置了$p_0 $=0.5和$p_0 $=1,飞行器的起始坐标为(0,0),目标位置为(10,10),比较静态环境下VFF算法和CVFF避障控制算法的避障效果,其避障控制仿真结果如图8图11所示。VFF算法与CVFF避障控制算法仿真结果性能比较见表2表3

    图  8  $ {p}_{0} $=0.5时VFF算法仿真结果
    Figure  8.  Simulation results of virtual force field algorithm when $ {p}_{0} $= 0.5

    图8图11表2表3可看出,当障碍物影响距离$ {p}_{0} $分别为0.5和1时,在相同的避障环境中,CVFF避障控制算法迭代次数更少,计算效率更高,且得到的避障轨迹长度更优,避障效果更高效。VFF算法在障碍物比较密集的区域,避障效果不理想,当避障影响距离较小时容易与障碍物之间发生碰撞。通过比较图9图11的轨迹路线,表明了障碍物影响距离对避障路线的影响较大,在本文搭建的仿真环境中,障碍物影响距离为0.5个单位时,轨迹规划结果最理想。

    图  9  $ {p}_{0} $=0.5时CVFF避障控制算法仿真结果
    Figure  9.  Simulation results of compound virtual force field obstacle avoidance control algorithm when $ {p}_{0} $=0.5
    图  10  $ {p}_{0} $=1时VFF算法仿真结果
    Figure  10.  Simulation results of virtual force field algorithm when $ {p}_{0} $=1
    图  11  $ {p}_{0} $=1时CVFF避障控制算法仿真结果
    Figure  11.  Simulation results of compound virtual force field obstacle avoidance control algorithm when $ {p}_{0} $=1
    表  2  $ {p}_{0} $=0.5时2种算法性能比较
    Table  2.  Performance comparison of two algorithms when $ {p}_{0} $=0.5
    算法迭代次数轨迹长度/dm
    VFF算法7519.175
    CVFF避障控制算法6417.378
    下载: 导出CSV 
    | 显示表格
    表  3  $ {p}_{0} $=1时2种算法性能比较
    Table  3.  Performance comparison of two algorithms when $ {p}_{0} $=1
    算法迭代次数轨迹长度/dm
    VFF算法7420.412
    CVFF避障控制算法6219.036
    下载: 导出CSV 
    | 显示表格

    利用CVFF避障控制算法对动态障碍物的避障效果进行仿真实验。首先设置了100×100的栅格仿真环境,飞行器起点坐标为(0,0),运动速度$ {{\boldsymbol{V}}}_{{\rm{robot}}}={\left(\mathrm{1.5,1.5}\right)} $,终点坐标为(100,100)。仿真过程设置了2个动态障碍物,第1个障碍物的起点坐标为(33,88),运动速度${{\boldsymbol{V}}}_{{\rm{object}}1}=\left(0.50,-3.75\right) $,第2个障碍物的起点坐标为(65,7),运动速度${{\boldsymbol{V}}}_{{\rm{object}}2}= \left(0.2,2.0\right)$

    随机选取了6个时刻记录飞行器与障碍物的运动情况,如图12所示,可看出飞行器成功避开了2个动态障碍物。

    图  12  多旋翼飞行器动态避障过程
    Figure  12.  Obstacle avoidance process of multi-rotor aircraft

    运动过程中飞行器与第1个动态障碍物之间的相对位置变换情况如图13所示。在t = 0时,飞行器向着第1个障碍物方向飞行,两者之间距离不断减小,飞行器自动调整飞行方向;在t = 12 s时,两者距离为5 $ \mathrm{d}\mathrm{m} $,此时刚好没有发生碰撞,随后飞行器朝远离第1个障碍物方向飞行,两者距离逐渐增大。

    图  13  飞行器与第1个障碍物之间的距离
    Figure  13.  Distance between the aircraft and the first obstacle

    飞行器与第2个障碍物的相对位置变换情况如图14所示,在t = 0时,飞行器与第2个障碍物的间距为65 $ \mathrm{d}\mathrm{m} $,不会发生碰撞,飞行器向着第2个障碍物方向飞行,两者之间距离不断减小,在这一过程中飞行器自动调整飞行方向;在t = 31 s时,两者距离为8 $ \mathrm{d}\mathrm{m} $,没有发生碰撞,随后飞行器朝远离第2个障碍物方向飞行,两者距离逐渐增大。

    图  14  飞行器与第2个障碍物之间的距离
    Figure  14.  Distance between the aircraft and the second obstacle

    以上分析表明,本文提出的避障控制方法不仅能使飞行器在静态环境中实现稳定避障,在动态威胁下也能实现精确避障飞行。

    (1) 提出了一种利用虚拟远程操控技术对煤矿井下多旋翼飞行器进行避障的控制方法,根据煤矿巷道初始信息建立了虚拟巷道模型和全局导航地图,减少移动过程中静态障碍物数据的传输;通过飞行器携带的传感设备检测移动方向的动态障碍物信息,采用CVFF避障控制算法进行避障路径规划。

    (2) 提出了一种CVFF避障控制算法,在VFF的基础上引入飞行器与障碍物、目标点之间的相对速度,提高了飞行器对动态障碍物的感知效率和精度。

    (3) 从静态和动态障碍物避障路径2个方面对CVFF避障控制算法进行仿真验证,结果表明:静态情况下,相比VFF算法,CVFF避障控制算法在减少了迭代次数的同时,也缩短了飞行器的轨迹长度;动态情况下,飞行器成功避开了提前设定的2个动态障碍物,顺利到达设定目标点,验证了采用CVFF算法的多旋翼飞行器避障控制方法的有效性。

  • 图  1   煤矿井下多旋翼飞行器虚拟远程操控系统组成

    Figure  1.   Composition of virtual remote control system of underground coal mine multi-rotor aircraft

    图  2   复杂环境下多旋翼飞行器避障控制流程

    Figure  2.   Obstacle avoidance control flow for multi-rotor aircraft in complex environment

    图  3   全局虚拟巷道模型

    Figure  3.   The global coal mine virtual roadway model

    图  4   局部虚拟巷道模型

    Figure  4.   The local coal mine virtual roadway model

    图  5   全局地图内生成的导航网格

    Figure  5.   Navigation grid on the global map

    图  6   多旋翼飞行器在复合虚拟势场中的受力

    Figure  6.   The force of multi-rotor aircraft in compound virtual force field

    图  7   CVFF避障控制算法流程

    Figure  7.   Compound virtual force field obstacle avoidance control algorithm flow

    图  8   $ {p}_{0} $=0.5时VFF算法仿真结果

    Figure  8.   Simulation results of virtual force field algorithm when $ {p}_{0} $= 0.5

    图  9   $ {p}_{0} $=0.5时CVFF避障控制算法仿真结果

    Figure  9.   Simulation results of compound virtual force field obstacle avoidance control algorithm when $ {p}_{0} $=0.5

    图  10   $ {p}_{0} $=1时VFF算法仿真结果

    Figure  10.   Simulation results of virtual force field algorithm when $ {p}_{0} $=1

    图  11   $ {p}_{0} $=1时CVFF避障控制算法仿真结果

    Figure  11.   Simulation results of compound virtual force field obstacle avoidance control algorithm when $ {p}_{0} $=1

    图  12   多旋翼飞行器动态避障过程

    Figure  12.   Obstacle avoidance process of multi-rotor aircraft

    图  13   飞行器与第1个障碍物之间的距离

    Figure  13.   Distance between the aircraft and the first obstacle

    图  14   飞行器与第2个障碍物之间的距离

    Figure  14.   Distance between the aircraft and the second obstacle

    表  1   仿真环境参数

    Table  1   Simulation environment parameters

    参数名称数值
    位置势场引力增益系数$ {K}_{{\rm{p}}} $13
    速度势场引力增益系数$ {{K}}_{\mathrm{v}} $15
    位置势场斥力增益系数$ {{M}}_{\mathrm{p}} $5
    速度势场斥力增益系数$ {M}_{{\rm{v}}} $7
    步长$ {l}_{0} $/dm1
    迭代次数J500
    障碍物影响距离$ {p}_{0} $0.5/1
    下载: 导出CSV

    表  2   $ {p}_{0} $=0.5时2种算法性能比较

    Table  2   Performance comparison of two algorithms when $ {p}_{0} $=0.5

    算法迭代次数轨迹长度/dm
    VFF算法7519.175
    CVFF避障控制算法6417.378
    下载: 导出CSV

    表  3   $ {p}_{0} $=1时2种算法性能比较

    Table  3   Performance comparison of two algorithms when $ {p}_{0} $=1

    算法迭代次数轨迹长度/dm
    VFF算法7420.412
    CVFF避障控制算法6219.036
    下载: 导出CSV
  • [1] 陈维健, 曹茂永. 中国煤矿安全技术与管理丛书−煤矿安全装备篇[M]. 徐州: 中国矿业大学出版社, 2014.

    CHEN Weijian, CAO Maoyong. China coal mine safety technology and management series: coal mine safety equipment[M]. Xuzhou: China University of Mining and Technology Press, 2014.

    [2] 贾勇骁,郑学召,崔嘉明,等. 煤田火灾无人机监测关键技术研究[J]. 工矿自动化,2019,45(9):30-33,53. DOI: 10.13272/j.issn.1671-251x.17473

    JIA Yongxiao,ZHENG Xuezhao,CUI Jiaming,et al. Research on key technologies of unmanned aerial vehicle monitoring of coalfield fire[J]. Industry and Mine Automation,2019,45(9):30-33,53. DOI: 10.13272/j.issn.1671-251x.17473

    [3] 吴文臻. 基于5G技术的矿用四旋翼巡检机器人设计[J]. 煤炭工程,2021,53(12):159-163.

    WU Wenzhen. Design of mine quadrotor inspection robot based on 5G technology[J]. Coal Engineering,2021,53(12):159-163.

    [4] 张沛,孙运强,石喜玲. 应用于矿井的多旋翼飞行器姿态信息融合设计[J]. 煤炭技术,2016,35(5):279-281. DOI: 10.13301/j.cnki.ct.2016.05.115

    ZHANG Pei,SUN Yunqiang,SHI Xiling. Fusion design of multi rotor aircraft attitude information used in coal mine[J]. Coal Technology,2016,35(5):279-281. DOI: 10.13301/j.cnki.ct.2016.05.115

    [5] 王岩,马宏伟,王星,等. 基于迭代最近点的井下无人机实时位姿估计[J]. 工矿自动化,2019,45(9):25-29. DOI: 10.13272/j.issn.1671-251x.17441

    WANG Yan,MA Hongwei,WANG Xing,et al. Real-time pose estimation of underground unmanned aerial vehicle based on ICP method[J]. Industry and Mine Automation,2019,45(9):25-29. DOI: 10.13272/j.issn.1671-251x.17441

    [6] 郑学召,童鑫,张铎,等. 矿井危险区域多旋翼侦测无人机关键技术探讨[J]. 工矿自动化,2020,46(12):48-56. DOI: 10.13272/j.issn.1671-251x.17653

    ZHENG Xuezhao,TONG Xin,ZHANG Duo,et al. Discussion on key technologies of multi-rotor detection UAVs in mine dangerous area[J]. Industry and Mine Automation,2020,46(12):48-56. DOI: 10.13272/j.issn.1671-251x.17653

    [7] 贾文友,魏文涛,朱良恒,等. 移动机器人改进Dijkstra算法下路径规划及可视化研究[J]. 徐州工程学院学报(自然科学版),2021,36(2):34-38.

    JIA Wenyou,WEI Wentao,ZHU Liangheng,et al. Research on path planning and visualization of mobile robot based on improved Dijkstra algorithm[J]. Journal of Xuzhou Institute of Technology(Natural Sciences Edition),2021,36(2):34-38.

    [8] 张旭辉,吕欣媛,王甜,等. 数字孪生驱动的掘进机器人决策控制系统研究[J]. 煤炭科学技术,2022,50(7):36-49. DOI: 10.13199/j.cnki.cst.2022-0176

    ZHANG Xuhui,LYU Xinyuan,WANG Tian,et al. Research on decision control system of tunneling robot driven by digital twin[J]. Coal Science and Technology,2022,50(7):36-49. DOI: 10.13199/j.cnki.cst.2022-0176

    [9] 杨林,马宏伟,王岩,等. 煤矿巡检机器人同步定位与地图构建方法研究[J]. 工矿自动化,2019,45(9):18-24. DOI: 10.13272/j.issn.1671-251x.17444

    YANG Lin,MA Hongwei,WANG Yan,et al. Research on method of simultaneous localization and mapping of coal mine inspection robot[J]. Industry and Mine Automation,2019,45(9):18-24. DOI: 10.13272/j.issn.1671-251x.17444

    [10] 张旭辉,王妙云,张雨萌,等. 数据驱动下的工业设备虚拟仿真与远程操控技术研究[J]. 重型机械,2018(5):14-17. DOI: 10.3969/j.issn.1001-196X.2018.05.005

    ZHANG Xuhui,WANG Miaoyun,ZHANG Yumeng,et al. Virtual simulation and remote control technology with data-driven for industrial equipment[J]. Heavy Machinery,2018(5):14-17. DOI: 10.3969/j.issn.1001-196X.2018.05.005

    [11] 董润霖. 煤矿探测机器人环境重建与虚拟操控技术研究[D]. 西安: 西安科技大学, 2018.

    DONG Runlin. Environmental reconstruction and virtual manipulation technology of coal mine detection robot[D]. Xi'an: Xi'an University of Science and Technology, 2018.

    [12] 程旗,岳碧波. 无人机自主编队的人工力场控制方法[J]. 兵器装备工程学报,2018,39(8):88-91. DOI: 10.11809/bqzbgcxb2018.08.019

    CHENG Qi,YUE Bibo. Artificial potential fields control method of UAV autonomous formation[J]. Journal of Ordnance Equipment Engineering,2018,39(8):88-91. DOI: 10.11809/bqzbgcxb2018.08.019

    [13]

    GIANIBELLI A, CARLUCHO I, PAULA M D, et al. An obstacle avoidance system for mobile robotics based on the virtual force field method[C]. IEEE Biennial Congress of Argentina (ARGENCON), San Miguel de Tucuman, 2018: 1-8.

    [14] 邓学强. 基于改进人工势场法的移动机器人路径规划[J]. 山东理工大学学报(自然科学版),2014,28(1):38-41.

    DENG Xueqiang. Path planning of mobile robot based on modified artificial potential field method[J]. Journal of Shandong University of Technology(Natural Science Edition),2014,28(1):38-41.

  • 期刊类型引用(3)

    1. 渠兴龙. 煤矿井下巷道内贯通测量技术应用分析. 矿业装备. 2024(02): 80-82 . 百度学术
    2. 张捷华,宋洪刚,任俊铭,陈晓青,蒋俊. 自主式绝缘台升降过程避障控制方法研究. 自动化仪表. 2024(08): 32-36+41 . 百度学术
    3. 王斌,田宝雄,赵明辉. 融合场景理解与机器视觉的矿山巡检机器人导航避障研究. 金属矿山. 2023(11): 221-227 . 百度学术

    其他类型引用(0)

图(14)  /  表(3)
计量
  • 文章访问数:  240
  • HTML全文浏览量:  61
  • PDF下载量:  32
  • 被引次数: 3
出版历程
  • 收稿日期:  2022-11-03
  • 修回日期:  2022-11-25
  • 网络出版日期:  2022-11-27
  • 刊出日期:  2022-12-26

目录

/

返回文章
返回