一种安防巡检机器狗自主路径规划方法、设备及介质与流程

本发明涉及机器狗路径，特别是涉及一种安防巡检机器狗自主路径规划方法、设备及介质。

背景技术：

1、随着机器人技术与人工智能的快速发展，安防巡检机器狗作为一种新型的智能移动平台，在工业园区、变电站、化工厂、地下管廊及野外复杂环境中的自主巡检任务中展现出广阔的应用前景。相较于传统轮式或履带式移动平台，机器狗具有优越的地形适应能力与越障性能，能够在楼梯、碎石、软土、沟壑等非结构化地形中稳定行走，因此成为复杂环境下安防巡检任务的重要载体。然而，复杂的地理环境与多变的地面条件也对机器狗的自主导航与路径规划能力提出了更高的要求。

2、自主路径规划是智能移动机器人实现完全自主巡检的核心技术之一，其目标是在已知或部分已知的环境地图中，寻找一条从起始位置到目标位置的最优或次优可行路径，同时满足安全性、平滑性、能耗最优等多重约束。现有路径规划方法主要可分为基于图搜索的方法（如a*算法、dijkstra算法）、基于随机采样的方法（如rrt、prm）以及基于仿生智能优化的方法（如遗传算法、粒子群优化算法）等。其中，a*算法因其实现简单、搜索效率高且易于引入启发式信息，在实际工程中得到了广泛应用。然而，上述方法大多面向结构化环境，对地形几何信息与障碍物分布信息的依赖较强，而对地面软硬度、承压特性等力学属性考虑不足，难以直接应用于存在松软土壤、湿滑地面或软硬交替地形的复杂场景。

3、在现有技术中，机器狗进行路径规划时通常依赖于激光雷达构建的三维点云地图或视觉传感器获取的环境图像，通过识别障碍物位置与几何尺寸来生成可通行区域。然而，安防巡检场景下的环境复杂性不仅体现为静态障碍物的空间分布，还体现为地形承载能力、地面摩擦力、足端沉陷风险等动态物理特性的空间异质性。例如，当机器狗行走于软土区域时，即使所述区域不存在明显障碍物，足端也极易发生沉陷、打滑甚至侧翻，从而导致巡检任务失败或设备损坏。传统方法中，地面软硬度信息往往作为独立的属性数据被记录，缺乏与障碍物空间分布信息的融合处理，更缺乏将其系统性地融入路径规划代价函数与格栅通行性判别标准的技术手段，难以在路径搜索过程中实现地形几何风险与力学风险的综合权衡。

4、此外，现有基于栅格地图的路径规划方法通常采用固定尺寸的栅格划分策略，即全局采用统一的长宽尺寸对地理区域进行离散化。这种策略在平坦均匀地形中尚可适用，但在软硬地面交界、地形起伏剧烈、障碍物分布密度差异显著的区域，固定尺寸栅格难以兼顾地图精度与计算效率之间的矛盾：栅格尺寸过小将导致地图规模急剧膨胀，增加路径搜索的计算负担与存储开销；栅格尺寸过大则会导致地形细节丢失，尤其是突变边界处的关键地形特征被过度平滑，从而降低路径规划的安全性与可靠性。目前尚缺乏一种能够根据地形局部复杂度自适应调整栅格尺寸的优化处理方案，以在保证路径精度的前提下有效控制地图规模和计算复杂度。

5、进一步地，现有机器狗路径规划方法大多基于静态地图数据进行一次性路径生成，即路径规划完成后再行执行巡检任务，巡检过程中不具备对地形环境变化的实时感知与响应能力。然而，实际安防巡检场景中，目标地理区域的环境状态并非一成不变：雨天过后地面软硬度可能发生显著变化，临时堆放的物品可能产生新的障碍物，已巡检区域也可能因扰动而出现新的不可通行状态。在机器狗沿初始路径行进的过程中，当预先标注的可通行格栅因环境变化而变为不可通行时，传统的静态规划方法缺乏对当前格栅及其邻域的环境状态进行动态评估与路径重规划的能力，往往只能执行全局重新规划或任务中断，前者效率低下，后者则无法保证任务连续性。

6、综上，如何构建一种能够综合考虑障碍物空间分布与地形力学属性、自适应调整地图离散化分辨率、并在巡检过程中动态响应环境变化以进行路径调整的安防巡检机器狗自主路径规划方法，已成为本领域亟待解决的技术难题。

技术实现思路

1、本发明提供一种安防巡检机器狗自主路径规划方法及系统，以至少解决如前所述背景技术中存在的部分技术问题。

2、根据本发明的第一方面，提供了一种安防巡检机器狗自主路径规划方法，包括以下步骤：

3、s1、目标安防巡检机器狗将采集到的目标地理区域内的第一采集数据、第二采集数据和第三采集数据发送至目标云端，目标云端生成目标地理区域的目标三维地理区域地图；

4、s2、目标云端根据所述目标三维地理区域地图，生成目标地理区域内的目标地理格栅集；所述目标地理格栅集包括若干个目标地理格栅，所述目标地理格栅为对初始地理格栅进行优化处理后得到的地理格栅区域；

5、s3、目标云端根据所有的目标地理格栅，生成目标巡检机器狗的初始路径，并将所述初始路径发送至目标巡检机器狗；

6、s4、目标巡检机器狗接收到所述初始路径，以初始路径进行巡检，且目标巡检机器狗每达到初始路径的任意一个目标地理格栅时，采集所述地理格栅的环境数据，根据所述地理格栅的环境数据，重新生成后续的路径作为新路径。

7、在一个具体的实施例中，在s1步骤中，所述目标地理区域内的第一采集数据是目标安防巡检机器狗通过其自身的激光雷达装置采集到的目标地理区域的原始点云数据集；所述目标地理区域内的第二采集数据是目标安防巡检机器狗通过其自身的摄像装置采集到的目标地理区域内的障碍物图像集；所述目标地理区域内的第三采集数据是目标安防巡检机器狗通过其自身的足底压力传感装置采集到的目标地理区域内的地面压力数据集。

8、在一个具体的实施例中，所述s1步骤还包括如下步骤：

9、s11、根据所述目标地理区域内的第一采集数据，生成初始三维点云地图，其中，所述初始三维地理区域地图是基于目标安防巡检机器狗通过其自身的激光雷达装置采集到的目标地理区域的原始点云数据集生成的初始三维点云地图；

10、s12、根据所述目标地理区域内的第二采集数据，生成初始障碍物数据集，其中，所述初始障碍物数据集包括若干个初始障碍物数据，其中，任意一个初始障碍物数据包括：初始障碍物id、初始障碍物id对应的障碍物类型标签、初始障碍物id对应的障碍物地理位置；

11、s13、根据所述目标地理区域内的第三采集数据，生成目标地理区域内的初始地理格栅的地面软硬度集；将所述目标地理区域划分成若干个初始地理格栅；根据第三采集数据中任意一个初始地理格栅对应的地面压力数据获取到初始地理格栅对应的地面软硬度；

12、s14、根据所述初始三维点云地图、初始障碍物数据集和所述初始地理格栅的地面软硬度集，生成目标地理区域的目标三维地理区域地图。

13、在一个具体的实施例中，所述s2步骤中优化处理过程，还包括如下步骤：

14、s21、根据任意一个初始地理格栅内的初始障碍物信息和初始地面软硬度，确定出中间地理格栅；根据任意一个初始地理格栅对应的初始障碍物信息和初始地面软硬度，生成所述初始地理格栅对应的通行风险优先级，当初始地理格栅对应的通行风险优先级大于预设的风险上限阈值时，确定所述初始地理格栅为不可通行地理格栅，插入到不可通行格栅集；当初始地理格栅对应的通行风险优先级不大于预设的风险上限阈值，确定所述初始地理格栅为可通行地理格栅，插入到可通行格栅集；

15、s22、根据中间地理格栅的初始地面软硬度，确定出目标地理格栅；根据所述中间地理格栅的初始地面软硬度、所述中间地理格栅对应的长度和所述中间地理格栅对应的宽度，确定出所述中间地理格栅对应的目标地理格栅的长度和目标地理格栅的宽度。

16、在一个具体的实施例中，所述s3步骤还包括如下步骤生成所述初始路径：

17、s31、当所有的目标地理格栅位置信息满足预设的路径生成条件时，生成目标巡检机器狗的初始路径；所述预设的路径生成条件是指从目标巡检机器狗的起始位置所在的目标地理格栅到目标位置所在的目标地理格栅之间存在一条由若干个相邻的目标地理格栅构成的连通路径，且所述连通路径上的每一个目标地理格栅均为可通行地理格栅；

18、s32、当所有的目标地理格栅位置信息不满足预设的路径生成条件时，从不可通行格栅集中生成新的目标地理格栅作为关键地理格栅，以根据所有的关键地理格栅和所有的目标地理格栅，生成目标巡检机器狗的初始路径。

19、在一个具体的实施例中，所述s31步骤还包括如下步骤：

20、s311、获取所有的目标地理格栅信息，其中，所述目标地理格栅信息包括：目标地理格栅的位置、目标地理格栅的通行风险优先级；

21、s312、将所有的目标地理格栅信息输入至a*路径生成模型中，生成目标巡检机器狗的初始路径。

22、在一个具体的实施例中，所述s32步骤中还包括如下步骤：

23、s321、获取所述不可通行格栅集中所有不可通行地理格栅的信息，可通行地理格栅的信息包括：任一不可通行地理格栅的通行风险优先级，所述不可通行地理格栅对应的不可通行地理格栅中心点坐标；

24、s322、根据所述不可通行地理格栅的通行风险优先级与预设的通行风险上限阈值，计算所述不可通行地理格栅的可优化潜力指数，且当所述不可通行地理格栅的可优化潜力指数大于预设的可优化潜力阈值时，将所述不可通行格栅标记为待优化不可通行格栅，并插入至待优化不可通行格栅集中；

25、s323、对于待优化不可通行格栅集中的每一个待优化不可通行格栅，根据所述待优化不可通行格栅相邻的可通行地理格栅信息，计算所述待优化不可通行格栅的局部环境可通行性融合指标；当所述待优化不可通行格栅的局部环境可通行性融合指标大于预设的局部环境可通行融合阈值n时，将所述待优化不可通行格栅标记为可优化可通行格栅，并插入至可优化可通行格栅集；

26、s324、对可优化可通行格栅集中的每一个可优化可通行格栅，执行优化处理，生成新增可通行地理格栅；

27、s325、将新增可通行地理格栅并入原有的所有目标地理格栅，形成更新后的目标地理格栅全集，并返回至s31步骤，重新执行a*路径生成模型，直至生成目标巡检机器狗的初始路径，或直至不存在满足优化条件的可优化不可通行格栅，则判定目标三维地理区域地图中不存在连通路径，输出路径规划失败信息。

28、在一个具体的实施例中，所述s324步骤具体包括如下子步骤：

29、s3241、获取可优化可通行格栅的原始初始地理格栅区域对应的地面软硬度分布信息，并根据相邻可通行地理格栅的地面软硬度值，采用双线性插值法，估计所述可优化可通行格栅在中心点处的优化地面软硬度；

30、s3242、根据所述可优化可通行格栅的优化地面软硬度及所述可优化可通行格栅相邻可通行地理格栅的通行风险优先级，计算优化后的通行风险优先级；所述优化后的通行风险优先级根据所述可优化可通行格栅的相邻可通行地理格栅数量、各相邻可通行地理格栅的通行风险优先级、各相邻可通行地理格栅的地面软硬度、软硬度差异衰减系数计算得到；

31、s3243、比较优化后的通行风险优先级与预设的通行风险上限阈值，若所述优化后的通行风险优先级不大于预设的通行风险上限阈值，则将所述可优化可通行格栅标记为新增可通行地理格栅，并将对应的目标地理格栅信息更新至目标地理格栅集；若所述优化后的通行风险优先级大于预设的通行风险上限阈值，则维持其不可通行状态，不纳入新增可通行地理格栅集。

32、根据本发明的第二方面，一种计算机设备，包括存储器和处理器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

33、根据本发明的第三方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

34、本公开实施例中，相对于传统安防巡检机器狗路径规划忽视地面力学特性、栅格精度与算力难以兼顾、路径静态固化、复杂环境适应性差等缺陷，提出一种全新的自主路径规划方案。本发明融合激光雷达点云、视觉图像、足底压力多模态传感数据，联合构建包含障碍物空间分布与地面软硬度力学属性的三维地理地图，实现几何障碍与地形隐性风险的全方位精准感知。同时采用地形自适应栅格优化策略，根据地形复杂程度动态调整栅格尺寸，在保障复杂地形规划精度的同时有效降低计算开销，平衡算法精度与运行效率。此外，本发明增设不可通行格栅可优化评估与重构机制，突破初始路径连通局限，并基于实时巡检环境数据动态更新通行风险、触发局部路径重规划，可快速响应地面软化、临时障碍物等环境动态变化。本发明有效提升机器狗复杂地形通行安全性与路径规划鲁棒性，避免巡检打滑、沉陷、任务中断等问题。

35、应当理解的是，以上的一般描述和后文的细节描述仅是示例性的和解释性的，并不能限制本公开。此外，本公开中的任一实施例并不需要达到上述的全部效果。