唐東林，龍再勇，湯炎錦，潘 峰，游傳坤

（西南石油大學機電工程學院，四川成都610500）

路徑規(guī)劃是實現(xiàn)移動機器人精確運動和控制的核心問題之一，大量學者進行了深入研究，并取得了一定的成就［1-4］。移動機器人的路徑規(guī)劃主要分為2類：一類是點到點的路徑規(guī)劃，另一類是全遍歷路徑規(guī)劃。點到點的路徑規(guī)劃是指機器人在工作環(huán)境中尋找一條從起點到終點的安全避障路徑［5-7］。全遍歷路徑規(guī)劃是指機器人規(guī)劃出一條能夠完全遍歷環(huán)境中未被障礙物占據(jù)區(qū)域的路徑，并要求所規(guī)劃路徑滿足安全性和合理性要求［8-10］。全遍歷路徑規(guī)劃在草坪修剪機［11］、收割機［12］、清掃機器人［13］以及軍用掃雷機器人［14］中有廣泛應用。

根據(jù)是否掌握工作空間的環(huán)境信息，可將全遍歷路徑規(guī)劃分為已知環(huán)境規(guī)劃和未知環(huán)境規(guī)劃［15-17］。針對已知環(huán)境的路徑規(guī)劃，已有相對成熟的方法，且容易實現(xiàn)對環(huán)境的全遍歷。針對未知環(huán)境的路徑規(guī)劃，一般采用隨機遍歷的方式，這種方式效率很低且無法實現(xiàn)全遍歷。近年來未知環(huán)境遍歷路徑規(guī)劃算法成為了研究熱點。文獻［18］將生物激勵神經(jīng)網(wǎng)絡與啟發(fā)式規(guī)則相結(jié)合，用于遍歷路徑規(guī)劃，實現(xiàn)了簡單環(huán)境的遍歷，但不能遍歷含有U型障礙物的環(huán)境和使機器人快速逃離死區(qū)。文獻［19］將基于柵格地圖的單元分解法用于遍歷路徑規(guī)劃，實現(xiàn)了對簡單結(jié)構(gòu)化環(huán)境的遍歷和死區(qū)逃離，但對含有各向U型障礙物的復雜環(huán)境無法實現(xiàn)全遍歷。

本文根據(jù)儲罐檢測爬壁機器人工作環(huán)境的特點，提出了一種基于滾動窗口的優(yōu)先級啟發(fā)式算法。基于柵格地圖建立儲罐檢測爬壁機器人工作環(huán)境模型，利用設(shè)計的優(yōu)先級啟發(fā)式算法在滾動窗口對路徑進行搜索。引入U型障礙物區(qū)域填充算法和死區(qū)逃離算法，使機器人能有效地遍歷U型障礙物區(qū)域并且快速逃離死區(qū)，降低遍歷重復率，使機器人在未知儲罐環(huán)境下能有效地遍歷整個工作區(qū)域。

1 儲罐檢測爬壁機器人工作環(huán)境建模

1.1 儲罐壁面簡化

立式圓柱體儲罐外壁是圓弧面，為三維工作環(huán)境。圖1所示為儲罐檢測爬壁機器人壁面工作圖。

圖1 儲罐檢測爬壁機器人壁面工作圖Fig.1 Wall working diagram of oil tank detection wall climbing robot

圖1（a）中：O為儲罐橫截面圓心；R為儲罐半徑；n為機器人左端點；m為機器人質(zhì)心；A為機器人底板距儲罐外壁距離；B為機器人寬度；α為機器人爬行后的曲率角。

常用的圓柱體儲罐直徑為24.0～40.0 m，高為9.6～16.3m。以直徑為24.0 m、高為9.6 m 的儲罐，寬度B=0.3 m的機器人（機器人底板距儲罐外壁的距離A很小，可以忽略）為例，進行計算：

α代表機器人在儲罐壁面爬行時的變形量。從式（1）可得：α的值很小，可忽略不計；隨著儲罐容積增大，α值呈降低趨勢。因此機器人在儲罐壁面爬行時幾乎不發(fā)生變形，可將機器人看作在豎直二維平面上爬行。

1.2 基于柵格地圖的環(huán)境建模

基于柵格地圖對儲罐外壁建模，根據(jù)機器人檢測探頭的寬度確定柵格大小。如式（2）所示，每個柵格有一個表示柵格狀態(tài)的值xi，并隨著機器人運動實時更新。

定義1：只要柵格被障礙物占據(jù)，則將該柵格定義為障礙物柵格。

根據(jù)儲罐外壁的情況建立環(huán)境模型，如圖2 所示，有針對性地在環(huán)境中設(shè)置了儲罐外壁可能存在的障礙物。該環(huán)境的柵格地圖模型如圖3所示，其中黑色部分為障礙物柵格，空白部分為未遍歷柵格。通過對比圖2和圖3可得，基于柵格地圖進行環(huán)境建?？梢允弓h(huán)境中的不規(guī)則障礙物變成規(guī)則的方形障礙物，使機器人在遍歷時運動方式變得簡單。

圖2 儲罐檢測爬壁機器人工作環(huán)境模型Fig.2 Working environment model of oil tank detection wall climbing robot

圖3 儲罐檢測爬壁機器人工作環(huán)境模型的柵格地圖Fig.3 Grid map of working environment model of oil tank detection wall climbing robot

若根據(jù)柵格的賦值情況建立三維柵格地圖，則未遍歷柵格位于地圖的頂部，已遍歷柵格位于地圖的中部，而障礙物柵格位于地圖的底部，如圖4所示?？蓪⒃摲椒ㄓ糜诨趥鞲衅鞯奈粗h(huán)境實時局部建模。

圖4 儲罐檢測爬壁機器人工作環(huán)境模型的三維柵格地圖Fig.4 3D grid map of working environment model of oil tank detection wall climbing robot

2 基于滾動窗口的遍歷路徑規(guī)劃

2.1 路徑規(guī)劃描述

本文討論的是儲罐全局環(huán)境未知情況下爬壁機器人全遍歷路徑規(guī)劃問題。規(guī)劃的目的是機器人能遍歷工作環(huán)境中所有可達區(qū)域，并滿足遍歷重復率最小的要求［20］。

儲罐外壁分布著有限個大小、形狀不受限制的障礙物，機器人事先未存儲任何障礙物信息，只能利用搭載的傳感器探測有限范圍內(nèi)的環(huán)境信息。為了安全起見，在機器人在線探測時把障礙物作一定的膨化處理［21］，同時機器人具有存儲運動路徑信息和自定位功能。將機器人視為一個質(zhì)點，當它運動到地圖中的某個柵格時，認為該柵格已遍歷。

2.2 基于滾動窗口的優(yōu)先級啟發(fā)式路徑規(guī)劃

圖5所示為基于滾動窗口的優(yōu)先級啟發(fā)式路徑規(guī)劃算法的構(gòu)建流程。

圖5 基于滾動窗口的優(yōu)先級啟發(fā)式路徑規(guī)劃算法的構(gòu)建流程Fig.5 Construction flowchart of priority heuristic path planning algorithm based on rolling window

2.2.1 滾動窗口

基于滾動窗口的路徑規(guī)劃（簡稱滾動規(guī)劃）是機器人在工作空間運動過程中實時探測周圍的局部環(huán)境信息，并以逐步滾動的方式進行在線路徑規(guī)劃，可實現(xiàn)路徑的優(yōu)化與反饋，確保規(guī)劃算法的合理性和安全性。

在滾動規(guī)劃中定義的滾動窗口包括可視窗口和規(guī)劃窗口。滾動窗口的生成包括以下4個步驟：

1）設(shè)置滾動窗口的參考坐標系。

如圖6所示，XOY表示世界坐標系，xoy表示機器人坐標系。機器人利用其攜帶的傳感器探測障礙物的位置信息，在xoy坐標系中建立局部環(huán)境模型，用該坐標系中的坐標來表示障礙物的具體位置。機器人在全局環(huán)境中的位置則需要用XOY坐標系的坐標來表示，通過XOY與xoy的坐標變換則可以確定障礙物在XOY坐標系中的具體位置，從而建立全局環(huán)境模型。

圖6 滾動窗口參考坐標系Fig.6 Rolling window reference coordinate system

2）確定滾動窗口的范圍。

設(shè)W表示機器人所在二維平面所有點的集合，P表示環(huán)境中的任意一點，PXY(t)表示機器人當前時刻位置，d表示機器人當前時刻位置與環(huán)境中任意一點的距離。機器人傳感器能夠探測以機器人為中心、半徑為r的圓形區(qū)域環(huán)境信息。

定義2：Win(PXY(t))={P|P∈W，d(P，PXY(t))≤r}為機器人的滾動窗口。

3）確定可視窗口。

可視窗口是在滾動窗口的基礎(chǔ)上設(shè)定的，在不影響局部路徑規(guī)劃的前提下，考慮局部環(huán)境信息的存儲及計算量，選取合適的滾動窗口大小。

定義3：以機器人為中心的5×5 個柵格為可視窗口。

4）確定規(guī)劃窗口。

規(guī)劃窗口是機器人進行局部路徑規(guī)劃的區(qū)域，其大小不能超過可視窗口，且需根據(jù)局部路徑規(guī)劃算法確定。根據(jù)優(yōu)先級啟發(fā)式路徑規(guī)劃算法，以機器人前進1個單位長度來定義規(guī)劃窗口。

定義4：以機器人為中心的3×3 個柵格為規(guī)劃窗口。

如圖7 所示，可視窗口和規(guī)劃窗口分別包含24個和8個柵格的信息。機器人在規(guī)劃窗口內(nèi)確定局部子目標并規(guī)劃路徑向子目標行進。機器人每行進1 步，窗口相應向前滾動，搭載的傳感器將實時獲得最新的環(huán)境信息并對滾動窗口進行更新。如圖8所示，Rob1、Rob2、Rob3 分別表示機器人移動時的位置，r1、r2、r3為相對應的滾動窗口的半徑。

圖7 滾動窗口Fig.7 Rolling window

圖8 窗口滾動示意圖Fig.8 Schematic diagram of window rolling

2.2.2 優(yōu)先級啟發(fā)式算法設(shè)計

啟發(fā)式算法是與具體問題求解及搜索過程相關(guān)的，將求解問題的具體信息融入算法中，從而提高算法的搜索效率，具有簡單、直觀且有效的優(yōu)點。因此本文提出基于滾動窗口的優(yōu)先級啟發(fā)式算法，將啟發(fā)式算法運用在路徑規(guī)劃以提高路徑搜索的時空效率。

本文提出的基于滾動窗口的優(yōu)先級啟發(fā)式算法，是根據(jù)建立的環(huán)境模型在以機器人為中心的規(guī)劃窗口內(nèi)設(shè)計優(yōu)先級順序，確定鄰域柵格搜索的優(yōu)先級，從而規(guī)劃出合理的局部遍歷路徑。

如何結(jié)合可視窗口的環(huán)境信息和路徑規(guī)劃的具體要求設(shè)計合理的優(yōu)先級順序是整個路徑規(guī)劃的關(guān)鍵。本文設(shè)計的優(yōu)先級順序為：PX-1，Y（左柵格）、PX，Y-1（下柵格）、PX，Y+1（上柵格）、PX+1，Y（右柵格）、PX+1，Y-1（右下柵格）、PX+1，Y+1（右上柵格）、PX-1，Y-1（左下柵格）、PX-1，Y+1（左上柵格）。如果PX-1，Y的柵格屬性值xi=1，則優(yōu)先遍歷PX-1，Y；如果PX-1，Y的柵格屬性值xi≠1（即xi=0 或xi=-1），則 考 慮PX，Y-1。以 此 類 推，再 考 慮PX，Y+1、PX+1，Y、PX+1，Y-1、PX+1，Y+1、PX-1，Y-1，PX-1，Y+1。

若以柵格形式表示優(yōu)先級順序，則形成了如圖9所示由9個柵格組成的優(yōu)先級啟發(fā)式算法的優(yōu)先級順序。中心柵格為機器人所在位置，其相鄰柵格搜索時的優(yōu)先級由所在柵格的羅馬數(shù)字表示，數(shù)字I表示最先搜索，Ⅱ次之，其他依此類推。

圖9 以柵格形式表示的優(yōu)先級啟發(fā)式算法優(yōu)先級順序Fig.9 Priority order of priority heuristic algorithm represented by grid

圖10為優(yōu)先級啟發(fā)式算法遍歷規(guī)劃示意圖，圖中的1，2，3表示柵格遍歷的順序。當機器人在位置1時，在規(guī)劃窗口按照上述算法建立優(yōu)先級順序，如圖中規(guī)劃窗口1所示。此時，機器人右側(cè)的柵格優(yōu)先級最大，因此機器人向右側(cè)柵格行進1步，移動到圖中的位置2。同理當機器人在位置2時，建立優(yōu)先級順序，如圖中規(guī)劃窗口2所示，機器人正下方的柵格優(yōu)先級最大，機器人移動到圖中的位置3，以此類推。

圖10 優(yōu)先級啟發(fā)式算法遍歷規(guī)劃示意圖Fig.10 Diagram of priority heuristic algorithm coverage planning

基于滾動窗口的優(yōu)先級啟發(fā)式路徑規(guī)劃算法的流程如圖11所示。優(yōu)先級啟發(fā)式算法實際上是一個先左后右、先下后上的迂回式遍歷規(guī)劃。如圖12所示，該算法不僅能完成對環(huán)境的迂回遍歷，還能實現(xiàn)機器人的障礙物邊緣行為策略的功能［22］，完成對障礙物邊緣的處理，避免機器人頻繁陷入死區(qū)，有效地提高路徑搜索的時空效率。

圖11 基于滾動窗口的優(yōu)先級啟發(fā)式算法流程Fig.11 Flowchart of priority heuristic algorithm based on rolling window

圖12 優(yōu)先級啟發(fā)式算法遍歷規(guī)劃實例Fig.12 Example of priority heuristic algorithm coverage planning

2.3 U型障礙物區(qū)域填充算法

儲罐外壁的真實環(huán)境是比較復雜的，可能存在向內(nèi)凹的U 型障礙物，如圖13 所示為開口向左的U型障礙物。直接采用優(yōu)先級啟發(fā)式算法對含有該類型障礙物的環(huán)境進行遍歷，規(guī)劃的路徑將從障礙物的左側(cè)柵格經(jīng)過，U型障礙物內(nèi)部將無法覆蓋，造成遍歷不完全。因此針對該問題，本文設(shè)計了U型障礙物區(qū)域填充算法。實現(xiàn)U型障礙物區(qū)域的填充包括U型障礙物的識別和U 型障礙物區(qū)域直接填充兩個方面。

2.3.1 U型障礙物的識別

圖13 開口向左的U型障礙物Fig.13 U-shaped obstacles opening to left

機器人只能通過傳感器探測周圍的環(huán)境，其最大探測范圍為可視化窗口的大小。U型障礙物分為小型U型障礙物和大型U型障礙物兩種。設(shè)H表示U型障礙物的開口寬度（用柵格數(shù)表示大?。梢暣翱诘拇笮?個。

定義5：H≤5 個時，為小型U 型障礙物；H＞5 個時，為大型U型障礙物。

1）小型U型障礙物的識別。

如圖14所示，當機器人在G點時，在可視窗口內(nèi)可觀察到障礙物點L、I，記錄兩障礙物點的位置信息。當機器人在C點時，如果在可視窗口的右上方存在連續(xù)障礙物，則可確定該障礙物為U型障礙物。

圖14 小型U型障礙物的識別Fig.14 Identification of small U-shaped obstacles

2）大型U型障礙物的識別。

如圖15所示，當機器人運動到D、E兩點所在柵格時，在可視窗口內(nèi)可觀察到障礙物點J、K，記錄兩障礙物點的位置信息。當機器人在F點時，如果在可視窗口右上方有連續(xù)障礙物，則可確定該障礙物為U型障礙物。

圖15 大型U型障礙物的識別Fig.15 Identification of large U-shaped obstacles

2.3.2 U型障礙物區(qū)域直接填充

為了對圖13所示的U型障礙物區(qū)域進行直接填充，機器人的運動路徑需向右延伸，因此在確定規(guī)劃窗口柵格的遍歷順序時，應使機器人右側(cè)相鄰柵格的優(yōu)先級最高。以柵格形式表示遍歷的優(yōu)先級順序，本文設(shè)計了如圖16所示的優(yōu)先級啟發(fā)式算法優(yōu)先級順序，可實現(xiàn)對U 型障礙物區(qū)域直接填充。圖17 為U型障礙物區(qū)域直接填充的實例。

圖16 U 型障礙物區(qū)域直接填充的優(yōu)先級啟發(fā)式算法優(yōu)先級順序Fig.16 Priority order of priority heuristic algorithm for direct filling of U-shaped obstacle area

圖17 U型障礙物區(qū)域直接填充實例Fig.17 Example of direct filling of U-shaped obstacles area

根據(jù)上述的方法識別U 型障礙物可能會出現(xiàn)2種判斷結(jié)果：U型障礙物和2條平行的障礙物帶。如果是2條平行的障礙物帶，如圖18所示，采用U型障礙物區(qū)域直接填充算法會造成規(guī)劃路徑的不合理，因此引入虛擬U 型障礙物的概念，當機器人向右填充時，若規(guī)劃窗口的右側(cè)和右下（上）側(cè)均為未遍歷柵格時（如圖19（a）所示），便把右側(cè)柵格當作虛擬障礙物，如圖19（b）所示。

圖18 2條平行的障礙物帶Fig.18 Two parallel obstacles

圖19 虛擬障礙物的識別Fig.19 Identification of virtual obstacles

另外，采用優(yōu)先級啟發(fā)式算法可以對如圖20所示環(huán)境中其他開口方向的U型障礙物區(qū)域進行填充，因此不需要單獨設(shè)計直接填充算法。

圖20 其他開口方向U型障礙物區(qū)域的填充Fig.20 Filling of U-shaped obstacle area opening to other directions

2.4 死區(qū)逃離算法

如圖21所示，當儲罐檢測爬壁機器人周圍柵格均為障礙物、邊界或已遍歷柵格時，機器人陷入死區(qū)。

圖21 儲罐檢測爬壁機器人陷入死區(qū)Fig.21 Oil tank detection wall climbing robot falling into the dead zone

機器人陷入死區(qū)后，無法再采用優(yōu)先級啟發(fā)式算法進行局部路徑規(guī)劃，則應讓機器人盡快以最優(yōu)路徑逃離死區(qū)。因此引入了方向函數(shù)yi，如圖22所示，引導機器人快速逃離死區(qū)，其定義為：

式（4）中：(Xp，Yp)為機器人當前位置坐標；（Xv，Yv）為機器人下一步移動位置坐標；（Xu，Yu）為距機器人當前柵格最近的未遍歷柵格坐標；φi為機器人當前柵格和最近未遍歷柵格連線與機器人當前柵格和下一步移動柵格連線的夾角；θi為機器人當前柵格和最近未遍歷柵格連線與X軸的夾角；αi為機器人當前柵格和下一步移動柵格連線與X軸的夾角。

為了使機器人以合理的路徑逃離死區(qū)，僅僅依靠方向函數(shù)是無法實現(xiàn)的，引入了一個路徑選擇函數(shù)fi，其定義為：

路徑選擇函數(shù)不僅僅包含了方向函數(shù)，還加入了柵格的屬性值xi，c是一個權(quán)值常數(shù)，0＜c＜1。

圖22 儲罐檢測爬壁機器人逃離死區(qū)方向函數(shù)示意圖Fig.22 Schematic diagram of direction function of oil tank detection wall climbing robot escaping from dead zone

式中：F表示路徑選擇函數(shù)最大值；k表示與機器人相鄰柵格的個數(shù)。

機器人根據(jù)相鄰柵格的路徑選擇函數(shù)值，逃離死區(qū)時始終往路徑函數(shù)值最大的方向移動。因此可得圖21中機器人陷入死區(qū)時的具體逃離路徑，如圖23所示。

綜上所述，在儲罐檢測爬壁機器人未知儲罐工作環(huán)境下基于滾動窗口的全遍歷路徑規(guī)劃算法的流程如圖24所示。

圖23 儲罐檢測爬壁機器人逃離死區(qū)的路徑Fig.23 Path of oil tank detection wall climbing robot escaping from dead zone

3 全遍歷路徑規(guī)劃仿真試驗和分析

為了檢驗基于滾動窗口的全遍歷路徑規(guī)劃算法的正確性，本文進行了仿真試驗，如圖25所示。

仿真環(huán)境為由25×20個柵格組成的柵格地圖，環(huán)境中含有儲罐外壁可能存在的障礙物，自由柵格數(shù)為457 個。儲罐檢測爬壁機器人最初不具備任何環(huán)境的信息，只能利用其自身攜帶的傳感器實時探測周圍的局部環(huán)境，進行在線局部環(huán)境建模和滾動路徑規(guī)劃。

圖24 基于滾動窗口的全遍歷路徑規(guī)劃算法流程Fig.24 Flowchart of complete coverage path planning algorithm based on rolling window

圖25中空白柵格為未遍歷柵格，黑色柵格為障礙物。以柵格地圖的左下角為起點，機器人利用滾動的可視窗口環(huán)境信息和優(yōu)先級啟發(fā)式算法進行在線規(guī)劃。通過對（6，6）、（7，6）、（6，11）三點的判斷，識別U 型障礙物，采用U 型障礙物區(qū)域填充算法進行遍歷，避免了柵格的漏檢。當運動到（7，20）時，周圍區(qū)域均為障礙物、邊界和已遍歷柵格，機器人陷入死區(qū)。此時采用死區(qū)逃離算法，機器人運動到最近未遍歷的柵格（8，17），逃離死區(qū)。當運動到（17，3）時，遇到2條平行的障礙物帶，啟用虛擬障礙物和U型障礙物區(qū)域填充算法進行填充。填充完畢后繼續(xù)采用優(yōu)先級啟發(fā)式算法進行遍歷，直到完成區(qū)域全遍歷。

圖25 基于滾動窗口的全遍歷路徑規(guī)劃仿真試驗Fig.25 Simulation test of complete coverage path planning based on rolling window

定義已遍歷柵格數(shù)與可達柵格數(shù)之比為遍歷率，重復遍歷柵格數(shù)與可達柵格數(shù)之比為重復遍歷率。在同樣的環(huán)境下采用基于柵格地圖的單元分解遍歷路徑規(guī)劃算法進行仿真，結(jié)果如圖26所示，表明該方法針對復雜環(huán)境無法實現(xiàn)全遍歷且遍歷重復率較高。

圖26 基于柵格地圖的單元分解遍歷路徑規(guī)劃仿真結(jié)果Fig.26 Simulation result of unit decomposition coverage path planning based on grid map

從圖25、圖26中可以得出不同算法下機器人遍歷性能評價指標，如表1所示。

由表1可知：基于柵格地圖的單元分解遍歷路徑規(guī)劃方法不能實現(xiàn)對環(huán)境的全遍歷，遍歷率為95%，重復率為4%，轉(zhuǎn)彎數(shù)為148次；本文提出的基于滾動窗口的全遍歷路徑規(guī)劃方法能很好地實現(xiàn)對工作空間的遍歷，遍歷率達100%，重復率為0.88%，轉(zhuǎn)彎次數(shù)為136次。

表1 不同算法下儲罐檢測爬壁機器人遍歷性能評價指標Table 1 Coverage performance evaluation index of oil tank detection wall climbing robot under different algorithms

同時，為驗證基于滾動窗口的全遍歷路徑規(guī)劃算法在不同環(huán)境下的魯棒性，選擇不同環(huán)境對算法進行測試。在3種大小及內(nèi)部障礙物均不同的環(huán)境下的路徑規(guī)劃仿真結(jié)果如圖27所示。從圖中可以看出，隨著環(huán)境變大、變復雜，路徑也越復雜，機器人陷入死區(qū)的次數(shù)增多：在15×15個和20×20個柵格環(huán)境下，機器人陷入死區(qū)的次數(shù)均為2次；在30×30個柵格環(huán)境中，機器人陷入死區(qū)的次數(shù)達到了5次。機器人陷入死區(qū)的次數(shù)越多，重復遍歷的柵格越多。但在3種環(huán)境下，本文算法都能對U型障礙物、平行障礙物帶和陷入死區(qū)進行處理，最終都能實現(xiàn)機器人工作區(qū)域的全遍歷。不同環(huán)境下機器人遍歷性能評價指標如表2所示。

圖27 不同環(huán)境下基于滾動窗口的全遍歷路徑規(guī)劃仿真結(jié)果Fig.27 Simulation results of complete coverage path planning based on rolling window in different environments

表2 不同環(huán)境下儲罐檢測爬壁機器人遍歷性能評價指標Table 2 Coverage performance evaluation index of oil tank detection wall climbing robot in different environments

4 結(jié) 論

本文采用基于滾動窗口的優(yōu)先級啟發(fā)式路徑規(guī)劃算法，實現(xiàn)了儲罐檢測爬壁機器人在未知儲罐外壁環(huán)境情況下對工作區(qū)域的全遍歷。利用滾動的可視窗口環(huán)境信息和設(shè)計的優(yōu)先級啟發(fā)式遍歷算法，實現(xiàn)機器人對工作空間的迂回遍歷；提出U型障礙物區(qū)域填充算法和虛擬障礙物概念，實現(xiàn)U型障礙區(qū)域的連續(xù)遍歷；當機器人陷入死區(qū)時，快速啟用死區(qū)逃離算法以使機器人逃離死區(qū)。仿真結(jié)果表明該方法能夠?qū)崿F(xiàn)機器人對儲罐外壁的全遍歷，降低了遍歷重復率，整體上提高了遍歷效率。