基于TA-NSGA-II方法的移动机器人在不平坦地形上的节能覆盖路径规划

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Energy-Efficient Coverage Path Planning for Mobile Robots on Uneven Terrain via the TA-NSGA-II Approach

覆盖路径规划研究在三维地形中提出地形自适应NSGA-II算法，优化总行程、累计高差和转弯次数三个目标，对比5种方法显示能耗降低5-237%且保持100%覆盖率。

　　

摘要

覆盖路径规划（Coverage Path Planning, CPP）旨在引导机器人穿越领域内的所有可到达区域，同时避开障碍物。本研究关注在崎岖不平的3D地形上运行的移动机器人，由于地形的高低变化，路径生成比在平坦表面上更为复杂。实际的CPP需要平衡多个目标；例如，在农业中，拖拉机需要覆盖整个田地，同时尽量减少燃料消耗。由于没有一条路径能够同时最优地满足所有目标，因此CPP自然被构建为一个多目标优化（Multi-Objective Optimization, MOO）问题。现有方法在这种条件下表现不佳。地形自适应NSGA-II（TA-NSGA-II）是NSGA-II的改进版本，旨在解决这一挑战。它能够同时独立地优化三个目标：（1）总行驶距离导致的能量消耗，（2）累积高度变化，以及（3）转弯次数，同时确保目标区域100%的覆盖率。该方法在基于Himmelblau函数建模的合成地形上进行了评估，并在新西兰Nelson City以及其他两个不平坦地区的真实3D地形数据上进行了验证。TA-NSGA-II与五种现有的方法进行了比较：地形形状自适应（TSA）、之字形路径（Zigzag）、高斯生物启发神经网络（GBNN）、生成树覆盖（STC）以及改进版的NSGA-II。结果表明，TA-NSGA-II在保持100%覆盖率的同时，将能量消耗降低了5%至237%。一项消融研究强调了高度目标和约束条件的重要性。生成的帕累托最优路径使得可以根据能量消耗、转弯次数、高度变化和行驶距离之间的权衡来进行路径选择。