一种基于虚拟化的数据中心自动巡检导航算法

由于自动化技术的快速发展和广泛应用，利用巡检机器人对数据中心设备安全巡检更是多式多样。导航技术是机器人巡检的必要前提，目前机器人导航技术主要分为视觉导航（VSLAM）、电磁导航和激光雷达导航（SLAM）。视觉导航技术主要通过智能巡检机器人携带红外热像仪、可见光CCD等巡检设备，实现视觉导航巡检功能。激光雷达导航技术[1]则是通过内部激光模组测量与障碍物之间的距离，结合定位信息来实现越障巡检。而电磁导航则是基于神经网络[2]，通过各种传感器采集的信息，建立巡检机器人行进路线的模型。不管采用什么技术，其最终目的是实现巡检机器人自主越障巡检的功能。

国内外相关领域的研究机构，针对机器人巡检越障问题，提出了各种各样的方法。文献[3]提出一种基于信息融合的巡检机器人电磁导航方法；文献[4]提出了基于感知技术的机器人巡检方法；利用电磁传感器获取位置信息，利用激光模组测量与障碍物之间距离的辨识方法；文献[5]在巡检机器人导航系统设计以及配合电网调控方面进行了深入研究。

目前大多数研究的重点偏向于机器人的智能控制，在机器人巡检路线算法上的研究较少，为了使机器人快速自主越障、耗时更少和路线更为精确，本文提出了一种基于虚拟化算法的数据中心巡检机器人导航设计，虚拟化算法以地图数据库、红外检测、传感器信息和图像信息为依据，利用虚拟化技术建立巡检机器人巡检路线模型。该设计能有效地对机器人行进路线优化，使机器人快速越障，缩短巡检时间，为数据中心设备巡检带来便利。

1 巡检机器人导航自主越障原理

巡检机器人最主要的功能就是运动和跨越障碍物，对此巡检机器人机身采用旋转式关节，机身能够自由切换旋转，且安置传感器、红外探测仪、摄像头和拾音器。底部则是采用四驱动非对称轮式关节设计，其中每个行进轮设有滑轮结构、回转结构、重心调节结构和机体缓冲结构，分别实现行走、反转、稳定和缓冲的功能。

巡检机器人自主导航控制原理如图1所示，通过机器人机身上的传感器，实时监测行进路线，通过红外探测和摄像进行图像采集，一旦识别到障碍物类型，便调用地图数据库中存储的路径规划，计算出适合机器人行进的路线模型，并输出路径权值参数至虚拟化算法；同时根据检测到的障碍物的类型特征，调用机器人动作模型库中存储的动作规划，模拟出机器人跨越或绕过障碍物的动作，并输出机器人动作权值参数至虚拟化算法；通过虚拟化算法计算出最终参数，将数据写入控制器，最后得到巡检机器人底部滑轮和各个关节的运动矢量，驱动电机运行，最终实现机器人按照预先设置的避障动作跨越或绕过障碍物。

图1 巡检机器人控制原理图

2 路线模型以及动作模型参数获取方法

2.1 路径参数获取

自动巡检的前提是定位，而定位的基础是坐标。由图1可知，路线模型是从存储的路径规划中获取的，机器人是在水平地面上行进，可以建立行进路线平面坐标系[6]。

以曲线巡检路径为例，如图2所示，将实际巡检路径用若干个直线分割，曲线上的每个点坐标都可以表示，根据点坐标可以计算出路径斜率变化率K。由微分的原理可知，X轴自变增量和Y轴因变增量存在一个关系常量，可用切线段近似代替曲线段，将若干个点坐标通过积分的方法计算出路径偏移矩阵TX→Y。

路径斜率变化率K的描述：

路径矢量参数F0和路径偏移矩阵TX→Y的关系：

图2 巡检路线分割简化图

2.2 动作参数获取

巡检机器人辨识到障碍物时会调用动作模型库做出相应的越障动作，根据D-H矩阵（Denavit和Hartenberg）原理[7]，机器人每个连杆上固定一个坐标系，用齐次变换矩阵描述行进轮之间的位姿变化，建立机器人运动方程。

以巡检机器人某一行进轮运动为例，建立一个三维坐标系，行进轮旋转有六个自由度，行进轮旋转后和三个坐标轴的夹角分别为α、β、θ，旋转之后的位置用M(X1，Y1，Z1)来表示，通过矩阵计算得到旋转矩阵R1，通过分析位姿的变化可得出机器人动作参数T1。

旋转矩阵R1可以表示为：

比例变换I1可以表示为：

由（3）、（4）式可计算出动作参数T1可以表示为：

图3 行进轮旋转简化图

3 虚拟化算法

上述的路径、动作参数获取方法和都是通过建立坐标系模型，结合数学公式计算而来。仍存在少许误差，虚拟化算法[8]具有动态数据资源调整配置的特点，通过使用虚拟化算法将这些底层参数链接起来，排除不贴合的参数，计算出最佳路线权值，使机器人行进时避开或跨越障碍物[7]。

3.1 路径参数导入和应用

为实现行进路径少、时间耗费低和行进准确的功能，依据虚拟化算法生成路线分类器将获取到的路径参数进行资源分类，Set X1=0，Set Y1=0设定原点基础位置，通过n个标准切割线计算，生成一个新的 Ŷi 路线，并计算其误差W，和原有模型路线对比，若误差为0，则应用到新的函数h(x)中。

多障碍物环境下，路况问题会导致行进路线偏差，为使机器人能自行矫正，利用虚拟化算法统计出目前行进路线的坐标集合{M1，M2，……，Mn}，计算出平均权值k，与预设平均权值的差值Q对比，如果差值相等，则路线矫正成功，输出OK。若差值不相等，则继续调整偏移量T，直到差值相等为止。

3.2 动作参数导入和应用

为减少机器人不必要的动作，将机器人每次做过的动作存储记忆下来，当重复动作时，虚拟化算法可以对动作参数进行优化，可以将动作时间缩短，提高巡检效率。

初始化算法缓冲库记录做过的动作Record Rd{1，2，3……，n}，存储动作库Storage new Rd：，如果动作Xi重复，即，调整行进轮角度θ并更新至动作函数h(x)中，对点坐标Xi，Yi，Zi进行调整，输出一个角度变量M，模拟M角度旋转所用时间T1，如果T1小于T，则M即为最佳旋转角度。

4 实验分析

虚拟化算法可将路径参数和动作参数优化导入到控制器，优化巡检机器人路线。

实验主要验证虚拟化算法的合理性和有效性，实验环境主要有巡检机器人、各种障碍物、数据中心实际巡检线路和辅助测量设备等构成。在实验环境中，为了让实验数据更有真实性和说服力，设置某数据中心多个地点为目的终点，同时增加了多种障碍物。

4.1 多障碍物自主导航巡检实验

多障碍物路线会导致巡检机器人的行进轮受到阻塞或发生侧滑，此实验验证虚拟化算法能否让巡检机器人自行矫正路线和越障功能。

巡检机器人按照路线模型在数据中心路线中行进，检测到前方障碍物，会自行跨越或绕过障碍物。当绕过障碍物时行进轮发生侧滑现象时，巡检机器人依据虚拟化算法及时调整行进轮角度，机体调整重心，矫正巡检路线。实验过程中记录了机械运动关节位移量、行进轮角度变化量、机器人巡检损耗时间等信息。

实验得到行进轮角度变化量的实测值和算法估算值，通过数据可以清晰看出虚拟化算法的估算值无限接近实测值，其最大误差为0°00′10″。

4.2 与其他研究实验对比

实验数据提取部分，选取5条不同长度和不同障碍物的路线，长度分别为15m、20m、25m、30m、35m；障碍物分别为木桩、垃圾桶和坑洼路等。实验对象分别为虚拟化算法巡检、无算法巡检和特征提取算法巡检。通过三种算法实验对比，可以看出虚拟化算法对新路线第一次巡检时间较长，随着巡检次数的增加，时间会缩小并趋向于稳定。

经过某数据中心实际测验可知虚拟化算法相比无算法和特征提取算法，巡检时间更短更稳定，巡检效率更高。

5 结束语

随着人工智能与现代生活的关联愈加密切，人工智能在生活中的应用将会愈加广泛。机器人巡检损耗的时间对数据中心来说十分宝贵，本文提出了一种基于虚拟化算法的数据中心巡检机器人导航设计，虚拟化算法以地图数据库、红外检测、传感器信息和图像信息为依据，利用虚拟化技术建立巡检机器人行进路线模型，对巡检机器人行进路线进行优化，确保路线准确并快速越障，降低了数据中心的人工成本并提供了设备巡检便利。