CN102426806B - 一种基于动态小区划分的区域路网无人机巡航方法 - Google Patents

Abstract

本发明公开了一种基于动态小区划分的区域路网无人机巡航方法，其包括：对道路进行分级，将所有道路按等级划分为重要与不重要两部分，以便安排巡航时能有所区别；根据无人机巡航半径及地面控制中心对整个区域进行飞行小区初步划分，一个飞行小区由一架无人机进行巡航；对每个飞行小区中不同等级的道路进行无人机飞行路径优化，并根据无人机路径优化结果进行巡航时间约束的检验，若满足条件，则确定为最优路径；否则转入下一步；若不满足巡航时间约束，则采用聚类分析法对各小区进一步划分；重复前述步骤，直到满足所有约束，得到最终优化小区及优化路径，确定巡航方案。

Description

一种基于动态小区划分的区域路网无人机巡航方法

技术领域

本发明属于交通技术领域，涉及无人机巡航方法，尤其是一种基于动态小区划分的区域路网无人机巡航方法。

背景技术

当前无人机在交通运输中的作用越来越受到重视，且无人飞机在交通事故处理、交通信息采集和处理、交通流聚集和扩散规律、交通路段和交叉口车辆及行人行驶状态等方面有着广泛的应用前景。但是由于国内交通运输领域对于无人机的研究刚起步，目前尚未形成较系统的无人机区域路网巡航方法。因而，制定合理的无人机巡航方案具有广泛的现实意义。

发明内容

本发明的目的在于提供一种基于动态小区划分的区域路网无人机(UAV)巡航方法，可对区域进行划分巡航，具有高效性及高覆盖性。

为达到以上目的，本发明所采用的解决方案是：

一种基于动态小区划分的区域路网无人机巡航方法，其包括以下步骤：

1)对道路进行分级，将所有道路按等级划分为重要与不重要两部分，以便安排巡航时能有所区别；

2)根据无人机巡航半径及地面控制中心对整个区域进行飞行小区初步划分；

3)对每个飞行小区中不同等级的道路进行无人机飞行路径优化，并根据无人机路径优化结果进行巡航时间约束的检验，若满足条件，则确定为最优路径；否则转入下一步。

本发明中一个飞行小区仅由一架无人机进行巡航。

4)若不满足巡航时间约束，则采用聚类分析法对各小区进一步划分；

5)重复3)、4)两步，直到满足所有约束，得到最终优化小区及优化路径，确定巡航方案。

所述对道路进行分级，通过以下步骤实现：

A.确定评价指标(如事故发生率等)；

B.分析统计与评价指标相关的数据，确定与评价指标相关的影响因素，并利用回归模型确定对评价指标有显著影响的因素，建立预测模型；

C.预测评价指标的未来值，并利用基于经验的贝叶斯公式对预测值与历史数据进行加权平均，充分考虑历史数据对未来值发生预测的参考意义，从而得到评价指标的期望值。

对道路进行分级，是把巡航路段划分为不同等级，为无人机巡航方案安排的提供了一个分类指标，可根据重要度对各分类安排不同强度的巡航。

所述小区初步划分，利用现有的地面控制中心作为无人机的地面控制台，即利用现有地面控制中心及无人机的巡航半径把区域划分为多个圆形区域，作为初步的巡航小区；对于没有被覆盖的道路，则以最大覆盖率为原则增设地面控制中心。

在初步划分过程中，允许不同地面控制中心的可监控区域出现交叉。同时处于两个或多个可监控区域范围(地面控制中心)内的路段，可根据实际需要划分到不同可监控区域内的飞行小区内。若其同时处于现有地面控制中心和新增地面控制中心交叉区域，且新增地面控制中心可监控范围内的目标路段较少，则此路段优先划入新增可监控区域内的飞行小区。

所述无人机飞行路径优化：

对道路进行等级划分后，每个等级的道路均是离散分布在整个区域中。由于巡航路段为常速，因而可将路段抽象成单个点，同时，为每个抽象点赋予“惩罚函数”，表示UAV在(抽象点)路段需要的巡航时间。以i、j两个路段为例(其端点分别为a_i、b_i及a_i+1、b_i+1)，从第i个路段飞到第j个路段的飞行里程为：

其中，

分别表示b_i→a_i+1，a_i→a_i+1，b_i→b_i+1，a_i→b_i+1的飞行里程

假定飞行费用与飞行里程成正比。因此，以总飞行费用最小，即总飞行里程最短可建立如下目标模型：

$\min f=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}$

该问题属于经典TSP问题，可运用多种解法进行求解，这里就不再详细说明。

求解出最优路线后，再进行无人机的巡航时间约束的检验。每个(抽象点)路段的飞行时间，即每个路段抽象点的“惩罚函数”公式为：

$P_i=\frac{L_i}{V_0}+{\mathrm{\σ}}_i$

其中：

P_i每个(抽象点)路段的飞行时间，即每个路段抽象点的惩罚函数，

L_i路段i的长度，

V₀表示UAV巡航速度，

σ_i～N(0，1表示每个路段所需飞行时间的随机误差服从正态分布。则巡航时间约束：

$\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}}{V_0}+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i\≤0.9T$

其中T为UAV巡航能力，0.9为考虑到飞行速度影响因素的保险系数。

若满足约束，则确定为相应小区最优路径：否则考虑增设小区，对小区进一步划分，再进行路径优化，直到该小区满足无人机的巡航时间约束。

所述小区进一步划分中，利用聚类分析划分小区具体步骤：

采用ArcGIS软件中所提供的高低聚类工具High/Low Clustering Tool (Getis-Ord General G)对研究区域内的路段的聚集程度进行衡量，其主要计算公式为：

描述所有路段间空间关系General G指标的计算公式：

$G\left(d\right)=\frac{\mathrm{\Σ\Σ}{w}_{\mathrm{ij}}\left(d\right)x_i{x}_j}{\mathrm{\Σ\Σ}{x}_i{x}_j}$

其中：

G(d)为General G系数；

x_i和x_j分别为第i条路段和第j条路段的评价指标属性值，这里即为事故发生数，且i≠j；

w_ij(d)为两条路段中心距离的函数；

G(d)值的标准化Z值(z-score)计算公式：

$Z\left(G\right)=(G\left(d\right)-E\left(G\left(d\right)\right))/\sqrt{\mathrm{Var}\left(G\left(d\right)\right)}$

其中：

Z(G)为G(d)值的标准化Z值(z-score)，

E(G(d))，Var(G(d))分别为G(d)值的期望和方差。

根据ArcGIS软件中所提供的高低聚类工具High/Low Clustering Tool (Getis-Ord GeneralG)，计算出G(d)、Z(G)值(z-score)、P值(p-value)。这里，z-score、p-value可用来检验各路段间是否存在空间聚类效应。其中p-value是一个概率值，当p-value小于所设定的显著性水平时，说明各路段间存在显著的聚类效应，否则，不存在显著的聚类效应。p-value越小，|Z(G)|则越大。聚类效应也越明显；当Z(G)在零值附近时，说明不存在显著的聚类效应。较大的正值Z(G)说明存在高值间的聚集，较小的负值Z(G)说明存在低值间的聚集。

若存在空间聚集效应，则以聚集中心为核心，将同一监控区域内的多数低重要度路径划分为一个飞行小区；其余少数不具有空间聚集效应的低重要度路径划分为另一个飞行小区。其中多数与少数确定的依据是：在空间上存在聚集效应的多数低重要度路段的空间距离均较近，这就意味着路段之间的飞行距离较短；相反，对于在空间上不存在聚集效应的少数低重要度路段，其在空间上是离散分布的，因此，也就意味着更长的路段间飞行距离。所以，考虑到UAV的最大续航时间约束，多数存在空间聚集效应的目标路段划分为一个小区，少数离散分布的目标路段划分到另一个小区。

由于采用了上述方案，本发明具有以下特点：

本发明中赋予整个研究区域路网中各不同道路以不同的重要等级。由于资源限制、资源的有效利用等原因，有时不可能，也没必要对整个研究区域的所有范围进行无人机巡航，特别是当研究区域特别大时，因而把道路划分成各不同等级是相当有必要的，以保证在有限的资源下对大部分重要路段的覆盖率。

本发明利用现有地面指挥中心作为无人机的飞行控制平台，即节约资金，又充分利用了现有资源，达到对资源的最大利用。

本发明以小区为单位进行无人机飞行小区的划分，简单易懂，便于大范围传播应用。同时本发明所利用的动态小区划分及动态路径优化，适用于各种不同的研究区域，拥有很强的通用性，能够广泛应用于各种不同的巡航区域。

附图说明

图1为本发明中将路段抽象成点的结构示意图。

图2为本发明中飞行路径优化模型操作流程。

图3为本发明中飞行小区划分流程图。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

本发明通过对区域进行动态划分、对道路进行分级及对无人机进行飞行路径优化，得到了一个具有通用性的无人机区域路网巡航方法。

对于所研究的区域路网，存在一些需要特别关注的路段，同时也包含一些研究价值不大的路段。因而，需要首先对路段进行分级，即重要度划分。对路段进行等级划分的第一步首先确定评价指标。这里，评价指标可采用交通流量、事故发生量等。其次则是对与评价指标有关的统计数据进行分析，以事故发生量为评价指标为例，通过对所获得的历史数据整理分析，确定与事故发生量有关的影响因素，如年平均日交通量AADT、路段长度L、平曲线平均转角Ave_angle、竖曲线变量vc、竖曲线平均坡度Av_slope、大车比例Truck％等。再次则是对统计数据进行回归分析，确定对评价指标产生显著性影响的决策变量。接着根据得到的决策变量及经验公式对评价指标进行预测，如利用事故预测模型对事故发生量进行预测。最后利用基于经验的贝叶斯公式对预测数据及历史数据进行加权平均。其公式为：

E_p＝w*N_p+(1-w)*O

其中：

E_p为基于评价指标的测值和历史数据观测值加权平均的事故发生数的期望值；

N_p为由预测模型所得的评价指标预测值；

w为预测值在最终事故发生数结果中所占的权重；

O为历史数据观测值。

根据所求得的评价指标期望值，把巡航路段划分为不同等级，为无人机巡航方案安排的提供一个分类指标。可根据路段重要度的不同，对各分类安排不同强度的巡航。

对于得到的各等级的路段，分别进行路径优化。这里，对于各等级的路段，可运用相同的方法进行优化。

整个无人机巡航路径优化过程如图2所述。这是一个动态过程，需结合动态小区划分。

具体优化方法如下：

对于每个初步划分得到的小区，首先，根据图1，对问题进行抽象。由于对道路进行等级划分，每个等级的道路均离散分布在整个研究区域中。并且，由于巡航任务中每一个路段都要沿路完整地飞过之后，才可以进行下一路段的巡航。也就是说，路段飞行是固定必须完成的任务，为一个常量。因此，可以将任一路段抽象成一个点。同时，为每个抽象点赋予“惩罚函数”，表示UAV在(抽象点)路段需要的巡航时间。以i、j两个路段为例(其端点分别为a_i、b_i及a_i+1、b_i+1)，从第i个路段飞到第j个路段的飞行里程为：

$x_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}$

其中，

分别表示b_i→a_i+1，a_i→a_i+1，b_i→b_i+1，a_i→b_i+1的飞行费用

本文假定飞行费用与飞行里程成正比。因此，以总飞行费用最小，即总飞行里程最短可建立如下目标模型：

$\min f=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}$

该问题属于经典TSP问题，可运用多种解法进行求解，这里就不再详细说明。

求解出最优路线后，再进行无人机的巡航时间约束的检验。每个路段的飞行费用，即每个路段抽象点的“惩罚函数”公式为：

$P_i=\frac{L_i}{V_0}+{\mathrm{\σ}}_i$

其中：

P_i每个(抽象点)路段的飞行时间，即每个路段抽象点的惩罚函数，

L_i路段i的长度，

V₀表示UAV巡航速度，

σ_i～N(0，1表示每个路段所需飞行时间的随机误差服从正态分布。

则巡航时间约束：

$\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}}{V_0}+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i\≤0.9T$

其中T为UAV巡航能力，0.9为考虑到飞行速度影响因素的保险系数。

若满足约束，则确定为相应小区最优路径：若不满足，则考虑增设小区，对小区进行进一步划分。再进行路径优化，直到该小区满足无人机的巡航时间约束。

图3所示的就是整个小区的动态划分过程。

其具体划分原则如下：

首先，在ArcGIS软件中确定现有地面控制中心的准确地理位置，然后以其为圆心、飞行控制半径R为半径画圆来确定UAV的可监控范围。

其次，针对那些不在任何现有地面控制中心覆盖的可监控区域内的目标，需要增设地面控制中心。如何确定新增地面控制中心的地理位置是关键问题。问题的实质是：半径为R公里的圆心定位应如何定位，才使得该圆具有对目标路段的最大覆盖，即令尽可能多的目标路段某一新增地面控制中心的可监控区域之内。这里，允许不同的地面控制中心的可监控区域出现交叉；

再次，针对每个现有地面控制中心可监控区域内的路段，运用无人机飞行路径优化模型对其总的飞行距离进行计算(如果是进行路段巡航的话，则需要加上巡航路段的长度)。根据计算结果做出下一步决策，存在两种情况：

情况一：如果总的飞行距离小于UAV最大续航能力(巡航时间)，则此可监控范围内的所有目标路段可划分为同一个飞行小区。

情况二：如果总的飞行距离大于UAV最大续航能力，则计算其超出最大续航能力的比例，若比例较小，则考虑将一些同时处于两个可监控区域内的路段划分到另一个可监控区域的飞行小区内，但需要使目标重新划分到的另一个飞行小区也满足UAV最大续航能力约束，不能超出限制。或者选择将其安装地面检测设备(具体操作需考虑成本限制问题，比较安装地面检测设备与新增UAV运营、维护之间的成本差额，根据实际情况选择低成本方案)；若比例较大，则考虑将此监控区域划分为两个飞行小区，由两架UAV各自负责一个小区的监控任务，重新运用无人机飞行路径优化模型计算各飞行小区内的总监控飞行距离，并判断是否满足UAV最大续航能力约束。若不满足，则继续增设飞行小区，依此类推。其中，由于各个飞行小区都处于同一个飞行控制半径内，因此，可不用增设新的地面控制中心，多架UAV从同一控制中心起飞、降落，从而降低基础设施建设和人工成本支出。

以将同一飞行控制半径内的可监控区域划分为两个飞行小区为例，尽管无法利用完全定量的方法将一个可监控区域划分为若干飞行小区，但是，本方法设计了一种以定量分析为基础的半定量化的飞行小区划分方法。

首先对各目标进行空间聚类分析，挖掘其在空间上的聚集效应。这里，要查明目标在空间上的聚集效应，这是一种关于属性值在空间上的自相关现象的判断，因此可利用空间聚类分析中的空间自相关分析(Spatial Autocorrelation Analysis)方法来实现。最常用的空间自相关指标有Moran’s I指数、Geary’s Ratio指数和General G指数，但是由于Moran’s I指数和Geary’s Ratio指数只能判断空间数据是否存在空间自相关现象，而不能判断空间数据在局部是高值聚集还是低值聚集，因此，这里采用ArcGIS软件中所提供的高低聚类工具High/LowClustering Tool(Getis-Ord General G)对研究区域内的路段的聚集程度进行衡量，其主要计算公式为：

描述所有路段间空间关系的General G指标的计算公式：

$G\left(d\right)=\frac{\mathrm{\Σ\Σ}{w}_{\mathrm{ij}}\left(d\right)x_i{x}_j}{\mathrm{\Σ\Σ}{x}_i{x}_j}$

其中：

G(d)为General G系数；

x_i和x_j分别为第i条路段和第j条路段的评价指标属性值，这里即为事故发生数，且i≠j；

w_ij(d)为两条路段中心距离的函数；

G(d)值的标准化Z值(z-score)计算公式：

$Z\left(G\right)=(G\left(d\right)-E\left(G\left(d\right)\right))/\sqrt{\mathrm{Var}\left(G\left(d\right)\right)}$

其中：

Z(G)为G(d)值的标准化Z值(z-score)，

E(G(d))，Var(G(d))分别为G(d)值的期望和方差。

根据ArcGIS软件中所提供的高低聚类工具High/Low Clustering Tool (Getis-Ord GeneralG)，计算出G(d)、Z(G)值(z-score)、P值(p-value)。这里，z-score、p-value可用来检验各路段间是否存在空间聚类效应。其中p-value是一个概率值，当p-value小于所设定的显著性水平时，说明各路段间存在显著的聚类效应，否则，不存在显著的聚类效应。另外，p-value越小，|Z(G)|则越大，聚类效应也越明显；当Z(G)在零值附近时，说明不存在显著的聚类效应。较大的正值Z(G)说明存在高值间的聚集，较小的负值Z(G)说明存在低值间的聚集。其它详细情况，具体可见下表：

情况	Z(G)值
		高值临近	强正相关
高值与中间值临近	中度正相关
		中间值与中间值临近	0
随机分布	0
		高值与低值临近	负相关
中间值与低值临近	中度负相关
		低值与低值临近	强负相关

若存在空间聚集效应，则以聚集中心为核心，将同一监控区域内的多数低重要度路径划分为一个飞行小区；少数不具有空间聚集效应的低重要度路径划分为另一个飞行小区，其中多数与少数确定的依据是：在空间上存在聚集效应的多数低重要度路段的空间距离均较近，这就意味着路段之间的飞行距离较短；相反，对于在空间上不存在聚集效应的少数低重要度路段，其在空间上是离散分布的，因此，也就意味着更长的路段间飞行距离。所以，考虑到UAV的最大续航时间约束，多数存在空间聚集效应的目标路段划分为一个小区，少数离散分布的目标路段划分到另一个小区。

本发明给出了如何划分无人机巡航对象等级、如何划分无人机巡航区域及如何确定无人机的最优巡航路径，同时考虑一个飞行小区由一架无人机巡航。至于具体的巡航班次安排，则可根据目标对象的重要等级及具体实际情况合理确定。同时，本发明并不只局限于路网巡航，对于存在需要无人机进行巡航的区域目标物，本发明同样具有较好的参考价值。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (4)

1.一种基于动态小区划分的区域路网无人机巡航方法，其特征在于：其包括以下步骤：

1）对道路进行分级，将所有道路按等级划分为重要与不重要两部分，以便安排巡航时能有所区别；

2）根据无人机巡航半径及地面控制中心对整个区域进行飞行小区初步划分，一个飞行小区由一架无人机进行巡航；

3）对每个飞行小区中不同等级的道路进行无人机飞行路径优化，并根据无人机路径优化结果进行巡航时间约束的检验，若满足条件，则确定为最优路径；否则转入下一步；

4）若不满足巡航时间约束，则采用聚类分析法对各小区进一步划分；

5）重复3）、4）两步，直到满足所有约束，得到最终优化小区及优化路径，确定巡航方案；

所述对道路进行分级，是通过以下步骤实现的：

A.确定评价指标；

B.分析统计与评价指标相关的数据，确定与评价指标相关的影响因素，并利用回归模型确定对评价指标有显著影响的因素，建立预测模型；

C.预测评价指标的未来值，并利用基于经验的贝叶斯公式对预测值与历史数据进行加权平均，充分考虑历史数据对未来值的参考意义，从而得到评价指标的期望值。

2.如权利要求1所述的基于动态小区划分的区域路网无人机巡航方法，其特征在于：所述小区初步划分，利用现有地面控制中心作为无人机的地面控制台，将现有地面控制中心及无人机的巡航半径把区域划分为多个圆形区域，作为初步的巡航小区；对于没有被覆盖的道路，则以最大覆盖率为原则增设地面控制中心；初步划分过程中，允许不同地面控制中心的可监控区域出现交叉；同时处于两个或多个可监控区域范围内的路段，根据实际需要划分到不同可监控区域内的飞行小区内；若其同时处于现有地面控制中心和新增地面控制中心交叉区域，且新增地面控制中心可监控范围内的目标路段较少，则此路段优先划入新增地面控制中心可监控区域内的飞行小区。

3.如权利要求1所述的基于动态小区划分的区域路网无人机巡航方法，其特征在于：所述无人机飞行路径优化，包括以下步骤：

由于巡航路段为常速，将路段抽象成单个点，为每个抽象点赋予“惩罚函数”，表示无人机在路段需要的巡航时间；

以i、j两个路段为例，其端点分别为a_i、b_i及a_i+1、b_i+1，从第i个路段飞到第j个路段的飞行里程为：

$x_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}$

其中，

分别表示b_i→a_i+1,a_i→a_i+1,b_i→b_i+1,a_i→b_i+1的飞行里程.

假定飞行费用与飞行里程成正比，以总飞行费用最小，即总飞行里程最短可建立如下目标模型：

$\min f=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}$

求解出最优路线后，再进行无人机的巡航时间约束的检验；

每个路段的巡航时间，即每个路段抽象点的“惩罚函数”公式为：

$P_i=\frac{L_i}{V_0}+{\mathrm{\σ}}_i$

其中：

P_i每个路段的飞行时间，即每个路段抽象点的惩罚函数，

L_i路段i的长度，

V₀表示UAV巡航速度，

σ_i～N(0,1)表示每个路段所需飞行时间的随机误差服从正态分布；

则巡航时间约束：

$\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}\left\{\mathrm{\α}\right[{\mathrm{\βC}}_{\mathrm{ij}}^{a_1}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_1}]+(1-\mathrm{\α})[{\mathrm{\βC}}_{\mathrm{ij}}^{a_2}+(1-\mathrm{\β})C_{\mathrm{ij}}^{b_2}\left]\right\}}{V_0}+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i\≤0.9T$

其中T为无人机巡航能力，0.9为考虑到飞行速度影响因素的保险系数；

若满足无人机的巡航时间约束，则确定为相应小区最优路径：否则考虑增设小区，对小区进一步划分，再进行路径优化，直到该小区满足无人机的巡航时间约束。

4.如权利要求1所述的基于动态小区划分的区域路网无人机巡航方法，其特征在于：所述小区进一步划分是利用聚类分析划分小区，包括以下步骤：

采用ArcGIS软件中所提供的高低聚类工具High/Low Clustering Tool对研究区域内的路段的聚集程度进行衡量，其主要计算公式为：

描述所有路段间空间关系的General G指标的计算公式：

$G\left(d\right)=\frac{\mathrm{\Σ\Σ}{w}_{\mathrm{ij}}\left(d\right)x_i{x}_j}{\mathrm{\Σ\Σ}{x}_i{x}_j}$

其中：

G(d)为General G系数；

x_i和x_j分别为第i条路段和第j条路段的评价指标属性值，且i≠j；

w_ij(d)为两条路段中心距离的函数；

G(d)值的标准化Z值计算公式：

$Z\left(G\right)=(G\left(d\right)-E\left(G\left(d\right)\right))/\sqrt{\mathrm{Var}\left(G\left(d\right)\right)}$

其中：

Z(G)为G(d)值的标准化Z值，

E(G(d))，Var(G(d))分别为G(d)值的期望和方差，

根据ArcGIS软件所提供的高低聚类工具High/Low Clustering Tool，计算出G(d)、Z(G)值、P值，Z(G)值、P值用来检验各路段之间是否存在空间聚类效应；

若存在空间聚集效应，则以聚集中心为核心，将同一监控区域内的多数低重要度路径划分为一个飞行小区；少数不具有空间聚集效应的低重要度路径划分为另一个飞行小区，其中多数与少数确定的依据是：在空间上存在聚集效应的多数低重要度路段的空间距离均较近，这意味着路段之间的飞行距离较短；相反，对于在空间上不存在聚集效应的少数低重要度路段，其在空间上是离散分布的，意味着更长的路段间飞行距离。

Images