CN107038902B - 一种基于公路网物理结构的无人机巡航路线优化方法 - Google Patents
一种基于公路网物理结构的无人机巡航路线优化方法 Download PDFInfo
- Publication number
- CN107038902B CN107038902B CN201710296982.7A CN201710296982A CN107038902B CN 107038902 B CN107038902 B CN 107038902B CN 201710296982 A CN201710296982 A CN 201710296982A CN 107038902 B CN107038902 B CN 107038902B
- Authority
- CN
- China
- Prior art keywords
- road
- unmanned aerial
- aerial vehicle
- road section
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0078—Surveillance aids for monitoring traffic from the aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于公路网物理结构的无人机巡航路线优化方法,包括以下步骤:一,路段重要度的计算;二,无人机飞行路线优化模型的构建;该基于公路网物理结构的无人机巡航路线优化方法能够解决目前空域管制条件下无人机飞行路线优化问题,为无人机在路网运行监测与管理中的应用提供技术支撑。
Description
技术领域
本发明属于智能交通领域,具体地讲是一种基于公路网物理结构的无人机巡航路线优化方法。
背景技术
交通信息是交通管理与控制的基础,而交通传感器是交通信息采集的重要方式。常用的检测器是固定检测器,如线圈检测器,微波检测器,视频检测器,自动车辆识别检测器(AVI)等。这类交通检测器的最大优势是能在长时间内捕捉具体位置的动态交通信息。然而,固定检测器的缺点也是非常明显的,受资金费用约束,路网中不可能随处布设固定检测器。因此,移动交通传感器可作为交通信息采集的补充方式。鉴于固定检测器的缺点,交通监测中引入了越来越多的移动检测器。无人机作为一种新的工具,可通过加载不同的传感器,去执行不同的任务,如高清摄像机,雷达,红外线摄像机等。
无人机的易操作性和灵活性,使得其在交通领域内有广泛的应用。无人机可迅速的部署,并实时与交通控制中心进行数据交换。通过无人机上的传感器,可提供调查区域或特定区域的完整图片,也能提供连续的交通状态监测,因此,相对于传统的固定检测器,无人机被看作有效的交通监测设备。
受燃油和电池的容量限制,在无人机数量有限及无人机能力限制的条件下,如何优化无人机的巡航路线使其覆盖尽可能多的路段或采集尽可能多的信息量变得十分重要。为了巡航更多的目标,优化无人机的巡航路线则变得更重要和更有意义。
近年来,研究者提出了各种各样的无人机路线优化模型,一些人通过对偶拓扑抽取方法,将需要被监测的路段转换为节点,将无人机的路线优化问题转化为旅行商问题;一些人假定无人机在需监测路段沿路飞行,其余路线均是沿两点之间的直线飞行。在实际应用中上述两种方法均有一定困难。在我国无人机飞行面临的问题是受空域管制、低空飞行权限限制以及地面居民分布、军事禁飞区等影响,无人机不能随意的在空中飞行。基于此,无人机沿道路飞行是更为可行的。
发明内容
本发明的目的是提供一种能够解决目前空域管制条件下无人机飞行路线优化问题,为无人机在路网运行监测与管理中的应用提供技术支撑的无人机巡航路线优化方法。
为了解决上述技术问题,本发明的技术方案是:
一种基于公路网物理结构的无人机巡航路线优化方法,包括以下步骤:
1)路段重要度的计算:
通过阻断事件数和阻断事件等级参数获得路段重要度,路段上发生的阻断事件越多,越严重,则路段越重要,即该路段的信息量越大,路段i的计算公式如下所示:
接下来,将路段重要度记作路段信息值,如果无人机巡航该路段,则表示采集到了这些信息;
2)无人机飞行路线优化模型的构建:
将交叉口、互通立交、收费站等抽象为节点,提取公路网网络结构的原始拓扑图,由路网拓扑图易得拓扑图的邻接矩阵M,节点与路段的关联矩阵B,进一步,结合公路里程数据以及无人机飞行速度信息,得到任意两节点之间的飞行时间矩阵D;
令S为路网中所有路段的集合,S0为路网中待巡查路段的集合,S1为路网中无需无人机巡查的路段集合,则S0∩S1=Φ,S0∪S1=S,无人机的巡查目标是集合S0中的路段。
进一步的,在步骤2)中,计算两个相邻巡查目标之间的飞行时间的方法如下:
当无人机由路段m飞到路段n时的飞行时间L′(m,n)的公式如下:
其中,
若α的值确定,则可确定无人机由路段m飞往路段n的起点;若β的值确定,则可确定无人机由路段m飞到路段n的终点;
令,L(m,n)=L′(m,n)+h(m,n);
其中,h(m,n)表示从路段m飞到路段n执行巡查目标路段任务所用的时间,
l(m),l(n)分别表示无人机在路段m,路段n上的飞行时间。L(m,n)表示由路段m到路段n的飞行时间以及无人机巡查目标路段的时间之和。
进一步的,在步骤2)中,计算无人机总飞行时间的方法如下:
其中,Lk(m,n)表示无人机k由路段m到路段n的飞行时间与无人机巡查目标路段的时间的总和;Wmnk为0-1变量,当无人飞机k由路段m飞到路段n时,Wmnk=1,否则,等于0;Wmmk为0-1变量,含义与Wmnk类似,当无人飞机k由路段n飞到路段m时,Wnmk=1,否则,等于0;
进一步的,在步骤2)中,构建无人机路线优化模型的方法如下:
以路网中未采集的信息量最小和总的无人机巡航时间之和最小为目标,进行建模,优化模型如下:
目标函数:
路网中未被采集的信息量最小化
所有无人机巡航时间之和最小化
即,
约束条件:
当无人机场站设在路段m时,对于任意的k∈Nu,有下式成立:
其中,∨为模糊算子,表示在所有元素中取大;CF(m)表示路段m不被任何无人机检测到的成本,m∈S0;xmk为0-1变量,当路段m被无人机k检测到时,xmk=1,否则,等于0;xF(m)为0-1变量,当时,xF(m)=1,否则,等于0,即当路段m不被任何无人机检测到时,否则,为0;Nu表示可用的无人机的架数;k为无人机的下标;Lk为无人机k的最大飞行距离。
进一步的,在步骤2)中,综合优化目标计算的方法如下:
通过加权平均的方式对模型优化目标进行综合计算,首先分别将两个目标函数值进行归一化处理,计算公式如下:
其中,s1和s2分别表示目标1,和目标2的函数值的归一化值,p1和p2分别表示目标1的函数值和目标2的函数值;
进一步,通过下式得到最终的目标函数值P;
P=ω1s1+ω2s2;
ω1和ω2为权重值,且ω1+ω2=1。
本发明技术效果主要体现在以下方面:针对我国无人机飞行面临的空域管制、低空飞行权限限制等实际问题,创新性的提出一种基于公路网物理结构的无人机巡航路线优化方法,可满足路网运行管理者的实时运行监测的需求,为管理者进行应急处置,应急决策等提供技术支撑。
附图说明
图1为路网中两路段之间可能路径示意图;
图2为示例路网示意图;
图3为示例路网检测器分布示意图;
图4为两架无人机的最优巡航路径示意图。
具体实施方式
一种基于公路网物理结构的无人机巡航路线优化方法,具体包括以下部分内容:一是,路段重要度的计算;二是,无人机飞行路线优化模型的构建。
一、路段重要度的计算
在无人机续航时间或里程有限的条件下,设计无人机飞行路线时,通常优先选择重要度较高的路段进行监测,这是因为,路段越重要说明路段上的信息量越大。一些学者从不同角度,提出了影响路段脆弱性的几类因素:网络特征、交通流、威胁和局部属性。网络属性包括道路类型,物理结构等,交通属性包括路段通行能力、流量和速度,威胁包括事件类型、事件影响范围和程度。
实际中,在无检测器的路段采集流量和速度数据是十分困难的,因此,上述方法有一定的局限性。目前交通运输管理部门,通过阻断事件报送系统已经积累了大量的阻断事件信息。基于GIS技术,即可获得特定路段在一定时间段内阻断事件数及相应阻断事件等级等。因此,本专利中路段重要度通过阻断事件数和阻断事件等级参数计算得到。路段上发生的阻断事件越多,越严重,则路段越重要,即该路段的信息量越大。
二、无人机飞行路线优化模型的构建
无人机的飞行时间包括两部分,一是巡查目标路段的巡航时间之和;二是,相邻两个巡查目标之间的飞行时间之和。本部分首先给出两个相邻巡查目标之间的飞行时间的计算方法;然后,构建以路网中未采集的信息量最小化和无人机巡航时间之和最小化为目标的双目标优化模型,其中约束条件包括无人机的续航时间,无人机的数量及流量守恒等。
(1)路段重要度计算方法
路段重要度可通过阻断事件数和阻断事件等级参数获得,路段上发生的阻断事件越多,越严重,则路段越重要,即该路段的信息量越大。
路段i的计算公式如下公式所示:
接下来,将路段重要度记作路段信息值,如果无人机巡航该路段,则表示采集到了这些信息。
(2)无人机飞行路线优化模型的构建
将交叉口、互通立交、收费站等抽象为节点,提取公路网网络结构的原始拓扑图。由路网拓扑图易得拓扑图的邻接矩阵M,节点与路段的关联矩阵B,进一步,结合公路里程数据以及无人机飞行速度信息,得到任意两节点之间的飞行时间矩阵D。
令S为路网中所有路段的集合,S0为路网中待巡查路段的集合,S1为路网中无需无人机巡查的路段集合,则S0∩S1=Φ,S0∪S1=S,无人机的巡查目标是集合S0中的路段。
第一步:计算两个相邻巡查目标之间的飞行时间。
如图1所示,当无人机由路段m飞到路段n时的飞行时间L′(m,n)的计算方法如下:
其中,
若α的值确定,则可确定无人机由路段m飞往路段n的起点;若β的值确定,则可确定无人机由路段m飞到路段n的终点。
令,
L(m,n)=L′(m,n)+h(m,n)
其中,h(m,n)表示从路段m飞到路段n执行巡查目标路段任务所用的时间,
l(m),l(n)分别表示无人机在路段m,路段n上的飞行时间。L(m,n)表示由路段m到路段n的飞行时间以及无人机巡查目标路段的时间之和。
第二步:计算无人机总飞行时间。
其中,Wmnk为0-1变量,当无人飞机k由路段m飞到路段n时,Wmnk=1,否则,等于0。
第三步:构建无人机路线优化模型。
以路网中未采集的信息量最小和总的无人机巡航时间之和最小为目标,进行建模。优化模型如下:
目标函数:
路网中未被采集的信息量最小化
所有无人机巡航时间之和最小化
即,
约束条件:
该公式为路段检测约束,保证一个路段至少能被1架无人飞机巡航到;
该公式表示待巡查路段m或者被无人机检测或者被虚拟点检测;
当无人机场站设在路段m时,对于任意的k∈Nu,有下式成立:
该公式为流量守恒公式,保证无人机k飞入和飞出路段n,n∈S0的次数相等,且无人机k仅仅离开和降落机场一次;
该公式为无人机数量约束,用于巡航的无人机数量不能多于可用的无人机数量;
该公式为无人机续航时间的约束;
其中,∨为模糊算子,表示在所有元素中取大;CF(m)表示路段m不被任何无人机检测到的成本,m∈S0;xmk为0-1变量,当路段m被无人机k检测到时,xmk=1,否则,等于0;xF(m)为0-1变量,当时,xF(m)=1,否则,等于0,即当路段m不被任何无人机检测到时,否则,为0;Nu表示可用的无人机的架数;k为无人机的下标;Lk为无人机k的最大飞行距离。
第四步:综合优化目标计算
通过加权平均的方式对模型优化目标进行综合计算,首先分别将两个目标函数值进行归一化处理,计算公式如下:
其中,s1和s2分别表示目标1,和目标2的函数值的归一化值,p1和p2分别表示目标1的函数值和目标2的函数值。
进一步,通过下式得到最终的目标函数值P。
P=ω1s1+ω2s2
ω1和ω2为权重值,且ω1+ω2=1。
(3)示例
通过图2中小路网,对本实施过程进行说明。
该路网共包含6个节点,9条路段,其中,各路段的长度及路段重要度信息已知,如图所示,路段重要度排名前4位的已经布设了固定检测器,依次是路段⑦,路段③,路段④,路段⑨。其余的未布设检测器的路段,如图3红线所示路段,路段①,路段②,路段⑤,路段⑥,路段⑧,则需要由无人机进行巡航监测,其中,(a,b,c)=(路段编号,路段长度,路段重要度)。
本例中,假设无人机的场站设在节点3,即,无人机由节点3起飞后,巡航一定路段后,最后返回节点3。
令,CF(m)=I(m),对所有的m∈S0;Cm=CF(m)-I(m),则,C1=C2=C5=C6=C8=0,CF(1)=25,CF(2)=20,CF(5)=25,CF(6)=20,CF(8)=20。
若无人机最大巡航里程无约束时,1架无人机遍历所有无检测器路段的最优的巡航路线为:路段②→路段①→路段⑤→路段⑧→路段⑦→路段⑥,或者,反方向飞行。最小化巡航距离为189公里,最小化未检测的信息量为0。
当无人机的最大续航里程为150公里时,则无人机由机场出发再返回机场期间的巡航里程不能超过150公里。
当有两架无人机进行巡航时,在最大续航里程为150公里的约束下,得到的最优巡航路线如图4。
无人机1:路段2→路段1→路段5→路段4;或者,反方向飞行,巡航里程为117公里;
无人机2:路段6→路段7→路段8→路段4;或者,反方向飞行,巡航里程为110公里;
上述两架无人机的巡航里程均低于150公里,满足约束条件(9),总飞行里程为227公里,未检测的信息量为0,即2架无人机可遍历所有的未安装固定检测器路段,采集了所有的未检测路段的信息量。
本发明技术效果主要体现在以下方面:针对我国无人机飞行面临的空域管制、低空飞行权限限制等实际问题,创新性的提出一种基于公路网物理结构的无人机巡航路线优化方法,可满足路网运行管理者的实时运行监测的需求,为管理者进行应急处置,应急决策等提供技术支撑。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于公路网物理结构的无人机巡航路线优化方法,其特征在于:包括以下步骤:
1)路段重要度的计算:
通过阻断事件数和阻断事件等级参数获得路段重要度,路段上发生的阻断事件越多,越严重,则路段越重要,即该路段的信息量越大,路段i的计算公式如下所示:
接下来,将路段重要度记作路段信息值,如果无人机巡航该路段,则表示采集到了这些信息;
2)无人机飞行路线优化模型的构建:
将交叉口、互通立交、收费站抽象为节点,提取公路网网络结构的原始拓扑图,由路网拓扑图易得拓扑图的邻接矩阵M,节点与路段的关联矩阵B,进一步,结合公路里程数据以及无人机飞行速度信息,得到任意两节点之间的飞行时间矩阵D;
令S为路网中所有路段的集合,S0为路网中待巡查路段的集合,S1为路网中无需无人机巡查的路段集合,则S0∩S1=Φ,S0∪S1=S,无人机的巡查目标是集合S0中的路段;
计算两个相邻巡查目标之间的飞行时间的方法如下:
当无人机由路段m飞到路段n时的飞行时间L′(m,n)的公式如下:
其中,
若α的值确定,则可确定无人机由路段m飞往路段n的起点;若β的值确定,则可确定无人机由路段m飞到路段n的终点;
令,L(m,n)=L′(m,n)+h(m,n);
其中,h(m,n)表示从路段m飞到路段n执行巡查目标路段任务所用的时间,
l(m),l(n)分别表示无人机在路段m,路段n上的飞行时间;L(m,n)表示由路段m到路段n的飞行时间以及无人机巡查目标路段的时间之和;
计算无人机总飞行时间的方法如下:
其中,Lk(m,n)表示无人机k由路段m到路段n的飞行时间与无人机巡查目标路段的时间的总和;Wmnk为0-1变量,当无人飞机k由路段m飞到路段n时,Wmnk=1,否则,等于0;Wnmk为0-1变量,含义与Wmnk类似,当无人飞机k由路段n飞到路段m时,Wnmk=1,否则,等于0;
构建无人机路线优化模型的方法如下:
以路网中未采集的信息量最小和总的无人机巡航时间之和最小为目标,进行建模,优化模型如下:
目标函数:
路网中未被采集的信息量最小化
所有无人机巡航时间之和最小化
即,
约束条件:
当无人机场站设在路段m时,对于任意的k∈Nu,有下式成立:
其中,∨为模糊算子,表示在所有元素中取大;CF(m)表示路段m不被任何无人机检测到的成本,m∈S0;xmk为0-1变量,当路段m被无人机k检测到时,xmk=1,否则,等于0;xF(m)为0-1变量,当时,xF(m)=1,否则,等于0,即当路段m不被任何无人机检测到时,否则,为0;Nu表示可用的无人机的架数;k为无人机的下标;Lk为无人机k的最大飞行距离;
综合优化目标计算的方法如下:
通过加权平均的方式对模型优化目标进行综合计算,首先分别将两个目标函数值进行归一化处理,计算公式如下:
其中,s1和s2分别表示目标1,和目标2的函数值的归一化值,p1和p2分别表示目标1的函数值和目标2的函数值;
进一步,通过下式得到最终的目标函数值P;
P=ω1s1+ω2s2;
ω1和ω2为权重值,且ω1+ω2=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710296982.7A CN107038902B (zh) | 2017-04-28 | 2017-04-28 | 一种基于公路网物理结构的无人机巡航路线优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710296982.7A CN107038902B (zh) | 2017-04-28 | 2017-04-28 | 一种基于公路网物理结构的无人机巡航路线优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038902A CN107038902A (zh) | 2017-08-11 |
CN107038902B true CN107038902B (zh) | 2020-06-30 |
Family
ID=59537878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710296982.7A Active CN107038902B (zh) | 2017-04-28 | 2017-04-28 | 一种基于公路网物理结构的无人机巡航路线优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038902B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446833B (zh) * | 2018-03-01 | 2021-06-08 | 北京航空航天大学合肥创新研究院 | 一种高速公路警用无人机停机坪选址方法 |
CN108945503A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种高速公路警用无人机停机坪选址方法 |
CN109828028B (zh) * | 2019-03-28 | 2021-11-30 | 烟台中凯检测科技有限公司 | 一种超声检测缺陷定性系统和定性方法 |
CN110825099B (zh) * | 2019-12-04 | 2020-07-31 | 驻马店市公路事业发展中心 | 一种智慧公路的巡检无人机控制方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426806A (zh) * | 2011-11-07 | 2012-04-25 | 同济大学 | 一种基于动态小区划分的区域路网无人机巡航方法 |
CN102980581A (zh) * | 2012-12-07 | 2013-03-20 | 北京中海新图科技有限公司 | 基于不规则海岛的无人机覆盖航迹规划方法 |
CN103716177A (zh) * | 2013-11-18 | 2014-04-09 | 国家电网公司 | 安全风险评估方法和装置 |
CN106197426A (zh) * | 2016-06-28 | 2016-12-07 | 桂林电子科技大学 | 一种无人机应急通信路径规划方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127519B2 (en) * | 2015-10-23 | 2018-11-13 | Prahfit, Inc. | Apparatus and method for predictive dispatch for geographically distributed, on-demand services |
-
2017
- 2017-04-28 CN CN201710296982.7A patent/CN107038902B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426806A (zh) * | 2011-11-07 | 2012-04-25 | 同济大学 | 一种基于动态小区划分的区域路网无人机巡航方法 |
CN102980581A (zh) * | 2012-12-07 | 2013-03-20 | 北京中海新图科技有限公司 | 基于不规则海岛的无人机覆盖航迹规划方法 |
CN103716177A (zh) * | 2013-11-18 | 2014-04-09 | 国家电网公司 | 安全风险评估方法和装置 |
CN106197426A (zh) * | 2016-06-28 | 2016-12-07 | 桂林电子科技大学 | 一种无人机应急通信路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107038902A (zh) | 2017-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salvo et al. | Urban traffic analysis through an UAV | |
CN107038902B (zh) | 一种基于公路网物理结构的无人机巡航路线优化方法 | |
Elloumi et al. | Monitoring road traffic with a UAV-based system | |
Khan et al. | UAV-based traffic analysis: A universal guiding framework based on literature survey | |
CN106297291B (zh) | 城市快速路交通信息采集系统 | |
JP7488287B2 (ja) | 動的な航空機ルーティング | |
CN113075938B (zh) | 一种输电线路远距离智能巡检系统及方法 | |
Hossain et al. | A UAV-based traffic monitoring system for smart cities | |
CN114489122B (zh) | 一种基于uav及配套机场的高速公路自动巡检方法及系统 | |
CN109710595B (zh) | 基于有限信息的输电走廊鸟害热点图的构建方法 | |
CN109255955A (zh) | 一种基于地基和空基协同感知的高速公路事故监测方法及系统 | |
CN110807917A (zh) | 一种基于云计算的高速公路智能安防系统 | |
CN112684806A (zh) | 一种基于双重避障和智能识别的电力巡检无人机系统 | |
CN109542114A (zh) | 一种无人机输电线路巡检方法及系统 | |
CN109816978B (zh) | 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法 | |
CN112462778A (zh) | 一种用于配电网人机协同巡检的作业方法 | |
CN112346476B (zh) | 一种无人机自动巡检系统及方法 | |
CN116091952A (zh) | 一种基于大数据的地空一体智能云控管理系统及方法 | |
CN112862171A (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN115185303A (zh) | 用于国家公园及自然保护地的无人机巡护路径规划方法 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN115966107A (zh) | 一种基于图神经网络的机场交通流预测方法 | |
CN112911233A (zh) | 一种智能列车系统 | |
CN106998451A (zh) | 基于无人飞行器监测的区域状况全景导览系统及其方法 | |
CN105096661B (zh) | 基于垂直剖面视图的空中交通流管理系统与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |