CN107450576B - 一种桥梁检测无人机路径规划的方法 - Google Patents
一种桥梁检测无人机路径规划的方法 Download PDFInfo
- Publication number
- CN107450576B CN107450576B CN201710608138.3A CN201710608138A CN107450576B CN 107450576 B CN107450576 B CN 107450576B CN 201710608138 A CN201710608138 A CN 201710608138A CN 107450576 B CN107450576 B CN 107450576B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- bridge
- sub
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 238000005265 energy consumption Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种桥梁检测无人机路径规划的方法,属于无人机路径规划技术领域。它具体包括以下主要过程:利用沿边飞行的方法获取桥梁的轮廓信息,基于栅格法的环境模型构建,目标区域分解,相邻子区域的衔接,子区域最优路径的遍历,桥底面的全覆盖遍历。本发明算法理论上重复率低,覆盖率高,不存在检测盲区;算法简单,容易实现。本发明算法能够较好的满足无人机对桥底面进行全覆盖遍历路径规划的任务。
Description
技术领域
本发明属于无人机路径规划技术领域,具体涉及一种桥梁检测无人机路径规划的方法。
背景技术
随着当今社会经济的高速发展,越来越多的高危工作从事者将被人工智能所取代。近年来,随着航拍技术的不断发展,无人机应用更多地渗透到各行各业。无人飞行器可分许多类别,其中无人多旋翼飞行器因结构简单、价格相对低廉,可应用于公路桥梁检测、线路巡检等领域。
管养部门通常定期对桥梁进行检查,多采用传统检测手段,依靠肉眼或者辅助工具(如桥检车、望远镜等)来检测桥梁主要构件是否出现裂缝、开裂破损、露筋锈蚀、支座脱空等病害。而对于梁底板,常规检测手段和方法存在局限性,可操作的难度非常大,存在检查盲区。其中局部盲区可采取人工现场察看检查,但效率低、难度大、危险系数高,而应用无人机进行辅助检测,将在很大程度上解决这些难题。
至此无人机的路径规划问题就显得尤为重要了,其中全覆盖路径规划算法已成为近年来的研究热点,并取得了不少的成果。全覆盖路径规划算法是指无人机以尽可能低的重复率遍历环境中的全部可达区域,其目标是在封闭的区域内实现最大覆盖率和最小重复率的行走路径。目前已经涌现出了很多相关算法。Zelinsky等将栅格法与距离转换法结合起来,应用于环境地图已知的全覆盖路径规划中。Choi等提出一种通过逆距离转变连接螺旋覆盖区域路径的全覆盖路径规划算法。Michel D等提出了改进的距离转变算法,引入了能量消耗惩罚函数的概念,根据代价值决定行走方向,该算法旨在寻求有效解而不是最优解。李翊将动态标定遗传算法、自适应遗传算法和大变异遗传算法结合在一起,提出了一种改进的遗传算法,避免了陷入局部最优解与“早熟”;王玥等提出了基于降落伞型搜索域的变步长航迹点搜索和带有威胁信息并归一化后的代价函数,改进了A*算法,提高了搜索效率;韩超提出了一种改进粒子群的航迹规划方法,该方法将无人机的航路规划问题通过目标转换,形成一个考虑威胁优先,路径优化其次的单目标航路优化问题,并引入局部搜索改进粒子群算法求解该问题的收敛性;Choset认为大多数全覆盖路径规划算法虽然被冠以各种名称,但是最终依然可以通过单元分解法来对其进行解释。到目前为止,在航路规划技术方面的研究正朝着实用性、实时性、智能化的方向发展。
基于区域分解的桥梁检测无人机全覆盖路径规划的方法可以将复杂的问题简单化,其中区域分解法已经相对成熟,但是子区域的衔接和子区域的遍历依然处于初级阶段,特别是针对桥梁检测无人机来说,子区域的衔接及其遍历直接影响着覆盖的重复率、遗漏率等问题,针对这些问题,设计一个易于工程实现、具有较高覆盖效率的桥梁检测无人机全覆盖路径规划算法,具有重要的理论研究意义和工程应用意义。
发明内容
本发明的目的在于提供能够使桥梁检测无人机对桥底面遍历的重复率低、覆盖率高且满足桥梁检测无人机对桥底面实现全覆盖遍历的一种桥梁检测无人机路径规划的方法。
本发明的目的通过如下技术方案实现:
步骤一:桥梁信息获取。根据无人机沿桥梁底面边界飞行,获取桥梁信息,使得后续单元分解更准确,提高覆盖率;无人机信息获取规则为在沿边飞行过程中,通过四旋翼上的四个超声波传感器对边缘进行检测(超声波发射端竖直向上),从而形成桥底面的轮廓,无人机姿态在右(左)侧时为检测桥墩所在边的边界,检测条件为超声波1、2、3和4都检测到障碍物;当无人机姿态在下(上)测时检测桥长所在边界,检测条件为超声波1和2未检测到障碍物,而3和4检测到障碍物,同时,在无人机沿边飞行一周的过程中通过加速度计和陀螺仪记录了无人机自身位置的变化,由该姿态信息即可计算出对应桥长和宽,把这些数据存储到数组中。无人机在沿边飞行的过程中只进行90°转弯,这样既降低了无人机转弯的难度,也方便判断无人机的姿态。根据以上信息,四旋翼无人机各边学习结束的标志显而易见,即当无人机经过某个转弯处,其沿边飞行的距离大于数组中存储的最大距离值以及无人机自信息获取的方向开始连续经历了两个内转角。当无人机学习完桥梁的四条边界时即完成了信息获取,自此得到了桥梁的轮廓信息。
步骤二:如果信息获取过程结束则进行步骤三,否则返回步骤一。
步骤三:基于栅格法处理步骤一获取的桥梁信息,建立桥底面的环境模型的数字地图。基于栅格法的环境建模方法,每个栅格对应一个三维状态量(i,j,k),其中(i,j)为栅格所处的位置,k标记所在栅格是否遍历,以建立桥底面的环境模型,提高后续遍历准确率的同时也降低了重复率;无人机通过信息获取,获得了桥梁边界的轮廓数据,此时便可生成一幅局部的环境地图,然而这不足以满足后续单元分解所需要的环境模型,所以需要在此基础上通过栅格法对上述模型进行标记,将环境地图转换为数字形式存储的数字地图。
步骤四:目标区域分解,根据信息获取所获桥长,应用矩形分解法将桥底面分解为若干个矩形子区域;为避免外界因素影响导致无人机飞行时不按预设路线飞行,本发明根据实际桥长进行区域分解时分两种情况:一是桥长过长,此时需按图4所示进行区域分解;二是桥长不足以导致无人机偏离预设路线,此时需按图5所示进行区域分解。
步骤五:相邻子区域的衔接,根据目标区域分解的结果,选择相邻子区域衔接的方法;由于子区域的连接和各子区域的遍历是密不可分的,因此对于子区域之间的具体连接将在下节各子区域的遍历结合遍历形式叙述。与已有算法不同的是,在无人机学习完一周之后便得到相应的子区域,进而完成各子区域的遍历。
步骤六:子区域的迂回遍历,结合无人机转弯次数的能量分析,采用横向迂回模板依次对各个子区域进行遍历;随着信息获取的结束,开始进行子区域的遍历。子区域的遍历是全局遍历的缩小和简化。由于本发明背景是无障碍物桥底面,鉴于此特点,保证覆盖效率和能量最低这两个指标对于子区域的遍历来说就显得尤为重要。
对于子区域的覆盖算法,最简单最基本的是模板法。针对各种复杂的环境模型,模板的形式也愈加丰富,其中直行模板和转弯模板是其他模板的基础,其他模板都可由这两种模板组合变换得到。螺旋模板和迂回模板可根据子区域的具体情况进行选择,由于本发明子区域无障碍物,所以选用相对灵活且在算法上较容易实现的迂回模板。
迂回遍历的过程实质就是无人机以相对短的距离进行侧移,以合适的较长距离向相邻区域扩展清扫(本发明作如下规定:较短距离称作侧移距离,较长距离称作清扫距离),根据实际环境信息,确定无人机的飞行方向,对于提高覆盖效率和降低能量消耗有着重要的意义。
步骤七:如果子区域遍历结束进行步骤八,否则返回步骤六;
步骤八:相邻子区域迂回遍历,当前子区域遍历结束后对相邻子区域进行遍历;
步骤九:相邻子区域遍历是否结束,如果结束进行步骤十,否则返回步骤八;
步骤十:所有如果所有子区域遍历结束则该算法结束,否则进行遗漏区域补充遍历并返回步骤十;
特别地,在步骤一中,无人机在进行信息获取的过程中只进行90°转弯,降低转弯难度,方便判断无人机姿态。
特别地,在步骤三中,k为栅格属性,为1时表示该栅格已被无人机遍历过,为0时则表示未被无人机遍历过。
特别地,在步骤三中,栅格的大小取决于无人机机载摄像头与桥底面之间的高度h,具体分析如下:
W=2h*tan(α/2)
L=2h*tan(β/2)
其中,W为栅格的宽,L为栅格的长,α和β分别为两个对应夹角。
特别地,在步骤四中,若桥长大于设定阈值,则采用横纵结合的方式分解,若小于等于阈值,则采用横向分解。
特别地,在步骤五中,若采用横纵结合方式分解的子区域,则采用首尾相连的形式将子区域依次衔接,若采用横向分解的子区域,则采用“蛇形”迂回的方式将子区域依次衔接;
特别地,在步骤六中,能量分析如下:
总能量消耗:
E=Es+Ex
转弯时的能量消耗:
Ex=NE0
直线飞行的能量消耗:
其中,N为转弯次数,F为驱动力,为一次转弯所消耗的能量,S为直线飞行距离。所以,无人机消耗的总能量为:
E=FsS+NE0
本发明的有益效果在于:
就桥梁检测无人机来说,减少了桥梁检测时的人力和物力;就算法来说,本算法将信息获取过程、子区域分解、子区域的衔接及其遍历方法综合考虑进行设计,可以很好的完成子区域内的全覆盖遍历任务和子区域的自动衔接。
相比于传统的桥梁检测方法,本发明算法实现了无人机的智能化,并且重复率低,算法的规划效率和覆盖率高,算法简单,易于工程实现。本发明能够很好地满足桥梁检测无人机对桥底面实现全覆盖的遍历任务。
附图说明
图1为全覆盖路径规划算法流程图;
图2为无人机边缘检测姿态图;
图3为栅格法环境建模示意图;
图4为区域分解示意图(1);
图5为区域分解示意图(2);
图6为迂回模板(1);
图7为迂回模板(2);
图8为桥梁示意图;
图9为桥梁底面示意图;
图10为桥梁检测无人机路径规划(1);
图11为桥梁检测无人机路径规划(2)。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
在附图中,自始至终相同或类似的符号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分的实施例,并不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在解释本发明,而不能理解为本发明的限制。
一种桥梁检测无人机路径规划的方法具体包括以下步骤:
步骤一:根据无人机沿桥梁底面边界飞行,获取桥梁信息,使得后续单元分解更准确,提高覆盖率;无人机信息获取规则为在沿边飞行过程中,通过四旋翼上的四个超声波传感器对边缘进行检测(超声波发射端竖直向上),从而形成桥底面的轮廓,检测边缘时姿态如图2所示,无人机姿态在右(左)侧时为检测桥墩所在边的边界,检测条件为超声波1、2、3和4都检测到障碍物;当无人机姿态在下(上)测时检测桥长所在边界,检测条件为超声波1和2未检测到障碍物,而3和4检测到障碍物,同时,在无人机沿边飞行一周的过程中通过加速度计和陀螺仪记录了无人机自身位置的变化,由该姿态信息即可计算出对应桥长和宽,把这些数据存储到数组中。无人机在沿边飞行的过程中只进行90°转弯,这样既降低了无人机转弯的难度,也方便判断无人机的姿态。根据以上信息,四旋翼无人机各边学习结束的标志显而易见,即当无人机经过某个转弯处,其沿边飞行的距离大于数组中存储的最大距离值以及无人机自信息获取的方向开始连续经历了两个内转角。当无人机学习完桥梁的四条边界时即完成了信息获取,自此得到了桥梁的轮廓信息。
步骤二:如果信息获取过程结束则进行步骤三,否则返回步骤一。
步骤三:基于栅格法的环境建模,每个栅格对应一个三维状态量,其中(i,j)为栅格所处的位置,k标记所在栅格是否遍历,以建立桥底面的环境模型,提高后续遍历准确率的同时也降低了重复率;无人机通过信息获取,获得了桥梁边界的轮廓数据,此时便可生成一幅局部的环境地图,然而这不足以满足后续单元分解所需要的环境模型,所以需要在此基础上通过栅格法对上述模型进行标记。
栅格法的实质是将环境地图转换为数字形式存储的数字地图。通过赋予不同数值和意义的栅格来表征不同的环境特征。每个栅格对应一个三维状态量(i,j,k)来描述,其中(i,j)表示栅格在数字地图中所处的位置;k为栅格的属性,为1时表示该栅格被无人机遍历过,如图3阴影部分所示,为0时则表示未被无人机遍历过。
根据无人机机载摄像头距离桥底面的高度算出一个栅格的长和宽。在无人机信息获取过程中,加速度计获得的位置信息为(xi,yi),沿边飞行结束后确定的遍历距离为d,以无人机横向学习为例,则该子区域所占栅格数为其中i=1作为信息获取的起始位置,i=n为无人机信息获取的终止位置。自此,待检测桥梁的环境模型构建完成。
步骤四:目标区域分解,根据信息获取所获桥长,应用矩形分解法将桥底面分解为若干个矩形子区域;为避免外界因素影响导致无人机飞行时不按预设路线飞行,本发明根据实际桥长进行区域分解时分两种情况:一是桥长过长,此时需按图4所示进行区域分解;二是桥长不足以导致无人机偏离预设路线,此时需按图5所示进行区域分解。(设图4和图5都是可能遇到的情况)
步骤五:相邻子区域的衔接,根据目标区域分解的结果,选择相邻子区域衔接的方法;
针对本发明构建的环境模型和单元分解,对子区域的连接方式有相应的两种情况:
情况一:当待检区域按图4所示分解时,从位置1开始,经位置2进入区域B,由位置3进入区域C,由位置5进入区域A',再由位置3进入区域B',最后由位置2进入区域C',知道沿子区域C'上边界飞行直至回到位置1。
情况二:当待检区域按图5所示分解时,位置1为无人机其实位置,然后依次经由位置2→3→4→5→6→7,最后飞回到起始位置同侧的位置7处。
以上所述为无人机连接各子区域的大概形式和过程。由于子区域的连接和各子区域的遍历是密不可分的,因此对于子区域之间的具体连接将在下节各子区域的遍历结合遍历形式叙述。与已有算法不同的是,在无人机学习完一周之后便得到相应的子区域,进而完成各子区域的遍历。
步骤六:子区域的迂回遍历,结合无人机转弯次数的能量分析,采用横向迂回模板依次对各个子区域进行遍历;随着信息获取的结束,开始进行子区域的遍历。子区域的遍历是全局遍历的缩小和简化。由于本发明背景是无障碍物桥底面,鉴于此特点,保证覆盖效率和能量最低这两个指标对于子区域的遍历来说就显得尤为重要。
对于子区域的覆盖算法,最简单最基本的是模板法。针对各种复杂的环境模型,模板的形式也愈加丰富,其中直行模板和转弯模板是其他模板的基础,其他模板都可由这两种模板组合变换得到。螺旋模板和迂回模板可根据子区域的具体情况进行选择,由于本发明子区域无障碍物,所以选用相对灵活且在算法上较容易实现的迂回模板。
迂回遍历的过程实质就是无人机以相对短的距离进行侧移,以合适的较长距离向相邻区域扩展清扫(本发明作如下规定:较短距离称作侧移距离,较长距离称作清扫距离)。则由侧移距离为横向还是纵向,可将迂回遍历划分为图6和7所示的两种模板,纵向和横向。在相同的环境中,无人机的飞行方向不同,则在遍历过程中的转弯位置和次数也不同。因此,在确定飞行方向之前,需对无人机运动过程的能量消耗进行分析。
总能量消耗:
E=Es+Ex (1)
转弯时的能量消耗:
Ex=NE0 (2)
直线飞行的能量消耗:
其中,N为转弯次数,F为驱动力,为一次转弯所消耗的能量,S为直线飞行距离。所以,无人机消耗的总能量为:
E=FsS+NE0 (4)
由式(4)可以看出,无人机消耗的总能量取决于无人机直线飞行的距离和转弯的次数。同样的覆盖面积,无人机飞行的直线距离一定,因此需要以转弯次数来确定无人机的飞行方向。无人机转弯过程为减速→转弯→加速三个过程,因此转弯次数很大程度上影响无人机的飞行时间和能量消耗,因此最终区域覆盖的效率也会大大降低。由图6和图7可知,以较长边作为主运动方向,较短边作为侧移方向,可以大大减小无人机飞行过程中转弯的次数,从而降低整个飞行过程中无人机的能量消耗和时间消耗。所以,根据实际环境信息,确定无人机的飞行方向,对于提高覆盖效率和降低能量消耗有着重要的意义。
步骤七:如果子区域遍历结束进行步骤八,否则返回步骤六;
步骤八:相邻子区域迂回遍历,当前子区域遍历结束后对相邻子区域进行遍历;
步骤九:相邻子区域遍历是否结束,如果结束进行步骤十,否则返回步骤八;
步骤十:所有如果所有子区域遍历结束则该算法结束,否则进行遗漏区域补充遍历并返回步骤十;
在步骤一中,无人机在进行信息获取的过程中只进行90°转弯,降低转弯难度,方便判断无人机姿态。
在步骤三中,根据无人机机载摄像头与桥底面之间的高度h按照如下公式计算栅格的长和宽:
W=2h*tan(α/2)
L=2h*tan(β/2)
其中W为栅格的宽,L为栅格的长,α和β分别为对应夹角。
在步骤四中,若桥长大于设定阈值,则采用横纵结合的方式分解,若小于等于阈值,则采用横向分解。
在步骤五中,若采用横纵结合方式分解的子区域,则采用首位相连的形式将子区域依次衔接,若采用横向分解的子区域,则采用“蛇形”迂回的方式将子区域依次衔接;
自此,本发明的实施过程结束,结合图8、图9、图10和图11可以清晰的看出本发明的路径规划算法对桥梁检测无人机的优势。
Claims (4)
1.一种桥梁检测无人机路径规划的方法,其特征在于,包括如下步骤:
步骤一:信息获取、记录桥梁边界,根据无人机沿桥梁底面边界飞行,获取桥梁轮廓信息;
步骤二:信息获取是否结束,如果信息获取结束则进行步骤三,否则返回步骤一;
步骤三:基于栅格法的环境建模,对步骤一获取的信息进行标记,得到数字地图;
步骤四:目标区域分解,应用矩形分解法将桥底面分解为若干个矩形子区域;
所述的步骤四中还包括:根据实际桥长进行区域分解时分两种情况:一是桥长过长,二是桥长不足以导致无人机偏离预设路线,若桥长大于设定阈值,则采用横纵结合的方式分解,若小于等于阈值,则采用横向分解;
步骤五:相邻子区域的衔接,根据目标区域分解的结果,选择相邻子区域衔接的方法;
所述的步骤五中若采用横纵结合方式分解的子区域,则采用首尾相连的形式将子区域依次衔接,若采用横向分解的子区域,则采用“蛇形”迂回的方式将子区域依次衔接;步骤六:子区域的迂回遍历,结合无人机转弯次数的能量分析,采用横向迂回模板依次对各个子区域进行遍历;
所述的步骤六中迂回遍历为:无人机以相对短的距离进行侧移,以合适的较长距离向相邻区域扩展清扫,其中,较短距离称作侧移距离,较长距离称作清扫距离;
所述的步骤六中在确定飞行方向之前,对无人机运动过程的能量消耗的分析方法为:
总能量消耗:
E=Es+Ex
转弯时的能量消耗:
Ex=NE0
直线飞行的能量消耗:
无人机消耗的总能量为:
E=FsS+NE0
其中,N为转弯次数,F为驱动力,为一次转弯所消耗的能量,S为直线飞行距离;
步骤七:如果子区域遍历结束进行步骤八,否则返回步骤六;
步骤八:相邻子区域迂回遍历,当前子区域遍历结束后对相邻子区域进行遍历;
步骤九:相邻子区域遍历是否结束,如果结束进行步骤十,否则返回步骤八;
步骤十:所有子区域遍历是否结束,如果所有子区域遍历结束则该算法结束,否则进行遗漏区域补充遍历并返回步骤十。
2.根据权利要求1所述的一种桥梁检测无人机路径规划的方法,其特征在于,所述的步骤一信息获取采用的规则为:通过四旋翼上的四个超声波传感器对边缘进行检测,超声波发射端竖直向上,通过加速度计和陀螺仪记录了无人机自身位置的变化,无人机在沿边飞行的过程中只进行90°转弯。
3.根据权利要求1所述的一种桥梁检测无人机路径规划的方法,其特征在于,所述的步骤三中栅格法为:
每个栅格对应一个三维状态量(i,j,k)来描述,其中(i,j)表示栅格在数字地图中所处的位置;k为栅格的属性,为1时表示该栅格被无人机遍历过,为0时则表示未被无人机遍历过;
根据无人机机载摄像头与桥底面之间的高度h按照如下公式计算栅格的长和宽:
W=2h*tan(α/2)
L=2h*tan(β/2)
其中W为栅格的宽,L为栅格的长,α和β分别为对应夹角。
4.根据权利要求1,3所述的一种桥梁检测无人机路径规划的方法,其特征在于,所述的步骤四中还包括:根据实际桥长进行区域分解时分两种情况:一是桥长过长,二是桥长不足以导致无人机偏离预设路线,若桥长大于设定阈值,则采用横纵结合的方式分解,若小于等于阈值,则采用横向分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608138.3A CN107450576B (zh) | 2017-07-24 | 2017-07-24 | 一种桥梁检测无人机路径规划的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710608138.3A CN107450576B (zh) | 2017-07-24 | 2017-07-24 | 一种桥梁检测无人机路径规划的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107450576A CN107450576A (zh) | 2017-12-08 |
CN107450576B true CN107450576B (zh) | 2020-06-16 |
Family
ID=60488064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710608138.3A Active CN107450576B (zh) | 2017-07-24 | 2017-07-24 | 一种桥梁检测无人机路径规划的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107450576B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846325A (zh) * | 2018-05-28 | 2018-11-20 | 广州极飞科技有限公司 | 目标区域作业的规划方法、装置、存储介质及处理器 |
CN109445454A (zh) * | 2018-09-18 | 2019-03-08 | 山东理工大学 | 用于桥梁检测的无人机绕梁巡航检测方法 |
CN110375735B (zh) * | 2018-09-18 | 2021-05-25 | 北京京东乾石科技有限公司 | 路径规划方法和装置 |
CN109542116B (zh) * | 2018-11-23 | 2022-02-11 | 重庆交通大学 | 用于桥梁检测的三维巡航方法及系统 |
CN109520504B (zh) * | 2018-11-27 | 2022-07-22 | 北京航空航天大学 | 一种基于网格离散化的无人机巡查路径优化方法 |
CN109990777B (zh) * | 2019-04-11 | 2023-08-01 | 株洲时代电子技术有限公司 | 一种桥梁底面巡检航线规划方法 |
CN110163210B (zh) * | 2019-05-24 | 2022-04-19 | 北京百度网讯科技有限公司 | 一种兴趣点poi信息采集方法、装置、设备和存储介质 |
CN111209357A (zh) * | 2019-12-19 | 2020-05-29 | 广州南方卫星导航仪器有限公司 | 一种无人船区域布线方法及存储介质 |
CN111238470B (zh) * | 2020-01-09 | 2023-05-02 | 中耘(广东)信息科技有限公司 | 人工智能大数据下智能眼镜道路规划方法、介质及设备 |
CN112269393B (zh) * | 2020-09-27 | 2023-03-14 | 武汉钢铁有限公司 | 一种基于无人机航拍的电力杆塔模型提取系统及方法 |
CN112445881B (zh) * | 2020-10-29 | 2024-04-02 | 深圳供电局有限公司 | 路径规划方法、装置、设备及存储介质 |
CN113311861B (zh) * | 2021-05-14 | 2023-06-16 | 国家电投集团青海光伏产业创新中心有限公司 | 光伏组件隐裂特性的自动化检测方法及其系统 |
CN114035613A (zh) * | 2021-12-03 | 2022-02-11 | 西北工业大学 | 一种大跨度桥梁检测无人机全覆盖路径规划方法 |
CN114224241A (zh) * | 2022-02-17 | 2022-03-25 | 江苏天策机器人科技有限公司 | 一种商用清洁机器人工作区域自动生成方法 |
CN114550107B (zh) * | 2022-04-26 | 2022-07-26 | 深圳联和智慧科技有限公司 | 基于无人机集群的桥梁联动智能巡检方法、系统及云平台 |
CN115454148B (zh) * | 2022-11-08 | 2023-02-17 | 四川腾盾科技有限公司 | 固定翼集群无人机区域覆盖路径规划方法、介质及装置 |
CN117268402B (zh) * | 2023-11-17 | 2024-01-30 | 黑龙江哲讯信息技术有限公司 | 一种基于5g通信技术的无人机勘察路径规划方法 |
CN118135139B (zh) * | 2024-05-10 | 2024-08-02 | 北京航空航天大学 | 障碍物标校方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622653A (zh) * | 2012-02-27 | 2012-08-01 | 北京航空航天大学 | 风场影响下微型无人飞行器的多分辨率路径规划方法 |
CN103886569A (zh) * | 2014-04-03 | 2014-06-25 | 北京航空航天大学 | 连续帧多特征点无人机侦察图像并行与匹配精度约束的拼接方法 |
CN103950540A (zh) * | 2014-04-01 | 2014-07-30 | 东北农业大学 | 一种基于无线传感器网络的植保无人机喷施作业方法 |
CN105973235A (zh) * | 2016-04-25 | 2016-09-28 | 北京理工大学 | 针对存在禁飞区多边形区域的旋翼无人机覆盖搜索航迹规划方法 |
CN106143909A (zh) * | 2016-07-15 | 2016-11-23 | 北京航空航天大学 | 一种模块化组合式太阳能无人机设计方案 |
CN106289264A (zh) * | 2016-08-26 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种基于子区域划分的多无人机遍历搜索算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809597B (zh) * | 2014-02-18 | 2016-09-21 | 清华大学 | 无人机的飞行路径规划方法及无人机 |
CN103901892B (zh) * | 2014-03-04 | 2016-12-07 | 清华大学 | 无人机的控制方法及系统 |
US11322031B2 (en) * | 2015-12-07 | 2022-05-03 | International Business Machines Corporation | Method of optimized path planning for UAVs for the purpose of ground coverage |
CN106406342B (zh) * | 2016-09-14 | 2019-03-29 | 无锡微翼德米无人机系统科技有限公司 | 植保无人机阶段化飞行作业的打药方法 |
-
2017
- 2017-07-24 CN CN201710608138.3A patent/CN107450576B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622653A (zh) * | 2012-02-27 | 2012-08-01 | 北京航空航天大学 | 风场影响下微型无人飞行器的多分辨率路径规划方法 |
CN103950540A (zh) * | 2014-04-01 | 2014-07-30 | 东北农业大学 | 一种基于无线传感器网络的植保无人机喷施作业方法 |
CN103886569A (zh) * | 2014-04-03 | 2014-06-25 | 北京航空航天大学 | 连续帧多特征点无人机侦察图像并行与匹配精度约束的拼接方法 |
CN105973235A (zh) * | 2016-04-25 | 2016-09-28 | 北京理工大学 | 针对存在禁飞区多边形区域的旋翼无人机覆盖搜索航迹规划方法 |
CN106143909A (zh) * | 2016-07-15 | 2016-11-23 | 北京航空航天大学 | 一种模块化组合式太阳能无人机设计方案 |
CN106289264A (zh) * | 2016-08-26 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种基于子区域划分的多无人机遍历搜索算法 |
Also Published As
Publication number | Publication date |
---|---|
CN107450576A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450576B (zh) | 一种桥梁检测无人机路径规划的方法 | |
CN110873565B (zh) | 用于城市场景重建的无人机实时路径规划方法 | |
CN109684921B (zh) | 一种基于三维激光雷达的道路边界检测与跟踪方法 | |
CN110108284B (zh) | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 | |
US20230096982A1 (en) | Method for generating robot exploration path, computer device, and storage medium | |
Verma et al. | 3D building detection and modeling from aerial LIDAR data | |
CN109520504A (zh) | 一种基于网格离散化的无人机巡查路径优化方法 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
McKeown et al. | Fusion of HYDICE hyperspectral data with panchromatic imagery for cartographic feature extraction | |
CN106054900A (zh) | 基于深度摄像头的机器人临时避障方法 | |
CN110320919B (zh) | 一种未知地理环境中的巡回机器人路径优化方法 | |
CN113048981B (zh) | 一种面向dem的无道路区域路径规划算法的方法 | |
CN112070870B (zh) | 点云地图评估方法、装置、计算机设备和存储介质 | |
US12055939B2 (en) | System and method for surface feature detection and traversal | |
JP6892157B2 (ja) | V2x情報融合技術によって取得された、各物体に対する深さ予測情報及び各物体に対するクラス情報を利用して3d空間を再構築することによりhdマップをアップデートする学習方法及び学習装置、そしてこれを利用したテスティング方法及びテスティング装置 | |
CN114964212A (zh) | 面向未知空间探索的多机协同融合定位与建图方法 | |
CN115371662B (zh) | 一种基于概率栅格移除动态对象的静态地图构建方法 | |
CN113124824A (zh) | 一种基于显著性计算的无人机摄影测量采集规划方法及系统 | |
CN108803659A (zh) | 基于魔方模型的多窗口启发式三维空间路径规划方法 | |
CN117419738A (zh) | 基于可视图与D*Lite算法的路径规划方法及系统 | |
CN104614729A (zh) | 一种激光雷达航带高程匹配质量分析方法 | |
Zhu et al. | Road curb detection using a novel tensor voting algorithm | |
Lee et al. | 3-d terrain covering and map building algorithm for an auv | |
CN111323026A (zh) | 一种基于高精度点云地图的地面过滤方法 |
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 |