CN109669474B - 基于先验知识的多旋翼无人机自适应悬停位置优化算法 - Google Patents

Abstract

本发明公开了一种基于先验知识的多旋翼无人机自适应悬停位置优化算法，包括以下步骤：S1：在已有3D杆塔模型空间中点选需检测点，并获取需检测点的3D坐标；S2：根据先验知识包括先验杆塔模型、先验历史巡查数据，并结合待执行任务，获得若干个悬停位估计点和姿态角估计点；S3：通过无人机执行指令，调整摄像云台角度和相机倍率对单个悬停位估计点及姿态角估计点进行修正；S4：重复步骤S3，得到优化后的悬停点位置和姿态角。本发明根据先验知识对悬停位估计点和姿态角估计点进行修正，通过优化算法找到最佳悬停点以及姿态角，进而提高了无人机的工作质量。

Description

基于先验知识的多旋翼无人机自适应悬停位置优化算法

技术领域

本发明涉及无人机领域，特别是涉及一种基于先验知识的多旋翼无人机自适应悬停位置优化算法。

背景技术

随着经济发展和科学技术的不断进步，无人机方面的研究越来越深入，同时无人机的应用也越来越广泛，在电力巡检、环境检测、灾情巡查、航拍摄影等方面都执行大量的工作，在对无人机的悬停控制方面要求也越来越高。

无人机悬停的定义是：通过无人机的自主飞行功能或者遥控装置的控制，使无人机在空中指定位置停留一定的时间。目前无人机定点悬停，最成熟且应用广泛的方法是利用GPS+气压计+陀螺仪的组合导航方式。其中气压计用来测量高度变化，GPS模块给出水平位置的坐标，最终结合陀螺仪的测量数据得出三维坐标，将坐标提供给无人机实现定点悬停。

现有技术存在的问题如下：

1)当无人机悬停后，无法确定是否处于最佳悬停位置；

2)无法确定无人机悬停后是否拥有最佳的姿态角。

因此亟需提供一种新型的多旋翼无人机自适应悬停位置优化算法来解决上述问题。

发明内容

本发明所要解决的技术问题是提供一种基于先验知识的多旋翼无人机自适应悬停位置优化算法，能够得到优化后的悬停点位置与姿态角。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于先验知识的多旋翼无人机自适应悬停位置优化算法，包括以下步骤：

S1：在已有3D杆塔模型空间中点选需检测点，并获取需检测点的3D坐标；

S2：根据先验知识包括先验杆塔模型、先验历史巡查数据，并结合待执行任务，获得若干个悬停位估计点和姿态角估计点；

S3：通过无人机执行指令，调整摄像云台角度和相机倍率对单个悬停点位置及姿态角进行修正；

S4：重复步骤S3，得到优化后的悬停点位置和姿态角。

在本发明一个较佳实施例中，步骤S2的具体过程包括：

S2.1：根据先验杆塔模型，并结合待执行任务进行悬停点估计，得到序列坐标P_n(x_n，y_n，z_n)，n＝1，……，m；

S2.2：根据需检测点的位置进行路径规划，先后到达P₁至P_i点；

S2.3：根据先验历史巡查数据，得到P_n的位姿(αn，βn，γn)。

进一步的，在步骤S2.2中，路径规划的方法包括：

假设无人机所处的位置为P_i(x_i，y_i，z_i)，需悬停的下一个点为P_i+1(x_i+1，y_i+1，z_i+1)，取x＝j，y＝w，z＝g，其中j是经度，w是纬度，g是高程，安全距离为u米；

首先在距需检测点u米处设置电子围栏，然后做直线规划

其中j、w、g为空间位置变量；最后判断直线

是否经过所述电子围栏，若该直线不经过电子围栏，则按该直线运行，若该直线经过电子围栏，则重新规划路径：

假设直线f与电子围栏的两个交界点为f_p1、f_p2，过交界点f_p1或f_p2任一点沿电子围栏外侧面做电子围栏轴线的平行线H，直线f与平行线H组成一个面fH，再经过交界点f_p1或f_p2任一点做面fH的法线N，直线f与法线N组成一个面fN，面fN与电子围栏相交形成一个空间曲线，f_p1与f_p2将空间曲线分成两段，分别为路径fN₁和路径fN₂，判断fN₁与fN₂的大小，将较小的一个设为最优路径，若两个一样大小，则选择其一作为最优路径。

在本发明一个较佳实施例中，步骤S3的具体过程包括：

S3.1：无人机调整摄像云台角度和相机倍率对单个悬停位估计点拍摄图像，与需检测点的实际图像进行匹配，得到实际图像相对于先验知识图像的偏移量I_x，I_y；

S3.2：判断I_x，I_y是否满足|I_x|＜u₀，|I_y|＜v₀，其中u₀、v₀是预设的最大图像偏移阈值，若满足则判断无人机调整到位，若不满足则继续修正，调整摄像云台，使I_x，I_y满足|I_x|＜u₀，|I_y|＜v₀的条件，以便进行下一步的拍摄和分析。

本发明的有益效果是：本发明在无人机自主运行悬停的时候，通过获取需检测点附近的系列悬停位估计点和姿态角估计点，根据先验知识对悬停位估计点和姿态角估计点进行修正，通过优化算法找到最佳悬停点以及姿态角，进而提高了无人机的工作质量。

附图说明

图1是本发明基于先验知识的多旋翼无人机自适应悬停位置优化算法一较佳实施例的流程图；

图2是所述电子围栏一较佳实施例的结构示意图；

图3是所述电子围栏另一较佳实施例的结构示意图；

图4是重新路径规划一较佳实施例的结构示意图。

附图中各部件的标记如下：1、被测物体，2、电子围栏。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1，本发明实施例包括：

一种基于先验知识的多旋翼无人机自适应悬停位置优化算法，包括以下步骤：

S1：在已有3D杆塔模型空间中点选需检测点，并获取需检测点的3D坐标；

S2：根据先验知识包括先验杆塔模型、先验历史巡查数据，并结合待执行任务，获得若干个悬停位估计点和姿态角估计点；具体过程包括：

S2.1：根据先验杆塔模型，并结合待执行任务进行悬停点估计，得到序列坐标P_n(x_n，y_n，z_n)，n＝1，……，m；所述序列坐标为需检测点附近的系列悬停位估计点

所述先验杆塔模型为电力系统中已有杆塔模型，包括杆塔的地理坐标、尺寸大小、杆塔与电力线关键节点的地理坐标等。

S2.2：根据需检测点的位置进行路径规划，先后到达P₁至P_i点，选择P₁至P_i点的最优安全路径；

假设无人机所处的位置为P_i(j_i，w_i，g_i)，需悬停的下一个点为P_i+1(j_i+1，W_i+1，g_i+1)，其中j是经度，w是纬度，g是高程，即相对于地面的高度，安全距离为u米，安全距离是指符合相关规范或者人为划定的最小工作距离，例如对电力设施来说可以设置5米；

首先在距被测物体1u米处设置电子围栏2，所述电子围栏2为一空间立方体，例如，如果被测物体是一个a*b*c的长方体，则电子围栏2的外观轮廓就是一个(a+u)*(b+u)*(c+u)的类立方体，在两面交界处是四分之一圆柱(半径为u)，在三面交接处是八分之一圆球，半径为u，如图2所示；如果被测物体1是一个半径为r的圆柱，其电子围栏2则是半径为r+u的圆柱，如图3所示；以此类推；

然后直线规划

其中j、w、g为空间位置变量；

最后判断该直线是否经过所述电子围栏2，若该直线不经过电子围栏2，则按该直线运行，若该直线经过电子围栏2，则重新规划路径：结合图4，以圆柱形电子围栏为例，假设直线f与电子围栏2的两个交界点为f_p1、f_p2，过交界点f_p1或f_p2任一点沿电子围栏2外侧面做电子围栏2轴线的平行线H，直线f与平行线H组成一个面fH，再经过交界点f_p1或f_p2任一点做面fH的法线N，直线f与法线N组成一个面fN，面fN与电子围栏2相交形成一个空间曲线，f_p1与f_p2将空间曲线分成两段，分别为路径fN₁和路径fN₂，判断fN₁与fN₂的大小，将较小的一个设为最优路径，若两个一样大小，则选择其一作为最优路径。

S2.3：根据先验历史巡查数据，得到P_n的位姿(αn，βn，γn)。

所述先验历史巡查数据为电力系统中无人机历史巡查的记录数据。

S3：通过无人机执行指令，调整摄像云台角度和相机倍率对单个悬停点位置及姿态角进行修正；具体过程包括：

S3.1：无人机调整摄像云台角度和相机倍率对单个悬停位估计点拍摄图像，与需检测点的实际图像进行匹配，得到实际图像相对于先验知识图像的偏移量I_x，I_y；

S3.2：判断I_x，I_y是否满足|I_x|＜u₀，|I_y|＜v₀，其中u₀、v₀是预设的最大图像偏移阈值，根据无人机所拍摄图像大小及场景大小具体设定，其中场景大小包括无人机与拍摄场景的距离、焦距。若满足则判断无人机调整到位，不需要进行调整，进行下一步的拍摄和分析；若不满足则继续修正，具体修正方法是，调整摄像云台，使I_x，I_y满足|I_x|＜u₀，|I_y|＜v₀的条件，以便进行下一步的拍摄和分析。

S4：重复步骤S3，得到优化后的悬停点位置和姿态角，进行下一步的飞行巡检作业。

本发明在无人机自主运行悬停的时候，通过获取需检测点附近的系列悬停位估计点和姿态角估计点，根据先验知识对悬停位估计点和姿态角估计点进行修正，通过优化算法找到最佳悬停点以及姿态角，进而提高了无人机的工作质量。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (2)

1.一种基于先验知识的多旋翼无人机自适应悬停位置优化算法，包括以下步骤：

S1：在已有3D杆塔模型空间中点选需检测点，并获取需检测点的3D坐标；

S2：根据先验知识包括先验杆塔模型、先验历史巡查数据，并结合待执行任务，获得若干个悬停位估计点和姿态角估计点；具体过程包括：

S2.1：根据先验杆塔模型，并结合待执行任务进行悬停点估计，得到序列坐标P_n(x_n，y_n，z_n)，n＝1，……，m；

S2.2：根据需检测点的位置进行路径规划，先后到达P₁至P_i点；

路径规划的方法包括：

假设无人机所处的位置为P_i(x_i，y_i，z_i)，需悬停的下一个点为P_i+1(x_i+1，y_i+1，z_i+1)，取x＝j，y＝w，z＝g，其中j是经度，w是纬度，g是高程，安全距离为u米；

首先在距需检测点u米处设置电子围栏，然后做直线规划

其中j、w、g为空间位置变量；最后判断直线

是否经过所述电子围栏，若该直线不经过电子围栏，则按该直线运行，若该直线经过电子围栏，则重新规划路径：

假设直线f与电子围栏的两个交界点为f_p1、f_p2，过交界点f_p1或f_p2任一点沿电子围栏外侧面做电子围栏轴线的平行线H，直线f与平行线H组成一个面fH，再经过交界点f_p1或f_p2任一点做面fH的法线N，直线f与法线N组成一个面fN，面fN与电子围栏相交形成一个空间曲线，f_p1与f_p2将空间曲线分成两段，分别为路径fN₁和路径fN₂，判断fN₁与fN₂的大小，将较小的一个设为最优路径，若两个一样大小，则选择其一作为最优路径；

S2.3：根据先验历史巡查数据，得到P_n的位姿(αn，βn，γn)；

S3：通过无人机执行指令，调整摄像云台角度和相机倍率对单个悬停点位置及姿态角进行修正；

S4：重复步骤S3，得到优化后的悬停点位置和姿态角。

2.根据权利要求1所述的基于先验知识的多旋翼无人机自适应悬停位置优化算法，其特征在于，步骤S3的具体过程包括：

S3.1：无人机调整摄像云台角度和相机倍率对单个悬停位估计点拍摄图像，与需检测点的实际图像进行匹配，得到实际图像相对于先验知识图像的偏移量I_x，I_y；

S3.2：判断I_x，I_y是否满足|I_x|＜u₀，|I_y|＜v₀，其中u₀、v₀是预设的最大图像偏移阈值，若满足则判断无人机调整到位，若不满足则继续修正，调整摄像云台，使I_x，I_y满足|I_x|＜u₀，|I_y|＜v₀的条件，以便进行下一步的拍摄和分析。

Images