CN110956337B - 无人机常态化智能作业前的勘探方法和装置 - Google Patents
无人机常态化智能作业前的勘探方法和装置 Download PDFInfo
- Publication number
- CN110956337B CN110956337B CN201911296483.3A CN201911296483A CN110956337B CN 110956337 B CN110956337 B CN 110956337B CN 201911296483 A CN201911296483 A CN 201911296483A CN 110956337 B CN110956337 B CN 110956337B
- Authority
- CN
- China
- Prior art keywords
- exploration
- path
- paths
- vehicle
- aerial
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请实施例属于人工智能和无人机系统领域,公开了一种无人机常态化智能作业前的勘探方法和装置,用于有效解决智慧城市无人机常态化、智能化作业前的前期勘探难题。具体通过获取待勘探区域内各个待勘探对象的地理位置信息;对所述地理位置信息进行聚类,得到至少一个聚类区域,聚类区域包括至少一个所述待勘探对象;使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个聚类区域的空中无人机的最短勘探路径;最后,空中无人机可以根据最短勘探路径进行勘探,也可以和地面无人车进行地空协同勘探,以利用空中无人机有限的续航能力,完成尽可能多的勘探任务。
Description
技术领域
本申请属于人工智能和无人机系统领域,尤其涉及一种无人机常态化智能作业前的勘探方法和装置。
背景技术
无人机因携带方便,起飞和降落简单,易于操纵,常被用于进行勘探任务。
无人机在进行常态化作业、智能化作业之前,一般需要进行事前勘探。在实际应用中,常常会遇到无人机所需要执行的勘探任务超出了无人机自身的续航能力,导致无人机无法完成勘探任务。换句话说,因无人机续航能力的限制,无人机所能完成的勘探任务的数量十分有限。
发明内容
本申请实施例提供一种无人机常态化智能作业前的勘探方法和装置,以解决目前无人机续航能力有限,无人机完成的勘探任务数量十分有限的问题。
第一方面,本申请实施例提供一种无人机常态化智能作业前的勘探方法,包括:
获取待勘探区域内各个待勘探对象的地理位置信息;
对所述地理位置信息进行聚类,得到至少一个聚类区域,所述聚类区域包括至少一个所述待勘探对象;
使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个所述聚类区域的空中无人机的最短勘探路径;
将所述最短勘探路径传输至所述空中无人机,以使所述空中无人机根据所述最短勘探路径对所述待勘探区域进行勘探。
可以看出,本申请实施例通过获取待勘探区域内各个待勘探对象的地理位置信息,再对各个地理位置信息进行聚类,以将待勘探区域划分成几个小的聚类区域,然后再通过旅行商问题路径规划,规划出每个聚类区域的无人机最短勘探路径,以利用空中无人机有限的续航能力,完成尽可能多的勘探任务。
结合第一方面,在一种可能的实现方式中,还包括:
使用遗传算法对所述最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径;
将所述最短协同勘探路径传输至所述地面无人车,以使所述地面无人车根据所述最短协同勘探路径与所述空中无人机进行协同勘探。
可以看出,基于每个聚类区域的无人机最短勘探路径的路径起始点,规划出无人车的最短协同勘探路径,无人车可以根据最短协同勘探路径,搭载无人机在各个路径起始点之间移动,而无人机只需要根据最短勘探路径在每个聚类区域内部进行勘探,这样,通过无人机和无人车地空协同勘探可以进一步减少无人机的续航能力损耗,进一步提高无人机的勘探续航能力,使得空中无人机在有限的续航能力下,进一步地完成尽可能多的勘探任务。
结合第一方面,在一种可能的实现方式中,使用遗传算法对所述最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径,包括:
编码步骤:对所述路径起始点进行编码;
初始化步骤:对编码后的路径起始点进行种群初始化,形成地面无人车协同勘探路径的初始种群,所述地面无人车协同勘探路径的初始种群包括至少一条地面无人车协同勘探路径;
适应度计算步骤:计算每条所述地面无人车协同勘探路径的适应度;
交叉变异步骤:根据所述地面无人车协同勘探路径的适应度,对所述地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径进行交叉和变异操作,形成地面无人车协同勘探路径的新种群,所述地面无人车协同勘探路径的新种群中的地面无人车协同勘探路径的数量与所述地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前地面无人车协同勘探路径的新种群中适应度最大的空中无人机协同勘探路径作为所述最短协同勘探路径;若当前遗传次数未达到所述最大遗传次数,循环执行交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
结合第一方面,在一种可能的实现方式中,根据所述地面无人车协同勘探路径的适应度,对所述地面无人车协同勘探路径进行交叉和变异操作,形成地面无人车协同勘探路径的新种群,包括:
根据所述地面无人车协同勘探路径的适应度,随机选取至少一组地面无人车协同勘探路径,每一组包括两个所述地面无人车协同勘探路径;
对每一组地面无人车协同勘探路径进行交叉,得到交叉操作后的地面无人车协同勘探路径;
对交叉操作后的地面无人车协同勘探路径进行变异操作,得到变异操作后的地面无人车协同勘探路径;
计算变异操作后的地面无人车协同勘探路径的适应度;
按照适应度大小从大到小地排序,从所述地面无人车协同勘探路径和变异操作后的地面无人车协同勘探路径中选取前N个地面无人车协同勘探路径,N等于所述地面无人车协同勘探路径的初始种群中的路径数量;
基于所述前N个地面无人车协同勘探路径形成所述地面无人车协同勘探路径的新种群。
结合第一方面,在一种可能的实现方式中,在得到变异操作后的地面无人车协同勘探路径之后,还包括:
对变异操作后的地面无人车协同勘探路径进行进化逆转操作,获得进化逆转操作后的地面无人车协同勘探路径;
计算每条进化逆转操作后的地面无人车协同勘探路径的适应度;
若所述变异操作后的地面无人车协同勘探路径的适应度小于对应的进化逆转操作后的地面无人车协同勘探路径的适应度,将变异操作后的地面无人车协同勘探路径替换为进化逆转操作后的地面无人车协同勘探路径。
进一步地,为了提高遗传算法的局部搜索能力,在选择、交叉、变异之后可以进行进化逆转操作,即二次替换的操作。
结合第一方面,在一种可能的实现方式中,使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个所述聚类区域的空中无人机的最短勘探路径,包括:
编码步骤:对每个所述聚类区域中的待勘探对象的地理位置信息进行编码;
初始化步骤:分别对编码后的聚类区域进行种群初始化,形成空中无人机勘探路径的初始种群,所述空中无人机勘探路径的初始种群包括至少一条空中无人机勘探路径;
适应度计算步骤:计算每条所述空中无人机勘探路径的适应度;
交叉变异步骤:根据所述空中无人机勘探路径的适应度,对所述空中无人机勘探路径的初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,所述空中无人机勘探路径的新种群中的空中无人机勘探路径的数量与所述空中无人机勘探路径的初始种群中的空中无人机勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前空中无人机勘探路径的新种群中适应度最大的空中无人机勘探路径作为所述最短勘探路径;若遗传次数未达到所述最大遗传次数,返回交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
结合第一方面,在一种可能的实现方式中,根据所述空中无人机勘探路径的适应度,对所述初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,包括:
根据所述空中无人机勘探路径的适应度,随机选取至少一组空中无人机勘探路径,每一组包括两个所述空中无人机勘探路径;
对每一组空中无人机勘探路径进行交叉,得到交叉操作后的空中无人机勘探路径;
对交叉操作后的空中无人机勘探路径进行变异操作,得到变异操作后的空中无人机勘探路径;
计算变异操作后的空中无人机勘探路径的适应度;
按照适应度大小从大到小地排序,从所述空中无人机勘探路径和变异操作后的空中无人机勘探路径中选取前M个空中无人机勘探路径,M等于所述空中无人机勘探路径的初始种群中的路径数量;
基于所述前M个空中无人机勘探路径形成所述空中无人机勘探路径的新种群。
第二方面,本申请实施例提供一种无人机常态化智能作业前的勘探装置,包括:
获取模块,用于获取待勘探区域内各个待勘探对象的地理位置信息;
聚类模块,用于对所述地理位置信息进行聚类,得到至少一个聚类区域,所述聚类区域包括至少一个所述待勘探对象;
最短勘探路径规划模块,用于使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个所述聚类区域的空中无人机的最短勘探路径;
无人机勘探模块,用于将所述最短勘探路径传输至所述空中无人机,以使所述空中无人机根据所述最短勘探路径对所述待勘探区域进行勘探。
第三方面,本申请实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的提供的一种无人机常态化智能作业前的勘探方法的流程示意框图;
图2为本申请实施例提供的聚类区域示意图;
图3为本申请实施例提供的步骤S103的具体流程示意框图;
图4为本申请实施例提供的步骤S304的具体流程示意框图;
图5为本申请实施例提供的一种无人机常态化智能作业前的勘探方法的另一种流程示意框图;
图6为本申请实施例提供的步骤S505的具体流程示意框图;
图7为本申请实施例提供的步骤S604的具体流程示意框图;
图8为本申请实施例提供的空中无人机和地面无人车协同勘探示意图;
图9为本申请实施例提供的无人机常态化智能作业前的勘探装置的结构框图;
图10为本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。
下面将通过具体实施例介绍本申请实施例提供的技术方案。
本申请实施例提供的无人机常态化智能作业前的勘探方法可以应用于终端设备上,该终端设备可以为空中无人机或者地面无人车,也可以是地面无人车和空中无人机之外的终端设备,例如,PC机、服务器等,此时,在终端设备中规划出空中无人机的最短勘探路径和地面无人车的最短协同勘探路径之后,终端设备可以将规划出的勘探路径传输至空中无人机和地面无人车。空中无人机和地面无人车分别根据最短勘探路径和最短协同勘探路径进行勘探。在此,本申请实施例对终端设备的具体类型不作任何限制。
在本申请实施例中,空中无人机的勘探方式有两种,一种是协同勘探,即空中无人机和地面无人车协同勘探,具体为:空中无人机根据最短勘探路径对某个区域进行勘探,然后飞回到起飞点,降落在停留在起飞点处的地面无人车。地面无人车则根据最短协同勘探路径搭载空中无人机前往下一个区域的起飞点,空中无人机再从该起飞点起飞对该区域进行勘探,依次类推,直到完成相应的勘探任务。
另一种是非协同勘探,即空中无人机在勘探完一个聚类区域之后,则飞往下一个聚类区域进行勘探。
下面先对非协同勘探的过程进行介绍。
请参见图1,为本申请实施例的提供的一种无人机常态化智能作业前的勘探方法的流程示意框图,该方法可以包括以下步骤:
步骤S101、获取待勘探区域内各个待勘探对象的地理位置信息。
需要说明的是,上述待勘探对象可以是任意需要勘探的目标或物体。例如,待勘探物为违章建筑物,待勘探区域为某个城市或者某个地区,即需要对某个城市或者地区的违章建筑物进行空中无人机勘探。
上述地理位置信息可以为但不限于经纬度信息。该地理位置信息是预先采集存储的。例如,待勘探对象为违章建筑物时,预先采集违章建筑物的经纬度信息,形成违章建筑物数据库,在路径规划时,则从该违章建筑物数据库中读取相应区域的违章建筑物的经纬度信息。
步骤S102、对地理位置信息进行聚类,得到至少一个聚类区域,聚类区域包括至少一个待勘探对象。
需要说明的是,上述聚类过程使用的聚类算法可以是任意的,例如,上述聚类算法为K-means算法。
具体地,先随机选取出一个或几个待勘探对象作为聚类中心,然后再根据地理位置信息,分别计算剩下的待勘探对象与选取出的聚类中心之间的距离;再根据距离的远近,将每一个待勘探对象分配给离它最近的聚类中心。最终,得到一个或多个区域,该区域即为上述聚类区域。
一个聚类区域包括一个聚类中心,即聚类中心的数量和聚类区域的数量一致,其中,聚类中心的数量可以根据需要进行设定。一个聚类区域可能只包括一个聚类中心,即可能只包括一个待勘探对象。
参见图2示出的聚类区域示意图,每一个圆点表示一个地理位置信息,首先随机选取出聚类中心,即图中的黑色圆点。然后再基于距离远近,将每一个圆点分配给聚类中心,得到如图2所示的3个虚线圆包围的区域,这3个区域即为聚类后得到的聚类区域。
需要说明的是,最终得到的空中无人机最短勘探路径也有可能不满足空中无人机的续航能力,此时,可以增加初始聚类中心进行聚类,增加聚类中心即将一个大的聚类区域划分成更多的小区域,之后再对这些小区域的待勘探对象进行路径规划。
步骤S103、使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个聚类区域的空中无人机的最短勘探路径。
可以理解的是,旅行商问题(Traveling Salesman Problem,TSP)是一个经典的NP-Hard问题。问题假设有一个旅行商人要拜访n个城市,他必须选择所要走的路径,路径的限制是每个城市只能拜访一次,而且最后要回到原来出发的城市。遗传算法(GeneticAlgorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
每个聚类区域包括至少一个待勘探对象,空中无人机需要遍历每个区域内的各个待勘探对象,每个待勘探对象只能勘探一次,且最后需要回到路径的起始点。
需要说明的是,当某个聚类区域只包括一个待勘探对象,即只包括一个聚类中心,可以不对该区域进行空中无人机勘探路径规划。
在一些实施例中,参见图3示出的步骤S103的具体流程示意框图,上述步骤S103的过程可以包括:
步骤S301、对每个聚类区域中的待勘探对象的地理位置信息进行编码。
需要说明的是,可以使用十进制编码对待勘探对象的地理位置信息进行编码,也可以采用十六进制进行编码,或者其它进制,在此不作限定。
例如,某个聚类区域内包括10个待勘探对象,分别对这10个待勘探对象的经纬度信息进行十进制编码,得到这个聚类区域的编码结果为{1,2,3,4,5,6,7,8,9,10}。
步骤S302、分别对编码后的聚类区域进行种群初始化,形成空中无人机勘探路径的初始种群,空中无人机勘探路径的初始种群包括至少一条空中无人机勘探路径。
具体地,在对每一个聚类区域的编码结果进行种群初始化,以得到包括多条空中无人机勘探路径的初始种群。每一条空中无人机勘探路径均是遍历聚类区域内每一个待勘探对象的路径。
例如,某个聚类区域的编码结果为{1,2,3,4,5,6,7,8,9,10},对这个聚类区域进行种群初始化之后,得到多条遍历这10个待勘探对象的空中无人机勘探路径。其中的几条空中无人机勘探路径为:
9→5→1→3→7→4→2→10→8→6→9
5→9→1→3→7→4→2→10→8→6→5
1→5→9→3→7→4→2→10→8→6→1
可以看出,空中无人机勘探路径需要遍历聚类区域内的所有待勘探对象,且最后回到路径起始点。
初始化种群得到的空中无人机勘探路径的数量可以根据实际经验去设置,一般情况下种群数量视地点规模的大小而确定。
步骤S303、计算每条空中无人机勘探路径的适应度。
具体地,分别计算每一个聚类区域中每一条空中无人机勘探路径的适应度。
计算适应度的公式如下所示:
步骤S304、根据空中无人机勘探路径的适应度,对空中无人机勘探路径的初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,空中无人机勘探路径的新种群中的空中无人机勘探路径的数量与空中无人机勘探路径的初始种群中的空中无人机勘探路径的数量相同。
需要说明的是,新种群和初始种群的路径数量相一致,新种群中的空中无人机勘探路径是按照适应度大小进行选取的。具体地,按照适应度的大小,从交叉和变异操作产生新的空中无人机勘探路径和初始种群中的空中无人机勘探路径中选取形成新种群的路径。
在一些实施例中,参见图4示出的步骤S304的具体流程示意框图,上述根据空中无人机勘探路径的适应度,对初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群的过程可以包括:
步骤S401、根据空中无人机勘探路径的适应度,随机选取至少一组空中无人机勘探路径,每一组包括两个空中无人机勘探路径。
具体应用中,可以先后随机选取出一组路径;也可同时随机选取出包括两条路径的多组。存在一条路径被选取多次的情况,也存在一条路径未被选取的情况。
步骤S402、对每一组空中无人机勘探路径进行交叉,得到交叉操作后的空中无人机勘探路径。
可以理解的是,可以同时对多组空中无人机勘探路径进行交叉,也可以先后对多组空中无人机勘探路径进行交叉。例如,5条空中无人机勘探路径的适应度值大小分别为0.2、0.1、0.3、0.5、0.6,先后对多组空中无人机勘探路径进行交叉,则先随机选取出适应度值为0.3和0.5的两条空中无人机勘探路径进行交叉操作,之后再随机选取几组两条路径进行交叉操作。
交叉操作是指将两条空中无人机勘探路径的中间数据进行交叉(即替换),从而产生新的空中无人机勘探路径。
例如,其中一组的两条空中无人机勘探路径(交叉过程中,空中无人机勘探路径不考虑最后回到路径起始点)分别为:
9→5→1→3→7→4→2→10→8→6
10→5→4→6→3→8→7→2→1→9
选取这两条路径的中间四个数字作为中间数据(下面矩形框内的数字),具体如下:
然后,对中间数据进行交叉操作,得到两条新的空中无人机勘探路径为:
951|6387|1086
1054|3742| 219
接着,在同一路径使用*表示重复的非中间替换部分的数字,不重复的数字则保留,得到带*的两条路径。如下,将第一组路径中的第一条路径中重复的非中间替换部分的数字8和6用*替换,将第一组路径中的第二条路径中的重复的非中间替换部分的数字4和2用*替换,得到如下的第二组路径。
之后,利用中间段重复的数字的对应关系进行映射。例如,下面的第一条路径中的8为重复数字,8与另一个路径的重复数字4对应,则在第一条路径中4代替非中间段数字8,用2代替6;第二条路径则反过来用8代替4,用6代替2,得到如下面第三组所示的两条路径。
需要说明的是,映射的时候如一条路径仍会出现重复的数字,则使用该重复数字的对应关系进行再次映射,直到一条路径不出现重复数字为止。例如,下面所示的第三组的路径中8和7是对应关系,用7代替8会出现第一条路径出现第四组两个7的情况,这时候则使用7对应2的关系去映射,使用2代替上一组非中间部分的7,则得到如第五组所示的两条路径。
步骤S403、对交叉操作后的空中无人机勘探路径进行变异操作,得到变异操作后的空中无人机勘探路径。
可以理解的是,变异是指将同一条路径中的点进行位置变换。例如,其中一条交叉操作后的空中无人机勘探路径为9→5→1→6→3→8→7→10→4→2,随机选择对换7和4的位置,变异后得到新的空中无人机勘探路径:9→5→1→6→3→8→4→10→7→2。
在一些实施例中,在变异操作之后,可以计算变异操作后的空中无人机勘探路径的适应度,然后再根据适应度大小形成新的种群。
在另一些实施例中,为改善遗传算法的局部搜索能力,在选择、交叉、变异之后可引进连续多次的进化逆转操作,即二次替换的操作。这里“进化”是指逆转算子单方向性,即只有经过逆转后,适应度值有提高的才接受下来,否则逆转无效。
例如,变异操作后得到的路径为:9→5→1→6→3→8→4→10→7→2,再随机选取两个数字进行对换,如对换5和1,得到新的空中无人机勘探路径为9→1→5→6→3→8→4→10→7→2。计算对换之后产生的新路径9→1→5→6→3→8→4→10→7→2的适应度值,再与未对换的路径:9→5→1→6→3→8→4→10→7→2的适应度值进行对比,若新的路径适应度值较大,则这条路径为新的路径,否则为无效的,未对换的路径为新路径。
步骤S404、计算变异操作后的空中无人机勘探路径的适应度。
需要说明的是,适应度计算的公式与步骤S303中的公式相同,在此不再赘述。
步骤S405、按照适应度大小从大到小地排序,从空中无人机勘探路径和变异操作后的空中无人机勘探路径中选取前M个空中无人机勘探路径,M等于空中无人机勘探路径的初始种群中的路径数量。
步骤S406、基于前M个空中无人机勘探路径形成空中无人机勘探路径的新种群。
具体地,从初始种群的空中无人机勘探路径后和变异操作后的空中无人机勘探路径中选取出用于形成新种群的空中无人机勘探路径。
新种群路径的数量要与初始种群的路径数量保持一致,上述步骤随机多次选取两两路径进行交叉和变异操作后,得到多条新的空中无人机勘探路径,再与初始种群的多条空中无人机勘探路径合并在一起,之后计算合并在一起的每条路径的适应度值,接着按照适应度值大小进行先后排序,去除一些路径得到与初始种群路径数量一致的多条路径,形成新种群。
例如,初始种群包括10条空中无人机勘探路径,先后5次随机从初始种群随机选取两条进行交叉和变异等操作,最后得到10条新的空中无人机勘探路径,一共20条,之后计算这20条路径的适应度值,再按照大小先后排序,选取出前10条路径,形成新种群。
需要说明的是,步骤S405中的变异操作后的空中无人机勘探路径可以包括进化逆转操作后的路径,即在变异操作之后可以进行进化逆转操作,如果逆转操作后的路径的适应度大于逆转操作之前的路径的适应度,则用逆转操作后的路径替换逆转操作之前的路径。也可以不包括进化逆转操作后的路径,即在变异操作之后,则进入到步骤S404,不进行进化逆转操作。
步骤S305、若当前遗传次数达到最大遗传次数,选取当前空中无人机勘探路径的新种群中适应度最大的空中无人机勘探路径作为最短勘探路径;若遗传次数未达到最大遗传次数,返回上述步骤S304,循环执行步骤S304和S305,直到当前遗传次数达到最大遗传次数为止。
可以理解的是,上述最大遗传次数可以根据实际经验进行设置,一般设置为100~200次。
如果遗传次数达到最大遗传次数,则从形成的当前新种群中选取出适应度最大的路径作为空中无人机的最短勘探路径。如果没有达到,则循环执行上述交叉变异步骤和遗传次数检测步骤。
步骤S104、将最短勘探路径传输至空中无人机,以使空中无人机根据最短勘探路径对待勘探区域进行勘探。
具体地,在规划出每个聚类区域的最短勘探路径之后,空中无人机则可以根据该最短勘探路径对每一个聚类区域进行勘探。在对每一个聚类区域进行勘探时,空中无人机从最短勘探路径的路径起始点起飞,根据最短勘探路径依次勘探各个待勘探对象,然后飞回至起飞点。然后,用户可以控制无人机飞往下一个聚类区域进行勘探。
本申请实施例中,通过将待勘探区域聚类成几个区域,并分别规划处每个聚类区域的最短勘探路径,使得空中无人机的勘探路径最短,以利用无人机有限的续航能力,完成尽可能多的勘探任务。
在非协同勘探方式下,空中无人机使用最短勘探路径进行勘探时,虽然极大程度保证了无人机的续航能力能满足勘探需求,但仍有可能存在无人机使用最短勘探路径进行勘探时,出现续航能力不足的情况。基于此,可协调地面无人车进行勘探,即空中无人机勘探完一个聚类区域之后,飞回位于起飞点的地面无人车处,由地面无人车搭载无人机到下个聚类区域的起飞点进行下一区域的勘探工作,空中无人机在地面无人车上的时候,还可以使用地面无人车进行充电。这样,可以进一步地保证空中无人机勘探续航能力,提高空中无人机勘探安全性。
下面将介绍空中无人机和地面无人车协同勘探的过程。
参见图5示出的本申请实施例提供的一种无人机常态化智能作业前的勘探方法的另一种流程示意框图,该方法可以包括以下步骤,
步骤S501、获取待勘探区域内各个待勘探对象的地理位置信息。
步骤S502、对地理位置信息进行聚类,得到至少一个聚类区域,聚类区域包括至少一个待勘探对象。
步骤S503、使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个聚类区域的空中无人机的最短勘探路径。
步骤S504、将最短勘探路径传输至空中无人机,以使空中无人机根据最短勘探路径对待勘探区域进行勘探。
需要说明的是,步骤S501~S504与上述步骤S101~S104相同,相关介绍请参见上文相应内容,在此不再赘述。
步骤S505、使用遗传算法对最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径。
具体地,在规划出各个聚类区域的空中无人机最短勘探路径后,根据空中无人机最短勘探路径得到各个聚类区域空中无人机的路径起始点。例如,得到某个区域的空中无人机最短勘探路径为9→5→1→6→3→8→4→10→7→2→9,则获得该区域空中无人机的路径起始点9,以此类推得到各个区域的初始点,如有10个区域,则有10个路径初始点。
可以理解的是,地面无人车需要在各个路径起始点之间移动,即地面无人车搭载空中无人机到达聚类区域的路径起始点之后,地面无人车静止不动,空中无人机从路径起始点起飞,按照最短勘探路径进行勘探。勘探完成后,空中无人机回到路径起始点,降落至地面无人车上。地面无人车再将空中无人机运送至下一个聚类区域的路径起始点,依次类推,地面无人车协同空中无人机完成勘探任务。基于此,地面无人车需要遍历各个路径起始点,且每个路径起始点只能遍历一次。
在一些实施例中,参见图6示出的步骤S505的具体流程示意框图,上述步骤S505的具体过程可以包括:
步骤S601、对路径起始点进行编码。
可以理解的是,可以使用十进制编码对路径起始点的地理位置信息进行编码,也可以采用十六进制进行编码,或者其它进制,在此不作限定。
例如,一共包括10个路径起始点,分别对这10个路径起始点的经纬度信息进行十进制编码,得到编码结果为{1,2,3,4,5,6,7,8,9,10}。
步骤S602、对编码后的路径起始点进行种群初始化,形成地面无人车协同勘探路径的初始种群,地面无人车协同勘探路径的初始种群包括至少一条地面无人车协同勘探路径。
具体地,在对路径起始点的编码结果进行种群初始化,以得到包括多条地面无人车协同勘探路径的初始种群。每一条地面无人车协同勘探路径均是遍历所有路径起始点的路径。
例如,对上文10个初始点进行种群初始化,得到的其中一条路径为:9→5→1→3→7→4→2→10→8→6。
初始化种群得到的地面无人车协同勘探路径数量是根据实际经验去设置得到,一般情况下种群数量视地点规模的大小而确定。
步骤S603、计算每条地面无人车协同勘探路径的适应度。
具体地,计算适应度的公式如下所示:
步骤S604、根据地面无人车协同勘探路径的适应度,对地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径进行交叉和变异操作,形成地面无人车协同勘探路径的新种群,地面无人车协同勘探路径的新种群中的地面无人车协同勘探路径的数量与地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径的数量相同。
需要说明的是,新种群和初始种群的路径数量相一致,新种群中的地面无人车协同勘探路径是按照适应度大小进行选取的。具体地,按照适应度的大小,从交叉和变异操作产生新的地面无人车协同勘探路径和初始种群中的地面无人车协同勘探路径中选取形成新种群的路径。
在一些实施例中,参见图7示出的步骤S604的具体流程示意框图,上述步骤S604的具体过程可以包括:
步骤S701、根据地面无人车协同勘探路径的适应度,随机选取至少一组地面无人车协同勘探路径,每一组包括两个地面无人车协同勘探路径。
具体应用中,可以先后随机选取出一组路径;也可同时随机选取出包括两条路径的多组。存在一条路径被选取多次的情况,也存在一条路径未被选取的情况。
步骤S702、对每一组地面无人车协同勘探路径进行交叉,得到交叉操作后的地面无人车协同勘探路径。
可以理解的是,可以同时对多组地面无人车协同勘探路径进行交叉,也可以先后对多组地面无人车协同勘探路径进行交叉。例如,5条地面无人车协同勘探路径的适应度值大小分别为0.2、0.1、0.3、0.5、0.6,先随机选取出适应度值为0.3和0.5的两条地面无人车协同勘探路径进行交叉操作,之后再随机选取几组两条路径进行交叉操作。
交叉操作是指将两条地面无人车协同勘探路径的中间数据进行交叉(即替换),从而产生新的地面无人车协同勘探路径。
例如,其中一组的两条地面无人车协同勘探路径分别为:
9→5→1→3→7→4→2→10→8→6
10→5→4→6→3→8→7→2→1→9
选取这两条路径的中间四个数字作为中间数据(下面矩形框内的数字),具体如下:
然后,对中间数据进行交叉操作,得到两条新的地面无人车协同勘探路径为:
951|6387|1086
1054|3742| 219
接着,在同一路径使用*表示重复的非中间替换部分的数字,不重复的数字则保留,得到带*的两条路径。如下,将第一组路径中的第一条路径中重复的非中间替换部分的数字8和6用*替换,将第一组路径中的第二条路径中的重复的非中间替换部分的数字4和2用*替换,得到如下的第二组路径。
之后,利用中间段重复的数字的对应关系进行映射。例如,下面的第一条路径中的8为重复数字,8与另一个路径的重复数字4对应,则在第一条路径中4代替非中间段数字8,用2代替6;第二条路径则反过来用8代替4,用6代替2,得到如下面第三组所示的两条路径。
需要说明的是,映射的时候如一条路径出现重复的数字,则使用该重复数字的对应关系进行再次映射,直到一条路径不出现重复数字为止。例如,下面所示的第三组的路径中8和7是对应关系,用7代替8会出现第一条路径出现第四组两个7的情况,这时候则使用7对应2的关系去映射,使用2代替上一组非中间部分的7,则得到如第五组所示的两条路径。
步骤S703、对交叉操作后的地面无人车协同勘探路径进行变异操作,得到变异操作后的地面无人车协同勘探路径。
可以理解的是,变异是指将同一条路径中的点进行位置变换。例如,其中一条交叉操作后的地面无人车协同勘探路径为9→5→1→6→3→8→7→10→4→2,随机选择对换7和4的位置,变异后得到新的地面无人车协同勘探路径:9→5→1→6→3→8→4→10→7→2。
在另一些实施例中,为改善遗传算法的局部搜索能力,在选择、交叉、变异之后可引进连续多次的进化逆转操作,即二次替换的操作。这里“进化”是指逆转算子单方向性,即只有经过逆转后,适应度值有提高的才接受下来,否则逆转无效。也就是会,在得到变异操作后的地面无人车协同勘探路径之后,还可以包括:
对变异操作后的地面无人车协同勘探路径进行进化逆转操作,获得进化逆转操作后的地面无人车协同勘探路径;
计算每条进化逆转操作后的地面无人车协同勘探路径的适应度;
若变异操作后的地面无人车协同勘探路径的适应度小于对应的进化逆转操作后的地面无人车协同勘探路径的适应度,将变异操作后的地面无人车协同勘探路径替换为进化逆转操作后的地面无人车协同勘探路径。
例如,变异操作后得到的路径为:9→5→1→6→3→8→4→10→7→2,再随机选取两个数字进行对换,如对换5和1,得到新的空中无人机勘探路径为9→1→5→6→3→8→4→10→7→2。计算对换之后产生的新路径9→1→5→6→3→8→4→10→7→2的适应度值,再与未对换的路径:9→5→1→6→3→8→4→10→7→2的适应度值进行对比,若新的路径适应度值较大,则这条路径为新的路径,否则为无效的,未对换的路径为新路径。
步骤S704、计算变异操作后的地面无人车协同勘探路径的适应度。
需要说明的是,适应度计算公式与上文相同,在此不再赘述。
步骤S705、按照适应度大小从大到小地排序,从地面无人车协同勘探路径和变异操作后的地面无人车协同勘探路径中选取前N个地面无人车协同勘探路径,N等于地面无人车协同勘探路径的初始种群中的路径数量。
步骤S706、基于前N个地面无人车协同勘探路径形成地面无人车协同勘探路径的新种群。
具体地,从初始种群的空中无人机勘探路径后和变异操作后的空中无人机勘探路径中选取出用于形成新种群的空中无人机勘探路径。
新种群路径的数量要与初始种群的路径数量保持一致,上述步骤随机多次选取两两路径进行交叉和变异操作后,得到多条新的地面无人车协同勘探路径,再与初始种群的多条地面无人车协同勘探路径合并在一起,之后计算合并在一起的每条路径的适应度值,接着按照适应度值大小进行先后排序,去除一些路径得到与初始种群路径数量一致的多条路径,形成新种群。
例如,初始种群包括10条地面无人车协同勘探路径,先后5次随机从初始种群随机选取两条进行交叉和变异等操作,最后得到10条新的地面无人车协同勘探路径,一共20条,之后计算这20条路径的适应度值,再按照大小先后排序,选取出前10条路径,形成新种群。
需要说明的是,步骤S705中的变异操作后的空中无人机勘探路径可以包括进化逆转操作后的路径,即在变异操作之后可以进行进化逆转操作,如果逆转操作后的路径的适应度大于逆转操作之前的路径的适应度,则用逆转操作后的路径替换逆转操作之前的路径。也可以不包括进化逆转操作后的路径,即在变异操作之后,则进入到步骤S704,不进行进化逆转操作。
步骤S605、若当前遗传次数达到最大遗传次数,选取当前地面无人车协同勘探路径的新种群中适应度最大的空中无人机协同勘探路径作为最短协同勘探路径;若当前遗传次数未达到最大遗传次数,循环执行上述步骤S604和S605,直到当前遗传次数达到最大遗传次数为止。
步骤S506、将最短协同勘探路径传输至地面无人车,以使地面无人车根据最短协同勘探路径与空中无人机进行协同勘探。
在规划出空中无人机最短勘探路径和地面无人车的最短协同勘探路径之后,地面无人车可以根据地面无人车最短协同勘探路径搭载空中无人机移动到路径起始点;空中无人机则根据每个聚类区域的空中无人机最短勘探路径,从每个聚类区域的路径起始点对每个聚类区域进行勘探;其中,地面无人车每移动到一个路径起始点后则固定不动,待空中无人机对聚类区域进行勘探之后再移动到下一个路径起始点。
为了更好地介绍协同勘探方式,下面将结合图8示出的空中无人机和地面无人车协同勘探示意图进行介绍。
对违章建筑物进行勘探时,预先采集待勘探区域内的各个违章建筑物的经纬度信息;根据经纬度信息对待勘探区域进行聚类,得到图8所示的5个聚类区域,分别为聚类区域1、聚类区域2、聚类区域3、聚类区域4和聚类区域5,每个聚类区域内包括多个违章建筑物。基于每个聚类区域内的违章建筑物的经纬度,使用遗传算法进行旅行商问题路径规划,得到这5个聚类区域内的空中无人机最短勘探路径。然后,基于这5个聚类区域的空中无人机最短勘探路径的路径起始点的经纬度信息,使用遗传算法进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径。
接着,地面无人车从聚类区域5开始进行勘探,依次对聚类区域3、聚类区域2、聚类区域4和聚类区域1进行勘探。基于规划出的空中无人机最短勘探路径和地面无人车最短协同勘探路径,地面无人车先搭载空中无人机前往聚类区域5的最短勘探路径起始点,到达之后,地面无人车静止不动,空中无人机起飞并根据聚类区域5的最短勘探路径,依次对聚类区域5内的违章建筑物进行勘探,然后返回聚类区域5的最短勘探路径的起始点,降落在地面无人车上。然后,地面无人车根据最短协同勘探路径搭载空中无人机前往聚类区域3的最短勘探路径起始点,到达之后,地面无人车静止不动,空中无人机起飞并根据聚类区域3的最短勘探路径对聚类区域3内的违章建筑物进行勘探,勘探完成后,空中无人机返回至路径起始点,降落至地面无人车。依次类推,地面无人车根据最短协同勘探路径依次搭载空中无人机前往聚类区域2、聚类区域4和聚类区域1的路径起始点,空中无人机则分别根据相应聚类区域的最短勘探路径对每个聚类区域内的违章建筑物进行勘探。勘探完聚类区域1之后,地面无人车可以搭载空中无人机返回勘探起始区域即聚类区域5的路径起始点。当然,具体应用中,当勘探完最后一个聚类区域之后,地面无人车可以不返回勘探起始区域,而是根据需要前往相应的地点。
本申请实施例基于每个聚类区域的空中无人机最短勘探路径的路径起始点,规划出地面无人车的最短协同勘探路径,基于规划的地面无人车的最短协同勘探路径,可以控制地面无人车搭载空中无人机在各个路径起始点之间移动,而空中无人机只需要空中无人机最短勘探路径在每个聚类区域内部进行勘探,这样,通过空中无人机和地面无人车协同勘探可以大大减少空中无人机的续航能力损耗,从而提高空中无人机的勘探续航能力,以利用空中无人机有限的续航能力,完成尽可能多的勘探任务。
尤其对于一些以集群的方式存在,集群内分布密集,集群间分布稀疏的待勘探对象,这种分布方式导致空中无人机在集群间运行的时候不用进行需勘探物的拍照,极大地消耗了空中无人机的续航能力。例如,城市的违章建筑物,或者城市的施工现场。
而通过地面无人车和空中无人机地空协同勘探的方式,可以极大地保证空中无人机的续航能力,提高续航安全性。例如,待勘探对象为城市的违章建筑物时,违章建筑集群之间的距离又比较远。利用地面无人车搭载空中无人机在不同的建筑物集群之间进行运动,空中无人机只在各个建筑物集群内部进行运动拍照,可以大大减少了空中无人机的续航能力损耗,同时地面无人车在搭载空中无人机运动过程中也可以给空中无人机进行充电。此外,使用本申请实施例提供的勘探方法,可以实现全自动的违章建筑智能检测,不需要额外的人工参与。设定好路径后,地面无人车跟空中无人机都不需要人工控制。地面无人车搭载空中无人机对所有的违章建筑点进行拍照后,返回原始起点。应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的无人机常态化智能作业前的勘探方法,图8示出了本申请实施例提供的无人机常态化智能作业前的勘探装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图9,该装置包括:
获取模块91,用于获取待勘探区域内各个待勘探对象的地理位置信息;
聚类模块92,用于对地理位置信息进行聚类,得到至少一个聚类区域,聚类区域包括至少一个待勘探对象;
最短勘探路径规划模块93,用于使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个聚类区域的空中无人机的最短勘探路径;
无人机勘探模块94,用于将最短勘探路径传输至空中无人机,以使空中无人机根据最短勘探路径对待勘探区域进行勘探。
在一种可能的实现方式中,上述装置还可以包括:
协同勘探路径规划模块,用于使用遗传算法对最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径;
协同勘探模块,用于将最短协同勘探路径传输至地面无人车,以使地面无人车根据最短协同勘探路径与空中无人机进行协同勘探。
在一种可能的实现方式中,上述协同勘探路径规划模块具体用于:
编码步骤:对路径起始点进行编码;
初始化步骤:对编码后的路径起始点进行种群初始化,形成地面无人车协同勘探路径的初始种群,地面无人车协同勘探路径的初始种群包括至少一条地面无人车协同勘探路径;
适应度计算步骤:计算每条地面无人车协同勘探路径的适应度;
交叉变异步骤:根据地面无人车协同勘探路径的适应度,对地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径进行交叉和变异操作,形成地面无人车协同勘探路径的新种群,地面无人车协同勘探路径的新种群中的地面无人车协同勘探路径的数量与地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前地面无人车协同勘探路径的新种群中适应度最大的空中无人机协同勘探路径作为最短协同勘探路径;若当前遗传次数未达到最大遗传次数,循环执行交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
在一种可能的实现方式中,上述协同勘探路径规划模块具体用于:
根据地面无人车协同勘探路径的适应度,随机选取至少一组地面无人车协同勘探路径,每一组包括两个地面无人车协同勘探路径;
对每一组地面无人车协同勘探路径进行交叉,得到交叉操作后的地面无人车协同勘探路径;
对交叉操作后的地面无人车协同勘探路径进行变异操作,得到变异操作后的地面无人车协同勘探路径;
计算变异操作后的地面无人车协同勘探路径的适应度;
按照适应度大小从大到小地排序,从地面无人车协同勘探路径和变异操作后的地面无人车协同勘探路径中选取前N个地面无人车协同勘探路径,N等于地面无人车协同勘探路径的初始种群中的路径数量;
基于前N个地面无人车协同勘探路径形成地面无人车协同勘探路径的新种群。
在一种可能的实现方式中,上述协同勘探路径规划模块还具体用于:
对变异操作后的地面无人车协同勘探路径进行进化逆转操作,获得进化逆转操作后的地面无人车协同勘探路径;
计算每条进化逆转操作后的地面无人车协同勘探路径的适应度;
若变异操作后的地面无人车协同勘探路径的适应度小于对应的进化逆转操作后的地面无人车协同勘探路径的适应度,将变异操作后的地面无人车协同勘探路径替换为进化逆转操作后的地面无人车协同勘探路径。
在一种可能的实现方式中,上述最短勘探路径规划模块具体用于:
编码步骤:对每个聚类区域中的待勘探对象的地理位置信息进行编码;
初始化步骤:分别对编码后的聚类区域进行种群初始化,形成空中无人机勘探路径的初始种群,空中无人机勘探路径的初始种群包括至少一条空中无人机勘探路径;
适应度计算步骤:计算每条空中无人机勘探路径的适应度;
交叉变异步骤:根据空中无人机勘探路径的适应度,对空中无人机勘探路径的初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,空中无人机勘探路径的新种群中的空中无人机勘探路径的数量与空中无人机勘探路径的初始种群中的空中无人机勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前空中无人机勘探路径的新种群中适应度最大的空中无人机勘探路径作为最短勘探路径;若遗传次数未达到最大遗传次数,返回交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
在一种可能的实现方式中,上述最短勘探路径规划模块具体用于:
根据空中无人机勘探路径的适应度,随机选取至少一组空中无人机勘探路径,每一组包括两个空中无人机勘探路径;
对每一组空中无人机勘探路径进行交叉,得到交叉操作后的空中无人机勘探路径;
对交叉操作后的空中无人机勘探路径进行变异操作,得到变异操作后的空中无人机勘探路径;
计算变异操作后的空中无人机勘探路径的适应度;
按照适应度大小从大到小地排序,从空中无人机勘探路径和变异操作后的空中无人机勘探路径中选取前M个空中无人机勘探路径,M等于空中无人机勘探路径的初始种群中的路径数量;
基于前M个空中无人机勘探路径形成空中无人机勘探路径的新种群。
上述无人机常态化智能作业前的勘探装置具有实现上述无人机常态化智能作业前的勘探方法的功能,该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现,硬件或软件包括一个或多个与上述功能相对应的模块,模块可以是软件和/或硬件。
需要说明的是,上述装置/模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图10为本申请一实施例提供的终端设备的结构示意图。如图10所示,该实施例的终端设备10包括:至少一个处理器100、存储器101以及存储在所述存储器101中并可在所述至少一个处理器100上运行的计算机程序102,所述处理器100执行所述计算机程序102时实现上述任意各个**方法实施例中的步骤。
所述终端设备10可以是地面无人车、空中无人机、桌上型计算机、笔记本、掌上电脑或云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图10仅仅是终端设备10的举例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器100可以是中央处理单元(Central Processing Unit,CPU),该处理器100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101在一些实施例中可以是所述终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101在另一些实施例中也可以是所述终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括所述终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种无人机常态化智能作业前的勘探方法,其特征在于,包括:
获取待勘探区域内各个待勘探对象的地理位置信息;
对所述地理位置信息进行聚类,得到至少一个聚类区域,所述聚类区域包括至少一个所述待勘探对象;
使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个所述聚类区域的空中无人机的最短勘探路径;
将所述最短勘探路径传输至所述空中无人机,以使所述空中无人机根据所述最短勘探路径对所述待勘探区域进行勘探;
使用遗传算法对所述最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径;
将所述最短协同勘探路径传输至所述地面无人车,以使所述地面无人车根据所述最短协同勘探路径与所述空中无人机进行协同勘探;
其中,使用遗传算法对所述最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径,包括:
编码步骤:对所述路径起始点进行编码;
初始化步骤:对编码后的路径起始点进行种群初始化,形成地面无人车协同勘探路径的初始种群,所述地面无人车协同勘探路径的初始种群包括至少一条地面无人车协同勘探路径;
适应度计算步骤:计算每条所述地面无人车协同勘探路径的适应度;
交叉变异步骤:根据所述地面无人车协同勘探路径的适应度,随机选取至少一组地面无人车协同勘探路径,每一组包括两个所述地面无人车协同勘探路径;对每一组地面无人车协同勘探路径进行交叉,得到交叉操作后的地面无人车协同勘探路径;对交叉操作后的地面无人车协同勘探路径进行变异操作,得到变异操作后的地面无人车协同勘探路径;对变异操作后的地面无人车协同勘探路径进行进化逆转操作,获得进化逆转操作后的地面无人车协同勘探路径;计算每条进化逆转操作后的地面无人车协同勘探路径的适应度;若所述变异操作后的地面无人车协同勘探路径的适应度小于对应的进化逆转操作后的地面无人车协同勘探路径的适应度,将变异操作后的地面无人车协同勘探路径替换为进化逆转操作后的地面无人车协同勘探路径;计算变异操作后的地面无人车协同勘探路径的适应度;按照适应度大小从大到小地排序,从所述地面无人车协同勘探路径和变异操作后的地面无人车协同勘探路径中选取前N个地面无人车协同勘探路径,N等于所述地面无人车协同勘探路径的初始种群中的路径数量;基于所述前N个地面无人车协同勘探路径形成所述地面无人车协同勘探路径的新种群;所述地面无人车协同勘探路径的新种群中的地面无人车协同勘探路径的数量与所述地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前地面无人车协同勘探路径的新种群中适应度最大的空中无人机协同勘探路径作为所述最短协同勘探路径;若当前遗传次数未达到所述最大遗传次数,循环执行交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
2.如权利要求1所述的方法,其特征在于,使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个所述聚类区域的空中无人机的最短勘探路径,包括:
编码步骤:对每个所述聚类区域中的待勘探对象的地理位置信息进行编码;
初始化步骤:分别对编码后的聚类区域进行种群初始化,形成空中无人机勘探路径的初始种群,所述空中无人机勘探路径的初始种群包括至少一条空中无人机勘探路径;
适应度计算步骤:计算每条所述空中无人机勘探路径的适应度;
交叉变异步骤:根据所述空中无人机勘探路径的适应度,对所述空中无人机勘探路径的初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,所述空中无人机勘探路径的新种群中的空中无人机勘探路径的数量与所述空中无人机勘探路径的初始种群中的空中无人机勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前空中无人机勘探路径的新种群中适应度最大的空中无人机勘探路径作为所述最短勘探路径;若遗传次数未达到所述最大遗传次数,返回交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
3.如权利要求2所述的方法,其特征在于,根据所述空中无人机勘探路径的适应度,对所述初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,包括:
根据所述空中无人机勘探路径的适应度,随机选取至少一组空中无人机勘探路径,每一组包括两个所述空中无人机勘探路径;
对每一组空中无人机勘探路径进行交叉,得到交叉操作后的空中无人机勘探路径;
对交叉操作后的空中无人机勘探路径进行变异操作,得到变异操作后的空中无人机勘探路径;
计算变异操作后的空中无人机勘探路径的适应度;
按照适应度大小从大到小地排序,从所述空中无人机勘探路径和变异操作后的空中无人机勘探路径中选取前M个空中无人机勘探路径,M等于所述空中无人机勘探路径的初始种群中的路径数量;
基于所述前M个空中无人机勘探路径形成所述空中无人机勘探路径的新种群。
4.一种无人机常态化智能作业前的勘探装置,其特征在于,包括:
获取模块,用于获取待勘探区域内各个待勘探对象的地理位置信息;
聚类模块,用于对所述地理位置信息进行聚类,得到至少一个聚类区域,所述聚类区域包括至少一个所述待勘探对象;
最短勘探路径规划模块,用于使用遗传算法对每个聚类区域进行旅行商问题路径规划,得到每个所述聚类区域的空中无人机的最短勘探路径;
无人机勘探模块,用于将所述最短勘探路径传输至所述空中无人机,以使所述空中无人机根据所述最短勘探路径对所述待勘探区域进行勘探;
协同勘探路径规划模块,用于使用遗传算法对所述最短勘探路径的路径起始点进行旅行商问题路径规划,得到地面无人车的最短协同勘探路径;
协同勘探模块,用于将所述最短协同勘探路径传输至所述地面无人车,以使所述地面无人车根据所述最短协同勘探路径与所述空中无人机进行协同勘探;
其中,协同勘探路径规划模块具体用于:
编码步骤:对所述路径起始点进行编码;
初始化步骤:对编码后的路径起始点进行种群初始化,形成地面无人车协同勘探路径的初始种群,所述地面无人车协同勘探路径的初始种群包括至少一条地面无人车协同勘探路径;
适应度计算步骤:计算每条所述地面无人车协同勘探路径的适应度;
交叉变异步骤:根据所述地面无人车协同勘探路径的适应度,随机选取至少一组地面无人车协同勘探路径,每一组包括两个所述地面无人车协同勘探路径;对每一组地面无人车协同勘探路径进行交叉,得到交叉操作后的地面无人车协同勘探路径;对交叉操作后的地面无人车协同勘探路径进行变异操作,得到变异操作后的地面无人车协同勘探路径;对变异操作后的地面无人车协同勘探路径进行进化逆转操作,获得进化逆转操作后的地面无人车协同勘探路径;计算每条进化逆转操作后的地面无人车协同勘探路径的适应度;若所述变异操作后的地面无人车协同勘探路径的适应度小于对应的进化逆转操作后的地面无人车协同勘探路径的适应度,将变异操作后的地面无人车协同勘探路径替换为进化逆转操作后的地面无人车协同勘探路径;计算变异操作后的地面无人车协同勘探路径的适应度;按照适应度大小从大到小地排序,从所述地面无人车协同勘探路径和变异操作后的地面无人车协同勘探路径中选取前N个地面无人车协同勘探路径,N等于所述地面无人车协同勘探路径的初始种群中的路径数量;基于所述前N个地面无人车协同勘探路径形成所述地面无人车协同勘探路径的新种群;所述地面无人车协同勘探路径的新种群中的地面无人车协同勘探路径的数量与所述地面无人车协同勘探路径的初始种群中的地面无人车协同勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前地面无人车协同勘探路径的新种群中适应度最大的空中无人机协同勘探路径作为所述最短协同勘探路径;若当前遗传次数未达到所述最大遗传次数,循环执行交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
5.如权利要求4所述的装置,其特征在于,所述最短勘探路径规划模块具体用于:
编码步骤:对每个所述聚类区域中的待勘探对象的地理位置信息进行编码;
初始化步骤:分别对编码后的聚类区域进行种群初始化,形成空中无人机勘探路径的初始种群,所述空中无人机勘探路径的初始种群包括至少一条空中无人机勘探路径;
适应度计算步骤:计算每条所述空中无人机勘探路径的适应度;
交叉变异步骤:根据所述空中无人机勘探路径的适应度,对所述空中无人机勘探路径的初始种群中的空中无人机勘探路径进行交叉和变异操作,形成空中无人机勘探路径的新种群,所述空中无人机勘探路径的新种群中的空中无人机勘探路径的数量与所述空中无人机勘探路径的初始种群中的空中无人机勘探路径的数量相同;
遗传次数检测步骤:若当前遗传次数达到最大遗传次数,选取当前空中无人机勘探路径的新种群中适应度最大的空中无人机勘探路径作为所述最短勘探路径;若遗传次数未达到所述最大遗传次数,返回交叉变异步骤和遗传次数检测步骤,直到当前遗传次数达到最大遗传次数为止。
6.如权利要求5所述的装置,其特征在于,所述最短勘探路径规划模块具体用于:
根据所述空中无人机勘探路径的适应度,随机选取至少一组空中无人机勘探路径,每一组包括两个所述空中无人机勘探路径;
对每一组空中无人机勘探路径进行交叉,得到交叉操作后的空中无人机勘探路径;
对交叉操作后的空中无人机勘探路径进行变异操作,得到变异操作后的空中无人机勘探路径;
计算变异操作后的空中无人机勘探路径的适应度;
按照适应度大小从大到小地排序,从所述空中无人机勘探路径和变异操作后的空中无人机勘探路径中选取前M个空中无人机勘探路径,M等于所述空中无人机勘探路径的初始种群中的路径数量;
基于所述前M个空中无人机勘探路径形成所述空中无人机勘探路径的新种群。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296483.3A CN110956337B (zh) | 2019-12-16 | 2019-12-16 | 无人机常态化智能作业前的勘探方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296483.3A CN110956337B (zh) | 2019-12-16 | 2019-12-16 | 无人机常态化智能作业前的勘探方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956337A CN110956337A (zh) | 2020-04-03 |
CN110956337B true CN110956337B (zh) | 2022-05-24 |
Family
ID=69981964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296483.3A Active CN110956337B (zh) | 2019-12-16 | 2019-12-16 | 无人机常态化智能作业前的勘探方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956337B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859931A (zh) * | 2021-01-11 | 2021-05-28 | 暨南大学 | 无人机航迹规划方法、森林防火系统及计算机可读存储介质 |
CN115328210B (zh) * | 2022-10-11 | 2023-06-09 | 深圳大学 | 路径规划方法、装置、终端设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102259282A (zh) * | 2010-05-28 | 2011-11-30 | 湘潭三峰数控机床有限公司 | 磨削加工中心 |
CN103895533A (zh) * | 2012-12-27 | 2014-07-02 | 阿尔斯通运输股份有限公司 | 用于优化可逆牵引变电站的操作的方法及相关设备 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN108256553A (zh) * | 2017-12-20 | 2018-07-06 | 中国人民解放军国防科技大学 | 车辆搭载无人机双层路径的构造方法及装置 |
WO2020082821A1 (zh) * | 2018-10-26 | 2020-04-30 | 河海大学 | 一种基于导向缆的无人船回收自主水下航行器装置及方法 |
-
2019
- 2019-12-16 CN CN201911296483.3A patent/CN110956337B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102259282A (zh) * | 2010-05-28 | 2011-11-30 | 湘潭三峰数控机床有限公司 | 磨削加工中心 |
CN103895533A (zh) * | 2012-12-27 | 2014-07-02 | 阿尔斯通运输股份有限公司 | 用于优化可逆牵引变电站的操作的方法及相关设备 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN108256553A (zh) * | 2017-12-20 | 2018-07-06 | 中国人民解放军国防科技大学 | 车辆搭载无人机双层路径的构造方法及装置 |
WO2020082821A1 (zh) * | 2018-10-26 | 2020-04-30 | 河海大学 | 一种基于导向缆的无人船回收自主水下航行器装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956337A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barthelemy | Morphogenesis of spatial networks | |
Van Toll et al. | Real‐time density‐based crowd simulation | |
Mirowski et al. | The streetlearn environment and dataset | |
CN109145171A (zh) | 一种多尺度地图数据更新方法 | |
Kopczewska | Spatial machine learning: new opportunities for regional science | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN110956337B (zh) | 无人机常态化智能作业前的勘探方法和装置 | |
WO2022166681A1 (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
CN112862176B (zh) | 一种公共服务设施选址方法及装置 | |
CN104899647A (zh) | 城市物流配送地名地址系统 | |
CN113918837A (zh) | 城市兴趣点类别表示的生成方法及系统 | |
Chen et al. | Enabling smart urban services with gps trajectory data | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
CN114494436A (zh) | 室内场景定位方法及装置 | |
Wu et al. | A Non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning | |
CN105096589A (zh) | 一种选取交通道路中代表性节点的方法、系统及客户端 | |
Rizzi | Genetic operators for hierarchical graph clustering | |
CN115525642A (zh) | 逆地理编码方法、装置及电子设备 | |
CN115328210B (zh) | 路径规划方法、装置、终端设备以及存储介质 | |
CN114898559B (zh) | 一种城市车辆移动感知能力测定方法 | |
CN115002196B (zh) | 一种数据处理方法、装置、车端采集设备 | |
CN115713600A (zh) | 自动驾驶场景的数字高程模型的生成方法和装置 | |
CN113239815B (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
Demir et al. | Robocodes: Towards generative street addresses from satellite imagery |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220215 Address after: 518000 2515, building 2, Huilong business center, North Station community, Minzhi street, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Zhongke Baotai Aerospace Technology Co.,Ltd. Address before: Room 1101-1102, building 1, Changfu Jinmao building, No.5, Shihua Road, free trade zone, Fubao street, Futian District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Zhongke Baotai Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |