CN111536979B - 一种基于随机优化的无人机巡检路径规划方法 - Google Patents

Abstract

本发明涉及一种基于随机优化的无人机巡检路径规划方法，包括：S1、对所有无人机、任务的起始节点、目标节点、充电站点建模；S2、建模第一约束条件；S3、建模第一优化目标；S4、随机优化求解第一优化目标，得到无人机目标分配任务的解；S5、对单架无人机及其对应的目标任务的起始节点、目标节点、充电站点建模；S6、建模第二约束条件，包括：环境约束、最大飞行距离约束、最大转弯角约束、转弯调整距离约束；其中，最大飞行距离约束考虑无人机在充电站点充电后飞行距离复原；S7、建模第二优化目标，包括路径航程代价函数；S8、随机优化求解第二优化目标，得到无人机巡检路径规划的最优解。本发明保证无人机更高效的任务执行。

Description

一种基于随机优化的无人机巡检路径规划方法

技术领域

本发明属于管道巡检技术领域，具体涉及一种基于随机优化的无人机巡检路径规划方法。

背景技术

管道巡检是油气管道安全的重要保障。目前，油气管道均部署预警系统，例如分布式光纤预警系统；当预警系统出现预警后，需要对预警信息进行现场确认，保证预警的准确性。但是，油气管道的分布区域往往地表环境复杂，且预警点的分布分散跨度大，给人工巡检带来一定的难度。

传统的人工巡检方法，不仅工作量大、耗时费力，还存在一定的安全隐患，存在管理监督不及时，巡检工作不彻底等情况，无法保证及时发现安全隐患并对其进行有效地处理。然而，无人机巡检与传统的人工巡检相比，属于空中巡检，不受地形、路况等外界因素干扰，能最大程度克服人工巡检存在的效率低、安全性低等缺陷。

针对无人机巡检路径规划，无人机需要飞行至某些目标位置以执行任务，也存在多架无人机和多个任务目标位置的场景，如何合理地为无人机分配任务目标位置，以实现无人机任务协同是亟待解决的问题。此外，由于无人机续航能力较差，无法进行长距离飞行，若任务较重，在无人机执行任务过程中，可能需进行中途充电，如何考虑无人机飞行能力等多因素，为无人机设计合理的路径规划策略也是需研究的重要课题。

目前已有研究中，有文献提出利用深度强化学习技术实现无模型无人机控制，通过优化确定无人机路径，实现无人机高效信息收集；也有研究提出基于A*算法的无人机航迹规划算法，基于代价函数最小化实现最短飞行时间。针对无人机任务协同问题，公开号为CN111006669A的专利文献公开了一种无人机系统任务协同及路径规划方法，其综合考虑无人机任务协同及路径规划，以无人机执行任务所需总时间最小为目标，优化设计无人机任务执行及路径规划策略；也有学者提出了基于改进粒子群算法的无人机任务协同方法，通过合理任务分配，实现任务执行时间优化。现有研究大多考虑无人机路径规划问题，未综合考虑无人机系统业务需求，即无人机中途充电的情况，难以保证无人机的任务高效执行。

发明内容

针对现有技术中存在的上述不足之处，本发明提供一种基于随机优化的无人机巡检路径规划方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于随机优化的无人机巡检路径规划方法，包括以下步骤：

S1、对所有无人机、任务的起始节点、目标节点、充电站点建模；

S2、建模第一约束条件，包括：每个目标节点的任务只执行一次的约束条件、一架无人机至少分配一个目标节点一次的约束条件；

S3、建模第一优化目标，包括：无人机目标分配执行任务时间代价函数、多无人机总航程代价函数以及无人机最大化任务执行效益函数；

S4、随机优化求解第一优化目标，得到无人机目标分配任务的解；

S5、对单架无人机及其对应的目标任务的起始节点、目标节点、充电站点建模；

S6、建模第二约束条件，包括：环境约束、最大飞行距离约束、最大转弯角约束、转弯调整距离约束；其中，最大飞行距离约束考虑无人机在充电站点充电后飞行距离复原；

S7、建模第二优化目标，包括路径航程代价函数；

S8、随机优化求解第二优化目标，得到无人机巡检路径规划的最优解。

作为优选方案，所述步骤S1，具体包括：

建模有M架无人机V₁,V₂,…,V_M，N个目标节点T₁,T₂,…,T_N，Z个充电站点C₁,C₂,…,C_Z；任务的起始节点包括无人机的起始节点和目标节点，总数为M+N。

作为优选方案，所述步骤S2中，具体包括：

(1)每个目标节点的任务只执行一次，建模约束条件：

其中，i为任务的起始节点，v为第v架无人机；

为0-1决策变量；

表示第v架无人机从i节点到j节点执行任务；

表示没有分配任务；

(2)一架无人机至少分配到一个目标节点一次，建模约束条件：

(3)充电站点不设次数约束，当无人机电量不足时，即可充电。

作为优选方案，所述步骤S3中，具体包括：

(1)目标分配任务中，无人机目标分配任务时间代价最小，目标函数如下：

其中，j＝1,2,3,…,N，t_j为完成第j个目标节点任务的时间，c_j≥0为第j个任务的加权系数，t_f≥t_j为完成所有任务的总时间；

(2)多无人机总航程代价函数为：

其中，

表示i节点到j节点的路径长度；

为0-1决策变量，取值为1时无人机与目标节点对应，取值为0时无人机与目标节点不对应；

(3)无人机执行目标分配任务中，要求最大化任务执行效益，效益函数由成功执行任务效益决定：

其中，

为决策变量，当第v架无人机从i节点飞行到j节点执行任务时

反之为0；

为第v架无人机从i节点飞行到j节点的成功率；

第一优化目标为：

minJ＝min(μ₁J₁+μ₂J₂-μ₃J₃)

其中，μ₁、μ₂、μ₃分别为时间、路径和效益的权重因子。

作为优选方案，所述步骤S4中，通过随机优化中的模拟退火方法求解第一优化目标的目标函数的极值点，得到无人机分配任务的解。

作为优选方案，所述步骤S5，具体包括：

在三维空间中对单架无人机及其对应的目标任务的起始节点、目标节点、充电站点建模，得到各个节点的三维坐标(x，y，z)。

作为优选方案，所述步骤S6中，具体包括：

(1)环境约束

在三维空间中对三维环境空间进行约束，约束可建模为：

f_i(x,y,z)≤b_i

其中，b_i表示第i个空间约束条件；

(2)最大飞行距离约束

对于无人机，假设需要巡检的任务数为n个，包括充电站点，考虑到无人机电量的有限性，单个无人机最大飞行距离约束指标为：

其中，L_c为路径的长度，△_c为预留的飞行余量，L_i-1,i为第i-1个路径点到第i个路径点的长度，

分别为第i-1个路径点到第i个路径点对应于x、y、z方向上的坐标差；L_max为无人机单次充满电后允许飞行的最大距离；x_i-1,i为0-1决策变量，当第i个路径点为充电站点时取值为0，否则取值为1；

(3)最大转弯角约束指标

由于无人机自身机动性能的限制，无人机转弯转角应满足：

其中，

为路径中的任一转弯角，θ为由自身机动性能决定的最大转弯角度；

(4)转弯调整距离约束

设无人机的转弯最小缓冲飞行距离为L_nmin：

其中，L_i-1,i为第i-1个路径点到第i个路径点之间的路径长度。

作为优选方案，所述步骤S7中，所述路径航程代价函数为：

作为优选方案，所述步骤S8中，通过随机优化中的模拟退火方法求解第二优化目标的路径航程代价函数的极值点，得到无人机巡检路径规划的最优解。

本发明与现有技术相比，有益效果是：

本发明的基于随机优化的无人机巡检路径规划方法，将无人机路径规划分解为目标分配和单个无人机的目标规划问题，因为本质上都是组合优化问题，利用随机优化算法中的模拟退火算法来求解，通过对概率空间进行遍历，来获得概率意义下的全局最优解，这通常就是优化目标的最优解。且在建模中多方面综合考虑到无人机的约束条件，而且将无人机的充电站点考虑进来，通过考虑无人机飞行能力等多个因素，为无人机设计合理的路径规划策略，保证无人机更高效的任务执行。

附图说明

图1是本发明实施例的基于随机优化的无人机巡检路径规划方法的流程图。

具体实施方式

为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

本发明实施例的基于随机优化的无人机巡检路径规划方法，分为两大内容：

其一、解决目标分配任务的问题；

无人机目标分配任务作为前期全局性规划任务的主要功能，将总任务分解为若干单架无人机任务的集合；

其二、解决无人机巡检路径规划问题；

无人机巡检路径规划作为后期局部性任务的规划核心，主要是在前期的目标分配任务中，获得全局性满意分配解的基础上，对单架无人机的巡检路径进行规划。

具体地，如图1所示，本发明实施例的基于随机优化的无人机巡检路径规划方法，包括以下步骤：

S1、对所有无人机、任务的起始节点、目标节点、充电站点建模；

具体地，建模有M架无人机V₁,V₂,…,V_M，N个目标节点T₁,T₂,…,T_N，Z个充电站点C₁,C₂,…,C_Z；任务的起始节点包括无人机的起始节点和目标节点，总数为M+N，即任务的起始节点既可以是无人机的起始位置，也可以是目标节点的位置。

S2、建模第一约束条件，包括：每个目标节点的任务只执行一次的约束条件、一架无人机至少分配一个目标节点一次的约束条件；

具体如下：

(1)每个目标节点的任务只执行一次，建模约束条件：

其中，i为任务的起始节点，v为第v架无人机；

为0-1决策变量；

表示第v架无人机从i节点到j节点执行任务；

表示没有分配任务；

(2)一架无人机至少分配到一个目标节点一次，建模约束条件：

(3)充电站点不设次数约束，当无人机电量不足时，即可充电。

S3、建模第一优化目标，包括：无人机目标分配执行任务时间代价函数、多无人机总航程代价函数以及无人机最大化任务执行效益函数；

具体如下：

(1)目标分配任务中，无人机目标分配任务时间代价最小，目标函数如下：

其中，j＝1,2,3,…,N，t_j为完成第j个目标节点任务的时间，c_j≥0为第j个任务的加权系数，t_f≥t_j为完成所有任务的总时间。

(2)多无人机总航程代价函数为：

其中，

表示i节点到j节点的路径长度；

为0-1决策变量，决定了无人机与目标节点之间的对应关系，即：取值为1时无人机与目标节点对应，取值为0时无人机与目标节点不对应。

(3)无人机执行前期全局目标分配任务需要合理的调配无人机机群资源，要求最大化任务执行效益。

效益函数由成功执行任务效益决定：

其中，

为决策变量，当第v架无人机从i节点飞行到j节点执行任务时为1，反之为0；

为第v架无人机从i节点飞行到j节点的成功率；

第一优化目标的目标函数为：

minJ＝min(μ₁J₁+μ₂J₂-μ₃J₃)

其中，μ₁、μ₂、μ₃分别为时间、路径和效益的权重因子，用于表示时间、路径和效益的侧重性。

S4、随机优化求解第一优化目标，得到无人机目标分配任务的解；

具体地，最优化问题分成两类：一类是连续变量的问题，另一类是离散变量的问题。具有离散变量的问题，称它为组合问题。在连续变量的问题里，一般是求一组实数或者一个函数；在组合问题里，是从一个无限集或者可数无限集里寻找一个对象，典型地是一个整数，一个集合，一个排列或者一个图。

组合优化(Combinatorial Optimization)问题的目标是从组合问题的可行解集中求出最优解，通常可描述为：令Ω＝{s₁，s₂，…，s_n}为所有状态构成的解空间，C(s_i)为状态s_i对应的目标函数值，要求寻找最优解s*，使得对于所有的s_i∈Ω，有C(s*)＝minC(s_i)。组合优化往往涉及排序、分类、筛选等问题。对于本发明中的优化问题，其本质是组合优化问题，组合优化问题是不连续，不可微的，不可能使用连续优化问题中的梯度下降等方法对目标函数进行优化求解，而相对于遍历组合空间进行求解，当维数增加时，会发生维数爆炸问题，其时间复杂度是计算机不能忍受的。随机优化算法通过对概率空间进行遍历，来获得概率意义下的全局最优解，这通常就是优化目标的最优解。

具体地，本发明实施例通过随机优化中的模拟退火方法求解第一优化目标，得到无人机目标分配任务的解。

其中，模拟退火方法的具体流程如下：

(1)首先对建立的约束优化问题，通过罚函数方法转换为无约束优化问题。

通过将约束条件规制到优化目标中，化简约束优化问题为无约束优化问题。

首先，对于一般的约束优化问题：

minf(x)

s.t.

c_e(x)＝0,e∈E＝{1,2,...,l}

c_i(x)≤0,i∈I＝{l+1,l+2,...,l+m}

其中，f(x)是优化目标，e、i是约束条件的编号，E为等值约束集合，I为不等值约束集合；

通过加入松弛变量扩展变量，可以变不等值约束为等值约束；

minf(x)

s.t.

c_e(x)＝0,e∈E＝{1,2,...,l+m}

其中，x为扩充后的变量，c_e为扩充松弛变量后的等值约束条件；

然后，通过增广目标函数为：

minF(x,σ)＝f(x)+σP(x)

其中：

σP(x)为惩罚项，σ是惩罚因子。

(2)通过2-变换邻域使得该组合优化问题，变得有部分连续的性质。

通过交换无人机巡线路径中的两个节点，得到的路径称为原路径的2-变换邻域，可知，一条路径的2-变换邻域是一个集合。

Π＝{Π₁,Π₂,...,Π_i-1,Π_i,Π_i+1,...,Π_n}→∏'

其中，Π为原路径，∏'为2-变换邻域后的路径，Π_i为路径中的一个节点。

若在Π^*的2-变换邻域中，其目标函数值最低，即f(Π^*)≤f(Π^*的2-变换邻域)，则Π^*为该2-变换邻域的局部最优解。

(3)模拟退火算法。

模拟物理界物体降温的过程来进行优化，模拟退火算法包含内外两重循环。其中，外循环由温度控制，而温度受初始温度、终止温度和温度衰减规律决定，温度对Metropolis准则具有影响；内循环由设定的次数确定，主要是控制每个温度下新解的产生次数，与缓慢降温过程相对应。

Metropolis准则：

当f(x_j)≤f(x_i)时，x_i＝x_j

当f(x_j)＞f(x_i)时，以概率

接受x_j；

上式中，f表示目标函数，为能量函数；x_j是邻域中随机选择的解，x_i是上一步的解，T_i表示当前温度，由Metropolis法则可以看出：温度较高时，接受较差解的概率比较大，而温度较低时，接受较差解的概率比较小。

算法的原理为：前期搜索过程增大搜索空间，避免陷入局部最优；后期搜索过程减小搜索空间，使近似最优解更逼近全局最优解，即大范围的粗略搜索与局部的精细搜索的组合。

通过遍历概率空间得到优化问题的解，可以证明，其依概率收敛到全局最优解。

(4)得出无人机目标任务的分配的最优解。

上述仅对模拟退火方法的原理进行简单地说明，应用模拟退火方法求解优化目标的具体过程可以参考现有技术。

通过上述步骤解决了目标分配任务的问题，接下来解决无人机巡检路径规划问题。

S5、对单架无人机及其对应的目标任务的起始节点、目标节点、充电站点建模；

具体地，在三维空间中进行建模，视单架无人机为一个质点，建模各个节点及环境空间的三维坐标(x，y，z)。

S6、建模第二约束条件，包括：环境约束、最大飞行距离约束、最大转弯角约束、转弯调整距离约束；其中，最大飞行距离约束考虑无人机在充电站点充电后飞行距离复原；

在三维空间中，无人机在执行任务时，既要考虑环境信息，也要考虑自身条件。

具体的约束条件如下：

(1)环境约束

需要考虑无人机巡检时，禁飞区域、威胁区域、最大飞行高度或者恶劣天气区域等一系列环境因素的影响。

在三维空间中对三维环境空间进行约束，约束可建模为：

f_i(x,y,z)≤b_i

其中，b_i表示第i个空间约束条件；

环境约束，使得无人机在飞行任务过程中不能飞出环境约束的空间之外。

(2)最大飞行距离约束

对于无人机，假设需要巡检的任务数为n个，包括充电站点，考虑到无人机电量的有限性，单个无人机最大飞行距离约束指标为：

其中，L_c为路径的长度，△_c为预留的飞行余量，L_i-1,i为第i-1个路径点到第i个路径点的长度，

分别为第i-1个路径点到第i个路径点对应于x、y、z方向上的坐标差；L_max为无人机单次充满电后允许飞行的最大距离；x_i-1,i为0-1决策变量，当第i个路径点为充电站点时取值为0，否则取值为1；充分考虑无人机在实际任务过程中充电的情况，使得无人机巡检路径的规划更优化。

(3)最大转弯角约束指标

由于无人机自身机动性能的限制，无人机转弯转角应满足：

其中，

为路径中的任一转弯角，θ为由自身机动性能决定的最大转弯角度；

(4)转弯调整距离约束

无人机每次转弯之后需要一定的缓冲路径来调整自身姿态，以使无人机重新回到稳定状态。一般来说，对于每次转折点处不同的转弯角度，对应需要缓冲飞行的距离也是不同的，但存在一个极限最小值。

设无人机的转弯最小缓冲飞行距离为L_nmin：

其中，L_i-1,i为第i-1个路径点到第i个路径点之间的路径长度。

上述第二约束条件的建立，综合考虑了无人机的环境条件和自身条件，建立的模型保证无人机任务高效执行。

S7、建模第二优化目标，包括路径航程代价函数；

具体地，路径航程代价函数为：

其中，L_i-1,i为第i-1个路径点到第i个路径点之间的路径长度

S8、随机优化求解第二优化目标，得到无人机巡检路径规划的最优解。

随机优化求解第二优化目标也是组合优化问题，组合优化问题是不连续，不可微的，相对于遍历组合空间进行求解，当维数增加时，会发生维数爆炸问题，其时间复杂度是计算机不能忍受的。随机优化算法通过对概率空间进行遍历，来获得概率意义下的全局最优解，这通常就是优化目标的最优解。

具体地，本发明实施例通过模拟退火方法求解第二优化目标，得到无人机巡检路径规划的最优解。模拟退火方法的具体步骤可以参考上述模拟退火方法具体流程，也可以参考现有技术，在此不赘述。

油气管道均部署预警系统，当预警系统出现预警后，需要对预警信息进行现场确认，通过本发明实施例的基于随机优化的无人机巡检路径规划方法完成对无人机巡检路径的规划之后，各个无人机起飞，通过规划好的巡检路径完成巡检任务，保障管网的安全。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (1)

1.一种基于随机优化的无人机巡检路径规划方法，其特征在于，包括以下步骤：

S1、对所有无人机、任务的起始节点、目标节点、充电站点建模；

S2、建模第一约束条件，包括：每个目标节点的任务只执行一次的约束条件、一架无人机至少分配一个目标节点一次的约束条件；

S3、建模第一优化目标，包括：无人机目标分配执行任务时间代价函数、多无人机总航程代价函数以及无人机最大化任务执行效益函数；

S4、随机优化求解第一优化目标，得到无人机目标分配任务的解；

S5、对单架无人机及其对应的目标任务的起始节点、目标节点、充电站点建模；

S6、建模第二约束条件，包括：环境约束、最大飞行距离约束、最大转弯角约束、转弯调整距离约束；其中，最大飞行距离约束考虑无人机在充电站点充电后飞行距离复原；

S7、建模第二优化目标，包括路径航程代价函数；

S8、随机优化求解第二优化目标，得到无人机巡检路径规划的最优解；

所述步骤S1，具体包括：

建模有M架无人机V₁,V₂,…,V_M，N个目标节点T₁,T₂,…,T_N，Z个充电站点C₁,C₂,…,C_Z；任务的起始节点包括无人机的起始节点和目标节点，总数为M+N；

所述步骤S2中，具体包括：

(1)每个目标节点的任务只执行一次，建模约束条件：

其中，i为任务的起始节点，v为第v架无人机；

为0-1决策变量；

表示第v架无人机从i节点到j节点执行任务；

表示没有分配任务；

(2)一架无人机至少分配到一个目标节点一次，建模约束条件：

(3)充电站点不设次数约束，当无人机电量不足时，即可充电；

所述步骤S3中，具体包括：

(1)目标分配任务中，无人机目标分配任务时间代价最小，目标函数如下：

其中，j＝1,2,3,…,N，t_j为完成第j个目标节点任务的时间，c_j≥0为第j个任务的加权系数，t_f≥t_j为完成所有任务的总时间；

(2)多无人机总航程代价函数为：

其中，

表示i节点到j节点的路径长度；

为0-1决策变量，取值为1时无人机与目标节点对应，取值为0时无人机与目标节点不对应；

(3)无人机执行目标分配任务中，要求最大化任务执行效益，效益函数由成功执行任务效益决定：

其中，

为决策变量，当第v架无人机从i节点飞行到j节点执行任务时为1，反之为0；

为第v架无人机从i节点飞行到j节点的成功率；

第一优化目标为：

minJ＝min(μ₁J₁+μ₂J₂-μ₃J₃)

其中，μ₁、μ₂、μ₃分别为时间、路径和效益的权重因子；

所述步骤S4中，通过随机优化中的模拟退火方法求解第一优化目标的目标函数的极值点，得到无人机目标分配任务的解；

所述步骤S5，具体包括：

在三维空间中对单架无人机及其对应的目标任务的起始节点、目标节点、充电站点建模，得到各个节点的三维坐标(x，y，z)；

所述步骤S6中，具体包括：

(1)环境约束

在三维空间中对三维环境空间进行约束，约束建模为：

f_i(x,y,z)≤b_i

其中，b_i表示第i个空间约束条件；

(2)最大飞行距离约束

对于无人机，假设需要巡检的任务数为n个，包括充电站点，考虑到无人机电量的有限性，单个无人机最大飞行距离约束指标为：

其中，L_c为路径的长度，Δ_c为预留的飞行余量，L_i-1,i为第i-1个路径点到第i个路径点的长度，

分别为第i-1个路径点到第i个路径点对应于x、y、z方向上的坐标差；L_max为无人机单次充满电后允许飞行的最大距离；x_i-1,i为0-1决策变量，当第i个路径点为充电站点时取值为0，否则取值为1；

(3)最大转弯角约束指标

由于无人机自身机动性能的限制，无人机转弯转角应满足：

其中，

为路径中的任一转弯角，θ为由自身机动性能决定的最大转弯角度；

(4)转弯调整距离约束

设无人机的转弯最小缓冲飞行距离为L_nmin：

其中，L_i-1,i为第i-1个路径点到第i个路径点之间的路径长度；

所述步骤S7中，所述路径航程代价函数为：

所述步骤S8中，通过随机优化中的模拟退火方法求解第二优化目标的路径航程代价函数的极值点，得到无人机巡检路径规划的最优解。

Images