CN111679690A - 一种巡检无人机机巢分布及信息交互方法 - Google Patents

Abstract

本发明公开了一种巡检无人机机巢分布及信息交互方法，属于巡检无人机机巢选址领域，首先分析了无人机的各项数据及其相关技术；然后将无人机的数据带入环境建模中，之后建立了无人机机动性能约束模型和威胁约束模型，其中前者包括最大航程、最大爬升角、最小转弯半径及飞行速度；后者主要包括地形威胁、天气威胁和人为威胁等模型；此外考虑到无人机利用地形进行规避风险，因此将高度作为航迹代价之一；在建立以上力学约束模型和威胁模型的基础上，分别开展了无人机二维及三维静态航迹规划，并通过航迹规划覆盖全区域来规划机巢位置，并通过分布式控制系统来控制无人机群。

Description

一种巡检无人机机巢分布及信息交互方法

技术领域

本发明涉及巡检无人机机巢选址领域，尤其涉及一种巡检无人机机巢分布及信息交互方法。

背景技术

目前电力巡检主要采用人工巡查的作业方式进行巡查，但人工巡查的工作量非常大，而且还存在巡查路径不合理的情况，这增加了巡查人员的工作量，提高了人力成本并降低了电力设施养护巡查的整体工作效率。随着计算机、通讯等方面的快速发展，无人机航摄系统也从最初的军事领域研究阶段进入各行业实际应用阶段，并广泛应用于森林防火、资源探测、搜索营救、农业检测、航拍等方面，同样也用于电力巡检技术领域。与固定设置的摄像头相比，无人机可对电力设施进行移动检测如此便增加了检测的范围，并提高了巡检效果。

目前，缺少一种根据无人机数据来规划机巢分布的方法，导致无人机机巢选址错乱，巡检区域经常出现重合或无法巡检的问题。

发明内容

本发明为解决上述问题，而提出的一种巡检无人机机巢分布及信息交互方法。

为了实现上述目的，本发明采用了如下技术方案：

一种巡检无人机机巢分布及信息交互方法，包括以下步骤：

S1、对巡检无人机建立运动学模型和动力学模型，并加入巡检无人机的约束条件；

其中巡检无人机在机体坐标系中的动力学公式如下：

其中巡检无人机在地面坐标系绕质心转动的运动学公式如下：

S2、对巡检无人机巡检区域进行环境建模，并将其中的地形威胁、天气威胁以及人为威胁加入其中；

S3、将S2中的巡检区域任意一端尽头为起始点，巡检线路另一端为封闭点，并将S1中的巡检无人机的数据带入起始点，开启拟合覆盖，一次拟合覆盖结束之后，下一拟合覆盖起点即为上一拟合覆盖终点，并以全面覆盖起始点与封闭点为拟合终点；

S4、S3中拟合覆盖采用引导估价函数进行拟合，采用将规划空间划分为网格的形式，通过设定的节点代价函数来搜索最佳航迹；满足覆盖每一分隔区域中巡检路线并减少威胁源带来的代价；

其中引导估价函数为：

f(M)＝g(M)+h(M)

上式中M表示无人机当前位置，g(M)表示起点到当前位置的最小路径的代价值；h(M)表示当前位置到目标点的路径代价的估计值，通常为两点之间的空间直线距离；f(M)则表示从起点经过当前位置到目标点的最短路径的代价估值；

S5、对拟合完毕的每段航迹进行航迹平滑，得到平滑航迹；

S6、将S5中得到的平滑航迹再次带入S2中的环境建模数据中，从两端航迹断开处为起点进行重新拟合覆盖，以上一段平滑航迹终点为起始点进行拟合覆盖；

S7、重复S6直至所需巡检区域全部覆盖完毕，则其每段航迹的起始点即为机巢分布点，且通过非线性动态平均算法收集N个巡检无人机巡检终点到达时间，通过求取其动态平均时间来建立分布式控制系统。

优选地，所述S1中巡检无人机的约束条件包括：最小航迹段长度S_min、最大航迹长度S_max、最大拐弯角φ_max、最大飞行时间t_max、最大爬升/俯冲角θ_max、最高飞行速度V_max/最低飞行速度V_min和最低飞行高度H_min。

优选地，所述S2中的地形威胁、天气威胁和人为威胁，采用威胁源的作用半径表示，并将威胁中的每个点的威胁概率和地形数据相乘，将威胁信息叠加到环境建模的数字地图中。

优选地，所述S4中每扩展一个可能节点都要计算一次f(M)，每次选取f(M)值最小的节点保存到路径链表中。

优选地，所述S5中平滑航迹根据S4中建立的航迹节点力学方程，以航迹平滑力是否达到平衡状态为判断依据，然后决定是否继续进行平滑，最终得到平滑航迹。

优选地，所述S7中分布式控制系统的系统公式如下：

控制系统各个无人机到达目标位置的平均时间是控制量，控制输入是u_i(t)，sign()是符号函数，

是控制偏差，整个系统是一个闭环控制系统。

与现有技术相比，本发明提供了一种巡检无人机机巢分布及信息交互方法，具备以下有益效果：

1.本发明的有益效果是：首先分析了无人机的各项数据及其相关技术；然后将无人机的数据带入环境建模中，之后建立了无人机机动性能约束模型和威胁约束模型，其中前者包括最大航程、最大爬升角、最小转弯半径及飞行速度；后者主要包括地形威胁、天气威胁和人为威胁等模型；此外考虑到无人机利用地形进行规避风险，因此将高度作为航迹代价之一；在建立以上力学约束模型和威胁模型的基础上，分别开展了无人机二维及三维静态航迹规划，并通过航迹规划覆盖全区域来规划机巢位置，并通过分布式控制系统来控制无人机群。

附图说明

图1为本发明提出的一种巡检无人机机巢分布及信息交互方法的一具体实施例的系统图；

图2为本发明提出的一种巡检无人机机巢分布及信息交互方法的一具体实施例的航迹节点连线图；

图3为本发明提出的一种巡检无人机机巢分布及信息交互方法的一具体实施例的控制节点连线图；

图4为本发明提出的一种巡检无人机机巢分布及信息交互方法的一具体实施例的平滑航迹图。

图5为本发明提出的一种巡检无人机机巢分布及信息交互方法的航迹节点连线、控制节点连线和平滑航迹综合曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例1：

参考图1-5，一种巡检无人机机巢分布及信息交互方法，包括以下步骤：

S1、对巡检无人机建立运动学模型和动力学模型，并加入巡检无人机的约束条件；

其中巡检无人机在机体坐标系中的动力学公式如下：

其中巡检无人机在地面坐标系绕质心转动的运动学公式如下：

S2、对巡检无人机巡检区域进行环境建模，并将其中的地形威胁、天气威胁以及人为威胁加入其中；

S3、将S2中的巡检区域任意一端尽头为起始点，巡检线路另一端为封闭点，并将S1中的巡检无人机的数据带入起始点，开启拟合覆盖，一次拟合覆盖结束之后，下一拟合覆盖起点即为上一拟合覆盖终点，并以全面覆盖起始点与封闭点为拟合终点；

S4、S3中拟合覆盖采用引导估价函数进行拟合，采用将规划空间划分为网格的形式，通过设定的节点代价函数来搜索最佳航迹；满足覆盖每一分隔区域中巡检路线并减少威胁源带来的代价；

其中引导估价函数为：

f(M)＝g(M)+h(M)

上式中M表示无人机当前位置，g(M)表示起点到当前位置的最小路径的代价值；h(M)表示当前位置到目标点的路径代价的估计值，通常为两点之间的空间直线距离；f(M)则表示从起点经过当前位置到目标点的最短路径的代价估值；

S5、对拟合完毕的每段航迹进行航迹平滑，得到平滑航迹；

S6、将S5中得到的平滑航迹再次带入S2中的环境建模数据中，从两端航迹断开处为起点进行重新拟合覆盖，以上一段平滑航迹终点为起始点进行拟合覆盖；

S7、重复S6直至所需巡检区域全部覆盖完毕，则其每段航迹的起始点即为机巢分布点，且通过非线性动态平均算法收集N个巡检无人机巡检终点到达时间，通过求取其动态平均时间来建立分布式控制系统。

进一步，优选地，S1中巡检无人机的约束条件包括：最小航迹段长度S_min、最大航迹长度S_max、最大拐弯角φ_max、最大飞行时间t_max、最大爬升/俯冲角θ_max、最高飞行速度V_max/最低飞行速度V_min和最低飞行高度H_min。

进一步，优选地，S2中的地形威胁、天气威胁和人为威胁，采用威胁源的作用半径表示，并将威胁中的每个点的威胁概率和地形数据相乘，将威胁信息叠加到环境建模的数字地图中。

进一步，优选地，S4中每扩展一个可能节点都要计算一次f(M)，每次选取f(M)值最小的节点保存到路径链表中。

进一步，优选地，S5中平滑航迹根据S4中建立的航迹节点力学方程，以航迹平滑力是否达到平衡状态为判断依据，然后决定是否继续进行平滑，最终得到平滑航迹。

进一步，优选地，S7中分布式控制系统的系统公式如下：

控制系统各个无人机到达目标位置的平均时间是控制量，控制输入是u_i(t)，sign()是符号函数，

是控制偏差，整个系统是一个闭环控制系统。

本发明巡检无人机机巢分布及信息交互方法的一种详细实施例如下所示：

步骤(1)、对巡检无人机建立运动学模型和动力学模型，并加入巡检无人机的约束条件；

其中巡检无人机在机体坐标系中的动力学公式如下：

其中巡检无人机在地面坐标系绕质心转动的运动学公式如下：

步骤(2)、对巡检无人机巡检区域进行环境建模，并将其中的地形威胁、天气威胁以及人为威胁加入其中；

步骤(3)、将步骤(2)中的巡检区域任意一端尽头为起始点，巡检线路另一端为封闭点，并将S1中的巡检无人机的数据带入起始点，开启拟合覆盖，一次拟合覆盖结束之后，下一拟合覆盖起点即为上一拟合覆盖终点，并以全面覆盖起始点与封闭点为拟合终点；

步骤(4)、步骤(3)中拟合覆盖采用引导估价函数进行拟合，采用将规划空间划分为网格的形式，通过设定的节点代价函数来搜索最佳航迹；满足覆盖每一分隔区域中巡检路线并减少威胁源带来的代价；

其中引导估价函数为：

f(M)＝g(M)+h(M)

上式中M表示无人机当前位置，g(M)表示起点到当前位置的最小路径的代价值；h(M)表示当前位置到目标点的路径代价的估计值，通常为两点之间的空间直线距离；f(M)则表示从起点经过当前位置到目标点的最短路径的代价估值，实际航迹节点连线如图2，实际控制节点连线如图3；

步骤(5)、对拟合完毕的每段航迹进行航迹平滑，得到平滑航迹，实际航迹平滑曲线如图4；

步骤(6)、将步骤(5)中得到的平滑航迹再次带入S2中的环境建模数据中，从两端航迹断开处为起点进行重新拟合覆盖，以上一段平滑航迹终点为起始点进行拟合覆盖；

步骤(7)、重复步骤(6)直至所需巡检区域全部覆盖完毕，则其每段航迹的起始点即为机巢分布点，且通过非线性动态平均算法收集N个巡检无人机巡检终点到达时间，通过求取其动态平均时间来建立分布式控制系统。

最终三维航迹代价平滑前后对比如下表1：

表1-三维航迹平滑前后对比表

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种巡检无人机机巢分布及信息交互方法，其特征在于，包括以下步骤：

S1、对巡检无人机建立运动学模型和动力学模型，并加入巡检无人机的约束条件；

其中巡检无人机在机体坐标系中的动力学公式如下：

其中巡检无人机在地面坐标系绕质心转动的运动学公式如下：

S2、对巡检无人机巡检区域进行环境建模，并将其中的地形威胁、天气威胁以及人为威胁加入其中；

S3、将S2中的巡检区域任意一端尽头为起始点，巡检线路另一端为封闭点，并将S1中的巡检无人机的数据带入起始点，开启拟合覆盖，一次拟合覆盖结束之后，下一拟合覆盖起点即为上一拟合覆盖终点，并以全面覆盖起始点与封闭点为拟合终点；

S4、S3中拟合覆盖采用引导估价函数进行拟合，采用将规划空间划分为网格的形式，通过设定的节点代价函数来搜索最佳航迹；满足覆盖每一分隔区域中巡检路线并减少威胁源带来的代价；

其中引导估价函数为：

f(M)＝g(M)+h(M)

上式中M表示无人机当前位置，g(M)表示起点到当前位置的最小路径的代价值；h(M)表示当前位置到目标点的路径代价的估计值，通常为两点之间的空间直线距离；f(M)则表示从起点经过当前位置到目标点的最短路径的代价估值；

S5、对拟合完毕的每段航迹进行航迹平滑，得到平滑航迹；

S6、将S5中得到的平滑航迹再次带入S2中的环境建模数据中，从两端航迹断开处为起点进行重新拟合覆盖，以上一段平滑航迹终点为起始点进行拟合覆盖；

S7、重复S6直至所需巡检区域全部覆盖完毕，则其每段航迹的起始点即为机巢分布点，且通过非线性动态平均算法收集N个巡检无人机巡检终点到达时间，通过求取其动态平均时间来建立分布式控制系统。

2.根据权利要求1所述的一种巡检无人机机巢分布及信息交互方法，其特征在于：所述S1中巡检无人机的约束条件包括：最小航迹段长度S_min、最大航迹长度S_max、最大拐弯角φ_max、最大飞行时间t_max、最大爬升/俯冲角θ_max、最高飞行速度V_max/最低飞行速度V_min和最低飞行高度H_min。

3.根据权利要求1所述的一种巡检无人机机巢分布及信息交互方法，其特征在于：所述S2中的地形威胁、天气威胁和人为威胁，采用威胁源的作用半径表示，并将威胁中的每个点的威胁概率和地形数据相乘，将威胁信息叠加到环境建模的数字地图中。

4.根据权利要求1所述的一种巡检无人机机巢分布及信息交互方法，其特征在于：所述S4中每扩展一个可能节点都要计算一次f(M)，每次选取f(M)值最小的节点保存到路径链表中。

5.根据权利要求1所述的一种巡检无人机机巢分布及信息交互方法，其特征在于：所述S5中平滑航迹根据S4中建立的航迹节点力学方程，以航迹平滑力是否达到平衡状态为判断依据，然后决定是否继续进行平滑，最终得到平滑航迹。

6.根据权利要求1所述的一种巡检无人机机巢分布及信息交互方法，其特征在于：所述S7中分布式控制系统的系统公式如下：

控制系统各个无人机到达目标位置的平均时间是控制量，控制输入是u_i(t)，sign()是符号函数，

是控制偏差，整个系统是一个闭环控制系统。

Images