CN112506228B - 一种变电站无人机最优紧急避险路径选择方法 - Google Patents
一种变电站无人机最优紧急避险路径选择方法 Download PDFInfo
- Publication number
- CN112506228B CN112506228B CN202011585908.5A CN202011585908A CN112506228B CN 112506228 B CN112506228 B CN 112506228B CN 202011585908 A CN202011585908 A CN 202011585908A CN 112506228 B CN112506228 B CN 112506228B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- dimensional model
- path
- optimal emergency
- 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
- 238000010187 selection method Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000003016 pheromone Substances 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000545744 Hirudinea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05D1/10—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
本发明提供一种变电站无人机最优紧急避险路径选择方法,包括以下步骤:S1:通过与故障无人机距离最近的摄像头获取原始三维图像并构建原始三维模型;S2:利用变电站物联网中的其余摄像头所获取的三维图像对原始三维模型进行扩充,得到扩充后的三维模型;S3:在扩充后的三维模型中进行障碍物识别,识别出存在可疑障碍物的区域;S4:根据识别出的存在可疑障碍物的区域,采用改进的蚁群算法在扩充后的三维模型中规划出最优紧急避险路径。本发明提供一种变电站无人机最优紧急避险路径选择方法,解决了目前还没有适用于变电站无人机的紧急避险方法的问题。
Description
技术领域
本发明涉及无人机技术领域,更具体的,涉及一种变电站无人机最优紧急避险路径选择方法。
背景技术
变电站空间小,带电设备多,采用无人机巡检存在一定风险。现有的无人机紧急避险多采用沿原航路返回或者就地降落的方式解决,在变电站中,无论是飞行精度不高,或者是降落到带电运行设备上都会对无人机自身或者变电站设备带来风险。因此,目前还没有适用于变电站无人机的紧急避险方法。
现有技术中,如2019-03-26公开的中国专利,一种多无人机航路规划及动态避障方法,公开号为CN109521794A,主要为多无人机编队规划出避开所有静态障碍物的最优航路且迭代时间较短,同时能够实时监测动态障碍物并及时规划局部航路防止碰撞,但不适用于变电站无人机的紧急避险。
发明内容
本发明为克服目前还没有适用于变电站无人机的紧急避险方法的技术缺陷,提供一种变电站无人机最优紧急避险路径选择方法。
为解决上述技术问题,本发明的技术方案如下:
一种变电站无人机最优紧急避险路径选择方法,包括以下步骤:
S1:通过与故障无人机距离最近的摄像头获取原始三维图像并构建原始三维模型;
S2:利用变电站物联网中的其余摄像头所获取的三维图像对原始三维模型进行扩充,得到扩充后的三维模型;
S3:在扩充后的三维模型中进行障碍物识别,识别出存在可疑障碍物的区域;
S4:根据识别出的存在可疑障碍物的区域,采用改进的蚁群算法在扩充后的三维模型中规划出最优紧急避险路径。
优选的,在步骤S2中,以故障无人机为核心位置,以其飞行线路为依据,向其飞行方向的前后方分别对原始三维模型进行扩充。
优选的,在步骤S2中,还包括对三维图像进行拼接:
在选择三维图像C对三维模型A+B进行扩充之后,用函数f1T(x1,y1)表示三维模型A+B的某一行,以新的三维图像B+C中三维图像B的上沿作为对比标准f2T(x2,y2);
通过以下公式得到图像拼接的上沿所在位置:
GT=Min|f1T(x1,y1)-f2T(x2,y2)|
同理,计算出三维图像B的下沿、左沿和右沿线所在位置;
由此,计算图片拼接的横向缩放比为:
其中,f1B(x1,y1)表示三维模型A+B的另一行,f2B(x2,y2)表示新的三维图像B+C中三维图像B的下沿;
同理,计算出纵向缩放比Ys;
因此,对于三维图像B+C,假定其图像长、宽分别是LN、WN,则其拼接后的长、宽分别为LN×Xs、WN×Ys。
优选的,对于与已获取的三维图像不存在重合部分的三维图像,不进行拼接。
优选的,在步骤S3中,通过以下公式计算图像的区别度:
其中,H和L分别为拼接后图片上划分的像素长和宽,i和j分别为像素点在分块中的坐标,l为图块的序号,A1为摄像头拼接后的图片,A2是没有障碍物飞行时采集的图片。
优选的,将区别度Gdiff(l)>10%的部分识别为存在可疑障碍物的区域。
优选的,在步骤S4中,改进的蚁群算法具体为:
S4.1:设最大迭代次数为IMax,蚂蚁的总数为m×h,m为1米距离内蚂蚁的数量,h为无人机的高度,信息素因子为α,启发因子为β以及信息素蒸发系数为ρ;
S4.2:随机分配每个蚂蚁初始的信息素和位置,初始化解空间;
S4.3:判断蚂蚁所在位置X的纵坐标是否为0,且X属于允许降落点;
若是,则执行步骤S4.5;
若否,则全局更新信息素,并执行步骤S4.4;
S4.4:判断迭代次数是否达到最大;
若是,则选择信息量最大的路径为最优紧急避险路径,并执行步骤S4.5;
若否,则返回步骤S4.3进行下一次迭代;
S4.5:迭代结束,得到最优紧急避险路径。
优选的,m×h只蚂蚁按照概率函数选择下一个点,概率函数通过当前点与其余点的距离的倒数来确定,概率计算公式为:
ηij=λexp|ln,e-ln+1,e+1|
ηij是启发函数,为线上两点ln,e,ln+1,e+1的坐标,|ln,e-ln+1,e+1|即对应两点的距离,n为横向的迭代和搜索次数,e为纵向的迭代搜索次数,若蚂蚁爬行方向与无人机飞行方向一致,则λ=0.7,否则λ=0.3;τij记录从点i到点j之间路径上的信息素的量。
优选的,在步骤S4.3中,通过以下公式进行全局更新信息素:
τij(t+1)=ρ.τij(t)+Δτij(t)
其中,t表示迭代次数,Δτij(t)表示对应的信息量增量。
优选的,设置m为5,α为0.5,β为1.5以及ρ为0.3。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种变电站无人机最优紧急避险路径选择方法,通过变电站物联网摄像头获取三维图像,接着拼接出现场三维模型,然后以改进的蚁群算法选择出最优紧急避险路径,避免无人机紧急避险时引发危险。
附图说明
图1为本发明的技术方案实施步骤流程图;
图2为本发明中三维模型的扩充示意图;
图3为本发明中图像拼接示意图;
图4为本发明中无人机的降落点选择示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种变电站无人机最优紧急避险路径选择方法,包括以下步骤:
S1:通过与故障无人机距离最近的摄像头获取原始三维图像并构建原始三维模型;
S2:利用变电站物联网中的其余摄像头所获取的三维图像对原始三维模型进行扩充,得到扩充后的三维模型;
S3:在扩充后的三维模型中进行障碍物识别,识别出存在可疑障碍物的区域;
S4:根据识别出的存在可疑障碍物的区域,采用改进的蚁群算法在扩充后的三维模型中规划出最优紧急避险路径。
实施例2
更具体的,如图2所示,在步骤S2中,以故障无人机为核心位置,以其飞行线路为依据,向其飞行方向的前后方分别对原始三维模型进行扩充。
在具体实施过程中,每次扩充3米的物联网摄像头监控距离。
更具体的,如图3所示,在步骤S2中,还包括对三维图像进行拼接:
在选择三维图像C对三维模型A+B进行扩充之后,用函数f1T(x1,y1)表示三维模型A+B的某一行,以新的三维图像B+C中三维图像B的上沿作为对比标准f2T(x2,y2);
通过以下公式得到图像拼接的上沿所在位置:
GT=Min|f1T(x1,y1)-f2T(x2,y2)|
同理,计算出三维图像B的下沿、左沿和右沿线所在位置;
由此,计算图片拼接的横向缩放比为:
其中,f1B(x1,y1)表示三维模型A+B的另一行,f2B(x2,y2)表示新的三维图像B+C中三维图像B的下沿;
同理,计算出纵向缩放比Ys;
因此,对于三维图像B+C,假定其图像长、宽分别是LN、WN,则其拼接后的长、宽分别为LN×Xs、WN×Ys。
更具体的,对于与已获取的三维图像不存在重合部分的三维图像,不进行拼接。
更具体的,在步骤S3中,通过以下公式计算图像的区别度:
其中,H和L分别为拼接后图片上划分的像素长和宽,i和j分别为像素点在分块中的坐标,l为图块的序号,A1为摄像头拼接后的图片,A2是没有障碍物飞行时采集的图片。
更具体的,将区别度Gdiff(l)>10%的部分识别为存在可疑障碍物的区域。
更具体的,在步骤S4中,改进的蚁群算法具体为:
S4.1:设最大迭代次数为IMax,蚂蚁的总数为m×h,m为1米距离内蚂蚁的数量,h为无人机的高度,信息素因子为α,启发因子为β以及信息素蒸发系数为ρ;
S4.2:随机分配每个蚂蚁初始的信息素和位置,初始化解空间;
S4.3:判断蚂蚁所在位置X的纵坐标是否为0,且X属于允许降落点;
若是,则执行步骤S4.5;
若否,则全局更新信息素,并执行步骤S4.4;
S4.4:判断迭代次数是否达到最大;
若是,则选择信息量最大的路径为最优紧急避险路径,并执行步骤S4.5;
若否,则返回步骤S4.3进行下一次迭代;
S4.5:迭代结束,得到最优紧急避险路径。
在具体实施过程中,即使按照尽快落地的原则,变电站无人机紧急避险可能有多种选择,如图4所示可能有A1、A2、A3、A4四种选择。由于部分区域不允许降落,如A2,还有部分区域由于障碍物的影响,导致无法尽快降落,如A3。因此,应用改进的蚁群算法,由无人机的位置出发,进行合理路径搜索。
更具体的,m×h只蚂蚁按照概率函数选择下一个点,概率函数通过当前点与其余点的距离的倒数来确定,概率计算公式为:
ηij=λexp|ln,e-ln+1,e+1|
ηij是启发函数,为线上两点ln,e,ln+1,e+1的坐标,|ln,e-ln+1,e+1|即对应两点的距离,n为横向的迭代和搜索次数,e为纵向的迭代搜索次数,若蚂蚁爬行方向与无人机飞行方向一致,则λ=0.7,否则λ=0.3;τij记录从点i到点j之间路径上的信息素的量。
更具体的,在步骤S4.3中,通过以下公式进行全局更新信息素:
τij(t+1)=ρ.τij(t)+Δτij(t)
其中,t表示迭代次数,Δτii(t)表示对应的信息量增量。
更具体的,设置m为5,α为0.5,β为1.5以及ρ为0.3。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种变电站无人机最优紧急避险路径选择方法,其特征在于,包括以下步骤:
S1:通过与故障无人机距离最近的摄像头获取原始三维图像并构建原始三维模型;
S2:利用变电站物联网中的其余摄像头所获取的三维图像对原始三维模型进行扩充,得到扩充后的三维模型;以及,对三维图像进行拼接,其中:
在选择三维图像C对三维模型A+B进行扩充之后,用函数f1T(x1,y1)表示三维模型A+B的某一行,以新的三维图像B+C中三维图像B的上沿作为对比标准f2T(x2,y2);
通过以下公式得到图像拼接的上沿所在位置:
GT=Min|f1T(x1,y1)-f2T(x2,y2)|
同理,计算出三维图像B的下沿、左沿和右沿线所在位置;
由此,计算图片拼接的横向缩放比为:
其中,f1B(x1,y1)表示三维模型A+B的另一行,f2B(x2,y2)表示新的三维图像B+C中三维图像B的下沿;
同理,计算出纵向缩放比Ys;
因此,对于三维图像B+C,假定其图像长、宽分别是LN、WN,则其拼接后的长、宽分别为LN×Xs、WN×Ys;
S3:在扩充后的三维模型中进行障碍物识别,识别出存在可疑障碍物的区域;
S4:根据识别出的存在可疑障碍物的区域,采用改进的蚁群算法在扩充后的三维模型中规划出最优紧急避险路径。
2.根据权利要求1所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,在步骤S2中,以故障无人机为核心位置,以其飞行线路为依据,向其飞行方向的前后方分别对原始三维模型进行扩充。
3.根据权利要求2所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,对于与已获取的三维图像不存在重合部分的三维图像,不进行拼接。
4.根据权利要求1所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,在步骤S3中,通过以下公式计算图像的区别度:
其中,H和L分别为拼接后图片上划分的像素长和宽,i和j分别为像素点在分块中的坐标,l为图块的序号,A1为摄像头拼接后的图片,A2是没有障碍物飞行时采集的图片。
5.根据权利要求4所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,将区别度Gdiff(l)>10%的部分识别为存在可疑障碍物的区域。
6.根据权利要求1所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,在步骤S4中,改进的蚁群算法具体为:
S4.1:设最大迭代次数为IMax,蚂蚁的总数为m×h,m为1米距离内蚂蚁的数量,h为无人机的高度,信息素因子为α,启发因子为β以及信息素蒸发系数为ρ;
S4.2:随机分配每个蚂蚁初始的信息素和位置,初始化解空间;
S4.3:判断蚂蚁所在位置X的纵坐标是否为0,且X属于允许降落点;
若是,则执行步骤S4.5;
若否,则全局更新信息素,并执行步骤S4.4;
S4.4:判断迭代次数是否达到最大;
若是,则选择信息量最大的路径为最优紧急避险路径,并执行步骤S4.5;
若否,则返回步骤S4.3进行下一次迭代;
S4.5:迭代结束,得到最优紧急避险路径。
7.根据权利要求6所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,m×h只蚂蚁按照概率函数选择下一个点,概率函数通过当前点与其余点的距离的倒数来确定,概率计算公式为:
ηij=λexp|ln,e-ln+1,e+1|
ηij是启发函数;|ln,e-ln+1,e+1|为线上两点ln,e,ln+1,e+1的距离,n为横向的迭代和搜索次数,e为纵向的迭代搜索次数,若蚂蚁爬行方向与无人机飞行方向一致,则λ=0.7,否则λ=0.3;τij记录从点i到点j之间路径上的信息素的量。
8.根据权利要求6所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,在步骤S4.3中,通过以下公式进行全局更新信息素:
τij(t+1)=ρ.τij(t)+Δτij(t)
其中,t表示迭代次数,Δτij(t)表示对应的信息量增量。
9.根据权利要求6所述的一种变电站无人机最优紧急避险路径选择方法,其特征在于,设置m为5,α为0.5,β为1.5以及ρ为0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585908.5A CN112506228B (zh) | 2020-12-28 | 2020-12-28 | 一种变电站无人机最优紧急避险路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011585908.5A CN112506228B (zh) | 2020-12-28 | 2020-12-28 | 一种变电站无人机最优紧急避险路径选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506228A CN112506228A (zh) | 2021-03-16 |
CN112506228B true CN112506228B (zh) | 2023-11-07 |
Family
ID=74951762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011585908.5A Active CN112506228B (zh) | 2020-12-28 | 2020-12-28 | 一种变电站无人机最优紧急避险路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506228B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113612976B (zh) * | 2021-10-11 | 2021-12-17 | 成都派沃特科技股份有限公司 | 安保预案优化方法和安保预案优化装置 |
CN117151432B (zh) * | 2023-10-30 | 2024-01-23 | 天津仁爱学院 | 一种用于避险模式的无人机自动机场的分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018133589A1 (zh) * | 2017-01-17 | 2018-07-26 | 亿航智能设备(广州)有限公司 | 航拍方法、装置和无人机 |
CN108428004A (zh) * | 2018-01-16 | 2018-08-21 | 河北科技大学 | 基于蚁群算法的飞行物冲突解脱路径规划方法 |
CN111988524A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种无人机与摄像头协同避障方法、服务器及存储介质 |
CN112017120A (zh) * | 2020-09-04 | 2020-12-01 | 北京伟杰东博信息科技有限公司 | 一种图像合成方法及装置 |
CN112033403A (zh) * | 2020-05-06 | 2020-12-04 | 东华大学 | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 |
-
2020
- 2020-12-28 CN CN202011585908.5A patent/CN112506228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018133589A1 (zh) * | 2017-01-17 | 2018-07-26 | 亿航智能设备(广州)有限公司 | 航拍方法、装置和无人机 |
CN108428004A (zh) * | 2018-01-16 | 2018-08-21 | 河北科技大学 | 基于蚁群算法的飞行物冲突解脱路径规划方法 |
CN112033403A (zh) * | 2020-05-06 | 2020-12-04 | 东华大学 | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 |
CN111988524A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种无人机与摄像头协同避障方法、服务器及存储介质 |
CN112017120A (zh) * | 2020-09-04 | 2020-12-01 | 北京伟杰东博信息科技有限公司 | 一种图像合成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112506228A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112506228B (zh) | 一种变电站无人机最优紧急避险路径选择方法 | |
US11567502B2 (en) | Autonomous exploration framework for indoor mobile robotics using reduced approximated generalized Voronoi graph | |
EP3690705A1 (en) | Method and device for generating deceivable composite image by using gan including generating neural network and discriminating neural network to allow surveillance system to recognize surroundings and detect rare event more accurately | |
CN108027985B (zh) | 存储介质、路径生成方法和路径生成装置 | |
Semsch et al. | Autonomous UAV surveillance in complex urban environments | |
Saleemi et al. | Multiframe many–many point correspondence for vehicle tracking in high density wide area aerial videos | |
CN111627246B (zh) | 基于图像识别与用户偏好的智能车位推荐方法 | |
ES2908944A2 (es) | Un metodo y sistema implementados por ordenador para detectar objetos pequenos en una imagen usando redes neuronales convolucionales | |
US20190094858A1 (en) | Parking Location Prediction | |
EP3686777A1 (en) | Learning method and testing method of object detector to be used for surveillance based on r-cnn capable of converting modes according to aspect ratios or scales of objects, and learning device and testing device using the same | |
DE112019000383T5 (de) | Odometriesystem und Verfahren zum Verfolgen von Ampelanlagen | |
CN112148028B (zh) | 基于无人机拍摄图像的环境监测方法和系统 | |
Chen et al. | Multi-camera Vehicle Tracking and Re-identification on AI City Challenge 2019. | |
EP3686842B1 (en) | Learning method, learning device, testing method and testing device | |
JP2020038661A (ja) | 車線モデルを利用して車線を検出し得る学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{learning method, learning device for detecting lane using lane model and test method, test device using the same} | |
DE102016014783A1 (de) | Verfahren zur Detektion von Objekten | |
WO2019015144A1 (zh) | 图像处理方法和系统、存储介质和计算设备 | |
CN114815810A (zh) | 无人机协同的水上清洁机器人路径规划方法及设备 | |
Pi et al. | Disaster impact information retrieval using deep learning object detection in crowdsourced drone footage | |
CN111046829A (zh) | 基于先验推理的在线车道级定位方法及系统 | |
Stumper et al. | Offline object extraction from dynamic occupancy grid map sequences | |
CN111125886A (zh) | 一种基于三种不同行为的人群疏散仿真系统及仿真方法 | |
Nejadasl et al. | Optical flow based vehicle tracking strengthened by statistical decisions | |
US20220165068A1 (en) | Device and method for recognizing obstacle of vehicle | |
CN114937060A (zh) | 一种地图语义引导的单目行人室内定位预测方法 |
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 |