CN112783195A - 多无人机的巡检路线规划方法、装置和计算机设备 - Google Patents
多无人机的巡检路线规划方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112783195A CN112783195A CN202011501217.2A CN202011501217A CN112783195A CN 112783195 A CN112783195 A CN 112783195A CN 202011501217 A CN202011501217 A CN 202011501217A CN 112783195 A CN112783195 A CN 112783195A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- inspection
- aerial vehicle
- target
- prediction
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 445
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种多无人机的巡检路线规划方法、装置、计算机设备和存储介质。所述方法包括:获取预测数据集,并由该预测模型对预测数据集进行处理,得到各无人机依次抵达相应的目标巡检区域内的各巡检点处的预测时间戳。基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足飞行驱动条件时,则驱动无人机进入巡检状态,以飞往到对应的目标巡检区域中,对设于相应待检点处的待检设备进行检测;当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,直到无人机满足飞行驱动条件,则驱动无人机进入巡检状态。当各无人机均完成对所有待检设备的检测时,结束巡检流程。采用本方法能够提高并行执行任务的规划效率。
Description
技术领域
本申请涉及自动化巡检技术领域,特别是涉及一种多无人机的巡检路线规划方法、装置、计算机设备和存储介质。
背景技术
随着无人机的发展,出现了利用多无人机规模化巡检技术,对变电站中的电力设备进行巡检。该技术利用自动化系统来操纵无人机,对巡检区域中的电力设备进行巡检拍摄,在上述的自动化流程中,提高多无人机巡检的效率需要进行复杂的数字化规划和参数分析,而指导整个自动化流程的最重要数据之一就是任务的飞行时间预测。针对上述场景的多无人机任务的飞行时间预测,传统方法一方面由于缺乏有效的飞行时间预测信息,通常采用人工手段来操作多无人机执行对目标巡检区域的巡检;另一方面,则是采用单个无人机依次执行巡检任务,且,每次巡检之前为无人机提供足够的电量,得以保证顺利的完成巡检任务。可见,现有的技术方案存在难以对多无人机的并行执行任务进行有效规划的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对并行执行巡检任务进行有效规划的多无人机的巡检路线规划方法、装置、计算机设备和存储介质。
一种多无人机的巡检路线规划方法,所述方法包括:
基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;
针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及所述目标巡检区域内的待检设备所对应的设备巡检顺序;
获取与所述目标巡检区域对应的预测数据集,并将所述预测数据集输入到目标预测模型中,由所述目标预测模型对所述预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,所述预测数据集包括所述目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;
基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足所述飞行驱动条件时,则驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;
当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,直到所述无人机满足所述飞行驱动条件,则驱动所述无人机进入巡检状态;
针对满足所述飞行驱动条件的无人机,在所述无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到所述获取与所述目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
在其中一个实施例中,所述基于得到的多个预测时间戳,确定飞行驱动条件,包括:
基于得到的多个预测时间戳,分别确定各无人机从进入到离开所述目标巡检区域所需占用的预测时间戳区间;
根据所述预测时间戳区间、以及所述多个巡检区域,确定对应的飞行驱动条件;所述飞行驱动条件包括:在同一个巡检区域内同一时间只允许一架无人机执行对应的巡检任务。
在其中一个实施例中,所述基于得到的多个预测时间戳,确定飞行驱动条件,包括:
基于得到的多个预测时间戳,分别确定各无人机从进入到离开所述目标巡检区域所需占用的预测时间戳区间,以及各无人机在相应的目标巡检区域中,分别所处的飞行高度;
根据所述预测时间戳区间、所述飞行高度以及所述多个巡检区域,确定对应的飞行驱动条件;所述飞行驱动条件包括:相邻巡检区域内同一时间只允许处于不同飞行高度的无人机进行巡检任务的执行。
在其中一个实施例中,所述基于得到的多个预测时间戳,确定飞行驱动条件,包括:
对得到的多个预测时间戳,按照时间先后顺序进行从前至后的排序;
确定排序名次在第一预设名次之后的第一预测时间戳,并确定排序名次在第二预设名次之前的第二预测时间戳;所述第二预设名次在所述第一预设名次之前;
通过悲观估计子模型以预设的第一修正幅度对所述第一预测时间戳进行扩大修正,得到对应的修正时间戳;
通过乐观估计子模型以预设的第二修正幅度对所述第二预测时间戳进行缩小修正,得到对应的修正时间戳;
根据未经过修正的预测时间戳和经过修正后的修正时间戳,确定飞行驱动条件。
在其中一个实施例中,所述驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测,包括:
驱动所述无人机进入巡检状态,以飞往到所述目标巡检区域中,基于所述无人机上均设有的摄像头,并按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行巡检拍摄。
在其中一个实施例中,所述当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,包括:
针对不满足所述飞行驱动条件的第一无人机,获取所述第一无人机从进入到离开所述目标巡检区域所需占用的第一目标预测时间戳区间;
确定与所述第一无人机存在巡检路线冲突的第二无人机,以及所述第二无人机对应的第二目标预测时间戳区间;
在进行巡检路线的重新规划时,驱动所述第一无人机进入悬停状态,并设置悬停等待时间,基于所述悬停等待时间对所述第一目标预测时间戳区间进行更新;
当更新后的第一目标预测时间戳区间与所述第二目标预测时间戳区间之间不存在交集时,则驱动所述第一无人机进入巡检状态。
在其中一个实施例中,所述方法还包括:
当任一无人机依次抵达所述第一巡检区域内相应巡检点处的预测时间戳与实际时间戳存在差异时,则基于所述实际时间戳、所述无人机当前的剩余电量、所述无人机的故障状态以及获取到的实时环境数据,对所述预测数据集进行更新;
基于更新后的预测数据集对所述目标预测模型进行重新训练,直到重新计算得到的预测时间戳与实际时间戳不存在差异时停止,得到更新的目标预测模型。
一种多无人机的巡检路线规划装置,所述装置包括:
第一识别模块,用于基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;
第二识别模块,用于针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及所述目标巡检区域内的待检设备所对应的设备巡检顺序;
预测模块,用于获取与所述目标巡检区域对应的预测数据集,并将所述预测数据集输入到目标预测模型中,由所述目标预测模型对所述预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,所述预测数据集包括所述目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;
驱动模块,用于基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足所述飞行驱动条件时,则驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;
巡检路线规划模块,用于当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,直到所述无人机满足所述飞行驱动条件,则驱动所述无人机进入巡检状态;
第三识别模块,用于针对满足所述飞行驱动条件的无人机,在所述无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到所述获取与所述目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;
针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及所述目标巡检区域内的待检设备所对应的设备巡检顺序;
获取与所述目标巡检区域对应的预测数据集,并将所述预测数据集输入到目标预测模型中,由所述目标预测模型对所述预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,所述预测数据集包括所述目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;
基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足所述飞行驱动条件时,则驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;
当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,直到所述无人机满足所述飞行驱动条件,则驱动所述无人机进入巡检状态;
针对满足所述飞行驱动条件的无人机,在所述无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到所述获取与所述目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;
针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及所述目标巡检区域内的待检设备所对应的设备巡检顺序;
获取与所述目标巡检区域对应的预测数据集,并将所述预测数据集输入到目标预测模型中,由所述目标预测模型对所述预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,所述预测数据集包括所述目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;
基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足所述飞行驱动条件时,则驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;
当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,直到所述无人机满足所述飞行驱动条件,则驱动所述无人机进入巡检状态;
针对满足所述飞行驱动条件的无人机,在所述无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到所述获取与所述目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
上述多无人机的巡检路线动态规划方法、装置、计算机设备和存储介质,当采用多架无人机进行规模化巡检时,该方法利用目标预测模型对预测数据集进行处理,得到各无人机依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳。其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。目标巡检区域为按照与相应无人机对应预设的巡检顺序,进一步确定的首个待检的巡检区域。进而可基于得到的多个预测时间戳,进行飞行驱动条件的确定,并基于该飞行驱动条件控制无人机是否进入巡检状态,进一步使得多架无人机可以集中的安排在同一个区域中接连出发,且同时并行的执行各自所对应的巡检任务,提高了并行执行任务的规划效率。
附图说明
图1为一个实施例中多无人机的巡检路线规划方法的应用环境图;
图2为一个实施例中多无人机的巡检路线规划方法的流程示意图;
图3为一个实施例中基于得到的多个预测时间戳,确定飞行驱动条件步骤的流程示意图;
图4为一个实施例中进行巡检路线的重新规划步骤的流程示意图;
图5为一个实施例中多无人机的巡检路线规划整体流程示意图;
图6为一个实施例中多无人机的巡检路线规划装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的多无人机的巡检路线规划方法,可以应用于如图1所示的应用环境中。其中,多个无人机102通过网络与计算机设备104进行通信,通信的过程中,首先,由计算机设备104针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及目标巡检区域内的待检设备所对应的设备巡检顺序。其次,由计算机设备104再获取与目标巡检区域对应的预测数据集,并将预测数据集输入到目标预测模型中,由目标预测模型对预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳。其次,由计算机设备104再基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足飞行驱动条件时,则驱动无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照设备巡检顺序,依次对设于相应待检点处的待检设备进行检测。其次,由计算机设备104再当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,直到无人机满足飞行驱动条件,则驱动无人机进入巡检状态。最后,由计算机设备再针对满足飞行驱动条件的无人机,在无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到获取与目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
其中,计算机设备104具体可以是终端或服务器,终端具体可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种多无人机的巡检路线规划方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S202,基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备。
其中,变电站的巡检目标(即待检设备)可通过经纬度在二维地图上划分为多个巡检区域,在每个巡检区域中,根据可巡检拍摄对象的不同,会有数个不同的飞行高度层。无人机被安排巡检任务后,对应的巡检任务将会输入到计算机设备中,进行巡检区域以及待检设备的确定。可以理解的是,在仅通过一架无人机进行自动化巡检时,该无人机的飞行路线一般是由若干个路点坐标(即相应的巡检点的位置坐标)所构成。在无人机的飞行过程中,会根据基于巡检任务所确定的路点信息,作出悬停、调整飞行角度、拍照等动作,直到完成巡检任务。而当采用多架无人机进行规模化巡检时,往往需要将多个巡检任务在多架无人机之间进行分配,其中,多架无人机可集中安排在同一个区域中接连出发,且同时并行的执行其各自对应的巡检任务。
步骤S204,针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及目标巡检区域内的待检设备所对应的设备巡检顺序。
其中,巡检顺序即可以由各巡检区域所处的地域位置,按照的由近到远的顺序进行确定;也可以按照时间的先后顺序进行确定。
步骤S205,获取与目标巡检区域对应的预测数据集,并将预测数据集输入到目标预测模型中,由目标预测模型对预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。
其中,各无人机的飞行角度调整参数具体为相邻巡检点之间的飞行角度变化量。预测时间戳即相应无人机预抵达相应巡检点处的时间点,即预测无人机从当前路点飞往下一个路点所需的时间消耗。例如,当前的时间为9:00,而针对目标无人机,基于目标预测模型计算得到的预测时间戳为10:00,进而能够确定的是目标无人机将在10点钟抵达到目标巡检点,并进行巡检任务的执行。
具体地,当目标无人机结束当前路点所需执行的动作,基于目标预测模型计算得到预测时间戳,进行各无人机飞行到相应巡检点所需耗费的飞行时间的预测。一方面,基于预测得到的飞行时间以及各无人机当前的剩余电量,针对电量不足的无人机,进行巡检路线的重新规划,避免为电量不足的无人机分配执行时间过长的任务,进一步提高巡检效率。另一方面,当确定与其他无人机之间不存在巡检路线的冲突时,则确定目标无人机可以从当前所处的路点飞往到下一个目标路点,其中,该目标无人机在飞行过程中,具体作出了以下设置:
(1)由计算机设备驱动目标无人机从悬停状态或者以较低的初速度为基准开始加速。
(2)当确定目标无人机的飞行速度达到预设的起飞速度阈值时,则将目标无人机从悬停状态切换到飞行状态。
(3)按照当前所达到的飞行速度,匀速地飞向下一个目标路点。
(4)当目标无人机接近目标路点时,则开始逐步降低目标无人机的飞行速度,并在飞行到目标路点附近的时候,进行机身位置的调整。当前,该目标无人机已经预悬停的状态。
(5)当目标无人机的机身位置和目标路点所对应的坐标位置相同或相接近时,则驱动目标无人机从飞行状态切换到悬停状态。
(6)调整好目标无人机的机头的朝向,并驱动该目标无人机按照预设的设备巡检顺序,依次对设于相应待检点处的待检设备进行检测。
在其中一个实施例中,预测数据集还包括各无人机当前的剩余电量、各无人机当前加速度和能够达到的最大速度参数、基于巡检区域中配备的环境监测装置观察到的实时环境数据以及各无人机当前是否出现故障的判断结果。需要说明的是,实时环境数据包括对应巡检区域中的风速、风向和湿度中的至少一种,本申请实施例对比不作限定。上述的各无人机故障判断结果,可以使用离散值进行表示,例如,可以用离散值0来表示故障状态,可以用离散值1来表示正常运行状态,当前对于上述的各无人机故障判断结果,也可以采用其他的形式进行表示,例如,可以采用“true”or“wrong”等英文单词进行故障结果的表示,本申请实施例对比不作限定。
当前实施例中,通过目标预测模型对各无人机抵达相应时间点处的时间戳进行预测,通过上述的预测时间戳数据,可以进一步基于预测到的各无人机飞行到相应巡检点所需耗费的飞行时间的,进行巡检路线的重新规划,避免为电量不足的无人机分配执行时间过长的任务,进一步提高巡检效率。
步骤S208,基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足飞行驱动条件时,则驱动无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照设备巡检顺序,依次对设于相应待检点处的待检设备进行检测。
具体地,由计算机设备基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间。由于变电站中设施排布错综复杂,为了保障安全,利用多架无人机并行巡检时,在任务调度的过程中,至少需要满足下述保障条件中的其中一种条件,进一步保证无人机的飞行安全:
(1)应保证同一时刻不会导致两架以上的无人机进入相同的巡检区域。
(2)应避免在同一时刻中两个相邻巡检区域中各有一架无人机处于同样的飞行高度;其中,相邻巡检区域即为空间坐标下的相邻,若将划分好的巡检区域视为多面体结构区域,具有公共面的两个多面体结构区域所对应的巡检区域就是相邻巡检区域。
在其中一个实施例中,基于得到的多个预测时间戳,确定飞行驱动条件,包括:基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间;一方面,由计算机设备根据预测时间戳区间、以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:在同一个巡检区域内同一时间只允许一架无人机执行对应的巡检任务。另一方面,由计算机设备根据预测时间戳区间、飞行高度以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:相邻巡检区域内同一时间只允许处于不同飞行高度的无人机进行巡检任务的执行。
上述实施例中,基于得到的多个预测时间戳,确定飞行驱动条件,进一步避免同一时刻存在两架以上的无人机进入相同的巡检区域,以及两个相邻巡检区域中各有一架无人机处于同样的飞行高度,保障了无人机的飞行安全,提高了无人机群的并行巡检效率。
步骤S210,当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,直到无人机满足飞行驱动条件,则驱动无人机进入巡检状态。
其中,进行巡检路线的重新规划可以为:针对不满足飞行驱动条件的无人机,基于合适的飞行距离、该无人机的当前剩余电量、区域中是否存在还另外一架处于巡检状态的无人机,进行目标巡检区域的重新确定。或者,针对不满足飞行驱动条件的无人机,设置悬停等待时间,待目标巡检区域中不存在另外一架处于巡检状态的无人机时,在驱动该无人机进入巡检状态。或者,基于该无人机的当前剩余电量,确定该无人机不能顺利的飞往到前述重新确定的目标巡检区域中,则驱动该无人机进入返航状态,返回到起始地点,待电量充足后,再重新起航。当然,在其他的实施例中,也可以采用其他的技术手段,进行巡检路线的重新规划,本申请实施例对比不作限定。
步骤S212,针对满足飞行驱动条件的无人机,在无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到获取与目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
具体的,由计算机设备对各架无人机的执行巡检任务的执行时间进行估算,可以预估出各架无人机的总体巡检任务量以及总体时间耗费,并在设置规模较大的无人机群的情况下,对各无人机进行时间和空间上的拆分,让其工作时段得以受到控制。
在其中一个的实施例中,针对满足飞行驱动条件的无人机,在该无人机完成对应目标巡检区域内的最后一个待检设备的检测后,由计算机设备对下一个待检的目标巡检区域(即飞行目的地)、以及对应的设备巡检顺序进行确定,并返回到步骤S206-步骤S212继续迭代执行,当各无人机均完成对所有待检设备的检测时,即可退出巡检流程。另外,当需要对监督到的结果进行汇总时,由计算机设备对各架无人机的执行巡检任务的执行时间进行估算,进而预估出各架无人机的总体巡检任务量以及总体消耗的飞行时间。
当前实施例中,基于目标预测模型对各架无人机的执行巡检任务的执行时间进行估算,当需要对估算到的结果进行汇总时,由计算机设备对各架无人机的执行巡检任务的执行时间进行估算,进而预估出各架无人机的总体巡检任务量以及总体消耗的飞行时间,基于监督到汇总结果有利于辅助管理人员做出有效的决策,提高对巡检路线规划的效率。
上述多无人机的巡检路线规划方法中,当采用多架无人机进行规模化巡检时,该方法利用目标预测模型对预测数据集进行处理,得到各无人机依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳。其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。目标巡检区域为按照与相应无人机对应预设的巡检顺序,进一步确定的首个待检的巡检区域。进而可基于得到的多个预测时间戳,进行飞行驱动条件的确定,并基于该飞行驱动条件控制无人机是否进入巡检状态,进一步使得多架无人机可以集中的安排在同一个区域中接连出发,且同时并行的执行各自所对应的巡检任务,提高了并行执行任务的规划效率。
在一个实施例中,如图3所示,基于得到的多个预测时间戳,确定飞行驱动条件,包括以下步骤:
步骤S302,对得到的多个预测时间戳,按照时间先后顺序进行从前至后的排序。
其中,由于得到的多个预测时间戳具备时间上的先后顺序,因此,由计算机设备按照时间先后顺序,对得到的多个预测时间戳进行排序处理,进一步可以完成对上述的多个预测时间戳的时间排序。
步骤S304,确定排序名次在第一预设名次之后的第一预测时间戳,并确定排序名次在第二预设名次之前的第二预测时间戳;第二预设名次在第一预设名次之前。
其中,基于第一预设名次对无人机进入到相应的目标巡检区域的时间点进行确定,基于第二预设名次对无人机离开相应的目标巡检区域的时间点进行确定。当前步骤中,基于所得的第一预测时间戳和第一预测时间戳,可以进一步确定无人机从进入目标巡检区域到离开该区域,所需占用的预测时间戳区间。
步骤S306,通过悲观估计子模型以预设的第一修正幅度对第一预测时间戳进行扩大修正,得到对应的修正时间戳。
其中,悲观估计子模型是按照最不利的条件,对相应的巡检工作所需的持续时间进行预测,因此,基于悲观估计子模型修正后的时间戳,在时间上往往都是靠后的。
具体的,由计算机设备调用预先已经训练好的悲观估计子模型,通过该模型以预设的第一修正幅度对第一预测时间戳进行扩大修正,得到对应的修正时间戳。其中,扩大修正即为将预测得到的时间点往后推移。其中,预设的第一修正幅度可以基于用户的实际需求自行定义,本申请实施例对此不作限定。
在其中一个实施例中,由于不能完全保证前述计算得到的预测时间戳区间的准确度达到100%准确,但也需要使得该预测时间戳区间在历史统计中能达到极大的可信度。因此,对于第一预测时间戳的预测需要给出一个较为悲观的估计,即预测时间相对延后,以达到提供给上层逻辑做一个较为安全的决策的目的。其中,在对悲观估计子模型进行预训练的时候,利用海量且已知的飞行训练数据和现场的实际执行数据,举例来说,飞行训练数据可以为巡检任务、巡检区域等,现场的实际执行数据可以为无人机飞往到对应的目标巡检区域的实际时间点、现场的实时环境数据等。通过持续的对悲观估计子模型进行监督性学习,不断提高计算结果的置信度。
当前实施例中,通过悲观估计子模型对第一预测时间戳进行扩大修正,在使得预测时间相对延后的情况下,给上层逻辑提供了一个较为安全的决策方案,有利于完善计算结果的置信度,并进一步提高了无人机群的巡检效率。
步骤S308,通过乐观估计子模型以预设的第二修正幅度对第二预测时间戳进行缩小修正,得到对应的修正时间戳。
其中,由计算机设备调用训练好的乐观估计子模型,通过该模型以预设的第二修正幅度对第二预测时间戳进行缩小修正,得到对应的修正时间戳。其中,缩小修正即为将预测得到的时间点往前推移。其中,预设的第一、二修正幅度可以相同也可以不同,具体可以基于用户的实际需求自行定义,本申请实施例对此不作限定。
步骤S310,根据未经过修正的预测时间戳和经过修正后的修正时间戳,确定飞行驱动条件。
其中,当根据未经过修正的预测时间戳进行飞行驱动条件的确定时,具体可参考前述的步骤S205中阐述的内容。当为了提高计算结果的置信度时,则可以基于前述的步骤S302-步骤S308中阐述的内容,对未经过修正的预测时间戳进行修正,通过扩大预测时间戳区间的整体范围,得到相应的可信时间戳区间信息,以达到提供给上层逻辑做一个较为安全的决策的目的。
本实施例中,通过扩大预测时间戳区间的整体范围,能够为上层逻辑提供一个较为安全的决策方案,有利于完善计算结果的置信度。另外,也可以通过所得的可信时间戳区间信息,判断无人机执行任务时进入一个区域到离开该区域的最长估计时间段,在调度中确保该时间段不会有其他无人机进入该区域,以构造一个安全的多无人机飞行流程。
在一个实施例中,如图4所示,当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,包括以下步骤:
步骤S402,针对不满足飞行驱动条件的第一无人机,获取第一无人机从进入到离开目标巡检区域所需占用的第一目标预测时间戳区间。
其中,不满足飞行驱动条件的第一无人机即可以理解为:处于巡检状态的第一无人机将会巡检到可能会发生巡检路线冲突的巡检区域,针对不满足飞行驱动条件的第一无人机可以选择重新规划区域,或者,确定该第一无人机进入悬停等待状态,直到上述可能会发生冲突的巡检区域中不存在其他无人机时,则驱动第一无人机进入巡检状态。
步骤S404,确定与第一无人机存在巡检路线冲突的第二无人机,以及第二无人机对应的第二目标预测时间戳区间。
其中,基于第二无人机对应的第二目标预测时间戳区间,可以确定第二无人机何时可能会进入到发生冲突的巡检区域中,以及何时离开该区域。当前确定第二无人机已经完成该区域中的设备巡检之后,则可以驱动第一无人机进入巡检状态。
步骤S406,在进行巡检路线的重新规划时,驱动第一无人机进入悬停状态,并设置悬停等待时间,基于悬停等待时间对第一目标预测时间戳区间进行更新。
其中,悬停等待时间可以根据第一目标预测时间戳区间与第二目标预测时间戳区间之间交集,进行设定,从而进一步保证在第一无人机进入到目标巡检区域时,该区域中不存在其他处于巡检状态的无人机,避免同一时间段内两架不同的无人机之间由于相距过近,从而导致产生碰撞风险。
步骤S408,当更新后的第一目标预测时间戳区间与第二目标预测时间戳区间之间不存在交集时,则驱动第一无人机进入巡检状态。
其中,由计算机设备确定更新后的第一目标预测时间戳区间与第二目标预测时间戳区间之间是否存在交集,当仍然存在交集时,则当前仍然存在碰撞风险,此时,第一无人机仍然需要处于悬停等待状态,直到上述两个区间之间不存在交集时,再驱动第一无人机进行巡检状态。
本实施例中,基于得到的多个预测时间戳,确定第一无人机所对应的第一目标预测时间戳区间,并基于悬停等待时间对第一目标预测时间戳区间进行更新,基于更新后的第一目标预测时间戳区间与第二目标预测时间戳区间之间不存在交集,进行碰撞风险的预估,有效的提高了巡检路线规划效率。
请参考图5,其为多无人机的巡检路线规划整体流程示意图,基于该图可知,基于上述的巡检路线规划方法进行多无人机之间的巡检任务调度的时候,具体包括以下实施步骤:
首先,由计算机设备基于获取到的巡检任务进行路点拆分,得到相应的多个路点、以及路线所对应的路点信息。
其次,在各无人机分别从起始出发地点起飞之前,由计算机设备调用训练好的训练模型(即上述的目标预测模型),对各无人机预将抵达的相应巡检区域所对应的时间段置信分布进行预测。
其次,针对预测到的各无人机分别对应的时间段置信分布,判断如果马上起飞是否会和其他无人机发生同一时间段的巡检路线冲突,若是,则驱动满足上述条件的无人机进行悬停等待状态,并在等待一段时间之后,重新进行上述的训练路线冲突条件的判断。其中,针对未来同一时间段不会发生巡检路线冲突的无人机,则驱动该无人机进入巡检状态。
其次,针对进入巡检状态的无人机,当相应的无人机进入到新的路点(即巡检点)时,则由计算机设备记录该无人机从前一路点飞往到前述的新的路点,所需耗费的实际飞行时间。其中,由计算机设备判断在该实际飞行时间与预先计算所得的预测飞行时间不同时,则需要基于上述的实际飞行时间进行预测飞行时间的更新,并基于更新后的预测飞行时间对前述调用的训练模型进行重新训练,从而进一步保证训练模型的预测精度。
最后,在相应的无人机预将飞往到最后一个路点时,当提取预测出如果马上起飞会和其他无人机发生同一时间段的巡检路线冲突,则驱动该无人机进入悬停状态,并作出异常响应;或者对该无人机进行紧急降落处理。其中,一方面对于完成对所有待检设备的检测的第一无人机,则可以结束该第一无人机的巡检流程;另一方面,对于还未完成对所有待检设备的检测的第二无人机,则继续驱动该第二无人机进行巡检状态,并继续进行巡检任务的执行。
基于上述实施步骤可知,在利用多架无人机进行对应目标巡检区域的自动巡检过程中,能够基于目标预测模型对各无人机收到巡检任务后,从当前时间开始起飞直至返航降落所需消耗的飞行时间进行提取预测,以及到达巡检任务中的某几个关键巡检点时的预测时间。通过上述的预测结果,得以对多架无人机后续批次的巡检任务进行合理地,并进一步保证同一时间段内的两架不同无人机之间不会由于相距过近,进而规避了碰撞风险。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种多无人机的巡检路线规划装置600,包括:第一识别模块601、第二识别模块602、预测模块603、驱动模块604、巡检路线规划模块605和第三识别模块606,其中:
第一识别模块601,用于基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备。
第二识别模块602,用于针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及目标巡检区域内的待检设备所对应的设备巡检顺序。
预测模块603,用于获取与目标巡检区域对应的预测数据集,并将预测数据集输入到目标预测模型中,由目标预测模型对预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。
驱动模块604,用于基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足飞行驱动条件时,则驱动无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照设备巡检顺序,依次对设于相应待检点处的待检设备进行检测。
巡检路线规划模块605,用于当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,直到无人机满足飞行驱动条件,则驱动无人机进入巡检状态。
第三识别模块605,用于针对满足飞行驱动条件的无人机,在无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到获取与目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
在一个实施例中,驱动模块604,还用于基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间;根据预测时间戳区间、以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:在同一个巡检区域内同一时间只允许一架无人机执行对应的巡检任务。
在一个实施例中,驱动模块604,还用于基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间,以及各无人机在相应的目标巡检区域中,分别所处的飞行高度;根据预测时间戳区间、飞行高度以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:相邻巡检区域内同一时间只允许处于不同飞行高度的无人机进行巡检任务的执行。
在一个实施例中,驱动模块604,还用于对得到的多个预测时间戳,按照时间先后顺序进行从前至后的排序;确定排序名次在第一预设名次之后的第一预测时间戳,并确定排序名次在第二预设名次之前的第二预测时间戳;第二预设名次在第一预设名次之前;通过悲观估计子模型以预设的第一修正幅度对第一预测时间戳进行扩大修正,得到对应的修正时间戳;通过乐观估计子模型以预设的第二修正幅度对第二预测时间戳进行缩小修正,得到对应的修正时间戳;根据未经过修正的预测时间戳和经过修正后的修正时间戳,确定飞行驱动条件。
在一个实施例中,驱动模块604,还用于驱动无人机进入巡检状态,以飞往到目标巡检区域中,基于无人机上均设有的摄像头,并按照设备巡检顺序,依次对设于相应待检点处的待检设备进行巡检拍摄。
在一个实施例中,巡检路线规划模块605,还用于针对不满足飞行驱动条件的第一无人机,获取第一无人机从进入到离开目标巡检区域所需占用的第一目标预测时间戳区间;确定与第一无人机存在巡检路线冲突的第二无人机,以及第二无人机对应的第二目标预测时间戳区间;在进行巡检路线的重新规划时,驱动第一无人机进入悬停状态,并设置悬停等待时间,基于悬停等待时间对第一目标预测时间戳区间进行更新;当更新后的第一目标预测时间戳区间与第二目标预测时间戳区间之间不存在交集时,则驱动第一无人机进入巡检状态。
在一个实施例中,该巡检路线规划装置600还包括更新模块,其中:
更新模块,用于当任一无人机依次抵达第一巡检区域内相应巡检点处的预测时间戳与实际时间戳存在差异时,则基于实际时间戳、无人机当前的剩余电量、无人机的故障状态以及获取到的实时环境数据,对预测数据集进行更新;基于更新后的预测数据集对目标预测模型进行重新训练,直到重新计算得到的预测时间戳与实际时间戳不存在差异时停止,得到更新的目标预测模型。
上述多无人机的巡检路线规划装置,当采用多架无人机进行规模化巡检时,该装置利用目标预测模型对预测数据集进行处理,得到各无人机依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳。其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。目标巡检区域为按照与相应无人机对应预设的巡检顺序,进一步确定的首个待检的巡检区域。进而可基于得到的多个预测时间戳,进行飞行驱动条件的确定,并基于该飞行驱动条件控制无人机是否进入巡检状态,进一步使得多架无人机可以集中的安排在同一个区域中接连出发,且同时并行的执行各自所对应的巡检任务,提高了并行执行任务的规划效率。
关于多无人机的巡检路线规划装置的具体限定可以参见上文中对于多无人机的巡检路线规划方法的限定,在此不再赘述。上述多无人机的巡检路线规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端或服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种多无人机的巡检路线规划方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及目标巡检区域内的待检设备所对应的设备巡检顺序;获取与目标巡检区域对应的预测数据集,并将预测数据集输入到目标预测模型中,由目标预测模型对预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足飞行驱动条件时,则驱动无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,直到无人机满足飞行驱动条件,则驱动无人机进入巡检状态;针对满足飞行驱动条件的无人机,在无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到获取与目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间;根据预测时间戳区间、以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:在同一个巡检区域内同一时间只允许一架无人机执行对应的巡检任务。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间,以及各无人机在相应的目标巡检区域中,分别所处的飞行高度;根据预测时间戳区间、飞行高度以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:相邻巡检区域内同一时间只允许处于不同飞行高度的无人机进行巡检任务的执行。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对得到的多个预测时间戳,按照时间先后顺序进行从前至后的排序;确定排序名次在第一预设名次之后的第一预测时间戳,并确定排序名次在第二预设名次之前的第二预测时间戳;第二预设名次在第一预设名次之前;通过悲观估计子模型以预设的第一修正幅度对第一预测时间戳进行扩大修正,得到对应的修正时间戳;通过乐观估计子模型以预设的第二修正幅度对第二预测时间戳进行缩小修正,得到对应的修正时间戳;根据未经过修正的预测时间戳和经过修正后的修正时间戳,确定飞行驱动条件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:驱动无人机进入巡检状态,以飞往到目标巡检区域中,基于无人机上均设有的摄像头,并按照设备巡检顺序,依次对设于相应待检点处的待检设备进行巡检拍摄。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:针对不满足飞行驱动条件的第一无人机,获取第一无人机从进入到离开目标巡检区域所需占用的第一目标预测时间戳区间;确定与第一无人机存在巡检路线冲突的第二无人机,以及第二无人机对应的第二目标预测时间戳区间;在进行巡检路线的重新规划时,驱动第一无人机进入悬停状态,并设置悬停等待时间,基于悬停等待时间对第一目标预测时间戳区间进行更新;当更新后的第一目标预测时间戳区间与第二目标预测时间戳区间之间不存在交集时,则驱动第一无人机进入巡检状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当任一无人机依次抵达第一巡检区域内相应巡检点处的预测时间戳与实际时间戳存在差异时,则基于实际时间戳、无人机当前的剩余电量、无人机的故障状态以及获取到的实时环境数据,对预测数据集进行更新;基于更新后的预测数据集对目标预测模型进行重新训练,直到重新计算得到的预测时间戳与实际时间戳不存在差异时停止,得到更新的目标预测模型。
当采用多架无人机进行规模化巡检时,上述计算机设备利用目标预测模型对预测数据集进行处理,得到各无人机依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳。其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。目标巡检区域为按照与相应无人机对应预设的巡检顺序,进一步确定的首个待检的巡检区域。进而可基于得到的多个预测时间戳,进行飞行驱动条件的确定,并基于该飞行驱动条件控制无人机是否进入巡检状态,进一步使得多架无人机可以集中的安排在同一个区域中接连出发,且同时并行的执行各自所对应的巡检任务,提高了并行执行任务的规划效率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及目标巡检区域内的待检设备所对应的设备巡检顺序;获取与目标巡检区域对应的预测数据集,并将预测数据集输入到目标预测模型中,由目标预测模型对预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足飞行驱动条件时,则驱动无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;当相应的无人机不满足飞行驱动条件时,则进行巡检路线的重新规划,直到无人机满足飞行驱动条件,则驱动无人机进入巡检状态;针对满足飞行驱动条件的无人机,在无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到获取与目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间;根据预测时间戳区间、以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:在同一个巡检区域内同一时间只允许一架无人机执行对应的巡检任务。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于得到的多个预测时间戳,分别确定各无人机从进入到离开目标巡检区域所需占用的预测时间戳区间,以及各无人机在相应的目标巡检区域中,分别所处的飞行高度;根据预测时间戳区间、飞行高度以及多个巡检区域,确定对应的飞行驱动条件;飞行驱动条件包括:相邻巡检区域内同一时间只允许处于不同飞行高度的无人机进行巡检任务的执行。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对得到的多个预测时间戳,按照时间先后顺序进行从前至后的排序;确定排序名次在第一预设名次之后的第一预测时间戳,并确定排序名次在第二预设名次之前的第二预测时间戳;第二预设名次在第一预设名次之前;通过悲观估计子模型以预设的第一修正幅度对第一预测时间戳进行扩大修正,得到对应的修正时间戳;通过乐观估计子模型以预设的第二修正幅度对第二预测时间戳进行缩小修正,得到对应的修正时间戳;根据未经过修正的预测时间戳和经过修正后的修正时间戳,确定飞行驱动条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:驱动无人机进入巡检状态,以飞往到目标巡检区域中,基于无人机上均设有的摄像头,并按照设备巡检顺序,依次对设于相应待检点处的待检设备进行巡检拍摄。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:针对不满足飞行驱动条件的第一无人机,获取第一无人机从进入到离开目标巡检区域所需占用的第一目标预测时间戳区间;确定与第一无人机存在巡检路线冲突的第二无人机,以及第二无人机对应的第二目标预测时间戳区间;在进行巡检路线的重新规划时,驱动第一无人机进入悬停状态,并设置悬停等待时间,基于悬停等待时间对第一目标预测时间戳区间进行更新;当更新后的第一目标预测时间戳区间与第二目标预测时间戳区间之间不存在交集时,则驱动第一无人机进入巡检状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当任一无人机依次抵达第一巡检区域内相应巡检点处的预测时间戳与实际时间戳存在差异时,则基于实际时间戳、无人机当前的剩余电量、无人机的故障状态以及获取到的实时环境数据,对预测数据集进行更新;基于更新后的预测数据集对目标预测模型进行重新训练,直到重新计算得到的预测时间戳与实际时间戳不存在差异时停止,得到更新的目标预测模型。
当采用多架无人机进行规模化巡检时,上述存储介质利用目标预测模型对预测数据集进行处理,得到各无人机依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳。其中,预测数据集包括目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数。目标巡检区域为按照与相应无人机对应预设的巡检顺序,进一步确定的首个待检的巡检区域。进而可基于得到的多个预测时间戳,进行飞行驱动条件的确定,并基于该飞行驱动条件控制无人机是否进入巡检状态,进一步使得多架无人机可以集中的安排在同一个区域中接连出发,且同时并行的执行各自所对应的巡检任务,提高了并行执行任务的规划效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种多无人机的巡检路线规划方法,其特征在于,所述方法包括:
基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;
针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及所述目标巡检区域内的待检设备所对应的设备巡检顺序;
获取与所述目标巡检区域对应的预测数据集,并将所述预测数据集输入到目标预测模型中,由所述目标预测模型对所述预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,所述预测数据集包括所述目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;
基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足所述飞行驱动条件时,则驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;
当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,直到所述无人机满足所述飞行驱动条件,则驱动所述无人机进入巡检状态;
针对满足所述飞行驱动条件的无人机,在所述无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到所述获取与所述目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
2.根据权利要求1所述的方法,其特征在于,所述基于得到的多个预测时间戳,确定飞行驱动条件,包括:
基于得到的多个预测时间戳,分别确定各无人机从进入到离开所述目标巡检区域所需占用的预测时间戳区间;
根据所述预测时间戳区间、以及所述多个巡检区域,确定对应的飞行驱动条件;所述飞行驱动条件包括:在同一个巡检区域内同一时间只允许一架无人机执行对应的巡检任务。
3.根据权利要求1所述的方法,其特征在于,所述基于得到的多个预测时间戳,确定飞行驱动条件,包括:
基于得到的多个预测时间戳,分别确定各无人机从进入到离开所述目标巡检区域所需占用的预测时间戳区间,以及各无人机在相应的目标巡检区域中,分别所处的飞行高度;
根据所述预测时间戳区间、所述飞行高度以及所述多个巡检区域,确定对应的飞行驱动条件;所述飞行驱动条件包括:相邻巡检区域内同一时间只允许处于不同飞行高度的无人机进行巡检任务的执行。
4.根据权利要求1所述的方法,其特征在于,所述基于得到的多个预测时间戳,确定飞行驱动条件,包括:
对得到的多个预测时间戳,按照时间先后顺序进行从前至后的排序;
确定排序名次在第一预设名次之后的第一预测时间戳,并确定排序名次在第二预设名次之前的第二预测时间戳;所述第二预设名次在所述第一预设名次之前;
通过悲观估计子模型以预设的第一修正幅度对所述第一预测时间戳进行扩大修正,得到对应的修正时间戳;
通过乐观估计子模型以预设的第二修正幅度对所述第二预测时间戳进行缩小修正,得到对应的修正时间戳;
根据未经过修正的预测时间戳和经过修正后的修正时间戳,确定飞行驱动条件。
5.根据权利要求1所述的方法,其特征在于,所述驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测,包括:
驱动所述无人机进入巡检状态,以飞往到所述目标巡检区域中,基于所述无人机上均设有的摄像头,并按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行巡检拍摄。
6.根据权利要求2所述的方法,其特征在于,所述当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,包括:
针对不满足所述飞行驱动条件的第一无人机,获取所述第一无人机从进入到离开所述目标巡检区域所需占用的第一目标预测时间戳区间;
确定与所述第一无人机存在巡检路线冲突的第二无人机,以及所述第二无人机对应的第二目标预测时间戳区间;
在进行巡检路线的重新规划时,驱动所述第一无人机进入悬停状态,并设置悬停等待时间,基于所述悬停等待时间对所述第一目标预测时间戳区间进行更新;
当更新后的第一目标预测时间戳区间与所述第二目标预测时间戳区间之间不存在交集时,则驱动所述第一无人机进入巡检状态。
7.根据权利要求1-6任一所述的方法,其特征在于,所述方法还包括:
当任一无人机依次抵达所述第一巡检区域内相应巡检点处的预测时间戳与实际时间戳存在差异时,则基于所述实际时间戳、所述无人机当前的剩余电量、所述无人机的故障状态以及获取到的实时环境数据,对所述预测数据集进行更新;
基于更新后的预测数据集对所述目标预测模型进行重新训练,直到重新计算得到的预测时间戳与实际时间戳不存在差异时停止,得到更新的目标预测模型。
8.一种多无人机的巡检路线规划装置,其特征在于,所述装置包括:
第一识别模块,用于基于预设的巡检任务,确定相应的多个巡检区域;其中,各巡检区域中均设有多个巡检点,且,各巡检点处均设有相应的待检设备;
第二识别模块,用于针对每个无人机,按照与相应无人机对应预设的巡检顺序,确定首个待检的目标巡检区域,以及所述目标巡检区域内的待检设备所对应的设备巡检顺序;
预测模块,用于获取与所述目标巡检区域对应的预测数据集,并将所述预测数据集输入到目标预测模型中,由所述目标预测模型对所述预测数据集进行处理,得到每个无人机分别按照各自所对应的设备巡检顺序,依次抵达相对应的目标巡检区域内的相应巡检点处的预测时间戳;其中,所述预测数据集包括所述目标巡检区域中各相邻巡检点之间的间隔距离,以及各无人机的飞行角度调整参数;
驱动模块,用于基于得到的多个预测时间戳,确定飞行驱动条件,并当相应的无人机满足所述飞行驱动条件时,则驱动所述无人机进入巡检状态,以飞往到对应的目标巡检区域中,按照所述设备巡检顺序,依次对设于相应待检点处的待检设备进行检测;
巡检路线规划模块,用于当相应的无人机不满足所述飞行驱动条件时,则进行巡检路线的重新规划,直到所述无人机满足所述飞行驱动条件,则驱动所述无人机进入巡检状态;
第三识别模块,用于针对满足所述飞行驱动条件的无人机,在所述无人机完成对应目标巡检区域内的最后一个待检设备的检测后,则对下一个待检的目标巡检区域、以及对应的设备巡检顺序进行确定,并返回到所述获取与所述目标巡检区域对应的预测数据集的步骤继续执行,直到各无人机均完成对所有待检设备的检测时,则结束巡检流程。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501217.2A CN112783195B (zh) | 2020-12-18 | 2020-12-18 | 多无人机的巡检路线规划方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501217.2A CN112783195B (zh) | 2020-12-18 | 2020-12-18 | 多无人机的巡检路线规划方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112783195A true CN112783195A (zh) | 2021-05-11 |
CN112783195B CN112783195B (zh) | 2023-09-19 |
Family
ID=75751107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011501217.2A Active CN112783195B (zh) | 2020-12-18 | 2020-12-18 | 多无人机的巡检路线规划方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112783195B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359854A (zh) * | 2021-07-12 | 2021-09-07 | 于伟龙 | 一种多无人机协同作业调度方法、系统及存储介质 |
CN113867392A (zh) * | 2021-10-13 | 2021-12-31 | 上海翼枭航空科技有限公司 | 一种无人机智能巡检方法、系统、设备及存储介质 |
CN114770538A (zh) * | 2022-04-24 | 2022-07-22 | 国网上海市电力公司 | 一种机器人自动巡检方法 |
CN116909318A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于高精度三维点云的无人机自主巡检航线规划系统 |
TWI824439B (zh) * | 2022-03-14 | 2023-12-01 | 長榮大學 | 無人機自主飛行控制系統 |
CN118068853A (zh) * | 2024-04-24 | 2024-05-24 | 辽宁高比科技有限公司 | 一种室内变电站gis室无人机自主飞行巡检方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018074757A (ja) * | 2016-10-28 | 2018-05-10 | 株式会社東芝 | 巡視点検システム、情報処理装置、巡視点検制御プログラム |
CN109508038A (zh) * | 2018-12-29 | 2019-03-22 | 深圳市多翼创新科技有限公司 | 一种多机多甲板协调方法 |
CN110011223A (zh) * | 2019-05-07 | 2019-07-12 | 江苏方天电力技术有限公司 | 适于区域输电线路的多无人机协作巡检方法和系统 |
CN110834729A (zh) * | 2019-11-06 | 2020-02-25 | 北京农业智能装备技术研究中心 | 一种基于光谱探测的无人机及喷洒控制方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
WO2020215753A1 (zh) * | 2019-04-24 | 2020-10-29 | 广州煜煊信息科技有限公司 | 一种用于电力系统的无人机巡检方法及系统 |
-
2020
- 2020-12-18 CN CN202011501217.2A patent/CN112783195B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018074757A (ja) * | 2016-10-28 | 2018-05-10 | 株式会社東芝 | 巡視点検システム、情報処理装置、巡視点検制御プログラム |
CN109508038A (zh) * | 2018-12-29 | 2019-03-22 | 深圳市多翼创新科技有限公司 | 一种多机多甲板协调方法 |
WO2020215753A1 (zh) * | 2019-04-24 | 2020-10-29 | 广州煜煊信息科技有限公司 | 一种用于电力系统的无人机巡检方法及系统 |
CN110011223A (zh) * | 2019-05-07 | 2019-07-12 | 江苏方天电力技术有限公司 | 适于区域输电线路的多无人机协作巡检方法和系统 |
CN110834729A (zh) * | 2019-11-06 | 2020-02-25 | 北京农业智能装备技术研究中心 | 一种基于光谱探测的无人机及喷洒控制方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359854A (zh) * | 2021-07-12 | 2021-09-07 | 于伟龙 | 一种多无人机协同作业调度方法、系统及存储介质 |
CN113867392A (zh) * | 2021-10-13 | 2021-12-31 | 上海翼枭航空科技有限公司 | 一种无人机智能巡检方法、系统、设备及存储介质 |
TWI824439B (zh) * | 2022-03-14 | 2023-12-01 | 長榮大學 | 無人機自主飛行控制系統 |
CN114770538A (zh) * | 2022-04-24 | 2022-07-22 | 国网上海市电力公司 | 一种机器人自动巡检方法 |
CN114770538B (zh) * | 2022-04-24 | 2023-12-19 | 国网上海市电力公司 | 一种机器人自动巡检方法 |
CN116909318A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于高精度三维点云的无人机自主巡检航线规划系统 |
CN116909318B (zh) * | 2023-09-14 | 2023-11-24 | 众芯汉创(江苏)科技有限公司 | 一种基于高精度三维点云的无人机自主巡检航线规划系统 |
CN118068853A (zh) * | 2024-04-24 | 2024-05-24 | 辽宁高比科技有限公司 | 一种室内变电站gis室无人机自主飞行巡检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112783195B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783195A (zh) | 多无人机的巡检路线规划方法、装置和计算机设备 | |
JP6931504B2 (ja) | 飛行体の飛行管理システム | |
EP2851760A1 (en) | Multi-robot system | |
US10048686B2 (en) | Methods and apparatus to autonomously navigate a vehicle by selecting sensors from which to obtain measurements for navigation | |
US11024183B2 (en) | Air traffic control support system, air traffic control support method, and recording medium | |
US11209816B2 (en) | Autonomous long range aerial vehicles and fleet management system | |
Khochare et al. | Heuristic algorithms for co-scheduling of edge analytics and routes for UAV fleet missions | |
CN110517538A (zh) | 飞行器主动发现与协同防碰撞方法与系统 | |
JP2022523231A (ja) | ドローンクラスタシステム、離陸制御方法、装置、システム及び読取可能な媒体 | |
CN102163061A (zh) | 在航空器上的机载飞行策略评价系统 | |
CN114740846A (zh) | 面向拓扑-栅格-度量混合地图的分层路径规划方法 | |
CN111483345A (zh) | 无人机的充电控制方法、装置及存储介质、电子设备 | |
Humann et al. | Modeling and simulation of multi-UAV, multi-operator surveillance systems | |
CN111626519A (zh) | 一种航班到达时间预测方法、装置和电子设备 | |
JPWO2020153171A1 (ja) | 情報処理装置 | |
JP7186280B2 (ja) | 情報処理装置及びプログラム | |
US20160350072A1 (en) | Solving a combinatorial problem using a quality metric value of a characteristic solution thereof | |
CN117201565B (zh) | 一种基于5g传输的网联无人机管理云平台 | |
KR20160036310A (ko) | 궤적 패턴을 이용한 항공기 도착시간 예측 장치 및 방법 | |
US20220366801A1 (en) | Information processing device, information processing method, and program | |
Ortiz et al. | Multi-UAV velocity and trajectory scheduling strategies for target classification by a single human operator | |
Khochare et al. | Improved algorithms for co-scheduling of edge analytics and routes for UAV fleet missions | |
JP2022113553A (ja) | 飛行制御装置及び飛行制御方法 | |
Chandarana et al. | Determining effective swarm sizes for multi-job type missions | |
CN113468724A (zh) | 一种机场飞机降落引导的数字孪生系统仿真方法及装置 |
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 |