CN113778137A - 输电线路的无人机自主巡检方法 - Google Patents

Abstract

本发明提供了一种输电线路的无人机自主巡检方法，当所述无人机进行自主巡检时，所述无人机搭载的激光雷达及定位模块实时采集数据，基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据。并基于所述三维实时点云数据识别出预定目标物，并生成自动电力线跟随方案，以控制所述无人机跟随电力线飞行。本发明基于实时点云环境感知技术，实现无人机自主仿线飞行，操作方便、安全，解决了对于弧垂大、档距长的电力线信息采集难度大、危险性高的问题，且具备实时自主避障、自主检测功能，解决了现有无人机巡线无法做到长距离的自主飞行巡检的问题。

Description

输电线路的无人机自主巡检方法

技术领域

本发明涉及电力线路维护技术领域，尤其涉及一种输电线路的无人机自主巡检方法。

背景技术

输电线路由于长期暴露在自然环境中，不仅要承受正常机械载荷和电力负荷的内部压力，还要经受污秽、雷击、强风、滑坡、沉陷及鸟害等外界侵害，容易产生杆塔、金具、绝缘子、线路走廊、导地线、引流线及附属设施等七大类缺陷。因此输电线路的巡检是有效保证输电线路及其设备安全的一项基础工作，有利于及时发现设备缺陷及隐患，预防事故发生，保证线路安全和电力系统稳定。无人机巡检作为一种新的巡检方式，比人工巡线效率高出40倍以上，可降低劳动强度，提高电力维护和检修效率，但目前无人机巡检仍旧存在以下问题：

1、难以进行自主化导线识别：

由于输电线路的背景跨山越河、地形复杂，而输电线路本身属于线状目标且反光不明显，难以实现无人机巡检过程中的自主化导线识别；

2、基于航线规划的人机导线跟随易丢失跟踪目标：

基于杆塔坐标的二维航线规划，采用固定航高或基于杆塔坐标的可变航高巡视方式，无法实现仿线飞行，不能消除导线弧垂对拍照精度的影响，对于对较大弧垂变化的线路，极易丢失跟踪目标；基于静态激光点云的三维航线规划，未考虑环境条件变化引起的导线弧垂变化对巡视效果的影响；

3、自动化程度低且难以做到长距离巡视：

手动操作无人机进行档中巡视，一方面，巡视质量和安全受制于操控手操作水平，作业效率较低，且高水平的操控手需要长时间的培训；另一方面，受遥控器和图传信号有效距离的限制，无法做到长距离的无人机档中巡检。

发明内容

本发明的目的在于提供一种输电线路的无人机自主巡检方法，能够基于实时点云环境感知技术，实现无人机自主仿线飞行，操作方便、安全。

为了达到上述目的，本发明提供了一种输电线路的无人机自主巡检方法，所述无人机上搭载有激光雷达及定位模块，包括：

所述无人机进行自主巡检时，所述激光雷达及所述定位模块实时采集数据；

基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据；

基于所述三维实时点云数据识别出预定目标物，并生成自动电力线跟随方案，以控制所述无人机跟随电力线飞行。

可选的，所述定位模块包括GNSS及惯导IMU，所述无人机进行自主巡检时，所述惯导IMU实时获取所述无人机的位姿信息，所述GNSS实时获取所述无人机的位置信息；基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据的步骤包括：

基于所述GNSS获取的位置信息校正所述惯导IMU获取的位姿信息；

基于所述激光雷达采集的数据及校正后的所述位姿信息生成所述三维实时点云数据。

可选的，所述预定目标物为障碍物，所述障碍物包括电力线、塔杆及树障中的一种或多种。

可选的，所述自动电力线跟随方案包括：

基于所述三维实时点云数据实时提取所述电力线的点云数据；

基于所述电力线的点云数据实时计算所述无人机与所述电力线之间的相对位置信息；

基于所述无人机与所述电力线之间的相对位置信息及预定距离期望值实时调整所述无人机的位姿和飞行速度。

可选的，基于所述无人机与所述电力线之间的相对位置信息及预定距离期望值应用PID控制算法对所述无人机的位姿和飞行速度进行闭环控制。

可选的，所述无人机以大于10Hz的频率飞行。

可选的，调整所述无人机的位姿时，还基于所述电力线的点云数据实时计算杆塔的水平方向与电力线的夹角，并将所述夹角设置为所述无人机的转向角，当所述无人机到达所述杆塔上的预设区域时，基于所述夹角调整所述无人机飞行方向。

可选的，还包括：

基于所述三维实时点云数据实时提取所述电力线、树障及无人机的点云数据；

基于所述电力线、树障及无人机的点云数据计算所述树障与所述电力线之间的距离；

所述无人机拍摄所述树障的照片，并将所述照片及计算到的距离信息发送至地面控制中心。

可选的，所述无人机上还搭载遥感模块，所述地面控制中心基于所述遥感模块采集的数据及所述树障的点云数据进行树木分类，并通过预定的树种生长模型对树木的长势进行估算，并进行树木生长预警。

可选的，进行树障预测的步骤包括：

获取所述输电线路的走廊区域内及周围的树种类型，并获取不同树种的样本数据，所述样本数据用于表征对应的树种在各龄阶的胸径和树高；

建立表征不同树种的树种生长模型，并将对应的样本数据输入所述树种生长模型中进行训练，得到训练完成的树种生长模型；

基于所述遥感模块采集的数据及所述树障的点云数据进行树木分类，并基于分类完成的点云数据得到当前树木的胸径和树高；

基于当前树木的胸径和树高及对应的树种生长模型预测出当前树木的生长时间；

基于当前树木的生长时间及所述树种生长模型判定当前树木在预定时间内的生长是否处于安全区域内。

在本发明提供的输电线路的无人机自主巡检方法中，当所述无人机进行自主巡检时，所述无人机搭载的激光雷达及定位模块实时采集数据，基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据。并基于所述三维实时点云数据识别出预定目标物，并生成自动电力线跟随方案，以控制所述无人机跟随电力线飞行。本发明基于实时点云环境感知技术，实现无人机自主仿线飞行，操作方便、安全，解决了对于弧垂大、档距长的电力线信息采集难度大、危险性高的问题，且具备实时自主避障、自主检测功能，解决了现有无人机巡线无法做到长距离的自主飞行巡检的问题。

附图说明

图1为本发明实施例提供的输电线路的无人机自主巡检方法的流程图。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

图1为本发明实施例提供的输电线路的无人机自主巡检方法的流程图。如图1所示，本实施例提供了一种输电线路的无人机自主巡检方法，所述无人机上搭载有激光雷达及定位模块，包括：

步骤S100：所述无人机进行自主巡检时，所述激光雷达及所述定位模块实时采集数据；

步骤S200：基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据；

步骤S300：基于所述三维实时点云数据识别出预定目标物，并生成自动电力线跟随方案，以控制所述无人机跟随电力线飞行。

具体而言，所述激光雷达可固定于所述无人机的一侧，通过持续给目标物连续发送光脉冲，然后用传感器接收从目标物返回的光，通过探测光脉冲的飞行时间来得到与目标物的距离，可以实现在28m有效避障距离内，以每秒8000次的扫描频率实现360°全方位扫描，用于探测目标物相对所述无人机的距离并将数据传给所述无人机的控制系统。本实施例中，所述激光雷达选用脉冲式激光雷达，可以抵抗太阳光干扰。

所述定位模块包括GNSS及惯导IMU。所述GNSS可获取所述无人机的位置信息，且虽然所述GNSS获取所述位置信息的速度较慢，然而可以得到较为精确的位置信息。所述惯导IMU可包括三轴加速度计、三轴陀螺仪及三轴磁力计等惯性传感器，可以测量所述无人机的瞬时位姿信息，所述位姿信息是所述无人机的位置信息和姿态信息的组合。所述无人机的位置信息是指其在三维空间中的坐标，所述姿态信息是指所述无人机的即俯仰角、侧滚角和航偏角，例如，三轴加速度计可获取三轴加速度信号，而三轴陀螺仪可获取角速度信号，通过测量三维空间中的角速度和加速度，并以此捷联解算出所述无人机的姿态。

可选的，所述无人机上还可以搭载遥感模块、摄像机、交换机、无线通信模块、及微型计算机等，本实施例不再一一举例说明。

首先执行步骤S100，所述无人机按照预定的路径进行自主巡检时，所述惯导IMU可实时获取所述无人机的位姿信息，所述GNSS实时获取所述无人机的位置信息。然而，由于所述惯导IMU的误差会随时间累积，长时间使用惯性导航会导致解算得到的位姿信息的精度变差。

基于此，接下来执行步骤S200，基于所述GNSS获取的位置信息校正所述惯导IMU获取的位姿信息，最终得到校正后的所述位姿信息，由于对所述位姿信息进行了校正，相当于降低了位姿信息的误差，校正后的所述位姿信息精确度更高。

可以理解的是，基于所述GNSS获取的位置信息校正所述惯导IMU获取的位姿信息的方法可以是现有技术中的任一种，例如，先将所述惯导IMU获取的位姿信息进行预处理，再与时间统一的所述GNSS获取的位置信息进行组合处理，所述组合处理例如包括初始对准、捷联解算、卡尔曼滤波及数据反馈修正流程等，此处不再过多赘述。

当然，可通过所述GNSS获取的位置信息实时对所述惯导IMU获取的位姿信息进行偏差纠正，也可以可通过所述GNSS获取的位置信息定时对所述惯导IMU获取的位姿信息进行偏差纠正，本发明不作限制；同时，在无法接受卫星信号时，所述惯导IMU也能够保障定位信息在一定时间内的精准。

进一步地，结合所述激光雷达采集的数据（距离数据）及校正后的所述位姿信息可以获取所述输电线路的走廊区域的三维实时点云数据。

接下来，执行步骤S300，基于所述三维实时点云数据识别出预定目标物，所述预定目标物可以是障碍物，所述障碍物包括电力线、塔杆及树障中的一种或多种。识别出所述预定目标物之后，还可以将所述预定目标物的点云数据实时提取出来，便于后续的处理，这将在后续进行进一步阐述。

进一步地，基于识别出的所述预定目标物生成自动电力线跟随方案，生成所述自动电力线跟随方案的步骤为：基于所述三维实时点云数据实时提取所述电力线的点云数据，根据所述电力线的点云数据进行曲线拟合，从而可以拟合出所述电力线的轮廓；接着基于所述电力线的点云数据实时计算所述无人机与所述电力线之间的相对位置信息（两者之间的距离）；然后基于所述无人机与所述电力线之间的相对位置信息及预定距离期望值实时调整所述无人机的位姿和飞行速度，结合飞控算法控制所述无人机跟随电力线飞行（仿线飞行）。

进一步地，基于所述三维实时点云数据实时提取所述电力线的点云数据时，还可以提取出所述塔杆及所述树障的点云数据，从而可以得到塔杆区域及树障区域；然后基于所述塔杆及所述树障的点云数据实时计算所述无人机与所述塔杆及所述树障之间的相对位置信息（两者之间的距离）；然后基于所述无人机与所述电力线之间的相对位置信息、与所述塔杆之间的相对位置信息及与所述树障之间的相对位置信息及所述预定距离期望值实时调整所述无人机的位姿和飞行速度，避免所述无人机碰到所述塔杆和所述树障，使得所述无人机能够实时自主避障，解决了现有无人机巡线无法做到长距离的自主飞行巡检的问题。

本实施例中，基于所述无人机与所述电力线之间的相对位置信息、与所述塔杆之间的相对位置信息及与所述树障之间的相对位置信息及所述预定距离期望值应用PID控制算法对所述无人机的位姿和飞行速度进行闭环控制，从而提高调整进度。

作为可选实施例，所述无人机以大于10Hz的频率飞行，从而所述无人机始终跟随所述电力线飞行。

作为可选实施例，调整所述无人机的位姿时，可以基于所述电力线的点云数据实时计算杆塔的水平方向与电力线的夹角，并将所述夹角设置为所述无人机的转向角，当所述无人机到达所述杆塔上的预设区域时，基于所述夹角调整所述无人机飞行方向，如此一来，所述无人机即使到达所述杆塔上方，其飞行方向大致是正确的。

进一步地，当基于所述三维实时点云数据实时提取所述电力线、树障及无人机的点云数据之后，还基于所述电力线、树障及无人机的点云数据计算所述树障与所述电力线之间的距离；然后所述无人机拍摄所述树障的照片，并将所述照片及计算到的距离信息发送至地面控制中心，方便电力相关人员对树障进行判断处理，避免发生线路跳闸等危险，保障线路安全运行。

本实施例中，所述无人机上搭载遥感模块，所述地面控制中心基于所述遥感模块采集的数据及所述树障的点云数据进行树木分类，并通过预定的树种生长模型对树木的长势进行估算，并进行树木生长预警，从而防止树障影响所述输电线路的正常运行。

具体而言，首先可通过人工统计所述输电线路的走廊区域内及周围的树种类型，如桉树、榕树、松树及杨树等。优选的，在统计所述输电线路的走廊区域内及周围的树种类型，可以只统计高大的灌木树种，也即能够对所述输电线路造成威胁的树种，而矮小的树种则无需统计，可以不关注。

接下来，可以获取不同树种的样本数据，所述样本数据用于表征对应的树种在各龄阶的胸径和树高，例如桉树在一年、两年、三年…的胸径和树高。每个树种均需要有多个样本数据，样本数据越多，后续得到的树种生长模型就越准确。

进一步地，建立表征不同树种的树种生长模型，所述树种生长模型可以是哑变量模型或其他生长模型，本发明不作限制。然后将所述树种生长模型对应的样本数据输入所述树种生长模型中进行训练，通过损失函数调整所述树种生长模型的参数，从而得到训练完成的树种生长模型。

应理解，不同树种对应的树种生长模型可能是不相同的，因此，不同的树种应该建立不同的树种生长模型，并利用对应的样本数据去训练，得到不同的树种生长模型。

接下来，基于所述遥感模块采集的数据及所述树障的点云数据进行树木分类，如此，可以找到每个树木对应的树种，然后基于分类完成的点云数据得到当前树木的胸径和树高。基于当前树木的胸径和树高及该树木的树种对应的树种生长模型可预测出当前树木的生长时间。最后，基于当前树木的生长时间及所述树种生长模型判定当前树木在预定时间内（例如一年内）的生长是否处于安全区域内。

综上，在本发明实施例提供的输电线路的无人机自主巡检方法中，当所述无人机进行自主巡检时，所述无人机搭载的激光雷达及定位模块实时采集数据，基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据。并基于所述三维实时点云数据识别出预定目标物，并生成自动电力线跟随方案，以控制所述无人机跟随电力线飞行。本发明基于实时点云环境感知技术，实现无人机自主仿线飞行，操作方便、安全，解决了对于弧垂大、档距长的电力线信息采集难度大、危险性高的问题，且具备实时自主避障、自主检测功能，解决了现有无人机巡线无法做到长距离的自主飞行巡检的问题。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。

还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

此外还应该认识到，此处描述的术语仅仅用来描述特定实施例，而不是用来限制本发明的范围。必须注意的是，此处的以及所附权利要求中使用的单数形式“一个”和“一种”包括复数基准，除非上下文明确表示相反意思。例如，对“一个步骤”或“一个装置”的引述意味着对一个或 多个步骤或装置的引述，并且可能包括次级步骤以及次级装置。应该以最广义的含义来理解使用的所有连词。词语“或”应该被理解为具有逻辑“或”的定义，而不是逻辑“异或”的定义，除非上下文明确表示相反意思。此外，本发明实施例中的方法和/或设备的实现可包括手动、自动或组合地执行所选任务。

Claims (10)

1.一种输电线路的无人机自主巡检方法，所述无人机上搭载有激光雷达及定位模块，其特征在于，包括：

所述无人机进行自主巡检时，所述激光雷达及所述定位模块实时采集数据；

基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据；

基于所述三维实时点云数据识别出预定目标物，并生成自动电力线跟随方案，以控制所述无人机跟随电力线飞行。

2.如权利要求1所述的输电线路的无人机自主巡检方法，其特征在于，所述定位模块包括GNSS及惯导IMU，所述无人机进行自主巡检时，所述惯导IMU实时获取所述无人机的位姿信息，所述GNSS实时获取所述无人机的位置信息；基于所述激光雷达及所述定位模块采集的数据生成所述输电线路的走廊区域的三维实时点云数据的步骤包括：

基于所述GNSS获取的位置信息校正所述惯导IMU获取的位姿信息；

基于所述激光雷达采集的数据及校正后的所述位姿信息生成所述三维实时点云数据。

3.如权利要求1所述的输电线路的无人机自主巡检方法，其特征在于，所述预定目标物为障碍物，所述障碍物包括电力线、塔杆及树障中的一种或多种。

4.如权利要求1或3所述的输电线路的无人机自主巡检方法，其特征在于，所述自动电力线跟随方案包括：

基于所述三维实时点云数据实时提取所述电力线的点云数据；

基于所述电力线的点云数据实时计算所述无人机与所述电力线之间的相对位置信息；

基于所述无人机与所述电力线之间的相对位置信息及预定距离期望值实时调整所述无人机的位姿和飞行速度。

5.如权利要求4所述的输电线路的无人机自主巡检方法，其特征在于，基于所述无人机与所述电力线之间的相对位置信息及预定距离期望值应用PID控制算法对所述无人机的位姿和飞行速度进行闭环控制。

6.如权利要求4所述的输电线路的无人机自主巡检方法，其特征在于，所述无人机以大于10Hz的频率飞行。

7.如权利要求4所述的输电线路的无人机自主巡检方法，其特征在于，调整所述无人机的位姿时，还基于所述电力线的点云数据实时计算杆塔的水平方向与电力线的夹角，并将所述夹角设置为所述无人机的转向角，当所述无人机到达所述杆塔上的预设区域时，基于所述夹角调整所述无人机飞行方向。

8.如权利要求1或3所述的输电线路的无人机自主巡检方法，其特征在于，还包括：

基于所述三维实时点云数据实时提取所述电力线、树障及无人机的点云数据；

基于所述电力线、树障及无人机的点云数据计算所述树障与所述电力线之间的距离；

所述无人机拍摄所述树障的照片，并将所述照片及计算到的距离信息发送至地面控制中心。

9.如权利要求8所述的输电线路的无人机自主巡检方法，其特征在于，所述无人机上还搭载遥感模块，所述地面控制中心基于所述遥感模块采集的数据及所述树障的点云数据进行树木分类，并通过预定的树种生长模型对树木的长势进行估算，并进行树木生长预警。

10.如权利要求9所述的输电线路的无人机自主巡检方法，其特征在于，进行树障预测的步骤包括：

获取所述输电线路的走廊区域内及周围的树种类型，并获取不同树种的样本数据，所述样本数据用于表征对应的树种在各龄阶的胸径和树高；

建立表征不同树种的树种生长模型，并将对应的样本数据输入所述树种生长模型中进行训练，得到训练完成的树种生长模型；

基于所述遥感模块采集的数据及所述树障的点云数据进行树木分类，并基于分类完成的点云数据得到当前树木的胸径和树高；

基于当前树木的胸径和树高及对应的树种生长模型预测出当前树木的生长时间；

基于当前树木的生长时间及所述树种生长模型判定当前树木在预定时间内的生长是否处于安全区域内。

Images