CN113837590A - 一种地铁站域交通流量检测无人机协同调度优化方法 - Google Patents

一种地铁站域交通流量检测无人机协同调度优化方法 Download PDF

Info

Publication number
CN113837590A
CN113837590A CN202111097504.6A CN202111097504A CN113837590A CN 113837590 A CN113837590 A CN 113837590A CN 202111097504 A CN202111097504 A CN 202111097504A CN 113837590 A CN113837590 A CN 113837590A
Authority
CN
China
Prior art keywords
unmanned aerial
detection
aerial vehicle
node
observation
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
Application number
CN202111097504.6A
Other languages
English (en)
Other versions
CN113837590B (zh
Inventor
孙迪
高学英
刘胜利
周进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Transport Planning And Research Institute Ministry Of Transport
Beijing Union University
Original Assignee
Transport Planning And Research Institute Ministry Of Transport
Beijing Union University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Transport Planning And Research Institute Ministry Of Transport, Beijing Union University filed Critical Transport Planning And Research Institute Ministry Of Transport
Priority to CN202111097504.6A priority Critical patent/CN113837590B/zh
Publication of CN113837590A publication Critical patent/CN113837590A/zh
Application granted granted Critical
Publication of CN113837590B publication Critical patent/CN113837590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种地铁站域交通流量检测无人机协同调度优化方法，包括：建立检测节点范围界定原则；确定无人机检测范围；从人机协同检测作业实际情况出发，建立节点合并检测分析模块；针对无人机组总检测作业进行协同调度优化；根据以上步骤得到的原则、方法和模型，制定地铁站辐射区交通流量检测无人机协同调度优化方案。本发明提出了一种辐射区选取以及节点监测范围界定的处理方法，通过对无人机检测范围分析，提出了一种以降低多无人机协同检测作业的复杂性，节约检测成本，提高作业效率为目标的节点合并检测规则及流程，并提出一种无人机协同调度优化模型，根据模型的求解算法和流程，方便对为地铁站辐射区内无人机协同检测及调度提供最优方案。

Description

一种地铁站域交通流量检测无人机协同调度优化方法
技术领域
本发明涉及城市交通流量监测的技术领域，特别是一种地铁站域交通流量检测无人机协同调度优化方法。
背景技术
随着城市核心区地面交通拥堵日益严重，地铁作为公众出行方式的重要性越来越突出。地铁站点对其辐射区域内交通影越来越大。准确检测出地铁辐射区交通流状况，对交通管理部门交通管控措施制定和交通设施优化有重要价值。在传统交通流检测方法中，人工观测法简单易行、机动灵活，可获取丰富交通流量信息，但对于区域交通流量调查所需人力多，在车流、人流密集区域干扰多、视线易受遮挡。地面或路侧感应式仪器检测法，如电磁检测、红外检测方法主要适用于机动车交通流采集，对交通状况、使用条件有特殊要求，使用范围受限。路侧固定视频检测方法可获取交叉口或道路一定区域内交通流信息，但由于设置高度较低，检测范围小，交通流密集时易受遮挡。近年来，无人机视频检测技术日渐成熟。微小型无人机具有单机覆盖范围广，检测速度快、使用灵活的特点，通过合理布局调度，可实现地铁站辐射区内复杂交通流量快速、高效检测。
公开号为CN107424416A的发明专利申请公开了一种基于无人机的路段交通流量监测系统，包括无人机、航空摄影机、交通流量监测模块和监测中心，所述的航空摄影机、交通流量监测模块与监测中心通信连接；所述交通流量监测模块基于无线传感器网络进行交通流量监测数据的收发，交通流量监测模块包括一个移动汇聚节点和多个静态传感器节点，所述的航空摄影机以及移动汇聚节点设置于无人机上，静态传感器节点固定设置于设定的交通流量监测区域内；所述的监测中心用于对交通流量监测模块获取的交通流量监测数据、航空摄影机拍摄的路段图像进行分析和显示。该方法的缺点是在进行路段流量监测过程中，无人机需在每一轮的交通流量监测数据收集时从起始位置出发，按照设定路径进行数据采集。但该方案仅一台无人机进行检测，考虑到无人机作业续航能力以及检测区域限制等问题，该方案无法满足大范围巡航检测要求。且作业反应时间受限，当出现紧急事件时，无法及时响应，从而导致后续检测数据的时效性受限，影响数据应用效果。
发明内容
为了解决上述的技术问题，本发明提出的一种地铁站域交通流量检测无人机协同调度优化方法，通过区域选取模块以及检测范围分析模块，并结合无人机协同检测作业的复杂性、作业效率、检测成本等多项因素，制定了无人机地铁辐射区域选取以及检测节点范围界定原则；利用节点合并检测分析模块，针对无人机协同检测作业的复杂性、检测成本以及作业效率等因素，对的原始检测节点进行合并处理；最终通过无人机协同调度优化模块提出了无人机协同调度优化模型。
本发明的目的是提供一种地铁站域交通流量检测无人机协同调度优化方法，包括以下步骤：
步骤1：建立检测节点范围界定原则；
步骤2：确定无人机检测范围；
步骤3：从人机协同检测作业实际情况出发，建立节点合并检测分析模块；
步骤4：针对无人机组总检测作业进行协同调度优化；
步骤5：根据以上步骤得到的原则、方法和模型，制定地铁站辐射区交通流量检测无人机协同调度优化方案。
优选的是，所述检测节点范围界定原则包括设定地铁站为中心周边500-600米半径范围内小范围道路交通网为检测区域，对所述检测区域内交通出行热点的车辆、行人流量进行准确检测。
在上述任一方案中优选的是，需进行交通流量检测的节点可分为道路交叉口节点、地铁站入口节点和出行热点出入口节点。
在上述任一方案中优选的是，所述道路交叉口节点的检测范围为通常交叉口区域，包括人行横道、道路停车线后20米区域。
在上述任一方案中优选的是，所述地铁站入口节点考虑暴露在地面与道路网相连接的入口，设在建筑内部的入口视为该出行热点进出口，将地铁站出入口与临近道路垂直交点前后20m左右矩形范围视为该节点检测区。
在上述任一方案中优选的是，所述出行热点出入口节点与临近道路垂直交点前后30m-50m矩形范围视为该节点检测区域。
在上述任一方案中优选的是，所述无人机上的观测相机有特定最大观测视角α，所述观测相机在俯仰阈值范围内沿观测道路双向旋转角度观测，所述俯仰阈值范围为+20°～-60°，水平向前为0°，设α角平分线OP与观测点垂线段OQ夹角为θ，
(1)当无人机垂直作业时，即θ＝0，即∠QOP＝0时，观测点位于路段AB中点M的正上方，观测到路段长度lAB最短，记为lmin，lAB＝lmin＝h·tan(α/2)·2；随着θ的增大，l增加，其中，h为高度；
(2)当0<θ<α/2时，观测点偏离M正上方，但仍在路段AB上，
Figure BDA0003269408020000031
(3)当θ＝α/2时，观测点位于路段AB的某一端点(A或B)，此时对应的可观测路段lAB记为lT，lAB＝lT＝h·tan(α)；
(4)当α/2<θ<90°－α/2时，Q位于路段AB延长线上，
Figure BDA0003269408020000041
(5)当θ≥90°－α/2时，检测拍摄处于水平观测状态，lAB趋于∞，其适宜检测距离d有限，适宜观测距离最大值记为LE，即当观测点最远距离超过dE(OB＞LE)，无法有效观测路面车流及人流，对应的可观测路段长度lAB范围最大，记为lmax，对应的θ记为θmax；由于车辆间相互遮挡，若要对节点交通流取得良好的观测效果，对地观测角不能太小，设最佳观测角下限值为γmin(0<γmin<90°)，即要求∠OBA≥γmin且∠OAB≥γmin，
当γmin<90°－α时，对应的可观测路段长度lAB记为
Figure BDA0003269408020000042
则
Figure BDA0003269408020000043
当γmin＝90°－α时，
Figure BDA0003269408020000044
当γmin＞90°－α时，则
Figure BDA0003269408020000045
在上述任一方案中优选的是，所述节点合并检测分析模块包括相邻节点合并规则子模块、合并节点观测位置选取规则子模块和节点合并检测优化流程子模块。
在上述任一方案中优选的是，所述相邻节点合并规则子模块用于对单台无人机检测范围lAB覆盖范围内的多个节点进行合并，构成节点链进行组合检测。
在上述任一方案中优选的是，合并规则为：
(1)一台无人机至少可以满足1个节点检测需求，且一个检测节点检测范围仅由一台无人机单次检测覆盖，不能由多台无人机组合检测完成；
(2)合并检测节点在同一直线(或接近直线)路段上，二者间没有遮挡；
(3)若某一检测节点范围完全处于另外一个检测节点范围内，将两节点合并检测，并将范围较小的节点从路网中删除；
(4)当2个或多个处于同一直线路段上的相邻节点组成节点链组i-j，该节点链组检测范围li,j为链组两端节点间的距离，若
Figure BDA0003269408020000051
则以上2个或多个相邻节点构成同一个有效节点链组，即由一台无人机对以上多个节点进行合并检测；若
Figure BDA0003269408020000052
则该节点链组不能由一台无人机完成合并检测，需对该节点链组继续拆解。
在上述任一方案中优选的是，所述合并节点观测位置选取规则子模块的选取规则为：
(1)当li,j≤lmin时，无人机观测点位于合并后新的检测区域圆心(o＇)正上方选定高度h处，或根据实际需要设置在节点重要性更强的端点上方高度h处；
(2)当lmin<li,j<lT时，无人机观测点位于节点链两端节点i或j的上方选定高度h处，或根据实际需求设置于节点廉链组一端上方高度h处；
(3)当
Figure BDA0003269408020000053
时，无人机观测点位于节点链组某一端点外侧延长线上，距离最近端点
Figure BDA0003269408020000054
处Q点正上方选定高度h处；
(4)对于没有合并，单独检测的节点，无人机观测点位于该节点正上方高度h处。
在上述任一方案中优选的是，所述节点合并检测优化流程子模块的优化流程包括以下子步骤：
步骤31：确定待检测区域各节点范围(li)，并对每个节点进行编号，形成原始节点路网G0；
步骤32：按相邻节点合并规则模块中规则3)进行判断，在G0基础上形成新的节点路网G1；
步骤33：对G1中直线路段按从上到下、从左到右的顺序进行编号，将所有位于一条直线路段上的节点记入同一直线路段，获得的直线路段数量记为n1；
步骤34：以直线路段p(p∈n1)上所有检测节点为一个初始节点组，以
Figure BDA0003269408020000061
计算结果向上取整，则可确定路段p所使用的最小无人机数量np，依次对各直线路段进行判断和计算，
Figure BDA0003269408020000062
即为检测区域使用的无人机数量；
步骤35：以np为上限对各直线道路初始节点链组进行拆解，各初始节点组分别获得mp个节点链组方案；
步骤36：将各直线道路获取的mp个节点链组方案，按照合并节点观测位置选取规则模块确定np个无人机的观测位置，进而每条直线路段可获得mp个确定无人机观测点的节点链组合并检测方案组M′p。
在上述任一方案中优选的是，所述协同调度优化的原则为在各直线路段的m′p个确定无人机观测点的节点链组合并检测方案中选择一个最优方案，该方案满足飞赴区域中最远检测点i的时间在各备选方案中最短。
在上述任一方案中优选的是，所述步骤4包括建立数学模型用于进行协同调度优化。
在上述任一方案中优选的是，所述数学模型的假设条件包括：
1)考虑飞行避障及作业安全可控性，要求无人机沿道路飞行，且起降点与道路网直接相连；
2)所选无人机性能相同，按同一均匀速度飞行，飞行时间与飞行距离、飞行能耗为正比例关系；
3)任务最后一台无人机飞赴对应观测作业位置后，无人机组正式开始检测作业，当该无人机结束作业后，其他无人机同时结束检测作业，各无人机陆续飞回起降点。
在上述任一方案中优选的是，以M′p中各方案中无人机从起降点至最远观测点飞行时间Tip,kp最小为目标，建立无人机协同调度优化模型目标函数，表述如下：
f1＝minmax{Tip,kp}
当仅有一个备选方案的目标值f1为最小时，则该方案为最优方案；若有多个备选方案f1相同且为最小，则将这些备选方案均归入最优备选方案集M"p，M"p中备选方案数量记为m"p；
进一步对M"p中各方案无人机从起降点飞赴各节点观测位置时间(Tip,k’p)之和进行比较，由此建立模型第二目标函数，表述如下：
Figure BDA0003269408020000071
将满足第二目标值f2最小的备选方案视为直线路段p的无人机合并检测最佳方案。
在上述任一方案中优选的是，所述约束条件包括：
1)2Tip,kp<Tmax；
2)ip∈np；
3)kp∈m′p；
4)k′p∈m"p；
其中，Tmax为预设飞行时间，ip为在直线路段p上作业无人机编号，kp为直线路段p的确定无人机观测点的节点链组合并检测方案的编号，m′p为直线路段p的确定无人机观测点的节点链组合并检测方案数量，k′p为满足f1的入选M"p的确定无人机观测点的节点链组合并检测方案编号。
在上述任一方案中优选的是，所述步骤5包括以下子步骤：
步骤51：根据提出的区域选取原则，确定检测区域，并明确无人机起降点；
步骤52：根据提出的检测节点界定原则，确定路网检测节点，对节点进行编号，并确定各节点间距离，形成原始节点路网G0；
步骤53：设定无人机作业参数，包括确定无人机最大观测视角、作业高度、飞行速度、滞空时间；
步骤54：对初始路网G0按照相邻节点合并规则模块对节点进行合并，形成节点路网G1，并按直线段路段为初始节点链组对G1进行拆解，并对初始节点链组进行编号；
步骤55：依次对各初始节点链组按照节点合并检测优化流程模块中所述步骤34进行检测无人机数量标定，确定各直线路段p的监测无人机数量np；
步骤56：按照所述节点合并检测优化流程模块中所述步骤35和所述步骤36确定各直线路段p无人机节点合并所述检测方案组M′p；
步骤57：按照协同调度优化模型，依次确定各直线路段p无人机合并检测最佳方案，包括无人机观测点、无人机飞行路径及飞行时间；
步骤58：各直选路段p的最佳方案组合即为检测区域无人机组合调度优化方案，共需无人机数量
Figure BDA0003269408020000081
台。
本发明提出了一种地铁站域交通流量检测无人机协同调度优化方法，解决了地铁站辐射区交通流量检测无人机协同调度优化的相关技术方法问题，使用者可以通过量化检测节点、无人机检测范围以及无人机组总飞行时间对协同调度方案选择的影响，分析提出地铁站辐射区交通流量检测无人机协同调度优化方法，有效提高了地铁站辐射区交通流量检测的精度，使得地铁站辐射区内复杂交通流量分析更准确、高效。
附图说明
图1为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的一优选实施例的流程图。
图2为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的地铁站辐射区节点路网的一实施例的示意图。
图3为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的地铁出入口节点界定的一实施例的示意图。
图4为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的无人机观测区域的一实施例的示例示意图。
图5为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的无人机检测范围的一实施例的示意图。
图6为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的无人机检测范围的另一实施例的示意图。
图7为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的无人机检测范围的再一实施例的示意图。
图8为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的合并节点链组检测范围的一实施例的示意图。
图9为按照本发明的地铁站域交通流量检测无人机协同调度优化方法的另一优选实施例的流程图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，执行步骤110，建立检测节点范围界定原则。检测节点范围界定原则包括设定地铁站为中心周边500-600米半径范围内小范围道路交通网为检测区域，对所述检测区域内交通出行热点的车辆、行人流量进行准确检测。需进行交通流量检测的节点可分为道路交叉口节点、地铁站入口节点和出行热点出入口节点。道路交叉口节点的检测范围为通常交叉口区域，包括人行横道、道路停车线后20米区域。地铁站入口节点考虑暴露在地面与道路网相连接的入口，设在建筑内部的入口视为该出行热点进出口，将地铁站出入口与临近道路垂直交点前后20m左右矩形范围视为该节点检测区。出行热点出入口节点与临近道路垂直交点前后30m-50m矩形范围视为该节点检测区域。
执行步骤120，确定无人机检测范围。无人机上的观测相机有特定最大观测视角α，所述观测相机在俯仰阈值范围内沿观测道路双向旋转角度观测，所述俯仰阈值范围为+20°～-60°，水平向前为0°，设α角平分线OP与观测点垂线段OQ夹角为θ，
(1)当无人机垂直作业时，即θ＝0，即∠QOP＝0时，观测点位于路段AB中点M的正上方，观测到路段长度lAB最短，记为lmin，lAB＝lmin＝h·tan(α/2)·2；随着θ的增大，l增加，其中，h为高度；
(2)当0<θ<α/2时，观测点偏离M正上方，但仍在路段AB上，
Figure BDA0003269408020000101
(3)当θ＝α/2时，观测点位于路段AB的某一端点(A或B)，此时对应的可观测路段lAB记为lT，lAB＝lT＝h·tan(α)；
(4)当α/2<θ<90°－α/2时，Q位于路段AB延长线上，
Figure BDA0003269408020000102
(5)当θ≥90°－α/2时，检测拍摄处于水平观测状态，理论上可观测范围无限远，lAB趋于∞，其适宜检测距离d有限，适宜观测距离最大值记为LE，即当观测点最远距离超过dE(OB＞LE)，无法有效观测路面车流及人流，对应的可观测路段长度lAB范围最大，记为lmax，对应的θ记为θmax；由于车辆间相互遮挡，若要对节点交通流取得良好的观测效果，对地观测角不能太小，设最佳观测角下限值为γmin(0<γmin<90°)，即要求∠OBA≥γmin且∠OAB≥γmin，
当γmin<90°－α时，对应的可观测路段长度lAB记为
Figure BDA0003269408020000111
则
Figure BDA0003269408020000112
当γmin＝90°－α时，
Figure BDA0003269408020000113
当γmin＞90°－α时，则
Figure BDA0003269408020000114
执行步骤130，从人机协同检测作业实际情况出发，建立节点合并检测分析模块。节点合并检测分析模块包括相邻节点合并规则子模块、合并节点观测位置选取规则子模块和节点合并检测优化流程子模块。
相邻节点合并规则子模块用于对单台无人机检测范围lAB覆盖范围内的多个节点进行合并，构成节点链进行组合检测，合并规则为：
(1)一台无人机至少可以满足1个节点检测需求，且一个检测节点检测范围仅由一台无人机单次检测覆盖，不能由多台无人机组合检测完成；
(2)合并检测节点在同一直线(或接近直线)路段上，二者间没有遮挡；
(3)若某一检测节点范围完全处于另外一个检测节点范围内，将两节点合并检测，并将范围较小的节点从路网中删除；
(4)当2个或多个处于同一直线路段上的相邻节点组成节点链组i-j，该节点链组检测范围li,j为链组两端节点间的距离，若
Figure BDA0003269408020000115
则以上2个或多个相邻节点构成同一个有效节点链组，即由一台无人机对以上多个节点进行合并检测；若
Figure BDA0003269408020000121
则该节点链组不能由一台无人机完成合并检测，需对该节点链组继续拆解。
合并节点观测位置选取规则子模块的选取规则为：
(1)当li,j≤lmin时，无人机观测点位于合并后新的检测区域圆心(o＇)正上方选定高度h处，或根据实际需要设置在节点重要性更强的端点上方高度h处；
(2)当lmin<li,j<lT时，无人机观测点位于节点链两端节点i或j的上方选定高度h处，或根据实际需求设置于节点廉链组一端上方高度h处；
(3)当
Figure BDA0003269408020000122
时，无人机观测点位于节点链组某一端点外侧延长线上，距离最近端点
Figure BDA0003269408020000123
处Q点正上方选定高度h处；
(4)对于没有合并，单独检测的节点，无人机观测点位于该节点正上方高度h处。
节点合并检测优化流程子模块的优化流程包括以下子步骤：
步骤131：确定待检测区域各节点范围(li)，并对每个节点进行编号，形成原始节点路网G0；
步骤132：按相邻节点合并规则模块中规则3)进行判断，在G0基础上形成新的节点路网G1；
步骤133：对G1中直线路段按从上到下、从左到右的顺序进行编号，将所有位于一条直线路段上的节点记入同一直线路段，获得的直线路段数量记为n1；
步骤134：以直线路段p(p∈n1)上所有检测节点为一个初始节点组，以
Figure BDA0003269408020000124
计算结果向上取整，则可确定路段p所使用的最小无人机数量np，依次对各直线路段进行判断和计算，
Figure BDA0003269408020000131
即为检测区域使用的无人机数量；
步骤135：以np为上限对各直线道路初始节点链组进行拆解，各初始节点组分别获得mp个节点链组方案；
步骤136：将各直线道路获取的mp个节点链组方案，按照合并节点观测位置选取规则模块确定np个无人机的观测位置，进而每条直线路段可获得mp个确定无人机观测点的节点链组合并检测方案组M′p。
执行步骤140，针对无人机组总检测作业建立数学模型进行协同调度优化。协同调度优化的原则为在各直线路段的m′p个确定无人机观测点的节点链组合并检测方案中选择一个最优方案，该方案满足飞赴区域中最远检测点i的时间在各备选方案中最短。
数学模型的假设条件包括：
1)考虑飞行避障及作业安全可控性，要求无人机沿道路飞行，且起降点与道路网直接相连；
2)所选无人机性能相同，按同一均匀速度飞行，飞行时间与飞行距离、飞行能耗为正比例关系；
3)任务最后一台无人机飞赴对应观测作业位置后，无人机组正式开始检测作业，当该无人机结束作业后，其他无人机同时结束检测作业，各无人机陆续飞回起降点。
以M′p中各方案中无人机从起降点至最远观测点飞行时间Tip,kp最小为目标，建立无人机协同调度优化模型目标函数，表述如下：
f1＝minmax{Tip,kp}
当仅有一个备选方案的目标值f1为最小时，则该方案为最优方案；若有多个备选方案f1相同且为最小，则将这些备选方案均归入最优备选方案集M"p，M"p中备选方案数量记为m"p；
进一步对M"p中各方案无人机从起降点飞赴各节点观测位置时间(Tip,k’p)之和进行比较，由此建立模型第二目标函数，表述如下：
Figure BDA0003269408020000141
将满足第二目标值f2最小的备选方案视为直线路段p的无人机合并检测最佳方案。
约束条件包括：
1)2Tip,kp<Tmax；
2)ip∈np；
3)kp∈m′p；
4)k′p∈m"p；
其中，Tmax为预设飞行时间，ip为在直线路段p上作业无人机编号，kp为直线路段p的确定无人机观测点的节点链组合并检测方案的编号，m′p为直线路段p的确定无人机观测点的节点链组合并检测方案数量，k′p为满足f1的入选M"p的确定无人机观测点的节点链组合并检测方案编号。
执行步骤150，根据以上步骤得到的原则、方法和模型，制定地铁站辐射区交通流量检测无人机协同调度优化方案，包括以下子步骤：
步骤151：根据提出的区域选取原则，确定检测区域，并明确无人机起降点；
步骤152：根据提出的检测节点界定原则，确定路网检测节点，对节点进行编号，并确定各节点间距离，形成原始节点路网G0；
步骤153：设定无人机作业参数，包括确定无人机最大观测视角、作业高度、飞行速度、滞空时间；
步骤154：对初始路网G0按照相邻节点合并规则模块对节点进行合并，形成新的节点路网G1，并按直线段路段为初始节点链组对G1进行拆解，并对初始节点链组进行编号；
步骤155：依次对各初始节点链组按照节点合并检测优化流程模块中步骤134进行检测无人机数量标定，确定各直线路段p的监测无人机数量np；
步骤156：按照所述节点合并检测优化流程模块中步骤135和步骤136确定各直线路段p无人机节点合并检测方案组M′p；
步骤157：按照协同调度优化模型，依次确定各直线路段p无人机合并检测最佳方案，包括无人机观测点、无人机飞行路径及飞行时间；
步骤158：各直选路段p的最佳方案组合。
实施例二
为了解决地铁辐射区内针对复杂交通流量如何进行快速、高效检测问题，本发明针对地铁辐射区，提出了一种辐射区选取以及节点监测范围界定的处理方法，并通过对无人机检测范围分析，提出了一种以降低多无人机协同检测作业的复杂性，节约检测成本，提高作业效率为目标的节点合并检测规则及流程，并提出一种无人机协同调度优化模型，根据模型的求解算法和流程，方便对为地铁站辐射区内无人机协同检测及调度提供最优方案。
本发明解决其技术问题所采用的技术方案是采用区域选取模块、检测范围分析模块、节点合并检测分析模块以及无人机协同调度优化模块共同组成地铁站辐射区交通流量检测系统。其中检测节点界定模块包含考虑低空检测作业无人机作业范围的节点检测范围界定模块。检测范围分析模块包含考虑到无人机观测相机最大观测视角的无人机检测范围分析模块。此外，节点合并检测分析模块还包括考虑无人机检测覆盖范围的相邻节点合并规则模块及合并节点观测位置选取规则模块以及考虑无人机检测成本的节点合并检测优化模块。无人机协同调度优化模块包括为考虑无人机组总能耗的数学描述模块以及考虑安全续航时间的约束条件模块以及总体流程实施模块。
其中，区域选取模块通过对检测区内重点出行区域对交通流运行产生的影响以及对不同出行者产生的交通流量检测需求分析，将实际交叉口尺寸和形状各异、不同方向交通流易受道路周边建筑物遮挡等情况作为影响因素进行检测热点界定，并最终划定检测区域。为后续无人机检测范围确定提供约束依据。
检测范围分析模块中首先将根据最大观测视角、观测相机双向旋转角度等影响因素，分析不同情况下的最大观测视角平分线与观测点垂线段夹角。根据夹角范围，城市内无人机飞行高度等限制因素，确定无人机检测范围。
节点合并检测分析模块首先从降低多无人机协同检测作业的复杂性，节约检测成本，提高作业效率角度出发，设置了节点链组合检测的合并规则。其次，分析无人机观测点与节点链等的相对位置，确定合并节点观测位置选取规则。最后，根据相关模块提供结果为基础，设计一套节点合并检测优化流程。
无人机协同调度优化模块通过分析无人机组总检测作业时间、总飞行时间最短的角度等因素，对满足要求的多个方案进行二次比较，将总飞行时间最短方案作为最终方案。在本模块中通过设置假设条件，建立以无人机从起降点至最远观测点飞行时间为目标的无人机协同调度优化模型及约束条件，最终提出地铁站辐射区交通流量检测无人机协同调度优化方法实施主要流程。
本发明的有益效果是，解决了地铁站辐射区交通流量检测无人机协同调度优化的相关技术方法问题，使用者可以通过量化检测节点、无人机检测范围以及无人机组总飞行时间对协同调度方案选择的影响，分析提出地铁站辐射区交通流量检测无人机协同调度优化方法，有效提高了地铁站辐射区交通流量检测的精度，使得地铁站辐射区内复杂交通流量分析更准确、高效。
实施例三
一种地铁站域交通流量检测无人机协同调度优化方法，通过区域选取模块以及检测范围分析模块，并结合无人机协同检测作业的复杂性、作业效率、检测成本等多项因素，制定了无人机地铁辐射区域选取以及检测节点范围界定原则。利用节点合并检测分析模块，针对无人机协同检测作业的复杂性、检测成本以及作业效率等因素，对的原始检测节点进行合并处理。最终通过无人机协同调度优化模块提出了无人机协同调度优化模型，并提出了提出地铁站辐射区交通流量检测无人机协同调度优化方法实施主要流程，从而对地铁站辐射区交通流量检测协同调度方法进行优化处理。具体步骤如下。
步骤一：建立检测节点范围界定原则。本发明所涉及的调查区域是以地铁站为中心周边500-600米半径范围内小范围道路交通网。如图2所示，该区域是以道路(含交叉口)为边界的多边形，允许部分路段超出半径范围，以确保区域边界为道路，所选区域半径大小和超出路段选择根据实际道路网情况酌情考虑。
检测区域内商场、学校、医院、公交站以及住宅区等行人、车辆出行重点区域，会对区域内交通流运行产生重要影响。通过对地铁站辐射区内(含边界)交叉口及地铁站各进出口机动车、非机车以及行人流量，换乘行为等进行调查分析，即可对该地铁站辐射区交通流量情况进行评估。因此，需对区域内以上交通出行热点的车辆、行人流量进行准确检测。如图3所示，需进行交通流量检测的节点可分为道路交叉口节点、地铁站入口节点、以及出行热点出入口节点。
道路交叉口节点检测范围为通常交叉口区域，包括人行横道、道路停车线后一定区域。考虑到实际交叉口尺寸和形状各异，不同方向交通流易受道路周边建筑物遮挡，因此，交叉口区域须分方向设定，如十字交叉需分两个方向检测，单向检测范围是以交叉口中心点为中心的向道路方向展开的2个50m-70m左右(视具体情况调整)的矩形范围，见图3所示节点3，两个节点可重新记为节点3A和节点3B，节点1则可分解为3个节点，分别记为节点1A、1B和1C。
本发明中涉及的地铁站入口仅考虑暴露在地面与道路网相连接的入口，设在建筑内部的入口视为该出行热点进出口。将地铁站出入口与临近道路垂直交点前后20m左右矩形范围视为该节点检测区域。
交通出行热点的出入口节点与临近道路垂直交点前后30m-50m矩形范围视为该节点检测区域，可根据实际情况调整。
检测区域路网中部分节点，如主干路交叉口类节点范围大，对低空检测作业无人机作业范围选取影响大，在计算相邻节点距离时，必须考虑在内。无人机航拍图像为矩形，由于城市路网中交叉口形状各异，在不同方向拍摄，所拍摄的矩形框不同。若按不同方向分别设定矩形，在计算复杂多路交叉口与相邻节点距离时过于繁琐。为便于计算，以圆形代替矩形选取节点检测范围，设检测圆半径为ri。
步骤二：确定无人机检测范围。无人机观测相机有特定最大观测视角α(α<180°)，如图4所示∠AOB。无人机在空中向地面观测作业时，可观测到道路一定范围内交通流情况，如图4中lAB。观测相机可在一定范围内沿观测道路双向旋转角度观测。设α角平分线(OP)与观测点垂线段(OQ)夹角为θ(θ<90°)。
(1)当无人机在一定高度(h)垂直作业，即θ＝0，即∠QOP＝0(如图4所示)时，观测点位于路段AB中点(记为M)正上方，观测到路段长度lAB最短，记为lmin，lAB＝lmin＝h·tan(α/2)·2；随着θ的增大，l增加。
(2)当0<θ<α/2(如图5所示)时，观测点偏离M正上方，但仍在路段AB上，
Figure BDA0003269408020000191
(3)当θ＝α/2时(如图6所示)，观测点位于路段AB的某一端点(A或B)，此时对应的可观测路段lAB记为lT，lAB＝lT＝h·tan(α)。
(4)当α/2<θ<90°－α/2(如图7所示)时，Q位于路段AB延长线上，
Figure BDA0003269408020000192
(5)当θ≥90°－α/2时，检测拍摄处于水平观测状态，理论上可观测范围无限远，lAB趋于∞。考虑到设备性能以及对地观测视角(∠OBA)过小，观测目标不清或相互遮挡影响，在一定高度下，其适宜检测距离d(如图6所示OB)有限，适宜观测距离最大值记为LE，即当观测点最远距离超过dE(OB＞LE)，则认为无法有效观测路面车流及人流，对应的可观测路段长度lAB范围最大，记为lmax，对应的θ记为θmax。由于车辆间相互遮挡，若要对节点交通流取得良好的观测效果，对地观测角不能太小，设最佳观测角下限值为γmin(0<γmin<90°)，即要求∠OBA≥γmin且∠OAB≥γmin。当γmin<90°－α时，对应的可观测路段长度lAB记为
Figure BDA0003269408020000193
则
Figure BDA0003269408020000194
当γmin＝90°－α时，
Figure BDA0003269408020000195
当γmin＞90°－α时，则
Figure BDA0003269408020000196
Figure BDA0003269408020000197
考虑到城市内无人机飞行高度受限，由此造成实际作业中
Figure BDA0003269408020000198
步骤三：从人机协同检测作业实际情况出发，建立本发明中的节点合并检测分析模块，该部分包含三个子模块，即相邻节点合并规则模块，合并节点观测位置选取规则模块和节点合并检测优化流程模块。
三个子模块的内容分别如下。
1)相邻节点合并规则模块
为降低多无人机协同检测作业的复杂性，节约检测成本，提高作业效率，可考虑对单台无人机检测范围lAB覆盖范围内的多个节点进行合并，构成节点链进行组合检测，合并规则如下：
(1)要求一台无人机至少可以满足1个节点检测需求，且一个检测节点检测范围仅由一台无人机单次检测覆盖，不能由多台无人机组合检测完成。
(2)考虑到城市道路两侧建筑物密集，为避免遮挡，要求合并检测节点在同一直线(或接近直线)路段上，二者间没有遮挡；
(3)若某一检测节点范围完全处于另外一个检测节点范围内，可将两节点合并检测，并将范围较小的节点从路网中删除；
(4)当2个或多个处于同一直线路段上的相邻节点组成节点链组i-j，该节点链组检测范围li,j为链组两端节点间的距离，如图8所示的虚线框l6B,18和l7B,7B。若
Figure BDA0003269408020000201
则以上2个或多个相邻节点可构成一个有效节点链组，即可由一台无人机对以上多个节点进行合并检测；若
Figure BDA0003269408020000202
则该节点链组无法由一台无人机完成合并检测，需对该节点链组继续拆解。
2)合并节点观测位置选取规则模块
(1)当li,j≤lmin时，无人机观测点位于合并后新的检测区域圆心(o＇)正上方选定高度h处，或根据实际需要设置在节点重要性更强的端点上方高度h处。
(2)当lmin<li,j<lT时，无人机观测点位于节点链两端节点i或j的上方选定高度h处，或根据实际需求设置于节点廉链组一端上方高度h处。
(3)当
Figure BDA0003269408020000211
时，无人机观测点位于节点链组某一端点外侧延长线上，距离最近端点
Figure BDA0003269408020000212
处Q点正上方选定高度h处。
(4)对于没有合并，单独检测的节点，无人机观测点位于该节点正上方高度h处。
3)节点合并检测优化流程模块
主要流程如下：
步骤1：确定待检测区域各节点范围(li)，并对每个节点进行编号，形成原始节点路网G0；
步骤2：按相邻节点合并规则模块中规则3)进行判断，在G0基础上形成新的节点路网G1；
步骤3：对G1中直线路段按从上到下、从左到右的顺序进行编号，将所有位于一条直线路段上的节点记如同一直线路段，获得的直线路段数量记为n1，如图3所示，共有6条直线路段；
步骤4：以直线路段p(p∈n1)上所有检测节点为一个初始节点组，以
Figure BDA0003269408020000213
计算结果向上取整，则可确定路段p所使用的最小无人机数量np，依次对各直线路段进行判断和计算，
Figure BDA0003269408020000214
即为检测区域使用的无人机数量。
步骤5：以np为上限对各直线道路初始节点链组进行拆解，各初始节点组分别获得mp个节点链组方案。
步骤6：将各直线道路获取的mp个节点链组方案，按照合并节点观测位置选取规则模块确定np个无人机的观测位置，进而每条直线路段可获得mp个确定无人机观测点的节点链组合并检测方案组M′p。
步骤四：针对无人机组总检测作业进行协同调度优化。为提高作业效率，减少大量人力投入，要求在选定区域检测作业的无人机均从同一指定起降点按既定方案飞赴检测位置作业，作业完成后按原路线返回起降点。由于无人机滞空时间有限，若飞赴最远观测点作业的无人机飞行时间越短，则无人机组总检测作业时间越充足。由于各直线路段相互独立，因此，该问题可描述为在各直线路段的m′p个确定无人机观测点的节点链组合并检测方案中选择一个最优方案，该方案满足飞赴区域中最远检测点i的时间在各备选方案中最短。若存在多个方案满足该要求，可进一步从检测无人机组总能耗最小，即总飞行时间最短的角度，对满足要求的多个方案进行二次比较，将总飞行时间最短方案作为最终方案。为能建立科学合理的数学模型，需要提出一定的假设条件，再制定目标函数以及约束条件，具体如下。
(1)假设条件：
1)考虑飞行避障及作业安全可控性，要求无人机沿道路飞行，且起降点与道路网直接相连；
2)所选无人机性能相同，按同一均匀速度飞行，飞行时间与飞行距离、飞行能耗为正比例关系；
3)任务最后一台无人机飞赴对应观测作业位置后，无人机组正式开始检测作业，当该无人机结束作业后，其他无人机同时结束检测作业，各无人机陆续飞回起降点。
(2)目标函数
基于以上假设，若飞赴最远点观测点作业的无人机尽早抵达观测点，无人机组则有更多时间投入检测作业，可更有效发挥系统作用。因此，以Mp'中各方案中无人机从起降点至最远观测点飞行时间Tip,kp最小为目标，建立无人机协同调度优化模型目标函数，表述如下：
f1＝minmax{Tip,kp} (1)
当仅有一个备选方案的目标值f1为最小时，则该方案为最优方案；若有多个备选方案f1相同且为最小，则将这些备选方案均归入最优备选方案集M"p，M"p中备选方案数量记为m"p。
进一步对M"p中各方案无人机从起降点飞赴各节点观测位置时间(Tip,k’p)之和进行比较，由此建立模型第二目标函数，表述如下：
Figure BDA0003269408020000231
将满足第二目标值f2最小的备选方案视为直线路段p的无人机合并检测最佳方案。
(3)约束条件
考虑到无人机飞赴各观测点后还需留有足够的检测作业时间，因此要求无人机飞赴观测点、从观测点返回起降点时间不能超过预设飞行时间Tmax(Tmax为飞机最大滞空时间减去预设检测作业滞空时间)，即：2Tip,kp<Tmax
其他约束条件如下：
ip∈np
kp∈m′p
k′p∈m"p
步骤五：确定地铁站辐射区交通流量检测无人机协同调度优化方法实施主要流程。根据以上提出的相关原则、方法和模型，提出地铁站辐射区交通流量检测无人机协同调度优化方法实施主要流程如图9所示。
步骤1：根据提出的区域选取原则，确定检测区域，并明确无人机起降点；
步骤2：根据提出的检测节点界定原则，确定路网检测节点，对节点进行编号，并确定各节点间距离，形成原始路网GG00；
步骤3：设定无人机作业参数，包括确定无人机最大观测视角、作业高度、飞行速度、滞空时间；
步骤4：对初始路网G0按照相邻节点合并规则模块对节点进行合并，形成路网G1，并按直线段路段为初始节点链组对G1，进行拆解，并对初始节点链组进行编号；
步骤5：依次对各初始节点链组按照节点合并检测优化流程模块中规则3进行检测无人机数量标定，确定各直线路段p的监测无人机数量np；
步骤6：按照节点合并检测优化流程模块中规则5和规则6确定各直线路段p无人机节点合并检测备选方案组M′p；
步骤7：按照协同调度优化模型，依次确定各直线路段pp无人机合并检测最佳方案，包括无人机观测点、无人机飞行路径及飞行时间；
步骤8：各直选路段p的最佳方案组合即为检测区域无人机组合调度优化方案，共需无人机数量
Figure BDA0003269408020000241
台。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是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，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种地铁站域交通流量检测无人机协同调度优化方法，包括以下步骤：
步骤1：建立检测节点范围界定原则；
步骤2：确定无人机检测范围；
步骤3：从人机协同检测作业实际情况出发，建立节点合并检测分析模块；
步骤4：针对无人机组总检测作业进行协同调度优化；
步骤5：根据以上步骤得到的原则、方法和模型，制定地铁站辐射区交通流量检测无人机协同调度优化方案。
2.如权利要求1所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述检测节点范围界定原则包括设定地铁站为中心周边500-600米半径范围内小范围道路交通网为检测区域，对所述检测区域内交通出行热点的车辆、行人流量进行准确检测。
3.如权利要求2所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述无人机上的观测相机有特定最大观测视角α，所述观测相机在俯仰阈值范围内沿观测道路双向旋转角度观测，设α角平分线OP与观测点垂线段OQ夹角为θ，
(1)当无人机垂直作业时，即θ＝0，即∠QOP＝0时，观测点位于路段AB中点M的正上方，观测到路段长度lAB最短，记为lmin，lAB＝lmin＝h·tan(α/2)·2；随着θ的增大，l增加，其中，h为高度；
(2)当0<θ<α/2时，观测点偏离M正上方，但仍在路段AB上，
Figure FDA0003269408010000011
(3)当θ＝α/2时，观测点位于路段AB的某一端点(A或B)，此时对应的可观测路段lAB记为lT，lAB＝lT＝h·tan(α)；
(4)当α/2<θ<90°－α/2时，Q位于路段AB延长线上，
Figure FDA0003269408010000021
(5)当θ≥90°－α/2时，检测拍摄处于水平观测状态，lAB趋于∞，其适宜检测距离d有限，适宜观测距离最大值记为LE，即当观测点最远距离超过dE(OB＞LE)，无法有效观测路面车流及人流，对应的可观测路段长度lAB范围最大，记为lmax，对应的θ记为θmax；由于车辆间相互遮挡，若要对节点交通流取得良好的观测效果，对地观测角不能太小，设最佳观测角下限值为γmin(0<γmin<90°)，即要求∠OBA≥γmin且∠OAB≥γmin，
当γmin<90°－α时，对应的可观测路段长度lAB记为lγmin，则
Figure FDA0003269408010000022
当γmin＝90°－α时，lγmin＝h·tan(α)；当γmin＞90°－α时，则
Figure FDA0003269408010000023
4.如权利要求3所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述节点合并检测分析模块包括相邻节点合并规则子模块、合并节点观测位置选取规则子模块和节点合并检测优化流程子模块。
5.如权利要求4所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述相邻节点合并规则子模块用于对单台无人机检测范围lAB覆盖范围内的多个节点进行合并，构成节点链进行组合检测。
6.如权利要求5所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，合并规则为：
(1)一台无人机至少可以满足1个节点检测需求，且一个检测节点检测范围仅由一台无人机单次检测覆盖，不能由多台无人机组合检测完成；
(2)合并检测节点在同一直线(或接近直线)路段上，二者间没有遮挡；
(3)若某一检测节点范围完全处于另外一个检测节点范围内，将两节点合并检测，并将范围较小的节点从路网中删除；
(4)当2个或多个处于同一直线路段上的相邻节点组成节点链组i-j，该节点链组检测范围li,j为链组两端节点间的距离，若li,j≤lγmin,则以上2个或多个相邻节点构成同一个有效节点链组，即由一台无人机对以上多个节点进行合并检测；若li,j>lγmin，则该节点链组不能由一台无人机完成合并检测，需对该节点链组继续拆解。
7.如权利要求6所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述合并节点观测位置选取规则子模块的选取规则为：
(1)当li,j≤lmin时，无人机观测点位于合并后新的检测区域圆心(o＇)正上方选定高度h处，或根据实际需要设置在节点重要性更强的端点上方高度h处；
(2)当lmin<li,j<lT时，无人机观测点位于节点链两端节点i或j的上方选定高度h处，或根据实际需求设置于节点廉链组一端上方高度h处；
(3)当lT≤li,j≤lγmin时，无人机观测点位于节点链组某一端点外侧延长线上，距离最近端点
Figure FDA0003269408010000031
处Q点正上方选定高度h处；
(4)对于没有合并，单独检测的节点，无人机观测点位于该节点正上方高度h处。
8.如权利要求7所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述步骤4包括建立数学模型用于进行协同调度优化。
9.如权利要求8所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，所述数学模型的假设条件包括：
1)考虑飞行避障及作业安全可控性，要求无人机沿道路飞行，且起降点与道路网直接相连；
2)所选无人机性能相同，按同一均匀速度飞行，飞行时间与飞行距离、飞行能耗为正比例关系；
3)任务最后一台无人机飞赴对应观测作业位置后，无人机组正式开始检测作业，当该无人机结束作业后，其他无人机同时结束检测作业，各无人机陆续飞回起降点。
10.如权利要求9所述的地铁站域交通流量检测无人机协同调度优化方法，其特征在于，以M′p中各方案中无人机从起降点至最远观测点飞行时间Tip,kp最小为目标，建立无人机协同调度优化模型目标函数，表述如下：
f1＝minmax{Tip,kp}
当仅有一个备选方案的目标值f1为最小时，则该方案为最优方案；若有多个备选方案f1相同且为最小，则将这些备选方案均归入最优备选方案集M"p，M"p中备选方案数量记为m"p；
进一步对M"p中各方案无人机从起降点飞赴各节点观测位置时间(Tip,k’p)之和进行比较，由此建立模型第二目标函数，表述如下：
Figure FDA0003269408010000041
将满足第二目标值f2最小的备选方案视为直线路段p的无人机合并检测最佳方案。
CN202111097504.6A 2021-09-18 2021-09-18 一种地铁站域交通流量检测无人机协同调度优化方法 Active CN113837590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111097504.6A CN113837590B (zh) 2021-09-18 2021-09-18 一种地铁站域交通流量检测无人机协同调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111097504.6A CN113837590B (zh) 2021-09-18 2021-09-18 一种地铁站域交通流量检测无人机协同调度优化方法

Publications (2)

Publication Number Publication Date
CN113837590A true CN113837590A (zh) 2021-12-24
CN113837590B CN113837590B (zh) 2023-09-08

Family

ID=78959852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111097504.6A Active CN113837590B (zh) 2021-09-18 2021-09-18 一种地铁站域交通流量检测无人机协同调度优化方法

Country Status (1)

Country Link
CN (1) CN113837590B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095577A (zh) * 2024-04-26 2024-05-28 深圳市城市交通规划设计研究中心股份有限公司 一种地铁站闲时运行效率优化方法、电子设备及存储介质
CN118095577B (zh) * 2024-04-26 2024-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种地铁站闲时运行效率优化方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107352032A (zh) * 2017-07-14 2017-11-17 广东工业大学 一种人流量数据的监控方法及无人机
CN107424416A (zh) * 2017-06-19 2017-12-01 深圳市创艺工业技术有限公司 基于无人机的路段交通流量监测系统
CN107976177A (zh) * 2017-11-20 2018-05-01 上海市建筑科学研究院 一种地铁监护测量方法
CN110703809A (zh) * 2019-09-18 2020-01-17 同济大学 一种基于无线传感网络的无人机地铁隧道定点巡检方法
CN112977823A (zh) * 2021-04-15 2021-06-18 上海工程技术大学 一种监控人流量数据无人机及监控方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107424416A (zh) * 2017-06-19 2017-12-01 深圳市创艺工业技术有限公司 基于无人机的路段交通流量监测系统
CN107352032A (zh) * 2017-07-14 2017-11-17 广东工业大学 一种人流量数据的监控方法及无人机
CN107976177A (zh) * 2017-11-20 2018-05-01 上海市建筑科学研究院 一种地铁监护测量方法
CN110703809A (zh) * 2019-09-18 2020-01-17 同济大学 一种基于无线传感网络的无人机地铁隧道定点巡检方法
CN112977823A (zh) * 2021-04-15 2021-06-18 上海工程技术大学 一种监控人流量数据无人机及监控方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095577A (zh) * 2024-04-26 2024-05-28 深圳市城市交通规划设计研究中心股份有限公司 一种地铁站闲时运行效率优化方法、电子设备及存储介质
CN118095577B (zh) * 2024-04-26 2024-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种地铁站闲时运行效率优化方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN113837590B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN110148196A (zh) 一种图像处理方法、装置以及相关设备
Boltes et al. Collecting pedestrian trajectories
CN109479206B (zh) 一种使用wi-fi探针检测道路行人流量的方法
CN106652483B (zh) 利用检测设备在区域公路网布设交通信息检测点的方法
CN103985250B (zh) 轻量级的全息道路交通状态视觉检测装置
CN103150559B (zh) 基于Kinect三维深度图像的头部识别与跟踪方法
CN107992067A (zh) 基于集成吊舱和ai技术的无人机巡检故障诊断系统
CN103473554B (zh) 人流统计系统及方法
CN104320617B (zh) 一种基于深度学习的全天候视频监控方法
CN106971544B (zh) 一种直接利用静态图像来检测车辆拥堵的方法
CN103700261A (zh) 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统
CN105160322A (zh) 基于航拍图像的室外停车场空置停车位识别方法
CN110379168A (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
CN110674792B (zh) 基于神经网络的施工进度监测装置及方法
JP2021536649A (ja) 対象の検出と追跡のためのビデオ監視システムを構築する方法
CN107703936A (zh) 基于卷积神经网络的自动导航小车系统及小车定位方法
CN113240249B (zh) 基于无人机增强现实的城市工程质量智能评价方法及其系统
WO2020093624A1 (zh) 一种基于多尺度检测算法的天线下倾角测量方法
JP2019012494A (ja) 人流推定装置及び人流推定システム並びに人流測定方法
CN111161545B (zh) 基于视频的交叉口区域交通参数统计方法
CN116859985A (zh) 一种四旋翼自动追踪功能实现方法
CN110688924A (zh) 一种基于rfcn的垂直单目客流量统计方法
Cao et al. Quantifying visual environment by semantic segmentation using deep learning
CN106127813A (zh) 基于视觉感知能量的监控视频运动片段分割方法
Zhou et al. Method for judging parking status based on yolov2 target detection algorithm

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