CN114138018A - 一种无人机巡检控制方法 - Google Patents
一种无人机巡检控制方法 Download PDFInfo
- Publication number
- CN114138018A CN114138018A CN202111418555.4A CN202111418555A CN114138018A CN 114138018 A CN114138018 A CN 114138018A CN 202111418555 A CN202111418555 A CN 202111418555A CN 114138018 A CN114138018 A CN 114138018A
- Authority
- CN
- China
- Prior art keywords
- path
- aerial vehicle
- unmanned aerial
- inspection
- minimum
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 210000000349 chromosome Anatomy 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 241000284466 Antarctothoa delta Species 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人机巡检控制方法,包括:步骤S1,获取无人机巡检路径规划约束条件;步骤S2,执行基于遗传算法的输电走廊巡检路径规划,获取无人机进行输电走廊巡检的最优路径;步骤S3,基于塔型飞行规则的机器学习和断点续飞算法,执行杆塔巡检路径规划。本发明通过建立路径规划数学模型和目标函数,执行塔型飞行规则的机器学习和断点续飞算法,确保了无人机自动化巡视作业的安全和效率;并进一步采用遗传算法的基本思路和概念,选取合适的适应度函数以及遗传算子,采用基于最大路径偏转角的染色体编码方式,解决在路径规则中无人机路径偏转角,最小步长的约束,以此获取无人机进行线路廊道巡检的最优路径。
Description
技术领域
本发明属于无人机巡检技术领域,具体涉及一种无人机巡检控制方法。
背景技术
随着航空工业和科学技术的迅速发展,采用无人机进行线路巡检,近年来成为研究的热点问题。利用无人机进行精细化线路巡检时,既要考虑无人机对输电设备的安全距离,也要考虑相机焦距、分辨率、画幅因素等对图像拍摄质量的影响,以及无人机云台角度和无人机机头朝向等问题。同时,还需要考虑在巡线过程中容易受到不稳定气流和风向的影响。传统的多旋翼无人机巡视方法是巡视人员在地面人工控制飞机进行巡视,巡视质量和安全受制于操控手的操作水平,作业效率不高且精度较低。行业迫切需要更加智能、自动化且高效的无人机飞行控制方式。
发明内容
本发明所要解决的技术问题在于,提供一种无人机巡检控制方法,以提高无人机自动化巡视作业的安全和效率。
为解决上述技术问题,本发明提供一种无人机巡检控制方法,包括:
步骤S1,获取无人机巡检路径规划约束条件,所述无人机巡检路径规划约束条件包括:最大航程、最小步长和最大路径偏转角;
步骤S2,执行基于遗传算法的输电走廊巡检路径规划,获取无人机进行输电走廊巡检的最优路径;
步骤S3,基于塔型飞行规则的机器学习和断点续飞算法,执行杆塔巡检路径规划。
进一步地,设某条航迹一共有n个节点,最大航程为Vmax,第i条段的航迹航程为Vi,则该条航迹的总航程V必须满足:
进一步地,最小步长Lmin须满足:lj≥Lmin,lj为待选路径点对应的步长。
进一步地,路径偏转角Δφi须满足:-Δφmax≤Δφi≤Δφmax,Δφmax为当前飞行路径相对于前一路径的最大路径偏转角。
进一步地,最大路径偏转角计算方式为:
Δφmax=arcsin(Lmin/(2*rmin))
其中,rmin是最小转弯半径,Lmin是最小步长;
最小转弯半径计算方式为:
其中,nymax是无人机最大法向过载,V是无人机当前速度,g为重力加速度。
进一步地,所述步骤S2具体包括:
步骤S21,确定巡检路径中的染色体编码方式;
步骤S22,确定巡检路径的适应度评价函数;
步骤S23,确定选择机制与基因操作,计算控制参数;
步骤S24,确定达到最优巡检路径的终止准则。
进一步地,所述步骤S21中,以巡检路径起始点为原点,终止点与起始点连线作为极轴,整个巡检路径根据最小步长Lmin分为N段,当前飞行路径段相对于前一路径段方位角偏移是路径偏转角,为第一个路径段偏离极轴的路径偏转角,为当前路径段偏离上一路径段的路径偏转角,为最后一个路径段相对于其前一个路径段的路径偏转角;
极角由路径偏转角求解,其求解步骤包括:
进一步地,所述步骤S22中,适应度评价函数包含目标函数和适应度函数;巡检路径包括n+1个目标点的,pi为该路径第i段的长度值,起飞点为无人机巡线作业起飞基地,h为惩罚函数,则目标函数f的最小值为:
适应度函数Fit计算如下:
进一步地,所述步骤S23中,选取轮盘赌选择算子和交叉算子作为遗传算子。
进一步地,所述步骤S3融合多传感器数据对无人机的位置进行估计,具体包括:
其中,H是转移矩阵,V是测量噪声,^()为用测量值对系统状态的线性最小均方估计;
采用线性最小方差估计准则满足估计的均方误差最小:
其中,E{·}为对{·}求期望,E{[·][·]T}表示估计的均方误差,X为系统状态向量,Z为系统的测量向量,X(Z)为用测量值对状态的线性最小均方估计,为线性最小均方估计误差,r(Z)为用其他估计方法得到的系统估计值;
根据最小方差估计具有无偏性:
求得线性最小方差估计均方差为估计误差的均方差:
E{XXT}=E{[X-E(X)][X-E(X)]T}。
实施本发明具有如下有益效果:本发明通过建立路径规划数学模型和目标函数,执行塔型飞行规则的机器学习和断点续飞算法,确保了无人机自动化巡视作业的安全和效率;并进一步采用遗传算法的基本思路和概念,结合输电线路无人机输电走廊巡检的实际需求,选取合适的适应度函数以及遗传算子,采用基于最大路径偏转角的染色体编码方式,解决在路径规则中无人机路径偏转角,最小步长的约束,以此获取无人机进行线路廊道巡检的最优路径;此外,还融合多传感器数据的位置估计算法,使得无人机能够完成既定的飞行任务,确保最终的估计位置与飞行器真实位置具有最小的误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种无人机巡检控制方法的流程示意图。
图2是本发明实施例中无人机巡检航迹示意图。
图3是本发明实施例中无人机最小步长节点选择的示意图。
图4是本发明实施例中基于巡检路径方位偏转角计算原理图。
图5是本发明实施例中极角θ2求解示意图。
图6是本发明实施例中一条在规划空间内的巡检路径示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例提供一种无人机巡检控制方法,包括:
步骤S1,获取无人机巡检路径规划约束条件;
步骤S2,执行基于遗传算法的输电走廊巡检路径规划,获取无人机进行输电走廊巡检的最优路径;
步骤S3,基于塔型飞行规则的机器学习和断点续飞算法,执行杆塔巡检路径规划。
具体地,步骤S1中,无人机巡检路径规划约束条件包括:
1、最大航程
在整个巡检过程中,无人机最大航程记为Vmax,假设某条航迹一共有n个节点,航迹图如图2所示,其中第i条段的航迹航程为Vi,则该条航迹的总航程V必须满足:
2、最小步长
无人机的当前飞行姿态需要改变时,还需要直飞一段距离用于克服惯性作用的影响,这段距离的最小值就被称为最小步长,记为记为Lmin,大小约束规定:lj≥Lmin,lj为待选路径点对应的步长。无人机最小步长节点选择的示意图如图3所示。
设S0是上一个路径点,S1是当前的路径点,S2,S3,S4,S5,S6和S7为下一个需要待选的路径节点,分别对应的步长为L0,L1,L2,L3,L4,L5和L6不满足要求,因为它们比最小步长Lmin还小,因此只能在四个中间选取下一个路径节点。
(c)最大路径偏转角
当前飞行路径段相对于前一路径段方位角偏转的大小称为路径偏转角,由于受到无人机机动性能的限制,路径偏转角需满足-Δφmax≤Δφi≤Δφmax,Δφmax为当前飞行路径相对于前一路径的最大路径偏转角,最大路径偏转角计算公式为:
Δφmax=arcsin(Lmin/(2*rmin))
其中,rmin是最小转弯半径,Lmin是最小步长,根据飞行动力学,无人机最小转弯半径计算公式为:
式中,nymax是无人机最大法向过载,V是无人机当前速度,g为重力加速度。
步骤S2中,采用遗传算法解决无人机线路廊道巡检路径规划问题需要确定以下几个方面:
(1)确定巡检路径中的染色体编码方式;
(2)确定巡检路径的适应度评价函数;
(3)确定选择机制与基因操作,计算控制参数;
(4)确定达到最优巡检路径的终止准则。
由此,步骤S2具体包括:
步骤S21,确定巡检路径中的染色体编码方式。
本实施例选用一种极坐标编码方式,如图4所示,定义巡检路径起始点为原点,终止点与起始点连线作为极轴,起始点和终止点坐标分别记为(0,0)、(pT,θT),整个巡检路径根据最小步长Lmin分为N段,为了保证规划路径的可靠性,选取N时保证第一个圆的半径ρ0>Lmin,ρT为起飞点到终止点的距离,则N=ρT/ρ0。T1、T2表示目标点。
当前飞行路径段相对于前一路径段方位角偏移就是路径偏转角,为第一个路径段(O→1)偏离极轴的偏转角,也是路径段1的极角,为路径段(i-1→i)偏离上一路径段(i-2→i-1)的偏转角,为最后一个路径段(N-1→T)相对于路径段(N-1→N-2)的偏转角。
无人机巡检路径规划中的3个约束条件在采用该编码方式时可以得到很好的解决:①在染色体编码时可以解决最大路径偏角约束;②选取合适的ρ0值解决最小步长的约束;③通过航迹染色体的长度解决最大路径点数的约束。
极角可以由路径方位偏转角来求解,其求解步骤如下所示:
步骤S22,确定巡检路径的适应度评价函数;其中,适应度评价函数包含目标函数和适应度函数。
(1)目标函数
通道巡检路径规划就是在设定的空间找寻符合约束条件的飞行路径,可以由在规划空间中的一系列路径节点来计算出路径,任意两个相邻路径节点用线段进行连接。每一条巡检路径可以由一组{S,D1,D2,…,Dn-1,E}节点序列来表示,其中S是起始点,E是终点,D1,D2,…,Dn-1是中间路径节点,一条在规划空间内的巡检路径如图6所示。
采用一系列节点来表示飞行路径,有如下几点好处:
(a)能够根据期望的精度来合理调整路径节点数目;
(b)将初始规划问题划分成多个子问题,进而降低问题的复杂度;
(c)进行问题划分后,可以根据各个子问题是否全部满足约束条件来判断初始问题的能否满足约束条件;
(d)用一系列路径点来表示廊道巡检路径规划问题,这样便于计算与表达。
假设一条包括n+1个目标点的巡检路径,pi为该路径第i段的长度值,起飞点为无人机巡线作业起飞基地,h为惩罚函数。
则目标函数f的最小值如下所示:
(2)适应度函数Fit计算如下,f(x)为目标函数:
步骤S23,确定选择机制与基因操作,计算控制参数。进一步地,选取轮盘赌选择算子和交叉算子作为遗传算子。
步骤S24,确定达到最优巡检路径的终止准则。进一步地,设定最大终止代数G,运行到代数g≥G时算法终止。
本实施例中采用遗传算法的基本思路和概念,并结合输电线路无人机输电走廊巡检的实际需求,选取合适的适应度函数以及遗传算子,并采用基于最大路径偏转角的染色体编码方式,用于解决在路径规则中无人机路径偏转角,最小步长的约束,以此获取无人机进行线路廊道巡检的最优路径。
步骤S3中,本实施例将无人机杆塔巡检路径规划等效为不回到起点的标准旅行商问题(TSP)来进行解决。求解TSP问题的计算方法可以为穷举法、动态规划法、遗传算法、蚁群算法等。基于四旋翼无人机的特性,规划的路径要减少斜线飞行(或较少斜线飞行角度),尽量水平或者垂直飞行。
求解无人机巡线路径规划问题,首先需要划分路径空间,也就是通过建立某种表达式或者数据结构来表示本次的搜索空间;其次建立与搜索空间相应的巡线路径评估函数;然后利用算法求解所建立的评估函数最优值。本实施例中,使用多旋翼无人机复杂塔型飞行规则机器学习算法,复杂塔型飞行规则的机器学习和断点续飞算法主要涉及自动分类、回归技术研究。同时,利用基于区间二型模糊神经网络识别的增益自适应模糊控制器,以解决无人机姿态角引起的系统不稳定性和外界干扰等问题。
机器学习分类算法,是根据样本的特征或属性,将其划分到已有的类别中,即根据其他属性的值或数据中潜在联系的模式(相关性、趋势、聚类和异常),预测特定属性的值,从而进行分类。常用的分类算法有逻辑回归、支持向量机、随机森林、朴素贝叶斯(NLP中常用)、深度神经网络(视频、图片、语音等多媒体数据中使用)等。
利用无人机进行杆塔巡视时,首先创建模型,包括特征选择(塔型属性)、数据类型、属性类型与属性转换(样本属性分),然后选择分类算法进行精确预测,从而完成塔型分类。
断点续飞回归算法是利用数据统计学原理,对大量统计数据进行数学处理,确定因变量与某些自变量的相关关系,建立一个相关性较好的回归方程(函数表达式),并加以外推,用于预测今后因变量变化的分析方法。回归技术通常用于预测分析,时间序列模型及发现变量之间的因果关系,主要算法有线性回归、普通最小二乘回归、逐步回归、多元自适应回归样条等。
无人机在执行线路巡视航飞任务时,若因突发状况而导致航飞中断,可采用回归算法,从无人机的航飞位置变量推算出返航位置并继续执行航飞任务。运用线性回归算法,从而实现无人机的断点续飞功能,有效提升电网巡视的效率。
本实施例中,融合多传感器数据,对无人机的位置进行估计。融合多传感器测量值的位置估计算法如下:
其中,H是转移矩阵,V是测量噪声,^()为用测量值对系统状态的线性最小均方估计。其次,线性最小方差估计准则满足估计的均方误差最小,即:
式中,E{·}为对{·}求期望,E{[·][·]T}表示估计的均方误差,X为系统状态向量,Z为系统的测量向量,X(Z)为用测量值对状态的线性最小均方估计,为线性最小均方估计误差,r(Z)为用其他估计方法得到的系统估计值。同时,最小方差估计具有无偏性,即:
因此,线性最小方差估计均方差就是估计误差的均方差,即
本发明的基于机器学习的无人机飞行控制方法,因涉及复杂运算,优选在飞行控制模块(即地面操作模块)侧执行,飞行控制模块用于通过无线信道监测和控制无人机的飞行过程、飞行轨迹、有效载荷及通讯链路等。进一步地,飞行控制模块可以包括遥控器和装有无人机控制APP的智能移动终端。无人机飞巡过程接收卫星定位信号,同时无人机将图像数据、无人机飞行状态参数等通过无线方式传至遥控器,遥控器通过USB接口把数据传输到装有无人机控制APP的智能移动终端,终端对传回的数据信息进行判断,并发出控制指令进行无人机姿态调整及相关控制,以此实现巡视任务。此外,APP还通过互联网访问第三方服务,以此实现地图缓存、天气预报、设备激活等应用。
通过上述说明可知,本发明带来的有益效果在于:本发明通过建立路径规划数学模型和目标函数,执行塔型飞行规则的机器学习和断点续飞算法,确保了无人机自动化巡视作业的安全和效率;并进一步采用遗传算法的基本思路和概念,结合输电线路无人机输电走廊巡检的实际需求,选取合适的适应度函数以及遗传算子,采用基于最大路径偏转角的染色体编码方式,解决在路径规则中无人机路径偏转角,最小步长的约束,以此获取无人机进行线路廊道巡检的最优路径;此外,还融合多传感器数据的位置估计算法,使得无人机能够完成既定的飞行任务,确保最终的估计位置与飞行器真实位置具有最小的误差。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种无人机巡检控制方法,其特征在于,包括:
步骤S1,获取无人机巡检路径规划约束条件,所述无人机巡检路径规划约束条件包括:最大航程、最小步长和最大路径偏转角;
步骤S2,执行基于遗传算法的输电走廊巡检路径规划,获取无人机进行输电走廊巡检的最优路径;
步骤S3,基于塔型飞行规则的机器学习和断点续飞算法,执行杆塔巡检路径规划。
3.根据权利要求1所述的无人机巡检控制方法,其特征在于,最小步长Lmin须满足:lj≥Lmin,lj为待选路径点对应的步长。
4.根据权利要求1所述的无人机巡检控制方法,其特征在于,路径偏转角Δφi须满足:-Δφmax≤Δφi≤Δφmax,Δφmax为当前飞行路径相对于前一路径的最大路径偏转角。
6.根据权利要求1所述的无人机巡检控制方法,其特征在于,所述步骤S2具体包括:
步骤S21,确定巡检路径中的染色体编码方式;
步骤S22,确定巡检路径的适应度评价函数;
步骤S23,确定选择机制与基因操作,计算控制参数;
步骤S24,确定达到最优巡检路径的终止准则。
7.根据权利要求6所述的无人机巡检控制方法,其特征在于,所述步骤S21中,以巡检路径起始点为原点,终止点与起始点连线作为极轴,整个巡检路径根据最小步长Lmin分为N段,当前飞行路径段相对于前一路径段方位角偏移是路径偏转角,为第一个路径段偏离极轴的路径偏转角,为当前路径段偏离上一路径段的路径偏转角,为最后一个路径段相对于其前一个路径段的路径偏转角;
极角由路径偏转角求解,其求解步骤包括:
9.根据权利要求6所述的无人机巡检控制方法,其特征在于,所述步骤S23中,选取轮盘赌选择算子和交叉算子作为遗传算子。
10.根据权利要求1所述的无人机巡检控制方法,其特征在于,所述步骤S3融合多传感器数据对无人机的位置进行估计,具体包括:
其中,H是转移矩阵,V是测量噪声,^()为用测量值对系统状态的线性最小均方估计;
采用线性最小方差估计准则满足估计的均方误差最小:
其中,E{·}为对{·}求期望,E{[·][·]T}表示估计的均方误差,X为系统状态向量,Z为系统的测量向量,X`(Z)为用测量值对状态的线性最小均方估计,为线性最小均方估计误差,r(Z)为用其他估计方法得到的系统估计值;
根据最小方差估计具有无偏性:
求得线性最小方差估计均方差为估计误差的均方差:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418555.4A CN114138018A (zh) | 2021-11-26 | 2021-11-26 | 一种无人机巡检控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418555.4A CN114138018A (zh) | 2021-11-26 | 2021-11-26 | 一种无人机巡检控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114138018A true CN114138018A (zh) | 2022-03-04 |
Family
ID=80388775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418555.4A Pending CN114138018A (zh) | 2021-11-26 | 2021-11-26 | 一种无人机巡检控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114138018A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104076816A (zh) * | 2014-07-18 | 2014-10-01 | 深圳供电局有限公司 | 无人机输电线路走廊作业航迹规划方法 |
CN108844541A (zh) * | 2018-03-09 | 2018-11-20 | 广东电网有限责任公司机巡作业中心 | 一种基于巡检场景的机巡路径规划方法 |
CN109063789A (zh) * | 2018-09-07 | 2018-12-21 | 北京数字绿土科技有限公司 | 杆塔和电力线的分类方法、装置和系统 |
CN110244750A (zh) * | 2019-04-25 | 2019-09-17 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种无人机巡视路径规划方法及装置 |
CN111781954A (zh) * | 2020-08-26 | 2020-10-16 | 云南电网有限责任公司迪庆供电局 | 无人机巡检控制方法及装置 |
CN112947567A (zh) * | 2021-03-02 | 2021-06-11 | 广州科腾信息技术有限公司 | 一种利用多旋翼无人机对输电线路巡检的方法 |
CN113359808A (zh) * | 2021-07-21 | 2021-09-07 | 国网浙江省电力有限公司双创中心 | 一种无人机电力巡检多级路径规划方法及相关装置 |
CN113534846A (zh) * | 2021-08-22 | 2021-10-22 | 内蒙古电力(集团)有限责任公司航检分公司 | 输电线路无人机自主智能巡检系统 |
-
2021
- 2021-11-26 CN CN202111418555.4A patent/CN114138018A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104076816A (zh) * | 2014-07-18 | 2014-10-01 | 深圳供电局有限公司 | 无人机输电线路走廊作业航迹规划方法 |
CN108844541A (zh) * | 2018-03-09 | 2018-11-20 | 广东电网有限责任公司机巡作业中心 | 一种基于巡检场景的机巡路径规划方法 |
CN109063789A (zh) * | 2018-09-07 | 2018-12-21 | 北京数字绿土科技有限公司 | 杆塔和电力线的分类方法、装置和系统 |
CN110244750A (zh) * | 2019-04-25 | 2019-09-17 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种无人机巡视路径规划方法及装置 |
CN111781954A (zh) * | 2020-08-26 | 2020-10-16 | 云南电网有限责任公司迪庆供电局 | 无人机巡检控制方法及装置 |
CN112947567A (zh) * | 2021-03-02 | 2021-06-11 | 广州科腾信息技术有限公司 | 一种利用多旋翼无人机对输电线路巡检的方法 |
CN113359808A (zh) * | 2021-07-21 | 2021-09-07 | 国网浙江省电力有限公司双创中心 | 一种无人机电力巡检多级路径规划方法及相关装置 |
CN113534846A (zh) * | 2021-08-22 | 2021-10-22 | 内蒙古电力(集团)有限责任公司航检分公司 | 输电线路无人机自主智能巡检系统 |
Non-Patent Citations (1)
Title |
---|
李枫 等: "低空无人机航空摄影高度自动测量方法研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Deep reinforcement learning for autonomous internet of things: Model, applications and challenges | |
CN112000130A (zh) | 一种无人机的多机协同高精度建图定位系统 | |
CN111220159B (zh) | 多无人机协同巡检任务的路径优化方法 | |
CN113342037B (zh) | 具有输入饱和的多旋翼无人机时变编队控制方法及系统 | |
CN110347181B (zh) | 基于能耗的无人机分布式编队控制方法 | |
CN112363539B (zh) | 多无人机协同目标搜索方法 | |
Liu et al. | AoI-minimal task assignment and trajectory optimization in multi-UAV-assisted IoT networks | |
CN116520870B (zh) | 一种无人机飞行姿态远程控制方法及系统 | |
CN109947135A (zh) | 一种网联无人机的飞行轨迹确定方法及系统 | |
CN110825112B (zh) | 基于多无人机的油田动态侵入目标追踪系统与方法 | |
Zhu et al. | Research of remote measurement and control technology of UAV based on mobile communication networks | |
CN114828146A (zh) | 一种基于神经网络和迭代学习的无人集群地理位置路由方法 | |
Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
Shi et al. | Age of information optimization with heterogeneous uavs based on deep reinforcement learning | |
CN112770256B (zh) | 一种无人机自组织网络中的节点轨迹预测方法 | |
CN114138018A (zh) | 一种无人机巡检控制方法 | |
CN117390498A (zh) | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN116931596A (zh) | 一种飞行程序自动编排的无人机飞行系统 | |
CN115776638A (zh) | 一种无人机中继系统安全速率智能优化方法及系统 | |
Yang et al. | Networking of Internet of UAVs: Challenges and intelligent approaches | |
Yang et al. | High-altitude Inspection Technology of Substation Based on Fusion of Unmanned Aerial Vehicle and Multiple Sensors. | |
CN112925344A (zh) | 基于数据驱动和机器学习的无人机飞行工况预测方法 | |
Liu et al. | Review of improved cooperative control of unmanned surface vehicle based on multi-agent system | |
CN117472083B (zh) | 一种多无人机协同海上搜索路径规划方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220304 |
|
RJ01 | Rejection of invention patent application after publication |