CN115145311A - 一种巡检路径规划方法、装置、设备和存储介质 - Google Patents
一种巡检路径规划方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115145311A CN115145311A CN202210889643.0A CN202210889643A CN115145311A CN 115145311 A CN115145311 A CN 115145311A CN 202210889643 A CN202210889643 A CN 202210889643A CN 115145311 A CN115145311 A CN 115145311A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle
- determining
- path
- 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 160
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 84
- 230000005611 electricity Effects 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 84
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 41
- 239000002245 particle Substances 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
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)
- Navigation (AREA)
Abstract
本发明公开了一种巡检路径规划方法、装置、设备和存储介质,该方法包括:确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据所述巡检时长和所述车辆油耗确定路径规划目标函数;根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;根据所述无人机的电池更换策略,确定所述无人机的返航换电约束条件;基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,采用所述路径规划目标函数对巡检路径进行规划。通过上述方案,可以降低人工成本,提高无人机的巡检效率。
Description
技术领域
本发明实施例涉及计算机领域,尤其涉及一种巡检路径规划方法、装置、设备和存储介质。
背景技术
无人机在执行巡检任务时,由于电池容量的限制,无人机难以在不更换电池的情况下完成所有的巡检任务。为了保证巡检任务的顺利进行,工作人员通常会对无人机的电量进行预先评估,并根据评估结果确定电池更换地点,开车至电池更换地点更换无人机的电池。这种方法导致工作人员工作量较大,且仅通过人工手段,难以寻求一条工作效率最优的无人机巡检路径。因此,如何对巡检路径进行规划,以降低人工成本,提高无人机的巡检效率,是需要解决的问题。
发明内容
本发明提供了一种巡检路径规划方法、装置、设备和存储介质,可以降低人工成本,提高无人机的巡检效率。
根据本发明的一方面,提供了一种巡检路径规划方法,包括:
确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据所述巡检时长和所述车辆油耗确定路径规划目标函数;
根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;
根据所述无人机的电池更换策略,确定所述无人机的返航换电约束条件;
基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,采用所述路径规划目标函数对巡检路径进行规划。
根据本发明的另一方面,提供了一种巡检路径规划装置,该装置包括:
目标函数确定模块,用于确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据所述巡检时长和所述车辆油耗确定路径规划目标函数;
路径约束条件确定模块,用于根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;
换电约束条件确定模块,用于根据所述无人机的电池更换策略,确定所述无人机的返航换电约束条件;
巡检路径规划模块,用于基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,采用所述路径规划目标函数对巡检路径进行规划。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的巡检路径规划方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的巡检路径规划方法。
本发明实施例的技术方案,确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数;根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;根据无人机的电池更换策略,确定无人机的返航换电约束条件;基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。上述方案,提供了一种通过构建数学模型,并对数学模型进行求解,以对规划目标函数寻优,从而对巡检路径进行规划的技术方案。该技术方案根据巡检时长和车辆油耗确定路径规划目标函数,结合巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,对巡检路径进行规划,以确定无人机执行单次巡检任务时的最优路径。实现了对巡检路径的自动规划,降低了人工成本,提高了无人机的巡检效率,同时降低了车辆油耗。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例一提供的一种巡检路径规划方法的流程图;
图2为本发明实施例二提供的一种巡检路径规划方法的流程图;
图3为本发明实施例三提供的一种巡检路径规划方法的流程图;
图4为本发明实施例四提供的一种巡检路径规划装置的结构示意图;
图5为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“当前”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“等”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种巡检路径规划方法的流程图,本实施例可适用于对无人机的巡检路径进行规划的情况。该方法可以由巡检路径规划装置来执行,该巡检路径规划装置可以采用硬件和/或软件的形式实现,该巡检路径规划装置可配置于电子设备中,例如电子设备的路径规划系统中。
需要说明的是,无人机执行巡检任务,需要对杆塔设备和杆塔之间的线路设备进行巡检。在无人机执行巡检任务时,由于无人机电池容量的限制,无人机难以在不更换电池的情况下完成单次巡检任务。因此,通常会设置为更换电池的换电位置,执行为无人机更换电池任务的车辆会在无人机执行巡检任务时,行驶至各换电位置,为无人机更换电池,从而缩短无人机返航换电的飞行时间。
如图1所示,该方法包括:
S110、确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数。
其中,单次巡检任务包括对各杆塔设备的设备巡检和对杆塔设备之间连接线路的线路巡检。巡检时长是指无人机执行单次巡检任务所需要的时间。车辆油耗是指车辆跟随无人机执行单次巡检任务所需要消耗的燃油量。杆塔设备是指架空输电线路中用来支撑输电线的支撑物。
具体的,根据无人机执行单次巡检任务所需要飞行的飞行路程和无人机的飞行速度,确定无人机执行单次巡检任务所需的巡检时长。根据车辆跟随无人机执行巡检任务所需要行驶的行驶路程和单位行程车辆燃油量,确定车辆执行单次巡检任务时的车辆油耗。将巡检时长和车辆油耗之和作为路径规划目标函数。
示例性的,根据巡检时长和车辆油耗确定路径规划目标函数,可以通过如下子步骤实现:
S1101、根据无人机在执行线路巡检任务时的飞行作业参数、换电位置和杆塔设备的杆塔位置,确定无人机执行单次巡检任务所需的起降时长、执行单次巡检任务的总作业时长和返航换电时所需的往返换电时长。
其中,飞行作业参数是指飞机在飞行过程中的各项飞行指标。换电位置是指可以为无人机更换电池的换电地点的位置。起降时长是指无人机执行单次巡检任务时升高和下降所需要的总时长。总作业时长是指无人机对杆塔设备和线路进行巡检所需要的总的巡检时长。总作业时长包括对杆塔设备进行巡检所需的杆塔巡检时长,以及对线路设备进行巡检所需的线路巡检时长。
具体的,飞行作业参数包括:无人机执行巡检任务时,无人机起飞的飞行初始位置的初始位置高程H0,飞行高程H1,飞行速度v1,作业速度v2,无人机在上升和降落时的起降速度v0,以及无人机在对杆塔设备进行巡检时的巡检位置和杆塔设备塔顶之间的距离D0。其中,高程是指某一点相对于基准面的高度。作业速度是指无人机对杆塔设备进行巡检的平均速度,飞行初始位置是指无人机在执行巡检任务时的起飞位置,可由工作人员到达合适的起飞点点后,由无人机的定位系统对改地点自动识别获得。飞行初始位置可以用经纬度坐标表示,例如可以用c0(x0,y0)表示,x0表示飞行初始位置的经度,y0表示飞行初始位置的纬度。飞行高程是指预先设置的,使无人机在飞行过程中不会撞到杆塔设备的高度。所有杆塔设备的杆塔位置的位置集合记为C={c1,c2,c3,……,cN},其中,c1,c2,c3,……,cN分别表示各杆塔设备的杆塔位置所对应的经纬度,共有N个杆塔设备需要进行巡检;杆塔位置的经纬度坐标为cN(xN,yN),xN表示第N个杆塔设备的杆塔位置对应的经度,yN表示第N个杆塔设备的杆塔位置对应的纬度。可以根据杆塔设备的杆塔位置,为各杆塔设备设置巡检顺序。
无人机执行单次巡检任务所需的起降时长的计算公式如公式(1)所示:
其中,t1为起降时长,Hk为第k个换电位置所在高程,Cexc为所有换电点的位置集合。
执行单次巡检任务时,无人机在往返换电时,从电量不足时候所在的高程到换电点的高程时的往返时长的计算公式如公式(2)所示:
其中,i∈C;
t2是指无人机在往返换电时,从电量不足时候所在的高程到换电点的高程时的往返时长;d0,i为飞行初始位置与第一个需要巡检的杆塔设备的杆塔位置c1(x1,y1)之间的水平直线距离;di,k为杆塔位置ci(xi,yi)与换电位置(xk,yk)之间的水平直线距离。
返航换电时所需的电池换电时长的计算公式如公式(3)所示:
t4=(Nexc-1)·Texc (3)
其中,t4为电池换电时长,电池换电时长是指无人机更换电池所需时长;Nexc为换电点的个数;Texc为无人机更换一次电池所需时间。
总作业时长的计算公式如公式(4)所示:
其中,t3为总作业时长,即无人机巡视过程中从一个杆塔至另一个杆塔进行巡视作业所消耗的时间;
di,j=ar cos[cos yi cos yj cos(xi-xj)+sin yi sin yj];
Si,j是指无人机从杆塔位置(xi,yi)飞行至杆塔位置(xj,yj)的飞行行程;
Xi,j是指无人机飞行路径决策参数;di,j为杆塔位置(xi,yi)至杆塔位置(xj,yj)的水平直线距离。
往返换电时长包括无人机往返换电时从电量不足时候所在的高程到换电点的高程时的往返时长和电池换电时长。
S1102、根据起降时长、总作业时长和往返换电时长,确定无人机执行单次巡检任务所需的巡检时长。
具体的,将起降时长、总作业时长以及往返换电时长之和,作为无人机执行单次巡检任务所需的巡检时长。
S1103、根据飞行作业参数、杆塔位置和车辆行驶路径决策参数,确定车辆执行单次巡检任务时的车辆油耗。
其中,车辆行驶路径决策参数是指表征车辆是否可以在某一条路径上行驶的参数。车辆行驶路径决策参数可以用Yi,j表示。
具体的,确定车辆执行单次巡检任务时的车辆油耗的计算公式如公式(5)所示:
其中,Q为车辆油耗;qe为单位行程车辆的燃油量。
S1104、对所述巡检时长和所述车辆油耗求和,获得路径规划目标函数。
具体的,路径规划目标函数的计算公式如公式(6)所示:
Tmin=t1+t2+t3+t4+Q (6)
其中,Tmin为路径规划目标函数。需要说明的是,在无人机对杆塔线路进行巡检时,对每一个杆塔设备的巡检次数和巡检时间都是预先设置的固定常数,不影响巡检路径决策,因此在确定路径规划函数时,为了简化计算,路径规划目标函数中不包含单次巡检任务中杆塔设备的巡检时间。
可以理解的是,上述方案提供了一种计算路径规划目标函数的优选实施方案,根据无人机的飞行作业参数,确定巡检时长,再根据飞行作业参数、杆塔位置和车辆行驶路径决策参数,确定车辆油耗,根据巡检时长和车辆油耗之和,确定路径规划目标函数,可以获得更加精准的目标函数,保证了对巡检路径规划的准确性。
S120、根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件。
其中,车辆行驶约束条件是指车辆只可以在允许车辆行驶的路径上行驶。无人机的飞行约束条件是指无人机只可以在允许无人机飞行的飞行路径上飞行。
示例性的,可以通过如下子步骤确定巡检路径约束条件:
S1201、根据车辆行驶约束条件,确定车辆行驶路径决策参数和车辆的行驶初始位置。
其中,行驶初始位置是指车辆在跟随无人机执行巡检任务时的出发地点。
具体的,根据车辆行驶约束条件,可以确定车辆行驶路径决策参数Yi,j的值,同时可以确定车辆的行驶初始位置。
Yi,j=1时,车辆从第i个杆塔设备飞行至第j个杆塔设备;
Yi,j=0时,车辆不从第i个杆塔设备飞行至第j个杆塔设备。
S1202、根据无人机的飞行约束条件,确定无人机飞行路径决策参数和无人机的飞行初始位置,同时确定无人机对杆塔设备的巡检次数
具体的,根据无人机的飞行约束条件,可以确定无人机飞行路径决策参数Xi,j和无人机的飞行初始位置c0(x0,y0)。
Xi,j=1时,无人机从第i个杆塔设备飞行至第j个杆塔设备;
Xi,j=0时,无人机不从第i个杆塔设备飞行至第j个杆塔设备;
S1203将巡检次数、车辆行驶路径决策参数、行驶路径初始位置、无人机飞行路径决策参数和飞行初始位置,作为巡检路径约束条件。
可以理解的是,根据车辆行驶路径决策参数、行驶路径初始位置、无人机飞行路径决策参数、飞行初始位置和杆塔设备的巡检次数,确定巡检路径约束条件,保证了巡检路径约束条件的完整性,从而保证了对巡检路径规划的准确性。
S130、根据无人机的电池更换策略,确定无人机的返航换电约束条件。
其中,无人机的返航换电约束条件包括无人机返航换电的条件,以及无人机在执行单次巡检任务时的换电次数的限制。
具体的,根据无人机的电池更换策略,可以确定无人机返航换电的条件;无人机在执行单次巡检任务时,换电次数即为无人机访问的换电点的个数,以此确定无人机在执行单次巡检任务时的换电次数的限制。
示例性的,无人机的电池更换策略可以是:在监测到无人机的当前剩余电量小于电量阈值时,选择距离所述无人机最近的目标换电点;控制无人机飞行至目标换电点更换电池。此时无人机的返航换电约束条件为:无人机的当前剩余电量小于电量阈值时立即开始执行返航换电,无人机更换电池的地点为距离无人机最近的换点位置。
S140、基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。
需要说明的是,所述无人机的剩余电量约束条件表示为受电池容量及电池性能约束,无人机的剩余电量应不能大于电池最大电量阈值,且不小于电池最小电量阈值。
再需要说明的是,当路径规划目标函数的数值达到最小时,路径规划目标函数对应的巡检路径即为可以使无人机飞行时间最短且车辆油耗较低的巡检路径。
具体的,将飞行初始位置、杆塔位置和车辆可行路径的路径位置作为算法输入,采用机器学习算法对路径规划目标函数进行迭代计算,确定符合巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件的路径规划目标函数的最小值,即最小目标函数。确定最小目标函数对应的目标巡检路径,将目标巡检路径作为规划后的巡检路径。
其中,车辆可行路径的路径位置是指车辆可以行驶的路径中路径点的经纬度集合。机器学习算法可以是极限学习机的粒子群算法。
本实施例提供的技术方案,确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数;根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;根据无人机的电池更换策略,确定无人机的返航换电约束条件;根据无人机的电池更换策略,确定无人机的返航换电约束条件;基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。上述方案,提供了一种通过构建数学模型,并对数学模型进行求解,以对规划目标函数寻优,从而对巡检路径进行规划的技术方案。该技术方案根据巡检时长和车辆油耗确定路径规划目标函数,结合巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,对巡检路径进行规划,以确定无人机执行单次巡检任务时的最优路径。实现了对巡检路径的自动规划,降低了人工成本,提高了无人机的巡检效率,同时降低了车辆油耗。
实施例二
图2为本发明实施例二提供的一种巡检路径规划方法的流程图,本实施例在上述实施例的基础上进行了优化,给出了一种根据无人机的电池更换策略,确定无人机的返航换电约束条件的优选实施方案。具体的,如图2所示,该方法包括:
S210、确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数。
S220、根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件。
S230、当无人机对当前杆塔巡检完成时,确定无人机飞行至下一杆塔,以及从下一杆塔飞行至下一杆塔的最近换电点所需的目标电量。
其中,当前杆塔是指无人机最近一次巡检的杆塔设备;下一杆塔是指无人机按照杆塔设备的巡检顺序,需要进行巡检的下一个杆塔设备。
具体的,在无人机对当前杆塔巡检完成时,根据预先设备的杆塔设备的巡检顺序,确定下一杆塔,并获得下一杆塔的杆塔位置。根据下一杆塔的杆塔位置,从换电位置中确定距离下一杆塔最近的最近换电点。根据当前杆塔的杆塔位置、下一杆塔的杆塔位置和最近换电点的位置,确定目标电量。
目标电量的计算公式如公式(7)所示:
ΔE=ΔEj,k+ΔEi,j=e·Si,j+e·Sj,k (7)
其中,Sj,k=dj+Hi-Hk+Hi-D0-Hj;
dj=ar cos[cos yk cos yj cos(xk-xj)+sin yk sin yj];
ΔE为目标电量;ΔEi,j为无人机从当前杆塔的杆塔位置(xi,yi)飞行至下一杆塔的杆塔位置(xj,yj)需要消耗的电量;ΔEj,k为无人机从下一杆塔的杆塔位置飞行至最近换电点需要消耗的电量;e为无人机单位行程电池耗电量;Sj,k为无人机从下一杆塔(xj,yj)飞行至最近换电点的飞行行程;dj为下一杆塔(xj,yj)与最近换电点之间的水平直线距离;(xk,yk)为最近换电点的经纬度;Hj为下一杆塔的高程;Hi为当前杆塔的高程。
S240、计算目标电量与无人机的当前剩余电量之间的电量差值,将电量差值作为无人机的可用电量。
具体的,无人机的可用电量的计算公式如公式(8)所示:
Ea=Erem,i-ΔE (8)
其中,Ea为无人机的可用电量,Erem,i为无人机的当前剩余电量。
S250、若无人机的可用电量小于电量阈值,且车辆可以先于无人机到达目标换电点,则选择距离当前杆塔最近的目标换电点,并根据目标换电点确定无人机的返航路径约束条件。
其中,电量阈值可以根据实际情况进行设置。
具体的,若Ea小于电量阈值,则选择距离当前杆塔最近的目标换电点,根据目标换电点,确定返航电量判据。
返航电量判据如式(9)所示:
Ea≤Eret (9)
其中,i,j∈C,i≠j,k∈Cexc,Eret为电量阈值。
进一步的,无人机返航至目标换电点时需满足车辆先于无人机到达换电点,则返航时间判据如公式(10)所示:
其中:
且Cexc为所有换电位置的位置集合,且为车辆从一个换电位置行驶下一个换电位置,车辆所经过的可行路径位置集合,无人机从确定一个最近换电点到确定另一个最近换电点之间,无人机所巡检的杆塔设备的杆塔位置集合。Hl,n表示节点l处的高程,n=0时,Hl,0表示起点位置的高程,即Hl,0=H0;n≥1时,Hl,n表示第n个换电点的高程;Hi,n表示节点i处的高程,n=0时,Hi,0表示无人机从起点起飞后访问的第一基杆塔的塔顶高程;n≥1时,Hi,n表示第n个返航点所在杆塔的塔顶高程。
将返航电量判据和返航时间判据作为无人机的返航路径约束条件。
S260、根据无人机的电池更换策略,确定无人机的换电次数约束条件。
具体的,将无人机访问的换电点的个数作为换电次数约束条件,具体如公式(11)所示:
S270、将返航路径约束条件和换电次数约束条件,作为无人机的返航换电约束条件。
S280、基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。
本实施例的技术方案,确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数;根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;当无人机对当前杆塔巡检完成时,确定无人机飞行至下一杆塔,以及从下一杆塔飞行至下一杆塔的最近换电点所需的目标电量;计算目标电量与无人机的当前剩余电量之间的电量差值,将电量差值作为无人机的可用电量;若无人机的可用电量小于电量阈值,且车辆可以先于无人机到达目标换电点,则选择距离当前杆塔最近的目标换电点,并根据目标换电点确定无人机的返航路径约束条件;根据无人机的电池更换策略,确定无人机的换电次数约束条件;将返航路径约束条件和换电次数约束条件,作为无人机的返航换电约束条件;基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。上述方案,通过无人机在对当前杆塔巡检完成后的当前剩余电量,和无人机飞行至下一杆塔后再飞行至最近换电点的目标电量,确定可用电量,在可用电量不足的情况下,确定无人机的目标换电点,根据目标换电点和换电点数量,确定无人机的返航换电约束条件。在确定返航换点约束条件时,充分考虑到了无人机当前剩余电量对目标换电点的影响,以及考虑到了换电点数量对换电次数的影响,保证了返航换点约束条件的完整性,从而保证了对巡检路径规划的准确性。
实施例三
图3为本发明实施例三提供的一种巡检路径规划方法的流程图,本实施例在上述实施例的基础上进行了优化,给出了一种基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划的优选实施方式。具体的,如图3所示,该方法包括:
S310、确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数。
S320、根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件。
S330、根据无人机的电池更换策略,确定无人机的返航换电约束条件。
S340、基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,根据无人机的飞行初始位置、杆塔位置和车辆可行路径信息,通过机器学习算法对路径规划目标函数进行参数寻优。
具体的,采用基于极限学习机的粒子群算法(ELM-PSO)对路径规划目标函数进行参数寻优,将无人机的飞行初始位置、杆塔位置、车辆可行路径信息作为输入参数,将巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件作为算法约束条件,根据极限学习机的粒子群算法的迭代计算结果,确定路径规划目标函数的最小值。将路径规划目标函数作为ELM-PSO的适应度函数f,即f=t1+t2+t3+t4+Q。对ELM-PSO中的种群规模MP、最大迭代次数wi、迭代终止误差εP、初始粒子和迭代速度进行参数初始化。其中,i=1,2,…,MP,初始粒子为随机生成的粒子。基于标准粒子群算法实现初始种群的进化,选择合适的隔代数LM,并获得极限学习机种群进化机制的训练样本,进而设定训练样本的分配比例λP。
根据λP,随机从k代粒子种群中选取λPMP个粒子作为训练样本,采用极限学习机的种群进化机制,根据选取的λPMP个粒子,生成t+1代粒子;k代粒子中未被选择的剩余粒子采用标准粒子群算法的种群进化机制,生成进化后的其他粒子;根据t+1代粒子和进化后的其他粒子继续更新训练样本,以获得更好的种群进化机制。
计算迭代误差ε,若ε小于终止误差εP,或者迭代次数k=Kmax,则输出结果并终止算法。其中,Kmax为最大迭代次数。
迭代误差ε的计算公式如公式(12)所示:
若ε大于或等于终止误差εP,则继续根据λP,采用采用极限学习机的种群进化机制和标准粒子群的种群进化机制,对粒子种群进行训练。
S350、若根据参数寻优结果确定路径规划目标函数达到最小值,则将路径规划目标函数对应的路径作为目标巡检路径。
具体的,若ε小于终止误差εP,或者迭代次数k=Kmax,则输出结果并终止算法,确定路径规划目标函数达到最小值,确定达到最小值的路径规划目标函数所对应的路径,请将该作为目标巡检路径。
本实施例的技术方案,确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数;根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;根据无人机的电池更换策略,确定无人机的返航换电约束条件;基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,根据无人机的飞行初始位置、杆塔位置和车辆可行路径信息,通过机器学习算法对路径规划目标函数进行参数寻优;若根据参数寻优结果确定路径规划目标函数达到最小值,则将路径规划目标函数对应的路径作为目标巡检路径。上述方案,提供了一种基于各项对路径规划目标函数的约束条件,根据机器学习算法对路径规划目标函数进行参数寻优,以获得无人机执行巡检任务的目标巡检路径的优选实施方式。降低了确定目标巡检路径的人工成本,提高了对巡检路径规划的效率,同时提高了对巡检路径规划的准确性。
实施例四
图4为本发明实施例四提供的一种巡检路径规划装置的结构示意图。本实施例可适用于对无人机的巡检路径进行规划的情况。如图4所示,该巡检路径规划装置包括:目标函数确定模块410、路径约束条件确定模块420、换电约束条件确定模块430和巡检路径规划模块440。
其中,目标函数确定模块410,用于确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数;
路径约束条件确定模块420,用于根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;
换电约束条件确定模块430,用于根据无人机的电池更换策略,确定无人机的返航换电约束条件;
巡检路径规划模块440,用于基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。
本实施例提供的技术方案,确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据巡检时长和车辆油耗确定路径规划目标函数;根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;根据无人机的电池更换策略,确定无人机的返航换电约束条件;根据无人机的电池更换策略,确定无人机的返航换电约束条件;基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,采用路径规划目标函数对巡检路径进行规划。上述方案,提供了一种通过构建数学模型,并对数学模型进行求解,以对规划目标函数寻优,从而对巡检路径进行规划的技术方案。该技术方案根据巡检时长和车辆油耗确定路径规划目标函数,结合巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,对巡检路径进行规划,以确定无人机执行单次巡检任务时的最优路径。实现了对巡检路径的自动规划,降低了人工成本,提高了无人机的巡检效率,同时降低了车辆油耗。
示例性的,目标函数确定模块410包括:
任务时长确定单元,用于根据无人机在执行线路巡检任务时的飞行作业参数、换电位置和杆塔设备的杆塔位置,确定无人机执行单次巡检任务所需的起降时长、执行单次巡检任务的总作业时长和返航换电时所需的往返换电时长;
巡检时长确定单元,用于根据起降时长、总作业时长和往返换电时长,确定无人机执行单次巡检任务所需的巡检时长;
车辆油耗确定单元,用于根据飞行作业参数、杆塔位置和车辆行驶路径决策参数,确定车辆执行单次巡检任务时的车辆油耗;
目标函数获取单元,用于对巡检时长和车辆油耗求和,获得路径规划目标函数。
示例性的,路径约束条件确定模块420包括:
行驶初始位置确定单元,用于根据车辆行驶约束条件,确定车辆行驶路径决策参数和车辆的行驶初始位置;
飞行初始位置确定单元,用于根据无人机的飞行约束条件,确定无人机飞行路径决策参数和所述无人机的飞行初始位置,同时确定无人机对杆塔设备的巡检次数;
路径约束条件确定单元,用于将巡检次数、车辆行驶路径决策参数、行驶路径初始位置、无人机飞行路径决策参数和飞行初始位置,作为巡检路径约束条件。
示例性的,换电约束条件确定模块430具体用于:
当无人机对当前杆塔巡检完成时,确定无人机飞行至下一杆塔,以及从下一杆塔飞行至下一杆塔的最近换电点所需的目标电量;
计算目标电量与无人机的当前剩余电量之间的电量差值,将电量差值作为无人机的可用电量;
若无人机的可用电量小于电量阈值,且车辆可以先于无人机到达目标换电点,选择距离当前杆塔最近的目标换电点,并根据目标换电点确定无人机的返航路径约束条件;
根据无人机的电池换电策略,确定无人机的换电次数约束条件;
将返航路径约束条件和换电次数约束条件,作为无人机的返航换电约束条件。
示例性的,巡检路径规划模块440具体用于:
基于巡检路径约束条件、返航换电约束条件和无人机的剩余电量约束条件,根据无人机的飞行初始位置、杆塔位置和车辆可行路径信息,通过机器学习算法对路径规划目标函数进行参数寻优;
若根据参数寻优结果确定路径规划目标函数达到最小值,则将路径规划目标函数对应的路径作为目标巡检路径。
本实施例提供的巡检路径规划装置可适用于上述任意实施例提供的巡检路径规划方法,具备相应的功能和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如巡检路径规划方法。
在一些实施例中,巡检路径规划方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的巡检路径规划方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行巡检路径规划方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程巡检路径规划装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种巡检路径规划方法,其特征在于,包括:
确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据所述巡检时长和所述车辆油耗确定路径规划目标函数;
根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;
根据所述无人机的电池更换策略,确定所述无人机的返航换电约束条件;
基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,采用所述路径规划目标函数对巡检路径进行规划。
2.根据权利要求1所述的方法,其特征在于,所述确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据所述巡检时长和所述车辆油耗确定路径规划目标函数,包括:
根据无人机在执行线路巡检任务时的飞行作业参数、换电位置和杆塔设备的杆塔位置,确定无人机执行单次巡检任务所需的起降时长、执行单次巡检任务的总作业时长和返航换电时所需的往返换电时长;
根据所述起降时长、所述总作业时长和所述往返换电时长,确定无人机执行单次巡检任务所需的巡检时长;
根据所述飞行作业参数、所述杆塔位置和车辆行驶路径决策参数,确定车辆执行单次巡检任务时的车辆油耗;
对所述巡检时长和所述车辆油耗求和,获得路径规划目标函数。
3.根据权利要求1所述的方法,其特征在于,所述根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件,包括:
根据车辆行驶约束条件,确定车辆行驶路径决策参数和车辆的行驶初始位置;
根据无人机的飞行约束条件,确定无人机飞行路径决策参数和所述无人机的飞行初始位置,同时确定无人机对杆塔设备的巡检次数;
将所述巡检次数、所述车辆行驶路径决策参数、所述行驶路径初始位置、所述无人机飞行路径决策参数和所述飞行初始位置,作为巡检路径约束条件。
4.根据权利要求1所述的方法,其特征在于,所述根据所述无人机的电池更换策略,确定所述无人机的返航换电约束条件,包括:
当所述无人机对当前杆塔巡检完成时,确定所述无人机飞行至下一杆塔,以及从下一杆塔飞行至下一杆塔的最近换电点所需的目标电量;
计算所述目标电量与所述无人机的当前剩余电量之间的电量差值,将所述电量差值作为无人机的可用电量;
若所述无人机的可用电量小于电量阈值,且车辆可以先于无人机到达目标换电点,则选择距离所述当前杆塔最近的目标换电点,并根据所述目标换电点确定所述无人机的返航路径约束条件;
根据所述无人机的电池更换策略,确定所述无人机的换电次数约束条件;
将所述返航路径约束条件和所述换电次数约束条件,作为所述无人机的返航换电约束条件。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,采用所述路径规划目标函数对巡检路径进行规划,包括:
基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,根据无人机的飞行初始位置、杆塔位置和车辆可行路径信息,通过机器学习算法对所述路径规划目标函数进行参数寻优;
若根据所述参数寻优结果确定所述路径规划目标函数达到最小值,则将所述路径规划目标函数对应的路径作为目标巡检路径。
6.一种巡检路径规划装置,其特征在于,包括:
目标函数确定模块,用于确定无人机执行单次巡检任务所需的巡检时长,以及确定车辆执行单次巡检任务时的车辆油耗,并根据所述巡检时长和所述车辆油耗确定路径规划目标函数;
路径约束条件确定模块,用于根据车辆行驶约束条件和无人机的飞行约束条件,确定巡检路径约束条件;
换电约束条件确定模块,用于根据所述无人机的电池更换策略,确定所述无人机的返航换电约束条件;
巡检路径规划模块,用于基于所述巡检路径约束条件、所述返航换电约束条件和所述无人机的剩余电量约束条件,采用所述路径规划目标函数对巡检路径进行规划。
7.根据权利要求6所述的装置,其特征在于,所述目标函数确定模块,包括:
任务时长确定单元,用于根据无人机在执行线路巡检任务时的飞行作业参数、换电位置和杆塔设备的杆塔位置,确定无人机执行单次巡检任务所需的起降时长、执行单次巡检任务的总作业时长和返航换电时所需的往返换电时长;
巡检时长确定单元,用于根据所述起降时长、所述总作业时长和所述往返换电时长,确定无人机执行单次巡检任务所需的巡检时长;
车辆油耗确定单元,用于根据所述飞行作业参数、所述杆塔位置和车辆行驶路径决策参数,确定车辆执行单次巡检任务时的车辆油耗;
目标函数获取单元,用于对所述巡检时长和所述车辆油耗求和,获得路径规划目标函数。
8.根据权利要求6所述的装置,其特征在于,所述路径约束条件确定模块,包括:
行驶初始位置确定单元,用于根据车辆行驶约束条件,确定车辆行驶路径决策参数和车辆的行驶初始位置;
飞行初始位置确定单元,用于根据无人机的飞行约束条件,确定无人机飞行路径决策参数和所述无人机的飞行初始位置;
路径约束条件确定单元,用于将所述巡检次数、所述车辆行驶路径决策参数、所述行驶路径初始位置、所述无人机飞行路径决策参数和所述飞行初始位置,作为巡检路径约束条件。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的巡检路径规划方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的巡检路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889643.0A CN115145311A (zh) | 2022-07-27 | 2022-07-27 | 一种巡检路径规划方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889643.0A CN115145311A (zh) | 2022-07-27 | 2022-07-27 | 一种巡检路径规划方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115145311A true CN115145311A (zh) | 2022-10-04 |
Family
ID=83413283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210889643.0A Pending CN115145311A (zh) | 2022-07-27 | 2022-07-27 | 一种巡检路径规划方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115145311A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542953A (zh) * | 2022-12-05 | 2022-12-30 | 广东电网有限责任公司东莞供电局 | 一种基于无人机的巡检方法、装置、设备以及介质 |
CN116430905A (zh) * | 2023-06-12 | 2023-07-14 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 电子侦查一体机测控系统及方法 |
-
2022
- 2022-07-27 CN CN202210889643.0A patent/CN115145311A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542953A (zh) * | 2022-12-05 | 2022-12-30 | 广东电网有限责任公司东莞供电局 | 一种基于无人机的巡检方法、装置、设备以及介质 |
CN115542953B (zh) * | 2022-12-05 | 2023-03-24 | 广东电网有限责任公司东莞供电局 | 一种基于无人机的巡检方法、装置、设备以及介质 |
CN116430905A (zh) * | 2023-06-12 | 2023-07-14 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 电子侦查一体机测控系统及方法 |
CN116430905B (zh) * | 2023-06-12 | 2023-09-15 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 电子侦查一体机测控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115145311A (zh) | 一种巡检路径规划方法、装置、设备和存储介质 | |
CN113361721B (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
CN110363333A (zh) | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 | |
US20230243661A1 (en) | Navigation path planning method and apparatus, device, and storage medium | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN113110601A (zh) | 一种无人机电力线路巡检路径优化方法及装置 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN112819215B (zh) | 推荐策略训练方法、装置、电子设备及可读存储介质 | |
CN114021773A (zh) | 一种路径规划方法、装置、电子设备以及存储介质 | |
CN115293366B (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
CN116518982A (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
CN115309521A (zh) | 面向海上无人设备的深度强化学习任务调度方法及装置 | |
CN115330556A (zh) | 充电站的信息调整模型的训练方法、装置及产品 | |
CN115439716A (zh) | 配网绝缘子老化检测模型的训练和检测方法、装置及设备 | |
CN115329428A (zh) | 一种风机排布方式的确定方法、装置、设备及存储介质 | |
CN114596042A (zh) | 一种货物运输的方法、装置、电子设备及存储介质 | |
CN115542953B (zh) | 一种基于无人机的巡检方法、装置、设备以及介质 | |
CN113625768A (zh) | 一种火星直升机航迹规划方法、系统、设备及存储介质 | |
CN113836661A (zh) | 时间预测方法、模型训练方法、相关装置及电子设备 | |
Mao et al. | Research on UAV cluster’s operation strategy based on reinforcement learning approach | |
CN115577980B (zh) | 电力设备调控方法、装置、电子设备和介质 | |
CN117553799A (zh) | 一种巡检机器人路径规划方法、装置、设备及存储介质 | |
CN115935189A (zh) | 跨城市联邦迁移模型的训练方法、装置、系统及设备 | |
WO2021217375A1 (zh) | 无人机及其航点补充方法和装置、数据处理设备 | |
CN115033017A (zh) | 用于光伏电站的无人机巡检路径合理性的判定方法及装置 |
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 |