CN115346139A - 一种太阳能光伏板的无人机激光清洗方法、装置及设备 - Google Patents

一种太阳能光伏板的无人机激光清洗方法、装置及设备 Download PDF

Info

Publication number
CN115346139A
CN115346139A CN202210938083.3A CN202210938083A CN115346139A CN 115346139 A CN115346139 A CN 115346139A CN 202210938083 A CN202210938083 A CN 202210938083A CN 115346139 A CN115346139 A CN 115346139A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
solar photovoltaic
photovoltaic panel
determining
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
Application number
CN202210938083.3A
Other languages
English (en)
Inventor
刘兆冰
韩吕鹏
柳春雷
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.)
Wuhan Ruize Technology Development Co ltd
Wuhan University of Technology WUT
Original Assignee
Wuhan Ruize Technology Development Co ltd
Wuhan University of Technology WUT
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 Wuhan Ruize Technology Development Co ltd, Wuhan University of Technology WUT filed Critical Wuhan Ruize Technology Development Co ltd
Priority to CN202210938083.3A priority Critical patent/CN115346139A/zh
Publication of CN115346139A publication Critical patent/CN115346139A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B08—CLEANING
    • B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
    • B08B13/00—Accessories or details of general applicability for machines or apparatus for cleaning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B08—CLEANING
    • B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
    • B08B7/00—Cleaning by methods not provided for in a single other subclass or a single group in this subclass
    • B08B7/0035—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by radiant energy, e.g. UV, laser, light beam or the like
    • B08B7/0042—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by radiant energy, e.g. UV, laser, light beam or the like by laser
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种太阳能光伏板的无人机激光清洗方法、装置、电子设备及存储介质，方法包括：获取太阳能光伏板上的污物图像并确定所述污物图像的位置；基于信道状态信息，获取无人机的初始位置；根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。本发明解决了现有技术中太阳能光伏板清洗效率低、污染大的技术问题。

Description

一种太阳能光伏板的无人机激光清洗方法、装置及设备
技术领域
本发明涉及激光清洗技术领域，具体涉及一种太阳能光伏板的无人机激光清洗方法、装置、电子设备和存储介质。
背景技术
在当今世界，可再生能源的使用正在增加，以减少用于发电的煤炭和水的使用。有效利用太阳能是应对电力危机的重要途径，但是也存在一些问题，例如太阳能光伏板表面的污垢和灰尘聚集会减少穿透和到达太阳能电池的阳光量，从而降低光伏板的效率。
现如今有多种技术，如手动清洁、真空清洁、静电除尘器清洁等。通过这种清洁机制，面板的效率可以提高到15–20％左右，但每种技术都有一些缺点，手动清洁需要更多的人力，持续使用水或液体可能会损坏光伏板，真空清洁机构会在面板上造成划痕。
因此，需要提出一种新的太阳能光伏板清洗系统，以实现清洁污染小、精度高和效率高的目的。
发明内容
本发明的目的在于克服上述技术不足，提供一种太阳能光伏板的无人机激光清洗方法、装置、设备和存储介质，解决现有技术中太阳能光伏板清洁效率低、污染大和精度低的技术问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种太阳能光伏板的无人机激光清洗方法，包括：
获取太阳能光伏板上的污物图像并确定所述污物图像的位置；
基于信道状态信息，获取无人机的初始位置；
根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；
基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；
基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。
在一些实施例中，所述获取太阳能光伏板上的污物图像并确定所述污物图像的位置，包括：
采用预设的改进型YOLOV5模型，提取太阳能光伏板上的污物图像信息；
以太阳能光伏板的中心点为原点建立直角坐标系，根据所述污物图像信息确定相机坐标信息，基于所述直角坐标系确定所述相机坐标信息对应的污物图像位置坐标。
在一些实施例中，所述预设的改进型YOLOV5模型包括依次连接的第一深度卷积化层、卷积化层、批量标准化层、激活函数层和第二深度卷积化层。
在一些实施例中，所述基于信道状态信息，获取无人机的初始位置，包括：
获取无人机信号；
基于所述无人机信号，采用预设的六天线圆形阵列模型，获取六通道同步的信道状态信息；
根据所述信道状态信息，采用预设的多信号分类综合算法获得空域特征方位角和仰角；
根据所述方位角和仰角，采用预设的最小二乘法，确定无人机的初始位置。
在一些实施例中，所述采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径，包括：
根据所述待清洗的污物图像位置和无人机的初始位置，采用预设的离散A*搜索法，确定无人机行驶的初始路径；
采用预设的带转弯约束的混合路径规划法对所述无人机行驶的初始路径进行平滑处理，以得到所述期望路径。
在一些实施例中，所述采用预设的离散A*搜索法，确定无人机行驶的初始路径，包括：
获取所述无人机初始位置与所述待清洗的污物图像位置之间的实际距离，以及起始节点至所述污物图像的位置之间的旅行距离；
根据所述实际距离和旅行距离，采用预设的离散A*搜索法确定无人机从初始位置至污物图像的位置之间的初始路径。
在一些实施例中，所述采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离，包括：
基于三个姿态轴的干扰动态，分别建立无人机俯仰、横滚、偏航三个通道的姿态控制多源干扰系统模型；
基于所述姿态控制多源干扰系统模型，获取内环标称控制量和干扰估计值；
将所述内环标称控制量和干扰估计值进行复合，确定复合抗干扰姿态控制律，以确定无人机相对太阳能光伏板的工作距离。
第二方面，本发明还提供了一种太阳能光伏板的无人机激光清洗装置，包括：
获取模块，用于获取太阳能光伏板上的污物图像并确定所述污物图像的位置；
无人机定位模块，用于基于信道状态信息，获取无人机的初始位置；
期望路径确定模块，用于根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；
工作距离确定模块，用于基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；
清洗模块，用于基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。
第三方面，本发明还提供了一种电子设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的太阳能光伏板的无人机激光清洗方法中的步骤。
第四方面，本发明还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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的太阳能光伏板的无人机激光清洗方法中的步骤。
与现有技术相比，本发明提供的太阳能光伏板的无人机激光清洗方法、装置、电子设备及存储介质，首先获取太阳能光伏板上的污物图像并确定所述污物图像的位置，其中污物图像可能为多处，随后基于信道状态信息，获取无人机的初始位置，并且根据所述待清洗的污物图像位置和无人机的初始位置，选择无人机对其中一处污物进行清理，并且采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径，随后基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；最后基于所述工作距离，以使无人机以一设定的角度靠近太阳能光伏板，从而使所述激光清洗装置对太阳能光伏板上的污物进行高效清洗，实现高效率、低污染的清洁目的。
附图说明
图1是本发明提供的太阳能光伏板的无人机激光清洗方法的一实施例的流程图；
图2是本发明提供的太阳能光伏板的无人机激光清洗方法中，步骤S101一实施例的流程图；
图3是本发明提供的太阳能光伏板的无人机激光清洗方法中，步骤S102一实施例的流程图；
图4是本发明提供的太阳能光伏板的无人机激光清洗方法中，步骤S103一实施例的流程图；
图5是本发明提供的太阳能光伏板的无人机激光清洗方法中，步骤S104一实施例的流程图；
图6是本发明提供的太阳能光伏板的无人机激光清洗装置的一实施例的示意图；
图7是本发明提供的电子设备一实施例的运行环境示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所涉及的太阳能光伏板的无人机激光清洗方法、装置、电子设备和存储介质，采用无人机搭载激光清洗装置对太阳能光伏板进行清洗，既能够减少人工清洗带来的效率低下的问题，减轻人员的体力劳动，同时通过采用激光清洗的方式，利用激光使待清洗物体标面的污物发生振动、熔化、蒸发和燃烧等一系列复杂的物理变化，使污物脱离物体表面，并且可以回收污物粉末，极大降低了污染性。本发明所涉及的方法、装置、设备或者计算机可读存储介质既可以与上述系统集成在一起，也可以是相对独立的。
本实施例提供了一种太阳能光伏板的无人机激光清洗方法，图1是本发明实施例提供的太阳能光伏板的无人机激光清洗的流程图，请参阅图1，包括：
S101、获取太阳能光伏板上的污物图像并确定所述污物图像的位置；
S102、基于信道状态信息，获取无人机的初始位置；
S103、根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；
S104、基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；
S105、基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。
在本实施例中，首先获取太阳能光伏板上的污物图像并确定所述污物图像的位置，其中污物图像可能为多处，随后基于信道状态信息，获取无人机的初始位置，并且根据所述待清洗的污物图像位置和无人机的初始位置，选择无人机对其中一处污物进行清理，并且采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径，随后基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；最后基于所述工作距离，以使无人机以一设定的角度靠近太阳能光伏板，从而使所述激光清洗装置对太阳能光伏板上的污物进行高效清洗，实现高效率、低污染的清洁目的。
在一些实施例中，请参阅图2，所述获取太阳能光伏板上的污物图像并确定所述污物图像的位置，包括：
S201、采用改进型YOLOV5模型，提取太阳能光伏板上的污物图像信息；
S202、以太阳能光伏板的中心点为原点建立直角坐标系，根据所述污物图像信息确定相机坐标信息，基于所述直角坐标系确定所述相机坐标信息对应的污物图像位置坐标。
在本实施例中，改进型YOLOV5模型在原始批量归一化模块的开始和结束处，增加了定心和缩放校准，增强了有效特征，形成了更稳定的特征分布，增强了网络模型的特征提取能力，同时并将原损失函数置信度下的交叉熵损失函数改进为基于平滑Kullback-Leibler散度的损失函数，并且为了减少信息丢失，在YOLOV5的主干特征提取网络上设计了CSandGlass模块，以取代剩余模块，采用改进型YOLOV5模型可以提高目标检测的精度和速度，同时更容易收敛。
具体地，在CSandGlass的模型中，假设输入的是一个高×宽×通道数的特征图,首先对输入进行的特征图进行3×3深度卷积化，由深度卷积化的操作可以得到第一特征图；随后采用cbl第一特征图进行卷积，然后再批量标准化，再接一个激活函数层，激活函数为Leaky relu，从而得到第二特征图；随后第二特征图再次进行3×3深度卷积化，由深度卷积化的操作可以得到第三特征图；最后将一个原始大小的特征图和第三特征图进行相加的操作，这样可以得到不同通道重要性不一样的目标特征图。
其中，cbl是YOLOV5网络结构中的最小组件，它是由卷积+批量标准化+Leaky relu激活函数三者组成。
进一步的，通过安装在无人机上的深度摄像头识别污物，在改进的YOLOV5模型下识别出目标对象，随后通过深度摄像头将所有检测到的目标对象的相机坐标信息转为真实世界的坐标，确定污物图像位置坐标，并将其传回地面控制台，为无人机做轨迹规划提供坐标信息。
在一些实施例中，所述预设的改进型YOLOV5模型包括依次连接的第一深度卷积化层、卷积化层、批量标准化层、激活函数层和第二深度卷积化层。
在本实施例中，通过改进的YOLOV5模型能够减少信息丢失，获取更为准确的污物信息。
在一些实施例中，请参阅图3，所述基于信道状态信息，获取无人机的初始位置，包括：
S301、获取无人机信号；
S302、基于所述无人机信号，采用预设的六天线圆形阵列模型，获取六通道同步的信道状态信息；
S303、根据所述信道状态信息，采用预设的多信号分类综合算法获得空域特征方位角和仰角；
S304、根据所述方位角和仰角，采用预设的最小二乘法，确定无人机的初始位置。
在本实施例中，多信号分类综合算法具体为多信号分类法和递归应用和投影-多信号分类算法，具体的，接收无人机端发送的信号，利用经验模式分解(EMD)将信号分解为多个子信号，随后将子信号应用傅立叶变换(FT)求解频谱并提取SFS(信号频谱)特征，小波变换用于分解信号，并求解熵以提取WEE(小波能量熵)特征，同时使用短时傅立叶变换(STFT)获得功率谱密度(PSD)，并求解熵以提取功率谱密度特征，随后将无人机端发送的信号特征用作训练数据，采集的样本数据输入分类器进行无人机检测，其中无人机检测采用支持向量机(SVM)、随机森林(RF)、朴素贝叶斯(NB)、集成学习(EL)和k近邻(KNN)等多机器学习算法，通过对无人机信号进行检测，将无人机信号与非无人机信号区分开来。
进一步的，采用六天线圆形阵列模型获得6通道同步CSI，并通过MUSIC(多信号分类)和RAP(递归应用和投影)-MUISC算法获得空域信息AOA(方位角)和AOE(仰角)，最后，使用最小二乘算法组合多个接收器在空间中定位无人机。
需要说明的是，CSI模型为反映信号传播特性的信道冲激响(CIR)，可以由以下公式表达：
Figure BDA0003784450290000091
其中，N是路径总数，α_n是第N条路径的路径系数，τ_n是第N条路径的传播延迟。
进一步的，使用正交频分复用(OFDM)调制，子载波数为K，每个接收机上所有天线的所有子载波的CFR矩阵，可由以下公式表达：H＝(H1，1，...，H1，K，...，HM，1，...，HM，K]，其中，H可以表示为AOA和AOE的联合估计，通过以下公式表达：H＝[H1，1，...，H1，K，...，HM，1，...，HM，K]，其中，E是噪声矢量，S是衰减矢量，
Figure BDA0003784450290000092
是转向矩阵；以圆心为基准点，到每个阵元的信号与圆心的距离通过以下公式表达：H＝(H1，1，...，H1，K，...，HM，1，...，HM，K]，同时，构建圆形阵列的阵列流矩阵通过以下公式表达：
Figure BDA0003784450290000093
其中r_i＝2π(i-1)/M，i＝0，1，2，...，M-1，当存在N条路径时，第k条路径信号的方向向量可以表示为：
Figure BDA0003784450290000094
Figure BDA0003784450290000095
因此，M×N-维方向矩阵可以表示为：
Figure BDA0003784450290000096
Figure BDA0003784450290000097
进一步的，按顺序排列特征值和特征向量，前L个特征向量形成信号空间U_S和最后的M-L特征向量构成噪声空间U_N，可以构造均匀圆形阵列的空间谱函数来搜索信号的方向角，由此可获得以下模型：
Figure BDA0003784450290000098
其中，角度
Figure BDA0003784450290000099
对应于
Figure BDA00037844502900000910
是入射波的AOE和AOA。由于MUSIC对于2D角度搜索具有更大的复杂性，因此应用MUSIC来验证无人机的AOA的可行性，将估计的AOA与实际的AOA进行对比，进而验证无人机定位的精度。
具体的，本专利通过组合多个接收机的服务水平来定位无人机，假设实验中有R个用于定位的接收器，可以使用最小二乘算法将无人机投影到地面，可通过以下模型表达：
Figure BDA0003784450290000101
其中
Figure BDA0003784450290000102
代表从位置到第i个接收器的实际AOA，而
Figure BDA0003784450290000103
代表视线路径的AOA由第i个接收器选择，无人机高度hi可以通过每个接收机的俯仰角θi和无人机投影到地面上的位置来计算，最后，通过对多个接收机的hi进行平均得到h，结合h和pos得到无人机空间位置pos_d。
在一些实施例中，请参阅图4，所述采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径，包括：
S401、根据所述待清洗的污物图像位置和无人机的初始位置，采用预设的离散A*搜索法，确定无人机行驶的初始路径；
S402、采用预设的带转弯约束的混合路径规划法对所述无人机行驶的初始路径进行平滑处理，以得到所述期望路径。
在本实施例中，采用了一种新的无人机在线自主飞行综合路径规划与轨迹跟踪控制框架，以同时避开静态和动态障碍物，并补偿模型不确定性的不利影响，从而弥合了综合制导与控制的规划与控制之间的差距。
在一个具体的实施例中，路径规划器的输入由目标配置X_G和摄像机提供的占用网格组成，导入输入后，将进行检查，以确保起始和目标配置在占用率网格内，其中，混合路径规划算法包括A*方法和势场用于执行路径搜索任务，并为无人机生成可飞行路径，通常生成的路径不平滑，然后将该路径传递给预设的带转弯约束的混合路径规划法以平滑该路径，最终的平滑路径保证无人机可以飞行，并且非常接近最佳路径。
在一些实施例中，所述采用预设的离散A*搜索法，确定无人机行驶的初始路径，包括：
获取所述无人机初始位置与所述待清洗的污物图像位置之间的实际距离，以及起始节点至所述污物图像的位置之间的旅行距离；
根据所述实际距离和旅行距离，采用预设的离散A*搜索法确定无人机从初始位置至污物图像的位置之间的初始路径。
在本实施例中，需要说明的是，A*搜索是一种基于确定性启发式的搜索，它使用一种到目标的距离和从起始节点到目标的旅行距离作为策略，以探索更少的节点，在个节点Xi，搜索代理查找数据结构并选择启发式值最低的节点，启发式计算公式为F(Xi)＝G(Xi)+H(Xi)，其中，G(Xi)是从起始节点XS到当前节点Xi的成本，H(Xi)是可被视为从当前节点Xi到目标集XG的最短路径的成本估计的搜索启发式。
进一步的，充分的平滑路径对于实际应用至关重要，为了实现这一目标，首先考虑最终路径由一系列航路点组成，这些航路点可以表示为Xi＝(xei，yei)，i∈[1，N]，其中N表示生成路径中的航路点总数；然后，Oi表示距离第i个航路点最近的障碍物的位置，ΔXi＝Xi-Xi-1表示第i个航路点的位移矢量；根据航路点与障碍物的距离，成本函数的第一项定义由公式
Figure BDA0003784450290000111
表示，其中dmax是障碍物可能影响路径成本的最大距离，对于所有障碍物和航路点而言，该距离是恒定的；权重系数wobs决定了成本函数的重要性；为了在航路点接近障碍物时惩罚较重的障碍物，δobs是一个二次惩罚函数。此外，如果|Xi-Oi|-dmax＞0可以忽略术语POB，因为现在无人机离障碍物太远。在每个航路点，我们必须检查我们没有创建无人机无法遵循的路径，这意味着曲率需要大于最大可飞曲率。因此，曲率项定义为
Figure BDA0003784450290000112
其中
Figure BDA0003784450290000121
表示第i个航路点的切向角相对于其他两个航路点的变化，i-1和i+1。fcmax表示最大可飞曲率，wcur控制成本函数对路径变化的影响，σcur是二次函数。路径的曲率定义为
Figure BDA0003784450290000122
成本函数的第三项也是最后一项用于评估两个航路点之间的位移向量。距离邻近航路点较远的航路点将获得更大的成本。此外，改变路径方向的航路点也会被分配更高的成本。最后，需要通过运行梯度下降来最小化成本函数，该算法的输出将是一个航路点列表，该航路点在几何上是平滑的，可供无人机飞行。
在一些实施例中，请参阅图5，所述采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离，包括：
S501、基于三个姿态轴的干扰动态，分别建立无人机俯仰、横滚、偏航三个通道的姿态控制多源干扰系统模型；
S502、基于所述姿态控制多源干扰系统模型，获取内环标称控制量和干扰估计值；
S503、将所述内环标称控制量和干扰估计值进行复合，确定复合抗干扰姿态控制律，以确定无人机相对太阳能光伏板的工作距离。
在本实施例中，采用一种基于改进线性自抗扰控制(LADRC)的统一精确姿态控制方法，可以实现精确的姿态控制，与基于模型的控制算法相比，该控制算法对模型失配具有更高的鲁棒性，同时飞行结果表明，该控制器在不同的飞行模式下保证了较高的控制精度和均匀的控制质量，可以保证无人机与太阳能光伏板保持一个定距，让激光束的能量集中，达到高效清洗太阳能板的目的。
需要说明的是，本实施例对姿态控制器进行了优化，使得可以实现精确的姿态控制，具有较高的鲁棒性；在一个具体的实施例中，控制器可分为两个回路，一个是外环产生所需的角加速度矢量，Ω基于姿态误差和角速率误差，采用级联比例控制器；另一个是内环控制器由一个改进的LADRC控制器和一个控制分配器组成，改进的LADRC补偿了相对缓慢的转子拍打动力学，以避免振荡，尽管存在干扰和模型不确定性，LADRC控制器强制装置跟踪所需的角加速度，然后，根据角加速度和推力指令，控制分配器使用基于菊花链的控制分配算法计算控制指令向量ucmd。
基于上述太阳能光伏板的无人机激光清洗方法，本发明实施例还相应的提供一种太阳能光伏板的无人机激光清洗装置600，请参阅图6，该太阳能光伏板的无人机激光清洗装置600包括获取模块610、无人机定位模块620、期望路径确定模块630、工作距离确定模块640和清洗模块650。
获取模块610，用于获取太阳能光伏板上的污物图像并确定所述污物图像的位置；
无人机定位模块620，用于基于信道状态信息，获取无人机的初始位置；
期望路径确定模块630，用于根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；
工作距离确定模块640，用于基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；
清洗模块650，用于基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。
如图7所示，基于上述太阳能光伏板的无人机激光清洗方法，本发明还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器710、存储器720及显示器730。图7仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器720在一些实施例中可以是该电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器7720在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储720还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器720用于存储安装于电子设备的应用软件及各类数据，例如安装电子设备的程序代码等。存储器7720还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储720上存储有太阳能光伏板的无人机激光清洗程序740，该太阳能光伏板的无人机激光清洗程序740可被处理器710所执行，从而实现本申请各实施例的太阳能光伏板的无人机激光清洗方法。
处理器710在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器720中存储的程序代码或处理数据，例如执行太阳能光伏板的无人机激光清洗方法等。
显示器730在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器730用于显示在所述太阳能光伏板的无人机激光清洗设备的信息以及用于显示可视化的用户界面。电子设备的部件710-730通过系统总线相互通信。
当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种太阳能光伏板的无人机激光清洗方法，其特征在于，包括：
获取太阳能光伏板上的污物图像并确定所述污物图像的位置；
基于信道状态信息，获取无人机的初始位置；
根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；
基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；
基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。
2.根据权利要求1所述的太阳能光伏板的无人机激光清洗方法，其特征在于，所述获取太阳能光伏板上的污物图像并确定所述污物图像的位置，包括：
采用改进型YOLOV5模型，提取太阳能光伏板上的污物图像信息；
以太阳能光伏板的中心点为原点建立直角坐标系，根据所述污物图像信息确定相机坐标信息，基于所述直角坐标系确定所述相机坐标信息对应的污物图像位置坐标。
3.根据权利要求2所述的太阳能光伏板的无人机激光清洗方法，其特征在于，所述预设的改进型YOLOV5模型包括依次连接的第一深度卷积化层、卷积化层、批量标准化层、激活函数层和第二深度卷积化层。
4.根据权利要求1所述的太阳能光伏板的无人机激光清洗方法，其特征在于，所述基于信道状态信息，获取无人机的初始位置，包括：
获取无人机信号；
基于所述无人机信号，采用预设的六天线圆形阵列模型，获取六通道同步的信道状态信息；
根据所述信道状态信息，采用预设的多信号分类综合算法，获得空域特征方位角和仰角；
根据所述方位角和仰角，采用预设的最小二乘法，确定无人机的初始位置。
5.根据权利要求1所述的太阳能光伏板的无人机激光清洗方法，其特征在于，所述采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径，包括：
根据所述待清洗的污物图像位置和无人机的初始位置，采用预设的离散A*搜索法，确定无人机行驶的初始路径；
采用预设的带转弯约束的混合路径规划法对所述无人机行驶的初始路径进行平滑处理，以得到所述期望路径。
6.根据权利要求5所述的太阳能光伏板的无人机激光清洗方法，其特征在于，所述采用预设的离散A*搜索法，确定无人机行驶的初始路径，包括：
获取所述无人机初始位置与所述待清洗的污物图像位置之间的实际距离，以及起始节点至所述污物图像的位置之间的旅行距离；
根据所述实际距离和旅行距离，采用预设的离散A*搜索法确定无人机从初始位置至污物图像的位置之间的初始路径。
7.根据权利要求2所述的太阳能光伏板的无人机激光清洗方法，其特征在于，所述采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离，包括：
基于三个姿态轴的干扰动态，分别建立无人机俯仰、横滚、偏航三个通道的姿态控制多源干扰系统模型；
基于所述姿态控制多源干扰系统模型，获取内环标称控制量和干扰估计值；
将所述内环标称控制量和干扰估计值进行复合，确定复合抗干扰姿态控制律，以确定无人机相对太阳能光伏板的工作距离。
8.一种太阳能光伏板的无人机激光清洗装置，其特征在于，包括：
获取模块，用于获取太阳能光伏板上的污物图像并确定所述污物图像的位置；
无人机定位模块，用于基于信道状态信息，获取无人机的初始位置；
期望路径确定模块，用于根据所述待清洗的污物图像位置和无人机的初始位置，采用路径规划模型，确定无人机从初始位置至污物图像的位置的期望路径；
工作距离确定模块，用于基于所述期望路径，以使所述无人机到达所述污物图像的位置并悬停，并采用预设的统一精确姿态控制方法，确定无人机相对太阳能光伏板的工作距离；
清洗模块，用于基于所述工作距离，采用所述激光清洗装置对太阳能光伏板上的污物进行清洗。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述太阳能光伏板的无人机激光清洗方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述太阳能光伏板的无人机激光清洗方法中的步骤。
CN202210938083.3A 2022-08-05 2022-08-05 一种太阳能光伏板的无人机激光清洗方法、装置及设备 Pending CN115346139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210938083.3A CN115346139A (zh) 2022-08-05 2022-08-05 一种太阳能光伏板的无人机激光清洗方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210938083.3A CN115346139A (zh) 2022-08-05 2022-08-05 一种太阳能光伏板的无人机激光清洗方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115346139A true CN115346139A (zh) 2022-11-15

Family

ID=83950235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210938083.3A Pending CN115346139A (zh) 2022-08-05 2022-08-05 一种太阳能光伏板的无人机激光清洗方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115346139A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996008A (zh) * 2023-08-10 2023-11-03 杭州市能源集团工程科技有限公司 光伏发电系统的安装方法及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996008A (zh) * 2023-08-10 2023-11-03 杭州市能源集团工程科技有限公司 光伏发电系统的安装方法及其系统
CN116996008B (zh) * 2023-08-10 2024-02-09 杭州市能源集团工程科技有限公司 光伏发电系统的安装方法及其系统

Similar Documents

Publication Publication Date Title
US11029168B2 (en) Method for identifying optimal vehicle paths when energy is a key metric or constraint
US10048686B2 (en) Methods and apparatus to autonomously navigate a vehicle by selecting sensors from which to obtain measurements for navigation
Ponda et al. Trajectory optimization for target localization using small unmanned aerial vehicles
US20190063932A1 (en) Autonomous Vehicle Utilizing Pose Estimation
CN103336863B (zh) 基于雷达飞行航迹观测数据的飞行意图识别方法
US11435199B2 (en) Route determination in dynamic and uncertain environments
Chang et al. Real-time guidance of underwater gliders assisted by predictive ocean models
WO2017136594A1 (en) Unmanned vehicle, system and method for correcting a trajectory of an unmanned vehicle
CN109000651B (zh) 一种路径规划方法及路径规划装置
CN102880185A (zh) 飞机的太阳能收集飞行路径管理系统
CN113543066B (zh) 感通导指一体化交互与多目标应急组网方法及系统
WO2022241944A1 (zh) 一种海空协同水下目标追踪的路径规划系统及方法
US20210310461A1 (en) Distributed reinforcement learning and consensus control of energy systems
CN109657928B (zh) 一种车载传感器系统的闭环协同调度框架的协同调度方法
CN111413708A (zh) 基于激光雷达的无人机自主识别着陆选址方法
CN115435787B (zh) 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统
Esmailifar et al. Cooperative localization of marine targets by UAVs
CN110196425A (zh) 一种移动平台对水下目标的被动声定位方法
CN115346139A (zh) 一种太阳能光伏板的无人机激光清洗方法、装置及设备
US11808578B2 (en) Global positioning denied navigation
Wang et al. Underwater localization and environment mapping using wireless robots
CN117250996B (zh) 一种无人集群对可移动目标的搜索方法
Zhao et al. Data harvesting in uncharted waters: Interactive learning empowered path planning for USV-assisted maritime data collection under fully unknown environments
Masmitja et al. Underwater mobile target tracking with particle filter using an autonomous vehicle
Dillard Energy-efficient underwater surveillance by means of hybrid aquacopters

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