CN115933749A - 一种面向设备目标驱动的变电站巡检航线生成方法 - Google Patents

Abstract

本发明公开了一种面向设备目标驱动的变电站巡检航线生成方法，涉及无人机的巡检领域，包括对变电站间隔、设备、设备巡检点位空间位置进行数据采集，生成变电站巡检的三维空间；对变电站进行可飞区间以及禁飞区间的划分；根据变电站的类型，一次性采集能够覆盖变电站所有设备巡检点位的航点；对所有航点进行航点属性进行配置，根据待巡检设备确定与其绑定的航点的空间位置信息；对航点进行航迹规化；面向设备目标进行驱动，当选定待巡检设备时通过查询设备与航点的绑定文件智能选择航点，再进行航迹规化，摆脱了对之前设计航线的依赖，运维人员无需再从数百条航线中搜寻匹配，大大提高了工作效率。

Description

一种面向设备目标驱动的变电站巡检航线生成方法

技术领域：

本发明涉及无人机的巡检领域，尤其涉及一种面向设备目标驱动的变电站巡检航线生成方法。

背景技术：

目前输变配各专业投入大量的固定无人机场参与电力巡检，实现无人值守固定机场作业，实现区域化全自主无人机巡检，向电力巡检“无人化”迈进。但现有技术中，全自主无人机巡检也需要根据巡检任务进行航线的规划，但由于变电站中航点以及航线太多，给管理带来了很大困难，运维人员下发巡检任务时，从数百条航线中搜寻匹配，大大降低工作效率和准确率，新进员工对变电站业务生疏，更是无法匹配合适的航线，增加了运维人员任务下发匹配航线的难度。

基于此，本发明亟需提出一种新的变电站巡检航线生成方法，根据巡检任务快速生成航线。

发明内容：

为了弥补现有技术问题的不足，本发明的目的是提供一种面向设备目标驱动的变电站巡检航线生成方法，面向设备目标驱动，将设备巡检点航点进行捆绑，对所有航点进行航点属性进行配置，之后直接根据需要巡检的设备巡检点获取航点，通过快速探索随机树星算法、Dubins运算对航点进行航迹规化，这种面向设备目标驱动的变电站巡检航线生成方法，无需运维人员从数百条航线中搜寻匹配，大大提高了工作效率。

本发明的技术方案如下：

一种面向设备目标驱动的变电站巡检航线生成方法，具体步骤包括：

(1)对变电站间隔、设备、设备巡检点位空间位置进行数据采集，生成变电站巡检的三维空间；

(2)对变电站进行可飞区间以及禁飞区间的划分；

(3)根据变电站的类型，一次性采集能够覆盖变电站所有设备巡检点位的航点；

(4)对所有航点进行航点属性进行配置，所述航点属包括航点ID、序号、设备ID、经度、维度、高度、航向、速度、基准点坐标、动作集合、禁飞点、可飞点，生成航点数据库；

(5)根据待巡检设备，从航点数据库中搜寻并确定与其绑定的航点的空间位置信息；

(6)根据步骤(5)中获得的航点信息，拟定航点巡检顺序，对航点间进行航迹规划。

步骤(6)中对航点间进行航迹规划，具体是根据变电站巡检的三维空间及可飞区间、及禁飞区间信息，采用快速探索随机树算法获得输出路径；

对输出路径进行Dubins曲线运算平滑处理，以获得平滑曲线路径。

所述快速探索随机树算法具体采用的是双向椭圆采样快速探索随机树星算法，具体包括以下步骤：

(2.1)以起始航点、目标航点为目标，分别从起始航点X_init向着目标航点X_goal搜索的过程中构建拓展随机T1，同时目标点X_goal也像起始点X_init构建拓展随机T2；

(2.2)在构建拓展随机T1、T2的每一次循环中，产生一个随机点X_rand，随机点的生成是任意的，即可以在整个状态空间内；

(2.3)在得到原始轨迹之后，采用椭圆型曲线采样法进行采样，随着算法的迭代逐步缩小采样空间；

(2.4)在产生随机点X_rand后，遍历随机树中的每一个节点，计算每一个节点与该循环生成的随机点之间的距离，找出距离此随机点最近的节点，记为X_near；

(2.5)定义一个步进变量ρ，当找到X_near时，X_near向X_near与X_rand连线方向扩展ρ步长，因此这里的ρ也就是状态方程的输入u，扩展后产生新的节点X_new；

(2.6)判断X_new是否满足非完整微分约束，如果不满足，舍弃X_new，重新产生新的随机点；如果满足非完整微分约束，则加入X_new，并在X_near到X_new之间加上一条边；

(2.7)在扩展得到X_new之后对新生成节点相邻节点的搜索以重新选择父节点，最后再进行随机T的重新布线；

(2.8)相应的，再插入新节点X_new的过程中，如果X_near、X_new和X_rand到X_new之间的边任意一个位于X_obs中或者与X_obs相交，则此次循环不添加任何节点，在下一次循环中重新生成新的随机点X_new，然后再进行判断，如果属于X_free，则保留新节点；

(2.9)在T1和T2中不断迭代，判断T1和T2之间的距离是否小于阈值。如果如果随机树之间的距离大于阈值，就在进行迭代，直到两者之间的距离小于阈值，从两个随机数相遇的节点上，分别反向取到起始点X_init和目标点X_goal；

(2.10)一旦找到一条新的更加优化的路径，就一直重复上述操作，不断进行采样空间的缩小，当椭圆区间收敛到两个焦点之间的线段时，即寻得最优化的路径，这个过程大大提升了算法寻优的速度。

对输出路径进行Dubins曲线运算平滑处理，以获得平滑曲线路径，具体包括以下步骤：

(3.1)对于无人机航线的起始点A和航线的终止点B，采用三段路径分割的方法，这三段路径分别是:起始点到切线点1段，从切线点1到切线点2段，从切点2到终止点段；

(3.2)计算由航迹点wp₁,wp₂,wp₃组成的两段连续航段wp₁,wp₂和wp₂,wp₃之间的夹角；

(3.3)当wp₁,wp₂和wp₂,wp₃之间的夹角小于无人机最大转弯角θ_max时，无人机可以顺利转弯到达下一个目标航点，故采用双向椭圆采样快速探索随机树星算法生成的路径作为无人机的航线；

当wp₁,wp₂和wp₂,wp₃之间的夹角大于无人机最大转弯角θ_max时，无人机在路径规划所得航线中并不能满足无人机的最大转弯角，无人机顺利转弯到达下一个目标点。

根据无人机飞行时的最大转弯角θ_max和无人机的速度V，计算出该无人机在飞行过程中最小转弯半径R_min：

由于

可以计算出wp₁,wp₂,wp₃连接内接圆的圆心C位置：

在确定了圆心C后，对航迹点wp₁,wp₃之间wp₂进行删除，对内接弧的角度为180°-α进行m等分，在弧上标出m个无人机规划航线的航迹点dp₁,dp₂,...,dp_m，将在wp₁,wp₃之间引入这些计算的航点，就可以实现无人机在实际飞行中的航迹平滑。

wp₁,wp₂,wp₃先前的航迹点，经过Dubins曲线的思想加入后，平滑航迹所得的航迹点序列表示为:

wp₁,dp₁,dp₂,...,dp_m,wp₃

其中，dp₁到dp_m分别为内切圆与两航段的边所形成的切点。

本发明的优点是：

1、本发明面向设备目标进行驱动，将设备巡检点航点进行捆绑，对所有航点进行航点属性进行配置，当选定待巡检设备时通过查询设备与航点的绑定文件智能选择航点，再通过快速探索随机树星算法、Dubins运算对航点进行航迹规化，摆脱了对之前设计航线的依赖，运维人员无需再从数百条航线中搜寻匹配，大大提高了工作效率。

2、本发明在快速探索随机树星的架构基础上，引入了椭圆采样空间的思想逐步缩小随机树的采样空间，并进行不断优化，然后在利用双向快速探索随机树星算法的思想对树的起始点和终点同时扩展出两棵随机树，从而实现快速路径寻优。

3.本发明在优化航迹节点个数的前提下，提高了收敛速度且降低了航迹距离，在保证无人机避障的基础上获得一条有效航迹。

附图说明：

图1为本发明的对航点进行航迹规划方法流程图。

图2为本发明改进RRT*算法的搜索过程示意图。

图3为本发明改进RRT*算法的采样空间。

图4为本发明Dubins曲线原理。

图5为本发明基于DP的航迹平滑示意图。

具体实施方式：

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实施例，而不是全部的实施例。

一种面向设备目标驱动的变电站巡检航线的生成方法，包括以下步骤：

(1)对变电站间隔、设备、设备巡检点位空间位置进行数据采集，生成变电站巡检的三维空间；

(2)对变电站进行可飞区间以及禁飞区间的划分；

(3)根据变电站的类型，一次性采集能够覆盖变电站所有设备巡检点位的航点；

(4)对所有航点进行航点属性进行配置，所述航点属包括航点ID、序号、设备ID、经度、维度、高度、航向、速度、基准点坐标、动作集合、禁飞点、可飞点，生成航点数据库；

(5)根据待巡检设备，从航点数据库中搜寻并确定与其绑定的航点的空间位置信息；

(6)根据步骤(5)中获得的航点信息，拟定航点巡检顺序，对航点间进行航迹规划。

对航点进行航迹规化，具体步骤如下：

步骤1：获取变电站飞行环境信息，包括飞行区域、设置变电站设备周围5米区域为禁飞区；

步骤2：设置无人机航迹规划的初始条件，包含无人机航迹规划的起始点、目标点、初始方向角、步长、无人机最大转弯角和航迹的最大允许长度d_max。

步骤3：设置无人机初始航点X_init并根据待巡检设备选择目标航点X_goal。

步骤4：基于双向椭圆采样快速探索随机树星算法进行航线规划。

(4.1)向着目标航点X_goal搜索的过程中构建拓展随机T1，同时目标点X_goal也像起始点X_init构建拓展随机T2；

(4.2)在每一次循环中，产生一个随机点X_rand，随机点的生成是任意的，即可以在整个状态空间内。

(4.3)在得到原始轨迹之后，采用椭圆型曲线采样法进行采样，随着算法的迭代逐步缩小采样空间，如图2所示，该方法可以大大减小三维空间下计算的时间复杂度。具体步骤如下：

如图3所示，算法在初始点和目标点以及目前迭代过程中发现最优路径的成本c_max来构造椭圆状态子集空间。在找到一条可行的初始路径之后，它的起始点X_init和目标点X_goal分别作为两个焦点，c_min为两个焦点之间的距离，以轨迹的长度c_best作为长轴，短轴为

从而构建一个椭圆选区，接下来所有的采样点X_rand都要落在这个椭圆的采样空间内。

(4.4)在产生随机点X_rand后，遍历随机树中的每一个节点，计算每一个节点与该循环生成的随机点之间的距离，找出距离此随机点最近的节点，记为X_near。

(4.5)定义一个步进变量ρ，当找到X_near时，X_near向X_near与X_rand连线方向扩展ρ步长，因此这里的ρ也就是状态方程的输入u，扩展后产生新的节点X_new。

(4.6)判断X_new是否满足非完整微分约束，如果不满足，舍弃X_new，重新产生新的随机点。如果满足非完整微分约束，则加入X_new，并在X_near到X_new之间加上一条边。

(4.7)在扩展得到X_new之后对新生成节点相邻节点的搜索以重新选择父节点，最后再进行随机T的重新布线。

(4.8)相应的，再插入新节点X_new的过程中，如果X_near、X_new和X_rand到X_new之间的边任意一个位于X_obs中或者与X_obs相交，则此次循环不添加任何节点，在下一次循环中重新生成新的随机点X_new，然后再进行判断，如果属于X_free，则保留新节点。

(4.9)在T1和T2中不断迭代，判断T1和T2之间的距离是否小于阈值。如果如果随机树之间的距离大于阈值，就在进行迭代，直到两者之间的距离小于阈值，从两个随机数相遇的节点上，分别反向取到起始点X_init和目标点X_goal；

(4.10)一旦找到一条新的更加优化的路径，就一直重复上述操作，不断进行采样空间的缩小，当椭圆区间收敛到两个焦点之间的线段时c_best＝c_max，即寻得最优化的路径，这个过程大大提升了算法寻优的速度。

步骤5：对输出路径进行Dubins运算平滑处理，以获得平滑曲线路径。因为快速探索随机树星算法(RRT*)的随机采样性，无论双向RRT*还是基于椭圆采样的RRT*都存在路径波浪曲折的特性。可能也会因为机身的机动性能约束，航线过于曲折可能导致无人机无法转弯等操作。在得到的航迹路径中也无法保证无人机的可飞行性，需要进一步进行平滑处理，因此引入Dubins曲线使得路径规划出的航线更加光滑，符合飞行路线的要求。

如图4所示，Dubins解决这样一个问题：给定起始点和终止点的坐标和朝向角，然后dubins曲线可以连接这两个点，其中曲线是没有曲率突变的。在满足条件下，可能规划多条曲线的路径。这时候需要计算针对每种不同情况下最优曲线，从而寻找最佳的航线，也就是所谓的路径最短。对于起始点A和终止点B，采用三段路径分割的方法。这三段路径分别是:起始点到切线点1段，从切线点1到切线点2段，从切点2到终止点段。依据每段路径的方向，Dubins集合D＝{LSL,RSR,RSL,LSR,RLR,LRL}。L表示从沿逆时针方向的圆弧运动，R表示沿顺时针方向圆弧运动，S表示沿直线运动，黑色粗体轨迹为Dubins曲线。

如图5所示，若由航迹点wp₁,wp₂,wp₃组成的两段连续航段wp₁,wp₂和wp₂,wp₃之间的夹角大于无人机最大转弯角θ_max时，无人机在路径规划所得航线中并不能满足无人机的最大转弯角，无人顺利转弯到达下一个目标点。根据上述，根据无人机飞行时的最大转弯角θ_max和无人机的速度V，计算出该无人机在飞行过程中最小转弯半径R_min：

由于

可以计算出wp₁,wp₂,wp₃连接内接圆的圆心C位置：

在确定了圆心C后，对航迹点wp₁,wp₃之间wp₂进行删除，对内接弧的角度为180°-α进行m等分，在弧上标出m个无人机规划航线的航迹点dp₁,dp₂,...,dp_m，将在wp₁,wp₃之间引入这些计算的航点，就可以实现无人机在实际飞行中的航迹平滑。

wp₁,wp₂,wp₃先前的航迹点，经过Dubins曲线的思想加入后，平滑航迹所得的航迹点序列表示为:

wp₁,dp₁,dp₂,...,dp_m,wp₃

其中，dp₁到dp_m分别为内切圆与两航段的边所形成的切点。

步骤6：保存优化后的路径。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种面向设备目标驱动的变电站巡检航线生成方法，其特征在于，具体步骤包括：

(1)对变电站间隔、设备、设备巡检点位空间位置进行数据采集，生成变电站巡检的三维空间；

(2)对变电站进行可飞区间以及禁飞区间的划分；

(3)根据变电站的类型，一次性采集能够覆盖变电站所有设备巡检点位的航点；

(4)对所有航点进行航点属性进行配置，所述航点属包括航点ID、序号、设备ID、经度、维度、高度、航向、速度、基准点坐标、动作集合、禁飞点、可飞点，生成航点数据库；

(5)根据待巡检设备，从航点数据库中搜寻并确定与其绑定的航点的空间位置信息；

(6)根据步骤(5)中获得的航点信息，拟定航点巡检顺序，对航点间进行航迹规划。

2.根据权利要求1所述一种面向设备目标驱动的变电站巡检航线生成方法，其特征在于，步骤(6)中，对航点间进行航迹规划，具体为：根据变电站巡检的三维空间及可飞区间、及禁飞区间信息，采用快速探索随机树算法获得输出路径；

对输出路径进行Dubins曲线运算平滑处理，以获得平滑曲线路径。

3.根据权利要求2所述一种面向设备目标驱动的变电站巡检航线生成方法，其特征在于，所述快速探索随机树算法具体采用的是双向椭圆采样快速探索随机树星算法，具体包括以下步骤：

(2.1)以起始航点、目标航点为目标，分别从起始航点X_init向着目标航点X_goal搜索的过程中构建拓展随机T1，同时目标点X_goal也像起始点X_init构建拓展随机T2；

(2.2)在构建拓展随机T1、T2的每一次循环中，产生一个随机点X_rand，随机点的生成是任意的，即可以在整个状态空间内；

(2.3)在得到原始轨迹之后，采用椭圆型曲线采样法进行采样，随着算法的迭代逐步缩小采样空间；

(2.4)在产生随机点X_rand后，遍历随机树中的每一个节点，计算每一个节点与该循环生成的随机点之间的距离，找出距离此随机点最近的节点，记为X_near；

(2.5)定义一个步进变量ρ，当找到X_near时，X_near向X_near与X_rand连线方向扩展ρ步长，因此这里的ρ也就是状态方程的输入u，扩展后产生新的节点X_new；

(2.6)判断X_new是否满足非完整微分约束，如果不满足，舍弃X_new，重新产生新的随机点；如果满足非完整微分约束，则加入X_new，并在X_near到X_new之间加上一条边；

(2.7)在扩展得到X_new之后对新生成节点相邻节点的搜索以重新选择父节点，最后再进行随机T的重新布线；

(2.8)相应的，再插入新节点X_new的过程中，如果X_near、X_new和X_rand到X_new之间的边任意一个位于X_obs中或者与X_obs相交，则此次循环不添加任何节点，在下一次循环中重新生成新的随机点X_new，然后再进行判断，如果属于X_free，则保留新节点；

(2.9)在T1和T2中不断迭代，判断T1和T2之间的距离是否小于阈值。如果如果随机树之间的距离大于阈值，就在进行迭代，直到两者之间的距离小于阈值，从两个随机数相遇的节点上，分别反向取到起始点X_init和目标点X_goal；

(2.10)一旦找到一条新的更加优化的路径，就一直重复上述操作，不断进行采样空间的缩小，当椭圆区间收敛到两个焦点之间的线段时，即寻得最优化的路径，这个过程大大提升了算法寻优的速度。

4.根据权利要求2所述一种面向设备目标驱动的变电站巡检航线生成方法，其特征在于，对输出路径进行Dubins曲线运算平滑处理，以获得平滑曲线路径，具体包括以下步骤：

(3.1)对于无人机航线的起始点A和航线的终止点B，采用三段路径分割的方法，这三段路径分别是:起始点到切线点1段，从切线点1到切线点2段，从切点2到终止点段；

(3.2)计算由航迹点wp₁,wp₂,wp₃组成的两段连续航段wp₁,wp₂和wp₂,wp₃之间的夹角；

(3.3)当wp₁,wp₂和wp₂,wp₃之间的夹角小于无人机最大转弯角θ_max时，无人机可以顺利转弯到达下一个目标航点，故采用双向椭圆采样快速探索随机树星算法生成的路径作为无人机的航线；

当wp₁,wp₂和wp₂,wp₃之间的夹角大于无人机最大转弯角θ_max时，无人机在路径规划所得航线中并不能满足无人机的最大转弯角，无人顺利转弯到达下一个目标点

根据无人机飞行时的最大转弯角θ_max和无人机的速度V，计算出该无人机在飞行过程中最小转弯半径R_min：

由于

可以计算出wp₁,wp₂,wp₃连接内接圆的圆心C位置：

在确定了圆心C后，对航迹点wp₁,wp₃之间wp₂进行删除，对内接弧的角度为180°-α进行m等分，在弧上标出m个无人机规划航线的航迹点dp₁,dp₂,...,dp_m，将在wp₁,wp₃之间引入这些计算的航点，就可以实现无人机在实际飞行中的航迹平滑。

wp₁,wp₂,wp₃先前的航迹点，经过Dubins曲线的思想加入后，平滑航迹所得的航迹点序列表示为:

wp₁,dp₁,dp₂,...,dp_m,wp₃

其中，dp₁到dp_m分别为内切圆与两航段的边所形成的切点。

Images