CN116009586A - 基于蚁群算法获取无人机油田区域巡检路线的方法及系统 - Google Patents

Abstract

本发明公开了一种基于蚁群算法获取无人机油田区域巡检路线的方法及系统，包括：采集无人机巡检区域的目标节点位置和无人机的起降点；基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。本发明能够提高无人机巡检的智能化，不再手动插入航点生成巡检航迹，同时通过蚁群算法，能够降低无人机的飞行架次，减少无人机巡航的能量消耗。

Description

基于蚁群算法获取无人机油田区域巡检路线的方法及系统

技术领域

本发明属于无人机技术领域，涉及一种基于蚁群算法获取无人机油田区域巡检路线的方法及系统。

背景技术

油田大部分位在野外环境，其气候恶劣，易造成设备的老化，不仅会造成财产损失，也涉及到安全生产的问题；因此，对油田的巡检，特别是对油田泵站的巡检显得尤为重要；现有的油田巡检作业中，针对多站场阀室油田区域覆盖问题，依靠传统的人工手动操作方法，在地面测控端插入航点生成航迹，但是依靠作业人员手动插入，得到的航迹不是最优的，会造成较大的能量损耗，对于同一个作业任务，需要增加更多的架次才能完成任务。

发明内容

本发明的目的在于解决现有技术中针对多站场阀室油田区域巡检，依靠人工手动操作，同时对于同一个作业任务，需要增加更多的架次才能完成任务的问题，提供一种基于蚁群算法获取无人机油田区域巡检路线的方法及系统。

为达到上述目的，本发明采用以下技术方案予以实现：

基于蚁群算法获取无人机油田区域巡检路线的方法，包括：

采集无人机巡检区域的目标节点位置和无人机的起降点；

基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；

基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；

基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。

本发明的进一步改进在于：

进一步的，无人机巡检区域的目标节点位置和无人机的起降点为随机设定，目标节点位置和无人机的起降点在无人机巡检区域的任意位置。

进一步的，基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价，具体为：

无人机的起降点信息包括无人机的起飞成本和单位距离的飞行成本；

基于目标节点位置信息，获取任意两个目标节点的欧式距离和无人机飞行架次；

基于无人机的起飞成本、单位距离的飞行成本、任意两个目标节点的欧式距离和无人机飞行架次，构建无人机经过任意两目标节点的路径代价；

令c_ij为无人机经过目标节点v_i和v_j的路径代价，c_ij为：

其中，其中c₀为起飞点的起飞成本，c_d为单位距离的飞行成本，d_ij为目标节点v_i和v_j之间的欧氏距离；N为无人机飞行次数的架次。

进一步的，无人机的约束条件为：无人机在执行每架次的飞行任务时，从相同的起飞点起飞，并在完成飞行任务后返回降落点，起飞点与降落点重合；其次，每一个需要覆盖巡检的目标节点，仅在一架次内完成覆盖巡检，无人机的储存数据不超过无人机本身存储空间的最大值；最后，每架次飞行任务飞行所消耗的时间为非负值。

进一步的，无人机在执行每架次的飞行任务时，从相同的起飞点起飞，并在完成飞行任务后返回降落点，起飞点与降落点重合，具体为：

其中，

表示第n架次任务时经过了目标节点v_i和v_j之间的路径；

每一个需要覆盖巡检的目标节点，仅在一架次内完成覆盖巡检，因此：

同时，无人机内存卡有储存空间限制，因此有：

其中，w_i为巡检目标点i时所消耗的内存空间，W为无人机所携带内存卡的储存空间；

每架次飞行任务飞行所消耗的时间应该非负值，因此有：

其中，Tⁿ表示第n架次飞行任务所消耗的时间。

进一步的，构建无人机巡检飞行目标函数，具体为：

令T_min≤Tⁿ≤T_max，当Tⁿ≤T_min时，附加等待成本c_w，当Tⁿ≥T_max时，附加惩罚成本c_p；无人机巡检飞行目标函数F为：

进一步的，基于蚁群算法为：

在第τ轮迭代时，蚂蚁k从位置点i向j转移，其对应的转移概率定义为：

式中：

为当前边上的信息素量；μ表示在某条路径上信息素航迹挥发后的剩余度；各条路径上信息素航迹的量将按照公式(9)进行调整；

式中：

表示人工蚂蚁k在本次迭代中留在路径<i，j>上的信息素的总量，

为

其中，ξ_i，_j(τ)是启发式函数，

ξ_i，_j(t)＝1/d_i，_j (11)

基于蚁群算法获取无人机油田区域巡检路线的系统，包括：

采集模块，所述采集模块用于采集无人机巡检区域的目标节点位置和无人机的起降点；

第一获取模块，所述第一获取模块基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；

构建模块，所述构建模块基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；

第二获取模块，所述第二获取模块基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。

与现有技术相比，本发明具有以下有益效果：

本发明通过无人机经过任意两目标节点的路径代价、人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数，并通过蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径，能够提高无人机巡检的智能化，不再手动插入航点生成巡检航迹，同时通过蚁群算法，能够降低无人机的飞行架次，减少无人机巡航的能量消耗。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明的地面测控端结构示意图；

图2为本发明的无人机平台结构示意图；

图3为本发明的基于蚁群算法获取无人机油田区域巡检路线的方法流程图；

图4为本发明的基于蚁群算法获取无人机油田区域巡检路线的系统结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

参见图1，无人机巡检系统分为地面测控端和无人机平台。地面测控端在整个巡检系统中担任着交通中枢的角色，负责对由通信链路传来的数据进行接收、解析、显示、记录、分析等处理工作，除此之外还具备向无人机平台发出控制指令的功能，从而达到控制无人机的飞行姿态和航行轨迹的目的，对无人机的飞行安全、飞行任务的成功执行起着至关重要的作用。

本发明将地面测控端的具体功能划分为通信模块、状态检测模块、航迹规划模块、传感器校准模块和数据管理模块五个模块。各个模块包含功能的详细说明如下：

通信模块主要分为两个部分。第一个部分是串口控制，实现的具体功能有：控制串口通信的启停、设置串口号、传输波特率、数据位、校验位、停止位等参数，能够按照预设参数与无人机建立稳定的连接，实现实时的数据接收和发送。第二个部分是通信协议，实现的具体功能有：通过通信协议对由串口接收来的消息帧进行解析，获得消息帧中携带的无人机数据信息，并且能够按照协议要求将操作指令和航迹信息等打包成消息帧，上传到无人机。

状态检测模块的主要功能是实现飞行数据的可视化显示，通过虚拟航空仪表、电子地图、参数列表等虚拟设备对无人机的状态进行监控。无人机飞行过程中的姿态使用虚拟航空仪表直接显示界面上，无人机的位置信息可以实时的准确的显示在电子地图上，另外还有参数列表可以精确实时的显示无人机的各种状态数据例如姿态、空速、飞行时间、位置经纬度、电池信息、系统健康状态等。

航迹规划模块的主要功能是航迹规划，可以实现任务路径的预先规划，在电子地图上显示出相应的航点和路径信息，并且可以对航点的参数进行设置，例如对相应航点的飞行高度、悬停时间、飞行速度等进行预设，最终将任务指令上传到无人机，以完成具体的飞行任务。除此之外还可以将航线信息以本地文本的形式进行保存，并且可以在后续执行重复任务的时候重新载入。

传感器校准模块的主要功能是对无人机上测量值易受环境影响的传感器进行校准，补偿传感器在不同的飞行环境中的测量误差，以保证传感器测量结果的准确性，涉及到的传感器有陀螺仪、加速度计和磁力计。

数据管理模块的主要功能是对飞行数据的有效存储及再分析，飞行数据的存储的方式有本地文件系统存储和数据库存储两种方式，通过绘制曲线图的方式对数据进行分析。

无人机平台包含飞控计算机和多个传感器，并搭载各种巡检设备，无人机飞行控制系统总体由机载飞控计算机、伺服作动系统、传感器系统和电源适配系统四个部分组成，四个组成部分相互协作，共同作用，实现无人机的飞行与控制；参见图2。

地面测控端将数据发送给机载飞控计算机，机载飞控计算机对数据进行处理并发送给伺服动作系统，伺服动作系统基于传感器系统所采集的无人机飞行数据和机载飞控计算机发送的数据，驱动无人机进行飞行姿态的调整，同时传感器系统将采集到的无人机飞行数据发送给机载飞控计算机，机载飞控计算机将数据传递至地面测控端；电源适配系统向机载飞控计算机、伺服作动系统和传感器系统供电。

车辆路线问题(VRP)是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。针对多站场阀室油田区域覆盖问题，试图通过安排若干个架次来遍历所有的站场阀室，同时每个架次固定翼无人机都有相同的起飞点，在完成飞行任务后返回降落点，降落点与起飞点重合，现根据VRP问题思路来建立模型。

参见图3，本发明的基于蚁群算法获取无人机油田区域巡检路线的方法，包括：

S101，采集无人机巡检区域的目标节点位置和无人机的起降点；

无人机巡检区域的目标节点位置和无人机的起降点为随机设定，目标节点位置和无人机的起降点在无人机巡检区域的任意位置。

S102，基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；

无人机的起降点信息包括无人机的起飞成本和单位距离的飞行成本；

基于目标节点位置信息，获取任意两个目标节点的欧式距离和无人机飞行架次；

基于无人机的起飞成本、单位距离的飞行成本、任意两个目标节点的欧式距离和无人机飞行架次，构建无人机经过任意两目标节点的路径代价；

令c_ij为固定翼无人机经过目标节点v_i和v_j的路径代价，c_ij为：

其中c₀为起飞点的起飞成本，c_d为单位距离的飞行成本，d_ij为目标节点v_i和v_j之间的欧氏距离。w_i为巡检目标点i时所消耗的内存空间，W为无人机所携带内存卡的储存空间。无人机在执行一次飞行任务中，所携带电池和储存卡满足n架次飞行，设地图上有M个目标点需要固定翼无人机去巡检，V是包含起飞点和所有目标点的节点集合，E是两节点连接得到路径的集合，用

表示第n架次任务时经过了目标节点v_i和v_j之间的路径，G＝(V，E)表示图结构，固定翼无人机起降点和目标点坐标信息已知。

S103，基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；

确定所需的架次树N，每架次的任务形成一条路径回路，并且使固定翼无人机航程总距离最小。为了陷入局部极小值，对每架次总共消耗的时间进行限制，用Tⁿ表示第n架次飞行任务所消耗的时间，并令T_min≤Tⁿ≤T_max，当Tⁿ≤T_min时，附加一个等待成本c_w，当Tⁿ≥T_max时，附加一个惩罚成本c_p。综上设计模型目标函数F为：

对于目标函数F共同考虑尽量减少车辆数量和所有车辆的行驶距离。因此还额外考虑了每架次的起飞成本，时间成本这是一个多目标问题，使车辆的数量、车辆之间的距离和时间惩罚成本最小化。

约束条件：首先要求每架次的飞行任务，都从相同的起飞点起飞，并在完成飞行任务后返回降落点，设起飞点与降落点重合，因此有：

其次，每一个需要覆盖巡检的目标节点，仅在一架次内完成覆盖巡检，因此有：

同时，固定翼无人机内存卡有储存空间限制，因此有：

最后，每架次飞行任务飞行所消耗的时间应该非负值，因此有：

S104，基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。

在求解的过程中，为了对蚁群的行为进行仿真，引入以下描述符号：W为蚁群中蚂蚁的个数；d_i，j(i＝1，2，…，n₁；j＝1，2，…，n₂；n₁和n₂分别是对平面工作环境的2维划分维数)为平面环境中位置点i与j之间的距离；b_i(t)为t时刻位于位置点i处的蚂蚁数目；δ_i，j(t)表示t时刻在路径<i，j>上残留的信息素轨迹的量，显然，有等式

因为在初始时刻，每条路径的信息素轨迹的量都是相等的，所以有预设条件δ_i，j(t)＝C(C是一定常数)。蚂蚁k(k＝1，2，…，W)在运动过程中，会根据各条路径上的信息素轨迹量决定其下一步的转移方向。设在第τ轮迭代时，在时刻t时，蚂蚁k要从位置点i向j转移，其对应的转移概率可定义为：

式中，ξ_i，j(τ)是能见度的局部启发式函数(在该问题中定义为1/d_i，j)；r为i与j之间位置点。中间参数α和β分别表示δ_i，j(τ)和ξ_i，j(τ)对整个转移概率的影响权值；

表示蚂蚁k在位置点i处的可行邻域(即与点i相邻且尚末被蚂蚁k访问过的位置点的集合)，借助于种群的记忆功能，这个集合在进化过程中将会不断地动态调整。随着时间的推移，信息素轨迹将会逐渐地挥发，这里用μ表示在某条路径上信息素轨迹挥发后的剩余度.在经过h个时刻后，蚁群会完成一个循环的移动。此时，各条路径上信息素轨迹的量将按照

进行调整，式中：

表示人工蚂蚁k在本次迭代中留在路径<i，j>上的信息素的总量，

为

其中，Q为表示信息素轨迹强度的一定常数；L_k表示蚂蚁k在本次循环中经过的所有路径的长度。通常蚁群算法采用禁忌表来储存人工蚂蚁已经走过的节点，在这里采用反向思路，设

表示人工蚂蚁k在节点i处时，尚未探索的节点，即下一步的可行节点集，借助于种群的记忆功能，这个集合在进化过程中将会不断地动态调整

通过使用一个人工蚂蚁集群(共K只蚂蚁)生成解决方案。每只蚂蚁开始时的负载为零，负载能为W。人工蚂蚁的节点选择序列形成了第一架次固定翼无人机的航迹，节点的负载是该节点所要消耗的内存空间。每当蚂蚁因超载而返回起始点时，就认为需要增加另一架次的飞行任务，新的架次飞行任务开始时，将人工蚂蚁的负载重置为零，然后人工蚂蚁返回起始点的次数等于所需飞行架次的数量，这样的迭代过程重复，直到所有节点都被蚂蚁覆盖，即所有目标节点都由无人机覆盖巡检过。用K只人工蚂蚁运行蚁群算法进行一轮搜索，可以得到VRP问题的K个解，其中人工蚂蚁k得到的解记为(D_k，C_k)。

对蚁群算法的得到的解集进行优化，首先通过蚁群算法得到所有人工蚂蚁的初始解集为{(D_k，C_k)}，k∈[1，K]，现对获得的解集进行如下的优化更新：

①将解集分为集合A和集合B，集合A包含所有代价小于(C_min+C_max)/2的解，集合B包含剩余的解。集合A的最优解为

集合B的最优解为

②对于集合A，将其中的每个解替换为一个随机生成的解。

③对于集合B，随机生成一个解

同时伴随生成一个随机数r∈(0，1)。在算法执行时，预先设置了一个参考概率ρ，接下来分两种情况讨论：如果r＜ρ，且

则将集合B的最优解

替换为随机生成的解

如果r≥ρ，随机在集合B中选择一个非最优的解

当

时，用随机生成的解

替换集合B中随机选择的非最优的解

④使用基本的蚁群算法生成最优的解。

对于集合A，在更新过程中，新的解直接替换旧的解。由于集合A中每个初始解的代价都小于(C_min+C_max)/2，因此更新后的解之间的差异比较大，这在一定程度上有助于保持多样性，避免陷入局部最优。对于群集B，只有当新的解的代价小于目前解的代价时，随机生成的解才有概率被接受替换，由于群集B中的每个初始解决方案的成本大于(C_min+C_max)/2，因此高成本的解决方案更有可能被低成本的解决方案所取代。综上，算法在保持解的多样性的同时提高了收敛速度。

参见图4，本发明公布了一种基于蚁群算法获取无人机油田区域巡检路线的系统，包括：

采集模块，所述采集模块用于采集无人机巡检区域的目标节点位置和无人机的起降点；

第一获取模块，所述第一获取模块基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；

构建模块，所述构建模块基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；

第二获取模块，所述第二获取模块基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，包括：

采集无人机巡检区域的目标节点位置和无人机的起降点；

基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；

基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；

基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。

2.根据权利要求1所述的基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，所述无人机巡检区域的目标节点位置和无人机的起降点为随机设定，目标节点位置和无人机的起降点在无人机巡检区域的任意位置。

3.根据权利要求2所述的基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，所述基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价，具体为：

所述无人机的起降点信息包括无人机的起飞成本和单位距离的飞行成本；

基于目标节点位置信息，获取任意两个目标节点的欧式距离和无人机飞行架次；

基于无人机的起飞成本、单位距离的飞行成本、任意两个目标节点的欧式距离和无人机飞行架次，构建无人机经过任意两目标节点的路径代价；

令c_ij为无人机经过目标节点v_i和v_j的路径代价，c_ij为：

其中，其中c₀为起飞点的起飞成本，c_d为单位距离的飞行成本，d_ij为目标节点v_i和v_j之间的欧氏距离；N为无人机飞行次数的架次。

4.根据权利要求3所述的基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，所述无人机的约束条件为：无人机在执行每架次的飞行任务时，从相同的起飞点起飞，并在完成飞行任务后返回降落点，起飞点与降落点重合；其次，每一个需要覆盖巡检的目标节点，仅在一架次内完成覆盖巡检，无人机的储存数据不超过无人机本身存储空间的最大值；最后，每架次飞行任务飞行所消耗的时间为非负值。

5.根据权利要求4所述的基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，所述无人机在执行每架次的飞行任务时，从相同的起飞点起飞，并在完成飞行任务后返回降落点，起飞点与降落点重合，具体为：

其中，

表示第n架次任务时经过了目标节点v_i和v_j之间的路径；

每一个需要覆盖巡检的目标节点，仅在一架次内完成覆盖巡检，因此：

同时，无人机内存卡有储存空间限制，因此有：

其中，w_i为巡检目标点i时所消耗的内存空间，W为无人机所携带内存卡的储存空间；

每架次飞行任务飞行所消耗的时间应该非负值，因此有：

其中，Tⁿ表示第n架次飞行任务所消耗的时间。

6.根据权利要求5所述的基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，所述构建无人机巡检飞行目标函数，具体为：

令T_min≤Tⁿ≤T_max，当Tⁿ≤T_min时，附加等待成本c_w，当Tⁿ≥T_max时，附加惩罚成本c_p；无人机巡检飞行目标函数F为：

7.根据权利要求6所述的基于蚁群算法获取无人机油田区域巡检路线的方法，其特征在于，所述基于蚁群算法为：

在第τ轮迭代时，蚂蚁k从位置点i向j转移，其对应的转移概率定义为：

式中：

为当前边上的信息素量；μ表示在某条路径上信息素航迹挥发后的剩余度；各条路径上信息素航迹的量将按照公式(9)进行调整；

式中：

表示人工蚂蚁k在本次迭代中留在路径<i，j>上的信息素的总量，

为

其中，ξ_i，_j(τ)是启发式函数，

ξ_i，_j(t)＝1/d_i，_j (11)。

8.基于蚁群算法获取无人机油田区域巡检路线的系统，其特征在于，包括：

采集模块，所述采集模块用于采集无人机巡检区域的目标节点位置和无人机的起降点；

第一获取模块，所述第一获取模块基于目标节点位置和无人机的起降点，获取无人机经过任意两目标节点的路径代价；

构建模块，所述构建模块基于无人机的路径代价、无人机飞行所消耗的时间及无人机的约束条件，构建无人机巡检飞行目标函数；

第二获取模块，所述第二获取模块基于蚁群算法对无人机巡检飞行目标函数进行处理，获取最优化的飞行路径。

Images