CN116203982A - 无人机电力巡查航迹规划方法及系统 - Google Patents
无人机电力巡查航迹规划方法及系统 Download PDFInfo
- Publication number
- CN116203982A CN116203982A CN202310057693.7A CN202310057693A CN116203982A CN 116203982 A CN116203982 A CN 116203982A CN 202310057693 A CN202310057693 A CN 202310057693A CN 116203982 A CN116203982 A CN 116203982A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- planning
- representing
- pheromone
- viewpoint
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims description 103
- 239000003016 pheromone Substances 0.000 claims description 54
- 241000256844 Apis mellifera Species 0.000 claims description 43
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method 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
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人机电力巡查航迹规划方法及系统,涉及电力技术领域,方法包括获取建模信息并基于建模信息,建立三维点云空间;采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;判断全局规划路径是否通过障碍物;若否则输出全局规划路径作为最优路径;若是则采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径。通过采用基于消耗的全局蜂群优化算法结合基于消耗的Dijkstra算法,可在三维空间中快速求解出最优航迹规划结果。
Description
技术领域
本发明涉及电力技术领域,具体涉及一种无人机电力巡查航迹规划方法及系统。
背景技术
中国的电力线分布广泛,而且大多数都地处于恶劣环境,这些电线和杆塔长期暴露在外部环境中,它们的性能受复杂天气及其特性的影响,对传输网络的安全造成重大威胁。多旋翼无人机因其成本低、灵活性高、可控性强而越来越受欢迎。现有多旋翼无人机的动力杆塔检查主要由人操作,操作员根据自己的直觉和经验控制无人机,但人为检查存在很多不足:首先,由于人类视觉的限制,很难直观地测量无人机与电力杆塔或输电线路之间的距离,这就带来了操作风险;其次,人工操纵的轨道路径具有很强的随机性,寻找拍摄点需要花费额外时间,降低巡检效率。而且,目前的无人机航迹规划中也未考虑自然风约束,航迹规划结果并不准确。
发明内容
本发明所要解决的技术问题在于如何在三维空间中实现最优航迹规划。
本发明通过以下技术手段实现解决上述技术问题的:
本发明提出了一种无人机电力巡查航迹规划方法,所述方法包括:
获取建模信息,所述建模信息包括风速、风向、塔架参数以及多旋翼无人机参数;
基于所述建模信息,建立三维点云空间;
采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;
判断所述全局规划路径是否通过障碍物;
若否,则输出所述全局规划路径作为所述最优路径;
若是,则采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径,其中,所述基于消耗的Dijkstra算法中设置的启发式函数为:
f(n)=g(n)+h(n)
g(n)=10*w(s,i)
h(n)=10*w(i,d)
式中:f(n)是任意两个视点的总能耗,g(n)是放大后的从起点s到当前点i的能耗,h(n)是放大后的从当前点i到终点d的能耗,w(s,i)表示从起点s到当前点i的能耗,w(i,d)表示是从当前点i到终点d的能耗,表示抗侧风能耗,PV表示无人机直飞轨迹上实际速度等级对应的能耗,/>表示实际速度垂直方向对应的能耗,t表示飞行时间,w表示两视点之间的能量消耗。
由于三维空间中的航迹规划比二维空间中的航迹规划更为复杂,本发明在构建的三维点云空间中,采用基于消耗的全局蜂群优化算法结合基于消耗的Dijkstra算法,可在三维空间中快速求解出航迹规划结果;并且在进行局部路径规划中,有效地将塔架的安全约束和无人机的性能约束与自然风约束结合起来,可实现最优航迹规划。
进一步地,所述基于所述建模信息,建立三维点云空间,包括:
通过ArcGIS软件,将三维点云数据投影到二维平面,得到二维栅格信息;
将ArcGIS获取的二维栅格信息转换为3D阵列,并分别使用0和1存储可飞行空间和障碍物,将数据映射成0-1的网格矩阵作为所述三维点云空间。
进一步地,所述采用基于消耗的全局蜂群优化算法在所述三维点云环境中,规划出一条从起始点S到目标点G的全局规划路径,包括:
依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路;
将所述部分较优的航路根据转换规则形成蚁群算法初始信息素;
利用蜂群优化算法进行状态转换、信息素更新,输出最优航路;
其中,信息素更新如下式:
式中:Lk表示第k个航段完成检查后的所有能耗,wj表示第j个航段的能耗,表示第n次迭代后每条轨迹上的信息素,/>表示第n-1次迭代后每条轨迹上的信息素,ρ表示蒸发系数,0<ρ<1,Δτij表示信息素的增量,/>第k只蜜蜂在边缘ij时的信息素的增量,Q为正常数。
进一步地,在所述采用基于消耗的全局蜂群优化算法中,视点选择策略为:在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,将视点之间的能量消耗作为启发式信息,公式表示为:
式中:表示从视点i到视点j的能量消耗,/>表示从视点i到视点s的能量消耗,Jk(i)表示下一步允许蜜蜂遍历的视点集,α与β是启发式因素,/>表示从视点i到视点j的信息素,/>表示从视点i到视点s的信息素,/>表示启发式信息,S表示下一步允许蜜蜂遍历的视点集中的一点。
进一步地,在所述采用基于消耗的Dijkstra算法进行局部路径规划,得到最优路径中,所述方法还包括:
采用放大舍入方法,用整数代替浮点数,计算放大后的从起点s到当前点i的能耗g(n)和放大后的从当前点i到终点d的能耗h(n)。
此外,本发明还提出了一种无人机电力巡查航迹规划系统,所述系统包括:
信息获取模块,用于获取建模信息,所述建模信息包括风速、风向、塔架参数以及多旋翼无人机参数;
三维点云空间构建模块,用于基于所述建模信息,建立三维点云空间;
全局规划模块,用于采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;
判断模块,用于判断所述全局规划路径是否通过障碍物;
输出模块,用于在所述判断模块输出结果为否时,输出所述全局规划路径作为所述最优路径;
局部规划模块,用于在所述判断模块输出结果为是时,采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径并通过所述输出模块输出,其中,所述基于消耗的Dijkstra算法中设置的启发式函数为:
f(n)=g(n)+h(n)
g(n)=10*w(s,i)
h(n)=10*w(i,d)
式中:f(n)是任意两个视点的总能耗,g(n)是放大后的从起点s到当前点i的能耗,h(n)是放大后的从当前点i到终点d的能耗,w(s,i)表示从起点s到当前点i的能耗,w(i,d)表示是从当前点i到终点d的能耗,表示抗侧风能耗,PV表示无人机直飞轨迹上实际速度等级对应的能耗,/>表示实际速度垂直方向对应的能耗,t表示飞行时间,w表示两视点之间的能量消耗。
进一步地,所述三维点云空间构建模块,包括:
投影单元,用于通过ArcGIS软件,将三维点云数据投影到二维平面,得到二维栅格信息;
映射单元,用于将ArcGIS获取的二维栅格信息转换为3D阵列,并分别使用0和1存储可飞行空间和障碍物,将数据映射成0-1的网格矩阵作为所述三维点云空间。
进一步地,所述全局规划模块包括:
航路初步规划单元,用于依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路;
初始信息素生成单元,用于将所述部分较优的航路根据转换规则形成蚁群算法初始信息素;
信息素更新单元,用于利用蜂群优化算法进行状态转换、信息素更新,输出最优航路;其中,信息素更新如下式:
式中:Lk表示第k个航段完成检查后的所有能耗,wj表示第j个航段的能耗,表示第n次迭代后每条轨迹上的信息素,/>表示第n-1次迭代后每条轨迹上的信息素,ρ表示蒸发系数,0<ρ<1,Δτij表示信息素的增量,/>第k只蜜蜂在边缘ij时的信息素的增量,Q为正常数。
进一步地,所述全局规划模块在采用基于消耗的全局蜂群优化算法中,视点选择策略为:在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,将视点之间的能量消耗作为启发式信息,公式表示为:
式中:表示从视点i到视点j的能量消耗,/>表示从视点i到视点s的能量消耗,Jk(i)表示下一步允许蜜蜂遍历的视点集,α与β是启发式因素,/>表示从视点i到视点j的信息素,/>表示从视点i到视点s的信息素,/>表示启发式信息,S表示下一步允许蜜蜂遍历的视点集中的一点。
进一步地,所述局部规划模块,还用于:
采用放大舍入方法,用整数代替浮点数,计算放大后的从起点s到当前点i的能耗g(n)和放大后的从当前点i到终点d的能耗h(n)。
本发明的优点在于:
(1)由于三维空间中的航迹规划比二维空间中的航迹规划更为复杂,本发明在构建的三维点云空间中,采用基于消耗的全局蜂群优化算法结合基于消耗的Dijkstra算法,可在三维空间中快速求解出航迹规划结果;并且在进行局部路径规划中,有效地将塔架的安全约束和无人机的性能约束与自然风约束结合起来,可实现最优航迹规划。
(2)在三维点云空间的构建时,通过ArcGIS软件获取三维点云数据,由于三维点云数据的精度高于无人机的悬停精度,多旋翼无人机无法根据点云的精度飞行,因此对三维点云数据进行格栅化,通过格栅化将数据精度和悬停精度保持一致。
(3)在蜂群优化算法中,视点选择策略不同于传统蜂群算法,在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,启发式信息是视点之间的能量消耗,而不是路径长度;对无人机路径规划来说路径的能耗因素比路径长度更重要,基于能耗进行路径规划更符合实际要求。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明实施例一提出的无人机电力巡查航迹规划方法的流程示意图;
图2是本发明实施例二提出的无人机电力巡查航迹规划系统的结构示意图。
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,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。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。
如图1所示,本发明第一实施例提出了一种无人机电力巡查航迹规划方法,所述方法包括以下步骤:
S10、获取建模信息,所述建模信息包括风速、风向、塔架参数以及多旋翼无人机参数;
S20、基于所述建模信息,建立三维点云空间;
S30、采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;
S40、判断所述全局规划路径是否通过障碍物,若否则执行步骤S50,若是则执行步骤S60;
S50、输出所述全局规划路径作为所述最优路径;
S60、采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径,其中,所述基于消耗的Dijkstra算法中设置的启发式函数为:
f(n)=g(n)+h(n)
g(n)=10*w(s,i)
h(n)=10*w(i,d)
式中:f(n)是任意两个视点的总能耗,g(n)是放大后的从起点s到当前点i的能耗,h(n)是放大后的从当前点i到终点d的能耗,w(s,i)表示从起点s到当前点i的能耗,w(i,d)表示是从当前点i到终点d的能耗,表示抗侧风能耗,PV表示无人机直飞轨迹上实际速度等级对应的能耗,/>表示实际速度垂直方向对应的能耗,t表示飞行时间,w表示两视点之间的能量消耗。
本实施例在建立三维空间时,综合考虑风速、风向、塔架参数以及多旋翼无人机参数等信息,因此三维空间中的航迹规划比二维空间中的航迹规划更为复杂,本实施例在构建的三维点云空间中,采用基于消耗的全局蜂群优化算法结合基于消耗的Dijkstra算法,可在三维空间中快速求解出航迹规划结果;并且在进行局部路径规划中,有效地将塔架的安全约束和无人机的性能约束与自然风约束结合起来,可实现最优航迹规划。
在一实施例中,所述步骤S20:基于所述建模信息,建立三维点云空间,包括以下步骤:
S21、通过ArcGIS软件,将三维点云数据投影到二维平面,得到二维栅格信息;
S22、将ArcGIS获取的二维栅格信息转换为3D阵列,并分别使用0和1存储可飞行空间和障碍物,将数据映射成0-1的网格矩阵作为所述三维点云空间。
需要说明的是,传统的高容量三维点云数据的精度高于多旋翼无人机的悬停精度,因此,多旋翼无人机无法根据点云的精度飞行。本实施例基于ArcGIS软件,利用网格法提取三维点云数据,并将其映射到三维矩阵中,网格法是将搜索空间分割成一定数量的网格,每个网格代表一个可搜索的空间,可飞行空间标记为0,不可飞行空间标记为1,将得到的数据映射成0-1的网格矩阵。
网格方法的关键是将每个正方形的边长设置为适当的长度。为满足轨道规划的精细化要求,每个网格的面积应尽可能小,但也应考虑多旋翼无人机本身悬停精度的影响。然后加载需要处理的3D点云数据,用无人机的悬停精度作为网格边长,使用网格方法将加载的点云数据划分为不同的网格。原始点云数据应包含在相应的网格中,在网格中,每个网格存储相应点云的坐标信息。最后,提取相应的坐标信息,将得到的数据映射成0-1的网格矩阵。
需要说明的是,在三维点云空间的构建时,通过ArcGIS软件获取三维点云数据,由于三维点云数据的精度高于无人机的悬停精度,多旋翼无人机无法根据点云的精度飞行,因此对三维点云数据进行格栅化,通过格栅化将数据精度和悬停精度保持一致。
在一实施例中,所述步骤S30:采用基于消耗的全局蜂群优化算法在所述三维点云环境中,规划出一条从起始点S到目标点G的全局规划路径,包括以下步骤:
S31、依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路;
S32、将所述部分较优的航路根据转换规则形成蚁群算法初始信息素;
S33、利用蜂群优化算法进行状态转换、信息素更新,输出最优航路;
其中,信息素更新如下式:
式中:Lk表示第k个航段完成检查后的所有能耗,wj表示第j个航段的能耗,表示第n次迭代后每条轨迹上的信息素,/>表示第n-1次迭代后每条轨迹上的信息素,ρ表示蒸发系数,0<ρ<1,Δτij表示信息素的增量,/>第k只蜜蜂在边缘ij时的信息素的增量,Q为正常数。
进一步地,所述步骤S31:依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路,具体为:
(1)编码:无人机由起始点S到目标点G,要依次通过线段L上的目标点L1,L2,…,Ln,对L上的纵坐标y1,y2,…,yn进行编码寻优,将二维编码问题进一步简化为一维编码问题。
具体地,采用十进制编码,将染色体的值限定在规划空间范围内,即yi∈[0,n],根据表1建立染色体编码。
表1遗传算法染色体编码
y1 | y2 | y3 | … | yi | … | yn-1 | yn |
(2)选择算子:对群体染色体的适应值排序,采用“轮盘赌”的选择方法,适应值大的染色体选中的机会越大,同时保留最优个体。
(3)自适应交叉算子:为促使新个体的形成,进化初期交叉概率取大一点,随着群体的进化,交叉概率不断减小,对相邻个体的染色体进行采用多点随机交叉。
(4)小变异算子:考虑到无人机转弯半径和距离代价,变异的染色体采用比较小的步长Δ,使染色体的值变化在节点附近一定的范围内变化,避免大角度转弯,染色体y的变异方式如下式:
yi=yi+Δ
其中,Δ为一随机整数,Δ取在±3内。
(5)引入新种群:在进化过程中,对于每一代适应值小于种群平均适应值的个体淘汰,并随机引入新的种群,这样增加了种群的多样性,有利于全局搜索最优解。
在一实施例中,在所述采用基于消耗的全局蜂群优化算法中,视点选择策略为:在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,将视点之间的能量消耗作为启发式信息,公式表示为:
式中:表示从视点i到视点j的能量消耗,/>表示从视点i到视点s的能量消耗,Jk(i)表示下一步允许蜜蜂遍历的视点集,α与β是启发式因素,其中α在范围(1,4)之间,β在范围(3,5)之间,/>表示从视点i到视点j的信息素,/>表示从视点i到视点s的信息素,/>表示启发式信息,S表示下一步允许蜜蜂遍历的视点集中的一点。
需要说明的是,本实施例在蜂群优化算法中,视点选择策略不同于传统蜂群算法,在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,启发式信息是视点之间的能量消耗,而不是路径长度;对无人机路径规划来说路径的能耗因素比路径长度更重要,基于能耗进行路径规划更符合实际要求。
在一实施例中,在所述步骤S60中,采用基于消耗的Dijkstra算法进行局部路径规划,得到最优路径中,所述方法还包括:
采用放大舍入方法,用整数代替浮点数,计算放大后的从起点s到当前点i的能耗g(n)和放大后的从当前点i到终点d的能耗h(n)。
进一步地,为了缩短Dijkstra算法的计算时间,在计算g(n)和h(n)时,采用了放大舍入的方法,用整数代替浮点数。如果直接对距离进行取整,会降低算法的精度,降低算法的效率,甚至找不到最优解。如果放大倍数过大,虽然可以提高算法的精度,但会增加算法的求解时间。将距离扩大10倍,既保证了算法的精度,又避免了数值过大,增加算法的求解时间。
如图2所示,本发明第二实施例还提出了一种无人机电力巡查航迹规划系统,所述系统包括:
信息获取模块10,用于获取建模信息,所述建模信息包括风速、风向、塔架参数以及多旋翼无人机参数;
三维点云空间构建模块20,用于基于所述建模信息,建立三维点云空间;
全局规划模块30,用于采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;
判断模块40,用于判断所述全局规划路径是否通过障碍物;
输出模块50,用于在所述判断模块输出结果为否时,输出所述全局规划路径作为所述最优路径;
局部规划模块60,用于在所述判断模块输出结果为是时,采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径并通过所述输出模块输出,其中,所述基于消耗的Dijkstra算法中设置的启发式函数为:
f(n)=g(n)+h(n)
g(n)=10*w(s,i)
h(n)=10*w(i,d)
式中:f(n)是任意两个视点的总能耗,g(n)是放大后的从起点s到当前点i的能耗,h(n)是放大后的从当前点i到终点d的能耗,w(s,i)表示从起点s到当前点i的能耗,w(i,d)表示是从当前点i到终点d的能耗,表示抗侧风能耗,PV表示无人机直飞轨迹上实际速度等级对应的能耗,/>表示实际速度垂直方向对应的能耗,t表示飞行时间,w表示两视点之间的能量消耗。
由于三维空间中的航迹规划比二维空间中的航迹规划更为复杂,本实施例在构建的三维点云空间中,采用基于消耗的全局蜂群优化算法结合基于消耗的Dijkstra算法,可在三维空间中快速求解出航迹规划结果;并且在进行局部路径规划中,有效地将塔架的安全约束和无人机的性能约束与自然风约束结合起来,可实现最优航迹规划。
在一实施例中,所述三维点云空间构建模块20,包括:
投影单元,用于通过ArcGIS软件,将三维点云数据投影到二维平面,得到二维栅格信息;
映射单元,用于将ArcGIS获取的二维栅格信息转换为3D阵列,并分别使用0和1存储可飞行空间和障碍物,将数据映射成0-1的网格矩阵作为所述三维点云空间。
需要说明的是,在三维点云空间的构建时,通过ArcGIS软件获取三维点云数据,由于三维点云数据的精度高于无人机的悬停精度,多旋翼无人机无法根据点云的精度飞行,因此对三维点云数据进行格栅化,通过格栅化将数据精度和悬停精度保持一致。
在一实施例中,所述全局规划模块30包括:
航路初步规划单元,用于依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路;
初始信息素生成单元,用于将所述部分较优的航路根据转换规则形成蚁群算法初始信息素;
信息素更新单元,用于利用蜂群优化算法进行状态转换、信息素更新,输出最优航路;其中,信息素更新如下式:
式中:Lk表示第k个航段完成检查后的所有能耗,wj表示第j个航段的能耗,表示第n次迭代后每条轨迹上的信息素,/>表示第n-1次迭代后每条轨迹上的信息素,ρ表示蒸发系数,0<ρ<1,Δτij表示信息素的增量,/>第k只蜜蜂在边缘ij时的信息素的增量,Q为正常数。
在一实施例中,所述全局规划模块30在采用基于消耗的全局蜂群优化算法中,视点选择策略为:在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,将视点之间的能量消耗作为启发式信息,公式表示为:
式中:表示从视点i到视点j的能量消耗,/>表示从视点i到视点s的能量消耗,Jk(i)表示下一步允许蜜蜂遍历的视点集,α与β是启发式因素,/>表示从视点i到视点j的信息素,/>表示从视点i到视点s的信息素,/>表示启发式信息,S表示下一步允许蜜蜂遍历的视点集中的一点。
需要说明的是,在蜂群优化算法中,视点选择策略不同于传统蜂群算法,在计算第k个蜜蜂从当前视点i选择下一视点j的概率时,启发式信息是视点之间的能量消耗,而不是路径长度;对无人机路径规划来说路径的能耗因素比路径长度更重要,基于能耗进行路径规划更符合实际要求。
在一实施例中,所述局部规划模块60,还用于:
采用放大舍入方法,用整数代替浮点数,计算放大后的从起点s到当前点i的能耗g(n)和放大后的从当前点i到终点d的能耗h(n)。
需要说明的是,为了缩短Dijkstra算法的计算时间,在计算g(n)和h(n)时,采用了放大舍入的方法,用整数代替浮点数。如果直接对距离进行取整,会降低算法的精度,降低算法的效率,甚至找不到最优解。如果放大倍数过大,虽然可以提高算法的精度,但会增加算法的求解时间。将距离扩大10倍,既保证了算法的精度,又避免了数值过大,增加算法的求解时间。
需要说明的是,本发明所述无人机电力巡查航迹规划系统的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种无人机电力巡查航迹规划方法,其特征在于,所述方法包括:
获取建模信息,所述建模信息包括风速、风向、塔架参数以及多旋翼无人机参数;
基于所述建模信息,建立三维点云空间;
采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;
判断所述全局规划路径是否通过障碍物;
若否,则输出所述全局规划路径作为最优路径;
若是,则采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径,其中,所述基于消耗的Dijkstra算法中设置的启发式函数为:
f(n)=g(n)+h(n)
g(n)=10*w(s,i)
h(n)=10*w(i,d)
2.如权利要求1所述的无人机电力巡查航迹规划方法,其特征在于,所述基于所述建模信息,建立三维点云空间,包括:
通过ArcGIS软件,将三维点云数据投影到二维平面,得到二维栅格信息;
将ArcGIS获取的二维栅格信息转换为3D阵列,并分别使用0和1存储可飞行空间和障碍物,将数据映射成0-1的网格矩阵作为所述三维点云空间。
3.如权利要求1所述的无人机电力巡查航迹规划方法,其特征在于,所述采用基于消耗的全局蜂群优化算法在所述三维点云环境中,规划出一条从起始点S到目标点G的全局规划路径,包括:
依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路;
将所述部分较优的航路根据转换规则形成蚁群算法初始信息素;
利用蜂群优化算法进行状态转换、信息素更新,输出最优航路;
其中,信息素更新如下式:
5.如权利要求1所述的无人机电力巡查航迹规划方法,其特征在于,在所述采用基于消耗的Dijkstra算法进行局部路径规划,得到最优路径中,所述方法还包括:
采用放大舍入方法,用整数代替浮点数,计算放大后的从起点s到当前点i的能耗g(n)和放大后的从当前点i到终点d的能耗h(n)。
6.一种无人机电力巡查航迹规划系统,其特征在于,所述系统包括:
信息获取模块,用于获取建模信息,所述建模信息包括风速、风向、塔架参数以及多旋翼无人机参数;
三维点云空间构建模块,用于基于所述建模信息,建立三维点云空间;
全局规划模块,用于采用基于消耗的全局蜂群优化算法在所述三维点云空间中,规划出一条从起始点S到目标点G的全局规划路径;
判断模块,用于判断所述全局规划路径是否通过障碍物;
输出模块,用于在所述判断模块输出结果为否时,输出所述全局规划路径作为最优路径;
局部规划模块,用于在所述判断模块输出结果为是时,采用基于消耗的Dijkstra算法进行局部路径规划,得到所述最优路径并通过所述输出模块输出,其中,所述基于消耗的Dijkstra算法中设置的启发式函数为:
f(n)=g(n)+h(n)
g(n)=10*w(s,i)
h(n)=10*w(i,d)
7.如权利要求6所述的无人机电力巡查航迹规划系统,其特征在于,所述三维点云空间构建模块,包括:
投影单元,用于通过ArcGIS软件,将三维点云数据投影到二维平面,得到二维栅格信息;
映射单元,用于将ArcGIS获取的二维栅格信息转换为3D阵列,并分别使用0和1存储可飞行空间和障碍物,将数据映射成0-1的网格矩阵作为所述三维点云空间。
8.如权利要求6所述的无人机电力巡查航迹规划系统,其特征在于,所述全局规划模块包括:
航路初步规划单元,用于依次通过编码、个体评价选择、交叉、变异操作在所述三维点云空间得到部分较优的航路;
初始信息素生成单元,用于将所述部分较优的航路根据转换规则形成蚁群算法初始信息素;
信息素更新单元,用于利用蜂群优化算法进行状态转换、信息素更新,输出最优航路;
其中,信息素更新如下式:
10.如权利要求6所述的无人机电力巡查航迹规划系统,其特征在于,所述局部规划模块,还用于:
采用放大舍入方法,用整数代替浮点数,计算放大后的从起点s到当前点i的能耗g(n)和放大后的从当前点i到终点d的能耗h(n)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310057693.7A CN116203982A (zh) | 2023-01-16 | 2023-01-16 | 无人机电力巡查航迹规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310057693.7A CN116203982A (zh) | 2023-01-16 | 2023-01-16 | 无人机电力巡查航迹规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116203982A true CN116203982A (zh) | 2023-06-02 |
Family
ID=86514057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310057693.7A Pending CN116203982A (zh) | 2023-01-16 | 2023-01-16 | 无人机电力巡查航迹规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116203982A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880572A (zh) * | 2023-09-07 | 2023-10-13 | 江西财经大学 | 一种虚拟蜜蜂飞行控制方法 |
-
2023
- 2023-01-16 CN CN202310057693.7A patent/CN116203982A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880572A (zh) * | 2023-09-07 | 2023-10-13 | 江西财经大学 | 一种虚拟蜜蜂飞行控制方法 |
CN116880572B (zh) * | 2023-09-07 | 2023-11-14 | 江西财经大学 | 一种虚拟蜜蜂飞行控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN110334391B (zh) | 一种多维度约束风电场集电线路自动规划方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN110941261B (zh) | 一种自主式水下航行器多区域遍历路径规划方法 | |
CN116225074B (zh) | 一种输电线路无人机巢巡检航线规划方法及系统 | |
CN108921468A (zh) | 一种物流配送车辆智能排线方法 | |
CN116203982A (zh) | 无人机电力巡查航迹规划方法及系统 | |
CN113705982A (zh) | 一种车机协同电力巡检的调度决策方法 | |
CN111426323B (zh) | 一种巡检机器人路线规划方法及装置 | |
CN111126799B (zh) | 基于二分图的共享网络司乘匹配方法 | |
CN114020005B (zh) | 多无人机协同巡检配网线路的航迹规划方法和系统 | |
CN113283827B (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
CN112766687A (zh) | 一种基于深度cnn的飞机总装物料配送优先级分配方法 | |
CN112506216A (zh) | 一种无人机的飞行路径规划方法及装置 | |
CN115328198B (zh) | 空地协同智能路径规划方法 | |
CN108596390B (zh) | 一种解决车辆路径问题的方法 | |
CN113434955B (zh) | 基于数字孪生虚拟模型的舰船信息系统可重构设计方法 | |
CN115826614A (zh) | 一种多无人机能源保障任务分配方法 | |
CN113554215B (zh) | 一种基于蚁群-遗传融合算法的直升机调度航线规划方法 | |
CN115470977A (zh) | 基于帝国竞争算法的多目标柔性作业车间分批调度方法 | |
CN105050096B (zh) | 基于雪堆博弈进化的复杂网络节点覆盖方法 | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
Changxin et al. | UAV electric patrol path planning based on improved ant colony optimization-A* algorithm |
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 |