CN116757343A - 内涝场景下无人机协同移动车的交通监视规划方法及系统 - Google Patents
内涝场景下无人机协同移动车的交通监视规划方法及系统 Download PDFInfo
- Publication number
- CN116757343A CN116757343A CN202310596930.7A CN202310596930A CN116757343A CN 116757343 A CN116757343 A CN 116757343A CN 202310596930 A CN202310596930 A CN 202310596930A CN 116757343 A CN116757343 A CN 116757343A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- road
- aerial vehicle
- vehicle
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 15
- 208000027744 congestion Diseases 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明提供了内涝场景下无人机协同移动车的交通监视规划方法及系统,首先通过加权分析获取内涝场景下路网中的监视任务需求,接着提取监视区域的实际路况特征,为无人机和移动车分配各自适宜的检测路段,然后建立顾及为无人机续航的车辆群与无人机群协同交通监视规划模型,求解模型得到最优监视规划方案。本发明的有益效果是:将无人机群的续航需求加入到了附有应急时间约束的路径规划问题中,有利于内涝应急场景下充分利用移动车与无人机的各自优势,优化了城市内涝下多监测工具的高效协同巡逻问题,提高了城市内涝下的监视效率。
Description
技术领域
本发明涉及智慧城市地理信息服务技术领域,尤其涉及一种内涝场景下无人机协同移动车的交通监视规划方法及系统。
背景技术
由于我国大部分地区受季风气候影响,降水的季节性分配与空间分布的不平衡导致一些城市易发内涝灾害,内涝是指在强降水下超过城市排水能力导致城市内产生积水灾害的现象,危及了城市居民的生命财产安全、也影响了城市安全运行与可持续发展。城市内涝严重危害了交通秩序,在国家发布的城市排水防涝体系建设行动计划中,强调需加强内涝应急处置能力,因而需要及时进行高效合理的交通监视,从而保障城市交通稳系统定与人员安全。
传统的地面警务车辆巡逻监视存在针对性差、灵活性欠缺、监控不及时等问题,而近年来民用无人机的迅速发展有力地弥补了地面监视车辆的不足,其灵活性、高机动性与时效性可以进一步提升城市交通巡逻的效率。因此,采用移动车辆与无人机的协同作业可以更好地发挥各自的优势。现有研究中,移动车辆协同无人机执行任务的方案多为电网巡检、环保监测等领域,移动车主要作为移动仓库使用、为无人机节省能源消耗。
然而,在内涝场景下,移动车辆与无人机的行驶均会受到一定的限制,原因是:
(1)积水较深的路段与拥堵严重的路段不适宜移动车辆执行监视,而涵洞与树木遮蔽处则不适宜无人机执行巡逻任务,现有模型并未考虑监视工具与待监视路段的适应性;
(2)大多相关研究聚焦于最小化单车辆与单无人机、单车辆与多无人机的协同监视总时间,而城市内涝的应急响应中应着重突出应急时限内的高效处理,现有研究未考虑协同任务中的应急时限约束;
过往的研究主要侧重于将移动车作为载体,来弥补无人机受限的续航时长,仅起辅助作用,却并未充分发挥协同两者的最大作用。因此,如何在内涝应急场景下优化移动车与无人机的协同监视路径来提高监视效率,是十分必要的。高效的无人机协同移动车监视路径能够在有限的巡逻时间内获取更多更重要的内涝信息,从而为应急决策提供更多可靠支持,提高城市内涝事件的应急响应效率。
当前,已有一些针对车辆与无人机协同监视规划的研究,他们大多将问题构建为最小化单车辆与单无人机、单车辆与多无人机的协同监视总时间,而城市内涝的应急响应中应着重突出应急时限内的高效处理,现有研究未考虑协同任务中的应急时限约束;此外,现有模型并未考虑监视工具与内涝场景下待监视路段的适应性问题。因而,需要设计一种城市内涝场景下建立顾及为无人机续航的车辆群与无人机群协同监视路径规划方法,以高效完成应急内涝监视任务。
发明内容
为了解决上述问题,本发明提供了一种内涝场景下无人机协同移动车的交通监视规划方法及系统,一种内涝场景下无人机协同移动车的交通监视规划方法主要包括如下步骤:
S1:根据降雨值、车流量数据、预测积水值,获取内涝场景下的监视任务需求;
S2:根据所述监视任务需求,从实际路况提取监视区域路况特征,为无人机和移动车分配各自适宜的监视路段;
S3:根据所述监视路段,建立内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S4:求解所述交通监视规划模型,确定无人机和移动车的最优监视路径,得到最优的协同监视路径方案。
进一步地,步骤S1的具体实现过程为:
S1-1:获取执行监视任务前的近实时降雨值;
S1-2:获取道路上过往车流量统计数据,明确每条道路的拥堵风险性;
S1-3:提取积水模拟所得的路段预测积水值,确定路段各自的积水风险值;
S1-4:采用加权分析方法处理近实时实时降雨值、过往车流量数据、预测积水值,从任务区域中选取一组需要进行监视的路段集合。
进一步地,步骤S2的具体实现过程为:
S2-1:获取监视区域内的实际路况特征,标记出对监测手段有直接影响的路段特征;
S2-2:将车辆受限的任务路段分配为仅可由无人机监视的路段;
S2-3:将无人机受限的路段标记为仅可由车辆监视的路段;
S2-4:剩余的需求任务路段组成可由车辆、无人机协同完成监视的任务路段。
进一步地,步骤S3的具体实现过程为:
S3-1:构建内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S3-2:确定内涝场景下的应急监视任务时间上限,设置移动车、无人机群的起始点约束、访问顺序约束,避免子回路;
S3-3:设定无人机与移动车间的协同关联约束、续航约束,构建需求路段的访问次数约束,确保协同完成所有任务路段的监视巡逻;
S3-4:建立内涝场景下无人机协同移动车的交通监视规划模型,在应急任务时限内最大化路段监视任务需求覆盖;所述交通监视规划模型为:
满足:
其中,w表示所述最大化路段监视任务需求覆盖的目标函数;K表示无人机序列集合与对应的移动车序列集合,k表示第k个无人机或移动车;Sij表示路段(i,j)的需求利润值;用于表示路段(i,j)是否被无人机k访问;/>表示路段(i,j)是否被移动车k访问;/>用于记录第k架无人机是否在(i,j)路段访问前被续航;Ap表示无人机与车辆可共同监测的需求路段;Ad表示仅可由无人机监测的需求路段;Ac表示仅可由车辆监测的需求路段;
(s,s)表示移动车与无人机的起始点,表示路段(i,j)是否在路段(s,s)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被移动车k访问,/>表示路段(i,j)是否在路段(s,s)后被移动车k访问;
表示路段(i',j')是否在路段(i,j)后被无人机k访问,/>表示路段(i,j)是否在路段(i',j')后被无人机k访问,/>表示路段(i',j')是否在路段(i,j)后被移动车k访问;/>表示路段(i,j)是否在路段(i',j')后被移动车k访问;
tij表示无人机飞越路段(i,j)的时间成本;rji'表示无人机从j到i'的最短距离;rij表示无人机从i到j的最短距离;H1表示无人机平均速度;H2表示移动车平均速度;Tmax表示内涝应急任务时间上限;表示移动车k对路段(i,j)的开始服务时间;
表示无人机k对路段(i,j)的开始服务时间;/>表示无人机k对路段(i',j')的开始服务时间;M表示一个足够大的值;/>表示移动车k对路段(i',j')的开始服务时间;rsi表示无人机从s到i的最短距离;Td表示无人机最长连续飞行时间;
决策变量取值为0表示判断结果为否、取值为1表示判断结果为是;
S3-5:求解所述交通监视规划模型,确认无人机和移动车的监视路径,得到最优的协同监视路径方案。
一种内涝场景下无人机协同移动车的交通监视规划系统,包括:
任务需求获得模块,用于根据降雨值、车流量数据、预测积水值,获取内涝场景下的监视任务需求;
监视路段分配模块,用于根据所述监视任务需求,从实际路况提取监视区域路况特征,为无人机和移动车分配各自适宜的监视路段;
交通监视规划模型建立模块,用于根据所述监视路段,建立内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
最优监视路径确定模块,用于通过求解所述交通监视规划模型,确定无人机和移动车的最优监视路径,得到最优的协同监视路径方案。
进一步地,任务需求获得模块的具体实现过程为:
S1-1:获取执行监视任务前的近实时降雨值,通过空间插值获取任务范围内每条道路上的近实时降雨栅格累积值;
S1-2:获取道路上过往车流量统计数据,明确每条道路的拥堵风险性;
S1-3:提取积水模拟所得的路段预测积水值,确定路段各自的积水风险值;
S1-4:采用加权分析方法处理近实时实时降雨值、过往车流量数据、预测积水值,从任务区域中选取一组需要进行监视的路段集合。
进一步地,监视路段分配模块的具体实现过程为:
S2-1:获取监视区域内的实际路况特征,标记出对监测手段有直接影响的路段特征;
S2-2:将车辆受限的任务路段分配为仅可由无人机监视的路段;
S2-3:将无人机受限的路段标记为仅可由车辆监视的路段;
S2-4:剩余的需求任务路段组成可由车辆、无人机协同完成监视的任务路段。
进一步地,交通监视规划模型建立模块的具体实现过程为:
S3-1:构建内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S3-2:确定内涝场景下的应急监视任务时间上限,设置移动车、无人机群的起始点约束、访问顺序约束,避免子回路;
S3-3:设定无人机与移动车间的协同关联约束、续航约束,构建需求路段的访问次数约束,确保协同完成所有任务路段的监视巡逻;
S3-4:建立内涝场景下无人机协同移动车的交通监视规划模型,在应急任务时限内最大化路段监视任务需求覆盖;所述交通监视规划模型为:
满足:
其中,w表示所述最大化路段监视任务需求覆盖的目标函数;K表示无人机序列集合与对应的移动车序列集合,k表示第k个无人机或移动车;Sij表示路段(i,j)的需求利润值;用于表示路段(i,j)是否被无人机k访问;/>表示路段(i,j)是否被移动车k访问;/>用于记录第k架无人机是否在(i,j)路段访问前被续航;Ap表示无人机与车辆可共同监测的需求路段;Ad表示仅可由无人机监测的需求路段;Ac表示仅可由车辆监测的需求路段;
(s,s)表示移动车与无人机的起始点,表示路段(i,j)是否在路段(s,s)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被移动车k访问,/>表示路段(i,j)是否在路段(s,s)后被移动车k访问;如Z1 (11,14)(2,7)表示1号无人机在访问(11,14)需求路段后访问的是(2,7)路段,此处仅考虑任务需求路段,而非路网中所有路段;
表示路段(i',j')是否在路段(i,j)后被无人机k访问,/>表示路段(i,j)是否在路段(i',j')后被无人机k访问,/>表示路段(i',j')是否在路段(i,j)后被移动车k访问;/>表示路段(i,j)是否在路段(i',j')后被移动车k访问;
tij表示无人机飞越路段(i,j)的时间成本;rji'表示路段(i,j)与(i',j')之间的最短距离是从点j到点i';rij表示无人机从i到j的最短距离;H1表示无人机平均速度;H2表示移动车平均速度;Tmax表示内涝应急任务时间上限;表示移动车k对路段(i,j)的开始服务时间;
表示无人机k对路段(i,j)的开始服务时间;/>表示无人机k对路段(i',j')的开始服务时间;M表示一个足够大的值;/>表示移动车k对路段(i',j')的开始服务时间;rsi表示无人机从s到i的最短距离;Td表示无人机最长连续飞行时间;
决策变量取值为0表示判断结果为否、取值为1表示判断结果为是;
S3-5:求解所述交通监视规划模型,确认无人机和移动车的监视路径,得到最优的协同监视路径方案。
本发明提供的技术方案带来的有益效果是:
(1)本发明考虑了内涝场景中的现实路况特征,更适用于实际内涝场景下的监视规划需求,分别为移动车和无人机分配适宜监视的路段,并引入了车辆群为无人机群续航的约束等,充分利用无人机与地面车辆的各自优势来监测各自适宜的监视路段,避免监视任务受实际路况限制无法进行,充分发挥协同优势,且弥补了无人机续航短的限制;
(2)传统发明大多聚焦于最小化巡逻所有任务总时间,忽略了应急响应的时限,本发明通过建立了内涝场景下无人机协同移动车的应急规划模型,在有限的应急任务时间内最大化路段任务需求覆盖,更适用于内涝应急巡逻场景,从而提升协同监视效率、提高重点路段响应速度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种内涝场景下无人机协同移动车的交通监视规划方法的流程图。
图2是本发明实施例中得到监视任务需求的流程图。
图3是本发明实施例中路网节点与路段的示意图。
图4是本发明实施例中路网中监视任务需求的示意图。
图5是本发明实施例中分配适宜的监视路段的示意图。
图6是本发明实施例中根据路况特征将监视任务进行分配后的示意图。
图7是本发明实施例中建立交通监视规划模型的流程图。
图8是本发明实施例中内涝场景下协同交通监视方案的效果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种内涝场景下无人机协同移动车的交通监视规划方法及系统,首先根据近实时降雨值、过往车流量数据、预测积水值,获取内涝场景下的监视任务需求;然后通过提取监视区域的路况特征,为无人机和移动车分配各自适宜的监视路段;再建立车辆群与无人机群协同交通监视规划模型,实现在内涝应急任务时限内最大化路段任务需求覆盖;最后求解模型,得到内涝应急场景下最优的协同监视路径方案。
请参考图1,图1是本发明实施例中一种内涝场景下无人机协同移动车的交通监视规划方法的流程图,具体包括:
S1:根据近实时降雨值、过往车流量数据、预测积水值,获取内涝场景下的监视任务需求,具体流程如图2所示,实现过程为:
S1-1:实验路网选取Sioux Falls网络,由24个节点与38个线段组成,如图3为网络示意图、表1为网络数据表,获取执行监视任务前的近实时降雨值,获取过程为:通过arcgis空间插值获取栅格图层,提取道路缓冲区的栅格值总和为任务范围内每条道路的近实时降雨值;
表1Sioux Falls网络数据值
S1-2:使用百度地图Api获取道路过往车流量统计数据,明确每条道路的拥堵风险性;
S1-3:提取积水模拟所得的路段预测积水值,确定路段各自的积水风险值;
S1-4:采用加权分析方法处理近实时降雨值、过往车流量数据、预测积水值,从任务区域中选取一组需要进行监视的路段集合,如图4所示,本例共选取出19条待监视路段。
S2:提取监视区域路况特征,为无人机和移动车分配各自适宜的监视路段,具体流程如图5所示,实现过程为:
S2-1:获取监视区域内的实际路况特征,标记出严重拥堵、涵洞、树木遮挡、积水较深处这些对监测手段有直接影响的特征,如图6所示,标记出对监测手段有直接影响的路段特征;本实施例中,标记出两条仅可由移动车监视的路段,两条仅可由无人机监视的路段;
S2-2:将车辆无法通过、受拥堵限制的任务路段分配为仅可由无人机监视的路段;
S2-3:将涵洞、树木遮蔽的路段标记为仅可由车辆监视的路段;
S2-4:剩余的需求任务路段组成可由车辆、无人机协同完成监视的任务路段。
S3:建立顾及为无人机续航的车辆群与无人机群协同交通监视规划模型,确定无人机和移动车的最优监视路径,得到最优的协同监视路径方案,具体流程如图7所示,实现过程为:
S3-1:构建内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同任务需求覆盖;
本实施例路网中一个路段由两节点的双向路段{(i,j),(j,i)}代替。(s,s)表示移动车与无人机的起始点,本例中将(9,9)作为起始点;Ap表示无人机与车辆可共同监测的需求路段,本例中包括(1,3)、(2,6)等15条共同监视弧段,在模型中(1,3)、(3,1)表示同一条路段;Ad表示仅可由无人机监测的需求路段,本例中包括(3,12)和(14,15);Ac表示仅可由车辆监测的需求路段,本例中包括(14,23)和(16,17);确定模型的目标函数w为最大化内涝应急场景下无人机协同移动车的任务需求覆盖,即最大化时限内车辆群与无人机群收集的路段需求值总和,同时需将续航处重叠的路段需求值去除;
S3-2:确定内涝场景下的应急监视任务时间上限,设置移动车、无人机群的起始点约束、访问顺序约束,避免子回路,约束2、3保证了每个监视工具进入某个路段和驶出某个路段的次数一致;约束4建立待监测路段的访问顺序与路段是否被监视的联系;约束5确定内涝场景下的应急监视任务时间上限Tmax,本例中设置为60分钟,即车辆群与无人机群的监视总时间不超过此上限;
S3-3:构建需求路段的访问次数约束,约束6保证每条待监视路段不被重复服务;设定无人机与移动车间的协同关联约束、续航约束,构建需求路段的访问次数约束等,确保协同完成所有任务路段的监视巡逻;本实施例中,设定无人机与移动车间的协同关联约束,约束7、8、9、10、11、12限制移动车或无人机对待监视路段的开始服务时间,避免子回路;设定续航约束,本例中电量上限设置为连续飞行40分钟,约束12、13、14保证每架无人机的每次飞行均在电量限制内,同时,约束15保证每个续航点处,移动车均提前抵达等待无人机;
S3-4:建立内涝场景下无人机协同移动车的交通监视规划模型,在应急任务时限内最大化路段监视任务需求覆盖,所述交通监视规划模型如下:
满足:
其中,w表示所述最大化内涝应急场景下无人机协同移动车的任务需求覆盖的目标函数;K表示无人机序列集合与对应的移动车序列集合,本例中K={1,2},即为两架无人机与两辆移动车进行协同监测;Sij表示路段(i,j)的需求利润值;(s,s)表示移动车与无人机的起始点;Ap表示无人机与车辆可共同监测的需求路段;Ad表示仅可由无人机监测的需求路段;Ac表示仅可由车辆监测的需求路段;Tmax表示内涝应急任务时间上限;Td表示无人机最长连续飞行时间;tij表示无人机飞越路段(i,j)的时间成本;rij表示无人机从i到j的最短距离,rji'表示路段(i,j)与(i',j')之间的最短距离是从点j到点i';M表示一个足够大的值;用于表示路段(i,j)是否被无人机k访问;/>表示路段(i,j)是否被移动车k访问;表示路段(i',j')是否在路段(i,j)后被无人机k访问;/>表示路段(i',j')是否在路段(i,j)后被移动车k访问;/>表示无人机k对路段(i,j)的开始服务时间;/>表示移动车k对路段(i,j)的开始服务时间;H1表示无人机平均速度;H2表示移动车平均速度;/>用于记录第k架无人机是否在(i,j)路段访问前被续航。决策变量/> 为二元决策变量,取值为0表示判断结果为否、取值为1表示判断结果为是;
S3-5:如图8所示,确认无人机和移动车的监视路径,得到无人机协同移动车的监视规划方案,如表2所示:
表2内涝场景下的协同监视方案
一种内涝场景下无人机协同移动车的交通监视规划系统,包括:
任务需求获得模块,用于根据降雨值、车流量数据、预测积水值,获取内涝场景下的监视任务需求;
监视路段分配模块,用于根据所述监视任务需求,从实际路况提取监视区域路况特征,为无人机和移动车分配各自适宜的监视路段;
交通监视规划模型建立模块,用于根据所述监视路段,建立内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
最优监视路径确定模块,用于通过求解所述交通监视规划模型,确定无人机和移动车的最优监视路径,得到最优的协同监视路径方案。
任务需求获得模块的具体实现过程为:
S1-1:获取执行监视任务前的近实时降雨值,通过空间插值获取任务范围内每条道路上的近实时降雨栅格累积值;
S1-2:获取道路上过往车流量统计数据,明确每条道路的拥堵风险性;
S1-3:提取积水模拟所得的路段预测积水值,确定路段各自的积水风险值;
S1-4:采用加权分析方法处理近实时实时降雨值、过往车流量数据、预测积水值,从任务区域中选取一组需要进行监视的路段集合。
监视路段分配模块的具体实现过程为:
S2-1:获取监视区域内的实际路况特征,标记出对监测手段有直接影响的路段特征;
S2-2:将车辆受限的任务路段分配为仅可由无人机监视的路段;
S2-3:将无人机受限的路段标记为仅可由车辆监视的路段;
S2-4:剩余的需求任务路段组成可由车辆、无人机协同完成监视的任务路段。
交通监视规划模型建立模块的具体实现过程为:
S3-1:构建内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S3-2:确定内涝场景下的应急监视任务时间上限,设置移动车、无人机群的起始点约束、访问顺序约束,避免子回路;
S3-3:设定无人机与移动车间的协同关联约束、续航约束,构建需求路段的访问次数约束,确保协同完成所有任务路段的监视巡逻;
S3-4:建立内涝场景下无人机协同移动车的交通监视规划模型,在应急任务时限内最大化路段监视任务需求覆盖;所述交通监视规划模型为:
满足:
/>
其中,w表示所述最大化路段监视任务需求覆盖的目标函数;K表示无人机序列集合与对应的移动车序列集合,k表示第k个无人机或移动车;Sij表示路段(i,j)的需求利润值;用于表示路段(i,j)是否被无人机k访问;/>表示路段(i,j)是否被移动车k访问;/>用于记录第k架无人机是否在(i,j)路段访问前被续航;Ap表示无人机与车辆可共同监测的需求路段;Ad表示仅可由无人机监测的需求路段;Ac表示仅可由车辆监测的需求路段;
(s,s)表示移动车与无人机的起始点,表示路段(i,j)是否在路段(s,s)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被移动车k访问,/>表示路段(i,j)是否在路段(s,s)后被移动车k访问;如Z1 (11,14)(2,7)表示1号无人机在访问(11,14)需求路段后访问的是(2,7)路段,此处仅考虑任务需求路段,而非路网中所有路段;
表示路段(i',j')是否在路段(i,j)后被无人机k访问,/>表示路段(i,j)是否在路段(i',j')后被无人机k访问,/>表示路段(i',j')是否在路段(i,j)后被移动车k访问;/>表示路段(i,j)是否在路段(i',j')后被移动车k访问;
tij表示无人机飞越路段(i,j)的时间成本;rji'表示路段(i,j)与(i',j')之间的最短距离是从点j到点i';rij表示无人机从i到j的最短距离;H1表示无人机平均速度;H2表示移动车平均速度;Tmax表示内涝应急任务时间上限;表示移动车k对路段(i,j)的开始服务时间;
表示无人机k对路段(i,j)的开始服务时间;/>表示无人机k对路段(i',j')的开始服务时间;M表示一个足够大的值;/>表示移动车k对路段(i',j')的开始服务时间;rsi表示无人机从s到i的最短距离;Td表示无人机最长连续飞行时间;
决策变量取值为0表示判断结果为否、取值为1表示判断结果为是;
S3-5:求解所述交通监视规划模型,确认无人机和移动车的监视路径,得到最优的协同监视路径方案。
本发明的有益效果是:
(1)本发明考虑了内涝场景中的现实路况特征,更适用于实际内涝场景下的监视规划需求,分别为移动车和无人机分配适宜监视的路段,并引入了车辆群为无人机群续航的约束等,充分利用无人机与地面车辆的各自优势来监测各自适宜的监视路段,避免监视任务受实际路况限制无法进行,充分发挥协同优势,且弥补了无人机续航短的限制;
(2)传统发明大多聚焦于最小化巡逻所有任务总时间,忽略了应急响应的时限,本发明通过建立了内涝场景下无人机协同移动车的应急规划模型,在有限的应急任务时间内最大化路段任务需求覆盖,更适用于内涝应急巡逻场景,从而提升协同监视效率、提高重点路段响应速度。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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)
1.一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:包括:
S1:根据降雨值、车流量数据、预测积水值,获取内涝场景下的监视任务需求;
S2:根据所述监视任务需求,从实际路况提取监视区域路况特征,为无人机和移动车分配各自适宜的监视路段;
S3:根据所述监视路段,建立内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S4:求解所述交通监视规划模型,确定无人机和移动车的最优监视路径,得到最优的协同监视路径方案。
2.如权利要求1所述的一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:步骤S1的具体实现过程为:
S1-1:获取执行监视任务前的近实时降雨值;
S1-2:获取道路上过往车流量统计数据,明确每条道路的拥堵风险性;
S1-3:提取积水模拟所得的路段预测积水值,确定路段各自的积水风险值;
S1-4:采用加权分析方法处理近实时实时降雨值、过往车流量数据、预测积水值,从任务区域中选取一组需要进行监视的路段集合。
3.如权利要求1所述的一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:步骤S2的具体实现过程为:
S2-1:获取监视区域内的实际路况特征,标记出对监测手段有直接影响的路段特征;
S2-2:将车辆受限的任务路段分配为仅可由无人机监视的路段;
S2-3:将无人机受限的路段标记为仅可由车辆监视的路段;
S2-4:剩余的需求任务路段组成可由车辆、无人机协同完成监视的任务路段。
4.如权利要求1所述的一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:步骤S3的具体实现过程为:
S3-1:构建内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S3-2:确定内涝场景下的应急监视任务时间上限,设置移动车、无人机群的起始点约束、访问顺序约束,避免子回路;
S3-3:设定无人机与移动车间的协同关联约束、续航约束,构建需求路段的访问次数约束,确保协同完成所有任务路段的监视巡逻;
S3-4:建立内涝场景下无人机协同移动车的交通监视规划模型,在应急任务时限内最大化路段监视任务需求覆盖;所述交通监视规划模型为:
满足:
其中,w表示所述最大化路段监视任务需求覆盖的目标函数;K表示无人机序列集合与对应的移动车序列集合,k表示第k个无人机或移动车;Sij表示路段(i,j)的需求利润值;用于表示路段(i,j)是否被无人机k访问;/>表示路段(i,j)是否被移动车k访问;/>用于记录第k架无人机是否在(i,j)路段访问前被续航;Ap表示无人机与车辆可共同监测的需求路段;Ad表示仅可由无人机监测的需求路段;Ac表示仅可由车辆监测的需求路段;
(s,s)表示移动车与无人机的起始点,表示路段(i,j)是否在路段(s,s)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被移动车k访问,/>表示路段(i,j)是否在路段(s,s)后被移动车k访问;
表示路段(i',j')是否在路段(i,j)后被无人机k访问,/>表示路段(i,j)是否在路段(i',j')后被无人机k访问,/>表示路段(i',j')是否在路段(i,j)后被移动车k访问;表示路段(i,j)是否在路段(i',j')后被移动车k访问;
tij表示无人机飞越路段(i,j)的时间成本;rji'表示无人机从j到i'的最短距离;rij表示无人机从i到j的最短距离;H1表示无人机平均速度;H2表示移动车平均速度;Tmax表示内涝应急任务时间上限;表示移动车k对路段(i,j)的开始服务时间;
表示无人机k对路段(i,j)的开始服务时间;/>表示无人机k对路段(i',j')的开始服务时间;M表示一个足够大的值;/>表示移动车k对路段(i',j')的开始服务时间;rsi表示无人机从s到i的最短距离;Td表示无人机最长连续飞行时间;
决策变量取值为0表示判断结果为否、取值为1表示判断结果为是;
S3-5:求解所述交通监视规划模型,确认无人机和移动车的监视路径,得到最优的协同监视路径方案。
5.一种内涝场景下无人机协同移动车的交通监视规划系统,其特征在于:包括:
任务需求获得模块,用于根据降雨值、车流量数据、预测积水值,获取内涝场景下的监视任务需求;
监视路段分配模块,用于根据所述监视任务需求,从实际路况提取监视区域路况特征,为无人机和移动车分配各自适宜的监视路段;
交通监视规划模型建立模块,用于根据所述监视路段,建立内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
最优监视路径确定模块,用于通过求解所述交通监视规划模型,确定无人机和移动车的最优监视路径,得到最优的协同监视路径方案。
6.如权利要求5所述的一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:任务需求获得模块的具体实现过程为:
S1-1:获取执行监视任务前的近实时降雨值,通过空间插值获取任务范围内每条道路上的近实时降雨栅格累积值;
S1-2:获取道路上过往车流量统计数据,明确每条道路的拥堵风险性;
S1-3:提取积水模拟所得的路段预测积水值,确定路段各自的积水风险值;
S1-4:采用加权分析方法处理近实时实时降雨值、过往车流量数据、预测积水值,从任务区域中选取一组需要进行监视的路段集合。
7.如权利要求5所述的一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:监视路段分配模块的具体实现过程为:
S2-1:获取监视区域内的实际路况特征,标记出对监测手段有直接影响的路段特征;
S2-2:将车辆受限的任务路段分配为仅可由无人机监视的路段;
S2-3:将无人机受限的路段标记为仅可由车辆监视的路段;
S2-4:剩余的需求任务路段组成可由车辆、无人机协同完成监视的任务路段。
8.如权利要求5所述的一种内涝场景下无人机协同移动车的交通监视规划方法,其特征在于:交通监视规划模型建立模块的具体实现过程为:
S3-1:构建内涝场景下无人机协同移动车的交通监视规划模型,确定模型的目标函数为最大化时限内的协同监视任务需求覆盖;
S3-2:确定内涝场景下的应急监视任务时间上限,设置移动车、无人机群的起始点约束、访问顺序约束,避免子回路;
S3-3:设定无人机与移动车间的协同关联约束、续航约束,构建需求路段的访问次数约束,确保协同完成所有任务路段的监视巡逻;
S3-4:建立内涝场景下无人机协同移动车的交通监视规划模型,在应急任务时限内最大化路段监视任务需求覆盖;所述交通监视规划模型为:
满足:
其中,w表示所述最大化路段监视任务需求覆盖的目标函数;K表示无人机序列集合与对应的移动车序列集合,k表示第k个无人机或移动车;Sij表示路段(i,j)的需求利润值;用于表示路段(i,j)是否被无人机k访问;/>表示路段(i,j)是否被移动车k访问;/>用于记录第k架无人机是否在(i,j)路段访问前被续航;Ap表示无人机与车辆可共同监测的需求路段;Ad表示仅可由无人机监测的需求路段;Ac表示仅可由车辆监测的需求路段;
(s,s)表示移动车与无人机的起始点,表示路段(i,j)是否在路段(s,s)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被无人机k访问,/>表示路段(s,s)是否在路段(i,j)后被移动车k访问,/>表示路段(i,j)是否在路段(s,s)后被移动车k访问;
表示路段(i',j')是否在路段(i,j)后被无人机k访问,/>表示路段(i,j)是否在路段(i',j')后被无人机k访问,/>表示路段(i',j')是否在路段(i,j)后被移动车k访问;表示路段(i,j)是否在路段(i',j')后被移动车k访问;
tij表示无人机飞越路段(i,j)的时间成本;rji'表示路段(i,j)与(i',j')之间的最短距离是从点j到点i';rij表示无人机从i到j的最短距离;H1表示无人机平均速度;H2表示移动车平均速度;Tmax表示内涝应急任务时间上限;表示移动车k对路段(i,j)的开始服务时间;
表示无人机k对路段(i,j)的开始服务时间;/>表示无人机k对路段(i',j')的开始服务时间;M表示一个足够大的值;/>表示移动车k对路段(i',j')的开始服务时间;rsi表示无人机从s到i的最短距离;Td表示无人机最长连续飞行时间;
决策变量取值为0表示判断结果为否、取值为1表示判断结果为是;
S3-5:求解所述交通监视规划模型,确认无人机和移动车的监视路径,得到最优的协同监视路径方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596930.7A CN116757343A (zh) | 2023-05-22 | 2023-05-22 | 内涝场景下无人机协同移动车的交通监视规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596930.7A CN116757343A (zh) | 2023-05-22 | 2023-05-22 | 内涝场景下无人机协同移动车的交通监视规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757343A true CN116757343A (zh) | 2023-09-15 |
Family
ID=87958054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310596930.7A Pending CN116757343A (zh) | 2023-05-22 | 2023-05-22 | 内涝场景下无人机协同移动车的交通监视规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757343A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114541A (zh) * | 2023-10-17 | 2023-11-24 | 国网浙江省电力有限公司台州供电公司 | 一种电力物资应急供应方法及系统 |
-
2023
- 2023-05-22 CN CN202310596930.7A patent/CN116757343A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114541A (zh) * | 2023-10-17 | 2023-11-24 | 国网浙江省电力有限公司台州供电公司 | 一种电力物资应急供应方法及系统 |
CN117114541B (zh) * | 2023-10-17 | 2024-01-09 | 国网浙江省电力有限公司台州供电公司 | 一种电力物资应急供应方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
CN105825666B (zh) | 基于路面湿度检测的城市洒水车智能调度方法 | |
CN107247718A (zh) | 一种地图数据的更新方法和装置、导航系统及服务器 | |
CN105303285A (zh) | 一种电力应急处置物资的智能化调拨方法 | |
CN104865353A (zh) | 基于无人机的工业园区大气污染数据采集方法 | |
CN104240532A (zh) | 城市智能停车引导系统 | |
CN106651074A (zh) | 一种地下管线智能管理系统 | |
CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
JPH06251030A (ja) | 都市ライフライン運用管理システム | |
CN102722767A (zh) | 电动汽车充换电站布点规划系统及方法 | |
CN104464344B (zh) | 一种车辆行驶路径预测方法及系统 | |
GU et al. | Monitoring dispatch information system of trucks and shovels in an open pit based on GIS/GPS/GPRS | |
Loo et al. | Spatial restructuring to facilitate shorter commuting: An example of the relocation of Hong Kong International Airport | |
CN116757343A (zh) | 内涝场景下无人机协同移动车的交通监视规划方法及系统 | |
CN105574154A (zh) | 一种基于大数据平台的城市宏观区域信息分析系统 | |
CN104727423A (zh) | 基于交通摄录系统的城市内涝排水智能调度系统及方法 | |
CN104951865A (zh) | 一种基于电网gis的物资调拨追踪方法及系统 | |
CN101409012A (zh) | 交通事件信息的处理方法和系统 | |
CN106485429B (zh) | 一种无人机作业调度方法及装置 | |
CN103839408A (zh) | 一种交通事故辅助处理系统及方法 | |
CN111047491A (zh) | 一种三维防凌炸冰指挥平台 | |
CN109683211A (zh) | 一种航道天气监测预警系统及方法 | |
CN102869021B (zh) | 利用地理信息系统搜索覆盖区基站的方法及装置 | |
CN110132298A (zh) | 垃圾清运车的最短路径确定方法 | |
CN114298493A (zh) | 一种公路运行监测系统、方法、终端及存储介质 |
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 |