CN117146827A - 一种无人机巡检路径规划方法及装置 - Google Patents
一种无人机巡检路径规划方法及装置 Download PDFInfo
- Publication number
- CN117146827A CN117146827A CN202311413227.4A CN202311413227A CN117146827A CN 117146827 A CN117146827 A CN 117146827A CN 202311413227 A CN202311413227 A CN 202311413227A CN 117146827 A CN117146827 A CN 117146827A
- Authority
- CN
- China
- Prior art keywords
- population
- iteration
- algorithm
- preset
- unmanned aerial
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010845 search algorithm Methods 0.000 claims abstract description 36
- 241000254173 Coleoptera Species 0.000 claims abstract description 26
- 241000251468 Actinopterygii Species 0.000 claims description 56
- 238000005457 optimization Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 230000009194 climbing Effects 0.000 description 10
- 238000012876 topography Methods 0.000 description 8
- 230000019637 foraging behavior Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 241001481710 Cerambycidae Species 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 1
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000825 ultraviolet detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种无人机巡检路径规划方法及装置,涉及无人机巡检技术领域,本申请提供的方案首先根据需要进行巡检的电网区域,构建对应的巡检空间模型,然后基于预设的启发式搜索算法,初始化多组种群对象,并通过调用所述启发式搜索算法控制所述种群对象进行前中段的路径寻优迭代,当种群对象迭代达到一定程度后,通过转用天牛须算法控制种群对象继续完成后段的路径寻优直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。通过本申请的方法将启发式搜索算法良好的中段全局寻优能力与天牛须算法的结构简单收敛迅速的优点相结合,即能提高算法搜索的效率,又能保证路径搜索的准确度。
Description
技术领域
本申请涉及无人机巡检技术领域,尤其涉及一种无人机巡检路径规划方法及装置。
背景技术
随着电网建设的大力开展,无人机巡检技术也日渐成熟。无人机巡检是利用无人机搭载各种可见光或者红外紫外等检测设备,人工或者自主地对输配电线路本体及通道进行巡视,采集图像数据,测量设备电气状态的一种巡检方式。
基于任务目标精确选择算法从而给出同时满足规避危险障碍、获得最短路径以及满足合理飞行约束的航迹是无人机航迹规划的关键内容,其实质是多目标多维度多约束的最优路径规划问题。目前较为常用的巡检路径规划方法有基于人工鱼群算法、粒子群算法以及蚁群算法等启发式搜索算法进行空间寻优搜索,但是大部分的智能算法都存在全局寻优与局部收敛之间的矛盾,若全局寻优能力强则算法后期难以快速收敛,影响到巡检路径的规划效率;若收敛迅速则会导致算法早熟,在迭代初期就陷入局部极值而无法针对全局进行更为精细的搜索,影响到路径规划准确度,如何同时兼顾路径规划的准确度和效率成为本领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种无人机巡检路径规划方法及装置,用于实现兼顾路径规划的准确度和效率的发明目的。
为实现上述的发明目的,本申请第一方面提供了一种无人机巡检路径规划方法,包括:
根据待巡检的电网区域,构建所述电网区域对应巡检空间模型;
根据预设的启发式搜索算法,初始化多组种群对象;
根据所述种群对象与所述巡检空间模型,结合预设的巡检路径规划约束条件,通过调用所述启发式搜索算法控制所述种群对象进行路径寻优迭代;
当所述种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制所述种群对象进行路径寻优迭代,直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
优选地,所述启发式搜索算法为人工鱼群算法。
优选地,所述根据待巡检的电网区域,构建所述电网区域对应巡检空间模型具体包括:
根据待巡检的电网区域,获取所述电网区域的拓扑信息和环境信息;
根据所述拓扑信息和所述环境信息构建巡检空间模型。
优选地,所述巡检路径规划约束条件具体包括:航程约束条件、危险区域规避约束条件、转弯角约束和爬升角约束。
优选地,所述当所述种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制所述种群对象进行路径寻优迭代具体包括:
当所述种群对象的迭代深度满足预设的迭代深度阈值时,根据所述种群对象的排名信息,筛选出若干组第一种群对象,并根据所述第一种群对象生成对应第二种群对象,并将所述第一种群对象的属性赋值给所述第二种群对象;
通过禁忌策略控制所述第一种群对象转移至未搜索区域,以通过启发式搜索算法控制所述第一种群对象进行路径寻优迭代;
调用预设的天牛须算法控制所述第二种群对象进行路径寻优迭代。
同时,本申请第二方面提供了一种无人机巡检路径规划装置,包括:
空间模型构建单元,用于根据待巡检的电网区域,构建所述电网区域对应巡检空间模型;
种群初始化单元,用于根据预设的启发式搜索算法,初始化多组种群对象;
第一迭代单元,用于根据所述种群对象与所述巡检空间模型,结合预设的巡检路径规划约束条件,通过调用所述启发式搜索算法控制所述种群对象进行路径寻优迭代;
第二迭代单元,用于当所述种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制所述种群对象进行路径寻优迭代,直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
优选地,所述启发式搜索算法为人工鱼群算法。
优选地,所述空间模型构建单元具体用于:
根据待巡检的电网区域,获取所述电网区域的拓扑信息和环境信息;
根据所述拓扑信息和所述环境信息构建巡检空间模型。
优选地,所述巡检路径规划约束条件具体包括:航程约束条件、危险区域规避约束条件、转弯角约束和爬升角约束。
优选地,所述第二迭代单元具体用于:
当所述种群对象的迭代深度满足预设的迭代深度阈值时,根据所述种群对象的排名信息,筛选出若干组第一种群对象,并根据所述第一种群对象生成对应第二种群对象,并将所述第一种群对象的属性赋值给所述第二种群对象;
通过禁忌策略控制所述第一种群对象转移至未搜索区域,以通过启发式搜索算法控制所述第一种群对象进行路径寻优迭代;
调用预设的天牛须算法控制所述第二种群对象进行路径寻优迭代,直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供的方案首先根据需要进行巡检的电网区域,构建对应的巡检空间模型,然后基于预设的启发式搜索算法,初始化多组种群对象,并通过调用所述启发式搜索算法控制所述种群对象进行前中段的路径寻优迭代,当种群对象迭代达到一定程度后,通过转用天牛须算法控制种群对象继续完成后段的路径寻优直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。通过本申请的方法将启发式搜索算法良好的中段全局寻优能力与天牛须算法的结构简单收敛迅速的优点相结合,利用人工鱼群算法良好的中段全局寻优能力结合单一天牛须算法的快速收敛能力,即能提高算法搜索的效率,又能保证路径搜索的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种无人机巡检路径规划方法的一个实施例的流程示意图。
图2为本申请提供的一种无人机巡检路径规划方法的另一个实施例的流程示意图。
图3为本申请提供的一种无人机巡检路径规划方法采用人工鱼群算法时的整体算法逻辑示意图。
图4为本申请提供的一种无人机巡检路径规划装置的一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种无人机巡检路径规划方法及装置,用于实现兼顾路径规划的准确度和效率的发明目的。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
首先是本申请提供的一种无人机巡检路径规划方法实施例的详细说明,具体如下:
请参阅图1,本实施例提供的一种无人机巡检路径规划方法,包括:
步骤101、根据待巡检的电网区域,构建电网区域对应巡检空间模型。
步骤102、根据预设的启发式搜索算法,初始化多组种群对象。
步骤103、根据种群对象与巡检空间模型,结合预设的巡检路径规划约束条件,通过调用启发式搜索算法控制种群对象进行路径寻优迭代。
步骤104、当种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制种群对象进行路径寻优迭代,直至种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
需要说明的是,首先根据需要进行巡检的电网区域,构建对应的巡检空间模型,该模型一般包含了电网拓扑结构、航迹途径的地形地貌以及障碍物信息构建数字地图等信息,然后基于预设的启发式搜索算法,初始化多组种群对象,基于启发式搜索算法优秀的中段全局索引能力以及天牛须算法结构简单,快速收敛的特性,使得算法在遍历全局极值的同时能够在局部极值附近快速收敛。当基本种群迭代至一定深度后,在极值附近的种群停止原本复杂的遍历,转而模拟天牛的觅食行为,通过判别左右两边的食物浓度而采取行动,进而快速收敛。当种群对象的寻优迭代满足预设的收敛条件时,即可停止寻优流程,输出当前的最优路径。
由于单一天牛须算法具备代码简单,执行速度快,迭代收敛速度快等优点,其在低维度,低耦合,低约束条件的情况下能够快速收敛至极值附近,但是无人机航迹规划问题是一个多维度,多约束和强耦合的规划问题,天牛须算法所具备的单一二择行为无法辨识复杂的多极值环境,极易在局部极值附近收敛,缺乏跳出局部极值进行全局寻优的能力。为克服天牛须算法因为行为单一所造成的局限,故而设计了本实施例的混合算法,利用人工鱼群算法良好的中段全局寻优能力结合单一天牛须算法的快速收敛能力,通过两种算法的结合,使得两者优缺点互补,从而实现同时兼顾算法搜索精度以及搜索效率的效果。
以上为本申请提供的一种无人机巡检路径规划方法的一个基础实施例的详细说明,下面为本申请提供的一种无人机巡检路径规划方法的进一步实施例的详细说明。
请参阅图2和图3,在上一实施例的内容基础上,本实施例提供的一种无人机巡检路径规划方法还可进一步包括:
在一些实施例中,启发式搜索算法为人工鱼群算法。
需要说明的是,本实施例提及的启发式搜索算法包括但不限于人工鱼群算法、蚁群算法以及粒子群算法等,而在这几种启发式搜索算法中,人工鱼群算法的中段全局索引能力更为突出,因此,本实施例的启发式搜索算法可以优先采用人工鱼群算法。
在一些实施例中,步骤101具体可以包括:
步骤1011、根据待巡检的电网区域,获取电网区域的拓扑信息和环境信息;
步骤1012、根据拓扑信息和环境信息构建巡检空间模型。
需要说明的是,在解决静态航迹规划问题时,首先需根据航迹途径的地形地貌以及障碍物信息构建数字地图。由于无人机在一定高度飞行,低于该飞行高度的地形特征不影响航迹规划,而高于该飞行高度的地形特征将阻碍无人机的行进,构成飞行航迹的禁区,因此地形地貌信息描述了针对该飞行空间中无人机所做行为的基本约束,是无人机航迹规划的主要约束条件。为模拟无人机的实际飞行环境,将基础的地形地貌设定为平原,将飞行区域内出现的复杂地貌利用山峰进行描述,其数学模型为:
(1)
其中,M i 为第i个山峰的高度,m为山峰的数量,x ci ,y ci 为第i个山峰的中心点坐标,x si ,y si 为第i个山峰的坡度系数,坡度系数越大,山峰越平坦,反之越陡峭。实际应用中的环境信息可利用无人机进行点云建模生成。
在一些实施例中,巡检路径规划约束条件具体包括:航程约束条件、危险区域规避约束条件、转弯角约束和爬升角约束。
需要说明的是,无人机的航迹代价函数描述了无人机在飞行过程中诸行为的约束条件,是确定航迹规划方案的主要因素。代价函数的设计优劣影响着算法计算的时间复杂度及航迹生成的质量。考虑到无人机实际飞行时受飞机电池电量、避障性能、爬升以及转弯等机动性能的影响,考虑将无人机飞行的航迹航程,相对于危险区域的距离,飞行转弯角以及爬升角等四个方面作为建立航迹代价函数的基本项。
(1)航程代价
无人机的常规动力来源一般有太阳能、锂电池、氢燃料电池、激光供电等。多旋翼无人机的动力来源一般为锂聚合物电池,考虑到实际飞行时温度、风力、起飞降落时的能耗以及无人机自身的载重,无人机巡检的飞行航程是十分有限的,故将无人机的航程作为代价函数的其中一项。由于已经单独考虑了无人机的爬升角,故其对应的航程代价函数为:
(2)
其中,cost d 为航迹T的航程代价函数,i为第i个航迹点,x i ,y i 为第个航迹点的坐标值。
(2)危险区域代价
无人机航线规划的另一个重要影响因素是尽量规避威胁。为了简化计算,危险区模型为式(1)中所描述的山峰。若无人机进入危险区域内,则认为发生碰撞,并意味着该条航迹无法使用。假定无人机航迹是由n个航迹点组成,航迹分为n-1条航迹段,则一条航迹的危险区代价可定义为该条航迹的所有航迹段对于所有危险区域的代价总和,满足式(3)
(3)
其中,cost t 为航迹T的危险区代价,m为危险区个数,n为航迹点个数,(t i,j ,t i,j+1)为第j个航迹段相对于第i个危险区的代价值。cost(t i,j ,t i,j+1)由式(4)给出:
(4)
其中,d i,j 为第j段航迹段相对于第i个危险区域中心的距离,r i 为第i个危险区域半径,d safe 为安全裕度距离。
(3)转弯角代价
由于启发式智能算法具备随机搜索的特性,因此各个航迹段的搜索空间都是独立的,由此拼接起来的航迹中可能出现十分尖锐的转弯角,而这在现实的无人机飞行过程中是不可能的,同时也是十分危险的。考虑到转弯半径为无人机飞行的一个十分必要的机动约束,故在无人机航迹规划问题中将无人机转弯角作为航迹代价进行设计。转弯角定义为一条航迹的每两个航迹段之间的夹角。当航迹的转弯角小于设定的最小转弯角时,则认为该航迹无法使用,应赋予该条航迹线极大的转弯角代价。反之,如果航迹的每段航迹段之间的夹角均大于最小转弯角,则认为该条航迹满足飞行需求,没有转弯角代价。给定对应的航迹转弯角代价函数:
(5)
其中,cost z 为航迹T的转弯角代价,n为航迹点个数,z(t i ,t i+1)由式(6)确定:
(6)
其中,θ i,i+2为第i段航迹段和第i+1段航迹段的夹角,θ min 为设定的最小转弯角。
(4)爬升角代价
基于同样的原因,启发式智能算法在搜索航迹的高程时具有随机性,这将导致各个航迹段的高程之间不存在一致性,航迹在上升行为和下降行为之间来回反复,起伏不定,导致规划的航迹在高程上出现不必要的振荡。这种起伏行为不仅浪费无人机爬升时的能量,同时在实际飞行中也是不必要甚至是危险的。若无人机确实经过危险区域,则爬升一定高度是必要的;若无人机在经过非危险区域时依然发生爬升或者下降行为,则认为该行为是不必要的,需要在搜索过程之中予以排除。由于已经在航程代价中考虑了无人机航迹的二维航程作为代价函数,故此处单独考虑无人机航迹的爬升角度,用来度量无人机在航行过程中付出的爬升代价,对应的航迹爬升角代价函数为:
(7)
其中,cost p 为航迹T的爬升角代价,n为航迹点个数,p(t i ,t i+1)由式(8)确定:
(8)
其中,ɑ i,i+1为第i段航迹段和第i+1段航迹段的夹角,ɑ max 为设定的最大爬升角,h i,i+1为第i段航迹段的高度,||·||为第i段航迹段的2-范数。
因此,总的航迹代价函数以及对应的食物浓度函数为:
(9)
适应度函数或者食物浓度为:
(10)
相应地,当启发式搜索算法为人工鱼群算法时,步骤103中的根据种群对象与巡检空间模型,结合预设的巡检路径规划约束条件,通过调用启发式搜索算法控制种群对象进行路径寻优迭代,其步骤实施方式可以参阅以下内容:
初始化算法参数:设定人工鱼群种群数量N,拥挤度因子σ,最大迭代次数T 1max ,人工鱼步长step_1 ,人工鱼视野范围visual,人工鱼最大尝试次数Try_num;触须鱼步长step_2 ,触须鱼触须参数c,触须鱼的须间长度d 0=step_2/c,触须鱼最大迭代次数T 2max ;然后。结合预设的巡检路径规划约束条件,通过调用人工鱼群算法控制人工鱼群种群执行群聚、追尾、觅食以及随机等行为,从而实现路径寻优迭代。
群聚行为:人工鱼群的群聚是人工鱼的关键行为。设当前人工鱼F i 的位置为Y i ,统计所有鱼群中在该条人工鱼视野范围(visual)内的鱼群的数量n f 及其位置,利用其位置信息计算出该视野内鱼群的中心点Y c 。判断当前人工鱼F i 与中心点Y c 处的食物浓度A与拥挤度n f /N。若满足条件A(Y c )>A(Y i ),且n f /N<σ,则认为中心点处食物较为充足且并不拥挤,允许当前人工鱼向着鱼群中心前进:
(11)
否则,执行觅食行为或者随机行为;
追尾行为:追尾行为是人工鱼向着食物浓度丰富区域聚集的另一个方式。设当前人工鱼Fi的位置为Yi,统计所有人工鱼群在Fi视野范围visual中鱼群数量和位置,分别计算上述鱼群的食物浓度,得出食物浓度最优处的人工鱼位置Yb。若满足条件:A(Yb)>A(Yi)且nf /N<σ,则认为Yb处食物较为充足且不拥挤,允许当前人工鱼Fi向着Yb前进:
(12)
否则,执行觅食行为或者随机行为;
觅食行为:觅食行为为人工鱼群的缺省行为。当人工鱼无法执行群聚行为或者追尾行为时,意味着该条鱼视野范围内不存在食物浓度比当前位置浓度大的人工鱼。故而人工鱼Fi需在给定的最大尝试次数内,以Yi为基点在视野范围内随机探查一个方向Yr,并计算其食物浓度A(Yr)。若满足A(Yr)>A(Yi),则向着Yr方向执行一个步长:
(13)
(14)
否则,将在Try_num次数范围内再次随机选择一个位置进行食物浓度的判断。若尝试次数m超过最大尝试次数Try_num,则执行随机行为step7;
随机行为:当人工鱼在视野范围内无法进行群聚行为,追尾行为以及觅食行为时,将在周边范围内随机移动一个步长,用以扩充人工鱼探查的范围,增加其发现新位置的可能性:
(15)
适应度比较:计算完成群聚行为、追尾行为、觅食行为或者随机行为的人工鱼的适应度,将其与公告板上的历史最优值进行比较,若大于公告板上的最优值,则更新公告板,否则保持不变,统计出最优值排名
进一步地,步骤104中的当种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制种群对象进行路径寻优迭代具体包括:
步骤1041、当种群对象的迭代深度满足预设的迭代深度阈值时,根据种群对象的排名信息,筛选出若干组第一种群对象,并根据第一种群对象生成对应第二种群对象,并将第一种群对象的属性赋值给第二种群对象;
步骤1042、通过禁忌策略控制第一种群对象转移至未搜索区域,以通过启发式搜索算法控制第一种群对象进行路径寻优迭代;
步骤1043、调用预设的天牛须算法控制第二种群对象进行路径寻优迭代。
需要说明的是,受限于人工鱼群算法的视野,步长、拥挤度以及尝试次数等参数的影响,人工鱼群算法的中段搜索能力强而末段搜索能力差。在迭代进行到一定深度后,即i >T p ,T p 为设定的迭代深度,公告板上排名靠前的人工鱼已经搜索出了相对较多的局部最优值,将公告板上排名靠前的人工鱼{F 1,F 2,…,F p }的位置赋予新的触须鱼{f 1,f 2,…,f p },该触须鱼放弃繁复的人工鱼行为,转而模拟天牛的觅食机制,执行简单且快速的二择行为step10,以此保证算法能够在极值附近快速收敛;同时,{F 1,F 2,…,F p }利用禁忌列表,重新飞跃到尚未被人工鱼搜索过的空间内继续执行人工鱼群搜索。如此,负责局域搜索的人工鱼群算法和负责精细搜索的天牛须算法并行计算,加快算法搜索精度和收敛速度。
二择行为:为加快收敛,处在局部极值附近的人工鱼放弃执行较为复杂的群聚和追尾等行为,转而执行十分简单的天牛须算法成为触须鱼{f 1,f 2,…,f p }。设定执行天牛须算法的触须鱼左右两边分别长有触须能够感知食物的浓度。若左边触须收到的气味大于右边,则触须鱼向着左边前进;反之则向着右边前进。设定触须鱼的当前位置Y i 为质心位置,左右触须关于质心对称,触须间长度d 0由步长step_2和触须参数c确定。触须鱼的每一步搜索方向dir是随机的,由dir=rand(n,1)表示。故左侧触须可表示为=Y i +d 0*dir/2;右侧触须可表示为x r =Y i -d 0*dir/2。计算左右触须位置的食物浓度A(x l )和A(x r )。若A(x l )>A(x r ),则触须鱼向着x l 方向前进一个步长距离,即Y i (t+1)=Y i (t)+step_2*dir;反之,则向着x r 方向前进一个步长距离,即Y i (t+1)=Y i (t)-step_2*dir。将计算较优结果登记至触须鱼公告板;
收敛判断:判断算法迭代次数是否等于最大迭代次数。若是,则算法终止;否则返回前面的步骤继续执行算法。
以上为内容为本申请提供的一种无人机巡检路径规划方法的具体实施例的详细说明,下面为本申请提供的一种无人机巡检路径规划装置的一个实施例的详细说明。
请参阅图4,本实施例提供的一种无人机巡检路径规划装置,包括:
空间模型构建单元201,用于根据待巡检的电网区域,构建电网区域对应巡检空间模型;
种群初始化单元202,用于根据预设的启发式搜索算法,初始化多组种群对象;
第一迭代单元203,用于根据种群对象与巡检空间模型,结合预设的巡检路径规划约束条件,通过调用启发式搜索算法控制种群对象进行路径寻优迭代;
第二迭代单元204,用于当种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制种群对象进行路径寻优迭代,直至种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
进一步地,启发式搜索算法为人工鱼群算法。
进一步地,空间模型构建单元201具体用于:
根据待巡检的电网区域,获取电网区域的拓扑信息和环境信息;
根据拓扑信息和环境信息构建巡检空间模型。
进一步地,巡检路径规划约束条件具体包括:航程约束条件、危险区域规避约束条件、转弯角约束和爬升角约束。
进一步地,第二迭代单元204具体用于:
当种群对象的迭代深度满足预设的迭代深度阈值时,根据种群对象的排名信息,筛选出若干组第一种群对象,并根据第一种群对象生成对应第二种群对象,并将第一种群对象的属性赋值给第二种群对象;
通过禁忌策略控制第一种群对象转移至未搜索区域,以通过启发式搜索算法控制第一种群对象进行路径寻优迭代;
调用预设的天牛须算法控制第二种群对象进行路径寻优迭代,直至种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的终端,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种无人机巡检路径规划方法,其特征在于,包括:
根据待巡检的电网区域,构建所述电网区域对应巡检空间模型;
根据预设的启发式搜索算法,初始化多组种群对象;
根据所述种群对象与所述巡检空间模型,结合预设的巡检路径规划约束条件,通过调用所述启发式搜索算法控制所述种群对象进行路径寻优迭代;
当所述种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制所述种群对象进行路径寻优迭代,直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
2.根据权利要求1所述的一种无人机巡检路径规划方法,其特征在于,所述启发式搜索算法为人工鱼群算法。
3.根据权利要求2所述的一种无人机巡检路径规划方法,其特征在于,所述根据待巡检的电网区域,构建所述电网区域对应巡检空间模型具体包括:
根据待巡检的电网区域,获取所述电网区域的拓扑信息和环境信息;
根据所述拓扑信息和所述环境信息构建巡检空间模型。
4.根据权利要求2所述的一种无人机巡检路径规划方法,其特征在于,所述巡检路径规划约束条件具体包括:航程约束条件、危险区域规避约束条件、转弯角约束和爬升角约束。
5.根据权利要求1所述的一种无人机巡检路径规划方法,其特征在于,所述当所述种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制所述种群对象进行路径寻优迭代具体包括:
当所述种群对象的迭代深度满足预设的迭代深度阈值时,根据所述种群对象的排名信息,筛选出若干组第一种群对象,并根据所述第一种群对象生成对应第二种群对象,并将所述第一种群对象的属性赋值给所述第二种群对象;
通过禁忌策略控制所述第一种群对象转移至未搜索区域,以通过启发式搜索算法控制所述第一种群对象进行路径寻优迭代;
调用预设的天牛须算法控制所述第二种群对象进行路径寻优迭代。
6.一种无人机巡检路径规划装置,其特征在于,包括:
空间模型构建单元,用于根据待巡检的电网区域,构建所述电网区域对应巡检空间模型;
种群初始化单元,用于根据预设的启发式搜索算法,初始化多组种群对象;
第一迭代单元,用于根据所述种群对象与所述巡检空间模型,结合预设的巡检路径规划约束条件,通过调用所述启发式搜索算法控制所述种群对象进行路径寻优迭代;
第二迭代单元,用于当所述种群对象的寻优迭代满足预设的算法转换条件时,调用预设的天牛须算法控制所述种群对象进行路径寻优迭代,直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
7.根据权利要求6所述的一种无人机巡检路径规划装置,其特征在于,所述启发式搜索算法为人工鱼群算法。
8.根据权利要求7所述的一种无人机巡检路径规划装置,其特征在于,所述空间模型构建单元具体用于:
根据待巡检的电网区域,获取所述电网区域的拓扑信息和环境信息;
根据所述拓扑信息和所述环境信息构建巡检空间模型。
9.根据权利要求7所述的一种无人机巡检路径规划装置,其特征在于,所述巡检路径规划约束条件具体包括:航程约束条件、危险区域规避约束条件、转弯角约束和爬升角约束。
10.根据权利要求6所述的一种无人机巡检路径规划装置,其特征在于,所述第二迭代单元具体用于:
当所述种群对象的迭代深度满足预设的迭代深度阈值时,根据所述种群对象的排名信息,筛选出若干组第一种群对象,并根据所述第一种群对象生成对应第二种群对象,并将所述第一种群对象的属性赋值给所述第二种群对象;
通过禁忌策略控制所述第一种群对象转移至未搜索区域,以通过启发式搜索算法控制所述第一种群对象进行路径寻优迭代;
调用预设的天牛须算法控制所述第二种群对象进行路径寻优迭代,直至所述种群对象的寻优迭代满足预设的收敛条件时,输出当前的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311413227.4A CN117146827A (zh) | 2023-10-30 | 2023-10-30 | 一种无人机巡检路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311413227.4A CN117146827A (zh) | 2023-10-30 | 2023-10-30 | 一种无人机巡检路径规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117146827A true CN117146827A (zh) | 2023-12-01 |
Family
ID=88910345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311413227.4A Pending CN117146827A (zh) | 2023-10-30 | 2023-10-30 | 一种无人机巡检路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117146827A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288074A (zh) * | 2018-12-04 | 2019-09-27 | 东华大学 | 一种基于包围机制的改进天牛须搜索算法 |
CN111310885A (zh) * | 2020-02-27 | 2020-06-19 | 辽宁工程技术大学 | 一种引入变异策略的混沌天牛群搜索算法 |
CN115903888A (zh) * | 2022-11-10 | 2023-04-04 | 山东科技大学 | 一种基于天牛群算法的旋翼无人机自主路径规划方法 |
-
2023
- 2023-10-30 CN CN202311413227.4A patent/CN117146827A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288074A (zh) * | 2018-12-04 | 2019-09-27 | 东华大学 | 一种基于包围机制的改进天牛须搜索算法 |
CN111310885A (zh) * | 2020-02-27 | 2020-06-19 | 辽宁工程技术大学 | 一种引入变异策略的混沌天牛群搜索算法 |
CN115903888A (zh) * | 2022-11-10 | 2023-04-04 | 山东科技大学 | 一种基于天牛群算法的旋翼无人机自主路径规划方法 |
Non-Patent Citations (4)
Title |
---|
孙静等: "复杂环境下无人机三维航迹规划方法研究", 弹箭与制导学报, vol. 34, no. 3, pages 170 - 174 * |
张军等: "基于混合人工鱼群算法的机器人路径规划研究", 绥化学院学报, vol. 41, no. 12, pages 150 - 155 * |
王怡云等: "基于改进天牛群算法的微电网优化调度", 电子测量技术, vol. 43, no. 16, pages 76 - 81 * |
陈明强等: "基于改进粒子群算法的无人机三维航迹规划", 无线电工程, vol. 53, no. 02, pages 394 - 400 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031004B (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
Liu et al. | Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0 | |
CN109357678A (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
Ding et al. | Improved GWO algorithm for UAV path planning on crop pest monitoring | |
CN110986954B (zh) | 基于灰狼优化算法的军用运输机航路规划方法 | |
Liu et al. | A variable-step RRT* path planning algorithm for quadrotors in below-canopy | |
Zhang et al. | UAV trajectory planning for complex open storage environments based on an improved RRT algorithm | |
Hu et al. | Enhanced multi-strategy bottlenose dolphin optimizer for UAVs path planning | |
Cui et al. | UAV path planning method for data collection of fixed-point equipment in complex forest environment | |
Chen et al. | An improved spherical vector and truncated mean stabilization based bat algorithm for uav path planning | |
Qi et al. | Path planning of multirotor UAV based on the improved ant colony algorithm | |
CN112506216B (zh) | 一种无人机的飞行路径规划方法及装置 | |
CN117850471A (zh) | 三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
Cai et al. | Path planning and obstacle avoidance of UAV for cage culture inspection | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及系统 | |
Junkai et al. | Hybrid particle swarm optimisation approach for 3D path planning of UAV | |
CN117146827A (zh) | 一种无人机巡检路径规划方法及装置 | |
Qin et al. | A path planning algorithm based on deep reinforcement learning for mobile robots in unknown environment | |
Xie et al. | A Path-Planning Approach for an Unmanned Vehicle in an Off-Road Environment Based on an Improved A* Algorithm | |
Guopeng et al. | Research on Path planning of Three-Dimensional UAV Based on Levy Flight Strategy and Improved Particle Swarm Optimization Algorithm | |
Zhao et al. | Three-dimensional path planning for unmanned aerial vehicle (uav) based on improved mayfly 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 |