CN117193348A - 一种仿生无人机群大坝库区智能巡检方法 - Google Patents
一种仿生无人机群大坝库区智能巡检方法 Download PDFInfo
- Publication number
- CN117193348A CN117193348A CN202310069759.4A CN202310069759A CN117193348A CN 117193348 A CN117193348 A CN 117193348A CN 202310069759 A CN202310069759 A CN 202310069759A CN 117193348 A CN117193348 A CN 117193348A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- particle
- vehicle group
- area
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 70
- 230000004888 barrier function Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000005381 potential energy Methods 0.000 claims description 12
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000019771 cognition Effects 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000005436 troposphere Substances 0.000 claims 1
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种仿生无人机群大坝库区智能巡检方法,包括如下步骤:利用北斗导航系统定位每架无人机以及大坝库区障碍物位置;通过北斗/惯导组合导航实现大坝库区内弱/无信号环境下定位信息的获取;针对库区内需进行信息采集的重点关注部位,采用单仓库闭合路径的MTSP(multiple traveling salesman problem,多旅行商问题)为无人机群中每架无人机分配巡检任务;应用动态簇粒子群算法实现多段路径规划;采用人工势场法对无人机群进行实时避障控制。本发明为无人机群智能巡检提供了高精度定位基础,同时提供了可靠高效的任务分配方案和巡检路径,且能够动态应对复杂环境下存在的各种障碍物,提高了大坝库区无人机群智能巡检的效率。
Description
技术领域
本发明属于大坝库区巡检领域,涉及一种无人机群智能巡检技术,具体涉及一种仿生无人机群大坝库区智能巡检方法。
背景技术
大坝库区环境主要由水工建筑物、附属建筑物、山体航道及附属设施组成,其存在巡检对象复杂、巡检范围较大的问题。针对水工建筑物的巡检,需要在暴雨多发期重点关注,但雨后道路湿滑,路况条件复杂,较高的水工建筑物甚至存在巡检死角,人工巡检不仅难度大、耗时长,还伴随着极大的危险。针对山体航道巡检,由于其面积较大,一般靠人工驾船进行,具有船舶检修开支较大的问题。总而言之,大坝库区巡检工作面临的问题包括巡检范围广,人力物力消耗严重,恶劣天气情况下人工巡检难度大,存在安全隐患等。
随着无人机遥感、遥控技术的成熟,无人机巡检逐渐替代了人工巡检。针对大坝库区的复杂环境,合理利用无人机进行巡检,可以有效减少人工巡检的工作量,更好地规避安全隐患,减少人力物力的消耗。但大坝库区巡检任务对定位精度的要求较高,且大坝库区内可能存在弱/无信号环境,传统的定位方法无法满足高精度定位的要求,如何获取精确可靠的定位信息是亟待解决的问题。同时大坝库区巡检环境较为复杂,仅使用单架无人机存在效率低、响应慢、无法有效完成任务的问题,而无人机群可以克服单架无人机存在的上述问题。通过合理的任务分配和安全高效的路径规划,无人机群可以在复杂的大坝库区环境下以较低的成本完成巡检任务,这是无人机群智能巡检的关键所在。预先进行任务分配,可以保证无人机群高效地完成巡检,提高无人机群智能巡检的效率,节省时间。合理规划巡检路径,可以规避各种障碍物以安全完成巡检任务。
以高精度定位为基础的任务分配和路径规划为无人机群提供了高效可靠的巡检方案,不仅减少了人工巡检的工作量,还大幅度节省了无人机巡检的时间,提高了工作效率。且自动避障的实现,避免了意外情况的发生,减少了无人机的维护成本。
发明内容
发明目的:针对在复杂的大坝库区环境下巡检难度大的问题,提供一种仿生无人机群大坝库区智能巡检方法,利用北斗导航系统定位每架无人机以及大坝库区障碍物位置,通过北斗/惯导组合导航实现大坝库区内弱/无信号环境下定位信息的获取,针对库区内需进行信息采集的重点关注部位,采用单仓库闭合路径的MTSP(multiple travelingsalesman problem,多旅行商问题)为无人机群中每架无人机分配巡检任务,应用动态簇粒子群算法实现多段路径规划,并采用人工势场法对无人机群进行实时避障控制,为无人机群巡检提供高精度定位基础,并获取最优的任务分配方案和巡检路径,提高复杂环境下无人机群巡检的效率,动态应对复杂环境下存在的各种障碍物。
技术方案:为实现上述目的,本发明提供一种仿生无人机群大坝库区智能巡检方法,包括如下步骤:
S1:利用北斗导航系统定位每架无人机以及大坝库区障碍物位置,并利用RTK(real time kinematic,实时动态)载波相位差分技术提高巡检过程中无人机的定位精度;
S2:针对库区部分地区北斗接收信号不佳的情况,采用北斗/惯导组合导航,实现弱/无信号环境下定位信息的获取;
S3:将库区巡检任务分配抽象为MTSP,针对库区内需进行信息采集的重点关注部位,采用单仓库闭合路径的MTSP为无人机群中每架无人机分配巡检任务;
S4:根据每架无人机对应的巡检任务以及库区内的静态障碍物,以起飞点、巡检任务中重点关注部位为路径点,在相邻路径点间采用动态簇粒子群算法实现多段路径规划;
S5:在无人机巡检的过程中,针对库区中可能出现的其他障碍物,采用人工势场法对无人机群进行实时避障控制。
进一步地,所述步骤S1中利用RTK载波相位差分技术提高定位精度,具体RTK数学模型为:
在载波相位差分定位中,无人机通过数据链接收来自基准站的载波观测量,同时无人机自身具有载波相位观测量,将两者进行求差得到无人机的位置坐标;假设基准站B1和移动站B2在历元t1和t2对卫星Si和Sj进行观测,可以分别获得4个独立的观测量 载波相位观测方程为:
其中,为接收机Bm在观测历元t对卫星Si的观测量,f为载波信号频率,c为真空中的光速,Nm i(t0)为接收机Bm在t0时刻锁定载波信号的整周模糊度,Δm,I i(t)、Δm,T i(t)分别为电离层折射、对流层折射在观测历元t对卫星载波信号传播路程的影响,Rm i(t)为卫星Si在观测历元t与接收机Bm的几何距离,δtm(t)为接收机Bm在观测历元t的接收机钟差,δti(t)为卫星Si在观测历元t的卫星钟差,基于上述观测方程,将基准站与移动站在同一观测历元对同一卫星的载波相位观测量求差,可得载波相位单差,将基准站与移动站在同一观测历元对不同卫星的载波相位单差进行求差,得到载波相位双差,在一定距离范围内,同一接收机接收到多个卫星载波信号,基于载波相位双差,可消除卫星钟差、接收机钟差、电流层对流层对载波信号传播路程的影响,将定位精度从米级提高至厘米级。
进一步地,所述步骤S2中北斗/惯导组合导航的数学模型构建过程为:
建立状态方程:
X(t)=F(t)X(t)+G(t)W(t)
其中,F(t)表示状态矩阵,X(t)表示状态向量,G(t)表示动态噪声矩阵,W(t)表示白噪声矢量,然后建立量测方程,将速度矢量和位置矢量作为观测量,建立位置量测误差矢量方程和速度量测误差矢量方程,并将二者进行组合,得到组合导航的量测方程如下:
其中,Z(t)是量测向量,H(t)是量测矩阵,V(t)是量测噪声。
进一步地,所述步骤S3具体为:
将库区巡检任务抽象为MTSP,将每架无人机抽象为销售人员,将无人机的起飞点抽象为仓库,将巡检任务所需时间作为约束,无人机群从同一起飞点出发,途径库区内需进行信息采集的重点关注部位,最终返回起飞点,即单仓库闭合路径的MTSP,假设n个重点关注部位的集合为{T1,T2,…,Tn},m个无人机的集合为{U1,U2,…,Um},无人机起飞点为D,则单仓库闭合路径的MTSP目标函数建模如下:
其中,C为约束代价,以每架无人机约束代价相近为优化目标,进而最小化整体约束代价,获得最优无人机群巡检任务分配方案。
进一步地,所述步骤S4中动态簇粒子群算法的具体算法流程为:
S41:首先初始化参数,定义迭代次数为t,粒子群大小为n,最大迭代次数为G;
S42:使用Tent混沌映射初始化粒子群并设计目标函数,其中Tent混沌映射的迭代更新公式为:
其中xn+1是使用Tent混沌映射到xn的结果;
S43:在算法达到最大迭代次数之前,使用动态簇机制将粒子群分成两个簇;
S44:分别通过PSO更新两个簇;
S45:将两个簇合并成一个完整的粒子群;
S46:得到当前的全局最优值,如果迭代后的全局最优值优于之前的全局最优值,则执行更新操作,否则不更新;
S47:达到最大迭代次数后,输出集群全局最优解的位置及其对应的最优适应度值。
进一步地,所述步骤S43中的动态簇机制包含四个过程,即选择簇头、聚类、迭代计算和合并以准备下一次聚类,具体流程为:
S431:选择每个时刻最密集位置的个体作为第一个簇的簇头1;
S432:种群中距离簇头1最近的一半个体被包含在簇1中,其余的个体全部被包含在簇2中;
S433:两个簇共享簇内的资源并在簇之间没有交互的情况下进行迭代;
S434:合并两个簇,为下一次循环做准备。
进一步地,所述步骤S44采用PSO分别更新两个簇,具体过程为:
S441:在PSO中,使用如下形式来表示d维空间中的n个粒子:
其中n为粒子数,d为变量的维度,[xi,1,xi,2...xi,d]表示第i个粒子在d维搜索空间中的位置信息,[vi,1,vi,2...vi,d]表示第i个粒子在d维搜索空间中的速度信息;
S442:对粒子群进行迭代更新:
其中,表示第n时刻粒子群中第i个粒子的d维位置信息,/>表示第n+1时刻粒子群中第i个粒子的d维速度信息;
S443:对第n+1时刻粒子群中第i个粒子的d维速度信息进行更新:
其中,第一项为粒子运动的动量,表示上一时刻的运动对当前时刻的影响,w为惯性权重因子,其值为非负;第二项和第三项分别为粒子的认知部分和社会部分,会将粒子带向认知中和整个种群中较好的位置,c1,c2分别为这两部分的学习因子;rand()表示[0,1]范围内的随机数,为第i个粒子从t=0时刻到t=n时刻位置搜索到的最佳位置,/>为整个粒子种群从0时刻到n时刻位置搜索到的最佳位置。其中的社会机制为算法提供了牵引力,但也制约了算法的全局搜索能力。
进一步地,所述步骤S5中采用人工势场法对无人机群进行实时避障控制,具体为:
S51:通过无人机与目标之间的距离建立引力场,即在目标点处布置一个山谷型势场:
其中,表示(x,y)处的目标势能,h0表示基线势能,h表示山谷型势场最深位置的势能,(x0,y0)表示目标点的坐标,a和b分别是目标势场的斜率;
S52:根据导航定位确定无人机与其它移动物体的距离,采用人工势场法建立斥力场,即在任务场景中的障碍物处构建山势场:
其中,表示(x,y)处的障碍物势能,h0表示基线势能,hi表示第i个障碍物峰值势场顶部的势能,(xti,yti)表示t时刻第i个障碍物的坐标,ai和bi分别是第i个障碍物势场的斜率;
S53:根据上述计算的引力场和斥力场,取两个势场中较高的两个值相加作为合力场,引导每架无人机安全完成巡检任务。
有益效果:本发明与现有技术相比,具备如下优点:
1、本发明方法针对库区部分地区北斗接收信号不佳的情况,采用北斗/惯导组合导航,实现了弱/无信号环境下定位信息的获取,为智能巡检提供了必要基础。
2、本发明方法将库区巡检任务分配抽象为MTSP,提供了高效的任务分配方案,大大降低了巡检耗时。
3、本发明方法针对PSO局部精度不高、易陷入局部最优的缺陷,综合动态簇和混沌初始化思想,提出一种动态簇粒子群优化算法,提供了可靠高效的路径规划方案,为大坝库区无人机群智能巡检提供了更为广阔的应用场景和实际价值。
附图说明
图1为本发明方法的流程图;
图2为大坝库区无人机群巡检任务流程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种仿生无人机群大坝库区智能巡检方法,如图1所示,其包括如下步骤:
S1:利用北斗导航系统定位每架无人机以及大坝库区障碍物位置,并利用RTK(real time kinematic,实时动态)载波相位差分技术提高巡检过程中无人机的定位精度,其RTK数学模型为:
在载波相位差分定位中,无人机通过数据链接收来自基准站的载波观测量,同时无人机自身具有载波相位观测量,将两者进行求差得到无人机的位置坐标;假设基准站B1和移动站B2在历元t1和t2对卫星Si和Sj进行观测,可以分别获得4个独立的观测量 载波相位观测方程为:
其中,为接收机Bm在观测历元t对卫星Si的观测量,f为载波信号频率,c为真空中的光速,Nm i(t0)为接收机Bm在t0时刻锁定载波信号的整周模糊度,Δm,I i(t)、Δm,T i(t)分别为电离层折射、对流层折射在观测历元t对卫星载波信号传播路程的影响,Rm i(t)为卫星Si在观测历元t与接收机Bm的几何距离,δtm(t)为接收机Bm在观测历元t的接收机钟差,δti(t)为卫星Si在观测历元t的卫星钟差,基于上述观测方程,将基准站与移动站在同一观测历元对同一卫星的载波相位观测量求差,可得载波相位单差,将基准站与移动站在同一观测历元对不同卫星的载波相位单差进行求差,得到载波相位双差,在一定距离范围内,同一接收机接收到多个卫星载波信号,基于载波相位双差,可消除卫星钟差、接收机钟差、电流层对流层对载波信号传播路程的影响,将定位精度从米级提高至厘米级。
S2:针对库区部分地区北斗接收信号不佳的情况,采用北斗/惯导组合导航,实现弱/无信号环境下定位信息的获取,北斗/惯导组合导航的数学模型构建过程为:
建立状态方程:
X(t)=F(t)X(t)+G(t)W(t)
其中,F(t)表示状态矩阵,X(t)表示状态向量,G(t)表示动态噪声矩阵,W(t)表示白噪声矢量,然后建立量测方程,将速度矢量和位置矢量作为观测量,建立位置量测误差矢量方程和速度量测误差矢量方程,并将二者进行组合,得到组合导航的量测方程如下:
其中,Z(t)是量测向量,H(t)是量测矩阵,V(t)是量测噪声。
S3:将库区巡检任务分配抽象为MTSP,针对库区内需进行信息采集的重点关注部位,采用单仓库闭合路径的MTSP为无人机群中每架无人机分配巡检任务,具体为:
将库区巡检任务抽象为MTSP,将每架无人机抽象为销售人员,将无人机的起飞点抽象为仓库,将巡检任务所需时间作为约束,无人机群从同一起飞点出发,途径库区内需进行信息采集的重点关注部位,最终返回起飞点,即单仓库闭合路径的MTSP,假设n个重点关注部位的集合为{T1,T2,…,Tn},m个无人机的集合为{U1,U2,…,Um},无人机起飞点为D,则单仓库闭合路径的MTSP目标函数建模如下:
其中,C为约束代价,以每架无人机约束代价相近为优化目标,进而最小化整体约束代价,获得最优无人机群巡检任务分配方案。
S4:根据每架无人机对应的巡检任务以及库区内的静态障碍物,以起飞点、巡检任务中重点关注部位为路径点,在相邻路径点间采用动态簇粒子群算法实现多段路径规划,其动态簇粒子群算法集体流程为:
S41:首先初始化参数,定义迭代次数为t,粒子群大小为n,最大迭代次数为G;
S42:使用Tent混沌映射初始化粒子群并设计目标函数,其中Tent混沌映射的迭代更新公式为:
其中xn+1是使用Tent混沌映射到xn的结果;
S43:在算法达到最大迭代次数之前,使用动态簇机制将粒子群分成两个簇,其中的动态簇机制包含四个过程,即选择簇头、聚类、迭代计算和合并以准备下一次聚类,具体流程为:
S431:选择每个时刻最密集位置的个体作为第一个簇的簇头1;
S432:种群中距离簇头1最近的一半个体被包含在簇1中,其余的个体全部被包含在簇2中;
S433:两个簇共享簇内的资源并在簇之间没有交互的情况下进行迭代;
S434:合并两个簇,为下一次循环做准备。
S44:分别通过PSO更新两个簇,具体过程为:
S441:使用如下形式来表示d维空间中的n个粒子:
其中n为粒子数,d为变量的维度,[xi,1,xi,2...xi,d]表示第i个粒子在d维搜索空间中的位置信息,[vi,1,vi,2...vi,d]表示第i个粒子在d维搜索空间中的速度信息;
S442:对粒子群进行迭代更新:
其中,表示第n时刻粒子群中第i个粒子的d维位置信息,/>表示第n+1时刻粒子群中第i个粒子的d维速度信息;
S443:对第n+1时刻粒子群中第i个粒子的d维速度信息进行更新:
其中,第一项为粒子运动的动量,表示上一时刻的运动对当前时刻的影响,w为惯性权重因子,其值为非负;第二项和第三项分别为粒子的认知部分和社会部分,会将粒子带向认知中和整个种群中较好的位置,c1,c2分别为这两部分的学习因子;rand()表示[0,1]范围内的随机数,为第i个粒子从t=0时刻到t=n时刻位置搜索到的最佳位置,/>为整个粒子种群从0时刻到n时刻位置搜索到的最佳位置。其中的社会机制为算法提供了牵引力,但也制约了算法的全局搜索能力。
S45:将两个簇合并成一个完整的粒子群;
S46:得到当前的全局最优值,如果迭代后的全局最优值优于之前的全局最优值,则执行更新操作,否则不更新;
S47:达到最大迭代次数后,输出集群全局最优解的位置及其对应的最优适应度值。
S5:在无人机巡检的过程中,针对库区中可能出现的其他障碍物,采用人工势场法对无人机群进行实时避障控制,具体为:
S51:通过无人机与目标之间的距离建立引力场,即在目标点处布置一个山谷型势场:
其中,表示(x,y)处的目标势能,h0表示基线势能,h表示山谷型势场最深位置的势能,(x0,y0)表示目标点的坐标,a和b分别是目标势场的斜率;
S52:根据导航定位确定无人机与其它移动物体的距离,采用人工势场法建立斥力场,即在任务场景中的障碍物处构建山势场:
其中,表示(x,y)处的障碍物势能,h0表示基线势能,hi表示第i个障碍物峰值势场顶部的势能,(xti,yti)表示t时刻第i个障碍物的坐标,ai和bi分别是第i个障碍物势场的斜率;
S53:根据上述计算的引力场和斥力场,取两个势场中较高的两个值相加作为合力场,引导每架无人机安全完成巡检任务。
本发明针对在大坝库区环境下巡检难度大、单架无人机效率低下、耗费人力物力、存在安全隐患等问题,通过北斗/惯导组合导航,实现弱/无信号环境下定位信息的获取,采用单仓库闭合路径的MTSP为无人机群中每架无人机分配巡检任务,应用动态簇粒子群算法实现多段路径规划,并利用人工势场法对无人机群进行实时避障控制。为无人机群智能巡检提供了高精度定位基础,同时提供了可靠高效的任务分配方案和巡检路径,且能够动态应对复杂环境下存在的各种障碍物,大幅减少了人工巡检的工作量,提高了大坝库区无人机群智能巡检的效率,有效避免安全隐患,减少了对于人力物力的消耗。同时实现了方法的高复用和可扩充,只需对方法中部分内容进行少量修改,即可应用于其他复杂环境。
Claims (9)
1.一种仿生无人机群大坝库区智能巡检方法,其特征在于,包括以下步骤:
S1:利用北斗导航系统定位每架无人机以及大坝库区障碍物位置,并利用RTK(realtime kinematic,实时动态)载波相位差分技术提高巡检过程中无人机的定位精度;
S2:针对库区部分地区北斗接收信号不佳的情况,采用北斗/惯导组合导航,实现弱/无信号环境下定位信息的获取;
S3:将库区巡检任务分配抽象为MTSP(multiple traveling salesman problem,多旅行商问题),针对库区内需进行信息采集的重点关注部位,采用单仓库闭合路径的MTSP为无人机群中每架无人机分配巡检任务;
S4:根据每架无人机对应的巡检任务以及库区内的静态障碍物,以起飞点、巡检任务中重点关注部位为路径点,在相邻路径点间采用动态簇粒子群算法实现多段路径规划;
S5:在无人机巡检的过程中,针对库区中可能出现的其他障碍物,采用人工势场法对无人机群进行实时避障控制。
2.根据权利要求1所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S1中利用RTK载波相位差分技术消除卫星钟差、接收机钟差、电流层对流层对载波信号传播路程的影响,进而提高定位精度。
3.根据权利要求1所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S2中的北斗/惯导组合导航,其数学模型构建过程为:
建立状态方程:
X(t)=F(t)X(t)+G(t)W(t)
其中,F(t)表示状态矩阵,X(t)表示状态向量,G(t)表示动态噪声矩阵,W(t)表示白噪声矢量,然后建立量测方程,将速度矢量和位置矢量作为观测量,建立位置量测误差矢量方程和速度量测误差矢量方程,并将二者进行组合,得到组合导航的量测方程如下:
其中,Z(t)是量测向量,H(t)是量测矩阵,V(t)是量测噪声。
4.根据权利要求1所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S3中将库区巡检任务分配抽象为MTSP,采用单仓库闭合路径的MTSP为无人机群中每架无人机分配巡检任务,具体为:
将库区巡检任务抽象为MTSP,将每架无人机抽象为销售人员,将无人机的起飞点抽象为仓库,将巡检任务所需时间作为约束,无人机群从同一起飞点出发,途径库区内需进行信息采集的重点关注部位,最终返回起飞点,即单仓库闭合路径的MTSP,假设n个重点关注部位的集合为{T1,T2,…,Tn},m个无人机的集合为{U1,U2,…,Um},无人机起飞点为D,则单仓库闭合路径的MTSP目标函数建模如下:
其中,C为约束代价,以每架无人机约束代价相近为优化目标,进而最小化整体约束代价,获得最优无人机群巡检任务分配方案。
5.根据权利要求1所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S4中的动态簇粒子群算法,具体算法流程为:
S41:首先初始化参数,定义迭代次数为t,粒子群大小为n,最大迭代次数为G;
S42:使用Tent混沌映射初始化粒子群并设计目标函数;
S43:在算法达到最大迭代次数之前,使用动态簇机制将粒子群分成两个簇;
S44:分别通过PSO更新两个簇;
S45:将两个簇合并成一个完整的粒子群;
S46:得到当前的全局最优值,如果迭代后的全局最优值优于之前的全局最优值,则执行更新操作,否则不更新;
S47:达到最大迭代次数后,输出集群全局最优解的位置及其对应的最优适应度值。
6.根据权利要求5所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S42中Tent混沌映射的迭代更新公式为:
其中xn+1是使用Tent混沌映射到xn的结果。
7.根据权利要求5所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S43的动态簇机制,其包含四个过程,即选择簇头、聚类、迭代计算和合并以准备下一次聚类,具体流程为:
S431:选择每个时刻最密集位置的个体作为第一个簇的簇头1;
S432:种群中距离簇头1最近的一半个体被包含在簇1中,其余的个体全部被包含在簇2中;
S433:两个簇共享簇内的资源并在簇之间没有交互的情况下进行迭代;
S434:合并两个簇,为下一次循环做准备。
8.根据权利要求5所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S44采用PSO分别更新两个簇,具体过程为:
S441:在PSO中,使用如下形式来表示d维空间中的n个粒子:
其中n为粒子数,d为变量的维度,[xi,1,xi,2...xi,d]表示第i个粒子在d维搜索空间中的位置信息,[vi,1,vi,2...vi,d]表示第i个粒子在d维搜索空间中的速度信息;
S442:对粒子群进行迭代更新:
其中,表示第n时刻粒子群中第i个粒子的d维位置信息,/>表示第n+1时刻粒子群中第i个粒子的d维速度信息;
S443:对第n+1时刻粒子群中第i个粒子的d维速度信息进行更新:
其中,第一项为粒子运动的动量,表示上一时刻的运动对当前时刻的影响,w为惯性权重因子,其值为非负;第二项和第三项分别为粒子的认知部分和社会部分,会将粒子带向认知中和整个种群中较好的位置,c1,c2分别为这两部分的学习因子;rand()表示[0,1]范围内的随机数,为第i个粒子从t=0时刻到t=n时刻位置搜索到的最佳位置,/>为整个粒子种群从0时刻到n时刻位置搜索到的最佳位置。其中的社会机制为算法提供了牵引力,但也制约了算法的全局搜索能力。
9.根据权利要求1所述的一种仿生无人机群大坝库区智能巡检方法,其特征在于,所述步骤S5中采用人工势场法对无人机群进行实时避障控制,具体为:
S51:通过无人机与目标之间的距离建立引力场,即在目标点处布置一个山谷型势场:
其中,表示(x,y)处的目标势能,h0表示基线势能,h表示山谷型势场最深位置的势能,(x0,y0)表示目标点的坐标,a和b分别是目标势场的斜率;
S52:根据导航定位确定无人机与其它移动物体的距离,采用人工势场法建立斥力场,即在任务场景中的障碍物处构建山势场:
其中,表示(x,y)处的障碍物势能,h0表示基线势能,hi表示第i个障碍物峰值势场顶部的势能,(xti,yti)表示t时刻第i个障碍物的坐标,ai和bi分别是第i个障碍物势场的斜率;
S53:根据上述计算的引力场和斥力场,取两个势场中较高的两个值相加作为合力场,引导每架无人机安全完成巡检任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069759.4A CN117193348B (zh) | 2023-02-03 | 一种仿生无人机群大坝库区智能巡检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069759.4A CN117193348B (zh) | 2023-02-03 | 一种仿生无人机群大坝库区智能巡检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117193348A true CN117193348A (zh) | 2023-12-08 |
CN117193348B CN117193348B (zh) | 2024-05-31 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023571A (zh) * | 2010-09-30 | 2011-04-20 | 哈尔滨工程大学 | 探索任务下基于分簇的多机器人任务分配方法 |
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN112859924A (zh) * | 2021-01-27 | 2021-05-28 | 大连大学 | 一种人工干扰与esn-pso结合的无人机轨迹规划方法 |
KR20210069549A (ko) * | 2019-12-03 | 2021-06-11 | 경희대학교 산학협력단 | 다중 무인항공기 네비게이션 최적화 방법 및 그를 이용한 무인항공항 시스템 |
CN113064450A (zh) * | 2021-04-01 | 2021-07-02 | 河海大学 | 一种基于退火算法的量子粒子群求解无人机路径规划方法 |
CN113093796A (zh) * | 2021-03-31 | 2021-07-09 | 河海大学 | 一种大坝无人机群自主巡检智能控制系统 |
CN113536689A (zh) * | 2021-07-26 | 2021-10-22 | 南京邮电大学 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
CN113848983A (zh) * | 2021-10-29 | 2021-12-28 | 武汉大学 | 一种针对大坝缺陷检测的无人机群自动巡检系统及方法 |
CN115420289A (zh) * | 2022-08-17 | 2022-12-02 | 中国电子科技集团公司第二十八研究所 | 一种基于粒子群改进人工势场法的无人艇航路规划方法 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023571A (zh) * | 2010-09-30 | 2011-04-20 | 哈尔滨工程大学 | 探索任务下基于分簇的多机器人任务分配方法 |
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
KR20210069549A (ko) * | 2019-12-03 | 2021-06-11 | 경희대학교 산학협력단 | 다중 무인항공기 네비게이션 최적화 방법 및 그를 이용한 무인항공항 시스템 |
CN112859924A (zh) * | 2021-01-27 | 2021-05-28 | 大连大学 | 一种人工干扰与esn-pso结合的无人机轨迹规划方法 |
CN113093796A (zh) * | 2021-03-31 | 2021-07-09 | 河海大学 | 一种大坝无人机群自主巡检智能控制系统 |
CN113064450A (zh) * | 2021-04-01 | 2021-07-02 | 河海大学 | 一种基于退火算法的量子粒子群求解无人机路径规划方法 |
CN113536689A (zh) * | 2021-07-26 | 2021-10-22 | 南京邮电大学 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
CN113848983A (zh) * | 2021-10-29 | 2021-12-28 | 武汉大学 | 一种针对大坝缺陷检测的无人机群自动巡检系统及方法 |
CN115420289A (zh) * | 2022-08-17 | 2022-12-02 | 中国电子科技集团公司第二十八研究所 | 一种基于粒子群改进人工势场法的无人艇航路规划方法 |
Non-Patent Citations (2)
Title |
---|
HONGYUE CHU: "Chaos particle swarm optimization enhancement algorithm for UAV safe path planning", APPLIED SCIENCES, vol. 12, no. 18, 7 September 2022 (2022-09-07), pages 1 - 23 * |
崔舒婷: "基于马尔科夫生存模型与粒子群算法的动态航路规划", 四川大学学报(自然科学版), vol. 55, no. 3, 30 June 2018 (2018-06-30), pages 501 - 506 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm | |
CN109946731B (zh) | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 | |
CN103676955A (zh) | 一种实现分布式编队飞行的卫星自主轨道控制系统 | |
CN112556686B (zh) | 可预测动态时空环境的最短时间路径规划方法 | |
CN111192481B (zh) | 一种基于碰撞风险的进离场程序无人机管控区边界确定方法 | |
CN114595518B (zh) | 一种基于数字孪生的商业航天飞行与民航运行协作系统 | |
CN112668193B (zh) | 一种资源调度约束下的发射任务分配方法 | |
Mansouri et al. | Distributed model predictive control for unmanned aerial vehicles | |
CN109901108A (zh) | 一种基于后验线性化置信传播的编队无人机协同定位方法 | |
Li et al. | Optimized views photogrammetry: Precision analysis and a large-scale case study in qingdao | |
Sun et al. | A wind estimation based on unscented Kalman filter for standoff target tracking using a fixed-wing UAV | |
Lawrance et al. | Long endurance autonomous flight for unmanned aerial vehicles | |
Liu et al. | The status and challenges of high precision map for automated driving | |
CN113619815B (zh) | 一种航天器集群动态路径规划方法 | |
CN117193348B (zh) | 一种仿生无人机群大坝库区智能巡检方法 | |
CN117193348A (zh) | 一种仿生无人机群大坝库区智能巡检方法 | |
CN115061499B (zh) | 无人机控制方法及无人机控制装置 | |
CN115585814A (zh) | 一种基于沉降机制的飞行器变尺度地形跟随方法 | |
CN115808933A (zh) | 一种基于量子海鸥算法的无人机路径规划方法 | |
Lebedev et al. | Analysis of «Leader–Followers» Algorithms in Problem of Trajectory Planning for a Group of Multi-rotor UAVs | |
CN114140289A (zh) | 一种基于卫星遥感技术的智慧城市规划系统 | |
Le Floch et al. | Trajectory planning for autonomous parafoils in complex terrain | |
Zhong et al. | Collaborative navigation in V2I network based on Chan-Taylor joint iterative algorithm | |
Li | Dynamic and Precise Engineering Surveying | |
Zhang | Safe Path Correction Method for Ambulance Aircraft Based on Low-Altitude Wind Prediction |
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 | ||
GR01 | Patent grant |