CN118170156B - 基于飞行动态规划的无人机清除杆塔鸟窝的方法及装置 - Google Patents

Abstract

本发明提供了一种基于飞行动态规划的无人机清除杆塔鸟窝的方法及装置，涉及电力巡检技术领域，包括：获取第一信息、第二信息、第三信息和第四信息；根据第一信息进行图像提取处理得到第五信息；根据第五信息进行特征分析和图像转换处理得到第六信息；根据第二信息、第四信息和第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，包括无人机的初始飞行路径和机械臂的预抓取方案；根据第三信息和第七信息进行环境适应性分析处理得到第八信息；根据第七信息和第八信息进行优化处理得到第九信息。本发明利用图像处理技术，能够自动识别电力杆塔上的鸟窝，并根据图像提取处理得到的信息，智能地规划无人机的飞行路径和机械臂的操作方案。

Description

基于飞行动态规划的无人机清除杆塔鸟窝的方法及装置

技术领域

本发明涉及电力巡检技术领域，具体而言，涉及一种基于飞行动态规划的无人机清除杆塔鸟窝的方法及装置。

背景技术

随着电力系统的不断发展和扩展，电力输电线路的巡检和维护变得日益重要。为了应对这一挑战，近年来逐渐引入了无人机技术用于电力巡检，以提高效率、降低成本、减少安全风险。然而，在无人机应用于电力巡检的过程中，仍然存在着一些问题，其中之一是电力输电线路上鸟窝的清理。鸟窝是由鸟类在电力杆塔或输电线路上筑巢而形成的，会影响线路的正常运行和安全性。目前，清除鸟窝的常见做法是利用无人机搭载机械臂进行作业，但是现有的无人机清除鸟窝的方法存在一些局限性，首先现有的清理方法通常需要人工干预，缺乏自动化的规划和执行能力，使得作业效率低下，成本较高；其次，现有的无人机清理鸟窝的方式只进行一次抓取，难以彻底清理，可能导致残留物的产生，增加线路的安全隐患。

基于现有技术的缺点，现亟需一种基于飞行动态规划的无人机清除杆塔鸟窝的方法及装置。

发明内容

本发明的目的在于提供一种基于飞行动态规划的无人机清除杆塔鸟窝的方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种基于飞行动态规划的无人机清除杆塔鸟窝的方法，包括：

获取第一信息、第二信息、第三信息和第四信息，所述第一信息为至少两帧包含了鸟窝以及鸟窝粘接部位的图像，所述第二信息包括无人机性能参数和机械臂规格，所述第三信息包括实时气象数据，所述第四信息为飞行过程中的实时雷达数据；

根据所述第一信息进行图像提取处理得到第五信息，所述第五信息包括鸟窝材质特征信息和粘接部位特征信息；

根据所述第五信息进行特征分析和图像转换处理得到第六信息，所述第六信息为粘接力模型，所述粘接力模型包括鸟窝的三维模型以及各部位的粘接强度分布数据；

根据所述第二信息、所述第四信息和所述第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，所述第七信息包括无人机的初始飞行路径和机械臂的预抓取方案；

根据所述第三信息和所述第七信息进行环境适应性分析处理得到第八信息，所述第八信息包括风场影响评估结果和障碍物影响评估结果；

根据所述第七信息和所述第八信息进行优化处理得到第九信息，所述第九信息包括优化后的无人机飞行路径、机械臂的操作方案以及无人机与机械臂的协同动作指令。

第二方面，本申请还提供了基于飞行动态规划的无人机清除杆塔鸟窝的装置，包括：

获取模块，用于获取第一信息、第二信息、第三信息和第四信息，所述第一信息为至少两帧包含了鸟窝以及鸟窝粘接部位的图像，所述第二信息包括无人机性能参数和机械臂规格，所述第三信息包括实时气象数据，所述第四信息为飞行过程中的实时雷达数据；

提取模块，用于根据所述第一信息进行图像提取处理得到第五信息，所述第五信息包括鸟窝材质特征信息和粘接部位特征信息；

转换模块，用于根据所述第五信息进行特征分析和图像转换处理得到第六信息，所述第六信息为粘接力模型，所述粘接力模型包括鸟窝的三维模型以及各部位的粘接强度分布数据；

规划模块，用于根据所述第二信息、所述第四信息和所述第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，所述第七信息包括无人机的初始飞行路径和机械臂的预抓取方案；

评估模块，用于根据所述第三信息和所述第七信息进行环境适应性分析处理得到第八信息，所述第八信息包括风场影响评估结果和障碍物影响评估结果；

优化模块，用于根据所述第七信息和所述第八信息进行优化处理得到第九信息，所述第九信息包括优化后的无人机飞行路径、机械臂的操作方案以及无人机与机械臂的协同动作指令。

本发明的有益效果为：

本发明利用图像处理技术，能够自动识别电力杆塔上的鸟窝，并根据图像提取处理得到的信息，智能地规划无人机的飞行路径和机械臂的操作方案。本发明根据粘接力模型和环境适应性分析，采用多次抓取的策略，有效地解决了一次抓取无法完全清理的问题，提升了杆塔清洁的效果。本发明通过利用模拟退火算法进行优化处理，调整无人机的飞行路径以最大程度减少风险并提高飞行效率，从而确保清除过程的安全性和高效性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地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为本发明实施例中所述的基于飞行动态规划的无人机清除杆塔鸟窝的方法流程示意图;

图2为本发明实施例中所述的基于飞行动态规划的无人机清除杆塔鸟窝的装置结构示意图。

图中标记：1、获取模块；2、提取模块；21、第一检测单元；22、第一提取单元；23、第一识别单元；24、第一处理单元；3、转换模块；31、第一建模单元；32、第一分析单元；33、第一模拟单元；4、规划模块；41、第一规划单元；42、第一计算单元；43、第二计算单元；44、第一整合单元；5、评估模块；51、第二建模单元；52、第一评估单元；53、第二识别单元；54、第一融合单元；6、优化模块；61、第一构建单元；62、第二规划单元；63、第一决策单元。

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。同时，在本发明的描述中，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。

实施例1：

本实施例提供了一种基于飞行动态规划的无人机清除杆塔鸟窝的方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。

步骤S100、获取第一信息、第二信息、第三信息和第四信息，第一信息为至少两帧包含了鸟窝以及鸟窝粘接部位的图像，第二信息包括无人机性能参数和机械臂规格，第三信息包括实时气象数据，第四信息为飞行过程中的实时雷达数据。

可以理解的是，第一信息用于识别鸟窝的位置、形状以及粘接部位的情况。通过至少两帧图像，可以利用视差效应和多视角几何原理来还原出鸟窝的三维形态。第二信息将用于规划无人机的飞行路径和机械臂的操作方案，包括无人机的最大飞行速度、载荷能力和机械臂的最大伸展长度、负载能力等参数将决定了清除鸟窝的操作方案的可行性和效率。实时气象数据，用于评估飞行过程中的气象条件，包括风速、风向、温度等，以确保飞行操作的安全性。第四信息为飞行过程中的实时雷达数据，用于探测飞行路径上的障碍物，如其他航空器、高压线等，以确保飞行的安全性。

步骤S200、根据第一信息进行图像提取处理得到第五信息，第五信息包括鸟窝材质特征信息和粘接部位特征信息。

具体地，首先使用计算机视觉技术对图像进行物体检测和分割处理，以识别图像中的鸟窝和粘接部位。这可以通过图像处理算法，如边缘检测、区域生长等方法实现。一旦识别出鸟窝和粘接部位，将从图像中提取出这些区域，并对其进行进一步的特征提取处理。这包括从鸟窝区域提取材质特征，如纹理、颜色等，以及从粘接部位提取几何形状和位置信息。可以利用图像处理和特征提取技术，如局部二值模式、直方图分析等方法，从图像中提取出这些特征信息。最终，第五信息将包括关于鸟窝材质特征和粘接部位特征的详细信息，为后续的粘接力模型构建和飞行路径规划提供重要数据支持。

步骤S300、根据第五信息进行特征分析和图像转换处理得到第六信息，第六信息为粘接力模型，粘接力模型包括鸟窝的三维模型以及各部位的粘接强度分布数据。

可以理解的是，本步骤利用图像处理和计算机图形学技术，从鸟窝的二维图像中重建出其三维结构。这可以通过结合多视角图像进行立体重建、三维重建算法（如结构光、立体匹配等）实现。粘接强度分布数据的获取需要将第五信息中提取的粘接部位特征与材料力学模型相结合，考虑材料的性质、结构形状等因素，来评估各个部位的粘接强度。

步骤S400、根据第二信息、第四信息和第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，第七信息包括无人机的初始飞行路径和机械臂的预抓取方案。

可以理解的是，在飞行动态规划过程中，根据无人机的性能参数和实时雷达数据，考虑到无人机的飞行能力、机械臂的负载和动态环境变化，规划出一个最优的初始飞行路径，以实现对杆塔鸟窝的有效清理。同时，在机械臂轨迹规划处理中，利用鸟窝的三维模型和粘接强度分布数据，结合机械臂的规格和动态特性，规划出一个预抓取方案。这个方案包括确定抓取点的位置信息以及抓取策略，其中的策略要保证机械臂能够有效地破坏粘接部位，并最终将鸟窝完整取下。

步骤S500、根据第三信息和第七信息进行环境适应性分析处理得到第八信息，第八信息包括风场影响评估结果和障碍物影响评估结果。

可以理解的是，本步骤通过将风场模型与无人机的初始飞行路径进行对比分析，能够评估风场对无人机飞行路径的影响程度，从而得到风场影响评估结果。利用无人机的初始飞行路径和机械臂的预抓取方案，结合环境中可能存在的障碍物信息，可以确定潜在的飞行障碍物，并评估其对无人机飞行和机械臂操作的影响。

步骤S600、根据第七信息和第八信息进行优化处理得到第九信息，第九信息包括优化后的无人机飞行路径、机械臂的操作方案以及无人机与机械臂的协同动作指令。

可以理解的是，本步骤通过综合考虑风场影响、障碍物影响以及其他环境因素，对无人机的飞行路径和机械臂的操作方案进行优化，以提高任务执行效率和安全性。通过优化处理，能够确保无人机能够在复杂的环境条件下准确地执行任务，并与机械臂实现良好的协同动作，从而有效地清除杆塔鸟窝。

需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。

步骤S210、根据第一信息对图像中的鸟窝进行物体检测和分割处理得到分割结果，分割结果包括鸟窝区域裁剪图像。

优选地，本步骤采用了Mask R-CNN算法进行鸟窝识别。Mask R-CNN算法是一种目标检测和分割算法，结合了目标边界框预测和生成目标掩膜两个关键步骤，能够同时输出每个目标的边界框和像素级别的掩膜，从而实现准确的目标检测和分割。具体地，Mask R-CNN算法首先通过在骨干网络（例如ResNet）中提取图像特征，将杆塔图像中的关键信息编码为特征图。然后，这两个并行的分支分别在特征图上进行操作。第一个分支用于目标边界框的预测，它通过在特征图上应用卷积操作，对每个位置进行处理，从而预测目标在图像中的位置信息，即边界框的坐标。这个分支专注于找到杆塔图像中可能存在的鸟窝位置，以边界框的形式表示，以便进一步识别和分割。第二个分支用于生成目标掩膜，它也在特征图上应用卷积操作，但是输出的是一个与特征图大小相同的二进制掩膜。这个掩膜用于标识图像中目标的像素位置，即将杆塔图像中属于鸟窝的像素标记为前景，而其他像素标记为背景。通过这个分支生成的掩膜可以准确地分割出鸟窝的形状和轮廓，提供更精细的识别结果。

然而，直接应用Mask R-CNN算法在杆塔场景下进行鸟窝识别可能会遇到一些问题。例如，杆塔图像中鸟窝的形状复杂多变，可能与其他物体或背景相似，导致算法难以准确识别鸟窝的边界和形状。此外，鸟窝的尺寸大小和颜色也可能会受到光照和拍摄角度等因素的影响，进一步增加了识别的难度。因此，在本实施例中针对杆塔鸟窝的识别，这两个分支的预测和生成过程会针对鸟窝这一特定目标进行优化。例如，在目标边界框预测阶段，通过增加特定的损失函数来提高对鸟窝边界框的准确性；在生成目标掩膜阶段，针对鸟窝的形状特征进行优化，以提高分割的精度和鸟窝的完整性。这样的优化能够使得算法更加适应杆塔场景中鸟窝的特点，提高识别的准确性和稳定性。具体地，本实施例中目标优化的公式如下：

；

；

；

其中，表示整体优化目标函数，表示目标边界框预测部分目标函数，表示目标掩码生成部分目标函数，表示图像中的鸟窝数量，表示鸟窝的索引值，表示预测的边界框存在目标的概率，表示实际存在目标的标签，表示预测边界框的位置信息，表示真实边界框的位置信息，表示平滑的L1损失函数，表示交叉熵损失函数，表示边界框位置回归的损失函数，和表示损失函数的权重参数，表示生成的掩膜中像素属于鸟窝的概率，表示真实标签，表示两部分损失函数的权重参数。

步骤S220、根据分割结果进行特征提取处理得到第一特征信息和第二特征信息，第一特征信息包括纹理特征、颜色特征和形态特征，第二特征信息包括粘接部位的几何形状和位置信息。

需要说明的是，在本实施例中，纹理特征描述了鸟窝表面的纹理样貌，例如是否有毛细孔、裂缝或凸起等。纹理特征能够帮助识别不同类型的鸟窝。颜色特征能够帮助区分鸟窝与周围环境的颜色差异，从而更准确地定位鸟窝的位置。形态特征描述了鸟窝的整体形状以及与周围环境的相互关系。形态特征包括了鸟窝的大小、形状、轮廓等信息，这些信息有助于帮助了解鸟窝的空间分布特征。粘接部位的几何形状描述了鸟窝与杆塔或其他表面之间的连接形态，包括了粘接部位的大小、形状、轮廓等。这些信息可以帮助理解粘接部位的结构特征，从而更好地规划机械臂的操作路径，确保机械臂能够准确地抓取鸟窝，而不会损坏周围环境或造成不必要的损失。同时，粘接部位的位置信息描述了鸟窝与杆塔或其他表面之间的相对位置关系。通过了解粘接部位的位置，可以确定机械臂在抓取鸟窝时的最佳位置，从而确保抓取的准确性和稳定性。此外，位置信息还可以判断粘接部位是否处于机械臂的可达范围内，避免出现操作不当或无法到达的情况。

步骤S230、根据第一特征信息，使用支持向量机对鸟窝的材质进行分类和识别得到鸟窝材质特征信息。

可以理解的是，支持向量机是一种监督学习算法，用于分类和回归分析。在本实施例中，将其应用于鸟窝材质的分类和识别任务。通过将提取的特征信息输入支持向量机模型中进行训练，该模型能够学习不同材质特征之间的区分边界，并在训练完成后能够对新的鸟窝图像进行材质分类。具体地，支持向量机通过将特征空间中的样本映射到高维空间，找到一个最优的超平面来将不同类别的样本分开，在本步骤中，将提取的纹理特征、颜色特征和形态特征作为输入向量，训练支持向量机模型，使其能够准确地将不同材质的鸟窝进行分类。

步骤S240、基于预设的深度学习模型对鸟窝材质特征信息和第二特征信息进行处理，通过预测鸟窝粘接部位的粘接强度分布得到粘接部位特征信息。

在本步骤中，利用预设的深度学习模型，将鸟窝材质特征信息和第二特征信息作为输入，通过神经网络的前向传播过程，预测鸟窝粘接部位的粘接强度分布。这个预测过程能够基于输入的特征信息，对每个粘接部位的粘接强度进行估计，从而得到粘接部位特征信息。具体地，首先对输入的特征信息进行预处理，包括归一化、标准化等操作，以确保神经网络能够更好地处理这些数据。深度学习模型采用多层的神经网络结构，包括卷积层、池化层、全连接层。这些层次将逐步提取输入特征的高层抽象表示。通过神经网络的前向传播过程，输入的特征信息将逐层传递，并经过一系列的非线性变换和激活函数处理，最终得到输出层的预测结果。输出层是一个与输入特征相匹配的层，用于预测鸟窝粘接部位的粘接强度分布。这个过程中，神经网络会学习到输入特征与粘接强度之间的复杂映射关系，从而能够在训练过程中调整网络参数以最小化预测误差。在训练阶段，将提前准备好的带有标签的训练数据输入到神经网络中，通过反向传播算法更新网络参数，不断优化模型以提高预测精度。

需要说明的是，步骤S300包括步骤S310、步骤S320和步骤S330。

步骤S310、根据第五信息进行三维重建处理得到鸟窝的三维模型。

可以理解的是，本步骤利用先前获得的图像数据，通过三维重建技术，将鸟窝在现实世界中的形状和结构转换为数字化的三维模型。具体地，步骤S310包括步骤S311、步骤S313、步骤S314和步骤S315。

步骤S311、利用SIFT（尺度不变特征变换）算法从第五信息包含的两帧不同角度的图像中提取特征点。

可以理解的是，SIFT算法首先通过高斯差分金字塔构建尺度空间，在不同尺度下检测图像中的关键点，这些关键点对应于鸟窝的独特特征，如鸟窝的形状、纹理等。然后，对每个关键点周围的局部区域计算特征向量，这些特征向量能够描述关键点周围的图像结构和纹理信息，包括鸟窝的材质和形态特征。通过特征向量的匹配和配对，可以找到两幅图像中具有相似特征的对应点，这些对应点可以用于后续的图像配准和三维重建。由于SIFT算法具有对图像旋转、尺度变换和亮度变化具有较好的不变性，因此在多角度的图像中也能够提取出稳定的特征点，为后续的三维重建提供可靠的特征匹配基础。

步骤S312、根据提取得到的特征点进行匹配处理，得到特征点在两幅图像中的对应关系，并利用特征点之间的位置关系计算得到视差信息。

可以理解的是，由于两帧图像中都包含了鸟窝及其粘接部位的图像，因此这些特征点可能对应于鸟窝的显著特征，如鸟窝的边缘、纹理等。匹配得到的特征点之间的位置关系计算得到视差信息，即在两幅图像中同一位置上的像素在水平方向上的偏移量。通过这些视差信息，可以推断出不同位置上的深度信息，即物体距离相机的距离。

步骤S313、根据视差信息，利用立体视差与物体距离的关系并结合相机的内参矩阵，计算得到鸟窝在不同位置上相对于相机的深度信息。

可以理解的是，本实施例是通过两幅不同角度的图像来重建鸟窝的三维模型，因此需要结合立体视差原理，即同一物体在两个不同视角下的位置差异，来推断鸟窝在空间中的深度。由于鸟窝的位置和形态可能在图像中的呈现会因角度不同而有所变化，因此通过相机的内参矩阵来纠正这些变化，以保证计算结果的准确性。

步骤S314、使用迭代最小二乘法处理深度信息生成鸟窝不同位置上的三维坐标，并构建得到三维模型。

具体地，首先通过将深度图像中的点与目标点云中的点进行配对，找到它们之间的对应关系；然后，通过迭代优化的方式，不断更新变换矩阵，使得两组点云在空间中的位置尽可能接近；最终，利用收敛后的最佳变换矩阵，将深度图像中的点映射到目标点云的坐标系中，得到物体在不同位置上的三维坐标。

步骤S320、根据三维模型进行有限元分析处理，通过对鸟窝的结构进行力学建模并结合粘接部位的材料性质、形状以及受到的外部力，计算得到粘接部位的应力分布数据。

有限元分析是一种工程数值计算方法，用于解决结构力学和热力学等领域的问题。在本步骤中，有限元分析用于模拟鸟窝在受到外部力作用时的应力分布情况。具体地，首先对鸟窝的结构进行力学建模，将其划分为小的单元，每个单元内都存在一定的材料性质和形状特征。由于鸟窝结构具有复杂的形状和内部结构，因此在建立有限元模型时需要考虑到模型的精度和复杂度，优选地，本实施例采用自适应网格划分技术，将有限元单元密集地放置在结构变化剧烈的区域，以提高模型的精度和准确性。同时，现实中鸟窝由自然材料构成，其材料属性具有一定的不确定性，因此在定义材料属性时，采用统计分析的方法，考虑材料参数的随机性，以获得更真实和可靠的模拟结果。然后考虑到鸟窝在实际应用中会受到各种外部力的作用，例如风力、重力等，这些力会对鸟窝的结构产生影响。在有限元分析中，将这些外部力转化为数学模型，并将其施加到鸟窝结构上。考虑到鸟窝处于不同的环境条件下，如不同的风速、温度等，需要对加载条件进行多场景考虑。此外，对约束条件的设定也需要根据实际情况进行调整，确保模拟结果的准确性。最终，结合鸟窝各部位的材料性质和形状信息，可以计算出在不同位置上的应力分布情况。这些应力分布数据可以显示出鸟窝在各个部位受力的情况，哪些地方承受的压力较大，哪些地方受力较小。有限元分析处理可以帮助我们更好地理解鸟窝结构的力学特性，为清除作业提供科学依据。

步骤S330、根据三维模型和应力分布数据进行模拟处理，通过模拟鸟窝在不同应力下的变形情况得到粘接力模型。

可以理解的是，粘接力模型描述了鸟窝在不同应力作用下各个粘接部位的力学特性，包括粘接部位的承受力、变形情况等。

需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。

步骤S410、根据第二信息和第四信息进行飞行动态规划处理，得到初始飞行路径，初始飞行路径包括至少两处停留位置坐标。

可以理解的是，飞行动态规划处理包括飞行路径规划和动态调整，飞行路径规划需要确保飞行路径能够满足机械臂的运动范围和稳定性要求；动态调整需要确保无人机在执行任务时能够安全地穿越复杂的环境，并最大程度地减少潜在的飞行风险。停留位置位于鸟窝清理任务的起始点和目标点附近，以便无人机在执行任务时能够按计划停留，进行必要的准备和调整，确保任务顺利完成。优选地，本实施例采用深度Q网络算法进行飞行路径规划，该算法能够根据环境的变化和任务的要求，自适应地学习到最优的飞行策略。在鸟窝清理任务中，会受到多种环境因素的影响，而深度Q网络算法能够在不断的试错中学习到适应不同环境的最佳飞行路径。具体地，首先将无人机飞行环境进行建模，包括杆塔结构、鸟窝位置和预设的环境状况等，这些信息可以作为环境的状态空间，用于无人机在飞行过程中进行决策。然后定义无人机可以采取的动作，包括向前飞行、转向、上升、下降等。这些动作构成了无人机的行动空间，用于在不同状态下选择合适的行动。进一步地，设计奖励函数和惩罚函数，奖励函数用于评估无人机在不同状态下采取不同动作的好坏程度；奖励函数包括到达目标位置的奖励、避开障碍物的奖励、保持飞行稳定的奖励等，惩罚函数用于惩罚无人机发生碰撞或超出安全范围的行为。然后，将环境的状态表示为特征向量，包括无人机的位置、速度、随机生成的环境信息和目标位置等。这些状态信息作为输入，输入到神经网络中进行处理。最后通过与环境的交互，不断地更新神经网络的参数，使得网络能够学习到在不同状态下选择最优动作的策略。其中，训练过程中采用经验回放和目标网络等技术来提高训练的效率和稳定性。

步骤S420、根据所有停留位置坐标和第六信息中鸟窝材质特征信息和粘接部位特征信息，利用逆运动学算法计算得到机械臂的多点抓取方案，多点抓取方案包括抓取点位置信息和抓取策略，抓取策略为前N-1次抓取破坏粘接点，第N次抓取将鸟窝完整取下，其中N为总抓取次数且N大于等于2。

可以理解的是，逆运动学算法能够根据目标位置和机械臂的几何结构，反向计算出机械臂各关节的运动轨迹，从而实现对目标点的精确抓取。具体地，使用蚁群算法（AntColony Optimization，ACO）来生成多点抓取策略。在算法开始之前，初始化每条路径上的信息素浓度和启发式信息，启发式信息可以反映出解的优劣程度。在本实施例中，将启发式信息设定为与抓取点的稳定性和鸟窝完整性相关的度量指标。每只蚂蚁根据当前所处位置以及信息素浓度和启发式信息，通过一定的概率选择下一个抓取点。这个概率与信息素浓度和启发式信息有关，即信息素浓度越高，蚂蚁选择该路径的概率越大，启发式信息越好，蚂蚁选择该路径的概率也越大。当所有蚂蚁完成了一次迭代后，根据它们的路径长度更新信息素。一般来说，路径长度越短的路径会留下更多的信息素，以便下一次迭代时被更多的蚂蚁选择。重复上述步骤，直到达到停止条件。停止条件为达到最大迭代次数、达到一定的信息素浓度阈值或者找到满足要求的抓取策略等。进一步地，每只蚂蚁在选择下一个抓取点时，需要考虑到抓取点的稳定性和鸟窝的结构。可以将启发式信息设置为与抓取点的稳定性相关的度量指标，例如，抓取点与支撑面的接触面积、抓取点的结构强度等。信息素浓度可以表示前面的抓取点对当前抓取点的影响程度，如果前面的抓取点能够有效地破坏粘接，那么当前抓取点的信息素浓度会相应增加。为了保证前面的抓取能够有效地破坏粘接，最后抓取能够完整取下，采用贪心策略来确定抓取顺序。即在选择下一个抓取点时，考虑到前面已经选择的抓取点对当前抓取点的影响，优先选择能够有效破坏粘接并且不影响最后抓取的点。这样可以确保在抓取过程中，每一步都能够顺利地破坏粘接，并最终完成整体的抓取任务。在本实施例中，对逆运动学算法的改进主要体现在启发式信息和信息素浓度的设定上，以及贪心策略的应用。启发式信息与抓取点的稳定性和鸟窝完整性相关，能够指导蚂蚁选择稳定且能有效破坏粘接的抓取点。信息素浓度则反映出前面抓取点对当前抓取点的影响程度，以便蚂蚁根据信息素浓度来选择抓取路径。贪心策略的应用则可以保证在抓取过程中每一步都能够顺利地破坏粘接，并最终完成整体的抓取任务。

步骤S430、根据多点抓取方案和机械臂的动态特性计算得到力矩输出指令。

可以理解的是，计算过程需要考虑到机械臂的负载、惯性、加速度等因素，以确保机械臂能够稳定地执行抓取动作并完成任务。在执行过程中，可能会受到外部环境变化或干扰，因此需要实时调整力矩输出指令，并通过传感器获取机械臂的实时状态反馈信息。这些信息可以用来修正计算的力矩输出指令，以确保机械臂能够在不确定的环境下稳定地执行抓取任务。

步骤S440、根据初始飞行路径、多点抓取方案以及力矩输出指令整合得到第七信息。

需要说明的是，首先将初始飞行路径和多点抓取方案进行整合，即将机器人的飞行路径和机械臂的抓取路径相结合，以确保机械臂在正确的位置进行抓取动作。具体地，通过将飞行路径和抓取路径在空间上进行叠加，确保机械臂的抓取点处于无人机的可达范围内。在这个过程中，需要考虑到无人机和机械臂的运动限制以及相互之间的干扰关系。通过动态规划算法或者路径规划算法，可以找到一条合适的整合路径，使得无人机能够按照飞行路径到达指定位置，然后机械臂在正确的时机执行抓取动作。其次，在整合过程中，需要考虑到飞行和抓取的时序关系，确保飞行路径和抓取路径之间的时序关系是合理的，这个过程通过时间轴或事件触发来实现。这意味着需要考虑到机械臂的抓取动作应该在无人机到达指定位置之后进行，而且需要保证抓取动作的时机是合适的，该过程可以通过时间轴或事件触发的方式来实现时序关系的处理，确保无人机和机械臂的动作能够协调进行。最后，在确定了机器人的飞行路径和机械臂的抓取路径后，需要将力矩输出指令集成到整体方案中，以确保机械臂能够按照预定的力矩输出执行抓取动作。需要在飞行路径和抓取路径的执行过程中，根据机械臂的运动状态和环境条件来输出相应的力矩指令，以确保机械臂能够按照预定的力矩输出执行抓取动作。在这个过程中，需要考虑到力矩输出的时机和力度，以及机械臂的稳定性和抓取效率。优选地，可以采用闭环控制算法或者反馈控制算法来实现力矩输出指令的集成，确保机械臂的抓取动作能够精准地执行。

需要说明的是，步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。

步骤S510、根据第三信息进行风场建模处理，基于流体动力学对杆塔及其周围的风场进行三维建模并采用流固耦合方法模拟杆塔表面的风速分布和气流流动特性，构建得到风场模型。

具体地，将气象数据中的风速、风向等信息映射到空间中的虚拟环境中，以模拟实际杆塔所处的风场环境。接着，采用流体动力学模拟技术对风场进行数值模拟，这是一种用来研究流体运动的工程数值分析方法，能够帮助理解风场中气流的运动规律。在这个过程中，考虑到了杆塔结构对风场的影响，因此采用了流固耦合方法，综合考虑了风场和杆塔结构之间的相互作用。这种方法能够更加准确地评估杆塔的稳定性和安全性，为无人机飞行路径的规划和机械臂操作提供了可靠的环境适应性分析基础。

步骤S520、基于风场模型对第七信息中的初始飞行路径进行路径影响评估处理得到风场影响评估结果。

可以理解的是，本步骤是为了评估风场对无人机飞行路径的影响，以便更好地规划飞行路径并确保飞行安全。通过将初始飞行路径与风场模型进行对比分析，可以评估风场对无人机的飞行轨迹、飞行速度和飞行稳定性等方面的影响。具体地，将风场数据与无人机的飞行路径进行匹配，从而确定风场在不同位置上的风速和风向，然后根据这些数据评估风场对无人机飞行的影响程度。匹配过程包括：首先对风场数据和无人机的飞行路径进行预处理，以确保它们具有相同的时间和空间分辨率。这涉及到对风场数据进行插值或降采样，以匹配无人机的飞行路径的时间间隔；同时，需要对风场数据进行空间插值或者栅格化处理，以匹配无人机的飞行路径的空间分辨率。然后，将风场数据和无人机的飞行路径进行空间匹配，即将风场数据的网格与无人机的飞行路径进行对齐。这通过将风场数据的坐标系转换为无人机的飞行路径坐标系，或者将无人机的飞行路径转换为风场数据的坐标系来实现，在这一步骤中，需要考虑到坐标系的转换误差以及空间分辨率的影响。进一步地，将风场数据和无人机的飞行路径进行时间匹配，即将风场数据的时间戳与无人机的飞行路径的时间戳进行对齐。这个过程通过将风场数据的时间戳与无人机的飞行路径的时间戳进行比较，并找到最接近的时间点来实现，并且需要考虑到时间戳的同步误差以及时间间隔的影响。最终得到的风场影响评估结果可以是定量的评估结果，例如风场对无人机的飞行速度减缓程度、飞行方向偏移程度等；也可以是定性的评估结果，例如风场对无人机飞行稳定性的影响程度等。评估结果以图形或报告的形式呈现，以便飞行任务的规划和调整。

步骤S530、根据第七信息和实时飞行环境数据进行障碍物识别处理，并将识别到的障碍物信息进行评估处理得到障碍物影响评估结果。

可以理解的是，通过将实时获取的飞行环境数据与事先设定的飞行路径进行比对分析，可以准确地识别出潜在的飞行障碍物，并对其进行评估处理。评估处理的目的是确定障碍物对无人机飞行路径的影响程度，进而采取相应的措施来避免碰撞或干扰。最终得到的障碍物影响评估结果将有助于调整飞行路径，确保无人机在飞行过程中避开障碍物，保证飞行的安全性和顺利性。

步骤S540、根据风场影响评估结果和障碍物影响评估结果进行融合处理，通过将两个评估结果分别转换为模糊集合，并利用模糊逻辑运算进行融合处理得到第八信息。

具体地，对于风场影响评估结果，可以将其表示为一个三角形的模糊集合，包括“低”、“中”和“高”三个模糊量化值，用来描述风场对飞行路径的影响程度。同样，对于障碍物影响评估结果，也可以将其表示为一个模糊集合，描述障碍物对飞行路径的影响程度。接下来，利用模糊逻辑运算对这两个模糊集合进行融合处理，以得出综合的飞行环境评估结果。常用的模糊逻辑运算包括模糊交集和模糊并集。在模糊交集运算中，采用最小值原则，即取两个模糊集合中相应元素的最小值作为融合后的结果；而在模糊并集运算中，采用最大值原则，即取两个模糊集合中相应元素的最大值作为融合后的结果。通过这样的模糊逻辑运算，可以综合考虑风场和障碍物对飞行路径的影响，得出更全面和准确的飞行环境评估结果。

需要说明的是，步骤S600包括步骤S610、步骤S620和步骤S630。

步骤S610、根据第七信息中的初始飞行路径和第八信息构建目标函数，并通过模拟退火算法在解空间中进行随机搜索，以预设概率接受劣质解得到优化后的无人机飞行路径。

具体地，首先构建一个目标函数，综合考虑到风场影响和障碍物影响，以尽量减小这些外部因素对无人机飞行的影响。目标函数的设计需要兼顾到电力巡检的需求，如尽量减少飞行时间、减小能源消耗等。然后采用模拟退火算法来优化这个目标函数。在搜索过程中，随机生成无人机的飞行路径，并计算对应的目标函数值。接着，根据模拟退火算法的核心思想，以一定的概率接受劣质解，从而在解空间中避免局部最优解而得到更优质的解。这个概率由一个“温度”参数控制，随着搜索的进行逐渐降低，使得算法更趋向于接受更优质的解。最终，通过模拟退火算法的优化，可以得到一个优化后的无人机飞行路径，该路径能够最大程度地降低风场和障碍物对飞行的影响，从而实现更安全和高效的电力巡检任务。目标函数如下：

；

其中，表示目标函数，表示风场区域，表示障碍物区域，表示风速，表示无人机与障碍物之间的距离，表示风场影响参数，表示飞行路径，表示飞行起始时间，表示飞行结束时间，表示无人机在时间t时的飞行速度，表示飞行速度下的能源消耗率，t表示时间。

步骤S620、根据优化后的无人机飞行路径和第七信息中机械臂的预抓取方案，使用路径规划算法规划机械臂的操作路径，并结合机械臂的可达性、稳定性和抓取效率，得到机械臂的操作方案。

可以理解的是，首先利用路径规划算法，如A*算法或Dijkstra算法，规划机械臂的操作路径，使机械臂能够高效地到达预定的抓取点，同时考虑到路径的安全性和稳定性。在得到操作路径之后，根据机械臂的运动范围和限制，确保机械臂能够到达规划的操作路径上的每个点，并且在抓取过程中保持稳定。同时，还需要考虑抓取效率，使机械臂能够以最优的姿势和速度完成抓取任务，从而提高任务执行的效率和成功率。

步骤S630、根据优化后的无人机飞行路径和机械臂的操作方案构建得到协同动作流程，并基于分布式决策算法对协同动作流程进行信息交换和决策协调处理，得到无人机与机械臂的协同动作指令。

需要说明的是，协同动作流程描述了无人机和机械臂在执行任务时的协同行动顺序和方式，确保它们之间的动作能够有效配合，完成电力巡检任务。随后，采用分布式协同优化算法进行信息交换和协调处理。具体地，首先将优化后的无人机飞行路径和机械臂的操作方案作为初始解传递给分布式协同优化算法的各个节点。这些节点是部署在无人机和机械臂上的智能控制单元或处理器。每个节点在本地执行优化算法，并利用局部搜索策略对当前解进行改进，以使得无人机和机械臂的动作更加高效和协调。在算法的每一次迭代中，各个节点根据本地任务执行的实时反馈信息和周围环境的变化情况，通过相互通信和信息交换的方式更新自己的解，并与其他节点进行协调，以达到全局最优或局部最优的目标。这种分布式协同优化的过程能够有效地利用各个节点之间的通信和协作，充分发挥各个智能单元的潜力，从而在不断迭代中逐步改进无人机和机械臂的行动方案。

最终得到协同动作指令，指导无人机在执行清除任务时的具体行动。这些指令包括无人机的飞行路径、速度和高度等参数，以及机械臂的运动轨迹、抓取姿势和力矩输出等指导信息。通过协同动作指令，无人机和机械臂能够在任务执行过程中实现高效的协同作业。

实施例2：

本实施例提供了一种基于飞行动态规划的无人机清除杆塔鸟窝的装置，装置包括：

获取模块1，用于获取第一信息、第二信息、第三信息和第四信息，第一信息为至少两帧包含了鸟窝以及鸟窝粘接部位的图像，第二信息包括无人机性能参数和机械臂规格，第三信息包括实时气象数据，第四信息为飞行过程中的实时雷达数据。

提取模块2，用于根据第一信息进行图像提取处理得到第五信息，第五信息包括鸟窝材质特征信息和粘接部位特征信息。

转换模块3，用于根据第五信息进行特征分析和图像转换处理得到第六信息，第六信息为粘接力模型，粘接力模型包括鸟窝的三维模型以及各部位的粘接强度分布数据。

规划模块4，用于根据第二信息、第四信息和第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，第七信息包括无人机的初始飞行路径和机械臂的预抓取方案。

评估模块5，用于根据第三信息和第七信息进行环境适应性分析处理得到第八信息，第八信息包括风场影响评估结果和障碍物影响评估结果。

优化模块6，用于根据第七信息和第八信息进行优化处理得到第九信息，第九信息包括优化后的无人机飞行路径、机械臂的操作方案以及无人机与机械臂的协同动作指令。

在本公开的一种具体实施方式中，提取模块2包括：

第一检测单元21，用于根据第一信息对图像中的鸟窝进行物体检测和分割处理得到分割结果，分割结果包括鸟窝区域裁剪图像。

第一提取单元22，用于根据分割结果进行特征提取处理得到第一特征信息和第二特征信息，第一特征信息包括纹理特征、颜色特征和形态特征，第二特征信息包括粘接部位的几何形状和位置信息。

第一识别单元23，用于根据第一特征信息，使用支持向量机对鸟窝的材质进行分类和识别得到鸟窝材质特征信息。

第一处理单元24，基于预设的深度学习模型对鸟窝材质特征信息和第二特征信息进行处理，通过预测鸟窝粘接部位的粘接强度分布得到粘接部位特征信息。

在本公开的一种具体实施方式中，转换模块3包括：

第一建模单元31，用于根据第五信息进行三维重建处理得到鸟窝的三维模型。

第一分析单元32，用于根据三维模型进行有限元分析处理，通过对鸟窝的结构进行力学建模并结合粘接部位的材料性质、形状以及受到的外部力，计算得到粘接部位的应力分布数据。

第一模拟单元33，用于根据三维模型和应力分布数据进行模拟处理，通过模拟鸟窝在不同应力下的变形情况得到粘接力模型。

在本公开的一种具体实施方式中，规划模块4包括：

第一规划单元41，用于根据第二信息和第四信息进行飞行动态规划处理，得到初始飞行路径，初始飞行路径包括至少两处停留位置坐标。

第一计算单元42，用于根据所有停留位置坐标和第六信息中鸟窝材质特征信息和粘接部位特征信息，利用逆运动学算法计算得到机械臂的多点抓取方案，多点抓取方案包括抓取点位置信息和抓取策略，抓取策略为前N-1次抓取破坏粘接点，第N次抓取将鸟窝完整取下，其中N为总抓取次数且N大于等于2。

第二计算单元43，用于根据多点抓取方案和机械臂的动态特性计算得到力矩输出指令。

第一整合单元44，用于根据初始飞行路径、多点抓取方案以及力矩输出指令整合得到第七信息。

在本公开的一种具体实施方式中，评估模块5包括：

第二建模单元51，用于根据第三信息进行风场建模处理，基于流体动力学对杆塔及其周围的风场进行三维建模并采用流固耦合方法模拟杆塔表面的风速分布和气流流动特性，构建得到风场模型。

第一评估单元52，用于基于风场模型对第七信息中的初始飞行路径进行路径影响评估处理得到风场影响评估结果。

第二识别单元53，用于根据第七信息和实时飞行环境数据进行障碍物识别处理，并将识别到的障碍物信息进行评估处理得到障碍物影响评估结果。

第一融合单元54，用于根据第一评估结果和第二评估结果进行融合处理，通过将两个评估结果分别转换为模糊集合，并利用模糊逻辑运算进行融合处理得到第八信息。

在本公开的一种具体实施方式中，优化模块6包括：

第一构建单元61，用于根据第七信息中的初始飞行路径和第八信息构建目标函数，并通过模拟退火算法在解空间中进行随机搜索，以预设概率接受劣质解得到优化后的无人机飞行路径。

第二规划单元62，用于根据优化后的无人机飞行路径和第七信息中机械臂的预抓取方案，使用路径规划算法规划机械臂的操作路径，并结合机械臂的可达性、稳定性和抓取效率，得到机械臂的操作方案。

第一决策单元63，用于根据优化后的无人机飞行路径和机械臂的操作方案构建得到协同动作流程，并基于分布式决策算法对协同动作流程进行信息交换和决策协调处理，得到无人机与机械臂的协同动作指令。

以上所述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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于飞行动态规划的无人机清除杆塔鸟窝的方法，其特征在于，包括：

获取第一信息、第二信息、第三信息和第四信息，所述第一信息为至少两帧包含了鸟窝以及鸟窝粘接部位的图像，所述第二信息包括无人机性能参数和机械臂规格，所述第三信息包括实时气象数据，所述第四信息为飞行过程中的实时雷达数据；

根据所述第一信息进行图像提取处理得到第五信息，所述第五信息包括鸟窝材质特征信息和粘接部位特征信息；

根据所述第五信息进行特征分析和图像转换处理得到第六信息，所述第六信息为粘接力模型，所述粘接力模型包括鸟窝的三维模型以及各部位的粘接强度分布数据；

根据所述第二信息、所述第四信息和所述第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，所述第七信息包括无人机的初始飞行路径和机械臂的预抓取方案；

根据所述第三信息和所述第七信息进行环境适应性分析处理得到第八信息，所述第八信息包括风场影响评估结果和障碍物影响评估结果；

根据所述第七信息和所述第八信息进行优化处理得到第九信息，所述第九信息包括优化后的无人机飞行路径、机械臂的操作方案以及无人机与机械臂的协同动作指令。

2.根据权利要求1所述的基于飞行动态规划的无人机清除杆塔鸟窝的方法，其特征在于,根据所述第一信息进行图像提取处理得到第五信息，包括：

根据所述第一信息对图像中的鸟窝进行物体检测和分割处理得到分割结果，所述分割结果包括鸟窝区域裁剪图像；

根据所述分割结果进行特征提取处理得到第一特征信息和第二特征信息，所述第一特征信息包括纹理特征、颜色特征和形态特征，所述第二特征信息包括粘接部位的几何形状和位置信息；

根据所述第一特征信息，使用支持向量机对鸟窝的材质进行分类和识别得到鸟窝材质特征信息；

基于预设的深度学习模型对所述鸟窝材质特征信息和所述第二特征信息进行处理，通过预测鸟窝粘接部位的粘接强度分布得到粘接部位特征信息。

3.根据权利要求1所述的基于飞行动态规划的无人机清除杆塔鸟窝的方法，其特征在于,根据所述第五信息进行特征分析和图像转换处理得到第六信息，包括：

根据所述第五信息进行三维重建处理得到鸟窝的三维模型；

根据所述三维模型进行有限元分析处理，通过对鸟窝的结构进行力学建模并结合粘接部位的材料性质、形状以及受到的外部力，计算得到粘接部位的应力分布数据；

根据所述三维模型和所述应力分布数据进行模拟处理，通过模拟鸟窝在不同应力下的变形情况得到粘接力模型。

4.根据权利要求1所述的基于飞行动态规划的无人机清除杆塔鸟窝的方法，其特征在于,根据所述第二信息、所述第四信息和所述第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，包括：

根据所述第二信息和所述第四信息进行飞行动态规划处理，得到初始飞行路径，所述初始飞行路径包括至少两处停留位置坐标；

根据所有所述停留位置坐标和所述第六信息中鸟窝材质特征信息和粘接部位特征信息，利用逆运动学算法计算得到机械臂的多点抓取方案，所述多点抓取方案包括抓取点位置信息和抓取策略，所述抓取策略为前N-1次抓取破坏粘接点，第N次抓取将鸟窝完整取下，其中N为总抓取次数且N大于等于2；

根据所述多点抓取方案和机械臂的动态特性计算得到力矩输出指令；

根据所述初始飞行路径、所述多点抓取方案以及所述力矩输出指令整合得到第七信息。

5.根据权利要求1所述的基于飞行动态规划的无人机清除杆塔鸟窝的方法，其特征在于,根据所述第三信息进行环境适应性分析处理得到第八信息，包括：

根据所述第三信息进行风场建模处理，基于流体动力学对杆塔及其周围的风场进行三维建模并采用流固耦合方法模拟杆塔表面的风速分布和气流流动特性，构建得到风场模型；

基于所述风场模型对所述第七信息中的初始飞行路径进行路径影响评估处理得到风场影响评估结果；

根据所述第七信息和实时飞行环境数据进行障碍物识别处理，并将识别到的障碍物信息进行评估处理得到障碍物影响评估结果；

根据所述风场影响评估结果和所述障碍物影响评估结果进行融合处理，通过将两个评估结果分别转换为模糊集合，并利用模糊逻辑运算进行融合处理得到第八信息。

6.一种基于飞行动态规划的无人机清除杆塔鸟窝的装置，其特征在于，包括：

获取模块，用于获取第一信息、第二信息、第三信息和第四信息，所述第一信息为至少两帧包含了鸟窝以及鸟窝粘接部位的图像，所述第二信息包括无人机性能参数和机械臂规格，所述第三信息包括实时气象数据，所述第四信息为飞行过程中的实时雷达数据；

提取模块，用于根据所述第一信息进行图像提取处理得到第五信息，所述第五信息包括鸟窝材质特征信息和粘接部位特征信息；

转换模块，用于根据所述第五信息进行特征分析和图像转换处理得到第六信息，所述第六信息为粘接力模型，所述粘接力模型包括鸟窝的三维模型以及各部位的粘接强度分布数据；

规划模块，用于根据所述第二信息、所述第四信息和所述第六信息进行飞行动态规划和机械臂轨迹规划处理得到第七信息，所述第七信息包括无人机的初始飞行路径和机械臂的预抓取方案；

评估模块，用于根据所述第三信息和所述第七信息进行环境适应性分析处理得到第八信息，所述第八信息包括风场影响评估结果和障碍物影响评估结果；

优化模块，用于根据所述第七信息和所述第八信息进行优化处理得到第九信息，所述第九信息包括优化后的无人机飞行路径、机械臂的操作方案以及无人机与机械臂的协同动作指令。

7.根据权利要求6所述的基于飞行动态规划的无人机清除杆塔鸟窝的装置，其特征在于，所述提取模块包括：

第一检测单元，用于根据所述第一信息对图像中的鸟窝进行物体检测和分割处理得到分割结果，所述分割结果包括鸟窝区域裁剪图像；

第一提取单元，用于根据所述分割结果进行特征提取处理得到第一特征信息和第二特征信息，所述第一特征信息包括纹理特征、颜色特征和形态特征，所述第二特征信息包括粘接部位的几何形状和位置信息；

第一识别单元，用于根据所述第一特征信息，使用支持向量机对鸟窝的材质进行分类和识别得到鸟窝材质特征信息；

第一处理单元，基于预设的深度学习模型对所述鸟窝材质特征信息和所述第二特征信息进行处理，通过预测鸟窝粘接部位的粘接强度分布得到粘接部位特征信息。

8.根据权利要求6所述的基于飞行动态规划的无人机清除杆塔鸟窝的装置，其特征在于，所述转换模块包括：

第一建模单元，用于根据所述第五信息进行三维重建处理得到鸟窝的三维模型；

第一分析单元，用于根据所述三维模型进行有限元分析处理，通过对鸟窝的结构进行力学建模并结合粘接部位的材料性质、形状以及受到的外部力，计算得到粘接部位的应力分布数据；

第一模拟单元，用于根据所述三维模型和所述应力分布数据进行模拟处理，通过模拟鸟窝在不同应力下的变形情况得到粘接力模型。

9.根据权利要求6所述的基于飞行动态规划的无人机清除杆塔鸟窝的装置，其特征在于，所述规划模块包括：

第一规划单元，用于根据所述第二信息和所述第四信息进行飞行动态规划处理，得到初始飞行路径，所述初始飞行路径包括至少两处停留位置坐标；

第一计算单元，用于根据所有所述停留位置坐标和所述第六信息中鸟窝材质特征信息和粘接部位特征信息，利用逆运动学算法计算得到机械臂的多点抓取方案，所述多点抓取方案包括抓取点位置信息和抓取策略，所述抓取策略为前N-1次抓取破坏粘接点，第N次抓取将鸟窝完整取下，其中N为总抓取次数且N大于等于2；

第二计算单元，用于根据所述多点抓取方案和机械臂的动态特性计算得到力矩输出指令；

第一整合单元，用于根据所述初始飞行路径、所述多点抓取方案以及所述力矩输出指令整合得到第七信息。

10.根据权利要求6所述的基于飞行动态规划的无人机清除杆塔鸟窝的装置，其特征在于，所述评估模块包括：

第二建模单元，用于根据所述第三信息进行风场建模处理，基于流体动力学对杆塔及其周围的风场进行三维建模并采用流固耦合方法模拟杆塔表面的风速分布和气流流动特性，构建得到风场模型；

第一评估单元，用于基于所述风场模型对所述第七信息中的初始飞行路径进行路径影响评估处理得到风场影响评估结果；

第二识别单元，用于根据所述第七信息和实时飞行环境数据进行障碍物识别处理，并将识别到的障碍物信息进行评估处理得到障碍物影响评估结果；

第一融合单元，用于根据所述风场影响评估结果和所述障碍物影响评估结果进行融合处理，通过将两个评估结果分别转换为模糊集合，并利用模糊逻辑运算进行融合处理得到第八信息。