CN120669601B - 一种基于智能机器人的无人飞行器控制系统 - Google Patents

Abstract

本发明提供了一种基于智能机器人的无人飞行器控制系统，包括远程管理平台、飞行器、智能机器人和蜂巢式集中管理站，远程管理平台包括：飞行器配置模块，飞行器的环境感知和任务处理功能；智能机器人模块，为智能机器人配置传感器、摄像头、硬件控制单元和软件控制架构；站点管理模块，进行蜂巢式集中管理站的内部监控、异常监测和协同管理；大模型控制模块，利用多个模型进行系统的闭环控制；监控与调度模块，进行实时监控、协同调度和故障响应。本发明能够使用机器人配合，实现飞行器飞行的自动化闭环管理，减少人员的介入，实现对飞行器的高效调度、自动化控制和维护，提供安全智能且可扩展的飞行器运作模式。

Description

一种基于智能机器人的无人飞行器控制系统

技术领域

本发明涉及飞行器控制技术领域，特别是涉及一种基于智能机器人的无人飞行器控制系统。

背景技术

飞行器(UnmannedAerialVehicle,UAV)是一种由远程控制或自主导航技术驱动的飞行器，无需搭载飞行员驾驶。飞行器通过传感器、导航系统以及通信模块来实现飞行操作。目前飞行器可根据用途分为军用飞行器、商用飞行器、消费级飞行器等种类。飞行器的使用，可以快速完成许多人力无法及时达到的任务，如灾难救援中搜索生命迹象或快速运送物资，在高风险环境中(如战争、火灾、化学泄漏场所等)，用飞行器代替人员执行任务可大幅减少伤亡风险。还可以应用在科学研究、娱乐休闲等领域，应用场景广泛。

目前，飞行器的控制方式主要以人工控制为主，操作员使用遥控设备(如手柄)手动控制飞行，飞行操作存在主观失误可能性，并且对于复杂任务，对操作员要求较高，人工响应速度可能跟不上紧急情况变化。另外，当前对多机协同飞行的研究还处于试验阶段，难以实现大范围同步高效飞行，导致群体智能控制规模受限。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种基于智能机器人的无人飞行器控制系统，能够实现飞行器飞行的自动化闭环管理，实现对飞行器的高效调度与自动化控制，提供更安全、更智能、可扩展的飞行器运作模式。

为实现上述目的，本发明提供了如下方案：一种基于智能机器人的无人飞行器控制系统，包括远程管理平台以及与所述远程管理平台连接的飞行器、智能机器人和蜂巢式集中管理站，所述远程管理平台包括：

飞行器配置模块，用于配置飞行器的传感器组件和第一嵌入式芯片，实现飞行器的环境感知和任务处理功能；所述飞行器包括但不限于无人飞行器、有人飞行器、无人汽车和无人舰艇；

智能机器人模块，用于选择具有移动机构和机械臂的智能机器人，并为所述智能机器人配置传感器、摄像头、硬件控制单元和软件控制架构；

站点管理模块，用于在所述蜂巢式集中管理站中部署多个监控摄像头和环境监测传感器，进行所述蜂巢式集中管理站的内部监控、设备监测和内部异常检测，并通过编号方式，对所述智能机器人进行清理、检测和管理，实现所述飞行器、所述蜂巢式集中管理站和所述智能机器人之间的协同管理；

大模型控制模块，用于利用协同控制模型，根据任务目标和需求，进行飞行器、所述智能机器人和所述所述蜂巢式集中管理站之间的协同调度，利用飞控模型，自动生成飞行器任务路径和执行脚本，进行飞行器的任务顺序动态规划和异常情况决策，再利用数据管理模型，进行算法实现和信息存储；

监控与调度模块，用于对所述飞行器、所述智能机器人和所述蜂巢式集中管理站进行实时监控，并进行多个所述飞行器和多个所述蜂巢式集中管理站之间的协同调度和故障响应；

其中，所述飞行器配置模块、所述智能机器人模块、所述站点管理模块、所述大模型控制模块和所述监控与调度模块之间互相连接。

可选的，所述蜂巢式集中管理站包括蜂巢室、设置在所述蜂巢室内部的多个开盖式存储箱、多个所述监控摄像头和所述环境监测传感器，所述开盖式存储箱内设置有用于检测是否存储有飞行器的压力传感器和用于检测箱盖开合的行程开关传感器，所述环境监测传感器包括温湿度传感器、灰尘监测传感器和噪声传感器，所述开盖式存储箱和飞行器上均设置有编号。

可选的，所述蜂巢式集中管理站包括：

内部管理单元，用于利用所述监控摄像头和所述环境监测传感器，实时采集所述蜂巢式集中管理站的站点视频数据和站点环境数据，并根据所述站点视频数据和所述站点环境数据进行环境异常监测；

库位管理单元，用于将开盖式存储箱编号和对应的飞行器编号绑定，并建立编号映射表，实时追踪飞行器位置和状态，建立存储箱状态表，以标记每个所述开盖式存储箱的使用状态；

安全管理单元，用于当飞行器降落到指定区域后，所述智能机器人对飞行器进行电池分离和充电，并将飞行器放回至相应的所述开盖式存储箱内进行自动记录和绑定验证。

可选的，所述大模型控制模块包括：

协同控制单元，用于构建基于图论的协同任务分配模型，利用所述协同任务分配模型进行飞行器、所述智能机器人和所述蜂巢式集中管理站之间的多智能体协同调度、动态任务规划、协同执行和结果回转；

飞控模型单元，用于构建飞控模型，利用所述飞控模型进行飞行器的任务分解、路径规划和异常决策；

数据管理模型单元，用于结合算法，对飞行器、所述智能机器人和所述蜂巢式集中管理站进行数据结构化管理。

可选的，所述协同控制单元包括：

协同任务建模子单元，用于获取飞行器、所述智能机器人和所述蜂巢式集中管理站的状态和任务需求数据，利用基于图论的协同任务分配模型，将整体任务分解为多个子任务，并基于各节点的能力、状态和地理位置，进行任务分配；

协同调度算法子单元，用于引入基于MAS的分布式协议，并采用基于强化学习的动态分配策略，以构建冲突检测-协调决策-指令下发的协同调度算法，实现多飞行器协同飞行、避障和作业协同；

任务动态规划子单元，用于当出现环境变化、路径阻断或设备异常时，结合A算法和深度学习预测模型进行任务重新规划；

协同执行和结果回转子单元，用于实时上报飞行器、所述智能机器人和所述蜂巢式集中管理站的进度和状态，并对实时上报的进度和状态进行日志化操作和安全校验。

可选的，所述飞控模型单元包括：

任务分解单元，用于在深度学习模型中引入路径规划算法和环境适配模型，得到飞控模型，所述飞控模型根据用户输入的任务目标，进行任务分解，得到多个子任务，根据任务紧急程度，动态调整所述子任务的优先级，进行子任务排序，得到子任务列表，再根据所述子任务列表，生成操作指令；

路径规划单元，用于将飞行器的传感器融合数据和飞行器获取的动态三维地图输入到所述飞控模型中，得到任务路径和飞行时间，并结环境变量进行任务路径总能耗的多约束优化；

异常决策单元，用于根据所述传感器融合数据，进行异常判断和故障预测，并结合时序模型和分类模型，进行潜在故障判断，实现故障预测。

可选的，任务路径总能耗的多约束优化表达式为：

其中，E_tatal为任务路径总能耗，P_hover为悬停功耗，P_move(v,a)为飞行器以速度和加速度移动的功耗，ΔE_env为环境变量对能耗的影响。

可选的，所述数据管理模型单元包括：

数据采集子单元，用于获取飞行器传感器数据、机器人作业状态以及站点环境数据和站点调度数据，得到多源数据，并利用缓冲区+写前日志，对对所述多源数据进行完整性和实时性检查；

数据管理子单元，用于将所述多源数据写入至分布式时序数据库中，并将结构化业务数据和控制日志写入至关系型数据库中，并在所述分布式时序数据库和所述关系型数据库中构建多维索引与时间戳索引，以进行多条件组合查询；

算法支持子单元，用于定期调度任务，以对所述多源数据进行脱敏、异常值检测、缺失填补和标签化预处理，并利用Spark或Flink对所述多源数据进行批量分析。

可选的，所述监控与调度模块包括：

实时监控单元，用于部署YOLO目标检测模型，采集所述监控摄像头和飞行器上视觉传感器的监测数据，得到综合监控视频，并利用实时流传输协议，将所述综合监控视频传输至所述YOLO目标检测模型中进行异常识别，再采集所述传感器组件的监测数据和机器人状态数据，得到综合监控数据，根据所述综合监控数据和预设的异常数据阈值，以判断是否存在异常状态；

任务调度单元，用于加权计算目标设备的任务紧急度、飞行器剩余电量和设备距离，得到任务优先级，根据所述任务优先级，利用分布式任务调度框架进行任务分配与执行，并将5G通信设置为主通信通道，将卫星通信设置为备用通信通道，当主通信通道延时超过设定通信延时阈值时，将通信方式自动切换为备用通信通道；

故障响应单元，用于根据异常识别结果和异常状态判断结果，定位故障设备，并调用备用设备进行任务响应。

可选的，任务优先级的表达式为：

其中，P_task为任务优先级，U_urg、U_power、U_dist分别为任务紧急度、飞行器剩余电量和设备距离，W_urg、W_power、W_dist均为权重因子，∑W_i为权重因子总和。

本发明通过提供一种基于智能机器人的无人飞行器控制系统，公开了以下技术效果：

1、本发明通过将系统分为远程管理平台、智能机器人、飞行器和蜂巢式集中管理站四大板块，能够实现飞行器飞行的闭环管理，减少人工控制，降低飞行操作存在主观失误的可能性，实现对飞行器的高效调度与自动化控制，提供更安全、更智能、可扩展的飞行器运作模式。

2、本发明通过设置远程管理平台：1)能够结合大模型，根据任务目标，自动生成飞行器任务路径和执行脚本，判断执行顺序并在异常时进行决策。2)能够对各蜂巢站点、飞行器、智能机器人进行实时视频与数据监控，实现多机多地协同控制。

3、本发明通过设置智能机器人：1)可以在蜂巢式集中管理站自由移动，完成飞行器的灵活抓取、放置、清洁等操作。2)能够实时识别开盖式存储箱的编码、飞行器状态，并把作业情况回传至远程管理平台进行双向通信，以执行远程管理平台下达的指令。

4、本发明通过设置蜂巢式集中管理站：1)开盖式存储箱能够对飞行器进行一对一存储管理，通过压力传感器检测箱内飞行器的有效存储状态，防止飞行器未正确安放；通过行程开关传感器检测盖盖开合的具体角度和完成状态，使开盖式存储箱具备维护能力，保障飞行器状态始终最佳。2)能够进行内部监控，通过设置多个摄像头和环境监测传感器，检测温湿度、灰尘情况等，实时将数据汇报给管理平台。3)站点内各存储箱均有编号，对应唯一飞行器编号，支持智能机器人快速识别，以实时追踪飞行器位置及状态，满足动态自动化管理需求。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。

图1为本发明实施例提供的系统架构示意图；

图2为本发明实施例提供的蜂巢式集中管理站的结构示意图；

图3为本发明实施例提供的开盖式存储箱的结构示意图；

图4为本发明实施例提供的远程管理平台组成架构图；

附图标记说明：1、蜂巢室；2、开盖式存储箱。

具体实施方式

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，所描述的实施例仅仅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做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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供了一种基于智能机器人的无人飞行器控制系统，包括远程管理平台以及与所述远程管理平台连接的飞行器、智能机器人和蜂巢式集中管理站。

所述飞行器包括飞行器本体以及设置在所述飞行器本体上的传感器组件和与所述传感器组件连接的第一嵌入式芯片，所述传感器组件包括：

IMU(惯性测量单元)，可采用高精度IMU模块，如Bosch BMI270或MPU-9250，具有三轴加速度计、三轴陀螺仪，并集成温度补偿和低功耗设计。提供即时的线性加速度和角速度数据，支持飞行器姿态角(俯仰、滚转、偏航)的计算。

视觉传感器，可选择双目立体相机+深度摄像头，如Intel Realsense D435i，用于提供深度感知和障碍物距离测量，进而实现短距离避障和环境构建。

激光雷达，可选择旋转激光雷达，如Velodyne PuckVLP-16或低成本Lidar likeLivox Mid-360。激光雷达能够进行长距离(100米以上)障碍物检测，用于复杂地形的导航。

GPS模块，可选高精度RTK-GPS模块，如UbloxZED-F9P，支持厘米级定位。能够精确地理位置估计和航迹跟踪。

如图2、图3所示，所述蜂巢式集中管理站包括蜂巢室1、设置在所述蜂巢室1内部的多个开盖式存储箱2、多个所述监控摄像头和所述环境监测传感器，所述开盖式存储箱2内设置有用于检测是否存储有飞行器的压力传感器和用于检测箱盖开合的行程开关传感器，所述环境监测传感器包括温湿度传感器、灰尘监测传感器和噪声传感器，所述开盖式存储箱2和飞行器上均设置有编号。

灰尘监测传感器，如GP2Y1010AU0F粉尘传感器，用于检测蜂巢站内部空气中灰尘浓度，防止飞行器机身积尘影响任务效率；噪声传感器，确保蜂巢站环境运行在噪声规定值内。

所述蜂巢式集中管理站包括：

内部管理单元，用于利用所述监控摄像头和所述环境监测传感器，实时采集所述蜂巢式集中管理站的站点视频数据和站点环境数据，并根据所述站点视频数据和所述站点环境数据进行环境异常监测，如温湿度过高或灰尘浓度超标等。

库位管理单元，用于将开盖式存储箱2编号和对应的飞行器编号绑定，并建立编号映射表，实时追踪飞行器位置和状态，建立存储箱状态表，以标记每个所述开盖式存储箱2的使用状态(空闲/占用/故障)。

安全管理单元，用于当飞行器降落到指定区域后，所述智能机器人对飞行器进行电池分离和充电，并将飞行器放回至相应的所述开盖式存储箱2内进行自动记录和绑定验证。

如图4所示，所述远程管理平台包括互相连接的飞行器配置模块、智能机器人模块、站点管理模块、大模型控制模块和监控与调度模块。

1、飞行器配置模块

用于配置飞行器的传感器组件和第一嵌入式芯片，实现飞行器的环境感知和任务处理功能；所述飞行器包括但不限于无人飞行器、有人飞行器、无人汽车和无人舰艇。

2、智能机器人模块

用于选择具有移动机构和机械臂的智能机器人，并为所述智能机器人配置传感器、摄像头、硬件控制单元和软件控制架构。

例如，在所述智能机器人的移动机构前端部署激光雷达和超声波传感器，以进行移动和避障，在机械臂上部署摄像头、喷气式喷嘴以及NFC扫描设备或二维码读取器，以进行目标识别、抓取、清理和编号识别。

在所述智能机器人中部署负责决策和通信的第二嵌入式芯片、控制移动机构和机械臂的微控制器以及通信模块，如5G模块、LoRa模块。

在所述智能机器人中，基于所述ROS框架，构建分布式控制框架，进行任务并行处理，如并行操作执行任务调度、传感器数据读取和机械臂实时控制。

3、站点管理模块

用于在所述蜂巢式集中管理站中部署多个监控摄像头和环境监测传感器，进行所述蜂巢式集中管理站的内部监控、设备监测和内部异常检测，并通过编号方式，对所述智能机器人进行清理、检测和管理，实现所述飞行器、所述蜂巢式集中管理站和所述智能机器人之间的协同管理。

4、大模型控制模块

用于利用协同控制模型，根据任务目标和需求，进行飞行器、所述智能机器人和所述所述蜂巢式集中管理站之间的协同调度，利用飞控模型，自动生成飞行器任务路径和执行脚本，进行飞行器的任务顺序动态规划和异常情况决策，再利用数据管理模型，进行算法实现和信息存储；所述大模型控制模块包括：

4.1协同控制单元

用于构建基于图论的协同任务分配模型，利用所述协同任务分配模型进行飞行器、所述智能机器人和所述蜂巢式集中管理站之间的多智能体协同调度、动态任务规划、协同执行和结果回转；协同控制单元包括：

4.11协同任务建模子单元

用于获取飞行器、所述智能机器人和所述蜂巢式集中管理站的状态和任务需求数据，利用基于图论的协同任务分配模型，将整体任务分解为多个子任务，并基于各节点的能力、状态和地理位置，进行任务分配。

4.12协同调度算法子单元

用于引入基于MAS的分布式协议，并采用基于强化学习的动态分配策略，以构建冲突检测-协调决策-指令下发的协同调度算法，实现多飞行器协同飞行、避障和作业协同.

4.13任务动态规划子单元

用于当出现环境变化、路径阻断或设备异常时，结合A算法和深度学习预测模型进行任务重新规划。

4.14协同执行和结果回转子单元

用于实时上报飞行器、所述智能机器人和所述蜂巢式集中管理站的进度和状态，并对实时上报的进度和状态进行日志化操作和安全校验。

4.2飞控模型单元

用于构建飞控模型，利用所述飞控模型进行飞行器的任务分解、路径规划和异常决策。飞控模型单元包括：

4.21任务分解单元

用于在深度学习模型(具备任务分解和路径规划能力)中引入路径规划算法和环境适配模型，得到飞控模型，所述飞控模型根据用户输入的任务目标，进行任务分解，得到多个子任务，根据任务紧急程度，动态调整所述子任务的优先级，进行子任务排序，得到子任务列表，再根据所述子任务列表，生成操作指令。

飞控模型：

输入：用户目标任务，如投递物品到地点A。

输出：路径规划：飞行器航点坐标、飞行高度、时间窗口等、执行脚本：控制飞行器的具体飞行步骤和备用策略。

分解任务：用户在平台输入目标：如巡检区域或投递任务，大模型解析任务后，将其拆分为可执行的子任务列表，并生成具体操作指令。

路径规划：环境感知数据：如地图、障碍信息、天气状况，将环境感知数据输入至大模型，大模型分配飞行器航点，计算最优路径及飞行时间。使用动态路径优化机制，如实时避障策略调整，以确保任务完成效率。

4.22路径规划单元

用于将所述传感器融合数据和所述动态三维地图输入到所述飞控模型中，得到任务路径和飞行时间，并结环境变量(风速、气流、动态障碍物等)进行任务路径总能耗的多约束优化(最小化能耗)；任务路径总能耗的多约束优化表达式为：

其中，E_tatal为任务路径总能耗，P_hover为悬停功耗，P_move(v,a)为飞行器以速度和加速度移动的功耗，ΔE_env为环境变量对能耗的影响。

4.23异常决策单元

用于根据所述传感器融合数据，进行异常判断和故障预测，并结合时序模型(LSTM)和分类模型，进行潜在故障判断，如传感器异常、电量不足，实现故障预测。

4.3数据管理模型单元

用于结合算法，对飞行器、所述智能机器人和所述蜂巢式集中管理站进行数据结构化管理。数据管理模型单元包括：

4.31数据采集子单元

用于获取飞行器传感器数据、机器人作业状态以及站点环境数据和站点调度数据，得到多源数据，并利用缓冲区+写前日志，对对所述多源数据进行完整性和实时性检查。

4.32数据管理子单元

用于将所述多源数据写入至分布式时序数据库中，并将结构化业务数据和控制日志写入至关系型数据库中，并在所述分布式时序数据库和所述关系型数据库中构建多维索引与时间戳索引，以进行多条件组合查询.

4.33算法支持子单元

用于定期调度任务，以对所述多源数据进行脱敏、异常值检测、缺失填补和标签化预处理，并利用Spark或Flink对所述多源数据进行批量分析。

5、监控与调度模块

用于对所述飞行器、所述智能机器人和所述蜂巢式集中管理站进行实时监控，并进行多个所述飞行器和多个所述蜂巢式集中管理站之间的协同调度和故障响应；所述监控与调度模块包括：

5.1实时监控单元

用于部署YOLO目标检测模型(YOLOv5或YOLOv8)，采集所述监控摄像头和飞行器上视觉传感器的监测数据，得到综合监控视频，并利用实时流传输协议，将所述综合监控视频传输至所述YOLO目标检测模型中进行异常识别，识别飞行器起降点的障碍物，如未移除的障碍物、动态移动的物体，检测设备故障，如飞行器倾斜或意外摔落。

再采集所述传感器组件的监测数据和机器人状态数据(移动路径、机械臂状态、负载信息)，得到综合监控数据，根据所述综合监控数据和预设的异常数据阈值(飞行速度超标、电池电量不足或传感器超温)，以判断是否存在异常状态。还可以利用时间序列数据库与动态告警规则，将设备状态和突发异常连接到调度配合中，实现实时监控闭环。

5.2任务调度单元

用于加权计算目标设备的任务紧急度、飞行器剩余电量和设备距离，得到任务优先级，根据所述任务优先级，利用分布式任务调度框架，如Apache Airflow，以进行任务分配与执行，并将5G通信设置为主通信通道，将卫星通信设置为备用通信通道，当主通信通道延时超过设定通信延时阈值时，将通信方式自动切换为备用通信通道。

任务优先级的表达式为：

其中，P_task为任务优先级，U_urg、U_power、U_dist分别为任务紧急度、飞行器剩余电量和设备距离，W_urg、W_power、W_dist分别为任务紧急度、飞行器剩余电量和设备距离的权重因子，ΣW_i为权重因子总和。

5.3故障响应单元

用于根据异常识别结果和异常状态判断结果，定位故障设备(如飞行器A故障)，并从闲置设备中调用备用设备进行任务响应，以接续任务。

5.4数据存储

分布式存储架构：使用时间序列数据库，如InfluxDB或TimescaleDB，存储飞行器关键数据：

任务数据：包括任务指令、飞行器路径点、飞行速度、飞行状态更新等。

环境数据：如风速、气压、温度、湿度等采样值。

维护记录：如飞行器健康状态(电池电量、组件异常)与存储箱操作状态。

因此，本发明通过提供一种基于智能机器人的无人飞行器控制系统，能够实现飞行器飞行的自动化闭环管理，实现对飞行器的高效调度与自动化控制，提供更安全、更智能、可扩展的飞行器运作模式。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于智能机器人的无人飞行器控制系统，其特征在于，包括远程管理平台以及与所述远程管理平台连接的飞行器、智能机器人和蜂巢式集中管理站，所述远程管理平台包括：

飞行器配置模块，用于配置飞行器的传感器组件和第一嵌入式芯片，实现飞行器的环境感知和任务处理功能；所述飞行器包括但不限于无人飞行器、有人飞行器、无人汽车和无人舰艇；

智能机器人模块，用于选择具有移动机构和机械臂的智能机器人，并为所述智能机器人配置传感器、摄像头、硬件控制单元和软件控制架构；

站点管理模块，用于在所述蜂巢式集中管理站中部署多个监控摄像头和环境监测传感器，进行所述蜂巢式集中管理站的内部监控、设备监测和内部异常检测，并通过编号方式，对所述智能机器人进行清理、检测和管理，实现所述飞行器、所述蜂巢式集中管理站和所述智能机器人之间的协同管理；

大模型控制模块，用于利用协同控制模型，根据任务目标和需求，进行飞行器、所述智能机器人和所述所述蜂巢式集中管理站之间的协同调度，利用飞控模型，自动生成飞行器任务路径和执行脚本，进行飞行器的任务顺序动态规划和异常情况决策，再利用数据管理模型，进行算法实现和信息存储；

监控与调度模块，用于对所述飞行器、所述智能机器人和所述蜂巢式集中管理站进行实时监控，并进行多个所述飞行器和多个所述蜂巢式集中管理站之间的协同调度和故障响应；所述监控与调度模块包括：

实时监控单元，用于部署YOLO目标检测模型，采集所述监控摄像头和飞行器上视觉传感器的监测数据，得到综合监控视频，并利用实时流传输协议，将所述综合监控视频传输至所述YOLO目标检测模型中进行异常识别，再采集所述传感器组件的监测数据和机器人状态数据，得到综合监控数据，根据所述综合监控数据和预设的异常数据阈值，以判断是否存在异常状态；

任务调度单元，用于加权计算目标设备的任务紧急度、飞行器剩余电量和设备距离，得到任务优先级，根据所述任务优先级，利用分布式任务调度框架进行任务分配与执行，并将5G通信设置为主通信通道，将卫星通信设置为备用通信通道，当主通信通道延时超过设定通信延时阈值时，将通信方式自动切换为备用通信通道；

故障响应单元，用于根据异常识别结果和异常状态判断结果，定位故障设备，并调用备用设备进行任务响应；

任务优先级的表达式为：

；

其中，为任务优先级，分别为任务紧急度、飞行器剩余电量和设备距离，均为权重因子，为权重因子总和；

其中，所述飞行器配置模块、所述智能机器人模块、所述站点管理模块、所述大模型控制模块和所述监控与调度模块之间互相连接。

2.根据权利要求1所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，所述蜂巢式集中管理站包括蜂巢室、设置在所述蜂巢室内部的多个开盖式存储箱、多个所述监控摄像头和所述环境监测传感器，所述开盖式存储箱内设置有用于检测是否存储有飞行器的压力传感器和用于检测箱盖开合的行程开关传感器，所述环境监测传感器包括温湿度传感器、灰尘监测传感器和噪声传感器，所述开盖式存储箱和飞行器上均设置有编号。

3.根据权利要求2所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，所述蜂巢式集中管理站包括：

内部管理单元，用于利用所述监控摄像头和所述环境监测传感器，实时采集所述蜂巢式集中管理站的站点视频数据和站点环境数据，并根据所述站点视频数据和所述站点环境数据进行环境异常监测；

库位管理单元，用于将开盖式存储箱编号和对应的飞行器编号绑定，并建立编号映射表，实时追踪飞行器位置和状态，建立存储箱状态表，以标记每个所述开盖式存储箱的使用状态；

安全管理单元，用于当飞行器降落到指定区域后，所述智能机器人对飞行器进行电池分离和充电，并将飞行器放回至相应的所述开盖式存储箱内进行自动记录和绑定验证。

4.根据权利要求3所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，所述大模型控制模块包括：

协同控制单元，用于构建基于图论的协同任务分配模型，利用所述协同任务分配模型进行飞行器、所述智能机器人和所述蜂巢式集中管理站之间的多智能体协同调度、动态任务规划、协同执行和结果回转；

飞控模型单元，用于构建飞控模型，利用所述飞控模型进行飞行器的任务分解、路径规划和异常决策；

数据管理模型单元，用于结合算法，对飞行器、所述智能机器人和所述蜂巢式集中管理站进行数据结构化管理。

5.根据权利要求4所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，所述协同控制单元包括：

协同任务建模子单元，用于获取飞行器、所述智能机器人和所述蜂巢式集中管理站的状态和任务需求数据，利用基于图论的协同任务分配模型，将整体任务分解为多个子任务，并基于各节点的能力、状态和地理位置，进行任务分配；

协同调度算法子单元，用于引入基于MAS的分布式协议，并采用基于强化学习的动态分配策略，以构建冲突检测-协调决策-指令下发的协同调度算法，实现多飞行器协同飞行、避障和作业协同；

任务动态规划子单元，用于当出现环境变化、路径阻断或设备异常时，结合A算法和深度学习预测模型进行任务重新规划；

协同执行和结果回转子单元，用于实时上报飞行器、所述智能机器人和所述蜂巢式集中管理站的进度和状态，并对实时上报的进度和状态进行日志化操作和安全校验。

6.根据权利要求5所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，所述飞控模型单元包括：

任务分解单元，用于在深度学习模型中引入路径规划算法和环境适配模型，得到飞控模型，所述飞控模型根据用户输入的任务目标，进行任务分解，得到多个子任务，根据任务紧急程度，动态调整所述子任务的优先级，进行子任务排序，得到子任务列表，再根据所述子任务列表，生成操作指令；

路径规划单元，用于将飞行器的传感器融合数据和飞行器获取的动态三维地图输入到所述飞控模型中，得到任务路径和飞行时间，并结环境变量进行任务路径总能耗的多约束优化；

异常决策单元，用于根据所述传感器融合数据，进行异常判断和故障预测，并结合时序模型和分类模型，进行潜在故障判断，实现故障预测。

7.根据权利要求6所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，任务路径总能耗的多约束优化表达式为：

；

其中，为任务路径总能耗，为悬停功耗，为飞行器以速度和加速度移动的功耗，为环境变量对能耗的影响。

8.根据权利要求7所述的一种基于智能机器人的无人飞行器控制系统，其特征在于，所述数据管理模型单元包括：

数据采集子单元，用于获取飞行器传感器数据、机器人作业状态以及站点环境数据和站点调度数据，得到多源数据，并利用缓冲区+写前日志，对对所述多源数据进行完整性和实时性检查；

数据管理子单元，用于将所述多源数据写入至分布式时序数据库中，并将结构化业务数据和控制日志写入至关系型数据库中，并在所述分布式时序数据库和所述关系型数据库中构建多维索引与时间戳索引，以进行多条件组合查询；

算法支持子单元，用于定期调度任务，以对所述多源数据进行脱敏、异常值检测、缺失填补和标签化预处理，并利用Spark或Flink对所述多源数据进行批量分析。