电力巡检无人机3D航迹动态规划_田富瑞.pdf

dianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术6|电力巡检无人机3D航迹动态规划田富瑞，周均，阚拓，何贝国网浙江省电力有限公司诸暨市供电公司，江苏诸暨，311800摘要：规划设计出一条时效性强、经济性高的三维（3D）航迹，这是当前国内外无人机应用领域急需处理的一个难题。蚁群算法在规划航迹环节中暴露出航迹长度和平滑性不够的问题，鉴于此，本课题研究中改进了蚁群系统，采用蚁群粒子群融合算法。结合实验仿真结果，认为在3D静态环境内蚁群粒子群融合算法能为无人机规划出一条相对理想的航迹，具有推广价值。关键词：电力巡检；无人机；3D航迹；规划分析中图分类号:TM75文献标志码:ADOI:10.19772/ki.2096-4455.2023.1.002 0引言电网日常运维中电力巡检是核心工作项目之一，通过开展定期巡视巡查，巡视检查塔杆、线路、设备，及时探查网架运行缺陷，以防因缺陷逐步扩大引起运行事故。我国国土辽阔，地理环境及网架建设情况复杂，很多电网的建设会横跨高山、深谷等，传统人工巡检难度很大，危险性高，工作效率低，故而难以实施。最近几年中，无人机技术快速发展，使电力巡检工作形式创新有了可靠的技术支持。无人机进行电力巡检有方式灵活、受地形等客观因素影响较小、巡检风险低、巡检效率高等诸多优势，相关部门通过分析无人机回传的图像资料，能够发现线夹偏移、杆塔异物、局部绝缘破损等缺陷问题，及时消除缺陷。当前，无人机已经有很多路径规划的算法，在二维环境建模中实现了广泛应用，但三维环境内因环境信息繁多与算法更加复杂等，导致算法收敛速度变得迟缓，规划工作效率下降1。本文提出基于蚁群粒子群融合算法，把无人机在3D环境内的静态路径作为全局航迹搜索路径，实现在线无人机巡检轨迹的动态规划。1无人机航迹规划相关问题分析通常而言，无人机在飞行期间，雷达高度表将地形起伏信息导入飞行高度控制系统内，通过数字化地图了解飞行区域的地形、地物、目标点的方位等，综合以上信息后优化无人机的飞行航迹，进而更好地落实飞行任务。关于无人机航迹规划的有关问题，国外很多学者基于遗传等多种算法进行了深入的分析，比如采用浮点数进行遗传算法编码，也有人采用引进竞争机制的形式去处理算法的早熟问题。国内有学者基于遗传算法获得较理想的航迹规划成果，并介绍了防控算法早熟问题的算法形式2。A*算法是一种十分经典的最优启发搜索算法，伴随被搜索区域的增大其存储数量相应增多，进而会耗用较多的时间成本，有学者尝试运用内存空间较小的稀疏A*搜索技术，明显加速了搜索进程，取得了较满意的规划成果。焦振江等采用更新局部信息素矩阵和状态转移规则的方式去改进蚁群算法，借此方式使无人机航迹规划的精准度得到一定保障3。2蚁群粒子群融合算法的航迹规划2.1蚁群系统的改进优化本章节主要探究粒子群融合算法、蚁群算法的改进过程。（1）整改节点移动规则，取缔节点并选择作者简介：田富瑞，男，蒙古族，吉林省吉林市，本科，工程师，研究方向：电力巡检。电 子 元 器 件 与 信 息 技 术|7科技前瞻随机性，降低蚂蚁选择路径过程执行ongoing随机调整方向的概率值，符合蚂蚁节点方向移动规则，见式（1）4：（1）即期望航迹于x轴之上节点相对应的航迹。（2）生成多重启发信息，以使蚂蚁有效应用目标点为上的先验知识，分析部分情景下转角约束会诱导转换方向下降的问题，见式（2）：（2）代表上上一次决策抵达当前节点的方向；是蚂蚁前往下一节点的方向。以上设计的改进蚁群算法最大的特点是有效了解航迹长度与平滑度等，但是也存在着一些不足，缩小了搜索范畴，容易造成最后所得结果陷入局部最小。鉴于以上情况，可以尝试结合粒子群优化算法去弥补搜索范畴在全局性上存在的不足。2.2运用改进蚁群粒子群融合算法实现全局化更新假定粒子k速度是Vk，所处位置是Xk，符合粒子更新规则，见式（3）5：（3）在本式内，位置Xk自身是一条完整的航迹，表示的是1(Starget-Sstart+1)的向量；速度Vk不具备实际物理意义；即定粒子k的局部最优方位；Xbest代表的是全部粒子的静态航迹全局化期望位置；c1、c2都是学习因子（常数）；rand1、rand2都是处于01范围内的随机向量；t是惯性权限，第t次迭代时t的取值是：（4）在式（4）中：T代表的是最大迭代频次；ini、end分别是初始、最末依次的惯性权值，并且满足0iniend1。粒子k适应度函数是该粒子所处方位对应航迹长度的倒数6，有：（5）综合以上推理内容，运用融合算法开展全局航迹规划的执行步骤如下。（1）明确初始化障碍及目标实际分布状况，建立环境地图。（2）蚁群算法的初始化。（3）粒子群优化算法的初始化。具体是应用生成的N条航迹作为N个粒子的初始位置Xk，并且局部最优位置是；基于随机方式生成各粒子的初始速度Vk；依照式（5）由位置筛选出静态航迹全局期望位置Xbest，并将其设定为初始全局最优航迹，更新该条航迹上的节点信息素。（4）将N只蚂蚁放在起始点上，蚁群开始检索航迹。（5）基于节点方向移动规则执行转移过程，即有。（6）对节点Sj信息素进行局部更新。（7）如果经判断抵达目标点就执行步骤（8），否则返回到步骤（5）。（8）若当前位置Xk相对应的航迹长度大于生成的航迹pathk长度，那么pathk将会代替Xk值。（9）管束粒子内的各个节点，运用饱和函数把各个节点约束于环境范畴中并且作为非障碍点。（10）更新各粒子的局部最优位置，筛选出最佳适应度相应的期望位置，把其航迹作为最优航迹bestpath，对该条航迹上的信息素进行更新处理。（11）更新t。（12）判断是否抵达最大迭代次数，如果结束能输出bestpath，那么返回到步骤（4）开展下一次搜索。2.3融合算法航迹的优化采用这种算法规划无人机的巡检航迹时，物理建模过程有离散化特征，粒子随机更新，以致生成了冗余节点，这也意味着轨迹的平滑性很差，现实中不利于无人机实现循迹跟踪。故而，dianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术8|对于基于融合算法生成的航迹，需要对其进行修剪和平滑优化处置。优化过程可以做如下阐述7。（1）删除航迹之上冗余的节点，获取其上的关键点。（2）合理判断融合算法生成的离散点于航迹上的分布规律，即有Sstart，Sm，Sn，Sn，Sht，Starget。（3）如图1所示，节点Sm与Sn。的连线将障碍点排除在外，但是会经由障碍点，故而可以省略Sm与Sn中间的节点。（4）把图1内的Sm与Sn两个航迹点位作为关键点并保留下来。执行完步骤以后所得的无极巡检航迹，需要于节点交接位置（折线连接）进行平滑处理以后，才可以作为全局静态期望的航迹。本课题应用均匀划分的B样条函数执行平滑处理过程，进而较为顺利地获得平滑以后的航迹分布情况。图 1无人机航迹节点的修剪图3实验仿真和分析本课题研究中选用了MATLAB2017a仿真平台，选用仿真环境尺寸是656530的任务区，随机生成起伏度有差异的地表虚拟山地环境。见表1，逐一设置虚拟环境内的山峰数量、方位、海拔及坡度（x、y轴最大截面半径）。表 1静态山地空间环境的属性编号位置海拔（）坡度1（10，10）20（5，5）2（20，30）23（6，6）3（30，20）26（8，8）4（40，40）28（8，6）5（40，55）25（6，7）实验研究中共计设置了5座山峰，其静态环境即是诸多点位组成的三维曲面，所以可以将曲面及曲面之下的节点视为航迹障碍物。设定起始点、终点分别是（1，20，5）（65，55，7）。实验研究中的静态环境就是该虚拟山地环境。在如下探讨分析的仿真结果内，圆圈、菱形分别表示起始点、终点。3.1静态航迹规划3.1.1基于传统蚁群系统的仿真结果图2即传统蚁群系统的仿真结果。其中图2（a）代表的是3D环境内的俯视等高线图，图2（b）是循环搜索进程内静态航迹长度改变曲线，最后航迹长度对应值是117.4m8。图 2传统蚁群系统的仿真结果3.1.2基于蚁群粒子群融合算法的仿真结果图3即该算法的仿真结果，最终航迹长度是84.6m。通过对比分析以上不同算法的仿真分析结果，发现两种算法均能较有效地规避航迹上的障碍点，较为顺利地规划出一条由起始点至目标点的完整航迹。但是鉴于蚁群系统自身决策具有一定随机性的实际情况，导致生成的航迹较曲m 电 子 元 器 件 与 信 息 技 术|9科技前瞻折，部分情景下很容易陷入局部最优，以致蚂蚁搜索过程中实际收敛成效欠佳，最后获得的曲线并不够平滑。而改进后的融合算法规避了决策中的随机性问题，辅助改善了规划所得航迹的长度与平滑性，且粒子群优化算法有效填补了蚂蚁搜索范畴的全局性不足，规避搜索陷入局部最优的情况，明显加速了算法的收敛进程。故而，整体分析基于融合算法生成的无人机航迹在各项性能上均好于传统蚁群算法9。图 3蚁群粒子群融合算法的仿真结果融合算法经修剪平滑处理后进行仿真分析，航线全长76.0m，表明优化处理后所得航迹长度有所改善，并作为静态期望航迹，是下文开展动态避障实验时的参照航迹。3.1.3检测验证静态期望航迹的时效性传统蚁群算法、本文融合算法及融合算法优化的航迹规划耗时分别是37.62s、7.15s、1.48s，长度分别为117.4m、84.6m、76.0m。在相同的3D仿真环境内，基于改进的融合粒子群算法的航迹规划性能耗用时间短于传统算法，且航迹较短。这主要是因为改进算法为了减少蚂蚁大幅度调整方向的概率，而较充分地考虑了转角对应的约束信息，配合粒子群算法填补了蚂蚁实际搜索范畴的全局性不足。并且经过修剪和平滑处置后，更好地消除了航迹内存在的多余节点。通过分析仿真实验所得数据，其在优化航迹规划过程中耗用的时间基本可以忽略不计，明显改善了航迹的平滑性能，缩短了航迹的长度。3.2动态航迹的规划静态规划无人机巡检航迹能有效规避静态地形空间内的障碍点。但是对于局部突然出现的动态障碍，无法实时做出避障反应。故而把静态航迹作为参照航迹，基于改进后的算法，动态引进无人机绕行障碍点并返回至原来的航迹之上，且动态化追踪目标点的改变情况。改进后的算法规划耗时为3.35s，航迹长度102.38m，传统算法为7.32s、116.49m。可见，改进算法在动态规划过程中耗时更为短暂，且和传统算法相比较无人机的航迹偏短。为了阐明改进后算法的有效性，本章节基于动态障碍物作为实例加以分析。首先无人机沿着参考航迹飞行见图4（a）所示，飞行中面对前方突然出现的障碍A，无人机自行偏离参考航迹以实现避障，见图4（b）。为了更好地阐述该算法具有的鲁棒性，对障碍A避障的同时形成了障碍B，且成功地躲避了A、B障碍点，返回至参考航迹见图4（c）；当无人机飞行于山峰4、5之间过程中突然遇到障碍C时，会第二次偏离参考航迹以实现动态避障见图4（d）10。三维航迹规划过程中传统算法的复杂度是O（n3），而改进后的模型算法为了增加对下一个节点决策选择情况带来的影响，减少航迹选择环节所带来的损失，决定只在算法活性更新方程内增设一个和时间维度没有关联性的有限项，所以改进后的算法复杂度依然是高次幂级O（n3），但是有0nn，即O（n3）O（n3），使改进后所得算法的复杂度下降。mdianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术10|4结语为了弥补传统蚁群算法的不足，本文提出了蚁群粒子群融合算法，规划设计出了一条全局化静态航迹，针对无人机巡检飞行过程中突然出现的障碍或者目标点转换问题，运用改进算法成功实现了动态避障与目标点的实时追踪。于起伏度有差异的虚拟环境内，基于仿真实验分析，证实了动静结合的航迹规划法有助于提升无人机航行的时效性。参考文献1 曾熠,刘丽华,李璇,等.基于决策知识学习的多无人机航迹协同规划J.计算机系统应用,2022,31(08):125-132.2 戴凯龙,贾子彦,潘玲佼.基于改进动态窗口法的无人机避障航迹规划J.智能计算机与应用,2022,12(07):114-117.3