技术领域
[0001] 本发明属于无人机自主巡检技术领域，具体涉及一种输电线路固定翼无人机自主巡检路径规划方法。
相关背景技术
[0002] 输电线路作为电力供应的关键通道，确保了从发电厂到终端用户的电能传输，是电力系统中不可或缺的组成部分。我国的输电线路分布非常广，大多处于自然环境恶劣的区域，长期暴露在恶劣环境中的输电导线、绝缘子及其他金具易产生磨损、锈蚀、材料老化等材质损伤。因此，运维人员需要定期对输电线路进行巡视检查。传统的人工巡检方法受线路跨湖、跨山等自然条件限制，已不能满足现在巡检需要，而无人机由于其特殊的巡检手段，在线路巡检中应用越来越广泛。为保障无人机进行高效、精细化巡检，深入研究输电线路固定翼无人机自主巡检路径规划方法是必不可少的。
[0003] 经过对现有技术文献的检索发现，文献《基于改进遗传算法的无人机路径规划》针对传统遗传算法收敛速度慢，容易陷入局部最优、规划路径不够平滑、代价高等问题，提出了一种基于改进遗传算法的无人机(UAV)路径规划方法，该算法对遗传算法的选择算子、交叉算子和变异算子进行改进，从而规划出平滑、可飞的路径，该方法具有很好的环境适应性。文献《基于改进袋獾优化算法的无人机路径规划》在袋獾优化算法(TDO)的基础上，结合自适应权重方式减少陷入局部最优的情况,还引入Limit阈值思想,可以更好地平衡全局搜索和局部收敛。申请号CN202210885343.5的发明专利公开了一种输电线路巡检路径规划方法及系统，以无人机的续航时间为约束、以总体巡检路径最短和巡检时间最少为目标建立路径规划的目标函数，在人工水母搜索算法的群体内部移动阶段引入社交网络搜索算法中的对话算子、争论算子和创新算子，得到改进的人工水母搜索算法，通过改进的人工水母搜索算法优化所述目标函数，得到各个无人机的最优巡检路径。然而以上现有技术均未考虑无人机在输电线路巡检过程中的局部避障问题。
[0004] 申请号CN202310552501.X的发明专利公开了一种无人机对输电线路巡检的路径规划方法，该方法先对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点；根据障碍物和检测点，设定无人机的巡线，无人机沿巡线对输电线路进行巡检。虽然该方法考虑了无人机的避障问题，但是未考虑到输电线路交错复杂、分布范围广而无人机续航能力却有限的特点。因此，如何合理的规划巡检无人机路径，在提高巡检效率的同时实现无人机的局部避障，是目前亟待解决的问题。
具体实施方式
[0149] 下面结合具体实施方式以及附图对本发明作进一步详细的说明。
[0150] 实施例1：
[0151] 参见图1，一种输电线路固定翼无人机自主巡检路径规划方法，依次按照以下步骤进行：
[0152] S1、获取待巡检输电线路的环境信息，所述环境信息主要包括建筑物、植被、杆塔、山体等信息；通过MapGIS构建待巡检输电线路的二维栅格地图，每个栅格代表一个特定的区域，通过深色的栅格表示该区域的障碍物情况，在二维栅格地图中标出待巡检杆塔的位置，一个待巡检杆塔表示一个目标点；
[0153] S2、构建固定翼无人机多目标路径规划模型；所述固定翼无人机多目标路径规划模型包括目标函数以及安全约束条件，所述目标函数是以固定翼无人机飞行路径总代价最小构建得到，具体为：
[0154] ；
[0155] ；
[0156] ；
[0157] ；
[0158] ；
[0159] ；
[0160] 上式中， 表示固定翼无人机飞行路径总代价； 、 、 均为常数系数； 、 、均为权重常系数，且 ； 表示第 个航迹段的长度； 、 、 分别表示飞行长度代价、飞行能耗代价、飞行时间代价； 表示第 个航迹段的起点坐标，表示第 个航迹段的终点坐标；为待巡检目标点的总数量； 、 分别表示固定翼无人机的载荷重量、机体重量； 表示单位飞行时间耗能量； 表示固定翼无人机在整个飞行路径的总飞行时长； 表示单位悬停时间耗能量； 为无风时的固定翼无人机设定飞行平均速度；表示风速因子； 表示固定翼无人机的总悬停时间；表示固定翼无人机在每个待巡检目标点的设定检测时长；
[0161] 所述安全约束条件包括最大飞行航程约束、最小航迹段约束、飞行高度约束、最大转弯角约束；所述最大飞行航程约束为：
[0162] ；
[0163] 上式中， 表示第 个航迹段的飞行距离； 表示预设的裕度余量； 表示固定翼无人机所允许的最大飞行距离；
[0164] 所述最小航迹段约束为：
[0165] ；
[0166] 上式中， 表示固定翼无人机所允许的最大航程；
[0167] 所述飞行高度约束为：
[0168] ；
[0169] 上式中， 、 表示固定翼无人机所允许飞行的最低、最高高度； 表示固定翼无人机的当前飞行高度；
[0170] 所述最大转弯角约束为：
[0171] ；
[0172] 上式中，表示两个相邻的航迹段所形成的夹角； 表示固定翼无人机所允许飞行的最大转弯角；
[0173] 基于巡检输电线路的栅格地图，采用河马优化算法求解固定翼无人机多目标路径规划模型得到全局最优路径，所述全局最优路径由多个航迹段组成，前一个航迹段的终点即为下一个航迹段的起点；
[0174] 所述河马算法具体为：
[0175] A1、初始化种群，种群中一个河马个体对应一个固定翼无人机全局路径规划的候选解；
[0176] A2、计算初始化种群中河马个体适应度；将河马个体所对应的候选解代入固定翼无人机多目标路径规划模型的目标函数得到的固定翼无人机飞行路径总代价，该固定翼无人机飞行路径总代价即为河马个体的适应度；
[0177] A3、按照在河流或池塘中的位置更新（探索新的固定翼无人机飞行路径）、对捕食者防御（改变固定翼无人机飞行方向）、逃离捕食者三个阶段更新河马个体的位置（搜索近邻区域以改进最佳路径），直至所有河马个体位置更新完成；更新最佳适应度的河马个体；
[0178] A4、返回A2迭代计算，直至达到迭代终止条件，输出最佳适应度的河马个体，该河马个体即为最优解；
[0179] 河马优化算法的初始化阶段涉及随机初始解的生成，这可能导致种群在解空间中分布不均匀，增加算法陷入局部最优的风险，为了让河马个体尽可能的均匀分布在寻优范围内，进一步提高算法的全局搜索能力，基于佳点集理论对河马算法的种群初始化进行改进；基于佳点集理论改进后的河马优化算法的种群初始化步骤具体为：
[0180] B1、根据以下公式生成佳点集：
[0181] ；
[0182] ；
[0183] ；
[0184] 上式中， 表示生成的佳点集； 表示第 个佳点向量； 表示第 个佳点的第维元素； 为种群规模； 为空间维数； 为 的最小素数；
[0185] B2、根据以下公式将佳点集映射到河马优化算法初始化搜索空间：
[0186] ；
[0187] 上式中， 表示初始化河马个体 的第 个位置； 、 分别表示第 个决策变量的下界和上界； 为取余运算。
[0188] 为平衡河马优化算法的全局搜索能力和局部搜索能力，避免早熟收敛，提升算法的稳定性和收敛速度，在河马优化算法第一阶段引入动态自适应惯性权重来对河马位置更新公式进行改进；利用动态自适应惯性权重改进后的第一阶段的位置更新公式具体为：
[0189] ；
[0190] ；
[0191] ；
[0192] 上式中， 表示第一阶段位置更新后第 只雌性或未成熟河马在种群中的位置； 表示惯性权重； 表示种群初始化后第 只河马在种群中的位置； 、 均表示中的随机数； 表示最优河马个体位置； 表示随机河马个体位置的平均值； 表示随机取1或2； 表示分离距离阈值； 、 为最大、最小惯性权重值； 为当前的迭代次数；为最大迭代次数；
[0193] 第一阶段的位置更新后，基于传统河马优化算法中的第二阶段的位置更新公式继续更新河马位置；为加强河马优化算法在第三阶段的局部搜索能力，结合鹈鹕算法水面飞行策略对河马算法进行改进，鹈鹕算法水面飞行策略可以使算法收敛到狩猎区域更好的位置；基于鹈鹕算法水面飞行策略改进后的第三阶段的位置更新公式具体为：
[0194] ；
[0195] 上式中， 为第三阶段位置更新后的第 只河马的位置； 表示第二阶段位置更新后的河马位置； 为当前的迭代次数； 为最大迭代次数； 表示 的领域半径； 为常数，一般取值为2； 、 分别表示第 个决策变量的下界和上界；
[0196] S3、采用人工势场法对全局最优路径中各航迹段分别进行局部路径规划，输出局部路径；
[0197] 所述人工势场法具体为：构建一个人工势场，所述人工势场由两部分组成，一部分是航迹段的终点对固定翼无人机产生的引力场，另一部分是障碍物对固定翼无人机产生的斥力场，通过引力场和斥力场所产生的合力，引导无人机避开障碍物的同时，从航迹段的起点朝向航迹段的终点移动；
[0198] 针对传统引力场存在起始点附近引力过大而忽略斥力作用，导致固定翼无人机与障碍物发生碰撞的问题，将引力场函数采用分段函数形式表示，使引力分成两个部分，并增加了阈值距离作为固定翼无人机离目标点远近的判断依据，当无人机距离目标点较近时，引力大小与无人机到目标点距离成正比；当无人机距离目标点较远时，引力为常数，以此解决无人机离目标点较远时引力较大的问题；改进后的引力场函数为：
[0199] ；
[0200] 上式中， 表示目标点的引力场函数； 为引力系数； 为固定翼无人机与目标点的欧氏距离； 为阈值距离；
[0201] 目标点对固定翼无人机产生的引力的计算公式为：
[0202] ；
[0203] 上式中， 表示目标点对于固定翼无人机的引力；
[0204] 传统斥力场在保持距离不变的情况下，无论固定翼无人机运动方向和固定翼无人机与障碍物连线的夹角 如何变化，其斥力始终不变；通过加入距离调节系数，在距离不变的情况下，当夹角 发生变化时，斥力也会发生变化，从而使斥力场更加灵活，能够更好地应对不同的避障场景，实现快速响应。具体变化为：在夹角 时，随着夹角 的增大，斥力逐渐减小；并在夹角 大于 时，即无人越过障碍物后，减小障碍物斥力对固定翼无人机运动的影响，使无人机在面对障碍物时能够更加灵活地调整自身位置和运动方向，避免与障碍物发生碰撞。改进后的斥力场函数为：
[0205] ；
[0206] ；
[0207] 上式中， 表示障碍物的斥力场函数； 为斥力系数； 为距离调节系数；为固定翼无人机与障碍物之间的欧式距离； 为障碍物斥力作用半径； 为固定翼无人机运动方向和固定翼无人机与障碍物连线之间的夹角； 为常量，一般设置为
0.6；
[0208] 障碍物对固定翼无人机的斥力的计算公式为：
[0209] ；
[0210] 上式中， 表示障碍物对固定翼无人机的斥力；
[0211] 为解决人工势场在避障过程中容易陷入局部最优的问题，在传统人工势场的基础上增加逃逸力。首先判断固定翼无人机是否陷入局部最优，判断方式可以为：设固定翼无人机前进方向为正方向，若无人机在五个步长内的移动距离小于预设值，且无人机与目标点间的距离保持不变，则认为无人机陷入局部最优；当判断固定翼无人机已陷入局部最优时，则在人工势场的引力方向上增加逃逸力，帮助无人机逃出局部最优；待固定翼无人机逃离局部最优且 后，撤回逃逸力，无人机将在原势场的作用下继续进行路径规划；改进后的引力场和斥力场所产生的合力的计算公式为：
[0212] ；
[0213] ；
[0214] 上式中， 表示引力场和斥力场所产生的合力； 表示引力方向上的逃逸力；表示逃逸力系数； 表示当前位置固定翼无人机运动方向和固定翼无人机与障碍物连线之间的夹角； 表示障碍物 对当前位置固定翼无人机的斥力；
[0215] S4、根据全局最优路径规划与局部最优路径，生成待巡检输电线路的最优路径规划方案，最终实现整条输电线路的固定翼无人机自主巡检任务。
[0216] 性能测试：
[0217] 为验证本发明所述方法的有效性，对某地进行固定翼无人机自主巡检路径规划。
[0218] 基于某地周围环境构建的二维栅格地图如图2所示，在建立的二维栅格地图上对区域内所有待巡检杆塔的所在位置进行标记，其中坐标原点表示固定翼无人机巡检的起始点，标记点A‑J均为待巡检的输电线路杆塔。经过全局路径规划得到的全局最优路径为：B→D→F→I→J→H→G→E→C→A，即在考虑飞行路径总长度、飞行航迹能耗和飞行时间作为代价指标时，该路径对应的固定翼无人机输电线路自主巡检时的飞行总代价最小。
[0219] 在获得的全局最优路径的基础上，取输电线路杆塔D→F航迹段进行局部路径规划，该航迹段如图3所示，单个栅格范围为2.5×2.5m，当栅格区域内存在影响固定翼无人机飞行的障碍物，则将整个栅格标记为障碍物位置，即图中的黑色部分，其中D为起始点，F为目标点，虚线为采用传统人工势场法（APF）得到的固定翼无人机局部自主避障路径，实线为采用本发明中改进人工势场法（IAPF）得到的固定翼无人机局部自主避障路径。可以看到，采用传统人工势场法的固定翼无人机陷入局部最小值无法继续前行，因此未到达目标点F，巡检任务失败；而采用改进人工势场法的固定翼无人机精准的避开了区域内限制飞行的障碍物，顺利抵达目标点，实现了固定翼无人机局部自主避障功能。
[0220] 实施例2：
[0221] 参见图4，一种输电线路固定翼无人机自主巡检路径规划系统，包括二维栅格地图形成模块、全局路径规划模块、局部路径规划模块、最优方案输出模块；所述二维栅格地图形成模块用于获取待巡检输电线路的环境信息，所述环境信息主要包括建筑物、植被、杆塔、山体等信息；通过MapGIS构建待巡检输电线路的二维栅格地图，每个栅格代表一个特定的区域，通过深色的栅格表示该区域的障碍物情况，在二维栅格地图中标出待巡检杆塔的位置，一个待巡检杆塔表示一个目标点；所述全局路径规划模块用于构建固定翼无人机多目标路径规划模型，并基于巡检输电线路的栅格地图，采用河马优化算法求解固定翼无人机多目标路径规划模型，得到全局最优路径，所述全局最优路径由多个航迹段组成，前一个航迹段的终点即为下一个航迹段的起点；
[0222] 具体的，所述固定翼无人机多目标路径规划模型包括目标函数以及安全约束条件，所述目标函数是以固定翼无人机飞行路径总代价最小构建得到，具体为：
[0223] ；
[0224] ；
[0225] ；
[0226] ；
[0227] ；
[0228] ；
[0229] 上式中， 表示固定翼无人机飞行路径总代价； 、 、 均为常数系数； 、 、均为权重常系数，且 ； 表示第 个航迹段的长度； 、 、 分别表示飞行长度代价、飞行能耗代价、飞行时间代价； 表示第 个航迹段的起点坐标，表示第 个航迹段的终点坐标；为待巡检目标点的总数量； 、 分别表示固定翼无人机的载荷重量、机体重量； 表示单位飞行时间耗能量； 表示固定翼无人机在整个飞行路径的总飞行时长； 表示单位悬停时间耗能量； 为无风时的固定翼无人机设定飞行平均速度；表示风速因子； 表示固定翼无人机的总悬停时间；表示固定翼无人机在每个待巡检目标点的设定检测时长；
[0230] 所述安全约束条件包括最大飞行航程约束、最小航迹段约束、飞行高度约束、最大转弯角约束；所述最大飞行航程约束为：
[0231] ；
[0232] 上式中， 表示第 个航迹段的飞行距离； 表示预设的裕度余量； 表示固定翼无人机所允许的最大飞行距离；
[0233] 所述最小航迹段约束为：
[0234] ；
[0235] 上式中， 表示固定翼无人机所允许的最大航程；
[0236] 所述飞行高度约束为：
[0237] ；
[0238] 上式中， 、 表示固定翼无人机所允许飞行的最低、最高高度； 表示固定翼无人机的当前飞行高度；
[0239] 所述最大转弯角约束为：
[0240] ；
[0241] 上式中，表示两个相邻的航迹段所形成的夹角； 表示固定翼无人机所允许飞行的最大转弯角；
[0242] 具体的，所述河马算法具体为：
[0243] A1、初始化种群，种群中一个河马个体对应一个固定翼无人机全局路径规划的候选解；
[0244] A2、计算初始化种群中河马个体适应度；将河马个体所对应的候选解代入固定翼无人机多目标路径规划模型的目标函数得到的固定翼无人机飞行路径总代价，该固定翼无人机飞行路径总代价即为河马个体的适应度；
[0245] A3、按照在河流或池塘中的位置更新（探索新的固定翼无人机飞行路径）、对捕食者防御（改变固定翼无人机飞行方向）、逃离捕食者三个阶段更新河马个体的位置（搜索近邻区域以改进最佳路径），直至所有河马个体位置更新完成；更新最佳适应度的河马个体；
[0246] A4、返回A2迭代计算，直至达到迭代终止条件，输出最佳适应度的河马个体，该河马个体即为最优解；
[0247] 河马优化算法的初始化阶段涉及随机初始解的生成，这可能导致种群在解空间中分布不均匀，增加算法陷入局部最优的风险，为了让河马个体尽可能的均匀分布在寻优范围内，进一步提高算法的全局搜索能力，基于佳点集理论对河马算法的种群初始化进行改进；基于佳点集理论改进后的河马优化算法的种群初始化步骤具体为：
[0248] B1、根据以下公式生成佳点集：
[0249] ；
[0250] ；
[0251] ；
[0252] 上式中， 表示生成的佳点集； 表示第 个佳点向量； 表示第 个佳点的第维元素； 为种群规模； 为空间维数； 为 的最小素数；
[0253] B2、根据以下公式将佳点集映射到河马优化算法初始化搜索空间：
[0254] ；
[0255] 上式中， 表示初始化河马个体 的第 个位置； 、 分别表示第 个决策变量的下界和上界； 为取余运算。
[0256] 为平衡河马优化算法的全局搜索能力和局部搜索能力，避免早熟收敛，提升算法的稳定性和收敛速度，在河马优化算法第一阶段引入动态自适应惯性权重来对河马位置更新公式进行改进；利用动态自适应惯性权重改进后的第一阶段的位置更新公式具体为：
[0257] ；
[0258] ；
[0259] ；
[0260] 上式中， 表示第一阶段位置更新后第 只雌性或未成熟河马在种群中的位置； 表示惯性权重； 表示种群初始化后第 只河马在种群中的位置； 、 均表示中的随机数； 表示最优河马个体位置； 表示随机河马个体位置的平均值； 表示随机取1或2； 表示分离距离阈值； 、 为最大、最小惯性权重值； 为当前的迭代次数；为最大迭代次数；
[0261] 第一阶段的位置更新后，基于传统河马优化算法中的第二阶段的位置更新公式继续更新河马位置；为加强河马优化算法在第三阶段的局部搜索能力，结合鹈鹕算法水面飞行策略对河马算法进行改进，鹈鹕算法水面飞行策略可以使算法收敛到狩猎区域更好的位置；基于鹈鹕算法水面飞行策略改进后的第三阶段的位置更新公式具体为：
[0262] ；
[0263] 上式中， 为第三阶段位置更新后的第 只河马的位置； 表示第二阶段位置更新后的河马位置； 为当前的迭代次数； 为最大迭代次数； 表示 的领域半径； 为常数，一般取值为2； 、 分别表示第 个决策变量的下界和上界；
[0264] 所述局部路径规划模块采用人工势场法对全局最优路径中各航迹段分别进行局部路径规划，输出局部路径；所述人工势场法具体为：构建一个人工势场，所述人工势场由两部分组成，一部分是航迹段的终点对固定翼无人机产生的引力场，另一部分是障碍物对固定翼无人机产生的斥力场，通过引力场和斥力场所产生的合力，引导无人机避开障碍物的同时，从航迹段的起点朝向航迹段的终点移动；
[0265] 针对传统引力场存在起始点附近引力过大而忽略斥力作用，导致固定翼无人机与障碍物发生碰撞的问题，将引力场函数采用分段函数形式表示，使引力分成两个部分，并增加了阈值距离作为固定翼无人机离目标点远近的判断依据，当无人机距离目标点较近时，引力大小与无人机到目标点距离成正比；当无人机距离目标点较远时，引力为常数，以此解决无人机离目标点较远时引力较大的问题；改进后的引力场函数为：
[0266] ；
[0267] 上式中， 表示目标点的引力场函数； 为引力系数； 为固定翼无人机与目标点的欧氏距离； 为阈值距离；
[0268] 目标点对固定翼无人机产生的引力的计算公式为：
[0269] ；
[0270] 上式中， 表示目标点对于固定翼无人机的引力；
[0271] 传统斥力场在保持距离不变的情况下，无论固定翼无人机运动方向和固定翼无人机与障碍物连线的夹角 如何变化，其斥力始终不变；通过加入距离调节系数，在距离不变的情况下，当夹角 发生变化时，斥力也会发生变化，从而使斥力场更加灵活，能够更好地应对不同的避障场景，实现快速响应。具体变化为：在夹角 时，随着夹角 的增大，斥力逐渐减小；并在夹角 大于 时，即无人越过障碍物后，减小障碍物斥力对固定翼无人机运动的影响，使无人机在面对障碍物时能够更加灵活地调整自身位置和运动方向，避免与障碍物发生碰撞。改进后的斥力场函数为：
[0272] ；
[0273] ；
[0274] 上式中， 表示障碍物的斥力场函数； 为斥力系数； 为距离调节系数；为固定翼无人机与障碍物之间的欧式距离； 为障碍物斥力作用半径； 为固定翼无人机运动方向和固定翼无人机与障碍物连线之间的夹角； 为常量，一般设置为
0.6；
[0275] 障碍物对固定翼无人机的斥力的计算公式为：
[0276] ；
[0277] 上式中， 表示障碍物对固定翼无人机的斥力；
[0278] 为解决人工势场在避障过程中容易陷入局部最优的问题，在传统人工势场的基础上增加逃逸力。首先判断固定翼无人机是否陷入局部最优，判断方式可以为：设固定翼无人机前进方向为正方向，若无人机在五个步长内的移动距离小于预设值，且无人机与目标点间的距离保持不变，则认为无人机陷入局部最优；当判断固定翼无人机已陷入局部最优时，则在人工势场的引力方向上增加逃逸力，帮助无人机逃出局部最优；待固定翼无人机逃离局部最优且 后，撤回逃逸力，无人机将在原势场的作用下继续进行路径规划；改进后的引力场和斥力场所产生的合力的计算公式为：
[0279] ；
[0280] ；
[0281] 上式中， 表示引力场和斥力场所产生的合力； 表示引力方向上的逃逸力；表示逃逸力系数； 表示当前位置固定翼无人机运动方向和固定翼无人机与障碍物连线之间的夹角； 表示障碍物 对当前位置固定翼无人机的斥力；
[0282] 所述最优方案输出模块用于根据全局最优路径规划与局部最优路径，生成待巡检输电线路的最优路径规划方案，最终实现整条输电线路的固定翼无人机自主巡检任务。
