发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种改进自适应遗传-变领域协同搜索的多无人机长时作业路径规划能有效提高UAV的工作效率。
技术方案:为实现上述目的,本发明的技术方案如下:
改进自适应遗传-变领域协同搜索的多无人机长时作业路径规划,规划方式为,先提出固定充电点问题,并使用图的方法进行求解;之后建立FCSP数学模型,并且分别对遗传-变领域协同搜索算法的初始种群、自适应交叉率、变异率以及领域结构改进,最后通过数学仿真实验,验证所提改进遗传-变领域协同搜索算法的收敛性、准确性和高效性。
进一步的,所述固定充电点问题为:假设Vstart和Va分别为UAV起点和工作点集合,T为UAV的单次最大续航时间,m个UAV从起点出发,以恒定速度ν完成田间信息获取任务。由于UAV工作时间有限,需要在电量耗尽前到达最近的充电点充电,才能保证UAV能够尽可能按照任务计划访问每个工作点一次,同时需要规划出更优的路径。
进一步的,FCSP图的构建;一个图可以表示为G(V,E,c),其中V为目标顶点的集合,每个目标顶点用一个三维坐标表示,E为连接所有目标顶点的边的集合,c为每个边所对应的代价值,代价表达式如下:
C=Vc+Tc+Ec (1)
将所有的边根据UAV的访问路径分为无工作点路径、单工作点路径和多工作点路径。
进一步的,建立FCSP数学模型;所述固定充电点问题可以等价于MTSP,不同之处在于,所有充电点具有时间窗约束,也就是无人机在电量耗尽前必须到附近充电点充电,根据描述,建立FCSP数学模型如下:
Zi>Z2(xi,yi),i∈{1,2,L,n} (12)
进一步的,改进遗传-变领域协同搜索算法的初始种群,称之为改进种群初始化;所述改进种群初始化的改进方法分三步:1)基于工作点的搜索空间划分;2)基于节点的子空间再划分;3)选择初始个体。
进一步的,改进遗传-变领域协同搜索算法的自适应交叉率;使最大适应度值的个体的交叉率Pc和变异率Pm不为零,改进后的交叉率Pc和变异率Pm表达式如下:
进一步的,改进遗传-变领域协同搜索算法的领域结构;采用了4种产生最优解邻域的方法:1)两点交换;2)两点***;3)动态多点调整策略;4)基于相似度的调整策略。
进一步的,数学仿真包括算法有效性验证,将基本自适应遗传算法(AGA),改进型自适应遗传算法(IAGA),遗传-变邻域搜索协同算法(GAVC),以及改进型自适应遗传-变邻域协同搜索算法(IAG-VCA)四种算法分别运行10次,10次实验的平均代价与迭代次数的关系;
数学仿真包括验证改进方法的合理性,将改进初始化与基本初始化、改进自适应交叉、变异率与自适应交叉、变异率以及改进变邻域搜索与变邻域搜索所得到的代价值与收敛速度分别进行对比。
进一步的,还包括无人机无线充电结构和固定充电站;所述无人机无线充电结构设置于无人机底部;所述无人机充电结构内设置有受电装置所述固定充电站上设置有充电装置;所述充电装置上设置有充电口;所述无人机沿规划路径带动无人机无线充电结构运动至固定充电站上,且所述受电装置受电端运动嵌入充电口内磁吸于充电装置上。
进一步的,所述无人机无线充电结构还包括安装块;所述安装块固定安装于无人机底部内;所述安装块对应充电装置一端内开设有活动腔;所述安装块远离充电装置一端内开设有空腔;所述空腔与活动腔之间通过隔板分隔开;所述隔板上开设有连通孔;所述空腔内设置有气囊;所述气囊通过连通孔与活动腔连通;所述活动腔远离空腔一端敞开设置;所述受电装置设置于活动腔内;所述受电装置与隔板之间夹设有伸缩弹簧;所述受电装置密封于活动腔和气囊;所述气囊配合伸缩弹簧牵引受电装置运动进出于活动腔,且所述受电装置对应磁吸于充电装置;
所述受电装置对应充电装置一端渐进减小;所述受电装置磁吸于充电装置时,所述受电装置减小端凸出于活动腔,且所述受电装置突出端对应嵌入充电口内;
所述活动腔靠近隔板一端内壁环向设置有限位环,且所述限位环隔板间距设置;所述伸缩弹簧牵引受电装置进入活动腔内时,所述受电装置对应接触于限位环侧壁;
所述受电装置朝向隔板一侧中部固设有散热杆;所述散热杆远离受电装置一端延伸至伸缩弹簧中部;所述散热杆侧壁环向开设有若干通气槽;所述通气槽长度方向与散热杆延伸方向一致;所述受电装置接触于限位环时,所述散热杆对应贯穿于连通孔,且所述气囊通过通气槽连通于活动腔。
有益效果:本发明的相比遗传-变邻域协同搜索算法代价值和收敛速度分别提高12.3%和63.6%,在不同环境下搜索成功率高达96.3%,面对不同的环境、不同的任务仍可以实现长时作业,还表明改进算法具有很好的搜索效果,可以在复杂环境下完成多无人机多任务长时作业。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1-8:改进自适应遗传-变领域协同搜索的多无人机长时作业路径规划,规划方式为,先提出固定充电点问题,并使用图的方法进行求解;之后建立FCSP数学模型,并且分别对遗传-变领域协同搜索算法的初始种群、自适应交叉率、变异率以及领域结构改进,最后通过数学仿真实验,验证所提改进遗传-变领域协同搜索算法的收敛性、准确性和高效性。
使用UGV给UAV定时充电,该方法没有实现资源有效利用。主要表现在以下两个方面:1)UGV在充电之余处于空闲状态,工作潜能没有充分利用;2)规划过程中单点访问,不能适应更多实际的问题。因此,本文将提出一个固定充电点问题,并针对多任务情况进行研究。
所述固定充电点问题(Fixed Charging Sets Problem,FCSP)为:假设Vstart和Va分别为UAV起点和工作点集合,T为UAV的单次最大续航时间,m个UAV从起点出发,以恒定速度ν完成田间信息获取任务。由于UAV工作时间有限,需要在电量耗尽前到达最近的充电点充电,才能保证UAV能够尽可能按照任务计划访问每个工作点一次,同时需要规划出更优的路径,降低资源消耗。FCSP场景图如图1所示:
已知T
ci为第i个UAV的充电周期,T为UAV的作业时长,则可以计算得到第i个UAV的待充电位置l
ik,以及总的充电次数为
其中k∈{1,2,...,K},i∈{1,2,...,m},UAV需要在时间t
ik之前到达l
ik,故存在时序约束:t
a(j)≤t
k(j),j∈{1,2,...,K},此外还存在距离约束。
FCSP图的构建;一个图可以表示为G(V,E,c),其中V为目标顶点的集合,每个目标顶点用一个三维坐标表示,E为连接所有目标顶点的边的集合,c为每个边所对应的代价值,代价表达式如下:
C=Vc+Tc+Ec (14)
式(1)表示综合代价,包括航程代价(Vc)、地形代价(Tc)和环境代价(Ec)三个部分,式(2-4)分别表示不同代价的计算方式。在本方法的研究中,对于V和E的建立至关重要。已知UAV工作点集合为Va={a1,a2,...,aM},充电点集合为Vl={l1,l2,...,lK},故设计中将顶点集合设为:V=Va∪Vl,即UAV工作点和充电点的集合。
将所有的边根据UAV的访问路径分为无工作点路径、单工作点路径和多工作点路径。
无工作点路径:在这种路径中,UAV从当前充电点出发直接到下一个充电点,途中不会经过任何工作点。UAV到达第k个充电点的最早时间为:
上式中,
总是小于Tc,约束条件恒成立,故图中所有
均为图中的边。
单工作点路径:在此充电路线中,UAV从当前充电点前往下一个充电点的途中只经过一个UAV工作点,在此线路中,路径总长度为两条边之和,即e(lk,ai)的长度加上e(ai,lk+1)的长度,其消耗最小时间为:
上式中,若
则e(l
k,a
i)和e(a
i,l
k+1)符合要求,构成图的边。
多工作点路径:在这种路线中,UAV从当前充电点前往下一个充电点的途中,经过多个UAV工作点,其消耗的最小时间为:
上式中,R
k是从第k个充电点到第k+1个充电点的所有路线的集合,L(R
k)表示经过中间所有工作点路径所用的时间,R
k(1)表示从第k个充电点到第k+1个充电点经过的第一个UAV工作点,R
k(s)为最后一个UAV工作点。若
则这个路线符合要求,将其放入图1中。
基于MTSP的数学模型建立的FCSP数学模型;首先,做出如下给出以下符号解释1)V
a:UAV工作点的集合;2)V
c:充电点的集合;3)m=1,2,...,M:UAV的数量;4)k=1,2,...,K:工作点的数量;5)x
ijm:值为1时表示m个无人机访问过边e(i,j)∈E,值为0时表示边没有被访问;6)c
nsm:第m个无人机从第i个工作点到第j个工作点的欧氏距离;7)
第k条路径;8)
第k条路径从n到s的速度;
完成FCSP图的构建后,通过深入分析发现,所述固定充电点问题可以等价于MTSP,不同之处在于,所有充电点具有时间窗约束,也就是无人机在电量耗尽前必须到附近充电点充电,根据描述,建立FCSP数学模型如下:
Zi>Z2(xi,yi),i∈{1,2,L,n} (28)
上述公式中,式(8)为目标函数,式(9-15)为约束条件;其中,式(9)为时间窗约束,表示无人机运行时间不能超过最大续航时间,式(10)为速度约束,无人机速度不能超过最大速度,式(11-12)为访问次数约束,表示每个UAV只能访问每个工作点一次,式(13)为第m个无人机边访问状态约束,式(14)保证无人机的路径不含子路径,式(15)为无人机的避障约束,可以保证无人机避开障碍物。
为了求UAVs协同搜索的MTSP问题,设计了一种分步组合优化算法。该算法分为两步进行,首先,利用K-means聚类算法,将MTSP问题分解为m个互相独立的TSP问题;然后,采用改进型遗传-变邻域协同搜索算法(Improved Genetic-Variable NeighborhoodCollaborative Search Algorithm,IG-VCA)对上述的m个TSP问题分别进行求解,并且采取三次B样条曲线对路径进行平滑,使得规划的路径最短。通过深入分析发现,遗传-变邻域协同搜索算法虽然能弥补各自的不足,但邻域结构不能达到很好的扩大搜索范围的效果,并且在求解本问题时,存在进化效率低、计算复杂度高等缺点。基于此,综合考虑GA和VNS各自优缺点,对两个算法分别进行改进,期望更好的解决多无人机长时作业路径规划问题。
改进遗传-变领域协同搜索算法的初始种群,称之为改进种群初始化;种群初始化是依据编码规则给出种群的初始解,传统GA在求解无人机路径规划问题时,初始种群的产生通常采用随机生成法,这种方法使初始种群的形成过于随意,容易在一开始就形成许多带障碍节点的不可行路径,之后还需要大量的计算才能得到较为优化的路径,这大大降低了算法的运算效率。因此,本文提出了基于工作点划分与三次B样条曲线平滑的种群初始化方法,使得初始种群一开始就表现为一种较优状态。该方法分三步进行,具体如下:
1)基于工作点的搜索空间划分;为了保证初始解覆盖整个搜索空间,首先需要对整个搜索区域进行划分。本文采用当前工作点和下一个工作点所形成立体区域的划分模式对整个空间进行初次划分。设Hstart为m个UAV的起点,Vi,i∈{1,2,…,m}为第i个UAV聚类后的工作点数量,[Sstart,Sgoal]为所有工作点的取值范围,Sstart=[S1start,S2start,…,Shstart],h=Vi-1,i∈{1,2,...,m}为m个UAV的工作点起点集合,Sgoal=[S1goal,S2goal,…,Shgoal],h=Vi-1,i∈{1,2,…,m}为m个UAV所有工作点的终点集合;依据此模式可以将第i个UAV路径划分为Vi个空间。
2)基于节点的子空间再划分;设每个空间染色体长度为chromoSize,则每个工作点搜索空间对应的节点数为a=chromoSize/3,第i条UAV路径对应的节点数为aVi,aVi个子向量fki可通过公式(16)得到。
其中,d为两个子节点之间的间隔,可通过公式(17)得到。
3)选择初始个体;搜索空间划分完成后,进行初始个体的选择,为了保证初始种群多样性,从各个子空间中随机生成初始个体,然后利用三次B样条曲线平滑算法对每个子空间进行搜索,选择局部最优的个体作为初始个体。具体搜索过程如下:
(1)连接该子空间内所有随机个体,生成一条无人机飞行路径,然后利用三次B样条曲线对路径进行平滑;
(2)判断该路径是否是一条可飞路径(是否穿越障碍物);
(3)如果不是可飞路径,找到这段路径中不可飞区域,返回步骤1;
(4)如果是可飞路径,对下一个子空间按照上述步骤搜索,直到所有子空间搜索完毕,形成一条完整的染色体;然后重复上述步骤(1)、(2)、(3),得到种群数量为popSize的染色体为止。改进种群初始化流程图如图2所示。
改进遗传-变领域协同搜索算法的自适应交叉率和变异率;交叉率Pc和变异率Pm的选择是影响遗传算法性能的关键所在,很多时候需要反复实验确定Pc和Pm的值,过程复杂且很难找到最优值。已知一种交叉、变异算子,该方法在适应值越接近最大适应度值时,交叉率和变异率越小,当等于最大适应值时,交叉率和变异率的值为零。这种调整方法对于进化后期比较合适,但不利于早期进化。为此可以做进一步改进使最大适应度值的个体的交叉率和变异率不为零,这就相应提高了群体中表现优良的个体。经上述改进,Pc和Pm表达式如下:
上式中favg为每代种群的平均适应度值,fmax为种群中最大适应度值,f1为要交叉个体中较大适应度值,f2为要变异个体的适应度值,g为当前迭代次数,G为最大迭代次数,其中P1,P2为常数。
改进遗传-变领域协同搜索算法的领域结构;设计VNS算法的首要问题是设计最优解的邻域。本文采用了4种产生最优解邻域的方法。传统的邻域结构主要是两点交换和两点***,这两种类型的邻域结构较为简单且易于实现,但是局部搜索能力不强。本文在这两种邻域的基础上又设计了两种新的邻域结构:1)动态多点调整策略,该方法通过设计一种动态调整策略来确定随机变换的点数目,这种调整策略邻域变换更复杂,局部搜索能力更强;2)基于相似度的调整策略,这种邻域结构通过定义两个随机个体的相似度,只对相似度高的部分进行调整,该策略一定程度上保留了一些优质基因,同时扩大了搜索范围。4种产生最优解邻域的方法为:1)两点交换;2)两点***;3)动态多点调整策略;4)基于相似度的调整策略。
动态多点调整策略:在以往的研究中,都是将调整点数简单地设定为固定值nd,以达到扩大邻域搜索的目的,这种方式简单,但却无法将搜索的阶段性特质考虑进来。在算法搜索后期,解的表现越来越好,此时若陷入局部最优,则需要扩大搜索范围跳出局部最优。在搜索初期,此时搜索区域较大,故而并不需要特别大的邻域变换。通过上述分析,可以发现,根据算法的不同阶段来动态选择nd应该是一种更好的模式,基于此,设计了一种动态多点调整策略(Dynamic Multi-points Removal,DMP)。
该机制描述如下:首先,将调整策略分为ns个等级,ns的大小由迭代次数决定,其具体如表1所示。每个等级对应一个区域Ci,i∈{1,2,...,ns},每个区域中包含的元素就是DMP的分割系数。
表1群的数量与移除等级关系表
随机选择一个区域Ci,而每次调整的连续点数nd∈Ci,nd的选择与当前的搜索能力有关,概率表达式由(22)计算得到,其中a为目前连续无提升迭代次数,b表示最大连续无提升迭代次数,x代表Ci中的第x个元素,α表示预设参数。不同阶段调整点数nd由(23)式计算得到,Nr表示初始移除群数。
nd=Nr(1-Pd) (23)
使用分区调整策略的优点在于对搜索的阶段不同特点做出了权衡。在搜索过程中,区域Ci确定后,随着连续无提升次数a的增大,算法选择比较大的nd的可能性更大,这表示当前解将会在一个更大的邻域进行搜索。
基于相似度的调整策略:传统的邻域结构可以在较低的计算复杂度下实现对解的较大邻域的搜索,但由于每次调整的位置是随机的,故新的邻域有较大的概率会损失当前解的某些优质基因,基于此,提出一种基于适应度的调整策略,该方法最重要的是相似度的设计,相似度设计的是否合理,很大程度上决定着搜索结果的优劣。本文根据多无人机编码方式的特点,随机选择两个个体,然后将每个无人机的代价值的差值定义为相似度,两者代价值越接近,相似度越高。相似度计算可由公式(24)得到。然后设定一个阈值ε,当相似度高于阈值ε时,对此段基因进行多次随机调整,产生不同邻域个体,比较新个体的适应度值,选择较优个体。
式中H
i代表第i个无人机的相似度,其中i∈{1,2,...,n},
与
表示随机个体S
1与S
2的第i个无人机的代价值,
表示随机个体S
1与S
2的第i个无人机的平均值。
为了验证算法的有效性,在Matlab 2016a(主机Intel i9-9900K,NvidiaRTX2080TI,32GB内存,Windows10***)环境下进行仿真实验,为方便计算,仿真参数设置如下:
表2仿真参数
数学仿真包括算法有效性验证,对5架无人进行路径规划,规划结果如图3所示。从规划结果可以看出,5架无人机可以实现路径规划,并可以完成各自的任务。假设每个无人机飞行代价为800m,表3展示了不同无人机的飞行代价,表3中无人机1、无人机2和无人机3飞行代价分别达到了802m、997m和1672m,均大于设定值800m,说明无人机可以实现长时作业。
表3不同无人机飞行距离
实验结果对比:为了验证所提算法的有效性,将基本自适应遗传算法(AGA),改进型自适应遗传算法(IAGA),遗传-变邻域搜索协同算法(GAVC),以及改进型自适应遗传-变邻域协同搜索算法(IAG-VCA)四种算法分别运行10次,10次实验的平均代价与迭代次数的关系,如图4、表4所示。
从图中明显可以看出IAG-VCA具有最优的代价值和收敛速度,而AGA则表现最差。从表4可以看出AGA算法最终代价为38367m,在15代开始收敛,IAGA算法与GAVC收敛代价分别为23379m和20127m,平均在第9代收敛,相比AGA算法代价值和收敛速度分别降低39.1%和47.5%,收敛速度降低73.3%;IAG-VCA算法收敛代价和收敛速度分别为18438m和4,相比AGA算法代价值和收敛速度分别提升51.9%和73.3%。
以上实验结果表明,说明本文所提出的初始化方法可以保证解的质量,加快算法收敛速度;同时也说明改进变邻域算法的有效性,可以避免算法陷入局部最优。相比IAGA和IAG-VCA代价值和收敛速度均有很大提高。进一步说明IAG-VCA算法不仅有较好的全局搜索能力,还具有较好的局部搜索能力。
表4不同算法代价值与收敛速度对比
为了验证改进方法的合理性,在其他参数以及方法保持不变的前提下,将改进初始化与基本初始化、改进自适应交叉、变异率与自适应交叉、变异率以及改进变邻域搜索与变邻域搜索所得到的代价值与收敛速度分别进行对比。
从表5可以看出,采用改进初始化方法代价值与收敛速度分别为25271m和7,相比基本初始化分别降低30.8%和50%,这是因为改进初始化方法提高了初始种群质量,使最终结果得到了改善。采用改进自适应交叉、变异率代价值与收敛速度分别为27570m和9,相比自适应交叉、变异率代价值降低12.4%,收敛速度保持不变,原因在于在进化过程中提高了种群多样性,扩大了搜索范围。采用改进变邻域搜索代价值与收敛速度分别为24462m和4,相比变邻域搜索分别降低7.4%和50%,原因在于变邻域搜索算法扩大了搜索范围,使解的质量得到改善,同时避免陷入局部最优,…。进一步说明,本文改进方法的有效性,可以提升解的质量。
表5不同改进方法代价值与收敛速度对比
算法在大环境下的表现,接下来将算法置于更大尺寸地图中进行测试,如表6所示为5000×5000×60m3和10000×10000×60m3环境的配置,最小环境配置所对应的充电点和工作点的数量分别为33和35。
表6大尺寸地图参数配置
使用IAG-VCA对上述两个算例进行实验,实验结果如图5和6所示。由于工作点和充电点数量较多,三维展示效果不好,因此进行二维展示。从图中可以看出,面对不同的环境,不同的任务,无人机仍可以很好的完成规划,说明该算法具有很强的适应性。
表7展示上述四种算法在不同尺寸地图下运行30次得到的搜索成功率,从表7可以看出,AGA在三种算例中搜索成功率最低,平均只有64.4%,IAG-VCA在三种算例中搜索成功率最高,平均值高达96.3%,IAGA和GAVC搜索成功率接近,平均值分别为90.2%和91.4%。这是由于IAGA算法对种群初始化方式进行了改进,相比AGA算法随机性更小,初始种群更优。而IAG-VCA结合IAGA和GAVC两者的优点,进一步融合更大程度提高了可行解的质量,具有较高的全局搜索能力同时防止陷入局部最优。
表7搜索成功率对比(%)
表8展示了不同算法在不同算例上运行10次的平均运行时间,从表中可以看到GAVC平均运行时间最长,IAGA平均运行时间最短。而IAG-VCA在3个算例上的运行时间略低于GAVC,相比于AGA和IAGA运行时间稍长。这是因为在IAGA中,对自适应变异和交叉率进行了改进,提高了子代个体的质量,在GAVC中加入了变邻域搜索算法,提高算法的时间复杂度,而在IAG-VCA中虽然加入了变邻域搜索算法,但是对邻域结构进行了改进,并且改进初始化方法提高了初始种群的质量,相对降低了算法的运行时间。
表8运行时间(min)
提出了一种改进型遗传-变邻域协同搜索算法的路径规划方法。将固定充电点问题引入到无人机路径规划,将遗传算法与变邻域搜索相结合,对混合算法的种群初始化,对自适应变异、交叉率以及邻域结构改进,得到一种高效的路径规划算法。为了验证所提算法可行性、高效性以及准确性,对四种不同算法的收敛速度、代价值、平均搜索时间和搜索成功率进行对比,得出以下结论:
1)多个无人机可以在复杂环境下完成多任务长时作业,且不受能耗的限制;
2)提高了所提运算效率,使种群一开始就表现为较优的状态;
3)避免陷入局部最优的同时加快了所提算法的收敛速度。
还包括无人机无线充电结构01和固定充电站;所述无人机无线充电结构1设置于无人机底部;所述无人机充电结构01内设置有受电装置02所述固定充电站上设置有充电装置03;所述充电装置03上设置有充电口011;所述无人机沿规划路径带动无人机无线充电结构01运动至固定充电站上,且所述受电装置02受电端运动嵌入充电口011内磁吸于充电装置03上。当无人机沿着规划的最优路径飞行时,会相应的停靠在固定充电站位置进行充电续航;无人机运动带着无人机上设置的受电装置靠近固定充电站上的充电装置,受电装置于充电装置为磁性结构,这样受电装置和充电装置吸附接触,然后开始充电,等待充电完成后,无人机带着受电装置远离充电装置,受电装置脱离充电口,然后受电装置收回到无人机内,这样就完成充电
所述无人机无线充电结构01还包括安装块04;所述安装块04固定安装于无人机底部内;所述安装块04对应充电装置03一端内开设有活动腔05;所述安装04块远离充电装置03一端内开设有空腔06;所述空腔06与活动腔05之间通过隔板07分隔开;所述隔板08上开设有连通孔08;所述空腔06内设置有气囊09;所述气囊09通过连通孔08与活动腔05连通;所述活动腔05远离空腔06一端敞开设置;所述受电装置02设置于活动腔05内;所述受电装置02与隔板07之间夹设有伸缩弹簧010;所述受电装置02密封于活动腔06和气囊09;所述气囊09配合伸缩弹簧010牵引受电装置02运动进出于活动腔06,且所述受电装置02对应磁吸于充电装置03;无人机在飞行阶段,气囊以及活动腔内处于负压状态,并且弹簧收缩,这样就能将受电装置带回到活动腔内;这样能避免受电装置收到损坏;在进行充电时,受电装置与充电装置磁性吸附,气囊收缩,并且伸缩弹簧被拉长;这样负压环境能减少充电时收到的干扰;并且在充电阶段受电装置产生的热量会扩散到气囊以及活动腔,这样能避免热量直接传导到其他部件,造成散热不均,影响其他部件的运行;同时气囊内气体相应的受热膨胀,这样能提供一个上升的浮力,这样能减小无人机自身的重量,减小动能消耗。
所述受电装置02对应充电装置03一端渐进减小;所述受电装置02磁吸于充电装置03时,所述受电装置02减小端凸出于活动腔05,且所述受电装置02突出端对应嵌入充电口011内;这样受电装置靠近充电装置时,受到磁力影响相互吸引,这样接触后就能进行充电;当无人机带着受电装置远离充电装置时,受电装置脱离充电口,并且气囊配合伸缩弹簧将受电装置拉回活动腔内。
所述活动腔05靠近隔板07一端内壁环向设置有限位环012,且所述限位环012隔板07间距设置;所述伸缩弹簧09牵引受电装置02进入活动腔05内时,所述受电装置02对应接触于限位环012侧壁;伸缩弹簧和隔板内部设有线路,受电装置通过线路连接于无人机电源******;受电装置收回活动腔内后时,气囊逐渐膨胀,这样伸缩弹簧逐渐收缩,之后受电装置被限位环限位,起到保护伸缩弹簧和气囊的作用,避免气囊快速的膨胀大最大程度,减小寿命,并且能避免伸缩弹簧快速收缩至最短长度,能避伸缩弹簧的伸张程度过大收到损坏。
所述受电装置02朝向隔板07一侧中部固设有散热杆013;所述散热杆013远离受电装置02一端延伸至伸缩弹簧010中部;所述散热杆013侧壁环向开设有若干通气槽014;所述通气槽014长度方向与散热杆014延伸方向一致;所述受电装置02接触于限位环012时,所述散热杆014对应贯穿于连通孔08,且所述气囊09通过通气槽014连通于活动腔05。受电装置与充电装置接触充电时,会长时热量,存留在受电装置上的热量会通过散热杆传导到活动腔以及气囊中,这样就避免热量直接传递到其他部件上,造成散热不均,影响其他部件的运行;同时热量能增加气囊内空气的膨胀度,这样气囊内受热膨胀相应的能提升一部分上升的浮力,这样就能抵消掉一部分无人机自身的重量,相应的节省了飞行的动能。
以上是本发明的优选实施方案,对于本技术领域普通技术人员来说,在不脱离本发明原理前提的情况下,还可以做出若干改进和润色,这些改进和润色同样视为本发明的保护范围。