CN115185303B - 用于国家公园及自然保护地的无人机巡护路径规划方法 - Google Patents

用于国家公园及自然保护地的无人机巡护路径规划方法 Download PDF

Info

Publication number
CN115185303B
CN115185303B CN202211112515.1A CN202211112515A CN115185303B CN 115185303 B CN115185303 B CN 115185303B CN 202211112515 A CN202211112515 A CN 202211112515A CN 115185303 B CN115185303 B CN 115185303B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
path
solution
solution space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211112515.1A
Other languages
English (en)
Other versions
CN115185303A (zh
Inventor
郭强辉
殷虹娇
张鹏
王永峰
宋尚源
高琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Deepiot Technology Co ltd
Nankai University
Original Assignee
Beijing Deepiot Technology Co ltd
Nankai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Deepiot Technology Co ltd, Nankai University filed Critical Beijing Deepiot Technology Co ltd
Priority to CN202211112515.1A priority Critical patent/CN115185303B/zh
Publication of CN115185303A publication Critical patent/CN115185303A/zh
Application granted granted Critical
Publication of CN115185303B publication Critical patent/CN115185303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于国家公园及自然保护地的无人机巡护路径规划方法，包括以下步骤：步骤1：输入三维地形数据，生成一个有界的三维区域，要求无人机遍历所有路径点后即完成视觉覆盖任务；步骤2：以无人机飞行路径为优化目标，添加无人机遍历路径点、无人机电量限制、无人机自助充电线路规划的约束条件，建立无人机路径规划模型；步骤3：在步骤2建立的无人机路径规划模型下，利用分枝定界算法，并结合线性松弛和贪心算法进行求解，得到无人机的遍历路径。本发明解决了自然保护地无法持续开展无人机巡护监测问题，实现了无人机监测自动化。

Description

用于国家公园及自然保护地的无人机巡护路径规划方法
技术领域
本发明属于无人机飞行控制技术领域，具体涉及一种用于国家公园及自然保护地的无人机巡护路径规划方法。
背景技术
野外巡护监测是国家公园及自然保护地最重要的生态监测与日常监管手段，巡护员通过巡护监测收集野生物种种群、生境及物候等方面的资料，同时能够及时发现生态环境问题和制止违法活动等，实现对国家公园及自然保护地的有效保护，为自然资源监管提供决策依据。但国家公园及自然保护地面积大、范围广、地形复杂，多数地区人员和车辆难以到达，传统的人工巡护方式效率低下、费时费力。因此，近年来无人机越来越多的被用于各类自然保护地的巡护监测工作。
无人机技术是一种将飞行器技术、通信技术、GPS、差分定位技术和图像技术融合实现的无人机遥感技术，通过搭载高清摄像机、智能传感器等感知设备，结合无线通讯网络，实现监测数据的自动获取与传输。目前无人机用于国家公园及自然保护地巡护监测存在续航短，飞控人员要求高、飞机存储运输难、应用集成难度高等挑战，难以满足常态化监测的应用需求。
无人机自动机场是协助无人机全流程作业的地面自动化设施，为无人机提供全天候的防护，通过自动化的开合、升降、取卸结构设计，让无人机的起飞、降落、存放以及电池管理均可自动完成，无需人工干预。无人机存放于自动机场内，当有飞行需求时无人机自主从机场起飞，完成任务后无人机自动降落于自动机场内，在自动机场中进行充电，为下一次任务做好准备，实现全自动化作业。
为实现无人机在国家公园及自然保护地生态监测工作中的常态化发展，满足野外巡护监测管理需求，本专利基于无人机自动机场，对无人机进行路径规划、电量状态监控、指挥调度，极大程度提升无人机巡护监测效率。
发明内容
本发明的目的在于克服现有技术的不足，提供一种用于国家公园及自然保护地的无人机巡护路径规划方法。
本发明是通过以下技术方案实现的：
一种用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于，包括以下步骤：
步骤1：输入三维地形数据，生成一个有界的三维区域，在该区域上方空中设置路径点
Figure 575468DEST_PATH_IMAGE001
，要求无人机遍历所有路径点后完成视觉覆盖任务；
步骤2：以无人机飞行路径为优化目标，添加无人机遍历路径点、无人机电量限制、无人机自助充电线路规划的约束条件，建立无人机路径规划模型；
步骤3：在步骤2建立的无人机路径规划模型下，利用分枝定界算法并结合线性松弛和贪心算法进行求解，得到无人机的遍历路径。
在上述技术方案中，步骤2包括以下步骤：
步骤2.1：定义无人机的飞行路径决策变量x ij ；
x ij =1,表示无人机从路径点i飞到路径点j；
x ij =0,表示无人机不会从路径点i飞到路径点j；
定义目标函数：
Figure 799776DEST_PATH_IMAGE002
（1）
其中d ij 表示路径点i与路径点j之间的直线距离；
飞行路径决策变量要确保能够形成一条完整的、可行的一次遍历路径，具体约束如下：
Figure 641699DEST_PATH_IMAGE003
（2）
Figure 926050DEST_PATH_IMAGE004
（3）
步骤2.2：针对无人机的自助充电功能，调整带自动机场的无人机自助充电线路规划；
以飞行路径衡量无人机能量消耗，将无人机的最大续航记为R，定义能量损失变量E ij ，自动机场集合
Figure 135314DEST_PATH_IMAGE005
；
无人机的剩余续航距离不超过最大续航R的非负数，公式表示如下：
Figure 897734DEST_PATH_IMAGE006
（4）
Figure 876054DEST_PATH_IMAGE007
（5）
Figure 800148DEST_PATH_IMAGE008
是无人机从路径点k飞到路径点i的决策变量，/>
Figure 496708DEST_PATH_IMAGE009
是无人机从路径点k飞至路径点i所需能量损耗；
无人机离开自动机场时，电量满载，公式表示如下：
Figure 797240DEST_PATH_IMAGE010
（6）
更新目标函数：
Figure 646378DEST_PATH_IMAGE011
（7）。
在上述技术方案中，步骤3包括以下步骤：
步骤3.1：记MIP为需要求解的无人机路径规划问题，best sol 为当前最优解，用于在求解过程中不断更新搜索到的最优解，初值取MIP中的任一可行解；记Lb为当前解空间下界，用于记录求解过程中搜索到的当前最优解对应的目标函数值；
步骤3.2：分枝
设S为MIP的解空间，对飞行路径决策变量x ij 进行枚举，将解空间S划分为两个互不相交的子解空间S0和S1，其中，S0中所有可行解的x ij 取值为0；S1中所有可行解的x ij 取值为1；划分出的子解空间称为分枝节点；
步骤3.3：定界
使用贪心算法在子解空间中搜索可行解，若可行解的目标函数值小于best sol 的目标函数值，则更新best sol ；采用线性松弛方法计算可行解目标函数值下界，将未固定取值的飞行路径决策变量的取值范围由{0,1}转变为[0,1]，扩大子解空间中未固定值的飞行路径决策变量的取值范围，松弛后的子解空间使用CPLEX求解器进行计算；
步骤3.4：剪枝
根据求解情况筛选出合适的分枝节点，删除的分枝节点中不存在比已知可行解best sol 更优的，或者下界大于已知的解空间下界，这一删除分枝节点的过程为剪枝；
步骤3.5：根据剪枝后剩余的分枝节点，更新当前解空间下界Lb和best sol ，然后迭代进行分枝、定界和剪枝的操作，直至完成对解空间的树搜索。
在上述技术方案中，在步骤3.3中，使用贪心算法在子解空间中搜索可行解时，首先使用多种不同类型的贪心算法计算出多个局部最优解，然后取并集，在并集中定义飞行路径决策变量。
在上述技术方案中，使用3种贪心算法，分别是：基于无人机位置出发的贪心算法、基于终点回溯至无人机位置的贪心算法、基于全局最短路径点距离的贪心算法；
基于无人机位置出发的贪心算法：记录无人机当前位置，搜索距离无人机最近的未遍历的路径点，若有，则无人机飞至该路径点，更新无人机当前位置，继续搜索；若无，输出无人机飞行路径，结束；
基于终点回溯至无人机位置的贪心算法：记录无人机回溯位置，搜索距离无人机最近的未遍历的路径点，若有，则无人机飞至该路径点，更新无人机回溯位置，继续搜索；若无，输出无人机飞行路径，结束；
基于全局最短路径点距离的贪心算法：搜索当前解空间中包含的路径点之间的边，选择欧氏距离最小的边，作为无人机遍历路径中的元素，更新当前解空间，当解空间为空集时，停止搜索。
在上述技术方案中，在步骤3.5中，在迭代的过程中，通过深度优先或者广度优先的搜索方法进行分枝；
深度优先搜索方法：对所有定界后的分枝节点进行比较，选择下界最小的分枝节点进行分枝，在规划无人机路径中，若无人机当前状态下的所有飞行路径对应的分枝节点均被剪枝或没有被选择为分枝的分枝节点，则搜索结束；
广度优先搜索方法：对所有新产生的分枝节点进行分枝，按照其下界大小，由小到大依次进行分枝。
在上述技术方案中，步骤3.5中，当不存在可以继续分枝的分枝节点，或best sol 的目标函数值取到Lb时，对解空间的搜索完毕，输出best sol ，作为MIP的求解结果。
本发明的优点和有益效果为：
本发明可以快速为一片区域设计一条无人机的视觉遍历路径，并且允许在有地面自动机场的条件下规划可自动充电的无人机视觉遍历路径，算法采用的是混合整数规划的方法，能够尽量减少无人机的飞行距离和能耗，时间复杂度低。解决了自然保护地无法持续开展无人机巡护监测问题，实现了无人机监测自动化，同时降低使用无人机的技术和人员门槛，在满足日常巡护需求的同时，为保护区提供决策分析支撑。
本发明建立的无人机路径规划模型中融合了无人机自主充电功能，利用分枝定界算法对无人机路径规划模型进行求解。为了提升求解效率，本发明还结合了线性松弛和贪心算法等方法提高求解的速度和质量，得到无人机的遍历路径；在求解时，使用使用3种不同类型的贪心算法（基于无人机位置出发的贪心算法、基于终点回溯至无人机位置的贪心算法、基于全局最短路径点距离的贪心算法）计算出多个局部最优解，然后取并集，在并集中定义飞行路径决策变量，以减少可行解的搜索空间。
附图说明
图1是本发明的基本流程图。
图2是分枝定界算法的示意图。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
一种用于国家公园及自然保护地的无人机巡护路径规划方法，参见附图1，包括以下步骤：
步骤1：输入三维地形数据，生成一个有界的三维区域
Figure 6952DEST_PATH_IMAGE012
，根据无人机机载摄像头的性能和巡护要求在该区域上方空中设置路径点/>
Figure 128492DEST_PATH_IMAGE013
，要求无人机遍历所有路径点后即可完成视觉覆盖任务。
步骤2：建立约束公式，以无人机飞行路径为优化目标，添加无人机遍历路径点、无人机电量限制、无人机自助充电线路规划等约束条件，不考虑风力、能见度、无人机故障等不可控因素，建立无人机路径规划模型。具体步骤如下：
步骤2.1：定义无人机的飞行路径决策变量x ij ；
x ij =1,表示无人机从路径点i飞到路径点j；
x ij =0,表示无人机不会从路径点i飞到路径点j；
定义目标函数：
Figure 295031DEST_PATH_IMAGE002
（1）
其中d ij 表示路径点i与路径点j之间的直线距离，任务的目标就是优化无人机的飞行路径，使之在完成任务目标的前提下尽量实现最小化。同时，飞行路径决策变量需要确保能够形成一条完整的、可行的一次遍历路径，具体约束如下：
Figure 920048DEST_PATH_IMAGE003
（2）
Figure 513840DEST_PATH_IMAGE004
（3）
步骤2.2：针对无人机的自助充电功能，调整带自动机场的无人机自助充电线路规划。以飞行路径衡量无人机能量消耗，将无人机的最大续航记为R，定义能量损失变量E ij ，自动机场集合
Figure 857097DEST_PATH_IMAGE005
。
首先，无人机在路径点之间移动时会耗能，且在执行任务期间无人机的剩余续航距离应为不超过最大续航R的非负数，公式表示如下：
Figure 827327DEST_PATH_IMAGE006
（4）
Figure 572429DEST_PATH_IMAGE007
（5）
Figure 586390DEST_PATH_IMAGE008
是无人机从路径点k飞到路径点i的决策变量，/>
Figure 416943DEST_PATH_IMAGE009
是无人机从路径点k飞至路径点i所需能量损耗，在本模型中仅与路径长度有关，可在规划无人机飞行路径前获得；
其次，无人机离开自动机场时，电量满载，公式表示如下：
Figure 925285DEST_PATH_IMAGE010
（6）
此外，考虑到无人机在自动机场与路径点之间的飞行距离，应尽量减少无人机往返自动机场的次数和无人机离开遍历路径飞往自动机场进行充电的距离，更新目标函数：
Figure 524893DEST_PATH_IMAGE011
（7）。
综上，建立了无人机路径规划模型，包括目标函数（7）以及和约束公式（2）、（3）、（4）、（5）、（6）。
步骤3：利用分枝定界算法对步骤2建立的无人机路径规划模型进行求解，分枝定界算法的基本原理参见附图2，分枝定界方法的主要思想是通过枚举部分变量的可行解来划分解空间，这一过程称作“分枝”（branch），分枝后的解空间数量与枚举的数量相同，每个分枝都代表一个划分后的子解集，它们是解空间的子集且互不相交。每次获得新的分枝后，在分枝对应的解集上计算目标函数下界，这一过程称作“定界”（bound），新分枝的产生一定伴随着对其解空间的定界。将所有的分枝定界后，将所有分枝的定界与已知可行解的目标函数值进行比较，若分枝的定界大于已知可行解的目标函数值，则说明该解集内不存在更优的可行解，目标函数的最优解不可能存在于此解集中，对此解集不再做进一步分枝，这一过程称为剪枝；以上为分枝定界方法的基本思想。为了提升求解效率，本发明还结合了线性松弛和贪心算法等方法提高求解的速度和质量，得到无人机的遍历路径。求解的具体过程包括以下步骤：
步骤3.1：记MIP为需要求解的无人机路径规划问题，best sol 为当前最优解，用于在求解过程中不断更新搜索到的最优解，初值取MIP中的任一可行解；记Lb为当前解空间下界，用于记录求解过程中搜索到的当前最优解对应的目标函数值，Lb的初值取-∞。
步骤3.2：分枝
设S为无人机路径问题MIP的解空间，S包含了满足MIP约束条件的每一个可行解。考虑x ij 为其中的一个固定的无人机飞行路径决策变量，解空间S可以划分为两个互不相交的子解空间S0和S1，其中，S0中所有可行解的x ij 取值为0；S1中所有可行解的x ij 取值为1；这样通过枚举飞行路径决策变量取值划分出的子解空间称为分枝节点。
步骤3.3：定界
在划分出来的两个子解空间S0和S1中，分析这两个子解空间中可行解的存在性和目标函数值下界。
1，根据MIP问题中的约束条件，搜索子解空间中是否存在可行解；
2，对存在可行解的子解空间进行“定界”操作，以子解空间S0为例，使用贪心算法在子解空间S0中搜索可行解，若可行解的目标函数值小于best sol 的目标函数值，则更新best sol ；引入线性松弛方法计算可行解目标函数值下界，将未固定取值的无人机飞行路径决策变量x kl 的取值范围由{0,1}转变为[0,1]，扩大子解空间S0中未固定值的飞行路径决策变量的取值范围，松弛后的子解空间
Figure 663751DEST_PATH_IMAGE014
使用CPLEX求解器进行计算，因为扩大了变量的取值范围，故求得的/>
Figure 43916DEST_PATH_IMAGE014
的最优解目标函数值一定不大于子解空间S0的可行解目标函数值的下界，因此将松弛后的求解结果作为分枝节点的下界，记为Lb 0 。所述子解空间S1的定界过程同理，更新best sol ，计算其对应的下界Lb 1 。
进一步的说，本发明使用贪心算法搜索解空间可行解分为三种算法，分别是：基于无人机位置出发的贪心算法、基于终点回溯至无人机位置的贪心算法、基于全局最短路径点距离的贪心算法。
算法1，基于无人机位置出发的贪心算法：记录无人机当前位置，搜索距离无人机最近的未遍历的路径点，若有，则无人机飞至该路径点，更新无人机当前位置，继续搜索；若无，输出无人机飞行路径，结束。
算法2，基于终点回溯至无人机位置的贪心算法：无人机飞行路径的可行解中终点位置固定，因此可以从回溯的角度搜索可行解，即理解为无人机从终点出发返回其初始位置。该算法记录无人机回溯位置，搜索距离无人机最近的未遍历的路径点，若有，则无人机飞至该路径点，更新无人机回溯位置，继续搜索；若无，输出无人机飞行路径，结束。
算法3，基于全局最短路径点距离的贪心算法：该算法与前两种方法不同，不追踪无人机的当前位置，而是搜索当前解空间中包含的路径点之间的边，选择欧氏距离最小的边，作为无人机遍历路径中的元素，更新当前解空间，继续搜索距离最小的边，当解空间为空集时，停止搜索。
本发明在计算分枝节点的下界时，使用上述3种贪心算法计算出多个局部最优解，取并集，在并集中定义飞行路径决策变量，这样大量地减少了可行解的搜索空间；再线性松弛，通过CPLEX求解器快速得到最优解，提高下界的精度。
步骤3.4：剪枝
根据求解得出的信息筛选出合适的分枝节点，筛选的过程应满足原问题MIP的最优解保留在筛选后的子解空间当中，删除的分枝节点中不存在比已知可行解best sol 更优的，或者下界大于已知的解空间下界，这一删除分枝节点的过程叫作“剪枝”，本质上是缩小搜索空间的过程。具体的讲，当分枝节点
Figure 824790DEST_PATH_IMAGE015
满足以下条件时，需要剪枝：
1，
Figure 810064DEST_PATH_IMAGE015
中不存在可行解；
2，
Figure 854243DEST_PATH_IMAGE015
的下界/>
Figure 472438DEST_PATH_IMAGE016
不小于best sol 的目标函数值；
3，在所有未被剪枝的分枝节点中，
Figure 260265DEST_PATH_IMAGE015
是下界最大的节点之一。
步骤3.5：迭代“分枝→定界→剪枝”过程进行树搜索
根据剪枝后剩余的分枝节点，更新当前解空间下界Lb和best sol ，然后迭代进行分枝、定界和剪枝的操作，即重复步骤3.2~3.4，完成对解空间的树搜索。当不存在可以继续分枝的节点，或best sol 的目标函数值取到Lb时，对解空间的搜索完毕，分枝定界算法结束，输出best sol ，作为MIP的求解结果。
进一步的说，在迭代的过程中，通过深度优先或者广度优先的搜索方法进行分枝，即分枝节点的选择有以下两种方法。
1，深度优先搜索方法：对所有定界后的分枝节点进行比较，选择下界最小的分枝节点进行分枝，在规划无人机路径中，若无人机当前状态下的所有飞行路径对应的分枝节点均被剪枝或没有被选择为分枝的节点，则搜索结束。
2，广度优先搜索方法：对所有新产生的分枝节点进行分枝，按照其下界大小，由小到大依次进行分枝。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (6)

1.一种用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于，包括以下步骤：
步骤1：输入三维地形数据，生成一个有界的三维区域，在该区域上方空中设置路径点V＝{v1，v2，...，vn}，要求无人机遍历所有路径点后完成视觉覆盖任务；
步骤2：以无人机飞行路径为优化目标，添加无人机遍历路径点、无人机电量限制、无人机自助充电线路规划的约束条件，建立无人机路径规划模型；步骤2包括以下步骤：
步骤2.1：定义无人机的飞行路径决策变量xij；
xij＝1,表示无人机从路径点i飞到路径点j；
xij＝0,表示无人机不会从路径点i飞到路径点j；
定义目标函数：
Figure FDA0003968317670000011
其中dij表示路径点i与路径点j之间的直线距离；
飞行路径决策变量要确保能够形成一条完整的、可行的一次遍历路径，具体约束如下：
Figure FDA0003968317670000012
Figure FDA0003968317670000013
步骤2.2：针对无人机的自助充电功能，调整带自动机场的无人机自助充电线路规划；
以飞行路径衡量无人机能量消耗，将无人机的最大续航记为R，定义能量损失变量Eij，自动机场集合B＝{b1，b2，...，bm}；
无人机的剩余续航距离不超过最大续航R的非负数，公式表示如下：
Figure FDA0003968317670000014
Figure FDA0003968317670000015
xki是无人机从路径点k飞到路径点i的决策变量，Eki是无人机从路径点k飞至路径点i所需能量损耗；
无人机离开自动机场时，电量满载，公式表示如下：
Figure FDA0003968317670000021
更新目标函数：
Figure FDA0003968317670000022
步骤3：在步骤2建立的无人机路径规划模型下，利用分枝定界算法并结合线性松弛和贪心算法进行求解，得到无人机的遍历路径。
2.根据权利要求1所述的用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于：步骤3包括以下步骤：
步骤3.1：记MIP为需要求解的无人机路径规划问题，bestsol为当前最优解，用于在求解过程中不断更新搜索到的最优解，初值取MIP中的任一可行解；记Lb为当前解空间下界，用于记录求解过程中搜索到的当前最优解对应的目标函数值；
步骤3.2：分枝
设S为MIP的解空间，对飞行路径决策变量xij进行枚举，将解空间S划分为两个互不相交的子解空间S0和S1，其中，S0中所有可行解的xij取值为0；S1中所有可行解的xij取值为1；划分出的子解空间称为分枝节点；
步骤3.3：定界
使用贪心算法在子解空间中搜索可行解，若可行解的目标函数值小于bestsol的目标函数值，则更新bestsol；采用线性松弛方法计算可行解目标函数值下界，将未固定取值的飞行路径决策变量的取值范围由{0,1}转变为[0,1]，扩大子解空间中未固定值的飞行路径决策变量的取值范围，松弛后的子解空间使用CPLEX求解器进行计算；
步骤3.4：剪枝
根据求解情况筛选出合适的分枝节点，删除的分枝节点中不存在比已知可行解bestsol更优的，或者下界大于已知的解空间下界；
步骤3.5：根据剪枝后剩余的分枝节点，更新当前解空间下界Lb和bestsol，然后迭代进行分枝、定界和剪枝的操作，直至完成对解空间的树搜索。
3.根据权利要求2所述的用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于：在步骤3.3中，使用贪心算法在子解空间中搜索可行解时，首先使用多种不同类型的贪心算法计算出多个局部最优解，然后取并集，在并集中定义飞行路径决策变量。
4.根据权利要求3所述的用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于：使用3种贪心算法，分别是：基于无人机位置出发的贪心算法、基于终点回溯至无人机位置的贪心算法、基于全局最短路径点距离的贪心算法；
基于无人机位置出发的贪心算法：记录无人机当前位置，搜索距离无人机最近的未遍历的路径点，若有，则无人机飞至该路径点，更新无人机当前位置，继续搜索；若无，输出无人机飞行路径，结束；
基于终点回溯至无人机位置的贪心算法：记录无人机回溯位置，搜索距离无人机最近的未遍历的路径点，若有，则无人机飞至该路径点，更新无人机回溯位置，继续搜索；若无，输出无人机飞行路径，结束；
基于全局最短路径点距离的贪心算法：搜索当前解空间中包含的路径点之间的边，选择欧氏距离最小的边，作为无人机遍历路径中的元素，更新当前解空间，当解空间为空集时，停止搜索。
5.根据权利要求2所述的用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于：在步骤3.5中，在迭代的过程中，通过深度优先或者广度优先的搜索方法进行分枝；
深度优先搜索方法：对所有定界后的分枝节点进行比较，选择下界最小的分枝节点进行分枝，在规划无人机路径中，若无人机当前状态下的所有飞行路径对应的分枝节点均被剪枝或没有被选择为分枝的分枝节点，则搜索结束；
广度优先搜索方法：对所有新产生的分枝节点进行分枝，按照其下界大小，由小到大依次进行分枝。
6.根据权利要求2所述的用于国家公园及自然保护地的无人机巡护路径规划方法，其特征在于：步骤3.5中，当不存在可以继续分枝的分枝节点，或bestsol的目标函数值取到Lb时，对解空间的搜索完毕，输出bestsol，作为MIP的求解结果。
CN202211112515.1A 2022-09-14 2022-09-14 用于国家公园及自然保护地的无人机巡护路径规划方法 Active CN115185303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211112515.1A CN115185303B (zh) 2022-09-14 2022-09-14 用于国家公园及自然保护地的无人机巡护路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211112515.1A CN115185303B (zh) 2022-09-14 2022-09-14 用于国家公园及自然保护地的无人机巡护路径规划方法

Publications (2)

Publication Number Publication Date
CN115185303A CN115185303A (zh) 2022-10-14
CN115185303B true CN115185303B (zh) 2023-03-24

Family

ID=83524467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211112515.1A Active CN115185303B (zh) 2022-09-14 2022-09-14 用于国家公园及自然保护地的无人机巡护路径规划方法

Country Status (1)

Country Link
CN (1) CN115185303B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115574826B (zh) * 2022-12-08 2023-04-07 南开大学 基于强化学习的国家公园无人机巡护路径优化方法
CN116149375B (zh) * 2023-04-21 2023-07-07 中国人民解放军国防科技大学 在线决策的无人机搜索规划方法、装置、电子设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108001684A (zh) * 2017-11-30 2018-05-08 上海拓攻机器人有限公司 无人机、云端服务器、无线充电***及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106813666B (zh) * 2017-02-13 2019-10-18 中国人民解放军国防科学技术大学 车辆搭载无人机的双层路径构建方法及***
CN110949683A (zh) * 2019-12-11 2020-04-03 云南电网有限责任公司保山供电局 一种利用无人机对变电设备开展不间断巡视的方法
CN113487264B (zh) * 2021-07-20 2022-09-02 中南大学 一种基于异构多无人机的物流配送方法及***
CN114139392A (zh) * 2021-12-03 2022-03-04 上海发网供应链管理有限公司 基于自适应大规模领域搜索算法的车辆路径问题方法及***
CN114611616B (zh) * 2022-03-16 2023-02-07 吕少岚 一种基于集成孤立森林的无人机智能故障检测方法及***
CN115014362B (zh) * 2022-08-09 2022-11-15 之江实验室 一种基于合成单元的牛耕式全覆盖路径规划方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108001684A (zh) * 2017-11-30 2018-05-08 上海拓攻机器人有限公司 无人机、云端服务器、无线充电***及方法

Also Published As

Publication number Publication date
CN115185303A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN115185303B (zh) 用于国家公园及自然保护地的无人机巡护路径规划方法
CN110428111B (zh) Uav/ugv协同长时多任务作业轨迹规划方法
CN113342046B (zh) 基于蚁群算法的输电线路无人机巡检路径优化方法
CN107314772B (zh) 一种无人机自学习航点轨迹飞行方法及其***
CN103941744B (zh) 用于确定飞行路径的方法
CN110244750A (zh) 一种无人机巡视路径规划方法及装置
CN105045274B (zh) 一种用于无人机巡检航迹规划的智能杆塔连通图构建方法
CN111256702A (zh) 一种电力杆塔巡检用无人机自主巡检方法
CN110413003A (zh) 输电线路的巡视方法、装置、设备和计算机可读存储介质
CN104596516A (zh) 基于动态新增毗邻区域的无人机覆盖航迹规划
CN110597286B (zh) 一种利用智慧机库实现输电线路无人机自主巡检的方法
CN106774421A (zh) 一种无人机轨迹规划***
CN109506654A (zh) 低空航路规划方法及装置、飞行器
CN113406968B (zh) 基于数字孪生的无人机自主起降巡航方法
CN109992923A (zh) 一种基于变分辨率成本表面的分阶段输电线路路径规划方法
CN117032311A (zh) 一种输电线路无人机巡检任务自动规划方法、装置、设备及介质
CN110187718B (zh) 基于Scrapy框架和四旋翼飞行器的城市物流***及方法
CN115877870A (zh) 一种基于机会数据采集的无人机在线路径规划方法
CN112382134A (zh) 生成飞行路径的方法、装置、存储介质和电子设备
CN112506216B (zh) 一种无人机的飞行路径规划方法及装置
Wang et al. Coverage path planning design of mapping UAVs based on particle swarm optimization algorithm
CN115574826B (zh) 基于强化学习的国家公园无人机巡护路径优化方法
CN116578120A (zh) 无人机调度方法、装置、无人机***和算机设备
CN116700330A (zh) 一种智慧巡检方法与智慧巡检***
Huang et al. Energy-efficient UAV flight planning for a general poi-visiting problem with a practical energy model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant