CN115578525B - 一种复杂环境的工程选线优化***及方法 - Google Patents

Abstract

本申请公开了一种复杂环境的工程选线优化***及方法，***包括：多特征数据集选择模块、模型假设模块、信息素更新模块和状态转移概率模块；多特征数据集选择模块用于采集施工现场数据；模型假设模块用于根据施工现场数据获取施工现场模型；信息素更新模块用于根据施工现场模型，获取基础最优路线；状态转移概率模块用于优化基础最优路线，得到最优路线。本申请基于无人机三维地形重构技术得到三维地形数据，使用选线优化改进算法，准确表述寻找最佳路径的过程特点。利用三维成像，将上述最佳路径转化为与实际施工现场更为拟合的立体图像，加大施工现场的准确性，降低人力物力成本，提高工作效率。

Description

一种复杂环境的工程选线优化***及方法

技术领域

本申请涉及路径规划技术领域，具体涉及一种复杂环境的工程选线优化***及方法。

背景技术

由于我国国土辽阔，地形复杂，平原少，丘陵及山区较多，气象条件复杂，对于特高压和跨区电网等大型工程的路径规划建设，现有的路径寻优技术已不能满足其快速高效的要求。

现阶段，国内外企业为提高工程施工选址的准确率及效率，积极探索采用无人机作为选址的辅助工具，三维地形建模的方法和策略，并已取得诸多成果。电力巡检领域对无人机的需求也较为迫切。

发明内容

为解决人工实地勘测选址难度较大的缺点，本申请提供了一种复杂环境的工程选线优化***，包括：多特征数据集选择模块、模型假设模块、信息素更新模块和状态转移概率模块；

所述多特征数据集选择模块用于采集施工现场数据；

所述模型假设模块用于根据所述施工现场数据获取施工现场模型；

所述信息素更新模块用于根据所述施工现场模型，获取基础最优路线；

所述状态转移概率模块用于优化所述基础最优路线，得到最优路线。

优选的，所述施工现场数据包括：前期数据标准采集、地形数据采集和植被覆盖特征采集。

优选的，所述前期数据标准包括：进场道路和场内道路设计原则。

优选的，获取所述植被覆盖特征的方法包括：

利用无人机航测森林模型，得到森林模型估测模型；

通过所述森林模型估测模型，得到所述被覆盖特征。

优选的，得到所述森林模型估测模型的方法包括：

使用无人机航测森林模型，估测点云模型，生成点云数据；

通过对所述点云数据进行后处理，得到三维模型，建立所述森林模型估测模型。

优选的，所述模型假设模块包括：无人机简化模型和障碍物简化模型；

所述无人机简化模型为长方体，用于更好地判断其位置以规避碰撞山体的风险；

所述障碍物简化模型为不同高度的单峰函数。

优选的，所述信息素更新模块的工作流程包括：使用蚁群算法来获得所述基础最优路线。

优选的，所述状态转移概率模块的工作流程包括：采用状态转移概率规则，使用伪随机的方法优化所述基础最优路线，避免进入局部最优的陷阱，得到所述最优路线。

本申请还提供了一种复杂环境的工程选线优化方法，步骤包括：

采集施工现场数据，所述现场数据包括：前期数据标准、地形数据和植被覆盖特征；

根据所述施工现场数据获取施工现场模型；

根据所述施工现场模型，获取基础最优路线；

优化所述基础最优路线，得到最优路线。

与现有技术相比，本申请的有益效果如下：

本申请基于无人机三维地形重构技术得到三维地形数据，使用选线优化改进算法，准确表述寻找最佳路径的过程特点。利用三维成像，将上述最佳路径转化为与实际施工现场更为拟合的立体图像，加大施工现场的准确性，降低人力物力成本，提高工作效率。

附图说明

为了更清楚地说明本申请的技术方案，下面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申请的一些实施例，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为本申请***结构示意图；

图2为本申请地形数据的采集流程示意图；

图3为本申请无人机航测森林采集的数据生成的点云示意图；

图4为本申请无人机简化模型示意图；

图5为本申请无人机与山峰相对距离示意图；

图6为本申请方法流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为使本申请的上述目的、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申请作进一步详细的说明。

如图1所示，为申请***结构示意图，包括：多特征数据集选择模块、模型假设模块、信息素更新模块和状态转移概率模块；其中，多特征数据集选择模块用于采集施工现场数据；模型假设模块用于根据施工现场数据获取施工现场模型；信息素更新模块用于根据施工现场模型，获取基础最优路线；状态转移概率模块用于优化基础最优路线，得到最优路线。

首先，利用多特征数据集选择模块采集施工现场数据，包括：前期数据标准、地形数据和植被覆盖特征。多特征数据集选择模块选用测量设备为配备着2000万像素变焦相机、1200万像素广角相机、1200米激光测距仪、640×512热成像相机的无人机，例如大疆H20T。

对于前期数据标准采集，包括进场道路、场内道路、道路纵坡和道路曲面设计原则。其中，场外道路主要利用已有国家、省(自治区、直辖市)、市、县、乡镇等级道路和市政道路，遵循中国国电集团公司风电场道路设计标准。

如图2所示，地形数据的采集方法包括利用无人机倾斜摄影测量技术，无人机倾斜摄影测量技术包括内外业两大部分：外业部分包括提前踏勘作业区域、布设像控点图标与像控点数据采集、设计无人机的飞行路线、设置相关飞行参数、对飞行获取的照片质量要进行查看确保质量合格；内业部分包括照片格式转换等预备工作、导入相片和POS数据、利用外业布设的像控点进行空三加密、三维建模、生成DOM/DSM/点云数据、三维测图、制作DLG、精度评定、外业调绘、内业编辑、提交成果。

有关植被覆盖特征，为无人机航测森林模型估测点云模型。使用无人机平台配备的激光雷达配合光学相机在指定航飞范围划定的航线上快速航飞，生成点云数据，如图3所示，通过后处理得到三维模型。建立无人机航测森林模型估测模型，实现区域内林木数量统计。获取包括森林分布范围、树高、胸径、生物量、蓄积量和碳储量等数据量的测算。通过搭载多源无人机载荷，提取森林经营信息因子，如树高、冠幅和郁闭度等测树因子。实现目标区域范围内森林资源信息的快速、高效和低成本地获取。基于纹理纹理度量驱动提取方法，利用纹理衡量算法把不同景物从影像中进行区分并提取目标区域，实现区域内林木物种划分标记效果。分层提取林木，拟合目标物体轮廓并完成目标提取。

之后根据多特征数据集选择模块采集到的施工现场数据来模拟施工现场，利用模型假设模块制作施工现场模型。模型假设模块包括：无人机简化模型和障碍物简化模型。其中，无人机的模型简化如图4所示，整个简化模型的过程中共需要十三个参数，分别是：x(无人机长度)、y(无人机宽度)、z(无人机高度)(单位：cm)；θ极点和任意点组成的直线与z轴正方向的夹角(单位：度)；是通过z轴和空间任意点的平面与坐标面ZOX所构成的角(单位：度)；(x,y)表示第个山峰上点处的高度(单位：m)；k₁和k₂为2个用来改变山峰的形状和大小的可调整参数；x_i和y_i表示山峰中心的横坐标和纵坐标；x_pi和y_pi则代表山峰i在x方向和y方向的坡度。

之后参考实地情况建立作业过程中无人机与山峰的相对位置模型，如图5所示。

S1.输入实设参数：x、y、z为无人机长度、宽度和高度(单位：cm)；θ极点和任意点组成的直线与z轴正方向的夹角(单位：度)；是通过z轴和空间任意点的平面与坐标面ZOX所构成的角(单位：度)；k₁和k₂为2个用来改变山峰的形状和大小的可调整参数；x_i和y_i表示山峰中心的横坐标和纵坐标；x_pi和y_pi则代表山峰i在x方向和y方向的坡度。

S2.计算无人机模型对角线长度，计算公式:

S3.将无人机放置于以其体对角线的一半作为半径的球体中，以无人机中心坐标当前位置为原点，建立极坐标系，引入球体的极坐标公式。计算公式：

S4.计算第i个山峰上点(x,y)处的高度，即纵坐标，计算公式：

S5.当满足公式4时，球体上任意一点(x，y，z)都不在山峰表面或内部时，就能够保证在任何情况下无人机都不会与山峰发生碰撞。计算公式：

R(x，y，z)＞Z_i(x，y) (4)

信息素更新模块根据施工现场模型和无人机与山峰的相对位置关系，利用蚁群算法获取基础最优路线。信息素相当于蚂蚁之间交流的信号，信息素浓度与路径的长度成负相关，即信息素浓度较高表示路径较短。从出发地到目的地的路程中有不同的路径，每条路径被选择的概率相同。即初始时刻每条路径上的信息素浓度是相等的。每只蚂蚁在通往目的地的过程中都会释放信息素，同时也能感受到其他的蚂蚁释放的信息素。后续的蚂蚁会有较高的概率选择高浓度信息素的路径。如此形成一个正反馈的机制，进而迭代循环寻找最优路径。

选择路径的过程中不仅伴随着信息素的释放，同时还伴随有信息素的挥发。所有的蚂蚁完成一次循环后，各个节点间的信息素浓度需要进行更新。

信息素更新公式如下：

式中，参数ρ为信息素的挥发因子；为第k只蚂蚁在节点i与节点j连接路径上释放的信息素浓度；Δτ_ij为所有蚂蚁在节点i与节点j连接路径上释放的信息素浓度之和；Q为常数，表示蚂蚁循环一次所释放的信息素总量；L_k为第k只蚂蚁走过路径的长度。

通常蚂蚁选择信息素浓度大的路径作为下一步前进的道路，在迭代的过程中，蚂蚁根据每个路径上的信息素浓度来进行路径选择，转移的方向决定着最终寻优结果的优劣。但是这样可能会陷入局部最优的陷阱。所以，当计算出每个可去节点概率时，路径的选择采用状态转移概率规则，使用伪随机的方法避免这种情况出现。

利用状态转移概率模块来进行转移概率，工作流程包括：假设节点i与节点j的距离为d_ij，t时刻节点i与节点j连接路径上的信息素浓度为τ_ij(t)，且初始时刻，各个节点连接路径上的信息素浓度一样，即τ_ij(0)＝τ₀。

计算t时刻蚂蚁k从节点i到节点j的概率计算公式包括：

式中，η_ij(t)为启发函数；allow_k(k＝1，2,...,m)为可选择节点的集合，α为信息因子，其值越大，表示信息素的浓度在转移中起的作用越大；β为启发因子，表示启发函数在转移中起的作用越大，即蚂蚁会高概率选择距离短的节点。

由此选出复杂环境工程的最优路线。

实施例二

如图6所示，为本申请方法流程示意图，步骤包括：

S1.采集施工现场数据，现场数据包括：前期数据标准、地形数据和植被覆盖特征。

在本实施例中，利用多特征数据集选择模块来采集现场数据，现场数据包括：前期数据标准、地形数据和植被覆盖特征；前期数据标准包括：进场道路、场内道路、道路纵坡和道路曲面设计原则。其中，场外道路主要利用已有国家、省(自治区、直辖市)、市、县、乡镇等级道路和市政道路，遵循中国国电集团公司风电场道路设计标准。

之后利用无人机倾斜摄影测量技术采集地形数据，无人机倾斜摄影测量技术包括内外业两大部分：外业部分包括提前踏勘作业区域、布设像控点图标与像控点数据采集、设计无人机的飞行路线、设置相关飞行参数、对飞行获取的照片质量要进行查看确保质量合格；内业部分包括照片格式转换等预备工作、导入相片和POS数据、利用外业布设的像控点进行空三加密、三维建模、生成DOM/DSM/点云数据、三维测图、制作DLG、精度评定、外业调绘、内业编辑、提交成果。

利用无人机航测森林模型估测点云模型来获得植被覆盖特征。使用无人机平台配备的激光雷达配合光学相机在指定航飞范围划定的航线上快速航飞，生成点云数据，如图3所示，通过后处理得到三维模型。建立无人机航测森林模型估测模型，实现区域内林木数量统计。

S2.根据施工现场数据获取施工现场模型。

在本实施例中，利用模型假设模块来根据采集到的施工现场数据来模拟施工现场，之后参考实地情况建立作业过程中无人机与山峰的相对位置模型。

S3.根据施工现场模型，获取基础最优路线。

之后，本实施例利用信息素更新模块根据施工现场模型和无人机与山峰的相对位置关系，利用蚁群算法获取基础最优路线。信息素相当于蚂蚁之间交流的信号，信息素浓度与路径的长度成负相关，即信息素浓度较高表示路径较短。从出发地到目的地的路程中有不同的路径，每条路径被选择的概率相同。即初始时刻每条路径上的信息素浓度是相等的。每只蚂蚁在通往目的地的过程中都会释放信息素，同时也能感受到其他的蚂蚁释放的信息素。后续的蚂蚁会有较高的概率选择高浓度信息素的路径。如此形成一个正反馈的机制，进而迭代循环寻找最优路径。

S4.优化基础最优路线，得到最优路线。

在本实施例中，通常蚂蚁选择信息素浓度大的路径作为下一步前进的道路，在迭代的过程中，蚂蚁根据每个路径上的信息素浓度来进行路径选择，转移的方向决定着最终寻优结果的优劣。但是这样可能会陷入局部最优的陷阱。所以，为避免这种情况出现，当计算出每个可去节点概率时，采用状态转移概率规则，利用状态转移概率模块使用伪随机的方法来选择路径。

以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (7)

1.一种复杂环境的工程选线优化***，其特征在于，包括：多特征数据集选择模块、模型假设模块、信息素更新模块和状态转移概率模块；

所述多特征数据集选择模块用于采集施工现场数据；所述施工现场数据包括：前期数据标准采集、地形数据采集和植被覆盖特征采集；所述模型假设模块用于根据所述施工现场数据获取施工现场模型；所述模型假设模块包括：

无人机简化模型和障碍物简化模型；

所述无人机简化模型为长方体，用于更好地判断其位置以规避碰撞山体的风险；

所述障碍物简化模型为不同高度的单峰函数；具体步骤包括：

S1.输入实设参数：x、y、z为无人机长度、宽度和高度，单位：cm；θ极点和任意点组成的直线与z轴正方向的夹角，单位：度；φ是通过z轴和空间任意点的平面与坐标面ZOX所构成的角，单位：度；和/>为2个用来改变山峰的形状和大小的可调整参数；x _i 和y _i 表示山峰中心的横坐标和纵坐标；x _pi 和y _pi 则代表山峰i在x方向和y方向的坡度；

S2.计算无人机模型对角线长度，计算公式:

(1)

S3.将无人机放置于以其体对角线的一半作为半径的球体中，以无人机中心坐标当前位置为原点，建立极坐标系，引入球体的极坐标公式，计算公式：

(2)

S4.计算第i个山峰上点（x,y）处的高度，即纵坐标，计算公式：

(3)

S5.当满足公式4时，球体上任意一点（x,y,z）都不在山峰表面或内部时，就能够保证在任何情况下无人机都不会与山峰发生碰撞，计算公式：

(4)

所述信息素更新模块用于根据所述施工现场模型，获取基础最优路线；

所述状态转移概率模块用于优化所述基础最优路线，得到最优路线。

2.根据权利要求1所述的复杂环境的工程选线优化***，其特征在于，所述前期数据标准包括：进场道路和场内道路设计原则。

3.根据权利要求1所述的复杂环境的工程选线优化***，其特征在于，获取所述植被覆盖特征的方法包括：

利用无人机航测森林模型，得到森林模型估测模型；

通过所述森林模型估测模型，得到所述被覆盖特征。

4.根据权利要求3所述的复杂环境的工程选线优化***，其特征在于，得到所述森林模型估测模型的方法包括：

使用无人机航测森林模型，估测点云模型，生成点云数据；

通过对所述点云数据进行后处理，得到三维模型，建立所述森林模型估测模型。

5.根据权利要求1所述的复杂环境的工程选线优化***，其特征在于，所述信息素更新模块的工作流程包括：使用蚁群算法来获得所述基础最优路线。

6.根据权利要求5所述的复杂环境的工程选线优化***，其特征在于，所述状态转移概率模块的工作流程包括：采用状态转移概率规则，使用伪随机的方法优化所述基础最优路线，避免进入局部最优的陷阱，得到所述最优路线。

7.一种复杂环境的工程选线优化方法，其特征在于，步骤包括：

采集施工现场数据，所述施工现场数据包括：前期数据标准、地形数据和植被覆盖特征；

根据所述施工现场数据获取施工现场模型；所述施工现场模型包括：无人机简化模型和障碍物简化模型；

所述无人机简化模型为长方体，用于更好地判断其位置以规避碰撞山体的风险；

所述障碍物简化模型为不同高度的单峰函数；具体步骤包括：

S1.输入实设参数：x、y、z为无人机长度、宽度和高度，单位：cm；θ极点和任意点组成的直线与z轴正方向的夹角，单位：度；φ是通过z轴和空间任意点的平面与坐标面ZOX所构成的角，单位：度；和/>为2个用来改变山峰的形状和大小的可调整参数；x _i 和y _i 表示山峰中心的横坐标和纵坐标；x _pi 和y _pi 则代表山峰i在x方向和y方向的坡度；

S2.计算无人机模型对角线长度，计算公式:

(1)

S3.将无人机放置于以其体对角线的一半作为半径的球体中，以无人机中心坐标当前位置为原点，建立极坐标系，引入球体的极坐标公式，计算公式：

(2)

S4.计算第i个山峰上点（x,y）处的高度，即纵坐标，计算公式：

(3)

S5.当满足公式4时，球体上任意一点（x,y,z）都不在山峰表面或内部时，就能够保证在任何情况下无人机都不会与山峰发生碰撞，计算公式：

(4)

根据所述施工现场模型，获取基础最优路线；

优化所述基础最优路线，得到最优路线。