CN117308969B - 一种启发式快速探索随机树的电力杆塔三维航线规划方法 - Google Patents
一种启发式快速探索随机树的电力杆塔三维航线规划方法 Download PDFInfo
- Publication number
- CN117308969B CN117308969B CN202311259360.9A CN202311259360A CN117308969B CN 117308969 B CN117308969 B CN 117308969B CN 202311259360 A CN202311259360 A CN 202311259360A CN 117308969 B CN117308969 B CN 117308969B
- Authority
- CN
- China
- Prior art keywords
- point
- dimensional
- target
- route
- heuristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 96
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000001816 cooling Methods 0.000 claims description 18
- 238000002922 simulated annealing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Astronomy & Astrophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种启发式快速探索随机树的电力杆塔三维航线规划方法,涉及电力杆塔巡检技术领域,步骤如下:S1、通过无人机获取电力杆塔三维点云,进行三维建模;S2、提前获取电力杆塔关键部件的空间位置,作为无人机在航线途中需要悬停拍照的中间目标点,构成航线规划约束点;S3、采用基于RRT的启发式三维航线规划算法,规划无人机巡检电力杆塔的三维航线,本发明采用上述步骤的一种启发式快速探索随机树的电力杆塔三维航线规划方法,集成启发式搜索策略进行代价函数设计,加速算法收敛,确保航线最优,同Goal‑Bias RRT算法与改进的RRT*算法相比,本方法针对电力杆塔所规划的无碰撞三维航线,具有稳定可靠的最短路径长度,能够满足智能监测的应用需求。
Description
技术领域
本发明涉及电力杆塔巡检技术领域,尤其是涉及一种启发式快速探索随机树的电力杆塔三维航线规划方法。
背景技术
电力杆塔作为输电线路的支柱,长期暴露在野外环境中,容易发生塔身倾斜、金具磨损腐蚀等现象,影响电能正常传输,因此开展电力杆塔运行状态的监测分析与故障诊断工作显得尤为必要。然而传统的人工巡检工作量大、条件艰苦且效率低下,给电力运维人员增加了很大负担,因此提升电力***的智能化巡检水平迫在眉睫。近年来,随着无人机技术的广泛应用与人工智能技术的快速发展,电力运维部门开始尝试通过无人机搭载各类传感装置对电力杆塔等电力目标物体进行信息采集和监测。无人机巡检正逐步成为辅助人工巡检、提升电网智能化运维水平的重要手段。
无人机航线规划方法是无人机巡检的前提和关键,需要依据巡检地区、周围环境、巡检任务要求等合理规划无障碍三维飞行航线。目前适合无人机的在线三维航线规划方法主要包括以下3类:基于采样的算法,如快速探索随机树(rapidly exploring randomtrees,RRT)系列、人工势场系列、Voronoi图系列和概率路线图系列等;基于节点的优化算法,如Djistia算法、A*算法等;融合算法,如基于A*算法和动态窗口算法的无人机路径规划。
Goal-Bias RRT算法的搜索过程如图1所示。Goal-Bias RRT算法通过构建随机树对空间进行快速搜索,用碰撞检测验证轨迹的可行性,并保证轨迹通过所有中间目标点,相较于其他规划算法应用更为广泛。但其随机采样的过程中,节点利用率低、随机性高,无法保证结果的最优性。RRT*算法是Goal-Bias RRT算法的改进和优化,RRT*与Goal-Bias RRT的主要区别在于RRT*算法引入了对新生成节点相邻节点的搜索,目的是选择低代价的父节点,除此之外还有重新布线的过程进一步减小路径代价,是解决高维的最优路径规划问题的一个突破性的方法。RRT*算法是渐进优化的,若给定足够的运行时间,RRT*算法总是收敛到最优解。RRT*算法在一定程度上解决了Goal-Bias RRT算法的优化问题,但是搜索新的父节点和重新布线过程也使得算法的效率大大降低。
发明内容
本发明的目的是提供一种启发式快速探索随机树的电力杆塔三维航线规划方法,集成启发式搜索策略进行代价函数设计,加速算法收敛,确保航线最优,同Goal-Bias RRT算法与改进的RRT*算法相比,本方法针对电力杆塔所规划的无碰撞三维航线,具有稳定可靠的最短路径长度,能够满足智能监测的应用需求。
为实现上述目的,本发明提供了一种启发式快速探索随机树的电力杆塔三维航线规划方法,步骤如下:
S1、通过无人机获取电力杆塔三维点云,进行三维建模;
S2、提前获取电力杆塔关键部件的空间位置,作为无人机在航线途中需要悬停拍照的中间目标点,构成航线规划约束点;
S3、基于RRT的启发式三维航线规划算法,规划无人机巡检电力杆塔的三维航线,算法的具体步骤如下:
(1)输入起点p和所有目标控制点;
(2)计算p点到以p点为中心的高度为d的窗口中的目标控制点x的距离g(x,p),x为航线目标点集中的一个目标点;
(3)设定L_0为初始解,使用模拟退火计算每个x点经过其余所有目标控制点到终点的最短距离h(x,tar),并令L_0=L;
(4)取F(x,p)=min(g(x,p)+h(x,tar))的点x作为下一步搜索方向,记为p+1点,g(x,p)表示当前点p距离目标点x的实际代价;h(x,tar)为启发函数,表示从目标点x到终点tar的估计代价;F(x,p)为从当前点p经过目标点x到达终点的总代价;
(5)进行随机树扩展,生成以当前点p为起点,以p+1为终点的一条无碰撞最短路径;
(6)在目标控制点集中移除p点;
(7)若目标控制点集为空,则算法结束,输出最优路径;
(8)若目标控制点集不为空,令p=p+1,循环步骤(2)—(7)。
优选的,S2中获取中间目标点的具体步骤包括:基于S1获得的电力杆塔三维点云数据,人工辅助识别直线和角点,并在角点间增加插值点,以角点和所有插值点为起点,沿着法线方向,向外延伸一定的安全距离,形成无人机航线途中需要悬停拍照的目标点。
优选的,在第一次启发式搜索确定方向时,以随即目标点序列作为模拟退火的初始路径,过程中适当降低降温速率以有效跳出局部最优解;一次计算得到相对有序的目标点序列后,以其作为后续启发式搜索中模拟退火的初始路径,适当提高降温速率以提高求解速率。
因此,本发明采用上述步骤的一种启发式快速探索随机树的电力杆塔三维航线规划方法,针对Goal-Bias RRT算法在三维空间中搜索的随机性导致产生的路径在高度上具有的跳跃性问题,通过融合启发式搜索策略进行代价函数设计,对随机搜索进行约束,为路径规划指导搜索方向;针对模拟退火带来的随机性、次优性与误差积累,导致产生的路径在水平方向上不同侧面的循环跳跃问题,通过采用初始化引导的模拟退火,重新计算优化路径搜索方向,进一步优化路径。本发明不仅能够提高Goal-Bias RRT算法的收敛稳定性,而且可以确保航线满足路径长度较优。在实际场景下,为了解决由于目标点数量激增导致的算法效率降低问题,在不同阶段的搜索过程中,采用最优动态降温速率组,进一步提高算法效率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为Goal-Bias RRT算法的过程示意图;
图2为本发明实施例1的流程示意图;
图3为本发明实施例1的电力杆塔三维点云示意图;
图4为本发明实施例1的三维点云中直线、角点、插值点示意图;
图5为本发明实施例1的基于RRT的启发式三维航线规划算法流程图;
图6为本发明实施例2的仿真环境下在30个随机点的实验中规划的路径,(a)基于Goal-Bias RRT算法;(b)基于RRT*算法;(c)基于本文算法。
图7为本发明实施例2的仿真环境下在70个随机点的实验中规划的路径,(a)基于Goal-Bias RRT算法;(b)基于RRT*算法;(c)基于本文算法。
图8为本发明实施例3的降温速率参数变化图,(a)为运行时间变化图,(b)为路径长度变化图;
图9为本发明实施例3的实际场景下杆塔1的规划路径图,(a)基于Goal-Bias RRT算法;(b)基于RRT*算法;(c)基于本文算法。
图10为本发明实施例3的实际场景下杆塔2的规划路径图,(a)基于Goal-Bias RRT算法;(b)基于RRT*算法;(c)基于本文算法。
图11为本发明实施例3的实际场景下杆塔3的规划路径图,(a)基于Goal-Bias RRT算法;(b)基于RRT*算法;(c)基于本文算法。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
实施例1
如图2所示,一种启发式快速探索随机树的电力杆塔三维航线规划方法,步骤如下:
S1、通过无人机获取电力杆塔三维点云,进行三维建模,如图3所示。
S2、提前获取电力杆塔关键部件的空间位置,作为无人机在航线途中需要悬停拍照的中间目标点,构成航线规划约束点。
如图4所示,获取中间目标点的具体步骤包括:基于S1获得的电力杆塔三维点云数据,人工辅助识别直线和角点,并在角点间增加插值点,以角点和所有插值点为起点,沿着法线方向,向外延伸一定的安全距离,形成无人机航线途中需要悬停拍照的目标点。
S3、采用基于RRT的启发式三维航线规划算法,规划无人机巡检电力杆塔的三维航线,启发式搜索是基于深度优先搜索和广度优先搜索,并受到已有知识经验的启发而得到的一种方案较优的搜索策略,其利用问题拥有的启发信息来引导搜索,达到减少搜索的盲目性、提高搜索的可行性和搜索效率的目的。本发明基于启发函数构建代价函数,既考虑了新状态与旧状态距离的代价,又考虑了新状态与目标状态距离的代价。代价函数:
F(x,p)=min(g(x,p)+h(x,tar))
式中:x为航线目标点集中的一个目标点;g(x,p)表示当前点p距离目标点x的实际代价;h(x,tar)为启发函数,表示从目标点x到终点tar的估计代价;F(x,p)为从当前点p经过目标点x到达终点的总代价,其最优化的必要条件为从x点到终点tar的估计代价h(x,tar)不大于实际代价。
如图5所示,算法的具体步骤如下:
(1)输入起点p和所有目标控制点。
(2)计算p点到以p点为中心的高度为d的窗口中的目标控制点x的距离g(x,p),x为航线目标点集中的一个目标点。
(3)设定L_0为初始解,使用模拟退火计算每个x点经过其余所有目标控制点到终点的最短距离h(x,tar),并令L_0=L;采用模拟退火算法对h(x,tar)进行估计,核心思想是以一定概率接受比当前解更差的解,并用这个更差的解继续搜索,防止算法陷入局部最优。
(4)取F(x,p)=min(g(x,p)+h(x,tar))的点x作为下一步搜索方向,记为p+1点,依据目标函数最小化原则,计算得到有序目标点序列,寻找序列中当前点p的下一个点x作为下一步搜索的方向。此外,到达x点后,利用在点p上计算的有序目标点序列作为在点x上计算的初始值,有效解决了模拟退火算法带来的随机性,且对该有序目标点序列进行进一步优化。
(5)进行随机树扩展,生成以当前点p为起点,以p+1为终点的一条无碰撞最短路径;
(6)在目标控制点集中移除p点;
(7)若目标控制点集为空,则算法结束,输出最优路径;
(8)若目标控制点集不为空,令p=p+1,循环步骤(2)—(7)。
实施例2
在Matlab软件中建立三维仿真环境进行实验,加载显示以原点为中心、高为70m的三维杆塔模型,围绕杆塔周围随机生成5组目标点,分别包含30、40、50、60、70个随机点,并设定无人机航线的起点,即图6、图7中最底端圆点。基于Goal-Bias RRT算法的实验结果如图6中的(a)、图7中的(a)所示,可以看到,随机树的扩展过程具有较高的随机性,搜索过程中存在远离目标点的情况,且在z轴方向上出现大幅度高低跳跃不断回旋的情况,最终生成的航线路径也存在大量冗余。这是因为Goal-Bias RRT算法本身并未考虑优化策略,所得到的航线路径也并非最优路径,这里主要作为基准参考路径用于验证本发明研究结果的有效性与实用性。基于RRT*算法随机树扩展过程如图6中的(b)、图7中的(b)所示,结果中路径不必要的转弯冗余问题得到了缓解,明显降低了搜索的随机性。
图6中的(c)与图7中的(c)展示了本发明方法的三维航线规划结果。相比于Goal-Bias RRT算法与RRT*算法,本方法保留了2个目标点之间搜索的随机性,有利于对空间的避障搜索,在此基础上,通过约束每一步需要到达的目标点,降低了空间搜索的随机性。此外,由于本发明方法在每个目标点上利用启发策略确定搜索方向时,以上一步计算得到的有序目标点序列为初始序列,能够降低模拟退火算法带来的随机性,也提高了算法的稳定性,同时进一步减少了对“无用”空间的搜索,从而最终提高了空间搜索的效率与航线路径的收敛速度,确保得到相对较优的航线路径。
表1展示了在仿真环境下,本发明方法与Goal-Bias RRT算法及RRT*算法的对比结果。总体而言,随着随机目标点数量的增加,相对于RRT算法与RRT*算法,本发明方法所规划的航线长度及方差的降低程度进一步增加,也就是说本方法的优势会更加明显。需要说明的是,航线长度方差旨在反映多次执行算法情况下得到的航线长度对于其期望值的偏离程度,用于揭示航线长度的稳定性。相比于Goal-Bias RRT算法的航线路径,本发明方法得到的航线长度相对比较稳定,航线长度的方差平均降低了99.94%,降低了随机性的影响;航线长度平均降低了62.02%,在30个随机点的实验中计算时间从0.12s增加到9.99s,尽管在航线计算时间上有所增加,但仍然可以接受。相比于RRT*算法的航线路径,本发明方法规划的航线长度平均降低了48.05%,航线长度的方差平均降低了99.94%,在30个随机点的实验中计算时间从2.51s增加到9.99s。
表1仿真环境下本方法与Goal-Bias RRT算法、RRT*算法的结果对比
实施例3
在实际场景中,本实施例选取广东汕尾市500kV输电线路下的3个不同电力杆塔。通过提取3个电力杆塔中的角点及插值点,分别得到292、128、122个目标点,并设定相应的无人机航线起点坐标。由于实际场景下目标点数量的急剧增加,导致本发明计算效率的降低,需要对算法参数进一步调优,即在模拟退火中采用动态降温速率,而非单一的静态降温速率。在第一次启发式搜索确定方向时,是以随机目标点序列作为模拟退火的初始路径,每次的降温过程代表接受次优解的概率逐渐下降,为了有效跳出局部最优解,需要适当降低降温速率;一次计算得到相对有序的目标点序列后,以其作为后续启发式搜索中模拟退火的初始路径,为了提高求解效率,需要适当提高降温速率。以α1为第一次模拟退火降温速率,α2为后续模拟退火降温速率,进行多组实验,根据算法运行效果与效率,绘制降温速率参数变化图,如图8所示,可见,选择最优降温速率参数组合α1=0.998,α2=0.75,算法运行时间为54.24s,最优路径长度为1020.51m;然而,如果采用相同的降温速率α=0.95,算法运行的平均时间为255.62s,最优路径的平均长度为1107.88m。可见,选择合适降温速率参数组既提高了算法运行效率,又保持了较优的路径搜索结果。
图9中的(a)、图10中的(a)与图11中的(a)展示了实际场景下针对3种不同电力杆塔Goal-Bias RRT算法航线规划的结果,其在三维空间中存在大量高低跳跃的冗余路径,且随着目标点的增多,冗余路径比例也随之增加;图9中的(b)、图10中的(b)与图11中的(b)展示了实际场景下针对3种不同电力杆塔RRT*算法航线规划的结果,可见冗余路径得到了一定程度的缓解;图9中的(c)、图10中的(c)与图11中的(c)展示了在动态参数合理设置下本发明方法的规划结果,相比于Goal-Bias RRT算法与RRT*算法,3种不同电力杆塔的三维航线均具有优势,由于启发式搜索为路径规划方向,减少了航线在垂直方向上的高低跳跃,同时由于多次有初始化的模拟退火,在每次规划搜索方向时都优化上一个存在误差的解,减少了航线在水平方向上不同侧面的循环跳跃。
表2展示了在实际场景下,本发明方法与Goal-Bias RRT算法及RRT*算法的定量对比,显示了本发明方法对不同杆塔航线规划结果的稳定性与优越性。具体而言,RRT*算法的规划航线长度相比于Goal-Bias RRT算法规划的航线长度平均降低了30.56%,但计算时间上从1.99s增加到75.10s;而本发明方法规划的航线长度相比于Goal-Bias RRT算法与RRT*算法规划的航线长度分别平均降低了71.51%与58.98%,航线长度的方差分别平均降低了99.69%与99.83%。然而,在计算时间方面,本发明方法平均需要19.64s,相比于GoalBiasRRT算法的1.99s有所增加,但是相比RRT*算法的75.10s有大幅度降低。需要说明的是,本发明方法的计算时间基本控制在30s之内,能满足实际场景下的应用需求。
表2实际场景下本方法与Goal-Bias RRT算法、RRT*算法的结果对比
在实际场景下,为了解决由于目标点数量激增导致的算法效率降低问题,本发明在不同阶段的搜索过程中,采用最优动态降温速率组,进一步提高算法效率。在仿真环境下和实际场景下进行了实验,实验结果表明,相比于Goal-Bias RRT算法及改进的RRT*算法,本发明方法规划出的路径长度不仅稳定可靠而且长度较短,能够为电力杆塔运行状态的有效监测与故障诊断提供辅助支撑。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (2)
1.一种启发式快速探索随机树的电力杆塔三维航线规划方法,其特征在于:步骤如下:
S1、通过无人机获取电力杆塔三维点云,进行三维建模;
S2、提前获取电力杆塔关键部件的空间位置,作为无人机在航线途中需要悬停拍照的中间目标点,构成航线规划约束点;S2中获取中间目标点的具体步骤包括:基于S1获得的电力杆塔三维点云数据,人工辅助识别直线和角点,并在角点间增加插值点,以角点和所有插值点为起点,沿着法线方向,向外延伸一定的安全距离,形成无人机航线途中需要悬停拍照的目标点;
S3、采用基于RRT的启发式三维航线规划算法,规划无人机巡检电力杆塔的三维航线,算法的具体步骤如下:
(1)输入起点p和所有目标控制点;
(2)计算p点到以p点为中心的高度为d的窗口中的目标控制点x的距离g(x,p),x为航线目标点集中的一个目标点;
(3)设定L_0为初始解,使用模拟退火计算每个x点经过其余所有目标控制点到终点的最短距离h(x,tar),并令L_0=L;
(4)取F(x,p)=min(g(x,p)+h(x,tar))的点x作为下一步搜索方向,记为p+1点,g(x,p)表示当前点p距离目标点x的实际代价;h(x,tar)为启发函数,表示从目标点x到终点tar的估计代价;F(x,p)为从当前点p经过目标点x到达终点的总代价;
(5)进行随机树扩展,生成以当前点p为起点,以p+1为终点的一条无碰撞最短路径;
(6)在目标控制点集中移除p点;
(7)若目标控制点集为空,则算法结束,输出最优路径;
(8)若目标控制点集不为空,令p=p+1,循环步骤(2)—(7)。
2.根据权利要求1所述的一种启发式快速探索随机树的电力杆塔三维航线规划方法,其特征在于:S3中,当目标点数量急剧增加时,在模拟退火计算中采用动态降温速率,具体步骤为:在第一次启发式搜索确定方向时,以随即目标点序列作为模拟退火的初始路径,过程中适当降低降温速率以有效跳出局部最优解;一次计算得到相对有序的目标点序列后,以其作为后续启发式搜索中模拟退火的初始路径,适当提高降温速率以提高求解速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311259360.9A CN117308969B (zh) | 2023-09-27 | 2023-09-27 | 一种启发式快速探索随机树的电力杆塔三维航线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311259360.9A CN117308969B (zh) | 2023-09-27 | 2023-09-27 | 一种启发式快速探索随机树的电力杆塔三维航线规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117308969A CN117308969A (zh) | 2023-12-29 |
CN117308969B true CN117308969B (zh) | 2024-05-14 |
Family
ID=89261548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311259360.9A Active CN117308969B (zh) | 2023-09-27 | 2023-09-27 | 一种启发式快速探索随机树的电力杆塔三维航线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117308969B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN110083173A (zh) * | 2019-04-08 | 2019-08-02 | 合肥工业大学 | 无人机编队巡检任务分配的优化方法 |
CN110609569A (zh) * | 2019-09-26 | 2019-12-24 | 温岭市非普电气有限公司 | 一种应用于电力杆塔的自主控制无人机精准巡检***和方法 |
CN110727288A (zh) * | 2019-11-13 | 2020-01-24 | 昆明能讯科技有限责任公司 | 一种基于点云的电力巡检精准三维航线规划方法 |
CN113110521A (zh) * | 2021-05-26 | 2021-07-13 | 中国科学技术大学 | 移动机器人路径规划控制方法及其控制装置、存储介质 |
CN114610026A (zh) * | 2022-03-04 | 2022-06-10 | 广东电网有限责任公司广州供电局 | 集中式汽车充电站接入配电网的线路规划方法、***及介质 |
CN115629617A (zh) * | 2022-10-25 | 2023-01-20 | 北京拓维思科技有限公司 | 一种无人机塔杆巡检航线自动规划方法 |
CN116149355A (zh) * | 2022-12-05 | 2023-05-23 | 国网福建省电力有限公司电力科学研究院 | 一种输电运维无人机巡视航线规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018095278A1 (zh) * | 2016-11-24 | 2018-05-31 | 腾讯科技(深圳)有限公司 | 飞行器的信息获取方法、装置及设备 |
US11231715B2 (en) * | 2018-05-22 | 2022-01-25 | King Fahd University Of Petroleum And Minerals | Method and system for controlling a vehicle |
-
2023
- 2023-09-27 CN CN202311259360.9A patent/CN117308969B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN110083173A (zh) * | 2019-04-08 | 2019-08-02 | 合肥工业大学 | 无人机编队巡检任务分配的优化方法 |
CN110609569A (zh) * | 2019-09-26 | 2019-12-24 | 温岭市非普电气有限公司 | 一种应用于电力杆塔的自主控制无人机精准巡检***和方法 |
CN110727288A (zh) * | 2019-11-13 | 2020-01-24 | 昆明能讯科技有限责任公司 | 一种基于点云的电力巡检精准三维航线规划方法 |
CN113110521A (zh) * | 2021-05-26 | 2021-07-13 | 中国科学技术大学 | 移动机器人路径规划控制方法及其控制装置、存储介质 |
CN114610026A (zh) * | 2022-03-04 | 2022-06-10 | 广东电网有限责任公司广州供电局 | 集中式汽车充电站接入配电网的线路规划方法、***及介质 |
CN115629617A (zh) * | 2022-10-25 | 2023-01-20 | 北京拓维思科技有限公司 | 一种无人机塔杆巡检航线自动规划方法 |
CN116149355A (zh) * | 2022-12-05 | 2023-05-23 | 国网福建省电力有限公司电力科学研究院 | 一种输电运维无人机巡视航线规划方法 |
Non-Patent Citations (3)
Title |
---|
Peng Xiao ; Shiyou Mu ; Yan Wen ; 等.Design of a Route Planning Method for Inspecting Distribution Network.2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC).2018,全文. * |
基于RRT算法的某型无人机航路在线规划设计;路引;郭昱津;王道波;;兵器装备工程学报;20161231;37(12);全文 * |
无人机倾斜摄影技术在电力巡线树障检测中的实践应用研究;周小红, 李向欢, 石蕾, 龙焕;电力大数据;20190831;第22卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117308969A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219998B (zh) | 一种基于改进双向informed-RRT*的车辆路径规划方法 | |
CN109343345B (zh) | 基于qpso算法的机械臂多项式插值轨迹规划方法 | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN108268042A (zh) | 一种基于改进可视图构造的路径规划算法 | |
CN112990538B (zh) | 一种山地光伏电站集电线路确定方法、装置及设备 | |
CN111426323B (zh) | 一种巡检机器人路线规划方法及装置 | |
CN114115271B (zh) | 一种改进rrt的机器人路径规划方法和*** | |
CN112270111A (zh) | 一种应对冰灾的电力***主动调度方法及*** | |
CN114489052A (zh) | 一种改进rrt算法重连策略的路径规划方法 | |
CN112947480A (zh) | 一种移动机器人路径规划方法、存储介质及*** | |
CN106981194B (zh) | 一种高速路网关键路段的识别方法 | |
CN114326726B (zh) | 一种基于a*与改进人工势场法的编队路径规划控制方法 | |
Chen et al. | Global path planning method by fusion of A-star algorithm and sparrow search algorithm | |
CN117308969B (zh) | 一种启发式快速探索随机树的电力杆塔三维航线规划方法 | |
CN111664851A (zh) | 基于序列优化的机器人状态规划方法、装置及存储介质 | |
Ewing et al. | Betweenness centrality in multi-agent path finding | |
CN114237302A (zh) | 一种基于滚动时域的三维实时rrt*航路规划方法 | |
Yu et al. | PMPSO: a near-optimal graph planarization algorithm using probability model based particle swarm optimization | |
CN117075632A (zh) | 一种变电站无人机巡视航线规划方法、装置、设备和介质 | |
CN115686064B (zh) | 一种基于改进a星算法的空投飞行器路径规划方法及*** | |
CN114911233A (zh) | 基于多优化快速拓展随机树的足球机器人路径规划方法 | |
CN116307325A (zh) | 一种配电网的线路规划方法、装置、电子设备及存储介质 | |
CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
CN116009552A (zh) | 一种路径规划方法、装置、设备及存储介质 |
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 |