CN117311381A - 一种基于车载移动机巢的多无人机智能巡检***及方法 - Google Patents
一种基于车载移动机巢的多无人机智能巡检***及方法 Download PDFInfo
- Publication number
- CN117311381A CN117311381A CN202311213254.7A CN202311213254A CN117311381A CN 117311381 A CN117311381 A CN 117311381A CN 202311213254 A CN202311213254 A CN 202311213254A CN 117311381 A CN117311381 A CN 117311381A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle
- formation
- inspection
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 39
- 244000144980 herd Species 0.000 claims abstract description 66
- 230000015572 biosynthetic process Effects 0.000 claims description 78
- 238000005755 formation reaction Methods 0.000 claims description 78
- 238000009304 pastoral farming Methods 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 244000144972 livestock Species 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 244000144992 flock Species 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 102000027426 receptor tyrosine kinases Human genes 0.000 description 7
- 108091008598 receptor tyrosine kinases Proteins 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及车载多无人机移动机巢和无人车‑无人机协同作业技术领域,具体为一种基于车载移动机巢的多无人机智能巡检***及方法,无人车内部由控制器负责***控制和数据传输,外部装配折叠光伏板、无人机精准降落装置和检测传感器,无人机编队由若干架多旋翼无人机组成,作业时,在无人车接收终端的巡检‑放牧信息指令后,运载无人机编队至最佳起飞位置,放牧和巡检无人机编队起飞执行任务后,无人车执行草地巡检任务,同时车载光伏板展开吸收太阳能并储存。无人机根据多种决策条件判断是否返航补给能源。任务完成后,无人机返回移动机巢,由无人车运载无人机编队自主返航,可显著提高牧场巡检和畜群管理的效率。
Description
技术领域
本发明涉及草原巡检放牧无人机-无人车技术领域,特别涉及一种基于车载移动机巢的多无人机智能巡检***及方法。
背景技术
本部分的陈述仅仅是提供了与本发明先关的背景技术,并不必然构成现有技术。
草原牧区面积广阔、地形复杂多变。牧群规模较大时,传统人工驱赶放牧需耗费大量人力物力。出现特殊情况如:畜群个体走散需寻回时、幼崽出生待搜寻时,牧民更需耗费更多精力和时间去处理突发状况。
无人机凭借着其控制稳定、远距检测、通信便捷的特点已经开始在畜群放牧管理和草地领域崭露头角。无人车在草地巡检所具有的灵活性、自主导航能力、大容量与长时间运行、多功能传感器集成和维护交互能力等优势,也让其成为该领域的重要工具。
发明人发现传统的巡检方法可能需要大量的人力和时间,以及可能受到地形和天气等因素的限制,而单独使用无人机或无人车,其航程和行驶范围可能受限。同时,草地生长监测需要综合不同传感器采集的数据。
由于草原牧场环境的复杂多变,无人机在起飞和降落方面存在困难。不仅存在地形和障碍物的挑战,还有可能受到风速、风向及天气变化等因素的影响。这些因素增加了无人机的操作难度,降低了其在草原巡检中的适用性和安全性。
同时,单架无人机的作业效率低下和续航能力不足也是限制其在该领域使用的问题。草原牧场广阔,巡检任务需要覆盖大面积的草地。然而,传统的无人机的作业时间有限,单次飞行所能覆盖的区域也相对有限。因此,需要频繁的充电或更换电池,大大降低了巡检任务的效率。
发明内容
为了解决现有技术的不足,本发明提供了一种基于车载移动机巢的多无人机智能巡检***及方法,支持多个无人机编队同时工作,支持车载无人机机巢精准降落和无人机接触式充电,放牧无人机编队自动变换队形实现对进食畜群的全方位检测以及“围三缺一”式的定向驱赶,巡检无人机编队配合无人车完成待巡检牧场的遥感数据和近距离采样数据获取,进而估算作业场地的放牧强度,判断改场地是否可作为下一阶段的放牧区域,增加了巡检的灵活性和覆盖范围,从而提高了效率和效能,也对牧场进行高效率、全面的覆盖监测,提供宝贵的放牧数据。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种基于车载移动机巢的多无人机智能巡检***及方法
一种基于车载移动机巢的多无人机智能巡检***,其中至少包括一辆无人车、若干架多旋翼无人机、落滑槽固定装置、多种检测传感器及折叠光伏板;
一种基于车载移动机巢的多无人机智能巡检***及其作业方法,包括以下过程;
根据终端发布的指令内容,无人车自行规划路线运载无人机编队至目标牧场;
根据待巡检牧场的位置、大小和放牧畜群的位置、数量来选择最佳的起飞地点、分配合适的巡检、放牧无人机数量和队形;
根据无人机电池容量、光伏板面积、巡检面积、飞行速度、返航距离,得到巡检无人机编队个体数量、单次巡检面积和返航补给时间;
根据巡检无人机编队空中获取的待巡检牧场的草地生长状况和地势信息,确定无人车的拍照采样点的位置、数量及间距;
根据无人机电池容量、起飞点与畜群的距离、待进食场地距离畜群的距离、飞行速度、畜群的数量、畜群进食时间和方向,确定放牧无人机编队个体数量、畜群行进路线、返航补给时间;
根据无人机和无人车之间的数据传输、高精度RTK定位、GPS/INS组合导航、AprilTag视觉引导定位***、降落滑槽固定装置和降落支架的充电触点,实现无人机编队的远距离返航指引和在无人车载移动机巢上的精准降落与能源补给
作为本发明第一方面进一步的限定,根据终端发布的指令内容,无人车自行规划路线运载无人机编队至目标牧场,包括:
根据终端发布的指令信息,如目标牧场的位置、巡检要求、放牧要求等,无人车控制***进行初步路线规划;
根据整片牧场的高程图地形信息,包括山丘、车辙、围栏等障碍物的位置和海拔变化,确定更为精准的路线规划;
根据无人车利用预设融合指令信息和牧场高程图,融合地形的可通行性、距离的最优化、障碍物的避让等因素,通过算法计算最佳的行进路线。
作为本发明第一方面进一步的限定,根据待巡检牧场的位置、大小和放牧畜群的位置、数量来选择最佳的起飞地点、分配合适的巡检、放牧无人机数量和队形,包括:
根据待巡检牧场和进食畜群的位置,确定最佳的无人机编队起飞地点;
根据待巡检牧场的形状、面积和作业时间,确定巡检无人机编队的队形、编队内无人机数量、飞行高度和飞行速度;
根据放牧畜群种类、个体的数量、进食速度、移动方向和预期进食牧场位置,确定放牧无人机编队的个体数量、飞行高度、传感器类型;
根据进食畜群的聚拢分散状况,确定无人机编队的全方位监测队形;
作为本发明第一方面进一步的限定,根据无人机电池容量、光伏板面积、巡检面积、飞行速度、返航距离,得到巡检无人机编队个体数量、单次巡检面积和返航补给时间,包括:
根据无人机的电池容量和飞行速度,可以计算出无人机单次巡检的最大飞行距离;
根据巡检面积和无人机单次巡检的最大飞行距离,可以确定所需的巡检无人机编队的个体数量和编队队形;
根据编队内每个无人机的光伏板面积和充电效率,可以估算出在巡检过程中无人机通过光伏板获取的电能;
当无人机完成一次巡检后,根据其剩余的电池容量和返航距离,可以预测无人机是否需要返回车载移动机巢进行补给充电。如果需要补给充电,根据返航距离和无人机的飞行速度,可以计算出所需的返航补给时间;
在巡检过程中,出现异常工况时,***会根据之前的计算预测下一个巡检目标所需的电量,改值是基于历史数据和巡检目标特征得出的估计值。***读取无人机的电池剩余电量,并将预留的返航电量从中减去,以获得可用的巡检电量,若剩余电量小于巡检所需电量,***会触发控制指令,要求无人机返航充电。
作为本发明第一方面进一步的限定,根据巡检无人机编队空中获取的待巡检牧场的草地生长状况和地势信息,确定无人车的拍照采样点的位置、数量及间距,包括:
利用无人机上搭载的高分辨率摄像头、激光雷达、高精度GPS或其他传感器,对待巡检牧场的草地进行信息采集,获取牧场地势信息,包括高度变化、地形起伏和图像信息。通过图像处理和分析算法,可以提取出草地的盖度、高度生长状况信息;
根据巡检无人机编队的飞行特性和传感器性能,综合考虑巡检效率和采样精度,通过飞行模拟和算法优化来得到最佳的编队布局和采样策略,确定采样点的数量和间距;
在作业过程中,无人机编队将按照预定的采样点位置和间距进行飞行,利用搭载的摄像头或其他传感器对草地进行拍照采样。采集到的图像数据可以进行后续分析和处理。
作为本发明第一方面进一步的限定,根据巡检无人机和无人车上装载传感器所获取的牧草长势、畜群数量、放牧时间、面积,确定该片牧场牧草的长势状况,估算得到该区域的放牧强度;
根据畜群进食草地和已巡检草地的牧草生长状况,确定是否进行畜群放牧驱赶;
作为本发明第一方面进一步的限定,根据无人机电池容量、起飞点与畜群的距离、待进食场地距离畜群的距离、飞行速度、畜群的数量、畜群进食时间和方向,确定放牧无人机编队个体数量、畜群行进路线、返航补给时间,包括:
根据畜群的数量、畜群进食时间和方向、待进食场地距离畜群的距离和地势信息,利用畜群对声响高度敏感的生理特性,通过放牧无人机编队实现“围三缺一”式的定向驱赶,使得进食畜群始终朝着目标牧场行;
根据驱赶过程中畜群的聚拢程度和行进速度,无人机自主调控飞行高度对畜群进行生理刺激,以满足目标需求;
若在驱赶行进过程中出现单个牲畜离群状况,可单独分配若干台无人机飞至高空进行大范围热红外检测。在寻得目标后,无人机降低高度协同驱赶至个体至畜群附近,个体即可自行归队。
作为本发明第一方面进一步的限定,根据无人机编队间的测控通信自组织网络***,实现组网内无人机间的链路通信、高速数传、立体随机接入,包括:
无人机编队个体间可通过射频全向通信或自由空间光定向通信实现通信连接,形成无人机自组网及分簇、分层自组网;
利用测控通信自组织网络***使编队中无人机节点可以通过单跳或多跳的方式共享数据资源和接受指令信息,具有快速灵活、可靠性强、抗毁灭性强的特点。
作为本发明第一方面进一步的限定,根据无人机和无人车之间的数据传输、高精度RTK定位、GPS/INS组合导航、AprilTag视觉引导定位***、降落滑槽固定装置和降落支架的充电触点,实现无人机编队的远距离返航指引和在无人车载移动机巢上的精准降落与能源补给,包括:
通过无人车的STM32H7控制器和无人机Pixhawk飞控板中的STM32F407控制器分别运行分布式计算工具ROS,实现无人机和无人车之间的通信连接;
通过分布式计算工具ROS,最大化利用***资源、高效处理多设备之间的同协任务,实现多无人机编队和无人车的多智能体协同作业;
通过Wi-Fi、4G-5G蜂窝网络、Zigbee、LoRa、NB-IoT、RE射频等无线通信网络,实现无人车和无人机之间的高速数据传输,包括指令信息、飞行参数、位置信息、图像数据;
利用RTK(实时差分全球定位***)技术,实现无人机和无人车实时位置信息的获取,并通过ROS的话题协议实现数据发布共享;
通过GPS/INS组合导航,以GPS信号为观测输入对INS的误差进行修正,有效解决GPS动态性能差、INS难以保持长时间保持高精度信息等问题,实现导航精度的提高、数据抵抗能力和动态性能的加强;
通过AprilTag视觉引导定位***,实现返航过程中检测到起飞点地标时执行视觉引导降落任务,实现无人机定点降落在起飞点地标上;
在无人车载移动机巢的降落滑槽上安装AprilTag识别码,无人机通过机器视觉模块(OpenMV)进行目标识别与信息提取,并利用机载的STM32F407处理器进行图像算法运算,将检测数据按通信协议封装成数据帧发送给飞控端,飞控***根据通信协议提取出地面目标的中心点像素坐标来完成自身位置估计;
通过自身位置估计信息,飞控***进一步调整无人机飞行姿态,当垂直悬停在降落点上方时,关闭视觉位置控制器同时控制无人机以定速下降;
降落滑槽结构是一个四周边缘平滑、中间凸起、连接处凹陷的的平台,其材质为航空级铝合金,由吸盘固定在无人车顶部,滑槽与平台呈一定角度,无人机降落时,重力会使得无人机支架沿着滑槽内壁滑动到指定的降落位置,并固定在对应的滑槽结构上;
在无人机降落触到滑槽后便可停止动力输出,并通过降落滑槽的凹槽式固定结构实现滑动位置修正与固定;
在无人车载移动机巢上设置有充电触点,在无人机降落固定后通过无人机底部支架上的充电触点与机巢上的充电触点磁吸式接触固定,完成电路连接,实现能源补给。
与现有技术相比,本发明的有益效果是:
1、本发明创新性的提出了一种基于车载移动机巢的多无人机智能巡检策略,在无人机编队执行巡检任务时,无人车可运载无人机至目标点附近,通过自身的车载光伏板获取并储存能源,无人机可根据无人车所传输的定位随时返航回机巢充电补给,使无人机连续执行作业任务,提高草地巡检效率。
2、本发明创新性的提出了一种基于车载移动机巢的多无人机智能巡检策略,支持多机起降巡检、能源补给、多机并发控制、协同作业以及无人机的精准降落,在进行大面积草场巡检作业时,可合理安排巡检无人机的编队队形和能源补给顺序进一步提高巡检效率。
3、本发明创新性的提出了一种基于车载移动机巢的多无人机智能巡检策略,通过基于智能生物集群的无人机集群协同飞行算法及任务规划算法,实现对进食畜群的全方位检生理测和驱赶路线的精准规划,提高畜群更换进食草地过程中行进路线的精准度,进而提高放牧效率。
4、本发明创新性的提出无人机编队间的测控通信自组织网络***,通过射频全向通信或自由空间光定向通信实现无人机编队内部的数据通信,并采用单跳或多跳的方式共享数据资源和指令信息,大幅提升了编队间数据传输的可靠性和抗毁灭性。
5、本发明创新性的通过STM32控制器、ROS平台、RTK、GPS/INS组合和AprilTag视觉引导定位***技术的融合利用,实现无人机与无人车之间的高速无线通信连接、指令分发,AprlTag视觉引导式返航降落和基于STM32图像处理分析的无人机姿态修正与降落控制。
6、本发明创新性的研制了一种多旋翼无人机移动机巢的滑槽降落结构,设计了一种无人机降落和固定触点式充电的底座,实现无人机与降落滑槽接触后自身位置的修正与固定,并同时实现降落支架与底座充电触点的精准接触,保证了无人机降落的精准性和稳定性,还实现了其与机巢更便捷稳定的固定充电。
7、本发明通过无人机和无人车的协同配合,实现了放牧无人机编队的全方位检测能力、定向驱赶功能,并提供了巡检任务的高效率和全面性。这项发明在草地巡检领域具有广阔的应用前景,可以为农业生产者提供更精确、高效和可靠的草地管理解决方案。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明提供的基于车载移动机巢的多无人机智能巡检***框架示意图;
图2为本发明提供的基于车载移动机巢的多无人机智能巡检***作业过程示意图;
图3为本发明提供的无人机精准降落过程示意图;
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将结合本申请实施例中的附图,对本申请实施例的技术方案进行描述。
请参阅图1,本申请提供的一种基于车载移动机巢的多无人机智能巡检***及其方法,应用于无人机编队和无人车之间多智能体协同作业,放牧无人机编队、巡检无人机编队和巡检无人车,所述巡检***及作业方法包括:
一种基于车载移动机巢的多无人机智能巡检方法,包括以下步骤:
S10、根据终端发布的指令,无人车自行规划路线并运载无人机编队至目标牧场;
S20、根据待巡检牧场的位置、大小和放牧畜群的位置、数量来选择最佳的起飞地点,并分配合适的巡检、放牧无人机数量和队形;
S30、根据无人机电池容量、光伏板面积、巡检面积、飞行速度和返航距离,计算得到巡检无人机编队个体数量、单次巡检面积和返航补给时间;
S40、根据巡检无人机编队空中获取的待巡检牧场的草地生长状况和地势信息,确定无人车的拍照采样点的位置、数量及间距;
S50、根据无人机电池容量、起飞点与畜群的距离、待进食场地距离畜群的距离、飞行速度、畜群的数量、畜群进食时间和方向,确定放牧无人机编队个体数量、畜群行进路线和返航补给时间;
S60、根据无人机编队间的测控通信自组织网络***,实现组网内无人机间的链路通信、高速数传、立体随机接入;
S70、根据无人机和无人车之间的数据传输、高精度RTK定位、GPS/INS组合导航、AprilTag视觉引导定位***、降落滑槽固定结构和降落支架的充电触点,实现无人机编队的远距离返航指引和在无人车载移动机巢上的精准降落与能源补给。
所述步骤S10中还包括:
S11、根据终端发布的指令信息,无人车控制***进行初步路线规划;
S12、根据整片牧场的高程图地形信息,确定更为精准的路线规划;
S13、根据无人车利用预设融合指令信息和牧场高程图,融合地形的可通行性、距离的最优化和障碍物的避让因素,通过算法计算最佳的行进路线。
所述步骤S20中还包括:
S21、根据待巡检牧场和进食畜群的位置,确定最佳的无人机编队起飞地点;
S22、根据待巡检牧场的形状、面积和作业时间,确定巡检无人机编队的队形、编队内无人机数量、飞行高度和飞行速度;
S23、根据放牧畜群种类、个体的数量、进食速度、移动方向和预期进食牧场位置,确定放牧无人机编队的个体数量、飞行高度和传感器类型;
S24、根据进食畜群的聚拢分散状况,确定无人机编队的全方位监测队形。
所述步骤S30中还包括:
S31、根据无人机的电池容量和飞行速度,计算出无人机单次巡检的最大飞行距离;
S32、根据巡检面积和无人机单次巡检的最大飞行距离,确定所需的巡检无人机编队的个体数量和编队队形;
S33、根据编队内每个无人机的光伏板面积和充电效率,估算出在巡检过程中无人机通过光伏板获取的电能;
S34、当无人机完成一次巡检后,根据其剩余的电池容量和返航距离,预测无人机是否需要返回车载移动机巢进行补给充电,如果需要补给充电,则根据返航距离和无人机的飞行速度,计算出所需的返航补给时间;
S35、在巡检过程中,出现异常工况时,***会根据之前的计算预测下一个巡检目标所需的电量,改值是基于历史数据和巡检目标特征得出的估计值,***读取无人机的电池剩余电量,并将预留的返航电量从中减去,以获得可用的巡检电量,若剩余电量小于巡检所需电量,***会触发控制指令,要求无人机返航充电。
所述步骤S40中还包括:
S41、利用无人机上搭载的高分辨率摄像头、激光雷达、RTK设备,对待巡检牧场的草地进行信息采集,获取牧场地势信息,通过图像处理和分析算法,提取出草地的盖度、高度生长状况信息;
S42、根据巡检无人机编队的飞行特性和传感器性能,综合考虑巡检效率和采样精度,通过飞行模拟和算法优化,得到最佳的编队布局和采样策略,确定采样点的数量和间距;
S43、无人机编队按照预定的采样点位置和间距进行飞行,利用搭载的摄像头对草地进行拍照采样,对所获得的图像数据信息进行分析和处理;
S44、根据巡检无人机和无人车上装载传感器所获取的牧草长势、畜群数量、放牧时间和面积,确定该片牧场牧草的长势状况,估算得到该区域的放牧强度;
S45、根据畜群进食草地和已巡检草地的牧草生长状况,确定是否进行畜群放牧驱赶。
所述步骤S50中还包括:
S51、根据畜群的数量、畜群进食时间和方向、待进食场地距离畜群的距离和地势信息,利用畜群对声响高度敏感的生理特性,通过放牧无人机编队实现“围三缺一”式的定向驱赶,使得进食畜群始终朝着目标牧场行;
S52、根据驱赶过程中畜群的聚拢程度和行进速度,无人机自主调控飞行高度对畜群进行生理刺激,以满足目标需求;
S53、若在驱赶行进过程中出现单个牲畜离群状况,单独分配若干台无人机飞至高空进行大范围热红外检测,在寻得目标后,无人机降低高度协同驱赶个体至畜群附近,使个体归队。
所述步骤S60中还包括:
S61、无人机编队个体间通过射频全向通信或自由空间光定向通信实现通信连接,形成无人机自组网及分簇、分层自组网;
S62、利用测控通信自组织网络***使编队中无人机节点能够通过单跳或多跳的方式共享数据资源和接受指令信息。
所述步骤S70中还包括:
S71、通过无人车的STM32H7控制器和无人机Pixhawk飞控板中的STM32F407控制器分别运行分布式计算工具ROS,实现无人机和无人车之间的通信连接;
S72、通过分布式计算工具ROS,最大化利用***资源、高效处理多设备之间的同协任务,实现无人机编队和无人车的智能体协同作业,通过无线通信网络,实现无人车和无人机之间的高速数据传输;
S73、利用RTK(实时差分全球定位***)技术,实现无人机和无人车实时位置信息的获取,并通过ROS的话题协议实现数据发布共享;
S74、通过GPS/INS组合导航,以GPS信号为观测输入对INS的误差进行修正,解决GPS动态性能差、INS难以长时间保持高精度信息的问题,实现导航精度的提高、数据抵抗能力和动态性能的加强;
S75、通过AprilTag视觉引导定位***,实现返航过程中检测到起飞点地标时执行视觉引导降落任务,实现无人机定点降落在起飞点地标上;
S76、在无人车载移动机巢的降落滑槽上安装AprilTag识别码,无人机通过机器视觉模块(OpenMV)进行目标识别与信息提取,并利用机载的STM32F407处理器进行图像算法运算,将检测数据按通信协议封装成数据帧发送给飞控端,飞控***根据通信协议提取出地面目标的中心点像素坐标来完成自身位置估计;
S77、通过自身位置估计信息,飞控***进一步调整无人机飞行姿态,当垂直悬停在降落点上方时,关闭视觉位置控制器同时控制无人机以定速下降;
S78、在无人机降落触到滑槽后便可停止动力输出,并通过降落滑槽的凹槽式固定结构实现滑动位置修正与固定;
S79、在无人车载移动机巢上设置有充电触点,无人机降落固定后通过无人机底部支架上的充电触点与机巢上的充电触点磁吸式接触固定,完成电路连接,实现能源补给。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (8)
1.一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,包括以下步骤:
S10、根据终端发布的指令,无人车自行规划路线并运载无人机编队至目标牧场;
S20、根据待巡检牧场的位置、大小和放牧畜群的位置、数量来选择最佳的起飞地点,并分配合适的巡检、放牧无人机数量和队形;
S30、根据无人机电池容量、光伏板面积、巡检面积、飞行速度和返航距离,计算得到巡检无人机编队个体数量、单次巡检面积和返航补给时间;
S40、根据巡检无人机编队空中获取的待巡检牧场的草地生长状况和地势信息,确定无人车的拍照采样点的位置、数量及间距;
S50、根据无人机电池容量、起飞点与畜群的距离、待进食场地距离畜群的距离、飞行速度、畜群的数量、畜群进食时间和方向,确定放牧无人机编队个体数量、畜群行进路线和返航补给时间;
S60、根据无人机编队间的测控通信自组织网络***,实现组网内无人机间的链路通信、高速数传、立体随机接入;
S70、根据无人机和无人车之间的数据传输、高精度RTK定位、GPS/INS组合导航、AprilTag视觉引导定位***、降落滑槽固定结构和降落支架的充电触点,实现无人机编队的远距离返航指引和在无人车载移动机巢上的精准降落与能源补给。
2.根据权利要求1所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S10中还包括:
S11、根据终端发布的指令信息,无人车控制***进行初步路线规划;
S12、根据整片牧场的高程图地形信息,确定更为精准的路线规划;
S13、根据无人车利用预设融合指令信息和牧场高程图,融合地形的可通行性、距离的最优化和障碍物的避让因素,通过算法计算最佳的行进路线。
3.根据权利要求2所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S20中还包括:
S21、根据待巡检牧场和进食畜群的位置,确定最佳的无人机编队起飞地点;
S22、根据待巡检牧场的形状、面积和作业时间,确定巡检无人机编队的队形、编队内无人机数量、飞行高度和飞行速度;
S23、根据放牧畜群种类、个体的数量、进食速度、移动方向和预期进食牧场位置,确定放牧无人机编队的个体数量、飞行高度和传感器类型;
S24、根据进食畜群的聚拢分散状况,确定无人机编队的全方位监测队形。
4.根据权利要求3所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S30中还包括:
S31、根据无人机的电池容量和飞行速度,计算出无人机单次巡检的最大飞行距离;
S32、根据巡检面积和无人机单次巡检的最大飞行距离,确定所需的巡检无人机编队的个体数量和编队队形;
S33、根据编队内每个无人机的光伏板面积和充电效率,估算出在巡检过程中无人机通过光伏板获取的电能;
S34、当无人机完成一次巡检后,根据其剩余的电池容量和返航距离,预测无人机是否需要返回车载移动机巢进行补给充电,如果需要补给充电,则根据返航距离和无人机的飞行速度,计算出所需的返航补给时间;
S35、在巡检过程中,出现异常工况时,***会根据之前的计算预测下一个巡检目标所需的电量,改值是基于历史数据和巡检目标特征得出的估计值,***读取无人机的电池剩余电量,并将预留的返航电量从中减去,以获得可用的巡检电量,若剩余电量小于巡检所需电量,***会触发控制指令,要求无人机返航充电。
5.根据权利要求4所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S40中还包括:
S41、利用无人机上搭载的高分辨率摄像头、激光雷达、RTK设备,对待巡检区域牧场的草地进行信息采集,获取牧场地势信息,通过图像处理和分析算法,提取出草地的盖度、高度生长状况信息;
S42、根据巡检无人机编队的飞行特性和传感器性能,综合考虑巡检效率和采样精度,通过飞行模拟和算法优化,得到最佳的编队布局和采样策略,确定采样点的数量和间距;
S43、无人机编队按照预定的采样点位置和间距进行飞行,利用搭载的摄像头对草地进行拍照采样,对所获得的图像数据信息进行分析和处理;
S44、根据巡检无人机和无人车上装载传感器所获取的牧草长势、畜群数量、放牧时间和面积,确定该区域牧场牧草的长势状况,估算得到该区域的放牧强度;
S45、根据畜群进食草地和已巡检草地的牧草生长状况,确定是否进行畜群放牧驱赶。
6.根据权利要求5所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S50中还包括:
S51、根据畜群的数量、畜群进食时间和方向、待进食场地距离畜群的距离和地势信息,利用畜群对声响高度敏感的生理特性,通过放牧无人机编队实现“围三缺一”式的定向驱赶,使得进食畜群始终朝着目标牧场行;
S52、根据驱赶过程中畜群的聚拢程度和行进速度,无人机自主调控飞行高度对畜群进行生理刺激,以满足目标需求;
S53、若在驱赶行进过程中出现单个牲畜离群状况,单独分配若干台无人机飞至高空进行大范围热红外检测,在寻得目标后,无人机降低高度协同驱赶个体至畜群附近,使个体归队。
7.根据权利要求6所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S60中还包括:
S61、无人机编队个体间通过射频全向通信或自由空间光定向通信实现通信连接,形成无人机自组网及分簇、分层自组网;
S62、利用测控通信自组织网络***使编队中无人机节点能够通过单跳或多跳的方式共享数据资源和接受指令信息。
8.根据权利要求7所述的一种基于车载移动机巢的多无人机智能巡检方法,其特征在于,所述步骤S70中还包括:
S71、通过无人车的STM32H7控制器和无人机Pixhawk飞控板中的STM32F407控制器分别运行分布式计算工具ROS,实现无人机和无人车之间的通信连接;
S72、通过分布式计算工具ROS,最大化利用***资源、高效处理多设备之间的同协任务,实现无人机编队和无人车的智能体协同作业,通过无线通信网络,实现无人车和无人机之间的高速数据传输;
S73、利用RTK(实时差分全球定位***)技术,实现无人机和无人车实时位置信息的获取,并通过ROS的话题协议实现数据发布共享;
S74、通过GPS/INS组合导航,以GPS信号为观测输入对INS的误差进行修正,解决GPS动态性能差、INS难以长时间保持高精度信息的问题,实现导航精度的提高、数据抵抗能力和动态性能的加强;
S75、通过AprilTag视觉引导定位***,实现返航过程中检测到起飞点地标时执行视觉引导降落任务,实现无人机定点降落在起飞点地标上;
S76、在无人车载移动机巢的降落滑槽上安装AprilTag识别码,无人机通过机器视觉模块(OpenMV)进行目标识别与信息提取,并利用机载的STM32F407处理器进行图像算法运算,将检测数据按通信协议封装成数据帧发送给飞控端,飞控***根据通信协议提取出地面目标的中心点像素坐标来完成自身位置估计;
S77、通过自身位置估计信息,飞控***进一步调整无人机飞行姿态,当垂直悬停在降落点上方时,关闭视觉位置控制器同时控制无人机以定速下降;
S78、在无人机降落触到滑槽后便可停止动力输出,并通过降落滑槽的凹槽式固定结构实现滑动位置修正与固定;
S79、在无人车载移动机巢上设置有充电触点,无人机降落固定后通过无人机底部支架上的充电触点与机巢上的充电触点磁吸式接触固定,完成电路连接,实现能源补给。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213254.7A CN117311381B (zh) | 2023-09-20 | 2023-09-20 | 一种基于车载移动机巢的多无人机智能巡检***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213254.7A CN117311381B (zh) | 2023-09-20 | 2023-09-20 | 一种基于车载移动机巢的多无人机智能巡检***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117311381A true CN117311381A (zh) | 2023-12-29 |
CN117311381B CN117311381B (zh) | 2024-03-26 |
Family
ID=89284104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213254.7A Active CN117311381B (zh) | 2023-09-20 | 2023-09-20 | 一种基于车载移动机巢的多无人机智能巡检***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117311381B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101536095B1 (ko) * | 2015-01-14 | 2015-07-13 | 농업회사법인 주식회사 에이치알제주 | 무인 비행체를 이용한 산지 생태 축산의 방목형 목장 운용 및 관리 시스템 |
CN105425815A (zh) * | 2015-11-27 | 2016-03-23 | 杨珊珊 | 一种利用无人飞行器的牧场智能管理***及方法 |
CN110103800A (zh) * | 2019-04-30 | 2019-08-09 | 江苏方天电力技术有限公司 | 适于输电线路的无人机智能巡检作业车和巡检方法 |
US20200031465A1 (en) * | 2018-07-26 | 2020-01-30 | California Institute Of Technology | Systems and Methods for Avian Flock Flight Path Modification using UAVs |
CN111626893A (zh) * | 2020-05-29 | 2020-09-04 | 南通大学 | 一种家畜自由放牧状态下畜群放牧强度的测定方法 |
CN113359826A (zh) * | 2021-06-02 | 2021-09-07 | 太原理工大学 | 一种无人机智能电力巡检***及方法 |
CN114578842A (zh) * | 2020-11-30 | 2022-06-03 | 南京理工大学 | 一种无人车载旋翼无人机集群侦察的协同路径规划方法 |
CN114637328A (zh) * | 2022-03-17 | 2022-06-17 | 广西灵山大怀山新能源有限公司 | 一种基于车载机巢的无人机风电场线路巡检***及方法 |
WO2023098164A1 (zh) * | 2021-12-03 | 2023-06-08 | 国网智能科技股份有限公司 | 一种网格化机巢的无人机巡检***及方法 |
CN116382341A (zh) * | 2023-04-13 | 2023-07-04 | 苏州苏能集团有限公司科技分公司 | 基于移动机巢的无人机异地精准起降车载设备的方法 |
CN116612551A (zh) * | 2023-05-18 | 2023-08-18 | 哈尔滨工业大学(威海) | 一种无人艇、无人机协同控制的海洋牧场安全巡检*** |
US20230263135A1 (en) * | 2020-07-07 | 2023-08-24 | Beefree Agro Ltd. | Drone for herding herd animals |
CN117434965A (zh) * | 2023-11-10 | 2024-01-23 | 中国农业科学院农业信息研究所 | 一种无人机多机协同的天然牧场智能管理方法及管理*** |
-
2023
- 2023-09-20 CN CN202311213254.7A patent/CN117311381B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101536095B1 (ko) * | 2015-01-14 | 2015-07-13 | 농업회사법인 주식회사 에이치알제주 | 무인 비행체를 이용한 산지 생태 축산의 방목형 목장 운용 및 관리 시스템 |
CN105425815A (zh) * | 2015-11-27 | 2016-03-23 | 杨珊珊 | 一种利用无人飞行器的牧场智能管理***及方法 |
US20200031465A1 (en) * | 2018-07-26 | 2020-01-30 | California Institute Of Technology | Systems and Methods for Avian Flock Flight Path Modification using UAVs |
CN110103800A (zh) * | 2019-04-30 | 2019-08-09 | 江苏方天电力技术有限公司 | 适于输电线路的无人机智能巡检作业车和巡检方法 |
CN111626893A (zh) * | 2020-05-29 | 2020-09-04 | 南通大学 | 一种家畜自由放牧状态下畜群放牧强度的测定方法 |
US20230263135A1 (en) * | 2020-07-07 | 2023-08-24 | Beefree Agro Ltd. | Drone for herding herd animals |
CN114578842A (zh) * | 2020-11-30 | 2022-06-03 | 南京理工大学 | 一种无人车载旋翼无人机集群侦察的协同路径规划方法 |
CN113359826A (zh) * | 2021-06-02 | 2021-09-07 | 太原理工大学 | 一种无人机智能电力巡检***及方法 |
WO2023098164A1 (zh) * | 2021-12-03 | 2023-06-08 | 国网智能科技股份有限公司 | 一种网格化机巢的无人机巡检***及方法 |
CN114637328A (zh) * | 2022-03-17 | 2022-06-17 | 广西灵山大怀山新能源有限公司 | 一种基于车载机巢的无人机风电场线路巡检***及方法 |
CN116382341A (zh) * | 2023-04-13 | 2023-07-04 | 苏州苏能集团有限公司科技分公司 | 基于移动机巢的无人机异地精准起降车载设备的方法 |
CN116612551A (zh) * | 2023-05-18 | 2023-08-18 | 哈尔滨工业大学(威海) | 一种无人艇、无人机协同控制的海洋牧场安全巡检*** |
CN117434965A (zh) * | 2023-11-10 | 2024-01-23 | 中国农业科学院农业信息研究所 | 一种无人机多机协同的天然牧场智能管理方法及管理*** |
Non-Patent Citations (2)
Title |
---|
卢峭峰 等: "一种输变电多无人机协同智能巡检机巢的设计", no. 11, 31 December 2022 (2022-12-31) * |
路梦源 等: "基于ROS和PX4的无人机编队协同飞行模型的仿真研究", 《智能化农业装备学报(中英文)》, vol. 4, no. 3, 31 August 2023 (2023-08-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117311381B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shakhatreh et al. | Unmanned aerial vehicles (UAVs): A survey on civil applications and key research challenges | |
CN106200680B (zh) | 一种无人机集群管理***及其控制方法 | |
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 | |
CN108897312A (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
CN107454945B (zh) | 无人机的导航*** | |
CN208027170U (zh) | 一种电力巡线无人机及*** | |
CN109283930A (zh) | 一种球状智能巡检机器人 | |
CN109709972A (zh) | 一种基于无人机的物联网通信***及方法 | |
CN112015200A (zh) | 一种农业无人机群协同作业***、协同作业方法及无人机 | |
CN110293858A (zh) | 一种基于无人机与智能停机坪的连续自主监测方法及装置 | |
CN115729247A (zh) | 一种无人车与集群无人机协同作业方法和相关装置 | |
CN210835732U (zh) | 一种基于无人机的航标巡检装置 | |
CN113568427B (zh) | 无人机自主着陆移动平台的方法及*** | |
CN117311381B (zh) | 一种基于车载移动机巢的多无人机智能巡检***及方法 | |
CN114153225A (zh) | 一种基于rtk及rfid技术的无人机高精度降落控制***及方法 | |
CN117546681A (zh) | 引导机器人采摘和运送水果的协同作业方法、***及平台 | |
CN116754722A (zh) | 一种基于无人机实现碳排放监测的方法及*** | |
CN107402579A (zh) | 一种基于无人机的雾霾检测方法 | |
CN116578120A (zh) | 无人机调度方法、装置、无人机***和算机设备 | |
CN214474627U (zh) | 一种无人机不间断巡检*** | |
CN115877870A (zh) | 一种基于机会数据采集的无人机在线路径规划方法 | |
CN115071974A (zh) | 基于地质隐患监测***的无人机灾后自主勘测方法 | |
CN111947603B (zh) | 一种基于openmv的无人机阳台危险物鉴定***和方法 | |
CN208873048U (zh) | 一种生态保护红线区勘界*** | |
CN108983820B (zh) | 一种生态保护红线区勘界方法及*** |
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 |