1.本发明涉及无人机应用的技术领域，特别涉及一种基于改进粒子群无人机路径规划安全增强的优化方法及系统。
背景技术：
2.随着电力技术的发展，电网基建的覆盖范围逐渐囊括各个区域，在实际场景中，由于电线、设备等与地面存在一定的距离，因此采用人工巡检的作业方式一直存在较大的时间和经济成本。随着5g技术的应用、无人机设备的完善和相关技术的发展，促进了配电网巡检技术的智能化，同时基于无人机的智能航线规划及其巡检也被正式运用于商业市场。
3.路径规划是实现无人机电力设备自主巡检的重要一环，其主要任务为根据环境、地形等可行性约束条件，在预设巡检区域内避开障碍物的同时找到安全、符合经济成本的合理路径。
4.与人工参与飞行的方式不同，安全可靠的路径规划，可以引导无人机正确飞行，包括飞行高度、飞行速度、转弯角度、爬升速度等。现有技术中，图搜索方法常用来生成飞行路线，包括k-最佳路径算法、概率路线图算法和快速探索随机树算法等，但是图搜索方法不适用于与无人机机动相关的约束，存在无人机路线规划中理论与实际位置的偏差。另外，随着技术的发展，基于生物模拟的路径规划方法在处理动态约束问题的有效性以及复杂场景下的全局寻优能力在实践应用中越发重要，但是如何将无人机机动特性融入到算法解决飞行中的无碰撞和可行运动仍是一个具有挑战性的问题。
技术实现要素：
5.发明目的：提出一种基于改进粒子群无人机路径规划安全增强的优化方法及系统，以解决现有技术存在的上述问题，通过将路径规划问题转换成一个寻优的过程获得最佳的无人机巡检路径。
6.技术方案：第一方面，提出了一种基于改进粒子群无人机路径规划安全增强的优化方法，该方法包括以下步骤：
7.首先，基于实际的巡检需求，在巡检区域内根据无人机地面工作站生成巡检路径点，并通过两两连接的方式对巡检路径点进行连接，获得巡检路线集合；其次，根据巡检成本的影响因素构建无人机路径安全增强选择目标函数模型，并采用仿生物鸟类群体随机觅食的方式，对巡检路线集合进行分析筛选，通过逐步向群体最优位置靠近的处理方式，获得无人机路径安全增强选择目标函数模型最优解；最后，将最优解对应的巡检路线作为最佳的巡检路径，并输出。
8.其中，影响巡检路径成本的因素包括：距离成本、威胁成本、高度成本和稳定成本，通过分析影响巡检路径成本的因素，构建相对应的距离成本函数、威胁成本函数、高度成本函数以及稳定成本函数。
9.在第一方面的一些可实现方式中，基于无人机地面工作站所在的位置，建立三维
坐标系，并基于建立的三维坐标系获得每一个巡检路径点的坐标。
10.基于获得的巡检路径点的坐标，获得距离成本的函数表达式为：
[0011][0012]
式中，表示巡检路径点p
i,j
与巡检路径点p
i,j 1
之间的距离；xi表示第i条路径；n表示当前巡检路径所需要经过的巡检路径点数量。
[0013]
威胁成本函数表达式为：
[0014][0015][0016]
式中，λk表示成本代价；k表巡检范围内的障碍物数量；rk表示障碍物的半径；dk表示同一平面中无人机距离障碍物圆心的距离；n表示当前巡检路径所需要经过的巡检路径点数量；lk表示根据无人机飞行速度而分不同的制动距离。
[0017]
高度成本函数表达式为：
[0018][0019][0020]
式中，h
i,j
表示无人机在某一段巡检路径中的飞行高度；h
max
表示无人机在某一段巡检路径中的最高飞行高度；h
min
表示无人机在某一段巡检路径中的最低飞行高度；
[0021]
稳定成本函数的表达式为：
[0022][0023]
式中，α、β是预设的成本系数；表示两个巡检路径段在xy轴的投影角度；ψ
i,j
表示两个巡检路径段在xz轴的投影角度。
[0024]
在第一方面的一些可实现方式中，获得无人机路径安全增强选择目标函数模型最优解的过程采用改进粒子群寻优的方式实现，实现过程对应包括以下步骤：
[0025]
初始化粒子群算法中涉及到的参数；
[0026]
根据隶属函数对种群进化状态进行评估，获得评估状态；
[0027]
根据所述评估状态自适应确认粒子群算法中涉及到参数的变化规则；
[0028]
采用无人机路径安全增强选择的目标函数作为自适应度函数，并预设迭代次数；
[0029]
在所述迭代次数内根据参数的变化规则进行参数更新，以及目标函数的计算；
[0030]
将目标函数最小值对应的参数值作为构建当前最佳路径的参数，从而获得最佳巡检路线。
[0031]
其中，自适应度函数表达式为：
[0032]
f(xi)＝f1 f2 f3 f4[0033]
式中，f1表示距离成本函数；f2表示威胁成本函数；f3表示高度成本函数；f4表示稳定成本函数。
[0034]
在第一方面的一些可实现方式中，针对输出的最优巡检路径，构建障碍物仿真模型，并通过所述障碍物仿真模型对最优巡检路径进行验证。
[0035]
第二方面，提出一种基于改进粒子群无人机路径规划安全增强的优化系统，用于实现基于改进粒子群无人机路径规划安全增强的优化方法，该系统包括以下模块：
[0036]
用于形成巡检路线集合的路径生成模块；
[0037]
用于分系不同巡检路线投入成本的成本分析模块；
[0038]
用于构建无人机路径安全增强选择目标函数模型的模型构建模块；
[0039]
用于获得最优巡检路径的路径择优模块；
[0040]
用于输出最佳巡检路径的路径输出模块。
[0041]
第三方面，提出一种基于改进粒子群无人机路径规划安全增强的优化设备，该设备包括：处理器以及存储有计算机程序指令的存储器，其中处理器读取并执行计算机程序指令，以实现基于改进粒子群无人机路径规划安全增强的优化方法。
[0042]
第四方面，提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，当计算机程序指令被处理器执行时，以实现基于改进粒子群无人机路径规划安全增强的优化方法。
[0043]
有益效果：本发明提出了一种基于改进粒子群无人机路径规划安全增强的优化方法及系统，基于无人机飞行区域，寻找每个航路点的最优解，通过将路径规划问题转化为寻求目标成本最小化的优化问题，搭建影响无人机路径选择的多目标模型，从航线的路径长度、威胁成本、高度成本及转弯角度\爬升、俯冲角度4个方面考虑飞行路径的优化目标和约束条件，有效保证无人机飞行过程中的安全性和稳定性。
[0044]
另外，本发明还针对无人机路径规划安全增强的优化方法采用基于改进粒子群算法进行求解，得到最佳的航线路径，该算法有效增强了3维粒子寻优的能力，降低陷入局部最优的概率。
附图说明
[0045]
图1为本发明的数据处理流程图。
[0046]
图2为本发明障碍物区域示意图。
[0047]
图3为本发明无人机飞行高度示意图。
具体实施方式
[0048]
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进
行描述。
[0049]
实施例一
[0050]
在一个实施例中，针对无人机巡检路径规划过程中存在的成本问题，提出一种基于改进粒子群无人机路径规划安全增强的优化方法，通过将路径规划过程转化为成本寻优过程，获得最高效的无人机巡检路径。
[0051]
具体的，基于改进粒子群无人机路径规划安全增强的优化方法获得无人机最优巡检路径的过程如图1所示，包括以下步骤：
[0052]
步骤1、在巡检区域内，根据无人机地面工作站生成巡检路径点；
[0053]
步骤2、将巡检路径点之间两两进行连接，获得巡检路线集合；
[0054]
步骤3、根据巡检成本的影响因素构建无人机路径安全增强选择目标函数模型；
[0055]
步骤4、基于无人机路径安全增强选择目标函数模型，采用仿生物鸟类群体随机觅食的方式，对巡检路线集合进行分析筛选；
[0056]
步骤5、对巡检路线集合进行分析筛选的过程中，通过逐步向群体最优位置靠近的处理方式，获得无人机路径安全增强选择目标函数模型最优解；
[0057]
步骤6、将最优解对应的巡检路线作为最佳的巡检路径，并输出。
[0058]
可选的，为了验证最终输出的巡检路径为当前巡检路线集合中的最佳路径，进一步通过建立障碍物仿真模型进行验证。优选实施例中，障碍物仿真模型具体指利用数学模型建立的障碍物威胁函数，即在巡检区域内，用数学模型(圆柱体)模拟真实障碍物。通过三维粒子位置与无人机航迹总长、飞行高度、转换角度的对应关系，高效搜索无人机的路径区域，从而搜索到目标模型成本函数最小值时的最优路径。为了评估算法性能，基于数字高程模型地图，选择地形结构不同的地貌，地图上障碍物的威胁数量和位置根据验证地图的复杂级别进行设定。本发明提出的自适应粒子群算法与普通粒子群算法生成的路径规划进行比较发现：两种算法均可生成符合路径长度、飞行高度、转角限制等的可行路径，但面对复杂场景，本发明给出的算法可以明显找到比普通粒子群算法更高质量的解，避免陷入局部最优，且收敛速度也得到提高。针对接收到的最优巡检路径，将最优巡检路径传输至无人机中生成飞行线路图，随后采用无人机的距离计算模块计算每个阶段的路线偏差距离，得到偏差数值，并基于偏差数值预设偏差区间。最后，将偏差区间以及获取的偏差数值传输至线路验证模型中，线路验证模型根据偏差区间对无人机飞行行程进行可靠性的验证。
[0059]
本实施例基于无人机飞行区域，寻找每个航路点的最优解，将路径规划问题转化为寻求目标成本最小化的优化问题，通过搭建影响无人机路径选择的多目标模型，从航线的影响因素方面考虑飞行路径的优化目标和约束条件，有效保证了无人机飞行过程中的安全性和稳定性。
[0060]
实施例二
[0061]
在实施例一基础上的进一步实施例中，由于无人机巡检过程中受到距离成本、威胁成本、高度成本以及稳定成本的影响，因此构建的无人机路径安全增强选择目标函数模型包含：距离成本函数、威胁成本函数、高度成本函数以及稳定成本函数，通过对总成本择优的方式选择最佳巡检路径。
[0062]
其中，距离成本通过不同巡检路径点之间的距离长度相加获得，对应的距离成本函数表达式为：
[0063][0064]
式中，表示巡检路径点p
i,j
与巡检路径点p
i,j 1
之间的距离；xi表示第i条路径；n表示当前巡检路径所需要经过的巡检路径点数量。可选的，由于无人机受地面工作站的控制，因此当前用于巡检的无人机巡检路径可采用相对固定的三维坐标进行表示，即巡检路径点p
i,j
的坐标为p
i,j
(x
i,j
,y
i,j
,z
i,j
)，巡检路径点p
i,j 1
的坐标为p
i,j 1
(x
i,j 1
,y
i,j 1
,z
i,j 1
)，对应的距离成本通过分段相加来计算。
[0065]
威胁成本对应的是无人机巡检过程中会遇到的障碍物，为了减少障碍物对巡检路径的影响，通过对现实环境中的障碍物进行数学建模构建威胁成本函数，从而对路径进行安全性引导。可选的，采用统一的圆柱体对无人机巡检过程中的实际障碍物进行建模，如图2所示，将障碍物的圆心坐标设定为ck、半径为rk、并将半径之内的区域定义为碰撞区，半径zk的环形区域为危险区，其中，zk＝l
k-rk。由于成本代价与距离成正比关系，因此对应的威胁成本函数表达式为：
[0066][0067][0068]
式中，λk表示成本代价；k表巡检范围内的障碍物数量；rk表示障碍物的半径；dk表示同一平面中无人机距离障碍物圆心的距离；n表示当前巡检路径所需要经过的巡检路径点数量；lk表示根据无人机飞行速度而分不同的制动距离。
[0069]
由于不同的巡检区域对无人机的飞行高度存在不同的需求，因此无人巡检过程中不同的飞行高度存在不同的消耗成本，且一般根据海拔的高度进行动态调整。如图3所示，在保持一定高度的范围内，为了满足飞行安全要求构建的高度飞行成本对应的高度成本函数表达式为：
[0070][0071][0072]
式中，h
i,j
表示无人机在某一段巡检路径中的飞行高度；h
max
表示无人机在某一段巡检路径中的最高飞行高度；h
min
表示无人机在某一段巡检路径中的最低飞行高度。
[0073]
稳定成本是无人机在检测到障碍物后执行飞行角度切换时带来的成本，飞行角度切换包括：爬坡、俯冲和左右转向之间的形式切换。将无人机的飞行航线投射到二维平面上，两个航线段之间存在的偏差角度在二维平面上的用表示航线夹角，ψ
i,j
表示切换时的飞行角度，当偏差角度转换投影在xy轴，飞行切换角度投影在xz轴上，则对应的航路点坐
标表示为：
[0074][0075][0076]
式中，z
i,j
表示巡检路径点p
i,j
对应z轴的坐标；z
i,j 1
表示巡检路径点p
i,j 1
对应z轴的坐标。
[0077]
可选的，基于上述获得的角度表达式稳定成本函数由爬坡/俯冲角度转换组成，对应的表达式为：
[0078][0079]
式中，α、β是预设的成本系数。
[0080]
可选的，基于上述提及的成本模型，无人机路径选择的各个成本因素主要包括：路径总长成本、威胁成本、高度成本、爬坡/俯冲转换角度成本，因此无人机路径安全增强选择目标函数模型对应的无人机路径安全增强选择的目标函数表达式为：
[0081]
f(xi)＝f1 f2 f3 f4[0082]
可选的，假设无人机的工作的区域为ω，那么，区域范围内的航路点p
i,j
可对应表示为p
i,j
(x
i,j
,y
i,j
,z
i,j
)∈ω，通过对每一个航路点的选择，用成本的方式来选择最佳路径。
[0083]
本实施例通过从航线的路径长度、威胁成本、高度成本及转弯角度\爬升、俯冲角度4个方面考虑飞行路径的优化目标和约束条件，通过总成本寻优的方式获得无人机的最佳巡检路线。
[0084]
实施例三
[0085]
在实施例一基础上的进一步实施例中，通过寻求无人机飞行路径的成本最小化对巡检路线集合进行分析，采用改进粒子群算法实现寻优过程，具体采用仿生物鸟类群体随机觅食的方式，逐步向群体最优位置靠近，获得最优解。
[0086]
具体的，改进粒子群优化算法的寻优过程包括以下步骤：
[0087]
步骤1、初始化粒子群算法中涉及到的参数；
[0088]
具体的，在粒子群寻优的过程中，粒子群中的每一个粒子均具有自己的速度vi和位置xi，初始化过程中包括初始化：算法最大迭代次数k、粒子群种群规模n、每一个粒子的自身速度vi、位置信息xi、个体认知c1、社会认知c2和原速度的惯性权重ω。
[0089]
步骤2、根据模型目标成本函数计算每个粒子的适应度值，作为评价粒子当前位置的优劣；
[0090]
具体的，在无人机巡检路径生成的过程中，采用无人机路径安全增强选择的目标函数作为自适应度函数。可选的，自适应度函数表达式为：
[0091]
f(xi)＝f1 f2 f3 f4[0092]
式中，f1表示距离成本函数；f2表示威胁成本函数；f3表示高度成本函数；f4表示稳定成本函数。
[0093]
步骤3、更新粒子速度和位置；
[0094][0095][0096]
其中，r1、r2均为[0,1]之间的随机数，d为粒子的d维分量；p
id
表示第i个d维粒子的最优位置；gd表示d维种群的最优位置；
[0097]
步骤4、根据下式更新惯性权重、个体和社会认知c1、c2：
[0098][0099][0100][0101]
其中，k为当前迭代次数；pk表示第k代粒子的最优位置；gk表示第k代种群的最优位置；
[0102]
具体的，根据粒子适应度值，引入自适应动态惯性权重，根据种群寻优情况及时调整，较大的权重有益于跳出局部最优解的情况，而较小的权重有益于提升局部搜索的能力；c1、c2取值越大，局部游动粒子量越多，且易陷入局部最优，故自适应粒子群算法通过异步处理，比传统固定取值空间更加灵活；
[0103]
步骤5、每个粒子的适应度值与其经历过的最好位置进行比较，如果较好，则将其作为当前的最好位置p
best,i
，比较当前所有粒子p
best,i
和种群最优的位置g
best,i
，更新位置g
best,i
；
[0104]
步骤6、基于自适应度函数进行寻优，获得最小成本对应的参数值，得到最佳路线；
[0105]
具体的，当不满足算法终止时，在迭代次数/预设精度内，转步骤2，否，则输出当前寻优得到的最优位置；最优的位置g
best,i
就是算法迭代得到的最佳路径，一组航迹点构成的最佳巡检路线。
[0106]
优选实施中，利用改进粒子群算法对最优路径的寻找过程包括以下步骤：
[0107]
首先，将每条路径中的航迹点，编码为一组向量，每组向量为无人机巡检路径的起点到终点过程中经过的航迹点，将其赋值给粒子，其中，航迹点所处三维坐标系，故每个粒子均为三维向量；
[0108]
其次，每个粒子的航迹点位置编码为一个候选路径xi，因此，种群等价于包含n条路径的矩阵集合x，用数学关系表示为：
[0109]
xi＝(x
i1
,y
i1
,z
i1
,x
i2
,y
i2
,z
i2
…
)
[0110]
x＝(x1,x2,x3…
,xn)
[0111]
最后，经过种群迭代，输出模型参数最小值对应的粒子，得到所求的最佳航迹点，即路径规划的最优位置。
[0112]
实施例四
[0113]
在一个实施例中，提出一种基于改进粒子群无人机路径规划安全增强的优化系统，用于实现基于改进粒子群无人机路径规划安全增强的优化方法，该系统包括以下模块：
路径集合生成模块、成本分析模块、模型构建模块、路径择优模块和路径输出模块。其中，路径集合生成模块用于生成巡检路径集合；成本分析模块用于分析不同巡检路径需要消耗的巡检成本；模型构建模块用于根据成本分析模块的分析结果构建无人机路径安全增强选择目标函数模型；路径择优模块用于筛选出无人机路径安全增强选择目标函数模型数值最小的巡检路径，并将对应的路径作为最优路径；路径输出模块用于输出最优路径。
[0114]
具体的，路径集合生成模块首先根据无人机地面工作站生成巡检路径点，随后通过两两连接的方式，获得巡检路径点形成的拓扑结构图，最后根据拓扑结构图获得起始点与目标点之间的巡检路径集合。
[0115]
成本分析模块对无人机巡检过程所需要的消耗的距离成本、威胁成本、高度成本以及稳定成本进行分析，并构建相对应的成本函数。
[0116]
模型构建模块根据无人机巡检路径构建的需求，基于成本分析模块的分析结果构建无人机路径安全增强选择目标函数模型。其中，无人机路径安全增强选择目标函数模型对应的目标函数采用成本分析模块构建的成本函数总和。
[0117]
路径择优模块根据无人机路径安全增强选择目标函数模型对应的目标函数，通过迭代寻优的方式进行分析筛选，获得满足目标函数最小值的巡检路径，并将此时的巡检路径作为最优巡检路径。
[0118]
路径输出模块将最优解对应的巡检路线作为最佳的巡检路径输出。
[0119]
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。