基于能力受限与鲁棒飞行时间的单巡检车-多无人机协同高速公路智能巡检路径规划方法与流程

本发明涉及高速公路智能巡检，尤其涉及基于能力受限与鲁棒飞行时间的单巡检车-多无人机协同高速公路智能巡检路径规划方法。

背景技术：

1、高速公路是支撑区域经济联系、人员流动和物流运输的重要基础设施，其运行状态直接关系到交通效率与公共安全。随着高速公路里程持续增加以及大量线路进入长期服役阶段，沿线桥梁、涵洞、边坡、路基、挡墙、排水设施和附属防护结构等对象面临老化、磨损、冲刷、变形、裂损等问题，巡检与养护任务日益繁重。

2、目前，高速公路巡检主要依赖人工现场检查、巡检车辆沿线巡视以及少量固定监控设备配合完成。这类方式在高速公路环境下存在明显局限：高速公路车速快、交通流密集、现场安全管制严格，巡检人员难以频繁进入路肩、边坡、桥下、涵洞口或中央分隔带附近等危险区域开展近距离检查；病害早期往往仅表现为细微裂缝、局部冲刷、构件轻微变形或表观异常，单纯依靠人工目测和车辆巡视难以及时识别；传统巡检方式容易受到天气、视距、作业窗口和交通组织条件影响，导致巡检效率偏低、作业风险偏高、长期维护成本较大。

3、随着无人机技术的发展，部分方案开始引入无人机作为巡检辅助手段。无人机因具备低空机动灵活、视角多样、可近距离获取高分辨率图像与视频数据等优势，能够对桥梁下部结构、边坡表面、隧道口、排水设施及其他人工不易抵近的区域实施精细巡检，在提高巡检覆盖率、降低人员风险方面具有明显优势。相关综述表明，无人机在高速公路系统中已被广泛用于交通监测、基础设施检查和安全评估，并可与智能识别和数据分析技术结合，提高巡检的数字化和自动化水平。

4、然而，无人机在高速公路长距离巡检中的推广仍面临现实瓶颈。最突出的限制来自无人机自身续航能力：单架无人机受电池容量、载荷能力和环境条件影响，一次起降所能覆盖的航程有限，难以独立承担长距离连续巡检任务。同时，高速公路巡检环境开放，风速变化、局部气流和天气扰动会使无人机飞行时间产生波动，从而进一步影响任务衔接和回收安排。因此，在实际工程中，无人机往往需要与地面巡检车协同作业，由巡检车承担长距离机动、起降支撑和能源补给功能，无人机则负责停靠点周边区段的精细巡检，从而形成空地协同的巡检模式。

5、从现有巡检模式来看，多数研究和应用仍建立在“无人机从固定地面基站起飞并返回”或“在固定起降点完成任务”的假设之上，更适用于桥梁、边坡、隧道口等局部结构物的点状检测，而对于高速公路这种线路长、点位多、任务连续的场景，固定基站模式往往会受到航程和回收距离的明显限制。另一方面，虽然已有部分研究开始考虑地面车辆与无人机的协同，但相关工作更多集中在一般巡逻、交通巡查或路面病害检测组织层面，针对高速公路基础设施长距离、多区段、连续巡检的系统化路径规划研究仍相对不足。

6、现有车辆-无人机协同研究多数仍将续航问题简化为单次飞行时间上限或总电量上限，较少深入刻画无人机在回收后的动态补能过程。在工程实际中，无人机并非每次都需要充至满电后再出发，而往往是根据后续任务需求进行部分充电；同时，充电过程也并非始终以固定速率进行，而是会随电量状态变化呈现”预充-快充-慢充”的阶段性特征。除此之外，无人机在巡检车上的补能还包括两类典型方式：一类是在巡检车继续行驶过程中实施的随车充电，另一类是在巡检车停靠节点处实施的停靠点充电。现有研究较少把上述补能机制统一纳入同一模型框架中，更缺乏在协同路径规划层面对其进行精细化处理。

7、此外，现有相关方案在飞行时间不确定性方面考虑也普遍不足。高速公路巡检环境具有较强开放性，无人机飞行过程容易受到风场变化、局部扰动和气象条件影响，实际飞行时间与名义飞行时间之间往往存在差异。若仅依据理想飞行时间进行任务编排，则在执行中容易出现到达延迟、时间窗被破坏、回收时刻后移以及后续区段任务衔接失败等问题，从而影响整套巡检方案的稳定性。

8、综上所述，现有技术主要存在以下缺点：

9、（1）对无人机续航受限条件下的补能过程描述不充分。 现有方案通常将充电过程简化为固定充电时长或单一线性充电速率，难以真实反映无人机电池在不同电量区间下“预充-快充-慢充”的分段变化特征，也未能系统刻画无人机在巡检车行驶过程中的随车充电和在停靠节点处的停靠点充电两类补能方式。由此容易导致对实际补能时间估计偏差较大，使得规划方案在执行过程中难以同时满足电量约束与时序衔接要求。

10、（2）难以通过合理补能降低无人机配置数量，资源利用效率不高。 在高速公路长距离、多点位巡检任务中，由于单架无人机续航能力有限，若缺乏精细化补能机制和动态任务衔接策略，现有方案往往只能通过增加无人机数量来弥补单机续航不足，从而保证任务能够在规定时间内完成。这种方式会显著增加设备投入成本、现场调度复杂度和系统运行负担。现有技术未能充分发挥巡检车作为移动补能平台的作用，也缺乏围绕“部分充电-多次出发-多轮任务执行”，这一运行机制的系统化模型与调度方法。

11、（3）对飞行时间波动考虑不足，方案稳定性与实际可执行性较差。 现有多无人机巡检或车-机协同方案大多仍基于理想飞行时间进行建模和调度，对飞行时间不确定性的处理较为粗略，缺乏针对性的鲁棒约束设计。在实际执行中容易出现无人机到达巡检点时间延误、时间窗约束被破坏、无人机无法按时回收以及后续任务链衔接失效等问题，进而影响整个高速公路协同巡检方案的可靠性和工程适用性。

12、（4）统一建模困难且求解复杂。 现有车辆-无人机协同研究大多基于固定基站或简化补能假设，仅对无人机路径或车辆路径中的局部环节进行规划，未将“巡检车停靠点选取、多无人机任务分配、部分充电与分段线性充电过程、随车充电与停靠点充电、飞行时间波动以及车-机时序同步关系”等关键因素统一纳入同一优化框架。由于这些因素具有显著的时间-电量耦合特征，问题复杂度高，属于典型的复杂组合优化问题。若直接采用通用精确算法，在工程规模下往往求解时间长甚至难以收敛；而简单启发式方法又难以同时兼顾解的可行性、稳定性与质量。

13、因此，亟需一种基于能力受限与鲁棒飞行时间的单巡检车-多无人机协同高速公路智能巡检路径规划方法，以提升高速公路长距离、多点位巡检任务的整体效率、可执行性和资源利用水平。

技术实现思路

1、本发明的目的是克服现有高速公路巡检车-多无人机协同路径规划方法对无人机续航受限条件下的动态补能过程刻画不足、资源利用效率低、对飞行时间波动考虑不充分的问题，提供一种基于能力受限与鲁棒飞行时间的单巡检车-多无人机协同高速公路智能巡检路径规划方法及系统，以降低总作业完工时间，提高方案稳定性和资源利用水平。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于能力受限与鲁棒飞行时间的单巡检车-多无人机协同高速公路智能巡检路径规划方法，包括下列步骤：

4、s1.获取高速公路巡检任务信息

5、所述任务信息包括巡检车备选停靠点集合、巡检点集合、每个巡检点的最早服务时间和最晚服务时间、无人机电池容量及每架无人机的初始电量、无人机单位距离能耗、以及无人机分段线性充电参数，所述分段线性充电参数包括预充充电率、快充充电率、慢充充电率以及预充转快充的临界电量和快充转慢充的临界电量；

6、s2.构建协同巡检路径规划模型

7、以单巡检车作为地面移动指挥与补给平台，以多架无人机作为空中巡检执行单元，构建以总作业完工时间最小化为目标函数的协同巡检路径规划模型；所述模型包含巡检车路径约束、巡检车时间递推约束、无人机路径约束、无人机起飞与巡检车同步约束、用于描述飞行时间波动的无人机鲁棒时间推进约束、无人机充电约束、飞行弧电量传递约束以及基于累计充电时间函数的分段线性部分充电约束；

8、其中，所述分段线性部分充电约束通过累计充电时间函数实现：

9、

10、其中，为预充转快充临界电量，q2为快充转慢充临界电量，分别为预充、快充、慢充的充电率；且充电时长满足：

11、

12、其中，为无人机在到达停车点，且充电前的电量；为无人机在停车点充电后，随巡检车离开时的电量；为无人机在停车点的充电时长；

13、所述无人机充电约束包括：

14、充电电量平衡及其上限；

15、回收同步约束；

16、停靠时长约束；

17、电量边界；

18、以及随车充电约束及其下限不等式，从而实现随车充电（行驶中补能）与停靠点充电（节点补能）的协同调度。

19、所述无人机鲁棒时间推进约束采用预算不确定性集描述飞行时间波动，包括：

20、无扰动递推：

21、鲁棒递推：

22、单调性约束：

23、时间窗约束：及

24、其中，g为鲁棒层集合，控制最多多少段飞行变坏,；为设定的最多允许变坏的飞行弧条数；为无人机在巡检车弧内，当最多允许条飞行弧变坏时，到达节点的最坏到达时刻；

25、为无人机在巡检车弧内，当最多允许条飞行弧变坏时，到达节点的最坏到达时刻；

26、为无人机在巡检车弧内，当最多允许条飞行弧变坏时，到达节点的最坏到达时刻，通过上述递推关系，确保在最坏飞行情形下仍满足各巡检点的时间窗要求；

27、为节点的服务时间；为名义飞行时间；为飞行时间最大偏差；为无人机是否在巡检车弧对应区间内巡检弧，是为1，否为0；为无人机是否在弧对应区内巡检点，是为1，否0；为巡检点的最早服务时间；为巡检点的最晚服务时间；

28、s3.采用基于可行性解码的自适应大邻域搜索算法求解所述模型：所述算法采用双层编码结构，外层编码为巡检车停靠序列，内层编码为区间任务矩阵，其中每个元素表示某架无人机在相邻两个实际停靠点之间的区间内承担的有序巡检任务链。

29、所述可行性解码过程包括：沿巡检车停靠序列前向递推各作业区间，按任务链顺序递推飞行、服务和回收过程，记录各停车点充电前电量、离开电量及区间飞行电量；采用按需补能规则，根据下一阶段任务所需最低出发电量决定补能量，优先利用随车充电，不足时再安排停靠点充电；采用早停式可行性检查，一旦出现时间窗违反、电量不足或时序不可行，立即终止解码。

30、所述初始解构造中包括split救援机制：当任务点在当前停靠结构下无法找到可行插入位置时，在该任务点的高速公路投影附近或瓶颈区间内增设一个新的中间停靠点，将原区间分裂为两个较短区间，并在路径矩阵中增加新的行维度，然后重新尝试插入该任务点。

31、所述自适应大邻域搜索算法的破坏算子包括：随机移除算子、鲁棒紧迫移除算子、充电临界移除算子、贪婪边际代价移除算子；修复算子包括：贪婪修复算子、regret2修复算子、锚定区间修复算子、能量均衡修复算子。算法采用模拟退火接受准则：若新解目标值优于当前解则无条件接受，否则以概率接受劣解，其中，为当前解的目标函数值，f(x')为候选解的目标函数值，为当前温度参数；同时采用基于搜索片段的权重自适应更新机制动态调整算子选择权重。

32、s4. 按照求解结果执行巡检任务：巡检车仅在实际选取的停靠点停靠，无人机在各区间内起飞、巡检、回收，并根据补能安排进行随车或停靠点充电，完成全部巡检点的作业后返回终点。

33、作为优选的技术方案，所述协同巡检路径规划模型从预先设置的备选停靠点集合中选取实际停靠点，所述备选停靠点包括服务区、收费站、管理站、应急停车带、养护作业区或经许可的临时作业点；巡检车沿高速公路行驶，仅在实际停靠点实施停靠，以支撑无人机在相邻实际停靠点之间的区间内执行巡检任务。

34、作为优选的技术方案，所述系统中内置split救援机制和按需补能的可行性解码规则；所述分段线性部分充电约束基于累计充电时间函数实现，所述飞行时间鲁棒约束采用预算不确定性集，所述飞行弧电量传递满足及以及跨区间电量连续约束。

35、此外，本发明还提供一种用于实现上述方法的系统，包括：感知层，用于获取高速公路巡检任务信息；模型构建模块，用于构建所述协同巡检路径规划模型；求解模块，采用所述基于可行性解码的自适应大邻域搜索算法生成最优的巡检车停靠序列和各无人机区间任务链；执行模块，用于按照求解结果控制巡检车行驶及多无人机起降、巡检、回收和补能作业。

36、与现有技术相比，本发明的有益效果为：

37、（1）显著降低总作业完工时间，提高巡检效率

38、通过分段线性部分充电函数及按需补能规则，避免每次回收后充至满电造成的慢充等待，优先利用随车充电同步补能，大幅减少停靠时间。大规模算例（102.6 km高速公路、38个候选停靠点、45个巡检点、5架无人机）中，优化后总完工时间由371.24 min降至243.81min，降幅达34.33%。

39、（2）充电时间估计精度高，任务衔接可靠

40、本发明累计充电时间函数将充电过程划分为预充、快充、慢充三段，并分别采用不同充电率，六种充电情形的分段处理完整覆盖了所有可能的起止电量区间，避免了固定充电时长或单一线性速率带来的误差，使任务时序递推更符合实际充电规律。

41、（3）资源利用效率高，无人机配置数量减少

42、通过按需补能策略和随车/停靠点充电协同，单架无人机可在一次巡检任务中多次出发、多次执行任务，降低了对无人机总数的依赖。算例中5架无人机完成45个巡检点的全覆盖，随车充电总量达243.3 unit，有效替代了部分停靠点充电，减少了设备投入成本。

43、（4）方案稳定性强，复杂环境适应能力好

44、引入基于预算不确定性集的飞行时间鲁棒约束，使方案在风速、气流等最坏扰动下仍能满足时间窗要求和回收衔接。灵敏度分析表明，鲁棒预算γ从0增至4时，完工时间由213.46 min增至247.46 min，飞行时间偏差比例δ从0.05增至0.25时，完工时间由236.33min增至251.86 min，为工程中的鲁棒性与效率权衡提供了量化依据。

45、（5）算法求解精度高，小规模场景与精确解一致

46、在规模算例（2～3架无人机、5～7个巡检点）的6组测试中，本发明fd-alns算法获得的最优目标值与gurobi求解器给出的最优解完全一致，验证了算法的高精度与可行性。

47、（6）算法求解效率高，满足工程实时性要求

48、规小模算例中，fd-alns求解时间仅为0.43～0.91秒，远优于gurobi的18.13～675.27秒；大规模算例中能够在合理时间内给出高质量解，满足高速公路长距离巡检对快速规划的需求。

49、（7）资源灵敏度分析清晰，指导实际配置

50、无人机数量灵敏度分析显示，无人机从4架增至9架时，完工时间累计下降10.71%，但当无人机超过7架后边际收益趋缓（7架增至8架仅下降0.02%），为实际工程中的无人机配置数量提供了科学依据。充电能力灵敏度分析表明，充电能力系数λ从0.80提高至1.20时，完工时间由252.32 min降至221.62 min，降幅达12.16%，说明提高充电效率是优化系统性能的重要方向。

51、（8）算法自适应能力强，搜索效率高

52、本发明通过模拟退火接受准则和基于搜索片段的权重自适应更新机制，动态调整破坏/修复算子的选择权重，使搜索过程在初期偏向多样化扰动，后期逐步偏向精细化算子，有效避免了局部最优停滞。当连续多次迭代未刷新全局最优时，自动提高温度并调用结构级破坏算子进行重升温，增强了全局探索能力。

53、综上所述，本发明在作业效率、资源利用水平、方案可靠性、求解精度与速度以及工程适用性等方面均优于现有技术，为高速公路长距离、多点位、连续化巡检任务提供了高效、稳定且可实施的智能路径规划方案。