一种面向城市复杂风场的巡检无人机节能航迹规划方法与流程

本技术涉及航迹规划，具体涉及一种面向城市复杂风场的巡检无人机节能航迹规划方法。

背景技术：

1、本部分的陈述仅仅是为了提供与本技术相关的背景信息，以帮助理解本技术，这些背景信息并不一定构成现有技术。

2、城市巡检无人机常态化作业场景覆盖高密度建筑群、城市峡谷、高架桥梁、绿化集群等复杂地貌，该类地貌会对近地气流产生强烈扰动，形成具有强时空非均匀性、随机性、模糊性的复杂城市风场。与旷野平稳风场不同，城市复杂风场存在风速突变、风向紊乱、局部湍流、尾流叠加等复杂气动特征，无固定气流运动规律，会持续干扰无人机飞行姿态与飞行阻力，大幅增加无人机无效能耗，同时易导致传统航迹规划方案适配性不足、飞行能耗冗余、航迹动态调整滞后等问题，严重制约巡检无人机的续航能力与作业稳定性。

3、现阶段无人机航迹规划技术多以最短路径、障碍物规避、轨迹平滑度为核心优化目标，仅将风场作为外部干扰量进行被动补偿，未充分挖掘城市风场中可利用的顺风气动势能，无法实现风场能量的主动适配利用。在风场建模层面，传统物理信息神经网络仅依靠单一物理约束拟合风场数据，特征提取方式单一，针对城市风场多源耦合、模糊不确定的气流特征，存在特征融合冗余、关键风场特征丢失、不确定性适配能力弱的缺陷，无法精准刻画局部湍流、街巷穿堂风、楼宇背风涡流等细微风场特征，导致风场建模精度不足，为航迹规划提供的风场先验信息存在偏差。

4、同时，现有模型预测控制航迹优化算法的目标函数多仅包含路径代价、避障代价、姿态控制代价，未引入风能利用维度的评价因子，无法对顺风飞行姿态、顺势航迹走向进行正向激励，难以实现风场能量与无人机航迹的动态匹配。常规节能规划方案缺乏专属的城市风能价值评价体系，无法量化不同空域、不同时刻的风能利用潜力，导致航迹优化仅能实现被动降耗，无法实现主动借能节能。此外，现有特征融合技术未结合模糊逻辑处理城市风场的模糊随机特性，也未通过交叉注意力机制实现多维度风场特征的自适应权重分配，存在特征融合针对性差、无效特征干扰建模结果的问题，进一步降低了复杂风场下航迹节能规划的有效性与鲁棒性。综上，当前技术体系存在风场建模精准度低、风能利用率差、航迹动态适配性弱、节能优化逻辑单一等核心技术短板，难以满足城市复杂风场下巡检无人机长时间、低能耗、高稳定作业的需求。

技术实现思路

1、本技术旨在解决现有技术中城市复杂风场建模精度不足、多源风场特征融合效果差、无人机航迹无法主动利用风能、节能优化维度单一、动态适配性弱的技术问题。

2、为实现上述目的，本技术提供如下技术方案：

3、根据本技术的第一个方面，提供一种面向城市复杂风场的巡检无人机节能航迹规划方法，包括：对城市巡检作业空域进行三维栅格均匀剖分，得到多个离散空域单元；实时获取作业区域的原始风场特征向量，并对所述原始风场特征向量进行时序-空间联合预处理，得到预处理后的风场特征向量；其中，所述原始风场特征向量至少由三维风速、风向角、空域坐标、无人机位姿、地形高程、障碍物轮廓以及湍流参数构成；根据预处理后的风场特征向量并行提取得到时序风场特征、空间风场特征与地貌扰动特征，利用模糊逻辑算子对以上三组风场特征分别进行增强，并采用交叉注意力机制对增强后的三组风场特征进行自适应交互融合，得到多源融合风场全局特征，基于所述多源融合风场全局特征，以数据拟合损失与引入城市地貌扰动外力项的流体物理约束损失构成的联合损失函数作为训练约束训练得到全域风场时空模型，所述全域风场时空模型实时输出风场扰动补偿向量；根据各空域单元内的风速计算对应空域单元的风能利用价值，并根据所述风能利用价值构建全域风能价值图谱；构建含所述风场扰动补偿向量的无人机离散运动学模型，以路径长度代价、障碍物规避代价、姿态控制代价以及顺风奖励构建非线性模型预测控制的目标函数，并在预设约束条件下根据所述运动学模型和所述目标函数求解当前控制周期的最优控制序列，其中，所述顺风奖励根据所述全域风能价值图谱确定，并以其相反数的形式计入所述目标函数；控制无人机执行所述最优控制序列中当前步的控制量，更新无人机状态并滚动更新所述全域风场时空模型与所述全域风能价值图谱，求解下一控制周期的最优控制序列。

4、优选的，所述对所述原始风场特征向量进行时序-空间联合预处理，包括：针对每一空域单元的原始风场特征向量，利用二值型城市风场异常数据判别函数对当前时序平滑窗口内各时刻的原始风场特征向量逐一进行判别；若判别为异常数据则予以剔除，若判别为正常数据，则予以保留并以预设长度的时序平滑窗口对当前时刻及所述窗口内各历史时刻的风场特征向量进行平均处理，将所述平均处理的结果作为当前时刻预处理后的风场特征向量；其中，所述异常数据判别函数用于剔除楼宇涡流突变噪声与传感器脉冲干扰数据，输出取值为0或1，分别对应异常数据剔除与正常数据保留。

5、优选的，所述根据所述风场特征向量并行提取得到时序风场特征、空间风场特征与地貌扰动特征，包括：利用时序特征提取算子对所述预处理后的风场特征向量进行提取，得到用于表征风速风向短时突变特性的时序风场特征；利用空间特征提取算子结合空域坐标矩阵对所述预处理后的风场特征向量进行提取，得到用于刻画风场空间分布差异的空间风场特征；利用地貌耦合算子结合区域地形高程与建筑密度矩阵对所述预处理后的风场特征向量进行提取，得到用于量化建筑物与高架设施对风场扰动强度的地貌扰动特征。

6、优选的，所述利用模糊逻辑算子对以上三组风场特征分别进行增强，包括：针对每一组风场特征：根据所述风场特征的模糊中心阈值、所述风场特征的模糊宽度系数、原始风场特征参数以及对应空域单元的地貌模糊修正系数，通过高斯型模糊隶属度函数计算所述风场特征的模糊隶属度值；以所述模糊隶属度值对相应的风场特征进行加权，得到模糊逻辑增强后的风场特征；其中，所述原始风场特征参数包括三维风速、风向角与湍流参数，建筑群密集区域的地貌模糊修正系数的取值高于开阔空域的取值。

7、优选的，所述采用交叉注意力机制对增强后的三组风场特征进行自适应交互融合得到多源融合风场全局特征，包括：针对任意两组不同维度的增强后的风场特征，计算二者特征向量之间的内积，并以特征向量维度的平方根对所述内积进行归一化，再经softmax激活函数将归一化结果映射至0至1区间，得到两组增强后的风场特征之间的交叉注意力权重矩阵；遍历三组增强后的风场特征的全部索引组合，以各组合对应的所述交叉注意力权重矩阵对增强后的风场特征进行加权，并对全部加权结果进行求和，通过双向交叉加权实现自特征增强与跨特征互补，得到所述多源融合风场全局特征，其中全部索引组合包括同组自注意力组合与异组交叉注意力组合。

8、优选的，所述以引入城市地貌扰动外力项的流体物理约束损失包括由简化纳维-斯托克斯方程与连续性方程构成的不可压缩近地流体控制方程组；其中，所述连续性方程约束空域三维风速矢量的散度为零；所述简化纳维-斯托克斯方程约束所述空域三维风速矢量满足动量守恒关系，所述动量守恒关系包括所述空域三维风速矢量的时间变化率项与对流项之和，等于气压梯度项、粘性扩散项以及城市地貌扰动外力项之和；其中，所述城市地貌扰动外力项用于量化建筑物与高架设施对气流的拖拽扰动作用。

9、优选的，所述根据各空域单元内的风速计算对应空域单元的风能利用价值，并根据所述风能利用价值构建全域风能价值图谱，包括：针对每一空域单元：计算所述空域单元内的风速时序标准差与时序平均风速，以所述风速时序标准差与所述时序平均风速的比值作为湍流强度；根据空域单元自然风向与无人机预设巡检航向之间夹角的余弦值与航向适配权重系数的乘积，计算航向适配项；根据空域时序平均风速与风速助力权重系数的乘积计算风速助力项；根据所述湍流强度与湍流干扰权重系数的乘积计算湍流干扰项；将所述航向适配项与所述风速助力项之和减去所述湍流干扰项得到所述空域单元的风能利用价值；对所述风能利用价值进行归一化处理，并按照以下方式进行障碍物掩码，以屏蔽不可飞行空域：若所述空域单元不存在障碍物，则掩码系数取值为1；若空域单元存在建筑物或障碍物，则掩码系数取值为0；以归一化后的风能利用价值与所述掩码系数的乘积作为所述空域单元的有效风能价值；根据各空域单元的有效风能价值构建全域风能价值图谱。

10、优选的，所述运动学模型为离散状态空间模型由状态转移矩阵、控制矩阵以及所述风场扰动补偿向量构成；根据所述运动学模型按照以下方式确定下一时刻的状态向量：将当前时刻的状态向量经状态转移矩阵变换得到第一分量，将当前时刻的控制量经控制矩阵变换得到第二分量，将所述第一分量、所述第二分量与当前时刻的风场扰动补偿向量相叠加，得到下一时刻的状态向量；其中，所述状态向量包含位置、速度以及航向角，所述控制量包含油门控制量、姿态控制量。

11、优选的，所述目标函数为控制周期内各步代价的累加值，其中，每一步的代价由路径长度代价项、障碍物规避代价项与姿态控制代价项之和，再减去顺风奖励项得到；其中，所述顺风奖励项的取值由奖励权重系数、当前时刻对应空域单元的有效风能价值以及实时航向与顺风方向之间偏差角的余弦值三者相乘确定，所述偏差角越小，所述顺风奖励项的取值越大。

12、优选的，还包括：在不偏离巡检任务航迹约束的前提下，按照以下方式对飞行姿态进行自适应补偿：确定当前空域单元有效风能价值的梯度方向，所述梯度方向为最优顺风飞行方向；以所述梯度方向对应的梯度矢量与姿态调节增益系数的乘积作为姿态补偿角，对无人机的俯仰角与横滚角进行实时修正。

13、根据本技术的第二个方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本技术第一个方面中的方法。

14、根据本技术的第三个方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本技术第一个方面中的方法。

15、与现有技术相比，本技术具有以下优点：

16、1、本技术依托多分支特征解耦、地貌自适应模糊增强与交叉注意力融合机制，结合城市专属流体物理约束，构建cafpinn全域风场时空模型，解决了传统pinn（physics-informed neural networks，物理信息神经网络）对城市风场模糊、多源耦合、时空突变适配性差的缺陷，有效规避模型过拟合问题，大幅提升复杂低空风场建模精度，为无人机节能航迹规划提供精准、可靠的风场数据支撑。

17、2、本技术构建精细化风能价值量化图谱（即全域风能价值图谱，energymap），结合重构的nmpc（nonlinear model predictive control，非线性模型预测控制）自适应顺风奖励优化机制与风能梯度姿态补偿策略，打破传统航迹仅被动避障平稳飞行的局限，可主动适配动态风场利用顺风势能，显著降低无人机巡检无效能耗，实现无人机航迹的动态节能优化，充分挖掘城市风场气动势能，实现从被动抗风飞行到主动借能飞行的技术升级，提升巡检无人机整体节能效果与飞行稳定性。同时通过空域掩码约束规避飞行风险，实现节能与安全双重优化。