空地协同交通巡检的路径优化方法和装置与流程

1.本发明涉及路径规划技术领域，具体涉及一种空地协同交通巡检的路径优化方法和装置。


背景技术：

2.采用无人机进行交通巡检作业已逐渐代替传统的人工巡检方式，随着科技的发展图像采集技术日趋成熟，逐渐解决使用固定摄像机导致存在监视盲区的问题。
3.但无人机的续航里程并非足够大，因此面临远距离要求的交通巡检工作时，由于续航里程约束，无人机编队进行巡检需多次往返或需多架无人机配合，导致巡检效率较低。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种空地协同交通巡检的路径优化方法和装置，解决了无人机巡检方法在面临远距离要求的交通巡检工作时，巡检效率低的技术问题。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：
8.第一方面，本发明提供一种空地协同交通巡检的路径优化方法，包括以下步骤：
9.s1、获取多无人机与车辆协同的巡检任务数据；
10.s2、基于所述巡检任务数据，以使整个巡检任务完成时间最小为目标构建可从多个站点出发、无需返回出发站点、可多次访问同一巡检点的空地协同路径模型；
11.s3、基于所述巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案。
12.优选的，所述巡检任务数据包括：
13.巡检点目标的坐标；
14.车辆与无人机出发的站点数量、站点编号和站点坐标；
15.无人机编号、无人机飞行速度、无人机续航时长；
16.车辆编号和车辆行驶速度。
17.优选的，所述空地协同路径模型包括：
18.空地协同路径模型的目标函数采用公式(1)来表示：
[0019][0020]
其中，l和m为巡检点目标编号，n为节点集合；k为车辆编号，k为车辆集合；为编号为k的车辆从节点l到节点m的行驶时长；为决策变量，编号为k的车辆是否选择从节点l到节点m的路径；该目标函数表示负载均衡，使最后一辆车的返回时间最小，使整个任务完成时间最小。
[0021]
优选的，所述空地协同路径模型的约束条件采用公式(2)至(10)来表示：
[0022][0023][0024][0025][0026][0027][0028][0029][0030][0031]
其中，
[0032]
公式(2)表示每个节点至少被访问一次；
[0033]
公式(3)表示确保每辆车必须从仓库出发；
[0034]
公式(4)表示每辆车完成任务后必须返回仓库；
[0035]
公式(5)表示流量守恒约束；
[0036]
公式(6)表示变量与公式(6)中的到达时间相关联；
[0037]
公式(7)表示每架无人机飞行时长不能超过无人机最大续航时长；
[0038]
公式(8)表示如果无人机d从l点发射并在n点收集，则必须将点l和n分配给车辆k，即在车辆的路径上；
[0039]
公式(9)～公式(10)表示决策变量取值约束；
[0040]
d为无人机编号，d为无人机集合；l、m、n和p为节点编号，n为节点集合，t为巡检点目标集合；k为车辆编号，k为车辆集合；为决策变量，编号为k的车辆是否选择从节点l到达节点m的路径，为决策变量，编号d的无人机是否选择从节点l出发到达节点m并在节点n与编号d的车辆汇合的路径；为决策变量，编号为k的车辆是否选择从编号为e的站点到达巡检点目标l的路径；为决策变量，编号为k的车辆是否选择从巡检点目标q到达编号为e的站点的路径；为编号为k的车辆从节点l到节点m的行驶时长；为编号为k的车辆到达节点i的到达时间，为编号为k的车辆到达节点l的到达时间；为编号为d的无人机从节点l到巡检点目标m的飞行时长，为编号为d的无人机到达节点m的到达时间，为编号为d的无人机到达节点n的到达时间；为决策变量，编号为k的车辆是否选择从节点h到达节点l的路径，为决策变量，编号为k的车辆是否选择从节点n到达节点i的路径；c
d
为编号d
的无人机可执行巡检任务的最大飞行续航时长。
[0041]
优选的，所述基于巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案，包括：
[0042]
s301、采用不等长的染色体编码方式的染色体对空地协同交通巡检路径初始规划方案进行编码；
[0043]
s302、生成车辆和无人机协同交通巡检的初始巡检路径规划方案集合；
[0044]
s303、采用模因算法对初始巡检路径规划方案集合进行优化，获取车辆与无人机协同巡检点目标的最优路径规划方案。
[0045]
优选的，生成车辆和无人机协同交通巡检的初始巡检路径规划方案集合，包括：
[0046]
s302a、巡检目标点的编号进行随机排列生成染色体的第2行，再将该排列分成|k|每段的前面和后面各加1个站点编号，其中第k段染色体对应于第k辆车的路径，其中|k|为空地协同联合体数量；
[0047]
s302b、对第k段染色体从前向后每次依次取出2个节点编号，以这2个编号对应的点目标作为椭圆的2个焦点，以无人机的续航能力为长轴，构造“最大续航范围”；
[0048]
s302c、如果“最大续航范围”中只有1个目标点，则在前一个目标点编号的下面写上该目标点的编号；如果“最大续航范围”中不只1个目标点，则随机选择1个目标编号写在前一个目标编号的下面；如果“最大续航范围”中没有目标，则在前一个目标编号的下面写上
“‑
1”，重复上述操作直到该段染色体的倒数第2位，在最后1位的下面写上
“‑
1”；
[0049]
s302d、对|k|段染色体依据车辆编号，在染色体的第一行加入车辆编号；
[0050]
s302e、重复步骤s302b～s302d共|k|次，得到每个车辆和无人机协同交通巡检路径方案；每个车辆和无人机协同交通巡检路径方案组成初始巡检路径规划方案集合。
[0051]
优选的，所述采用模因算法对初始巡检路径规划方案集合进行优化，获取车辆与无人机协同巡检点目标的最优路径规划方案，包括：
[0052]
s303a、设置模因算法的执行参数，所述执行参数包括最大迭代次数和交叉概率；以空地协同路径模型的目标函数作为适应度函数，计算空地协同交通巡检初始路径规划方案的适应度值，计算公式如下：
[0053][0054]
s303b、根据空地协同交通巡检初始路径规划方案的适应度值选择2个方案用于子代遗传操作，适应度值越小的方案被选择的概率越大；
[0055]
s303c、对选择的2个方案通过初始方案混合的方式，创建新的候选解决方案；其中，初始方案混合包括：
[0056]
步骤1：依据空地协同联合体编号将2个初始路径规划方案划分成|k|个分段；
[0057]
步骤2：将初始路径规划方案进行交叉操作，判断相同编号的空地协同联合体中车辆访问的路径中是否有相同的巡检点目标，若有相同的巡检点目标，则将从该巡检点目标出发的无人机访问的巡检点目标进行交换；
[0058]
步骤3：根据空地协同联合体数量|k|重复步骤2，完成所有分段的交叉操作；
[0059]
步骤4：将|k|个分段进行拼接，形成完整的空地协同巡检路径规划方案；
[0060]
s303d、从候选方案中选择适应度值大的子方案，根据交叉概率进行交叉操作；
[0061]
s303e、选择优良的子方案进行路径规划方案集合，替代原先差的父代路径规划方案；
[0062]
s303f、重复步骤s303c～s303e，直至当前迭代次数等于最大迭代次数，终止操作，得到优化的巡检路径规划方案集合；
[0063]
303g、在优化的巡检路径规划方案集合中选择适应度值最小的巡检路径规划方案作为最优路径规划方案。
[0064]
第二方面，本发明提供一种空地协同交通巡检的路径优化装置，包括：
[0065]
数据获取模块，用于获取多无人机与车辆协同的巡检任务数据；
[0066]
模型构建模块，用于基于所述巡检任务数据，以使整个巡检任务完成时间最小为目标构建可从多个站点出发、无需返回出发站点、可多次访问同一巡检点的空地协同路径模型；
[0067]
最优路径规划方案获取模块，用于基于所述巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案。
[0068]
第三方面，本发明提供一种计算机可读存储介质，其存储用于空地协同交通巡检的路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的空地协同交通巡检的路径优化方法。
[0069]
第四方面，本发明提供一种电子设备，包括：
[0070]
一个或多个处理器；
[0071]
存储器；以及
[0072]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的空地协同交通巡检的路径优化方法。
[0073]
(三)有益效果
[0074]
本发明提供了一种空地协同交通巡检的路径优化方法和装置。与现有技术相比，具备以下有益效果：
[0075]
本发明首先通过获取多无人机与车辆协同的巡检任务数据；然后基于巡检任务数据，以使整个巡检任务完成时间最小为目标构建可从多个站点出发、无需返回出发站点、可多次访问同一巡检点的空地协同路径模型；最后基于巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案。本发明通过多无人机与车辆协同进行交通巡检，在面临远距离要求的交通巡检工作时，实现由车辆搭载无人机协同完成交通巡检任务，提高工作效率。同时，本发明实施例所提出的优化方法使用模因算法进行求解，能快速求得空地协同路径模型的最优路径规划方案。
附图说明
[0076]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0077]
图1为本发明实施例一种空地协同交通巡检的路径优化方法的框图；
[0078]
图2为染色体形式示意图；
[0079]
图3为图2所示的染色体对应路径示意图；
[0080]
图4为路网约束示意图；
[0081]
图5为初始路径规划方案进行交叉操作的示意图。
具体实施方式
[0082]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0083]
本技术实施例通过提供一种空地协同交通巡检的路径优化方法和装置，解决了无人机巡检方法在面临远距离要求的交通巡检工作时，巡检效率低的技术问题，实现由车辆搭载无人机协同完成交通巡检任务，提高工作效率。
[0084]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0085]
现有技术中，完成交通巡检的工作任务仅由无人机进行完成，但无人机的续航里程有限，对于远距离的巡检任务很难完成。本发明实施例将车辆与无人机进行协同不仅能完成远距离的交通巡检的工作，且能够极大的降低巡检任务的完成时间。同时，在本发明实施例中针对考虑路网约束的异构空地协同的交通巡检路径规划问题进行优化，能够明显缩短完成交通巡检任务的工作时间，且模因算法(memetic algorithm，ma)能有效减少获取空地协同交通巡检的的最优路径优化方案的运算时间。
[0086]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0087]
本发明实施例提供一种空地协同交通巡检的路径优化方法，如图1所示，包括以下步骤：
[0088]
s1、获取多无人机与车辆协同的巡检任务数据；
[0089]
s2、基于巡检任务数据，以使整个巡检任务完成时间最小为目标构建可从多个站点出发、无需返回出发站点、可多次访问同一巡检点的空地协同路径模型；
[0090]
s3、基于巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案。
[0091]
本发明实施例通过多无人机与车辆协同进行交通巡检，在面临远距离要求的交通巡检工作时，实现由车辆搭载无人机协同完成交通巡检任务，提高工作效率。同时，本发明实施例所提出的优化方法使用模因算法进行求解，能快速求得空地协同路径模型的最优路径规划方案。
[0092]
下面对本发明实施例的实现过程进行详细说明：
[0093]
在步骤s1中，获取多无人机与车辆协同的巡检任务数据，具体实施过程如下：
[0094]
计算机获取多无人机与车辆协同的巡检任务数据，巡检任务数据包括：
[0095]
巡检点目标的坐标；车辆与无人机出发的站点数量、站点编号和站点坐标；无人机的无人机编号、无人机飞行速度、无人机续航时长；车辆的车辆编号和车辆行驶速度。
[0096]
在步骤s2中，基于巡检任务数据以使整个巡检任务完成时间最小为目标构建可从
多个站点出发、无需返回出发站点、可多次访问同一巡检点的空地协同路径模型，具体实施过程如下：
[0097]
空地协同路径模型的目标函数采用公式(1)来表示：
[0098][0099]
其中，l和m为巡检点目标编号，n为节点集合；k为车辆编号，k为车辆集合；为编号为k的车辆从节点l到节点m的行驶时长；为决策变量，编号为k的车辆是否选择从节点l到节点m的路径；该目标函数表示负载均衡，使最后一辆车返回时间最小，使整个任务完成时间最小，保证每个巡检点目标完成巡检任务差距时间小。
[0100]
所述空地协同路径模型的约束条件采用公式(2)至(10)来表示：
[0101][0102][0103][0104][0105][0106][0107][0108][0109][0110]
其中，
[0111]
公式(2)表示每个节点至少被访问一次；
[0112]
公式(3)表示确保每辆车必须从仓库出发；
[0113]
公式(4)表示每辆车完成任务后必须返回仓库；
[0114]
公式(5)表示流量守恒约束；
[0115]
公式(6)表示变量与公式(6)中的到达时间相关联；
[0116]
公式(7)表示每架无人机飞行时长不能超过无人机最大续航时长；
[0117]
公式(8)表示如果无人机d从l点发射并在n点收集，则必须将点l和n分配给车辆k，即在车辆的路径上；
[0118]
公式(9)～公式(10)表示决策变量取值约束。
[0119]
d为无人机编号，d为无人机集合；l、m、n和p为节点编号，n为节点集合，t为巡检点目标集合；k为车辆编号，k为车辆集合；为决策变量，编号为k的车辆是否选择从节点l到
达节点m的路径，为决策变量，编号d的无人机是否选择从节点l出发到达节点m并在节点n与编号d的车辆汇合的路径；为决策变量，编号为k的车辆是否选择从编号为e的站点到达巡检点目标l的路径；为决策变量，编号为k的车辆是否选择从巡检点目标q到达编号为e的站点的路径；为编号为k的车辆是否选择从节点l到节点m的行驶时长；为编号为k的车辆到达节点i的到达时间，为编号为k的车辆到达节点l的到达时间；为编号为d的无人机从节点l到巡检点目标m的飞行时长，为编号为d的无人机到达节点m的到达时间，为编号为d的无人机到达节点n的到达时间；为决策变量，编号为k的车辆是否选择从节点h到达节点l的路径，为决策变量，编号为k的车辆是否选择从节点n到达节点i的路径；c
d
为编号d的无人机可执行巡检任务的最大飞行续航时长。
[0120]
以上公式中的编号d的无人机从节点l到节点m的飞行时长的计算公式如下：
[0121][0122]
式中，v
d
为编号d的无人机的飞行速度；x
l
为节点l的横坐标，y
l
为节点l的纵坐标，x
m
为节点m的横坐标，y
m
为节点m的纵坐标。
[0123]
编号k的车辆从节点l到达节点m的行驶时长的计算公式如下：
[0124][0125]
式中，v
k
为编号k的车辆的行驶速度；x
l
为节点l的横坐标，y
l
为节点l的纵坐标，x
m
为节点m的横坐标，y
m
为节点m的纵坐标。
[0126]
在步骤s3中，基于巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案。具体实施过程如下：
[0127]
s301、采用不等长的染色体编码方式的染色体对空地协同交通巡检路径初始规划方案进行编码。具体如下：
[0128]
采用不等长的染色体编码方式的染色体表示空地协同交通巡检路径初始方案，染色体行数可变，染色体的第一行由车辆与无人机组成的车机联合体编号构成，染色体的第二行由车辆访问的巡检点目标编号构成，染色体的第二行至最后一行由无人机访问的巡检点目标编号构成。染色体形式如图2所示。
[0129]
图2所示染色体表示：由两辆车和两架无人机协同完成巡检任务。编号为1的车辆从站点d1出发依次前往巡检点目标5和巡检点目标3进行巡检，最后返回站点d2，编号1的无人机从站点d1出发前往巡检点目标1进行巡检，之后前往巡检点目标5与编号为1的车辆进行汇合，后与编号为1的车辆一同前往巡检点目标3，后前往巡检点目标5，后前往巡检点目标7，最后返回站点d2。编号为2的车辆从站点d2出发后依次前往巡检点目标4、巡检点目标6和巡检点目标2进行巡检，最后返回站点d2，编号为2的无人机从站点d2出发前往巡检点目标7进行巡检，后在巡检点目标4与编号为2的车辆汇合，后依次前往巡检点目标2、巡检点目标
6、巡检点目标9和巡检点目标8进行巡检，后在巡检点目标6与车辆汇合，然后与车辆一同前往巡检点目标2，最后再一同返回站点d3。图2所示的染色体对应路径如图3所示。
[0130]
s302、生成车辆和无人机协同交通巡检的初始巡检路径规划方案集合，具体如下：
[0131]
s302a、巡检目标点的编号进行随机排列生成染色体的第2行，再将该排列分成|k|每段的前面和后面各加1个站点编号，其中第k段染色体对应于第k辆车的路径，其中|k|为空地协同联合体数量。
[0132]
s302b、对第k段染色体从前向后每次依次取出2个节点编号，以这2个编号对应的点目标作为椭圆的2个焦点，以无人机的续航能力为长轴，构造“最大续航范围”。
[0133]
s302c、如果“最大续航范围”中只有1个目标点，则在前一个目标点编号的下面写上该目标点的编号；如果“最大续航范围”中不只1个目标点，则随机选择1个目标编号写在前一个目标编号的下面；如果“最大续航范围”中没有目标，则在前一个目标编号的下面写上
“‑
1”，重复上述操作直到该段染色体的倒数第2位，在最后1位的下面写上
“‑
1”。
[0134]
s302d、对|k|段染色体依据车辆编号，在染色体的第一行加入车辆编号；
[0135]
s302e、重复步骤s302b～s302d共|k|次，即可得到每个车辆和无人机协同交通巡检路径方案。每个车辆和无人机协同交通巡检路径方案组成初始巡检路径规划方案集合。
[0136]
需要说明的是，在生成初始巡检路径规划方案集合的过程中，考虑车辆在巡检过程中需要沿路网行驶，而无人机不用受路网约束。路网约束如图4所示。同时，在具体实施过程中，初始巡检路径规划方案集合中的规划方案并不一定都满足空地协同路径模型的约束条件，所以有必要对初始巡检路径规划方案集合中的每条染色体进行约束检查，并对不满足约束条件的染色体进行删除。
[0137]
s303、采用模因算法对初始巡检路径规划方案集合进行优化，获取车辆与无人机协同巡检点目标的最优路径规划方案，具体为：
[0138]
s303a、设置模因算法的执行参数，所述执行参数包括最大迭代次数和交叉概率(在本发明实施例中最大迭代次数为500，交叉概率为0.7)；以空地协同路径模型的目标函数作为适应度函数，计算空地协同交通巡检初始路径规划方案的适应度值，计算公式如下：
[0139][0140]
s303b、根据空地协同交通巡检初始路径规划方案的适应度值和轮盘赌机制选择2个方案用于子代遗传操作，适应度值越小的方案被选择的概率越大；
[0141]
s303c、对选择的2个方案通过初始方案混合的方式，创建新的候选解决方案；其中，初始方案混合包括：
[0142]
步骤1：依据空地协同联合体编号将2个初始路径规划方案划分成|k|个分段；
[0143]
步骤2：将初始路径规划方案进行交叉操作，判断相同编号的空地协同联合体中车辆访问的路径中是否有相同的巡检点目标，若有相同的巡检点目标，则将从该巡检点目标出发的无人机访问的巡检点目标进行交换，如图5所示；
[0144]
步骤3：根据空地协同联合体数量|k|重复步骤2，完成所有分段的交叉操作；
[0145]
步骤4：将|k|个分段进行拼接，形成完整的空地协同巡检路径规划方案。
[0146]
s303d、从候选方案中选择适应度值大的子方案，根据交叉概率进行交叉操作；
[0147]
s303e、选择优良的子方案进行路径规划方案集合，替代原先差的父代路径规划方
案；
[0148]
s303f、重复步骤s303c～s303e，直至达到终止迭代条件，当前迭代次数等于最大迭代次数，终止操作，得到优化的巡检路径规划方案集合。
[0149]
s303g、在优化的巡检路径规划方案集合中选择适应度值最小的巡检路径规划方案作为最优路径规划方案。
[0150]
本发明实施例还提供了一种空地协同交通巡检的路径优化装置，包括：
[0151]
数据获取模块，用于获取多无人机与车辆协同的巡检任务数据；
[0152]
模型构建模块，用于基于所述巡检任务数据，以使整个巡检任务完成时间最小为目标构建可从多个站点出发、无需返回出发站点、可多次访问同一巡检点的空地协同路径模型；
[0153]
最优路径规划方案获取模块，用于基于所述巡检任务数据、空地协同路径模型和模因算法，获取车辆与无人机协同巡检点目标的最优路径规划方案。
[0154]
可理解的是，本发明实施例提供的空地协同交通巡检的路径优化装置与上述空地协同交通巡检的路径优化方法相对应，其有关内容的解释、举例、有益效果等部分可以参考空地协同交通巡检的路径优化方法中的相应内容，此处不再赘述。
[0155]
本发明实施例还提供一种计算机可读存储介质，其存储用于空地协同交通巡检的路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的空地协同交通巡检的路径优化方法。
[0156]
本发明实施例还提供一种电子设备，包括：
[0157]
一个或多个处理器；
[0158]
存储器；以及
[0159]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的空地协同交通巡检的路径优化方法。
[0160]
综上所述，与现有技术相比，具备以下有益效果：
[0161]
1、本发明实施例通过多无人机与车辆协同进行交通巡检，在面临远距离要求的交通巡检工作时，实现由车辆搭载无人机协同完成交通巡检任务，提高工作效率。
[0162]
2、本发明实施例所提出的优化方法使用模因算法进行求解，能快速求得空地协同路径模型的最优路径规划方案。
[0163]
3、本发明实施例提出的方法解决车辆与无人机组成的联合体从多个站点出发，对巡检点目标可进行多次访问，在交通巡检过程中车辆考虑路网约束的路径优化方法，得出的最优路径规划方案更符合实际运用场景。
[0164]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0165]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。