無人機巡檢架空輸電線路自主避障導航算法研究

張紅兵 索春光 寧友歡 張文斌

摘? 要： 隨著無人機技術的發展，無人機被廣泛應用于高壓輸電線路進行巡檢，但受到環境因素的影響作業人員對無人機的控制難度較大，甚至導致無人機撞向輸電導線或者鐵塔引發電力事故。因此，提高無人機的自主巡航能力是無人機巡檢高壓輸電線的重要技術，基于此，本文提出一種基于模糊神經網絡多傳感器數據融合方法，實現無人機對架空輸電線路的自主避障導航。該方法首先將需要巡檢的輸電線路的坐標信息輸入無人機飛控系統，實現通過鐵塔坐標對無人機進行全局導航，而在局部則采用虛擬勢場法實現對無人機自主避障。對于多傳感器數據分析，本文將模糊神經網絡結合模糊聚類的方法進行改進提出一種多傳感器數據融合算法，實現對無人機周圍環境的準確采集，從而實現對無人機巡線的自主避障導航。最后構建仿真實驗平臺，對無人機尋線自主避障導航進行模擬實驗，從而驗證了該算法的可行性。

關鍵詞： 無人機尋線，多傳感器數據融合，自主避障導航，模糊神經網絡，自適應

中圖分類號： TP391.9? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.060

本文著錄格式：張紅兵，索春光，寧友歡，等. 無人機巡檢架空輸電線路自主避障導航算法研究[J]. 軟件，2020，41（10）：236241

【Abstract】： With the development of UAV technology， UAVs are widely used in high-voltage transmission lines for inspection， However， under the influence of environmental factors， it is more difficult for the operator to control the drone， and even causes the drone to hit the transmission line or the tower to cause an electrical accident. Therefore， improving the autonomous cruising capability of the UAV is of great significance for the UAV to inspect the high-voltage transmission lines. Based on this， this paper proposes a multi-sensor data fusion method based on fuzzy neural network to achieve autonomous obstacle avoidance navigation of UAVs on overhead transmission lines. This method first inputs the coordinate information of the transmission line that needs to be inspected into the UAV flight control system to achieve global navigation of the UAV through the tower coordinates， and locally uses the virtual potential field method to achieve autonomous obstacle avoidance for the UAV. For the analysis of multi-sensor data， this paper improves the method of fuzzy neural network combined with fuzzy clustering and proposes a multi-sensor data fusion algorithm to achieve accurate collection of the surrounding environment of the drone， thereby achieving autonomous avoidance of the UAV line patrol Barrier navigation. Finally， a simulation experiment platform was constructed to carry out simulation experiments on the autonomous liner avoidance navigation of the UAV， thus verifying the feasibility of the algorithm.

【Key words】： UAV inspection power lin; Multi-sensor data fusion; Autonomous obstacle avoidance navigation; Fuzzy neural network; Adaptive

0? 引言

隨著智能電網和特高壓輸電電網快速增長，高壓輸電線路的數量和長度也在快速增加，在未來一段時間，我國的高壓電網將呈現出電壓等級不斷提高、桿塔高度越來越高、傳輸距離越來越遠、分布范圍越來越廣，同塔多回電路將越來越多的特點[1-3]。以此同時，輸電線路[4]的巡檢工作將是一項艱巨而緊迫的任務，巡檢作業人員的工作量將越來越大。采用無人機進行輸電線路巡視，極大地提高了輸電線路的巡檢質量和效率，降低了維護人員的作業風險和勞動強度，同時又大幅降低線路巡檢的人、財、物，性價比高，具有極高的經濟價值，極大提升了輸電線路運行維護管理水平[5-8]。

針對無人機巡檢輸電線控制難的問題，現階段采用的方法主要是通過無人機搭載圖像采集傳感器將所采集的視頻反饋給地面終端，根據所反饋的圖像信息[8]進行人工遙控遠程操作無人機進行巡檢[9]，但這樣的控制方式會因為GPS導航誤差，飛行過程中陣風過大，天氣因素等影響致使無人機偏離預設航向從而撞上鐵塔等障礙物。同時由于輸電導線線徑太小超聲波傳感器、激光雷達等不容易測到，利用攝像頭傳感器采集圖像信息容易受到、天氣狀況以及環境因素影響，這些都將導致作業人員無法根據反饋的視頻信息辨別無人機與輸電導線、鐵塔等障礙物的實時距離實現即時避障。而且無人機在巡檢架空輸電線路過程中常遇到輸電導線爬坡，急轉彎、架空輸電導線間的不同排列、連接方式的相互結合等復雜情況，這些情況都增加了作業人員對無人機的控制難度，從而導致無人機撞向輸電導線或者鐵塔[9]。針對上述問題，國內外學者對采用無人機對架空輸電線路進行巡檢進行了很多研究，并取得了一些成果。

文獻[10]給出一種模糊算避障算法用于多旋翼無人機上使用的避障策略，以5路超聲波傳感器作為避障所用的距離傳感器;文獻[11] 根據輸電導線周圍的電場環境，利用導線間距與電場強度之間的對應關系，提出了一種基于電場強度變化率的限值判斷的無人機巡檢帶電導線的場強三維差分避障方法，但該方法中所提的場強變化率限值受外界干擾而不能準確求出;文獻[12]提出一種智能避障方法，該方法根據無人機飛行區域的障礙物分布情況建立飛行區域的柱狀避障空間建模，通過將避障系統與輸電導線周圍電場場強分布情況結合，建立神經網絡模型，實現無人機的實時避障。文獻[13]采用了多傳感器融合技術，通過對巡檢過程中可能出現的障礙物進行建模，建立最小安全空間模型和輸電線路周圍電場模型，提出基于模糊神經網絡的方法，對無人機電力巡線的避障技術進行了研究這種方法為電力尋線無人機的避障提供了一定的參考意義，但該方法對的數據處理較大，很難實現實時避障導航;文獻[14]提出了一種高壓線檢測與識別算法，通過對高壓輸電導線進行識別后作為無人機巡線的導航目標，但在應用過程中發現該方法受天氣因素干擾較大，數據處理較為復雜，實時性和安全性不能得到有效保證。國外一些學者基于圖像采集處理為無人機避障導航提供參考，但這些方法對環境要求較為苛刻，對數據處理要求較高，不能被廣泛的應用?；诖耍瑸榱吮ＷC無人機尋線過程中的安全以及提高無人機尋線的可靠性、安全性以及提高尋線的效率，實現無人機的自主避障和自主尋線。本文提出一種基于模糊神經網絡多傳感器數據融合方法實現無人機對架空輸電線路的自主避障導航，該方法首先將巡檢的輸電線路鐵塔坐標輸入無人機飛控系統，通過鐵塔坐標實現對無人機進行全局導航，而在局部則采用虛擬勢場法實現對無人機自主避障。對于多傳感器數據分析，本文將模糊神經網絡與模糊聚類的方法相結合進行改進提出一種多傳感器數據融合算法，實現對無人機周圍環境的準確采集，從而實現對無人機巡線的自主避障導航。文中所述方法為實際應用中的無人機巡檢架空輸電導線自主避障導航提供了參考。

1? 多傳感器數據融合方法

1.1? 避障導航傳感器選擇

基于上述分析，無人機巡檢高壓輸電線所使用的傳感器受到自身測量特性以及環境因素的限制，周圍復雜障礙物信息的不確定性致使無人機處于危險的環境中。每一種傳感器都可以提取避障導航信息的一部分，而提取的這一部分信息由于受到其它因素的干擾不能準確反映目標的準確信息或者只能提取目標的某一部分單一信息，無法準確判斷目標物體的狀態。使用多傳感器對巡檢過程中的各個導航信息進行檢測和融合，通過不同傳感器對外界環境的變化信息進行采集和檢測，從采集的信息中提取有意義的信息，可以充分利用目標物體的特征信息[15-17]。為實現多傳感器數據融合為無人機巡線提供自主避障導航目標，本文采用的傳感器為：采集輸電導線周圍場強信號的工頻電場傳感器、檢測無人機尋線過程中的飛行速度、無人機姿態檢測的加速度計陀螺儀傳感器、以及氣壓計，GPS導航系統，對輸電導線、鐵塔以及周圍障礙物進行實時測距的超聲波傳感器。其系統結構圖如圖1所示。

無人機搭載的主要傳感器模塊布局如圖2所示：將傳感器所采集的數據信息作為系統輸入，其中黑色方塊表示傳感器，分別標記為1、2、3、4、5、6、7、8、9、10、11、12、13其中1、2、3、4為工頻電場傳感器，5、6、7、8為超聲波傳感器，9為GPS接收模塊，10為加速度計陀螺儀MPU6050。

1.2? 基于神經網絡多傳感器數據融合原理

無人機尋線過程是一個復雜的過程，無法建立準確的數學模型進行描述，而模糊理論不需要建立精確的數學模型即可對非線性系統進行控制[18]，模糊邏輯最大的優點是可以以經驗控制難以準確地建立數學模型的系統，而模糊控制規則和隸屬度函數一旦確定就不能更改，這樣系統對外界環境很難具有學習和適應的能力[19]。而神經網絡能夠映射任意函數關系，自學能力強，彌補了模糊邏輯的不足。將神經網絡的學習能力引入到模糊系統中，將模糊系統的模糊化處理、模糊化推理、精確化計算通過分布式的神經網絡來表示是實現模糊系統自組織、自學習的重要途徑。在模糊神經網絡中，神經網絡的輸入輸出節點來表示模糊系統的輸入輸出信號，神經網絡的隱含節點來表示隸屬函數和模糊規則，利用神經網絡的并行處理能力使得模糊系統的推理能力大大提高。與傳統的以概率理論為基礎的融合方法相比，基于糊神經網絡的多源數據融合算法不僅提高了普通人工神經網絡處理精確信息的能力，而且模糊網絡也能夠處理不確定信息以及模糊信息，而且訓練好的網絡無需其他先驗信息，就能夠融合多傳感器信息，很大程度上提高了融合系統的融合能力和準確性[20]。因此，采用模糊神經網絡的方法能較好的解決無人機巡線過程中的多傳感器數據融合的問題。

Kohonen網絡是一種能夠識別環境特征并自動聚類，自組織競爭型的神經網絡。其原理是在網絡學習過程中，當樣本數據輸入網絡時，競爭層上的神經元計算輸入樣本與競爭層神經元權值之間的歐幾里德距離，距離最小的神經元為獲勝神經元。調整獲勝神經元和相鄰神經元權值，使獲得神經元及周邊權值靠近該輸入樣本。通過反復訓練，最終各神經元的連接權值具有一定的分布，該分布把數據之間的相似性組織到代表各類的神經元上，使同類神經元具有相近的權系數，不同類的神經元權系數差別明顯。在學習的過程中，權值修改學習速率和神經元領域在不斷較少，從而使同類神經元逐漸集中。如圖3所示為Kohonen神經網絡學習算法流程。

1.3? T-S模糊神經網絡

T-S模糊神經網絡模型[21]是具有很強自適應能力的系統模型，它具有自動更新系統和模糊隸屬度函數的特性，其T-S模糊神經網絡模型可以描述為：

其中：為系統模糊集;為系統參數;為模糊模型的輸出。

由上述模型可見，輸入是模糊變量，輸出結果則是明確的。

對于輸入，根據模糊規則首先計算輸入變量的模糊隸屬度值。

模糊神經網絡對數據融合的一般過程如圖4所示。

利用Kohonen神經網絡的聚類來確定標準的T-S模糊神經網絡的結構。對模糊神經網絡要處理的數據首先進行聚類處理，假定聚類結果有j個類型，就可以把j作為模糊子集的個數，每個模糊子集代表一條模糊推理機制。于是就用這些規則近似代替各條模糊規則所對應的模糊子集內的所有樣本的規則推理，進一步確定網絡模糊化層中的節點數。

假設輸入層為m維輸入，由聚類神經網絡確定j個模糊子集，從而確定結果的j條模糊推理規則。即模糊化層中每一個輸入節點都對應著j個模糊隸屬函數，假設對于第i個輸入的第j條模糊規則的隸屬度為。多傳感器信息融合過程如圖5所示。

1.4? 算法改進

為了簡化上式算法中計算復雜度和融合精度的問題，對隸屬度連乘算子進行如下改進：

設4個工頻電場傳感器對輸電線路所測的場強等效距離為x1、x2、x3、x4，由于輸電導線周圍的電場強度與所處的環境溫度，濕度有關而且無人機飛行姿態以及鐵塔等周圍障礙物對電場會產生畸變，為了較為準確的根據所檢測電場強度計算無人機與輸電導線之間的距離，需要采用多傳感器對周圍信息進行采集，進過數據融合，輔助測量安全距離;其工頻電場檢測模塊信息融合模型如圖6所示。

四個超聲波傳感器所等效的距離為d1、d2、d3、d4，由于超聲波傳感器能夠測量障礙物與無人機之間的距離，但是對于尋線無人機而言，不同的障礙物，不同形狀的障礙物對無人機巡檢輸電線路的影響程度是不同的，比如高壓輸電線和鐵塔對無人機影響比較大，因此無人機飛行過程中不僅需要檢測障礙物的位置，還需要對障礙物的形狀以及性質進行判斷，因此，需要采用多個傳感器數據融合的形式對障礙物進行檢測。檢測模塊信息融合模型如圖7所示。

無人機此時的巡航速度直接決定了無人機下一步避障的角度和避障速度，因此準確檢測無人機的實時巡航速度對無人機的避障導航是極為重要的，本文采用加速度計傳感器采集無人機巡航的速度V;

GPS接收模塊收到無人機的經緯度坐標與輸電線路的坐標對比、計算，得到無人機與電力桿塔和輸電線路之間的距離D;

輸入、輸出量的模糊化就是把多傳感器探測到的確切信息轉化成模糊量，輸入信息包括超聲波傳感器、激光雷達傳感器、工頻電場檢測傳感器和GPS接收模塊提供的無人機的位置和距離障礙物的信息。

2? 無人機自主避障導航算法研究

2.1? 無人機局部自主導航避障

建立模糊神經網絡對多傳感器數據進行先關處理后得到無人機尋線過程中所遇到的障礙物信息、無人機所處環境中的電磁場強度以及與輸電導線之間的位置關系，由于無人機在巡線過程中，保證無人機巡線安全的情況下盡可能的讓無人機靠近輸電導線及鐵塔以便較快發現導線所存在的問題。但在此過程中，電磁場強度過大會影響無人機的信號，干擾無人機的飛行，影響無人機所攜帶的電子元件，從而影響無人機對信號的采集進而影響對無人機的控制，致使無人機失控從而造成不必要的電力事故，造成重大的損失。但是如果無人機尋跡距離輸電導線較遠，很容易忽略輸電導線的一些故障，達不到巡檢的效果，因此電磁場信號對無人機巡線既是一個引力信號也是一個斥力信號。但輸電導線周圍的電場會受到鐵塔等障礙物的影響而發生畸變，所以需要用多傳感器[22]對相關的場景模式進行識別，將識別的結果結合電場強度進行避障和導航。本文采用虛擬力場法對無人機的自主避障導航提供計算[23]。

虛擬力場法是一種基于人工勢場法原理和柵格法原理結合得到的用于機器人實時避障的方法。該方法將引力場與障礙物周圍的斥力場共同作用，通過搜索勢函數下降的方向來尋找巡航路徑的方法，使得無人機能避開障礙物沿合力的方向規劃飛行軌跡。在文中，將無人機采集障礙物信息的范圍分成若干個視窗單元格，根據障礙物的位置與形狀，每個單元格對無人機會產生不同大小的斥力作用，建立斥力模型如下：

由上式可以看出，由于的作用，當無人機靠近障礙物時，斥力會迅速增大，當無人機遠離障礙物時，斥力會迅速減弱。無人機所受斥力為各個障礙物對它的斥力矢量和，即為：

在巡線過程中，為了讓無人機盡在安全范圍內可能的靠近輸電導線，對無人機巡線產生引力作用的是場強因素，當場強小于某一個閾值時，場強越大，引力越大，但考慮到無人機搭載的電子元器件會受到強電強磁的干擾，所以需要為無人機設定一個場強閾值，當場強超過閾值時，電場強度對無人機產生較強的斥力，在安全范圍內，場強對無人機產生的引力與場強大小呈正相關關系。建立場強對無人機引力的數學模型如下：

2.2? 無人機全局自主導航避障

無人機進行對輸電線路進行巡檢之前需要下載所巡檢的輸電線路的桿塔經緯坐標，為無人機提供巡航檢測目標。當無人機離高壓輸電鐵塔較遠時，可以以下一個鐵塔為目標點進行全局路線規劃，而距離鐵塔較近時，將鐵塔作為障礙物，將下一個鐵塔作為巡檢的目標點，在對每一段輸電線路進行巡檢過程中，全局的路徑規劃引入估價函數，因此，全局的路徑規劃采用改進的A*算法，其數學模型如下：

此時，當估價函數，的g值一定時，就會或多或少制約著估價值h。因此，節點距離目標點越近，則h值越小，值也就相對小，從而在最短路徑的搜索中，能夠保證搜索向終點進行。

3? 無人機自主避障導航算法仿真實驗

3.1? 仿真實驗平臺

針對無人機巡檢輸電線路的真實情況，設計無人機自主巡線避障仿真模型，無人機通過搭載多傳感器對巡檢的輸電線路環境中所設計的障礙物進行檢測，將多個傳感器數據進行相關融合，通過處理后的數據對無人機與障礙物的關系進行識別，達到避障的效果。再通過所設計的避障導航算法對無人機進行航跡規劃，達到無人機自主避障導航的目的。無人機尋線自主避障導航仿真平臺由巡航環境設置、傳感器數據采集、多傳感器數據融合、航跡規劃等部分組成，如下圖8所示。

3.2? 仿真實驗分析

下圖采用數學仿真軟件matlab對算法進行仿真的結果，圖中o表示障礙物所在的位置坐標，藍色直線表示一段輸電導線，紅色的曲線則表示無人機自主避障導航規劃的運動軌跡，無人機在巡航過程中，既要避開輸電導線以及障礙物，還要順著輸電導線進行巡檢。從圖9中可以看出，該算法能夠較好的實現無人機的自主避障。

4? 結語

（1）本文基于T-S模糊神經網絡和聚類神經網絡改進一種對多傳感器數據進行融合，提高了障礙物檢測的準確性，從而為無人機實時避障導航提供可靠的信息。融合后的信息主要分為兩個組，一個組的信息主要以場強為主，當電場強度值小于某一個極限值時場強值對無人機是一個引力信息，無人機在局部以場強信息作為搜索目標進行搜索。另一組以超聲波傳感器檢測信息為主，這一組信息主要表現為障礙物對無人機的影響。表現為斥力信息。

（2）無人機在局部根據所融合的兩組傳感器信息實現導航避障，但這樣當無人機被周圍障礙物包圍時會陷入局部最優，找不到全局目標作為導航信息，或者需要長時間才能找到目標，從而影響巡檢的效率?；诖?，本文采用改進的A*算法實現無人機的全局避障導航。

（3）改進的A*算法以輸電導線的鐵塔為巡檢目標，當無人機被障礙物包圍時，全局目標信息依然有效，從而能夠盡快找到巡航的路徑。無人機在對某一段輸電線路進行巡檢時，需要將該段輸電線路的鐵塔經緯度坐標輸入數據處理系統，通過無人機所搭載的GPS系統檢測無人機實時的位置坐標，從而判斷無人機與下一個鐵塔之間的距離，如果距離較遠，則將該鐵塔作為巡檢的目標，如果與輸電鐵塔的距離較近，則將該鐵塔作為障礙物，將下一個鐵塔作巡檢的目標，從而避免陷入局部最優而影響無人機巡檢的效率，實現無人機在巡檢架空輸電線路過程中的自主避障導航。

（4）本文針對無人機巡檢架空輸電導線提出一種較為簡單有效的多傳感器數據融合自主避障算法，為后續的開發提供了參考，但該算法也存在一些問題，由于傳感器要求精度較高，容易受到噪聲的干擾，以及所選用的傳感器量程較短，所以，當無人機巡航速度較快時，將會降低避障的效果，這是下一步進行改進的點。

參考文獻

[1]IEEE Draft Guide for Unmanned Aerial Vehicle-based Patrol Inspection System for Transmission Lines，" in IEEE P2821/D5， June 2020， vol.， no.， pp.1-49， 8 June 2020.

[2]艾嘉豪， 朱大明. 無人機傾斜攝影測量在三維建模中的應用[J]. 軟件， 2018， 39（6）： 192-195.

[3]皮祖成， 陳文， 馬龍， 等. 面向對象的無人機任務設備通信接收軟件設計[J]. 軟件， 2018， 39（7）： 63-67.

[4]C. Liu， Y. Shao， Z. Cai and Y. Li， “Unmanned Aerial Vehicle Positioning Algorithm Based on the Secant Slope Characteristics of Transmission Lines，” in IEEE Access， vol. 8， pp. 43229- 43242， 2020.

[5]T. Santos et al.， “PLineD： Vision-based power lines detection for Unmanned Aerial Vehicles，” 2017 IEEE International Conference on Autonomous Robot Systems and Competitions （ICARSC）， Coimbra， 2017， pp. 253-259.

[6]陳曉燕， 姚高偉， 張鯤， 等. 基于遺傳算法的無線傳感器節點定位在農業的應用[J]. 軟件， 2015， 36（4）： 1-5.

[7]C. Liu， Y. Shao， Z. Cai and Y. Li， “Unmanned Aerial Vehicle Positioning Algorithm Based on the Secant Slope Characteristics of Transmission Lines，” in IEEE Access， vol. 8， pp. 43229- 43242， 2020.

[8]呂占偉， 陶崢. 無線傳感器網絡定位技術[J]. 軟件， 2015， 36（4）： 76-80.

[9]顧子玲， 李興華. 化工園區氣體排放無線傳感器監測系統算法研究[J]. 軟件， 2015， 36（12）： 171-175.

[10]劉世釗. 輸電線路無人機避障和檢測方法研究[D]. 華北電力大學， 2016.

[11]鄭天茹， 孫立民， 婁婷婷， 等. 無人機巡檢帶電導線的電場測量避障方法[J]. 山東電力技術， 2017， 44（7）： 21-24.

[12]徐華東. 無人機電力巡線智能避障方法研究[D]. 南京航空航天大學， 2014.

[13]邴麗媛， 劉智， 蔣余成. 基于模糊神經網絡的電力巡線無人機避障技術研究[J]. 長春理工大學學報（自然科學版）， 2017（3）.

[14]趙利坡， 范慧杰， 朱琳琳， 等. 面向巡線無人機高壓線實時檢測與識別算法[J]. 小型微型計算機系統， 2012， 33（4）： 882-886.

[15]王耀南， 李樹濤. 多傳感器信息融合及其應用綜述[J]. 控制與決策， 2001， 16（5）： 518-522.

[16]Oates T. R.SiegwartI.NourbakhshIntroduction to Autonomous Mobile Robots2004MIT Press[J]. Artificial Intelligence， 2005， 169（2）： 146-149.

[17]Ayrulu B， Barshan B. Comparative analysis of different approaches to target classification and localization with sonar[C]// International Conference on Multisensor Fusion & Integration for Intelligent Systems. IEEE， 2003.

[18]陳超超. 輪式移動機器人避障的研究[D]. 燕山大學， 2004.

[19]袁新娜. 基于多傳感器信息融合技術的智能小車避障系統研究[D]. 中北大學， 2010.

[20]楊權. 基于模糊神經網絡的多源信息融合[D]. 中北大學， 2017.

[21]石黎， 孫志梅. 教學質量評價的BP神經網絡模型[J]. 軟件， 2015， 36（3）： 19-21.

[22]Quan Q. Introduction to multicopter design and control[M]// Introduction to Multicopter Design and Control. Springer Singapore， 2017.

[23]Gilbert E G. Distance Functions and Their Application to Robot Path Planning in the Presence of Obstacles[J]. IEEE Journal on Robotics & Automation， 2003， 1（1）： 21-30.