基于航線自主規(guī)劃的變電站無人機巡檢

汪楊凱，曾宏宇，趙然，許悅，張勇

摘 要：針對無人機的全局航跡規(guī)劃進行專項研究，在分析了細菌覓食算法和粒子群算法的優(yōu)劣勢以后，建立了一種引用細菌覓食算法的趨化及遷徙算子的改進型粒子群算法，用以改進無人機的全局航跡規(guī)劃問題。圍繞研究主題，確定了以下技術(shù)路線，首先分析了細菌覓食算法、粒子群算法的實現(xiàn)過程，然后剖析了粒子群算法的缺點，提出了一種應(yīng)用細菌覓食算法的趨化及遷徙算子的新型粒子群算法。面向無人機航跡規(guī)劃的需求，分析了三維粒子群航跡規(guī)劃模型、適應(yīng)度函數(shù)、航跡平滑方法、算法早熟收斂判斷等，最后利用Matlab軟件進行仿真分析。通過與傳統(tǒng)粒子群算法作對比，驗證了改進后算法在穩(wěn)定性和尋優(yōu)能力方面具有明顯優(yōu)勢。

關(guān)鍵詞：航線自主;粒子群算法;無人機巡檢;變電站

中圖分類號：TM63 文獻標識碼：A ? ? 文章編號：1001-5922（2021）12-0173-05

Inspection of substation UAV based on autonomous route planning

Wang Yangkai， Zeng Hongyu， Zhao Ran， Xu Yue， Zhang Yong

（State Grid Hubei Electric Power Co.， Ltd.， Maintenance Company， Wuhan 443000， China）

Abstract：The global route planning of UAV is studied. After analyzing the advantages and disadvantages of bacterial foraging algorithm and particle swarm algorithm， a improved particle swarm algorithm using chemotaxis and migration operator of bacterial foraging algorithm is established to improve the global route planning of UAV. The following technical routes are determined： firstly， the implementation process of bacterial foraging algorithm and particle swarm algorithm is analyzed; and then the shortcomings of the particle swarm algorithm are analyzed; thus a new particle swarm algorithm using chemotaxis and migration operators of the bacterial foraging algorithm is proposed. For the requirements of UAV route planning， the three-dimensional particle swarm route planning model， fitness function， route smoothing method， algorithm precocious convergence judgment， etc. are analyzed， and finally the Matlab software is used for simulation analysis. By comparing with the traditional particle swarm algorithm， it is verified that the improved algorithm has obvious advantages in stability and optimization ability.

Key words：route autonomy; particle swarm optimization; UAV inspection; substation

0 引言

全局航跡規(guī)劃指的是綜合分析飛行環(huán)境、飛行約束、突發(fā)威脅等信息要素，最終確定一條確保飛行安全、達成飛行任務(wù)的全局航跡。全局航跡規(guī)劃的前提條件就是快速解析各類信息，由于運算體量極大，常規(guī)的機載CPU難以應(yīng)付，所以必須在無人機起飛前即利用地面計算機做好航跡規(guī)劃，引導(dǎo)無人機在全域內(nèi)進行安全飛行。這一策略的實時性不佳，卻能夠保障航跡規(guī)劃的精度。本文提出的改進粒子群算法是以原始粒子群算法為基礎(chǔ)，通過引入細菌覓食算法的趨化及遷徙算子，用以規(guī)避原始粒子群算法的缺點，由此構(gòu)建基于改進粒子群算法的三維航跡規(guī)劃模型，然后利用B樣條曲線法對航跡進行平滑化處理，最終完成離線全局航跡規(guī)劃。本文利用Matlab軟件開展仿真研究，證實了改進粒子群算法的應(yīng)用優(yōu)勢。

1 基本方法

1.1 粒子群算法

粒子群算法具有易于實現(xiàn)、精度高、收斂快等特征，從而廣泛應(yīng)用在工程領(lǐng)域。該算法的具體思路是模擬現(xiàn)實鳥群中的個體，依據(jù)鳥群覓食行為來指導(dǎo)可行解的變換優(yōu)化。粒子群算法擺脫了對外部信息的依賴，利用適應(yīng)度函數(shù)對進化過程進行判斷，任一個體可根據(jù)全局機制和個體極值來確定最優(yōu)解。粒子群算法具體步驟如圖1所示。

粒子群算法雖方法簡易、快速收斂以及搜索精度高，但粒子群算法存在早熟收斂的缺陷。

1.2 細菌覓食算法

細菌覓食算法（BFO）屬于典型的仿生搜索算法，它效仿了大腸桿菌的生理性覓食行為，圍繞實際問題建立模型，然后進行迭代運算，最終找到最優(yōu)解。具體實現(xiàn)過程為：隨機生成初代解群體（細菌種群），求解不同個體的適應(yīng)度函數(shù)值，基于細菌群體感應(yīng)機制，利用趨化、遷移、繁殖等不同算子執(zhí)行迭代運算，最終找到準最優(yōu)解或最優(yōu)解。以上步驟見細菌覓食算法邏輯流程圖，具體如圖2所示。

2 基于改進粒子群算法的無人機巡檢全局規(guī)劃

2.1 路徑規(guī)劃步驟

在搜索初期，粒子群算法在全局進行快速搜索，卻無法保障局部尋優(yōu)性能，甚至因粒子速度過大而無法確定最優(yōu)解。此外，在“跟隨”思想的引導(dǎo)下，不同粒子朝向統(tǒng)一方向行進，由此造成了粒子同一化的問題，直接降低了種群多樣性，致使尋優(yōu)過程陷入了局部最優(yōu)的問題。對此，本文通過引用BFO的趨化及遷徙算子而對粒子群算法進行改進。具體來說，趨化算子的功能是引導(dǎo)細菌對其所在位置的領(lǐng)域進行搜索，而對外搜索的方向是由適應(yīng)度函數(shù)決定的，在引入趨化算子以后，PSO算法能夠有效規(guī)避因粒子速度過大而錯失最優(yōu)解區(qū)域的問題，從而有效改善了PSO算法的局部搜索能力。隨著遷徙算子的引入，實際上賦予了粒子群算法從局部尋優(yōu)過程跳脫出來的能力，但這卻是以犧牲尋優(yōu)速度作為代價的。對此，需要按照適應(yīng)度高低對粒子進行排序，僅對適應(yīng)度的粒子賦予遷移概率。

具體的改進粒子群算法的無人機全局航跡規(guī)劃步驟：

（1）對環(huán)境信息進行初始化。對規(guī)劃空間的邊界進行界定，設(shè)定起始點及目標點，確定粒子最大速度max v以及最大迭代次數(shù)max gen。

（2）對種群進行初始化。設(shè)置種群規(guī)模sizepop以及粒子大小sizepart，規(guī)劃出sizepop條可行航跡，任一條航跡中包含的航跡點數(shù)是sizepart。

（3）求解初始適應(yīng)度函數(shù)值0 f，把粒子當前位置定義成個體極值0pbest，把適應(yīng)度最高的粒子位置定義成全局極值0gbest，確定學(xué)習(xí)因子1c、2c以及迭代次數(shù)k=1，界定慣性權(quán)重w。

（4）利用策略對慣性權(quán)重進行更新，結(jié)合粒子位置、粒子速度進行更新，求解出個體適應(yīng)度值k。若搜索到適應(yīng)度更高的全局極值和個體極值，則對全局極值 gbestk和 pbestk個體極值進行更新。需要注意的是，在更新全局極值的過程中，通過引入趨化算子能夠?qū)植繉?yōu)進行改進。

（5）對算法是否陷入局部尋優(yōu)過程進行判別，若判別結(jié)果是已經(jīng)開始局部尋優(yōu)，則對低適應(yīng)度的粒子進行遷徙操作，否則跳轉(zhuǎn)至步驟（6）。

（6）檢測是否達到最大迭代次數(shù)或者判定是否滿足停止迭代條件，若滿足以上任一條件，則步入步驟（7）;若未能滿足以上條件，則反跳至步驟（4），并設(shè)定k=k+1。

（7）通過B樣條曲線法對航跡執(zhí)行平滑化處理，在三維地圖上規(guī)劃出最終的三維航跡。

2.2 具體實現(xiàn)

2.2.1 粒子種群進行初始化實現(xiàn)

對粒子種群進行初始化操作，隨機生成一組可行隨機航跡，其中的一條航跡對應(yīng)于粒子群中的一個粒子。假設(shè)一條連接初始點S與目標點G的航跡，其中包含了n個中間節(jié)點和n+1個航段，由此推算出該條航跡存在n+2個粒子維數(shù)。

任意選擇 x 軸、 y 軸或 z 軸作為主方向，航跡點在主軸上的坐標是等距分布的，通過比較、、的大小，其中最大值的方向即為主方向。此外，通過隨機初始化的方法即可確定其余兩個軸方向的坐標。舉例來說，設(shè)定 x 軸是主方向，若最大值是? ? ? ? ? ? ? ? ? ? ? ? ，則規(guī)劃空間分割過程如圖3所示。

沿著 x 軸方向?qū)σ?guī)劃空間進行分割，由此獲得n個平面（各平面的編號是1，2，3，…， n），可行航跡也同時被分割城市n+1段，各個航點分別落在各個分割平面上，比如，第i個航點分布在第i個平面上，該航點的xi坐標為

雖然其余兩個軸方向上的坐標是隨機產(chǎn)生的，但仍要確保航點處于可行域內(nèi)。

式中，rand表示[0，1]區(qū)間中的隨機數(shù)。

在確定坐標以后，如果，意味著該航跡點分布在障礙物中，需要再次獲取新坐標。由此最終建立一條可行航跡，該航跡中的第m個粒子為

假定 x 軸方向是主方向，對第 i 個粒子的第 d 維速度進行初始化。如此遍歷所有粒子，隨即開啟種群的迭代求解步驟，在每一輪迭代中都要對粒子速度、粒子位置進行更新。

可利用下式對第i個粒子的第d維位置進行更新，算式如下：

遵循以上過程，即可完成粒子群算法航跡規(guī)劃的迭代尋優(yōu)。

2.2.2 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)值直接反映了可行航跡的優(yōu)劣，它在粒子群算法航跡規(guī)劃的迭代尋優(yōu)過程中發(fā)揮著決定迭代進化的作用，并且對航跡規(guī)劃質(zhì)量、算法執(zhí)行效率等產(chǎn)生影響。以航跡xm為例，在算法實施過程中建立適應(yīng)度函數(shù)，即：

式中，w1、w2、w3和w4分別表示飛行俯仰角、飛行偏航角、航跡長度、飛行高程的權(quán)重系數(shù)。

2.2.3 算法早熟收斂判斷

在搜索后期容易出現(xiàn)種群粒子同一化的問題，這直接導(dǎo)致粒子群算法陷入局部尋優(yōu)的桎梏中。前文已經(jīng)介紹了利用BFO算法的遷移算子打破PSO算法局部尋優(yōu)的思路，本小節(jié)重點介紹種群陷入局部最優(yōu)的判斷條件。

粒子種群適應(yīng)度方差表征了粒子的聚集程度，其可用于檢測算法早熟收斂現(xiàn)象，計算公式：

2.2.4 航跡平滑

通過前文粒子群算法航跡規(guī)劃搜尋到一條從起點到終點的優(yōu)化航跡，可是，該優(yōu)化航跡是由許多離散點構(gòu)成的，其中包含了一些無人機難以最終的尖角;對此，必須采取方法對航跡中的尖角進行平滑處理。在過去，人們利用Bezier曲線進行航跡平滑處理，但是存在控制點難以選擇的缺陷，而B樣條曲線繼承了Bezier曲線的應(yīng)用優(yōu)勢，并且衍生出幾何不變性、保凸性、局部支撐性、變差減小性等優(yōu)勢特征，因而能夠在航跡平滑處理中發(fā)揮出更好效果。

引入均勻3次B樣條曲線方法對優(yōu)化航跡執(zhí)行平滑處理，其計算公式：

3 無人機電力巡檢全局航跡規(guī)劃仿真

3.1 參數(shù)設(shè)置

利用Matlab軟件進行仿真研究，對比分析傳統(tǒng)粒子群算法和改進粒子群算法的優(yōu)劣勢。本次研究的硬件配置是：win7 64位系統(tǒng)，2.5 GHz頻率CPU，8 G運行內(nèi)存。在Matlab平臺上營造2種不同情景，依次利用傳統(tǒng)粒子群算法和改進粒子群算法進行航跡規(guī)劃，由此獲得2種算法的仿真結(jié)果。

在場景1中，巡檢任務(wù)的起點是（5，5，10），終點是（40，40，15），航跡規(guī)劃的環(huán)境參數(shù)如表1所示。

在場景2中，巡檢任務(wù)的起點是（10，10，10），終點是（80，70，15），規(guī)劃環(huán)境的參數(shù)如表2所示。

改進粒子群算法沿用了傳統(tǒng)粒子群算法的參數(shù)，同時引用了細菌覓食算子（其中，遷徙概率是0.25，趨化次數(shù)Nc=30，游動步長c=0.05R）。傳統(tǒng)粒子群算法的參數(shù)設(shè)置情況如表3所示。

3.2 仿真結(jié)果

在場景1下，傳統(tǒng)粒子群算法和改進粒子群算法的航跡規(guī)劃結(jié)果如圖4和圖5所示。

4 結(jié)語

分析可知，傳統(tǒng)粒子群算法和改進粒子群算法均能夠適應(yīng)不同規(guī)模的三維環(huán)境，并且成功搜索出一條可行的全局航跡，可改進型粒子群算法在航跡長度、航跡平滑度等方面具有顯著優(yōu)勢。此外，根據(jù)改進粒子群算法航跡規(guī)劃的最優(yōu)適應(yīng)度曲線來看，通過引入BFO算法的趨化算子，改進粒子群算法的局部尋優(yōu)能力得以增強，整體的收斂速度得以提升;通過引入BFO算法的遷徙算子，改進粒子群算法在陷入局部尋優(yōu)以后，也能夠快速跳出局部最優(yōu)，從而強化了全局尋優(yōu)能力，最終獲得的航跡規(guī)劃結(jié)果在航跡長度、平滑度、適應(yīng)度等方面都有所改進。

參考文獻

[1]MONTAMBAULT S，BEAUDRY J，TOUSSAINT K，et al. On the application of VTOL UAVs to the inspection of power utility assets[C]. Qazvin：IEEE Press， 2010.

[2]王彥國. 無人機巡檢輸電線路技術(shù)的應(yīng)用分析[J]. 中國高新技術(shù)企業(yè)，2016（23）：6-9.

[3]中國南方電網(wǎng)有限責(zé)任公司. 架空輸電線路機巡技術(shù)[M]. 北京：中國電力出版社，2019.

[4]厲秉強，王 騫，王濱海，等. 利用無人直升機巡檢輸電線路[J].山東電力技術(shù)，2010（01）：1-4.

[5]錢金菊，麥曉明，王 柯，等. 廣東電網(wǎng)大型無人直升機電力線路規(guī)模化巡檢應(yīng)用及效果[J]. 廣東電力，2016，29（05）：124-129.

[6]侯 飛，孫麗梅. 分析無人機巡檢輸電線路技術(shù)及應(yīng)用實踐[J]. 電子技術(shù)與軟件工程，2019（03）：228.

[7]萬 力，劉 軍. 無人機巡檢輸電線路技術(shù)的應(yīng)用分析[J]. 中國新通信，2019，21（17）：107.

[8]Qing Yang， Zhong Yang， Tianyi Zhang，et al. A random chemical reaction optimization algorithm based on dual containers strategy for multi-rotor UAV path planning in transmission line inspection[J]. Concurrency and Computation：Practice and Experience， 2019， 31（12）：215-223.

[9]郭亦平，王益民，林 莉，等. 基于空間視線導(dǎo)引法的AUV三維航跡控制技術(shù)研究[J]. 聲學(xué)與電子工程，2019（04）：28-32.

[10]Tang Jun，Sun Jiayi，Lu Cong，et al.Optimized artificial potential field algorithm to multi-unmanned aerial vehicle coordinated trajectory planning and collision avoidance in three-dimensional environment[J].Proceedings of the Institution of Mechanical Engineers，2019，233（16）：6 032-6 043.