基于5G網絡和AI邊緣計算的無人機巡檢實時視頻傳輸技術研究

盛從兵，邵 震，胡永輝，吳述偉

國家電網濮陽供電公司，河南 濮陽 457000

0 引言

近年來，無人機巡檢已成為輸電線路的重要巡檢手段，其巡檢效益和質量相比傳統人工巡檢有顯著提高。但是，現階段無人機巡檢仍主要依靠人工手動操作無人機完成，存在下述問題：巡檢效果受操作人員技能水平、操作經驗、環境突變等因素制約；缺乏高精度自主定位及視覺導航跟蹤技術，無法實現輸電線路設備及通道缺陷的實時識別；巡檢數據傳輸效率不高。

5G網絡具有高性能、低延時、大容量等突出特點，可為無人機的應用提供大帶寬、高可靠、低時延的通信鏈路，賦予無人機實時高清圖傳能力。AI邊緣計算具有計算速度快等優點。文章主要研究將5G網絡、AI邊緣計算應用到無人機巡檢，如此可顯著提高無人機的巡檢效果。

1 5G網絡及AI邊緣計算概述

5G網絡可以支持厘米級高精度定位數據傳輸，在無人機的飛行數據安全保障方面具有明顯的優勢[1-5]。

邊緣計算屬于一種分布式計算，邊緣計算網關的功能設計非常強，包含輕量級的容器，可按需為客戶部署行業App，并通過云管理實現分鐘級的部署，在網絡邊緣即可實現實時、智能的數據分析和數據聚合。同時它是開放式的，支持多種協議與接口規范，可適用于不同的行業場景[6-8]。

邊緣AI指在硬件設備上本地處理的AI算法，可以在沒有網絡連接的情況下處理數據。這意味著可以在無須流式傳輸或在云端數據存儲的情況下進行數據創建等操作。在實際操作中出現了越來越多的設備數據無法依賴云端處理的情況，比如，工廠的機器人和自動駕駛汽車都需要以最低的延遲高速處理數據。為了實現這些目標，邊緣計算可以在云上靠深度學習生成數據，而在數據原點即設備本身（邊緣）執行模型的推斷和預測。以工廠的工業機器人為例進行分析。AI技術能夠以人類無法企及的速度，對來自監控攝像頭和傳感器的大量多模態數據進行可視化和評估，以檢測生產線上人類可能忽略的故障數據。這類物聯網結構可以存儲生產線上產生的大量數據，并通過機器學習進行分析。同時，能夠提高工廠智能化程度的AI模型的核心，具體如圖1所示。

圖1 邊緣AI模塊

2 基于5G網絡和AI邊緣計算的實時視頻傳輸技術

2.1 技術原理

目前，云計算幾乎是所有應用程序的主流解決方案，移動終端在大多數場景中僅負責發送請求、接收返回數據、渲染畫面等操作。在云計算中，龐大的、來自地理位置各異的移動用戶終端的服務請求首先通過有線或無線的方式傳入接入網（Access Network），再經過主干網（Backbone）傳送給服務所在的數據中心進行處理。在此過程中，位于云端的數據中心才是真正負責處理用戶服務請求的地方，而主干網的傳播耗時相對較長，不利于對延遲極其敏感的應用程序。因此，有必要降低延遲。

降低延遲有兩種方法：第一種方法是增加硬件性能以及帶寬，這種方式需要加大資金投入；第二種方法是直接改變計算范式，即盡可能取消請求和數據在主干網上的路由。具體為邊緣計算直接把計算和處理能力從云數據中心下沉到用戶接入網。隨著5G時代的到來，這種計算范式上的轉變勢在必行。5G使用了更高的頻帶，無線信號的覆蓋范圍將會受限，為了做到全面覆蓋，需要部署大量微基站[9]。因此，可以賦予這些微基站一定的計算能力，甚至可以在周圍建立小型數據中心，直接處理來自微基站轉發來的服務請求，從而可以完全避免主干網上極其耗時的路由開銷。

當然，以上僅僅是最理想的情況，目前更多的研究人員推崇的是“device-edge-cloud synergy”，即“云-邊-端協同處理”。云-邊-端協同處理應依據以下特征：端通常是計算受限、電池受限的，相比端，邊的計算能力更強，但是與云相比則是小巫見大巫。用戶體驗的延遲則正好相反。例如，如果要在移動端完成一個DNN分類的任務，可以將已經訓練好的DNN模型進行切分，前一半網絡層（假設計算不密集）放在邊緣服務器上，后一半計算密集型的網絡層放到云數據中心。用戶作為端將待分類的圖片發送給邊，邊將前半部分返回的結果發送給云，由云來完成后半部分，將最后結果再回傳給端。這個過程需要在計算開銷和通信開銷之間做權衡。

2.2 實時視頻傳輸技術

輸電線路處于野外，采用人工巡視方式不但效率低下，而且存在一定的安全風險。同時，巡檢無人機存在自主水平低、故障識別精度低、續航里程短等問題，嚴重制約了無人機的推廣應用，從而無法保障無人機巡檢結果的及時性、有效性、全面性。當前的4G網絡只支持1 K的圖傳，傳輸的圖像清晰度不足，不能對某些細節位置進行查看；而5G網絡傳輸速率達到100 Mbps以上，時延在10 ms以內，可顯著提升無人機所獲取視頻的清晰度。因此，利用無人機搭載5G模塊進行實時視頻或圖像傳輸的電力巡檢，是保障其可靠性運行的重要手段。

無人機可配備多種傳感器（包括紅外相機、激光雷達），按照預先設定要求進行巡檢。將5G網絡與AI邊緣計算技術綜合應用到無人機控制中，可實現7×24 h的不間斷巡檢。具體巡檢數據無線傳輸及處理原理如圖2所示。

圖2 數據無線傳輸及處理原理圖

配備多種傳感器的無人機可實時采集視頻數據，通過機載AI邊緣計算智能模塊實時處理并確定目標位置，進一步確定拍照位置，進行精準對焦和拍照。AI邊緣計算智能模塊通過連入5G網絡，將處理后的視頻或者對焦拍照的圖像實時傳輸回地面站，地面站配有5G網絡，可實時接收回傳數據和顯示無人機飛行狀態，具體網絡架構如圖3所示。

圖3 數據無線傳輸及處理的網絡架構

3 結束語

供電電網的供配電線路一般處于遠離城鎮的郊區或者偏遠的野外，具有線路結構組件多、故障類型多、維護困難等特點。供電線路出現故障可能導致大范圍斷電，從而嚴重影響社會生產與生活。因此，提高供電線路可靠性和巡檢能力具有重要意義。

人工巡檢方式雖然可直觀掌握供電線路的實際情況，但是存在巡檢效率較低、安全風險較高等問題，而無人機智能巡檢受環境、氣候、作業時長等因素的影響較小，運維成本較低，可顯著提升巡檢效率。將5G網絡和AI邊緣計算應用到巡檢視頻實時傳輸中，可提升巡檢結果的傳輸效率，為后續的無人機智能化、自主化巡檢創造良好條件。