復雜環境下無人機智能巡檢軌跡規劃方法研究

田小壯，石 輝，劉家辛，曹 飛，常雪婷

（1.國網新疆檢修公司，新疆烏魯木齊 830000；2.北京中飛艾維航空科技有限公司，北京 100176）

目前，變電站巡檢主要依賴于人工巡檢，對于高度較高的輸變電設備，需要檢測人員爬上輸變電設備或通過望遠鏡、紅外檢測儀等輔助設備進行檢測[1-5]。人工巡檢過程需要花費巨大的人力資源，且巡檢危險性高、準確度低，容易因巡檢人員的主觀印象、不規范操作等問題造成檢測結果出錯[6-9]。

隨著物聯網技術的高速發展，無人機逐漸應用于變電站巡檢。通過搭載的攝像頭或紅外檢測儀采集輸變電數據，結合大數據分析技術實現變電站的智能巡檢[10-11]，其具有巡檢效率高、準確度高與成本低的優點[12-15]。

因此文中開展無人機智能巡檢關鍵技術研究，基于三維激光點云數據，實現變電站復雜環境的仿真建模，解決在750 kV 及以上電壓等級變電站的復雜環境下無人機智能巡檢軌跡規劃問題[16]。

1 基于RTK的無人機定位方法

實時動態差分法（Real-Time Kinematic，RTK）是常用的GPS 定位方法，通過載波相位差分技術實現厘米級精度的實時定位。該文采用RTK 技術，實現無人機的精準定位。

1.1 載波相位觀測模型

假設衛星在ti時刻發射載波信號，其初始相位為φ(ti)；觀測站T1在tj時刻接收到載波信號，其相位為φ(tj)，則衛星發出與觀測站接收到的載波信號相位延遲為：

式中，N為相位延遲的周期整倍數部分，ΔN為相位延遲的整數部分。

由于衛星與觀測站的時鐘和系統時鐘存在差別，因此有：

式中，Ti與Tj分別為衛星發出和觀測站接收到載波信號的時間；δti與δtj分別為衛星和觀測站與系統的時間偏差。

載波信號的相位與頻率存在線性關系：

結合式（1）～（3）可得：

式中，δρ1和δρ2分別為電離層與對流層對載波信號傳輸延遲的影響，ρ為衛星與觀測站的距離。

由此得到，觀測站對衛星的載波相位觀測模型為：

1.2 載波相位觀測單差分模型

如圖1 所示，通過兩個觀測站T1與T2同時對衛星m發射的載波信號進行接收，分別建立T1和T2的載波相位觀測模型，模型中的數值關系如式（7）所示。

圖1 載波相位觀測單差分模型

通過差分計算消除公有誤差的影響，得到載波相位觀測單差分模型：

1.3 載波相位觀測雙差分模型

設兩顆衛星m與n由觀測站T1、T2對其展開載波相位觀測，如圖2所示。建立單差分觀測模型，如下：

圖2 載波相位觀測雙差分模型

衛星m的坐標為(xm,ym,zm)，觀測站T1的坐標為(x1,y1,z1)，則二者的距離如下：

2 無人機智能巡檢軌跡規劃方法

2.1 變電站無人機智能巡檢系統

變電站無人機智能巡檢系統架構，如圖3 所示，其主要分為機載系統與地面系統兩部分。

圖3 變電站無人機智能巡檢系統架構

機載系統包括飛行控制系統與任務系統，實現無人機飛行智能控制，完成圖像等數據的測量采集任務；地面系統包括監控系統與數據處理系統，實現對無人機巡檢過程的監控以及對回傳的巡檢數據處理分析，從而發現變電站存在的安全風險隱患[17-18]。

2.2 基于改進RRT算法的巡檢軌跡規劃

1）復雜環境三維空間建模

750 kV 及以上電壓等級的變電站，在電塔高度、設備種類、電氣接線等方面更加復雜。利用無人機進行智能巡檢需要更全面的考慮復雜環境的影響，主要障礙物是電氣設備與電塔。

點云數據是常用的一種數據結構，該數據包含了豐富的目標物體表面及細節信息。但每組點云數據之間的聯系卻較為模糊，因此有必要通過建立相應的拓撲關系網絡，明晰數據之間的關系，從而實現有效信息的快速獲取。

文中采用八叉樹模型構建變電站三維激光點云仿真模型，其核心思路是將變電站三維空間劃分成8個立方體子空間，然后繼續合并或分割這些子空間，當達到最大遞歸層次或子空間個數為空時，循環結束。其流程如圖4 所示。

圖4 基于八叉樹的變電站三維點云建模流程

2）基于改進RRT 算法的智能巡檢軌跡規劃方法

快速拓展隨機樹（Rapidly-exploring Random Tree，RRT）算法是解決軌跡規劃問題的常見方法，在可行空間中進行隨機選點。通過碰撞檢測確定路徑，能夠適應復雜環境下無人機的軌跡規劃。但由于RRT 算法搜索的隨機性，生成的路徑通常不是最優的且存在眾多冗余節點。因此，文中提出一種去冗余節點的改進方法。

圖5（a）為RRT 算法的搜索示意圖；圖5（b）為去冗余節點的改進方法示意圖，基于改進RRT 算法的軌跡規劃過程包括以下步驟：

圖5 基于MRRT算法的無人機智能巡檢軌跡規劃

①以起始節點qstart作為隨機樹起始根節點。

②隨機節點qrand是目標節點qend的概率為p，是巡檢空間中任意點的概率為(1-p)。

③從已有隨機樹的葉節點中選取距離隨機節點qrand最近的點，稱為臨近節點qnear。

④從臨近節點qnear出發，往隨機節點qrand的方向延伸步長λ的距離，得到新節點qnew。

⑤判斷臨近節點qnear與新節點qnew間的路徑上是否存在障礙物。若是，則返回步驟②；否則，將新節點qnew加入隨機樹，進行下一步。

⑥判斷當前隨機樹是否包含目標節點qend。若是，則進行下一步；否則，返回步驟②。

⑦在當前隨機樹，從目標節點qend出發向起始節點qstart進行逆向搜索，確定巡檢軌跡。

⑧對巡檢軌跡進行去冗余節點操作，若巡檢軌跡中兩點之間的路徑未有障礙物，則刪除中間節點。

3 算例分析

將該文所提方法應用于某750 kV 變電站的無人機智能巡檢過程進行仿真分析，驗證所提方法的有效性與正確性[19-21]。

3.1 基于RTK的無人機定位精度分析

傳統無人機定位方法與基于RTK 技術的定位方法仿真結果，如表1 所示。可見傳統定位方法在Z方向上的定位偏差最大，數值為±0.83 m，相應標準差為0.321 8；而RTK 方法在X、Y與Z方向上的定位偏差均小于傳統方法，在Z方向上定位最大偏差僅為±0.22 m，具有更高的定位精度。

表1 3個方向定位最大偏差和標準差

3.2 巡檢軌跡規劃結果分析

RRT 算法改進前后的規劃結果對比，如圖6 所示。可見傳統RRT 算法所得巡檢軌跡由較多折線連接形成，中間存在38 處轉折點，路徑總長度為1 232.62 m；改進RRT 算法所得巡檢軌跡僅存在5 處轉折點，路徑長度為875.16 m。由此可見，改進RRT算法能夠有效縮減巡檢路徑長度，達到降低巡檢無人機飛行能耗的目的。

圖6 改進RRT與傳統RRT算法軌跡規劃對比

4 結束語

文中分析RTK 技術的原理，構建了變電站無人機智能巡檢系統架構，采用八叉樹模型實現變電站三維激光點云仿真建模，進一步提出基于改進RRT的無人機智能巡檢軌跡規劃方法。通過算例仿真表明，該文所提出的基于RTK的定位方法在X、Y與Z3 個方向上均具有更小的定位偏差和標準差，能夠提高無人機定位準確度。所提基于改進RRT 算法的變電站智能巡檢軌跡規劃方法，能夠在保證巡檢范圍的前提下縮減巡檢路徑長度，降低巡檢成本。