论文部分内容阅读
摘 要：为了解决输电线路无人机巡检作业易受恶劣天气影响、远距离遥控不及时、通信稳定性差等问题，提出了一种输电线路无人机自主巡检方法。首先，利用卡尔曼滤波算滤除原始线路中的轨迹噪点，采用垂距法对轨迹冗余点进行过滤，优化巡检航线;其次，提出基于巡检对象差异特性的动态优化定位方法提升无人机巡检质量。以某220 kV输电线路杆塔进行测试，测试结果表明，提出的方法解决了航线采集以及定位优化问题，贯穿航线学习到自主巡检的流程之中，兼顾了无人机自主巡检效率以及巡检精确度。
关键词：输电线路;无人机自主巡检;航线自学习;定位优化
Abstract：In order to solve the problems such as vulnerable to bad weather， untimely remote control and poor communication stability， the uav autonomous inspection method is proposed in this paper. Firstly， kalman filter was used to filter the track noise points in the original line， and the offset method was used to filter the track redundancy points， so as to optimize the inspection route. Secondly， a dynamic optimization positioning method based on the difference characteristics of inspection objects is proposed to improve the quality of uav inspection. A 220kV transmission line tower was used for the test. The test results showed that the method proposed in this paper effectively solved the problems of route acquisition and positioning optimization， learned the process of autonomous inspection throughout the route， and took into account the autonomous inspection efficiency and accuracy.
Key words：transmission line; uav autonomous inspection; route self-learning; location optimization
輸电线路穿越复杂、偏远的地区，在长期运行过程中极易遭受自然灾害和人为破坏，进而引发严重的电力事故，影响电网安全与稳定运行[1]。随着无人机巡检技术的逐渐成熟，其在电力系统、地质勘探、环境监测等各个领域得到了广泛应用[2-4]。目前，无人机仍需要专业人员操作，无人控制、完全自主作业能力尚未实现。
无人机自主巡检关键在于自动获取“无人机巡检轨迹航线”数据，而当前学术领域对该方向研究大部分集中在轨迹跟踪控制上[5-7]，对于飞行控制之前轨迹数据获取方式研究相对较少。现有航线学习策略往往是通过飞手控制无人机模拟一段作业轨迹航线，并在飞行过程中通过不断触发、记录位置点状态来获取目标轨迹线路。这种方法弊端在于人为触发记录位置点状态操作容易被遗忘，使得获取的轨迹航线存在较大偏差，进而可能引发无人机炸机事故。
为此，提出了一种输电线路无人机自主巡检方法，利用卡尔曼滤波算滤除原始线路中的轨迹噪点，采用垂距法对轨迹冗余点进行过滤，优化巡检航线;其次，提出基于巡检对象差异特性的动态优化定位方法提升无人机巡检质量，有效解决了航线采集以及定位优化问题，贯穿航线学习到自主巡检的流程之中，兼顾了无人机自主巡检效率以及巡检精确度。
1 航线自学习
1.1 位置点信息提取与噪点滤波
输电线路无人机原始巡检轨迹是由飞行过程中实时记录的位置点构成，每一个位置点都可以视为观测值，其中不免存在噪点（即不准确的位置点），噪点的存在不仅会加重计算负担，而且严重影响航线学习精度，为此需要对原始轨迹进行滤波处理，但在滤波之前需要首先建立无人机的动力学模型，具体为：
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据对系统状态进行最优估计的算法[8]。由公式（2）可知，在建立无人机状态方程后，需要对其下一时刻的位置信息进行预测（或估计），卡尔曼滤波恰好可以实现这一功能，同时也可以滤除位置信息中的噪声。
传统的卡尔曼滤波需要进行矩阵逆运算，对于实时性要求较高且计算量有限的无人机机载端运算系统来说，不利于算法的高效利用。因此，本文选择文献[9]提出的一种基于泰勒级数展开的卡尔曼滤波算法，该算法无需进行矩阵逆运算，且算法仍可满足性能要求。
1.2 路点筛选
利用卡尔曼滤波得到原始位置点的状态数量仍然较多，这会导致无人机需要飞行的位置点过多，严重降低飞行效率，因此需要对位置点状态集合中的位置点进行筛选。例如，对于一条直线线段轨迹，只需筛选出直线的起始与结束端点就可以确定这条直线轨迹，而不用去记录直线线段上的所有点。
结合无人机现实作业场景，可知需要筛选的位置点包括：轨迹起始位置点，拍照位置点，轨迹拐点，轨迹结束位置点。设计如图1所示的路点筛选流程，该筛选流程的数学表示为： 图1中的筛选条件可以直接根据位置点的状态数据进行判断，其中是拐点的判断是根据垂距限值算法进行处理的。垂距限值算法流程如图2所示，具体计算过程如下，保留的点即为拐点：
（1）以第二个点开始，计算第二个点到前一个点和后一个点所在直线的距离d，如果d大于阈值，则保留第二个点;
（2）计算第三个点到第二个点和第四个点所在直线的距离d，如果d小于阈值则舍弃第二个点，计算第三个点到第一个点和第四个点所在直线的距离d;
（3）依次类推，直到曲线上倒数第二个点。
通过上面的路点筛选流程，可以得到筛选后的目标融合轨迹线路。
1.3 轨迹相似度
在得到滤波、筛选后的融合线路后，需要对比融合线路与原始线路之间的相似度，从而判断经过处理后的位置点轨迹线路是否可接受。本文利用欧氏距离dE（·）计算相似度，如式（6）所示：
在经过上述处理后，轨迹相似度全部落在了0和1之间，且取值越大，相似度越高。即表明通过自学习得到的航线的精度满足要求，可以用于自主巡检中。
2 不同设备的精准定位方法
电力设备尺寸各异，拍摄要求不一，在规范化作业的过程中，不同设备的特性决定了它在画面中的大小。部分巡检目标在照片中占用画幅大，如图3（a）所示，无人机垂直高度精度稍微变差就可能导致拍不全;部分巡检目标在照片中占幅较小，允许无人机在水平与垂直定位精度存在一定的偏差，如图3（b）所示;部分目标尺寸小，在画面的占幅小，对精度的要求较低，如图3（c）所示，即使路点水平或者垂直定位精度出现较大的误差，拍摄图像也可以包含目标物。
因此，在实现航线自主学习的基础上，本文一种提出基于巡检对象差异特性的动态优化定位方法，从而提升了无人机自主巡检质量和效率。
针对设备在基准图像中的画面占幅特性设置不同的定位容忍阈值T，在巡检中根据无人机与目标设备的水平径向距离实时调整容忍距离T′，只要满足T
关键词：输电线路;无人机自主巡检;航线自学习;定位优化
Abstract：In order to solve the problems such as vulnerable to bad weather， untimely remote control and poor communication stability， the uav autonomous inspection method is proposed in this paper. Firstly， kalman filter was used to filter the track noise points in the original line， and the offset method was used to filter the track redundancy points， so as to optimize the inspection route. Secondly， a dynamic optimization positioning method based on the difference characteristics of inspection objects is proposed to improve the quality of uav inspection. A 220kV transmission line tower was used for the test. The test results showed that the method proposed in this paper effectively solved the problems of route acquisition and positioning optimization， learned the process of autonomous inspection throughout the route， and took into account the autonomous inspection efficiency and accuracy.
Key words：transmission line; uav autonomous inspection; route self-learning; location optimization
輸电线路穿越复杂、偏远的地区，在长期运行过程中极易遭受自然灾害和人为破坏，进而引发严重的电力事故，影响电网安全与稳定运行[1]。随着无人机巡检技术的逐渐成熟，其在电力系统、地质勘探、环境监测等各个领域得到了广泛应用[2-4]。目前，无人机仍需要专业人员操作，无人控制、完全自主作业能力尚未实现。
无人机自主巡检关键在于自动获取“无人机巡检轨迹航线”数据，而当前学术领域对该方向研究大部分集中在轨迹跟踪控制上[5-7]，对于飞行控制之前轨迹数据获取方式研究相对较少。现有航线学习策略往往是通过飞手控制无人机模拟一段作业轨迹航线，并在飞行过程中通过不断触发、记录位置点状态来获取目标轨迹线路。这种方法弊端在于人为触发记录位置点状态操作容易被遗忘，使得获取的轨迹航线存在较大偏差，进而可能引发无人机炸机事故。
为此，提出了一种输电线路无人机自主巡检方法，利用卡尔曼滤波算滤除原始线路中的轨迹噪点，采用垂距法对轨迹冗余点进行过滤，优化巡检航线;其次，提出基于巡检对象差异特性的动态优化定位方法提升无人机巡检质量，有效解决了航线采集以及定位优化问题，贯穿航线学习到自主巡检的流程之中，兼顾了无人机自主巡检效率以及巡检精确度。
1 航线自学习
1.1 位置点信息提取与噪点滤波
输电线路无人机原始巡检轨迹是由飞行过程中实时记录的位置点构成，每一个位置点都可以视为观测值，其中不免存在噪点（即不准确的位置点），噪点的存在不仅会加重计算负担，而且严重影响航线学习精度，为此需要对原始轨迹进行滤波处理，但在滤波之前需要首先建立无人机的动力学模型，具体为：
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据对系统状态进行最优估计的算法[8]。由公式（2）可知，在建立无人机状态方程后，需要对其下一时刻的位置信息进行预测（或估计），卡尔曼滤波恰好可以实现这一功能，同时也可以滤除位置信息中的噪声。
传统的卡尔曼滤波需要进行矩阵逆运算，对于实时性要求较高且计算量有限的无人机机载端运算系统来说，不利于算法的高效利用。因此，本文选择文献[9]提出的一种基于泰勒级数展开的卡尔曼滤波算法，该算法无需进行矩阵逆运算，且算法仍可满足性能要求。
1.2 路点筛选
利用卡尔曼滤波得到原始位置点的状态数量仍然较多，这会导致无人机需要飞行的位置点过多，严重降低飞行效率，因此需要对位置点状态集合中的位置点进行筛选。例如，对于一条直线线段轨迹，只需筛选出直线的起始与结束端点就可以确定这条直线轨迹，而不用去记录直线线段上的所有点。
结合无人机现实作业场景，可知需要筛选的位置点包括：轨迹起始位置点，拍照位置点，轨迹拐点，轨迹结束位置点。设计如图1所示的路点筛选流程，该筛选流程的数学表示为： 图1中的筛选条件可以直接根据位置点的状态数据进行判断，其中是拐点的判断是根据垂距限值算法进行处理的。垂距限值算法流程如图2所示，具体计算过程如下，保留的点即为拐点：
（1）以第二个点开始，计算第二个点到前一个点和后一个点所在直线的距离d，如果d大于阈值，则保留第二个点;
（2）计算第三个点到第二个点和第四个点所在直线的距离d，如果d小于阈值则舍弃第二个点，计算第三个点到第一个点和第四个点所在直线的距离d;
（3）依次类推，直到曲线上倒数第二个点。
通过上面的路点筛选流程，可以得到筛选后的目标融合轨迹线路。
1.3 轨迹相似度
在得到滤波、筛选后的融合线路后，需要对比融合线路与原始线路之间的相似度，从而判断经过处理后的位置点轨迹线路是否可接受。本文利用欧氏距离dE（·）计算相似度，如式（6）所示：
在经过上述处理后，轨迹相似度全部落在了0和1之间，且取值越大，相似度越高。即表明通过自学习得到的航线的精度满足要求，可以用于自主巡检中。
2 不同设备的精准定位方法
电力设备尺寸各异，拍摄要求不一，在规范化作业的过程中，不同设备的特性决定了它在画面中的大小。部分巡检目标在照片中占用画幅大，如图3（a）所示，无人机垂直高度精度稍微变差就可能导致拍不全;部分巡检目标在照片中占幅较小，允许无人机在水平与垂直定位精度存在一定的偏差，如图3（b）所示;部分目标尺寸小，在画面的占幅小，对精度的要求较低，如图3（c）所示，即使路点水平或者垂直定位精度出现较大的误差，拍摄图像也可以包含目标物。
因此，在实现航线自主学习的基础上，本文一种提出基于巡检对象差异特性的动态优化定位方法，从而提升了无人机自主巡检质量和效率。
针对设备在基准图像中的画面占幅特性设置不同的定位容忍阈值T，在巡检中根据无人机与目标设备的水平径向距离实时调整容忍距离T′，只要满足T