面向無人機(jī)電力巡檢航跡規(guī)劃的語義服務(wù)方法

季 偉，吳建靈，吳建友，潘科宇，葉吉超

(1.浙江省麗水市正陽電力建設(shè)有限公司 技術(shù)部，浙江 麗水 323020；2.國家電網(wǎng)麗水供電公司 技術(shù)部，浙江 麗水 323020)

0 引 言

近年來，利用無人機(jī)巡檢作業(yè)保證了高空復(fù)雜環(huán)境下的電力安全，國家電網(wǎng)公司已將無人機(jī)巡檢納入輸電線路精益化考核指標(biāo)中。航線規(guī)劃[1]作為無人機(jī)電力巡檢的基礎(chǔ)和前提，其目的是根據(jù)無人機(jī)巡檢任務(wù)搜索最優(yōu)路徑。與其它應(yīng)用領(lǐng)域不同，無人機(jī)電力巡檢的航線規(guī)劃在對電力設(shè)備位置檢查的同時(shí)，還需考慮高空復(fù)雜環(huán)境下的干擾因素，現(xiàn)有通過位置制定航線的方法[2]忽略了環(huán)境信息的動(dòng)態(tài)變化，使規(guī)劃效率較低、航線導(dǎo)航不準(zhǔn)，難以解決巡檢精準(zhǔn)性問題。動(dòng)態(tài)環(huán)境下的航線規(guī)劃主要提供了概率路標(biāo)圖[3](PRM)、擴(kuò)展隨機(jī)樹[4](RRT)、粒子群優(yōu)化[5](PSO)、Voronoi圖[6]、智能學(xué)習(xí)方法[7,8]等方法，但這些方法應(yīng)用于電力巡檢的動(dòng)態(tài)規(guī)劃需要沿特定電力纜線排查和精細(xì)化設(shè)備巡檢執(zhí)行，其檢測區(qū)域不同于平面搜索區(qū)域，因此較難適用于電力巡檢的軌跡策略。

針對電力巡檢的軌跡規(guī)劃問題，文獻(xiàn)[9]構(gòu)建了一種用于無人機(jī)巡檢航線規(guī)劃的智能桿塔連通圖，為智能規(guī)劃提供數(shù)據(jù)支持；文獻(xiàn)[10]利用規(guī)劃區(qū)域內(nèi)電力線走廊激光點(diǎn)云數(shù)據(jù)確定航跡位置點(diǎn)，實(shí)現(xiàn)巡檢過程中對障礙物的規(guī)避；文獻(xiàn)[11]研究了一種最小時(shí)間搜索的目標(biāo)監(jiān)測方法，應(yīng)用于高空電力電纜的監(jiān)測；文獻(xiàn)[12]在研究改進(jìn)RRT算法的基礎(chǔ)上，提出一種在電力輸電線路中適用于無人機(jī)的路徑規(guī)劃算法。但以上方法在實(shí)時(shí)規(guī)劃線路上無法描述無人機(jī)感知器采集的信息，缺乏在線軌跡位置節(jié)點(diǎn)的語義擴(kuò)展，不能反映在線環(huán)境信息，影響最佳飛行軌跡和巡檢位置。

綜上所述，從信息處理角度，提出一種面向無人機(jī)電力巡檢航線規(guī)劃的語義軌跡模式，目的是構(gòu)建具有環(huán)境感知、航跡構(gòu)造和語義策略圖模型的語義服務(wù)應(yīng)用，在netlogo[13,14]仿真平臺(tái)上驗(yàn)證所提方法的有效性。

1 問題描述與框架設(shè)計(jì)

1.1 環(huán)境描述

(1)無人機(jī)屬性及飛行參數(shù)

無人機(jī)在一定巡檢區(qū)域W×L內(nèi)飛行，不僅需要對巡檢對象上升下降巡檢，還需要對前后線纜的實(shí)時(shí)檢測，同時(shí)受到包括環(huán)境障礙、碰撞規(guī)避、電磁干擾等干擾因素的約束影響。設(shè)系統(tǒng)為基于四旋翼的單體無人機(jī)，每臺(tái)無人機(jī)都架構(gòu)了相同的傳感器和觀測系統(tǒng)，采用文獻(xiàn)[15]的方法計(jì)算飛行參數(shù)，通過加速器直接測量機(jī)體坐標(biāo)下的水平移動(dòng)速度為VU，最大偏角度為ω，有效探測距離為L，考慮無人機(jī)動(dòng)態(tài)飛行時(shí)的角度和半徑。

(2)巡檢任務(wù)描述

無人機(jī)以VU的速度在巡檢區(qū)域的水平和豎直方向飛行，如圖1所示，所有的目標(biāo)對象信息分布于未知環(huán)境區(qū)域中，設(shè)有NI個(gè)干擾因素(用圓形表示)，巡檢任務(wù)是對所在區(qū)域目標(biāo)對象進(jìn)行巡檢，覆蓋所有電力對象及對象附屬實(shí)體。

圖1 電力巡檢環(huán)境區(qū)域描述

1.2 航跡語義特征表示

航跡的語義服務(wù)是被賦予了語義信息的軌跡結(jié)構(gòu)，當(dāng)無人機(jī)在空間位置進(jìn)行巡檢定位時(shí)，形成了大量的關(guān)于巡檢位置的空間序列，由Stop序列集和Move序列集組成[16]。其中，Stop序列集表示為Stop_sq={Ωk,Ti,Ti+n}， 它是航跡巡檢停留節(jié)點(diǎn)集合，Ωk表示第Ti至Ti+n時(shí)刻巡檢的區(qū)域；而Move序列集Move_sq表示為連接兩個(gè)Stop位置點(diǎn)之間的最大子軌跡。由于感知到具體實(shí)體對象時(shí)，需要根據(jù)環(huán)境感知推理的數(shù)據(jù)交換格式，在Stop序列集和Move序列集形成航跡可重構(gòu)的特征點(diǎn)，以保證規(guī)劃的精準(zhǔn)性。其實(shí)時(shí)航跡特征點(diǎn)表示為

S={si|si∈λ∩?Stopi(i∈[1,n])∩
(Stopi="tower"∩DStopi>d∩DθStopi>ω)}

(1)

式中：ω為偏角度，d為位置偏移距離閾值，對于航跡λ中任意采樣點(diǎn)Stopi， 記DStopi為Stopi的位置偏移距離，DθStopi為Stopi的角度偏移距離。當(dāng)采樣點(diǎn)位置語義標(biāo)簽Stopi.label="tower"或DStopi>d或DθStopi>ω， 則Stopi定義為一個(gè)特征點(diǎn)si。

1.3 航跡規(guī)劃語義服務(wù)框架

針對高空巡檢動(dòng)態(tài)環(huán)境下航線管控的背景特征和信息的不確定性質(zhì)，將巡檢航線規(guī)劃框架分為環(huán)境感知模塊、語義策略圖模型和航跡構(gòu)造模塊。

(1)環(huán)境感知模塊用于計(jì)算事件概率，根據(jù)語義模型觸發(fā)航跡位置的語義空間計(jì)算為目標(biāo)線路選擇提供空間搜索方式，其功能主要包括特征點(diǎn)提取、區(qū)域劃分和感知推理。特征點(diǎn)提取用于對大量航跡數(shù)據(jù)的位置點(diǎn)進(jìn)行語義信息提取，形成Stop序列集和Move序列集；區(qū)域劃分用于劃分當(dāng)前區(qū)域環(huán)境，形式化表示干擾因素區(qū)域劃分、對象實(shí)體劃分以及巡檢關(guān)聯(lián)比重計(jì)算；感知推理通過Jena[17]推理控件的數(shù)據(jù)交換格式，用于為無人機(jī)提供航跡變化所做出的位置、姿態(tài)和引擎等狀態(tài)的服務(wù)，提供生成基于位置的語義連接，使特征點(diǎn)序列集加載了語義標(biāo)簽，包括基于Jena的數(shù)據(jù)交換和位置連接；

(2)語義策略圖模型為基于OWL[18]的知識(shí)庫，其用途為存儲(chǔ)語義地圖、環(huán)境及無人機(jī)系統(tǒng)狀態(tài)，主要由規(guī)則推理、行為更新、功能維護(hù)等組成，主要包括環(huán)境態(tài)勢庫、行為控制庫、歷史航線庫；

(3)航跡構(gòu)造模塊用于為無人機(jī)巡檢航線提供路線搜索和選擇機(jī)制，主要包括語義空間距離計(jì)算和強(qiáng)化學(xué)習(xí)的路徑選擇機(jī)制，使學(xué)習(xí)到的知識(shí)遷移至新的相似歷史航跡中，并實(shí)時(shí)更新語義策略圖模型，為航跡的構(gòu)造提供語義應(yīng)用服務(wù)。圖2顯示了面向巡檢航線規(guī)劃的語義服務(wù)框架，它是整個(gè)系統(tǒng)的底層架構(gòu)。

圖2 面向電力巡檢的語義服務(wù)框架

無人機(jī)利用傳感器獲取信息開展巡檢感知任務(wù)，進(jìn)而生成行為規(guī)劃以及關(guān)于位置的語義連接，并與語義策略知識(shí)庫協(xié)同為規(guī)劃模型，形成語義航跡，提供統(tǒng)一的數(shù)據(jù)規(guī)范。環(huán)境感知和航跡構(gòu)造共同觸發(fā)語義航跡模式，根據(jù)干擾區(qū)域進(jìn)行語義空間距離計(jì)算和最優(yōu)路徑選擇。可視化界面提供人機(jī)交互界面，研判無人機(jī)系統(tǒng)狀態(tài)和航線規(guī)劃；語義策略圖模型作為形式化表示模型，為任務(wù)提供所需背景知識(shí)，刻畫復(fù)雜環(huán)境下巡檢航跡位置節(jié)點(diǎn)的因果關(guān)系，從而實(shí)時(shí)提供語義模式的航跡規(guī)劃服務(wù)。

2 巡檢航線語義感知模型

2.1 語義策略圖建模

語義策略圖模型O_strategy構(gòu)建過程為：首先，獲取傳感器中的原始信息，生成行為控制庫、環(huán)境態(tài)勢庫和歷史航線庫，構(gòu)建相關(guān)的概念、屬性以及實(shí)例。如圖3所示，在語義策略知識(shí)庫中，態(tài)勢環(huán)境庫是由無人機(jī)傳感器和地面信息系統(tǒng)獲取的環(huán)境信息數(shù)據(jù)，主要針對已構(gòu)建的電力桿塔、線纜、變壓器、閘閥、高壓螺栓等可視化設(shè)備，還包括雨雪風(fēng)等天氣變化情況，并與空間數(shù)據(jù)平臺(tái)postGIS[19]進(jìn)行數(shù)據(jù)接口對接；行為控制庫為無人機(jī)系統(tǒng)狀態(tài)及其引擎、位置和姿態(tài)等行為控制，通過實(shí)例獲取系統(tǒng)運(yùn)行的參數(shù)，用擴(kuò)展Move序列集和Stop序列集的語義信息；歷史航線庫用于存儲(chǔ)或搜索歷史巡檢航線所記錄的關(guān)鍵位置節(jié)點(diǎn)、障礙物規(guī)避位置節(jié)點(diǎn)以及航線路徑的方向選擇等歷史線路構(gòu)建信息。

圖3 語義策略圖模型設(shè)計(jì)

2.2 巡檢區(qū)域空間劃分

(2)

然后，在考慮干擾因素基礎(chǔ)上，根據(jù)關(guān)聯(lián)比重對巡檢對象實(shí)體進(jìn)行空間劃分，由式(3)計(jì)算得

(3)

2.3 環(huán)境態(tài)勢感知推理

區(qū)域劃分根據(jù)特定的巡檢需求和相關(guān)事務(wù)的特征位置對整個(gè)巡檢區(qū)域做了空間劃分，對于航線規(guī)劃而言需根據(jù)已劃分的區(qū)域，按照語義策略圖對路徑及位置進(jìn)行研判，利用Apache Jena API[17]獲取語義概念、實(shí)例，生成可識(shí)別的數(shù)據(jù)交換格式，其代碼片段如下所示。

< PositionControl rdf：ID=“PosControl_1”/>

< tower rdf:ID=“tw_1”>

toMove

datatype=float”> electromagnetism=0.75

longitude and

latitude

< fil2_1 rdf:ID=“flx”>

0.67

< coll rdf:ID=“flx”>

0.54

由代碼片段可知，PosContr_1表示當(dāng)前無人機(jī)位置控制狀態(tài)的實(shí)例，has_Stop表示Stop序列集中的數(shù)據(jù)系數(shù)，根據(jù)序列集的語義推理擴(kuò)展區(qū)域環(huán)境的“障礙干擾”概念集。從而確定該Stop位置上是否存在“電磁干擾(electromagnetism)”且電磁干擾系數(shù)為0.75時(shí)，選擇路徑方向“hasDirection”概念集下的具體經(jīng)緯度位置；ObjContr_1為巡檢對象可達(dá)的實(shí)例，flx表示卡爾曼濾波觀測數(shù)據(jù)，0.67為系統(tǒng)噪聲因素；coll為共位參數(shù)，0.54表示位置共位的參數(shù)量值，是對巡檢航線的方位控制。

基于上述數(shù)據(jù)片段，設(shè)無人機(jī)的位置狀態(tài)桿塔數(shù)據(jù)“tw_1”區(qū)域自定義規(guī)則connect連接關(guān)聯(lián)桿塔數(shù)據(jù)“tow_2”區(qū)域，生成事實(shí)庫cons_links。

String

rlex=“Constructs{ ?p_1:relates_To：Cryp_tography1}

Where”+”{{:tw_1?p_:tw_2}union{: tower_2?p_: tw_1}}” // 關(guān)聯(lián)事件存儲(chǔ)器

reo_1=newSails_Repositorys_1(new Query(new Store(),Query.SPARQL,rlex, “ ”))

代碼中，cons_links描述OWL文件轉(zhuǎn)化單個(gè)無人機(jī)在某狀態(tài)下的關(guān)系，通過Jena遍歷結(jié)點(diǎn)，可以較好保證語義策略本體的完備性和有效性。

3 巡檢航跡語義構(gòu)造

通過對巡檢區(qū)域的環(huán)境態(tài)勢進(jìn)行語義感知推理后，生成了基于位置的語義連接，使特征點(diǎn)序列集加載了語義標(biāo)簽，而航跡規(guī)劃的語義控制是對巡檢區(qū)域內(nèi)線路進(jìn)行搜索選擇，并提供連接語義策略知識(shí)庫的接口?？紤]航跡規(guī)劃的最優(yōu)性和實(shí)時(shí)性矛盾[20]，采用語義空間距離為目標(biāo)線路選擇提供空間搜索的方式，通引入強(qiáng)化學(xué)習(xí)[21]的路徑選擇機(jī)制提高區(qū)域航跡規(guī)劃的航線代價(jià)值，使語義巡檢航跡達(dá)到期望最優(yōu)。

3.1 語義空間距離

所提出的語義空間距離是將當(dāng)前軌跡與語義策略圖O_strategy 進(jìn)行航線選擇策略的一個(gè)計(jì)算方法，取決于語義距離和空間距離兩個(gè)部分。其中，語義距離是衡量空間位置節(jié)點(diǎn)與巡檢目標(biāo)在語義上的距離。而空間距離是衡量O_strategy中空間頂點(diǎn)vCi與當(dāng)前巡檢位置節(jié)點(diǎn)q的歐式距離。

(1)語義距離?？紤]某時(shí)刻t巡檢某特征點(diǎn)位置信息q生成的Stop序列集和Move序列集，q的位置信息表示為vq， 可能匹配語義策略圖O_strategy上的多個(gè)頂點(diǎn)vCi， 采用與vCi在O_strategy圖上的最近距離來度量vq與vCi之間的語義距離，即為

(4)

其中，disO_strategy(vqi,vCi) 表示頂點(diǎn)vqi與vCi的最短路徑加權(quán)距離，如果vqi與vCi不存在路徑或者O_strategy中無q存在，則disO_strategy(vqt,vCi)=∞。

(2)空間距離。其O_strategy中空間頂點(diǎn)vCi與巡檢位置節(jié)點(diǎn)q的歐式距離表示為

Span(vqi,vCi)=dis(vqi.Coor,vCi.Coor)

(5)

式中：Coor表示當(dāng)前位置的坐標(biāo)值。綜合考慮語義距離和空間距離，使用以下公式對空間頂點(diǎn)進(jìn)行排序

(6)

其中，α∈[0,1] 為平衡兩種距離的權(quán)重參數(shù)，可以通過實(shí)驗(yàn)調(diào)整。在式(2)、式(3)計(jì)算巡檢實(shí)體對象關(guān)聯(lián)比重和區(qū)域的基礎(chǔ)上，SemO_stragegy(vqi,v′Ci) 和Span(vqi,v′Ci) 用于對語義距離和空間距離進(jìn)行特征位置點(diǎn)的k-means聚類[22]，從而選擇合適的路徑作為航線規(guī)劃的期望網(wǎng)絡(luò)集合。

3.2 基于強(qiáng)化學(xué)習(xí)的路徑選擇機(jī)制

語義空間距離計(jì)算為巡檢航線路徑選擇提供了依據(jù)，通過路徑選擇多個(gè)區(qū)域內(nèi)特征位置節(jié)點(diǎn)的聚類，生成了一個(gè)與語義策略圖網(wǎng)絡(luò)相匹配的期望網(wǎng)絡(luò)，為使巡檢航線規(guī)劃的信息要素達(dá)到最優(yōu)，引入強(qiáng)化學(xué)習(xí)方法對航跡的路徑進(jìn)行選擇，不斷調(diào)整規(guī)劃航線。采用該方法，可以利用語義空間計(jì)算結(jié)果提高較優(yōu)航跡區(qū)域的信息要素濃度，降低較差航跡區(qū)域的信息要素濃度，有利于擴(kuò)展巡檢航線的語義搜索空間；另一方面，通過信息要素更新過程中的航跡評價(jià)作為獎(jiǎng)勵(lì)信號(hào)，對較優(yōu)的路徑進(jìn)行獎(jiǎng)勵(lì)，提升航線規(guī)劃的自適應(yīng)能力。將期望網(wǎng)絡(luò)設(shè)為S={S1,S2,…,SN}， 通過輸出Q值波爾茲曼分布指導(dǎo)語義策略網(wǎng)絡(luò)O={O1,O2,…,ON}， 以獎(jiǎng)勵(lì)信號(hào)π作為對航跡的評價(jià)值，其計(jì)算如式(7)所示

(7)

其中，τ為影響因子，QQi為指導(dǎo)網(wǎng)絡(luò)Oi行動(dòng)空間，而期望網(wǎng)絡(luò)Si的信息要素均加載了語義標(biāo)簽用于計(jì)算語義距離，根據(jù)Si策略和Oi策略的交叉嫡計(jì)算信息素濃度系數(shù)，提高巡檢的精確性和準(zhǔn)確率[23]

(8)

式中：logπAMN(α|S;θ) 用于指導(dǎo)Si，Oi輸出為監(jiān)督信號(hào)，指導(dǎo)當(dāng)前網(wǎng)絡(luò)Si的行為向Oi靠攏，在減少航跡構(gòu)造過程中信息要素衰減的同時(shí)選擇最優(yōu)路徑。

3.3 航線構(gòu)造方法

針對語義空間距離計(jì)算和基于強(qiáng)化學(xué)習(xí)的路徑選擇，為使航跡區(qū)域的信息要素濃度達(dá)到最優(yōu)，提出了航線構(gòu)造方法，具體算法如下所示：

航跡構(gòu)造算法：

輸入：語義策略圖O_strategy，當(dāng)前航跡λ及Stop序列集，最大偏角度ω和最大距離偏移閾值d

輸出：結(jié)果構(gòu)造航跡λ*

(1)獲取當(dāng)前無人機(jī)航線λ中位置采樣點(diǎn)并初始化λ*, {}→O_strategy, |λ|→n, {}→λ*;

(2)λ*∪{Stop1}→λ*;

(3)StopiStopi+1→labelMove;//標(biāo)記第一個(gè)采樣點(diǎn)直接作為特征點(diǎn)向量

(4) while i

(5) if 滿足式(1)則獲取特征點(diǎn)集合S；

(6)S∪{si}→S構(gòu)造特征點(diǎn)集合；

(7) 對于特征點(diǎn)Si利用式(5)計(jì)算該位置的語義空間距離，即與語義策略圖O_strategy的空間語義計(jì)算；

(8) 根據(jù)式(7)計(jì)算si的航跡評價(jià)值；

(9) 采用式(8)得出策略回歸值計(jì)算信息素濃度稀疏

(10)sisi+1→labelMove用Move序列連接特征點(diǎn)；

(11) end if

(12)i+1→i

(13) end while

(14) returnλ*

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文以電力平臺(tái)為數(shù)據(jù)背景，將任務(wù)區(qū)域設(shè)為W×L=1000 km×1000 km，由Voronoi圖分解為600個(gè)子區(qū)域，每個(gè)子區(qū)域設(shè)有中心位置節(jié)點(diǎn)，4臺(tái)同構(gòu)四旋翼無人機(jī)飛行速度為每秒40 m，最大的偏角度為65°，觀測距離為60 m，在netlogo平臺(tái)上進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證所提出方法的有效性，采樣周期為5 s。實(shí)驗(yàn)中對語義策略圖中未出現(xiàn)的實(shí)例等不平衡現(xiàn)象，采取拉普拉斯平滑方法進(jìn)行處理，并重復(fù)10次實(shí)驗(yàn)消除誤差影響。

4.2 航線構(gòu)造分析

初始階段無人機(jī)對區(qū)域環(huán)境信息未知，1臺(tái)無人機(jī)從任務(wù)初始位置出發(fā)，對區(qū)域內(nèi)擬定的13個(gè)電力桿塔進(jìn)行飛行巡檢，如圖4所示，三角形代表當(dāng)前桿塔，其通過線纜進(jìn)行連接，陰影部門表示電磁干擾和樹障干擾等因素，共有①至⑥部分。當(dāng)機(jī)載傳感器接收到任務(wù)信號(hào)時(shí)，當(dāng)前無人機(jī)從001號(hào)桿塔開始巡檢，不僅規(guī)劃桿塔的三維特征點(diǎn)線路，還規(guī)劃線纜的巡檢位置。

圖4 基于語義服務(wù)的電力巡檢航跡規(guī)劃結(jié)果

圖4(a)為根據(jù)語義策略圖構(gòu)造的歷史航線數(shù)據(jù)，其中每條航線均計(jì)算了對應(yīng)航段的語義空間距離和賦予獎(jiǎng)勵(lì)信號(hào)的航跡代價(jià)值，為巡檢航跡提供了數(shù)據(jù)基礎(chǔ)；圖4(b)顯示了在該區(qū)域內(nèi)運(yùn)用本文方法生成的航跡規(guī)劃結(jié)果，有效地規(guī)避了干擾區(qū)域，在飛行航跡規(guī)劃和干擾因素之間取得了良好的平衡。

4.3 性能分析

(1)航線代價(jià)分析[23]

對于巡檢航線規(guī)劃的不斷調(diào)整和重構(gòu)，使無人機(jī)局部線路選擇在強(qiáng)化學(xué)習(xí)過程中不斷迭代更新，采用航跡代價(jià)進(jìn)一步說明本文方法在電力巡檢航線規(guī)劃的性能。航跡代價(jià)反映了無人機(jī)巡檢航跡的優(yōu)劣程度，由沿航跡飛行代價(jià)分量Wf和受到干擾因素代價(jià)分量Wm決定，其評價(jià)指標(biāo)如下

(9)

式中：γ∈[0,1] 為代價(jià)分量的權(quán)重系數(shù)，L(Route) 為特征點(diǎn)航跡段的航程，d(Sti,Sti+1) 為采樣特征點(diǎn)集任意兩點(diǎn)的距離，航段 (Sti,Sti+1) 與干擾因素的距離越近則干擾代價(jià)越大，航段中受到干擾的部分航程越長。而W本質(zhì)上反映了無人機(jī)沿航線Route飛行時(shí)所消耗代價(jià)的大小，W越小則航跡性能越優(yōu)，反之則航跡性能下降。

如圖5所示，通過與概率路標(biāo)圖(PRM)方法[3]和快速隨機(jī)擴(kuò)展樹(RRT)[4]方法比較，本文方法在每代最優(yōu)值會(huì)出現(xiàn)小幅度的波動(dòng)，這樣有利于跳出局部最優(yōu)的情況，在第16次迭代時(shí)收斂速度趨于穩(wěn)定，適應(yīng)值為0.60左右，這種良好的情況受益于基于強(qiáng)化學(xué)習(xí)的路徑選擇機(jī)制，該方法將航跡評價(jià)作為獎(jiǎng)勵(lì)信號(hào)對路徑選擇進(jìn)行獎(jiǎng)勵(lì)，采用交叉嫡計(jì)算輸出了穩(wěn)定的監(jiān)督信號(hào)；同時(shí)語義空間距離計(jì)算為每個(gè)特征點(diǎn)位置生成了一個(gè)與語義策略圖網(wǎng)絡(luò)相匹配的期望網(wǎng)絡(luò)，為基于強(qiáng)化學(xué)習(xí)的路徑選擇提供了有效的信息要素。而PRM方法在第25代時(shí)才逐步收斂穩(wěn)定，收斂速度較慢；RRT方法航線代價(jià)值變化雖然與本文方法相近，可以解決巡檢航線規(guī)劃的局部優(yōu)化問題，但隨著迭代次數(shù)的增加陷入了不穩(wěn)定狀態(tài)。

圖5 航跡綜合評價(jià)曲線

(2)巡檢對象覆蓋率分析[23]

如圖6所示，隨著三維特征采樣點(diǎn)的規(guī)模不斷增加，語義規(guī)劃方法收斂所需時(shí)間也逐步增加，同時(shí)，語義規(guī)劃方法的覆蓋率也不斷提高，通過比較分析巡檢對象的覆蓋率，當(dāng)仿真結(jié)束時(shí)，PRM方法的巡檢覆蓋率為82.5%，RRT方法的巡檢覆蓋率為86.6%，本文方法的覆蓋率達(dá)到92.3%，且優(yōu)于其它方法，這是由于該方法在初始時(shí)提取了可重構(gòu)航跡的特征點(diǎn)，并對巡檢區(qū)域進(jìn)行差異劃分計(jì)算關(guān)聯(lián)比重，體現(xiàn)了語義策略圖模型對無人機(jī)巡檢航跡規(guī)劃的環(huán)境態(tài)勢感知優(yōu)勢，從而提高了電力航線巡檢覆蓋效率。

圖6 巡檢對象覆蓋率比較

4.4 可視化控制界面

結(jié)合研究內(nèi)容研發(fā)設(shè)計(jì)了一個(gè)面向航線規(guī)劃的語義服務(wù)模擬演示系統(tǒng)，在電力巡檢中初步實(shí)驗(yàn)?zāi)M，圖形控制界面如圖7所示。系統(tǒng)采用Visual Studio 2010和3D utility，地理數(shù)據(jù)源于麗水周邊山區(qū)電力路線數(shù)字地圖，通過protégé 中OWL SPARQL查詢語言返回所有結(jié)果；考慮到安全性所有飛行情景按規(guī)定模式執(zhí)行，實(shí)驗(yàn)環(huán)境下添加了干擾區(qū)域因素等外部環(huán)境狀態(tài)。

圖7 面向航跡規(guī)劃的語義服務(wù)模擬演示系統(tǒng)

由圖7可知，設(shè)定起始目標(biāo)塔桿，無人機(jī)逐步檢測當(dāng)前的語義信息，首先劃分區(qū)域獲取特征點(diǎn)，在特征點(diǎn)位置上觸發(fā)語義策略圖并計(jì)算機(jī)語義空間距離，形成一個(gè)策略網(wǎng)絡(luò)，將可視化特點(diǎn)上的顯示所有位置信息，為高空電力巡線提供了豐富的可視化語義服務(wù)。

5 結(jié)束語

無人機(jī)電力巡檢的航跡規(guī)劃很大程度上取決于巡檢對象位置的定位及其特征提取，在此基礎(chǔ)上進(jìn)一步獲取語義分析的能力，與地面搜索方式的航跡規(guī)劃不同，無人機(jī)必須在三維空間中進(jìn)行運(yùn)行以滿足電力巡檢實(shí)體的對象的需求。本文針對巡檢環(huán)境要素需求和條件限制，提出了一種語義服務(wù)方法使無人機(jī)在滿足航向速率和空速的條件下，通過語義策略圖和強(qiáng)化學(xué)習(xí)方法可以有效判斷飛行特征點(diǎn)及干擾因素，同時(shí)語義規(guī)劃的航跡代價(jià)能夠快速收斂并趨于穩(wěn)定，巡檢對象覆蓋率達(dá)到90%以上，各項(xiàng)性能比其它方法較優(yōu)。下一步將考慮在時(shí)間上減少規(guī)劃時(shí)間，研究多無人機(jī)的方法解決電力巡檢的語義服務(wù)問題，以進(jìn)一步提高巡檢效率和功能穩(wěn)定性。