2021年5月计算机工程与设计May2021第42卷第5期COMPUTER ENGINEERING AND DESIGN Vol.42No.5
季伟S吴建灵X吴建友X潘科宇X叶吉超⑵
（1.浙江省丽水市正阳电力建设有限公司技术部，浙江丽水323020；
2.国家电网丽水供电公司技术部，浙江丽水323020）
摘要：针对复杂环境下无人机电力巡检航迹规划问题，从信息处理角度提出一种语义服务方法。构建一个具有环境态势感知、航迹构造和语义策略图模型的语义服务框架；利用巡检关联比重对实体对象进行空间划分，通过OWL形式化表示和Jena推理刻画巡检航线特征位置的因果关系，提出语义空间距离计算和基于强化学习的路径选择机制。研发语义服务模拟演示系统，实验结果表明，在满足航向速率和空速的条件下，通过语义策略图和强化学习方法可以有效判断飞行特征点及干扰因素，同时语义规划的航迹代价能够快速收敛并趋于稳定，巡检对象覆盖率达到92.3%，实现无人机航迹规划在电力巡检的应用。
关键词：无人机；电力巡检；航迹规划；语义策略图；强化学习
中图法分类号：TP391文献标识号：A文章编号：1000-7024（2021）05-1-19-1-08
doi:10.16208/j.issnlOOO-7021.2021.05.0-10
Semantic method for trajectory planning of UAV power line inspection
JI Wei1,WU Jian-ingi,WU Jian-yoi,PAN Ke y i,YE Ji-chao2
(1.Department of Technology,Zhejiang Lishui Zhengyang Electric Power Cxjnstruction Company,Lishui323020,Chin；
过程1v2PO
2.Department of Technology,State Grid Lishui Power Supply Company,Lishui323020,Chin)
Abstract：Focusing on the issue of trajectory planning for unmained aerial vehicle(UAV)power inspection in complex environment,a semantic service method was proposed from the perspective of information processing,A semantic service framework incuding environment awareness,trajectory construction and semanticstrfegy map model was consnucted.The spatial for entity objects was divided which was made use of inspection related proportion,the causal relationship of patrol route location nodes was depicted by owl formal representation and Jena reasoning,and an algorithm of semantic spatial distance and route path selection mechanism based on reinforcement learning was proposed,A demonstation system of semantic service simulation was carried out.Experimental result
s show that the proposed method can judge the flight feature points and interference factors through semanticstrategy map and reinforcement learning in the case of satisfying rate and speed conditions,while the trajectory cost can converge to the stable value rapidly and the coverage rate of inspection object can cover more than90%,which realizes the application of UAV trajectory planning in power inspection.
Key words：unmaiiied aerial vehicle(UAV)；power line inspection；trajectory planning；semanticstrategy map；reinforcement learning
0引言
近年来，利用无人机巡检作业保证了高空复杂环境下的电力安全，国家电网公司已将无人机巡检纳入输电线路精益化考核指标中。航线规划［1」作为无人机电力巡检的基础和前提，其目的是根据无人机巡检任务搜索最优路径。与其它应用领域不同，无人机电力巡检的航线规划在对电力设备位置检查的同时，还需考虑高空复杂环境下的干扰
收稿日期：2020-（1-10；修订日期：2021-03-24
基金项目：浙江省智能电网联合基金项目（02080KK617008,
作者简介：季伟P974-）男，浙江龙泉人，咼级工程师，研究方向为电气工程及自动化；吴建灵O973-）男，浙江丽水人，工程师，研究方向为电气工程及自动化；吴建友P973）男，浙江丽水人，咼级工程师，研究方向为通信工程；潘科宇O984）男，浙江丽水人，工程师，研究方向为智能化技术及软件开发；叶吉超（1988,，男，浙江丽水人，工程师，研究方向为无人机操控。
E-mail：e2xfhs@163
第42卷第5期季伟，吴建灵，吴建友，等：面向无人机电力巡检航迹规划的语义服务方法•1495•
因素，现有通过位置制定航线的方法［」忽略了环境信息的动态变化，使规划效率较低、航线导航不准，难以解决巡检精准性问题。动态环境下的航线规划主要提供了概率路标图［」(PRM)、扩展随机树［」(RRT)、粒子优化［」(PSO)、Voronoi图［」、智能学习方法［,」等方法，但这些方法应用于电力巡检的动态规划需要沿特定电力缆线排查和精细化设备巡检执行，其检测区域不同于平面搜索区域，因此较难适用于电力巡检的轨迹策略。
办公椅扶手针对电力巡检的轨迹规划问题，文献［」构建了一种用于无人机巡检航线规划的智能杆塔连通图，为智能规划提供数据支持；文献［0」利用规划区域内电力线走廊激光点云数据确定航迹位置点，实现巡检过程中对障碍物的规避；文献［1」研究了一种最小时间搜索的目标监测方法，应用于高空电力电缆的监测；文献［2」在研究改进RRT算法的基础上，提出一种在电力输电线路中适用于无人机的
路径规划算法。但以上方法在实时规划线路上无法描述无人机感知器采集的信息，缺乏在线轨迹位置节点的语义扩展，不能反映在线环境信息，影响最佳飞行轨迹和巡检位置。
综上所述，从信息处理角度，提出一种面向无人机电力巡检航线规划的语义轨迹模式，目的是构建具有环境感知、航迹构造和语义策略图模型的语义服务应用，在netlogo1314」仿真平台上验证所提方法的有效性。
1问题描述与框架设计
1.1环境描述
(1)无人机属性及飞行参数
无人机在一定巡检区域WXL内飞行，不仅需要对巡检对象上升下降巡检，还需要对前后线缆的实时检测，同时受到包括环境障碍、碰撞规避、电磁干扰等干扰因素的约束影响。设系统为基于四旋翼的单体无人机，每台无人机都架构了相同的传感器和观测系统，采用文献［5」的方法计算飞行参数，通过加速器直接测量机体坐标下的水平移动速度为V u，最大偏角度为®，有效探测距离为L，考虑无人机动态飞行时的角度和半径。
(2)巡检任务描述
无人机以V u的速度在巡检区域的水平和竖直方向飞行，如图1所示，所有的目标对象信息分布于未知环境区域中，设有Ni个干扰因素(用圆形表示)，巡检任务是对所在区域目标对象进行巡检，覆盖所有电力对象及对象附属实体。
1.2航迹语义特征表示
航迹的语义服务是被赋予了语义信息的轨迹结构，当无人机在空间位置进行巡检定位时，形成了大量的关于巡检位置的空间序列，由Sop序列集和Move序列集组成［16」。其中，Sop序列集表示为Stop_sq={Q k,T,T+},
八w
图1电力巡检环境区域描述
它是航迹巡检停留节点集合，Q k表示第T至T+n时刻巡检的区域；而M o v序列集Move_sq表示为连接两个Sop 位置点之间的最大子轨迹。由于感知到具体实体对象时，需要根据环境感知推理的数据交换格式，在Sop序列集和Move序列集形成航迹可重构的特征点，以保证规划的精准性。其实时航迹特征点表示为
s={i g a p v Stop1a e［i,n」)n
爆震弹
(Stopr=U tower"P Dsop>d P Desp>w)}(1)式中：w为偏角度，d为位置偏移距离阈值，对于航迹入中任意采样点So，记D sp为Sop，的位置偏移距离，D ep 为So的角度偏移距离。当采样点位置语义标签Stop i,label tozver或Dsto p^>d或D S top>w，贝9Stop i疋义为一个特征点Si。
1.3航迹规划语义服务框架
针对高空巡检动态环境下航线管控的背景特征和信息的不确定性质，将巡检航线规划框架分为环境感知模块、语义策略图模型和航迹构造模块。
(1)环境感知模块用于计算事件概率，根据语义模型触发航迹位置的语义空间计算为目标线路选择提供空间搜索方式，其功能主要包括特征点提取、区域划分和感知推理。特征点提取用于对大量航迹数据的位置点进行语义信息提取，形成Stop序列集和Move序列集；区域划分用于划分当前区域环境，形式化表示干扰因素区域划分、对象实体划分以及巡检关联比重计算；感知推理通过Jenl17」推理控件的数据交换格式，用于为无人机提供航迹变化所做出的位置、姿态和引擎等状态的服务，提供生成基于位置的语义连接，使特征点序列集加载了语义标签，包括基于Jena的数据交换和位置连接；
(2)语义策略图模型为基于OWL18的知识库，其用途为存储语义地图、环境及无人机系统状态，主要由规则推理、行为更新、功能维护等组成，主要包括环境态势库、行为控制库、历史航线库；
(3)航迹构造模块用于为无人机巡检航线提供路线搜索和选择机制，主要包括语义空间距离计算和强化学习的路径选择机制，使学习到的知识迁移至新的相似历史航迹中，并实时更新语义策略图模型，为航迹的构造提供语义应用服务。图2显示了面向巡检航线规划的语义服务框架，
•1496•计算机工程与设计2021年
它是整个系统的底层架构。
可
视
化
操
作
界分布式
通信网
图2面向电力巡检的语义服务框架
巴
无人机利用传感器获取信息开展巡检感知任务，进而生成行为规划以及关于位置的语义连接，并与语义策略知识库协同为规划模型，形成语义航迹，提供统一的数据规范。环境感知和航迹构造共同触发语义航迹模式，根据干扰区域进行语义空间距离计算和最优路径选择。可视化界面提供人机交互界面，研判无人机系统状态和航线规划；语义策略图模型作为形式化表示模型，为任务提供所需背景知识，刻画复杂环境下巡检航迹位置节点的因果关系，从而实时提供语义模式的航迹规划服务。
2巡检航线语义感知模型
2.1语义策略图建模
语义策略图模型O_stategy构建过程为：首先，获取传感器中的原始信息，生成行为控制库、环境态势库和历史航线库，构建相关的概念、属性以及实例。如图3所示，在语义策略知识库中，态势环境库是由无人机传感器和地面信息系统获取的环境信息数据，主要针对已构建的电力杆塔、线缆、变压器、闸阀、高压螺栓等可视化设备，还包括雨雪风等天气变化情况，并与空间数据平台post GIS［9］进行数据接口对接；行为控制库为无人机系统状态及其引擎、位置和姿态等行为控制，通过实例获取系统运行的参数，用扩展Moee序列集和Stop序列集的语义信息；历史航线库用于存储或搜索历史巡检航线所记录的关键位置节点、障碍物规避位置节点以及航线路径的方向选择等历史线路构建信息。
2.2巡检区域空间划分
无人机通过语义策略图的历史巡检航迹进行未知环境区域的初步感知，由于巡检航迹需在三维空间上规划，首先采用Voronoi图［］思想将目标巡检区域Q在空间上划分为多个子区域｛Qi,Q2,・・Q n｝，每个子区域存储已构建的实体检测对象(如杆塔、拉线、横担、垂直绝缘串等)，并设定一个巡检需求向量值K=仏｝窪1和航线任务调度向量W=｛w｝窪1，进而计算每个子区域所满足的巡检关联比重，由式(2)计算得
J=E N u1KW(2)然后，在考虑干扰因素基础上，
根据关联比重对巡检
第12卷第5期季伟，吴建灵，吴建友，等：面向无人机电力巡检航迹规划的语义服务方法・1497・
对象实体进行空间划分，由式(，计算得
arg max(J i(S^S j)。
S=j G T ajt}
i C z W0i=1,2,…,N j
(3)式中：S为无人机U*对当前特征点位置的函数；T jt为与当前对象与其它待检区域的集合；C i为干扰因素集合L6」，包括环境障碍C干扰规避C和威胁入侵C，表示为C i={C e C c C j。其条件为：C表示在去时刻无人机U*在特征点S上偏角度®转过障碍物的角度，C表示在去时刻无人机U*与线缆之间的安全飞行距离阈值么；C 表示在t时刻无人机U*与威胁区域之间的距离阈值d。2.3环境态势感知推理
区域划分根据特定的巡检需求和相关事务的特征位置对整个巡检区域做了空间划分，对于航线规划而言需根据已划分的区域，按照语义策略图对路径及位置进行研判，利用ApcheJeiaAPI7」获取语义概念、实例，生成可识别的数据交换格式，其代码片段如下所示。
<Position(>ontrol rdf：/D=“P()sC(mn()l_1”/〉
<tower rdf：D=“lw_1”〉
<has_Stop_1rdf：daaiype=fl(al〉oM ou e </has_Slop_1〉
<has_Disturb_1rdf：
daaiype=fl(al”〉electromagnetism=0.75
</h as_Disturb_1〉
<has_Direction_1rdf：daaiype=fl(al”〉l()iigilude and latitude
<,/has_Direc l ioii_1〉
</Position(>ontrol〉
VObjCotr rdf：D=“OjjC()rtr_1”/〉
<ft2_1rdf：D=fx”〉
<has_Value_1rdf：daaype=flal”〉0.67
</has_Vaue_1〉
<coll rdf：D=“x”〉
<has_Value_1rdf：daaype=flal”〉0.51
</has_Vaue_1〉
</ObjContr〉
由代码片段可知，P(sCotr_1表示当前无人机位置控制状态的实例，has_Sop表示Stop序列集中的数据系数，根据序列集的语义推理扩展区域环境的“障碍干扰”概念集。从而确定该Sop位置上是否存在"电磁干扰(electromagnetism)"且电磁干扰系数为0.75时，选择路径方向"hasDirecini”概念集下的具体经纬度位置；Obj('ontr_1为巡检对象可达的实例，fix表示卡尔曼滤波观测数据, 0.67为系统噪声因素；coll为共位参数，0.51表示位置共位的参数量值，是对巡检航线的方位控制。
基于上述数据片段，设无人机的位置状态杆塔数据“w_1”区域自定义规则connect连接关联杆塔数据“ow_2”区域，生成事实库cons_Hk.s。
String
rlex=C>onsLructs{?p)_1:relates_To:Cryp_l()gaphyl} Where”+”{{:：w_1?p)_：lw_2}union{:lower_2?p)_：tw_1}}”//关联事件存储器
reo_1=newSails_Rep)sitorys_1(new Query(new Store(,, Query.SPARQL,rlex,"”),
代码中，cons_Unks描述OWL文件转化单个无人机在某状态下的关系，通过Jera遍历结点，可以较好保证语义策略本体的完备性和有效性。
3巡检航迹语义构造
通过对巡检区域的环境态势进行语义感知推理后，生成了基于位置的语义连接，使特征点序列集加载了语义标签，而航迹规划的语义控制是对巡检区域内线路进行搜索选择，并提供连接语义策略知识库的接口。考虑航迹规划的最优性和实时性矛盾［"」，采用语义空间距离为目标线路选择提供空间搜索的方式，通引入强化学习［1」的路径选择机制提高区域航迹规划的航线代价值，使语义巡检航迹达到期望最优。
3.1语义空间距离
所提岀的语义空间距离是将当前轨迹与语义策略图O_strategy进行航线选择策略的一个计算方法，取决于语义距离和空间距离两个部分。其中，语义距离是衡量空间位置节点与巡检目标在语义上的距离。而空间距离是衡量O_strategy中空间顶点v与当前巡检位置节点g的欧式距离。
(，语义距离。考虑某时刻r巡检某特征点位置信息g 生成的Sop序列集和Move序列集，g的位置信息表示为V，可能匹配语义策略图O_strategy上的多个顶点v i，采用与C在O_strategy图上的最近距离来度量v g与v，之间的语义距离，即为
O_tagy"O g V i k m d S O_tagy"O g V i k C1)
其中，d s0_s g lgy(v，V-表示顶点V与v q的最短路径加权距离，如果V与v q不存在路径或者O_strategy中无g存在，则d s o_.statcgy(V g,Vq,d。
(］空间距离。其O_strategy中空间顶点v q与巡检位置节点g的欧式距离表示为
Span(v。=ds(V g.Cor,V c..Crr,(5，式中：C o厂表示当前位置的坐标值。综合考虑语义距离和空间距离，使用以下公式对空间顶点进行排序
em o_sagy(V.,q。
D(v.,q。=a X-------------------------------------1-------1/,+
11,ma.X Se m o_stracgy(V：,「q,
Vq G q z z
• 1498 •
计算机工程与设计
2021 年
(6)
Sa (v ，v .,
(—a ) X
] i / x
max Spa (q. ,，c.) C e c i i
其中，a e[01」为平衡两种距离的权重参数，可以通过实 验调整。在式(2)、式(3)计算巡检实体对象关联比重
和区域的基础上，Sm udgy (V q ,V c z )和Span(zq ,V c .)用
于对语义距离和空间距离进行特征位置点的k-means 聚
类[2」，从而选择合适的路径作为航线规划的期望网络 集合。
3.2基于强化学习的路径选择机制
本草茶语义空间距离计算为巡检航线路径选择提供了依据, 通过路径选择多个区域内特征位置节点的聚类，生成了一
个与语义策略图网络相匹配的期望网络，为使巡检航线规 划的信息要素达到最优，引入强化学习方法对航迹的路径
进行选择，不断调整规划航线。采用该方法，可以利用语 义空间计算结果提高较优航迹区域的信息要素浓度，降低 较差航迹区域的信息要素浓度，有利于扩展巡检航线的语
义搜索空间；另一方面，通过信息要素更新过程中的航迹 评价作为奖励信号，对较优的路径进行奖励，提升航线规
划的自适应能力。将期望网络设为S = {S i ,S?,…S n }，通改锥头
过输岀Q 值波尔兹曼分布指导语义策略网络O = {O ],
Q ,，…O N,，以奖励信号兀作为对航迹的评价值，其计算如
式()所示
(7)
€厂匕0.(弘。
n S ( S ) =
_—1---------「
a e AO
其中T 为影响因子，Q q 为指导网络O 行动空间，而期望 网络S 的信息要素均加载了语义标签用于计算语义距离,
根据S 策略和O 策略的交叉嫡计算信息素浓度系数，提高
巡检的精确性和准确率[3」
L p (6) = 丫 陰( SlgTtA MN ( S ；)/2
(8)
式中：lgTTAMN ( S ；)用于指导S , O 输岀为监督信号, 指导当前网络S 的行为向O 靠拢，在减少航迹构造过程中 信息要素衰减的同时选择最优路径。
3.3航线构造方法
针对语义空间距离计算和基于强化学习的路径选择, 为使航迹区域的信息要素浓度达到最优， 提出了航线构造
陶粒混凝土墙板方法，具体算法如下所示：
航迹构造算法：
输入：语义策略图O —Slalegy，当前航迹入及Sop 序
列集，最大偏角度w 和最大距离偏移阈值d
输岀：结果构造航迹A *
(1) 获取当前无人机航线A 中位置采样点并初始化A *,{ } — O_strategy, A — n, {{ — A * ;
(2) A * U Sop ,}—A * ;
(3) StopStopi+1 —LabelMoee ; //标记第一个采样点直
接作为特征点向量
()while i<n do 搜索Stop 至Stop 之间特征点；()if 满足式(1)则获取特征点集合S ；(,s U {} — s 构造特征点集合；
()对于特征点S 利用式(5)计算该位置的语义空间
距离，即与语义策略图O_strategy 的空间语义计算；
(8)根据式(7)计算s 的航迹评价值；
()采用式(8)得岀策略回归值计算信息素浓度稀疏(10) ss +i — lbelMov 用Move 序列连接特征点；(11) end if (12) i +1—/(13) end while
11) return A
*
4实验分析
4.1实验数据
本文以电力平台为数据背景，将任务区域设为WXL=
1000 kmX 1000 km，由Voronoi 图分解为600个子区域,
每个子区域设有中心位置节点，1台同构四旋翼无人机飞
行速度为每秒40 m，最大的偏角度为65°，观测距离为
60 m，在netlogo 平台上进行仿真实验验证所提岀方法的有
效性，采样周期为5 s 。实验中对语义策略图中未岀现的实
例等不平衡现象，采取拉普拉斯平滑方法进行处理，并重
复10次实验消除误差影响。
4.2航线构造分析
初始阶段无人机对区域环境信息未知，1台无人机从
任务初始位置岀发，对区域内拟定的13个电力杆塔进行飞 行巡检，如图1所示，三角形代表当前杆塔，其通过线缆
进行连接，阴影部门表示电磁干扰和树障干扰等因素，共
有①至⑥部分。当机载传感器接收到任务信号时，当前无
人机从001号杆塔开始巡检，不仅规划杆塔的三维特征点
线路，还规划线缆的巡检位置。
图4 ()为根据语义策略图构造的历史航线数据，其 中每条航线均计算了对应航段的语义空间距离和赋予奖励
信号的航迹代价值，为巡检航迹提供了数据基础；图1 (b)
显示了在该区域内运用本文方法生成的航迹规划结果，有 效地规避了干扰区域，在飞行航迹规划和干
扰因素之间取
得了良好的平衡。
4.3性能分析
()航线代价分析[3」
对于巡检航线规划的不断调整和重构，使无人机局部 线路选择在强化学习过程中不断迭代更新，采用航迹代价 进一步说明本文方法在电力巡检航线规划的性能。航迹代
价反映了无人机巡检航迹的优劣程度，由沿航迹飞行代价 分量W f 和受到干扰因素代价分量W m 决定，其评价指
标如下
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议