复杂环境下无人机智能巡检轨迹规划方法研究

田小壮，石 辉，刘家辛，曹 飞，常雪婷

（1.国网新疆检修公司，新疆乌鲁木齐 830000；2.北京中飞艾维航空科技有限公司，北京 100176）

目前，变电站巡检主要依赖于人工巡检，对于高度较高的输变电设备，需要检测人员爬上输变电设备或通过望远镜、红外检测仪等辅助设备进行检测[1-5]。人工巡检过程需要花费巨大的人力资源，且巡检危险性高、准确度低，容易因巡检人员的主观印象、不规范操作等问题造成检测结果出错[6-9]。

随着物联网技术的高速发展，无人机逐渐应用于变电站巡检。通过搭载的摄像头或红外检测仪采集输变电数据，结合大数据分析技术实现变电站的智能巡检[10-11]，其具有巡检效率高、准确度高与成本低的优点[12-15]。

因此文中开展无人机智能巡检关键技术研究，基于三维激光点云数据，实现变电站复杂环境的仿真建模，解决在750 kV 及以上电压等级变电站的复杂环境下无人机智能巡检轨迹规划问题[16]。

1 基于RTK的无人机定位方法

实时动态差分法（Real-Time Kinematic，RTK）是常用的GPS 定位方法，通过载波相位差分技术实现厘米级精度的实时定位。该文采用RTK 技术，实现无人机的精准定位。

1.1 载波相位观测模型

假设卫星在ti时刻发射载波信号，其初始相位为φ(ti)；观测站T1在tj时刻接收到载波信号，其相位为φ(tj)，则卫星发出与观测站接收到的载波信号相位延迟为：

式中，N为相位延迟的周期整倍数部分，ΔN为相位延迟的整数部分。

由于卫星与观测站的时钟和系统时钟存在差别，因此有：

式中，Ti与Tj分别为卫星发出和观测站接收到载波信号的时间；δti与δtj分别为卫星和观测站与系统的时间偏差。

载波信号的相位与频率存在线性关系：

结合式（1）～（3）可得：

式中，δρ1和δρ2分别为电离层与对流层对载波信号传输延迟的影响，ρ为卫星与观测站的距离。

由此得到，观测站对卫星的载波相位观测模型为：

1.2 载波相位观测单差分模型

如图1 所示，通过两个观测站T1与T2同时对卫星m发射的载波信号进行接收，分别建立T1和T2的载波相位观测模型，模型中的数值关系如式（7）所示。

图1 载波相位观测单差分模型

通过差分计算消除公有误差的影响，得到载波相位观测单差分模型：

1.3 载波相位观测双差分模型

设两颗卫星m与n由观测站T1、T2对其展开载波相位观测，如图2所示。建立单差分观测模型，如下：

图2 载波相位观测双差分模型

卫星m的坐标为(xm,ym,zm)，观测站T1的坐标为(x1,y1,z1)，则二者的距离如下：

2 无人机智能巡检轨迹规划方法

2.1 变电站无人机智能巡检系统

变电站无人机智能巡检系统架构，如图3 所示，其主要分为机载系统与地面系统两部分。

图3 变电站无人机智能巡检系统架构

机载系统包括飞行控制系统与任务系统，实现无人机飞行智能控制，完成图像等数据的测量采集任务；地面系统包括监控系统与数据处理系统，实现对无人机巡检过程的监控以及对回传的巡检数据处理分析，从而发现变电站存在的安全风险隐患[17-18]。

2.2 基于改进RRT算法的巡检轨迹规划

1）复杂环境三维空间建模

750 kV 及以上电压等级的变电站，在电塔高度、设备种类、电气接线等方面更加复杂。利用无人机进行智能巡检需要更全面的考虑复杂环境的影响，主要障碍物是电气设备与电塔。

点云数据是常用的一种数据结构，该数据包含了丰富的目标物体表面及细节信息。但每组点云数据之间的联系却较为模糊，因此有必要通过建立相应的拓扑关系网络，明晰数据之间的关系，从而实现有效信息的快速获取。

文中采用八叉树模型构建变电站三维激光点云仿真模型，其核心思路是将变电站三维空间划分成8个立方体子空间，然后继续合并或分割这些子空间，当达到最大递归层次或子空间个数为空时，循环结束。其流程如图4 所示。

图4 基于八叉树的变电站三维点云建模流程

2）基于改进RRT 算法的智能巡检轨迹规划方法

快速拓展随机树（Rapidly-exploring Random Tree，RRT）算法是解决轨迹规划问题的常见方法，在可行空间中进行随机选点。通过碰撞检测确定路径，能够适应复杂环境下无人机的轨迹规划。但由于RRT 算法搜索的随机性，生成的路径通常不是最优的且存在众多冗余节点。因此，文中提出一种去冗余节点的改进方法。

图5（a）为RRT 算法的搜索示意图；图5（b）为去冗余节点的改进方法示意图，基于改进RRT 算法的轨迹规划过程包括以下步骤：

图5 基于MRRT算法的无人机智能巡检轨迹规划

①以起始节点qstart作为随机树起始根节点。

②随机节点qrand是目标节点qend的概率为p，是巡检空间中任意点的概率为(1-p)。

③从已有随机树的叶节点中选取距离随机节点qrand最近的点，称为临近节点qnear。

④从临近节点qnear出发，往随机节点qrand的方向延伸步长λ的距离，得到新节点qnew。

⑤判断临近节点qnear与新节点qnew间的路径上是否存在障碍物。若是，则返回步骤②；否则，将新节点qnew加入随机树，进行下一步。

⑥判断当前随机树是否包含目标节点qend。若是，则进行下一步；否则，返回步骤②。

⑦在当前随机树，从目标节点qend出发向起始节点qstart进行逆向搜索，确定巡检轨迹。

⑧对巡检轨迹进行去冗余节点操作，若巡检轨迹中两点之间的路径未有障碍物，则删除中间节点。

3 算例分析

将该文所提方法应用于某750 kV 变电站的无人机智能巡检过程进行仿真分析，验证所提方法的有效性与正确性[19-21]。

3.1 基于RTK的无人机定位精度分析

传统无人机定位方法与基于RTK 技术的定位方法仿真结果，如表1 所示。可见传统定位方法在Z方向上的定位偏差最大，数值为±0.83 m，相应标准差为0.321 8；而RTK 方法在X、Y与Z方向上的定位偏差均小于传统方法，在Z方向上定位最大偏差仅为±0.22 m，具有更高的定位精度。

表1 3个方向定位最大偏差和标准差

3.2 巡检轨迹规划结果分析

RRT 算法改进前后的规划结果对比，如图6 所示。可见传统RRT 算法所得巡检轨迹由较多折线连接形成，中间存在38 处转折点，路径总长度为1 232.62 m；改进RRT 算法所得巡检轨迹仅存在5 处转折点，路径长度为875.16 m。由此可见，改进RRT算法能够有效缩减巡检路径长度，达到降低巡检无人机飞行能耗的目的。

图6 改进RRT与传统RRT算法轨迹规划对比

4 结束语

文中分析RTK 技术的原理，构建了变电站无人机智能巡检系统架构，采用八叉树模型实现变电站三维激光点云仿真建模，进一步提出基于改进RRT的无人机智能巡检轨迹规划方法。通过算例仿真表明，该文所提出的基于RTK的定位方法在X、Y与Z3 个方向上均具有更小的定位偏差和标准差，能够提高无人机定位准确度。所提基于改进RRT 算法的变电站智能巡检轨迹规划方法，能够在保证巡检范围的前提下缩减巡检路径长度，降低巡检成本。