基于自适应视点采样的无人机全覆盖路径规划方法及系统

技术领域

本发明属于多旋翼无人机路径规划领域，具体涉及一种基于自适应视点采样的无人机全覆盖路径规划方法及系统。

背景技术

传统的大型结构表面检测任务中需要工作人员目视检测其表面，或是结合升降台和吊车，实现待检查物体表面检测。但这样的检测方式会消耗许多时间，同时需要专业的工具器械行配合，成本较高。而在近年来，多旋翼无人机由于其灵活轻便和成本低廉的优势被广泛应用在各个领域。本发明更是在大型复杂结构如建筑物、大型客机等表面检测任务领域中引入多旋翼无人机，减少了人力劳力，有效地降低了成本，大幅度提高检测效率，提升检测的准确率。

一般在利用多旋翼无人机进行大型物体表面检测时，需要考虑无人机的飞行航线全面覆盖三维物体表面，以防止无人机的漏检，同时确保无人机与三维物体表面的安全距离，保障无人机以及待检测物体的安全性。然而采用手持遥控器操纵无人机飞行，导致无法评估无人机飞行航线是否达到全面覆盖，同时无人机与待检测物体之间的距离难以保持恒定，增加了检测的时间以及危险性，因此亟需一种高效的针对大型三维结构的全覆盖路径规划方法。

现有的针对三维结构的无人机全覆路径规划方法大都是对三维空间进行分层，将三维的全覆盖问题转化为二维全覆盖问题来处理，这样的处理方式会导致路径重复率高，路径不合理等问题，降低大型三维结构检测的效率。

发明内容

本发明的主要目的在于，克服现有三维全覆盖路径规划算法技术中的不足，提供一种基于自适应视点采样的无人机全覆盖路径规划方法，不仅检测覆盖率高、效率高、成本低，而且不受模型结构的影响，具有鲁棒性，能够大幅度减少多旋翼无人机在对复杂大型结构进行检视时所消耗的时间与路径长度，无人机的能量利用率得到大幅提升。

为了实现上述目的，本发明采用的技术方案是：一种基于自适应视点采样的无人机全覆盖路径规划方法，包括以下步骤：

自适应视点生成

首先对空间进行位置和方向的离散化来生成初始视点；然后利用自适应采样比较识别初始视点未覆盖区域；最后在未识别的区域内迭代直至生成合格的视点集合；

全覆盖路径生成

将上一环节所生成的最终视点集合进行聚类并在内部连接每个聚类；然后将每个聚类与其周围的邻居聚类连接起来，生成搜索图；最后利用熵和邻居距离的概念作为启发函数来生成全覆盖路径；

路径覆盖率评估

沿着所述全覆盖路径累加计算已经覆盖的待检测结构的体积，以此来计算路径覆盖百分比，在此过程中需要对参考模型进行遮挡剔除。

生成初始视点具体如下：先使用设定的网格分辨率执行基于位置的离散化，生成一组定义3D空间中x,y,z位置的样本无人机航路点；

通过对每个位置样本执行基于方向的离散化来生成一组偏航角方向，生成的样本航路点集S由x,y,z坐标和ψ偏航角表示：

其中：x

然后通过应用一个4×4变换矩阵来产生每个传感器视点，所述变换矩阵定义传感器相对于无人机机身框架的位置；变换矩阵定义如下：

其中：

最后使用基于碰撞和最大最小距离的方法对初始航路点进行过滤；基于碰撞的过滤方法消除模型内部或与模型碰撞的样本视点；基于距离的过滤方法使样本视点在距结构模型的定义距离内可用，该距离基于传感器的最小和最大有效范围来确定，如下：

其中：intersection()为计算射线与模型之间交点数的函数；Ray[(x

通过以上方法就生成一组传感器初始视点：

利用自适应采样比较识别初始视点未覆盖区域时，以不同的离散化分辨率迭代重复上一步骤中的均匀采样过程，并且在每个离散化级别上，通过比较由待检查三维结构的模型生成的体素和视点可见的体素识别未覆盖的体素；

利用最近邻法和计算出的体积占用率，通过使用欧几里得聚类对识别出的未覆盖体素进行区域划分，最终找到未覆盖的区域；

通过计算覆盖部位各点深度误差的标准差来识别精度较低的区域。

在未识别的区域内迭代直至生成合格的视点集合时，以不同于自适应视点生成时的离散化分辨率在未覆盖的区域内迭代重复；

在利用自适应采样比较识别初始视点未覆盖区域时的每个离散化级别上，将没有覆盖和低精度的区域作为目标，以更精细的分辨率进行重新采样，直到生成足够的视点样本来保证具有所需精度的模型覆盖。

全覆盖路径生成时，利用启发式函数R来生成路径，使用的启发式函数R：

R＝Ee

其中：R为进行全覆盖路径规划时所使用的启发函数；E表示当前航路点所在路径的总熵；λ是距离贡献因子；δd是当前航路点与其父航路点之间的距离；

在进行全覆盖路径规划的过程中选择具有较大R值的航路点，从而最小化δd，并且最大化熵E，最小化δd意味着更短的行进距离，最大化熵E就是最大化信息增益。

路径覆盖率评估时，通过量化结构的覆盖体积与生成路径上的预测3D结构体积的百分比来评估覆盖路径规划完整性，具体表述如下：

其中，Coverage表示路径的覆盖率；CV

同时提供一种基于自适应视点采样的多旋翼无人机全覆盖路径规划系统，包括自适应视点生成模块、全覆盖路径生成模块和路径覆盖率评估模块；自适应视点生成模块用于对空间进行位置和方向的离散化来生成初始视点；然后利用自适应采样比较识别初始视点未覆盖区域；最后在未识别的区域内迭代直至生成合格的视点集合；

全覆盖路径生成模块用于将自适应视点生成模块所生成的最终视点集合进行聚类并在内部连接每个聚类；然后将每个聚类与其周围的邻居聚类连接起来，生成搜索图；最后利用熵和邻居距离的概念作为启发函数来生成全覆盖路径；

路径覆盖率评估模块用于沿着所述全覆盖路径累加计算已经覆盖的待检测结构的体积，以此来计算路径覆盖百分比，在此过程中需要对参考模型进行遮挡剔除。

另外，本发明还提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行，处理器执行计算可执行程序时能实现本文所述基于自适应视点采样的无人机全覆盖路径规划方法。

同时可以提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本文所述的基于自适应视点采样的无人机全覆盖路径规划方法。

与现有技术相比，本发明至少具有以下有益效果：

基于本发明所述的方法，在生成视点的过程中能够以不同的对空间进行离散，在识别出覆盖率、覆盖精度较低的区域，在这些区域以更精细的分辨率进行重新采样，直到生成足够的视点样本来保证具有所需精度的模型覆盖。保证了覆盖率和覆盖精度，同时减少计算资源和计算时间；将视点连接成为聚类，并在内部连接每个聚类，然后在外部将每个聚类与最近的聚类邻居点连接起来，生成搜索图，再利用图搜索的方式搜索生成路径；提升路径生成速度，相对于同类型的方法提升了面对大型点集的处理能力，保证了路径的可行性；利用覆盖体积来进行路径覆盖率的估计，覆盖率计算更加准确，对路径的评估更加客观

进一步的，利用启发式函数R来生成路径，最小化δd，并且最大化E，保证了路径有较低的路径长度代价，检测的过程有更低的噪声、更低的不确定性和更好的模型精度。

附图说明

图1为本发明一种可实施方法的流程图；

图2为本发明针对战斗机模型的实施过程；

图3为本发明针对战斗机模型的实施结果；

图4为本发明针对战斗机模型生成的自适应视点示意图；

图5为本发明针对战斗机模型生成的聚类示意图；

图6为战斗机模型示意图。

具体实施方式

下面对本发明实施案例中的技术方案做进一步的详细说明：

本发明所提出方法的流程如图1所示，具体如下：

环节1：自适应视点生成。首先对空间进行位置和方向的离散化，来生成针对战斗机模型的初始视点；然后利用自适应采样比较识别初始视点未覆盖区域；最后在未识别的区域内迭代直至生成合格的视点集合；

环节2：全覆盖路径生成。首先将上一环节所生成的最终视点进行聚类并在内部连接每个聚类；然后将每个聚类与其周围的邻居聚类连接起来，生成搜索图；最后利用熵和邻居距离的概念作为启发函数来生成针对战斗机模型的全覆盖路径；

环节3：路径覆盖率评估。沿着上一个环节生成的路径累加计算已经覆盖的战斗机模型的体积，以此来计算路径覆盖百分比，在此过程中需要对战斗机模型进行遮挡剔除。完成上述三个环节之后所得到的无人机位姿如图6所示。

进一步地，环节1中所述的自适应采样视点的生成，主要步骤包括：1)初始视点生成；2)利用自适应采样识别未覆盖的区域3)以不同的离散化分辨率在未覆盖的区域内重复迭代。

1)初始视点生成：

先使用特定的网格分辨率执行基于位置的离散化，生成一组定义3D空间中x,y,z位置的样本无人机航路点；

通过对每个位置样本执行基于方向的离散化来生成一组偏航角方向。生成的样本航路点集S由x,y,z坐标和ψ偏航角表示：

其中：x

然后通过应用一个4×4变换矩阵来产生每个传感器视点，该矩阵定义了传感器相对于无人机机身框架的位置。变换矩阵一般定义如下：

其中：

最后使用基于碰撞和最大最小距离的方法来对初始航路点进行过滤。基于碰撞的过滤方法消除了模型内部或与模型碰撞的样本视点；基于距离的过滤方法使样本视点在距战斗机模型的定义距离内可用，该距离基于传感器的最小和最大有效范围来确定，这两个约束定义如下：

其中：intersection()为计算射线与模型之间交点数的函数；Ray[(x

通过以上方法就能生成一组传感器初始视点：

2)利用自适应采样识别未覆盖的区域

为了改进视点，在此步骤当中以不同的离散化分辨率迭代重复上一步骤当中的均匀采样过程，并且在每个离散化级别上，通过比较由已知的战斗机模型生成的体素和视点可见的体素来识别未覆盖的体素。

利用最近邻法和计算出的体积占用率，通过使用欧几里得聚类对识别出的未覆盖体素进行区域划分，最终找到未覆盖的区域。除此之外，本发明还将通过计算覆盖部位各点深度误差的标准差来识别精度较低的区域。

3)以不同的离散化分辨率在未覆盖的区域内迭代重复

在上一步骤的每个离散化级别上，将没有覆盖和低精度的区域作为目标，以便以更精细的分辨率进行重新采样，直到生成足够的视点样本来保证具有所需精度的模型覆盖。

面向战斗机模型所生成的自适应视点如图4所示。

进一步地，环节2中将视点连接成为聚类，并在内部连接每个聚类，然后在外部将每个聚类与最近的相邻聚类连接起来，生成搜索图，再利用图搜索的方式搜索生成路径，面向战斗机模型所生成的聚类如图五所示。

进一步地，环节2中使用的启发式函数R：

R＝Ee

其中：R为进行全覆盖路径规划时所使用的启发函数；E表示当前航路点所在路径的总熵；λ是距离贡献因子；δd是当前航路点与其父航路点之间的距离。

在进行全覆盖路径规划的过程当中会选择具有较大R值的航路点，从而最小化δd，并且最大化熵E。最小化δd意味着更短的行进距离，能有效节省无人机的能量损耗，增加无人机的续航。最大化熵E其实就是最大化信息增益IG(Information Gain)，意味着整条全覆盖路径具有更低的噪声、更低的不确定性和更好的模型精度。

面向战斗机模型所生成的全覆盖路径如图3所示。

进一步地，环节3当中通过量化战斗机模型的覆盖体积与生成路径上的预测3D结构体积的百分比来评估覆盖路径规划完整性。具体表述如下：

其中：Coverage表示路径的覆盖率；CV

本发明还提供一种基于自适应视点采样的多旋翼无人机全覆盖路径规划系统，包括自适应视点生成模块、全覆盖路径生成模块和路径覆盖率评估模块；自适应视点生成模块用于对空间进行位置和方向的离散化来生成初始视点；然后利用自适应采样比较识别初始视点未覆盖区域；最后在未识别的区域内迭代直至生成合格的视点集合；

全覆盖路径生成模块用于将自适应视点生成模块所生成的最终视点集合进行聚类并在内部连接每个聚类；然后将每个聚类与其周围的邻居聚类连接起来，生成搜索图；最后利用熵和邻居距离的概念作为启发函数来生成全覆盖路径；

路径覆盖率评估模块用于沿着所述全覆盖路径累加计算已经覆盖的待检测结构的体积，以此来计算路径覆盖百分比，在此过程中需要对参考模型进行遮挡剔除。

另外，本发明还可以提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述基于自适应视点采样的无人机全覆盖路径规划方法。

另一方面，本发明提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于自适应视点采样的无人机全覆盖路径规划方法。

所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。

处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。

对于本发明所述存储器，可以是笔记本电脑、桌面型计算机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。

计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。