一种无人机航线规划方法、装置、设备及存储介质

技术领域

本申请涉及无人机领域，特别是一种无人机航线规划方法、装置、设备及存储介质。

背景技术

无人机技术在近年来取得了长足的发展，无人机已经成为了广泛应用的机器人技术。无人机如何安全有效的完成飞行任务，航线规划起到重要作用，它决定了无人机的飞行效率和安全性。

目前，无人机的航线设计主要通过人为主观经验预先设定和GPS导航。人为主观经验预先设定是通过大量的实际操作无人机飞行经验得出无人机可以通过哪些区域飞行，将设定好的飞行路线设置在无人机程序中，这种方法缺点是需要消耗大量的时间和人力，成本较高，且不适合大面积的开放环境推广。

GPS导航的方法是通过卫星定位来确定无人机的位置并计算航线，这种方法可以在开放环境中使用且成本较低，但GPS信号可能会收到干扰，且无法确定飞行高度及中间可能出现的气象问题，导致飞行安全性较低。

为了解决这些问题，有必要发明一种新的无人机航线规划方法。

发明内容

有鉴于此，本申请提供了一种无人机航线规划方法、装置、设备及存储介质，用于提高飞行效率和安全性。

为了实现上述目的，现提出的方案如下：

一种无人机航线规划方法，包括：

获取目标无人机的起飞请求信息，所述起飞请求信息包括所述目标无人机的型号、起飞地信息和目的地信息；

根据所述目标无人机的型号确定对应空域高度；

基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合；

获取所述航线集合中各航线的占用率、航线距离和气象信息；

根据所述各航线的占用率和航线距离，确定所述目标无人机的待选航线；

将所述待选航线及对应气象信息输入航线选择模型，得到所述航线选择模型输出的目标航线；

所述航线选择模型以历史航线及对应历史气象信息作为训练样本，以历史航线中的目标航线作为训练标签训练得到。

可选的，所述航线选择模型包括输入层、卷积层、池化层、预测层、输出层；

所述航线选择模型的训练过程，包括：

通过输入层，获取历史航线及对应历史气象信息；

通过卷积层，对所述历史航线及对应历史气象信息进行特征提取，得到特征矩阵；

通过池化层，对所述特征矩阵进行池化，得到统一大小的特征矩阵；

通过预测层，基于所述统一大小的特征矩阵，对各历史航线的气象进行预测，得到预测气象；

通过输出层，基于所述预测气象，确定所述历史航线中的目标航线；

基于确定的历史航线中的目标航线结果与所述历史航线中的目标航线标签的差值，确定航线损失值；

根据所述航线损失值，更新航线选择模型的参数。

可选的，所述根据所述目标无人机的型号确定对应空域高度，包括：

根据预先制定的空域划分规则及所述目标无人机的型号确定对应空域高度。

可选的，基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合，包括：

基于所述起飞地信息和目的地信息，确定各个航线中的电池电量补充站点；

将所述电池电量补充站点数小于预设阈值的航线组成所述空域高度中的航线集合。

一种无人机航线规划装置，包括：

第一信息获取模块，用于获取目标无人机的起飞请求信息，所述起飞请求信息包括所述目标无人机的型号、起飞地信息和目的地信息；

高度确定模块，用于根据所述目标无人机的型号确定对应空域高度；

集合确定模块，用于基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合；

第二信息获取模块，用于获取所述航线集合中各航线的占用率、航线距离和气象信息；

待选航线确定模块，用于根据所述各航线的占用率和航线距离，确定所述目标无人机的待选航线；

目标航线输出模块，用于将所述待选航线及对应气象信息输入航线选择模型，得到所述航线选择模型输出的目标航线；

其中，所述航线选择模型以历史航线及对应历史气象信息作为训练样本，以历史航线中的目标航线作为训练标签训练得到。

可选的，该装置还包括模型训练模块，所述模型训练模块包括输入层、卷积层、池化层、预测层、输出层；

所述模型训练模块，用于通过输入层，获取历史航线及对应历史气象信息；

通过卷积层，对所述历史航线及对应历史气象信息进行特征提取，得到特征矩阵；

通过池化层，对所述特征矩阵进行池化，得到统一大小的特征矩阵；

通过预测层，基于所述统一大小的特征矩阵，对各历史航线的气象进行预测，得到预测气象；

通过输出层，基于所述预测气象，确定所述历史航线中的目标航线；

基于确定的历史航线中的目标航线结果与所述历史航线中的目标航线标签的差值，确定航线损失值；

根据所述航线损失值，更新航线选择模型的参数。

可选的，所述高度确定模块，包括：

高度确定子模块，用于根据预先制定的空域划分规则及所述目标无人机的型号确定对应空域高度。

可选的，所述集合确定模块，包括：

第一集合确定子模块，用于基于所述起飞地信息和目的地信息，确定各个航线中的电池电量补充站点；

第二集合确定子模块，用于将所述电池电量补充站点数小于预设阈值的航线组成所述空域高度中的航线集合。

一种无人机航线规划设备，包括存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，实现前述无人机航线规划方法的各个步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述无人机航线规划方法的各个步骤。

从上述的技术方案可以看出，本申请实施例提供的一种无人机航线规划方法、装置、设备及存储介质，通过获取目标无人机起飞请求信息中的目标无人机的型号、起飞地信息和目的地信息，并根据起飞地信息和目的地信息，确定空域高度中的航线集合，再从航线集合中，获取各航线的占用率、航线距离和气象信息，根据各航线的占用率和航线距离，进一步确定目标无人机的待选航线，之后将待选航线输入航线选择模型，得到目标航线，相比于现有技术，本申请通过起飞地信息和目的地信息先筛选出航线集合，再从航线集合中，根据占用率及气象信息确定待选航线，将待选航线输入航线选择模型，得到目标航线，通过获取的实时气象信息和航线选择模型确定最佳的目标航线，在保证飞行效率的同时提高航线安全性。

附图说明

图1为本申请实施例提供的一种无人机航线规划方法流程图；

图2为本申请实施例提供的一种航线选择模型训练方法流程图；

图3为本申请实施例提供的一种无人机航线规划装置结构示意图；

图4为本申请实施例公开的一种无人机航线规划设备的硬件结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种无人机航线规划方法，该方法可以包括如下步骤：

步骤S100、获取目标无人机的起飞请求信息。

具体的，起飞请求信息可以包括目标无人机的型号、起飞地信息和目的地信息，可以通过无人机控制平台或联网获取，获取方式可以通过计算机、手机等或具有相同功能的电子设备。

步骤S110、根据所述目标无人机的型号确定对应空域高度。

具体的，为保证畅通的航线交通及提高航线的使用效率，不同的无人机型号的飞行高度可以不同，可以根据无人机的型号确定对应的空域高度。

步骤S120、基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合。

具体的，从起飞地到目的地的航线可以是多条的，不同航线的目的地相同，每一航线所经过的空域高度可以不同，同一无人机飞行的空域高度可以相同，可以根据无人机的起飞地信息和目的地信息，确定规定的空域高度中的各航线并组成航线集合。

步骤S130、获取所述航线集合中各航线的占用率、航线距离和气象信息。

具体的，各航线的占用率、航线距离和气象信息可以不同，航线的占用率可以表示当前时刻占用该航线的无人机数量，航线距离可以表示每一航线所经过的路线长度，气象信息可以表示该航线当前时刻所经过的空域中的气象状况，可以根据航线集合，获取对应的各航线的占用率、航线距离和气象信息。

步骤S140、根据所述各航线的占用率和航线距离，确定所述目标无人机的待选航线。

具体的，可以根据各航线的占用率和航线距离，从各航线中，优先选取占用率少，航线距离较短的航线作为待选航线，待选航线可以是一条或多条。

步骤S150、将所述待选航线及对应气象信息输入航线选择模型，得到所述航线选择模型输出的目标航线。

具体的，航线选择模型以历史航线及对应历史气象信息作为训练样本，以历史航线中的目标航线作为训练标签训练得到，历史气象信息可以确定所在空域的气象稳定性，根据历史气象信息可以确定气象变化较为平稳的空域及空域内对应的历史航线，即可以通过航线选择模型从待选航线中选取气象变化更加稳定的航线作为目标航线提高航线安全性，航线选择模型可以是采用神经网络模型，所采用的神经网络模型的结构可以有多种，如卷积神经网络(CNN，Convolutional Neural Network)、反向传播网络(BP，BackPropagation Net-work)、循环注意力神经网络(RA-CNN，RecurrentAttentionConvolutionalNeural Network)和CenterNet网络等，或者是对现有的网络进行改进后的网络结构，可以将待选航线及对应气象信息输入训练好的航线选择模型得到航线选择模型输出的目标航线。

上述实施例通过起飞地信息和目的地信息先筛选出航线集合，再从航线集合中，根据占用率及气象信息确定占用率低和气象较好的航线作为待选航线，将待选航线输入航线选择模型，得到目标航线，通过获取的实时气象信息和航线选择模型确定最佳的目标航线，可以确保飞行效率即在任务规定的飞行时间内完成飞行任务的同时提高航线飞行安全性。

在本申请的一些实施例中，下面对步骤S150中的航线选择模型进行介绍，航线选择模型可以包括输入层、卷积层、池化层、预测层、输出层，如图2所示，航线选择模型的训练过程可以包括如下步骤：

步骤S151、通过输入层，获取历史航线及对应历史气象信息。

步骤S152、通过卷积层，对历史航线及对应历史气象信息进行特征提取，得到特征矩阵。

步骤S153、通过池化层，对特征矩阵进行池化，得到统一大小的特征矩阵。

步骤S154、通过预测层，基于统一大小的特征矩阵，对各历史航线的气象进行预测，得到预测气象。

步骤S155、通过输出层，基于预测气象，确定历史航线中的目标航线。

步骤S156、基于确定的历史航线中的目标航线结果与历史航线中的目标航线标签的差值，确定航线损失值。

步骤S157、根据所述航线损失值，更新航线选择模型的参数。

在上述实施例中，本申请可以通过航线选择模型，预测输入航线的未来的气象情况，通过预测并选取平稳气象区域的航线可以提高航线的安全性。

在本申请的一些实施例中，下面对步骤S110、根据所述目标无人机的型号确定对应空域高度的过程进行介绍，该过程可以包括：

步骤S111、基于所述起飞地信息和目的地信息，确定各个航线中的电池电量补充站点。

具体的，每一航线的途径地点及每一航线的电池电量补充站点可以不同，可以根据起飞地信息和目的地信息确定对应的航线及各个航线中的电池电量补充站点。

步骤S112、将所述电池电量补充站点数小于预设阈值的航线组成所述空域高度中的航线集合。

具体的，电池电量补充站点越多说明航线越长，从各航线中，选取长度适合的航线即可以根据航线中的电池电量补充站点数量选取，预设阈值可以根据每一飞地到目的地的距离进行设置，在符合空域高度的航线中，进一步将电池电量补充站点数小于预设阈值的航线组成航线集合，示例如，从A地起飞，前往B地，预设阈值数为10，航线选取分别有9、10、11三种电池电量补充站点数的航线且均符合空域高度，可以根据预设阈值选取其中的9、10电池电量补充站点数的航线组成航线集合。

在本申请的一些实施例中，下面介绍一种无人机航线规划方法的应用场景：

通过第一层根据起飞地信息和目的地信息初步筛选得到第一航线集合，在第一航线集合中根据空域高度筛选得到第二航线集合，根据电池电量补充站点数从第二航线集合中筛选得到第三航线集合，根据第三航线集合中各航线的占用率、航线距离和气象信息，筛选得到第四航线集合，将第四航线集合和对应气象信息输入航线选择模型，得到目标航线，本申请通过一层层筛选最后得到目标航线，可以提高飞行效率和安全性。

下面对本申请实施例提供的无人机航线规划装置进行描述，下文描述的无人机航线规划装置与上文描述的无人机航线规划方法可相互对应参照。

如图3所示，其公开了一种无人机航线规划装置的结构示意图，该无人机航线规划装置可以包括：

第一信息获取模块11，用于获取目标无人机的起飞请求信息，所述起飞请求信息包括所述目标无人机的型号、起飞地信息和目的地信息；

高度确定模块12，用于根据所述目标无人机的型号确定对应空域高度；

集合确定模块13，用于基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合；

第二信息获取模块14，用于获取所述航线集合中各航线的占用率、航线距离和气象信息；

待选航线确定模块15，用于根据所述各航线的占用率和航线距离，确定所述目标无人机的待选航线；

目标航线输出模块16，用于将所述待选航线及对应气象信息输入航线选择模型，得到所述航线选择模型输出的目标航线；

其中，所述航线选择模型以历史航线及对应历史气象信息作为训练样本，以历史航线中的目标航线作为训练标签训练得到。

可选的，该装置还包括模型训练模块，所述模型训练模块包括输入层、卷积层、池化层、预测层、输出层；

所述模型训练模块，用于通过输入层，获取历史航线及对应历史气象信息；

通过卷积层，对所述历史航线及对应历史气象信息进行特征提取，得到特征矩阵；

通过池化层，对所述特征矩阵进行池化，得到统一大小的特征矩阵；

通过预测层，基于所述统一大小的特征矩阵，对各历史航线的气象进行预测，得到预测气象；

通过输出层，基于所述预测气象，确定所述历史航线中的目标航线；

基于确定的历史航线中的目标航线结果与所述历史航线中的目标航线标签的差值，确定航线损失值；

根据所述航线损失值，更新航线选择模型的参数。

可选的，所述高度确定模块12，包括：

高度确定子模块，用于根据预先制定的空域划分规则及所述目标无人机的型号确定对应空域高度。

可选的，所述集合确定模块13，包括：

第一集合确定子模块，用于基于所述起飞地信息和目的地信息，确定各个航线中的电池电量补充站点；

第二集合确定子模块，用于将所述电池电量补充站点数小于预设阈值的航线组成所述空域高度中的航线集合。

本申请实施例提供的无人机航线规划装置可应用于无人机航线规划设备。无人机航线规划设备可以是终端。图4示出了无人机航线规划设备的硬件结构框图，参照图4，无人机航线规划设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取目标无人机的起飞请求信息，所述起飞请求信息包括所述目标无人机的型号、起飞地信息和目的地信息；

根据所述目标无人机的型号确定对应空域高度；

基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合；

获取所述航线集合中各航线的占用率、航线距离和气象信息；

根据所述各航线的占用率和航线距离，确定所述目标无人机的待选航线；

将所述待选航线及对应气象信息输入航线选择模型，得到所述航线选择模型输出的目标航线；

所述航线选择模型以历史航线及对应历史气象信息作为训练样本，以历史航线中的目标航线作为训练标签训练得到。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

获取目标无人机的起飞请求信息，所述起飞请求信息包括所述目标无人机的型号、起飞地信息和目的地信息；

根据所述目标无人机的型号确定对应空域高度；

基于所述起飞地信息和目的地信息，确定所述空域高度中的航线集合；

获取所述航线集合中各航线的占用率、航线距离和气象信息；

根据所述各航线的占用率和航线距离，确定所述目标无人机的待选航线；

将所述待选航线及对应气象信息输入航线选择模型，得到所述航线选择模型输出的目标航线；

所述航线选择模型以历史航线及对应历史气象信息作为训练样本，以历史航线中的目标航线作为训练标签训练得到。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。