无人机巡检架空输电线路自主避障导航算法研究

张红兵 索春光 宁友欢 张文斌

摘  要： 随着无人机技术的发展，无人机被广泛应用于高压输电线路进行巡检，但受到环境因素的影响作业人员对无人机的控制难度较大，甚至导致无人机撞向输电导线或者铁塔引发电力事故。因此，提高无人机的自主巡航能力是无人机巡检高压输电线的重要技术，基于此，本文提出一种基于模糊神经网络多传感器数据融合方法，实现无人机对架空输电线路的自主避障导航。该方法首先将需要巡检的输电线路的坐标信息输入无人机飞控系统，实现通过铁塔坐标对无人机进行全局导航，而在局部则采用虚拟势场法实现对无人机自主避障。对于多传感器数据分析，本文将模糊神经网络结合模糊聚类的方法进行改进提出一种多传感器数据融合算法，实现对无人机周围环境的准确采集，从而实现对无人机巡线的自主避障导航。最后构建仿真实验平台，对无人机寻线自主避障导航进行模拟实验，从而验证了该算法的可行性。

关键词： 无人机寻线，多传感器数据融合，自主避障导航，模糊神经网络，自适应

中图分类号： TP391.9    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.10.060

本文著录格式：张红兵，索春光，宁友欢，等. 无人机巡检架空输电线路自主避障导航算法研究[J]. 软件，2020，41（10）：236241

【Abstract】： With the development of UAV technology， UAVs are widely used in high-voltage transmission lines for inspection， However， under the influence of environmental factors， it is more difficult for the operator to control the drone， and even causes the drone to hit the transmission line or the tower to cause an electrical accident. Therefore， improving the autonomous cruising capability of the UAV is of great significance for the UAV to inspect the high-voltage transmission lines. Based on this， this paper proposes a multi-sensor data fusion method based on fuzzy neural network to achieve autonomous obstacle avoidance navigation of UAVs on overhead transmission lines. This method first inputs the coordinate information of the transmission line that needs to be inspected into the UAV flight control system to achieve global navigation of the UAV through the tower coordinates， and locally uses the virtual potential field method to achieve autonomous obstacle avoidance for the UAV. For the analysis of multi-sensor data， this paper improves the method of fuzzy neural network combined with fuzzy clustering and proposes a multi-sensor data fusion algorithm to achieve accurate collection of the surrounding environment of the drone， thereby achieving autonomous avoidance of the UAV line patrol Barrier navigation. Finally， a simulation experiment platform was constructed to carry out simulation experiments on the autonomous liner avoidance navigation of the UAV， thus verifying the feasibility of the algorithm.

【Key words】： UAV inspection power lin; Multi-sensor data fusion; Autonomous obstacle avoidance navigation; Fuzzy neural network; Adaptive

0  引言

隨着智能电网和特高压输电电网快速增长，高压输电线路的数量和长度也在快速增加，在未来一段时间，我国的高压电网将呈现出电压等级不断提高、杆塔高度越来越高、传输距离越来越远、分布范围越来越广，同塔多回电路将越来越多的特点[1-3]。以此同时，输电线路[4]的巡检工作将是一项艰巨而紧迫的任务，巡检作业人员的工作量将越来越大。采用无人机进行输电线路巡视，极大地提高了输电线路的巡检质量和效率，降低了维护人员的作业风险和劳动强度，同时又大幅降低线路巡检的人、财、物，性价比高，具有极高的经济价值，极大提升了输电线路运行维护管理水平[5-8]。

针对无人机巡检输电线控制难的问题，现阶段采用的方法主要是通过无人机搭载图像采集传感器将所采集的视频反馈给地面终端，根据所反馈的图像信息[8]进行人工遥控远程操作无人机进行巡检[9]，但这样的控制方式会因为GPS导航误差，飞行过程中阵风过大，天气因素等影响致使无人机偏离预设航向从而撞上铁塔等障碍物。同时由于输电导线线径太小超声波传感器、激光雷达等不容易测到，利用摄像头传感器采集图像信息容易受到、天气状况以及环境因素影响，这些都将导致作业人员无法根据反馈的视频信息辨别无人机与输电导线、铁塔等障碍物的实时距离实现即时避障。而且无人机在巡检架空输电线路过程中常遇到输电导线爬坡，急转弯、架空输电导线间的不同排列、连接方式的相互结合等复杂情况，这些情况都增加了作业人员对无人机的控制难度，从而导致无人机撞向输电导线或者铁塔[9]。针对上述问题，国内外学者对采用无人机对架空输电线路进行巡检进行了很多研究，并取得了一些成果。

文献[10]给出一种模糊算避障算法用于多旋翼无人机上使用的避障策略，以5路超声波传感器作为避障所用的距离传感器;文献[11] 根据输电导线周围的电场环境，利用导线间距与电场强度之间的对应关系，提出了一种基于电场强度变化率的限值判断的无人机巡检带电导线的场强三维差分避障方法，但该方法中所提的场强变化率限值受外界干扰而不能准确求出;文献[12]提出一种智能避障方法，该方法根据无人机飞行区域的障碍物分布情况建立飞行区域的柱状避障空间建模，通过将避障系统与输电导线周围电场场强分布情况结合，建立神经网络模型，实现无人机的实时避障。文献[13]采用了多传感器融合技术，通过对巡检过程中可能出现的障碍物进行建模，建立最小安全空间模型和输电线路周围电场模型，提出基于模糊神经网络的方法，对无人机电力巡线的避障技术进行了研究这种方法为电力寻线无人机的避障提供了一定的参考意义，但该方法对的数据处理较大，很难实现实时避障导航;文献[14]提出了一种高压线检测与识别算法，通过对高压输电导线进行识别后作为无人机巡线的导航目标，但在应用过程中发现该方法受天气因素干扰较大，数据处理较为复杂，实时性和安全性不能得到有效保证。国外一些学者基于图像采集处理为无人机避障导航提供参考，但这些方法对环境要求较为苛刻，对数据处理要求较高，不能被广泛的应用。基于此，为了保证无人机寻线过程中的安全以及提高无人机寻线的可靠性、安全性以及提高寻线的效率，实现无人机的自主避障和自主寻线。本文提出一种基于模糊神经网络多传感器数据融合方法实现无人机对架空输电线路的自主避障导航，该方法首先将巡检的输电线路铁塔坐标输入无人机飞控系统，通过铁塔坐标实现对无人机进行全局导航，而在局部则采用虚拟势场法实现对无人机自主避障。对于多传感器数据分析，本文将模糊神经网络与模糊聚类的方法相结合进行改进提出一种多传感器数据融合算法，实现对无人机周围环境的准确采集，从而实现对无人机巡线的自主避障导航。文中所述方法为实际应用中的无人机巡检架空输电导线自主避障导航提供了参考。

1  多传感器数据融合方法

1.1  避障导航传感器选择

基于上述分析，无人机巡检高压输电线所使用的传感器受到自身测量特性以及环境因素的限制，周围复杂障碍物信息的不确定性致使无人机处于危险的环境中。每一种传感器都可以提取避障导航信息的一部分，而提取的这一部分信息由于受到其它因素的干扰不能准确反映目标的准确信息或者只能提取目标的某一部分单一信息，无法准确判断目标物体的状态。使用多传感器对巡检过程中的各个导航信息进行检测和融合，通过不同传感器对外界环境的变化信息进行采集和检测，从采集的信息中提取有意义的信息，可以充分利用目标物体的特征信息[15-17]。为实现多传感器数据融合为无人机巡线提供自主避障导航目标，本文采用的传感器为：采集输电导线周围场强信号的工频电场传感器、检测无人机寻线过程中的飞行速度、无人机姿态检测的加速度计陀螺仪传感器、以及气压计，GPS导航系统，对输电导线、铁塔以及周围障碍物进行实时测距的超声波传感器。其系统结构图如图1所示。

无人机搭载的主要传感器模块布局如图2所示：将传感器所采集的数据信息作为系统输入，其中黑色方块表示传感器，分别标记为1、2、3、4、5、6、7、8、9、10、11、12、13其中1、2、3、4为工频电场传感器，5、6、7、8为超声波传感器，9为GPS接收模块，10为加速度计陀螺仪MPU6050。

1.2  基于神經网络多传感器数据融合原理

无人机寻线过程是一个复杂的过程，无法建立准确的数学模型进行描述，而模糊理论不需要建立精确的数学模型即可对非线性系统进行控制[18]，模糊逻辑最大的优点是可以以经验控制难以准确地建立数学模型的系统，而模糊控制规则和隶属度函数一旦确定就不能更改，这样系统对外界环境很难具有学习和适应的能力[19]。而神经网络能够映射任意函数关系，自学能力强，弥补了模糊逻辑的不足。将神经网络的学习能力引入到模糊系统中，将模糊系统的模糊化处理、模糊化推理、精确化计算通过分布式的神经网络来表示是实现模糊系统自组织、自学习的重要途径。在模糊神经网络中，神经网络的输入输出节点来表示模糊系统的输入输出信号，神经网络的隐含节点来表示隶属函数和模糊规则，利用神经网络的并行处理能力使得模糊系统的推理能力大大提高。与传统的以概率理论为基础的融合方法相比，基于糊神经网络的多源数据融合算法不仅提高了普通人工神经网络处理精确信息的能力，而且模糊网络也能够处理不确定信息以及模糊信息，而且训练好的网络无需其他先验信息，就能够融合多传感器信息，很大程度上提高了融合系统的融合能力和准确性[20]。因此，采用模糊神经网络的方法能较好的解决无人机巡线过程中的多传感器数据融合的问题。

Kohonen网络是一种能够识别环境特征并自动聚类，自组织竞争型的神经网络。其原理是在网络学习过程中，当样本数据输入网络时，竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里德距离，距离最小的神经元为获胜神经元。调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。通过反复训练，最终各神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。在学习的过程中，权值修改学习速率和神经元领域在不断较少，从而使同类神经元逐渐集中。如图3所示为Kohonen神经网络学习算法流程。

1.3  T-S模糊神经网络

T-S模糊神经网络模型[21]是具有很强自适应能力的系统模型，它具有自动更新系统和模糊隶属度函数的特性，其T-S模糊神经网络模型可以描述为：

其中：为系统模糊集;为系统参数;为模糊模型的输出。

由上述模型可见，输入是模糊变量，输出结果则是明确的。

对于输入，根据模糊规则首先计算输入变量的模糊隶属度值。

模糊神经网络对数据融合的一般过程如图4所示。

利用Kohonen神经网络的聚类来确定标准的T-S模糊神经网络的结构。对模糊神经网络要处理的数据首先进行聚类处理，假定聚类结果有j个类型，就可以把j作为模糊子集的个数，每个模糊子集代表一条模糊推理机制。于是就用这些规则近似代替各条模糊规则所对应的模糊子集内的所有样本的规则推理，进一步确定网络模糊化层中的节点数。

假设输入层为m维输入，由聚类神经网络确定j个模糊子集，从而确定结果的j条模糊推理规则。即模糊化层中每一个输入节点都对应着j个模糊隶属函数，假设对于第i个输入的第j条模糊规则的隶属度为。多传感器信息融合过程如图5所示。

1.4  算法改进

为了简化上式算法中计算复杂度和融合精度的问题，对隶属度连乘算子进行如下改进：

设4个工频电场传感器对输电线路所测的场强等效距离为x1、x2、x3、x4，由于输电导线周围的电场强度与所处的环境温度，湿度有关而且无人机飞行姿态以及铁塔等周围障碍物对电场会产生畸变，为了较为准确的根据所检测电场强度计算无人机与输电导线之间的距离，需要采用多传感器对周围信息进行采集，进过数据融合，辅助测量安全距离;其工频电场检测模块信息融合模型如图6所示。

四个超声波传感器所等效的距离为d1、d2、d3、d4，由于超声波传感器能够测量障碍物与无人机之间的距离，但是对于寻线无人机而言，不同的障碍物，不同形状的障碍物对无人机巡检输电线路的影响程度是不同的，比如高压输电线和铁塔对无人机影响比较大，因此无人机飞行过程中不仅需要检测障碍物的位置，还需要对障碍物的形状以及性质进行判断，因此，需要采用多个传感器数据融合的形式对障碍物进行检测。检测模块信息融合模型如图7所示。

无人机此时的巡航速度直接决定了无人机下一步避障的角度和避障速度，因此准确检测无人机的实时巡航速度对无人机的避障导航是极为重要的，本文采用加速度计传感器采集无人机巡航的速度V;

GPS接收模块收到无人机的经纬度坐标与输电线路的坐标对比、计算，得到无人机与电力杆塔和输电线路之间的距离D;

输入、输出量的模糊化就是把多传感器探测到的确切信息转化成模糊量，输入信息包括超声波传感器、激光雷达传感器、工频电场检测传感器和GPS接收模块提供的无人机的位置和距离障碍物的信息。

2  无人机自主避障导航算法研究

2.1  无人机局部自主导航避障

建立模糊神经网络对多传感器数据进行先关处理后得到无人机寻线过程中所遇到的障碍物信息、无人机所处环境中的电磁场强度以及与输电导线之间的位置关系，由于无人机在巡线过程中，保证无人机巡线安全的情况下尽可能的让无人机靠近输电导线及铁塔以便较快发现导线所存在的问题。但在此过程中，电磁场强度过大会影响无人机的信号，干扰无人机的飞行，影响无人机所携带的电子元件，从而影响无人机对信号的采集进而影响对无人机的控制，致使无人机失控从而造成不必要的电力事故，造成重大的损失。但是如果无人机寻迹距离输电导线较远，很容易忽略输电导线的一些故障，达不到巡检的效果，因此电磁场信号对无人机巡线既是一个引力信号也是一个斥力信号。但输电导线周围的电场会受到铁塔等障碍物的影响而发生畸变，所以需要用多传感器[22]对相关的场景模式进行识别，将识别的结果结合电场强度进行避障和导航。本文采用虚拟力场法对无人机的自主避障导航提供计算[23]。

虚拟力场法是一種基于人工势场法原理和栅格法原理结合得到的用于机器人实时避障的方法。该方法将引力场与障碍物周围的斥力场共同作用，通过搜索势函数下降的方向来寻找巡航路径的方法，使得无人机能避开障碍物沿合力的方向规划飞行轨迹。在文中，将无人机采集障碍物信息的范围分成若干个视窗单元格，根据障碍物的位置与形状，每个单元格对无人机会产生不同大小的斥力作用，建立斥力模型如下：

由上式可以看出，由于的作用，当无人机靠近障碍物时，斥力会迅速增大，当无人机远离障碍物时，斥力会迅速减弱。无人机所受斥力为各个障碍物对它的斥力矢量和，即为：

在巡线过程中，为了让无人机尽在安全范围内可能的靠近输电导线，对无人机巡线产生引力作用的是场强因素，当场强小于某一个阈值时，场强越大，引力越大，但考虑到无人机搭载的电子元器件会受到强电强磁的干扰，所以需要为无人机设定一个场强阈值，当场强超过阈值时，电场强度对无人机产生较强的斥力，在安全范围内，场强对无人机产生的引力与场强大小呈正相关关系。建立场强对无人机引力的数学模型如下：

2.2  无人机全局自主导航避障

无人机进行对输电线路进行巡检之前需要下载所巡检的输电线路的杆塔经纬坐标，为无人机提供巡航检测目标。当无人机离高压输电铁塔较远时，可以以下一个铁塔为目标点进行全局路线规划，而距离铁塔较近时，将铁塔作为障碍物，将下一个铁塔作为巡检的目标点，在对每一段输电线路进行巡检过程中，全局的路径规划引入估价函数，因此，全局的路径规划采用改进的A*算法，其数学模型如下：

此时，当估价函数，的g值一定时，就会或多或少制约着估价值h。因此，节点距离目标点越近，则h值越小，值也就相对小，从而在最短路径的搜索中，能够保证搜索向终点进行。

3  无人机自主避障导航算法仿真实验

3.1  仿真实验平台

针对无人机巡检输电线路的真实情况，设计无人机自主巡线避障仿真模型，无人机通过搭载多传感器对巡检的输电线路环境中所设计的障碍物进行检测，将多个传感器数据进行相关融合，通过处理后的数据对无人机与障碍物的关系进行识别，达到避障的效果。再通过所设计的避障导航算法对无人机进行航迹规划，达到无人机自主避障导航的目的。无人机寻线自主避障导航仿真平台由巡航环境设置、传感器数据采集、多传感器数据融合、航迹规划等部分组成，如下图8所示。

3.2  仿真实验分析

下图采用数学仿真软件matlab对算法进行仿真的结果，图中o表示障碍物所在的位置坐标，蓝色直线表示一段输电导线，红色的曲线则表示无人机自主避障导航规划的运动轨迹，无人机在巡航过程中，既要避开输电导线以及障碍物，还要顺着输电导线进行巡检。从图9中可以看出，该算法能够较好的实现无人机的自主避障。

4  结语

（1）本文基于T-S模糊神经网络和聚类神经网络改进一种对多传感器数据进行融合，提高了障碍物检测的准确性，从而为无人机实时避障导航提供可靠的信息。融合后的信息主要分为两个组，一个组的信息主要以场强为主，当电场强度值小于某一个极限值时场强值对无人机是一个引力信息，无人机在局部以场强信息作为搜索目标进行搜索。另一组以超声波传感器检测信息为主，这一组信息主要表现为障碍物对无人机的影响。表现为斥力信息。

（2）无人机在局部根据所融合的两组传感器信息实现导航避障，但这样当无人机被周围障碍物包围时会陷入局部最优，找不到全局目标作为导航信息，或者需要长时间才能找到目标，从而影响巡检的效率。基于此，本文采用改进的A*算法实现无人机的全局避障导航。

（3）改进的A*算法以输电导线的铁塔为巡检目标，当无人机被障碍物包圍时，全局目标信息依然有效，从而能够尽快找到巡航的路径。无人机在对某一段输电线路进行巡检时，需要将该段输电线路的铁塔经纬度坐标输入数据处理系统，通过无人机所搭载的GPS系统检测无人机实时的位置坐标，从而判断无人机与下一个铁塔之间的距离，如果距离较远，则将该铁塔作为巡检的目标，如果与输电铁塔的距离较近，则将该铁塔作为障碍物，将下一个铁塔作巡检的目标，从而避免陷入局部最优而影响无人机巡检的效率，实现无人机在巡检架空输电线路过程中的自主避障导航。

（4）本文针对无人机巡检架空输电导线提出一种较为简单有效的多传感器数据融合自主避障算法，为后续的开发提供了参考，但该算法也存在一些问题，由于传感器要求精度较高，容易受到噪声的干扰，以及所选用的传感器量程较短，所以，当无人机巡航速度较快时，将会降低避障的效果，这是下一步进行改进的点。

参考文献

[1]IEEE Draft Guide for Unmanned Aerial Vehicle-based Patrol Inspection System for Transmission Lines，" in IEEE P2821/D5， June 2020， vol.， no.， pp.1-49， 8 June 2020.

[2]艾嘉豪， 朱大明. 无人机倾斜摄影测量在三维建模中的应用[J]. 软件， 2018， 39（6）： 192-195.

[3]皮祖成， 陈文， 马龙， 等. 面向对象的无人机任务设备通信接收软件设计[J]. 软件， 2018， 39（7）： 63-67.

[4]C. Liu， Y. Shao， Z. Cai and Y. Li， “Unmanned Aerial Vehicle Positioning Algorithm Based on the Secant Slope Characteristics of Transmission Lines，” in IEEE Access， vol. 8， pp. 43229- 43242， 2020.

[5]T. Santos et al.， “PLineD： Vision-based power lines detection for Unmanned Aerial Vehicles，” 2017 IEEE International Conference on Autonomous Robot Systems and Competitions （ICARSC）， Coimbra， 2017， pp. 253-259.

[6]陈晓燕， 姚高伟， 张鲲， 等. 基于遗传算法的无线传感器节点定位在农业的应用[J]. 软件， 2015， 36（4）： 1-5.

[7]C. Liu， Y. Shao， Z. Cai and Y. Li， “Unmanned Aerial Vehicle Positioning Algorithm Based on the Secant Slope Characteristics of Transmission Lines，” in IEEE Access， vol. 8， pp. 43229- 43242， 2020.

[8]吕占伟， 陶峥. 无线传感器网络定位技术[J]. 软件， 2015， 36（4）： 76-80.

[9]顾子玲， 李兴华. 化工园区气体排放无线传感器监测系统算法研究[J]. 软件， 2015， 36（12）： 171-175.

[10]刘世钊. 输电线路无人机避障和检测方法研究[D]. 华北电力大学， 2016.

[11]郑天茹， 孙立民， 娄婷婷， 等. 无人机巡检带电导线的电场测量避障方法[J]. 山东电力技术， 2017， 44（7）： 21-24.

[12]徐华东. 无人机电力巡线智能避障方法研究[D]. 南京航空航天大学， 2014.

[13]邴丽媛， 刘智， 蒋余成. 基于模糊神经网络的电力巡线无人机避障技术研究[J]. 长春理工大学学报（自然科学版）， 2017（3）.

[14]赵利坡， 范慧杰， 朱琳琳， 等. 面向巡线无人机高压线实时检测与识别算法[J]. 小型微型计算机系统， 2012， 33（4）： 882-886.

[15]王耀南， 李树涛. 多传感器信息融合及其应用综述[J]. 控制与决策， 2001， 16（5）： 518-522.

[16]Oates T. R.SiegwartI.NourbakhshIntroduction to Autonomous Mobile Robots2004MIT Press[J]. Artificial Intelligence， 2005， 169（2）： 146-149.

[17]Ayrulu B， Barshan B. Comparative analysis of different approaches to target classification and localization with sonar[C]// International Conference on Multisensor Fusion & Integration for Intelligent Systems. IEEE， 2003.

[18]陳超超. 轮式移动机器人避障的研究[D]. 燕山大学， 2004.

[19]袁新娜. 基于多传感器信息融合技术的智能小车避障系统研究[D]. 中北大学， 2010.

[20]杨权. 基于模糊神经网络的多源信息融合[D]. 中北大学， 2017.

[21]石黎， 孙志梅. 教学质量评价的BP神经网络模型[J]. 软件， 2015， 36（3）： 19-21.

[22]Quan Q. Introduction to multicopter design and control[M]// Introduction to Multicopter Design and Control. Springer Singapore， 2017.

[23]Gilbert E G. Distance Functions and Their Application to Robot Path Planning in the Presence of Obstacles[J]. IEEE Journal on Robotics & Automation， 2003， 1（1）： 21-30.