黄郑 王红星 翟学锋 王永强 高超
摘 要：为了解决输电线路无人机巡检作业易受恶劣天气影响、远距离遥控不及时、通信稳定性差等问题，提出了一种输电线路无人机自主巡检方法。首先，利用卡尔曼滤波算滤除原始线路中的轨迹噪点，采用垂距法对轨迹冗余点进行过滤，优化巡检航线;其次，提出基于巡检对象差异特性的动态优化定位方法提升无人机巡检质量。以某220 kV输电线路杆塔进行测试，测试结果表明，提出的方法解决了航线采集以及定位优化问题，贯穿航线学习到自主巡检的流程之中，兼顾了无人机自主巡检效率以及巡检精确度。
关键词：输电线路;无人机自主巡检;航线自学习;定位优化
Abstract：In order to solve the problems such as vulnerable to bad weather， untimely remote control and poor communication stability， the uav autonomous inspection method is proposed in this paper. Firstly， kalman filter was used to filter the track noise points in the original line， and the offset method was used to filter the track redundancy points， so as to optimize the inspection route. Secondly， a dynamic optimization positioning method based on the difference characteristics of inspection objects is proposed to improve the quality of uav inspection. A 220kV transmission line tower was used for the test. The test results showed that the method proposed in this paper effectively solved the problems of route acquisition and positioning optimization， learned the process of autonomous inspection throughout the route， and took into account the autonomous inspection efficiency and accuracy.
Key words：transmission line; uav autonomous inspection; route self-learning; location optimization
輸电线路穿越复杂、偏远的地区，在长期运行过程中极易遭受自然灾害和人为破坏，进而引发严重的电力事故，影响电网安全与稳定运行[1]。随着无人机巡检技术的逐渐成熟，其在电力系统、地质勘探、环境监测等各个领域得到了广泛应用[2-4]。目前，无人机仍需要专业人员操作，无人控制、完全自主作业能力尚未实现。
无人机自主巡检关键在于自动获取“无人机巡检轨迹航线”数据，而当前学术领域对该方向研究大部分集中在轨迹跟踪控制上[5-7]，对于飞行控制之前轨迹数据获取方式研究相对较少。现有航线学习策略往往是通过飞手控制无人机模拟一段作业轨迹航线，并在飞行过程中通过不断触发、记录位置点状态来获取目标轨迹线路。这种方法弊端在于人为触发记录位置点状态操作容易被遗忘，使得获取的轨迹航线存在较大偏差，进而可能引发无人机炸机事故。
为此，提出了一种输电线路无人机自主巡检方法，利用卡尔曼滤波算滤除原始线路中的轨迹噪点，采用垂距法对轨迹冗余点进行过滤，优化巡检航线;其次，提出基于巡检对象差异特性的动态优化定位方法提升无人机巡检质量，有效解决了航线采集以及定位优化问题，贯穿航线学习到自主巡检的流程之中，兼顾了无人机自主巡检效率以及巡检精确度。
1 航线自学习
1.1 位置点信息提取与噪点滤波
输电线路无人机原始巡检轨迹是由飞行过程中实时记录的位置点构成，每一个位置点都可以视为观测值，其中不免存在噪点（即不准确的位置点），噪点的存在不仅会加重计算负担，而且严重影响航线学习精度，为此需要对原始轨迹进行滤波处理，但在滤波之前需要首先建立无人机的动力学模型，具体为：
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据对系统状态进行最优估计的算法[8]。由公式（2）可知，在建立无人机状态方程后，需要对其下一时刻的位置信息进行预测（或估计），卡尔曼滤波恰好可以实现这一功能，同时也可以滤除位置信息中的噪声。
传统的卡尔曼滤波需要进行矩阵逆运算，对于实时性要求较高且计算量有限的无人机机载端运算系统来说，不利于算法的高效利用。因此，本文选择文献[9]提出的一种基于泰勒级数展开的卡尔曼滤波算法，该算法无需进行矩阵逆运算，且算法仍可满足性能要求。
1.2 路点筛选
利用卡尔曼滤波得到原始位置点的状态数量仍然较多，这会导致无人机需要飞行的位置点过多，严重降低飞行效率，因此需要对位置点状态集合中的位置点进行筛选。例如，对于一条直线线段轨迹，只需筛选出直线的起始与结束端点就可以确定这条直线轨迹，而不用去记录直线线段上的所有点。
结合无人机现实作业场景，可知需要筛选的位置点包括：轨迹起始位置点，拍照位置点，轨迹拐点，轨迹结束位置点。设计如图1所示的路点筛选流程，该筛选流程的数学表示为：
图1中的筛选条件可以直接根据位置点的状态数据进行判断，其中是拐点的判断是根据垂距限值算法进行处理的。垂距限值算法流程如图2所示，具体计算过程如下，保留的点即为拐点：
（1）以第二个点开始，计算第二个点到前一个点和后一个点所在直线的距离d，如果d大于阈值，则保留第二个点;
（2）计算第三个点到第二个点和第四个点所在直线的距离d，如果d小于阈值则舍弃第二个点，计算第三个点到第一个点和第四个点所在直线的距离d;
（3）依次类推，直到曲线上倒数第二个点。
通过上面的路点筛选流程，可以得到筛选后的目标融合轨迹线路。
1.3 轨迹相似度
在得到滤波、筛选后的融合线路后，需要对比融合线路与原始线路之间的相似度，从而判断经过处理后的位置点轨迹线路是否可接受。本文利用欧氏距离dE（·）计算相似度，如式（6）所示：
在经过上述处理后，轨迹相似度全部落在了0和1之间，且取值越大，相似度越高。即表明通过自学习得到的航线的精度满足要求，可以用于自主巡检中。
2 不同设备的精准定位方法
电力设备尺寸各异，拍摄要求不一，在规范化作业的过程中，不同设备的特性决定了它在画面中的大小。部分巡检目标在照片中占用画幅大，如图3（a）所示，无人机垂直高度精度稍微变差就可能导致拍不全;部分巡检目标在照片中占幅较小，允许无人机在水平与垂直定位精度存在一定的偏差，如图3（b）所示;部分目标尺寸小，在画面的占幅小，对精度的要求较低，如图3（c）所示，即使路点水平或者垂直定位精度出现较大的误差，拍摄图像也可以包含目标物。
因此，在实现航线自主学习的基础上，本文一种提出基于巡检对象差异特性的动态优化定位方法，从而提升了无人机自主巡检质量和效率。
针对设备在基准图像中的画面占幅特性设置不同的定位容忍阈值T，在巡检中根据无人机与目标设备的水平径向距离实时调整容忍距离T′，只要满足T< T′即可完成定位并减少定位调整时间。
基于基准图像的定位容忍阈值的计算过程为：
（1）利用人工标注的方式对基准图像进行设备检测，假设设备在基准图像与上右下左边界的距离像素值为（t，r，b，l）;
（2）假设镜头距离巡检设备距离为d，镜头的FOV为f，则可以算得视野对角线距离lfov：
在自主巡检过程中，当无人机位置与期望位置高度误差满足D′t，D′b，且无人机相对于目标设备切向偏移满足D′r，D′l时，即表示调整完成，此时可以启动对焦拍摄。
由于巡检设备的尺寸与形态各异，根据规范化作业要求为每种巡检设备设置不同的控制精度，在保证巡检设备在图像中的同时又避免了额外的位置调整时间。例如，对于精度要求中等或者低的巡检设备，由于T′值较大，对误差容忍度高，定位控制调整需时短，因此巡检时间较低，实现了巡检效率的优化。
3 实验分析
为验证所提出的算法有效性，采用大疆 Mobile SDK开发无人机自主巡检APP，并用于某220kV输电线路开展自主巡检测试实验。在实验过程中，先利用无人机获取原始轨迹的数据信息，然后在提出的航线自学习方法的控制下实现无人机的自主飞行并记录融合轨迹，通过结果对比对算法有效性进行分析，实验结果如图4所示。表1给出了六组实验的轨迹相似度计算结果。表2给出了融合前、后的路点数量比较结果。
由图4和表1可以看出：利用提出的方法可以实现原始轨迹的精确跟踪和复现，原始轨迹与融合轨迹的相似度较高，六组实验的平均轨迹相似度为0.95，远高于业内轨迹相似度的期望平均值（一般为0.8），这表明在所提方法的控制下，无人机可以在无人员干预下自主辨识巡检路径，进而实现输电线路的自主巡检。
由表2可以看出：在保证原始轨迹与融合軌迹具有较高相似度的同时，采用本文提出的航线自学习方法后，在飞行航线上采集的航点数量比手动方法的航点数量减少50%以上，避免了大量无效路点的信息采集，这样不仅可以提升巡检效率，而且可以节约无人机电量，有助于扩大无人机巡检区域。
在完成航线自学习方法的验证后，给出了可以验证所提巡检对象差异特性的动态优化定位方法在定位差异特性设备方面的有效性，如图5所示。图中的目标设备虽然不在正中央，但都包含在图片范围中，不同设备定位优化前后的调整时间对比如表3所示。
由上述实验结果可知，基于巡检对象差异特性的动态优化定位方法可以利用电力巡检设备的特点，以及规范化作业中巡检设备画面占幅比不同的特点，动态调整定位容忍阈值，在保证目标设备拍摄准确率的前提下进一步降低巡检用时，提高了巡检效率。
4 结 论
针对当前输电线路无人机巡检系统过度依赖专业人员操作、巡检精度易受环境影响、远距离遥控可靠性较低等不足，设计基于航线自学习技术的无人机自主巡检方法，通过融合卡尔曼滤波、路点信息的筛选流程和垂距法提高融合线路与原始线路间的相似度;在此基础上，设计了针对不同设备的定位优化方法，从而使得无人机在完成高精度自主巡检的同时，实现了各类输电线路设备的精准定位，对于推动输电线路巡检无人机的智能化、无人化稳定作业提供了有效的解决方案。
参考文献
[1] 赵晋泉， 邓晖， 吴小辰， 等. 基于广域响应的电力系统暂态稳定控制技术评述[J]. 电力系统保护与控制， 2016， 44（5）：
1-9.
[2] 刘勇， 陈海滨， 刘方. 基建现场巡检无人机智能感知系统的研究与应用[J]. 电力系统保护与控制， 2018， 46（15）：
155-161.
[3] 贾曙光， 金爱兵， 赵怡晴. 无人机摄影测量在高陡边坡地质调查中的应用[J]. 岩土力学， 2018， 39（3）：
1130-1136.
[4] 杨鼎成， 刘伟东， 肖霖， 等. 基于无人机的区域环境监测物联网系统[J]. 现代电子技术， 2019， 42（1）：
19-23.
[5] 陈志明，牛康，李磊，等. 基于BSP-ANN的四旋翼无人机轨迹跟踪方法[J]. 航空学报，2018，39（6）：182-189.
[6] 张杨，吴文海，胡云安，等. 舰载无人机着舰轨迹跟踪鲁棒控制器设计[J]. 控制理论与应用，2018，35（4）：557-565.
[7] 马振宇，祝小平，周洲. 一种方向舵螺旋桨联用的全翼式太阳能无人机横航向控制方法[J]. 航空学报，2018，39（3）：215-225.
[8] MOSBAH H， EI-HAWARY M E. Optimized neural network parameters using stochastic fractal technique to compensate Kalman filter for power system-tracking-state estimation[J]. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（2）：
379-388.
[9] BABU K S， DETROJA K. Inverse free Kalman filter using approximate inverse of diagonally dominant matrices[J]. IEEE Control Systems Letters， 2019， 3（1）：
120-125.