CN119440051A 一种多机巢异地起降的无人机自主巡检方法及系统 （深圳市喜悦智慧实验室有限公司）

一种多机巢异地起降的无人机自主巡检方本申请实施例公开了一种多机巢异地起降竞争判别分支对无人机路径规划时空数据判别2对目标巡检空间区域进行识别，得到所述目标巡检空间区域所对应的多机将所述多机巢分布关系向量输入到多智能体深度确定性策略深度确定性策略梯度算法包括用于基于所述多机巢分布关系向量对无人机路径规划时空依据所述目标巡检任务指示信息生成与所述协作竞争判别分支对应的第一无人机集从所述目标巡检空间区域中定位巡检任务标签，并获取含有所述巡检将所述目标巡检空间子区域、以及所述目标巡检空间区域中所述目标获取所述巡检任务标签对应的机巢起降时效权重；依据所述任务将划分得到的所述巡检空间子区域和设定参考特征输入任务特特征用于表征所述任务特征挖掘网络依据所述巡检空间子区域生成所述巡检任务独热矢通过深度残差连接网络对所述巡检任务独热矢量进行残差连接，得到获取第一先验调试示例集，其中，所述第一先验调试示例集包括通过初始卷积神经网络对各个所述过往巡检空间区域进行残差连接，3识别各个所述过往巡检空间区域矢量和各个所述过往巡检任务独热矢量之间的第一定各个所述过往巡检空间区域矢量和各个所述过往巡检任务独热矢量之间的第二相关性依据所述第一相关性系数和所述第二相关性系数确定第一网获取第一策略构造参考特征和第二策略构造参考特征，并考特征用于表征所述多智能体深度确定性策略梯度算法在所生成的所述自主协同巡检策深度确定性策略梯度算法在所生成的所述自主协同巡检策略需要排除的第二模板巡检任将所述策略任务匹配向量集成至所述目标巡检任务指示信息，以调整在所述协作竞争判别分支中，依据所述无人机路径规划时空依据所述路径规划暂态时空数据生成时空特征关系网，依据依据所述时空特征关系网、所述任务标识特征关系网和所述巡获取第一统计值，并生成与第一统计值对应数量的初始巡初始巡检路径时空特征生成与第一统计值对应数量的所述无人将与第一统计值对应数量的所述无人机路径规划时空数据分别输入到多智能体深度从所述多个待处理自主协同巡检策略中确定自所述目标巡检任务指示信息生成与所述协作竞争判别分支对应的第一无人机集群状态向4获取所述多智能体深度确定性策略梯度算法的第一个协作竞争判别分支的原始处理对所述目标巡检任务指示信息进行特征嵌入处理，并将特征嵌入将所述目标巡检任务融合信息输入对应的无人机跟踪监测算法，并迭代所述多智能体深度确定性策略梯度算法中的协作竞争判别分支，无人机跟踪监测算法包括与多智能体深度确定性策略梯度算法的多个协作竞争判别分支从所述历史巡检记录提取历史多智能体调度策略、历史巡检任务指示信通过所述多智能体深度确定性策略梯度算法对所述历史多智能体调度策略进行实施将所述历史巡检量化向量输入到多智能体深度确定性策略梯度算度确定性策略梯度算法依据所述历史巡检量化向量对多智能体扰动调度策略实施若干轮依据所述第二扰动特征和对应的扰动配置处理的第一扰动特征确定第二网络调试误其中，所述历史巡检记录是历史巡检图像或巡检空间区域分布关系向量样例通过全卷积神经网络对所述巡检空间区域三维标注模型进行残差连接所述调试示例二元组包括对应的巡检图像样例和三维标注模型通过所述小波分析网络和所述全卷积神经网络分别对各个所述巡检图像样例和各个5将每个所述调试示例二元组中的巡检图像样例和三维标注模型样例分别拆解成相互所述全卷积神经网络分别对所述多个巡检任务路径样例和所述多个过往巡检空间区域样例对应进行残差连接，得到多个路径规划时空数据样例和多个多机巢分布关系训练子向依据所述多个巡检图像小波描述样例和所述多个先验多机巢分布关系向量确定空间依据所述空间注意力置信度和所述时序注意力置信度确定全局注得所述至少一个处理器执行权利要求1_9任6包括用于基于所述多机巢分布关系向量对无人机路径规划时空数据进行判别分析的协作7[0008]图1为本申请实施例所提供的一种多机巢异地起降的无人机自主巡检方法的流程[0011]图1示出一种多机巢异地起降的无人机自主巡检方法，应用于无人机自主巡检系述多智能体深度确定性策略梯度算法包括用于基于所述多机巢分布关系向量对无人机路采用先进的地理信息系统(GIS)技术结合图像识别技术，可以准确地勾勒出目标巡检空间8结合目标巡检空间区域的地形数据和其他相关设施的位置信息，构建多机巢分布关系向行设备状态监测。那么协同巡检任务需求向量可能包括每个无人机需要巡检的管道长度、始对无人机路径规划时空数据进行判别分析。以一个包含3个机巢和10架无人机的城市交能包含无人机的数量(例如为8架)、每架无人机当前的(如无人机1剩余电量为80无人机2剩余电量为70％等)、以及与目标巡检任务相关的其可能是因为无人机的路径规划不合理或者机巢与该区域的距离关系导致无人机到达时间9[0025]例如，原来的第一协同巡检调度观点可能是按照风力发电机的编号顺序依次巡[0029]通过以上详细的步骤，无人机自主巡检系统能够依据目标巡检空间区域的特点、[0032]首先，从目标巡检空间区域的识别(S102)阶段获取的多机巢分布关系向量为MADDPG算法的应用提供了基础信息。多机巢分布关系向量包含了机巢之间的各种关系信多机巢分布关系向量时，它能够将这些空间关系信息转化为算法内部可处理的数据结构，[0034]同时，目标巡检任务指示信息中的多台无人机的协同巡检任务需求向量也与离下一个需要巡检的目标设施较远，而附近有其他无人机可以更高效地到达该目标设施，那么算法就会通过协作竞争判别分支来调整这架无人机的路径规划。[0039]在依据目标巡检任务指示信息生成与协作竞争判别分支对应的第一无人机集群了无人机集群的各种信息，如无人机的数量、每架无人机的当前任务状态、剩余电量等。据每架无人机的当前任务执行情况(如无人机1正在巡检某座高楼的外立面，已经完成了[0041]依据第一无人机集群状态向量优化协作竞争判别分支的[0043]最后，依据第二协同巡检调度观点生成目标巡检空间区域的自主协同巡检策略法会根据第二协同巡检调度观点为每架无人机规划出具[0047]以下是一个结合卫星遥感远程监控功能，形成太空+低空结合的技术方案在森林目标巡检任务指示信息中的多台无人机的协同巡检任务需求向量涵盖了很多内容。例如，中的协作竞争判别分支开始基于多机巢分布关系向量对无人机路径规划时空数据进行判[0052]依据目标巡检任务指示信息生成与协作竞争判别分支对应的第一无人机集群状与森林巡检任务，第一无人机集群状态向量包含每架林边缘的野生动物活动监测)，同时让电量充足且设备状态良好的无人机承担更重要的任[0054]最后，依据第二协同巡检调度观点生成目标巡检空间区据能够及时将这个信息传递给地面控制中心。地面控制中心根据卫星遥感提供的宏观信先级和所述机巢起降时效权重，在定位出的所述巡检任务标签中确定目标巡检任务标签；获取所述目标巡检任务标签的所述目标巡检监测的任务优先级为0.6。目标巡检任务标签来说，目标巡检任务指示信息之间的适配特征确定各个所述过往巡检空间区域矢量和各个所述过往巡检任务独热矢量多智能体深度确定性策略梯度算法在所生成的所述自主协同巡检策略需要对应的第一模里的设定参考特征用于表征任务特征挖掘网络依据巡检空间子区域生成巡检任务独热矢得网络能够学习到输入与输出之间的残差关系。例如在深度残差连接网络中有一个残差应的巡检任务独热矢量。通过初始卷积神经网络对各个过往巡检空间区域进行残差连接，一相关性系数。这里可以采用皮尔逊相关系数(Pearsoncorrelationcoefficient)来计算配特征确定各个过往巡检空间区域矢量和各个过往巡检任务独热矢量之间的第二相关性略构造参考特征表征多智能体深度确定性策略梯度算法在所生成的自主协同巡检策略需构造参考特征表征多智能体深度确定性策略梯度算法在所生成的自主协同巡检策略需要关系网，依据所述多机巢分布关系向量生成任务标识特征关系网和巡检点位特征关系网；[0078]然后，依据多机巢分布关系向量生成任务标识特征关系网和巡检点位特征关系性。巡检点位特征关系网则侧重于描述巡检点位(如特定的电力塔、石油管道的特定节点征关系网中有一个表示某种任务对无人机速度要求的特征v2，通过计算|v1_v2|的值来衡是任务标识特征关系网或者巡检点位特征关系网[0087]依据初始巡检路径时空特征生成与第一统计值对应数量的无人机路径规划时空[0089]依据多机巢分布关系向量对与第一统计值对应数量的无人机路径规划时空数据包括与多智能体深度确定性策略梯度算法的多个协作竞争判别分支分别对应的长短期记检量化向量。历史多智能体调度策略记录了过去在多智能体系统下无人机的任务调度方度确定性策略梯度算法依据历史巡检量化向量对多智能体扰动调度策略实施若干轮扰动[0105]依据第二扰动特征和对应的扰动配置处理的第一扰动特征确定第二网络调试误[0108]在一些示例下，所述历史巡检记录是历史巡检图像或巡检空间区域三维标注模多个调试示例二元组，所述调试示例二元组包括对应的巡检图像样例和三维标注模型样网络和所述全卷积神经网络分别对所述多个巡检任务路径样例和所述多个过往巡检空间[0110]历史巡检量化向量包含多机巢分布关系向量样例和历史巡检图像描述子中的一[0111]历史巡检图像描述子则是通过小波分析网络对巡检空间区域三维标注模型或历[0115]再通过小波分析网络和全卷积神经网络分别对多个巡检任务路径样例和多个过[0116]依据多个巡检图像小波描述样例和多个先验多机巢分布关系向量确定空间注意[0117]依据多个路径规划时空数据样例和多个多机巢分布关系训练子向量确定时序注如通过计算路径规划时空数据样例和多机巢分布关系训练子向量之间的动态时间规整所述自主协同巡检策略中包含与所述目标巡检任务指示信息对应的巡检任务路径，包括：依据所述多层级巡检任务覆盖指示生成与所述协作竞争判别分支对应的第二无人机集群调度观点生成目标巡检空间区域的自主协同巡检空间区域中标记出目标巡检任务标签，这一标记过程需要依据特定的规则或者算法。备的巡检)和二级巡检任务(如对普通设备的[0133]最后依据第三无人机集群状态向量生成目标巡检空间区这些任务路径要与目标巡检任务指示信息中的任务要求(如任务类型、任务周期等)相匹势特征值分别对所述第一无人机集群状态向量和所述第二无人机集群状态向量进行强化标为((x_2，y_2))，在(x)轴方向的位置变化率(r_x＝无人机的任务重要性赋予权重，重要的无人机权重更高)进行加权求和，得到整个集群在机集群状态向量和第二无人机集群状态向量进行强电功率为(P_c)(单位：mAh/分钟)，根据(Tr_E)的值调整充电策略。例如按照(△E＝_无人机(如第5架无人机)电量充足且位置合适，可以提高(m_{35})的[0149]最后，基于强化后第一无人机集群状态向量和强化后第(如GPS定位精度可达1_3米)获取自身位置信息，中央协调模块根据目标巡检区域的大小(例如目标域划分为5个子区域(每个子区域的面积根据区域划分算法计算得出)，然后为每台无人机100万平方米)需要20个工作人员花费一整天(