基于深度强化学习的电力无人机巡检任务路径规划方法

摘要

为解决传统电力巡检效率低、人工成本高以及大规模杆塔任务分配求解耗时长等问题，研究面向电力无人机自主巡检的路径规划方法。将多无人机巡检任务建模为多旅行商问题(multi-traveling salesman problem, MTSP),提出一种融合图神经网络(graph neural network, GNN)和深度强化学习(deep reinforcement learning, DRL)的路径规划算法。该算法通过图嵌入统一表征杆塔节点、无人机出发点和全局巡检区域信息，并利用注意力机制构建策略梯度网络，实现巡检任务的端到端分配与路径生成，减少人工规则设计。基于随机生成数据集和真实输电线路巡检数据集进行验证，并与Google开源组合优化工具(operations research tools, ORTools)、遗传算法及注意力模型等方法进行对比。结果表明，所提算法能够在较短时间内获得较优巡检路径，在大规模节点场景下具有较好的计算效率、路径质量和泛化能力，为电力无人机智能巡检任务规划提供方法支撑。

关键词

输电线路巡检 / 无人机 / 路径规划 / 图神经网络 / 深度强化学习 / 多旅行商问题

基金资助

国网江苏省电力有限公司科技项目(J2023055)