【技术实现步骤摘要】
本申请涉及多无人机协同控制，尤其涉及一种多无人机协同的交通状态监测方法、装置、设备及介质。
技术介绍
1、随着我国经济发展和社会进步，车辆数量增长迅速，交通拥堵和违法逐渐成为社会发展的热点问题。目前，通常通过设置在道路上的监控设备来监测道路上的车辆，可以基于监测信息统计车流量、测量车速以及识别交通状况。但是，设置在道路上的监控设备具有以下缺点：
2、视野有限，监控区域只能覆盖个别节点，且存在监控盲区，无法获取长距离、多路段的事故场景中某一交通节点的宏观交通数据。响应滞后，需要依赖人工分析，难以短时间内根据有限信息作出响应措施，事故处理效率低；布置和建设成本高，需要大量的前期建设和后期维护投入；数据传输与通信瓶颈，监控系统生成的数据量较大，而远程道路等环境下带宽受限，无法满足实时传输和响应的需求，难以实现对交通状况的即时监控与处理。
3、为了应对传统的交通状态监控方式的缺陷，相关技术可以采用无人机对交通状态进行监测，相对于传统监测方式，无人机具有灵活、视野广阔、部署快捷等优点。但是，相关技术对无人机的运用没有从根本上解决上述技术问题。
4、相关技术虽然使用了无人机来代替传统监测设备，但是依旧需要由工作人员来确定交通状态、确定是否发生交通事故，对于影响范围较广的交通事故，难以在短时间内给出疏散方案来缓解交通事故导致的大范围拥堵，由此，相关技术对无人机的运用没有改变交通监测工作对人力、物力的占用问题。此外，单个无人机的覆盖范围、视角有限，多个无人机可以从多个角度全面采集数据，但是多无人机的协同难度高
5、因此，目前缺乏一种能够利用无人机实现实时、高效的交通状态监测的方法。
技术实现思路
1、本申请实施例提供一种多无人机协同的交通状态监测方法、装置、设备及介质，用以解决上述相关技术的缺陷，所述技术方案如下：
2、第一方面，本申请实施例提供一种多无人机协同的交通状态监测方法，包括：
3、通过多个无人机在预设的巡检区域内进行巡检；其中，每个无人机基于预设的巡检路线巡检所述巡检区域内的一个子区域；
4、通过每个无人机搭载的训练好的深度学习模型识别对应子区域内的交通状态是否存在异常；
5、在识别到交通状态存在异常的情况下，基于所述每个无人机的实时状态选取协作无人机，将每个所述协作无人机分配至交通状态异常区域，以通过多个所述协作无人机协同采集交通状态数据；
6、每个所述协作无人机融合其他协作无人机的交通状态数据后，输出融合交通状态数据；
7、基于每个所述协作无人机的融合交通状态数据得到实时交通状态监测结果。
8、在第一方面的一种可选方案中，所述每个无人机分别通过训练好的深度学习模型识别对应子区域内的交通状态是否存在异常，包括：
9、通过无人机搭载的图像采集装置采集对应子区域内的图像数据；
10、将图像数据输入所述训练好的深度学习模型中，通过所述训练好的深度学习模型提取所述图像数据中的特征，识别是否存在交通状态异常特征；
11、所述在识别到交通状态存在异常的情况下，通过无人机搭载的激光雷达采集对应子区域内的点云数据，基于所述点云数据确定交通状态存在异常的位置范围，确定交通状态异常区域。
12、在第一方面的一种可选方案中，所述基于所述每个无人机的实时状态选取协作无人机，将每个所述协作无人机分配至交通状态异常区域，包括：
13、确定每个无人机的实时位置坐标至所述交通状态异常区域的距离；
14、基于所述距离估计每个无人机到达所述交通状态异常区域后的剩余电量，若所述剩余电量大于第一电量阈值，则将对应的无人机选定为协作无人机；
15、更新所述协作无人机至所述交通状态异常区域的巡检路线，将每个所述协作无人机分配至交通状态异常区域。
16、在第一方面的一种可选方案中，所述方法还包括：
17、若任一无人机的剩余电量小于或等于第二电量阈值，更新所述剩余电量小于或等于第二电量阈值的低电量无人机至无人机巢的返回路线，生成返回指令至所述低电量无人机，以使所述低电量无人机执行所述返回指令按照所述返回路线返回所述无人机巢；
18、所述生成返回指令至所述低电量无人机时，获取所述低电量无人机的实时位置和巡检的子区域，生成备用无人机至所述低电量无人机的实时位置的飞行路线，生成控制指令至备用无人机，以使所述备用无人机执行所述控制指令按照所述飞行路线飞行至所述低电量无人机的实时位置，并继续巡检原所述低电量无人机巡检的子区域。
19、在第一方面的一种可选方案中，每个协作无人机基于采集到的特征图生成第一特征分布矩阵，并生成与所述第一特征分布矩阵负相关的第二特征分布图；
20、所述每个所述协作无人机融合其他协作无人机的交通状态数据后，输出融合交通状态数据，包括：
21、第一协作无人机接收第二协作无人机的第二特征分布图，并基于所述第一协作无人机的第一特征分布矩阵和第二协作无人机的第二特征分布图构建特征选择矩阵；
22、基于所述特征选择矩阵确定所述第一协作无人机的第一特征分布矩阵中每个特征的选择权重，基于所述选择权重的数值选择对应的特征，生成稀疏优先特征图，并将所述稀疏优先特征图发送至所述第二协作无人机；
23、将所述第二协作无人机的特征图与所述稀疏优先特征图融合，输出融合后的特征图为所述融合交通状态数据；
24、其中，所述第一特征分布矩阵中的每个元素分别表示每个位置处的交通状态数据的置信度。
25、在第一方面的一种可选方案中，所述基于每个所述协作无人机的融合交通状态数据得到实时交通状态监测结果，包括：
26、基于每个所述协作无人机的融合交通状态数据进行建模，确定每条道路的车辆分布情况以及车辆的平均移速，输出实时的交通状态监测结果。
27、在第一方面的一种可选方案中，所述基于每个所述协作无人机的融合交通状态数据得到实时交通状态监测结果之后，还包括：
28、基于所述实时交通状态监测结果确定拥堵路段以及拥堵路段的车流量，通过所述协作无人机向所述交通状态异常区域预设范围内的其他无人机发送交通异常提示；
29、所述其他无人机收到所述交通异常提示之后，确定所述拥堵路段的相连接路段的交通状态数据；
30、基于所述相连接路段的交通状态数据生成绕开所述拥堵路段的行驶路线。
31、第二方面，本申请实施例还提供一种多无人机协同的交通状态监测装置，包括：
32、无人机调度模块，用于通过多个无人机在预设的巡检区域内进行巡检；其中，每个无人机基于预设的巡检路线巡检所述巡检区域内的一个子区域；
33、信息识别模块，用于通过每个无人机搭载的训练好的深度学习模型识别对本文档来自技高网...
【技术保护点】
1.一种多无人机协同的交通状态监测方法，其特征在于，包括：
2.根据权利要求1所述的一种多无人机协同的交通状态监测方法，其特征在于，所述每个无人机分别通过训练好的深度学习模型识别对应子区域内的交通状态是否存在异常，包括：
3.根据权利要求2所述的一种多无人机协同的交通状态监测方法，其特征在于，所述基于所述每个无人机的实时状态选取协作无人机，将每个所述协作无人机分配至交通状态异常区域，包括：
4.根据权利要求1所述的一种多无人机协同的交通状态监测方法，其特征在于，所述方法还包括：
5.根据权利要求1-4任一项所述的一种多无人机协同的交通状态监测方法，其特征在于，每个协作无人机基于采集到的特征图生成第一特征分布矩阵，并生成与所述第一特征分布矩阵负相关的第二特征分布图；
6.根据权利要求1所述的一种多无人机协同的交通状态监测方法，其特征在于，所述基于每个所述协作无人机的融合交通状态数据得到实时交通状态监测结果，包括：
7.根据权利要求6所述的一种多无人机协同的交通状态监测方法，其特征在于，所述基于每个所述协作无人机
8.一种多无人机协同的交通状态监测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
...【技术特征摘要】
1.一种多无人机协同的交通状态监测方法，其特征在于，包括：
2.根据权利要求1所述的一种多无人机协同的交通状态监测方法，其特征在于，所述每个无人机分别通过训练好的深度学习模型识别对应子区域内的交通状态是否存在异常，包括：
3.根据权利要求2所述的一种多无人机协同的交通状态监测方法，其特征在于，所述基于所述每个无人机的实时状态选取协作无人机，将每个所述协作无人机分配至交通状态异常区域，包括：
4.根据权利要求1所述的一种多无人机协同的交通状态监测方法，其特征在于，所述方法还包括：
5.根据权利要求1-4任一项所述的一种多无人机协同的交通状态监测方法，其特征在于，每个协作无人机基于采集到的特征图生成第一特征分布矩阵，并生成与所述第一特征分布矩阵负相关的第二特征分布图；
<...【专利技术属性】
技术研发人员：杨锐，周剑，唐有辰，肖进胜，岳丽娜，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。