本發(fā)明涉及智能路徑規(guī)劃領(lǐng)域，尤其涉及基于圖神經(jīng)網(wǎng)絡(luò)的倉庫無人機(jī)巡檢路徑規(guī)劃方法。

背景技術(shù)：

1、在現(xiàn)代倉儲(chǔ)物流領(lǐng)域，隨著自動(dòng)化水平的不斷提高，倉庫中的無人機(jī)巡檢技術(shù)逐漸得到了廣泛的應(yīng)用。無人機(jī)巡檢能夠有效提升倉庫管理的效率和精度，尤其是在大型復(fù)雜的倉庫環(huán)境中。傳統(tǒng)的巡檢方式通常依賴人工或者地面機(jī)器人進(jìn)行路徑規(guī)劃與任務(wù)執(zhí)行，然而這些方式往往存在路徑規(guī)劃不精準(zhǔn)、靈活性差、效率低下等問題。隨著人工智能技術(shù)的不斷進(jìn)步，圖神經(jīng)網(wǎng)絡(luò)作為一種新興的深度學(xué)習(xí)方法，在圖結(jié)構(gòu)數(shù)據(jù)處理上取得了顯著的成功，尤其在路徑規(guī)劃、環(huán)境建模等領(lǐng)域展示了強(qiáng)大的能力。因此，如何將圖神經(jīng)網(wǎng)絡(luò)與無人機(jī)巡檢技術(shù)相結(jié)合，以實(shí)現(xiàn)更加高效、智能化的巡檢路徑規(guī)劃，成為了當(dāng)前倉庫無人機(jī)巡檢技術(shù)研究的一個(gè)熱點(diǎn)問題。

2、現(xiàn)有的倉庫無人機(jī)巡檢路徑規(guī)劃方法主要依賴于預(yù)設(shè)的固定路徑或傳統(tǒng)的優(yōu)化算法，如蟻群算法、遺傳算法等。這些算法通?；谝欢ǖ募僭O(shè)條件和經(jīng)驗(yàn)法則進(jìn)行路徑計(jì)算，盡管能夠在某些情況下有效地完成任務(wù)，但在實(shí)際復(fù)雜的倉庫環(huán)境中，這些方法通常存在著路徑規(guī)劃精度不高、效率低、適應(yīng)性差等問題。尤其是在大規(guī)模倉儲(chǔ)環(huán)境中，由于環(huán)境的復(fù)雜性、動(dòng)態(tài)變化和不確定性，傳統(tǒng)的路徑規(guī)劃方法往往不能及時(shí)調(diào)整路徑，導(dǎo)致無法適應(yīng)實(shí)時(shí)環(huán)境變化，不能有效規(guī)避障礙物和避免能量過度消耗。

3、另外，現(xiàn)有技術(shù)中大多數(shù)路徑規(guī)劃方法并未充分考慮無人機(jī)的能量消耗與障礙物避讓問題，路徑規(guī)劃的結(jié)果往往只考慮了最短路徑或最少時(shí)間，而忽略了在實(shí)際執(zhí)行過程中無人機(jī)的能量消耗和障礙物的避讓問題。倉庫環(huán)境通常存在較多的靜態(tài)和動(dòng)態(tài)障礙物，如貨架、運(yùn)輸設(shè)備、人員等，這些障礙物會(huì)頻繁干擾無人機(jī)的飛行路徑，傳統(tǒng)的路徑規(guī)劃方法未能充分考慮動(dòng)態(tài)環(huán)境變化對(duì)路徑選擇的影響，因此，在實(shí)際執(zhí)行過程中無法保證無人機(jī)任務(wù)的順利完成。

4、此外，傳統(tǒng)路徑規(guī)劃方法大多依賴于單一的算法，不具備足夠的靈活性和適應(yīng)性，無法在復(fù)雜環(huán)境下實(shí)現(xiàn)自適應(yīng)調(diào)整。倉庫中不僅存在著結(jié)構(gòu)上的復(fù)雜性，如多樣的貨架和通道布局，還有環(huán)境變化的動(dòng)態(tài)性，如溫度、濕度變化和人員移動(dòng)等因素，這些都要求無人機(jī)具備強(qiáng)大的自適應(yīng)能力。傳統(tǒng)算法通常只針對(duì)靜態(tài)場(chǎng)景進(jìn)行優(yōu)化，缺乏對(duì)實(shí)時(shí)傳感器數(shù)據(jù)的利用，無法根據(jù)環(huán)境的實(shí)時(shí)變化進(jìn)行路徑調(diào)整。

5、圖卷積網(wǎng)絡(luò)作為近年來深度學(xué)習(xí)領(lǐng)域的一個(gè)重要發(fā)展方向，已經(jīng)在圖結(jié)構(gòu)數(shù)據(jù)的建模和推理方面取得了突破性進(jìn)展。圖卷積網(wǎng)絡(luò)通過圖卷積操作聚合節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)的特征，能夠有效建模節(jié)點(diǎn)之間的關(guān)系，并且具有較強(qiáng)的表達(dá)能力和推理能力。圖卷積網(wǎng)絡(luò)在倉庫無人機(jī)路徑規(guī)劃中的應(yīng)用，能夠通過構(gòu)建倉庫環(huán)境的圖模型，準(zhǔn)確捕捉到節(jié)點(diǎn)之間的復(fù)雜關(guān)系，實(shí)現(xiàn)路徑規(guī)劃的優(yōu)化。與傳統(tǒng)算法相比，圖卷積網(wǎng)絡(luò)具有較強(qiáng)的適應(yīng)性，可以動(dòng)態(tài)調(diào)整路徑規(guī)劃，以應(yīng)對(duì)不同的倉庫環(huán)境和實(shí)時(shí)變化。

6、然而，現(xiàn)有的基于圖卷積網(wǎng)絡(luò)的路徑規(guī)劃方法仍然面臨一定的挑戰(zhàn)。盡管圖卷積網(wǎng)絡(luò)能夠處理復(fù)雜的圖結(jié)構(gòu)數(shù)據(jù)，并且在一定程度上優(yōu)化路徑規(guī)劃，但傳統(tǒng)的圖卷積網(wǎng)絡(luò)模型通常是靜態(tài)的，缺乏對(duì)環(huán)境動(dòng)態(tài)變化的實(shí)時(shí)反饋和自適應(yīng)調(diào)整能力。路徑規(guī)劃的結(jié)果往往是基于靜態(tài)圖模型進(jìn)行的，未能充分利用實(shí)時(shí)傳感器數(shù)據(jù)進(jìn)行動(dòng)態(tài)調(diào)整。因此，在實(shí)際執(zhí)行過程中，圖卷積網(wǎng)絡(luò)的路徑規(guī)劃結(jié)果可能會(huì)受到實(shí)時(shí)環(huán)境變化的干擾，導(dǎo)致路徑規(guī)劃的準(zhǔn)確性和效率下降。

7、為了解決這些問題，本發(fā)明提出了一種結(jié)合圖卷積網(wǎng)絡(luò)與水波優(yōu)化算法的無人機(jī)巡檢路徑規(guī)劃方法。通過在圖卷積網(wǎng)絡(luò)的基礎(chǔ)上引入水波優(yōu)化算法，模擬水波傳播過程，動(dòng)態(tài)調(diào)整路徑規(guī)劃模型中的邊權(quán)，進(jìn)一步優(yōu)化路徑選擇的優(yōu)先級(jí)。水波優(yōu)化算法通過模擬波峰與波谷的傳播與收縮機(jī)制，根據(jù)路徑的優(yōu)先級(jí)進(jìn)行局部和全局優(yōu)化，使得最優(yōu)路徑能夠逐步擴(kuò)展至整個(gè)巡檢任務(wù)的區(qū)域，從而生成更符合實(shí)際需求的巡檢路徑。該方法不僅考慮了路徑的最短性和最優(yōu)性，還能夠在路徑規(guī)劃過程中動(dòng)態(tài)適應(yīng)環(huán)境變化，避免障礙物和能量過度消耗，具有更高的靈活性和適應(yīng)性。

8、此外，本發(fā)明還結(jié)合了實(shí)時(shí)傳感器數(shù)據(jù)對(duì)路徑規(guī)劃模型進(jìn)行動(dòng)態(tài)調(diào)整，進(jìn)一步提高了路徑規(guī)劃的精度和效率。在巡檢過程中，無人機(jī)根據(jù)傳感器數(shù)據(jù)不斷監(jiān)控環(huán)境變化，并根據(jù)反饋信息調(diào)整路徑選擇，從而確保巡檢任務(wù)能夠在復(fù)雜動(dòng)態(tài)環(huán)境中順利完成。與傳統(tǒng)方法相比，本發(fā)明的方法能夠充分利用圖卷積網(wǎng)絡(luò)的強(qiáng)大建模能力，同時(shí)結(jié)合水波優(yōu)化算法的動(dòng)態(tài)優(yōu)化機(jī)制，提升路徑規(guī)劃的自適應(yīng)性和魯棒性，顯著提高了倉庫無人機(jī)巡檢任務(wù)的執(zhí)行效率和精度。

9、綜上所述，盡管現(xiàn)有技術(shù)在一定程度上解決了倉庫無人機(jī)巡檢路徑規(guī)劃的問題，但仍然存在路徑規(guī)劃精度不足、效率低下、對(duì)動(dòng)態(tài)環(huán)境變化適應(yīng)性差等缺陷。本發(fā)明通過結(jié)合圖卷積網(wǎng)絡(luò)與水波優(yōu)化算法，克服了現(xiàn)有技術(shù)的不足，提出了一種更加高效、精確、自適應(yīng)的路徑規(guī)劃方法，為倉庫無人機(jī)巡檢任務(wù)的自動(dòng)化和智能化提供了有力的技術(shù)支持。

10、因此，如何提供基于圖神經(jīng)網(wǎng)絡(luò)的倉庫無人機(jī)巡檢路徑規(guī)劃方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出基于圖神經(jīng)網(wǎng)絡(luò)的倉庫無人機(jī)巡檢路徑規(guī)劃方法，本發(fā)明結(jié)合了圖神經(jīng)網(wǎng)絡(luò)模型、水波優(yōu)化算法與路徑優(yōu)先級(jí)傳播技術(shù)，實(shí)現(xiàn)了基于圖神經(jīng)網(wǎng)絡(luò)的倉庫無人機(jī)巡檢路徑規(guī)劃。通過構(gòu)建倉庫環(huán)境的圖模型并進(jìn)行數(shù)據(jù)預(yù)處理，采用圖卷積操作將每個(gè)節(jié)點(diǎn)與鄰居節(jié)點(diǎn)的特征進(jìn)行聚合，生成初步路徑規(guī)劃模型。在此基礎(chǔ)上，本發(fā)明通過引入水波優(yōu)化算法，在路徑規(guī)劃模型的每一條邊上進(jìn)行動(dòng)態(tài)調(diào)整，模擬波峰與波谷的傳播與收縮機(jī)制，優(yōu)化路徑的優(yōu)先級(jí)，進(jìn)而生成最優(yōu)路徑規(guī)劃模型。此外，本發(fā)明還結(jié)合了實(shí)時(shí)傳感器數(shù)據(jù)，能夠在巡檢過程中動(dòng)態(tài)調(diào)整路徑，避免障礙物并有效減少能量消耗，確保無人機(jī)在倉庫環(huán)境中自適應(yīng)巡檢任務(wù)的順利完成。通過多次迭代優(yōu)化，本發(fā)明方法能夠逐步擴(kuò)展波峰區(qū)域，使路徑規(guī)劃結(jié)果更符合實(shí)際需求，并提高了巡檢任務(wù)的執(zhí)行效率和路徑選擇的精確度。

2、根據(jù)本發(fā)明實(shí)施例的基于圖神經(jīng)網(wǎng)絡(luò)的倉庫無人機(jī)巡檢路徑規(guī)劃方法，包括如下步驟：

3、s1、建立倉庫環(huán)境數(shù)據(jù)，并對(duì)倉庫環(huán)境數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

4、s2、應(yīng)用圖卷積網(wǎng)絡(luò)模型結(jié)合倉庫環(huán)境數(shù)據(jù)進(jìn)行建模，通過圖卷積操作聚合每個(gè)節(jié)點(diǎn)及鄰居節(jié)點(diǎn)的特征，通過圖卷積網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)之間的關(guān)系進(jìn)行構(gòu)建初步路徑規(guī)劃模型；

5、s3、無人機(jī)根據(jù)初始路徑規(guī)劃模型開始巡檢任務(wù)，利用實(shí)時(shí)傳感器數(shù)據(jù)不斷監(jiān)控環(huán)境變化；

6、s4、采用水波優(yōu)化算法，模擬水波傳播過程，在初步路徑規(guī)劃模型的每一條路徑上初始化水波優(yōu)化算法，波峰為路徑優(yōu)先級(jí)高的區(qū)域，波谷為路徑優(yōu)先級(jí)低的區(qū)域，利用傳感器數(shù)據(jù)動(dòng)態(tài)調(diào)整路徑權(quán)重；

7、s5、通過水波的波峰傳播與波谷收縮機(jī)制，模擬波峰區(qū)域的高優(yōu)先級(jí)路徑，優(yōu)先選擇高優(yōu)先級(jí)路徑進(jìn)行巡檢，波谷區(qū)域的低優(yōu)先級(jí)路徑被抑制；

8、s6、通過多次迭代，進(jìn)一步調(diào)整路徑的優(yōu)先級(jí)，波峰逐漸擴(kuò)展到最佳路徑區(qū)域，生成最終巡檢路徑；

9、s7、重復(fù)執(zhí)行s4-s6，無人機(jī)持續(xù)調(diào)整巡檢路徑。

10、可選的，所述倉庫環(huán)境數(shù)據(jù)具體包括：空間位置、貨架類型、障礙物信息和環(huán)境狀態(tài)。

11、可選的，所述每個(gè)節(jié)點(diǎn)及鄰居節(jié)點(diǎn)的特征具體包括位置坐標(biāo)、障礙物狀態(tài)、溫濕度和產(chǎn)品種類。

12、可選的，所述s2具體包括：

13、s21、根據(jù)預(yù)處理后的倉庫環(huán)境數(shù)據(jù)，構(gòu)建倉庫圖結(jié)構(gòu)模型；

14、s22、為每一個(gè)節(jié)點(diǎn)生成一個(gè)包含多維特征的向量，將所有節(jié)點(diǎn)的特征組成節(jié)點(diǎn)特征矩陣，為每一條路徑生成一個(gè)路徑特征向量，生成路徑特征矩陣；

15、s23、針對(duì)每一個(gè)節(jié)點(diǎn)，收集所有直接相連的鄰居節(jié)點(diǎn)的特征信息，對(duì)鄰居節(jié)點(diǎn)的特征進(jìn)行加權(quán)聚合后，與自身的特征進(jìn)行融合，生成節(jié)點(diǎn)的新特征表示，通過多層圖卷積網(wǎng)絡(luò)疊加，實(shí)現(xiàn)對(duì)倉庫圖結(jié)構(gòu)中所有節(jié)點(diǎn)的特征逐層更新：

16、

17、其中，為第層中節(jié)點(diǎn)i的特征表示，為第層中節(jié)點(diǎn)j的特征表示，n(i)為節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)集合，di為節(jié)點(diǎn)i的度，dj為節(jié)點(diǎn)j的度，w為圖卷積網(wǎng)絡(luò)中可學(xué)習(xí)的權(quán)重矩陣，i為當(dāng)前正在更新的節(jié)點(diǎn)編號(hào)，j為節(jié)點(diǎn)i的一個(gè)鄰居節(jié)點(diǎn)，為圖卷積網(wǎng)絡(luò)中用于記錄當(dāng)前網(wǎng)絡(luò)層次的迭代變量；

18、s24、通過多層圖卷積，得到每個(gè)節(jié)點(diǎn)在全圖結(jié)構(gòu)中的嵌入表示；

19、s25、基于每個(gè)節(jié)點(diǎn)在全圖結(jié)構(gòu)中的嵌入表示，對(duì)節(jié)點(diǎn)間可能路徑進(jìn)行排序與篩選，對(duì)節(jié)點(diǎn)之間的關(guān)系進(jìn)行構(gòu)建初步路徑規(guī)劃模型。

20、可選的，所述s3具體包括：

21、s31、將根據(jù)圖卷積網(wǎng)絡(luò)生成的初步路徑規(guī)劃模型中的路徑順序，設(shè)置為無人機(jī)初始巡檢任務(wù)的執(zhí)行路徑，并由控制系統(tǒng)下發(fā)至無人機(jī)導(dǎo)航模塊；

22、s32、在無人機(jī)執(zhí)行巡檢過程中，持續(xù)采集實(shí)時(shí)傳感器數(shù)據(jù)，包括避障雷達(dá)、深度攝像頭、能量監(jiān)測(cè)模塊和定位模塊；

23、s33、將采集到的實(shí)時(shí)傳感器數(shù)據(jù)進(jìn)行處理，映射至圖卷積網(wǎng)絡(luò)的輸入空間，動(dòng)態(tài)更新節(jié)點(diǎn)，路徑優(yōu)先級(jí)根據(jù)環(huán)境變化實(shí)時(shí)調(diào)整；

24、s34、設(shè)定狀態(tài)檢測(cè)指標(biāo)，能量消耗速率變化小于等于0.5％/s，障礙物距離大于1.0米、環(huán)境擾動(dòng)因子小于等于0.3；

25、s35、當(dāng)狀態(tài)檢測(cè)指標(biāo)超過設(shè)定閾值時(shí)，調(diào)用圖卷積網(wǎng)絡(luò)對(duì)當(dāng)前路徑規(guī)劃模型進(jìn)行調(diào)整，通過更新路徑連接關(guān)系和節(jié)點(diǎn)狀態(tài)，重新評(píng)估路徑優(yōu)先級(jí)。

26、可選的，所述s4具體包括：

27、s41、在圖卷積網(wǎng)絡(luò)生成的初步路徑規(guī)劃模型中，提取所有路徑及連接節(jié)點(diǎn)，結(jié)合節(jié)點(diǎn)間的結(jié)構(gòu)相似性、路徑長(zhǎng)度、通行耗時(shí)與障礙信息，對(duì)每條路徑設(shè)定路徑權(quán)重；

28、s42、根據(jù)路路徑權(quán)重分布，將路徑圖劃分為波峰區(qū)域和波谷區(qū)域，波峰區(qū)域包含優(yōu)先級(jí)高的路徑，用于路徑傳播的優(yōu)先方向，波谷區(qū)域包含優(yōu)先級(jí)低的路徑，根據(jù)路徑權(quán)重權(quán)重的前20％與后20％劃分；

29、s43、采用水波優(yōu)化算法對(duì)路徑權(quán)重進(jìn)行動(dòng)態(tài)傳播優(yōu)化，與傳統(tǒng)水波算法不同，引入圖卷積網(wǎng)絡(luò)生成的節(jié)點(diǎn)的相似度作為路徑傳播的調(diào)節(jié)因子，并結(jié)合能耗與避障因子對(duì)路徑權(quán)重進(jìn)行精細(xì)化調(diào)整，輸出優(yōu)化權(quán)重：

30、

31、其中，為路徑ij在第t+1次迭代后的優(yōu)化權(quán)重，為路徑ij在第t次迭代時(shí)的當(dāng)前路徑權(quán)重，eij為從節(jié)點(diǎn)i到節(jié)點(diǎn)沿路徑ij飛行所消耗的單位能量，dij為路徑ij最近障礙物之間的距離，α為結(jié)構(gòu)增強(qiáng)系數(shù)，β1為能量懲罰系數(shù)，β2為避障懲罰系數(shù)，為節(jié)點(diǎn)i在圖卷積網(wǎng)絡(luò)第t+1層中的嵌入表示，為節(jié)點(diǎn)j在圖卷積網(wǎng)絡(luò)第t+1層中的嵌入表示，i為當(dāng)前正在更新的節(jié)點(diǎn)編號(hào)，j為節(jié)點(diǎn)i的一個(gè)鄰居節(jié)點(diǎn)，為和的嵌入內(nèi)積，t為水波優(yōu)化算法中的迭代輪次；

32、s44、利用實(shí)時(shí)傳感器數(shù)據(jù)對(duì)路徑傳播過程進(jìn)行調(diào)整，當(dāng)傳感器檢測(cè)到某路徑能量消耗速率變化大于0.5％/s，障礙物距離小于1.0米、環(huán)境擾動(dòng)因子大于0.3時(shí)，則對(duì)對(duì)應(yīng)的路徑權(quán)重進(jìn)行削弱處理；

33、s45、在多輪迭代中，波峰區(qū)域的路徑不斷增強(qiáng)傳播優(yōu)勢(shì)，被路徑段優(yōu)先選擇作為主干路徑，波谷區(qū)域路徑的優(yōu)先級(jí)被逐步壓低，直至不再被納入路徑候選集；

34、s46、將優(yōu)化權(quán)重反饋至初步路徑規(guī)劃模型。

35、可選的，所述s5具體包括：

36、s51、在多輪水波優(yōu)化算法迭代完成后，提取所有路徑的最終權(quán)重，根據(jù)路徑權(quán)重分布情況劃分波峰區(qū)域與波谷區(qū)域，波峰區(qū)域?yàn)閮?yōu)先級(jí)高的路徑集合，波谷區(qū)域?yàn)閮?yōu)先級(jí)低的路徑集合；

37、s52、根據(jù)計(jì)算得出的優(yōu)化權(quán)重，以優(yōu)化權(quán)重作為巡檢路徑選擇的優(yōu)先級(jí)指標(biāo)，構(gòu)建路徑傳播概率圖，波峰區(qū)域的路徑具有更高的被選擇概率，波谷區(qū)域的路徑選擇概率降低：

38、

39、其中，pij在節(jié)點(diǎn)i選擇路徑ij的概率，εi節(jié)點(diǎn)i所連接的所有路徑集合，路徑ij經(jīng)水波優(yōu)化算法優(yōu)化的最終優(yōu)化權(quán)重，節(jié)點(diǎn)i所連接路徑ik的最終優(yōu)化權(quán)重，eij為從節(jié)點(diǎn)i到節(jié)點(diǎn)沿路徑ij飛行所消耗的單位能量，i為當(dāng)前正在更新的節(jié)點(diǎn)編號(hào)，j為節(jié)點(diǎn)i的一個(gè)鄰居節(jié)點(diǎn)，k為節(jié)點(diǎn)i的另一個(gè)鄰居節(jié)點(diǎn)；

40、s53、完成路徑傳播后，提取路徑權(quán)重高、選擇概率大的路徑構(gòu)成巡檢路徑；

41、s54、在巡檢路徑中，引入圖卷積網(wǎng)絡(luò)輸出的節(jié)點(diǎn)，判斷路徑連續(xù)節(jié)點(diǎn)之間的結(jié)構(gòu)一致性，若嵌入內(nèi)積低于0.4，則剔除路徑；

42、s55、計(jì)算每條巡檢路徑的綜合代價(jià)值，選擇代價(jià)最小者作為最優(yōu)路徑：

43、

44、其中，為路徑綜合代價(jià)值，p為所有路徑的集合，rij為路徑長(zhǎng)度,eij從節(jié)點(diǎn)i到節(jié)點(diǎn)沿路徑ij飛行所消耗的單位能量，i為當(dāng)前正在更新的節(jié)點(diǎn)編號(hào)，j為節(jié)點(diǎn)i的一個(gè)鄰居節(jié)點(diǎn)，α'為路徑長(zhǎng)度的權(quán)重系數(shù)，β'為能量消耗的權(quán)重系數(shù)，γ'為避障懲罰的權(quán)重系數(shù)，δ'為傳播概率的獎(jiǎng)勵(lì)系數(shù)，eij為從節(jié)點(diǎn)i到節(jié)點(diǎn)沿路徑ij飛行所消耗的單位能量，oij為路徑的避障懲罰項(xiàng)，pij為在節(jié)點(diǎn)i選擇路徑ij的概率。

45、可選的，所述s6具體包括：

46、s61、以最優(yōu)路徑為基礎(chǔ)，提取路徑中所有路徑權(quán)重，并標(biāo)記前20％權(quán)重最高的路徑為初始波峰區(qū)域，后20％為初始波谷區(qū)域；

47、s62、在最優(yōu)路徑上迭代傳播，精煉和收斂路徑優(yōu)先級(jí)，在第t次迭代中，進(jìn)一步更新路徑路徑權(quán)重：

48、

49、其中，i為當(dāng)前正在更新的節(jié)點(diǎn)編號(hào)，j為節(jié)點(diǎn)i的一個(gè)鄰居節(jié)點(diǎn)，k為節(jié)點(diǎn)i的另一個(gè)鄰居節(jié)點(diǎn)，為第t+1次迭代中路徑ij的更新路徑權(quán)重，為第t次迭代中路徑ij的更新路徑權(quán)重，為路徑ij的局部路徑代價(jià)，t為水波優(yōu)化算法中的迭代輪次，為當(dāng)前迭代中所有路徑的最大局部路徑代價(jià)，sik為路徑ij和路徑ik的相似度，n(ij)為與路徑ij相鄰的路徑集合，ρ為波谷收縮懲罰系數(shù)，為在當(dāng)前迭代波谷區(qū)域；

50、s63、每完成一輪迭代后，重新對(duì)路徑權(quán)重進(jìn)行排序，生成路徑權(quán)重排序結(jié)果；

51、s64、根據(jù)路徑權(quán)重排序結(jié)果并依據(jù)當(dāng)前路徑權(quán)重劃定新的波峰與波谷區(qū)域，波峰區(qū)域在結(jié)構(gòu)上逐步擴(kuò)展覆蓋最優(yōu)路徑。

52、可選的，所述s64具體包括：

53、s641、在每輪路徑權(quán)重迭代完成后，根據(jù)當(dāng)前所有路徑的最新權(quán)重?cái)?shù)值，重新劃分波峰區(qū)域和波谷區(qū)域，將權(quán)重排名前20％的路徑劃分為波峰區(qū)域，將權(quán)重排名后20％的路徑劃分為波谷區(qū)域；

54、s642、對(duì)于每一條位于波峰區(qū)域的路徑，查找在圖結(jié)構(gòu)中直接連接的相鄰路徑；

55、s643、若相鄰路徑與當(dāng)前路徑在結(jié)構(gòu)特征上相似，并且當(dāng)前迭代下的權(quán)重?cái)?shù)值處于中等以上水平，則將相鄰路徑納入下一輪波峰區(qū)域中；

56、s644、對(duì)于位于波谷區(qū)域的路徑，在下一輪迭代中限制參與路徑傳播，波峰區(qū)域在結(jié)構(gòu)上逐步擴(kuò)展覆蓋最優(yōu)路徑，輸出最優(yōu)路徑作為最終巡檢路徑。

57、可選的，所述s7具體包括：

58、s71、在無人機(jī)執(zhí)行最終巡檢路徑的過程中，持續(xù)采集實(shí)時(shí)傳感器數(shù)據(jù)；

59、s72、當(dāng)傳感器檢測(cè)到某路徑能量消耗速率變化大于0.5％/s或障礙物距離小于1.0米或環(huán)境擾動(dòng)因子大于0.3時(shí)，重復(fù)執(zhí)行s3-s6，進(jìn)行權(quán)重更新和路徑優(yōu)先級(jí)更新；

60、s73、根據(jù)更新后的路徑選擇概率，重新規(guī)劃下一路徑段，優(yōu)先選擇高概率高權(quán)重路徑；

61、s74、將更新后的路徑段連接至當(dāng)前路徑執(zhí)行軌跡中，形成無人機(jī)自適應(yīng)巡檢路徑。

62、本發(fā)明的有益效果是：

63、本發(fā)明通過結(jié)合圖神經(jīng)網(wǎng)絡(luò)模型、水波優(yōu)化算法以及路徑優(yōu)先級(jí)傳播技術(shù)，顯著提升了倉庫無人機(jī)巡檢路徑規(guī)劃的效率與精度。與傳統(tǒng)的路徑規(guī)劃方法相比，本發(fā)明不僅能夠處理倉庫復(fù)雜的環(huán)境結(jié)構(gòu)，還能夠根據(jù)實(shí)時(shí)傳感器數(shù)據(jù)動(dòng)態(tài)調(diào)整路徑，從而實(shí)現(xiàn)路徑的自適應(yīng)優(yōu)化。這一方法克服了現(xiàn)有技術(shù)中路徑規(guī)劃精度不足、環(huán)境適應(yīng)性差和無法實(shí)時(shí)應(yīng)對(duì)動(dòng)態(tài)變化的局限。

64、首先，本發(fā)明通過構(gòu)建倉庫環(huán)境的圖模型，并利用圖神經(jīng)網(wǎng)絡(luò)對(duì)倉庫圖進(jìn)行建模，能夠高效地聚合節(jié)點(diǎn)之間的關(guān)系，處理倉庫中復(fù)雜的空間布局。這一過程通過圖卷積操作提取節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)的特征信息，使得路徑規(guī)劃更加符合倉庫環(huán)境的實(shí)際需求。相比傳統(tǒng)的算法，本發(fā)明采用的圖神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確地建模節(jié)點(diǎn)間的關(guān)系，提高了路徑規(guī)劃的精度和效率。

65、其次，本發(fā)明引入的水波優(yōu)化算法，通過模擬水波的傳播和收縮機(jī)制，對(duì)路徑規(guī)劃模型中的每一條邊進(jìn)行優(yōu)化，從而在全局和局部范圍內(nèi)動(dòng)態(tài)調(diào)整路徑的優(yōu)先級(jí)。這一機(jī)制有效避免了路徑規(guī)劃中常見的局部最優(yōu)解問題，確保路徑規(guī)劃的全局最優(yōu)性。水波優(yōu)化算法在多個(gè)迭代過程中，逐步擴(kuò)展波峰區(qū)域，使得最終生成的路徑不僅能避開障礙物，還能最大限度地減少能量消耗。

66、另外，本發(fā)明還充分利用實(shí)時(shí)傳感器數(shù)據(jù)進(jìn)行路徑動(dòng)態(tài)調(diào)整，能夠?qū)崟r(shí)監(jiān)控環(huán)境變化并作出相應(yīng)的路徑優(yōu)化。這使得無人機(jī)能夠在巡檢過程中根據(jù)實(shí)際情況靈活應(yīng)對(duì)各種環(huán)境挑戰(zhàn)，提高了巡檢任務(wù)的執(zhí)行成功率與效率。通過多輪優(yōu)化迭代，路徑的優(yōu)先級(jí)和選擇將更加符合實(shí)際場(chǎng)景中的需求，避免了障礙物的干擾和不必要的能量浪費(fèi)。

67、綜上所述，本發(fā)明通過結(jié)合圖神經(jīng)網(wǎng)絡(luò)和水波優(yōu)化算法，實(shí)現(xiàn)了更加精確、高效的倉庫無人機(jī)巡檢路徑規(guī)劃，具有較強(qiáng)的環(huán)境適應(yīng)性與路徑優(yōu)化能力。該技術(shù)不僅能夠在復(fù)雜動(dòng)態(tài)環(huán)境中保持路徑的穩(wěn)定性，還能有效提升巡檢效率和準(zhǔn)確性，為倉庫無人機(jī)的智能化巡檢提供了新的解決方案。