CN104597910A - 一种基于瞬时碰撞点的无人机非协作式实时避障方法 - Google Patents

Abstract

本发明公开了一种基于瞬时碰撞点的无人机非协作式实时避障方法，其步骤为：(1)障碍探测：获取障碍的相对运动状态；(2)障碍运动估计：基于卫星导航信息获取本机状态信息，计算出惯性空间障碍的运动状态；(3)碰撞冲突检测：判断是否会与障碍发生碰撞；(4)避障决策：基于步骤(3)的检测结果，做出避障决策；(5)基于考虑瞬时碰撞点的快速扩展随机树算法的避障航线重规划：基于瞬时碰撞点，引入航线评价启发信息，实现避障航线重规划。本发明具有原理简单、易实现、能够提高无人机安全性等优点。

Description

一种基于瞬时碰撞点的无人机非协作式实时避障方法

技术领域

本发明主要涉及到无人机领域，特指一种基于瞬时碰撞点的无人机非协作式实时避障方法。

背景技术

随着无人机系统能力的不断发展，众多功能各异的无人机被广泛应用于各种民事行动中，这也导致无人机在使用空域数量的迅速增加。目前，无人机系统的自主能力普遍不高，其操作使用主要是由地面站遥控或预编程的，没有空间障碍的感知和规避(Sense and Avoid,SAA)能力，从而导致空中碰撞事故频频发生。

目前，无人机系统实现感知与规避主要有两种途径：

第一种途径：通过地基感知与规避，在地面站基于无人机的状态测控数据，实现同一空域内执行不同任务的无人机之间时空冲突消解。

第二种途径：随着传感器技术和自动化技术的进步，实现机载的感知与规避。这也分为两大类，一类是安装了ADS-B(广播式自动相关监视)和TCAS(交通预警和避撞系统)的无人机之间的协作式避碰；另一类是未安装ADS-B或者TCAS的无人机或者该装置失灵条件下无人机之间，以及无人机与空中其他障碍(高山、高建筑等)之间的非协作式避碰。非协作式避碰作为无人机依托机载传感器设备及时检测障碍并实施有效规避的重要保障，对于提高无人机飞行安全具有更为重要的意义，其技术已成为当前研究的热点。

非协作式避碰主要有三种方式：主动系统、被动系统和混合系统。主动系统能发射信号来检测障碍物，包括机载微波雷达、毫米波雷达、激光、声纳、主动电子扫描阵列(AESA)雷达等主动传感器。被动系统则用于检测从障碍物散发的信号，主要包括光电(EO)、红外(IR)等被动传感器。混合系统采用主动传感器和被动传感器混合的探测模式。非协作式避碰无需其它无人机拥有相同的系统，可用于检测包括飞机在内的地面、空中的障碍物。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、易实现、能够提高无人机安全性的基于瞬时碰撞点的无人机非协作式实时避障方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于瞬时碰撞点的无人机非协作式实时避障方法，其步骤为：

(1)障碍探测：获取障碍的相对运动状态；

(2)障碍运动估计：基于卫星导航信息获取本机状态信息，计算出惯性空间障碍的运动状态

(3)碰撞冲突检测：判断是否会与障碍发生碰撞；

(4)避障决策：基于步骤(3)的检测结果，做出避障决策；

(5)基于考虑瞬时碰撞点的快速扩展随机树算法的避障航线重规划：基于瞬时碰撞点，引入航线评价启发信息，实现避障航线重规划。

作为本发明的进一步改进：所述步骤(5)的具体步骤为：

(5.1)：以当前无人机的位置作为初始节点Node_init，初始化搜索树结构，只包含一个节点；根据预测碰撞算法，得到预测碰撞时间T_collision，以瞬时碰撞点为圆心，以无人机安全距离R_Safe为半径，形成预测碰撞区域Region_collision，将当前本机位置、预测碰撞点和障碍位置形成的三角形区域，称为航线规避区Region_avoid；

(5.2)基于基本RRT流程，按照以下步骤扩展搜索树：

(5.2.1)产生随机数P∈[0,1]，如果P<P_G则选择Node_goal作为目标点Node_target，否则在未搜索区域范围内产生一个位于障碍区域外产生随机点Node_rand；若随机点Node_rand未落入预测碰撞区和航线规避区，则选取Node_rand作为目标点Node_target，否则继续生成随机点Node_rand；分别落入了航线规避区Region_avoid和预测碰撞区域Region_collision，则将这两个随机点排除，选择作为目标点Node_target；

(5.2.2)在当前生成树T中，查询与Node_target最近的节点，记为Node_near，根据飞机行进步长，计算得到行进节点Node_temp，并判断与Node_near的运动时间t是否落入预测碰撞时间T_collision内；如果t在T_collision内，则继续判断Node_temp是否落入航线规避区Region_avoid和预测碰撞区域Region_collision，如果没有，则转入(5.2.3)，否则舍弃随机点Node_temp并转入(5.2.1)；

(5.2.3)将扩展节点Node_temp记为Node_new，并加入搜索树T中，作为Node_near的子节点；

(5.2.4)如果||Node_new-Node_goal||≤ε，则搜索到目标点，跳到步骤(5.3)；否则更新计算航线规避区Region_avoid和预测碰撞区域Region_collision以及碰撞时间T_collision，并返回步骤(5.2)；

(5.2.5)如果搜索时间超过搜索时间上限T_max，则强制结束扩展，跳到步骤(5.3)；

(5.3)返回形成的扩展搜索树，获得Node_init从到Node_goal的航线；如果是强制结束，则返回从Node_init到距离Node_goal最近的叶节点的航线。

作为本发明的进一步改进：所述步骤(3)的具体步骤为：

(3.1)分别求出障碍物速度以及无人机速度与基准线的夹角分别为a，β，将障碍物速度V_a和无人机的速度V_b分解到垂直于两者质心的连线，得到V_a1和V_b1：

V_a1＝V_asinα    (1) 

V_b1＝V_bsinβ    (2) 

将约束条件加强，障碍物在无人机的前方需满足如下条件：

V_acosα>0    (3)

V_bcosβ>0    (4)

(3.2)判断：

若V_a1＝V_b1，则在当前条件下飞行无人机与障碍物会发生碰撞，并得到瞬时碰撞点的坐标位置；若检测到能够发生碰撞，碰撞的时间约束通过计算得知，得出无人机和障碍物相距距离为S，不进行避障发生碰撞的时间T_collision为：

$T_{\mathrm{collision}}=\frac{S}{V_a\cos \mathrm{\&alpha;}+V_b\cos \mathrm{\&beta;}}---\left(5\right)$

即在不考虑其他情况的条件下，无人机完成避障行为的时间t<T_collision；

无人机和障碍之间存在一个安全距离R_Safe，在小于此距离内，碰撞仍将会发生，即则若下式成立，碰撞仍然会发生：

$\frac{S-R_{\mathrm{Safe}}}{V_a\cos \mathrm{\&alpha;}+V_b\cos \mathrm{\&beta;}}\&CenterDot;|V_{a1}-V_{b1}|<R_{\mathrm{Safe}}---\left(6\right)$

碰撞时间为： 

$T_{\mathrm{collision}}=\frac{S-R_S}{V_a\cos \mathrm{\&alpha;}+V_b\cos \mathrm{\&beta;}}---\left(7\right)$

作为本发明的进一步改进：所述步骤(3)中，如果空中存在多个障碍，则计算相互之间的碰撞关系；若有可能发生碰撞，则得到多个瞬时碰撞点。

作为本发明的进一步改进：所述步骤(1)中，无人机的障碍探测采用光电/红外传感器和雷达混合的探测体制；所述光电/红外传感器用来形成视觉图像，然后采用图像分割方法将障碍目标提取出来；所述雷达传感器用来获取障碍的距离和方位，作为障碍相对于本无人机的状态信息。

作为本发明的进一步改进：所述步骤(2)中，对无人机障碍的运动估计是基于导航信息， 通过实时测得自身的运动状态信息，将测量到的目标相对于本无人机的状态信息进行解算，获得障碍相对于惯性空间的运动状态；通过对典型目标运动模型进行分析，基于离散-连续扩展卡尔曼滤波方法实现障碍运动状态估计。

作为本发明的进一步改进：所述步骤(4)包括：

当为协作式障碍时，依据空中交通规则，规定飞机在相对飞行相遇时，各自向右转躲避对方；在同向飞行时，如果要超越前方的飞机，后面的飞机要改变高度或从右侧超越；航向不同的飞机在空中交汇时，左方的飞机要为右面的飞机让路。

当为非协作式障碍时，依靠本机完成避障行为决策；在时间紧急条件下，采取应急机动控制；在有调整时间的前提下，进行航线的实时重规划，完成避障航线的实时调整。

与现有技术相比，本发明的优点在于：本发明的基于瞬时碰撞点的无人机非协作式实时避障方法，原理简单、易实现、能够提高无人机安全性的；其能够基于目前的机载传感器设备，获取空中障碍的运动状态信息，采用交互多模型的无色卡尔曼滤波算法实现障碍运动状态估计，同时基于机载导航设备的导航信息，实现无人机自身的运动状态估计，在此基础上，完成无人机和障碍的碰撞检测，并完成实时航线重规划，指引无人机有效规避障碍。

附图说明

图1是本发明方法的流程示意图。

图2是本发明中平行接近法的原理示意图。

图3是本发明中SA-RRT算法的原理示意图。

图4是本发明中SA-RRT算法的流程示意图。

图5是本发明在具体应用实例中无人机规避静态障碍时的原理示意图；其中图5(a)为一个静态障碍时的示意图；图5(b)为一个静态障碍时的示意图；图5(c)为一个静态障碍时的示意图。

图6是本发明在具体应用实例中无人机规避动态障碍物时的原理示意图；其中图6(a)为一个动态障碍时的示意图；图6(b)为两个动态障碍时的示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

本发明的一种基于瞬时碰撞点的无人机非协作式实时避障方法，为基于平行接近法“瞬时碰撞点”思想的无人机非协作式实时碰撞检测与避障航线规划方法。平行接近法是飞机追踪中常见的一种导引律。避障问题实际上和精确导引等问题有相似之处，不同的是前者要始终瞄准目标点，避障要求尽可能避免指向目标点。基于此思想可以很容易检测无人机和障碍之间可能发生的碰撞关系。同时，瞬时碰撞点周围和相关方向将是无人机飞行中尽量避免的 区域，本发明将这一区域引入到快速扩展随机树算法中，可以快速规划得到无人机的实时飞行航线，从而有效规避非协作障碍。

如图1所示，本发明方法的具体步骤为：

一种基于瞬时碰撞点的无人机实时避障方法主要包括障碍检测模块、障碍运动估计模块、碰撞检测模块、避障决策模块、避障航线重规划模块等。本方法采用的技术方案为：

(1)障碍探测，获取障碍的相对运动状态；

本实施例中，无人机的障碍探测可以根据实际需要采用光电/红外传感器和雷达混合的探测体制，实现在非协作式环境下的全天候全天时的障碍探测。其中，在白天、光照条件良好的条件下，采用可见光和雷达探测模式，在夜间和光照条件较差的条件下(雨、雪、雾)，采用红外和雷达探测模式。

光电/红外传感器主要用来形成视觉图像，在视觉图像获取后，首先进行预处理，通过对图像进行形态学操作来减少图像中的噪声和杂波，提高图像的信噪比，突出目标(即障碍)，抑制图像背景和噪声，检测出可能的障碍。经过预处理的无人机小目标的图像中的噪声得到了极大的削弱，小目标的信噪比也大为增强，然后采用迭代选择阈值的图像分割方法将障碍目标提取出来。

雷达传感器主要用来获取障碍的距离和方位，即将该障碍的雷达探测的距离和方位信息，作为障碍相对于本无人机的状态信息。

(2)障碍运动估计：基于卫星导航信息获取本机状态信息，计算出惯性空间障碍的运动状态，采用连续-离散扩展卡尔曼滤波完成障碍运动状态估计；

对无人机障碍的运动估计是基于惯性导航、卫星导航(GPS、北斗等)等导航信息，通过实时测得自身的运动状态信息，将测量到的目标相对于本无人机的状态信息进行解算，从而获得障碍相对于惯性空间的运动状态(目标位置、速度、加速度)。在此基础上，进一步通过对CV(匀速)模型、当前统计模型等典型目标运动模型进行分析，基于离散-连续扩展卡尔曼滤波方法实现障碍运动状态估计。

(3)碰撞冲突检测；

对于无人机的碰撞冲突检测是采用基于平行接近法为原理的障碍碰撞检测算法。该算法的基本思想是：在给定时间步长的时间窗口内，假定障碍物和无人机速度的大小和方向都不发生变化，以此时瞬时速度作为碰撞检测的计算所需的速度，以障碍物质心和无人机的质心 两者的连线为基准线。计算两者速度矢量在基准线上的垂线的长度，若两者相等处于相向运动，则可能会发生碰撞，速度矢量延长线的交点即为“瞬时碰撞点”，同时可计算出可能发生碰撞的时间。

(4)避障决策； 

根据上述步骤(3)中对于碰撞冲突检测的结果，即是否存在碰撞的可能性以及即将碰撞的时间，合理采用相应的避障行为。

当为协作式障碍(如友方无人机)时，可依据空中交通规则，为了防止相撞，规定飞机在相对飞行相遇时，各自向右转躲避对方；在同向飞行时，如果要超越前方的飞机，后面的飞机要改变高度或从右侧超越。航向不同的飞机在空中交汇时，左方的飞机要为右面的飞机让路。本专利主要考虑非协作式障碍。

当为非协作式障碍时，并不会采用这种交通规则，主要依靠本机完成避障行为决策，在时间紧急条件下，采取应急机动控制，在有一定调整时间的前提下，进行航线的实时重规划，完成避障航线的实时调整。

(5)基于考虑瞬时碰撞点的快速扩展随机树算法的避障航线重规划；

快速扩展随机树算法是随机采样航线规划算法中性能比较优越的一种，通用性强，实现简单，它最独特的优点在于可以直接用于非完整约束的系统规划，适合于解决包含几何约束和动力学约束的避障航线规划问题。但基本快速扩展随机树算法在搜索过程中并没有考虑航线的综合代价，并且其目标节点选择的任意性使得扩展树的生长形状具有很大的随机性，这导致规划出来的航线也具有随机性，对同一条件下的规划过程缺乏可重复性，航线的性能往往是不可控的。换句话说，基本快速扩展随机树算法随机性太强，只能够保证高效快速的获得可行航线，无法获得规避动态障碍的较优航线。

本发明在上述基础上增加了考虑瞬时碰撞点，而不仅是当前障碍的空间位置，以此改进随机点的选择方式，引入航线评价启发信息，剪裁冗余节点，对航线进行平滑等，提高了规划航线的性能，由此设计了面向感知与规避的快速扩展随机树算法(SA-RRT)，实现了避障航线重规划功能。

在具体应用实例中，如图2所示，步骤(3)的具体计算步骤为：

(3.1)分别求出障碍物速度以及无人机速度与基准线的夹角分别为a，β，将障碍物速度V_a和无人机的速度V_b分解到垂直于两者质心的连线，得到V_a1和V_b1：

V_a1＝V_a sinα    (1) 

V_b1＝V_bsinβ    (2) 

考虑到假设条件无人机只能在前方探测到障碍，对在无人机后方的障碍物不进行探测。将约束条件加强，障碍物在无人机的前方需满足如下条件：

V_acosα>0    (3)

V_bcosβ>0    (4)

(3.2)判断：

若V_a1＝V_b1，则在当前条件下飞行无人机与障碍物会发生碰撞，并得到瞬时碰撞点的坐标位置。在使用基于平行接近法原理的碰撞检测方法，若检测到能够发生碰撞，则碰撞的时间约束可以通过计算得知，即可以得出无人机和障碍物相距距离为S，则不进行避障发生碰撞的时间T_collision为：

$T_{\mathrm{collision}}=\frac{S}{V_a\cos \mathrm{\&alpha;}+V_b\cos \mathrm{\&beta;}}---\left(5\right)$

即在不考虑其他情况的条件下，无人机完成避障行为的时间t<T_collision。

但通常情况下，V_a1＝V_b1不一定成立。由于无人机和障碍并不是质点模型，所以它们之间存在一个安全距离R_Safe，在小于此距离内，无人机由于飞行性能限制，无法及时转弯导致无法避开障碍，碰撞将会发生。则若下式成立，碰撞仍然会发生。

$\frac{S-R_{\mathrm{Safe}}}{V_a\cos \mathrm{\&alpha;}+V_b\cos \mathrm{\&beta;}}\&CenterDot;|V_{a1}-V_{b1}|<R_{\mathrm{Safe}}---\left(6\right)$

碰撞时间即为：

$T_{\mathrm{collision}}=\frac{S-R_S}{V_a\cos \mathrm{\&alpha;}+V_b\cos \mathrm{\&beta;}}---\left(7\right)$

如果空中存在多个障碍，则计算相互之间的碰撞关系；若有可能发生碰撞，则得到多个瞬时碰撞点，从而确定安全通行区域和受约束的转弯角度。

在具体应用实例中，如图3和图4所示，步骤(5)的具体计算步骤为：

(5.1)：以当前无人机的位置作为初始节点Node_init，初始化搜索树结构，只包含一个节点，如图3所示，根据预测碰撞算法，得到预测碰撞时间T_collision，以瞬时碰撞点为圆心，以 无人机安全距离R_Safe为半径，形成预测碰撞区域Region_collision，将当前本机位置、预测碰撞点和障碍位置形成的三角形区域，称为航线规避区Region_avoid。

(5.2)基于基本RRT流程，按照以下步骤扩展搜索树：

(5.2.1)产生随机数P∈[0,1]，如果P<P_G则选择Node_goal作为目标点Node_target，否则在未搜索区域范围内产生一个位于障碍区域外产生随机点Node_rand。若随机点Node_rand未落入预测碰撞区和航线规避区，则选取Node_rand作为目标点Node_target，否则继续生成随机点Node_rand。如图3所示，分别落入了航线规避区Region_avoid和预测碰撞区域Region_collision，则将这两个随机点排除，选择作为目标点Node_target。

(5.2.2)在当前生成树T中，查询与Node_target最近的节点，记为Node_near，根据飞机行进步长，计算得到行进节点Node_temp，并判断与Node_near的运动时间t是否落入预测碰撞时间T_collision内。如果t在T_collision内，则继续判断Node_temp是否落入航线规避区Region_avoid和预测碰撞区域Region_collision，如果没有，则转入(5.2.3)，否则舍弃随机点Node_temp并转入(5.2.1)。

(5.2.3)将扩展节点Node_temp记为Node_new，并加入搜索树T中，作为Node_near的子节点；

(5.2.4)如果||Node_new-Node_goal||≤ε，则搜索到目标点，跳到步骤(5.3)；否则更新计算航线规避区Region_avoid和预测碰撞区域Region_collision以及碰撞时间T_collision，并返回步骤(5.2)。

(5.2.5)如果搜索时间超过搜索时间上限T_max，则强制结束扩展，跳到步骤(5.3)。

(5.3)返回形成的扩展搜索树，获得Node_init从到Node_goal的航线。如果是强制结束，则返回从Node_init到距离Node_goal最近的叶节点的航线。

在一个具体应用实例中，设定无人机扩展步长为100(扩展步长由无人机在改变飞行姿态前必须直飞的最小距离决定)，分无人机遇到静态障碍和动态障碍两种情况。静态障碍假设为一半径为5m的球体，在空中悬浮不动。动态障碍为飞行速度与无人机相同的飞行器，分别设置3个静态障碍和2个动态障碍进行避障实验。

用SA-RRT算法进行避障航线重规划，运行10次，并与RRT进行比较，计算平均扩展节点数和规划耗费时间，实验结果见下表1。通过下表1可以看出SA-RRT算法在规避静态障碍时比规避动态障碍扩展节点数少，耗时也少。主要原因是对于静态障碍物空中障碍物只需要进行一次探测便可知道障碍物具体的位置，只需要一次计算便可改变无人机的俯仰和偏航角来进行规避。而对于动态障碍物，由于其运动状态运动速度的改变，空间位置在发生着 不断变化，因此需要不断的对航线进行规划，因此规避动态障碍物其扩展节点数多，耗时长。

表1不同障碍数量情况下算法特性

静态障碍条件下，SA-RRT算法规划得到航线在Matlab平台上的三维显示如图5。球体代表静态障碍，曲线1、曲线2、曲线3为无人机重规划航线。无人机在探测到静态障碍时，重新规划避障航线绕过障碍物。动态障碍条件下，SA-RRT算法规划得到航线在Matlab平台上的三维显示如图6。曲线4、曲线6和曲线8代表动态空中障碍物的飞行轨迹，曲线5和曲线7为无人机重规划航线。无人机探测到侧面飞来的障碍物，重新规划航迹，降低飞行高度，从障碍航迹下方绕过，紧接着又有前方发现的障碍物，无人机再次重规划航迹避开障碍。综上可知，本发明采用的无人机实时碰撞检测与避障航线规划方法能够准确的检测出障碍，并能有效的实现规避，对无人机的机载感知与规避问题具有重要的理论意义和实用价值。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，步骤为：

(1)障碍探测：获取障碍的相对运动状态；

(2)障碍运动估计：基于卫星导航信息获取本机状态信息，计算出惯性空间障碍的运动状态；

(3)碰撞冲突检测：判断是否会与障碍发生碰撞；

(4)避障决策：基于步骤(3)的检测结果，做出避障决策；

(5)基于考虑瞬时碰撞点的快速扩展随机树算法的避障航线重规划：基于瞬时碰撞点，引入航线评价启发信息，实现避障航线重规划。

2.根据权利要求1所述的基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，所述步骤(5)的具体步骤为：

(5.1)：以当前无人机的位置作为初始节点Node_init，初始化搜索树结构，只包含一个节点；根据预测碰撞算法，得到预测碰撞时间T_collision，以瞬时碰撞点为圆心，以无人机安全距离R_Safe为半径，形成预测碰撞区域Region_collision，将当前本机位置、预测碰撞点和障碍位置形成的三角形区域，称为航线规避区Region_avoid；

(5.2)基于基本RRT流程，按照以下步骤扩展搜索树：

(5.2.1)产生随机数P∈[0,1]，如果P<P_G则选择Node_goal作为目标点Node_target，否则在未搜索区域范围内产生一个位于障碍区域外产生随机点Node_rand；若随机点Node_rand未落入预测碰撞区和航线规避区，则选取Node_rand作为目标点Node_target，否则继续生成随机点Node_rand；分别落入了航线规避区Region_avoid和预测碰撞区域Region_collision，则将这两个随机点排除，选择作为目标点Node_target；

(5.2.2)在当前生成树T中，查询与Node_target最近的节点，记为Node_near，根据飞机行进步长，计算得到行进节点Node_temp，并判断与Node_near的运动时间t是否落入预测碰撞时间T_collision内；如果t在T_collision内，则继续判断Node_temp是否落入航线规避区Region_avoid和预测碰撞区域Region_collision，如果没有，则转入(5.2.3)，否则舍弃随机点Node_temp并转入(5.2.1)；

(5.2.3)将扩展节点Node_temp记为Node_new，并加入搜索树T中，作为Node_near的子节点；

(5.2.4)如果||Node_new-Node_goal||≤ε，则搜索到目标点，跳到步骤(5.3)；否则更新计算 航线规避区Region_avoid和预测碰撞区域Region_collision以及碰撞时间T_collision，并返回步骤(5.2)；

(5.2.5)如果搜索时间超过搜索时间上限T_max，则强制结束扩展，跳到步骤(5.3)；

(5.3)返回形成的扩展搜索树，获得Node_init从到Node_goal的航线；如果是强制结束，则返回从Node_init到距离Node_goal最近的叶节点的航线。

3.根据权利要求1所述的基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，所述步骤(3)的具体步骤为：

(3.1)分别求出障碍物速度以及无人机速度与基准线的夹角分别为a，β，将障碍物速度V_a和无人机的速度V_b分解到垂直于两者质心的连线，得到V_a1和V_b1：

V_a1＝V_asinα                       (1) 

V_b1＝V_bsinβ                       (2) 

将约束条件加强，障碍物在无人机的前方需满足如下条件：

V_acosα>0                       (3) 

V_bcosβ>0                       (4) 

(3.2)判断：

若V_a1＝V_b1，则在当前条件下飞行无人机与障碍物会发生碰撞，并得到瞬时碰撞点的坐标位置；若检测到能够发生碰撞，碰撞的时间约束通过计算得知，得出无人机和障碍物相距距离为S，不进行避障发生碰撞的时间T_collision为：

即在不考虑其他情况的条件下，无人机完成避障行为的时间t<T_collision；

无人机和障碍之间存在一个安全距离R_Safe，在小于此距离内，碰撞仍将会发生，即则若下式成立，碰撞仍然会发生：

碰撞时间为：

。

4.根据权利要求3所述的基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，所述步骤(3)中，如果空中存在多个障碍，则计算相互之间的碰撞关系；若有可能发生碰撞，则得到多个瞬时碰撞点。

5.根据权利要求1～4中任意一项所述的基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，所述步骤(1)中，无人机的障碍探测采用光电/红外传感器和雷达混合的探测体制；所述光电/红外传感器用来形成视觉图像，然后采用图像分割方法将障碍目标提取出来；所述雷达传感器用来获取障碍的距离和方位，作为障碍相对于本无人机的状态信息。

6.根据权利要求1～4中任意一项所述的基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，所述步骤(2)中，对无人机障碍的运动估计是基于导航信息，通过实时测得自身的运动状态信息，将测量到的目标相对于本无人机的状态信息进行解算，获得障碍相对于惯性空间的运动状态；通过对典型目标运动模型进行分析，基于离散-连续扩展卡尔曼滤波方法实现障碍运动状态估计。

7.根据权利要求1～4中任意一项所述的基于瞬时碰撞点的无人机非协作式实时避障方法，其特征在于，所述步骤(4)包括：

当为协作式障碍时，依据空中交通规则，规定飞机在相对飞行相遇时，各自向右转躲避对方；在同向飞行时，如果要超越前方的飞机，后面的飞机要改变高度或从右侧超越；航向不同的飞机在空中交汇时，左方的飞机要为右面的飞机让路。

当为非协作式障碍时，依靠本机完成避障行为决策；在时间紧急条件下，采取应急机动控制；在有调整时间的前提下，进行航线的实时重规划，完成避障航线的实时调整。