CN109358638B - 基于分布式地图的无人机视觉避障方法 - Google Patents

基于分布式地图的无人机视觉避障方法 Download PDF

Info

Publication number
CN109358638B
CN109358638B CN201811049054.1A CN201811049054A CN109358638B CN 109358638 B CN109358638 B CN 109358638B CN 201811049054 A CN201811049054 A CN 201811049054A CN 109358638 B CN109358638 B CN 109358638B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
map
current
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811049054.1A
Other languages
English (en)
Other versions
CN109358638A (zh
Inventor
刘阳
王从庆
李翰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811049054.1A priority Critical patent/CN109358638B/zh
Publication of CN109358638A publication Critical patent/CN109358638A/zh
Application granted granted Critical
Publication of CN109358638B publication Critical patent/CN109358638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于分布式地图的无人机视觉避障方法，通过无人机和地面站的协作，构建分布式地图，用于视觉避障飞行。无人机通过融合IMU、VO、GPS实时位姿感知，当发现进入新的环境时，才生成新的环境地图；同时无人机接收地面站发送的飞行指令，通过改变四个电机的转速控制无人机飞行，实现视觉避障；地面站用于优化并存储无人机构建的环境地图、环境地图可视化；同时地面站还负责依据当前无人机的位姿和环境地图，规划一条安全的飞行路径，然后发送给无人机。本发明利用无人机和地面站的协作和分布式地图架构，对环境进行精确建模，适用于复杂环境下的无人机视觉避障。

Description

基于分布式地图的无人机视觉避障方法
技术领域
本发明涉及一种无人机避障方法，特别涉及一种基于分布式地图的视觉避障方法，属于无人机自主导航技术领域。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)已经从简单的航拍飞行器演化为可飞行的多功能智能化平台，在民用和军用领域发挥着越来越重要的作用。随着各种应用需求的出现，无人机需要在复杂环境中执行特定任务，如何让无人机识别障碍物并避开障碍物飞行成为了无人机的关键技术之一。视觉避障就是指通过模拟动物的眼睛，无人机在飞行过程中可以感知环境，构建三维地图，识别障碍物，从而避开障碍物飞行。
现有的无人机视觉避障方法主要有两种，一种是无人机自主避障导航，该方法需要针对每一帧图像生成新的环境地图，并存储在无人机本身自带的存储系统中，通过对环境地图实时识别障碍物来避开障碍物飞行，这样对无人机本身带有的数据处理系统和数据存储系统有较高的要求，在各种环境条件下的处理速度、存储量和处理稳定性都应优异才能应对复杂多变的使用场景，导致无人机的成本较高；另一种是通过无人机与地面站的结合，无人机获得的自身状态和环境数据都发送给地面站去处理，无人机按照地面站处理数据后得到的飞行指令来执行飞行，这样无人机的成本会大大降低，且由于不可抗的自然因素如雷电等造成的无人机损坏，这类的损失会大大减小。目前无人机与地面站的结合来实现的无人机避障，需要对无人机获取的每一帧图像生成新的环境地图，这种方案非常耗时而且占用存储资源较大，效率很低，一旦地面站处理不及时就会使得无人机无法及时识别障碍物而被损坏。
发明内容
发明目的：针对以上问题，本发明提出一种基于分布式地图的无人机视觉避障方法，避免重复构建环境地图造成的大量数据冗余，实现高效的无人机避障和导航。
技术方案：本发明所述的基于分布式地图的无人机视觉避障方法，包括以下步骤：
(1)实时位姿感知：通过无人机上的传感器获得无人机的运动状态数据，优选的，可由惯性测量单元IMU获得无人机当前的加速度、角速度数据，视觉里程计VO获得无人机的视觉位姿数据，当GPS可用时读取GPS的位置信息。通过拓展卡尔曼滤波数据融合算法，获得无人机的当前位姿x＝[x,y,z,θ,φ,ψ]T，其中x,y,z分别为无人机 x,y,z方向的位置坐标，θ,φ,ψ分别为无人机的俯仰角、滚转角、偏航角；
(2)判断是否到达重复区域：根据无人机当前的俯仰角、滚转角和偏航角，计算出当前时刻无人机的正前方方向矢量τ；根据无人机任意k时刻的俯仰角、滚转角和偏航角，计算出k时刻无人机的正前方方向矢量τk；计算两个方向矢量τ和τk的夹角θ＝＜τk，τ＞＝arccos(τk·τ/||τk||||τ||)以及当前时刻无人机所处位置与k时刻所处位置之间的距离
Figure BDA0001794050060000021
遍历k，如果找到一个k，同时满足||θ||≤θthred,d≤dthred，其中dthred为距离阈值，θthred为方向矢量夹角阈值，则判断该无人机重复到达了某区域，不需要再次采集该区域的地图数据；如果没有k同时满足以上条件，则判断无人机到达了新的区域或者无人机视角与之前在此位置的视角差别较大，无人机采集新的地图数据；
其中，所述的距离阈值取值范围为0﹤dthred﹤5，单位米；方向矢量夹角阈值取值范围为0﹤θthred﹤40，单位度。优选的，dthred取0.5m，θthred取20°。
(3)采集新地图的图像数据：通过无人机前端的相机，获得当前时刻的RGB图和深度图，然后依据RGB图和深度图生成当前相机坐标系下的点云图，即相机坐标系下的新地图，并计算RGB图中各个像素点对应的点云在当前相机坐标系下的三维坐标数据；
其中，所述的计算RGB图中像素点对应的点云在当前相机坐标系下的三维坐标数据，包括以下过程：
(31)对于RGB图中像素坐标为(u,v)T的像素点，首先从深度图中得到该像素点的深度值du,v；
(32)分别计算该像素点对应的点云在当前相机坐标系下的x、y、z坐标，计算方法为xu,v＝(u-cx)/fx*du,v，yu,v＝(v-cy)/fy*du,v，zu,v＝du,v，其中fx为相机的焦距水平分量，fy为相机的焦距垂直分量，cx为相机的像素坐标水平中心偏移,cy为相机的像素坐标垂直中心偏移；
(33)该像素点对应的点云在当前相机坐标系下的三维坐标为：
Figure BDA0001794050060000022
(4)地面站优化新地图数据并存储：无人机将当前的位姿信息x和RGB图中所有像素点对应的点云三维坐标数据发送给地面站后，由地面站的数据处理系统对点云三维坐标数据进行处理和优化，并存储在数据存储系统中；
其中，所述的点云三维坐标数据的优化包括以下过程：
(41)计算新的点云图在世界坐标系下的三维坐标
Figure BDA0001794050060000023
计算方式为：
Figure BDA0001794050060000024
其中Twc为依据当前无人机的位姿x得到的从相机坐标系到世界坐标系的转换矩阵；
(42)优化当前无人机的位姿x，使得点云的三维坐标残差最小，即
Figure 4
其中参与优化计算的点云为该区域以前的点云图与新点云图重叠的部分数据，从而得到优化后的无人机当前位姿x以及该位姿所对应的世界坐标系下的新点云图的三维坐标。
(5)构建分布式环境地图：地面站将世界坐标系下的三维空间分割为许多个相同规格的正方体网格，每个网格存储该区域内对应的环境地图，地面站的可视化程序提供一系列可视化接口将环境地图和无人机的飞行轨迹可视化，当有新地图数据生成时，可视化软件刷新显示对应网格内更新后的环境地图；
(6)识别地图中的障碍物并规划飞行路径，包括以下过程：
(61)将环境地图转换为占据栅格地图，起初全部栅格数据初始化为0，存储新的环境地图时，新的点云对应的栅格数据置为1，因此通过判断栅格的存储数据是否为1 来识别障碍物，为1代表该栅格处对应的空间中有障碍物，为0则代表该栅格没有被物体占据；
(62)计算航路的威胁代价和电力消耗代价：选取相邻两个航点i和j，ωt(i,j)为从节点i到节点j航路的威胁代价，ωt(i,j)＝1/dgrid-1/D，其中dgrid为无人机到最近存在障碍物的栅格中心的距离，D为安全阈值距离；ωf(i,j)为从节点i到节点j的电力消耗代价，ωf(i,j)＝l(i,j)，式中l(i,j)是节点i到节点j的距离；
(63)通过A*算法规划飞行路径：考虑航路的威胁代价和电力消耗代价，选取相邻两个航点i和j的代价计算函数为Iij＝Kωt(i,j)+(1-K)ωf(i,j)，其中K为经验系数，取值范围为0.4～0.5，通过A*算法规划出最优飞行路径S,k1,k2,...,kn-1,kn,kn+1,...,km,E，其中S是无人机的起飞点，E是无人机的目的地，kn是当前节点即无人机当前的状态，每个节点ki包含无人机的位姿信息
Figure BDA0001794050060000031
(7)计算出飞行路径后，无人机接收地面站发送的下一个飞行节点
Figure BDA0001794050060000032
将该航点作为飞行控制控制器的输入，控制器的输出为PWM波，用于调节四个电机的转速，控制无人机的飞行速度，从而保证按照预定飞行轨迹飞行，实现无人机视觉避障。
有益效果：与现有技术相比，本发明有如下优点：1、通过利用无人机和地面站的协作，无人机平台运行轻量级任务，地面站负责地图优化、可视化等耗费资源的任务，提高了整个系统的性能。2、当无人机飞行到原来到达过的环境中时，不必重复建图，减轻了地面站数据存储的负担，提高了处理效率。3、通过环境地图可视化，可以方便操作人员远程监控飞行环境，从而完成其他功能，例如勘察、救援等。4、视觉避障可以通过图像处理获取无人机的实时位置，适用于复杂环境尤其非GPS环境下的无人机飞行。
附图说明
图1是本发明的示意图；
图2是本发明的流程图；
图3是本发明所述的识别新地图中的障碍物并规划飞行路径的流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
图1为本发明基于分布式地图的无人机视觉避障方法的示意图。该系统包括无人机和地面站两部分，两者之间通过WiFi通信。无人机进行实时位姿感知，判断是否到达了重复的区域，若判断是未到达过的区域，则无人机进行图像数据采集和相关计算，并将计算所得的点云三维坐标数据及自身飞行状态数据发送给地面站，地面站负责优化并存储这些数据，并通过处理后的数据构建分布式环境地图，然后识别新地图中的障碍物并规划飞行路径，最后地面站将规划好的飞行指令发送给无人机，无人机控制飞行轨迹，实现避障飞行。
图2是本发明的流程图，其具体实现的步骤如下：
(1)实时位姿感知：通过无人机上的传感器获得无人机的运动状态数据，优选的，可由惯性测量单元IMU获得无人机当前的加速度、角速度数据，视觉里程计VO获得无人机的视觉位姿数据，当GPS可用时读取GPS的位置信息。通过拓展卡尔曼滤波数据融合算法，获得无人机的当前位姿x＝[x,y,z,θ,φ,ψ]T，其中x,y,z分别为无人机 x,y,z方向的位置坐标，θ,φ,ψ分别为无人机的俯仰角、滚转角、偏航角；
(2)判断是否到达重复区域：根据无人机当前的俯仰角、滚转角和偏航角，计算出当前时刻无人机的正前方方向矢量τ；根据无人机任意k时刻的俯仰角、滚转角和偏航角，计算出k时刻无人机的正前方方向矢量τk；计算两个方向矢量τ和τk的夹角θ＝＜τk，τ＞＝arccos(τk·τ/||τk||||τ||)以及当前时刻无人机所处位置与k时刻所处位置之间的距离
Figure BDA0001794050060000041
遍历k，如果找到一个k，同时满足||θ||≤θthred,d≤dthred，其中dthred为距离阈值，取0.5m，θthred为方向矢量夹角阈值，取20°，则判断该无人机重复到达了某区域，不需要再次采集该区域的地图数据；如果没有k同时满足以上条件，则判断无人机到达了新的区域或者无人机视角与之前在此位置的视角差别较大，无人机采集新的地图数据；
(3)采集新地图的图像数据：通过无人机前端的相机，获得当前时刻的RGB图和深度图，然后依据RGB图和深度图生成当前相机坐标系下的点云图，即相机坐标系下的新地图，并计算RGB图中各个像素点对应的点云在当前相机坐标系下的三维坐标数据；
其中，所述的计算RGB图中像素点对应的点云在当前相机坐标系下的三维坐标数据，包括以下过程：
(31)对于RGB图中像素坐标为(u,v)T的像素点，首先从深度图中得到该像素点的深度值du,v；
(32)分别计算该像素点对应的点云在当前相机坐标系下的x、y、z坐标，计算方法为xu,v＝(u-cx)/fx*du,v，yu,v＝(v-cy)/fy*du,v，zu,v＝du,v，其中fx为相机的焦距水平分量，fy为相机的焦距垂直分量，cx为相机的像素坐标水平中心偏移,cy为相机的像素坐标垂直中心偏移；
(33)该像素点对应的点云在当前相机坐标系下的三维坐标为：
Figure BDA0001794050060000051
(4)地面站优化新地图数据并存储：无人机将当前的位姿信息x和RGB图中所有像素点对应的点云三维坐标数据发送给地面站后，由地面站的数据处理系统对点云三维坐标数据进行处理和优化，并存储在数据存储系统中；
其中，所述的点云三维坐标数据的优化包括以下过程：
(41)计算新的点云图在世界坐标系下的三维坐标
Figure BDA0001794050060000052
计算方式为：
Figure BDA0001794050060000053
其中Twc为依据当前无人机的位姿x得到的从相机坐标系到世界坐标系的转换矩阵；
(42)优化当前无人机的位姿x，使得点云的三维坐标残差最小，即
Figure 3
其中参与优化计算的点云为该区域以前的点云图与新点云图重叠的部分数据，从而得到优化后的无人机当前位姿x以及该位姿所对应的世界坐标系下的新点云图的三维坐标。
(5)构建分布式环境地图：地面站将世界坐标系下的三维空间分割为许多个相同规格的正方体网格，每个网格存储该区域内对应的环境地图，地面站的可视化程序提供一系列可视化接口将环境地图和无人机的飞行轨迹可视化，当有新地图数据生成时，可视化软件刷新显示对应网格内更新后的环境地图；
(6)识别地图中的障碍物并通过A*算法规划飞行路径；
(7)计算出飞行路径后，无人机接收地面站发送的下一个飞行节点
Figure BDA0001794050060000055
将该航点作为飞行控制控制器的输入，控制器的输出为PWM波，用于调节四个电机的转速，控制无人机的飞行速度，从而保证按照预定飞行轨迹飞行，实现无人机视觉避障。
图3是步骤6中所述的识别地图中的障碍物并规划飞行路径的流程图。包括以下过程：
(61)将环境地图转换为占据栅格地图，起初全部栅格数据初始化为0，存储新的环境地图时，新的点云对应的栅格数据置为1，因此通过判断栅格的存储数据是否为1 来识别障碍物，为1代表该栅格处对应的空间中有障碍物，为0则代表该栅格没有被物体占据；
(62)计算航路的威胁代价和电力消耗代价：选取相邻两个航点i和j，ωt(i,j)为从节点i到节点j航路的威胁代价，ωt(i,j)＝1/dgrid-1/D，其中dgrid为无人机到最近存在障碍物的栅格中心的距离，D为安全阈值距离；ωf(i,j)为从节点i到节点j的电力消耗代价，ωf(i,j)＝l(i,j)，式中l(i,j)是节点i到节点j的距离；
(63)通过A*算法规划飞行路径：考虑航路的威胁代价和电力消耗代价，选取相邻两个航点i和j的代价计算函数为Iij＝Kωt(i,j)+(1-K)ωf(i,j)，其中K为经验系数，可以根据任务来调整具体数值，取值范围为0.4～0.5，是航路制定人员在制定航路过程中所做出的电力消耗代价系数和威胁代价系数的倾向性选择，针对具体四旋翼无人机而言，电力消耗是需要优先考虑的，飞行任务的瓶颈就在于电池电量消耗过快，如果飞行距离比较远，那么就需要着重考虑电力消耗代价，如果飞行距离在电力消耗允许范围之内，那么就需要倾向于考虑威胁代价。通过A*算法规划出最优飞行路径 S,k1,k2,...,kn-1,kn,kn+1,...,km,E，其中S是无人机的起飞点，E是无人机的目的地， kn是当前节点即无人机当前的状态，每个节点ki包含无人机的位姿信息
Figure BDA0001794050060000061

Claims (7)

1.一种基于分布式地图的无人机视觉避障方法，其特征在于包括以下步骤：
(1)通过无人机上的传感器获得无人机当前的加速度、角速度以及视觉位姿数据，通过拓展卡尔曼滤波数据融合算法，获得无人机的当前位姿信息，当前位姿信息中包括无人机当前时刻的三维位置坐标以及俯仰角、滚转角、偏航角；
(2)根据无人机当前的俯仰角、滚转角和偏航角，计算出当前时刻无人机的正前方方向矢量τ；根据无人机任意k时刻的俯仰角、滚转角和偏航角，计算出k时刻无人机的正前方方向矢量τk；计算两个方向矢量τ和τk的夹角θ，以及当前时刻无人机所处位置与k时刻所处位置之间的距离d；遍历k，如果找到一个k，同时满足||θ||≤θthred，d≤dthred，其中θthred为方向矢量夹角阈值，dthred为距离阈值，则判断该无人机重复到达了某区域，不需要再次采集该区域的地图数据；如果没有k同时满足以上条件，则判断无人机到达了新的区域或者无人机视角与之前在此位置的视角差别较大，无人机采集新的地图数据；
(3)通过无人机前端的相机，获得当前时刻的RGB图和深度图，然后依据RGB图和深度图生成当前相机坐标系下的点云图，即相机坐标系下的新地图，并计算RGB图中各个像素点对应的点云在当前相机坐标系下的三维坐标数据；
(4)无人机将当前的位姿信息x和RGB图中所有像素点对应的点云三维坐标数据发送给地面站后，由地面站的数据处理系统对点云三维坐标数据进行处理和优化，并存储在数据存储系统中；
(5)地面站将世界坐标系下的三维空间分割为许多个相同规格的正方体网格，每个网格存储该区域内对应的环境地图，地面站的可视化程序提供一系列可视化接口将环境地图和无人机的飞行轨迹可视化，当有新地图数据生成时，可视化软件刷新显示对应网格内更新后的环境地图；
(6)将环境地图转换为占据栅格地图，识别环境地图中的障碍物位置，然后通过A*算法规划飞行路径；
(7)计算出飞行路径后，地面站通过无线网络将下一步飞行指令发送给无人机，无人机依据接收到的指令来计算飞行参数控制飞行，从而避开障碍物。
2.根据权利要求1所述的基于分布式地图的无人机视觉避障方法，其特征在于：步骤(1)中所述的通过传感器获得无人机当前的加速度、角速度以及视觉位姿数据，是由惯性测量单元IMU获得无人机当前的加速度、角速度数据，视觉里程计VO获得无人机的视觉位姿数据，当GPS可用时读取GPS的位置信息。
3.根据权利要求1所述的基于分布式地图的无人机视觉避障方法，其特征在于：步骤(2)中所述的距离阈值取值范围为0﹤dthred﹤5，单位米；方向矢量夹角阈值取值范围为0﹤θthred﹤40，单位度。
4.根据权利要求1所述的基于分布式地图的无人机视觉避障方法，其特征在于：步骤(3)中所述的计算RGB图中像素点对应的点云在当前相机坐标系下的三维坐标数据，包括以下过程：
(31)对于RGB图中像素坐标为(u,v)T的像素点，首先从深度图中得到该像素点的深度值du,v；
(32)分别计算该像素点对应的点云在当前相机坐标系下的x、y、z坐标，计算方法为xu,v＝(u-cx)/fx*du,v，yu,v＝(v-cy)/fy*du,v，zu,v＝du,v，其中fx为相机的焦距水平分量，fy为相机的焦距垂直分量，cx为相机的像素坐标水平中心偏移,cy为相机的像素坐标垂直中心偏移；
(33)该像素点对应的点云在当前相机坐标系下的三维坐标为：
Figure FDA0001794050050000021
5.根据权利要求1所述的基于分布式地图的无人机视觉避障方法，其特征在于：步骤(4)中所述的点云三维坐标数据的优化包括以下过程：
(41)计算新的点云图在世界坐标系下的三维坐标
Figure FDA0001794050050000023
计算方式为：
Figure FDA0001794050050000024
其中Twc为依据当前无人机的位姿x得到的从相机坐标系到世界坐标系的转换矩阵；
(42)优化当前无人机的位姿x，使得点云的三维坐标残差最小，即
Figure 1
其中参与优化计算的点云为该区域以前的点云图与新点云图重叠的部分数据，从而得到优化后的无人机当前位姿x以及该位姿所对应的世界坐标系下的新点云图的三维坐标。
6.根据权利要求1所述的基于分布式地图的无人机视觉避障方法，其特征在于：步骤(6)包括以下过程：
(61)将环境地图转换为占据栅格地图，起初全部栅格数据初始化为0，存储新的环境地图时，新的点云对应的栅格数据置为1，因此通过判断栅格的存储数据是否为1来识别障碍物，为1代表该栅格处对应的空间中有障碍物，为0则代表该栅格没有被物体占据；
(62)计算航路的威胁代价和电力消耗代价：选取相邻两个航点i和j，ωt(i,j)为从节点i到节点j航路的威胁代价，ωt(i,j)＝1/dgrid-1/D，其中dgrid为无人机到最近存在障碍物的栅格中心的距离，D为安全阈值距离；ωf(i,j)为从节点i到节点j的电力消耗代价，ωf(i,j)＝l(i,j)，式中l(i,j)是节点i到节点j的距离；
(63)通过A*算法规划飞行路径：考虑航路的威胁代价和电力消耗代价，选取相邻两个航点i和j的代价计算函数为Iij＝Kωt(i,j)+(1-K)ωf(i,j)，其中K为经验系数，通过A*算法规划出最优飞行路径S,k1,k2,...,kn-1,kn,kn+1,...,km,E，其中S是无人机的起飞点，E是无人机的目的地，kn是当前节点即无人机当前的状态，每个节点ki包含无人机的位姿信息
Figure FDA0001794050050000031
7.根据权利要求6所述的基于分布式地图的无人机视觉避障方法，其特征在于：步骤(63)中所述的经验系数K的取值范围为0.4～0.5。
CN201811049054.1A 2018-09-10 2018-09-10 基于分布式地图的无人机视觉避障方法 Active CN109358638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811049054.1A CN109358638B (zh) 2018-09-10 2018-09-10 基于分布式地图的无人机视觉避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811049054.1A CN109358638B (zh) 2018-09-10 2018-09-10 基于分布式地图的无人机视觉避障方法

Publications (2)

Publication Number Publication Date
CN109358638A CN109358638A (zh) 2019-02-19
CN109358638B true CN109358638B (zh) 2021-07-27

Family

ID=65350557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811049054.1A Active CN109358638B (zh) 2018-09-10 2018-09-10 基于分布式地图的无人机视觉避障方法

Country Status (1)

Country Link
CN (1) CN109358638B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978947B (zh) * 2019-03-21 2021-08-17 广州极飞科技股份有限公司 一种监控无人机的方法、装置、设备和存储介质
CN110018691B (zh) * 2019-04-19 2022-04-15 天津大学 小型多旋翼无人机飞行状态估计系统和方法
CN111854769B (zh) * 2019-04-25 2022-07-22 北京嘀嘀无限科技发展有限公司 位姿数据处理方法、装置、地图生成设备和存储介质
US11249197B2 (en) * 2019-05-03 2022-02-15 Apple Inc. Image-based techniques for stabilizing positioning estimates
CN110262568B (zh) * 2019-07-19 2021-10-22 深圳市道通智能航空技术股份有限公司 一种基于目标跟踪的无人机避障方法、装置及无人机
CN110687919B (zh) * 2019-10-21 2021-06-04 同济大学 一种面向水电站输水管道巡检的无人机自主飞行控制方法
CN110782506B (zh) * 2019-11-21 2021-04-20 大连理工大学 一种利用红外相机和深度相机融合构建栅格地图的方法
CN111638727B (zh) * 2020-05-29 2022-09-23 西北工业大学 一种基于深度图像的多旋翼飞行器安全导航控制方法
CN112132144B (zh) * 2020-07-31 2021-08-03 北京航空航天大学 一种基于遥感图像的无人机航线撞地风险评估方法
CN112287056A (zh) * 2020-11-04 2021-01-29 北京蒙泰华奥国际贸易有限公司 航管可视化方法、装置、电子设备及存储介质
CN112965531A (zh) * 2021-03-04 2021-06-15 中国矿业大学 一种用于煤矿采空区无人探测的微小型飞行器及其方法
CN112987754B (zh) * 2021-04-14 2021-09-24 北京三快在线科技有限公司 一种无人设备的控制方法、装置、存储介质及电子设备
CN113310493B (zh) * 2021-05-28 2022-08-05 广东工业大学 一种基于事件触发机制的无人机实时导航方法
WO2023184487A1 (zh) * 2022-04-01 2023-10-05 深圳市大疆创新科技有限公司 无人机避障方法、装置、无人机、遥控设备和存储介质
CN117148870B (zh) * 2023-10-31 2024-03-05 江西五十铃汽车有限公司 一种基于无人机技术的汽车救援方法及系统
CN118392195A (zh) * 2024-07-01 2024-07-26 天津攸信智能科技有限公司 一种基于改进3dvfh算法的无人机路径数据规划方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104236548B (zh) * 2014-09-12 2017-04-05 清华大学 一种微型无人机室内自主导航方法
CN106125730B (zh) * 2016-07-10 2019-04-30 北京工业大学 一种基于鼠脑海马空间细胞的机器人导航地图构建方法
EP3306344A1 (en) * 2016-10-07 2018-04-11 Leica Geosystems AG Flying sensor
CN106441308B (zh) * 2016-11-10 2019-11-29 沈阳航空航天大学 一种基于自适应权重鸽群算法的无人机航路规划方法
CN107608372B (zh) * 2017-08-14 2020-12-04 广西师范大学 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法
CN207249489U (zh) * 2017-08-31 2018-04-17 西南交通大学 一种无人机与机器人空中联动作业平台
CN108303099B (zh) * 2018-06-14 2018-09-28 江苏中科院智能科学技术应用研究院 基于三维视觉slam的无人机室内自主导航方法

Also Published As

Publication number Publication date
CN109358638A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109358638B (zh) 基于分布式地图的无人机视觉避障方法
US11932392B2 (en) Systems and methods for adjusting UAV trajectory
US11914369B2 (en) Multi-sensor environmental mapping
CN108776492B (zh) 一种基于双目相机的四轴飞行器自主避障与导航方法
Scherer et al. Flying fast and low among obstacles
Saha et al. A real-time monocular vision-based frontal obstacle detection and avoidance for low cost UAVs in GPS denied environment
CN116830057A (zh) 无人机(uav)集群控制
Váňa et al. Minimal 3d dubins path with bounded curvature and pitch angle
CN117406771B (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
Elfes et al. Air-ground robotic ensembles for cooperative applications: Concepts and preliminary results
Andert et al. Mapping and path planning in complex environments: An obstacle avoidance approach for an unmanned helicopter
Fragoso et al. Dynamically feasible motion planning for micro air vehicles using an egocylinder
Zahinos et al. Cooperative multi-uav system for surveillance and search&rescue operations over a mobile 5g node
Bailey Unmanned aerial vehicle path planning and image processing for orthoimagery and digital surface model generation
D’Amato et al. Smooth path planning for fixed-wing aircraft in 3d environment using a layered essential visibility graph
Bouzerzour et al. Robust vision-based sliding mode control for uncooperative ground target searching and tracking by quadrotor
Zhang et al. Partially-observable monocular autonomous navigation for uav through deep reinforcement learning
Cieśluk et al. Computationaly simple obstacle avoidance control law for small unmanned aerial vehicles
Respall et al. Unmanned aerial vehicle path planning for exploration mapping
Li et al. Model-Based Trajectory Planning of a Hybrid Robot for Powerline Inspection
Penin Contributions to optimal and reactive vision-based trajectory generation for a quadrotor UAV
Williams et al. Collaborating low cost micro aerial vehicles: A demonstration
Gramajo et al. Research Article An Efficient Energy Constraint Based UAV Path Planning for Search and Coverage
Wilhelm et al. Development of an Area of Interest Extended Coverage Loitering Path Planner
CN117519217A (zh) 单目视觉无人机系统及其自主避障方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant