CN110244756A - 无人机快速追踪协同避障方法 - Google Patents

Abstract

本发明涉及一种无人机快速追踪协同避障方法，包括如下步骤：1、获取无人机在t时刻的位姿信息，以及具有追踪目标的二维图像信息；2、采用快速追踪算法对相机视野中追踪目标进行快速追踪；3、通过二维激光雷达获取水平面深度信息；4、根据无人机在t时刻位姿预测其在t+1时刻期望位姿，以对目标进行轨迹预测；5、根据障碍物位置计算排斥矢量偏差值，以对障碍物进行初步规避；6、定义一个智能切换信号，基于步骤5得到的结果，优化避障策略，使无人机满足最小避障要求时触发该信号，然后按步骤4和步骤5的方法，在对追踪目标进行快速追踪的同时进行高效避障。该方法可以使无人机在快速跟踪地面目标的同时躲避空中障碍物。

Description

无人机快速追踪协同避障方法

技术领域

本发明涉及无人机导航技术领域，具体涉及一种无人机快速追踪协同避障方法。

背景技术

近年来，无人机在军事和民用领域展现出巨大的发展前景，无人机由于其出色的灵活性和可操作性而受到越来越多研究人员的关注。在众多工程师和研究学者的共同努力下，四旋翼无人机相关技术已广泛运用于各行各业，如军事侦察，农业调查，警察巡逻，物流运输，电缆检测等领域。

对动态目标的跟踪是无人机诸多任务类型中相对重要的一类运用，而路径规划是提高无人机自主性和确保飞行安全的关键技术之一。目前，对静态已知环境中路径规划问题的研究取得了较多成果。另一方面，由于复杂动态环境中存在更多的不确定因素，所以对复杂动态环境的路径规划正成为该领域的热点问题。而如何保障无人机在快速追踪目标的过程中能迅速有效的避开空中的威胁以及进行实时路径规划具有更深远的研究价值。因此，开发一种无人机快速追踪协同避障的控制系统具有相当重要的现实意义。

无人机快速追踪的关键在于要对追踪目标进行高速的检测和识别，核相关滤波器(KCF)算法相较于其他追踪算法的优势在于，可以使用离散傅立叶变换对其进行对角化，将存储和计算减少几个数量级，从而实现对目标物体的快速追踪。

常用的路径规划方法主要包括粒子群算法，RRT算法，A*算法，蚁群算法和人工势场法等。对于高速情况下地路径规划，需要寻找一种实时性好，稳定性佳，动态性能出色的算法策略来满足需要。其中，粒子群算法容易产生早熟收敛，无法应对复杂多变的环境；A*算法一般适用于静态路径规划；RRT算法和蚁群算法需要耗时较长时间去搜索路径；而人工势场法由于计算简单，实时性较好，易于实现，规划的路径较过渡平滑，在高速追踪的场景下可以较好地进行路径规划。人工势场法(Artificial Potential Field，APF)是搭建一个抽象的人工力场，使得无人机在势场内受到类似力的作用，并在其作用下运动。然而，传统的人工势场方法很容易陷入局部最优，且追踪目标的避障规划使得目标点和于无人机的平面位置距离十分接近，容易使合力发生突变，从而导致避障失败。另外，室外光照，天气变化，背景干扰等不确定因素也加大了该任务的执行难度。因此，通过单目相机和激光雷达获得地面目标和无人机周围环境信息，设计一种稳定性好，实时性高，能在复杂环境下引导无人机选择较优避障路线的避障系统是保证无人机高速追踪协同避障的关键技术难题。

发明内容

有鉴于此，本发明的目的在于提供一种无人机快速追踪协同避障方法，该方法可以使无人机在快速跟踪动态目标的同时有效躲避空中障碍物。

为实现上述目的，本发明采用如下技术方案：一种无人机快速追踪协同避障方法，包括如下步骤：

步骤1：利用多源定位模块获得无人机在t时刻的位姿信息，并通过垂直向下安置的单目视觉相机模块获取具有追踪目标的二维图像信息，无人机坐标采用东北天右手坐标系；

步骤2：采用快速追踪算法对相机视野中追踪目标进行快速追踪；

步骤3：通过搭载在无人机上方的二维激光雷达获取水平面深度信息，以获得激光扫描范围内的每个障碍物的距离信息和角度信息；

步骤4：根据无人机在t时刻位姿预测其在t+1时刻期望位姿，以对目标进行轨迹预测，提高无人机跟踪响应速度；

步骤5：根据障碍物位置计算排斥矢量偏差值，以对障碍物进行初步规避；

步骤6：定义一个智能切换信号，基于步骤5得到的结果，优化避障策略，使无人机满足最小避障要求时触发该信号，然后按步骤4和步骤5的方法，在对追踪目标进行快速追踪的同时进行高效避障。

进一步地，所述步骤1具体为：

步骤1-1：将主要由全球定位系统模块、惯性测量单元模块和高度计模块组成的多源定位模块采集到的数据进行数据融合，获得无人机在t时刻的空间三维位姿信息 其中，上标W表示世界坐标系，下标t表示时刻，下标u表示无人机当前时刻状态，表示无人机在t时刻状态下在世界坐标系中的位姿， 分别表示无人机t时刻在世界坐标系中的x轴、y轴、z轴坐标及绕z轴旋转角，[]^T表示转置；

步骤1-2：通过垂直向下安置的单目视觉相机模块获取具有追踪目标的二维图像信息，追踪目标在图像坐标系中的坐标为追踪目标在图像坐标系的高度为h^C,宽度为 w^C，将图像坐标系中的转化为无人机机体坐标系中的坐标其中，上标C表示图像坐标系，上标U表示无人机机体坐标系，下标goal表示追踪目标当前状态，下标r 表示无人机期望状态，追踪目标当前状态即为无人机期望状态，转换方程如下为：

其中，h为单目视觉相机模块CCD上的最大图像高度，w为CCD上的最大图像宽度；

步骤1-3：通过无人机的多源定位模块获得的真实高度信息h^W，无人机的焦距f，可得到无人机的期望位置偏量转换方程如下：

进一步地，所述步骤2具体为：

步骤2-1：在t时刻，在当前位置p_t附近采样，训练一个回归器来计算每个窗口的采样响应；根据当前帧的图片样本集(x_i,y_i)，将原始的问题表述为：

f(x_i)＝ω^TΦ(x_i) (5)

其中，ω是表示权重系数的列向量,x_i表示第i个样本元素，为行向量，f(x_i)表示对样本x_i的拟合结果，Φ(x_i)为非线性函数列向量，表示将样本从非线性回归求解问题转化为线性求解问题；

将求解ω转为对偶问题，其中，α_i表示ω的对偶系数；

采用最小二乘和正则项的岭回归方程为：

将上式求导并令导数为0，求解α：

α＝(K+λI)^-1y (8)

其中，α为列向量，表示α_i的集合，表示对α的极小值求解运算，||||²表示取模长运算， x表示所有样本集合的矩阵形式，x＝[x₁,x₂,…,x_n]^T的每一行表示一个向量，y是列向量，表示样本x所对应的真实值，y每个元素对应一个样本的标签，λ为用于控制系统的结构复杂性的参数，核空间的核矩阵K＝Φ(x)Φ(x)^T；

核相关滤波算法KCF中所有的训练样本是由目标样本循环位移得到，用离散傅里叶矩阵进行对角化：

其中，X是由原向量x生成的循环矩阵，F是离散傅里叶矩阵，是常量，H表示复共轭转置， n表示为方阵F的尺寸，表示进行傅里叶变换的结果，表示矩阵X通过相似变换F变换的对角化矩阵；

最终可将式子化为如下形式：

其中，核矩阵K^xx＝Φ(x)^TΦ(X)^T，K^xx是核空间的核矩阵K中的第一行，将求逆运算转换成点积运算，大大提高了计算速度；

步骤2-2：在t时刻，位置附近采样，用上述回归器判断每个采样的响应：

其中，z为待检测样本集，f(z)表示对样本z的拟合结果，K^xz＝Φ(X)Φ(z)，是K^z的第一列， K^z是测试样本和训练样本间在核空间的核矩阵，K^z＝Φ(x)Φ(z)^T，⊙表示点积；

步骤2-3：响应最强的采样作为追踪目标在t+1时刻的坐标并作为下一时刻的训练样本。

进一步地，所述步骤3具体为：

通过搭载在无人机上方的二维激光雷达获取水平面深度信息，获得激光扫描范围内的每个障碍物的距离信息和角度信息；激光分辨率为Δθ，激光从右往左开始进行周期扫描，障碍物角度公式为：

其中，是障碍物相对于无人机机体坐标系的角度，κ是障碍物系数，决定检测范围内选取的障碍物个数，S_o是激光雷达检测到障碍物的激光点，S_half是激光雷达在无人机机体坐标系中处于x轴的激光点。

进一步地，所述步骤4具体为：

步骤4-1：假设无人机在t时刻的期望速度大小等于追踪目标在t-1时刻的速度大小，根据以下公式可得：

追踪目标在t-1和t-2时刻的速度分别为：

和形成的旋转角度和方向计算公式如下：

步骤4-2：假设追踪目标在t时刻到t+1时刻仍保持与t-1时刻到t时刻相同的角度增量和方向，则可求得

步骤4-3：根据无人机t时刻的速度可求得无人机在t+1时刻期望位姿

步骤4-4：根据式(1)～(3)得到无人机的期望位置偏量因此，无人机的期望速度为：

进一步地，所述步骤5具体为：

步骤5-1：为了让无人机避开障碍物，引入斥力场的公式：

其中，η是斥力尺度因子，ρ(q_i,q_obs)表示物体和第i个障碍物之间的距离，ρ_o表示障碍物的影响半径；

斥力场的梯度为：

其中，为障碍物指向无人机的单位向量；

步骤5-2：第i个障碍物斥力的F_rep(q_i)_x和F_rep(q_i)_y分量分别为：

步骤5-3：将所有障碍物的斥力分量叠加并求得合斥力夹角为

步骤5-4：将斥力场的坐标值转换到世界坐标系下得到排斥矢量偏差值

其中，l为步长；

步骤5-5：将目标偏差值和排斥矢量偏差值扩成四维向量，即 转为同理，转为融合后得到无人机下一时刻的最终期望位姿为：

进一步地，所述步骤6具体为：

步骤6-1：给定智能切换信号s，s＝1时，进入避障模式，s＝0时进入跟随模式；当满足无人机和障碍物的距离ρ(q_i,q_obs)与无人机当前期望速度的夹角在区间内，且障碍物到无人机速度方向的距离r_ou小于给定值r_min，则无人机开始进入避障模式，信号方程如下：

则式(22)、(23)改写为：

当s＝1时，无人机进入避障模式，当s＝0，无人机进入跟随模式；

步骤6-2：设定一个动态排斥因子m，当无人机速度越快，m越大，产生的斥力偏量就越大；m的公式如下：

其中a，b，c，d为函数参数；

则式(27)改写为：

实现无人机的动态避障。

与现有技术相比，本发明具有以下有益效果：

1、本发明采用全球定位系统模块(GPS)，惯性测量单元模块(IMU)，高度计模块等多源异构传感器信息融合技术获得无人机的空间三维位姿信息，采用激光雷达获取无人机飞行平面信息，并估计出与障碍物之间的距离，相比传统测量方法精度高，效率快，位姿信息更加精确，避障速度快；

2、本发明目标追踪方法采用基于核相关滤波算法，通过循环移位矩阵和傅里叶变换大大减少计算量，实现无人机在高速飞行的场景下对目标进行快速追踪；无人机在进入避障范围时，采用的基于斥力场的优化算法使得无人机对障碍物产生排斥矢量，引导无人机在快速追踪地面目标同时躲避空中障碍物；

3、本发明对追踪目标进行了运动预测，设置了高效智能的避障模式切换信号，加入了动态排斥因子，使得追踪协同避障过程更加迅速，避障轨迹更加合理以及避障过程更加安全。

附图说明

图1是本发明实施例中采用的坐标系关系示意图。

图2是本发明实施例中采用的无人机快速检测追踪模型。

图3是本发明实施例中采用的无人机速度预测模型。

图4是本发明实施例中采用的无人机所受斥力作用说明图。

图5是本发明实施例中采用的无人机避障模式信号切换示意图。

图6是本发明实施例中采用的无人机速度和动态排斥因子示意图。

图7-图9是本发明实施例中无人机在不同运动轨迹的追踪协同避障的测试结果图。

图10是本发明实施例的方法实现流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本发明提供一种无人机快速追踪协同避障方法，如图10所示，包括如下步骤：

步骤1：利用多源定位模块获得无人机在t时刻的位姿信息，并通过垂直向下安置的单目视觉相机模块获取具有追踪目标的二维图像信息，无人机坐标采用东北天(ENU)右手坐标系；

步骤2：采用快速追踪算法对相机视野中追踪目标进行快速追踪；

步骤3：通过搭载在无人机上方的二维激光雷达获取水平面深度信息，以获得激光扫描范围内的每个障碍物的距离信息和角度信息；

步骤4：根据无人机在t时刻位姿预测其在t+1时刻期望位姿，以对目标进行轨迹预测，提高无人机跟踪响应速度；

步骤5：根据障碍物位置计算排斥矢量偏差值，以对障碍物进行初步规避；

步骤6：定义一个智能切换信号，基于步骤5得到的结果，优化避障策略，使无人机满足最小避障要求时触发该信号，然后按步骤4和步骤5的方法，在对追踪目标进行快速追踪的同时进行高效避障。

如图1所示，在本实施例中，无人机在追踪目标时存在各个坐标系之间的坐标转换。

在本实施例中，上述步骤1具体包括以下步骤：

步骤1-1：将主要由全球定位系统模块(GPS)、惯性测量单元模块(IMU)和高度计模块组成的多源定位模块采集到的数据进行数据融合，获得无人机在t时刻的空间三维位姿信息 其中，上标W表示世界坐标系，下标t表示时刻，下标u表示无人机当前时刻状态，表示无人机在t时刻状态下在世界坐标系中的位姿， 分别表示无人机t时刻在世界坐标系中的x轴、y轴、z轴坐标及绕z轴旋转角，[]^T表示转置。

步骤1-2：通过垂直向下安置的单目视觉相机模块获取具有追踪目标的二维图像信息，追踪目标在图像坐标系中的坐标为追踪目标在图像坐标系的高度为h^C,宽度为 w^C，将图像坐标系中的转化为无人机机体坐标系中的坐标其中，上标C表示图像坐标系，上标U表示无人机机体坐标系，下标goal表示追踪目标当前状态，下标r 表示无人机期望状态，追踪目标当前状态即为无人机期望状态，转换方程如下为：

其中，h为单目视觉相机模块CCD上的最大图像高度，w为CCD上的最大图像宽度。

步骤1-3：通过无人机的多源定位模块获得的真实高度信息h^W，无人机的焦距f，可得到无人机的期望位置偏量转换方程如下：

如图2所示，通过循环移位矩阵可快速对目标进行检测和识别，并预测目标在下一帧中的位置。上述步骤2中的快速检测追踪具体如下：

步骤2-1：在t时刻，在当前位置p_t附近采样，训练一个回归器来计算每个窗口的采样响应；根据当前帧的图片样本集(x_i,y_i)，将原始的问题表述为：

f(x_i)＝ω^TΦ(x_i) (5)

其中，ω是表示权重系数的列向量,x_i表示第i个样本元素，为行向量，f(x_i)表示对样本x_i的拟合结果，Φ(x_i)为非线性函数列向量，表示将样本从非线性回归求解问题转化为线性求解问题；

将求解ω转为对偶问题，其中，α_i表示ω的对偶系数。

采用最小二乘和正则项的岭回归方程为：

将上式求导并令导数为0，求解α：

α＝(K+λI)^-1y (8)

其中，α为列向量，表示α_i的集合，表示对α的极小值求解运算，|| ||²表示取模长运算， x表示所有样本集合的矩阵形式，x＝[x₁,x₂,…,x_n]^T的每一行表示一个向量，y是列向量，表示样本x所对应的真实值，y每个元素对应一个样本的标签，λ为用于控制系统的结构复杂性的参数，核空间的核矩阵K＝Φ(x)Φ(x)^T。

核相关滤波算法KCF中所有的训练样本是由目标样本循环位移得到，用离散傅里叶矩阵进行对角化：

其中，X是由原向量x生成的循环矩阵，F是离散傅里叶矩阵，是常量，H表示复共轭转置， n表示为方阵F的尺寸，表示进行傅里叶变换的结果，表示矩阵X通过相似变换F变换的对角化矩阵。

最终可将式子化为如下形式：

其中，核矩阵K^xx＝Φ(x)^TΦ(X)^T，K^xx是核空间的核矩阵K中的第一行，将求逆运算转换成点积运算，大大提高了计算速度。

步骤2-2：在t时刻，位置附近采样，用上述回归器判断每个采样的响应：

其中，z为待检测样本集，f(z)表示对样本z的拟合结果，K^xz＝Φ(X)Ф(z)，是K^z的第一列， K^z是测试样本和训练样本间在核空间的核矩阵，K^z＝Ф(x)Φ(z)^T，⊙表示点积。

步骤2-3：响应最强的采样作为追踪目标在t+1时刻的坐标并作为下一时刻的训练样本。

上述步骤3中，通过搭载在无人机上方的二维激光雷达获取水平面深度信息，获得激光扫描范围内的每个障碍物的距离信息和角度信息；激光分辨率为Δθ，激光从右往左开始进行周期扫描，障碍物角度公式为：

其中，是障碍物相对于无人机机体坐标系的角度，κ是障碍物系数，决定检测范围内选取的障碍物个数，S_o是激光雷达检测到障碍物的激光点，S_half是激光雷达在无人机机体坐标系中处于x轴的激光点。

如图3所示，上述步骤4中，根据无人机在t时刻位姿预测其在t+1时刻期望位姿的具体方法为：

步骤4-1：假设无人机在t时刻的期望速度大小等于追踪目标在t-1时刻的速度大小，根据以下公式可得：

追踪目标在t-1和t-2时刻的速度分别为：

和形成的旋转角度和方向计算公式如下：

步骤4-2：假设追踪目标在t时刻到t+1时刻仍保持与t-1时刻到t时刻相同的角度增量和方向，则可求得

步骤4-3：根据无人机t时刻的速度可求得无人机在t+1时刻期望位姿

步骤4-4：根据式(1)～(3)得到无人机的期望位置偏量因此，无人机的期望速度为：

如图4所示，上述步骤5中，无人机受到障碍物的排斥力从而在追踪目标时产生排斥矢量，其中，排斥矢量偏差值的计算方法具体如下：

步骤5-1：为了让无人机避开障碍物，引入斥力场的公式：

其中，η是斥力尺度因子，ρ(q_i,q_obs)表示物体和第i个障碍物之间的距离，ρ_o表示障碍物的影响半径。

斥力场的梯度为：

其中，为障碍物指向无人机的单位向量。

步骤5-2：第i个障碍物斥力的F_rep(q_i)_x和F_rep(q_i)_y分量分别为：

步骤5-3：将所有障碍物的斥力分量叠加并求得合斥力夹角为

步骤5-4：将斥力场的坐标值转换到世界坐标系下得到排斥矢量偏差值

其中，l为步长。

步骤5-5：将目标偏差值和排斥矢量偏差值扩成四维向量，即 转为同理，转为融合后得到无人机下一时刻的最终期望位姿为：

如图5所示，上述步骤6中，无人机避障模式信号切换的具体方法如下：

步骤6-1：由式(23)可知，当物体和障碍物之间的距离ρ(q_i,q_obs)小于障碍物的影响半径ρ_o时，无人机开始智能切换为跟随协同避障模式，若以此作为判断条件，无人机在避障时将出现不必要的路径规划和陷入局部最小。为此，给定智能切换信号s，s＝1时，进入避障模式，s＝0时进入跟随模式。当满足无人机和障碍物的距离ρ(q_i,q_obs)与无人机当前期望速度的夹角在区间内，且障碍物到无人机速度方向的距离r_ou小于给定值r_min，则无人机开始进入避障模式，信号方程如下：

则式(22)、(23)改写为：

当s＝1时，无人机进入避障模式，当s＝0，无人机进入跟随模式。

步骤6-2：当目标速度过快时，无人机有可能因为来不及减速和变向而出现避障失败的情况，此时，设定一个动态排斥因子m，当无人机速度越快，m越大，产生的斥力偏量就越大。 m的公式如下：

其中a，b，c，d为函数参数。

则式(27)改写为：

实现无人机的动态避障。

以下用一个具体的应用实例对本发明的操作进行详细说明，本发明的无人机快速追踪协同避障方法主要从不同的跟踪轨迹中避障来体现其有效性。具体设置如下：

①无人机在追踪过程中的目标运动轨迹分别由y＝5cos(x)/x+6、y＝12(e^{tanh (-0.6/x)}- e^tanh(-1/0))+3以及y＝4(e^tanh(-0.6/x)cos(x+1))+6得到。

②在排斥矢量的参数设置中，障碍物的影响半径ρ_o＝5m，步长l＝0.3m，信号切换方程中的碰撞最小半径r_min＝0.5m，动态排斥因子m的三个参数分别为a＝4,b＝2,c＝e^-1,d＝1。

③如图7-图9所示，给出无人机在不同追踪路径下的避障效果图，从图中可以看出，无人机在障碍物的斥力作用范围内，均能飞往无障碍一侧进行避障，在无障碍物斥力场作用范围内，无人机紧跟目标的运动轨迹，以上三个实例均能说明本发明的合理性和有效性。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种无人机快速追踪协同避障方法，其特征在于，包括如下步骤：

步骤1：利用多源定位模块获得无人机在t时刻的位姿信息，并通过垂直向下安置的单目视觉相机模块获取具有追踪目标的二维图像信息，无人机坐标采用东北天右手坐标系；

步骤2：采用快速追踪算法对相机视野中追踪目标进行快速追踪；

步骤3：通过搭载在无人机上方的二维激光雷达获取水平面深度信息，以获得激光扫描范围内的每个障碍物的距离信息和角度信息；

步骤4：根据无人机在t时刻位姿预测其在t+1时刻期望位姿，以对目标进行轨迹预测，提高无人机跟踪响应速度；

步骤5：根据障碍物位置计算排斥矢量偏差值，以对障碍物进行初步规避；

步骤6：定义一个智能切换信号，基于步骤5得到的结果，优化避障策略，使无人机满足最小避障要求时触发该信号，然后按步骤4和步骤5的方法，在对追踪目标进行快速追踪的同时进行高效避障。

2.根据权利要求1所述的无人机快速追踪协同避障方法，其特征在于，所述步骤1具体为：

步骤1-1：将主要由全球定位系统模块、惯性测量单元模块和高度计模块组成的多源定位模块采集到的数据进行数据融合，获得无人机在t时刻的空间三维位姿信息 其中，上标W表示世界坐标系，下标t表示时刻，下标u表示无人机当前时刻状态，表示无人机在t时刻状态下在世界坐标系中的位姿， 分别表示无人机t时刻在世界坐标系中的x轴、y轴、z轴坐标及绕z轴旋转角，[]^T表示转置；

步骤1-2：通过垂直向下安置的单目视觉相机模块获取具有追踪目标的二维图像信息，追踪目标在图像坐标系中的坐标为追踪目标在图像坐标系的高度为h^C，宽度为w^C，将图像坐标系中的转化为无人机机体坐标系中的坐标其中，上标C表示图像坐标系，上标U表示无人机机体坐标系，下标goal表示追踪目标当前状态，下标r表示无人机期望状态，追踪目标当前状态即为无人机期望状态，转换方程如下为：

其中，h为单目视觉相机模块CCD上的最大图像高度，w为CCD上的最大图像宽度；

步骤1-3：通过无人机的多源定位模块获得的真实高度信息h^W，无人机的焦距f，可得到无人机的期望位置偏量转换方程如下：

3.根据权利要求2所述的无人机快速追踪协同避障方法，其特征在于，所述步骤2具体为：

步骤2-1：在t时刻，在当前位置p_t附近采样，训练一个回归器来计算每个窗口的采样响应；根据当前帧的图片样本集(x_i,y_i)，将原始的问题表述为：

f(x_i)＝ω^TΦ(x_i) (5)

其中，ω是表示权重系数的列向量，x_i表示第i个样本元素，为行向量，f(x_i)表示对样本x_i的拟合结果，Φ(x_i)为非线性函数列向量，表示将样本从非线性回归求解问题转化为线性求解问题；

将求解ω转为对偶问题，其中，α_i表示ω的对偶系数；

采用最小二乘和正则项的岭回归方程为：

将上式求导并令导数为0，求解α：

α＝(K+λI)^-1y (8)

其中，α为列向量，表示α_i的集合，表示对α的极小值求解运算，|| ||²表示取模长运算，x表示所有样本集合的矩阵形式，x＝[x₁,x₂,…,x_n]^T的每一行表示一个向量，y是列向量，表示样本x所对应的真实值，y每个元素对应一个样本的标签，λ为用于控制系统的结构复杂性的参数，核空间的核矩阵K＝Φ(x)Φ(x)^T；

核相关滤波算法KCF中所有的训练样本是由目标样本循环位移得到，用离散傅里叶矩阵进行对角化：

其中，X是由原向量x生成的循环矩阵，F是离散傅里叶矩阵，是常量，H表示复共轭转置，n表示为方阵F的尺寸，表示进行傅里叶变换的结果，表示矩阵X通过相似变换F变换的对角化矩阵；

最终可将式子化为如下形式：

其中，核矩阵K^xx＝Φ(x)^TΦ(X)^T，K^xx是核空间的核矩阵K中的第一行，将求逆运算转换成点积运算，大大提高了计算速度；

步骤2-2：在t时刻，位置附近采样，用上述回归器判断每个采样的响应：

其中，z为待检测样本集，f(z)表示对样本z的拟合结果，K^xz＝Φ(X)Φ(z)，是K^z的第一列，K^z是测试样本和训练样本间在核空间的核矩阵，K^z＝Φ(x)Φ(z)^T，⊙表示点积；

步骤2-3：响应最强的采样作为追踪目标在t+1时刻的坐标并作为下一时刻的训练样本。

4.根据权利要求3所述的无人机快速追踪协同避障方法，其特征在于，所述步骤3具体为：

通过搭载在无人机上方的二维激光雷达获取水平面深度信息，获得激光扫描范围内的每个障碍物的距离信息和角度信息；激光分辨率为Δθ，激光从右往左开始进行周期扫描，障碍物角度公式为：

其中，是障碍物相对于无人机机体坐标系的角度，κ是障碍物系数，决定检测范围内选取的障碍物个数，S_o是激光雷达检测到障碍物的激光点，S_half是激光雷达在无人机机体坐标系中处于x轴的激光点。

5.根据权利要求4所述的无人机快速追踪协同避障方法，其特征在于，所述步骤4具体为：

步骤4-1：假设无人机在t时刻的期望速度大小等于追踪目标在t-1时刻的速度大小，根据以下公式可得：

追踪目标在t-1和t-2时刻的速度分别为：

和形成的旋转角度和方向计算公式如下：

步骤4-2：假设追踪目标在t时刻到t+1时刻仍保持与t-1时刻到t时刻相同的角度增量和方向，则可求得

步骤4-3：根据无人机t时刻的速度可求得无人机在t+1时刻期望位姿

步骤4-4：根据式(1)～(3)得到无人机的期望位置偏量因此，无人机的期望速度为：

6.根据权利要求5所述的无人机快速追踪协同避障方法，其特征在于，所述步骤5具体为：

步骤5-1：为了让无人机避开障碍物，引入斥力场的公式：

其中，η是斥力尺度因子，ρ(q_i,q_obs)表示物体和第i个障碍物之间的距离，ρ_o表示障碍物的影响半径；

斥力场的梯度为：

其中，为障碍物指向无人机的单位向量；

步骤5-2：第i个障碍物斥力的F_rep(q_i)_x和F_rep(q_i)_y分量分别为：

步骤5-3：将所有障碍物的斥力分量叠加并求得合斥力夹角为

步骤5-4：将斥力场的坐标值转换到世界坐标系下得到排斥矢量偏差值

其中，l为步长；

步骤5-5：将目标偏差值和排斥矢量偏差值扩成四维向量，即 转为同理，转为融合后得到无人机下一时刻的最终期望位姿为：

7.根据权利要求6所述的无人机快速追踪协同避障方法，其特征在于，所述步骤6具体为：

步骤6-1：给定智能切换信号s，s＝1时，进入避障模式，s＝0时进入跟随模式；当满足无人机和障碍物的距离ρ(q_i,q_obs)与无人机当前期望速度的夹角在区间内，且障碍物到无人机速度方向的距离r_ou小于给定值r_min，则无人机开始进入避障模式，信号方程如下：

则式(22)、(23)改写为：

当s＝1时，无人机进入避障模式，当s＝0，无人机进入跟随模式；

步骤6-2：设定一个动态排斥因子m，当无人机速度越快，m越大，产生的斥力偏量就越大；m的公式如下：

其中a，b，c，d为函数参数；

则式(27)改写为：

实现无人机的动态避障。