CN110632941B - 一种复杂环境下无人机目标跟踪的轨迹生成方法 - Google Patents
一种复杂环境下无人机目标跟踪的轨迹生成方法 Download PDFInfo
- Publication number
- CN110632941B CN110632941B CN201910908599.1A CN201910908599A CN110632941B CN 110632941 B CN110632941 B CN 110632941B CN 201910908599 A CN201910908599 A CN 201910908599A CN 110632941 B CN110632941 B CN 110632941B
- Authority
- CN
- China
- Prior art keywords
- target
- constraint
- polynomial
- aerial vehicle
- unmanned aerial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000033001 locomotion Effects 0.000 claims abstract description 70
- 238000005265 energy consumption Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 4
- 230000036461 convulsion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- NGHVIOIJCVXTGV-ALEPSDHESA-N 6-aminopenicillanic acid Chemical compound [O-]C(=O)[C@H]1C(C)(C)S[C@@H]2[C@H]([NH3+])C(=O)N21 NGHVIOIJCVXTGV-ALEPSDHESA-N 0.000 description 1
- 229920001612 Hydroxyethyl starch Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940064366 hespan Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G05D1/0094—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots involving pointing a payload, e.g. camera, weapon, sensor, towards a fixed or moving target
-
- 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
本发明公开了一种复杂环境下无人机目标跟踪的轨迹生成方法,涉及无人机运动规划及目标跟踪技术领域,能够实现复杂环境下无人机对运动目标的安全、实时的跟踪。分段建立无人机运动轨迹多项式以及目标运动轨迹多项式。采用云台相机实时观测获取目标的三维位置信息,通过拟合的方式对目标在未来时域内的运动轨迹进行预测。生成无人机安全飞行通道。建立轨迹生成的目标函数,目标函数为位置约束、速度约束以及能耗约束的加权求和函数;为目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,并将目标函数转化为凸优化问题。采用凸优化求解器求解凸优化问题,生成多项式飞行轨迹发送至无人机的飞行控制器,完成飞行轨迹跟踪。
Description
技术领域
本发明涉及无人机运动规划及目标跟踪技术领域,具体涉及一种复杂环境下无人机目标跟踪的轨迹生成方法。
背景技术
目标跟踪作为一种基本任务形式,广泛出现于各类军用与民用领域。主要的应用情景有军用方面的边防巡逻、海关缉私、目标追捕、搜索营救等,以及民用领域的运动航拍、电力巡线等。目标跟踪的主要任务内容是在识别目标的前提下,持续观测目标的位置和速度变化,并随着目标的移动而进行自身平台的运动状态调整,以保证对目标的长时间不间断状态监测。
在实际应用场景中,不定向跟踪应用最为广泛。在不定向跟踪过程中,无人机与目标维持在设定距离(可使目标在图像中的尺度保持不变),通过云台相机进行目标搜索、识别和图像跟踪,通过控制云台相机,使目标保持在图像中心。无刷云台相机系统相比较于静态相机系统可提高物体捕捉能力与跟踪能力。如果目标突然偏离图像中心,摄像机有足够的调整空间使目标重新位于图像中心,最大程度地避免目标丢失。
关于无人机或其他移动机器人执行这些任务的研究已经有了很多,(J.Thomas,J.Welde,G.Loianno,K.Daniilidis and V.Kumar.Autonomous Flight for Detection,Localization,and Tracking of Moving Targets With a Small Quadrotor,IEEERobotics and Automation Letters,vol.2,no.3,pp.1762-1769,July 2017.)和(D.Zheng,H.Wang,W.Chen and Y.Wang.Planning and Tracking in Image Space forImage-Based Visual Servoing of a Quadrotor,IEEE Transactions on IndustrialElectronics,vol.65,no.4,pp.3376-3385,April 2018.)针对一般室内环境下的运动目标跟踪进行了研究,文献(M.Mueller,G.Sharma,N.Smith and B.Ghanem.Persistent AerialTracking system for UAVs,2016IEEE International Conference on IntelligentRobots and Systems(IROS),Daejeon,2016,pp.1562-1569.)进行了室外环境下的运动目标跟踪研究,但是其研究环境较为理想,没有树木或其它障碍物。文献(Y.Liu,Q.Wang,H.Huand Y.He.A Novel Real-Time Moving Target Tracking and Path Planning Systemfor a Quadrotor UAV in Unknown Unstructured Outdoor Scenes,IEEE Transactionson Systems,Man,and Cybernetics:Systems.)研究了四旋翼在复杂树林环境下跟踪运动目标的问题。其利用深度学习方法进行目标识别、分类与图像跟踪,但是项目只考虑了目标的位置信息与路径生成问题,没有考虑运动目标的状态(位置、速度等)预测以及动态环境中的无人机轨迹生成中的动态约束、能耗等问题,这对于复杂环境中无人机对于机动目标的长时跟踪是不够的。
在文献(S.A.P.Quintero and J.P.Hespanha.Vision-based target trackingwith a small UAV:Optimization-based control strategies,Control Eng.Pract.,vol.32,pp.28:42,Nov.2014.)中,一架装备有全角度云台相机的小型无人机完成了在没有树木或其他障碍物阻碍的结构化道路上行驶的不可预测的移动地面车辆的跟踪任务。文献(A.Giusti et al.A Machine Learning Approach to Visual Perception of ForestTrails for Mobile Robots,IEEE Robotics and Automation Letters,vol.1,no.2,pp.661-667,July 2016.)创新性地介绍了一个基于深度学习的无人机在复杂森林环境中的飞行演示,通过先验数据集的训练,使四旋翼无人机真实飞行过程中通过自主决策完成森林环境中的道路找寻与自主飞行。但由于森林中已有的道路宽度足够四旋翼进行飞行,因此本工作只针对无人机对已有路径的跟踪进行了研究,而对飞行过程中的避障问题没有进行研究。文献(B.Penin,P.R.Giordano and F.Chaumette.Vision-Based ReactivePlanning for Aggressive Target Tracking While Avoiding Collisions andOcclusions,IEEE Robotics and Automation Letters,vol.3,no.4,pp.3725-3732,Oct.2018.)提出了一种基于运动规划的方法来跟踪机动目标,同时避免碰撞和遮挡,但它需要对环境和目标模型有完整的先验知识,在大多数实际应用场景中,所有这些需求都是有限制的。
典型的复杂环境中,在对未来运动状态未知的机动目标跟踪过程中,需要对不断变化的目标运动状态和实时在线检测到的障碍物做出积极的反应,在可能存在威胁的情况下保证飞行安全与跟踪性能。首先,由于相机的测量噪声和障碍物遮挡,跟踪时必须对目标的运动状态进行估计和预测。为了提高目标短暂地离开视场时对遮挡和潜在故障的鲁棒性,需要对跟踪目标的运动状态进行估计并进行运动状态传递。
因此目前亟需一种能够应用于复杂环境下对目标进行实时跟踪的无人机飞行轨迹生成方法。
发明内容
有鉴于此,本发明提供了一种复杂环境下无人机目标跟踪的轨迹生成方法,能够在复杂环境下综合考虑安全性、实时性等问题,实现无人机对运动目标的安全、实时的跟踪。
为达到上述目的,本发明的技术方案采用由激光雷达、机载计算机、云台相机以及无人机组成的系统进行目标跟踪,包括如下步骤:
分段建立无人机运动轨迹多项式以及目标运动轨迹多项式。
采用云台相机实时观测获取目标的三维位置信息,依据目标在设定时间段内的三维位置信息,通过拟合的方式对目标在未来时域内的运动轨迹进行预测。
机载计算机和激光雷达进行环境感知,建立环境八叉树地图,并利用A*路径搜索算法在环境八叉树地图中进行搜索得到一条安全路径,利用欧式距离场与膨胀方法生成无人机安全飞行通道。
建立轨迹生成的目标函数,目标函数为位置约束、速度约束以及能耗约束的加权求和函数;为目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,并将目标函数转化为凸优化问题。
位置约束为无人机与目标之间的相对距离等于设定的距离阈值。
速度约束为无人机与目标之间的相对速度最小化。
能耗约束为无人机运动轨迹的能耗最小化。
几何约束为无人机安全飞行通道约束。
动态约束为目标的速度约束、加速度约束以及加加速度约束。
采用凸优化求解器求解凸优化问题,生成多项式飞行轨迹发送至无人机的飞行控制器,完成飞行轨迹跟踪。
进一步地,分段建立无人机运动轨迹多项式以及目标运动轨迹多项式具体为:
将无人机的飞行时间进行分段,对于第i段,建立如下无人机运动轨迹多项式:
fμi(t)=a0i+a1it+a2it2+…+anitn=q(t)Aμi
其中fμi(t)为第μ∈x,y,z维的第i段的无人机运动轨迹多项式;μ用于指代世界坐标系的xyz轴,x,y,z为世界坐标系的xyz轴。
a0i a1i a2i … ani分别为第i段的无人机运动轨迹多项式的各项系数。
tn为t的n阶导数。
q(t)为关于时间t的基向量q(t)=[1 t t2 … tn]。
对于第i段,建立如下目标运动轨迹多项式:
Tμi(t)=b0i+b1it+b2it2+…+bnitn=q(t)Bμi
Tμi(t)为第μ∈x,y,z维第i段的目标运动轨迹多项式。
b0i b1i b2i … bni分别为第i段的目标运动轨迹多项式的各项系数。
进一步地,实时观测获取目标的三维位置信息,依据目标在设定时间段内的三维位置信息,通过拟合的方式对目标在未来时域内的运动轨迹进行预测。
具体为
云台相机实时采集目标图像并输出;选取一个时间段内所有时刻对应的目标图像,机载计算机对所选取的目标图像进行目标识别处理以及图像定位,获取目标的三维位置信息;
依据所选取的时间段内所有时刻下目标的三维位置信息,利用多项式拟合公式解算目标运动轨迹多项式的系数矩阵;
所述多项式拟合公式为最小二乘拟合公式和正则项的组合,具体为:
其中为最小二乘拟合公式,σBui TBui为正则项,所选取的时间段为[tl,t0],tl为始时间,t0为结束时间;pk表示在时间t∈[tl,t0]区间内目标的第k个三维位置信息,共L个;Tui(tk)为根据pk得到的目标运动轨迹多项式在tk时刻的三维位置信息;σ为设置的权值;Bμi为待解算的目标运动轨迹多项式的系数矩阵,
进一步地,利用欧式距离场与膨胀方法生成无人机安全飞行通道,具体为:
安全路径由路径节点组成。
利用欧氏距离场方法得到与路径节点距离最近的障碍物,以路径节点为球心,以对应距离最近的障碍物与路径节点的距离为半径,生成初始化球体和初始化球体的内切立方体,对内切立方体进行膨胀,直到碰到距离最近的障碍物,得到凸立方体,所有路径节点对应的凸立方体共同组成安全飞行通道。
进一步地,建立轨迹生成的目标函数,目标函数为位置约束、速度约束以及能耗约束的加权求和函数;为目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,建立凸优化问题;
具体为:
目标函数为:
其中,
J1为位置约束目标函数,J2为速度约束目标函数,J3为能耗约束目标函数。
λ1为位置约束的权值,λ2为速度约束的权值,λ3为能耗约束的权值。
uμi为转换成二次型形式后的位置约束目标函数的系数矩阵,Cμi为转换成二次型形式后的速度约束目标函数的系数矩阵,Aμi为转换成二次型形式后的能耗约束目标函数的系数矩阵。
Q1为转换成二次型形式后的位置约束目标函数的海塞矩阵,Q2为转换成二次型形式后的速度约束目标函数的海塞矩阵,Q3为转换成二次型形式后的能耗约束目标函数的海塞矩阵。
q(t)为关于时间t的基向量,q(1)(t)为q(t)的一阶导数,q(3)(t)为q(t)的三阶导数。
Tμi(t)为目标的运动轨迹多项式;fμi(t)为无人机运动轨迹多项式;fμi (1)(t)和Tμi (1)(t)分别无人机和目标的移动速度,fμi (2)(t)表示无人机轨迹的加速度。
为目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,得到最终的目标函数:
min J
s.t.fμi(t)∈Dcorridor
其中,s.t.fμi(t)∈Dcorridor为安全约束,Dcorridor为安全飞行通道。
将最终的目标函数转化为凸优化问题:
Q表示最终的目标函数的海塞矩阵;Mμi为最终的目标函数的系数矩阵。
凸优化问题中的约束项转化为:
AeqMμi=beq
AieMμi≤bie
有益效果:
本发明提供的一种复杂环境下无人机目标跟踪的轨迹生成方法,结合可进行俯仰和偏航方向运动的云台相机,提高机动目标的跟踪能力。通过机载计算机(NUC)处理激光雷达数据进行环境感知与建图,并在建立的地图中生成无人机安全飞行通道(Safe FlightCorridor)作为轨迹生成问题的几何约束,将无人机跟踪过程中的轨迹生成转化为凸优化求解问题,并考虑复杂环境中无人机飞行轨迹的安全性,降低无人机跟踪轨迹生成的计算量和计算时间,保证跟踪轨迹生成的实时性。
附图说明
图1为本发明提供的一种复杂环境下无人机目标跟踪的轨迹生成方法流程图
图2为复杂环境无人机目标跟踪示意图;
图3为复杂环境无人机目标跟踪硬件示意图;
图4为复杂环境无人机目标跟踪流程图;
图5为安全立方体生成二维示意图;
图6为安全飞行通道生成原理二维示意图;
图7为跟踪二维示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种复杂环境下无人机目标跟踪的轨迹生成方法,其流程如图1所示。
该方法采用由激光雷达、机载计算机、云台相机以及无人机组成的系统进行目标跟踪,具体环境如图2所示,系统硬件组成如图3所示,如图云台相机还具有云台跟踪控制器,方法与硬件的结合如图4所示。
具体地,本方法包括如下步骤:
S1、无人机与目标运动轨迹公式化。
分段建立无人机运动轨迹多项式以及目标运动轨迹多项式;具体为:
将无人机的飞行时间进行分段,对于第i段,建立如下无人机运动轨迹多项式:
fμi(t)=a0i+a1it+a2it2+…+anitn=q(t)Aμi
其中fμi(t)为第μ∈x,y,z维的第i段的无人机运动轨迹多项式;μ用于指代世界坐标系的xyz轴,x,y,z为世界坐标系的xyz轴,如图2中坐标系所示。
a0i a1i a2i … ani分别为第i段的无人机运动轨迹多项式的各项系数。
tn为t的n阶导数(阶数一般为5-8阶)。
q(t)为关于时间t的基向量q(t)=[1 t t2 … tn]。
对于第i段,建立如下目标运动轨迹多项式:
Tμi(t)=b0i+b1it+b2it2+…+bnitn=q(t)Bμi
Tμi(t)为第μ∈x,y,z维第i段的目标运动轨迹多项式。
b0i b1i b2i … bni分别为第i段的目标运动轨迹多项式的各项系数。
S2、目标运动轨迹预测。
采用云台相机实时观测获取目标的三维位置信息,依据目标在设定时间段内的三维位置信息,通过拟合的方式对目标在未来时域内的运动轨迹进行预测。
该步骤具体为
云台相机实时采集目标图像并输出;选取一个时间段内所有时刻对应的目标图像,机载计算机对所选取的目标图像进行目标识别处理以及图像定位,获取目标的三维位置信息;
依据所选取的时间段内所有时刻下目标的三维位置信息,利用多项式拟合公式解算目标运动轨迹多项式的系数矩阵。
多项式拟合公式为最小二乘拟合公式和正则项的组合,具体为:
其中为最小二乘拟合公式,σBui TBui为正则项,所选取的时间段为[tl,t0],tl为始时间,t0为结束时间;pk表示在时间t∈[tl,t0]区间内目标的第k个三维位置信息,共L个;Tui(tk)为根据pk得到的目标运动轨迹多项式在tk时刻的三维位置信息;σ为设置的权值;Bμi为待解算的目标运动轨迹多项式的系数矩阵,
通过S2中,对目标在未来时域内的位置进行预测之后,可以获得每个时刻目标所处的具体三维位置信息,而要进行轨迹生成还需执行如下步骤S3~S5:
S3、安全通道生成。
机载计算机和激光雷达进行环境感知,建立环境八叉树地图,并利用A*路径搜索算法在环境八叉树地图中进行搜索得到一条安全路径,利用欧式距离场与膨胀方法生成无人机安全飞行通道。
该步骤具体为:
安全路径由路径节点组成;
利用欧氏距离场方法得到与路径节点距离最近的障碍物,以路径节点为球心,以对应距离最近的障碍物与路径节点的距离为半径,生成初始化球体和初始化球体的内切立方体,对内切立方体进行膨胀,直到碰到距离最近的障碍物,如图5所示,得到凸立方体,所有路径节点对应的凸立方体共同组成安全飞行通道,如图6所示。
S4、基于凸优化的目标轨迹生成。
建立轨迹生成的目标函数,目标函数为位置约束、速度约束以及能耗约束的加权求和函数;为目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,并将目标函数转化为凸优化问题。
位置约束为无人机与目标之间的相对距离等于设定的距离阈值。
速度约束为无人机与目标之间的相对速度最小化。
能耗约束为无人机运动轨迹的能耗最小化。
几何约束为无人机安全飞行通道约束。
动态约束为目标的速度约束、加速度约束以及加加速度约束。
所建立的凸优化问题具体为:
目标函数为:
其中,
J1为位置约束目标函数,J2为速度约束目标函数,J3为能耗约束目标函数。
λ1为位置约束的权值,λ2为速度约束的权值,λ3为能耗约束的权值。
uμi为转换成二次型形式后的位置约束目标函数的系数矩阵,Cμi为转换成二次型形式后的速度约束目标函数的系数矩阵,Aμi为转换成二次型形式后的能耗约束目标函数的系数矩阵。
Q1为转换成二次型形式后的位置约束目标函数的海塞矩阵,Q2为转换成二次型形式后的速度约束目标函数的海塞矩阵,Q3为转换成二次型形式后的能耗约束目标函数的海塞矩阵。
q(t)为关于时间t的基向量,q(1)(t)为q(t)的一阶导数,q(3)(t)为q(t)的三阶导数。
Tμi(t)为目标的运动轨迹多项式;fμi(t)为无人机运动轨迹多项式;fμi (1)(t)和Tμi (1)(t)分别无人机和目标的移动速度,fμi (2)(t)表示无人机轨迹的加速度。
为目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,得到最终的目标函数:
min J
s.t.fμi(t)∈Dcorridor
其中,s.t.fμi(t)∈Dcorridor为安全约束,Dcorridor为安全飞行通道。
将最终的目标函数转化为凸优化问题:
Q表示最终的目标函数的海塞矩阵;Mμi为最终的目标函数的系数矩阵。
凸优化问题中的约束项转化为:
AeqMμi=beq
AieMμi≤bie
S5、采用凸优化求解器求解凸优化问题,生成多项式飞行轨迹发送至无人机的飞行控制器,完成飞行轨迹跟踪。通过借助高效的凸优化解算器可求解得到无人机的飞行轨迹,同时能够保证系统工作的实时性,如图7所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种复杂环境下无人机目标跟踪的轨迹生成方法,其特征在于,采用由激光雷达、机载计算机、云台相机以及无人机组成的系统进行目标跟踪,包括如下步骤:
分段建立无人机运动轨迹多项式以及目标运动轨迹多项式;具体为:
将无人机的飞行时间进行分段,对于第i段,建立如下无人机运动轨迹多项式:
fμi(t)=a0i+a1it+a2it2+…+anitn=q(t)Aμi
其中fμi(t)为第μ∈x,y,z维的第i段的无人机运动轨迹多项式;μ用于指代世界坐标系的xyz轴,x,y,z为世界坐标系的xyz轴;
a0i a1i a2i … ani分别为第i段的无人机运动轨迹多项式的各项系数;
tn为t的n阶导数
q(t)为关于时间t的基向量q(t)=[1 t t2 … tn];
对于第i段,建立如下目标运动轨迹多项式:
Tμi(t)=b0i+b1it+b2it2+…+bnitn=q(t)Bμi
Tμi(t)为第μ∈x,y,z维第i段的目标运动轨迹多项式;
b0i b1i b2i … bni分别为第i段的目标运动轨迹多项式的各项系数;
采用云台相机实时观测获取目标的三维位置信息,依据目标在设定时间段内的三维位置信息,通过拟合的方式对目标在未来时域内的运动轨迹进行预测;具体为:所述云台相机实时采集目标图像并输出;选取一个时间段内所有时刻对应的目标图像,机载计算机对所选取的目标图像进行目标识别处理以及图像定位,获取目标的三维位置信息;
依据所选取的时间段内所有时刻下目标的三维位置信息,利用多项式拟合公式解算所述目标运动轨迹多项式的系数矩阵;
所述多项式拟合公式为最小二乘拟合公式和正则项的组合:
其中为最小二乘拟合公式,σBui TBui为正则项,所述所选取的时间段为[tl,t0],tl为始时间,t0为结束时间;pk表示在时间t∈[tl,t0]区间内目标的第k个三维位置信息,共L个;Tui(tk)为根据pk得到的目标运动轨迹多项式在tk时刻的三维位置信息;σ为设置的权值;Bμi为待解算的目标运动轨迹多项式的系数矩阵,
所述机载计算机和所述激光雷达进行环境感知,建立环境八叉树地图,并利用A*路径搜索算法在所述环境八叉树地图中进行搜索得到一条安全路径,利用欧式距离场与膨胀方法生成无人机安全飞行通道;具体为:所述安全路径由路径节点组成;利用欧氏距离场方法得到与路径节点距离最近的障碍物,以路径节点为球心,以对应距离最近的障碍物与路径节点的距离为半径,生成初始化球体和所述初始化球体的内切立方体,对所述内切立方体进行膨胀,直到碰到所述距离最近的障碍物,得到凸立方体,所有路径节点对应的凸立方体共同组成安全飞行通道;
建立轨迹生成的目标函数,所述目标函数为位置约束、速度约束以及能耗约束的加权求和函数;为所述目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,并将目标函数转化为凸优化问题;
所述位置约束为无人机与目标之间的相对距离等于设定的距离阈值;
所述速度约束为无人机与目标之间的相对速度最小化;
所述能耗约束为无人机运动轨迹的能耗最小化;
所述几何约束为所述无人机安全飞行通道约束;
所述动态约束为所述目标的速度约束、加速度约束以及加加速度约束;
采用凸优化求解器求解所述凸优化问题,生成多项式飞行轨迹发送至所述无人机的飞行控制器,完成飞行轨迹跟踪;
具体为:
所述目标函数为:
其中,
J1为位置约束目标函数,J2为速度约束目标函数,J3为能耗约束目标函数;
λ1为位置约束的权值,λ2为速度约束的权值,λ3为能耗约束的权值;
uμi为转换成二次型形式后的位置约束目标函数的系数矩阵,Cμi为转换成二次型形式后的速度约束目标函数的系数矩阵,Aμi为转换成二次型形式后的能耗约束目标函数的系数矩阵;
Q1为转换成二次型形式后的位置约束目标函数的海塞矩阵,Q2为转换成二次型形式后的速度约束目标函数的海塞矩阵,Q3为转换成二次型形式后的能耗约束目标函数的海塞矩阵;
q(t)为关于时间t的基向量,q(1)(t)为q(t)的一阶导数,q(3)(t)为q(t)的三阶导数;
Tμi(t)为目标的运动轨迹多项式;fμi(t)为无人机运动轨迹多项式;fμi (1)(t)和Tμi (1)(t)分别无人机和目标的移动速度,fμi (2)(t)表示无人机轨迹的加速度;
为所述目标函数添加几何约束、动态约束以及多段多项式轨迹间的平滑性约束,得到最终的目标函数:
min J
s.t.fμi(t)∈Dcorridor
其中,s.t.fμi(t)∈Dcorridor为安全约束,Dcorridor为所述安全飞行通道,
将最终的目标函数转化为凸优化问题:
Q表示最终的目标函数的海塞矩阵;Mμi为最终的目标函数的系数矩阵;
凸优化问题中的约束项转化为:
AeqMμi=beq
AieMμi≤bie
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910908599.1A CN110632941B (zh) | 2019-09-25 | 2019-09-25 | 一种复杂环境下无人机目标跟踪的轨迹生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910908599.1A CN110632941B (zh) | 2019-09-25 | 2019-09-25 | 一种复杂环境下无人机目标跟踪的轨迹生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110632941A CN110632941A (zh) | 2019-12-31 |
CN110632941B true CN110632941B (zh) | 2020-12-15 |
Family
ID=68973740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910908599.1A Active CN110632941B (zh) | 2019-09-25 | 2019-09-25 | 一种复杂环境下无人机目标跟踪的轨迹生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632941B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399534B (zh) * | 2020-02-25 | 2021-09-17 | 清华大学 | 多无人机对空中高速运动目标的围捕方法及系统 |
WO2021189214A1 (zh) * | 2020-03-23 | 2021-09-30 | 深圳市大疆创新科技有限公司 | 可移动平台的控制方法、装置、可移动平台及存储介质 |
CN111551178B (zh) * | 2020-04-27 | 2022-02-18 | 广东工业大学 | 一种基于最短路径的分段轨迹时间规划方法 |
CN113741506A (zh) * | 2020-05-28 | 2021-12-03 | 华为技术有限公司 | 一种无人机跟随车辆的方法及装置 |
CN111951295B (zh) * | 2020-07-07 | 2024-02-27 | 中国人民解放军93114部队 | 基于多项式拟合高精度确定飞行轨迹的方法、装置和电子设备 |
CN111897367B (zh) * | 2020-08-14 | 2022-01-18 | 浙江大学 | 一种生物视觉启发的无人机目标跟踪方法及系统 |
CN112256054B (zh) * | 2020-10-09 | 2022-03-29 | 北京邮电大学 | 一种无人机轨迹规划方法及装置 |
CN112596071B (zh) * | 2020-11-02 | 2024-09-20 | 中国兵器工业计算机应用技术研究所 | 无人机自主定位方法、装置及无人机 |
CN112379681B (zh) * | 2020-11-02 | 2024-08-23 | 中国兵器工业计算机应用技术研究所 | 无人机避障飞行方法、装置及无人机 |
CN112666975B (zh) * | 2020-12-18 | 2022-03-29 | 中山大学 | 一种基于预测控制和屏障函数的无人机安全轨迹跟踪方法 |
CN112686921B (zh) * | 2021-01-08 | 2023-12-01 | 西安羚控电子科技有限公司 | 一种基于轨迹特征的多干扰无人机检测跟踪方法 |
CN112859927B (zh) * | 2021-02-03 | 2022-03-29 | 华南理工大学 | 多旋翼无人机在移动平台降落过程中的轨迹生成方法 |
CN113008222B (zh) * | 2021-02-20 | 2023-03-31 | 西北工业大学 | 一种基于连续时间轨迹函数的航迹约束目标跟踪方法 |
CN113296536B (zh) * | 2021-05-24 | 2022-04-05 | 哈尔滨工业大学 | 一种基于a*与凸优化算法的无人机三维避障算法 |
WO2022246750A1 (zh) * | 2021-05-27 | 2022-12-01 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置、可移动平台及存储介质 |
CN113885562B (zh) * | 2021-10-08 | 2023-01-10 | 北京理工大学 | 一种基于速度障碍的感知约束下多无人机协同避碰方法 |
CN113900449B (zh) * | 2021-10-26 | 2023-12-22 | 鹏城实验室 | 多无人机轨迹规划方法、装置、无人机及存储介质 |
CN114371720B (zh) * | 2021-12-29 | 2023-09-29 | 国家电投集团贵州金元威宁能源股份有限公司 | 无人机实现跟踪目标的控制方法和控制装置 |
CN114337875B (zh) * | 2021-12-31 | 2024-04-02 | 中国人民解放军陆军工程大学 | 面向多辐射源追踪的无人机群飞行轨迹优化方法 |
CN114740882B (zh) * | 2022-03-03 | 2024-08-06 | 浙江大学湖州研究院 | 一种无人机保证可视性的弹性目标跟踪的轨迹生成方法 |
CN115421506B (zh) * | 2022-03-28 | 2023-08-11 | 北京理工大学 | 一种基于模型预测控制的无人机周期轨迹跟踪及避障方法 |
CN114815899A (zh) * | 2022-06-09 | 2022-07-29 | 中国科学院合肥物质科学研究院 | 基于3d激光雷达传感器的无人机三维空间路径规划方法 |
CN114882077A (zh) * | 2022-07-12 | 2022-08-09 | 中国工程物理研究院应用电子学研究所 | 一种目标实时跟踪控制方法及系统 |
CN115373427A (zh) * | 2022-07-28 | 2022-11-22 | 南京航空航天大学 | 一种考虑四旋翼无人机动力学约束的运动规划方法及系统 |
CN115755981A (zh) * | 2022-12-12 | 2023-03-07 | 浙江大学 | 一种交互式的无人机自主航拍方法及装置 |
CN115963856B (zh) * | 2023-01-03 | 2024-05-10 | 广东工业大学 | 一种四旋翼无人机快速目标跟踪方法 |
CN116449852A (zh) * | 2023-06-13 | 2023-07-18 | 麦岩智能科技(北京)有限公司 | 一种轨迹规划方法、装置、电子设备及介质 |
CN117970312B (zh) * | 2023-12-19 | 2024-08-06 | 中国人民解放军空军预警学院 | 基于多项式时间序列预测的航迹整体估计方法与装置 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070179685A1 (en) * | 2005-09-29 | 2007-08-02 | Mark Milam | Trajectory generation using non-uniform rational B-splines |
FR2991276B1 (fr) * | 2012-06-04 | 2014-05-16 | Renault Sa | Dispositif de controle de trajectoire d'un vehicule |
US9441973B2 (en) * | 2012-06-12 | 2016-09-13 | Trx Systems, Inc. | Irregular feature mapping |
CN102831298B (zh) * | 2012-07-30 | 2015-03-04 | 北京理工大学 | 一种用于目标发生器的目标实时路径规划方法 |
CN103995540A (zh) * | 2014-05-22 | 2014-08-20 | 哈尔滨工业大学 | 一种高超声速飞行器的有限时间轨迹快速生成方法 |
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 |
SG10201406357QA (en) * | 2014-10-03 | 2016-05-30 | Infinium Robotics Pte Ltd | System for performing tasks in an operating region and method of controlling autonomous agents for performing tasks in the operating region |
CN104820997B (zh) * | 2015-05-14 | 2016-12-21 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
CN104881044B (zh) * | 2015-06-11 | 2016-12-21 | 北京理工大学 | 一种姿态未知的多移动机器人系统的自适应跟踪控制方法 |
US10579926B2 (en) * | 2015-12-21 | 2020-03-03 | Disney Enterprises, Inc. | Method and device for multi-agent path planning |
CN105841703A (zh) * | 2016-03-15 | 2016-08-10 | 电子科技大学 | 一种威胁环境下目标定位的无人机最优航路计算方法 |
CN106155081B (zh) * | 2016-06-17 | 2018-02-16 | 北京理工大学 | 一种旋翼无人机大范围目标监测和精确定位方法 |
CN107300377B (zh) * | 2016-11-01 | 2019-06-14 | 北京理工大学 | 一种绕飞轨迹下的旋翼无人机三维目标定位方法 |
CN108445750B (zh) * | 2017-02-16 | 2022-04-08 | 法拉第未来公司 | 用于车辆运动规划的方法和系统 |
CN107015477B (zh) * | 2017-04-05 | 2019-10-18 | 同济大学 | 基于状态反馈的车辆路径跟踪h∞控制方法 |
CN106873628B (zh) * | 2017-04-12 | 2019-09-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
CN107300697A (zh) * | 2017-06-07 | 2017-10-27 | 南京航空航天大学 | 基于无人机的运动目标ukf滤波方法 |
CN107608367B (zh) * | 2017-09-06 | 2021-01-05 | 天津大学 | 多变量干扰补偿四旋翼无人机轨迹与姿态协同控制方法 |
CN107977987B (zh) * | 2017-11-20 | 2021-08-31 | 北京理工大学 | 一种无人机载多目标探测跟踪、指示系统及方法 |
CN107807661B (zh) * | 2017-11-24 | 2021-06-08 | 天津大学 | 轨迹控制室内四旋翼无人机编队演示验证平台及方法 |
CN108388270B (zh) * | 2018-03-21 | 2021-08-31 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
CN108710383A (zh) * | 2018-05-25 | 2018-10-26 | 哈尔滨工业大学 | 一种基于航点规划与跟踪的四旋翼飞行器自主降落控制方法 |
CN109079780B (zh) * | 2018-08-08 | 2020-11-10 | 北京理工大学 | 基于广义坐标的分布式移动机械臂任务分层优化控制方法 |
CN109596118B (zh) * | 2018-11-22 | 2021-02-05 | 亮风台(上海)信息科技有限公司 | 一种用于获取目标对象的空间位置信息的方法与设备 |
CN109828600B (zh) * | 2019-01-09 | 2020-07-24 | 北京理工大学 | 时间最优快速三维避障路径规划方法 |
CN109582027B (zh) * | 2019-01-14 | 2022-02-22 | 哈尔滨工程大学 | 一种基于改进粒子群优化算法的usv集群避碰规划方法 |
CN109934844A (zh) * | 2019-01-28 | 2019-06-25 | 中国人民解放军战略支援部队信息工程大学 | 一种融合地理空间信息的多目标跟踪方法及系统 |
CN109816695A (zh) * | 2019-01-31 | 2019-05-28 | 中国人民解放军国防科技大学 | 一种复杂背景下的红外小型无人机目标检测与跟踪方法 |
CN110044212B (zh) * | 2019-03-12 | 2021-07-30 | 西安电子科技大学 | 基于视觉测量信息的旋翼无人机抓捕回收方法 |
-
2019
- 2019-09-25 CN CN201910908599.1A patent/CN110632941B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110632941A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632941B (zh) | 一种复杂环境下无人机目标跟踪的轨迹生成方法 | |
Kumar et al. | Recent developments on target tracking problems: A review | |
Lin et al. | A robust real-time embedded vision system on an unmanned rotorcraft for ground target following | |
Roelofsen et al. | Reciprocal collision avoidance for quadrotors using on-board visual detection | |
Teuliere et al. | 3D model-based tracking for UAV position control | |
CN110825108B (zh) | 一种在同一空域内多架跟踪无人机的协同防碰撞方法 | |
Lyu et al. | Vision-based UAV collision avoidance with 2D dynamic safety envelope | |
CN110262555B (zh) | 连续障碍环境下无人机实时避障控制方法 | |
Farmani et al. | An optimal sensor management technique for unmanned aerial vehicles tracking multiple mobile ground targets | |
Huh et al. | Vision-based sense-and-avoid framework for unmanned aerial vehicles | |
Imamura et al. | Human tracking by a multi-rotor drone using HOG features and linear SVM on images captured by a monocular camera | |
Hoang et al. | Vision-based target tracking and autonomous landing of a quadrotor on a ground vehicle | |
Qadir et al. | Vision based neuro-fuzzy controller for a two axes gimbal system with small UAV | |
Battiato et al. | A system for autonomous landing of a UAV on a moving vehicle | |
Cigla et al. | Onboard stereo vision for drone pursuit or sense and avoid | |
Xing et al. | Autonomous landing of a micro aerial vehicle on a moving platform using a composite landmark | |
Li et al. | A survey of vision based autonomous aerial refueling for unmanned aerial vehicles | |
Lu et al. | Perception and avoidance of multiple small fast moving objects for quadrotors with only low-cost RGBD camera | |
Shinde et al. | Multi-view geometry and deep learning based drone detection and localization | |
Barisic et al. | Multi-robot system for autonomous cooperative counter-UAS missions: design, integration, and field testing | |
Sharma et al. | Target identification and control model of autopilot for passive homing missiles | |
Bouzerzour et al. | Robust vision-based sliding mode control for uncooperative ground target searching and tracking by quadrotor | |
Shastry et al. | Autonomous detection and tracking of a high-speed ground vehicle using a quadrotor UAV | |
Tian et al. | A Vision-Based Ground Moving Target Tracking System for Quadrotor UAVs | |
Khanapuri et al. | Uncertainty aware geo-localization of multi-targets with multi-UAV using neural network and extended kalman filter |
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 |