CN110794396A - 基于激光雷达和导航雷达的多目标识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于激光雷达和导航雷达的多目标识别方法及系统，建立激光雷达坐标系，将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y和z；建立导航雷达坐标系，以所述导航雷达为坐标原点建立二维平面坐标系x、y；使用导航雷达采集多目标数据；使用激光雷达传感器采集多目标数据；使用所述激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，将所述导航雷达采集的所述多目标数据中的错误数据筛除。本发明提供的基于激光雷达和导航雷达的多目标识别方法及系统，无人水面艇上在自主航行中不受天气因素的影响，从而提高多目标的检测与跟踪能力。

Description

基于激光雷达和导航雷达的多目标识别方法及系统

技术领域

本发明涉及一种多目标识别方法及系统，尤其涉及一种基于激光雷达和导航雷达的多目标识别方法及系统。

背景技术

无人水面艇(Unmanned Surface Vehicle,USV)是一种智能化的小型水面平台,可以代替有人水面艇在特定水域完成一些繁琐的、复杂的甚至危险的任务。如果要在多变的、复杂的海况下安全自主地完成各项任务,则无人水面艇必须具备良好的环境感知能力,其中准确稳定的障碍物检测能力是无人水面艇实现自主导航避障的前提和关键技术。

无人水面艇目标检测分为被动检测法和主动检测法两种。被动检测法，被动检测法主要采用单目视觉或立体视觉传感器进行环境信息的感知，由于传感器的特点使得通过该方法可以获得平台周围环境中丰富的颜色特征，对环境信息的处理方式一般利用边缘检测算法进行数据处理，提取出海天、陆天交界线，借以区分地面目标与悬空目标，然后根据需求的不同，可在交界线上方或下方根据目标模型搜寻目标。但是这两种被动检测方法均存在着一定的缺陷，如单目视觉法除理想状态外往往难以精确的获得图像深度信息，无法在环境中定位目标深度，且受光照干扰极大，同环境下随着光照量的变化最终得出的结果有很大差异；而立体视觉检测法的数据量与计算量十分庞大，难以保障算法的实时性与快速性，无法满足实时处理环境信息的需求。

主动检测法则是利用导航雷达、激光雷达等主动传感器来检测无人水面艇周围目标。在无人水面艇上的雷达一般为导航雷达。导航雷达采用缝隙阵列天线，工作在厘米波段，作用距离较近，盲区小，距离和方位的精度和分辨力较高，抑制海面和雨雪等杂波的能力较强，由于其波长相对较长，探测距离较远，并且技术成熟，目前主要用于中远距离的水面目标检测与跟踪，但是由于探测精度限制，导航雷达通常只能为本船提供目标的位置信息、速度信息，无法识别目标的形状特征，并且导航雷达在本船船体附近的近距离范围内存在盲区，在大型船只上可以通过人工瞭望等方式对近距离目标观测进行弥补，但是对于无人水面艇需要无人作业的前提下，导航雷达无法为无人水面艇的安全航行提供保障。激光雷达根据其垂面激光束的数量多少可划分为二维激光雷达和三维激光雷达，二者均可达到良好的目标检测效果。激光雷达使用激光作为主动探测源，激光的波长非常短，使得激光雷达具备了很高的测量精度以及很强的抗干扰能力等非常优秀的特点，这让激光雷达具有非常适用于无人水面艇近距离目标检测的能力。但是激光雷达对工作环境的要求较高，对天气变化比较敏感，在雨雪天、风沙天等恶劣天气探测效果不理想，探测范围有限，跟踪目标较少。

因此有必要开发一种系统，可以提高无人水面艇在水域环境下检测障碍物的能力。

发明内容

本发明所要解决的技术问题是提供一种基于激光雷达和导航雷达的多目标识别方法及系统，无人水面艇上在自主航行中不受天气因素的影响，从而提高多目标的检测与跟踪能力。

本发明为解决上述技术问题而采用的技术方案是提供一种基于激光雷达和导航雷达的多目标识别方法,包括以下步骤：

建立激光雷达坐标系，将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y和z；

建立导航雷达坐标系，以所述导航雷达为坐标原点建立二维平面坐标系x、y；

使用所述导航雷达采集多目标数据；

使用激光雷达传感器采集多目标数据；

使用所述激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，将所述导航雷达采集的所述多目标数据中的错误数据筛除。

优选地，用以下公式将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y、z以建立激光雷达坐标系：

其中，r为实测距离，ω为激光的垂直角度，α为激光的水平旋转角度，x、y和z为极坐标投影到X、Y、Z轴上的坐标。

优选地，以导航雷达为坐标原点建立导航雷达坐标系，转换关系如下：

x_l＝x_m

y_l＝y_m

z_l＝z_m+0.2

其中，以所述激光雷达为坐标原点的三维坐标系中有一点坐标l(x_l，y_l，z_l),对应在以所述导航雷达为坐标原点的三维坐标系中的一点坐标m(x_m，y_m，z_m)。

优选地，所述使用所述激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，包括使用以下基于有理数倍采样的异步融合算法：

步骤1，将来自各传感器的测量值在融合中心的坐标系中和时钟下进行映射统一；

步骤2，基于下一时刻目标状态的预测值与当前时刻目标状态的估计值之差，建立描述该融合周期内各个观测点处的目标状态向量之间的动态模型；

步骤3，依据当前时刻目标状态基于全局信息的估计值,结合所述动态模型和传统的滤波器，利用本周期内按序到达的所述各传感器测量值，依次对各观测点处的目标状态进行估计；

步骤4，获得下一时刻目标状态基于全局信息的估计值。

优选地，使用所述导航雷达的距离和角度确定一目标之后，使用所述激光雷达确定该目标周围返回的目标数量，根据以下最近邻聚类法判断该目标是否采用：

步骤1：任取样本Xi作为第一个聚类中心的初始值，令Z1＝X1；

步骤2：计算样本X2到Z1的欧式距离D21＝||X2-Z1||，若D21>T，定义一新的聚类中心Z2＝X2，否则X2∈以Z1为中心的聚类；

步骤3：假设已有聚类中心Z1，Z2，计算D31＝||X3-Z1||和D32＝||X3-Z2||，若D31>T且D32>T，则建立第三个聚类中心Z3＝X3，否则X3∈离Z1和Z2中最近邻的聚类中心；

步骤4：以此类推，直到将所有的N个样本都进行分类；

待分类的模式{X1,X2,…,Xn}，按T分类到以Z1,Z2,…为聚类中心的模式类中，

其中，Z1是起始值，T是预设的距离阈值。

优选地，还包括以下步骤：

使用激光导航的距离参数确定一目标之后，设置一阈值，若所述导航雷达的距离超过该阈值，判断该目标出错，不予采用。

优选地，无人艇前方目标速度以导航雷达的速度为准。

优选地，所述多目标数据使用最近邻算法，依据最近邻的至少一个目标轨迹点的运动目标来确定待分目标轨迹点所属的运动目标，从而构成了多目标的航迹。

假设第j帧第m个运动目标的返回角度、距离、速度参数为(θ_jm，d_jm，v_jm)，其在以激光雷达传感器为坐标原点的世界坐标系中坐标为(x_j,m，y_j,m)，其中x_j,m＝d_jm·sinθ_jm，y_j,m＝d_jm·cosθ_jm，所述第j帧第m个运动目标与下一帧第j+1帧第k个运动目标的距离d_k(k＝1，2，···n_j+1)由两点间的距离公式表示为：

优选地，所述多目标数据使用联合概率数据关联。

优选地，所述联合概率数据关联包括第j帧n_j个目标与第j+1帧n_j+1个目标进行关联，产生多个目标关联排列组合,将所有的相邻两帧配对目标的关联概率相乘,取最大概率值为对应的关联排列。

本发明为解决上述技术问题而采用的另一技术方案是提供一种基于激光雷达和导航雷达的多目标识别方法的系统，包括使用基于激光雷达和导航雷达的多目标识别方法的方法，还包括：

无人艇控制器和数据处理器，所述数据处理器包括激光检测处理模块、激光扫描控制模块、厘米波雷达基带处理模块和波形产生模块；

激光雷达传感器，所述激光传感器包括激光发射器和激光接收器，所述激光发射器和所述激光检测处理模块连接，所述激光接收器和所述激光扫描控制模块连接；

导航雷达传感器，所述导航雷达传感器包括射频电路，所述射频电路发送基带信号到所述厘米波雷达基带处理模块，所述射频电路接收所述波形产生模块发送的调制信号；

所述无人艇控制器和电源电路、接口芯片以及时钟电路电性连接。

本发明对比现有技术有如下的有益效果：本发明提供的基于激光雷达和导航雷达的多目标识别方法及系统，通过利用激光雷达的数据有效地滤去了导航雷达探测到的大量无效目标,只对较少目标进行跟踪,极大地减少了激光雷达和导航雷达多目标数据关联的概率,有效地提高了无人艇决策的可靠性。无人水面艇上在自主航行中不受天气因素的影响，从而提高多目标的检测与跟踪能力。

附图说明

图1为本发明实施例中基于激光雷达和导航雷达的多目标识别系统的结构示意图；

图2为本发明实施例中激光雷达极坐标和XYZ坐标映射图；

图3为本发明实施例中激光雷达极坐标和XYZ坐标映射图的俯视图；

图4为本发明实施例中导航雷达坐标转换示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

在以下描述中，为了提供本发明的透彻理解，阐述了很多具体的细节。然而，本发明可以在没有这些具体的细节的情况下实践，这对本领域普通该技术人员来说将是显而易见的。因此，具体的细节阐述仅仅是示例性的，具体的细节可以由奔放的精神和范围而变化并且仍被认为是在本发明的精神和范围内。

本实施例提供的一种基于激光雷达和导航雷达的多目标识别方法及系统，无人水面艇上在自主航行中不受天气因素的影响，从而提高多目标的检测与跟踪能力。

本实施例公开了一种基于激光雷达和导航雷达的多目标识别方法，包括以下步骤：

建立激光雷达坐标系，将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y和z；

建立导航雷达坐标系，以所述导航雷达为坐标原点建立二维平面坐标系x、y；

使用导航雷达采集多目标数据；

使用激光雷达传感器采集多目标数据；

使用激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，将导航雷达采集的所述多目标数据中的错误数据筛除。由于激光雷达的测量精度要比导航雷达高，一旦多目标进入到激光雷达范围内后采集的数据会更为精确。

优选地，用以下公式将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y、z以建立激光雷达坐标系：

其中，r为实测距离，ω为激光的垂直角度，α为激光的水平旋转角度，x、y和z为极坐标投影到X、Y、Z轴上的坐标。

请参考图4，通过对导航雷达所应用的技术的分析研究，创新性采用直角坐标系下加权的方式改进其捕获、录取、跟踪的算法，经国际标准要求的五种场景验证，以及结合实际应用验证，实验数据与理论数据的对比表明算法可以高速高精度实现机动状态下的避碰：

x＝x₀+ρcosθ

y＝y₀+ρsinθ

表示扫描中心点的坐标。如果直接用上式的数学关系进行坐标转换，必然导致极坐标和直角坐标之间不能一一对应，甚至出现死点和显示盲点的问题。在扫描变换中，添加视频采样保持可有效消除“盲点”问题。通过改变角度量化数可以有效解决死点问题。

在具体实施中，以导航雷达为坐标原点建立导航雷达坐标系。

为了实现激光雷达和导航雷达坐标间的转换，对激光雷达相对于导航雷达的相对空间位置作了测量。导航雷达距离地面高度160cm，激光雷达距离地面180cm。在朝无人艇航行的方向上也即轴的正方向上两种传感器没有相对位移，在无人艇的左右也即水平方向上两种传感器没有相对位移，转换关系如下：

x₁＝x_m

y₁＝y_m

z₁＝z_m+0.2

其中，设在以激光雷达为坐标原点的三维坐标系中有一点坐标l(x₁，y₁，z₁)，单位为米。则对应在以导航雷达为坐标原点的三维坐标系中的一点坐标m(x_m，y_m，z_m)，单位为米。

在具体实施中，所述使用所述激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，包括使用基于有理数倍采样的异步融合算法。步骤1，将来自各传感器的测量值在融合中心的坐标系中和时钟下进行映射统一；步骤2，基于下一时刻目标状态的预测值与当前时刻目标状态的估计值之差，建立描述该融合周期内各个观测点处的目标状态向量之间的动态模型；步骤3，依据当前时刻目标状态基于全局信息的估计值，结合所述动态模型和传统的滤波器，利用本周期内按序到达的所述各传感器测量值，依次对各观测点处的目标状态进行估计；步骤4，获得下一时刻目标状态基于全局信息的估计值。

多传感器融合系统一般可以分为两类即同步和异步融合。传统的多传感器融合算法大部分是基于各传感器测量数据同时测量比并且同时到达的情况下进行的。实际使用中，由于所用传感器种类或任务的不同,各个传感器有不同的采样速率和传输延迟,在这种情况下,测量的同步很难做到。而本发明采用的基于有理数倍采样的异步融合算法，在实际仿真中效果较好，同时在状态估计精度方面有一定的优势，并在异步融合中需要解决多种误差问题。

使用导航雷达的距离和角度确定一目标之后，使用激光雷达确定该目标周围返回的目标数量，根据以下最近邻聚类法判断出该目标是否采用，步骤1：任取样本Xi作为第一个聚类中心的初始值，令Z1＝X1；步骤2：计算样本X2到Z1的欧式距离D21＝||X2-Z1||，若D21>T，定义一新的聚类中心Z2＝X2，否则X2∈以Z1为中心的聚类；步骤3：假设已有聚类中心Z1，Z2，计算D31＝||X3-Z1||和D32＝||X3-Z2||，若D31>T且D32>T，则建立第三个聚类中心Z3＝X3，否则X3∈离Z1和Z2中最近邻的聚类中心；步骤4：以此类推，直到将所有的N个样本都进行分类；待分类的模式{X1,X2,…,Xn}，按T分类到以Z1,Z2,…为聚类中心的模式类中，其中，Z1是起始值，T是预设的距离阈值。这是因为，在目标角度参数的选择上,导航雷达无疑具有精度上的优势。

使用激光导航的距离参数确定一目标之后，设置一阈值，若所述导航雷达的距离超过该阈值，判断该目标出错，不予采用。激光雷达和导航雷达距离数据的异步融合不仅提高了数据精度,而且可以滤掉异常数据,提高多传感器系统的稳定性和可靠性,这也是多传感器系统相对于单个传感器的优势。

在具体实施中，无人艇前方目标速度以导航雷达的速度为准。两种传感器异步融合后的无人艇前方目标速度主要取决于导航雷达的速度。而导航雷达在中距离和远距离测速的精确度都为0.12m/s，这也是多传感器系统的测速精度。

在具体实施中，所述多目标数据使用最近邻算法，依据最近邻的至少一个目标轨迹点的运动目标来确定待分目标轨迹点所属的运动目标，从而构成了多目标的航迹。

假设第j帧第m个运动目标的返回角度、距离、速度参数为(θ_jm，d_jm，v_jm)，其在以激光雷达传感器为坐标原点的世界坐标系中坐标为(x_j,m，y_j,m)，其中x_j,m＝d_jm·sinθ_jm，y_j,m＝d_jm·cosθ_jm，所述第j帧第m个运动目标与下一帧第j+1帧第k个运动目标的距离d_k(k＝1，2，···n_j+1)由两点间的距离公式表示为：

当依赖单个导航雷达传感器报告一系列目标的方位,距离,速度信息时,为了推算目标的航迹,必须按照时间的先后顺序将这些目标位置连接起来,如果是单目标,实现起来就相对来说比较简单。但在实际情况下,一直出现单目标的概率是非常小的,当出现多目标时,即使已经画出每个目标的航迹,一个采样周期之后,又有若干个新的目标数据报告,但这些目标数据具体与已有的哪条目标航迹关联,有很多种可能,当然也有可能与所有己存在航迹都不相关联,而是在这一时刻出现的新的目标。面对这种情况,人们研究了很多跟踪算法,这些算法在一定程度上解决了部分问题,但由于计算量过大,实时性不好,在实际应用中并没有得到大规模的推广。因此,本发明技术方案借助激光雷达传感器自身的特点,辅助导航雷达对多目标的航迹维持,明显减少了错误关联的航迹,取得了不错的效果。

最近邻算法(kNN，k-NearestNeighbor)的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数数以一个类型别，则该样本也属于这个类别，并具有该类别上样本的特征。该方法在确定分类决策上，只依据最近邻的一个或者几个样本的类别来决定待分样本所属的类别。

kNN算法的一般流程如下：

步骤1：初始化距离为最大值；

步骤2：计算未知样本和每个训练样本的距离dist；

步骤3：得到目前K个最邻近样本中的最大距离maxdist；

步骤4：如果dist小于maxdist,则将训练样本作为K-最近邻样本；

步骤5：重复步骤2，3，4，直到未知样本和所有训练样本的距离都算完；

步骤6：统计K-最近邻样本中每个类标号出现的次数；

步骤7：出现频率最大的类标号最为未知样本的类标号。

在具体实施中，所述联合概率数据关联包括第j帧n_j个目标与第j+1帧n_j+1个目标进行关联，产生多个目标关联排列组合,将所有的相邻两帧配对目标的关联概率相乘,取最大概率值为对应的关联排列。

本实施例还公开了一种基于激光雷达和导航雷达的多目标识别系统，包括使用基于激光雷达和导航雷达的多目标识别方法的方法，还包括：

无人艇控制器和数据处理器，所述数据处理器包括激光检测处理模块、激光扫描控制模块、厘米波雷达基带处理模块和波形产生模块；

激光雷达传感器，所述激光传感器包括激光发射器和激光接收器，所述激光发射器和所述激光检测处理模块连接，所述激光接收器和所述激光扫描控制模块连接；

导航雷达传感器，所述导航雷达传感器包括射频电路，所述射频电路发送基带信号到所述厘米波雷达基带处理模块，所述射频电路接收所述波形产生模块发送的调制信号；

所述无人艇控制器和电源电路、接口芯片以及时钟电路电性连接。

综上，本实施例提供的基于激光雷达和导航雷达的多目标识别方法及系统，通过利用激光雷达的数据有效地滤去了导航雷达探测到的大量无效目标,只对较少目标进行跟踪,极大地减少了激光雷达和导航雷达多目标数据关联的概率,有效地提高了无人艇决策的可靠性。无人水面艇上在自主航行中不受天气因素的影响，从而提高多目标的检测与跟踪能力。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (11)

1.一种基于激光雷达和导航雷达的多目标识别方法,其特征在于，包括以下步骤：

建立激光雷达坐标系，将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y和z；

建立导航雷达坐标系，以所述导航雷达为坐标原点建立二维平面坐标系x、y；

使用所述导航雷达采集多目标数据；

使用激光雷达传感器采集多目标数据；

使用所述激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，将所述导航雷达采集的所述多目标数据中的错误数据筛除。

2.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，用以下公式将极坐标下的角度和距离转化为笛卡尔坐标下的下x、y、z以建立激光雷达坐标系：

其中，r为实测距离，ω为激光的垂直角度，α为激光的水平旋转角度，x、y和z为极坐标投影到X、Y、Z轴上的坐标。

3.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，以导航雷达为坐标原点建立导航雷达坐标系，转换关系如下：

x_l＝x_m

y_l＝y_m

z_l＝z_m+0.2

其中，以所述激光雷达为坐标原点的三维坐标系中有一点坐标l(x_l，y_l，z_l),对应在以所述导航雷达为坐标原点的三维坐标系中的一点坐标m(x_m，y_m，z_m)。

4.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，所述使用所述激光雷达传感器采集的所述多目标数据对所述使用导航雷达采集的多目标数据进行辅助，包括使用以下基于有理数倍采样的异步融合算法：

步骤1，将来自各传感器的测量值在融合中心的坐标系中和时钟下进行映射统一；

步骤2，基于下一时刻目标状态的预测值与当前时刻目标状态的估计值之差，建立描述该融合周期内各个观测点处的目标状态向量之间的动态模型；

步骤3，依据当前时刻目标状态基于全局信息的估计值,结合所述动态模型和传统的滤波器，利用本周期内按序到达的所述各传感器测量值，依次对各观测点处的目标状态进行估计；

步骤4，获得下一时刻目标状态基于全局信息的估计值。

5.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，使用所述导航雷达的距离和角度确定一目标之后，使用所述激光雷达确定该目标周围返回的目标数量，根据以下最近邻聚类法判断该目标是否采用：

步骤1：任取样本Xi作为第一个聚类中心的初始值，令Z1＝X1；

步骤2：计算样本X2到Z1的欧式距离D21＝||X2-Z1||，若D21>T，定义一新的聚类中心Z2＝X2，否则X2∈以Z1为中心的聚类；

步骤3：假设已有聚类中心Z1，Z2，计算D31＝||X3-Z1||和D32＝||X3-Z2||，若D31>T且D32>T，则建立第三个聚类中心Z3＝X3，否则X3∈离Z1和Z2中最近邻的聚类中心；

步骤4：以此类推，直到将所有的N个样本都进行分类；

待分类的模式{X1,X2,…,Xn}，按T分类到以Z1,Z2,…为聚类中心的模式类中，

其中，Z1是起始值，T是预设的距离阈值。

6.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，还包括以下步骤：

使用激光导航的距离参数确定一目标之后，设置一阈值，若所述导航雷达的距离超过该阈值，判断该目标出错，不予采用。

7.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，无人艇前方目标速度以导航雷达的速度为准。

8.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，所述多目标数据使用最近邻算法，依据最近邻的至少一个目标轨迹点的运动目标来确定待分目标轨迹点所属的运动目标，从而构成了多目标的航迹。

假设第j帧第m个运动目标的返回角度、距离、速度参数为(θ_jm，d_jm，v_jm)，其在以激光雷达传感器为坐标原点的世界坐标系中坐标为(x_j,m，y_j,m)，其中x_j,m＝d_jm·sinθ_jm，y_j,m＝d_jm·cosθ_jm，所述第j帧第m个运动目标与下一帧第j+1帧第k个运动目标的距离d_k(k＝1，2，···n_j+1)由两点间的距离公式表示为：

9.如权利要求1所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，所述多目标数据使用联合概率数据关联。

10.如权利要求9所述的基于激光雷达和导航雷达的多目标识别方法，其特征在于，所述联合概率数据关联包括第j帧n_j个目标与第j+1帧n_j+1个目标进行关联，产生多个目标关联排列组合,将所有的相邻两帧配对目标的关联概率相乘,取最大概率值为对应的关联排列。

11.一种使用如权利要求1至10任一项所述的基于激光雷达和导航雷达的多目标识别方法的系统，其特征在于，包括：

无人艇控制器和数据处理器，所述数据处理器包括激光检测处理模块、激光扫描控制模块、厘米波雷达基带处理模块和波形产生模块；

激光雷达传感器，所述激光传感器包括激光发射器和激光接收器，所述激光发射器和所述激光检测处理模块连接，所述激光接收器和所述激光扫描控制模块连接；

导航雷达传感器，所述导航雷达传感器包括射频电路，所述射频电路发送基带信号到所述厘米波雷达基带处理模块，所述射频电路接收所述波形产生模块发送的调制信号；

所述无人艇控制器和电源电路、接口芯片以及时钟电路电性连接。

Images