CN112132144B - 一种基于遥感图像的无人机航线撞地风险评估方法 - Google Patents
一种基于遥感图像的无人机航线撞地风险评估方法 Download PDFInfo
- Publication number
- CN112132144B CN112132144B CN202010758152.3A CN202010758152A CN112132144B CN 112132144 B CN112132144 B CN 112132144B CN 202010758152 A CN202010758152 A CN 202010758152A CN 112132144 B CN112132144 B CN 112132144B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- route
- value
- risk assessment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/04—Anti-collision systems
Abstract
本发明公开了一种基于遥感图像的无人机航线撞地风险评估方法,属于无人机航线撞地风险领域。首先对申报的航线地面区域拍摄遥感图像,根据经纬度坐标拼接形成栅格地图,对每个栅格内的像素进行分类。然后计算无人机在当前位置跌落后的撞地坐标,以及在该跌落点所在的像素区域的概率Pij和造成的财产损失值Qij,以跌落点为中心设定20*20个相邻像素区域作为误差区域,计算风险评估值E[Qij]。将申报的航线划分若干段航路子段,分别计算每段航路子段的撞地风险评估值,引入通信强度因子,选出评估值最大的航路子段。最后判断最大的航线风险评估值是否大于设定的阈值,如果是,则该航路是危险的,否则此航路安全。本发明计算量小,普适性好,应用范围更广。
Description
技术领域
本发明属于无人机航线撞地风险领域,具体涉及一种基于遥感图像的无人机航线撞地风险评估方法,用于对用户申报飞行计划的安全度进行评估。
背景技术
无人机系统(UAS)应用愈加广泛,无人机系统应用伴随的风险也成为焦点,但大规模无人机系统实际应用缺乏适航运行标准、程序和支持功能,无人机系统航线风险评估是相关适航标准建立的支撑。
现有技术对于无人机航线风险评估研究大部分是对无人机空中相撞进行风险评估,而对无人机撞地风险评估研究主要停留在理论层面,建立的评估模型比较简单,仅会考虑到人口密度等地面信息估算无人机撞地造成伤亡人数,使用无人机跌落造成伤亡率作为作为评估标准。
然而,现实中评估无人机预设定航线是否安全,即无人机航线撞地风险,不仅应考虑无人机撞地后造成的伤亡人数,而且还要考虑无人机跌落造成的经济损失,例如造成房屋和道路的破坏等,因此急需一种可评估无人机跌落造成经济损失的模型,达到更加精确评估无人机撞地风险的目的。
发明内容
本发明针对上述问题,提出了一种基于遥感图像的无人机航线撞地风险评估方法,利用遥感图像语义分割技术获取无人机航线途经地面的信息,建立无人机航线撞地风险评估模型,通过计算无人机航线撞地风险评估值,控制危险飞行。
所述的无人机航线撞地风险评估方法,具体步骤如下:
步骤一、针对用户申报的无人机预备起飞的航线,对该航线途经地面区域拍摄遥感图像,根据经纬度坐标拼接形成栅格地图。
步骤二、利用遥感图像语义分割技术,对栅格地图中每个栅格内的像素进行分类,构建地貌信息矩阵;
像素分类为建筑类R(architecture)、绿化类R(greening_area)、水域类R(river)和道路类R(rode);
针对第个n栅格图像,该栅格内每个像素点根据所属的类别不同,分别用1,2,3和4表示;得到对应的地貌信息矩阵Gn如下:
In(xa,yb)表示第个n栅格图像In中的像素点(xa,yb)
每个地貌信息矩阵Gn与每个对应的栅格图像In尺寸相同,最后将所有栅格对应的地貌信息矩阵拼接成完整地貌信息矩阵G={G1、G2...,Gn}。
步骤三、考虑无人机当前位置、速度、风速和无人机高度,计算无人机在当前位置跌落后的撞地坐标,从而构建无人机跌落模型;
最后,计算无人机撞地坐标,用如下公式表达:
是无人机开始跌落位置矢量;
步骤四、无人机在某点(xi,yj)撞地后,计算无人机在该跌落点所在的像素区域的概率Pij和造成的财产损失值Qij;
x1,x2,y1,y2分别为跌落点所在的像素区域的x,y轴边界,f(x,y)是标准二维高斯分布的概率密度函数。
财产损失值用权重值来体现,跌落点(xi,yj)所在的像素区域的权重值用如下公式计算:
wij表示坐标为(xi,yj)的跌落点对应的像素类的价值权重;qarchitecture表示像素区域为建筑类赋予的价值权重,qgreening_area表示像素区域为绿化类赋予的价值权重,qriver表示像素区域为水域类赋予的价值权重,qrode表示像素区域为道路类赋予的价值权重;
步骤五、无人机在点(xi,yj)撞地后,以跌落点所在的像素区域为中心,设定20*20个相邻像素区域作为误差区域,分别计算无人机在误差区域中的概率值和财产损失值;
误差区域根据实际航线对应的地图人为设定大小;
Phf表示无人机跌落坐标点(xh,yf)所在的像素区域的概率。
Qhf表示无人机以跌落点(xh,yf)所在的像素区域为中心,周边相邻的10*10个像素区域内所有像素区域的权重值累积之和;
步骤六、计算无人机在以撞地点(xi,yj)为核心的误差区域的风险评估值E[Qij];
风险评估值E[Qij]计算公式如下:
步骤七、将用户申报的无人机航线划分若干段航路子段,分别计算每段航路子段的撞地风险评估值;
利用第z个航路子段跌落坐标(xs,yt)计算该航线子段对应的风险评估值,计算公式如下:
Ez表示第z个航路子段对应的风险损失值。
步骤八、对每段航路子段的风险评估值分别引入通信强度因子,选出加入通信强度因素后航线风险评估值最大的航路子段。
第z个航路子段(xp,yq)接入通信强度因素后航路子段损失值为:
Ez_connection=Ez·Ap,q
其中Ez_connection表示加入通信强度系数后航路子段风险评估值,通信强度系数Ap,q是航路子段中心坐标对应的通信强度,反应出无人机跌落概率受通信强度影响。
最后,从每个航路子段对应风险评估值中选出最大的风险评估值作为这条航线中风险评估值即可。
m_airline=max(m1_connection,m2_connection,m3_connection...mn_connection)
其中,m_airline表示航路风险评估值。
步骤九、判断航路子段中最大的航线风险评估值是否大于设定的阈值,如果是,则该航路是危险的,禁止飞行。否则,全部航路子段的风险评估值都低于阈值,此航路是安全的,允许飞行。
本发明的优点在于:
本发明一种基于遥感图像的无人机航线撞地风险评估方法,利用遥感图像语义分割技术生成地貌信息矩阵,结合通信强度因素,建立无人机风险评估模型,对每段直线子航线计算无人机航线撞地风险评估值,为是否允许用户申报飞行计划提供依据,从而控制危险飞行计划,算法计算量小,贴合实际、普适性好,应用于大部分场景无人机航线风险评估。
附图说明
图1是本发明一种基于遥感图像的无人机航线撞地风险评估方法流程图;
图2是本发明构建的无人机跌落物理模型示意图;
图3是本发明跌落点区域损失和计算示意图;
具体实施方式
下面结合附图对本发明进行进一步详细说明。
本发明提出一种基于遥感图像的无人机航线撞地风险评估方法,在Visualstudio上进行仿真实验,通过遥感图像语义分割技术获取无人机航线途经地面信息,结合无人机预设定航线信息,提出一种无人机撞地风险评估模型,计算无人机航线撞地风险评估值,从而达到控制危险飞行计划目的。
如图1所示,具体步骤如下:
步骤一、针对用户申报的无人机预备起飞的航线,对该航线途经地面区域拍摄遥感图像,根据经纬度坐标拼接形成栅格地图。
步骤二、利用遥感图像语义分割技术,对栅格地图中每个栅格内的像素进行分类,构建地貌信息矩阵;
地貌信息矩阵即无人机航线途经地面的相关信息。首先,获取无人机航拍遥感图像In,利用遥感图像语义分割技术将初始图像In进行像素级分类,例如依次取一块栅格地图图像,规定其图像分辨率是0.3m×0.3m,即一个像素点代表现实区域0.2m×0.2m,像素分类为建筑类R(architecture)、绿化类R(greening_area)、水域类R(river)和道路类R(rode);
针对第个n栅格图像,该栅格内每个像素点根据所属的类别不同,分别用1,2,3和4表示;得到对应的地貌信息矩阵Gn如下:
矩阵每一点代表该处的类别,In(xa,yb)表示第个n栅格图像In中的像素点(xa,yb)
得到一系列区域地貌信息矩阵G1、G2…Gn,结合GPS坐标,将所有栅格对应的地貌信息矩阵拼接成完整地貌信息矩阵G={G1、G2...,Gn}。对地貌信息矩阵G建立平面直角坐标系,来完成无人机相关位置坐标计算;每个地貌信息矩阵与每个对应的栅格图像In尺寸相同。
步骤三、考虑无人机当前位置、速度、风速和无人机高度,计算无人机在当前位置跌落后的撞地坐标,从而构建无人机跌落模型;
最后,计算无人机撞地坐标,用如下公式表达:
是无人机开始跌落位置矢量;
步骤四、无人机在某点(xi,yj)撞地后,计算无人机在该跌落点所在的像素区域的概率Pij和造成的财产损失值Qij;
通过无人机在某点跌落到地面位置坐标,即像素点坐标,一个坐标点对应现实中0.2×0.2m区域。因跌落物理模型本身是非常复杂的过程,进行大量数据仿真不现实,模拟计算时无法精确得知无人机在某点跌落坐标。故规定一个以理论计算跌落点为中心的尺寸为7m*7m(对应22*22像素距离)的误差区域,即由于计算误差存在,无人机可能跌落在以计算的跌落点为中心的7m*7m的区域。
首先,计算无人机跌落在误差区域某一点的跌落点风险值:
则Pi为无人机跌落在像素点的概率,Tr[]代表加权运算,即根据对应区域属于不同类别,赋予相应权值。loss值是计算对应跌落点风险评估值,loss值越大,代表无人机跌落此点对人身和财产的损失越大。
然后,计算经误差引起因素分析,误差对x,y坐标轴具有各向同性,假设该物理模型引起的计算误差分布与标准二维高斯分布相同。
其中f(x,y)是标准二维高斯分布的概率密度函数,由于x,y轴仅具有坐标轴含义,而跌落模型计算误差概率分布对下x,y具有各向同性,因此x,y是相互独立变量,相关系数ρ为0。假设计算误差符合标准二维高斯分布,因此
σ1=σ2=1
ρ=0
则无人机跌落点误差概率密度函数可表示为:
因标准二维高斯分布是连续性概率分布,但地貌信息矩阵在程序中是以矩阵存储的,其像素点是离散存在矩阵中的。若计算跌落点落在该像素点的概率,需把离散的像素点转换为连续的表示区域,即将离散的像素点转换为尺寸为0.2×0.2m的方形区域,这样便可计算无人机跌落点概率。
按照图像分辨率将离散分布的像素转为对应0.2×0.2m的正方形区域,其xi,yj坐标也据此计算,利用生成的连续矩阵图计算每个正方形区域(对应一个像素点)的跌落概率。对每个正方形区域对分布函数f(x,y)求二重积分,规定在误差区域内跌落概率分布函数F(X>x,Y>y)→1,即当理论计算跌落点在(xi,yj),则实际无人机跌落点一定会跌落在以理论计算跌落点为中心的尺寸为7m*7m(对应22*22像素距离)的误差区域。假设正方形区域的x,y轴边界分别为x1,x2,y1,y2,则无人机跌落该区域概率Pij为:
x1,x2,y1,y2分别为跌落点所在的像素区域的x,y轴边界,f(x,y)是标准二维高斯分布的概率密度函数。
已知地貌信息矩阵中类别用数字0,1,2,3,4表示,根据像素点属于哪一类别,将地貌信息矩阵G每一类赋值不同的价值权重,得到价值矩阵M,保存为Opencv中Mat类型矩阵,用价值矩阵计算无人机撞地风险评估值。财产损失值用权重值来体现,跌落点(xi,yj)所在的像素区域的权重值用如下公式计算:
wij表示坐标为(xi,yj)的跌落点对应的像素类的价值权重;qarchitecture表示像素区域为建筑类赋予的价值权重,qgreening_area表示像素区域为绿化类赋予的价值权重,qriver表示像素区域为水域类赋予的价值权重,qrode表示像素区域为道路类赋予的价值权重;
考虑无人机本身具有一定体积、跌落时由于滑行和体积因素,当计算无人机跌落某点造成财产损失值Qij时,不仅仅是对跌落点0.2×0.2m区域(对应价值矩阵一个像素点)产生破坏,假设,无人机撞地点为价值矩阵中某像素点的概率是Pij,我们不能简单的将Pij·wij作为跌落该点损失值,在计算Qij时,应考虑无人机跌落是对以跌落点为中心邻域造成破坏。应计算以该点为中心邻域的Pij·Q损失和,近似作为无人机跌落滑行造成损失值。如图3所示,当计算无人机跌落点为深色区域的风险评估值时,需计算深色加浅灰色区域价值权值作为Qij,规定此邻域尺寸为2m*2m(对应10*10像素距离)。
步骤五、无人机在点(xi,yj)撞地后,以跌落点所在的像素区域为中心,设定20*20的像素区域作为误差区域,分别计算无人机在误差区域中的概率值和财产损失值;
误差区域根据实际航线对应的地图人为设定大小;
Qhf表示无人机以跌落点(xh,yf)所在的像素区域为中心,周边相邻的10*10个像素区域内所有像素区域的权重值累积之和;
步骤六、计算无人机在以撞地点(xi,yj)为核心的误差区域的风险评估值E[Qij];
风险评估值E[Qij]计算公式如下:
步骤七、将用户申报的无人机航线划分若干段航路子段,分别计算每段航路子段的撞地风险评估值;
利用第z个航路子段跌落坐标(xs,yt)计算该航线子段对应的风险评估值,计算公式如下:
Ez表示第z个航路子段对应的风险损失值。
步骤八、对每段航路子段的风险评估值分别引入通信强度因子,选出加入通信强度因素后航线风险评估值最大的航路子段。
为了使计算贴合实际,当无人机在禁飞区、威胁区飞行时,发生跌落概率愈大。将通信强度因素对航路风险评估值影响考虑在内,引入通信强度分布矩阵A,作为Ez的权值,预留接口,后期接入对应真实通信强度。
将通信强度分布矩阵A保存到vector数组中。遍历每个航路子段,求解出无人机于航路子段中心点开始跌落(xp,yq),存入drop_site数组中。并对每个跌落坐标求出其对应的风险评估值Ez,存入drop_site_loss数组中。考虑到通信因素,将(xp,yq)对应通信强度系数Ap,q与Ez相乘,得到Ez_connection保存到drop_site_signal_loss数组中。对drop_site_signal_loss数组取最大值作为当前航路风险评估值。
第z个航路子段(xp,yq)接入通信强度因素后航路子段损失值为:
Ez_connection=Ez·Ap,q
其中Ez_connection表示加入通信强度系数后航路子段风险评估值,需要注意,这里引入通信强度系数Ap,q是航路子段中心坐标对应的通信强度,反应出无人机跌落概率受通信强度影响,而不是理论计算跌落点坐标。通信强度系数Ap,q是航路子段中心坐标对应的通信强度,反应出无人机跌落概率受通信强度影响。
因无人机在一段直线航路只会跌落一次,只能跌落一次,因此当判断一条直线航路是否安全,只需计算每个航路子段对应风险评估值Ez_connection,从中选出最大的风险评估值作为这段航路风险评估值即可。
m_airline=max(m1_connection,m2_connection,m3_connection...mn_connection)
其中,m_airline表示航路风险评估值。
步骤九、判断航路子段中最大的航线风险评估值是否大于设定的阈值,如果是,则该航路是危险的,禁止飞行。否则,全部航路子段的风险评估值都低于阈值,此航路是安全的,允许飞行。
实施例:
针对无人机在城市场景下的物流运输,需要对规划的无人机航线进行撞地的风险评估,来作为规划无人机航线的理论依据。
首先,利用无人机对指定区域拍摄遥感初始图像In,规定图像分辨率0.2×0.2m,即一个像素表示现实区域0.2×0.2m,根据经纬度坐标拼接形成栅格地图。
考虑无人机当前位置、速度、风速、无人机高度,计算无人机在该位置跌落后的撞地坐标(无人机跌落是自由落体);
通过无人机撞地坐标,根据坐标取出对应地貌信息矩阵,计算航线风险评估值;
当用户申报计划航线后,因飞行计划是以一段直线航路为规划单位的,故规定一段直线航路为航路段,而航路段和航路段交点称为航路节点。在计算航路风险评估值时,将用户申报的航路段分为若干个长度为15m(对应75像素距离)的航路子段,以此作为计算单位,计算每个航路子段中心点(xs,yt)开始跌落对应撞地点(xi,yj)风险评估值。当其中一段航路子段对应风险评估值大于设定的阈值,便判断该航路是危险的,禁止飞行。如果全部航路子段的风险评估值都低于设定的阈值,便判定航路是安全的,允许飞行。
最后,为了更加精确模拟无人机跌落环境,本申请结合了通信强度。例如无人机在距离信号站越近的位置,则发生跌落的概率越低,其对应危险等级越低;当无人机距离信号站越远或者无人机处于两个信号站辐射的叠加区域,则发生跌落概率越大,对应危险等级越高,通过引入通信强度因子来计算航线风险评估值。
本发明读入用户申报飞行计划航线,初始化航路段、航路节点信息,将航路节点保存到数组中,根据航路节点将航路段平均分割为若干段长度为15m(对应75像素距离)的航路子段,并将航路子段中心点保存到airline_subpath_node数组内。
通过对比无人机航线风险评估值,可用来评估用户申报航线是否安全,为是否允许其航线飞行提供理论依据。仿真结果表明,实验数据符合事实,具有良好解释性,算法中所用数据大部分可提前计算好保存,例如地貌信息矩阵、通信强度矩阵,这将大大简化算法计算量,保证算法高并发的实现,普适性好,应用于大部分场景无人机航线风险评估。
Claims (1)
1.一种基于遥感图像的无人机航线撞地风险评估方法,其特征在于,具体步骤如下:
步骤一、针对用户申报的无人机预备起飞的航线,对该航线途经地面区域拍摄遥感图像,根据经纬度坐标拼接形成栅格地图;
步骤二、利用遥感图像语义分割技术,对栅格地图中每个栅格内的像素进行分类,构建地貌信息矩阵;
像素分类为建筑类R(architecture)、绿化类R(greening_area)、水域类R(river)和道路类R(rode);
针对第个n栅格图像,该栅格内每个像素点根据所属的类别不同,分别用1,2,3和4表示;得到对应的地貌信息矩阵Gn如下:
In(xa,yb)表示第个n栅格图像In中的像素点(xa,yb)
每个地貌信息矩阵Gn与每个对应的栅格图像In尺寸相同,最后将所有栅格对应的地貌信息矩阵拼接成完整地貌信息矩阵G={G1、G2...,Gn};
步骤三、考虑无人机当前位置、速度、风速和无人机高度,计算无人机在当前位置跌落后的撞地坐标,从而构建无人机跌落模型;
最后,计算无人机撞地坐标,用如下公式表达:
步骤四、无人机在某点(xi,yj)撞地后,计算无人机在该跌落点所在的像素区域的概率Pij和造成的财产损失值Qij;
x1,x2,y1,y2分别为跌落点所在的像素区域的x,y轴边界,f(x,y)是标准二维高斯分布的概率密度函数;
财产损失值用权重值来体现,跌落点(xi,yj)所在的像素区域的权重值用如下公式计算:
wij表示坐标为(xi,yj)的跌落点对应的像素类的价值权重;qarchitecture表示像素区域为建筑类赋予的价值权重,qgreening_area表示像素区域为绿化类赋予的价值权重,qriver表示像素区域为水域类赋予的价值权重,qrode表示像素区域为道路类赋予的价值权重;
步骤五、无人机在点(xi,yj)撞地后,以跌落点所在的像素区域为中心,设定20*20个相邻像素区域作为误差区域,分别计算无人机在误差区域中的概率值和财产损失值;
误差区域根据实际航线对应的地图人为设定大小;
Phf表示无人机跌落坐标点(xh,yf)所在的像素区域的概率;
Qhf表示无人机以跌落点(xh,yf)所在的像素区域为中心,周边相邻的10*10个像素区域内所有像素区域的权重值累积之和;
步骤六、计算无人机在以撞地点(xi,yj)为核心的误差区域的风险评估值E[Qij];
风险评估值E[Qij]计算公式如下:
步骤七、将用户申报的无人机航线划分若干段航路子段,分别计算每段航路子段的撞地风险评估值;
利用第z个航路子段跌落坐标(xs,yt)计算该航线子段对应的风险评估值,计算公式如下:
Ez表示第z个航路子段对应的风险评估值;
步骤八、对每段航路子段的风险评估值分别引入通信强度因子,选出加入通信强度因素后航线风险评估值最大的航路子段;
第z个航路子段(xp,yq)接入通信强度因素后航路子段风险评估值为:
Ez_connection=Ez·Ap,q
其中Ez_connection表示加入通信强度系数后航路子段风险评估值,通信强度系数Ap,q是航路子段中心坐标对应的通信强度,反应出无人机跌落概率受通信强度影响;
最后,从每个航路子段对应风险评估值中选出最大的风险评估值作为这条航线中风险评估值即可;
E_airline=max(E1_connection,E2_connection,E3_connection...En_connection)
其中,E_airline表示航路风险评估值;
步骤九、判断航路子段中最大的航线风险评估值是否大于设定的阈值,如果是,则该航路是危险的,禁止飞行;否则,全部航路子段的风险评估值都低于阈值,此航路是安全的,允许飞行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010758152.3A CN112132144B (zh) | 2020-07-31 | 2020-07-31 | 一种基于遥感图像的无人机航线撞地风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010758152.3A CN112132144B (zh) | 2020-07-31 | 2020-07-31 | 一种基于遥感图像的无人机航线撞地风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132144A CN112132144A (zh) | 2020-12-25 |
CN112132144B true CN112132144B (zh) | 2021-08-03 |
Family
ID=73850621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010758152.3A Active CN112132144B (zh) | 2020-07-31 | 2020-07-31 | 一种基于遥感图像的无人机航线撞地风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132144B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361862B (zh) * | 2021-05-13 | 2023-04-18 | 北航(四川)西部国际创新港科技有限公司 | 一种针对城市环境的无人机风险评估方法及系统 |
CN113313058B (zh) * | 2021-06-16 | 2022-08-02 | 北京航空航天大学 | 一种基于自适应模型集成的无人机航拍图像目标检测方法 |
CN114371695B (zh) * | 2021-12-02 | 2022-09-16 | 南方科技大学 | 落脚点位置确定方法、装置、设备及存储介质 |
CN115294487B (zh) * | 2022-10-09 | 2023-01-31 | 国网电力空间技术有限公司 | 一种无人机风险等级获取方法、存储介质及电子设备 |
CN115630531B (zh) * | 2022-12-19 | 2023-03-14 | 中南大学 | 无人机控制系统自动化安全评估方法 |
CN117218907B (zh) * | 2023-11-08 | 2024-01-23 | 中国电子科技集团公司第十五研究所 | 一种基于无人机运行特性的低空网格剖分方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153329A (zh) * | 2017-12-26 | 2018-06-12 | 佛山市道静科技有限公司 | 一种基于互联网的无人机防撞方法 |
CN109358638A (zh) * | 2018-09-10 | 2019-02-19 | 南京航空航天大学 | 基于分布式地图的无人机视觉避障方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11740630B2 (en) * | 2018-06-12 | 2023-08-29 | Skydio, Inc. | Fitness and sports applications for an autonomous unmanned aerial vehicle |
CN110320933B (zh) * | 2019-07-29 | 2021-08-10 | 南京航空航天大学 | 一种巡航任务下无人机避障运动规划方法 |
-
2020
- 2020-07-31 CN CN202010758152.3A patent/CN112132144B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153329A (zh) * | 2017-12-26 | 2018-06-12 | 佛山市道静科技有限公司 | 一种基于互联网的无人机防撞方法 |
CN109358638A (zh) * | 2018-09-10 | 2019-02-19 | 南京航空航天大学 | 基于分布式地图的无人机视觉避障方法 |
Non-Patent Citations (3)
Title |
---|
Zhang X 等.Safety Assessment and Risk Estimation for Unmanned Aerial Vehicles Operating in National Airspace System.《Journal of advanced transportation》.2018, * |
全权等.低空无人机交通管理概览与建议.《航空学报》.2020,第41卷(第01期), * |
韩鹏等.基于飞行环境建模的UAV地面撞击风险研究.《中国安全科学学报》.2020,第30卷(第01期), * |
Also Published As
Publication number | Publication date |
---|---|
CN112132144A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132144B (zh) | 一种基于遥感图像的无人机航线撞地风险评估方法 | |
CN113359810B (zh) | 一种基于多传感器的无人机着陆区域识别方法 | |
CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
US11455565B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
US11487988B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
KR101933216B1 (ko) | 드론과 공간정보를 이용한 하천지형정보 생성 방법 | |
CN101975951B (zh) | 一种融合距离和图像信息的野外环境障碍检测方法 | |
Zhu et al. | 3d lidar point cloud based intersection recognition for autonomous driving | |
JP2019527832A (ja) | 正確な位置特定およびマッピングのためのシステムおよび方法 | |
CN109255286A (zh) | 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法 | |
CN114248819B (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 | |
CN114758086B (zh) | 一种城市道路信息模型的构建方法及装置 | |
CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
Browning et al. | 3D Mapping for high-fidelity unmanned ground vehicle lidar simulation | |
US20230289974A1 (en) | Performing semantic segmentation of 3d data using deep learning | |
CN112488010A (zh) | 基于无人机点云数据的高精度目标提取方法及系统 | |
CN112325857A (zh) | 基于倾斜摄影的无人机障碍预警方法 | |
CN116543322A (zh) | 一种基于社区安全隐患的物业智能巡检方法 | |
CN116433865A (zh) | 一种基于场景可重建性分析的空地协同采集路径规划方法 | |
CN114927002B (zh) | 一种用于灾后救援的道路诱导方法及设备 | |
Tovanche-Picon et al. | Visual-based safe landing for UAVs in populated areas: real-time validation in virtual environments | |
CN115953556A (zh) | 暴雨内涝道路风险ar预警方法及装置 | |
Paulin et al. | Application of raycast method for person geolocalization and distance determination using UAV images in Real-World land search and rescue scenarios | |
CN114280583A (zh) | 无gps信号下激光雷达定位精度验证方法及系统 | |
CN112634610A (zh) | 自然驾驶数据采集方法、装置、电子设备以及存储介质 |
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 |