CN112585557A - 控制无人机的方法、装置和无人机 - Google Patents
控制无人机的方法、装置和无人机 Download PDFInfo
- Publication number
- CN112585557A CN112585557A CN202080004451.6A CN202080004451A CN112585557A CN 112585557 A CN112585557 A CN 112585557A CN 202080004451 A CN202080004451 A CN 202080004451A CN 112585557 A CN112585557 A CN 112585557A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- acceleration
- speed
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 74
- 230000033001 locomotion Effects 0.000 claims abstract description 63
- 230000001133 acceleration Effects 0.000 claims description 323
- 239000013598 vector Substances 0.000 claims description 212
- 230000014509 gene expression Effects 0.000 claims description 167
- 238000005070 sampling Methods 0.000 claims description 128
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000001419 dependent effect Effects 0.000 claims description 36
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 55
- 230000000694 effects Effects 0.000 abstract description 25
- 230000011664 signaling Effects 0.000 abstract description 22
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 101150036841 minJ gene Proteins 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/10—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
一种控制无人机的方法、装置和无人机。该方法包括:获取规划航线,规划航线包括目标时刻下的目标航点(S210);获取无人机的运动状态信息,并根据运动状态信息估计目标时刻下的预测位置(S220);确定预测位置在规划航线上的第一投影位置(S230);根据第一投影位置到目标航点的第一距离偏差量,和预测位置到第一投影位置的第二距离偏差量,生成用于控制无人机的运动的飞行控制指令,以控制无人机跟踪规划航线(S240)。通过第一距离偏差量和第二距离偏差量调整飞行控制信令,不仅能够提升优化效果,还能够降低对运算平台的要求、节省时间并提升对无人机的控制精度和用户体验。
Description
版权申明
本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或者该专利披露。
技术领域
本申请涉及信息处理领域,并且更为具体地,涉及一种控制无人机的方法、装置和无人机。
背景技术
模型预测控制(Model Predictive Control,MPC)作为一种常用的路径/轨迹跟随控制技术,模型预测控制也可以简称为预测控制。利用模型预测控制技术可以优化一个或多个指标。例如,通过求解一个满足约束条件的模型(即优化目标表达式),优化用于控制无人机运动的预测序列,使得无人机在跟随规划路径的运动过程中时间最短、能量最优或误差最小等。
在优化指标为误差最小的情况下,通常采用期望无人机在运动过程中的预测位置与规划位置之间的欧式距离最小的优化方式,优化用于控制无人机运动的预测序列。采用欧式距离优化预测序列虽然具有比较简单的优化目标表达式,但不会考虑切向和法线上的误差的惩罚不一致的情况,导致优化后的预测序列未必能够达到最符合预期的跟随结果,相应的,其优化效果也较差。
因此,本领域急需一种能够提升优化效果的用于控制无人机运动的方法。
发明内容
提供一种控制无人机的方法、装置和无人机,相对于现有技术,不仅能够提升优化效果,还能够降低对运算平台的要求、节省时间并提升对所述无人机的控制精度和用户体验。
第一方面,提供了一种控制无人机的方法,在一些可能的实现方式中,包括:
获取规划航线,所述规划航线包括目标时刻下的目标航点;
获取所述无人机的运动状态信息,并根据所述运动状态信息估计所述目标时刻下的预测位置;
确定所述预测位置在所述规划航线上的第一投影位置;
根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,以控制所述无人机跟踪所述规划航线。
通过将无人机在目标时刻下的预测位置投影在规划航线上,可以将所述预测位置和所述目标航点之间的欧式距离,转换为第一投影位置到所述目标航点的第一距离偏差量和所述预测位置到所述第一投影位置的第二距离偏差量,基于此,所述第一距离偏差量可以作为所述预测位置在切向方向上和所述目标航点之间的偏差量,所述第二距离偏差量可以作为所述预设距离在法向方向上和所述目标航点之间的偏差量,由此实现通过采用切法向误差最小的优化方式,优化用于控制无人机运动的飞行控制指令,避免了切向上的距离偏差量的惩罚和法向上的距离偏差量的惩罚不一致的情况,使得所述无人机可以达到最符合预期的跟随结果,相应的,能够提升飞行控制指令的优化结果。
此外,直接通过所述第一距离偏差量和所述第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,可以直接建立线性优化模型,避免了在优化模型(即优化目标线性表达式)中引入所述规划航线,简化了问题的复杂度,相应的,不仅能够降低对运算平台的要求,还能够节省时间并提升对所述无人机的控制精度和用户体验。
相对MPC方法,通过所述第一距离偏差量和所述第二距离偏差量优化所述飞行控制信令,相当于,在MPC方法的基础上,对优化目标进行离散化处理,使其能够在占用极少资源的情况下实现对所述飞行控制信令的优化,相应的,不仅能够提升优化效果,还能够降低对运算平台的要求、节省时间并提升对所述无人机的控制精度和用户体验。
在一些可能的实现方式中,所述获取规划航线,包括:
接收规划器发送的参考航线;
对所述参考航线进行采样,以获取目标点列,其中,所述目标点列为所述无人机在所述参考航线的采样区间上进行投影所获取的多个离散采样点;
将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线;
在所述近似航线中选取所述规划航线。
由于所述规划航线是在由线段组成的近似航线中选取的规划航线,相当于,所述规划航线也是由线段组成的航线,基于此,可以将所述第一投影位置所在的线段的矢量方向确定为切线方向(即所述第一距离偏差量的矢量方向),并将垂直于所述切线方向的方向确定为法向方向(即所述第二距离偏差量的矢量方向),由此,可以直接基于所述法线方向和所述预测位置直接获取所述第一投影点,能够有效简化将所述预测位置投影到规划航线上的操作,相应的,不仅能够降低对运算平台的要求,还能够节省时间并提升对所述无人机的控制精度和用户体验。
此外,通过对所述参考航线进行采样获取规划航线,降低了对所述参考航线的输入要求,相当于降低了对无人机的规划器的性能要求,基于此,能够在降低无人机成本的基础上,增加所述无人机的实用性。例如,由于所述采样器可以通过等间距或等时间间隔的方式获取的离散点列,相当于,所述采样器输出的目标点列可以隐式的携带有时间信息,因此,所述参考航线可以是不具有时间信息的路径。再如,通过将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线,能够对不可微路径(即非连续)路径进行切向和法向上的分离,能够提升路径跟随的优化效果。
在一些可能的实现方式中,所述参考航线为连续的曲线,或所述参考航线包括多个离散的路径点。
在一些可能的实现方式中,所述对所述参考航线进行采样,以获取目标点列,包括:
获取目标速度的矢量;
确定目标采样步长;
基于所述目标速度的矢量和所述目标采样步长,对所述参考航线进行等间距采样,以获取所述目标点列。
在一些可能的实现方式中,所述获取目标速度的矢量,包括:
获取规划器输出的参考速度,所述参考速度为期望所述无人机在所述参考航线上的运动速度;
确定所述无人机所在的位置在所述规划路径上的第二投影位置;
将所述第二投影位置所在的路径的水平方向,确定为所述目标速度在水平面内的第一分矢量方向;
将垂直于所述水平方向的方向,确定为所述目标速度在垂直方向上的第二分矢量方向;
根据所述参考速度、所述第一分矢量方向和所述第二分矢量方向,确定所述目标速度的矢量。
通过所述第一分矢量方向和所述第二分矢量方向,能够根据所述无人机的实际飞行方向对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
在一些可能的实现方式中,所述第一分矢量的标量小于或等于第一极限速度,和/或,所述第一分矢量的标量小于或等于第二极限速度,以使得所述无人机的性能与所述规划航线在水平方向上相匹配;其中,所述第一极限速度为所述无人机在水平方向上的可支持的最大速度,所述第二极限速度为所述无人机从静止状态以极限加速度开始加速并运行极限距离时达到的速度,所述极限加速度为所述无人机可支持的最大加速度,极限距离为所述无人机的最大刹车距离。
通过所述第一极限速度和/或所述第二极限速度,能够根据所述无人机的在水平方向上的实际飞行速度对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
在一些可能的实现方式中,所述第二分矢量的标量小于或等于第三极限速度,以使得所述无人机的性能与所述规划航线在垂直方向上相匹配,所述第三极限速度为所述无人机在垂直方向上的可支持的最大速度。
通过所述第三极限速度,能够根据所述无人机的在垂直方向上的实际飞行速度对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
在一些可能的实现方式中,所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
考虑到无人机的执行机构的误差和不确定性,以及可能的外界扰动,如果每次都严格从无人机当前的运行速度确定目标速度,意味着外界的扰动也会由此影响所述目标速度,导致对所述参考航线不能进行等间距或等时间间隔采样,进而使得目标时刻下的预测位置不能准确的对应到目标时刻下的目标航点,通过将所述无人机的运行速度构造为在所述规划航线内收敛于所述目标速度,不仅能够保证所述目标速度尽可能地匹配到所述无人机当前的运行速度,还能够保证目标时刻下的预测位置准确的对应到目标时刻下的目标航点,以提升飞行控制指令的优化效果。
在一些可能的实现方式中,所述确定采样步长,包括:
若目标里程大于或等于预设采样步长和预设采样点数量的乘积,将所述预设采样步长确定为所述目标采样步长,所述目标里程为规划航线的里程;或者
若目标里程小于预设采样步长和预设采样点数量的乘积,将所述目标里程除去所述预设采样点数量所得到的值确定为所述目标采样步长。
通常而言,为增加无人机控制精度,需要尽可能的提升所述控制频率,但是,由于优化飞行控制信令的过程中的求解步数(也可称为预测步数)和控制无人机运动的控制频率之间存在难以调和的矛盾,若采样步长为恒定值,则采样步长就能够决定预测时域的总长度,此时,控制频率越高则预测时域(即相邻两个采样点之间的时间长度)越短,而预测时域过短会导致求解步数过少,从而降低了优化效果,便通过延长预测步数来提升优化效果,也会增大求解问题维度。通过目标里程和预设采样点数量进行自适应的调整目标采样步长,能够合理设置目标采样步长,相应的,能够兼顾无人机的控制频率和求解步数,进而提升实用性和用户体验。
在一些可能的实现方式中,所述无人机的运动状态信息包括以下信息中的至少一项:
所述无人机所在的位置、所述无人机运行的运行速度以及所述无人机运行的运行加速度。
在一些可能的实现方式中,所述根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动状态的飞行控制指令,包括:
获取目标方向对应的目标线性表达式;
获取线性约束条件;
基于所述线性约束条件对所述目标线性表达式进行求解,以获取所述飞行控制指令,所述飞行控制指令包括所述无人机在所述规划航线下的位置序列、速度序列以及加速度序列。
基于所述第一距离偏差量和所述第二距离偏差量,可以将用户控制无人机的飞行控制信令的优化模型构造为线性表达式,并将所述优化模型的约束条件构造为线性约束条件,相应的,不仅能够降低所述飞行控制指令的优化复杂度,还能够保证所述飞行控制指令的优化效果。
在一些可能的实现方式中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置的数量;
所述第一距离偏差量;
所述第一距离偏差量的惩罚权重矩阵;
所述第二距离偏差量;
所述第二距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
在一些可能的实现方式中,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,eT表示所述第二距离偏差量的行向量,表示所述第二距离偏差量的列向量,QT表示所述第二距离偏差量的惩罚权重矩阵,eN表示所述第二距离偏差量投影到水平面内形成的分量的行向量,表示所述第二距离偏差量投影到水平面内形成的分量的列向量,QN表示所述第二距离偏差量投影到水平面内形成分量的惩罚权重矩阵,ai表示所述无人机在第i个位置上沿前进方向上的加速度投影到水平面内形成的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
通过对切向误差、法向误差和加速度变化的优化,能够有效在水平面内优化无人机的飞行控制指令。
在一些可能的实现方式中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在水平面内满足加速度约束条件;以及
所述无人机在水平面内满足角速度约束条件。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:所述无人机在所述预测位置上的沿前进方向的第一加速度的矢量,以及所述无人机在所述预测位置受到的风阻所产生的第二加速度的矢量之和的绝对值,小于或等于所述无人机可支持的最大加速度。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括所述无人机满足以下公式:
|ai+g(vi)|≤amax;
其中,ai表示所述无人机在第i个位置的在水平面内的沿前进方向的第一加速度的矢量,g(vi)表示所述无人机在第i个位置受到的风阻所产生的第二加速度的矢量,amax表示所述无人机可支持的最大加速度。
将受到风阻产生的第二加速度的矢量考虑到水平方向内的加速度约束条件,能够提升所述飞行控制指令的优化效果。
在一些可能的实现方式中,所述方法还包括:
确定所述第二加速度的表达式;
将所述无人机在水平面内前进的方向的反方向,确定为所述第二加速度的矢量方向;
根据所述第二加速度的表达式和所述第二加速的矢量方向,确定所述第二加速度的矢量。
在一些可能的实现方式中,所述确定所述第二加速度的表达式,包括:
建立所述无人机的速度-姿态曲线,所述速度-姿态曲线的自变量为所述无人机的在水平面内的速度,所述速度-姿态曲线的因变量为所述无人机的姿态;
将所述速度-姿态曲线转化为加速度-速度曲线,所述加速度-速度曲线的自变量为以所述第二加速度,所述加速度-速度曲线的因变量所述无人机的速度;
基于所述加速度-速度曲线,利用二次多项式拟合的方式,获取过零点的加速度-速度近似曲线;
基于所述加速度-速度近似曲线,利用割线法获取加速度-速度线性表达式;
将所述加速度-速度线性表达式,转换成所述第二加速度的表达式。
利用分割法获取加速度-速度曲面,不仅能够将二次曲线转换为线性表达式,还能够避免解算出无人机响应不了的所述第二加速度,增加了所述飞行控制指令的优化效果。
在一些可能的实现方式中,所述无人机在水平面内的姿态等效加速度,和所述无人机可支持的最大加速度,满足预设加速度大小关系。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机满足以下公式:
其中,ah表示所述无人机在水平面内的姿态等效加速度,amax表示所述无人机可支持的最大加速度。
由于四轴飞行器的倾角在水平面上沿不同方向上的大小限制是相同的,因此,通过约束圆约束无人机的姿态等效加速度,相对分别从水平面内的切线方向和法向方向上约束无人机的加速度,能够更精准约束无人机在水平面内的加速度,使其更符合无人机的实际运动状态。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:
根据所述无人机可支持的最大加速度,所述无人机在水平面内的速度的矢量,所述无人机在水平面内的沿前进方向的第一加速度的列向量,所述无人机在水平面内受到的风阻所产生的第二加速度的矢量确定的加速度约束条件。
通过近似多边形约束无人机在水平面内的加速度,相对通过约束圆约束无人机的姿态等效加速度,能够更精准约束无人机在水平面内的加速度,使其更符合无人机的实际运动状态。
在一些可能的实现方式中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置到所述目标航点的第三距离偏差量;
所述第三距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
在一些可能的实现方式中,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,QT表示所述第二距离偏差量投影到垂直方向上形成分量的惩罚权重矩阵,ei表示所述预测位置到所述目标航点的第三距离偏差量,ai表示所述无人机在第i个位置上的沿前进方向上的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
通过对所述第三距离偏差量和加速度变化的优化,能够有效在垂直方向上优化无人机的飞行控制指令。
在一些可能的实现方式中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在垂直方向上满足加速度约束条件;以及
所述无人机在垂直方向上满足角速度约束条件。
第二方面,提供了一种控制无人机的装置,包括:
采样器,所述采样器用于:
获取规划航线,所述规划航线包括目标时刻下的目标航点;
获取所述无人机的运动状态信息,并根据所述运动状态信息估计所述目标时刻下的预测位置;
确定所述预测位置在所述规划航线上的第一投影位置;
优化器,所述优化器连接至所述采样器,所述优化器用于:
根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,以控制所述无人机跟踪所述规划航线。
在一些可能的实现方式中,所述采样器具体用于:
接收规划器发送的参考航线;
对所述参考航线进行采样,以获取目标点列,其中,所述目标点列为所述无人机在所述参考航线的采样区间上进行投影所获取的多个离散采样点;
将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线;
在所述近似航线中选取所述规划航线。
在一些可能的实现方式中,所述参考航线为连续的曲线,或所述参考航线包括多个离散的路径点。
在一些可能的实现方式中,所述采样器具体用于:
获取目标速度的矢量;
确定目标采样步长;
基于所述目标速度的矢量和所述目标采样步长,对所述参考航线进行等间距采样,以获取所述目标点列。
在一些可能的实现方式中,所述装置还包括:
速度限制器,所述速度限制器连接至所述采样器,所述速度限制器用于:
获取规划器输出的参考速度,所述参考速度为期望所述无人机在所述参考航线上的运动速度;
确定所述无人机所在的位置在所述规划路径上的第二投影位置;
将所述第二投影位置所在的路径的水平方向,确定为所述目标速度在水平面内的第一分矢量方向;
将垂直于所述水平方向的方向,确定为所述目标速度在垂直方向上的第二分矢量方向;
根据所述参考速度、所述第一分矢量方向和所述第二分矢量方向,确定所述目标速度的矢量;
将所述目标速度的矢量发送给所述采样器。
在一些可能的实现方式中,所述第一分矢量的标量小于或等于第一极限速度,和/或,所述第一分矢量的标量小于或等于第二极限速度,以使得所述无人机的性能与所述规划航线在水平方向上相匹配;其中,所述第一极限速度为所述无人机在水平方向上的可支持的最大速度,所述第二极限速度为所述无人机从静止状态以极限加速度开始加速并运行极限距离时达到的速度,所述极限加速度为所述无人机可支持的最大加速度,极限距离为所述无人机的最大刹车距离。
在一些可能的实现方式中,所述第二分矢量的标量小于或等于第三极限速度,以使得所述无人机的性能与所述规划航线在垂直方向上相匹配,所述第三极限速度为所述无人机在垂直方向上的可支持的最大速度。
在一些可能的实现方式中,所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
在一些可能的实现方式中,所述采样器还用于:
若目标里程大于或等于预设采样步长和预设采样点数量的乘积,将所述预设采样步长确定为所述目标采样步长,所述目标里程为规划航线的里程;或者
若目标里程小于预设采样步长和预设采样点数量的乘积,将所述目标里程除去所述预设采样点数量所得到的值确定为所述目标采样步长。
在一些可能的实现方式中,所述无人机的运动状态信息包括以下信息中的至少一项:
所述无人机所在的位置、所述无人机运行的运行速度以及所述无人机运行的运行加速度。
在一些可能的实现方式中,所述优化器具体用于:
获取目标方向对应的目标线性表达式;
获取线性约束条件;
基于所述线性约束条件对所述目标线性表达式进行求解,以获取所述飞行控制指令,所述飞行控制指令包括所述无人机在所述规划航线下的位置序列、速度序列以及加速度序列。
在一些可能的实现方式中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置的数量;
所述第一距离偏差量;
所述第一距离偏差量的惩罚权重矩阵;
所述第二距离偏差量;
所述第二距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
在一些可能的实现方式中,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,eN表示所述第一距离偏差量的行向量,表示所述第一偏距离偏差量的列向量,QN表示所述第一距离偏差量的惩罚权重矩阵,eT表示所述第二距离偏差量的行向量,表示所述第二距离偏差量的列向量,QT表示所述第二距离偏差量的惩罚权重矩阵,ai表示所述无人机在第i个位置上的沿前进方向上的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
在一些可能的实现方式中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在水平面内满足加速度约束条件;以及
所述无人机在水平面内满足角速度约束条件。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:所述无人机在所述预测位置上的沿前进方向的第一加速度的矢量,以及所述无人机在所述预测位置受到的风阻所产生的第二加速度的矢量之和的绝对值,小于或等于所述无人机可支持的最大加速度。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括所述无人机满足以下公式:
|ai+g(vi)|≤amax;
其中,ai表示所述无人机在第i个位置的在水平面内的沿前进方向的第一加速度的矢量,g(vi)表示所述无人机在第i个位置受到的风阻所产生的第二加速度的矢量,amax表示所述无人机可支持的最大加速度。
在一些可能的实现方式中,所述优化器还用于:
确定所述第二加速度的表达式;
将所述无人机在水平面内前进的方向的反方向,确定为所述第二加速度的矢量方向;
根据所述第二加速度的表达式和所述第二加速的矢量方向,确定所述第二加速度的矢量。
在一些可能的实现方式中,所述优化器具体用于:
建立所述无人机的速度-姿态曲线,所述速度-姿态曲线的自变量为所述无人机的在水平面内的速度,所述速度-姿态曲线的因变量为所述无人机的姿态;
将所述速度-姿态曲线转化为加速度-速度曲线,所述加速度-速度曲线的自变量为以所述第二加速度,所述加速度-速度曲线的因变量所述无人机的速度;
基于所述加速度-速度曲线,利用二次多项式拟合的方式,获取过零点的加速度-速度近似曲线;
基于所述加速度-速度近似曲线,利用割线法获取加速度-速度线性表达式;
将所述加速度-速度线性表达式,转换成所述第二加速度的表达式。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机在水平面内的姿态等效加速度,和所述无人机可支持的最大加速度,满足预设加速度大小关系。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机满足以下公式:
其中,ah表示所述无人机在水平面内的姿态等效加速度,amax表示所述无人机可支持的最大加速度。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括:
根据所述无人机可支持的最大加速度,所述无人机在水平面内的速度的矢量,所述无人机在水平面内的沿前进方向的第一加速度的列向量,所述无人机在水平面内受到的风阻所产生的第二加速度的矢量确定的加速度约束条件。
在一些可能的实现方式中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置到所述目标航点的第三距离偏差量;
所述第三距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
在一些可能的实现方式中,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,ei表示所述预测位置到所述目标航点的第三距离偏差量,QT表示所述第三距离偏差量的惩罚权重矩阵,ai表示所述无人机在第i个位置上的沿前进方向上的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
在一些可能的实现方式中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在垂直方向上满足加速度约束条件;以及
所述无人机在垂直方向上满足角速度约束条件。
第三方面,提供了一种无人机,包括第二方面或第二方面中任一种可能的实现方式中所述的装置。
第四方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机执行时使得所述计算机能够执行第一方面或第一方面中任一种可能的实现方式中所述的方法。
第五方面,提供一种包含指令的计算机程序产品,所述指令被计算机执行时使得计算机执行第一方面或第一方面中任一种可能的实现方式中所述的方法。
附图说明
图1是本申请实施例的路径跟随系统的示意性结构图。
图2是本申请实施例的用于控制无人机的方法的示意性流程图。
图3是本申请实施例的第一距离偏差量和第二距离偏差量的示意图。
图4是本申请实施例的基于参考航线获取规划航线的示意图。
图5是本申请实施例的目标速度的矢量的示意图。
图6是本申请实施例的水平面内的加速度的约束条件的示意性框图。
图7是本申请实施例的路径跟随系统的另一示意性的结构图。
具体实施方式
为了便于理解本申请实施例提供的技术方案,下文结合图1首先描述一些本申请实施例涉及的概念。
图1是本申请实施例的路径跟随系统的示意性结构图。
如图1所示,所述路径跟随系统100可以包括规划器110和用于控制无人机的装置120。所述装置120也可以称为控制器,所述控制器用于控制所述无人机的执行结构(图1未示出),进而控制所述无人机的运动。所述规划器110和所述装置120之间可以进行通信。例如,所述规划器110和所述装置120可以通过有线连接,例如光纤或有线电缆。再如,所述规划器110和所述装置可以通过无线连接,例如,WiFi。
规划器110可以用于生成参考航线和参考速度,所述参考航线可以为一条期望的、平缓的曲线(即参考路径/轨迹)。所述参考速度可以为期望的、稳定的飞行速度。例如,所述参考航线可以是基于无人机的飞行任务规划或设计的航线。再如,所述参考航线也可以是基于历史飞行航线预测的在未来时域内期望无人机的飞行航线。
规划器110可以将所述参考航线和所述参考速度发送给所述装置120,以便所述装置120可以根据所述参考航线和所述参考速度,生成用于控制所述无人机飞行的飞行控制指令,所述飞行控制信令用于控制无人机的执行机构执行调整飞行参数,使得所述无人机的运动过程能够跟随所述参考航线。本申请实施例中,将所述无人机跟随所述参考航线运动的过程称为路径/轨迹跟随或路径/轨迹跟踪,为便于描述,下文统称为路径跟随。具体地,通过合理的控制无人机在运动过程中的位置、速度及加速度等变化量,可以实现路径跟随。
换言之,所述飞行控制指令可以是用于控制无人机信息。例如,所述飞行控制指令可以包括以下信息中的至少一项:至少一个时刻分别对应的至少一个运行位置,所述至少一个时刻分别对应的至少一个运行速度,以及所述至少一个时刻对应的运行加速度。换言之,所述飞行控制指令可以包括位置序列,速度序列以及加速度序列的至少一项,其中,所述位置序列可以是所述至少一个位置形成的有向序列,类似地,所述速度序列可以是所述至少一个速度形成的有向序列,所述加速度序列可以是所述至少一个加速度形成的有向序列。
在无人机跟随所述参考航线的运动过程中,所述装置120可以接收无人机的运动状态信息,所述运动状态信息可以用于预测所述无人机在未来时域的飞行状态(即预测结果)。所述装置120接收到所述运动状态信息后,可以基于所述运动状态信息获取所述预测结果,并基于预测结果和所述参考航线之间的偏差,调整基于所述参考航线生成的飞行控制指令,以使提升路径跟随效果。例如,可以基于一个或多个优化指标优化所述飞行控制信令。可选地,所述优化指标包括但不限于:时间最短、能量最优或误差最小。所述误差最小包括但不限于:欧式距离误差最小、切向距离误差最小或法向距离误差最小。
其中,所述运动状态信息还可以称为反馈信息或位置-速度-加速度信息(即PVA信息)。所述运动状态信息包括但不限于所述无人机所在的位置、所述无人机的运行速度或所述无人机的运行加速度。可选地,可以通过所述无人机的各种类型的传感器获取所述运动状态信息。例如,可以通过旋螺仪和/或定位传感器获取所述无人机的位姿。再如,可以通过距离传感器获取所述无人机的速度和加速度。
需要说明的是,本申请实施例中,所述无人机可以指任意一种可以进行路径跟随的设备或装置。例如,所述无人机可以是无人驾驶的飞机,也可以是机器人。再如,所述无人机可以是设置有载人空间的无人机,也可以是不设置有载人空间的无人机。
图2是本申请实施例的用于控制无人机的方法200的示意性流程图。所述方法200的执行主体可以是图1所示的装置120。
如图2所示,所述方法200可以包括:
S210,获取规划航线,所述规划航线包括目标时刻下的目标航点。
S220,获取所述无人机的运动状态信息,并根据所述运动状态信息估计所述目标时刻下的预测位置。
S230,确定所述预测位置在所述规划航线上的第一投影位置。
S240,根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,以控制所述无人机跟踪所述规划航线。
简言之,所述装置120通过将预测位置投影到所述规划航线上的方式,获取所述第一距离偏差量和所述第二距离偏差量,并将所述第一距离偏差量和所述第二距离偏差量作为优化指标,以优化用于控制所述无人机运动的飞行控制指令。
其中,所述成用于控制所述无人机的运动的飞行控制指令,可以包括在上一时刻的控制指令终具体控制参数的基础上做控制参数的调整,也可以包括重新生成一个控制参数的。
例如,通过所述第一距离偏差量最小以及所述第二距离偏差量最小的方式,优化所述飞行控制指令。
图3是本申请实施例的第一距离偏差量和第二距离偏差量的示意图。
如图3所示,所述规划航线上可以包括多个时刻分别对应的多个航点(也可以称为路径点)。可选地,所述目标时刻可以是所述多个时刻中的至少一个时刻,相应的,所述目标航点包括所述至少一个时刻中每一个时刻下的航点。相应的,所述预测位置可以包括至少一个位置。
例如,所述预测位置包括多个位置,所述飞行控制指令可以用于控制无人机在未来某一时域或时间段内的运动。此时,可以通过所述多个位置中每一个位置对应的第一距离偏差量和所述多个位置中每一个位置对应的第二距离偏差量,调整未来某一时间段内的飞行控制信令。
若所述无人机的预测位置和目标航点不重合,则所述预测位置在所述规划航线上会存在一个投影位置(即所述第一投影位置),此时,可以基于所述第一投影位置和所述目标航点的位置定义第一距离偏差,并基于所述预测位置和所述第一投影位置定义第二距离偏差,进而根据所述第一距离偏差和所述第二距离偏差优化飞行控制信令。
通过将无人机在目标时刻下的预测位置投影在规划航线上,可以将所述预测位置和所述目标航点之间的欧式距离,转换为第一投影位置到所述目标航点的第一距离偏差量和所述预测位置到所述第一投影位置的第二距离偏差量,基于此,所述第一距离偏差量可以作为所述预测位置在切向方向上和所述目标航点之间的偏差量,所述第二距离偏差量可以作为所述预设距离在法向方向上和所述目标航点之间的偏差量,由此实现通过采用切法向误差最小的优化方式,优化用于控制无人机运动的飞行控制指令,避免了切向上的距离偏差量的惩罚和法向上的距离偏差量的惩罚不一致的情况,使得所述无人机可以达到最符合预期的跟随结果,相应的,能够提升飞行控制指令的优化结果。
此外,直接通过所述第一距离偏差量和所述第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,可以直接建立线性优化模型,避免了在优化模型(即优化目标线性表达式)中引入所述规划航线,简化了问题的复杂度,相应的,不仅能够降低对运算平台的要求,还能够节省时间并提升对所述无人机的控制精度和用户体验。
相对MPC方法,通过所述第一距离偏差量和所述第二距离偏差量优化所述飞行控制信令,相当于,在MPC方法的基础上,对优化目标进行离散化处理,使其能够在占用极少资源的情况下实现对所述飞行控制信令的优化,相应的,不仅能够提升优化效果,还能够降低对运算平台的要求、节省时间并提升对所述无人机的控制精度和用户体验。
需要说明的是,所述规划航线是所述无人机用于进行路径跟随的航线。本申请实施例对其具体形式不做限定。例如,所述规划航线可以是由如图1所示的规划器110输出的参考航线。再如,所述规划航线可以是对所述参考航线进行处理后获取到的航线。
此外,所述第一距离偏差量的矢量方向实际是所述无人机的机体水平面上的矢量方向,本申请将其近似为水平平面内的所述无人机的距离偏差量的矢量方向,以简化计算复杂度。
在本申请的一些实施例中,所述S210可包括:
接收规划器发送的参考航线;
对所述参考航线进行采样,以获取目标点列,其中,所述目标点列为所述无人机在所述参考航线的采样区间上进行投影所获取的多个离散采样点;
将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线;
在所述近似航线中选取所述规划航线。
图4是本申请实施例的参考航线和规划航线的关系的示意图。
如图4所示,虚线表示所述参考航线,实线表示所述规划航线,黑色填充的圆表示参考航线上的路径点,白色填充的圆表示所述无人机所在的位置,白色填充的矩形表示无人机所在的位置投影到所述参考航线后所在的第二投影位置。此时,所述目标点列可以包括所有的用白色填充的矩形。由规划器输出的参考航线可以描述为一串离散的路径点,所述参考航线可以视为所述一串离散的路径点之间按照相邻关系进行直线连接而构成有向点列,记为Pi,i=0,1,…,N。
简言之,所述装置120可以通过采样所述参考航线的方式获取所述规划航线,以简化所述规划航线。
由于所述规划航线是在由线段组成的近似航线中选取的规划航线,相当于,所述规划航线也是由线段组成的航线,基于此,可以将所述第一投影位置所在的线段的矢量方向确定为切线方向(即所述第一距离偏差量的矢量方向),并将垂直于所述切线方向的方向确定为法向方向(即所述第二距离偏差量的矢量方向),由此,可以直接基于所述法线方向和所述预测位置直接获取所述第一投影点,能够有效简化将所述预测位置投影到规划航线上的操作,相应的,不仅能够降低对运算平台的要求,还能够节省时间并提升对所述无人机的控制精度和用户体验。
例如,所述规划航线经过后向差分或前向差分后,再经过平面模归一化处理,即可获得所述切线方向和所述法向方向,进而可以得到用于优化的第一距离变差量和第二距离偏差量。
此外,通过对所述参考航线进行采样获取规划航线,降低了对所述参考航线的输入要求,相当于降低了对无人机的规划器的性能要求,基于此,能够在降低无人机成本的基础上,增加所述无人机的实用性。例如,由于所述采样器可以通过等间距或等时间间隔的方式获取的离散点列,相当于,所述采样器输出的目标点列可以隐式的携带有时间信息,因此,所述参考航线可以是不具有时间信息的路径。再如,通过将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线,能够对不可微路径(即非连续)路径进行切向和法向上的分离,能够提升路径跟随的优化效果。
需要说明的是,所述参考航线可以是图1所示的规划器110输出的航线,本申请对所述参考航线的形式不做具体限定。
例如,所述参考航线为连续的曲线,或所述参考航线包括多个离散的路径点。
在对所述参考航线进行采样的过程中,可以以目标速度和目标采样步长对所述参考航线进行采样,以获取所述目标点列。其中,本申请实施例对素数目标速度和目标采样时长的具体数值不做限定。例如,所述目标速度的矢量可以是期望的飞行速度。再如,所述目标速度可以是所述无人机能够达到或能够响应的飞行速度。类似地,所述目标采样步长可以是预设采样步长,也可以是基于所述预设采样步长确定的步长,本申请实施例对此不做具体限定。
换言之,获取所述目标点列的过程可包括如下步骤:
获取目标速度的矢量;
确定目标采样步长;
基于所述目标速度的矢量和所述目标采样步长,对所述参考航线进行等间距采样,以获取所述目标点列。
下面对基于所述参考速度获取所述目标速度的具体实现方式进行示例性说明:
在本申请的一些实施例中,获取所述目标速度的矢量的过程可包括如下步骤:
获取规划器输出的参考速度;
确定所述无人机所在的位置在所述规划路径上的第二投影位置;
将所述第二投影位置所在的路径的水平方向,确定为所述目标速度在水平面内的第一分矢量方向;
将垂直于所述水平方向的方向,确定为所述目标速度在垂直方向上的第二分矢量方向;
根据所述参考速度、所述第一分矢量方向和所述第二分矢量方向,确定所述目标速度的矢量。
例如,如图4所示,可以将所述第二投影位置所在的路径的矢量方向(即从左往右的第二个线段的矢量方向)作为所述目标速度的矢量方向,并将所述参考速度作为所述目标速度的标量,以此得到所述目标速度的矢量。
通过所述第一分矢量方向和所述第二分矢量方向,能够根据所述无人机的实际飞行方向对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
需要说明的是,所述参考速度为期望所述无人机在所述参考航线上的运动速度。所述参考速度可以是如图1所示的规划器110输出的速度,本申请对所述参考速度的具体形式不做限定。例如,所述参考速度可以是标量。
在本申请的一些实施例中,所述第一分矢量的标量小于或等于第一极限速度,和/或,所述第一分矢量的标量小于或等于第二极限速度,以使得所述无人机的性能与所述规划航线在水平方向上相匹配;其中,所述第一极限速度为所述无人机在水平方向上的可支持的最大速度,所述第二极限速度为所述无人机从静止状态以极限加速度开始加速并运行极限距离时达到的速度,所述极限加速度为所述无人机可支持的最大加速度,极限距离为所述无人机的最大刹车距离。
图5是本申请实施例的目标速度的示意图。
如图5所示,无人机的速度的矢量可以转化为水平面内的速度vlev的矢量和垂直方向上的速度vver的矢量。其中,水平面内的速度vlev可以通过第一极限速度vlev-max1和/或第二极限速度vlev-max2进行约束。
通过所述第一极限速度和/或所述第二极限速度,能够根据所述无人机的在水平方向上的实际飞行速度对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
在本申请的一些实施例中,所述第二分矢量的标量小于或等于第三极限速度,以使得所述无人机的性能与所述规划航线在垂直方向上相匹配,所述第三极限速度为所述无人机在垂直方向上的可支持的最大速度。
例如,如图5所示,垂直方向上的速度vver可以通过第三极限速度vver-max进行约束。
通过所述第三极限速度,能够根据所述无人机的在垂直方向上的实际飞行速度对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
当所述目标速度通过所述第一极限速度、所述第二极限速度和所述第三极限速度约束后,可以在空间上采用所述无人机能够响应的速度对所述参考航线进行采样,使得获取的规划航线能够与所述无人机的实际飞行情况相匹配,相应的,能够提升用于控制无人机的飞行控制指令的优化效果。
下面对基于所述目标速度的确定方法进行示例性说明。
首先,获取所述第一极限速度vlev-max1、所述第二极限速度vlev-max2以及所述第三极限速度vver-max。
例如,假设可以从机器人设计中得到第一极限速度vlev-max1和第三极限速度vver-max,此时,可以根据如下公式确定所述第二极限速度vlev-max2:
其中,sb为极限速度,即所述无人机的安全刹车距离;amax为所述无人机可支持的最大加速度。可选地,可以在所述无人机的设计参数中得到sb和amax。
其次,获取所述目标速度矢量。
例如,可以将所述无人机所在的位置向所述规划航线上进行投影,获取第二投影位置及其所在目标路径段,基于此,可以将所述目标路径段的方向定义为所述目标路径段的矢量方向,即:
其中,Pi+1或Pi表示所述无人机所在的位置。
由此,可以将所述目标路径段的矢量方向确定为由规划器输出的参考速度的矢量方向。例如,参见图5所示的虚线表示的速度的矢量。
接着,基于所述第一极限速度vlev-max1、所述第二极限速度vlev-max2以及所述第三极限速度vver-max对所述参考速度的矢量进行约束,以获取所述目标速度的矢量。例如,参见图5所示的用实线表示的速度的矢量。换言之,可以利用图5所示的阴影区域的边界除以所述参考速度的矢量的对应分量,并使其饱和限制在0-1区间,取其最小值作为约束因子乘以所述参考速度的矢量,由此可得到所述目标速度的矢量。
在本申请的一些实施例中,所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
考虑到无人机的执行机构的误差和不确定性,以及可能的外界扰动,如果每次都严格从无人机当前的运行速度确定目标速度,意味着外界的扰动也会由此影响所述目标速度,导致对所述参考航线不能进行等间距或等时间间隔采样,进而使得目标时刻下的预测位置不能准确的对应到目标时刻下的目标航点,通过将所述无人机的运行速度构造为在所述规划航线内收敛于所述目标速度,不仅能够保证所述目标速度尽可能地匹配到所述无人机当前的运行速度,还能够保证目标时刻下的预测位置准确的对应到目标时刻下的目标航点,以提升飞行控制指令的优化效果。
例如,可以通过一个大时间常数的误差积分器可以将所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
例如,可以线通过如下公式获取误差积分器的输出速度:
其中,表示所述输出速度,表示无人机的所在位置为第i个位置时所述无人机的目标速度,表示无人机的所在位置为第i个位置时所述无人机的运行速度,ΔT表示采样周期或采样时间间隔,例如,ΔT为20ms,amax为所述无人机可支持的最大加速度,ki为积分增益。
在本申请的一些实施例中,可以自适应调整所述目标采样步长。
例如,若目标里程大于或等于预设采样步长和预设采样点数量的乘积,将所述预设采样步长确定为所述目标采样步长,所述目标里程为规划航线的里程。
再如,若目标里程小于预设采样步长和预设采样点数量的乘积,将所述目标里程除去所述预设采样点数量所得到的值确定为所述目标采样步长。
例如,如图4所示,用实线表示的线段的长度可以用于表示目标里程,相邻的两个用白色填充的矩形之间的距离用于表示目标采样步长,目标里程上的用白色填充的矩形的数量用于表示预设采样点数量。
通常而言,为增加无人机控制精度,需要尽可能的提升所述控制频率,但是,由于优化飞行控制信令的过程中的求解步数(也可称为预测步数)和控制无人机运动的控制频率之间存在难以调和的矛盾,若采样步长为恒定值,则采样步长就能够决定预测时域的总长度,此时,控制频率越高则预测时域(即相邻两个采样点之间的时间长度)越短,而预测时域过短会导致求解步数过少,从而降低了优化效果,便通过延长预测步数来提升优化效果,也会增大求解问题维度。通过目标里程和预设采样点数量进行自适应的调整目标采样步长,能够合理设置目标采样步长,相应的,能够兼顾无人机的控制频率和求解步数,进而提升实用性和用户体验。
在本申请的一些实施例中,所述S230可包括以下步骤:
获取目标方向对应的目标线性表达式;
获取线性约束条件;
基于所述线性约束条件对所述目标线性表达式进行求解,以获取所述飞行控制指令,所述飞行控制指令包括所述无人机在所述规划航线下的位置序列、速度序列以及加速度序列。
由于所述第一距离偏差量和所述第二距离偏差量是基于目标航点和所述同一时刻对应的航点而言的,因此,可以基于离散的第一距离偏差量和离散的第二距离偏差量直接构建目标线性表达式和线性约束条件。
基于所述第一距离偏差量和所述第二距离偏差量,可以将用户控制无人机的飞行控制信令的优化模型构造为线性表达式,并将所述优化模型的约束条件构造为线性约束条件,相应的,不仅能够降低所述飞行控制指令的优化复杂度,还能够保证所述飞行控制指令的优化效果。
考虑到到四轴无人机在水平面内的运动特性和垂直方向上具有很大的不同,因此,可以将垂直方向的控制优化和水平面内上的控制优化进行解耦,即分别使用不同的模型(即优化表达式)优化,以提升所述飞行控制信令的优化效果。
在本申请的一些实施例中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置的数量;
所述第一距离偏差量;
所述第一距离偏差量的惩罚权重矩阵;
所述第二距离偏差量;
所述第二距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
具体的,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,eT表示所述第二距离偏差量的行向量,表示所述第二距离偏差量的列向量,QT表示所述第二距离偏差量的惩罚权重矩阵,eN表示所述第二距离偏差量投影到水平面内形成的分量的行向量,表示所述第二距离偏差量投影到水平面内形成的分量的列向量,QN表示所述第二距离偏差量投影到水平面内形成分量的惩罚权重矩阵,ai表示所述无人机在第i个位置上沿前进方向上的加速度投影到水平面内形成的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。可选地,|QN|>|QT|>>|R|。
通过对切向误差、法向误差和加速度变化的优化,能够有效在水平面内优化无人机的飞行控制指令。
在本申请的一些实施例中,若所述目标方向为水平面内的方向,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在水平面内满足加速度约束条件;以及
所述无人机在水平面内满足角速度约束条件。
其中,速度表达式和唯一表达式可以作为所述无人机的模型约束条件,加速度约束条件和角速度约束条件可以作为所述无人机的性能约束条件,
换言之,若所述目标方向为水平面内的方向,所述线性约束条件包括以下中的至少一项:
vi=vi-1+ai-1ΔT;
|ai+g(vi)|≤amax;
|ai-ai-1|≤jmax;
其中,pi表示第i个位置在水平面内的位置向量,ΔT表示相邻两个位置之间的时间间隔,vi表示第i个位置在水平面内的速度的矢量,ai表示所述无人机在第i个位置上沿前进方向上的加速度投影到水平面内形成的第一加速度的矢量,g(vi)表示第i个位置在水平面内受到的风阻所产生的第二加速度的矢量,amax表示所述无人机可支持的最大加速度,jmax表示相邻两个位置的最大加速度差。
作为水平面内加速度约束条件的一个示例,所述无人机在水平面内满足加速度约束条件,包括:所述无人机在所述预测位置上的沿前进方向的第一加速度的矢量,以及所述无人机在所述预测位置受到的风阻所产生的第二加速度的矢量之和的绝对值,小于或等于所述无人机可支持的最大加速度。
在一些可能的实现方式中,所述无人机在水平面内满足加速度约束条件,包括所述无人机满足以下公式:
|ai+g(vi)|≤amax;
其中,ai表示所述无人机在第i个位置的在水平面内的沿前进方向的第一加速度的矢量,g(vi)表示所述无人机在第i个位置受到的风阻所产生的第二加速度的矢量,amax表示所述无人机可支持的最大加速度。
将受到风阻产生的第二加速度的矢量考虑到水平方向内的加速度约束条件,能够提升所述飞行控制指令的优化效果。
在本申请的一些实施例中,所述方法200还可包括确定所述第二加速度的表达式的方法。
例如,确定所述第二加速度表达式的方法可包括以下步骤:
确定所述第二加速度的表达式;
将所述无人机在水平面内前进的方向的反方向,确定为所述第二加速度的矢量方向;
根据所述第二加速度的表达式和所述第二加速的矢量方向,确定所述第二加速度的矢量。
在本申请的一些实施例中,所述确定所述第二加速度的表达式,包括:
建立所述无人机的速度-姿态曲线,所述速度-姿态曲线的自变量为所述无人机的在水平面内的速度,所述速度-姿态曲线的因变量为所述无人机的姿态;
将所述速度-姿态曲线转化为加速度-速度曲线,所述加速度-速度曲线的自变量为以所述第二加速度,所述加速度-速度曲线的因变量所述无人机的速度;
基于所述加速度-速度曲线,利用二次多项式拟合的方式,获取过零点的加速度-速度近似曲线;
基于所述加速度-速度近似曲线,利用割线法获取加速度-速度线性表达式;
将所述加速度-速度线性表达式,转换成所述第二加速度的表达式。
例如,若无人机为四轴飞行器时,并不存在直接的最大加速度,而存在最大姿态倾角限制,基于此,可以基于所述无人机的姿态建立如下速度-姿态曲线:
malev+F(vlev)=ntiltmg tanθtilt;
其中,m为无人机的质量,vlev和alev分别为无人机在水平面内的速度的矢量和加速度的矢量,ntilt为无人机的倾角,ntilt为无人机在倾角方向上的向量,g为重力加速度,F(vlev)表示所述无人机在第i个位置受到的风阻。
然后,可以将上述公式映射为加速度-速度曲线后,再经二次多项式拟合得到过零点的加速度-速度近似曲线。例如,所述加速度-速度近似曲线可以表示为如下表达式:
接着,由于拟合后的近似曲线仍然为二次曲线,且二次项系数为正,意味着为凸函数,说明在任一点局部的线性化都会低估的值,进而导致求解出无法响应的加速度值。基于此,可以采用割线近似法,以获取的线性表达式。例如,所述线性表达式可以为如下表达式:
利用分割法获取加速度-速度曲面,不仅能够将二次曲线转换为线性表达式,还能够避免解算出无人机响应不了的所述第二加速度,增加了所述飞行控制指令的优化效果。
作为水平面内加速度约束条件的另一个示例,所述无人机在水平面内的姿态等效加速度,和所述无人机可支持的最大加速度,满足预设加速度大小关系。
例如,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机满足以下公式:
其中,ah表示所述无人机在水平面内的姿态等效加速度,amax表示所述无人机可支持的最大加速度。
图6是本申请实施例的近似圆约束的示意图。
如图6所示,假设无人机在水平面内沿切线方向的最大加速度和沿法向方向的最大加速度形成的约束空间为一个矩形,则可以通过与所述一个矩形内切的约束圆约束所述无人机的姿态加速度。
由于四轴飞行器的倾角在水平面上沿不同方向上的大小限制是相同的,因此,通过约束圆约束无人机的姿态等效加速度,相对分别从水平面内的切线方向和法向方向上约束无人机的加速度,能够更精准约束无人机在水平面内的加速度,使其更符合无人机的实际运动状态。
作为水平面内加速度约束条件的再一个示例,根据所述无人机可支持的最大加速度,所述无人机在水平面内的速度的矢量,所述无人机在水平面内的沿前进方向的第一加速度的列向量,所述无人机在水平面内受到的风阻所产生的第二加速度的矢量确定的加速度约束条件。
例如,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机满足以下公式:
其中,所述M表示近似多边形的边数,ki表示所述近似多边形的第i条边长的斜率,为所述近似多边形的第i条边长的端点的列向量,amax表示所述无人机可支持的最大加速度,所述v表示所述无人机在水平面内的速度的矢量,所述(ax,ay)T表示所述无人机在水平面内的沿前进方向的第一加速度的列向量,g(v)表示所述无人机在水平面内受到的风阻所产生的第二加速度的矢量。
例如,如图6所示,可以通过所述约束圆内接的近似多边形约束所述无人机的加速度。
通过近似多边形约束无人机在水平面内的加速度,相对通过约束圆约束无人机的姿态等效加速度,能够更精准约束无人机在水平面内的加速度,使其更符合无人机的实际运动状态。
在本申请的一些实施例中,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置到所述目标航点的第三距离偏差量;
所述第三距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
例如,所述目标方向为水平面内的方向,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,QT表示所述第二距离偏差量投影到垂直方向上形成分量的惩罚权重矩阵,ei表示所述预测位置到所述目标航点的第三距离偏差量,ai表示所述无人机在第i个位置上的沿前进方向上的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
通过对所述第三距离偏差量和加速度变化的优化,能够有效在垂直方向上优化无人机的飞行控制指令。
在本申请的一些实施例中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在垂直方向上满足加速度约束条件;以及
所述无人机在垂直方向上满足角速度约束条件。
换言之,若所述目标方向为垂直方向,所述线性约束条件包括以下中的至少一项:
vi=vi-1+ai-1ΔT;
|ai|≤amax;
|vi|≤vmax;
其中,pi表示第i个位置在垂直方向上的位置向量,ΔT表示相邻两个位置之间的时间间隔,ai表示所述无人机在第i个位置上沿前进方向上的加速度投影到水平面内形成的第一加速度的矢量,vi表示第i个位置在垂直方向上的速度的矢量,amax表示所述无人机可支持的最大加速度,jmax表示相邻两个位置的最大加速度差。
以上结合附图详细描述了本申请的优选实施方式,但是,本申请并不限于上述实施方式中的具体细节,在本申请的技术构思范围内,可以对本申请的技术方案进行多种简单变型,这些简单变型均属于本申请的保护范围。
例如,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本申请对各种可能的组合方式不再另行说明。
又例如,本申请的各种不同的实施方式之间也可以进行任意组合,只要其不违背本申请的思想,其同样应当视为本申请所公开的内容。
应理解,在本申请的各种方法实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上文结合图1至图6,详细描述了本申请的方法实施例,下文结合图7详细描述本申请的装置实施例。
图7是本申请实施例的路径跟随系统的另一的示意性框图。应理解,本申请中相同的附图标记可以用于表示相同的部件或结构。换言之,图7中所示的规划器110和装置120可以参考上文对图1的描述,为避免重复,此处不再赘述。下文重点对所述装置120中涉及的各个模块或器件的功能进行说明。
如图7所示,所述装置200可包括:
采样器121,所述采样器121用于:
获取规划航线,所述规划航线包括目标时刻下的目标航点;
获取所述无人机的运动状态信息,并根据所述运动状态信息估计所述目标时刻下的预测位置;
确定所述预测位置在所述规划航线上的第一投影位置;
优化器122,所述优化器122连接至所述采样器121,所述优化器122用于:
根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,以控制所述无人机跟踪所述规划航线。
在本申请的一些实施例中,所述采样器121具体用于:
接收规划器发送的参考航线;
对所述参考航线进行采样,以获取目标点列,其中,所述目标点列为所述无人机在所述参考航线的采样区间上进行投影所获取的多个离散采样点;
将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线;
在所述近似航线中选取所述规划航线。
在本申请的一些实施例中,所述参考航线为连续的曲线,或所述参考航线包括多个离散的路径点。
在本申请的一些实施例中,所述采样器121具体用于:
获取目标速度的矢量;
确定目标采样步长;
基于所述目标速度的矢量和所述目标采样步长,对所述参考航线进行等间距采样,以获取所述目标点列。
如图7所示,在本申请的一些实施例中,所述装置200还可包括:
速度限制器125,所述速度限制器125连接至所述采样器121,所述速度限制器125用于:
获取规划器输出的参考速度,所述参考速度为期望所述无人机在所述参考航线上的运动速度;
确定所述无人机所在的位置在所述规划路径上的第二投影位置;
将所述第二投影位置所在的路径的水平方向,确定为所述目标速度在水平面内的第一分矢量方向;
将垂直于所述水平方向的方向,确定为所述目标速度在垂直方向上的第二分矢量方向;
根据所述参考速度、所述第一分矢量方向和所述第二分矢量方向,确定所述目标速度的矢量;
将所述目标速度的矢量发送给所述采样器121。
在本申请的一些实施例中,所述第一分矢量的标量小于或等于第一极限速度,和/或,所述第一分矢量的标量小于或等于第二极限速度,以使得所述无人机的性能与所述规划航线在水平方向上相匹配;其中,所述第一极限速度为所述无人机在水平方向上的可支持的最大速度,所述第二极限速度为所述无人机从静止状态以极限加速度开始加速并运行极限距离时达到的速度,所述极限加速度为所述无人机可支持的最大加速度,极限距离为所述无人机的最大刹车距离。
在本申请的一些实施例中,所述第二分矢量的标量小于或等于第三极限速度,以使得所述无人机的性能与所述规划航线在垂直方向上相匹配,所述第三极限速度为所述无人机在垂直方向上的可支持的最大速度。
在本申请的一些实施例中,所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
在本申请的一些实施例中,所述采样器121还用于:
若目标里程大于或等于预设采样步长和预设采样点数量的乘积,将所述预设采样步长确定为所述目标采样步长,所述目标里程为规划航线的里程;或者
若目标里程小于预设采样步长和预设采样点数量的乘积,将所述目标里程除去所述预设采样点数量所得到的值确定为所述目标采样步长。
在本申请的一些实施例中,所述无人机的运动状态信息包括以下信息中的至少一项:
所述无人机所在的位置、所述无人机运行的运行速度以及所述无人机运行的运行加速度。
在本申请的一些实施例中,所述优化器122具体用于:
获取目标方向对应的目标线性表达式;
获取线性约束条件;
基于所述线性约束条件对所述目标线性表达式进行求解,以获取所述飞行控制指令,所述飞行控制指令包括所述无人机在所述规划航线下的位置序列、速度序列以及加速度序列。
在本申请的一些实施例中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置的数量;
所述第一距离偏差量;
所述第一距离偏差量的惩罚权重矩阵;
所述第二距离偏差量;
所述第二距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
具体的,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,eN表示所述第一距离偏差量的行向量,表示所述第一偏距离偏差量的列向量,QN表示所述第一距离偏差量的惩罚权重矩阵,eT表示所述第二距离偏差量的行向量,表示所述第二距离偏差量的列向量,QT表示所述第二距离偏差量的惩罚权重矩阵,ai表示所述无人机在第i个位置上的沿前进方向上的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
在本申请的一些实施例中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在水平面内满足加速度约束条件;以及
所述无人机在水平面内满足角速度约束条件。
在本申请的一些实施例中,所述无人机在所述预测位置上的沿前进方向的第一加速度的矢量,以及所述无人机在所述预测位置受到的风阻所产生的第二加速度的矢量之和的绝对值,小于所述无人机可支持的最大加速度。
例如,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机满足以下公式:
|ai+g(vi)|≤amax;
其中,ai表示所述无人机在第i个位置的在水平面内的沿前进方向的第一加速度的矢量,g(vi)表示所述无人机在第i个位置受到的风阻所产生的第二加速度的矢量,amax表示所述无人机可支持的最大加速度。
在本申请的一些实施例中,所述优化器122还用于:
确定所述第二加速度的表达式;
将所述无人机在水平面内前进的方向的反方向,确定为所述第二加速度的矢量方向;
根据所述第二加速度的表达式和所述第二加速的矢量方向,确定所述第二加速度的矢量。
在本申请的一些实施例中,所述优化器122具体用于:
建立所述无人机的速度-姿态曲线,所述速度-姿态曲线的自变量为所述无人机的在水平面内的速度,所述速度-姿态曲线的因变量为所述无人机的姿态;
将所述速度-姿态曲线转化为加速度-速度曲线,所述加速度-速度曲线的自变量为以所述第二加速度,所述加速度-速度曲线的因变量所述无人机的速度;
基于所述加速度-速度曲线,利用二次多项式拟合的方式,获取过零点的加速度-速度近似曲线;
基于所述加速度-速度近似曲线,利用割线法获取加速度-速度线性表达式;
将所述加速度-速度线性表达式,转换成所述第二加速度的表达式。
在本申请的一些实施例中,所述无人机在水平面内的姿态等效加速度,和所述无人机可支持的最大加速度,满足预设加速度大小关系。
例如,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机满足以下公式:
其中,ah表示所述无人机在水平面内的姿态等效加速度,amax表示所述无人机可支持的最大加速度。
在本申请的一些实施例中,所述无人机在水平面内满足加速度约束条件,包括:根据所述无人机可支持的最大加速度,所述无人机在水平面内的速度的矢量,所述无人机在水平面内的沿前进方向的第一加速度的列向量,所述无人机在水平面内受到的风阻所产生的第二加速度的矢量确定的加速度约束条件。
例如,所述无人机满足以下公式:
其中,所述M表示近似多边形的边数,ki表示所述近似多边形的第i条边长的斜率,为所述近似多边形的第i条边长的端点的列向量,amax表示所述无人机可支持的最大加速度,所述v表示所述无人机在水平面内的速度的矢量,所述(ax,ay)T表示所述无人机在水平面内的沿前进方向的第一加速度的列向量,g(v)表示所述无人机在水平面内受到的风阻所产生的第二加速度的矢量。
在本申请的一些实施例中,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置到所述目标航点的第三距离偏差量;
所述第三距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
例如,所述目标线性表达式为以下公式:
其中,minJ表示满足所述无人机跟踪所述规划航线的最小值,N表示所述预测位置的数量,i表示所述预测位置中的第i个位置,ei表示所述预测位置到所述目标航点的第三距离偏差量,QT表示所述第三距离偏差量的惩罚权重矩阵,ai表示所述无人机在第i个位置上的沿前进方向上的第一加速度的矢量,R表示所述第一加速度的惩罚权重矩阵。
在本申请的一些实施例中,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在垂直方向上满足加速度约束条件;以及
所述无人机在垂直方向上满足角速度约束条件。
如图7所示,在本申请的一些实施例中,所述装置120还可以包括:
缓存器123,所述缓存器123用于接收所述飞行控制信令,并存储所述飞行控制信令。
例如,假设每次优化器122输出飞行控制信令后,所述缓存器123存储接收到的飞行控制信令,直到下一次接收到新的飞行控制信令后,更新存储的飞行控制信令。
如图7所示,在本申请的一些实施例中,所述装置120还可包括:
补偿器124,所述补偿器124用于接收所述存储器123发送的飞行控制信令,并对所述飞行控制信令的控制时间进行补偿,以提升对所述无人机的控制效果。
例如,所述补偿器的功能可以是对装置120或者用于控制无人机的执行结构的控制器所产生的迟滞和惯性进行补偿。所述无人机的执行机构的响应往往具有延迟,不对其进行补偿会导致控制性能的下降。假设执行机构的响应具有时长为T的迟滞,此时,可以通过调整飞行控制信令的输出时刻,降低延迟。
应理解,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。具体地,图7所示的路径跟随系统100中的装置120可以对应于执行本申请实施例的方法200中的相应主体,并且装置120中的各个单元的前述和其它操作和/或功能分别为了实现图2中的各个方法中的相应流程,为了简洁,在此不再赘述。
应理解,装置120中的各个器件或功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。
具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
可选地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
换言之,本申请还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机执行时使得所述计算机能够执行上述方法实施例的方法。或者说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (41)
1.一种控制无人机的方法,其特征在于,包括:
获取规划航线,所述规划航线包括目标时刻下的目标航点;
获取所述无人机的运动状态信息,并根据所述运动状态信息估计所述目标时刻下的预测位置;
确定所述预测位置在所述规划航线上的第一投影位置;
根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,以控制所述无人机跟踪所述规划航线。
2.根据权利要求1所述的方法,其特征在于,所述获取规划航线,包括:
接收规划器发送的参考航线;
对所述参考航线进行采样,以获取目标点列,其中,所述目标点列为所述无人机在所述参考航线的采样区间上进行投影所获取的多个离散采样点;
将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线;
在所述近似航线中选取所述规划航线。
3.根据权利要求2所述的方法,其特征在于,所述参考航线为连续的曲线,或所述参考航线包括多个离散的路径点。
4.根据权利要求2所述的方法,其特征在于,所述对所述参考航线进行采样,以获取目标点列,包括:
获取目标速度的矢量;
确定目标采样步长;
基于所述目标速度的矢量和所述目标采样步长,对所述参考航线进行等间距采样,以获取所述目标点列。
5.根据权利要求4所述的方法,其特征在于,所述获取目标速度的矢量,包括:
获取规划器输出的参考速度,所述参考速度为期望所述无人机在所述参考航线上的运动速度;
确定所述无人机所在的位置在所述规划路径上的第二投影位置;
将所述第二投影位置所在的路径的水平方向,确定为所述目标速度在水平面内的第一分矢量方向;
将垂直于所述水平方向的方向,确定为所述目标速度在垂直方向上的第二分矢量方向;
根据所述参考速度、所述第一分矢量方向和所述第二分矢量方向,确定所述目标速度的矢量。
6.根据权利要求5所述的方法,其特征在于,所述第一分矢量的标量小于或等于第一极限速度,和/或,所述第一分矢量的标量小于或等于第二极限速度,以使得所述无人机的性能与所述规划航线在水平方向上相匹配;其中,所述第一极限速度为所述无人机在水平方向上的可支持的最大速度,所述第二极限速度为所述无人机从静止状态以极限加速度开始加速并运行极限距离时达到的速度,所述极限加速度为所述无人机可支持的最大加速度,极限距离为所述无人机的最大刹车距离。
7.根据权利要求5所述的方法,其特征在于,所述第二分矢量的标量小于或等于第三极限速度,以使得所述无人机的性能与所述规划航线在垂直方向上相匹配,所述第三极限速度为所述无人机在垂直方向上的可支持的最大速度。
8.根据权利要求5所述的方法,其特征在于,所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
9.根据权利要求4所述的方法,其特征在于,所述确定采样步长,包括:
若目标里程大于或等于预设采样步长和预设采样点数量的乘积,将所述预设采样步长确定为所述目标采样步长,所述目标里程为规划航线的里程;或者
若目标里程小于预设采样步长和预设采样点数量的乘积,将所述目标里程除去所述预设采样点数量所得到的值确定为所述目标采样步长。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述无人机的运动状态信息包括以下信息中的至少一项:
所述无人机所在的位置、所述无人机运行的运行速度以及所述无人机运行的运行加速度。
11.根据权利要求1至9中任一项所述的方法,其特征在于,所述根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动状态的飞行控制指令,包括:
获取目标方向对应的目标线性表达式;
获取线性约束条件;
基于所述线性约束条件对所述目标线性表达式进行求解,以获取所述飞行控制指令,所述飞行控制指令包括所述无人机在所述规划航线下的位置序列、速度序列以及加速度序列。
12.根据权利要求11所述的方法,其特征在于,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置的数量;
所述第一距离偏差量;
所述第一距离偏差量的惩罚权重矩阵;
所述第二距离偏差量;
所述第二距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
13.根据权利要求11所述的方法,其特征在于,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在水平面内满足加速度约束条件;以及
所述无人机在水平面内满足角速度约束条件。
14.根据权利要求13所述的方法,其特征在于,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机在所述预测位置上的沿前进方向的第一加速度的矢量,以及所述无人机在所述预测位置受到的风阻所产生的第二加速度的矢量之和的绝对值,小于或等于所述无人机可支持的最大加速度。
15.根据权利要求14所述的方法,其特征在于,所述方法还包括:
确定所述第二加速度的表达式;
将所述无人机在水平面内前进的方向的反方向,确定为所述第二加速度的矢量方向;
根据所述第二加速度的表达式和所述第二加速的矢量方向,确定所述第二加速度的矢量。
16.根据权利要求15所述的方法,其特征在于,所述确定所述第二加速度的表达式,包括:
建立所述无人机的速度-姿态曲线,所述速度-姿态曲线的自变量为所述无人机的在水平面内的速度,所述速度-姿态曲线的因变量为所述无人机的姿态;
将所述速度-姿态曲线转化为加速度-速度曲线,所述加速度-速度曲线的自变量为以所述第二加速度,所述加速度-速度曲线的因变量所述无人机的速度;
基于所述加速度-速度曲线,利用二次多项式拟合的方式,获取过零点的加速度-速度近似曲线;
基于所述加速度-速度近似曲线,利用割线法获取加速度-速度线性表达式;
将所述加速度-速度线性表达式,转换成所述第二加速度的表达式。
17.根据权利要求13所述的方法,其特征在于,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机在水平面内的姿态等效加速度,和所述无人机可支持的最大加速度,满足预设加速度大小关系。
18.根据权利要求17所述的方法,其特征在于,所述无人机在水平面内满足加速度约束条件,包括:
根据所述无人机可支持的最大加速度,所述无人机在水平面内的速度的矢量,所述无人机在水平面内的沿前进方向的第一加速度的列向量,所述无人机在水平面内受到的风阻所产生的第二加速度的矢量确定的加速度约束条件。
19.根据权利要求11所述的方法,其特征在于,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置到所述目标航点的第三距离偏差量;
所述第三距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
20.根据权利要求19所述的方法,其特征在于,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在垂直方向上满足加速度约束条件;以及
所述无人机在垂直方向上满足角速度约束条件。
21.一种控制无人机的装置,其特征在于,包括:
采样器,所述采样器用于:
获取规划航线,所述规划航线包括目标时刻下的目标航点;
获取所述无人机的运动状态信息,并根据所述运动状态信息估计所述目标时刻下的预测位置;
确定所述预测位置在所述规划航线上的第一投影位置;
优化器,所述优化器连接至所述采样器,所述优化器用于:
根据所述第一投影位置到所述目标航点的第一距离偏差量,和所述预测位置到所述第一投影位置的第二距离偏差量,生成用于控制所述无人机的运动的飞行控制指令,以控制所述无人机跟踪所述规划航线。
22.根据权利要求21所述的装置,其特征在于,所述采样器具体用于:
接收规划器发送的参考航线;
对所述参考航线进行采样,以获取目标点列,其中,所述目标点列为所述无人机在所述参考航线的采样区间上进行投影所获取的多个离散采样点;
将所述多个离散采样点中任意相邻的两个采样点相连,以获取近似航线;
在所述近似航线中选取所述规划航线。
23.根据权利要求22所述的装置,其特征在于,所述参考航线为连续的曲线,或所述参考航线包括多个离散的路径点。
24.根据权利要求22所述的装置,其特征在于,所述采样器具体用于:
获取目标速度的矢量;
确定目标采样步长;
基于所述目标速度的矢量和所述目标采样步长,对所述参考航线进行等间距采样,以获取所述目标点列。
25.根据权利要求24所述的装置,其特征在于,所述装置还包括:
速度限制器,所述速度限制器连接至所述采样器,所述速度限制器用于:
获取规划器输出的参考速度,所述参考速度为期望所述无人机在所述参考航线上的运动速度;
确定所述无人机所在的位置在所述规划路径上的第二投影位置;
将所述第二投影位置所在的路径的水平方向,确定为所述目标速度在水平面内的第一分矢量方向;
将垂直于所述水平方向的方向,确定为所述目标速度在垂直方向上的第二分矢量方向;
根据所述参考速度、所述第一分矢量方向和所述第二分矢量方向,确定所述目标速度的矢量;
将所述目标速度的矢量发送给所述采样器。
26.根据权利要求25所述的装置,其特征在于,所述第一分矢量的标量小于或等于第一极限速度,和/或,所述第一分矢量的标量小于或等于第二极限速度,以使得所述无人机的性能与所述规划航线在水平方向上相匹配;其中,所述第一极限速度为所述无人机在水平方向上的可支持的最大速度,所述第二极限速度为所述无人机从静止状态以极限加速度开始加速并运行极限距离时达到的速度,所述极限加速度为所述无人机可支持的最大加速度,极限距离为所述无人机的最大刹车距离。
27.根据权利要求25所述的装置,其特征在于,所述第二分矢量的标量小于或等于第三极限速度,以使得所述无人机的性能与所述规划航线在垂直方向上相匹配,所述第三极限速度为所述无人机在垂直方向上的可支持的最大速度。
28.根据权利要求25所述的装置,其特征在于,所述无人机在所述规划航线内的运行速度在收敛于所述目标速度。
29.根据权利要求24所述的装置,其特征在于,所述采样器还用于:
若目标里程大于或等于预设采样步长和预设采样点数量的乘积,将所述预设采样步长确定为所述目标采样步长,所述目标里程为规划航线的里程;或者
若目标里程小于预设采样步长和预设采样点数量的乘积,将所述目标里程除去所述预设采样点数量所得到的值确定为所述目标采样步长。
30.根据权利要求21至29中任一项所述的装置,其特征在于,所述无人机的运动状态信息包括以下信息中的至少一项:
所述无人机所在的位置、所述无人机运行的运行速度以及所述无人机运行的运行加速度。
31.根据权利要求21至29中任一项所述的装置,其特征在于,所述优化器具体用于:
获取目标方向对应的目标线性表达式;
获取线性约束条件;
基于所述线性约束条件对所述目标线性表达式进行求解,以获取所述飞行控制指令,所述飞行控制指令包括所述无人机在所述规划航线下的位置序列、速度序列以及加速度序列。
32.根据权利要求31所述的装置,其特征在于,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置的数量;
所述第一距离偏差量;
所述第一距离偏差量的惩罚权重矩阵;
所述第二距离偏差量;
所述第二距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
33.根据权利要求31所述的装置,其特征在于,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在水平面内满足加速度约束条件;以及
所述无人机在水平面内满足角速度约束条件。
34.根据权利要求33所述的装置,其特征在于,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机在所述预测位置上的沿前进方向的第一加速度的矢量,以及所述无人机在所述预测位置受到的风阻所产生的第二加速度的矢量之和的绝对值,小于或等于所述无人机可支持的最大加速度。
35.根据权利要求34所述的装置,其特征在于,所述优化器还用于:
确定所述第二加速度的表达式;
将所述无人机在水平面内前进的方向的反方向,确定为所述第二加速度的矢量方向;
根据所述第二加速度的表达式和所述第二加速的矢量方向,确定所述第二加速度的矢量。
36.根据权利要求35所述的装置,其特征在于,所述优化器具体用于:
建立所述无人机的速度-姿态曲线,所述速度-姿态曲线的自变量为所述无人机的在水平面内的速度,所述速度-姿态曲线的因变量为所述无人机的姿态;
将所述速度-姿态曲线转化为加速度-速度曲线,所述加速度-速度曲线的自变量为以所述第二加速度,所述加速度-速度曲线的因变量所述无人机的速度;
基于所述加速度-速度曲线,利用二次多项式拟合的方式,获取过零点的加速度-速度近似曲线;
基于所述加速度-速度近似曲线,利用割线法获取加速度-速度线性表达式;
将所述加速度-速度线性表达式,转换成所述第二加速度的表达式。
37.根据权利要求33所述的装置,其特征在于,所述无人机在水平面内满足加速度约束条件,包括:
所述无人机在水平面内的姿态等效加速度,和所述无人机可支持的最大加速度,满足预设加速度大小关系。
38.根据权利要求37所述的装置,其特征在于,所述无人机在水平面内满足加速度约束条件,包括:
根据所述无人机可支持的最大加速度,所述无人机在水平面内的速度的矢量,所述无人机在水平面内的沿前进方向的第一加速度的列向量,所述无人机在水平面内受到的风阻所产生的第二加速度的矢量确定的加速度约束条件。
39.根据权利要求31所述的装置,其特征在于,所述目标方向为水平面内的方向,所述目标线性表达式是根据以下信息确定的所述无人机跟踪所述规划航线的最值损失量求解表达式:
所述预测位置到所述目标航点的第三距离偏差量;
所述第三距离偏差量的惩罚权重矩阵;
所述无人机在所述预测位置上的沿前进方向上的第一加速度的矢量;
所述第一加速度的惩罚权重矩阵。
40.根据权利要求39所述的装置,其特征在于,所述线性约束条件包括以下中的至少一项:
所述无人机满足位移表达式,所述位移表达式为以所述无人机的加速度为自变量,且以所述无人机所在的位置和速度为因变量建立的表达式;
所述无人机满足速度表达式,所述速度表达式为以所述无人机的加速度为自变量,且以所述无人机的速度为因变量建立的表达式;
所述无人机在垂直方向上满足加速度约束条件;以及
所述无人机在垂直方向上满足角速度约束条件。
41.一种无人机,其特征在于,包括:
根据权利要求21至40中任一项所述的装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/087042 WO2021217303A1 (zh) | 2020-04-26 | 2020-04-26 | 控制无人机的方法、装置和无人机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112585557A true CN112585557A (zh) | 2021-03-30 |
Family
ID=75145521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080004451.6A Pending CN112585557A (zh) | 2020-04-26 | 2020-04-26 | 控制无人机的方法、装置和无人机 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112585557A (zh) |
WO (1) | WO2021217303A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987796A (zh) * | 2021-05-10 | 2021-06-18 | 北京三快在线科技有限公司 | 无人机的控制方法、装置、计算机可读存储介质及无人机 |
CN113238568A (zh) * | 2021-04-26 | 2021-08-10 | 天津小鲨鱼智能科技有限公司 | 跟随方法、飞行器及第一设备 |
CN114115350A (zh) * | 2021-12-02 | 2022-03-01 | 清华大学 | 飞行器的控制方法、装置及设备 |
CN117850468A (zh) * | 2024-01-11 | 2024-04-09 | 重庆大学 | 一种用于无人机取样检测水的控制方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117633A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军国防科技大学 | 一种无人机信息收集的控制方法及系统 |
CN114415720B (zh) * | 2021-12-28 | 2023-10-24 | 深圳市优必选科技股份有限公司 | 一种四旋翼无人机控制方法、装置、终端设备及存储介质 |
CN114995506B (zh) * | 2022-06-20 | 2024-04-26 | 西北工业大学 | 用于面向目标跟踪的飞行器控制方法、计算机系统及介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251385A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种应用在无人机上的航点实时装订与处理方法 |
CN103678829A (zh) * | 2013-12-31 | 2014-03-26 | 一重集团大连设计研究院有限公司 | 一种伺服压力机拉深加工工艺轨迹的优化设计方法 |
CN103700286A (zh) * | 2013-12-11 | 2014-04-02 | 南京航空航天大学 | 一种舰载无人机自动着舰引导方法 |
CN103728981A (zh) * | 2014-01-28 | 2014-04-16 | 重庆大学 | 一种无人机的非线性导航寻迹控制方法 |
US20160111006A1 (en) * | 2014-05-20 | 2016-04-21 | Verizon Patent And Licensing Inc. | User interfaces for selecting unmanned aerial vehicles and mission plans for unmanned aerial vehicles |
CN106970648A (zh) * | 2017-04-19 | 2017-07-21 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
CN107278282A (zh) * | 2016-09-29 | 2017-10-20 | 深圳市大疆创新科技有限公司 | 路径规划的方法、装置、飞行控制系统、全方位避障系统与无人机 |
CN107883962A (zh) * | 2017-11-08 | 2018-04-06 | 南京航空航天大学 | 一种多旋翼无人机在三维环境下的动态航路规划方法 |
CN107992069A (zh) * | 2017-11-29 | 2018-05-04 | 上海无线电设备研究所 | 一种无人机路径跟踪控制的制导律设计方法 |
CN108020226A (zh) * | 2017-12-11 | 2018-05-11 | 中国科学院长春光学精密机械与物理研究所 | 一种固定翼无人机自主避障的航迹规划方法 |
CN108253987A (zh) * | 2017-12-29 | 2018-07-06 | 中国地质大学(武汉) | 一种基于a*算法的无人机轨迹规划方法、设备及存储设备 |
JP2018165932A (ja) * | 2017-03-28 | 2018-10-25 | 株式会社ゼンリンデータコム | ドローン用動態管理装置、ドローン用動態管理方法及びドローン用動態管理プログラム |
CN109885891A (zh) * | 2019-01-24 | 2019-06-14 | 中国科学院合肥物质科学研究院 | 一种智能车gpu并行加速轨迹规划方法 |
CN110286683A (zh) * | 2019-07-15 | 2019-09-27 | 北京科技大学 | 一种履带式移动机器人的自主行驶路径跟踪控制方法 |
CN110364031A (zh) * | 2019-07-11 | 2019-10-22 | 北京交通大学 | 地面传感器网络中无人机集群的路径规划和无线通信方法 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN110427047A (zh) * | 2019-07-26 | 2019-11-08 | 深圳市道通智能航空技术有限公司 | 风速测算方法、风速估算器及无人机 |
CN110908395A (zh) * | 2019-11-26 | 2020-03-24 | 西北工业大学 | 改进的无人机航迹实时规划方法 |
CN110926477A (zh) * | 2019-12-17 | 2020-03-27 | 湘潭大学 | 一种无人机航路规划及避障方法 |
-
2020
- 2020-04-26 WO PCT/CN2020/087042 patent/WO2021217303A1/zh active Application Filing
- 2020-04-26 CN CN202080004451.6A patent/CN112585557A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251385A (zh) * | 2008-03-20 | 2008-08-27 | 北京航空航天大学 | 一种应用在无人机上的航点实时装订与处理方法 |
CN103700286A (zh) * | 2013-12-11 | 2014-04-02 | 南京航空航天大学 | 一种舰载无人机自动着舰引导方法 |
CN103678829A (zh) * | 2013-12-31 | 2014-03-26 | 一重集团大连设计研究院有限公司 | 一种伺服压力机拉深加工工艺轨迹的优化设计方法 |
CN103728981A (zh) * | 2014-01-28 | 2014-04-16 | 重庆大学 | 一种无人机的非线性导航寻迹控制方法 |
US20160111006A1 (en) * | 2014-05-20 | 2016-04-21 | Verizon Patent And Licensing Inc. | User interfaces for selecting unmanned aerial vehicles and mission plans for unmanned aerial vehicles |
CN107278282A (zh) * | 2016-09-29 | 2017-10-20 | 深圳市大疆创新科技有限公司 | 路径规划的方法、装置、飞行控制系统、全方位避障系统与无人机 |
JP2018165932A (ja) * | 2017-03-28 | 2018-10-25 | 株式会社ゼンリンデータコム | ドローン用動態管理装置、ドローン用動態管理方法及びドローン用動態管理プログラム |
CN106970648A (zh) * | 2017-04-19 | 2017-07-21 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
CN107883962A (zh) * | 2017-11-08 | 2018-04-06 | 南京航空航天大学 | 一种多旋翼无人机在三维环境下的动态航路规划方法 |
CN107992069A (zh) * | 2017-11-29 | 2018-05-04 | 上海无线电设备研究所 | 一种无人机路径跟踪控制的制导律设计方法 |
CN108020226A (zh) * | 2017-12-11 | 2018-05-11 | 中国科学院长春光学精密机械与物理研究所 | 一种固定翼无人机自主避障的航迹规划方法 |
CN108253987A (zh) * | 2017-12-29 | 2018-07-06 | 中国地质大学(武汉) | 一种基于a*算法的无人机轨迹规划方法、设备及存储设备 |
CN109885891A (zh) * | 2019-01-24 | 2019-06-14 | 中国科学院合肥物质科学研究院 | 一种智能车gpu并行加速轨迹规划方法 |
CN110364031A (zh) * | 2019-07-11 | 2019-10-22 | 北京交通大学 | 地面传感器网络中无人机集群的路径规划和无线通信方法 |
CN110286683A (zh) * | 2019-07-15 | 2019-09-27 | 北京科技大学 | 一种履带式移动机器人的自主行驶路径跟踪控制方法 |
CN110427047A (zh) * | 2019-07-26 | 2019-11-08 | 深圳市道通智能航空技术有限公司 | 风速测算方法、风速估算器及无人机 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN110908395A (zh) * | 2019-11-26 | 2020-03-24 | 西北工业大学 | 改进的无人机航迹实时规划方法 |
CN110926477A (zh) * | 2019-12-17 | 2020-03-27 | 湘潭大学 | 一种无人机航路规划及避障方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238568A (zh) * | 2021-04-26 | 2021-08-10 | 天津小鲨鱼智能科技有限公司 | 跟随方法、飞行器及第一设备 |
CN112987796A (zh) * | 2021-05-10 | 2021-06-18 | 北京三快在线科技有限公司 | 无人机的控制方法、装置、计算机可读存储介质及无人机 |
CN114115350A (zh) * | 2021-12-02 | 2022-03-01 | 清华大学 | 飞行器的控制方法、装置及设备 |
CN114115350B (zh) * | 2021-12-02 | 2024-05-10 | 清华大学 | 飞行器的控制方法、装置及设备 |
CN117850468A (zh) * | 2024-01-11 | 2024-04-09 | 重庆大学 | 一种用于无人机取样检测水的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021217303A1 (zh) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112585557A (zh) | 控制无人机的方法、装置和无人机 | |
JP6539408B2 (ja) | 学習に基づくモデル予測制御を利用して自律走行車の路面摩擦を決定する方法及びシステム | |
US10012984B2 (en) | System and method for controlling autonomous vehicles | |
CN111923905A (zh) | 对轨迹进行估计的系统和方法 | |
KR101813697B1 (ko) | 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법 | |
CN110389581A (zh) | 用于为自动驾驶车辆生成障碍物的预测轨迹的方法 | |
CN108834425A (zh) | 用于控制自动驾驶车辆重新进入自动驾驶模式的经度级联控制器预设 | |
WO2020000127A1 (zh) | 一种导航路径跟踪控制方法、设备、移动机器人及系统 | |
CN113561994B (zh) | 轨迹规划方法、装置、存储介质及电子设备 | |
CN114348026B (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
JP2008052473A (ja) | 水中ロボットの動作制御方法、装置、プログラム及びその記録媒体 | |
CN113033925B (zh) | 用于控制自动驾驶车辆行驶、装置、电子设备和介质 | |
CN113625780B (zh) | 一种避免死锁的分布式无人集群协同运动路径规划方法 | |
CN113324542B (zh) | 一种定位方法、装置、设备和存储介质 | |
KR20190105528A (ko) | 풍향에 따라서 군집 주행을 제어하는 방법 및 이를 구현하는 제어 서버 | |
CN110850807A (zh) | 一种奇异点规避方法、装置、设备及介质 | |
Keller et al. | A computationally efficient approach to trajectory management for coordinated aerial surveillance | |
CN115534925A (zh) | 车辆控制方法、装置、设备和计算机可读介质 | |
CN115755969A (zh) | 一种基于零控拦截流型的飞行器制导方法及装置 | |
CN111487992A (zh) | 基于深度强化学习的无人机感知与避障一体化方法及设备 | |
CN111007861A (zh) | 轨迹跟踪控制方法、装置、系统及移动机器人 | |
CN115123233A (zh) | 规划车辆轨迹的方法和装置 | |
CN115542746B (zh) | 高超声速飞行器的能量管控再入制导方法及装置 | |
CN114906138A (zh) | 车辆控制方法、装置、设备及介质 | |
CN114358419A (zh) | 位姿预测方法、位姿预测装置、存储介质与电子设备 |
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 |