CN112783194A - 一种无人机在室内煤场飞行的避障方法 - Google Patents
一种无人机在室内煤场飞行的避障方法 Download PDFInfo
- Publication number
- CN112783194A CN112783194A CN202011500121.4A CN202011500121A CN112783194A CN 112783194 A CN112783194 A CN 112783194A CN 202011500121 A CN202011500121 A CN 202011500121A CN 112783194 A CN112783194 A CN 112783194A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- obstacle
- obstacle avoidance
- flying
- 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 54
- 239000003245 coal Substances 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 19
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 16
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 16
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 108010046685 Rho Factor Proteins 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000004888 barrier function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis 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
本发明公开了一种无人机在室内煤场飞行的避障方法,包括如下步骤:在无人机上携载激光测距仪、惯性导航器件与视觉摄像头;无人机飞行过程中,无人机依据系统规划好的路径,并基于该路径通过激光测距仪、视觉摄像头获取环境中动态障碍物的相关信息;通过微型计算机树莓派获取上述相关信息并基于该信息对无人机飞行前方与动态障碍物发生碰撞的可能性进行预测,且预测结果包括继续沿规划路线飞行以及动态避障。本发明的避障方法能让无人机跳出局部最优值,方法结构完备,能够适用于多障碍物的复杂场景。
Description
技术领域
本发明涉及火电厂煤场盘点领域,具体为一种无人机在室内煤场飞行的避障方法。
背景技术
火电厂封闭煤棚存煤量盘点是火力发电企业不可缺少的一个环节,目前盘煤主要分为人工盘煤和激光盘煤。
人工盘煤的主要原理是:首先将堆积的煤炭通过斗轮机堆取料机(用来堆取煤炭的载体)进行整形,一般将其整成比较规则的梯形或者矩形。再通过人工采用皮尺进行丈量,根据计算得其体积,再根据密度得出重量。
激光自动盘煤仪主要原理是:利用高精度的激光扫描仪对料场表面进行采集。通过计算机处理料堆轮廓数据,重建出料场的3D图形,计算出料堆的体积等信息。结合设定的密度,将得到堆料的重量。传统的盘煤方式比较落后,虽然使用了激光盘煤仪,但是激光盘煤仪容易受到人为因素的干扰同时有扫描死角等原因造成盘煤数据不准确,同时工作环境恶劣,工作量大容易造成工作人员测量马虎。且一旦工作环境变成室内半封闭环境,激光扫描仪容易受粉尘的折射干扰。
目前常用的局部避障方法有虚拟力场法,遗传算法,神经网络和模糊逻辑等算法等,由于虚拟力场法相比于其它人工智能类方法具有计算量低,算法运行简单,对于无人机搭载的微型计算机树莓派来说,虚拟力场法可行性高,且虚拟力场法能结合人工势场法,节省运算时间。虚拟力场法运用人工势场法,同时依据确定栅格法构建环境地图,在构建栅格的时候是以全局环境为范围构建,划分方式单一,固定。因此在针对室内煤场环境的飞行中,有两大缺点:
1.室内煤场一般较大,无人机需要消耗大量资源存储飞行环境中障碍物的分布情况,对微型处理器树莓派的要求较高,且影响算法处理速度,不利于无人机的实时避障。
2.无人机根据激光测距仪和视觉摄像头对环境地图各栅格赋值,然后根据各栅格信息计算无人机的合力,但是静态栅格赋值的方式未充分考虑动态障碍物对栅格确信度的动态影响,从而可能导致避障路径产生震荡。
在公开号为CN104279955A的发明专利“一种基于四轴飞行器的火电厂盘煤测算方法”中,该发明只适用于露天开放式的煤场,需要依靠卫星定位信号(GPS)等导航系统飞行,但对于半封闭空间的室内煤场接收不到卫星定位信号。
在公开号为CN105629985A的发明专利“室内四旋翼无人机360°三维避障系统”,其采用了机械装置防撞和较为简单的模糊控制规则(检测到障碍物左右转向)作为避障策略,不适用于复杂场景。
发明内容
本发明的目的在于提供一种无人机在室内煤场飞行的避障方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种无人机在室内煤场飞行的避障方法,包括如下步骤:
S1:在无人机上携载激光测距仪、惯性导航器件与视觉摄像头;
S2:无人机飞行过程中,无人机依据系统规划好的路径,并基于该路径通过激光测距仪、视觉摄像头获取环境中动态障碍物的相关信息;
S3:通过微型计算机树莓派获取上述相关信息并基于该信息对无人机飞行前方与动态障碍物发生碰撞的可能性进行预测,且预测结果包括继续沿规划路线飞行以及动态避障。
优选的,S3中微型计算机树莓派基于相关信息对无人机进行碰撞预测的具体过程包括碰撞预测过程与动态避障过程,且碰撞预测过程基于人工势场法,其具体包括:通过设置远距离目标的阈值,减小远距离目标形成的引力,即只有无人机与目标的距离在dgoal范围之内,才会产生较大的引力,避免距离过大导致引力过大,相应的引力场如下公式所示;
且在目标点附近有障碍物导致目标不可达时,通过将目标点与无人机当前位置的距离引入,当无人机与目标点距离越近,附近障碍物的斥力越小;
相应的引力场公式:
相应斥力公式:
且在引力与斥力相等时,陷入局部最优解,给引力增加10%,使得无人机继续飞向下一个目标点,让无人机跳出局部最优值;
上述式中,Uatt(q)表示目标点的引力场,ξ表示尺度因子,ρ(q,qgoal)表示无人机当前位置与目标位置的距离,q是当前位置,qgoal是目标位置,Fat是目标点的引力;Urep(q)表示障碍物的斥力场,η表示尺度因子,ρ(q,qobs)表示无人机当前位置与障碍物之间的距离,ρ0表示每个障碍物的影响半径,Frep为障碍物的斥力。
优选的,动态避障过程具体包括:通过构建无人机机头正前方的180°扇形区域,将前方扇区按30°划分为6个子扇区,且角度定义为机头正前方,从左向右旋转依次0°-180°;再根据无人机大小和激光测距仪的检测范围,从激光发射原点到整个前方辐射区域,以等宽的间距,将辐射区域划分为多个相同圆心的等宽圆环,即若干个相同径向间隔的同心圆环和角度均等的子扇区分界线就将扇形区域分为了若干个环形单元格,在初始状态时,对每一个栅格的一个确信度值均进行赋值,激光测距仪和视觉摄像头检测到障碍物后,首先根据自身与障碍物距离及与激光测距仪正方向的角度确定障碍物在扇区中的栅格坐标,然后对该单元格的确信度值进行赋值操作。
优选的,S3中可能性进行预测的预测结果具体包括:若树莓派计算机计算的人工势场在当前无人机位置所形成的合力为引力,则继续沿规划路线飞行;若树莓派计算机计算的人工势场在当前无人机位置所形成的合力为斥力,即无人机飞行前方可能存在碰撞时,则触发无人机执行动态避障行为,此时系统通过局部路径规划来实现无人机的动态避障,局部路径规划结合全局路径规划的下一个目标点输出无人机的速度和位姿给底层控制系统,并使得无人机飞往下一个目标点。
与现有技术相比,本发明的有益效果是:
本发明针对室内煤场的特定环境,对人工势场法的缺陷做了相应改进,通过设置远距离目标的阈值,减小远距离目标形成的大引力,避免距离过大导致引力过大;针对目标点附近有障碍物导致目标不可达的问题,将目标点与无人机当前位置的距离引入,当无人机与目标点距离越近,附近障碍物的斥力越小。这样做虽然增加了碰撞的风险,但是无人机增加了物理防撞机制,可以使得无人机到达目标点,测量更准确;而且在引力与斥力相等时,陷入局部最优解,给引力增加10%,使得无人机继续飞向下一个目标点,让无人机跳出局部最优值,方法结构完备,能够适用于多障碍物的复杂场景。
附图说明
图1为本发明的碰撞预测流程图;
图2为本发明实施例中栅格划分图;
图3为本发明实施例中力的分解示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种无人机在室内煤场飞行的避障方法,包括如下步骤:
S1:在无人机上携载激光测距仪、惯性导航器件与视觉摄像头;
S2:无人机飞行过程中,无人机依据系统规划好的路径,并基于该路径通过激光测距仪、视觉摄像头获取环境中动态障碍物的相关信息;
S3:通过微型计算机树莓派获取上述相关信息并基于该信息对无人机飞行前方与动态障碍物发生碰撞的可能性进行预测,且预测结果包括继续沿规划路线飞行以及动态避障。
在本实施例中,S3中可能性进行预测的预测结果具体包括:若树莓派计算机计算的人工势场在当前无人机位置所形成的合力为引力,则继续沿规划路线飞行;若树莓派计算机计算的人工势场在当前无人机位置所形成的合力为斥力,即无人机飞行前方可能存在碰撞时,则触发无人机执行动态避障行为,此时系统通过局部路径规划来实现无人机的动态避障,局部路径规划结合全局路径规划的下一个目标点输出无人机的速度和位姿给底层控制系统,并使得无人机飞往下一个目标点。
人工势场法是将障碍物设置成斥力,目标点设置成引力,进行力的矢量相加,最后算出合力的方向。
引力就是目标势场的负梯度函数:
斥力就是障碍物形成斥力场的负梯度函数:
形成的总场:U(q)=Uatt(q)+Urep(q)。
上述方法在数学描述上简洁美观,算法运行速度高,有利于达到无人机在精度和实时性之间平衡的要求,便于底层的实时控制,但是该算法也有其设计之初的固有缺点,当目标距离较远的时候,引力将非常大,相对较小的斥力下,物体路径可能会碰到障碍物;当目标附近有障碍物时斥力将非常大,引力相对较小,物体很难到达目标点;在某个点,引力与斥力相等时,方向相反,物体容易陷入局部最优解或震荡。
针对室内煤场环境,本发明在人工势场法的基础做了相应改进:即S3中微型计算机树莓派基于相关信息对无人机进行碰撞预测的具体过程包括碰撞预测过程与动态避障过程,且碰撞预测过程基于人工势场法,其具体包括:通过设置远距离目标的阈值,减小远距离目标形成的引力,即只有无人机与目标的距离在dgoal范围之内,才会产生较大的引力,避免距离过大导致引力过大,相应的引力场如下公式所示;
且在目标点附近有障碍物导致目标不可达时,通过将目标点与无人机当前位置的距离引入,当无人机与目标点距离越近,附近障碍物的斥力越小;
相应的引力场公式:
相应斥力公式:
且在引力与斥力相等时,陷入局部最优解,给引力增加10%,使得无人机继续飞向下一个目标点,让无人机跳出局部最优值;
上述式中,Uatt(q)表示目标点的引力场,ξ表示尺度因子,ρ(q,qgoal)表示无人机当前位置与目标位置的距离,q是当前位置,qgoal是目标位置,Fat是目标点的引力;Urep(q)表示障碍物的斥力场,η表示尺度因子,ρ(q,qobs)表示无人机当前位置与障碍物之间的距离,ρ0表示每个障碍物的影响半径,Frep为障碍物的斥力。
在本实施例中,引力与斥力相等时,陷入局部最优解,给引力增加10%,使得无人机继续飞向下一个目标点,让无人机跳出局部最优值;在本发明改进之后形成的人工势场中,如果无人机不在障碍物的作用范围内,即ρ(q,qobs)>ρ0),同时形成的合力为引力,即合力与无人机速度方向的夹角小于90°或大于-90°,则碰撞预测模块输出安全,反之输出不安全,执行动态避障。
在本实施例中,动态避障过程具体包括:180°扇形区域进行,将前方扇区按30°划分为6个子扇区,角度定义为机头正前方,从左向右旋转依次0°-180°。再根据无人机大小和激光测距仪的检测范围,从激光发射原点到整个前方辐射区域,以等宽的间距,将辐射区域划分为多个相同圆心的等宽圆环,本项目选择的间距为0.5米。如此,许多个相同径向间隔的同心圆环和角度均等的子扇区分界线就将扇形区域分为了若干个环形单元格,最终划分效果如图2所示。
上述动态避障具体为:在初始状态时,每一个栅格的一个确信度值都赋为0,在本项目中确信度值范围为(0,10),激光测距仪和视觉摄像头检测到障碍物后,首先根据自身与障碍物距离及与激光测距仪正方向的角度确定障碍物在扇区中的栅格坐标(l,θ),然后对该单元格的确信度值Ci进行赋值操作,将原始确信度值加1,当确信度值达到最大时将不再增加。若未检测到障碍物,则不增加扇区内任何栅格的确信度值;当无人机飞行时,中心点随之发生变化,扇形区域也随无人机飞行而变化,所以需要把t时刻用来反应前方障碍物位置信息的Ci值与无人机t+Δt时刻所处位置重新构建的扇形区域内的单元格相对应,具体需要通过下列两步来完成栅格映射操作及计算:
A:以当前时刻t的位置计算出扇形区内每一个确信度值不为0栅格的中心位置坐标(li,θi)并存储;
B:无人机飞到下一个位置,在此时刻t+Δt建立扇形栅格,同时确信度值都赋为0,再根据无人机两个位置的矢量差计算出上一时刻t中保存的栅格中心坐标(li,θi)在t+Δt扇形栅格的坐标(li′,θi′),如果在t+Δt时刻栅格(li′,θi′)检测到障碍物,则将t时刻栅格的确信度赋值给t+Δt对应的栅格并增加1,当达到最大值10,就不再增加,反之t+Δt时刻栅格(li′,θi′)没有检测到障碍物,则栅格(li′,θi′)的确信度值仍为0。
在本实施例中,动态扇形栅格法的优势如下:
在动态局部范围内建立栅格而不是全局栅格显著降低了信息存储量,适合于无人机搭载的微型计算机树莓派的存储要求;由于采用极坐标的形式划分栅格,栅格大小不是相同的,距离无人机近的地方栅格较多,远的地方较稀疏,对于局部避障来说设计更加合理,感知障碍物信息更精确;动态建立扇形栅格,故无人机的定位偏差和栅格投影的误差不随时间累计。
在本实施例中,在确定了无人机周边的障碍物环境信息,需要避障的时候可以利用虚拟力场法计算无人机机头前方的合力大小,若前方存在多个障碍物,有多个斥力作用于无人机,最后形成的合斥力为该方向多个斥力的矢量和,计算公式如下:
其中,Fcr表示斥力常数;Ci代表第i个栅格中存在障碍物的可能性(确信度值);di代表栅格与无人机搭载激光测距仪中心点的欧氏距离;(xi,yi),(xc,yc)分别表示栅格中心点、无人机搭载激光测距仪中心点的坐标值;分别表示X、Y轴的单位向量。由上述式可知,Ci与斥力大小正相关,di与斥力大小反相关;当无人机距离栅格越远时,栅格对其的斥力就越小。同时为避免无人机两侧与障碍物发生碰撞,对无人机两侧同样运用公式计算,
根据力的合成、分解原理,无人机机身两侧产生的斥力可以用一个作用在无人机中心点P上的力矩为合力为表示。同理,我们也可以将这个合力分解为两个大小相等、方向相同的力以及一个作用在机身前轴中点P1和后方轴线的中点P2的大小相等、方向相反的力偶力偶对无人机产生转矩,继而控制其实现偏航。
力与力偶的计算公式如下:
其中d是无人机中心点P到机身前方轴线的中点P1(或机身后方轴线的中点P2)的距离,力及力矩的分解效果如下图3所示。
是作用于机身前轴中点上经过修正之后的合斥力。同理可得作用于机身后轴中点上经过修正之后的合斥力再将合斥力与合引力合成得到总的合力,将无人机所受合力分解到无人机各个电机,通过各电机的协调配合,控制无人机向下一个目标飞去,这样就实现了动态避障。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种无人机在室内煤场飞行的避障方法,其特征在于,包括如下步骤:
S1:在无人机上携载激光测距仪、惯性导航器件与视觉摄像头;
S2:无人机飞行过程中,无人机依据系统规划好的路径,并基于该路径通过激光测距仪、视觉摄像头获取环境中动态障碍物的相关信息;
S3:通过微型计算机树莓派获取上述相关信息并基于该信息对无人机飞行前方与动态障碍物发生碰撞的可能性进行预测,且预测结果包括继续沿规划路线飞行以及动态避障。
2.根据权利要求1所述的一种无人机在室内煤场飞行的避障方法,其特征在于,所述S3中微型计算机树莓派基于相关信息对无人机进行碰撞预测的具体过程包括碰撞预测过程与动态避障过程,且碰撞预测过程基于人工势场法,其具体包括:通过设置远距离目标的阈值,减小远距离目标形成的引力,即只有无人机与目标的距离在dgoal范围之内,才会产生较大的引力,避免距离过大导致引力过大,相应的引力场如下公式所示;
且在目标点附近有障碍物导致目标不可达时,通过将目标点与无人机当前位置的距离引入,当无人机与目标点距离越近,附近障碍物的斥力越小;
相应的引力场公式:
相应斥力公式:
且在引力与斥力相等时,陷入局部最优解,给引力增加10%,使得无人机继续飞向下一个目标点,让无人机跳出局部最优值;
上述式中,Uatt(q)表示目标点的引力场,ξ表示尺度因子,ρ(q,qgoal)表示无人机当前位置与目标位置的距离,q是当前位置,qgoal是目标位置,Fat是目标点的引力;Urep(q)表示障碍物的斥力场,η表示尺度因子,ρ(q,qobs)表示无人机当前位置与障碍物之间的距离,ρ0表示每个障碍物的影响半径,Frep为障碍物的斥力。
3.根据权利要求2所述的一种无人机在室内煤场飞行的避障方法,其特征在于,所述动态避障过程具体包括:通过构建无人机机头正前方的180°扇形区域,将前方扇区按30°划分为6个子扇区,且角度定义为机头正前方,从左向右旋转依次0°-180°;再根据无人机大小和激光测距仪的检测范围,从激光发射原点到整个前方辐射区域,以等宽的间距,将辐射区域划分为多个相同圆心的等宽圆环,即若干个相同径向间隔的同心圆环和角度均等的子扇区分界线就将扇形区域分为了若干个环形单元格,在初始状态时,对每一个栅格的一个确信度值均进行赋值,激光测距仪和视觉摄像头检测到障碍物后,首先根据自身与障碍物距离及与激光测距仪正方向的角度确定障碍物在扇区中的栅格坐标,然后对该单元格的确信度值进行赋值操作。
4.根据权利要求1所述的一种无人机在室内煤场飞行的避障方法,其特征在于,所述S3中可能性进行预测的预测结果具体包括:若树莓派计算机计算的人工势场在当前无人机位置所形成的合力为引力,则继续沿规划路线飞行;若树莓派计算机计算的人工势场在当前无人机位置所形成的合力为斥力,即无人机飞行前方可能存在碰撞时,则触发无人机执行动态避障行为,此时系统通过局部路径规划来实现无人机的动态避障,局部路径规划结合全局路径规划的下一个目标点输出无人机的速度和位姿给底层控制系统,并使得无人机飞往下一个目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011500121.4A CN112783194A (zh) | 2020-12-18 | 2020-12-18 | 一种无人机在室内煤场飞行的避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011500121.4A CN112783194A (zh) | 2020-12-18 | 2020-12-18 | 一种无人机在室内煤场飞行的避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112783194A true CN112783194A (zh) | 2021-05-11 |
Family
ID=75751159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011500121.4A Pending CN112783194A (zh) | 2020-12-18 | 2020-12-18 | 一种无人机在室内煤场飞行的避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112783194A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311864A (zh) * | 2021-05-26 | 2021-08-27 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN113485454A (zh) * | 2021-08-23 | 2021-10-08 | 南京航空航天大学 | 几何改进人工势场的无人机避障机动方法和系统 |
CN113741503A (zh) * | 2021-09-16 | 2021-12-03 | 吉林工程技术师范学院 | 一种自主定位式无人机及其室内路径自主规划方法 |
CN115026816A (zh) * | 2022-06-09 | 2022-09-09 | 安徽工业大学 | 一种基于虚拟力的机械臂末端避障方法 |
CN116400722A (zh) * | 2023-05-10 | 2023-07-07 | 江苏方天电力技术有限公司 | 一种无人机避障飞行方法及相关装置 |
-
2020
- 2020-12-18 CN CN202011500121.4A patent/CN112783194A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311864A (zh) * | 2021-05-26 | 2021-08-27 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN113311864B (zh) * | 2021-05-26 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN113485454A (zh) * | 2021-08-23 | 2021-10-08 | 南京航空航天大学 | 几何改进人工势场的无人机避障机动方法和系统 |
CN113485454B (zh) * | 2021-08-23 | 2023-04-14 | 南京航空航天大学 | 几何改进人工势场的无人机避障机动方法和系统 |
CN113741503A (zh) * | 2021-09-16 | 2021-12-03 | 吉林工程技术师范学院 | 一种自主定位式无人机及其室内路径自主规划方法 |
CN113741503B (zh) * | 2021-09-16 | 2024-01-30 | 吉林工程技术师范学院 | 一种自主定位式无人机及其室内路径自主规划方法 |
CN115026816A (zh) * | 2022-06-09 | 2022-09-09 | 安徽工业大学 | 一种基于虚拟力的机械臂末端避障方法 |
CN116400722A (zh) * | 2023-05-10 | 2023-07-07 | 江苏方天电力技术有限公司 | 一种无人机避障飞行方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783194A (zh) | 一种无人机在室内煤场飞行的避障方法 | |
US11237572B2 (en) | Collision avoidance system, depth imaging system, vehicle, map generator and methods thereof | |
Bircher et al. | Structural inspection path planning via iterative viewpoint resampling with application to aerial robotics | |
CN108776492B (zh) | 一种基于双目相机的四轴飞行器自主避障与导航方法 | |
CN110850873B (zh) | 无人船路径规划方法、装置、设备和存储介质 | |
Mujumdar et al. | Evolving philosophies on autonomous obstacle/collision avoidance of unmanned aerial vehicles | |
US10937325B2 (en) | Collision avoidance system, depth imaging system, vehicle, obstacle map generator, and methods thereof | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
CN113671994B (zh) | 基于强化学习的多无人机与多无人船巡检控制系统 | |
US11069080B1 (en) | Collaborative airborne object tracking systems and methods | |
CN112180954B (zh) | 一种基于人工势场的无人机避障方法 | |
Adler et al. | Autonomous exploration of urban environments using unmanned aerial vehicles | |
CN110146085A (zh) | 基于建图和快速探索随机树的无人机实时规避重规划方法 | |
CN115903879A (zh) | 基于地形数据插值技术的无人机航迹规划方法 | |
KR20120129002A (ko) | 수중로봇과 그 제어방법 | |
CN115145315A (zh) | 一种改进a*算法的适合杂乱环境的无人机路径规划方法 | |
Ke et al. | Cooperative path planning for air–sea heterogeneous unmanned vehicles using search-and-tracking mission | |
CN115143970A (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
CN117389305A (zh) | 一种无人机巡检路径规划方法、系统、设备及介质 | |
CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
CN116048120B (zh) | 一种未知动态环境下小型四旋翼无人机自主导航系统及方法 | |
CN116382334A (zh) | 一种针对多无人机协同航迹规划的融合优化方法 | |
Zuo et al. | Overview of obstacle avoidance algorithms for UAV environment awareness | |
Yue et al. | A new search scheme using multi‐bee‐colony elite learning method for unmanned aerial vehicles in unknown environments | |
Ranade et al. | Quadcopter obstacle avoidance and path planning using flood fill method |
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 |