CN112799421A - 无人机的控制方法、装置、存储介质和电子设备 - Google Patents
无人机的控制方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112799421A CN112799421A CN202110342992.6A CN202110342992A CN112799421A CN 112799421 A CN112799421 A CN 112799421A CN 202110342992 A CN202110342992 A CN 202110342992A CN 112799421 A CN112799421 A CN 112799421A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- observed
- state vector
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 254
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 230000007704 transition Effects 0.000 claims abstract description 97
- 238000004891 communication Methods 0.000 claims abstract description 46
- 230000001276 controlling effect Effects 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000000875 corresponding effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
本公开涉及一种无人机的控制方法、装置、存储介质和电子设备，涉及无人机控制技术领域，该方法应用于观测无人机，包括：若第一采集时刻与被观测无人机之间的通信中断，根据被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，状态转移矩阵根据预设时间段内被观测无人机发送的多个历史姿态信息确定，根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线，标准状态向量用于表征观测无人机在第一采集时刻的姿态。本公开能够提高无人机飞行的安全性和可靠性。
Description
技术领域
本公开涉及无人机控制技术领域，具体地，涉及一种无人机的控制方法、装置、存储介质和电子设备。
背景技术
随着无人机技术的不断发展，无人机已经在航拍、农业、配送等领域得到了广泛的应用。在配送场景中，由于订单的数量较大，可能会出现同一区域内存在多个无人机的情况，需要每个无人机能够合理规划航线，以保证无人机之间不会发生碰撞。相关技术中，当前无人机在飞行过程中，会通过无线网络实时接收其他无人机广播的姿态信息，以使当前无人机根据其他无人机的姿态信息对航线进行评估和调整，以避免与其他无人机发生碰撞。然而，当前无人机在飞行过程中，当前无人机或者其他无人机都有可能会处于弱网（即无线网络传输速率低、信号强度弱、稳定性差等）环境，导致当前无人机无法接收到其他无人机发送的姿态信息，此时当前无人机无法及时准确地对航线进行评估和调整，容易发生碰撞事故，降低了无人机飞行的安全性和可靠性。
发明内容
本公开的目的是提供一种无人机的控制方法、装置、存储介质和电子设备，用以解决现有技术中存在的相关问题。
根据本公开实施例的第一方面，提供一种无人机的控制方法，应用于观测无人机，所述方法包括：
若第一采集时刻与被观测无人机之间的通信中断，根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，所述第一状态向量用于表征所述被观测无人机在所述第一采集时刻的姿态，所述第二状态向量用于表征所述被观测无人机在第二采集时刻的姿态，所述第二采集时刻为所述第一采集时刻之前的上一个采集时刻，所述状态转移矩阵根据所述第一采集时刻之前的预设时间段内所述被观测无人机发送的多个历史姿态信息确定；
根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径，所述预测空间的半径与所述状态协方差正相关；
根据所述观测无人机在所述第一采集时刻的标准状态向量、所述第一状态向量和所述预测空间的半径，判断所述观测无人机是否与所述被观测无人机冲突，并根据判断的结果控制所述观测无人机的航线，所述标准状态向量用于表征所述观测无人机在所述第一采集时刻的姿态。
可选地，所述预设时间段内包括多个采集时刻，每个所述历史姿态信息对应一个所述采集时刻，每个所述历史姿态信息包括：用于表征所述被观测无人机在对应的所述采集时刻的姿态的历史状态向量；
在所述根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量之前，所述方法还包括：
若多个所述历史姿态信息与所述被观测无人机的被观测航线匹配，根据所述被观测航线确定所述状态转移矩阵；
若多个所述历史姿态信息与所述被观测航线不匹配，对每个所述历史姿态信息包括的所述历史状态向量进行拟合，以得到所述状态转移矩阵。
可选地，在所述根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径之前，所述方法还包括：
若所述第二采集时刻接收到所述被观测无人机发送的第二姿态信息和环境信息，根据所述第二姿态信息包括的所述第二状态向量、所述环境信息、所述被观测无人机的被观测航线，和预先训练的识别模型，预测所述被观测无人机在所述第一采集时刻的状态协方差；
若所述第二采集时刻与所述被观测无人机之间的通信中断，根据所述被观测无人机在所述第二采集时刻的状态协方差，和所述状态转移矩阵，预测所述被观测无人机在所述第一采集时刻的状态协方差。
可选地，所述根据所述被观测无人机在所述第二采集时刻的状态协方差，和所述状态转移矩阵，预测所述被观测无人机在所述第一采集时刻的状态协方差，包括：
将所述状态转移矩阵、所述被观测无人机在所述第二采集时刻的状态协方差、所述状态转移矩阵的转置相乘，并将相乘的结果与预设的噪声矩阵相加，以得到所述被观测无人机在所述第一采集时刻的状态协方差。
可选地，所述根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，包括：
将所述状态转移矩阵和所述第二状态向量的乘积，作为所述第一状态向量；
所述第二状态向量为所述第二采集时刻所述被观测无人机发送的第二姿态信息中包括的，或者，根据所述状态转移矩阵和所述被观测无人机在第三采集时刻的第三状态向量确定的，所述第三采集时刻为所述第二采集时刻之前的上一个采集时刻。
可选地，所述第一状态向量包括：所述被观测无人机在所述第一采集时刻的位置、速度和加速度，所述状态协方差为状态协方差矩阵，所述根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径，包括：
在所述被观测无人机在所述第一采集时刻的状态协方差矩阵中，确定目标元素，所述目标元素用于表征位置的方差；
将所述目标元素的平方根，与预设倍数的乘积，作为所述预测空间的半径。
可选地，所述根据所述观测无人机在所述第一采集时刻的标准状态向量、所述第一状态向量和所述预测空间的半径，判断所述观测无人机是否与所述被观测无人机冲突，包括：
根据所述标准状态向量和所述观测无人机预设的观测航线，确定在避障时间段内所述观测无人机的状态向量集合，所述状态向量集合包括所述避障时间段内每个采集时刻所述观测无人机的状态向量，所述避障时间段为指定时长，且包括所述第一采集时刻；
若所述状态向量集合中的每个状态向量所指示的位置，与所述第一状态向量所指示的第一位置的距离，均大于所述预测空间的半径，确定所述观测无人机不与所述被观测无人机冲突；
若所述状态向量集合中存在至少一个状态向量所指示的位置，与所述第一位置的距离，小于或等于所述预测空间的半径，确定所述观测无人机与所述被观测无人机冲突。
可选地，根据判断的结果控制所述观测无人机的航线，包括：
若确定所述观测无人机不与所述被观测无人机冲突，控制所述观测无人机按照所述观测无人机预设的观测航线飞行；
若确定所述观测无人机与所述被观测无人机冲突，根据所述第一状态向量调整所述观测航线，并控制所述观测无人机按照调整后的所述观测航线飞行，调整后的所述观测航线在所述避障时间段内的任一位置与所述第一位置之间的距离，均大于所述预测空间的半径。
根据本公开实施例的第二方面，提供一种无人机的控制装置，应用于观测无人机，所述装置包括：
预测模块，用于若第一采集时刻与被观测无人机之间的通信中断，根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，所述第一状态向量用于表征所述被观测无人机在所述第一采集时刻的姿态，所述第二状态向量用于表征所述被观测无人机在第二采集时刻的姿态，所述第二采集时刻为所述第一采集时刻之前的上一个采集时刻，所述状态转移矩阵根据所述第一采集时刻之前的预设时间段内所述被观测无人机发送的多个历史姿态信息确定；
第一确定模块，用于根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径，所述预测空间的半径与所述状态协方差正相关；
控制模块，用于根据所述观测无人机在所述第一采集时刻的标准状态向量、所述第一状态向量和所述预测空间的半径，判断所述观测无人机是否与所述被观测无人机冲突，并根据判断的结果控制所述观测无人机的航线，所述标准状态向量用于表征所述观测无人机在所述第一采集时刻的姿态。
可选地，所述预设时间段内包括多个采集时刻，每个所述历史姿态信息对应一个所述采集时刻，每个所述历史姿态信息包括：用于表征所述被观测无人机在对应的所述采集时刻的姿态的历史状态向量；
所述装置还包括：
第二确定模块，用于在所述根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量之前，若多个所述历史姿态信息与所述被观测无人机的被观测航线匹配，根据所述被观测航线确定所述状态转移矩阵；若多个所述历史姿态信息与所述被观测航线不匹配，对每个所述历史姿态信息包括的所述历史状态向量进行拟合，以得到所述状态转移矩阵。
可选地，所述装置还包括：
第三确定模块，用于在所述根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径之前，若所述第二采集时刻接收到所述被观测无人机发送的第二姿态信息和环境信息，根据所述第二姿态信息包括的所述第二状态向量、所述环境信息、所述被观测无人机的被观测航线，和预先训练的识别模型，预测所述被观测无人机在所述第一采集时刻的状态协方差；若所述第二采集时刻与所述被观测无人机之间的通信中断，根据所述被观测无人机在所述第二采集时刻的状态协方差，和所述状态转移矩阵，预测所述被观测无人机在所述第一采集时刻的状态协方差。
可选地，所述第三确定模块用于：
将所述状态转移矩阵、所述被观测无人机在所述第二采集时刻的状态协方差、所述状态转移矩阵的转置相乘，并将相乘的结果与预设的噪声矩阵相加，以得到所述被观测无人机在所述第一采集时刻的状态协方差。
可选地，所述预测模块用于：
将所述状态转移矩阵和所述第二状态向量的乘积，作为所述第一状态向量；
所述第二状态向量为所述第二采集时刻所述被观测无人机发送的第二姿态信息中包括的，或者，根据所述状态转移矩阵和所述被观测无人机在第三采集时刻的第三状态向量确定的，所述第三采集时刻为所述第二采集时刻之前的上一个采集时刻。
可选地，所述第一状态向量包括：所述被观测无人机在所述第一采集时刻的位置、速度和加速度，所述状态协方差为状态协方差矩阵，所述第一确定模块包括：
第一确定子模块，用于在所述被观测无人机在所述第一采集时刻的状态协方差矩阵中，确定目标元素，所述目标元素用于表征位置的方差；
第二确定子模块，用于将所述目标元素的平方根，与预设倍数的乘积，作为所述预测空间的半径。
可选地，所述控制模块包括：
第三确定子模块，用于根据所述标准状态向量和所述观测无人机预设的观测航线，确定在避障时间段内所述观测无人机的状态向量集合，所述状态向量集合包括所述避障时间段内每个采集时刻所述观测无人机的状态向量，所述避障时间段为指定时长，且包括所述第一采集时刻；
第四确定子模块，用于若所述状态向量集合中的每个状态向量所指示的位置，与所述第一状态向量所指示的第一位置的距离，均大于所述预测空间的半径，确定所述观测无人机不与所述被观测无人机冲突；若所述状态向量集合中存在至少一个状态向量所指示的位置，与所述第一位置的距离，小于或等于所述预测空间的半径，确定所述观测无人机与所述被观测无人机冲突。
可选地，所述控制模块还用于：
若确定所述观测无人机不与所述被观测无人机冲突，控制所述观测无人机按照所述观测无人机预设的观测航线飞行；若确定所述观测无人机与所述被观测无人机冲突，根据所述第一状态向量调整所述观测航线，并控制所述观测无人机按照调整后的所述观测航线飞行，调整后的所述观测航线在所述避障时间段内的任一位置与所述第一位置之间的距离，均大于所述预测空间的半径。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述方法的步骤。
通过上述技术方案，本公开在第一采集时刻与被观测无人机之间的通信中断的情况下，首先根据被观测无人机的状态转移矩阵和第二采集时刻的第二状态向量，预测能够表征被观测无人机在第一采集时刻的姿态的第一状态向量，其中，第二采集时刻为第一采集时刻之前的上一个采集时刻，状态转移矩阵根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定。之后根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，预测空间的半径与状态协方差正相关，再根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线。本公开能够在观测无人机与被观测无人机之间通信中断的情况下，预测被观测无人机的姿态，并预测被观测无人机的预测空间的半径，从而辅助观测无人机飞行，能够有效避免碰撞，提高了无人机飞行的安全性和可靠性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种无人机的控制方法的流程图；
图2是根据一示例性实施例示出的另一种无人机的控制方法的流程图；
图3是根据一示例性实施例示出的另一种无人机的控制方法的流程图；
图4是根据一示例性实施例示出的另一种无人机的控制方法的流程图；
图5是根据一示例性实施例示出的另一种无人机的控制方法的流程图；
图6是根据一示例性实施例示出的另一种无人机的控制方法的流程图；
图7是根据一示例性实施例示出的一种无人机的控制装置的框图；
图8是根据一示例性实施例示出的另一种无人机的控制装置的框图；
图9是根据一示例性实施例示出的另一种无人机的控制装置的框图；
图10是根据一示例性实施例示出的另一种无人机的控制装置的框图；
图11是根据一示例性实施例示出的另一种无人机的控制装置的框图；
图12是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开提供的无人机的控制方法、装置、存储介质和电子设备之前，首先对本公开中各个实施例所涉及的应用场景进行介绍。本公开所提供的各实施例可以应用于各种无人机的控制场景，例如无人机物流配送、无人机外卖配送等等。在一个运营区域内可以存在多个无人机，可以将其中任一个无人机作为后文提及的观测无人机，观测无人机可以理解为当前需要进行控制的无人机。运营区域内除观测无人机之外的一个或多个无人机，均可以作为后文提及的被观测无人机（即被观测无人机可以是一个或多个）。可以理解为，被观测无人机是观测无人机的观测对象，即观测无人机需要观测被观测无人机的姿态，以确定如何飞行。需要说明的是，观测无人机和被观测无人机之间是等价的，可以互相转换。进一步的，观测无人机和被观测无人机之间可以直接进行通信，例如观测无人机和被观测无人机之间，可以按照5G（英文：the 5th Generation mobile communicationtechnology，中文：第五代移动通信技术）、4G（英文：the 4th Generation mobilecommunication technology，中文：第四代移动通信技术）、WLAN（英文：Wireless LocalArea Networks，中文：无线局域网）等无线通信协议直接进行数据传输。观测无人机也可以通过预先设置的云控平台与被观测无人机之间进行通信，例如观测无人机可以通过云控平台接收被观测无人机发送的数据（例如后文提及的历史姿态信息、第二姿态信息等），其中云控平台可以理解为运营区域内，用于管理控制无人机的平台。
图1是根据一示例性实施例示出的一种无人机的控制方法的流程图，如图1所示，该方法应用于观测无人机，可以包括以下步骤：
步骤101，若第一采集时刻与被观测无人机之间的通信中断，根据被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，第一状态向量用于表征被观测无人机在第一采集时刻的姿态，第二状态向量用于表征被观测无人机在第二采集时刻的姿态，第二采集时刻为第一采集时刻之前的上一个采集时刻，状态转移矩阵根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定。
举例来说，观测无人机和被观测无人机在飞行的过程中，可能由于一些不可抗力因素（例如：风速等）导致无法严格按照预设的观测航线飞行。因此观测无人机需要与被观测无人机之间实时保持通信，以获取被观测无人机发送的姿态信息，从而根据被观测无人机发送的姿态信息，确定是否与被观测无人机冲突，其中，姿态信息中包括了能够表征被观测无人机的姿态的状态向量。观测无人机可以在每个采集时刻（相邻的采集时刻之间相隔预设的采集周期，采集周期例如可以是1s），与被观测无人机建立通信连接，以获取姿态信息。当观测无人机或者被观测无人机处于弱网环境时，观测无人机与被观测无人机之间的通信可能会中断，那么观测无人机将无法接收到被观测无人机发送的姿态信息，可能会导致观测无人机无法及时准确地判断是否与被观测无人机冲突，容易发生碰撞事故。因此在观测无人机与被观测无人机之间的通信中断的情况下，观测无人机需要对被观测无人机的状态向量（即姿态）进行预测。
若观测无人机在第一采集时刻发现与被观测无人机之间的通信中断，那么可以根据被观测无人机的状态转移矩阵和被观测无人机在第二采集时刻的第二状态向量，来预测被观测无人机在第一采集时刻的第一状态向量。其中，第一采集时刻可以是当前时刻，第二采集时刻为第一采集时刻之前的上一个采集时刻，第一状态向量用于表征被观测无人机在第一采集时刻的姿态，第二状态向量用于表征被观测无人机在第二采集时刻的姿态。例如，以三维坐标系中的X轴、Y轴和Z轴来举例，第一状态向量可以表示为：[x, y, z, v x , v y , v z , a x , a y , a z ]T，其中，x表示被观测无人机在第一采集时刻的X轴的坐标，y表示被观测无人机在第一采集时刻的Y轴的坐标，z表示被观测无人机在第一采集时刻的Z轴的坐标，v x 表示被观测无人机在第一采集时刻的X轴的速度，v y 表示被观测无人机在第一采集时刻的Y轴的速度，v z 表示被观测无人机在第一采集时刻的Z轴的速度，a x 表示被观测无人机在第一采集时刻的X轴的加速度，a y 表示被观测无人机在第一采集时刻的Y轴的加速度，a z 表示被观测无人机在第一采集时刻的Z轴的加速度。
状态转移矩阵能够描述被观测无人机在任意两个相邻的采集时刻的状态向量之间的转换关系，也可以理解为，状态转移矩阵能够描述被观测无人机的飞行轨迹。因此，可以根据状态转移矩阵与第二状态向量，来预测第一状态向量。其中，第二状态向量，可以是被观测无人机在第二采集时刻发送给观测无人机的，也可以是根据状态转移矩阵和第二采集时刻之前的上一个采集时刻（即后文提及的第三采集时刻）的状态向量确定的。状态转移矩阵可以是根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定的，其中，预设时间段内可以包括多个采集时刻，其中每个采集时刻观测无人机会接收到被观测无人机发送的一个历史姿态信息，每个历史姿态信息中包括了能够表征被观测无人机在该采集时刻的姿态的历史状态向量。例如，预设时间段可以为第一采集时刻之前的20s，采集周期为1s，那么预设时间段内观测无人机最多可以接收到被观测无人机发送的20个历史姿态信息。可以通过对每个历史姿态信息中包括的历史状态向量进行多项式拟合，从而确定状态转移矩阵。
步骤102，根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，预测空间的半径与状态协方差正相关。
示例的，可以根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径。其中，预测空间可以理解为被观测无人机在第一采集时刻可能出现的位置的范围，预测空间的半径用于指示预测空间的大小。也就是说，要保证观测无人机与被观测无人机不冲突，观测无人机在第一采集时刻的位置不应当在预测空间内，也可以理解为在第一采集时刻，观测无人机的位置与被观测无人机的位置之间的距离，大于预测空间的半径时，可以确定观测无人机与被观测无人机不冲突。
具体的，状态协方差反映的是，被观测无人机在飞行过程中的姿态，与被观测无人机预设的被观测航线之间的跟踪误差，状态协方差越大，表示被观测无人机的姿态与被观测航线之间的误差越大，即被观测无人机越偏离被观测航线。预测空间的半径与状态协方差正相关，表示被观测无人机越偏离被观测航线，被观测无人机在第一采集时刻可能出现的位置的范围就越大，即预测空间的半径越大。例如，状态协方差表示为P，预测空间的半径可以为
，其中n为预设的倍数（例如可以为2或3）。预测空间的半径还可以为
，其中e为预设的冗余距离（例如可以是1m）。
步骤103，根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线，标准状态向量用于表征观测无人机在第一采集时刻的姿态。
示例的，在确定第一状态向量和预测空间的半径之后，可以根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突。其中，标准状态向量用于表征观测无人机在第一采集时刻的姿态，标准状态向量可以是根据观测无人机上设置的各种信息采集装置（例如：摄像头、加速度传感器、导航装置、电机转速传感器、陀螺仪等）采集的信号确定的，由于标准状态向量是可以实时获取的，因此标准状态向量的准确度高，能够准确反映观测无人机在第一采集时刻的姿态。
在一种实现方式中，可以根据标准状态向量确定观测无人机在第一采集时刻的位置，然后根据第一状态向量，确定被观测无人机在第一采集时刻的位置，再对第一采集时刻观测无人机的位置和被观测无人机的位置求差，并将求差结果与预测空间的半径进行比较，若求差结果小于或等于预测空间的半径（可以理解为观测无人机在第一采集时刻的位置在预测空间内），那么表示观测无人机与被观测无人机冲突，若求差结果大于预测空间的半径（可以理解为观测无人机在第一采集时刻的位置在预测空间之外），那么表示观测无人机不与被观测无人机冲突。在另一种实现方式中，可以根据标准状态向量和观测航线，确定观测无人机在第一采集时刻前后一段时间内的多个位置，并依次对多个位置与根据第一状态向量确定的被观测无人机在第一采集时刻的位置求差，最后将每个求差结果与预测空间的半径进行比较，若每个求差结果均大于预测空间的半径（可以理解为观测无人机在第一采集时刻前后一段时间内的多个位置均在预测空间之外），那么表示观测无人机不与被观测无人机冲突。在得到判断的结果后，可以根据判断的结果来控制观测无人机的航线。例如，当判断的结果指示观测无人机不与被观测无人机冲突的情况下，可以控制观测无人机按照观测无人机预设的观测航线飞行，也就是说观测无人机在第一采集时刻按照观测航线飞行，不会与被观测无人机发生冲突。当判断的结果指示观测无人机与被观测无人机冲突的情况下，可以根据第一状态向量对观测航线进行调整，以使观测无人机避开被观测无人机，从而避免与被观测无人机发生冲突。这样，在观测无人机与被观测无人机之间通信中断的情况下，观测无人机能够预测被观测无人机的姿态，并预测被观测无人机的预测空间的半径，从而避免了由于无法获知被观测无人机的姿态，导致的碰撞事故，能够提高无人机飞行的安全性和可靠性。
综上所述，本公开在第一采集时刻与被观测无人机之间的通信中断的情况下，首先根据被观测无人机的状态转移矩阵和第二采集时刻的第二状态向量，预测能够表征被观测无人机在第一采集时刻的姿态的第一状态向量，其中，第二采集时刻为第一采集时刻之前的上一个采集时刻，状态转移矩阵根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定。之后根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，预测空间的半径与状态协方差正相关，再根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线。本公开能够在观测无人机与被观测无人机之间通信中断的情况下，预测被观测无人机的姿态，并预测被观测无人机的预测空间的半径，从而辅助观测无人机飞行，能够有效避免碰撞，提高了无人机飞行的安全性和可靠性。
图2是根据一示例性实施例示出的另一种无人机的控制方法的流程图，如图2所示，在步骤101之前，该方法还可以包括：
步骤104a，若多个历史姿态信息与被观测无人机的被观测航线匹配，根据被观测航线确定状态转移矩阵。
步骤104b，若多个历史姿态信息与被观测航线不匹配，对每个历史姿态信息包括的历史状态向量进行拟合，以得到状态转移矩阵。
在一种应用场景中，预设时间段内可以包括多个采集时刻，每个历史姿态信息对应一个采集时刻，相应的，每个历史姿态信息可以包括用于表征被观测无人机在对应的采集时刻的姿态的历史状态向量。可以根据多个历史姿态信息与被观测无人机的被观测航线是否匹配，确定状态转移矩阵。若多个历史姿态信息与被观测无人机的被观测航线匹配，说明被观测无人机在预设时间段内，按照被观测航线飞行，那么可以认为第一采集时刻被观测无人机也按照被观测航线飞行，那么此时可以根据被观测航线确定状态转移矩阵，例如可以将用于表示被观测航线的多项式，转换为矩阵形式，以作为状态转移矩阵，还可以将用于表示预设时间段内被观测航线的多项式，转换为矩阵形式，以作为状态转移矩阵。也就是说，在多个历史姿态信息与被观测航线匹配的情况下，可以根据被观测航线确定第一状态向量。其中，多个历史姿态信息与被观测无人机的被观测航线匹配，可以理解为，根据每个历史姿态信息包括的历史状态向量，确定被观测无人机在预设时间段内的每个采集时刻的位置，每个采集时刻的位置均在被观测航线上，或者预设比例（例如90%）的采集时刻的位置均在被观测航线上。
若个历史姿态信息与被观测无人机的被观测航线不匹配，说明被观测无人机在预设时间段内，已经偏离了被观测航线，那么此时根据被观测航线来确定状态转移矩阵的准确度较低，因此应当根据多个历史姿态信息中包括的历史状态向量来确定状态转移矩阵。例如，可以将每个历史姿态信息包括的历史状态向量进行多项式拟合，从而得到状态转移矩阵。例如，可以定义状态转移方程为：
N k+1=F* N k
其中，N k+1表示预设时间段内第k+1个采集时刻对应的历史状态向量，N k 表示预设时间段内第k个采集时刻对应的历史状态向量，F表示状态转移矩阵。其中，以历史状态向量为9*1的向量为例，那么状态转移矩阵即为9*9的矩阵。这样，将预设时间段内每两个相邻的采集时刻（即N k+1和N k ）对应的历史状态向量带入上述状态转移方程，可以求解得到状态转移矩阵。
图3是根据一示例性实施例示出的另一种无人机的控制方法的流程图，如图3所示，在步骤102之前，该方法还可以包括：
步骤105a，若第二采集时刻接收到被观测无人机发送的第二姿态信息和环境信息，根据第二姿态信息包括的第二状态向量、环境信息、被观测无人机的被观测航线，和预先训练的识别模型，预测被观测无人机在第一采集时刻的状态协方差。
步骤105b，若第二采集时刻与被观测无人机之间的通信中断，根据被观测无人机在第二采集时刻的状态协方差，和状态转移矩阵，预测被观测无人机在第一采集时刻的状态协方差。
举例来说，在根据状态协方差确定预测空间的半径之前，可以先根据第二采集时刻，观测无人机与被观测无人机之间的通信是否中断，确定被观测无人机在第一采集时刻的状态协方差。若第二采集时刻观测无人机与被观测无人机之间的通信未中断（可以理解为观测无人机与被观测无人机之间是从第一采集时刻开始通信中断的），那么第二采集时刻，观测无人机可以接收到被观测无人机发送的第二姿态信息和环境信息，其中，第二姿态信息中包括第二状态向量，环境信息可以包括被观测无人机在第二采集时刻所处环境的风力的大小和方向，还可以包括温度、湿度等，本公开对此不作具体限定。之后，可以将第二状态向量、环境信息、被观测无人机的被观测航线，输入预先训练的识别模型，以得到识别模型输出的，被观测无人机在第一采集时刻的状态协方差。识别模型可以理解为，能够识别被观测无人机的状态协方差的模型。具体的，可以将第二状态向量中包括的速度和加速度（例如：X轴、Y轴和Z轴上的速度和加速度）、环境信息中包括的风力的大小和方向、被观测航线对应在第二采集时刻的位置，作为识别模型的输入，以得到识别模型输出的，被观测无人机在第一采集时刻的状态协方差。
需要说明的是，上述识别模型例如可以是卷积神经网络（英文：ConvolutionalNeural Networks，缩写：CNN），可以基于深度学习训练得到。例如可以预先采集被观测飞机之前多次飞行过程中多个训练采集时刻的真实状态向量、真实环境信息和相应的航线，然后将每个训练采集时刻的真实状态向量（例如可以包括速度和加速度）、真实环境信息（例如可以包括：风力的大小和方向）和相应的航线（例如可以包括被观测航线对应在该训练采集时刻的位置）作为该训练采集时刻对应的样本输入，以得到包括了多个训练采集时刻对应的样本输入的样本输入集。同时，获取样本输出集，样本输出集中包括了与每个样本输入对应的样本输出，每个样本输出包括相应的训练采集时刻所对应的真实状态协方差。最后，将样本输入集作为识别模型的输入，将样本输出集作为识别模型的输出，以训练识别模型，使得在输入样本输入集时，识别模型的输出，能够和样本输出集匹配。例如，可以根据识别模型的输出，与样本输出集的差（或者均方差）作为识别模型的损失函数，以降低损失函数为目标，利用反向传播算法来修正识别模型中的神经元的参数，神经元的参数例如可以是神经元的权重（英文：Weight）和偏置量（英文：Bias）。重复上述步骤，直至损失函数满足预设条件，例如损失函数小于预设的损失阈值，即可得到训练好的识别模型。
若第二采集时刻观测无人机与被观测无人机之间的通信中断，第二采集时刻观测无人机无法接收到被观测无人机发送的第二姿态信息和环境信息，那么可以根据被观测无人机在第二采集时刻的状态协方差，和状态转移矩阵，预测被观测无人机在第一采集时刻的状态协方差。具体的，可以将状态转移矩阵、被观测无人机在第二采集时刻的状态协方差、状态转移矩阵的转置相乘，并将相乘的结果与预设的噪声矩阵相加，以得到被观测无人机在第一采集时刻的状态协方差。
例如可以通过公式一来确定被观测无人机在第一采集时刻的状态协方差：
P m+1 =F * P m * F T + Q（公式一）
其中，P m+1表示被观测无人机在第m+1个采集时刻（即第一采集时刻）的状态协方差，P m 表示被观测无人机在第m个采集时刻（即第二采集时刻）的状态协方差，F表示状态转移矩阵，Q表示预设的噪声矩阵。以状态转移矩阵即为9*9的矩阵为例，状态协方差也为9*9的矩阵，噪声矩阵也为9*9的矩阵。
需要说明的是，被观测无人机在第二采集时刻的状态协方差，可以根据第二采集时刻之前的上一个采集时刻（即后文提及的第三采集时刻），观测无人机与被观测无人机之间的通信是否中断来确定。若第三采集时刻观测无人机与被观测无人机之间的通信未中断，那么第三采集时刻，观测无人机可以接收到被观测无人机发送的第三姿态信息和环境信息，其中，第三姿态信息包括了第三状态向量，第三状态向量用于表征被观测无人机在第三采集时刻的姿态，环境信息可以包括被观测无人机在第三采集时刻所处环境的风力的大小和方向。之后，可以将第三状态向量、环境信息、被观测无人机的被观测航线，输入上述识别模型，以得到识别模型输出的，被观测无人机在第二采集时刻的状态协方差。若第三采集时刻观测无人机与被观测无人机之间的通信中断，那么可以根据被观测无人机在第三采集时刻的状态协方差，和状态转移矩阵，预测被观测无人机在第二采集时刻的状态协方差。确定被观测无人机在第三采集时刻的状态协方差的方式，与上述确定第二采集时刻的状态协方差的方式相同，此处不再赘述。
在一种应用场景中，步骤101的实现方式可以为：
将状态转移矩阵和第二状态向量的乘积，作为第一状态向量。其中，第二状态向量为第二采集时刻被观测无人机发送的第二姿态信息中包括的，或者，根据状态转移矩阵和被观测无人机在第三采集时刻的第三状态向量确定的，第三采集时刻为第二采集时刻之前的上一个采集时刻。
示例的，可以将状态转移矩阵和第二状态向量的乘积，作为第一状态向量，即可以通过上述状态转移方程来确定第一状态向量。其中，第二状态向量的确定方式，可以根据第二采集时刻，观测无人机与被观测无人机之间的通信是否中断来确定。若第二采集时刻观测无人机与被观测无人机之间的通信未中断（也就是说观测无人机与被观测无人机之间是从第一采集时刻开始通信中断的），那么第二采集时刻，观测无人机可以接收到被观测无人机发送的第二姿态信息，其中，第二姿态信息包括了第二状态向量。若第二采集时刻观测无人机与被观测无人机之间的通信中断，那么第二采集时刻观测无人机无法接收到被观测无人机发送的第二姿态信息，那么第二状态向量，可以根据状态转移矩阵和被观测无人机在第三采集时刻的第三状态向量确定。例如，可以将状态转移矩阵和第三状态向量的乘积，作为第二状态向量。
图4是根据一示例性实施例示出的另一种无人机的控制方法的流程图，如图4所示，第一状态向量包括：被观测无人机在第一采集时刻的位置、速度和加速度，状态协方差为状态协方差矩阵，步骤102可以通过以下步骤来实现：
步骤1021，在被观测无人机在第一采集时刻的状态协方差矩阵中，确定目标元素，目标元素用于表征位置的方差。
步骤1022，将目标元素的平方根，与预设倍数的乘积，作为预测空间的半径。
示例的，第一状态向量中可以包括被观测无人机在第一采集时刻的位置、速度和加速度，相应的，状态协方差为状态协方差矩阵，协方差矩阵中可以包括：位置的方差、速度的方差、加速度的方差，还可以包括：位置与速度的协方差、位置与加速度的协方差、速度与加速度的协方差。因此，可以在被观测无人机在第一采集时刻的状态协方差矩阵中，确定用于表征位置的方差的目标元素，然后将目标元素的平方根，与预设倍数的乘积，作为预测空间的半径。例如，第一状态向量可以表示为：[x, y, z, v x , v y , v z , a x , a y , a z ]T，是一个9*1的向量，其中包括了被观测无人机在第一采集时刻，在X轴、Y轴和Z轴的坐标、速度和加速度。相应的，协方差矩阵为9*9的矩阵，其中对角线上的元素表征的是方差，其中，第一行第一列的元素（表示为p 11）表征的是X轴的坐标的方差，第二行第二列的元素（表示为p 22）表征的是Y轴的坐标的方差，第三行第三列的元素（表示为p 33）表征的是Z轴的坐标的方差，第四行第四列的元素（表示为p 44）表征的是X轴的速度的方差，以此类推。那么，p 11、p 22和p 33即为目标元素，可以将p 11、p 22和p 33带入公式二中，以求得预测空间的半径。
其中，R表示预测空间的半径，n表示预设的倍数（例如可以为2或3）。
图5是根据一示例性实施例示出的另一种无人机的控制方法的流程图，如图5所示，步骤103的实现方式可以包括以下步骤：
步骤1031，根据标准状态向量和观测无人机预设的观测航线，确定在避障时间段内观测无人机的状态向量集合，状态向量集合包括避障时间段内每个采集时刻观测无人机的状态向量，避障时间段为指定时长，且包括第一采集时刻。
步骤1032，若状态向量集合中的每个状态向量所指示的位置，与第一状态向量所指示的第一位置的距离，均大于预测空间的半径，确定观测无人机不与被观测无人机冲突。
步骤1033，若状态向量集合中存在至少一个状态向量所指示的位置，与第一位置的距离，小于或等于预测空间的半径，确定观测无人机与被观测无人机冲突。
举例来说，要确定观测无人机是否与被观测无人机冲突，可以先根据标准状态向量和观测航线，确定在避障时间段内观测无人机的状态向量集合。其中，状态向量集合中包括了避障时间段内每个采集时刻观测无人机的状态向量，避障时间段为指定时长（例如可以是5min），且包括第一采集时刻（即状态向量集合中也包括了第一状态向量）。例如，第一采集时刻表示为t，那么避障时间段可以表示为t±δt，其中，δ为预设的时间系数，指定时长为：2*δt。也就是说，状态向量集合中包括了第一采集时刻前后一段时间内观测无人机的状态向量。
之后，可以依次比较状态向量集合中的每个状态向量所指示的位置，与第一状态向量所指示的第一位置的距离。若状态向量集合中的每个状态向量所指示的位置，与第一状态向量所指示的第一位置的距离，均大于预测空间的半径（可以理解为每个状态向量所指示的位置均在预测空间之外），那么可以确定观测无人机不与被观测无人机冲突。若状态向量集合中存在至少一个状态向量所指示的位置，与第一位置的距离，小于或等于预测空间的半径（可以理解为至少一个状态向量所指示的位置在预测空间内），确定观测无人机与被观测无人机冲突。需要说明的是，要根据一个状态向量（包括上述第一状态向量、第二状态向量、标准状态向量、状态向量集合中的每个状态向量等）确定该状态向量所指示的位置，可以根据该状态向量中用于表征位置的元素来确定。例如，某个状态向量包括X轴、Y轴和Z轴的坐标、速度和加速度，那么可以根据X轴、Y轴和Z轴的坐标，确定该状态向量所指示的位置。
图6是根据一示例性实施例示出的另一种无人机的控制方法的流程图，如图6所示，步骤103还可以包括以下步骤：
步骤1034，若确定观测无人机不与被观测无人机冲突，控制观测无人机按照观测无人机预设的观测航线飞行。
步骤1035，若观测无人机与被观测无人机冲突，根据第一状态向量调整观测航线，并控制观测无人机按照调整后的观测航线飞行，调整后的观测航线在避障时间段内的任一位置与第一位置之间的距离，均大于预测空间的半径。
举例来说，根据判断的结果控制观测无人机的航线的具体实现方式可以为：若确定观测无人机不与被观测无人机冲突的情况下，可以控制观测无人机按照观测无人机预设的观测航线飞行，也就是说观测无人机在第一采集时刻按照观测航线飞行，不会与被观测无人机发生冲突。若确定观测无人机与被观测无人机冲突，那么可以根据第一状态向量调整观测航线，从而控制观测无人机按照调整后的观测航线飞行。可以重新规划整个观测航线，也可以重新规划观测航线中避障时间段内的部分航线。例如，可以根据观测无人机的出发地、目的地，重新规划一个能够避开第一位置的航线，作为调整后的观测航线。也可以根据观测无人机在第一采集时刻的位置（即标准状态向量所指示的位置）、目的地，重新规划避障时间段内能够避开第一位置的航线，作为调整后的观测航线。这样，使得调整后的观测航线在避障时间段内的任一位置与第一位置之间的距离，均大于预测空间的半径（可以理解为避障时间段内的任一位置均在预测空间之外），也就是说，若观测无人机按照调整后的观测航线飞行，在避障时间段内不会与被观测无人机冲突。这样，在观测无人机与被观测无人机之间通信中断的情况下，观测无人机能够预测被观测无人机的姿态，并预测被观测无人机的预测空间的半径，在利用被观测无人机的姿态和预测空间的半径确定观测无人机与被观测无人机冲突的情况下，可以调整观测航线，以避免与被观测无人机冲突，进一步提高了无人机飞行的安全性和可靠性。
综上所述，本公开在第一采集时刻与被观测无人机之间的通信中断的情况下，首先根据被观测无人机的状态转移矩阵和第二采集时刻的第二状态向量，预测能够表征被观测无人机在第一采集时刻的姿态的第一状态向量，其中，第二采集时刻为第一采集时刻之前的上一个采集时刻，状态转移矩阵根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定。之后根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，预测空间的半径与状态协方差正相关，再根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线。本公开能够在观测无人机与被观测无人机之间通信中断的情况下，预测被观测无人机的姿态，并预测被观测无人机的预测空间的半径，从而辅助观测无人机飞行，能够有效避免碰撞，提高了无人机飞行的安全性和可靠性。
图7是根据一示例性实施例示出的一种无人机的控制装置的框图，如图7所示，该装置200应用于观测无人机，可以包括以下模块：
预测模块201，用于若第一采集时刻与被观测无人机之间的通信中断，根据被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，第一状态向量用于表征被观测无人机在第一采集时刻的姿态，第二状态向量用于表征被观测无人机在第二采集时刻的姿态，第二采集时刻为第一采集时刻之前的上一个采集时刻，状态转移矩阵根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定。
第一确定模块202，用于根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，预测空间的半径与状态协方差正相关。
控制模块203，用于根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线，标准状态向量用于表征观测无人机在第一采集时刻的姿态。
图8是根据一示例性实施例示出的另一种无人机的控制装置的框图，如图8所示，预设时间段内包括多个采集时刻，每个历史姿态信息对应一个采集时刻，每个历史姿态信息包括：用于表征被观测无人机在对应的采集时刻的姿态的历史状态向量。该装置200还可以包括：
第二确定模块204，用于在根据被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量之前，若多个历史姿态信息与被观测无人机的被观测航线匹配，根据被观测航线确定状态转移矩阵。若多个历史姿态信息与被观测航线不匹配，对每个历史姿态信息包括的历史状态向量进行拟合，以得到状态转移矩阵。
图9是根据一示例性实施例示出的另一种无人机的控制装置的框图，如图9所示，该装置200还可以包括：
第三确定模块205，用于在根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径之前，若第二采集时刻接收到被观测无人机发送的第二姿态信息和环境信息，根据第二姿态信息包括的第二状态向量、环境信息、被观测无人机的被观测航线，和预先训练的识别模型，预测被观测无人机在第一采集时刻的状态协方差。若第二采集时刻与被观测无人机之间的通信中断，根据被观测无人机在第二采集时刻的状态协方差，和状态转移矩阵，预测被观测无人机在第一采集时刻的状态协方差。
在一种应用场景中第三确定模块205可以用于：
将状态转移矩阵、被观测无人机在第二采集时刻的状态协方差、状态转移矩阵的转置相乘，并将相乘的结果与预设的噪声矩阵相加，以得到被观测无人机在第一采集时刻的状态协方差。
在另一种应用场景中，预测模块201可以用于：
将状态转移矩阵和第二状态向量的乘积，作为第一状态向量。第二状态向量为第二采集时刻被观测无人机发送的第二姿态信息中包括的，或者，根据状态转移矩阵和被观测无人机在第三采集时刻的第三状态向量确定的，第三采集时刻为第二采集时刻之前的上一个采集时刻。
图10是根据一示例性实施例示出的另一种无人机的控制装置的框图，如图10所示，第一状态向量包括：被观测无人机在第一采集时刻的位置、速度和加速度，状态协方差为状态协方差矩阵。第一确定模块202可以包括：
第一确定子模块2021，用于在被观测无人机在第一采集时刻的状态协方差矩阵中，确定目标元素，目标元素用于表征位置的方差。
第二确定子模块2022，用于将目标元素的平方根，与预设倍数的乘积，作为预测空间的半径。
图11是根据一示例性实施例示出的另一种无人机的控制装置的框图，如图11所示，控制模块203可以包括：
第三确定子模块2031，用于根据标准状态向量和观测无人机预设的观测航线，确定在避障时间段内观测无人机的状态向量集合，状态向量集合包括避障时间段内每个采集时刻观测无人机的状态向量，避障时间段为指定时长，且包括第一采集时刻。
第四确定子模块2032，用于若状态向量集合中的每个状态向量所指示的位置，与第一状态向量所指示的第一位置的距离，均大于预测空间的半径，确定观测无人机不与被观测无人机冲突。若状态向量集合中存在至少一个状态向量所指示的位置，与第一位置的距离，小于或等于预测空间的半径，确定观测无人机与被观测无人机冲突。
在一种应用场景中，控制模块203还可以用于：
若确定观测无人机不与被观测无人机冲突，控制观测无人机按照观测无人机预设的观测航线飞行。若确定观测无人机与被观测无人机冲突，根据第一状态向量调整观测航线，并控制观测无人机按照调整后的观测航线飞行，调整后的观测航线在避障时间段内的任一位置与第一位置之间的距离，均大于预测空间的半径。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开在第一采集时刻与被观测无人机之间的通信中断的情况下，首先根据被观测无人机的状态转移矩阵和第二采集时刻的第二状态向量，预测能够表征被观测无人机在第一采集时刻的姿态的第一状态向量，其中，第二采集时刻为第一采集时刻之前的上一个采集时刻，状态转移矩阵根据第一采集时刻之前的预设时间段内被观测无人机发送的多个历史姿态信息确定。之后根据被观测无人机在第一采集时刻的状态协方差，确定预测空间的半径，预测空间的半径与状态协方差正相关，再根据观测无人机在第一采集时刻的标准状态向量、第一状态向量和预测空间的半径，判断观测无人机是否与被观测无人机冲突，并根据判断的结果控制观测无人机的航线。本公开能够在观测无人机与被观测无人机之间通信中断的情况下，预测被观测无人机的姿态，并预测被观测无人机的预测空间的半径，从而辅助观测无人机飞行，能够有效避免碰撞，提高了无人机飞行的安全性和可靠性。
图12是根据一示例性实施例示出的一种电子设备300的框图。如图12所示，该电子设备300可以包括：处理器301，存储器302。该电子设备300还可以包括多媒体组件303，输入/输出（I/O）接口304，以及通信组件305中的一者或多者。
其中，处理器301用于控制该电子设备300的整体操作，以完成上述的无人机的控制方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信（Near FieldCommunication，简称NFC），2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件305可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备300可以被一个或多个应用专用集成电路（Application Specific Integrated Circuit，简称ASIC）、数字信号处理器（DigitalSignal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的无人机的控制方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的无人机的控制方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器302，上述程序指令可由电子设备300的处理器301执行以完成上述的无人机的控制方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的无人机的控制方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，本领域技术人员在考虑说明书及实践本公开后，容易想到本公开的其它实施方案，均属于本公开的保护范围。
另外需要说明的是，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。同时本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。本公开并不局限于上面已经描述出的精确结构，本公开的范围仅由所附的权利要求来限制。
Claims (11)
1.一种无人机的控制方法，其特征在于，应用于观测无人机，所述方法包括：
若第一采集时刻与被观测无人机之间的通信中断，根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，所述第一状态向量用于表征所述被观测无人机在所述第一采集时刻的姿态，所述第二状态向量用于表征所述被观测无人机在第二采集时刻的姿态，所述第二采集时刻为所述第一采集时刻之前的上一个采集时刻，所述状态转移矩阵根据所述第一采集时刻之前的预设时间段内所述被观测无人机发送的多个历史姿态信息确定；
根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径，所述预测空间的半径与所述状态协方差正相关；
根据所述观测无人机在所述第一采集时刻的标准状态向量、所述第一状态向量和所述预测空间的半径，判断所述观测无人机是否与所述被观测无人机冲突，并根据判断的结果控制所述观测无人机的航线，所述标准状态向量用于表征所述观测无人机在所述第一采集时刻的姿态。
2.根据权利要求1所述的方法，其特征在于，所述预设时间段内包括多个采集时刻，每个所述历史姿态信息对应一个所述采集时刻，每个所述历史姿态信息包括：用于表征所述被观测无人机在对应的所述采集时刻的姿态的历史状态向量；
在所述根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量之前，所述方法还包括：
若多个所述历史姿态信息与所述被观测无人机的被观测航线匹配，根据所述被观测航线确定所述状态转移矩阵；
若多个所述历史姿态信息与所述被观测航线不匹配，对每个所述历史姿态信息包括的所述历史状态向量进行拟合，以得到所述状态转移矩阵。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径之前，所述方法还包括：
若所述第二采集时刻接收到所述被观测无人机发送的第二姿态信息和环境信息，根据所述第二姿态信息包括的所述第二状态向量、所述环境信息、所述被观测无人机的被观测航线，和预先训练的识别模型，预测所述被观测无人机在所述第一采集时刻的状态协方差；
若所述第二采集时刻与所述被观测无人机之间的通信中断，根据所述被观测无人机在所述第二采集时刻的状态协方差，和所述状态转移矩阵，预测所述被观测无人机在所述第一采集时刻的状态协方差。
4.根据权利要求3所述的方法，其特征在于，所述根据所述被观测无人机在所述第二采集时刻的状态协方差，和所述状态转移矩阵，预测所述被观测无人机在所述第一采集时刻的状态协方差，包括：
将所述状态转移矩阵、所述被观测无人机在所述第二采集时刻的状态协方差、所述状态转移矩阵的转置相乘，并将相乘的结果与预设的噪声矩阵相加，以得到所述被观测无人机在所述第一采集时刻的状态协方差。
5.根据权利要求1所述的方法，其特征在于，所述根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，包括：
将所述状态转移矩阵和所述第二状态向量的乘积，作为所述第一状态向量；
所述第二状态向量为所述第二采集时刻所述被观测无人机发送的第二姿态信息中包括的，或者，根据所述状态转移矩阵和所述被观测无人机在第三采集时刻的第三状态向量确定的，所述第三采集时刻为所述第二采集时刻之前的上一个采集时刻。
6.根据权利要求1所述的方法，其特征在于，所述第一状态向量包括：所述被观测无人机在所述第一采集时刻的位置、速度和加速度，所述状态协方差为状态协方差矩阵，所述根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径，包括：
在所述被观测无人机在所述第一采集时刻的状态协方差矩阵中，确定目标元素，所述目标元素用于表征位置的方差；
将所述目标元素的平方根，与预设倍数的乘积，作为所述预测空间的半径。
7.根据权利要求1所述的方法，其特征在于，所述根据所述观测无人机在所述第一采集时刻的标准状态向量、所述第一状态向量和所述预测空间的半径，判断所述观测无人机是否与所述被观测无人机冲突，包括：
根据所述标准状态向量和所述观测无人机预设的观测航线，确定在避障时间段内所述观测无人机的状态向量集合，所述状态向量集合包括所述避障时间段内每个采集时刻所述观测无人机的状态向量，所述避障时间段为指定时长，且包括所述第一采集时刻；
若所述状态向量集合中的每个状态向量所指示的位置，与所述第一状态向量所指示的第一位置的距离，均大于所述预测空间的半径，确定所述观测无人机不与所述被观测无人机冲突；
若所述状态向量集合中存在至少一个状态向量所指示的位置，与所述第一位置的距离，小于或等于所述预测空间的半径，确定所述观测无人机与所述被观测无人机冲突。
8.根据权利要求7所述的方法，其特征在于，所述根据判断的结果控制所述观测无人机的航线，包括：
若确定所述观测无人机不与所述被观测无人机冲突，控制所述观测无人机按照所述观测无人机预设的观测航线飞行；
若确定所述观测无人机与所述被观测无人机冲突，根据所述第一状态向量调整所述观测航线，并控制所述观测无人机按照调整后的所述观测航线飞行，调整后的所述观测航线在所述避障时间段内的任一位置与所述第一位置之间的距离，均大于所述预测空间的半径。
9.一种无人机的控制装置，其特征在于，应用于观测无人机，所述装置包括：
预测模块，用于若第一采集时刻与被观测无人机之间的通信中断，根据所述被观测无人机的状态转移矩阵和第二状态向量，预测第一状态向量，所述第一状态向量用于表征所述被观测无人机在所述第一采集时刻的姿态，所述第二状态向量用于表征所述被观测无人机在第二采集时刻的姿态，所述第二采集时刻为所述第一采集时刻之前的上一个采集时刻，所述状态转移矩阵根据所述第一采集时刻之前的预设时间段内所述被观测无人机发送的多个历史姿态信息确定；
第一确定模块，用于根据所述被观测无人机在所述第一采集时刻的状态协方差，确定预测空间的半径，所述预测空间的半径与所述状态协方差正相关；
控制模块，用于根据所述观测无人机在所述第一采集时刻的标准状态向量、所述第一状态向量和所述预测空间的半径，判断所述观测无人机是否与所述被观测无人机冲突，并根据判断的结果控制所述观测无人机的航线，所述标准状态向量用于表征所述观测无人机在所述第一采集时刻的姿态。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342992.6A CN112799421B (zh) | 2021-03-30 | 2021-03-30 | 无人机的控制方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110342992.6A CN112799421B (zh) | 2021-03-30 | 2021-03-30 | 无人机的控制方法、装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112799421A true CN112799421A (zh) | 2021-05-14 |
| CN112799421B CN112799421B (zh) | 2021-07-02 |
Family
ID=75816054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110342992.6A Active CN112799421B (zh) | 2021-03-30 | 2021-03-30 | 无人机的控制方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112799421B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106885568A (zh) * | 2017-02-21 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 无人机数据处理方法和装置 |
| US20170326726A1 (en) * | 2014-10-02 | 2017-11-16 | Brain Corporation | Apparatus and methods for training path navigation by robots |
| CN108319132A (zh) * | 2018-01-11 | 2018-07-24 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
| CN109655823A (zh) * | 2018-12-30 | 2019-04-19 | 北京经纬恒润科技有限公司 | 目标的跟踪方法及装置 |
| CN111279215A (zh) * | 2018-12-03 | 2020-06-12 | 深圳市大疆创新科技有限公司 | 目标检测方法和装置、航迹管理方法和装置以及无人机 |
| CN111578928A (zh) * | 2020-05-07 | 2020-08-25 | 北京邮电大学 | 一种基于多源融合定位系统的定位方法及装置 |
-
2021
- 2021-03-30 CN CN202110342992.6A patent/CN112799421B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170326726A1 (en) * | 2014-10-02 | 2017-11-16 | Brain Corporation | Apparatus and methods for training path navigation by robots |
| CN106885568A (zh) * | 2017-02-21 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 无人机数据处理方法和装置 |
| CN108319132A (zh) * | 2018-01-11 | 2018-07-24 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
| CN111279215A (zh) * | 2018-12-03 | 2020-06-12 | 深圳市大疆创新科技有限公司 | 目标检测方法和装置、航迹管理方法和装置以及无人机 |
| CN109655823A (zh) * | 2018-12-30 | 2019-04-19 | 北京经纬恒润科技有限公司 | 目标的跟踪方法及装置 |
| CN111578928A (zh) * | 2020-05-07 | 2020-08-25 | 北京邮电大学 | 一种基于多源融合定位系统的定位方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112799421B (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20120143505A1 (en) | Method And Device For Determining An Optimal Flight Trajectory Followed By An Aircraft | |
| EP1901143B1 (en) | Onboard simulation device and simulation method | |
| Fu et al. | Monocular visual-inertial SLAM-based collision avoidance strategy for Fail-Safe UAV using fuzzy logic controllers: comparison of two cross-entropy optimization approaches | |
| CN113009935B (zh) | 无人机仿真测试系统及方法，无人机飞行控制器 | |
| CN112783195B (zh) | 多无人机的巡检路线规划方法、装置和计算机设备 | |
| CN112393732B (zh) | 无人机避障方法、装置、可读存储介质及电子设备 | |
| KR101915860B1 (ko) | 비행자세 모의기 제어 장치 및 방법 | |
| CN110634330A (zh) | 用于空中管理的训练和/或辅助平台、相关方法 | |
| Magree et al. | Monocular visual mapping for obstacle avoidance on UAVs | |
| CN114114368A (zh) | 车辆定位方法、系统、设备及存储介质 | |
| Hong et al. | Quadrotor path planning using A* search algorithm and minimum snap trajectory generation | |
| Saranovic et al. | Interception of automated adversarial drone swarms in partially observed environments | |
| CN113031641B (zh) | 无人机控制方法、装置、存储介质及无人机 | |
| CN112799421B (zh) | 无人机的控制方法、装置、存储介质和电子设备 | |
| US11487301B2 (en) | Method and device for generating an optimum vertical trajectory intended to be followed by an aircraft | |
| CN110377982B (zh) | 自动驾驶性能的测试方法及系统、电子设备、存储介质 | |
| CN111813089B (zh) | 一种飞行器避障算法的仿真验证方法、装置及系统 | |
| US20220020277A1 (en) | Assurance module | |
| CN114571460A (zh) | 机器人控制方法、装置及存储介质 | |
| CN114675638A (zh) | 基于ai的智能感知交互方法、装置、设备及存储介质 | |
| Wells et al. | Predicting suas conflicts in the national airspace with interacting multiple models and haversine-based conflict detection system | |
| Vanek et al. | Vision only sense and avoid: A probabilistic approach | |
| CN110597293A (zh) | 一种无人机自主飞行方法、装置、设备及存储介质 | |
| US20220351629A1 (en) | Optimized air traffic management for unmanned aerial vehicles | |
| Klymenko et al. | Development of software tools for testing the autonomous navigation system of UAVs |
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 |