CN113359796A - 一种地下多分支洞穴的无人机探寻方法 - Google Patents

一种地下多分支洞穴的无人机探寻方法 Download PDF

Info

Publication number
CN113359796A
CN113359796A CN202110634732.6A CN202110634732A CN113359796A CN 113359796 A CN113359796 A CN 113359796A CN 202110634732 A CN202110634732 A CN 202110634732A CN 113359796 A CN113359796 A CN 113359796A
Authority
CN
China
Prior art keywords
path
unmanned aerial
aerial vehicle
sampling
speed
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
Application number
CN202110634732.6A
Other languages
English (en)
Other versions
CN113359796B (zh
Inventor
何斌
李丰
沈润杰
李刚
陆萍
朱忠攀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110634732.6A priority Critical patent/CN113359796B/zh
Publication of CN113359796A publication Critical patent/CN113359796A/zh
Application granted granted Critical
Publication of CN113359796B publication Critical patent/CN113359796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

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)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种地下多分支洞穴的无人机探寻方法，包括：获取无人机当前的状态配置，使用激光雷达传感器得到无人机当前的配置空间；使用路径采样算法在配置空间进行采样，得到无人机在配置空间内的多个路径，保留其中无碰撞的路径；根据无人机在路径终点的状态配置和配置空间计算每条路径的未来安全性，保留未来安全的路径；计算每条路径的探索收益，无人机执行探索收益最大的路径。与现有技术相比，本发明先获取多条路径，结合配置空间的障碍物信息保留无碰撞路径和未来安全路径，再选择收益最高的路径，能够以较高速度实现无人机在未知多分支隧道环境中的自主探寻，使得续航能力有限的无人机可以进行更大范围、更远路径的探索。

Description

一种地下多分支洞穴的无人机探寻方法
技术领域
本发明涉及一种无人机探寻方法，尤其是涉及一种地下多分支洞穴的无人机探寻方法。
背景技术
随着经济的发展，城市建设、桥梁隧道等基础设施建设也呈飞跃式发展。目前，很大一部分隧道和地下工程已经进入“老龄”期，需要定期检查和维护，缺乏适当的维护可能会导致结构破坏等灾难性的后果。传统的侦查技术包括沿整个结构建造支架，或使用地面车辆配合人工进行侦查工作，但是这些方式具有危险系数高、工作量大、工作环境恶劣、劳动成本密集等问题，因此，利用新技术研发一种快速高效的对隧道等地下工程检测的方法成为迫切需求。
近年来，多旋翼微型无人机由于其敏捷性，广泛应用于勘探、巡检、监视、搜索等多种应用场景，其能够利用自身的灵活性进入到人或者地面机器人难以到达的矿山、围栏、桥梁等基础设施内，探测人类无法到达的区域，因此无人机是进行隧道检测的理想工具。此外，无人机自主探索未知环境和测绘正在不断扩展到越来越多的应用领域，目前已被广泛应用于民用和军事领域。
然而，当前的无人机自主探索是很有限的，一般采用低速保守策略来保证无人机的安全航行，同时基于实时机载定位和构图功能优化选择后续无人机的飞行路径。由于无人机有限的电池寿命，续航能力不足，低速探索不能开发小型飞行机器人的全部敏捷性，使得大规模的探索难以进行。另一方面，无人机在未知多分支隧道环境中的自主路径规划与探寻策略还有待研究。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种地下多分支洞穴的无人机探寻方法，先使用路径采样算法得到多条路径，结合障碍物信息保留无碰撞路径和未来安全路径，再选择收益最高的路径执行，能够以较高速度实现无人机在未知多分支隧道环境中的自主探寻，使得续航能力有限的无人机可以进行更大范围、更远路径的探索。
本发明的目的可以通过以下技术方案来实现：
一种地下多分支洞穴的无人机探寻方法，包括以下步骤：
S1、获取无人机当前的状态配置，包括当前位置、当前速度和当前朝向，使用激光雷达传感器，得到无人机当前的配置空间，所述配置空间是无人机前方的待探索区域；
S2、使用路径采样算法在配置空间进行采样，得到多个运动序列，基于运动序列生成在配置空间内的路径，保留其中无碰撞的路径；
S3、对于每条路径，根据配置空间以及无人机在路径终点的状态配置，计算无人机在该路径的未来安全性，保留未来安全的路径，得到候选路径集；
S4、计算候选路径集中每条路径的探索收益，选择探索收益最大的路径并由无人机执行。
进一步的，步骤S1中，使用激光雷达传感器，利用实时构图与定位方法，得到当前的配置空间，采用的地图表示方法是基于截断符号距离字段的体积地图，使用欧几里德符号距离场表示无人机与障碍物的远近程度。
进一步的，步骤S2具体为：
S21、获取规划周期Τ、时间采样间隔δ、单位速度增量μ、最大飞行速度υ、最大飞行加速度α、最大飞行负加速度-α和无人机当前的状态配置；
S22、根据规划周期Τ和时间采样间隔δ获得采样时刻t1，t2，t3……Τ；根据最大飞行速度υ和单位速度增量μ获得所有可能的采样速度μ,2μ,3μ……υ，得到采样速度集；
S23、自采样速度集中选择速度值，依次确定各个采样时刻t1，t2，t3……Τ的速度，其中，相邻采样时刻的速度的差值不超过最大飞行加速度α和最大飞行负加速度-α，重复此步骤得到多个运动序列；
S24、根据无人机当前的状态配置以及每个运动序列中各个采样时刻的速度，计算无人机在配置空间中各个采样时刻的位置，得到各个运动序列所对应的路径，使用激光雷达传感器得到的配置空间中包含障碍物的位置信息，基于配置空间内的障碍物信息，去除与障碍物碰撞的路径，保留与障碍物无碰撞的路径。
更进一步的，步骤S22中，还包括：自所有可能的采样速度μ，2μ，3μ......υ中剔除小于υmin的采样速度，得到采样速度集，υmin是预设置的无人机最小飞行速度。
更进一步的，为了保证对配置空间进行全面的探索，在步骤S23中限制了第一个采样点的速度的方向，并限制了后续采样时刻的速度的偏转，即相邻采样时刻的速度的方向偏差不超过25％。
进一步的，除了保证无人机沿路径飞行过程中与障碍物无碰撞外，由于在路径终点的速度往往不为零，还需要保证无人机抵达路径终点后的后续飞行的安全性，步骤S3中，计算无人机在一条路径的未来安全性具体为：
获取无人机在路径终点的状态配置，包括预期位置、预期速度和预期朝向；如果无人机在该路径上的飞行满足条件1和条件2，则该路径是未来安全的路径，条件1为：在无人机的预期朝向方向上，无人机以最大反向加速度减速至悬停状态所需的运动长度小于L1，L1为预期朝向方向上的障碍物与预期位置之间的最小距离，条件2为：预期位置与配置空间内各个方向的障碍物的最小距离均小于L2，L2为预设置的安全距离。
更进一步的，步骤S4中，路径σi的探索收益为：
Figure BDA0003105075360000031
其中，τ(σi)表示探索路径σi的时间代价，γτ表示预设置的可调参数，
Figure BDA0003105075360000037
表示预设置的尺度因子，τ(σi)和γτ旨在惩罚速度较慢的路径，以保证无人机实现更高的飞行速度；函数s(σi，σexp)用于惩罚路径σi与无人机当前朝向方向的预期探索路径σexp的不相似性，路径σi与路径σexp越不相似，s(σi，σexp)函数的值越小，mi表示路径σi的采样时刻的数量，
Figure BDA0003105075360000032
表示路径σi在第j个采样时刻的速度，函数
Figure BDA0003105075360000033
用于计算
Figure BDA0003105075360000034
所对应的位置的收益。
更进一步的，路径σexp的朝向为无人机的当前朝向，使用动态时间规整DTW方法计算路径σi与路径σexp的相似性。
更进一步的，函数VolumGain()的表达式如下：
Figure BDA0003105075360000035
其中，o()表示当前位置上未知点的个数，Nm表示候选路径集中路径的数量，
Figure BDA0003105075360000036
表示候选路径集中路径的平均长度和平均位置，FH和FV表示激光雷达传感器的视角范围，dmax表示激光雷达传感器的最大探测距离，rH和rV表示激光雷达传感器的分辨率。
更进一步的，步骤S4中如果出现多个收益最高的路径或者多个次级路径，则计算这些路径的安全距离，选择安全距离最大的路径并由无人机执行，所述次级路径的收益与收益最高的路径的收益之间的差值小于预设置的收益阈值，所述安全距离是路径上的采样位置与配置空间内障碍物之间的最小距离。
与现有技术相比，本发明具有以下有益效果：
(1)先使用路径采样算法得到多条路径，结合障碍物信息保留无碰撞路径和未来安全路径，再选择收益最高的路径执行，能够以较高速度实现无人机在未知多分支隧道环境中的自主探寻，使得续航能力有限的无人机可以进行更大范围、更远路径的探索。
(2)在使用路径采样算法得到路径时，限制了各个采样时刻无人机的最小飞行速度，保证无人机能够高速飞行，提升勘探速率，限制了相邻采样时刻的速度方向之间的偏差，保证无人机能够对配置空间进行全面的探索。
(3)如果出现多个收益最高的路径或者多个次级路径，则计算这些路径的安全距离，选择安全距离最大的路径并由无人机执行，进一步提高了无人机在狭窄环境中高速飞行的安全性。
附图说明
图1为本发明的流程图；
图2为生成的路径的示意图；
图3为路径未来安全性的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种地下多分支洞穴的无人机探寻方法，如图1所示，包括以下步骤：
S1、获取无人机当前的状态配置，包括当前位置、当前速度和当前朝向，使用激光雷达传感器，得到无人机当前的配置空间，配置空间是无人机前方的待探索区域；
无人机为四旋翼飞行器，可以在隧道中自主探索飞行，其上搭载有激光雷达传感器和处理器，电池为单块锂电池。使用激光雷达传感器，利用实时构图与定位方法，得到当前的配置空间，采用的地图表示方法是基于截断符号距离字段(TSDF)的体积地图，使用欧几里德符号距离场表示无人机与障碍物的远近程度。鉴于微型无人机的机载计算资源有限，以及同时进行快速敏捷探索的目标，选择适用的体积映射方法是实现预期性能的关键。TSDF是计算机图形和视觉社区中广泛使用的常见隐式表面表示形式，TSDF的构建速度很快，同时可以通过汇总和过滤多个观测值来消除传感器噪声，同时，使用Octomap可以快速从TSDF中动态建立欧氏符号距离场(ESDF)，可以降低计算成本，从而进行后续的路径碰撞检测，这对于快速探索至关重要。
将无人机近似为刚性体，状态配置ξ＝[x，y，z，vx，vy，vz，ψ]，包括当前位置(x，y，z)、当前速度(vx，vy，vz)和当前朝向ψ，为了达到快速敏捷探索的目的，无人机当前的状态配置中当前速度不限制为零。
S2、使用路径采样算法在配置空间进行采样，得到多个运动序列，基于运动序列生成在配置空间内的路径，保留其中无碰撞的路径，生成的路径如图2所示；
步骤S2具体为：
S21、获取规划周期T、时间采样间隔δ、单位速度增量μ、最大飞行速度υ、最大飞行加速度α、最大飞行负加速度-α和无人机当前的状态配置；
S22、根据规划周期T和时间采样间隔δ获得采样时刻t1，t2，t3......T；根据最大飞行速度u和单位速度增量μ获得所有可能的采样速度μ，2μ，3μ......υ，得到采样速度集；为了保证无人机能够高速飞行，从而提升勘探速率，设置了无人机最小飞行速度，自所有可能的采样速度μ，2μ，3μ......u中剔除小于υmin的采样速度，得到采样速度集，υmin是预设置的无人机最小飞行速度。
S23、自采样速度集中选择速度值，依次确定各个采样时刻t1，t2，t3......T的速度，其中，相邻采样时刻的速度的差值不超过最大飞行加速度α和最大飞行负加速度-α，重复此步骤得到多个运动序列；为了保证对配置空间进行全面的探索，在步骤S23中限制了第一个采样点的速度的方向，并限制了后续采样时刻的速度的偏转，即相邻采样时刻的速度的方向偏差不超过25％。
S24、根据无人机当前的状态配置以及每个运动序列中各个采样时刻的速度，计算无人机在配置空间中各个采样时刻的位置，得到各个运动序列所对应的路径，使用激光雷达传感器得到的配置空间中包含障碍物的位置信息，基于配置空间内的障碍物信息，去除与障碍物碰撞的路径，保留与障碍物无碰撞的路径。
S3、对于每条路径，根据配置空间以及无人机在路径终点的状态配置，计算无人机在该路径的未来安全性，保留未来安全的路径，得到候选路径集；
如图3所示，除了保证无人机沿路径飞行过程中与障碍物无碰撞外，由于在路径终点的速度往往不为零，还需要保证无人机抵达路径终点后的后续飞行的安全性，步骤S3中，计算无人机在一条路径的未来安全性具体为：
获取无人机在路径终点的状态配置，包括预期位置、预期速度和预期朝向；如果无人机在该路径上的飞行满足条件1和条件2，则该路径是未来安全的路径，条件1为：在无人机的预期朝向方向上，无人机以最大反向加速度减速至悬停状态所需的运动长度小于L1，L1为预期朝向方向上的障碍物与预期位置之间的最小距离，条件2为：预期位置与配置空间内各个方向的障碍物的最小距离均小于L2，L2为预设置的安全距离，即可以使无人机在各个方向上安全的悬停。
本申请不仅考虑了无人机当前的障碍避免(无碰撞路径)，还能有效规避未来发生的可能撞击(未来安全性)，保证了无人机的安全性。
S4、得到候选路径集后，计算候选路径集中每条路径的探索收益，选择探索收益最大的路径并由无人机执行，在无人机飞行过程中进行数据采集。
步骤S4中，路径σi的探索收益为：
Figure BDA0003105075360000061
其中，τ(σi)表示探索路径σi的时间代价，γτ表示预设置的可调参数，
Figure BDA0003105075360000062
表示预设置的尺度因子，τ(σi)和γτ旨在惩罚速度较慢的路径，以保证无人机较高的飞行速度，实现更高的勘探速率；mi表示路径σi的采样时刻的数量，
Figure BDA0003105075360000063
表示路径σi在第j个采样时刻的速度，函数
Figure BDA0003105075360000064
用于计算
Figure BDA0003105075360000065
所对应的位置的收益。
此外，当无人机停留在环境的分支点(例如交叉点)附近时，位于拦截分支边缘的顶点通常会向局部被遮挡的区域分配大量的体积增益，从而直观地优先考虑来回路径，以最大程度地提高当前的勘探率。但是，但这种行为在实践中有时是不希望的，因为其导致了不必要的勘探方向变化，从而导致急动轨迹变大，并使规划器对较小的遮挡区域更加敏感。为了消除某些情况下的这种行为，引入函数s(σi，σexp)和尺度因子
Figure BDA0003105075360000073
来惩罚路径σi与无人机当前朝向方向的预期探索路径σexp的不相似性，路径σi与路径σexp越不相似，s(σi，σexp)函数的值越小。路径σexp的朝向为无人机的当前朝向，使用动态时间规整DTW方法计算路径σi与路径σexp的相似性，该方法计算路径σi和具有相同长度的预期探索路径σexp之间的累积欧几里德距离。σexp的方向根据无人机姿态时间窗口上的低通滤波器估算。
函数VolumGain()的表达式如下：
Figure BDA0003105075360000071
其中，o()表示当前位置上未知点的个数，Nm表示候选路径集中路径的数量，
Figure BDA0003105075360000072
表示候选路径集中路径的平均长度和平均位置，FH和FV表示激光雷达传感器的视角范围，dmax表示激光雷达传感器的最大探测距离，rH和rV表示激光雷达传感器的分辨率。
通过以上步骤计算出路径的探索收益后，如果出现多个收益最高的路径或者多个次级路径，次级路径的收益与收益最高的路径的收益之间的差值小于预设置的收益阈值，为了提高无人机在狭窄环境中高速飞行的安全性，本申请从高收益的路径中找出更安全的路径，本申请中计算这些路径的安全距离，安全距离是路径上的采样位置与配置空间内障碍物之间的最小距离，选择安全距离最大的路径并由无人机执行。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种地下多分支洞穴的无人机探寻方法，其特征在于，包括以下步骤：
S1、获取无人机当前的状态配置，包括当前位置、当前速度和当前朝向，使用激光雷达传感器，得到无人机当前的配置空间，所述配置空间是无人机前方的待探索区域；
S2、使用路径采样算法在配置空间进行采样，得到多个运动序列，基于运动序列生成在配置空间内的路径，保留其中无碰撞的路径；
S3、对于每条路径，根据配置空间以及无人机在路径终点的状态配置，计算无人机在该路径的未来安全性，保留未来安全的路径，得到候选路径集；
S4、计算候选路径集中每条路径的探索收益，选择探索收益最大的路径并由无人机执行。
2.根据权利要求1所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S1中，使用激光雷达传感器，利用实时构图与定位方法，得到当前的配置空间，使用欧几里德符号距离场表示无人机与障碍物的远近程度。
3.根据权利要求1所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S2具体为：
S21、获取规划周期Τ、时间采样间隔δ、单位速度增量μ、最大飞行速度v、最大飞行加速度α、最大飞行负加速度-α和无人机当前的状态配置；
S22、根据规划周期Τ和时间采样间隔δ获得采样时刻t1，t2，t3……Τ；根据最大飞行速度υ和单位速度增量μ获得所有可能的采样速度μ,2μ,3μ……υ，得到采样速度集；
S23、自采样速度集中选择速度值，依次确定各个采样时刻t1，t2，t3……Τ的速度，其中，相邻采样时刻的速度的差值不超过最大飞行加速度α和最大飞行负加速度-α，重复此步骤得到多个运动序列；
S24、根据无人机当前的状态配置以及每个运动序列中各个采样时刻的速度，计算无人机在配置空间中各个采样时刻的位置，得到各个运动序列所对应的路径，基于配置空间内的障碍物信息，保留与障碍物无碰撞的路径。
4.根据权利要求3所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S22中，还包括：自所有可能的采样速度μ,2μ,3μ……υ中剔除小于vmin的采样速度，得到采样速度集，υmin是预设置的无人机最小飞行速度。
5.根据权利要求3所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S23中，相邻采样时刻的速度的方向偏差不超过25％。
6.根据权利要求1所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S3中，计算无人机在一条路径的未来安全性具体为：
获取无人机在路径终点的状态配置，包括预期位置、预期速度和预期朝向；如果无人机在该路径上的飞行满足条件1和条件2，则该路径是未来安全的路径，条件1为：在无人机的预期朝向方向上，无人机以最大反向加速度减速至悬停状态所需的运动长度小于L1，L1为预期朝向方向上的障碍物与预期位置之间的最小距离，条件2为：预期位置与配置空间内各个方向的障碍物的最小距离均小于L2，L2为预设置的安全距离。
7.根据权利要求3所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S4中，路径σi的探索收益为：
Figure FDA0003105075350000021
其中，τ(σi)表示探索路径σi的时间代价，γτ表示预设置的可调参数，
Figure FDA0003105075350000022
表示预设置的尺度因子，函数s(σi,σexp)用于惩罚路径σi与无人机当前朝向方向的预期探索路径σexp的不相似性，路径σi与路径σexp越不相似，s(σi,σexp)函数的值越小，mi表示路径σi的采样时刻的数量，
Figure FDA0003105075350000023
表示路径σi在第j个采样时刻的速度，函数
Figure FDA0003105075350000024
用于计算
Figure FDA0003105075350000025
所对应的位置的收益。
8.根据权利要求7所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，路径σexp的朝向为无人机的当前朝向，使用动态时间规整DTW方法计算路径σi与路径σexp的相似性。
9.根据权利要求7所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，函数VolumGain()的表达式如下：
Figure FDA0003105075350000026
其中，o()表示当前位置上未知点的个数，Nm表示候选路径集中路径的数量，
Figure FDA0003105075350000027
表示候选路径集中路径的平均长度和平均位置，FH和FV表示激光雷达传感器的视角范围，dmax表示激光雷达传感器的最大探测距离，rH和rV表示激光雷达传感器的分辨率。
10.根据权利要求3所述的一种地下多分支洞穴的无人机探寻方法，其特征在于，步骤S4中如果出现多个收益最高的路径或者多个次级路径，则计算这些路径的安全距离，选择安全距离最大的路径并由无人机执行，所述次级路径的收益与收益最高的路径的收益之间的差值小于预设置的收益阈值，所述安全距离是路径上的采样位置与配置空间内障碍物之间的最小距离。
CN202110634732.6A 2021-06-08 2021-06-08 一种地下多分支洞穴的无人机探寻方法 Active CN113359796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110634732.6A CN113359796B (zh) 2021-06-08 2021-06-08 一种地下多分支洞穴的无人机探寻方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110634732.6A CN113359796B (zh) 2021-06-08 2021-06-08 一种地下多分支洞穴的无人机探寻方法

Publications (2)

Publication Number Publication Date
CN113359796A true CN113359796A (zh) 2021-09-07
CN113359796B CN113359796B (zh) 2022-09-06

Family

ID=77532955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110634732.6A Active CN113359796B (zh) 2021-06-08 2021-06-08 一种地下多分支洞穴的无人机探寻方法

Country Status (1)

Country Link
CN (1) CN113359796B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885520A (zh) * 2021-10-27 2022-01-04 南京理工大学 自主移动机器与人体间动态安全距离确定方法
CN116429145A (zh) * 2023-06-07 2023-07-14 福龙马城服机器人科技有限公司 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016050274A1 (en) * 2014-09-30 2016-04-07 Nec Europe Ltd. Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles
CN106444769A (zh) * 2016-10-31 2017-02-22 湖南大学 一种室内移动机器人增量式环境信息采样的最优路径规划方法
CN107063280A (zh) * 2017-03-24 2017-08-18 重庆邮电大学 一种基于控制采样的智能车辆路径规划系统及方法
US20180150081A1 (en) * 2018-01-24 2018-05-31 GM Global Technology Operations LLC Systems and methods for path planning in autonomous vehicles
CN109684702A (zh) * 2018-12-17 2019-04-26 清华大学 基于轨迹预测的行车风险辨识方法
WO2019099802A1 (en) * 2017-11-17 2019-05-23 DeepMap Inc. Iterative closest point process based on lidar with integrated motion estimation for high definitions maps
CN110703768A (zh) * 2019-11-08 2020-01-17 福州大学 一种改进型动态rrt*的移动机器人运动规划方法
US20200097014A1 (en) * 2018-09-25 2020-03-26 Mitsubishi Electric Research Laboratories, Inc. Deterministic path planning for controlling vehicle movement
CN111273655A (zh) * 2018-11-16 2020-06-12 长城汽车股份有限公司 用于自动驾驶车辆的运动规划方法和系统
CN111580548A (zh) * 2020-04-17 2020-08-25 中山大学 一种基于样条-rrt和速度障碍的无人机避障方法
CN111694356A (zh) * 2020-06-10 2020-09-22 上海高仙自动化科技发展有限公司 一种行驶控制方法、装置、电子设备及存储介质
CN111723983A (zh) * 2020-06-12 2020-09-29 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种未知环境下无人机的时间参数化航路规划方法与系统
CN112286202A (zh) * 2020-11-11 2021-01-29 福州大学 一种非均匀采样fmt*的移动机器人路径规划方法
WO2021022615A1 (zh) * 2019-08-02 2021-02-11 深圳大学 机器人探索路径生成方法、计算机设备和存储介质
CN112462785A (zh) * 2020-12-04 2021-03-09 厦门大学 一种移动机器人路径规划方法、装置及存储介质
CN112577506A (zh) * 2020-10-30 2021-03-30 上汽大众汽车有限公司 一种自动驾驶局部路径规划方法和系统
CN112828883A (zh) * 2020-12-25 2021-05-25 香港中文大学深圳研究院 一种未知环境下的机器人环境探索方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016050274A1 (en) * 2014-09-30 2016-04-07 Nec Europe Ltd. Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles
CN106444769A (zh) * 2016-10-31 2017-02-22 湖南大学 一种室内移动机器人增量式环境信息采样的最优路径规划方法
CN107063280A (zh) * 2017-03-24 2017-08-18 重庆邮电大学 一种基于控制采样的智能车辆路径规划系统及方法
WO2019099802A1 (en) * 2017-11-17 2019-05-23 DeepMap Inc. Iterative closest point process based on lidar with integrated motion estimation for high definitions maps
US20180150081A1 (en) * 2018-01-24 2018-05-31 GM Global Technology Operations LLC Systems and methods for path planning in autonomous vehicles
US20200097014A1 (en) * 2018-09-25 2020-03-26 Mitsubishi Electric Research Laboratories, Inc. Deterministic path planning for controlling vehicle movement
CN111273655A (zh) * 2018-11-16 2020-06-12 长城汽车股份有限公司 用于自动驾驶车辆的运动规划方法和系统
CN109684702A (zh) * 2018-12-17 2019-04-26 清华大学 基于轨迹预测的行车风险辨识方法
WO2021022615A1 (zh) * 2019-08-02 2021-02-11 深圳大学 机器人探索路径生成方法、计算机设备和存储介质
CN110703768A (zh) * 2019-11-08 2020-01-17 福州大学 一种改进型动态rrt*的移动机器人运动规划方法
CN111580548A (zh) * 2020-04-17 2020-08-25 中山大学 一种基于样条-rrt和速度障碍的无人机避障方法
CN111694356A (zh) * 2020-06-10 2020-09-22 上海高仙自动化科技发展有限公司 一种行驶控制方法、装置、电子设备及存储介质
CN111723983A (zh) * 2020-06-12 2020-09-29 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种未知环境下无人机的时间参数化航路规划方法与系统
CN112577506A (zh) * 2020-10-30 2021-03-30 上汽大众汽车有限公司 一种自动驾驶局部路径规划方法和系统
CN112286202A (zh) * 2020-11-11 2021-01-29 福州大学 一种非均匀采样fmt*的移动机器人路径规划方法
CN112462785A (zh) * 2020-12-04 2021-03-09 厦门大学 一种移动机器人路径规划方法、装置及存储介质
CN112828883A (zh) * 2020-12-25 2021-05-25 香港中文大学深圳研究院 一种未知环境下的机器人环境探索方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN PEIYI,ET AL.: "Waypoint navigation for a skid-steer vehicle in unknown environments", 《PROCEEDINGS OF SPIE-THE INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 *
刘华军等: "移动机器人运动规划研究综述", 《中国工程科学》 *
喻俊等: "基于粗糙集和分层支持向量机的AGV多分支路径识别", 《南京航空航天大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885520A (zh) * 2021-10-27 2022-01-04 南京理工大学 自主移动机器与人体间动态安全距离确定方法
CN116429145A (zh) * 2023-06-07 2023-07-14 福龙马城服机器人科技有限公司 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统
CN116429145B (zh) * 2023-06-07 2023-08-25 福龙马城服机器人科技有限公司 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统

Also Published As

Publication number Publication date
CN113359796B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN110703762B (zh) 一种复杂环境下水面无人艇混合路径规划方法
Tisdale et al. Autonomous UAV path planning and estimation
Chen et al. UAV path planning with tangent-plus-Lyapunov vector field guidance and obstacle avoidance
CN113359796B (zh) 一种地下多分支洞穴的无人机探寻方法
US20060235610A1 (en) Map-based trajectory generation
Low et al. A flexible virtual structure formation keeping control for fixed-wing UAVs
CN105759829A (zh) 基于激光雷达的微型无人机操控方法及系统
CN110083159B (zh) 基于sbg和动态窗口约束的无人船自主动态避碰方法
Griffiths et al. Obstacle and terrain avoidance for miniature aerial vehicles
CN104597910A (zh) 一种基于瞬时碰撞点的无人机非协作式实时避障方法
CN102013175A (zh) 基于4d航迹和雷达数据的中期空中交通冲突探测方法
EP3213158B1 (en) Space partitioning for motion planning
Chen et al. Path planning for UAVs formation reconfiguration based on Dubins trajectory
CN112130587A (zh) 一种针对机动目标的多无人机协同跟踪方法
WO2019040179A1 (en) LANDING CONTROL OF AERIAL ROBOTIC VEHICLE USING THREE DIMENSIONAL FIELD CARDS GENERATED BY ODOMETRY OF VISUAL INERTIA
CN113342008A (zh) 一种海空协同水下目标追踪的路径规划系统及方法
Lombaerts et al. Adaptive multi-sensor fusion based object tracking for autonomous urban air mobility operations
Lin et al. A fast obstacle collision avoidance algorithm for fixed wing uas
CN117406771B (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
CN113296519A (zh) 一种基于麦克纳姆轮的移动机器人运动规划方法及系统
Timochko et al. Inter-Object Navigation of Unmanned Aerial Vehicles to Increase the Efficiency and Accuracy of Inspection of Power Lines
CN115902868A (zh) 一种基于约束粒子滤波的无人机高精度对峙目标跟踪方法及系统
CN115808933A (zh) 一种基于量子海鸥算法的无人机路径规划方法
Sabatini et al. Low-cost vision sensors and integrated systems for unmanned aerial vehicle navigation
Le Floch et al. Trajectory planning for autonomous parafoils in complex terrain

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