CN113448349A - 一种多维态势感知自控算法飞行控制方法及系统 - Google Patents
一种多维态势感知自控算法飞行控制方法及系统 Download PDFInfo
- Publication number
- CN113448349A CN113448349A CN202110632708.9A CN202110632708A CN113448349A CN 113448349 A CN113448349 A CN 113448349A CN 202110632708 A CN202110632708 A CN 202110632708A CN 113448349 A CN113448349 A CN 113448349A
- Authority
- CN
- China
- Prior art keywords
- flight
- situation
- dimensional
- flying robot
- algorithm
- 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 47
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 32
- 230000008447 perception Effects 0.000 title claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer 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
本发明提出了一种多维态势感知自控算法飞行控制方法及系统，涉及飞行机器人控制技术领域。一种多维态势感知自控算法飞行控制方法包括：获取飞行机器人飞行数据进行态势感知；实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知；能够对任意一架飞行机器人的当前飞行态势和未来飞行态势进行综合评估与准确预测。此外本发明还提出了一种多维态势感知自控算法飞行控制系统，包括：获取模块、探测模块、分析模块以及感知模块。
Description
技术领域
本发明涉及飞行机器人控制技术领域，具体而言，涉及一种多维态势感知自控算法飞行控制方法及系统。
背景技术
目标跟踪和避免碰撞对于飞行机器人任务的成功至关重要。为了提高无人驾驶器械的自主水平，保证规划路线的可行性和安全性，相关的导航和控制策略的发展正在迅速增加。
这些器械在许多应用中引起了很多关注。传统的二维(2D)路径规划主要用于在已知或静态环境下离线寻找全局最优路径。但是，无人飞机跟踪的目标和威胁在三维高空飞行路线中通常是灵活的，并且无人飞机的运动控制受到一些性能参数的限制，因此在线寻找局部最优或甚至可行的路线对UCAV来说是一个很大的挑战。
近年来，为了解决三维路径规划问题，许多经典的几何方法得到了改进。一般来说，面对不同的工程背景，要实现一个完整的路径规划算法，路径可行性和参数适应性应该由无人机动力学，运动学等因素来判断。因为无人飞机经常在稀疏的高空空间执行任务，所以碰撞威胁大多由机动飞机或生物组成，而不是静止的障碍物。
故自主路径规划还涉及到环境建模和评估技术。此外对于路径规划过程，无人飞机必须根据实时要求获取每个采样时刻每个移动威胁的运动状态的详细信息，并且必须考虑到目标位置，航迹跟踪滤波技术也很重要。
发明内容
本发明的目的在于提供一种多维态势感知自控算法飞行控制方法，其能够对任意一架飞行机器人的当前飞行态势和未来飞行态势进行综合评估与准确预测，有效解决了高密度飞行区进离场飞行机器人飞行态势的宏观分析难题，填补了国内外在飞行态势感知方面的技术空白。
本发明的另一目的在于提供一种多维态势感知自控算法飞行控制系统，其能够运行一种多维态势感知自控算法飞行控制方法。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种多维态势感知自控算法飞行控制方法，其包括获取飞行机器人飞行数据进行态势感知；实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知。
在本发明的一些实施例中，上述获取飞行机器人飞行数据进行态势感知包括：调研采集飞行区空中运行数据，对飞行区中所有的飞行机器人飞行数据进行预处理与统计分析，对预处理后的飞行机器人飞行数据进行深度挖掘与关联分析，提取飞行机器人基本属性以及对应的时间点信息。
在本发明的一些实施例中，上述还包括：对时间点信息进行存储，建立飞行区飞行机器人飞行活动时间库，然后对飞行机器人飞行状态理解，即对飞行区飞行机器人的当前飞行态势进行评估。
在本发明的一些实施例中，上述实时侦测环境信息，通过预设算法提取探测运动目标的状态信息包括：预设算法采用混合多模型集合容积卡尔曼算法模型，运动模型设为匀加速模型、匀速模型、以及水平转弯模型，计算状态变量的输出估计值和预测值从而提取运动目标的状态信息。
在本发明的一些实施例中，上述还包括：根据预设态势空间及本地地理笛卡尔坐标系，将飞行机器人的飞行加速度作为运动状态，使用状态变量描述采样时间内运动目标的运动状态，从而得到运动目标的状态信息。
在本发明的一些实施例中，上述根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间包括：根据运动目标的态势空间获取飞行策略，根据飞行策略获取避开运动威胁的冲突避免策略，融合策略加速度，生成新的控制加速度，并根据速度上界修正，然后根据到达点生成方法得到新的飞行控制策略。
在本发明的一些实施例中，上述在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知包括：基于多维态势因子相关性分析结果，以飞行时间因子为因变量，以约束空间瞬时流量因子、累计流量因子为自变量，建立基于多维态势的自控算法飞行控制预测模型。
第二方面，本申请实施例提供一种多维态势感知自控算法飞行控制系统，其包括获取模块，用于获取飞行机器人飞行数据进行态势感知；探测模块，用于实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；分析模块，用于根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；感知模块，用于在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知。
在本发明的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：获取模块、探测模块、分析模块以及感知模块。
第三方面，本申请实施例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如一种多维态势感知自控算法飞行控制方法中任一项的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
其能够对任意一架飞行机器人的当前飞行态势和未来飞行态势进行综合评估与准确预测，有效解决了高密度飞行区进离场飞行机器人飞行态势的宏观分析难题，填补了国内外在飞行态势感知方面的技术空白。可以在高空稀疏的空间中，为机动性能极强的飞行机器人在飞行时提供一条有效的无冲突路径。规划的路径不但满足实际的物理要求，而且能有效的与跟外部飞行机器人保持安全的飞行距离。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种多维态势感知自控算法飞行控制方法步骤示意图；
图2为本发明实施例提供的一种多维态势感知自控算法飞行控制方法详细步骤示意图；
图3为本发明实施例提供的一种多维态势感知自控算法飞行控制系统模块示意图；
图4为本发明实施例提供的一种电子设备。
图标：10-获取模块；20-探测模块；30-分析模块；40-感知模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1为本发明实施例提供的一种多维态势感知自控算法飞行控制方法步骤示意图，其如下所示：
步骤S100，获取飞行机器人飞行数据进行态势感知；
在一些实施方式中，进行态势感知，本质是飞行机器人飞行数据获取，即对飞行区空中交通运行数据进行采集、预处理、深度挖掘与关联分析，具体包括调研采集飞行区空中交通运行数据，对空中飞行机器人飞行数据进行预处理与统计分析；对预处理后的飞行机器人飞行数据进行深度挖掘与关联分析，提取飞行机器人基本属性以及关键运行事件以及对应的时间点信息；将所有飞行机器人在飞行区内运行的关键时间点信息进行存储，建立飞行区飞行机器人飞行活动时间库。
研究时段内多架飞行机器人，分别以飞行时间、瞬时流量、累计流量、队列长度、时隙需求、进场时隙需求等参数为例，对上述飞行机器人的相关运行信息进行统计，计算各参数对应的最小值、最大值、平均值、标准差、方差等，得到飞行机器人运行参数样本统计情况。
步骤S110，实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；
在一些实施方式中，飞行机器人对飞行区域进行扫描，检测和接收运动物体的状态信息来行分析和识别。用IMM-CKF算法对获得的量测数据进行处理。根获得的状态信息分析，通过状态信息处理模块获得两个关键参数，即态势半径和约束空间。步骤S120，根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；
在一些实施方式中，根据约束空间制定有目的的规划加速度，即根据飞行机器人的有目的加速度，它表示飞行机器人的预期调整方向。在飞行方向上产生的最大幅度的加速度，本发明所有规划加速都基于这两个候选策略，然后计算态势半径，飞行区域即为以探测目标位置当前位置为中心，以态势半径为球的空间。避开该空间可以有效保障规划路径的安全性。
步骤S130，在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知。
在一些实施方式中，根据多维态势圆实现避障策略制定，运动物体相对于飞行机器人的一步态势空间，判断运动物体是否为威胁的，从而给出避障策略的加速度。融合避障策略和跟踪策略，为确保避障的安全性，避障策略有绝对的优先权，然后生成下一时刻的到达点，即完成路径规划。
实施例2
请参阅图2，图2为本发明实施例提供的一种多维态势感知自控算法飞行控制方法详细步骤示意图，其如下所示：
步骤S200，调研采集飞行区空中运行数据，对飞行区中所有的飞行机器人飞行数据进行预处理与统计分析，对预处理后的飞行机器人飞行数据进行深度挖掘与关联分析，提取飞行机器人基本属性以及对应的时间点信息。
步骤S210，对时间点信息进行存储，建立飞行区飞行机器人飞行活动时间库，然后对飞行机器人飞行状态理解，即对飞行区飞行机器人的当前飞行态势进行评估。
步骤S220，预设算法采用混合多模型集合容积卡尔曼算法模型，运动模型设为匀加速模型、匀速模型、以及水平转弯模型，计算状态变量的输出估计值和预测值从而提取运动目标的状态信息。
步骤S230，根据预设态势空间及本地地理笛卡尔坐标系，将飞行机器人的飞行加速度作为运动状态，使用状态变量描述采样时间内运动目标的运动状态，从而得到运动目标的状态信息。
步骤S240，根据运动目标的态势空间获取飞行策略，根据飞行策略获取避开运动威胁的冲突避免策略，融合策略加速度，生成新的控制加速度，并根据速度上界修正，然后根据到达点生成方法得到新的飞行控制策略。
步骤S250，基于多维态势因子相关性分析结果，以飞行时间因子为因变量，以约束空间瞬时流量因子、累计流量因子为自变量，建立基于多维态势的自控算法飞行控制预测模型。
实施例3
请参阅图3，图3为本发明实施例提供的一种多维态势感知自控算法飞行控制系统模块示意图，其如下所示：
获取模块10，用于获取飞行机器人飞行数据进行态势感知；
探测模块20，用于实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；
分析模块30，用于根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；
感知模块40，用于在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知。
如图4所示，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
另一方面，本申请实施例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102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器101(ROM，Read-Only Memory)、随机存取存储器101(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种多维态势感知自控算法飞行控制方法及系统，其能够对任意一架飞行机器人的当前飞行态势和未来飞行态势进行综合评估与准确预测，有效解决了高密度飞行区进离场飞行机器人飞行态势的宏观分析难题，填补了国内外在飞行态势感知方面的技术空白。可以在高空稀疏的空间中，为机动性能极强的飞行机器人在飞行时提供一条有效的无冲突路径。规划的路径不但满足实际的物理要求，而且能有效的与跟外部飞行机器人保持安全的飞行距离。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种多维态势感知自控算法飞行控制方法，其特征在于，包括：
获取飞行机器人飞行数据进行态势感知；
实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；
根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；
在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知。
2.如权利要求1所述的一种多维态势感知自控算法飞行控制方法，其特征在于，所述获取飞行机器人飞行数据进行态势感知包括：
调研采集飞行区空中运行数据，对飞行区中所有的飞行机器人飞行数据进行预处理与统计分析，对预处理后的飞行机器人飞行数据进行深度挖掘与关联分析，提取飞行机器人基本属性以及对应的时间点信息。
3.如权利要求2所述的一种多维态势感知自控算法飞行控制方法，其特征在于，还包括：
对时间点信息进行存储，建立飞行区飞行机器人飞行活动时间库，然后对飞行机器人飞行状态理解，即对飞行区飞行机器人的当前飞行态势进行评估。
4.如权利要求1所述的一种多维态势感知自控算法飞行控制方法，其特征在于，所述实时侦测环境信息，通过预设算法提取探测运动目标的状态信息包括：
预设算法采用混合多模型集合容积卡尔曼算法模型，运动模型设为匀加速模型、匀速模型、以及水平转弯模型，计算状态变量的输出估计值和预测值从而提取运动目标的状态信息。
5.如权利要求4所述的一种多维态势感知自控算法飞行控制方法，其特征在于，还包括：
根据预设态势空间及本地地理笛卡尔坐标系，将飞行机器人的飞行加速度作为运动状态，使用状态变量描述采样时间内运动目标的运动状态，从而得到运动目标的状态信息。
6.如权利要求1所述的一种多维态势感知自控算法飞行控制方法，其特征在于，所述根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间包括：
根据运动目标的态势空间获取飞行策略，根据飞行策略获取避开运动威胁的冲突避免策略，融合策略加速度，生成新的控制加速度，并根据速度上界修正，然后根据到达点生成方法得到新的飞行控制策略。
7.如权利要求1所述的一种多维态势感知自控算法飞行控制方法，其特征在于，所述在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知包括：
基于多维态势因子相关性分析结果，以飞行时间因子为因变量，以约束空间瞬时流量因子、累计流量因子为自变量，建立基于多维态势的自控算法飞行控制预测模型。
8.一种多维态势感知自控算法飞行控制系统，其特征在于，包括：
获取模块，用于获取飞行机器人飞行数据进行态势感知；
探测模块，用于实时侦测环境信息，通过预设算法提取探测运动目标的状态信息；
分析模块，用于根据态势感知信息及状态信息，得到运动目标的态势空间，同时分析飞行机器人的约束空间；
感知模块，用于在获取约束空间实时运行数据和多维态势感知的基础上，对飞行机器人当前及未来的多维态势进行快速和准确感知。
9.如权利要求8所述的一种多维态势感知自控算法飞行控制系统，其特征在于，包括：
用于存储计算机指令的至少一个存储器；
与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：获取模块、探测模块、分析模块以及感知模块。
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，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632708.9A CN113448349A (zh) | 2021-06-07 | 2021-06-07 | 一种多维态势感知自控算法飞行控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632708.9A CN113448349A (zh) | 2021-06-07 | 2021-06-07 | 一种多维态势感知自控算法飞行控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113448349A true CN113448349A (zh) | 2021-09-28 |
Family
ID=77811084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110632708.9A Pending CN113448349A (zh) | 2021-06-07 | 2021-06-07 | 一种多维态势感知自控算法飞行控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113448349A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157699A (zh) * | 2016-08-16 | 2016-11-23 | 南京航空航天大学 | 高密度机场飞行区航空器滑行态势感知方法 |
| CN107831777A (zh) * | 2017-09-26 | 2018-03-23 | 中国科学院长春光学精密机械与物理研究所 | 一种飞行器自主避障系统、方法及飞行器 |
| CN108759839A (zh) * | 2018-04-11 | 2018-11-06 | 哈尔滨工程大学 | 一种基于态势空间的无人飞行器路径规划方法 |
| CN111338383A (zh) * | 2020-04-24 | 2020-06-26 | 北京泛化智能科技有限公司 | 基于gaas的自主飞行方法及系统、存储介质 |
| CN111983936A (zh) * | 2020-08-31 | 2020-11-24 | 广州机械科学研究院有限公司 | 一种无人机半物理仿真系统及测评方法 |
-
2021
- 2021-06-07 CN CN202110632708.9A patent/CN113448349A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106157699A (zh) * | 2016-08-16 | 2016-11-23 | 南京航空航天大学 | 高密度机场飞行区航空器滑行态势感知方法 |
| CN107831777A (zh) * | 2017-09-26 | 2018-03-23 | 中国科学院长春光学精密机械与物理研究所 | 一种飞行器自主避障系统、方法及飞行器 |
| CN108759839A (zh) * | 2018-04-11 | 2018-11-06 | 哈尔滨工程大学 | 一种基于态势空间的无人飞行器路径规划方法 |
| CN111338383A (zh) * | 2020-04-24 | 2020-06-26 | 北京泛化智能科技有限公司 | 基于gaas的自主飞行方法及系统、存储介质 |
| CN111983936A (zh) * | 2020-08-31 | 2020-11-24 | 广州机械科学研究院有限公司 | 一种无人机半物理仿真系统及测评方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3789920A1 (en) | Performance testing for robotic systems | |
| Goli et al. | Vehicle Trajectory Prediction with Gaussian Process Regression in Connected Vehicle Environment $\star$ | |
| Pham et al. | A survey on unmanned aerial vehicle collision avoidance systems | |
| US8509965B2 (en) | Integrated collision avoidance system for air vehicle | |
| Fulgenzi et al. | Probabilistic navigation in dynamic environment using rapidly-exploring random trees and gaussian processes | |
| Rawashdeh et al. | Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information | |
| CN111771207A (zh) | 增强的车辆跟踪 | |
| Yoon et al. | Interaction-aware probabilistic trajectory prediction of cut-in vehicles using Gaussian process for proactive control of autonomous vehicles | |
| CN106558219B (zh) | 车辆轨迹预测方法及装置 | |
| CN112639502A (zh) | 机器人位姿估计 | |
| Dietmayer | Predicting of machine perception for automated driving | |
| CN112462381B (zh) | 一种基于车路协同的多激光雷达融合方法 | |
| Luo et al. | Online multiple maneuvering vehicle tracking system based on multi-model smooth variable structure filter | |
| JP6507841B2 (ja) | 先行車両推定装置及びプログラム | |
| Kivelevitch et al. | Sensor fusion tools in support of autonomous systems | |
| Lindenmaier et al. | GM-PHD filter based sensor data fusion for automotive frontal perception system | |
| CN117311393B (zh) | 一种无人机自主飞行路径规划方法及系统 | |
| CN114049767A (zh) | 一种边缘计算方法、装置及可读存储介质 | |
| Mayoral et al. | Integration of a human-aware risk-based braking system into an open-field mobile robot | |
| Liu et al. | Precise Positioning and Prediction System for Autonomous Driving Based on Generative Artificial Intelligence | |
| Vashishtha et al. | Maximum likelihood multiple model filtering for path prediction in intelligent transportation systems | |
| CN113448349A (zh) | 一种多维态势感知自控算法飞行控制方法及系统 | |
| Cowlagi et al. | Risk quantification for automated driving using information from v2v basic safety messages | |
| KR102618680B1 (ko) | 영상과 라이다를 이용한 실시간 3차원 물체 인식 및 추적하는 시스템 | |
| Madhavan et al. | Moving object prediction for off-road autonomous navigation |
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 |