CN113568428B - 一种基于多无人机协同的校园安防方法及系统 - Google Patents
一种基于多无人机协同的校园安防方法及系统 Download PDFInfo
- Publication number
- CN113568428B CN113568428B CN202110785395.0A CN202110785395A CN113568428B CN 113568428 B CN113568428 B CN 113568428B CN 202110785395 A CN202110785395 A CN 202110785395A CN 113568428 B CN113568428 B CN 113568428B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- abnormal
- expected
- security
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000004888 barrier function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
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)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于多无人机协同的校园安防方法及系统,属于安防技术领域,包括:多架携带有相机的无人机获取升空指令后升空;在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控;利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置。本发明可实现校园大范围区域的协同全覆盖,并在巡检发现异常行为时,对异常行为进行响应和处置,有效提高了安防效率。
Description
技术领域
本发明涉及安防技术领域,特别涉及一种基于多无人机协同的校园安防方法及系统。
背景技术
随着智能化成为行业大趋势,智能安防也逐渐成为安防企业转型升级的方向,在安防行业中的占比将越来越大。安防摄像头,以及人脸门禁综合安防系统随处可见。将无人机应用在安防领域,目前正处在市场探索阶段,以海康威视为代表,陆续推出了携带监控设备的无人机。阿里旗下的菜鸟网络更是完成了基于单台无人机的园区安防监控应用案例。同时无人机也正在逐步成为各地警方的标准配置,已经成功应用到交通监控,追捕侦查等领域。
目前安防领域的无人机应用集中在单台无人机的应用上,然而单台无人机在执行大型复杂的任务时,效率低且成功率低。如单台无人机在执行侦察任务时,受到传感器角度的限制,不能从多方位对目标进行检测;受到活动半径的限制,侦察范围较小、追捕能力较弱;单台无人机的续航时间较短、抗干扰能力较弱,当能量耗尽或者出现故障时,必须中断任务返回。因此,多无人机协同安防方案目前仍处在市场空白,亟待探索的状态。
发明内容
本发明的目的在于克服上述背景技术中的不足,提高安防工作的效率和成功率。
为实现以上目的,一方面,采用一种无人机二自由度喷管瞄准控制装置,包括:
多架携带有相机的无人机获取升空指令后升空;
在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控;
利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;
在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置。
进一步地,所述在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控,包括:
根据所述安防区域、无人机数量以及无人机的监控范围,设置各无人机的期望工作位置;
采用所述人工势场法,根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力,得到每架无人机的应受合力;
将无人机的应受合力作为期望合力,基于所述分布式调度算法分别控制各无人机运动至各自的期望位置,实现无人机编队控制,对安防区域进行协同全覆盖监控。
进一步地,所述采用所述人工势场法,根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力,得到每架无人机的应受合力的计算公式表示如下:
其中,Fn为合力场,Far为期望位置对无人机的引力场,Fre为所有障碍物对无人机的斥力场的合力场,l为所设的固定步长。
进一步地,所述期望位置对无人机的吸引力场定义如下:
Far=KaRPa,R<Rr0
Far=KaRr0Pa,R≥Rr0
其中,Ka是与环境及条件相关的系数,R为无人机距离期望位置的距离大小,Rr0为期望位置对无人机的最大影响范围,Pa为单位方向矢量,方向由无人机当前位置指向期望位置。
进一步地,所述障碍物对无人机的斥力场定义如下:
其中,Kr为与环境及条件有关的系数,R为无人机距离期望位置的距离大小,r为无人机此时与该障碍物的距离大小,Ra0为障碍物最大影响距离,Pr为单位方向矢量,方向由障碍物位置指向无人机当前位置。
进一步地,所述异常行为包括个人异常行为和交互异常行为,所述采用的深度神经网络模型为YOLO深度神经网络。
进一步地,在所述基于深度神经网络模型对视频数据进行处理,进行异常行为识别之前还包括:
获取安防区域的视频数据集,并截取帧图像,对图像进行异常行为标定,得到用于进行网络训练和测试的图像数据集;
利用图像数据集对所述YOLO深度神经网络进行训练和测试,得到用于判断输入的视频数据中是否存在异常行为的网络模型,并将该网络模型部署在所述各无人机的机载GPU内。
另一方面,采用一种基于多无人机协同的校园安防系统,包括多架无人机,每架无人机包括获取模块、协同监控模块、异常行为识别模块和异常行为处置模块,其中:
获取模块用于多架携带有相机的无人机获取升空指令后升空;
协同监控模块用于在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控;
异常行为识别模块用于利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;
异常行为处置模块用于在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置。
进一步地,所述协同监控模块包括期望工作位置设置单元、应受合力计算单元和协同监控单元,其中:
期望工作位置设置单元用于根据所述安防区域、无人机数量以及无人机的监控范围,设置各无人机的期望工作位置;
应受合力计算单元用于采用所述人工势场法,根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力,得到每架无人机的应受合力;
协同监控单元用于将无人机的应受合力作为期望合力,基于所述分布式调度算法分别控制各无人机运动至各自的期望位置,实现无人机编队控制,对安防区域进行协同全覆盖监控。
进一步地,所述应受合力计算单元具体采用如下公式计算每架无人机的应受合力:
其中,Fn为合力场,Far为期望位置对无人机的引力场,Fre为所有障碍物对无人机的斥力场的合力场,l为所设的固定步长;
所述期望位置对无人机的吸引力场定义如下:
Far=KaRPa,R<Rr0
Far=KaRr0Pa,R≥Rr0
其中,Ka是与环境及条件相关的系数,R为无人机距离期望位置的距离大小,Rr0为期望位置对无人机的最大影响范围,Pa为单位方向矢量,方向由无人机当前位置指向期望位置;
所述障碍物对无人机的斥力场定义如下:
Fre=0,r≥Ra0
其中,Kr为与环境及条件有关的系数,R为无人机距离期望位置的距离大小,r为无人机此时与该障碍物的距离大小,Ra0为障碍物最大影响距离,Pr为单位方向矢量,方向由障碍物位置指向无人机当前位置。
与现有技术相比,本发明存在以下技术效果:本发明采用多架无人机协同巡巡查,基于无人机分布式调度算法,各无人机基于邻居之间的通信共享运动轨迹,采用人工势场法,实现校园大范围区域的协同全覆盖,并在巡检发现异常行为时,对异常行为进行响应和处置,有效提高了安防效率。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是一种基于多无人机协同的校园安防方法的流程图;
图2是多无人机安防示意图;
图3是异常行为检测流程图;
图4是一种基于多无人机协同的校园安防系统的结构图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1至图3所示,本实施例公开了一种基于多无人机协同的校园安防方法,包括如下步骤S1至S4:
S1、多架携带有相机的无人机获取升空指令后升空;
需要说明的是,本实施例多架无人机携带的是可见光与红外光相机,在指定区域进行全方位巡逻侦察,保证日间、夜间、大雾等天气喜爱的高精度、鲁棒监控。
S2、在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控;
S3、利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;
S4、在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置。
作为进一步优选的技术方案,本实施例针对无人机的不间断监控需求,搭建具备自动更换电池功能的地面站,无人机在空值守的同时,利用地面站对无人机进行电池自动更换,电池更换完毕后,无人机重新升空进行巡逻监控。
作为进一步优选的技术方案,上述步骤S2:在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控,包括如下细分步骤S21至S23:
S21、根据所述安防区域、无人机数量以及无人机的监控范围,设置各无人机的期望工作位置;
S22、采用所述人工势场法,根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力,得到每架无人机的应受合力;
S23、将无人机的应受合力作为期望合力,基于所述分布式调度算法分别控制各无人机运动至各自的期望位置,实现无人机编队控制,对安防区域进行协同全覆盖监控。
需要说明的是,根据校园实际监控区域以及无人机数量和监控范围设置各无人机期望工作位置。根据人工势场法的基本思想,期望位置对无人机有吸引作用,障碍物(因为无人机主要在高空执行监控任务,障碍物主要考虑编队中的其它无人机)对无人机有排斥作用,将两类作用力场正交合成后归一化,取固定步长即可得到无人机的应受合力,每架无人机的应受合力的计算公式表示如下:
其中,Fn为合力场,Far为期望位置对无人机的引力场,Fre为所有障碍物对无人机的斥力场的合力场,l为所设的固定步长。
需要说明的是,期望位置对无人机的引力场定义如下:
Far=KaRPa,R<Rr0
Far=KaRr0Pa,R≥Rr0
其中,Ka是与环境及条件相关的系数;R为无人机距离期望位置的距离大小;为防止无人机距离期望位置太远时,引力值过大,设置Rr0为期望位置对无人机的最大影响范围,超过此距离时,引力值保持最大值不再增加;Pa为单位方向矢量,方向由无人机当前位置指向期望位置。
障碍物对无人机的斥力场定义如下:
Fre=0,r≥Ra0
其中,Kr为与环境及条件有关的系数;R为无人机距离期望位置的距离大小;r为无人机此时与该障碍物的距离大小;Ra0为障碍物最大影响距离,当无人机与障碍物的距离大于该值时,斥力为0;Pr为单位方向矢量,方向由障碍物位置指向无人机当前位置。
需要说明的是,通过人工势场法可以计算出每架无人机的应受合力,将该期望合力输入到无人机各自的控制器中,控制器分别控制无人机飞向各自的期望位置,实现无人机编队控制,进而实现校园区域的协同监控。
作为进一步优选的技术方案,所述异常行为包括个人异常行为和交互异常行为,所述采用的深度神经网络模型为YOLO深度神经网络。
需要说明的是,针对校园场景,可将异常行为分为个人异常行为与交互异常行为两大类。其中个人异常行为以晕倒为主,特点是人体横倒地面并持续一段时间;交互异常分为肢体冲突、盗窃等,其特点分别为双方人体大幅度肢体交互动作及一方刻意靠近另一人体并且距离异常靠近。
作为进一步优选的技术方案,在上述步骤S3:利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别之前,还包括:
获取安防区域的视频数据集,并截取帧图像,对图像进行异常行为标定,得到用于进行网络训练和测试的图像数据集;
利用图像数据集对所述YOLO深度神经网络进行训练和测试,得到用于判断输入的视频数据中是否存在异常行为的网络模型,并将该网络模型部署在所述各无人机的机载GPU内。
需要说明的是,在实际巡逻监控中,通过将机载相机拍摄的图片输入到YOLO深度神经网络中进行自动特征提取与分类,利用神经网络的深层次特征提取、高精度检测分类特性,可以将上述定义的异常行为准确的检测出来,实现从输入数据到输出检测结果的端到端的异常行为检测。另外,本实施例通过将网络模型部署在机载GPU中,利用机载GPU对检测过程进行加速,可以实现对监控视频的实时检测。
作为进一步优选的技术方案,在某一无人机检测到异常行为后,立即标记异常点GPS坐标,在网络内发出警报,同时启动最近的无人机前往异常点位置进行快速响应和处置,针对不同异常行为可选择采取警告喊话、发射捕网等处置方式。
作为进一步优选的技术方案,无人机处置异常事件之后,如果无人机只进行警告喊话,还可以继续执行监控任务,操作员可以控制无人机重新返回原航线进行监控巡视;如果无人机发射捕网或者在处置异常事件过程中受损,不能继续执行监控任务,则更换新的无人机继续执行监控巡视任务。
作为进一步优选的技术方案,各无人机在接收到巡逻监控任务结束指令后,各监控无人机自动返航,本次监控任务结束。
如图4所示,本实施例公开了一种基于多无人机协同的校园安防系统,包括多架无人机,每架无人机包括获取模块、协同监控模块、异常行为识别模块和异常行为处置模块,其中:
获取模块用于多架携带有相机的无人机获取升空指令后升空;
协同监控模块用于在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控;
异常行为识别模块用于利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;
异常行为处置模块用于在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置。
作为进一步优选的技术方案,所述应受合力计算单元具体采用如下公式计算每架无人机的应受合力:
其中,Fn为合力场,Far为期望位置对无人机的引力场,Fre为所有障碍物对无人机的斥力场的合力场,l为所设的固定步长;
所述期望位置对无人机的吸引力场定义如下:
Far=KaRPa,R<Rr0
Far=KaRr0Pa,R≥Rr0
其中,Ka是与环境及条件相关的系数,R为无人机距离期望位置的距离大小,Rr0为期望位置对无人机的最大影响范围,Pa为单位方向矢量,方向由无人机当前位置指向期望位置;
所述障碍物对无人机的斥力场定义如下:
Fre=0,r≥Ra0
其中,Kr为与环境及条件有关的系数,R为无人机距离期望位置的距离大小,r为无人机此时与该障碍物的距离大小,Ra0为障碍物最大影响距离,Pr为单位方向矢量,方向由障碍物位置指向无人机当前位置。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
需要说明的是,本实施例考虑对校园内异常违法事件的全天候多方位监控、高精度自动识别与快速响应和处置问题,发展多无人机协同异常监控技术,以及无人机异常处置技术,并基于此技术搭建多无人机协同智能安防系统。该方案可以实现全天候多方位监控、异常事件的高精度AI自动识别、异常事件的快速响应与处置,分别从时间、空间、任务层面上提高安防的工作效率和成功率,利用多无人机智能协同实现“1+1>2”的效果。且采用多无人机协同安防,无人机通过搭载高清相机和喊话器等装备,不仅可以实现监控识别,还能够对异常事件进行响应和处置,有效提高了安防效率;此外,多无人机协同安防还可以精简安防系统的复杂度,降低整个安防系统的成本。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (4)
1.一种基于多无人机协同的校园安防方法,其特征在于,包括:
S1、多架携带有相机的无人机获取升空指令后升空;
S2、在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控,包括:
S21、根据所述安防区域、无人机数量以及无人机的监控范围,设置各无人机的期望工作位置;
S22、采用所述人工势场法,根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力,得到每架无人机的应受合力,公式表示如下;
其中,Fn为合力场,Far为期望位置对无人机的引力场,Fre为所有障碍物对无人机的斥力场的合力场,l为所设的固定步长;
其中,所述期望位置对无人机的吸引力场定义如下:
Far=KaRPa,R<Rr0
Far=KaRr0Pa,R≥Rr0
其中,Ka是与环境及条件相关的系数,R为无人机距离期望位置的距离大小,Rr0为期望位置对无人机的最大影响范围,Pa为单位方向矢量,方向由无人机当前位置指向期望位置;
另外,所述障碍物对无人机的斥力场定义如下:
Fre=0,r≥Ra0
其中,Kr为与环境及条件有关的系数,R为无人机距离期望位置的距离大小,r为无人机此时与该障碍物的距离大小,Ra0为障碍物最大影响距离,Pr为单位方向矢量,方向由障碍物位置指向无人机当前位置;
S23、将无人机的应受合力作为期望合力,基于所述分布式调度算法分别控制各无人机运动至各自的期望位置,实现无人机编队控制,对安防区域进行协同全覆盖监控;
S3、利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;
S4、在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置。
2.如权利要求1所述的基于多无人机协同的校园安防方法,其特征在于,所述异常行为包括个人异常行为和交互异常行为,所述采用的深度神经网络模型为YOLO深度神经网络。
3.如权利要求2所述的基于多无人机协同的校园安防方法,其特征在于,在所述基于深度神经网络模型对视频数据进行处理,进行异常行为识别之前还包括:
获取安防区域的视频数据集,并截取帧图像,对图像进行异常行为标定,得到用于进行网络训练和测试的图像数据集;
利用图像数据集对所述YOLO深度神经网络进行训练和测试,得到用于判断输入的视频数据中是否存在异常行为的网络模型,并将该网络模型部署在所述各无人机的机载GPU内。
4.一种基于多无人机协同的校园安防系统,其特征在于,包括多架无人机,每架无人机包括获取模块、协同监控模块、异常行为识别模块和异常行为处置模块,其中:
获取模块用于多架携带有相机的无人机获取升空指令后升空;
协同监控模块用于在安防区域内,采用人工势场法控制无人机的相对位置,基于分布式调度算法实现无人机编队控制,对安防区域进行协同全覆盖监控;
异常行为识别模块用于利用相机获取所监控区域的视频数据,基于深度神经网络模型对视频数据进行处理,进行异常行为识别;
异常行为处置模块用于在识别出异常行为时,标记异常点位置坐标,并启动距离异常点位置距离最近的无人机前往异常点进行处置;
所述协同监控模块包括期望工作位置设置单元、应受合力计算单元和协同监控单元,其中:
期望工作位置设置单元用于根据所述安防区域、无人机数量以及无人机的监控范围,设置各无人机的期望工作位置;
应受合力计算单元用于采用所述人工势场法,根据期望工作位置对无人机的吸引作用力和障碍物对无人机的排斥作用力,得到每架无人机的应受合力;
协同监控单元用于将无人机的应受合力作为期望合力,基于所述分布式调度算法分别控制各无人机运动至各自的期望位置,实现无人机编队控制,对安防区域进行协同全覆盖监控;
所述应受合力计算单元具体采用如下公式计算每架无人机的应受合力:
其中,Fn为合力场,Far为期望位置对无人机的引力场,Fre为所有障碍物对无人机的斥力场的合力场,l为所设的固定步长;
所述期望位置对无人机的吸引力场定义如下:
Far=KaRPa,R<Rr0
Far=KaRr0Pa,R≥Rr0
其中,Ka是与环境及条件相关的系数,R为无人机距离期望位置的距离大小,Rr0为期望位置对无人机的最大影响范围,Pa为单位方向矢量,方向由无人机当前位置指向期望位置;
所述障碍物对无人机的斥力场定义如下:
Fre=0,r≥Ra0
其中,Kr为与环境及条件有关的系数,R为无人机距离期望位置的距离大小,r为无人机此时与该障碍物的距离大小,Ra0为障碍物最大影响距离,Pr为单位方向矢量,方向由障碍物位置指向无人机当前位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785395.0A CN113568428B (zh) | 2021-07-12 | 2021-07-12 | 一种基于多无人机协同的校园安防方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785395.0A CN113568428B (zh) | 2021-07-12 | 2021-07-12 | 一种基于多无人机协同的校园安防方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113568428A CN113568428A (zh) | 2021-10-29 |
CN113568428B true CN113568428B (zh) | 2024-06-18 |
Family
ID=78164451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110785395.0A Active CN113568428B (zh) | 2021-07-12 | 2021-07-12 | 一种基于多无人机协同的校园安防方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113568428B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075633B (zh) * | 2023-08-31 | 2024-02-09 | 杭州中汇通航航空科技有限公司 | 一种无人机实战应用管理平台 |
CN117541957B (zh) * | 2023-11-08 | 2024-05-24 | 继善(广东)科技有限公司 | 基于人工智能的事件解决策略的生成方法、系统及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589752A (zh) * | 2017-07-25 | 2018-01-16 | 天津大学 | 无人机与地面机器人协同编队实现方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992064B (zh) * | 2016-10-26 | 2021-03-26 | 杭州海康机器人技术有限公司 | 基于主无人机的从无人机飞行控制方法、装置及系统 |
CN108549407B (zh) * | 2018-05-23 | 2020-11-13 | 哈尔滨工业大学(威海) | 一种多无人机协同编队避障的控制算法 |
CN110488867B (zh) * | 2019-08-28 | 2021-11-23 | 中国人民解放军国防科技大学 | 一种基于改进虚拟力场的无人机集群护航行为生成方法 |
CN112684807A (zh) * | 2019-10-18 | 2021-04-20 | 成都凯天电子股份有限公司 | 无人机集群三维编队方法 |
CN111781948A (zh) * | 2020-06-18 | 2020-10-16 | 南京非空航空科技有限公司 | 一种无人机编队队形变换与在线动态避障方法 |
CN112666976B (zh) * | 2020-12-23 | 2022-07-12 | 西北工业大学 | 一种基于一致性的多无人机集群防撞方法 |
-
2021
- 2021-07-12 CN CN202110785395.0A patent/CN113568428B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589752A (zh) * | 2017-07-25 | 2018-01-16 | 天津大学 | 无人机与地面机器人协同编队实现方法及系统 |
Non-Patent Citations (1)
Title |
---|
改进APF与Bezier相结合的多无人机协同避碰航路规划;杨勇;丁勇;黄鑫城;;电光与控制;20180827(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113568428A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932588B (zh) | 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法 | |
CN113568428B (zh) | 一种基于多无人机协同的校园安防方法及系统 | |
US11755918B2 (en) | Fast CNN classification of multi-frame semantic signals | |
CN106647805B (zh) | 无人机自主飞行的方法、装置以及无人机 | |
CN110619276B (zh) | 基于无人机移动监控的异常及暴力检测系统和方法 | |
CN112270267B (zh) | 可自动抓拍线路故障的摄像识别系统 | |
KR20170098082A (ko) | 드론을 이용한 물류관리 시스템 | |
CN111831010A (zh) | 一种基于数字空间切片的无人机避障飞行方法 | |
Fernández et al. | A deep analysis of the existing datasets for traffic light state recognition | |
Dong et al. | A vision-based method for improving the safety of self-driving | |
KR20170003917U (ko) | 드론을 이용한 물류관리 장치 | |
CN108877228B (zh) | 一种用于景区指引的无人机 | |
CN113454558A (zh) | 障碍物检测方法、装置、无人机和存储介质 | |
CN117234110A (zh) | 一种基于计算机视觉的电子围栏控制方法和系统 | |
CN113966496A (zh) | 控制方法、控制装置、可移动平台与计算机可读存储介质 | |
Wang et al. | Autonomous bird deterrent system for vineyards using multiple bio-inspired unmanned aerial vehicle | |
CN107885231A (zh) | 一种基于可见光图像识别的无人机捕获方法及系统 | |
CN116753778A (zh) | 一种基于信息融合与任务分配的无人机反制系统和方法 | |
CN115602003A (zh) | 无人驾驶航空器飞行避障方法、系统和可读存储介质 | |
CN111918032B (zh) | 基于无人艇的水上监管方法、系统、装置及智能设备 | |
CN114638975A (zh) | 一种用于机场的鸟类和非鸟类驱赶方法及系统 | |
CN112414224A (zh) | 一种针对特定目标的空域安防方法及系统 | |
US20220071192A1 (en) | A weeding system and method for use in agriculture | |
EP3666622A1 (en) | System and method for railway weeding | |
KR102628955B1 (ko) | 비행 특징을 인식변수로 사용하여 비행체를 식별 탐지추적하는 시스템 과 그 방법 |
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 |