CN113870421A - 一种竞速无人机的轨道智能定位方法、装置及设备 - Google Patents

一种竞速无人机的轨道智能定位方法、装置及设备 Download PDF

Info

Publication number
CN113870421A
CN113870421A CN202111252159.9A CN202111252159A CN113870421A CN 113870421 A CN113870421 A CN 113870421A CN 202111252159 A CN202111252159 A CN 202111252159A CN 113870421 A CN113870421 A CN 113870421A
Authority
CN
China
Prior art keywords
unmanned aerial
landing
aerial vehicle
electric energy
virtual scene
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
Application number
CN202111252159.9A
Other languages
English (en)
Inventor
赵伟
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.)
Shandong Tianyada New Material Technology Co Ltd
Original Assignee
Shandong Tianyada New Material Technology Co Ltd
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 Shandong Tianyada New Material Technology Co Ltd filed Critical Shandong Tianyada New Material Technology Co Ltd
Priority to CN202111252159.9A priority Critical patent/CN113870421A/zh
Publication of CN113870421A publication Critical patent/CN113870421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种竞速无人机的轨道智能定位方法、装置及设备，包括：获取失控时的无人机的地理位置坐标信息以及体积信息；根据地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；根据体积信息建立无人机体积三维模型；将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在虚拟场景中的失控无人机三维坐标信息；基于虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；从多条着陆路线中选出一条最优着陆路线。本发明有效避免了无人机失控后的自我坠毁现象、失控后无人机伤及行人的事件发生，保护了失控后的无人机，提高了无人机的使用的安全性，有利于无人机的使用监管。

Description

一种竞速无人机的轨道智能定位方法、装置及设备
技术领域
本发明涉及无人机定位技术领域，尤其涉及一种竞速无人机的轨道智能定位方法、装置及设备。
背景技术
无人机简称UAV，是一种具有自主导航或遥控或两者兼备的航空器，具有携带传感器、电子收发器或攻击武器的能力，可用于战略或战役侦查和战场监视，既可以间接介入战场，例如为有人驾驶飞机完成战时任务提供精确标识目标服务，也可以直接介入战场，替代有人驾驶飞机完成战时任务。近年来，民用无人机队伍伴随着军用无人机的发展而迅速壮大，应用领域逐渐从突发事件及灾害监视、遥感考古、农业病虫害普查、高压线巡线等定性的遥感动态监测到高分辨率正射影像制作、1:500 大比例尺地形图绘制等应用领域。
但是民用无人机还是有许多问题尚未解决，由于主要利用电信号来控制无人机的航行，在此过程中仍然不可避免被其他因素干扰，从而导致无人机失控，无人机从空中坠落，针对于无人机的失控，无人机失控从空中坠落就会形成高空坠物，一方面容易伤及无辜，另一方面无人机就坠毁了属实造成损失成本颇高，亦不利于无人机完成任务。现有技术中仍然是利用减少其他因素的干扰，利用复杂的算法进行规避，但是始终还是无法避免此类事件的发生，可以说是没有从根本上去解决此类事件的发生。而且，现如今无人机失控事件频繁增加，无人机滥用现象频繁。
发明内容
本发明克服了现有技术的不足，提供了一种竞速无人机的轨道智能定位方法、装置、设备。
为了达到上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种竞速无人机的轨道智能定位方法，包括以下步骤：
获取失控时的无人机的地理位置坐标信息以及体积信息；
根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
根据所述体积信息建立无人机体积三维模型；
将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
从所述多条着陆路线中选出一条最优着陆路线。
进一步地，本发明的一个较佳实施例中，根据所述地理位置坐标信息得到该地理位置的虚拟场景，并建立虚拟场景模型，具体包括：
通过大数据网络中获取所述地理坐标信息所对应的现实场景，并从所述的现实场景中提取出特征场景；
基于神经网络建立特征场景模型，并将所述特征场景导入所述特征场景模型中训练，得到虚拟场景模型。
进一步地，本发明的一个较佳实施例中，基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值，具体包括：
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息；
基于所述多个无障碍着陆点的三维坐标信息以及所述在所述虚拟场景中的失控无人机的三维坐标信息规划出多条着陆路线；
从所述着陆路线中得到每一条着陆路线需要飞行的路程；
根据所述飞行的路程计算得出每一条着陆路线的电能损耗值。
进一步地，本发明的一个较佳实施例中，从所述多条着陆路线中选出一条最优着陆路线，具体包括：
获取失控时的无人机的剩余电能值；
判断所述失控时的无人机的剩余电能值是否大于所述着陆路线的电能损耗值；
若大于，则表明该着陆路线可行，并记录下该着陆路线的电能损耗值，并将该电能损耗值作为第二电能损耗值；
比较所述第二电能损耗值并根据所述第二电能损耗值的大小进行从小到大排序，以获得优先级电能损耗值排序表，并将所述优先级电能损耗排序表中的最小的电能损耗值对应的着陆路线作为优先着陆路线。
进一步地，本发明的一个较佳实施例中，从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息，具体为：
根据失控无人机的体积在所述虚拟场景中检索可用的着陆点；所述可用的着陆点的空间体积大于所述失控无人机的体积，并将该着陆点作为无障碍着陆点，并获得在虚拟场景模型中该无障碍着陆点的三维坐标信息。
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
获取每一架失控无人机的最优着陆路线；
从所述每一架失控无人机的最优着陆路线中得到每一架失控无人机的着陆点，并将所述失控无人机的着陆点整合到虚拟场景模型中，并检索每个着陆点是否存在重合；
若存在重合，修改其中一架失控无人机的着陆路线，并从所述优先级电能损耗值排序表中提取出下一优先级较高的着陆路线，以作为着陆路线。
本发明第二方面提供了一种竞速无人机的轨道智能定位装置，所述装置包括存储器与处理器，所述存储器中包括竞速无人机的轨道智能定位方法程序，所述竞速无人机的轨道智能定位方法程序被所述处理器执行时，实现如下步骤：
获取失控时的无人机的地理位置坐标信息以及体积信息；
根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
根据所述体积信息建立无人机体积三维模型；
将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
从所述多条着陆路线中选出一条最优着陆路线。
进一步地，本发明的一个较佳实施例中，根据所述地理位置坐标信息得到该地理位置的虚拟场景，并建立虚拟场景模型，具体包括：
通过大数据网络中获取所述地理坐标信息所对应的现实场景，并从所述的现实场景中提取出特征场景；
基于神经网络建立特征场景模型，并将所述特征场景导入所述特征场景模型中训练，得到虚拟场景模型；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值，具体包括：
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息；
基于所述多个无障碍着陆点的三维坐标信息以及所述在所述虚拟场景中的失控无人机的三维坐标信息规划出多条着陆路线；
从所述着陆路线中得到每一条着陆路线需要飞行的路程；
根据所述飞行的路程计算得出每一条着陆路线的电能损耗值。
进一步地，本发明的一个较佳实施例中，从所述多条着陆路线中选出一条最优着陆路线，具体包括：
获取失控时的无人机的剩余电能值；
判断所述失控时的无人机的剩余电能值是否大于所述着陆路线的电能损耗值；
若大于，则表明该着陆路线可行，并记录下该着陆路线的电能损耗值，并将该电能损耗值作为第二电能损耗值；
比较所述第二电能损耗值并根据所述第二电能损耗值的大小进行从小到大排序，以获得优先级电能损耗值排序表，并将所述优先级电能损耗排序表中的最小的电能损耗值对应的着陆路线作为优先着陆路线；
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息，具体为：
根据失控无人机的体积在所述虚拟场景中检索可用的着陆点；所述可用的着陆点的空间体积大于所述失控无人机的体积，并将该着陆点作为无障碍着陆点，并获得在虚拟场景模型中该无障碍着陆点的三维坐标信息；
获取每一架失控无人机的最优着陆路线；
从所述每一架失控无人机的最优着陆路线中得到每一架失控无人机的着陆点，并将所述失控无人机的着陆点整合到虚拟场景模型中，并检索每个着陆点是否存在重合；
若存在重合，修改其中一架失控无人机的着陆路线，并从所述优先级电能损耗值排序表中提取出下一优先级较高的着陆路线，以作为着陆路线。
本发明第三方面提供了一种竞速无人机的轨道智能定位设备，所述竞速无人机的轨道智能定位设备包括：
获取模块，获取失控时的无人机的地理位置坐标信息以及体积信息；
第一模型建立模块，根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
第二模型建立模块，根据所述体积信息建立无人机体积三维模型；
第三模型建立模块，将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
规划模块，基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
择优模块，从所述多条着陆路线中选出一条最优着陆路线。
本发明解决了背景技术中存在的缺陷，能够达到如下的技术效果：本发明通过为失控无人机设置一个着陆方法，能够有效地实现无人机受到电磁波的影响时自身在失去控制后能够自我进行导航，从而寻找最佳的着陆点，这能够有效避免了无人机失控后的自我坠毁现象以及有效避免失控后无人机伤及行人的事件发生，不但保护了失控后的无人机，而且提高了无人机的使用的安全性，又有利于无人机的使用监管。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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实施例的附图。
图1示出了一种竞速无人机的轨道智能定位方法的方法流程图；
图2示出了建立虚拟场景模型的方法流程图；
图3示出了计算电能损耗值的方法流程图；
图4示出了得出优先着陆路线的方法流程图；
图5示出了修正优先着陆路线的方法流程图；
图6示出了竞速无人机的轨道智能定位设备的模块示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种竞速无人机的轨道智能定位方法的方法流程图；
本发明第一方面提供了一种竞速无人机的轨道智能定位方法，包括以下步骤：
S102:获取失控时的无人机的地理位置坐标信息以及体积信息；
S104:根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
S106:根据所述体积信息建立无人机体积三维模型；
S108:将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
S110:基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
S112:从所述多条着陆路线中选出一条最优着陆路线。
需要说明的是，可在无人机中设置定位仪，以便在失控时获取到无人机的当前的地理位置坐标信息，而且在失控的那一个时刻的最新的失控无人机所在的地理位置对应的AR三维场景，失控时的无人机的地理位置坐标信息包括经度、纬度、海拔高度组成的坐标信息，并从地图数据信息中提取出该无人机失控时的地理位置坐标信息所对应的三维地图模型，实际上可以理解为AR三维场景，而且将该经度、纬度、海拔高度组成的坐标信息以及无人机的三维体积模型整合到该AR三维场景中形成组合场景，此时失控无人机按照此场景进行选择着陆路线。
图2示出了建立虚拟场景模型的方法流程图；
进一步地，本发明的一个较佳实施例中，根据所述地理位置坐标信息得到该地理位置的虚拟场景，并建立虚拟场景模型，具体包括：
S202:通过大数据网络中获取所述地理坐标信息所对应的现实场景，并从所述的现实场景中提取出特征场景；
S204:基于神经网络建立特征场景模型，并将所述特征场景导入所述特征场景模型中训练，得到虚拟场景模型。
需要说明的是，其中特征场景为从虚拟场景中提取出历史数据中行人较少的三维场景、能够容纳无人机体积的空间位置、非汽车行驶区域场景、障碍物的三维场景、障碍物的空间位置等三维场景区域，可通过神经网络建立最终的虚拟场景。
图3示出了计算电能损耗值的方法流程图；
进一步地，本发明的一个较佳实施例中，基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值，具体包括：
S302:从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息；
S304:基于所述多个无障碍着陆点的三维坐标信息以及所述在所述虚拟场景中的失控无人机的三维坐标信息规划出多条着陆路线；
S306:从所述着陆路线中得到每一条着陆路线需要飞行的路程；
S308:根据所述飞行的路程计算得出每一条着陆路线的电能损耗值。
需要说明的是，将失控时的无人机所在地理位置信息整合到虚拟场景中后，重新将该地理位置坐标信息装换为在该虚拟场景中的三维坐标信息，从而在虚拟场景中结合无障碍着陆点与三维坐标信息形成一条无人机着陆导航路线，其中在一定程度上将地理位置信息转换为虚拟场景的三维坐标信息变换关系可表示为：
Figure DEST_PATH_IMAGE001
其中x、y、z分别为在虚拟场景中的在三个方向上的坐标值，p为比例因子，r为地球长半径值，A为经度的值，B为纬度的值，H为海拔高度值。
通过以上方式即可将地理位置信息转换为虚拟场景中的三维坐标信息，从而得到无人机在虚拟场景中的三维坐标信息，从而根据三维坐标信息以及无障碍点坐标信息形成一条失控无人机着陆航线，在该过程中需要避开虚拟场景中的障碍物，由于形成的一定路程的无人机航线，其中需要消耗的电能分为两个部分，一个部分为直线飞行时所消耗的电能，另一个部分为避开障碍物所需要消耗的电能值，其中满足：
Figure 139283DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE003
在该航行路线下所需要消耗总电能，
Figure 234278DEST_PATH_IMAGE004
为在避开障碍物所需要消耗的电能 值，
Figure 32118DEST_PATH_IMAGE005
为直线飞行时需要消耗的电能值。
其中,由于在规避障碍时，航迹可看做是由多个线段首位相连接而成，在避开障碍物所需要消耗的电能值一定程度上满足：
Figure 933078DEST_PATH_IMAGE006
其中，N为障碍点的个数，i为第i个障碍点，
Figure 230198DEST_PATH_IMAGE007
、
Figure 479782DEST_PATH_IMAGE008
、
Figure 619777DEST_PATH_IMAGE009
为第i个个障碍点分布在x、y、z 方向上坐标值，
Figure 199794DEST_PATH_IMAGE010
、
Figure 944896DEST_PATH_IMAGE011
、
Figure 444010DEST_PATH_IMAGE012
分别为在x、y、z方向上直线函数所对应的代表的长度值。
其中无障碍的飞行消耗电能值，可看作是在三个方向上的直线飞行路程的总和，其中满足：
Figure 461514DEST_PATH_IMAGE013
其中，k为着陆路线时的转弯航行点，j为第j个转弯航行点，
Figure 704276DEST_PATH_IMAGE010
、
Figure 303885DEST_PATH_IMAGE011
、
Figure 849267DEST_PATH_IMAGE012
分别为 在x、y、z方向上直线函数的长度值。
需要说明的是，从上述关系式能够最终得到在x、y、z方向上从开始着陆到着陆点所需要消耗的电能值，从而根据这个电能损耗值来得到多个可行的规划路线。
图4示出了得出优先着陆路线的方法流程图；
进一步地，本发明的一个较佳实施例中，从所述多条着陆路线中选出一条最优着陆路线，具体包括：
S402:获取失控时的无人机的剩余电能值；
S404:判断所述失控时的无人机的剩余电能值是否大于所述着陆路线的电能损耗值；
S406:若大于，则表明该着陆路线可行，并记录下该着陆路线的电能损耗值，并将该电能损耗值作为第二电能损耗值；
S408:比较所述第二电能损耗值并根据所述第二电能损耗值的大小进行从小到大排序，以获得优先级电能损耗值排序表，并将所述优先级电能损耗排序表中的最小的电能损耗值对应的着陆路线作为优先着陆路线。
需要说明的是，当失控时的无人机的剩余电能值大于着陆路线的低能损耗值时，此时，表示该着陆路线是可行的，失控无人机从优先级电能损耗值排序表中得到最小的电能损耗值优选为优先着陆路线，利用此方式可以增大安全着陆时的概率值。
进一步地，本发明的一个较佳实施例中，从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息，具体为：
根据失控无人机的体积在所述虚拟场景中检索可用的着陆点；所述可用的着陆点的空间体积大于所述失控无人机的体积，并将该着陆点作为无障碍着陆点，并获得在虚拟场景模型中该无障碍着陆点的三维坐标信息。
图5示出了修正优先着陆路线的方法流程图；
进一步地，本发明的一个较佳实施例中，还包括以下步骤：
S502:获取每一架失控无人机的最优着陆路线；
S504:从所述每一架失控无人机的最优着陆路线中得到每一架失控无人机的着陆点，并将所述失控无人机的着陆点整合到虚拟场景模型中，并检索每个着陆点是否存在重合；
S506:若存在重合，修改其中一架失控无人机的着陆路线，并从所述优先级电能损耗值排序表中提取出下一优先级较高的着陆路线，以作为着陆路线。
需要说明的是，失控无人机可能存在多架，在规划着陆路线时，存在着陆点重合的可能性。因此，当着陆点重合之时，通过修改另一架失控着陆点即可，另一失控无人机按照下一优先级着陆点所对应的着陆路线进行着陆，这样能够避免着陆点重合的情况，避免了着陆时的相互碰撞现象。
此外，本发明还可以包括以下步骤：
通过大数据网络中获取失控无人机所在地理位置的区域行人喜好停留情况；
根据所述区域行人喜好停留情况建立各个区域偏好停留模型；
将各个所述偏好停留模型进行颜色深浅程度标记，颜色越浅代表行人停留的概率越小，以颜色深浅程度进行排序，生成着陆区域优先级排序表，并从中筛选出浅色的偏好停留模型作为着陆区域；
判断优先级电能损耗值排序表中是否存在在该着陆区域内的着陆路线；
若存在，则将该着陆路线的优先级提到最高。
需要说明的是，根据行人的喜好停留情况来进一步选择失控无人机的着陆区域，使得有效地避免了无人机失控形成高空抛物砸伤行人的事件发生。
本发明第二方面提供了一种竞速无人机的轨道智能定位装置，所述装置包括存储器与处理器，所述存储器中包括竞速无人机的轨道智能定位方法程序，所述竞速无人机的轨道智能定位方法程序被所述处理器执行时，实现如下步骤：
获取失控时的无人机的地理位置坐标信息以及体积信息；
根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
根据所述体积信息建立无人机体积三维模型；
将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
从所述多条着陆路线中选出一条最优着陆路线。
需要说明的是，可在无人机中设置定位仪，以便在失控时获取到无人机的当前的地理位置坐标信息，而且在失控的那一个时刻的最新的失控无人机所在的地理位置对应的AR三维场景，失控时的无人机的地理位置坐标信息包括经度、纬度、海拔高度组成的坐标信息，并从地图数据信息中提取出该无人机失控时的地理位置坐标信息所对应的三维地图模型，实际上可以理解为AR三维场景，而且将该经度、纬度、海拔高度组成的坐标信息以及无人机的三维体积模型整合到该AR三维场景中形成组合场景，此时失控无人机按照此场景进行选择着陆路线。
进一步地，本发明的一个较佳实施例中，根据所述地理位置坐标信息得到该地理位置的虚拟场景，并建立虚拟场景模型，具体包括：
通过大数据网络中获取所述地理坐标信息所对应的现实场景，并从所述的现实场景中提取出特征场景；
基于神经网络建立特征场景模型，并将所述特征场景导入所述特征场景模型中训练，得到虚拟场景模型；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值，具体包括：
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息；
基于所述多个无障碍着陆点的三维坐标信息以及所述在所述虚拟场景中的失控无人机的三维坐标信息规划出多条着陆路线；
从所述着陆路线中得到每一条着陆路线需要飞行的路程；
根据所述飞行的路程计算得出每一条着陆路线的电能损耗值。
需要说明的是，其中特征场景为从虚拟场景中提取出历史数据中行人较少的三维场景、能够容纳无人机体积的空间位置、非汽车行驶区域场景等无障碍物三维场景区域，可通过神经网络建立最终的虚拟场景。
需要说明的是，将失控时的无人机所在地理位置信息整合到虚拟场景中后，重新将该地理位置坐标信息装换为在该虚拟场景中的三维坐标信息，从而在虚拟场景中结合无障碍着陆点与三维坐标信息形成一条无人机着陆导航路线，其中在一定程度上将地理位置信息转换为虚拟场景的三维坐标信息变换关系可表示为：
Figure 229433DEST_PATH_IMAGE014
其中x、y、z分别为在虚拟场景中的在三个方向上的坐标值，p为比例因子，r为地球长半径值，A为经度的值，B为纬度的值，H为海拔高度值。
通过以上方式即可将地理位置信息转换为虚拟场景中的三维坐标信息，从而得到无人机在虚拟场景中的三维坐标信息，从而根据三维坐标信息以及无障碍点坐标信息形成一条失控无人机着陆航线，在该过程中需要避开虚拟场景中的障碍物，由于形成的一定路程的无人机航线，其中需要消耗的电能分为两个部分，一个部分为直线飞行时所消耗的电能，另一个部分为避开障碍物所需要消耗的电能值，其中满足：
Figure 134941DEST_PATH_IMAGE002
其中
Figure 651373DEST_PATH_IMAGE003
在该航行路线下所需要消耗总电能，
Figure 695552DEST_PATH_IMAGE004
为在避开障碍物所需要消耗的电能 值，
Figure 172801DEST_PATH_IMAGE005
为直线飞行时需要消耗的电能值。
其中,由于在规避障碍时，航迹可看做是由多个线段首位相连接而成，在避开障碍物所需要消耗的电能值一定程度上满足：
Figure 22945DEST_PATH_IMAGE006
其中，N为障碍点的个数，i为第i个障碍点，
Figure 521447DEST_PATH_IMAGE007
、
Figure 736528DEST_PATH_IMAGE008
、
Figure 560127DEST_PATH_IMAGE009
为第i个个障碍点分布在x、y、z 方向上坐标值，
Figure 89329DEST_PATH_IMAGE010
、
Figure 314774DEST_PATH_IMAGE011
、
Figure 700756DEST_PATH_IMAGE012
分别为在x、y、z方向上直线函数所对应的代表的长度值。
其中无障碍的飞行消耗电能值，可看作是在三个方向上的直线飞行路程的总和，其中满足：
Figure 401864DEST_PATH_IMAGE013
其中，k为着陆路线时的转弯航行点，j为第j个转弯航行点，
Figure 593811DEST_PATH_IMAGE010
、
Figure 549129DEST_PATH_IMAGE011
、
Figure 371591DEST_PATH_IMAGE012
分别为 在x、y、z方向上直线函数的长度值。
需要说明的是，从上述关系式能够最终得到在x、y、z方向上从开始着陆到着陆点所需要消耗的电能值，从而根据这个电能损耗值来得到多个可行的规划路线。
进一步地，本发明的一个较佳实施例中，从所述多条着陆路线中选出一条最优着陆路线，具体包括：
获取失控时的无人机的剩余电能值；
判断所述失控时的无人机的剩余电能值是否大于所述着陆路线的电能损耗值；
若大于，则表明该着陆路线可行，并记录下该着陆路线的电能损耗值，并将该电能损耗值作为第二电能损耗值；
比较所述第二电能损耗值并根据所述第二电能损耗值的大小进行从小到大排序，以获得优先级电能损耗值排序表，并将所述优先级电能损耗排序表中的最小的电能损耗值对应的着陆路线作为优先着陆路线；
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息，具体为：
根据失控无人机的体积在所述虚拟场景中检索可用的着陆点；所述可用的着陆点的空间体积大于所述失控无人机的体积，并将该着陆点作为无障碍着陆点，并获得在虚拟场景模型中该无障碍着陆点的三维坐标信息；
获取每一架失控无人机的最优着陆路线；
从所述每一架失控无人机的最优着陆路线中得到每一架失控无人机的着陆点，并将所述失控无人机的着陆点整合到虚拟场景模型中，并检索每个着陆点是否存在重合；
若存在重合，修改其中一架失控无人机的着陆路线，并从所述优先级电能损耗值排序表中提取出下一优先级较高的着陆路线，以作为着陆路线。
需要说明的是，当失控时的无人机的剩余电能值大于着陆路线的低能损耗值时，此时，表示该着陆路线是可行的，失控无人机从优先级电能损耗值排序表中得到最小的电能损耗值优选为优先着陆路线，利用此方式可以增大安全着陆时的概率值。
需要说明的是，失控无人机可能存在多架，在规划着陆路线时，存在着陆点重合的可能性。因此，当着陆点重合之时，通过修改另一架失控着陆点即可，另一失控无人机按照下一优先级着陆点所对应的着陆路线进行着陆，这样能够避免着陆点重合的情况，避免了着陆时的相互碰撞现象。
此外，本发明还可以包括以下步骤：
通过大数据网络中获取失控无人机所在地理位置的区域行人喜好停留情况；
根据所述区域行人喜好停留情况建立各个区域偏好停留模型；
将各个所述偏好停留模型进行颜色深浅程度标记，颜色越浅代表行人停留的概率越小，以颜色深浅程度进行排序，生成着陆区域优先级排序表，并从中筛选出浅色的偏好停留模型作为着陆区域；
判断优先级电能损耗值排序表中是否存在在该着陆区域内的着陆路线；
若存在，则将该着陆路线的优先级提到最高。
需要说明的是，根据行人的喜好停留情况来进一步选择失控无人机的着陆区域，使得有效地避免了无人机失控形成高空抛物砸伤行人的事件发生。
图6示出了竞速无人机的轨道智能定位设备的模块示意图。
本发明第三方面提供了一种竞速无人机的轨道智能定位设备，所述竞速无人机的轨道智能定位设备包括：
获取模块10，获取失控时的无人机的地理位置坐标信息以及体积信息；
第一模型建立模块20，根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
第二模型建立模块30，根据所述体积信息建立无人机体积三维模型；
第三模型建立模块40，将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
规划模块50，基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
择优模块60，从所述多条着陆路线中选出一条最优着陆路线。
综上所述，本发明通过为失控无人机设置一个着陆方法，能够有效地实现无人机受到电磁波的影响时自身在失去控制后能够自我进行导航，从而寻找最佳的着陆点，这能够有效避免了无人机失控后的自我坠毁现象以及有效避免失控后无人机伤及行人的事件发生，不但保护了失控后的无人机，而且提高了无人机的使用的安全性，又有利于无人机的使用监管。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种竞速无人机的轨道智能定位方法，其特征在于，包括以下步骤：
获取失控时的无人机的地理位置坐标信息以及体积信息；
根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
根据所述体积信息建立无人机体积三维模型；
将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
从所述多条着陆路线中选出一条最优着陆路线。
2.根据权利要求1所述的一种竞速无人机的轨道智能定位方法，其特征在于，根据所述地理位置坐标信息得到该地理位置的虚拟场景，并建立虚拟场景模型，具体包括：
通过大数据网络中获取所述地理坐标信息所对应的现实场景，并从所述的现实场景中提取出特征场景；
基于神经网络建立特征场景模型，并将所述特征场景导入所述特征场景模型中训练，得到虚拟场景模型。
3.根据权利要求1所述的一种竞速无人机的轨道智能定位方法，其特征在于，基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值，具体包括：
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息；
基于所述多个无障碍着陆点的三维坐标信息以及所述在所述虚拟场景中的失控无人机的三维坐标信息规划出多条着陆路线；
从所述着陆路线中得到每一条着陆路线需要飞行的路程；
根据所述飞行的路程计算得出每一条着陆路线的电能损耗值。
4.根据权利要求1所述的一种竞速无人机的轨道智能定位方法，其特征在于，从所述多条着陆路线中选出一条最优着陆路线，具体包括：
获取失控时的无人机的剩余电能值；
判断所述失控时的无人机的剩余电能值是否大于所述着陆路线的电能损耗值；
若大于，则表明该着陆路线可行，并记录下该着陆路线的电能损耗值，并将该电能损耗值作为第二电能损耗值；
比较所述第二电能损耗值并根据所述第二电能损耗值的大小进行从小到大排序，以获得优先级电能损耗值排序表，并将所述优先级电能损耗排序表中的最小的电能损耗值对应的着陆路线作为优先着陆路线。
5.根据权利要求3所述的一种竞速无人机的轨道智能定位方法，其特征在于，从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息，具体为：
根据失控无人机的体积在所述虚拟场景中检索可用的着陆点；所述可用的着陆点的空间体积大于所述失控无人机的体积，并将该着陆点作为无障碍着陆点，并获得在虚拟场景模型中该无障碍着陆点的三维坐标信息。
6.根据权利要求4所述的一种竞速无人机的轨道智能定位方法，其特征在于，还包括以下步骤：
获取每一架失控无人机的最优着陆路线；
从所述每一架失控无人机的最优着陆路线中得到每一架失控无人机的着陆点，并将所述失控无人机的着陆点整合到虚拟场景模型中，并检索每个着陆点是否存在重合；
若存在重合，修改其中一架失控无人机的着陆路线，并从所述优先级电能损耗值排序表中提取出下一优先级较高的着陆路线，以作为着陆路线。
7.一种竞速无人机的轨道智能定位装置，其特征在于，所述装置包括存储器与处理器，所述存储器中包括竞速无人机的轨道智能定位方法程序，所述竞速无人机的轨道智能定位方法程序被所述处理器执行时，实现如下步骤：
获取失控时的无人机的地理位置坐标信息以及体积信息；
根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
根据所述体积信息建立无人机体积三维模型；
将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
从所述多条着陆路线中选出一条最优着陆路线。
8.根据权利要求7所述的一种竞速无人机的轨道智能定位装置，其特征在于，根据所述地理位置坐标信息得到该地理位置的虚拟场景，并建立虚拟场景模型，具体包括：
通过大数据网络中获取所述地理坐标信息所对应的现实场景，并从所述的现实场景中提取出特征场景；
基于神经网络建立特征场景模型，并将所述特征场景导入所述特征场景模型中训练，得到虚拟场景模型；
基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值，具体包括：
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息；
基于所述多个无障碍着陆点的三维坐标信息以及所述在所述虚拟场景中的失控无人机的三维坐标信息规划出多条着陆路线；
从所述着陆路线中得到每一条着陆路线需要飞行的路程；
根据所述飞行的路程计算得出每一条着陆路线的电能损耗值。
9.根据权利要求7所述的一种竞速无人机的轨道智能定位装置，其特征在于，从所述多条着陆路线中选出一条最优着陆路线，具体包括：
获取失控时的无人机的剩余电能值；
判断所述失控时的无人机的剩余电能值是否大于所述着陆路线的电能损耗值；
若大于，则表明该着陆路线可行，并记录下该着陆路线的电能损耗值，并将该电能损耗值作为第二电能损耗值；
比较所述第二电能损耗值并根据所述第二电能损耗值的大小进行从小到大排序，以获得优先级电能损耗值排序表，并将所述优先级电能损耗排序表中的最小的电能损耗值对应的着陆路线作为优先着陆路线；
从所述虚拟场景模型中寻找多个无障碍着陆点，并获取在所述虚拟场景模型中的所述多个无障碍着陆点的三维坐标信息，具体为：
根据失控无人机的体积在所述虚拟场景中检索可用的着陆点；所述可用的着陆点的空间体积大于所述失控无人机的体积，并将该着陆点作为无障碍着陆点，并获得在虚拟场景模型中该无障碍着陆点的三维坐标信息；
获取每一架失控无人机的最优着陆路线；
从所述每一架失控无人机的最优着陆路线中得到每一架失控无人机的着陆点，并将所述失控无人机的着陆点整合到虚拟场景模型中，并检索每个着陆点是否存在重合；
若存在重合，修改其中一架失控无人机的着陆路线，并从所述优先级电能损耗值排序表中提取出下一优先级较高的着陆路线，以作为着陆路线。
10.一种竞速无人机的轨道智能定位设备，其特征在于，所述竞速无人机的轨道智能定位设备包括：
获取模块，获取失控时的无人机的地理位置坐标信息以及体积信息；
第一模型建立模块，根据所述地理位置坐标信息得到该地理位置的视频场景，并建立视频场景模型；
第二模型建立模块，根据所述体积信息建立无人机体积三维模型；
第三模型建立模块，将所述无人机体积三维模型整合到所述视频场景模型中，得到虚拟场景模型，并获得在所述虚拟场景中的失控无人机三维坐标信息；
规划模块，基于所述虚拟场景模型规划出无人机的多条着陆路线，并计算每一条着陆路线的电能损耗值；
择优模块，从所述多条着陆路线中选出一条最优着陆路线。
CN202111252159.9A 2021-10-27 2021-10-27 一种竞速无人机的轨道智能定位方法、装置及设备 Pending CN113870421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111252159.9A CN113870421A (zh) 2021-10-27 2021-10-27 一种竞速无人机的轨道智能定位方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111252159.9A CN113870421A (zh) 2021-10-27 2021-10-27 一种竞速无人机的轨道智能定位方法、装置及设备

Publications (1)

Publication Number Publication Date
CN113870421A true CN113870421A (zh) 2021-12-31

Family

ID=78998226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111252159.9A Pending CN113870421A (zh) 2021-10-27 2021-10-27 一种竞速无人机的轨道智能定位方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113870421A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117170411A (zh) * 2023-11-02 2023-12-05 山东环维游乐设备有限公司 基于视觉辅助的竞速无人机辅助避障方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117170411A (zh) * 2023-11-02 2023-12-05 山东环维游乐设备有限公司 基于视觉辅助的竞速无人机辅助避障方法
CN117170411B (zh) * 2023-11-02 2024-02-02 山东环维游乐设备有限公司 基于视觉辅助的竞速无人机辅助避障方法

Similar Documents

Publication Publication Date Title
US10824169B1 (en) Event-based vehicle operation and event remediation
JP6866203B2 (ja) ドローンナビゲーション装置、ドローンナビゲーション方法、ドローンナビゲーションプログラム、探索用データ形成装置及び探索用データ形成プログラム
US20160284221A1 (en) Route planning for unmanned aerial vehicles
US9520066B2 (en) Determining landing sites for aircraft
CN104797995B (zh) 在发生飞行偶然事件的情况下无人飞行器飞行路径的确定
Um Drones as cyber-physical systems
CN108253987B (zh) 一种基于a*算法的无人机轨迹规划方法、设备及存储设备
WO2009091431A1 (en) Computing flight plans for uavs while routing around obstacles having spatial and temporal dimensions
CN111295627A (zh) 水下领航无人机系统
US20200035030A1 (en) Augmented/virtual mapping system
CN107577241A (zh) 一种基于避障系统的消防无人机航迹规划方法
JP6846253B2 (ja) ドローン用緊急事態対応指示装置、ドローン用緊急事態対応指示方法及びドローン用緊急事態対応指示プログラム
AU2020388371B2 (en) Map including data for routing aerial vehicles during GNSS failure
TWI831911B (zh) 用於操縱地形偵測和迴避的系統、方法及電腦程式產品
KR101840820B1 (ko) 무인 비행체의 3차원 증강 현실 비행 영상을 생성하는 방법 및 서버
US20220343773A1 (en) Updating airspace awareness for unmanned aerial vehicles
CN110720198A (zh) 用于电子围栏的系统和方法
CN107783119A (zh) 应用在避障系统中的决策融合方法
CN113870421A (zh) 一种竞速无人机的轨道智能定位方法、装置及设备
KR102104003B1 (ko) 무인기 통합관제와 임무장비 센서데이터 획득을 이용한 공간정보 빅 데이터 플랫폼 구축 시스템
Swain et al. Evolution of vehicular ad hoc network and flying ad hoc network for real-life applications: Role of vanet and fanet
CN115562335A (zh) 基于3d地图的无人驾驶航空器飞行控制方法、系统和介质
CN116382322A (zh) 一种基于蜂群无人机协同区域搜寻装置和方法
CN114326775B (zh) 基于物联网的无人机系统
CN107393349A (zh) 一种无人机飞行空域超界自动告警方法

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