CN114167892B - 无人机感知规避系统的传感器优化配置方法、设备及介质 - Google Patents

无人机感知规避系统的传感器优化配置方法、设备及介质 Download PDF

Info

Publication number
CN114167892B
CN114167892B CN202111467822.7A CN202111467822A CN114167892B CN 114167892 B CN114167892 B CN 114167892B CN 202111467822 A CN202111467822 A CN 202111467822A CN 114167892 B CN114167892 B CN 114167892B
Authority
CN
China
Prior art keywords
sensor
unmanned aerial
aerial vehicle
collision
feasible
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
Application number
CN202111467822.7A
Other languages
English (en)
Other versions
CN114167892A (zh
Inventor
牛轶峰
马兆伟
姚文臣
贾圣德
吴立珍
王菖
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111467822.7A priority Critical patent/CN114167892B/zh
Publication of CN114167892A publication Critical patent/CN114167892A/zh
Application granted granted Critical
Publication of CN114167892B publication Critical patent/CN114167892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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

无人机感知规避系统的传感器优化配置方法、设备及介质，以无人机平台对传感器的重量、体积和功率的限制为约束条件，选用传感器检测范围和碰撞检测水平两个综合评价指标设计目标函数，构建传感器配置问题的多目标优化数学模型，通过帕累托优化求解从可行解中选择最优的传感器配置方案，确定适用于具体应用场景的最优的传感器组合形式和传感器参数。本发明提出的方法可用于载荷有限的无人机平台感知与规避系统的机载传感器配置。

Description

无人机感知规避系统的传感器优化配置方法、设备及介质
技术领域
本发明属于无人机机载传感器配置技术领域，特别涉及一种无人机感知规避系统的传感器优化配置方法、设备及介质。
背景技术
近些年，无人机的广泛应用对空域资源提出了更多的需求，无人机的运行空间将逐步由隔离空域向融合空域扩展，保证飞行安全是将无人机集成到国家空域管理系统的前提。
感知与规避(Sense and Avoid，SAA)技术是实现无人机自主飞行安全的关键技术，设计无人机感知与规避系统时，如何配置机载感知传感器是无人机实现空域信息获取的重要环节。无人机SAA传感器配置需要考虑的因素主要来自无人机平台、传感器属性、飞行环境、任务类型及需求四个方面，影响因素复杂多样且难以直接进行量化分析，对传感器配置方案的优劣进行评价的指标也有多种选择，如检测范围、虚警率、漏检率、跟踪精度等，传感器配置方案在多个指标间难以同时达到最优。
发明内容
针对无人机自主避障的需求，本发明的目的是提供一种无人机感知规避系统的传感器优化配置方法、装置、飞行器及介质。
为实现上述技术目的，本发明提出的技术方案为：
一方面，本发明提供一种无人机感知规避系统的传感器优化配置方法，包括：
基于无人机平台对传感器的重量、体积和功率的限制约束条件，从现有传感器技术中筛选大量可行传感器配置方案构成可行域；
对于可行域中的各可行传感器配置方案，获取其传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性参数；
根据无人机的机动参数、入侵物的最大飞行速度、本机及入侵物的尺寸，构建二维平面的碰撞检测区；
基于碰撞检测区、传感器的检测距离及视场角构建基于传感器覆盖范围目标函数，计算各可行传感器配置方案对应的第一目标值；
基于传感器的各项状态估计误差和抗干扰性参数，计算各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率；
基于不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率构建基于传感器碰撞检测水平的目标函数，计算各可行传感器配置方案的第二目标值，
各可行传感器配置方案对应的第一目标值和第二目标值构成当各可行传感器配置方案对应的目标向量；
可行域所有可行传感器配置方案对应的目标向量构成可行域的目标向量空间，在可行域的目标向量空间中，从可行域中选择帕累托最优解集，获得该先验信息下的最优的传感器配置方案解集。
本发明另一方面，提供一种无人机感知规避系统的传感器优化配置装置，包括：
第一模块，用于基于无人机平台对传感器的重量、体积和功率的限制为约束条件，从现有传感器技术中筛选大量可行传感器配置方案构成可行域；
第二模块，用于提取可行域中的各可行传感器配置方案中的传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性参数；
第三模块，用于根据无人机的机动参数、入侵物的最大飞行速度、本机及入侵物的尺寸，构建二维平面的碰撞检测区；
第四模块，用于基于传感器的检测距离及视场角构建基于传感器覆盖范围目标函数，计算各可行传感器配置方案对应的第一目标值；
第五模块，用于基于传感器的各项状态估计误差和抗干扰性参数，获得各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率；
第六模块，用于基于不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率构建基于传感器碰撞检测水平的目标函数，计算各可行传感器配置方案的第二目标值，
第七模块，用于提取各可行传感器配置方案对应的第一目标值和第二目标值构成当各可行传感器配置方案对应的目标向量；
第八模块，用于提取可行域所有可行传感器配置方案对应的目标向量构成可行域的目标向量空间，在可行域的目标向量空间中，从可行域中选择帕累托最优解集，获得该先验信息下的最优的传感器配置方案解集。
本发明另一方面，提供一种计算机系统，设有处理器与存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述无人机感知规避系统的传感器优化配置方法的步骤。
本发明另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述无人机感知规避系统的传感器优化配置方法的步骤。
与现有技术相比，本发明的优点在于：
本发明可以解决无人机感知与规避系统机载感知传感器配置问题。以无人机平台对传感器的重量、体积和功率的限制为约束条件，选用传感器检测范围和碰撞检测水平两个综合评价指标设计目标函数，构建传感器配置问题的多目标优化数学模型，基于应用场景的先验信息，通过帕累托优化求解从可行解中选择最优的传感器配置方案，确定适用于具体应用场景的最优的传感器组合形式和传感器参数。
附图说明
图1为本发明一实施例的流程图；
图2为本发明一实施例中碰撞检测区示意图；
图3为本发明一实施例中当前所选可行传感器配置方案在不同方向和距离阈值条件下的PMD和PFA值示意图，(a)为当前所选可行传感器配置方案在不同方向和距离阈值条件下的PFA，(b)为当前所选可行传感器配置方案在不同方向和距离阈值条件下的PMD；
图4为本发明一实施例中某应用场景下的传感器配置方案的帕累托最优解示意图；
图5为本发明一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面将以附图及详细叙述清楚说明本发明所揭示内容的精神，任何所属技术领域技术人员在了解本发明内容的实施例后，当可由本发明内容所教示的技术，加以改变及修饰，其并不脱离本发明内容的精神与范围。本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
参照图1，本发明一实施例中，提供一种无人机感知规避系统的传感器优化配置方法,包括：
(S1)基于无人机平台对传感器的重量、体积和功率的限制约束条件，从现有传感器技术中筛选各种可行传感器配置方案构成可行域；
(S2)对于可行域中的各可行传感器配置方案，提取其传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性参数；
(S3)根据无人机的机动参数、入侵物的最大飞行速度、本机及入侵物的尺寸，构建二维平面的碰撞检测区；
(S4)基于碰撞检测区、传感器的检测距离及视场角构建基于传感器覆盖范围目标函数，计算各可行传感器配置方案对应的第一目标值；
(S5)基于传感器的各项状态估计误差和抗干扰性参数，获得各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率；
(S6)基于不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率构建基于传感器碰撞检测水平的目标函数，计算各可行传感器配置方案的第二目标值，
(S7)各可行传感器配置方案对应的第一目标值和第二目标值构成当各可行传感器配置方案对应的目标向量；
(S8)可行域所有可行传感器配置方案对应的目标向量构成可行域的目标向量空间，在可行域的目标向量空间中，从可行域中选择帕累托最优解集，获得该先验信息下的最优的传感器配置方案解集。
在本发明中，入侵物可以是任何空中飞行物体，包括但不限于无人机。
在本发明中，依据无人机平台为感知与规避(Sense and Avoid，SAA)系统分配的传感器的重量、体积和功率(Size、Weight andPower,SWAP)的限制约束条件上限，从现有传感器技术中选择可行传感器配置方案，传感器配置方案包括传感器种类和各项传感器参数，形成多目标优化的可行域。
碰撞检测区分为对威胁不可忽略入侵物的最小检测区域以及达到一定预警时间的远距离避撞的最远检测区域。
计算无人机和入侵物冲突最剧烈的情况下，无人机在二维平面内且在本机机动性能的允许下在各个方向恰好能够躲避入侵物的最小探测距离，进而得到二维平面内各个方向的最小探测距离所构成的对入侵物的最小检测区域，最小检测区域的边界即碰撞检测区的内边界。
通过增大从探测到入侵物到无人机开始作出机动的响应时间tc，获得达到一定预警时间的最远检测区域的外边界。这样给系统预留一定的响应时间采取更加平缓的机动动作。
其中计算最小探测距离时：入侵物的速度取其最大飞行速度，无人机在其最小转弯半径的约束下进行协同转弯机动以躲避入侵物。对不同入侵物运动方向及无人机在二维平面内进行协同转弯机动时的避碰过程进行仿真，当不同参数下无人机和入侵物最接近点距离的最小值与安全距离阈值相等时，通过计算对应参数条件下的初始检测距离确定该方向的最小探测距离。
本发明一实施例中，通过以下公式，计算无人机在二维平面内进行协同转弯机动时其最小转弯半径；
其中：v0为无人机飞行速度，φ为倾斜角，φmax为倾斜角的最大值，ωmax为最大转弯角速度，g为重力加速度。
本发明所述安全距离阈值即无人机和入侵物在没有物理接触时的安全距离阈值。本发明一实施例中，通过以下公式，计算无人机和入侵物在没有物理接触时的安全距离阈值：
基于无人机尺寸、距离检测误差以及入侵物的最大尺寸，计算无人机和入侵物在没有物理接触时的安全距离阈值；
Rs＝Lo+Li+σdection+c
其中Lo为无人机尺寸，σdetection为距离检测误差，Li为入侵物的最大尺寸，c为预设的较小安全余量。
无人机与入侵物的避碰过程分为两部分，第一部分无人机是从检测到入侵物到无人机开始作出机动的响应时间内，无人机按原先的轨迹进行运动，第二部分是无人机进行本机协同转弯机动以躲避入侵物。
本发明一实施例中，通过以下方法判断无人机与入侵物是否达到最接近点：
无人机和入侵物轨迹达到最接近点位置时，两者相对位置与相对速度所满足如下关系：
其中vi为入侵物的最大飞行速度，po为无人机和入侵物轨迹达到最接近点位置时无人机的位置，pi为无人机和入侵物轨迹达到最接近点位置时入侵物的位置。当无人机与入侵物在最接近点的距离小于安全距离阈值Rs时，则视为发生碰撞。
本发明(S4)中基于传感器的检测距离及视场角构建基于传感器覆盖范围目标函数。构建基于传感器覆盖范围目标函数的原则有：
1)最小检测区域内会出现无法躲避入侵物的情形，因此传感器的感知范围要覆盖最小检测区域，难以覆盖的部分应包含较大的惩罚项；
2)对于超出最小检测区域的部分，由于其增加了系统的机动时间，故应设置奖励，但随着超出部分的增多，奖励的成本应越来越低，因为随着响应时间的增大，获得的收益越来越小，按照一般的规避算法只有达到一定的临界条件才会做出机动规避。长距离避碰的最远检测区域可以通过增大响应时间tc获得，而超出最远检测区域的可能发生的碰撞则不视作威胁。
本发明一具体实施例中，所构建的基于传感器覆盖范围目标函数，如下：
其中，Range、Azimuth、Vuav、Vobs、tc、Rs、φmax分别表示传感器检测距离、传感器视场角、无人机速度、入侵物速度、无人机从探测到入侵物到无人机开始作出机动的响应时间、安全距离阈值、无人机倾斜角的最大值，Ssensor表示传感器覆盖的面积，SE表示碰撞检测区的面积，Scpa表示最小检测区域的面积，S'sensor表示传感器覆盖的最小检测区域的面积，表示传感器在最小检测区域内未覆盖到的区域，Lθ,E表示碰撞检测区θ方向上的最大探测距离，Lθ,cpa表示最小检测区域θ方向上的最小探测距离，rθ表示θ方向上的传感器检测距离。由于会造成部分碰撞不能提前检测而进入不可规避区，增加碰撞风险，因此权重c的值一般大于1，作为惩罚项，表明覆盖最小检测区域获得的收益比单纯的增加探测距离收益更大。
本发明(S5)中基于传感器的各项状态估计误差和抗干扰性参数，计算各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率PMD和实际未发生碰撞但误检到碰撞的概率PFA；
PMD＝PFT(track loss|dcpa≤dcpa,th)+(1-PFT)P(dcpa,est＞dcpa,th|dcpa≤dcpa,th)
PFA＝P(dcpa,est＜dcpa,th|dcpa＞dcpa,th)
其中：dcpa表示无人机和入侵物两者轨迹的最接近点的实际距离，dcpa_th表示无人机和入侵物两者轨迹的最接近点的测量距离，dcpa_th为设定的阈值，trackloss表示未跟踪到入侵物，PFT表示碰撞的漏检率，包括由传感器的稳定跟踪距离及标准差(μr,ft,σr,ft)而导致冲突漏检的概率以及由环境中的干扰而导致的漏检概率。
其中Vrel表示入侵物相对于无人机的速度，r表示入侵物相对无人机的距离。
关于传感器检测和跟踪误差的参数有：距离误差σr，角度误差速度大小及方向误差σv、/>稳定跟踪的距离及标准差μr,ft、σr,ft。
各项误差的大小与传感器的原始数据精度、数据的检测频率、传感器对目标的检测特性以及配套算法成熟度相关，这些因素的影响难以直接进行量化，可以通过各项误差对于碰撞预测的影响来综合衡量各因素的作用。各个环节误差的存在会对基于当前状态预测的dcpa产生偏移，从而对碰撞的发生造成漏检或误检，带来额外的机动成本。
当传感器稳定跟踪目标的范围不足以满足避碰需求时，会存在一定概率导致传感器未能检测到目标从而导致可能的碰撞漏检。由传感器的稳定跟踪距离及标准差(μr,ft,σr,ft)而导致冲突漏检的概率为：
Pr,ft＝1-cdf(r′)
其中r’为传感器碰撞检测所需的检测距离。另外任务环境中会存在强光、弱光、雾霾等干扰，不同的传感器由于其物理特性具有不同程度的抗干扰性。由环境中的干扰而导致的漏检概率记为Pi,ft。
本发明一实施例中，基于传感器碰撞检测水平的目标函数为：
其中，ave()表示对括号中的项取平均值，FOV表示传感器的视场角，为对视场角FOV积分时所对应的积分变量。
综合基于传感器碰撞检测水平的目标函数，基于传感器覆盖范围目标函数，并以无人机平台的载荷限制为约束条件，构建传感器配置问题的多目标优化数学模型，并通过帕累托优化求解获得先验信息下的最优的传感器配置方案解集，包括最优的传感器组合形式和传感器参数。
构建传感器配置问题的多目标优化数学模型描述如下：
min Z1＝f(Range,Azimuth,Vuav,Vobs,tc,Rs,Φmax)
min Z2＝ave(PMD+PFA)
s.t.Sensor(SWAP)-UAV(SWAP)≤0
其中Sensor(SWAP)为传感器配置方案中的各类传感器的重量、体积和功率。UAV(SWAP)为无人机平台为感知与规避系统分配的传感器的重量、体积和功率(Size、Weightand Power,SWAP)的限制约束条件。
基于具体应用场景的先验信息，包括无人机平台载荷约束、无人机平台机动性能、入侵物种类、入侵物尺寸、入侵物最大速度以及飞行环境中的干扰，获得可行的传感器配置方案对应的目标向量(Z1，Z2)，在可行域的目标向量空间中通过帕累托优化求解获得传感器配置问题的帕累托最优解，最终得到该应用场景的先验信息下最优的传感器配置方案解集，包括最优的传感器组合形式和传感器参数，多目标优化问题会存在多个帕累托最优解构成帕累托前沿。
下面对本发明无人机感知规避系统的传感器优化配置方法进行仿真验证：
步骤1：基于无人机平台的SWAP约束，从现有传感器技术中筛选各种可行传感器配置方案构成可行域。
步骤2：从可行域中选择一个可行传感器配置方案，获取其传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性。
步骤3：根据本无人机的机动参数、入侵物的最大飞行速度、本无人机及入侵物的尺寸，计算二维平面的碰撞检测区，如图2所示。
步骤4：在所构建的基于传感器覆盖范围目标函数中，输入当前所选可行传感器配置方案中的传感器的检测距离及视场角，计算该可行传感器配置方案的第一目标值Z1。
步骤5：基于当前所选可行传感器配置方案中传感器的各项状态估计误差和抗干扰性参数，获得当前所选可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率即PMD和PFA，如图3所示，其中(a)为当前所选可行传感器配置方案在不同方向和距离阈值条件下的PFA，(b)为当前所选可行传感器配置方案在不同方向和距离阈值条件下的PMD。
步骤6：根据所构建的基于传感器碰撞检测水平的目标函数，计算当前所选可行传感器配置方案的第二目标值Z2。
步骤7：从可行域中选择一个新的可行传感器配置方案，重复步骤(3)～步骤(5)的过程，直至得到可行域中所有可行传感器配置方案的目标向量(Z1,Z2)。
步骤8：在目标向量空间中，从可行域中选择帕累托最优解集，获得该先验信息下的最优的传感器配置方案解集，如图4所示。
在一个实施例中，提供一种无人机感知规避系统的传感器优化配置装置，包括：
第一模块，用于基于无人机平台对传感器的重量、体积和功率的限制为约束条件，从现有传感器技术中筛选大量可行传感器配置方案构成可行域；
第二模块，用于提取可行域中的各可行传感器配置方案中的传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性参数；
第三模块，用于根据无人机的机动参数、入侵物的最大飞行速度、本机及入侵物的尺寸，构建二维平面的碰撞检测区；
第四模块，用于基于传感器的检测距离及视场角构建基于传感器覆盖范围目标函数，计算各可行传感器配置方案对应的第一目标值；
第五模块，用于基于传感器的各项状态估计误差和抗干扰性参数，获得各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率；
第六模块，用于基于不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率构建基于传感器碰撞检测水平的目标函数，计算各可行传感器配置方案的第二目标值，
第七模块，用于提取各可行传感器配置方案对应的第一目标值和第二目标值构成当各可行传感器配置方案对应的目标向量；
第八模块，用于提取可行域所有可行传感器配置方案对应的目标向量构成可行域的目标向量空间，在可行域的目标向量空间中，从可行域中选择帕累托最优解集，获得该先验信息下的最优的传感器配置方案解集。
上述各模块功能的实现方法，可以采用前述各实施例中相同的方法实现，在此不再赘述。
在本实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述无人机感知规避系统的传感器优化配置方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中无人机感知规避系统的传感器优化配置方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中无人机感知规避系统的传感器优化配置方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.无人机感知规避系统的传感器优化配置方法，其特征在于，包括：
基于无人机平台对传感器的重量、体积和功率的限制为约束条件，从现有传感器技术中筛选大量可行传感器配置方案构成可行域；
对于可行域中的各可行传感器配置方案，获取其传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性参数；
根据无人机的机动参数、入侵物的最大飞行速度、本机及入侵物的尺寸，构建二维平面的碰撞检测区；
基于碰撞检测区、传感器的检测距离及视场角构建基于传感器覆盖范围目标函数，计算各可行传感器配置方案对应的第一目标值；
基于传感器的各项状态估计误差和抗干扰性参数，获得各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率；
基于不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率构建基于传感器碰撞检测水平的目标函数，计算各可行传感器配置方案的第二目标值，
各可行传感器配置方案对应的第一目标值和第二目标值构成当各可行传感器配置方案对应的目标向量；
可行域所有可行传感器配置方案对应的目标向量构成可行域的目标向量空间，在可行域的目标向量空间中，从可行域中选择帕累托最优解集。
2.根据权利要求1所述的无人机感知规避系统的传感器优化配置方法，其特征在于，碰撞检测区包括对入侵物的最小检测区域以及达到一定预警时间的远距离避撞的最远检测区域。
3.根据权利要求2所述的无人机感知规避系统的传感器优化配置方法，其特征在于，计算无人机在二维平面内且在本机机动性能的允许下在各个方向恰好能够躲避入侵物的最小探测距离，进而得到二维平面内各个方向的最小探测距离所构成的对入侵物的最小检测区域，进而确定碰撞检测区的内边界。
4.根据权利要求3所述的无人机感知规避系统的传感器优化配置方法，其特征在于，计算最小探测距离时，入侵物的速度取其最大飞行速度，无人机在其最小转弯半径的约束下进行协同转弯机动以躲避入侵物；对不同入侵物运动方向及无人机在二维平面内进行协同转弯机动时的避碰过程进行仿真，当不同参数下无人机和入侵物最接近点距离的最小值与安全距离阈值相等时，通过计算对应参数条件下的初始检测距离确定该方向的最小探测距离。
5.根据权利要求2至4中任一项所述的无人机感知规避系统的传感器优化配置方法，其特征在于，通过增大从探测到入侵物到无人机开始作出机动的响应时间tc，获得达到一定预警时间的最远检测区域的外边界。
6.根据权利要求5所述的无人机感知规避系统的传感器优化配置方法，其特征在于，所构建的基于传感器覆盖范围目标函数，如下：
其中，Range、Azimuth、Vuav、Vobs、tc、Rs、φmax分别表示传感器检测距离、传感器视场角、无人机速度、入侵物速度、无人机从探测到入侵物到无人机开始作出机动的响应时间、无人机和入侵物在没有物理接触时的安全距离阈值、无人机倾斜角的最大值，Ssensor表示传感器覆盖的面积，SE表示碰撞检测区的面积，Scpa表示最小检测区域的面积，S'sensor表示传感器覆盖的最小检测区域的面积， 表示传感器在最小检测区域内未覆盖到的区域，Lθ,E表示碰撞检测区θ方向上的最大探测距离，Lθ,cpa表示最小检测区域θ方向上的最小探测距离，rθ表示θ方向上的传感器检测距离，权重c大于1。
7.根据权利要求6所述的无人机感知规避系统的传感器优化配置方法，其特征在于，基于传感器碰撞检测水平的目标函数为：
其中，PMD和PFA分别表示可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率，ave()表示对括号中的项取平均值，FOV表示传感器的视场角，dcpa表示无人机和入侵物两者轨迹的最接近点的实际距离，dcpa_th表示无人机和入侵物两者轨迹的最接近点的测量距离，dcpa_th为设定的阈值，为对视场角FOV积分时所对应的积分变量。
8.无人机感知规避系统的传感器优化配置装置，其特征在于，包括：
第一模块，用于基于无人机平台对传感器的重量、体积和功率的限制为约束条件，从现有传感器技术中筛选大量可行传感器配置方案构成可行域；
第二模块，用于提取可行域中的各可行传感器配置方案中的传感器种类及各项参数，包含传感器检测距离、视场角、状态估计误差、抗干扰性参数；
第三模块，用于根据无人机的机动参数、入侵物的最大飞行速度、本机及入侵物的尺寸，构建二维平面的碰撞检测区；
第四模块，用于基于碰撞检测区、传感器的检测距离及视场角构建基于传感器覆盖范围目标函数，计算各可行传感器配置方案对应的第一目标值；
第五模块，用于基于传感器的各项状态估计误差和抗干扰性参数，获得各可行传感器配置方案在不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率；
第六模块，用于基于不同方向和距离阈值条件下的实际发生碰撞但未检测到碰撞的概率和实际未发生碰撞但误检到碰撞的概率构建基于传感器碰撞检测水平的目标函数，计算各可行传感器配置方案的第二目标值，
第七模块，用于提取各可行传感器配置方案对应的第一目标值和第二目标值构成当各可行传感器配置方案对应的目标向量；
第八模块，用于提取可行域所有可行传感器配置方案对应的目标向量构成可行域的目标向量空间，在可行域的目标向量空间中，从可行域中选择帕累托最优解集。
9.一种计算机系统，设有处理器与存储器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述无人机感知规避系统的传感器优化配置方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1所述无人机感知规避系统的传感器优化配置方法的步骤。
CN202111467822.7A 2021-12-02 2021-12-02 无人机感知规避系统的传感器优化配置方法、设备及介质 Active CN114167892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111467822.7A CN114167892B (zh) 2021-12-02 2021-12-02 无人机感知规避系统的传感器优化配置方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111467822.7A CN114167892B (zh) 2021-12-02 2021-12-02 无人机感知规避系统的传感器优化配置方法、设备及介质

Publications (2)

Publication Number Publication Date
CN114167892A CN114167892A (zh) 2022-03-11
CN114167892B true CN114167892B (zh) 2024-05-31

Family

ID=80482835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111467822.7A Active CN114167892B (zh) 2021-12-02 2021-12-02 无人机感知规避系统的传感器优化配置方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114167892B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970648A (zh) * 2017-04-19 2017-07-21 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法
CN110188689A (zh) * 2019-05-30 2019-08-30 重庆大学 基于真实场景建模的虚拟驾驶目标碰撞检测方法
CN111177851A (zh) * 2019-12-27 2020-05-19 北航（四川）西部国际创新港科技有限公司 一种无人机运行安全风险评估中对地风险的评估方法
CN112198901A (zh) * 2020-05-14 2021-01-08 北京航空航天大学 一种基于三维动态碰撞区的无人机自主避撞决策方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL179678A0 (en) * 2006-11-28 2008-01-20 Israel Aerospace Ind Ltd Airport anti-collision system and method
US10679511B2 (en) * 2016-09-30 2020-06-09 Sony Interactive Entertainment Inc. Collision detection and avoidance

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970648A (zh) * 2017-04-19 2017-07-21 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法
CN110188689A (zh) * 2019-05-30 2019-08-30 重庆大学 基于真实场景建模的虚拟驾驶目标碰撞检测方法
CN111177851A (zh) * 2019-12-27 2020-05-19 北航（四川）西部国际创新港科技有限公司 一种无人机运行安全风险评估中对地风险的评估方法
CN112198901A (zh) * 2020-05-14 2021-01-08 北京航空航天大学 一种基于三维动态碰撞区的无人机自主避撞决策方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无人机规避或跟踪空中目标的自适应运动导引方法;牛轶峰;凌黎华;;国防科技大学学报;20170828(第04期);全文 *

Also Published As

Publication number Publication date
CN114167892A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN109212521B (zh) 一种基于前视相机与毫米波雷达融合的目标跟踪方法
CN106970648B (zh) 城市低空环境下无人机多目标路径规划联合搜索方法
CN1940591B (zh) 使用传感器融合进行目标跟踪的系统和方法
US20190025858A1 (en) Flight control using computer vision
CN107076848B (zh) 用于生成周围环境地图的方法，和驾驶员辅助系统
CN103116688B (zh) 用于机载航电系统的多源异类传感器目标航迹关联方法
CN112585553A (zh) 用于可移动平台的控制方法、可移动平台、设备和存储介质
Khazraei et al. Learning-based vulnerability analysis of cyber-physical systems
Shakernia et al. Passive ranging for UAV sense and avoid applications
Khazraei et al. Resiliency of perception-based controllers against attacks
CN110781634B (zh) 一种基于路径积分的飞机尾流环量反演方法和装置
Vitiello et al. Detection and tracking of non-cooperative flying obstacles using low SWaP radar and optical sensors: an experimental analysis
Ajakwe et al. Tractable minacious drones aerial recognition and safe-channel neutralization scheme for mission critical operations
CN114167892B (zh) 无人机感知规避系统的传感器优化配置方法、设备及介质
CN114782484A (zh) 一种针对检测丢失、关联失败的多目标跟踪方法及系统
CN117522922A (zh) 环境自适应感知的目标跟踪方法、系统及设备
Wu et al. Autonomous route planning for UAV when threats are uncertain
Yan et al. Clustering statistic Hough transform based estimation method for motion elements of multiple underwater targets
McWilliams et al. Performance analysis of a target detection system using infrared imagery
CN116953692A (zh) 一种主动雷达和被动雷达协同跟踪下的航迹关联方法
Glozman et al. A vision-based solution to estimating time to closest point of approach for sense and avoid
JP3199623B2 (ja) 目標追尾方法およびその方法を用いたレーダ装置
CN117061570B (zh) 一种基于多传感器的目标识别态势感知系统及方法
CN114371736B (zh) 一种面向无人机daa的告警及引导方法和装置
Kang Development of a Peripheral-Central Vision System to Detect and Characterize Airborne Threats

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