CN114185364B - 一种基于激光雷达的无人机自主式辅助降落方法及系统 - Google Patents

Abstract

本发明公开一种基于激光雷达的无人机自主式辅助降落方法及系统，属于无人机降落领域。针对现有无人机降落成本高且精度差的问题，本发明提供一种基于激光雷达的无人机自主式辅助降落方法，包括以下步骤：接收无人机上的激光雷达发送的原始激光数据，并对其进行预处理；对预处理后的激光数据采用降落点定位算法计算；对步骤S2中的结果进行运算得到设计路径，供无人机降落。本发明通过对无人机机体上的激光数据进行一系列的处理最终得到适于无人机降落的路径规划，无需为降落平台配备额外的定位通讯设备，也不需要人为干预，极大的节约了人工与金钱成本；同时采用降落点定位算法计算，降低对定位通讯设备的依赖性，从而保证无人机降落稳定的精确性。

Description

一种基于激光雷达的无人机自主式辅助降落方法及系统

技术领域

本发明属于无人机降落技术领域，更具体地说，涉及一种基于激光雷达的无人机自主式辅助降落方法及系统。

背景技术

目前，随着无人机技术的推广和普及，在众多领域中无人机均得到了广泛的应用。尤其是在环境观测、物资运输等任务方面越发凸显其经济实用，轻量方便等优势，而无人机降落是完成此类任务目标的重要一环。传统的小型无人机多采用远程遥控，其降落也依托人工实现，且其工作半径受限于可控制半径，因此在一部分较远工况下不具备可用性。中大型无人机配备有感知和导航控制等系统，其遥控半径通常可达几公里，在落台即降落平台附近通过人工介入进行半自动化对接来完成准确降落，人工参与的辅助降落额外增加人力成本，且整体系统降落的准确性得不到充分的保障，易导致任务失败，存在较大的风险。而不采用遥控方式的无人机，其除过机载负荷与能源等限制外，基本可脱离遥控半径的约束，当机体工作时，其起飞降落过程对环境感知则提出了更高的要求，一般都会与落台进行通讯定位后降落，但是此种非人工参与时，基于部分恶劣环境或通信被干扰的工况，无人机对接落台的感知系统会受到严重影响而难以找到准确的降落点，其失败风险较高。除此之外，当机体高速运动时，感知系统响应速度滞后于环境更新速度，实时性太差导致位姿结果不可用从而任务失败；且常见的GPS等定位传感器信息精度不够高，通常难以保证稳定的准确性，尤其在无人机群集行动或需要精准降落点降落时其性能精度不高，导致其结果可信度低，降落失败。

针对上述问题也进行了相应的改进，如中国专利申请号CN202110143081.0，公开日为2021年6月8日，该专利公开了一种智能巡检无人机降落系统及降落方法，涉及电力巡检技术领域，解决了无人机进行电力巡检中，降落系统存在较大误差，精度难以满足降落需求的技术问题。该降落系统包括地面视觉标志、处理模块、可见光导航设备、红外导航设备和卫星导航设备；地面视觉标志由多个圆形和正方形组合构成，并对圆形、正方形填充黑色或白色，且设置有加热部；卫星导航设备能够对无人机的降落位置进行预定位；可见光导航设备能够获取地面视觉标志的可见光图像，红外导航设备能够获取地面视觉标志的红外图像；处理模块能够对可见光图像、红外图像进行处理。该专利的不足之处在于：虽相比GPS等定位器而言提高了一定的精准性，但整体系统的鲁棒性较差，同时通讯设备较多增加了成本。

又如中国专利申请号CN202110310823.4，公开日为2021年7月13日，该专利公开了一种基于机器视觉的无人机辅助降落平台及其降落方法，包括承载底座、驱动导轨、滑块、导向板、投影灯、分划板、监控摄像头、主引导灯、辅助引导灯及驱动电路，分划板嵌于承载底座上端面，投影灯嵌于承载底座内，驱动导轨包覆在承载底座外，导向板后端面与滑块前端面铰接，滑块后端面与驱动滑轨滑动连接，导向板前端面设监控摄像头，上端面设辅助引导灯，主引导灯嵌于承载底座上端，驱动电路嵌于承载底座内。其使用方法包括系统预制及降落导引等两个步骤。该专利的不足之处在于：降落平台的结构复杂，需借助多个部件完成对无人机的辅助降落，整体成本高且易受到外界环境干扰导致无人机降落不准确。

发明内容

1、要解决的问题

针对现有无人机降落成本高且精度差的问题，本发明提供一种基于激光雷达的无人机自主式辅助降落方法及系统。本发明的方法通过对无人机机体上的激光数据进行一些列的处理最终得到适于无人机降落的路径规划，无需为降落平台配备额外的定位通讯设备，也不需要人为干预，极大的节约了人工与金钱成本；同时采用降落点定位算法计算，降低对定位通讯设备的依赖性，从而保证无人机降落稳定的精确性。本发明的系统鲁棒性和抗干扰能力较强，构成简单，工作效率高。

2、技术方案

为解决上述问题，本发明采用如下的技术方案。

一种基于激光雷达的无人机自主式辅助降落方法，包括以下步骤：

S1：接收无人机上的激光雷达发送的原始激光数据，并对其进行预处理剔除异常值；

S2：对剔除异常值后的激光数据采用降落点定位算法计算，降落点定位算法具体包括如下步骤：

S21：对激光数据进行粗提取，根据激光与可降落平台距离的远近判断，若距离远则直接输出粗提取结果；若距离近，则粗提取结果进入步骤S22；若没有输出粗提取结果时，则进入步骤S23；

S22：对粗提取过后的激光数据进行细分割，输出细分割结果，随后进入到步骤S3；

S23：根据激光视域范围内可降落平台点云信息的判断，若没有可降落平台点云信息则输出无降落点结果，随后进入到步骤S3；若可降落平台点云信息不全则通过直接寻求平面上的挂钩特征进行提取，输出结果随后进入到步骤S3；

S3：对步骤S2中的结果进行运算得到设计路径，供无人机降落。

更进一步的，所述步骤S21包括如下步骤：

S211：在保持原始点云的几何结构特征的基础上，降低点云数据量，得到稀疏点云；

S212：将稀疏点云进行分层；

S213：分层后获取地面点云、可降落平台点云与其他点云；

S214：依据获取的可降落平台点云，输出可降落平台的中心位姿结果。

更进一步的，所述步骤S211中通过下采样的方法获取稀疏点云；步骤S212中通过平面模型的拟合方法将稀疏点云进行分层；步骤S213中通过聚类方法获取地面点云、可降落平台点云与其他点云。

更进一步的，步骤S22包括如下步骤：

S221：将可降落平台的中心位姿结果在原点云中进行部分映射；

S222：截取少量稠密点云后，将原点云平台上对应的挂钩点云通过特征分割进行分离；

S223：提取分离出来的挂钩点云后对其进行聚类，输出挂钩点云的中心位姿。

更进一步的，步骤S23中直接寻求平面上的挂钩特征进行提取的具体步骤为：

S231：根据经验对点云划分感兴趣空间；

S232：在所述感兴趣空间中进行平面模型拟合；

S233：拟合后寻找相对平面点云的挂钩特征，如有将其进行验证后输出结果；如果没有，将直接输出无降落点信息。

更进一步的，所述步骤S233中验证步骤具体如下：将当前数据与前若干帧数据进行相邻帧数据的差值计算，若差值大于设定值则验证失败，输出无降落点信息；若差值小于设定值则验证成功，输出结果。

更进一步的，所述验证步骤中还包括设定比设定值小的临界值，当差值介于临界值与设定值之间时，控制无人机悬停继续等到直至差值小于临界值时，输出结果。

一种使用如上述任一项所述的基于激光雷达的无人机自主式辅助降落方法的系统，包括：

输入模块：用于接收无人机上的激光雷达发送的原始激光数据；

激光数据预处理模块：用于将接收模块中的原始激光数据进行预处理；

降落点定位算法模块：用于将激光数据预处理模块中的激光数据进行处理分析得到降落点信息；

规划与导航算法模块：用于将降落点定位算法模块中的降落点信息进行路径设计与跟踪，生成供无人机降落的路径；

输出模块：用于将规划与导航模块中的路径进行输出。

更进一步的，规划与导航模块内采用D*算法进行路径设计与跟踪。

3、有益效果

相比于现有技术，本发明的有益效果为：

(1)本发明通过接收无人机机体上激光雷达的数据，对数据进行一些列的处理最终得到适于无人机降落的路径规划，无需为降落平台配备额外的定位通讯设备，也不需要非异常状态下的人为干预，极大的节约了人工与金钱成本，提高了工作效率；同时通过对剔除异常值的激光数据采用降落点定位算法计算，该算法包含三层逻辑，使其落点识别精度高于GPS定位传感器，并且充分考虑到无人机面临情况的全面性，降低对定位通讯设备的依赖性，从而保证无人机降落稳定的精确性；整个方法实施简单，实时性强，为实现无人机精准降落提高了强有力的支撑与保证；

(2)本发明在粗提取过程中采用下采样的方法在保持原始点云的几何结构特征的基础上，降低点云数量，获得稀疏点云，有效提高数据实时处理的能力；采用平面模型的拟合方法进行分层，随后又通过聚类方法进行不同位置点云的获取，保证参数选取的准确率以及精准率，使粗提取最终输出的降落平台中心点位姿结果可靠；细分割建立在粗提取的结果上，通过细分割能够输出精确的降落平台的降落挂钩点位姿，进一步保证无人机降落的准确性；

(3)本发明降落点定位算法中通过判断激光视域范围内有无降落平台点云信息，且判断降落平台点云信息是否完整做出相对应的结果输出，不同的情况对应不同的结果输出，保证整个运算过程的准确性，同时能够应对无人机处于的各种状态，提高了该无人机自主式辅助降落的适用性，应用范围广；

(4)本发明的系统各模块之间独立工作的同时又相互依赖，组成简单，工作效率高；且整个系统在环境恶劣或通信被干扰的情况下能够照常工作，具有较高的鲁棒性和抗干扰能力；为无人机的降落尤其是无人机在集群行动或需要精准落点降落提供了较高可信度的结果，保证无人机降落的安全和准确性能，继而保证无人机任务执行的顺利。

附图说明

图1为本发明的系统结构示意图。

具体实施方式

下面结合具体实施例和附图对本发明进一步进行描述。

实施例1

如图1所示，一种基于激光雷达的无人机自主式辅助降落方法，包括以下步骤：

S1：接收无人机上的激光雷达发送的原始激光数据，并对其进行预处理剔除异常值；在这进行说明的是，所述异常值即为：(1)NAN(Not a number)数据，该数据由于激光的固有特性造成，会使得某一点的某一方向上产生非数值的结果，此结果无法使用；(2)INF(infinity)数据，该结果由于数据进行预处理后，其中的坐标转换部分可能造成数据转换后出现无穷值，此结果无法使用；(3)接近激光原点附近的0值数据，激光硬件会返回部分映射在自身的点数据，该数据对于后续算法没有作用，却占据部分体量，因此需要剔除；对原始激光数据进行异常值的剔除，方便后续算法的运算同时提高运算效率，避免对无谓的数据进行运算耽误时间以及资源浪费；具体的剔除方法即以点各轴向数值小于0.05进行筛选，符合要求时将会被在进入后续算法时被忽略；

S2：对剔除异常值后的激光数据采用降落点定位算法计算，降落点定位算法具体包括如下步骤：

S21：对激光数据进行远端粗提取，根据激光与可降落平台距离的远近判断，若距离远则直接输出粗提取结果；若距离近，则粗提取结果进入步骤S22；若没有输出粗提取结果时，则进入步骤S23；在此步骤中，进行如下定义：当激光与可降落平台间的距离超过100m时，为极远；当激光与可降落平台间的距离为50-100m时，为距离远；当激光与可降落平台间的距离为10-50m时，为距离近；当激光与可降落平台间的距离为2-10m时，为降落。因此，当激光数据进入到粗提取阶段时，根据粗提取结果判断是否满足距离近的区间，如满足，则将粗提取结果进入到步骤S22，如果不满足，直接输出当前的粗提取结果，当输出当前粗提取结果后，随着无人机向降落平台的不断靠近，不断对不同的激光数据进行粗提取，循环进行对粗提取结果的判断，直至其达到近距离标准后进入到步骤S22；且该远端粗提取的具体步骤包括如下步骤：

S211：在保持原始点云的几何结构特征的基础上，使用下采样的方法降低点云数据量，得到稀疏点云，提高数据实时处理的能力，继而提高计算效率；几何结构特征即是指采取点云下采样的方式不会破坏原有点云的特征特性，譬如环境中的平面点、角点、杆件目标等；在该步骤中原始点云即为剔除异常值后的激光数据形成的点云；

S212：将稀疏点云采用平面模型的拟合方法进行分层，具体的，该步骤中的平面模型的拟合方法可采用RANSAC算法，保证分层的准确性；

S213：分层后使用聚类方法获取地面点云、可降落平台点云与其他点云，保证参数选取的准确率以及精准率；

S214：依据获取的可降落平台点云，输出可降落平台的中心位姿结果，所述可降落平台的中心位姿结果即为远端粗提取的输出结果。

S22：对粗提取过后的激光数据进行细分割，输出细分割结果，随后进入到步骤S3；其具体步骤如下：S221：将可降落平台的中心位姿结果在原点云中进行部分映射；在这进行说明的是，此处的部分映射指的是以该粗提取中心位姿结果为原点，半径为R，在原始点云中进行映射，经处在半径R的球体内的点进行分割保留并后续求解，半径R值的选取与预计降落平台的尺寸有关，可视具体情况而定，在本实施例中R值可取5m；S222：截取少量稠密点云后，将原点云平台上对应的挂钩点云通过特征分割进行分离；在这进行说明的是，此处的少量稠密点云即为分割截取的点云体量小，计算时不影响算法的实时速度。因空间中的激光点云均匀返回，少量点云是处在R球体内的，激光视域范围较广通常在百米以上，而R球体相对于视域范围较小，因此从空间中截图出R球体，可以近似认为R球体积比空间体积，此处的稠密是相对于粗提取中降采样进行对比的，因为降采样会将点云的量进行稀疏，而该步骤中使用的是原始点云，所以为稠密点云；同时，挂钩指的是由于无人机在地面着陆后为了避免其他因素(例如大风，平台晃动，飞行器旋翼还未完全停转产生运动等)导致无人机晃动或移位，因此无人机会配备叉钩，在降落后与可降落平台地面上的挂钩进行自动钩锁，防止无人机移位，起到固定的作用，因此挂钩点云指的是可降落平台挂钩处在激光雷达中呈现的点云，使用挂钩点云作为目标也可以切实保证降落后的稳定性与精确性，避免出现降落在平台但无法钩锁导致的失稳情况；S223：提取分离出来的挂钩点云后对其进行聚类，输出挂钩点云的中心位姿。细分割是建立在远端粗提取的结果之上进行的更进一步优化，当无人机处于距离可降落平台为距离近的时候，细分割的计算能够提供精确的可降落平台挂钩点位姿，为后续无人机的降落提供有力保障。

S23：根据激光视域范围内可降落平台点云信息的判断，若没有可降落平台点云信息即表示激光距离可降落平台极远或前后数据帧间变化过大(两帧点云重合度低于50％)则输出无降落点结果，随后进入到步骤S3；若可降落平台点云信息不全则通过直接寻求平面上的挂钩特征进行提取，输出结果随后进入到步骤S3，具体的，当信息不全时，会导致粗提取结果稳定变差，继而导致细分割结果失效，因此，直接寻求平面上的挂钩特征进行提取的具体步骤为：S231：根据经验对点云划分感兴趣空间；S232：在所述感兴趣空间中进行平面模型拟合；S233：拟合后寻找相对平面点云的挂钩特征，如有将其进行验证后输出结果，保证结果输出的准确性；如果没有，将直接输出无降落点信息。该步骤即充分考虑到了无人机处于极远距离或恶劣环境譬如定位通信设备损坏等状态下的应对措施，提高了该无人机自主式辅助降落的适用性，应用范围广，对外界定位通讯设备的依赖性小，抗干扰能力强。

S3：对步骤S2中的结果进行运算得到设计路径，供无人机降落，具体的，以当前激光为起始点，步骤S2中输出的结果为终点，运用常规的空间规划算法计算出一条当前可用的最优预行驶路径，供无人机参考降落。

本发明创造性的利用降落点定位算法来完成可降落目标点的自主定位与跟踪，继而输出降落目标点的位姿供辅助无人机精准降落，其三层的运算逻辑设计结构复杂度低，效率高，使其落点识别精度高于GPS等定位传感器，并且充分考虑到无人机面临情况的全面性，降低对定位通讯设备的依赖性，从而保证无人机降落稳定的精确性，同时无需为降落平台配备额外的定位通讯设备，也不需要非异常状态下的人为干预，极大的节约了人工与金钱成本，提高了工作效率。

在本实施例中，步骤S233中验证步骤具体如下：将当前数据与前若干帧数据进行相邻差值计算，即在本实施例中将当前数据与前4帧数据进行相邻差值对比，即第5帧数据与第4帧数据做差，第4帧数据与第3帧数据做差……直至第2帧数据与第1帧数据做差；若四个差值均大于设定值则验证失败，输出无降落点信息；若四个差值均小于设定值则验证成功认为这五个数据具有较好的连续性，因此，输出当前数据的结果。在这进行说明的是，设定值是根据不同情况下人为去定义的一个参数，在本实施例中将设定值设置为0.25，即将当前数据与前若干帧数据进行相邻帧数据差值计算，若大于0.25则输出无降落点信息，若小于0.25则输出结果。为了避免数据计算量过大，选取当前数值与前四帧数据进行相邻帧数据取差值，保证结果准确的同时提高计算效率。

更进一步的，所述验证步骤中还包括设定比设定值小的临界值，当差值介于临界值与设定值之间时，控制无人机悬停继续等到直至差值小于临界值时，输出结果。临界值也是根据不同情况下人为去定义的一个参数，在本实施中设定临界值为0.04，同时引入“置信度”的概念，即对差值大小进行一个分类，验证即验证置信度的大小，当前数据与前若干帧的数据一一相邻做差，其差值均小于0.04时，置信度为1；当大于0.04小于0.25时，置信度为0.5；当大于0.25时，置信度为0；置信度也作为输出结果的一部分进行输出，方便判断结果的可靠性。更具体的，当连续5帧数据的置信度均为0.5时，则控制无人机悬停继续等至置信度为1，若长时间(15s以上)置信度为0.5，则将输出无降落点信息并给出消息提示“机体飞行状态不稳，不可降落”，此时可以通过控制无人机在当前高度前后1m的小幅度悬停摆动一段时间或人工接入或重新计算等方式进行解决，由于具体的解决方案并不属于本申请的发明创造核心点，因此不再详细赘述。同时该种判断方法，通常是数据一直收敛具有较好的连续性，直至出现有较大误差的那一帧数据超过其设定值，数据曲线在这一点发生跳变，才会将当前的置信度降低一档，而下一帧数据结果也会继续参与到这个运算中，因此，选取的差值也可以是当前数据与前一帧数据的差值结果，因为数据流直到当前出现了偏差，前若干帧相邻数据之间的差值参考意义仅在于参与定义置信度的大小，但当前数据出现较大误差后，才会认为输出部分置信度需要修改，若下一帧数据偏移较大，则置信度再下降一档，直到数据又回到一个收敛的范围，本申请也根据不同降落阶段的需求，设定多个比较值譬如设定值与临界值，保证整个结果的一个精准率。

实施例2

一种使用如上述实施例所述的基于激光雷达的无人机自主式辅助降落方法的系统，包括：

输入模块：用于接收无人机上的激光雷达发送的原始激光数据；在这进行说明的是，激光雷达的方向设置在无人机正向飞行的前侧斜下方，其安装角度并不固定，可与前侧呈45°角安装；

激光数据预处理模块：用于将接收模块中的原始激光数据进行预处理，原始激光数据的建立的坐标系为右手系坐标，是以激光雷达为原点，垂直于固结平面朝下的为y轴，朝右侧的为z轴，向后侧为x轴，预处理完成后将进行数据拼包发送至降落点定位算法模块；

降落点定位算法模块：用于将激光数据预处理模块中的激光数据进行处理分析得到降落点信息，该降落点位算法模块包含三层，分别为远端的粗提取层，近端的细分割成以及无提取时的搜索层，通过该三层逻辑对激光数据进行处理计算，输出准确的降落点信息；

规划与导航算法模块：用于将降落点定位算法模块中的降落点信息进行路径设计与跟踪，生成供无人机降落的路径，具体的，规划与导航模块内采用D*算法进行路径设计与跟踪，在远处时采用较大栅格(5m*5m*5m)的路径搜寻，高速求解的同时旨在为无人机前往可降落平台提供基本方向；在近处与降落时采用较小栅格(0.5m*0.5m*0.5m)的精细搜寻，为无人机提供精确的降落轨迹；

输出模块：用于将规划与导航模块中的路径进行输出。

本发明的系统个模块之间独立工作的同时又相互依赖，组成简单，工作效率高；且整个系统在环境恶劣或通信被干扰的情况下能够照常工作，具有较高的鲁棒性和抗干扰能力；为无人机的降落尤其是无人机在集群行动或需要精准落点降落提供了较高可信度的结果，保证无人机降落的安全和准确性能，继而保证无人机任务执行的顺利。

本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。

Claims (9)

1.一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：包括以下步骤：

S1：接收无人机上的激光雷达发送的原始激光数据，并对其进行预处理剔除异常值；

S2：对剔除异常值后的激光数据采用降落点定位算法计算，降落点定位算法具体包括如下步骤：

S21：对激光数据进行粗提取，根据激光与可降落平台距离的远近判断，若距离远则直接输出粗提取结果；若距离近，则粗提取结果进入步骤S22；若没有输出粗提取结果时，则进入步骤S23；

S22：对粗提取过后的激光数据进行细分割，输出细分割结果，随后进入到步骤S3；

S23：根据激光视域范围内可降落平台点云信息的判断，若没有可降落平台点云信息则输出无降落点结果，随后进入到步骤S3；若可降落平台点云信息不全则通过直接寻求平面上的挂钩特征进行提取，输出结果随后进入到步骤S3；

S3：对步骤S2中的结果进行运算得到设计路径，供无人机降落。

2.根据权利要求1所述的一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：所述步骤S21包括如下步骤：

S211：在保持原始点云的几何结构特征的基础上，降低点云数据量，得到稀疏点云；

S212：将稀疏点云进行分层；

S213：分层后获取地面点云、可降落平台点云与其他点云；

S214：依据获取的可降落平台点云，输出可降落平台的中心位姿结果。

3.根据权利要求2所述的一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：所述步骤S211中通过下采样的方法获取稀疏点云；步骤S212中通过平面模型的拟合方法将稀疏点云进行分层；步骤S213中通过聚类方法获取地面点云、可降落平台点云与其他点云。

4.根据权利要求1或2所述的一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：步骤S22包括如下步骤：

S221：将可降落平台的中心位姿结果在原点云中进行部分映射；

S222：截取少量稠密点云后，将原点云平台上对应的挂钩点云通过特征分割进行分离；

S223：提取分离出来的挂钩点云后对其进行聚类，输出挂钩点云的中心位姿。

5.根据权利要求1所述的一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：步骤S23中直接寻求平面上的挂钩特征进行提取的具体步骤为：

S231：根据经验对点云划分感兴趣空间；

S232：在所述感兴趣空间中进行平面模型拟合；

S233：拟合后寻找相对平面点云的挂钩特征，如有将其进行验证后输出结果；如果没有，将直接输出无降落点信息。

6.根据权利要求5所述的一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：所述步骤S233中验证步骤具体如下：将当前数据与前若干帧数据进行相邻帧数据的差值计算，若差值大于设定值则验证失败，输出无降落点信息；若差值小于设定值则验证成功，输出结果。

7.根据权利要求6所述的一种基于激光雷达的无人机自主式辅助降落方法，其特征在于：所述验证步骤中还包括设定比设定值小的临界值，当差值介于临界值与设定值之间时，控制无人机悬停继续等到直至差值小于临界值时，输出结果。

8.一种使用如权利要求1-7任一项权利要求所述的基于激光雷达的无人机自主式辅助降落方法的系统，其特征在于：包括：

输入模块：用于接收无人机上的激光雷达发送的原始激光数据；

激光数据预处理模块：用于将接收模块中的原始激光数据进行预处理；

降落点定位算法模块：用于将激光数据预处理模块中的激光数据进行处理分析得到降落点信息；

规划与导航算法模块：用于将降落点定位算法模块中的降落点信息进行路径设计与跟踪，生成供无人机降落的路径；

输出模块：用于将规划与导航模块中的路径进行输出。

9.根据权利要求8所述的一种基于激光雷达的无人机自主式辅助降落系统，其特征在于：规划与导航模块内采用D*算法进行路径设计与跟踪。