CN114879719A - 一种适用于油电混动无人机的智能避障方法 - Google Patents
一种适用于油电混动无人机的智能避障方法 Download PDFInfo
- Publication number
- CN114879719A CN114879719A CN202210379308.6A CN202210379308A CN114879719A CN 114879719 A CN114879719 A CN 114879719A CN 202210379308 A CN202210379308 A CN 202210379308A CN 114879719 A CN114879719 A CN 114879719A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- oil
- hybrid
- electric
- 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 36
- 230000004888 barrier function Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000009471 action Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000017105 transposition Effects 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
本发明公开了一种适用于油电混动无人机的智能避障方法，其特征在于，包括：获取障碍物位置和油电混动无人机位置；将障碍物位置和油电混动无人机位置转换到同一坐标系下；基于人工势场法规划局部避障路径，无人机避开障碍物后返回原全局路径。本发明首先根据油电混动无人机的特点，进行坐标转换将无人机位置和障碍物位置转换到统一坐标系下，使用卡尔曼滤波降低发动机振动对传感器采集数据造成的振动噪声。最后使用基于激光雷达的人工势场法规划局部避障路径。
Description
技术领域
本发明涉及一种适用于油电混动无人机的智能避障方法，属于无人机智能避障技术领域。
背景技术
由于无人机的飞行空间中环境的不确定性，需要实时探测周围环境的变化，并具备及时避开未知障碍物的能力。对于需要路径规划的移动机器人，早期的栅格法将空间分解成具有二值信息的网格单元，用来环境建模，然后使用A*算法及其改进算法进行最佳路径搜索，但是计算量较大；还有基于采样的RRT算法和PRM算法，通过在搜索空间随机采样来描述地图，虽然计算量减少，但不一定能得到最优解。人工势场法通过虚拟出一个势场，场中障碍物产生斥力和目标点产生引力，合力的作用促使机器人运动，机理简单、计算量小和满足实时控制的要求，但是存在易陷入局部极小值及障碍物附近目标不可达等问题。
针对人工势场法存在的这些问题，国内外亦提出了许多解决方法，如：设置中间目标点使机器人跳出极小值位置；使机器人沿障碍物边缘行走直至跳出极小值陷阱；对势场函数进行优化使势场中目标点为唯一极小值点等等。
近些年来，油电混合动力技术开始应用于航空行业，油电混动无人机具备大载重长航时的优点，在长航时飞行任务时通常沿事先规划好的固定路径飞行。由于发动机振动会对传感器采集数据产生振动噪声，所以无人机还要具备良好的抗振性能且在避障后能回到原固定路径继续航行。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种适用于油电混动无人机的智能避障方法，解决了局部最小值和目标不可达的问题，使油电混动无人机降低振动干扰的同时兼顾良好的动态避障性能，在避障后能回到原全局路径继续航行。
为达到上述目的，本发明提供一种适用于油电混动无人机的智能避障方法，包括：
获取障碍物位置和油电混动无人机位置；
将障碍物位置和油电混动无人机位置转换到同一坐标系下；
基于人工势场法规划局部避障路径，无人机避开障碍物后返回原全局路径。
优先地，获取障碍物位置和油电混动无人机位置，将障碍物位置和油电混动无人机位置转换到同一坐标系下，包括：
通过GPS接收器获取的油电混动无人机位置为(λ,L,H)，λ为经度，L为纬度，H为高度；
通过激光雷达获取障碍物的位置和偏航角；
设定油电混动无人机起飞点为世界坐标系P W 的原点；
获得世界坐标系下的油电混动无人机位置
，障碍物位置
；
当油电混动无人机探测到的障碍物距离小于设定的阈值距离D时，开始避障导航，建立势场空间范围(x=A,y=B,z=C)，A、B和C值为预设的定值。
优先地，A、B和C值根据包括无人机的航线情况和传感器的探测范围的参数预先设定。
优先地，在基于人工势场法规划局部避障路径之前，利用卡尔曼滤波滤除油电混动无人机带来的数据噪声和干扰，获得无人机在世界坐标系下位置的最优估计值。
优先地，基于人工势场法规划局部避障路径，包括：
在势场空间范围内的原全局路径上选取一个子目标点
，子目标点到无人机的距离远于障碍物到无人机的距离；
障碍物产生斥力场，对油电混动无人机作用斥力；
子目标点产生引力场，对油电混动无人机作用引力；
斥力场和引力场叠加获得合场，斥力和引力叠加获得合力；
油电混动无人机在合力的作用下沿合力方向飞行，避开障碍物并到达子目标点；
到达子目标点后，表示油电混动无人机返回了原全局路径，并继续沿原全局路径航行。
优先地，在油电混动无人机还未到达子目标点时，若油电混动无人机陷入局部极小值，则在子目标点Y方向上平移一段距离处设置第二个引力场点；
第二个引力场点对油电混动无人机产生第二个引力，将油电混动无人机拉出局部极小值。
优先地，当油电混动无人机越过障碍物时，取消第二个引力场点，油电混动无人机在合力的作用下继续运动直到到达子目标点，回到原全局路径继续航行。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
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上述任一项所述方法的步骤。
本发明所达到的有益效果：
本发明首先根据油电混动无人机的特点，进行坐标转换将无人机位置和障碍物位置转换到统一坐标系下，使用卡尔曼滤波降低发动机振动对传感器采集数据造成的振动噪声。最后使用基于激光雷达的人工势场法规划局部避障路径。
（2）本发明划分人工势场范围并选取适当的子目标点，并解决了人工势场法解决飞行中可能遇到的局部极小值问题；
具体地，本发明划分限定范围的人工势场，并在势场空间范围内的全局路径上设置一个点为子目标点，在障碍物和子目标点所产生的势场中，无人机在合力的作用下自主避开障碍物飞行，并在避开障碍物后到达子目标点，沿原全局路径继续航行；当油电混动无人机在势场中陷入局部极小值时设置第二个引力场点，使油电混动无人机跳出局部极小值。
附图说明
图1是本发明的示意图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
需要说明，若本发明实施例中有方向性指示(诸如上、下、左、右、前、后......)，则其仅用于解释在某一特定姿态下各部件之间的相对位置关系和运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
一种应用于油电混动无人机的智能避障方法，包括以下步骤：
步骤一、获取一种装载油电混动系统的油电混动无人机；
步骤二、将传感器探测到的障碍物位置和GPS接收机获得的无人机位置转换到同一坐标系下；
步骤三、考虑到油电混动无人机振动给传感器采集数据带来干扰，使用卡尔曼滤波器滤除干扰；
步骤四、在有障碍物的情况下，使用人工势场法规划局部避障路径，无人机避开障碍物后返回原全局路径。
所述步骤一具体为：
油电混动无人机的一种油电混动系统：包括燃油发动机、发电机、AC/DC整流电路、电池、电调、电机和控制器。发动机燃烧汽油提供动力，发电机将动力转化为三相交流电，经过AC/DC整流电路输出稳定的直流电，直流电为油电混动无人机的主要动力源。电池则为油电混动无人机的辅助动力源，在需要时为电机以及控制器供电。控制器作为油电混动无人机的大脑，实时采集数据并判断油电混动无人机的运动模式。
所述步骤二具体为：
（1）由GPS接收器获得的无人机位置为(λ,L,H)，λ为经度，L为纬度，H为高度。
（2）由激光雷达获取障碍物的位置和偏航角。
将无人机位置和障碍物位置转换到同一坐标系下，包括：通过GPS接收器获取的油电混动无人机位置为(λ,L,H)，λ为经度，L为纬度，H为高度；
通过激光雷达获取障碍物的位置和偏航角；
设定油电混动无人机起飞点为世界坐标系P W 的原点；
获得世界坐标系下的油电混动无人机位置
，障碍物位置
；
当油电混动无人机探测到的障碍物距离小于设定的阈值距离D时，开始避障导航，建立势场空间范围(x=A,y=B,z=C)，A、B和C值为预设的定值。
所述步骤三具体为：
引入油电混动系统后，由于燃油发动机会带来机体的振动，使得安装在油电混动无人机的机体上的传感器采集到的数据受到了噪声和干扰，油电混动无人机自身的位姿和障碍物定位也不够准确可控，那么相对于纯电动无人机来说，需要对油电混动无人机进行有效的滤波来去除噪声和干扰。卡尔曼滤波是在状态空间中时域内设计的滤波器，通过递推来寻找最优估计解。本发明中油电混动无人机飞行是连续场景，可以选择卡尔曼滤波来解决振动带来的噪声干扰问题。
在基于人工势场法规划局部避障路径之前，基于卡尔曼滤波滤除油电混动无人机振动干扰，包括：
基于卡尔曼滤波，获得油电混动无人机在k时刻的世界坐标系下的位置的最优估计值：
式中，
是油电混动无人机在k时刻的世界坐标系下的位置的最优估计值，
为状态一步预测，K k 为k时刻的卡尔曼增益；Z k 为k时刻障碍物到油电混动无人机的距离和方向，k时刻的观测矩阵；H k 为k时刻的观测矩阵。
卡尔曼滤波的具体推理过程如下：
（1）卡尔曼滤波包含状态方程和观测方程，状态方程是由上一时刻得到的最佳估计值和系统的输入控制量推算得到，观测方程则是基于当前时刻的实时测量值确定。
状态方程：
观测方程：
其中x k 为油电混动无人机在k时刻的位姿，x k-1 为油电混动无人机在k-1时刻的位姿，u k 为k时刻输入的控制量，α为状态矩阵，β为控制量矩阵，ω k 为k时刻状态噪声；Z k 为k时刻激光雷达传感器的观测值，即障碍物到油电混动无人机的距离和方向；H为观测矩阵，v k 为k时刻观测噪声。
（2）卡尔曼滤波经典方程
状态一步预测：
其中，
是k-1时刻的世界坐标系下的无人机位置最优估计值，α k 为k时刻的状态矩阵，β为控制量矩阵。
状态最优估计：
其中，
是油电混动无人机在k时刻的世界坐标系下的位置的最优估计值，
为状态一步预测，K k 为k时刻的卡尔曼增益；Z k 为k时刻激光雷达传感器的观测值，即障碍物到油电混动无人机的距离和方向；H k 为k时刻的观测矩阵。
一步预测均方误差：
其中，Q是状态噪声ω的协方差矩阵，Q越小，抑制噪声的能力越强，同时收敛速度变慢，需要根据实际情况调整，T是转置，
为k-1时刻估计误差的协方差；
是k时刻一步预测误差的协方差。
卡尔曼滤波增益：
其中，R是观测噪声的协方差，K k 为k时刻卡尔曼增益；
滤波均方误差估计：
其中，
是k时刻估计误差的协方差。
（3）基于卡尔曼滤波获得的油电混动无人机位置的最优估计值，作为避障算法中使用的油电混动无人机点坐标Xo=(xo,yo,zo)。
所述步骤四具体为：
油电混动无人机的机体上安装激光雷达传感器，实时监测油电混动无人机周围的工作环境。油电混动无人机的飞行路径为事先规划好的全局路径，由导航系统实时监测，使油电混动无人机按照已知全局路径飞行。当激光雷达传感器检测到未知障碍物时，导航系统使用人工势场法规划局部避障路径，油电混动无人机自主避开障碍物后返回原全局路径，直至到达目标点。
（1）本发明的图为适用于油电混动无人机的智能避障系统的流程图。黑色曲线为设定好的全局路径，正常情况下无人机沿此路径航行，当检测到全局路径上出现未知障碍物P1，且无人机到的障碍物距离小于设定的阈值距离D时，建立适合的势场范围(x=A,y=B,z=C)，在此范围中生成人工势场。
由于油电混动无人机在避开未知障碍物后需返回到原全局路径继续航行，因此在势场空间范围内的原全局路径上选取一个子目标点P2（如：全局路径与
的交点），子目标点到无人机的距离远于障碍物到无人机的距离，得到世界坐标系下的子目标点坐标
。
基于人工势场法原理建立起如图中的总势场，障碍物产生斥力场，对油电混动无人机作用斥力，P1附近势场值最高；子目标点产生引力场，对油电混动无人机作用引力，P2附近势场值最低，无人机沿梯度下降最快方向移动，最终能到达最低点，即在斥力和引力的合力作用下沿合力方向移动可避开障碍物P1，并最终到达子目标点P2。
（2）引力场表达式为：
式中，
为油电混动无人机在世界坐标系下的位置(x d ,y d ,z d )，
为子目标点的位置坐标(x g ,y g ,z g )，
为引力场数值；
为油电混动无人机到子目标点的距离；k为引力增益常数。
运动的方向，既作用力的方向由力场函数取负梯度产生，则引力表达式为：
从式中可以看出，子目标点到油电混动无人机的距离越远时，引力越大，使油电混动无人机靠近子目标点。
（3）斥力场表达式为：
式中
为障碍物的位置坐标(x o ,y o ,z o )，
为斥力场数值；
为油电混动无人机与障碍物的距离；η为斥力增益常数；ρ o 为障碍物的影响范围，是一个常数。
运动的方向，既作用力的方向由力场函数取负梯度产生，则斥力表达式为：
式中，▽为梯度算子，从式中可以看出，障碍物距油电混动无人机的距离越近时，斥力越大，使油电混动无人机远离障碍物。
（4）合场就是斥力场和引力场的叠加，对合场求梯度，获得油电混动无人机的运动方向：
合力
指向油电混动无人机处势场梯度下降的方向，即(∆x,∆y,∆z)方向，油电混动无人机下一时刻将向(x d +∆x,y d +∆y,z d +∆z)处运动，于是油电混动无人机在合力的作用下避开障碍物，并到达子目标点，即返回到了原全局路径，继续沿着全局路径飞行直至到达目标点。
（5）当油电混动无人机陷入局部极小值时，即
油电混动无人机还未到达子目标点时，由于子目标点、障碍物和油电混动无人机在同一直线上，或者子目标点和障碍物距离较近，使合力在油电混动无人机处为零，油电混动无人机不再受合力运动而无法到达子目标点。
为了解决这个问题，本发明在油电混动无人机陷入局部极小值时在子目标点Y方向上平移一段距离（如0.1A）处设置第二个引力场点，对油电混动无人机产生第二个引力将其拉出局部极小值。当油电混动无人机越过障碍物(x d >x o 且y d >y o )时取消第二个引力场点，油电混动无人机仍旧在合力的作用下到达子目标点，回到原全局路径继续航行。
本发明的优点在于：
（1）适用于油电混动无人机的智能避障系统
首先根据油电混动无人机的特点，进行坐标转换将无人机位置和障碍物位置转换到统一坐标系下，使用卡尔曼滤波降低发动机振动对传感器采集数据造成的振动噪声。最后使用基于激光雷达的人工势场法规划局部避障路径。
（2）划分人工势场范围并选取适当的子目标点，并改进人工势场法解决飞行中可能遇到的局部极小值问题。
划分限定范围的人工势场(x=A,y=B,z=C)，并在势场空间范围内的全局路径上设置一个点为子目标点（如：全局路径与
的交点），在障碍物和子目标点所产生的势场中，无人机在势场合力的作用下自主避开障碍物飞行，并在避开障碍物后到达子目标点，沿原全局路径继续航行。当在势场中陷入局部极小值时设置第二个引力场点，使无人机跳出局部极小值。
激光雷达传感器和油电混动无人机上述部件在现有技术中可采用的型号很多，本领域技术人员可根据实际需求选用合适的型号，本实施例不再一一举例。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种适用于油电混动无人机的智能避障方法，其特征在于，包括：
获取障碍物位置和油电混动无人机位置；
将障碍物位置和油电混动无人机位置转换到同一坐标系下；
基于人工势场法规划局部避障路径，无人机避开障碍物后返回原全局路径。
2.根据权利要求1所述的一种适用于油电混动无人机的智能避障方法，其特征在于，
获取障碍物位置和油电混动无人机位置，将障碍物位置和油电混动无人机位置转换到同一坐标系下，包括：
通过GPS接收器获取的油电混动无人机位置为(λ,L,H)，λ为经度，L为纬度，H为高度；
通过激光雷达获取障碍物的位置和偏航角；
设定油电混动无人机起飞点为世界坐标系P W 的原点；
获得世界坐标系下的油电混动无人机位置
，障碍物位置
；
当油电混动无人机探测到的障碍物距离小于设定的阈值距离D时，开始避障导航，建立势场空间范围(x=A,y=B,z=C)，A、B和C值为预设的定值。
3.根据权利要求2所述的一种适用于油电混动无人机的智能避障方法，其特征在于，
A、B和C值根据包括无人机的航线情况和传感器的探测范围的参数预先设定。
4.根据权利要求2所述的一种适用于油电混动无人机的智能避障方法，其特征在于，
在基于人工势场法规划局部避障路径之前，利用卡尔曼滤波滤除油电混动无人机的发动机振动带来的数据噪声和干扰，获得无人机在世界坐标系下位置的最优估计值。
5.根据权利要求4所述的一种适用于油电混动无人机的智能避障方法，其特征在于，
基于人工势场法规划局部避障路径，包括：
在势场空间范围内的原全局路径上选取一个子目标点
，子目标点到油电混动无人机的距离远于障碍物到油电混动无人机的距离；
障碍物产生斥力场，对油电混动无人机作用斥力；
子目标点产生引力场，对油电混动无人机作用引力；
斥力场和引力场叠加获得合场，斥力和引力叠加获得合力；
油电混动无人机在合力的作用下沿合力方向飞行，避开障碍物并到达子目标点；
到达子目标点后，表示油电混动无人机返回了原全局路径，并继续沿原全局路径航行。
6.根据权利要求5所述的一种适用于油电混动无人机的智能避障方法，其特征在于，
在油电混动无人机还未到达子目标点时，若油电混动无人机陷入局部极小值，则在子目标点Y方向上平移一段距离处设置第二个引力场点；
第二个引力场点对油电混动无人机产生第二个引力，将油电混动无人机拉出局部极小值。
7.根据权利要求6所述的一种适用于油电混动无人机的智能避障方法，其特征在于，
当油电混动无人机越过障碍物时，取消第二个引力场点，油电混动无人机在合力的作用下继续运动直到到达子目标点，回到原全局路径继续航行。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述方法的步骤。
9.一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权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379308.6A CN114879719A (zh) | 2022-04-12 | 2022-04-12 | 一种适用于油电混动无人机的智能避障方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379308.6A CN114879719A (zh) | 2022-04-12 | 2022-04-12 | 一种适用于油电混动无人机的智能避障方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114879719A true CN114879719A (zh) | 2022-08-09 |
Family
ID=82669601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210379308.6A Pending CN114879719A (zh) | 2022-04-12 | 2022-04-12 | 一种适用于油电混动无人机的智能避障方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114879719A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578102A (zh) * | 2023-07-13 | 2023-08-11 | 清华大学 | 水下自主航行器避障方法、装置、计算机设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
| WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
| CN109358637A (zh) * | 2018-05-25 | 2019-02-19 | 武汉科技大学 | 一种基于预设航线的地表近距离自主探查无人机的三维避障方法 |
| CN109521794A (zh) * | 2018-12-07 | 2019-03-26 | 南京航空航天大学 | 一种多无人机航路规划及动态避障方法 |
| CN112180954A (zh) * | 2020-07-28 | 2021-01-05 | 北京理工大学 | 一种基于人工势场的无人机避障方法 |
| CN112577491A (zh) * | 2020-12-14 | 2021-03-30 | 上海应用技术大学 | 一种基于改进人工势场法的机器人路径规划方法 |
| 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 |
| US20210272466A1 (en) * | 2020-02-28 | 2021-09-02 | Pablo Air Co., Ltd. | Method of avoiding collision of unmanned aerial vehicle |
| US20210295708A1 (en) * | 2020-03-18 | 2021-09-23 | Ship And Ocean Industries R&D Center | Vessel collision avoiding method and system based on artificial potential field |
-
2022
- 2022-04-12 CN CN202210379308.6A patent/CN114879719A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
| WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
| CN109358637A (zh) * | 2018-05-25 | 2019-02-19 | 武汉科技大学 | 一种基于预设航线的地表近距离自主探查无人机的三维避障方法 |
| CN109521794A (zh) * | 2018-12-07 | 2019-03-26 | 南京航空航天大学 | 一种多无人机航路规划及动态避障方法 |
| 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 |
| US20210272466A1 (en) * | 2020-02-28 | 2021-09-02 | Pablo Air Co., Ltd. | Method of avoiding collision of unmanned aerial vehicle |
| US20210295708A1 (en) * | 2020-03-18 | 2021-09-23 | Ship And Ocean Industries R&D Center | Vessel collision avoiding method and system based on artificial potential field |
| CN112180954A (zh) * | 2020-07-28 | 2021-01-05 | 北京理工大学 | 一种基于人工势场的无人机避障方法 |
| CN112577491A (zh) * | 2020-12-14 | 2021-03-30 | 上海应用技术大学 | 一种基于改进人工势场法的机器人路径规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578102A (zh) * | 2023-07-13 | 2023-08-11 | 清华大学 | 水下自主航行器避障方法、装置、计算机设备和存储介质 |
| CN116578102B (zh) * | 2023-07-13 | 2023-09-19 | 清华大学 | 水下自主航行器避障方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Gradient-based online safe trajectory generation for quadrotor flight in complex environments | |
| CN111256703B (zh) | 一种多旋翼无人机巡检路径规划方法 | |
| Cieslewski et al. | Rapid exploration with multi-rotors: A frontier selection method for high speed flight | |
| Saunders et al. | Static and dynamic obstacle avoidance in miniature air vehicles | |
| US8060306B2 (en) | Method and system for obstacle avoidance for a vehicle | |
| US20190107408A1 (en) | Method for identifying optimal vehicle paths when energy is a key metric or constraint | |
| Andersson et al. | Thermal centering control for autonomous soaring; stability analysis and flight test results | |
| CN113110457A (zh) | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 | |
| US11320269B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| CN112180954B (zh) | 一种基于人工势场的无人机避障方法 | |
| CN112378397B (zh) | 无人机跟踪目标的方法、装置及无人机 | |
| CN112596071A (zh) | 无人机自主定位方法、装置及无人机 | |
| WO2022062169A1 (zh) | 一种未知环境下脑电移动机器人共享控制方法 | |
| CN109976164A (zh) | 一种多旋翼无人机能量优化视觉覆盖轨迹规划方法 | |
| CN112379681A (zh) | 无人机避障飞行方法、装置及无人机 | |
| CN114879719A (zh) | 一种适用于油电混动无人机的智能避障方法 | |
| CN109582032A (zh) | 多旋翼无人机在复杂环境下的快速实时避障路径选择方法 | |
| Chen et al. | A review of autonomous obstacle avoidance technology for multi-rotor UAVs | |
| Li et al. | A survey of vision based autonomous aerial refueling for unmanned aerial vehicles | |
| Orsag et al. | State estimation, robust control and obstacle avoidance for multicopter in cluttered environments: Euroc experience and results | |
| CN111506078B (zh) | 一种机器人导航方法及系统 | |
| CN112380933A (zh) | 无人机识别目标的方法、装置及无人机 | |
| CN111615677B (zh) | 一种无人机的安全降落方法、装置、无人机及介质 | |
| Crocoll et al. | Quadrotor inertial navigation aided by a vehicle dynamics model with in-flight parameter estimation | |
| Zhi-Wen et al. | Path planning for UUV in dynamic environment |
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 |