CN114995519A - 一种基于多障碍场景的无人机ai降落方法及系统 - Google Patents
一种基于多障碍场景的无人机ai降落方法及系统 Download PDFInfo
- Publication number
- CN114995519A CN114995519A CN202210902142.1A CN202210902142A CN114995519A CN 114995519 A CN114995519 A CN 114995519A CN 202210902142 A CN202210902142 A CN 202210902142A CN 114995519 A CN114995519 A CN 114995519A
- Authority
- CN
- China
- Prior art keywords
- information
- obstacle
- aerial vehicle
- obtaining
- unmanned aerial
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 230000004888 barrier function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于多障碍场景的无人机AI降落方法及系统,其中,所述方法包括:基于回传影像信息进行障碍特征卷积计算,获得场景障碍度集合;获得用户定位预测模型,基于用户定位预测模型获得用户定位变化轨迹信息;根据场景障碍度集合和用户定位变化轨迹信息进行实时降落空间障碍度分析,获得空间障碍度分布结果;获得无人机的动力限制信息;基于动力限制信息和空间障碍度分布结果生成降落路径信息。解决了现有技术存在多障碍场景中降落位点不断变化时,对于降落位点的预测能力不足,且无人机智能化自动降落安全性不高的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于多障碍场景的无人机AI降落方法及系统。
背景技术
无人机应用领域十分广泛,在军事方面,无人机在侦察、通信、远距离输送等方面发挥重要作用;在民生方面,无人机逐渐应用于公共安全、应急搜救、农林、环保、交通、气象、影视航拍等多个领域。随着无人机在生产生活中的逐渐应用与发展,保障无人机飞行安全引起广泛关注。现有的无人机精准降落方案包括基于RTK GPS的无人机精准降落方案、基于图像识别(视觉)的无人机精准降落方案。其中,RTK无人机携带机载GNSS RTK接收器,能够从卫星和固定基地站收集数据,以便在飞行时实时准确校正图像位置。但是在多障碍环境下,障碍物可能会阻挡或中断信号,导致在实际应用过程中,导致无人机丢失信号、遇到障碍物等缺陷和弱点,因此,在多障碍场景中无人机智能化定点降落时,可以通过图像识别(视觉)技术进行AI降落。但是,当降落位点不断移动时对无人机精准识别和降落提出了更高的要求。
现有技术存在多障碍场景中降落位点不断变化时,对于降落位点的预测能力不足,且无人机智能化自动降落安全性不高的技术问题。
发明内容
本申请通过提供了一种基于多障碍场景的无人机AI降落方法及系统,解决了现有技术存在多障碍场景中降落位点不断变化时,对于降落位点的预测能力不足,且无人机智能化自动降落安全性不高的技术问题。达到了通过对无人机回传视频进行空间障碍分析得到空间障碍分析结果,通过预测操作者的位置得到降落位点的预测结果,结合空间障碍分析结果和降落位点预测结果,实现无人机降落路径的实时更新及联合定位降落的技术效果。
鉴于上述问题,本申请提供了一种基于多障碍场景的无人机AI降落方法及系统。
第一方面,本申请提供了一种基于多障碍场景的无人机AI降落方法,其中,所述方法包括:获得所述第一无人机的第一规划路径信息和第一回传影像信息;基于所述第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;获得第一用户定位预测模型,基于所述第一用户定位预测模型获得第一用户定位变化轨迹信息;根据所述第一场景障碍度集合和所述第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;获得所述第一无人机的动力限制信息;基于所述动力限制信息和所述第一空间障碍度分布结果生成第二规划路径信息;基于所述第二规划路径信息对所述第一规划路径信息进行更新,其中,所述第二规划路径信息与所述第一用户定位变化轨迹信息实时交互。
另一方面,本申请提供了一种基于多障碍场景的无人机AI降落系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一无人机的第一规划路径信息和第一回传影像信息;第二获得单元,所述第二获得单元用于基于所述第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;第三获得单元,所述第三获得单元用于获得第一用户定位预测模型,基于所述第一用户定位预测模型获得第一用户定位变化轨迹信息;第四获得单元,所述第四获得单元用于根据所述第一场景障碍度集合和所述第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;第五获得单元,所述第五获得单元用于获得所述第一无人机的动力限制信息;第一生成单元,所述第一生成单元用于基于所述动力限制信息和所述第一空间障碍度分布结果生成第二规划路径信息;第一执行单元,所述第一执行单元用于基于所述第二规划路径信息对所述第一规划路径信息进行更新,其中,所述第二规划路径信息与所述第一用户定位变化轨迹信息实时交互。
第三方面,本申请提供了一种基于多障碍场景的无人机AI降落系统,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,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一无人机的第一规划路径信息和第一回传影像信息;基于第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;获得第一用户定位变化轨迹信息;根据第一场景障碍度集合和第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;基于动第一无人机的力限制信息和第一空间障碍度分布结果生成第二规划路径信息;基于第二规划路径信息对第一规划路径信息进行更新的技术方案,本申请通过提供了一种基于多障碍场景的无人机AI降落方法及系统,达到了通过对无人机回传视频进行空间障碍分析得到空间障碍分析结果,通过预测操作者的位置得到降落位点的预测结果,结合空间障碍分析结果和降落位点预测结果,实现无人机降落路径的实时更新及联合定位降落的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于多障碍场景的无人机AI降落方法的流程示意图;
图2为本申请实施例一种基于多障碍场景的无人机AI降落方法的获得第一场景障碍度集合的流程示意图;
图3为本申请实施例一种基于多障碍场景的无人机AI降落方法的生成第二规划路径信息的流程示意图;
图4为本申请实施例一种基于多障碍场景的无人机AI降落系统的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第一生成单元16,第一执行单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种基于多障碍场景的无人机AI降落方法及系统,解决了现有技术存在多障碍场景中降落位点不断变化时,对于降落位点的预测能力不足,且无人机智能化自动降落安全性不高的技术问题。达到了通过对无人机回传视频进行空间障碍分析得到空间障碍分析结果,通过预测操作者的位置得到降落位点的预测结果,结合空间障碍分析结果和降落位点预测结果,实现无人机降落路径的实时更新及联合定位降落的技术效果。
在多障碍场景中无人机智能化定点降落时,可以通过图像识别(视觉)技术进行AI降落。无人机的自动返航功能是按照原飞行路径返航,且无人机的返航逻辑是需要在GPS信号充足、指南针正常工作、光线正常的前提下才可以使用,在夜间自动返航的避障功能会失效,无人机降落损伤率高。因此,当处于多障碍场景中,多障碍场景对GPS信号、指南针影响较大,导致无人机自动返航功能使用受阻。并且当降落位点不断移动时,对无人机精准识别和降落提出了更高的要求。因此,存在多障碍场景中降落位点不断变化时,对于降落位点的预测能力不足,且无人机智能化自动降落安全性不高的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于多障碍场景的无人机AI降落方法,其中,所述方法包括:获得第一无人机的第一规划路径信息和第一回传影像信息;基于第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;获得第一用户定位变化轨迹信息;根据第一场景障碍度集合和第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;基于动第一无人机的力限制信息和第一空间障碍度分布结果生成第二规划路径信息;基于第二规划路径信息对第一规划路径信息进行更新。达到了通过对无人机回传视频进行空间障碍分析得到空间障碍分析结果,通过预测操作者的位置得到降落位点的预测结果,结合空间障碍分析结果和降落位点预测结果,实现无人机降落路径的实时更新及联合定位降落的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于多障碍场景的无人机AI降落方法,其中,所述方法应用于一无人机AI降落系统,所述系统与第一无人机通信连接,所述方法包括:
步骤S100:获得所述第一无人机的第一规划路径信息和第一回传影像信息;
具体而言,车载导航系统会为驾驶员规定一条或多条预定路线,相同的无人机也有相应的导航系统,用于自动航线规划与自动飞行,所述无人机AI降落系统用于为无人机自动规划航线,从而实现无人机自动飞行。所述第一无人机为具有拍摄功能,或是搭载了拍摄设备的任一无人机。第一无人机完成飞行任务后基于自动返航模式,会获得返回初始起飞点的路径,为所述第一规划路径信息。基于第一无人机起飞后到完成拍摄任务悬停这一过程中,将拍摄的视频回传至地面站,获得所述第一回传影像信息。地面站根据所述第一回传影响信息进行视频分析,将需要跟随的目标发送给第一无人机,从而实现第一无人机向目标飞行。通过第一回传影像信息能够为无人机定点降落提供数据分析基础,由于降落位点的灵活变动,所述第一规划路径不足以支持无人机精准降落,将第一规划路径信息作为对照路径,能够为生成准确的降落路径奠定基础。
步骤S200:基于所述第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;
进一步的,如图2所示,本申请实施例步骤S200还包括:
步骤S210:基于所述第一无人机的拍摄任务,获得飞行高度信息和飞行半径信息;
步骤S220:根据所述第一无人机的拍摄任务构建第一预设卷积特征;
步骤S230:以所述第一回传影像和所述第一预设卷积特征为基础进行障碍特征卷积计算,获得第一特征卷积计算结果;
步骤S240:构建第一空间坐标系;
步骤S250:基于所述第一空间坐标系,按照所述飞行高度信息、所述飞行半径信息和所述第一特征卷积计算结果进行障碍度空间分布,获得所述第一场景障碍度集合。
具体而言,由于在多障碍场景中进行无人机自动飞行,无人机需要绕过所有障碍飞行,从而保障飞行安全。因此,需要基于所述第一回传影像,对飞行区域的障碍度进行分析。
所述第一无人机的拍摄任务为自动飞行任务,航迹点任务为自动飞行任务中最常用也最为灵活的任务之一。使用者通过在地面上规划出多个任务点,将这些任务点上传至无人机中,无人机切换至航迹点任务模式后,即可实现按照拍摄任务自动飞行。根据所述第一无人机的拍摄任务,掌握飞行的高度范围和飞行的半径范围,即所述飞行高度信息和所述飞行半径信息。
所述第一无人机的拍摄任务还包括拍摄地点信息,根据拍摄地点信息获得该地点的障碍物的图像信息,示例性的:建筑物图像、树木图像、高山的图像、水流的图像等。根据障碍物的图像构建所述第一预设卷积特征。卷积特征是在图像处理时设定的处理标准即卷积核。输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核。根据卷积特征对特征的匹配度进行采集评估。通过所述第一预设卷积特征对所述第一回传影像的每一帧图像进行遍历卷积计算,获得所述第一特征卷积计算结果即匹配度评估结果。根据所述第一特征卷积计算结果,获得符合该特征卷积数值的场景障碍度,场景障碍度表明了周围飞行环境的空间障碍密集程度。
在拍摄空间中构建空间坐标系,按照不同飞行高度和距离坐标原点的不同半径范围进行空间划分。将所述第一特征卷积计算结果分布于划分空间中,获得所述第一场景障碍度集合,根据所述第一场景障碍度集合能够得到第一无人机飞行空间的障碍度分布,从而为无人机自动降落、精确定位奠定基础。
步骤S300:获得第一用户定位预测模型,基于所述第一用户定位预测模型获得第一用户定位变化轨迹信息;
进一步的,本申请实施例步骤S300还包括:
步骤S310:获得所述第一用户的第一起点位置信息和第一终点位置信息;
步骤S320:根据所述第一起点位置信息和所述第一终点位置信息,获得第一区域,其中,所述第一区域由第一起点坐标位置信息到达所述第一终点位置信息的所有道路构成;
步骤S330:获得第一区域的第一电子地图信息,所述第一电子地图信息包括实时交通参与物信息和实时交通动态信息;
步骤S340:根据所述实时交通参与物信息、所述实时交通动态信息获得所述第一区域历史交通数据集合和标识第一用户移动平均速度的标识数据;
步骤S350:通过所述第一区域历史交通数据集合和所述标识数据训练获得所述第一用户定位预测模型。
具体而言,所述第一用户定位预测模型是用来预测第一用户的定位的,是一神经网络模型,所述第一用户为所述第一无人机的操作者或管理者。所述第一用户定位预测模型训练过程如下,首先根据定位系统获取第一用户的第一起点位置信息,获得第一用户输入的第一终点位置信息。第一终点位置信息为第一用户预先设定的第一无人机灵活降落的位置。进一步,基于大数据获取所述第一起点位置信息到达所述第一终点位置信息的所有可能行驶的道路,将所有道路覆盖的区域设定为所述第一区域。
进一步,基于所述第一区域匹配对应的电子地图,也就是从现有的电子地图软件中输入第一起点位置信息和第一终点位置信息,获得第一区域的实时电子地图,得到所述第一电子地图信息。所述第一电子地图信息包括实时交通参与物信息和实时交通动态信息。实时交通参与物信息包括交通信号灯、交通信号标识(例如:限速标志、人行横道等),实时交通动态信息包括第一用户开始在第一区域行驶时间的其他车辆数目、是否存在突发交通事故等实时信息。
更进一步,根据所述实时交通参与物信息、所述实时交通动态信息,获得第一区域同一行驶时间段的历史交通数据资料即所述第一区域历史交通数据集合。为了对同一行驶时间段的历史数据进行车辆平均速度标记,对第一区域进行路段划分,划分为多个支路。并根据历史的交通动态信息对与第一用户同车型的车辆在每一支路的平均行驶速度进行标识。根据所述第一区域历史交通数据集合和所述标识数据训练神经网络模型直至模型收敛,获得所述第一用户定位预测模型。所述第一用户定位预测模型可根据实时采集的交通动态信息,对第一用户行驶的平均速度进行预测,从而对第一用户定位变化轨迹信息进行预测。
步骤S400:根据所述第一场景障碍度集合和所述第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;
进一步的,本申请实施例步骤S400还包括:
步骤S410:获得所述第一无人机的第一降落起点位置信息;
步骤S420:根据所述第一用户定位变化轨迹信息,获得第一实时位置信息和第一预测位置信息;
步骤S430:根据所述第一降落起点位置信息、所述第一实时位置信息、所述第一预测位置信息,从所述第一场景障碍度集合中匹配第一实时层空间障碍度信息和第一预测层空间障碍度信息;
步骤S440:通过所述第一实时层空间障碍度信息和所述第一预测层空间障碍度信息获得所述第一空间障碍度分布结果。
具体而言,所述第一无人机完成拍摄任务后将悬停位点传输至第一用户处,悬停位点即所述第一降落起点位置信息。根据实时预测得到的定位变化轨迹信息根据接收第一降落起点位置信息的时间,在第一用户定位变化轨迹信息上对应匹配第一实时位置信息。第一预测位置信息为距离第一实时位置信息时间的第一用户的预测位置。其中,时间内第一无人机在垂直位置下降距离,根据第一无人机的性能确定距离。
根据所述第一实时位置信息和第一预测位置信息,确定第一无人机下降方向和下降高度()。根据所述第一降落起点位置从所述第一场景障碍度集合中匹配获得第一实时层空间障碍度信息,其中,第一实时层空间障碍度信息为初始层,包括第一无人机悬停空间层中所有障碍度信息,示例性的:初始层的高度可看作与第一无人机的高度一致。根据下降高度()从所述第一场景障碍度集合中匹配获得第一预测层空间障碍度信息。通过不断获取第一用户的定位轨迹变化信息,即不断获取第一用户的实时位置和预测位置,不断的获取实时层障碍度信息和预测层空间障碍度信息,从而构建所述第一空间障碍度分布结果。达到对下降过程中的空间障碍度的准确识别的效果,为第一无人机安全、可靠、准确的降落奠定基础。
步骤S500:获得所述第一无人机的动力限制信息;
具体而言,无人机根据厂家、型号的不同而导致续航时间不同,当无人机动力不足时,若操作者操作不当极易造成无人机损伤、丢失的情况发生。因此需要在无人机飞行前检查无人机电量,并且在使用无人机时,注意不要超出无人机的最大使用时间。根据第一无人机的属性获得所述动力限制信息,动力限制信息可以理解为无人机的电力信息,用于限制无人机飞行距离和时间。
步骤S600:基于所述动力限制信息和所述第一空间障碍度分布结果生成第二规划路径信息;
步骤S700:基于所述第二规划路径信息对所述第一规划路径信息进行更新,其中,所述第二规划路径信息与所述第一用户定位变化轨迹信息实时交互。
具体而言,当获知第一无人机的动力限制信息后,对第一无人机执行完拍摄任务后的剩余电量进行预估。为了确保剩余的电量无人机能够抵达降落点,在无人机抵达降落点这一过程中,通过剩余电量信息和第一空间障碍度分布结果进行无人机自动降落,生成所述第二规划路径信息,举不受限制一例:根据剩余电量信息和第一空间障碍度分布结果生成规划路径过程可以为当无人机剩余电量充足时,生成规划路径可以尽可能选择空间障碍度低的区域作为行驶路径,将各个区域串联起来就得到第二规划路径。
用所述第二规划路径信息更新所述第一规划路径信息,将第二规划路径信息不同于预设的第一规划路径信息进行更新。并将第二规划路径信息发送至所述第一用户处,第一用户也将定位轨迹信息实时发送至第一无人机处,实现两者的实时交互。以第一规划路径为对照,在他的基础上进行第二规划路径的更新,能够减少重新为第一无人机输入路径的时间,提高路径规划的效率,并且通过与第一用户进行数据信息交互,能够通过第一用户的轨迹信息不断调整第二规划路径,起到联合定位降落的技术效果。
进一步的,本申请实施例步骤S320还包括:
步骤S321:基于第一无人机属性信息,构建飞行动力消耗模式;
步骤S322:根据所述第一无人机的动力限制信息和所述飞行动力消耗模式,获得飞行时间限制信息;
步骤S323:基于所述飞行时间限制信息和第一无人机飞行速度阈值对所述第一终点位置信息进行调整,并将调整信息发送至所述第一用户,获得所述第一用户的第二终点位置信息。
具体而言,所述第一无人机属性信息包括第一无人机的各种模式的能量消耗信息,包括但不限于姿态转换模式的电力消耗信息、运动模式的电力消耗信息,可通过第一无人机的训练数据中获得。根据各种模式的能量消耗信息构建飞行动力消耗模式,以第一无人机属性信息和无人机各种模式动力消耗数据为基础,构建的飞行动力消耗模式,能够对无人机在降落过程中的动力消耗进行较为准确的预估。
根据第一无人机的动力限制信息和所述飞行动力消耗模式,能够获得第一无人机的极限飞行时间,极限飞行时间可以理解为以最省能的形式飞行的时间长度,即所述飞行时间限制信息。根据第一无人机的飞行时间限制信息和第一无人机飞行速度阈值,能够推导出第一无人机最远的降落位置,若此时第一终点位置信息为第一无人机无法飞行抵达的位置时,需要对第一终点位置进行调整,将需要调整的信息发送至第一用户处,第一用户根据所述第一无人机的合理降落位置进行第二终点位置信息的设定,达到了根据第一无人机实时电力状态,进行降落位点的适应性调整,从而减少了无人机意外事故的发生。
进一步的,如图3所示,本申请实施例步骤S610还包括:
步骤S610:基于所述第一空间障碍度分布结果、所述第一降落起点位置信息和所述第二终点位置信息,获得第一无人机降落路径集合;
步骤S620:根据所述第一空间障碍度分布结果进行障碍度划分,获得第一障碍阈值集合;
步骤S630:根据所述第一无人机的动力限制信息和所述飞行动力消耗模式,获得障碍度阈值选择区间;
步骤S640:基于所述障碍度阈值选择区间在所述第一障碍阈值集合中进行障碍阈值匹配,获得第一匹配障碍阈值集合;
步骤S650:根据所述第一无人机降落路径集合和所述第一匹配障碍阈值集合生成所述第二规划路径信息。
进一步的,本申请实施例步骤S630还包括:
步骤S631:基于所述第一障碍阈值集合,获得第一障碍阈值、第二障碍阈值乃至第N障碍阈值;
步骤S632:获得所述第一无人机穿越所述第一障碍度阈值、所述第二障碍阈值乃至所述第N障碍阈值的速度信息和平稳度信息;
步骤S633:基于所述速度信息和所述平稳度信息,获得第一影响因子和第二影响因子;
步骤S634:基于所述第一影响因子和所述第二影响因子对所述障碍度阈值选择区间进行调整。
具体而言,所述第一空间障碍度分布结果包括第一无人机飞行过程中从地面至第一降落起点位置的每一层()的空间障碍度信息。根据所述第一空间障碍度分布结果可以掌握空间中障碍物的分布,从而将空间中能够通行的通道显露出来。在所述第一空间障碍度分布结果的基础上,根据所述第一降落起点位置和所述第二终点位置,可以模拟规划出多条容许第一无人机飞行的路径,构成所述第一无人机降落路径集合。
根据所述第一空间障碍度分布结果进行每一层障碍度划分,划分方式包括但不限于基于所述第一空间坐标系进行四等分、六等分、八等分、十等分、十二等分等,空间坐标系经过划分,所有区间的障碍度阈值构成所述第一障碍阈值集合。所述第一障碍阈值集合包括第一障碍阈值、第二障碍阈值乃至第N障碍阈值,N根据空间坐标系划分结果确定。
在第一无人机降落路径选择的过程中,根据所述第一无人机的动力限制信息和所述飞行动力消耗模式获得障碍度阈值选择区间。示例性的,当动力充足且根据动力消耗模式可知能够维持较长时间的飞行,此时对于障碍度阈值区间选择范围较广,反之选择范围较窄。获得选择区间后,根据选择区间进行障碍阈值的匹配,得到所述第一匹配障碍阈值集合,根据第一匹配障碍阈值集合在所述第一无人机降落路径集合中选择障碍阈值匹配成功的路径进行飞行,即生成了所述第二规划路径信息。
为了获得更加准确障碍度阈值选择区间,将无人机的飞行速度和飞行平稳度进行研究。根据第一无人机的飞行速度可以对飞行时间的紧迫程度进行衡量,若时间过于紧迫,则需要调整飞行路线。根据第一无人机的平稳度可以对无人机飞行稳定性进行衡量,若飞行稳定性不高,很容易发生碰撞或刮擦,导致无人机损伤。通过第一用户对第一无人机进行障碍穿行训练获得在第一障碍度阈值、所述第二障碍阈值乃至所述第N障碍阈值的速度信息和平稳度信息,障碍穿行训练可以是实景训练,也可以是在虚拟环境中进行训练。将所述速度信息和所述平稳度信息作为第一影响因子和第二影响因子,在进行障碍度阈值区间选择时,需要根据第一影响因子和第二影响因子进行调整。举不受限制一例:当选择高障碍度区间时,假设根据训练结果在高障碍度区间内第一无人机飞行速度较高,飞行稳定性差,那么此时无人机炸机的风险极高,对障碍度区间进行适当调整,将高障碍度区间适当降低。通过设置第一影响因子和第二影响因子,能够提高障碍度阈值选择区间的选择准确度,从而在进行无人机降落路径规划时,提高无人机飞行的稳定性和安全性。
综上所述,本申请实施例所提供的一种基于多障碍场景的无人机AI降落方法及系统具有如下技术效果:
1、由于采用了获得第一无人机的第一规划路径信息和第一回传影像信息;基于第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;获得第一用户定位变化轨迹信息;根据第一场景障碍度集合和第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;基于动第一无人机的力限制信息和第一空间障碍度分布结果生成第二规划路径信息;基于第二规划路径信息对第一规划路径信息进行更新的技术方案,本申请实施例通过提供了一种基于多障碍场景的无人机AI降落方法及系统,达到了通过对无人机回传视频进行空间障碍分析得到空间障碍分析结果,通过预测操作者的位置得到降落位点的预测结果,结合空间障碍分析结果和降落位点预测结果,实现无人机降落路径的实时更新及联合定位降落的技术效果。
2、由于采用了对构建的飞行动力消耗模式的方法,对无人机在降落过程中的动力消耗进行较为准确的预估,能够根据第一无人机实时电力状态,进行降落位点的适应性调整,从而达到减少无人机意外事故发生的技术效果。
实施例二
基于与前述实施例中一种基于多障碍场景的无人机AI降落方法相同的发明构思,如图4所示,本申请实施例提供了一种基于多障碍场景的无人机AI降落系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一无人机的第一规划路径信息和第一回传影像信息;
第二获得单元12,所述第二获得单元12用于基于所述第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;
第三获得单元13,所述第三获得单元13用于获得第一用户定位预测模型,基于所述第一用户定位预测模型获得第一用户定位变化轨迹信息;
第四获得单元14,所述第四获得单元14用于根据所述第一场景障碍度集合和所述第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;
第五获得单元15,所述第五获得单元15用于获得所述第一无人机的动力限制信息;
第一生成单元16,所述第一生成单元16用于基于所述动力限制信息和所述第一空间障碍度分布结果生成第二规划路径信息;
第一执行单元17,所述第一执行单元17用于基于所述第二规划路径信息对所述第一规划路径信息进行更新,其中,所述第二规划路径信息与所述第一用户定位变化轨迹信息实时交互。
进一步的,所述系统包括:
第六获得单元,所述第六获得单元用于基于所述第一无人机的拍摄任务,获得飞行高度信息和飞行半径信息;
第一构建单元,所述第一构建单元用于根据所述第一无人机的拍摄任务构建第一预设卷积特征;
第七获得单元,所述第七获得单元用于以所述第一回传影像和所述第一预设卷积特征为基础进行障碍特征卷积计算,获得第一特征卷积计算结果;
第二构建单元,所述第二构建单元用于构建第一空间坐标系;
第八获得单元,所述第八获得单元用于基于所述第一空间坐标系,按照所述飞行高度信息、所述飞行半径信息和所述第一特征卷积计算结果进行障碍度空间分布,获得所述第一场景障碍度集合。
进一步的,所述系统包括:
第九获得单元,所述第九获得单元用于获得所述第一用户的第一起点位置信息和第一终点位置信息;
第十获得单元,所述第十获得单元用于根据所述第一起点位置信息和所述第一终点位置信息,获得第一区域,其中,所述第一区域由第一起点坐标位置信息到达所述第一终点位置信息的所有道路构成;
第十一获得单元,所述第十一获得单元用于获得第一区域的第一电子地图信息,所述第一电子地图信息包括实时交通参与物信息和实时交通动态信息;
第十二获得单元,所述第十二获得单元用于根据所述实时交通参与物信息、所述实时交通动态信息获得所述第一区域历史交通数据集合和标识第一用户移动平均速度的标识数据;
第十三获得单元,所述第十三获得单元用于通过所述第一区域历史交通数据集合和所述标识数据训练获得所述第一用户定位预测模型。
进一步的,所述系统包括:
第十四获得单元,所述第十四获得单元用于获得所述第一无人机的第一降落起点位置信息;
第十五获得单元,所述第十五获得单元用于根据所述第一用户定位变化轨迹信息,获得第一实时位置信息和第一预测位置信息;
第二执行单元,所述第二执行单元用于根据所述第一降落起点位置信息、所述第一实时位置信息、所述第一预测位置信息,从所述第一场景障碍度集合中匹配第一实时层空间障碍度信息和第一预测层空间障碍度信息;
第十六获得单元,所述第十六获得单元用于通过所述第一实时层空间障碍度信息和所述第一预测层空间障碍度信息获得所述第一空间障碍度分布结果。
进一步的,所述系统包括:
第三构建单元,所述第三构建单元用于基于第一无人机属性信息,构建飞行动力消耗模式;
第十七获得单元,所述第十七获得单元用于根据所述第一无人机的动力限制信息和所述飞行动力消耗模式,获得飞行时间限制信息;
第十八获得单元,所述第十八获得单元用于基于所述飞行时间限制信息和第一无人机飞行速度阈值对所述第一终点位置信息进行调整,并将调整信息发送至所述第一用户,获得所述第一用户的第二终点位置信息。
进一步的,所述系统包括:
第十九获得单元,所述第十九获得单元用于基于所述第一空间障碍度分布结果、所述第一降落起点位置信息和所述第二终点位置信息,获得第一无人机降落路径集合;
第二十获得单元,所述第二十获得单元用于根据所述第一空间障碍度分布结果进行障碍度划分,获得第一障碍阈值集合;
第二十一获得单元,所述第二十一获得单元用于根据所述第一无人机的动力限制信息和所述飞行动力消耗模式,获得障碍度阈值选择区间;
第二十二获得单元,所述第二十二获得单元用于基于所述障碍度阈值选择区间在所述第一障碍阈值集合中进行障碍阈值匹配,获得第一匹配障碍阈值集合;
第二生成单元,所述第二生成单元用于根据所述第一无人机降落路径集合和所述第一匹配障碍阈值集合生成所述第二规划路径信息。
进一步的,所述系统包括:
第二十三获得单元,所述第二十三获得单元用于基于所述第一障碍阈值集合,获得第一障碍阈值、第二障碍阈值乃至第N障碍阈值;
第二十四获得单元,所述第二十四获得单元用于获得所述第一无人机穿越所述第一障碍度阈值、所述第二障碍阈值乃至所述第N障碍阈值的速度信息和平稳度信息;
第二十五获得单元,所述第二十五获得单元用于基于所述速度信息和所述平稳度信息,获得第一影响因子和第二影响因子;
第三执行单元,所述第三执行单元用于基于所述第一影响因子和所述第二影响因子对所述障碍度阈值选择区间进行调整。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种基于多障碍场景的无人机AI降落方法相同的发明构思,本申请实施例还提供了一种基于多障碍场景的无人机AI降落系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的系统,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于多障碍场景的无人机AI降落方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于多障碍场景的无人机AI降落方法,其中,所述方法包括:获得第一无人机的第一规划路径信息和第一回传影像信息;基于第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;获得第一用户定位变化轨迹信息;根据第一场景障碍度集合和第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;基于动第一无人机的力限制信息和第一空间障碍度分布结果生成第二规划路径信息;基于第二规划路径信息对第一规划路径信息进行更新。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑系统,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于多障碍场景的无人机AI降落方法,其特征在于,所述方法应用于一无人机AI降落系统,所述系统与第一无人机通信连接,所述方法包括:
获得所述第一无人机的第一规划路径信息和第一回传影像信息;
基于所述第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;
获得第一用户定位预测模型,基于所述第一用户定位预测模型获得第一用户定位变化轨迹信息;
根据所述第一场景障碍度集合和所述第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;
获得所述第一无人机的动力限制信息;
基于所述动力限制信息和所述第一空间障碍度分布结果生成第二规划路径信息;
基于所述第二规划路径信息对所述第一规划路径信息进行更新,其中,所述第二规划路径信息与所述第一用户定位变化轨迹信息实时交互。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述第一无人机的拍摄任务,获得飞行高度信息和飞行半径信息;
根据所述第一无人机的拍摄任务构建第一预设卷积特征;
以所述第一回传影像和所述第一预设卷积特征为基础进行障碍特征卷积计算,获得第一特征卷积计算结果;
构建第一空间坐标系;
基于所述第一空间坐标系,按照所述飞行高度信息、所述飞行半径信息和所述第一特征卷积计算结果进行障碍度空间分布,获得所述第一场景障碍度集合。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
获得所述第一用户的第一起点位置信息和第一终点位置信息;
根据所述第一起点位置信息和所述第一终点位置信息,获得第一区域,其中,所述第一区域由第一起点坐标位置信息到达所述第一终点位置信息的所有道路构成;
获得第一区域的第一电子地图信息,所述第一电子地图信息包括实时交通参与物信息和实时交通动态信息;
根据所述实时交通参与物信息、所述实时交通动态信息获得所述第一区域历史交通数据集合和标识第一用户移动平均速度的标识数据;
通过所述第一区域历史交通数据集合和所述标识数据训练获得所述第一用户定位预测模型。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
获得所述第一无人机的第一降落起点位置信息;
根据所述第一用户定位变化轨迹信息,获得第一实时位置信息和第一预测位置信息;
根据所述第一降落起点位置信息、所述第一实时位置信息、所述第一预测位置信息,从所述第一场景障碍度集合中匹配第一实时层空间障碍度信息和第一预测层空间障碍度信息;
通过所述第一实时层空间障碍度信息和所述第一预测层空间障碍度信息获得所述第一空间障碍度分布结果。
5.如权利要求4所述的方法,其特征在于,所述方法包括:
基于第一无人机属性信息,构建飞行动力消耗模式;
根据所述第一无人机的动力限制信息和所述飞行动力消耗模式,获得飞行时间限制信息;
基于所述飞行时间限制信息和第一无人机飞行速度阈值对所述第一终点位置信息进行调整,并将调整信息发送至所述第一用户,获得所述第一用户的第二终点位置信息。
6.如权利要求5所述的方法,其特征在于,所述方法包括:
基于所述第一空间障碍度分布结果、所述第一降落起点位置信息和所述第二终点位置信息,获得第一无人机降落路径集合;
根据所述第一空间障碍度分布结果进行障碍度划分,获得第一障碍阈值集合;
根据所述第一无人机的动力限制信息和所述飞行动力消耗模式,获得障碍度阈值选择区间;
基于所述障碍度阈值选择区间在所述第一障碍阈值集合中进行障碍阈值匹配,获得第一匹配障碍阈值集合;
根据所述第一无人机降落路径集合和所述第一匹配障碍阈值集合生成所述第二规划路径信息。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
基于所述第一障碍阈值集合,获得第一障碍阈值、第二障碍阈值乃至第N障碍阈值;
获得所述第一无人机穿越所述第一障碍度阈值、所述第二障碍阈值乃至所述第N障碍阈值的速度信息和平稳度信息;
基于所述速度信息和所述平稳度信息,获得第一影响因子和第二影响因子;
基于所述第一影响因子和所述第二影响因子对所述障碍度阈值选择区间进行调整。
8.一种基于多障碍场景的无人机AI降落系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一无人机的第一规划路径信息和第一回传影像信息;
第二获得单元,所述第二获得单元用于基于所述第一回传影像信息进行障碍特征卷积计算,获得第一场景障碍度集合;
第三获得单元,所述第三获得单元用于获得第一用户定位预测模型,基于所述第一用户定位预测模型获得第一用户定位变化轨迹信息;
第四获得单元,所述第四获得单元用于根据所述第一场景障碍度集合和所述第一用户定位变化轨迹信息进行实时降落空间障碍度分析,获得第一空间障碍度分布结果;
第五获得单元,所述第五获得单元用于获得所述第一无人机的动力限制信息;
第一生成单元,所述第一生成单元用于基于所述动力限制信息和所述第一空间障碍度分布结果生成第二规划路径信息;
第一执行单元,所述第一执行单元用于基于所述第二规划路径信息对所述第一规划路径信息进行更新,其中,所述第二规划路径信息与所述第一用户定位变化轨迹信息实时交互。
9.一种基于多障碍场景的无人机AI降落系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,其特征在于,使系统以执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902142.1A CN114995519B (zh) | 2022-07-29 | 2022-07-29 | 一种基于多障碍场景的无人机ai降落方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902142.1A CN114995519B (zh) | 2022-07-29 | 2022-07-29 | 一种基于多障碍场景的无人机ai降落方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114995519A true CN114995519A (zh) | 2022-09-02 |
CN114995519B CN114995519B (zh) | 2022-11-18 |
Family
ID=83022393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210902142.1A Active CN114995519B (zh) | 2022-07-29 | 2022-07-29 | 一种基于多障碍场景的无人机ai降落方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995519B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793715A (zh) * | 2023-01-05 | 2023-03-14 | 雄安雄创数字技术有限公司 | 一种无人机辅助飞行方法、系统、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160200438A1 (en) * | 2015-01-09 | 2016-07-14 | Workhorse Group Inc. | Package delivery by means of an automated multi-copter uas/uav dispatched from a conventional delivery vehicle |
CN109116867A (zh) * | 2018-09-28 | 2019-01-01 | 拓攻(南京)机器人有限公司 | 一种无人机飞行避障方法、装置、电子设备及存储介质 |
CN112799426A (zh) * | 2020-12-25 | 2021-05-14 | 陈南方 | 一种基于大数据分析的无人机导航控制系统及方法 |
CN113448345A (zh) * | 2020-03-27 | 2021-09-28 | 北京三快在线科技有限公司 | 一种无人机降落方法及装置 |
CN114721441A (zh) * | 2022-06-10 | 2022-07-08 | 南京航空航天大学 | 多信源融合的车载无人机自主降落控制方法及装置 |
-
2022
- 2022-07-29 CN CN202210902142.1A patent/CN114995519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160200438A1 (en) * | 2015-01-09 | 2016-07-14 | Workhorse Group Inc. | Package delivery by means of an automated multi-copter uas/uav dispatched from a conventional delivery vehicle |
CN109116867A (zh) * | 2018-09-28 | 2019-01-01 | 拓攻(南京)机器人有限公司 | 一种无人机飞行避障方法、装置、电子设备及存储介质 |
CN113448345A (zh) * | 2020-03-27 | 2021-09-28 | 北京三快在线科技有限公司 | 一种无人机降落方法及装置 |
CN112799426A (zh) * | 2020-12-25 | 2021-05-14 | 陈南方 | 一种基于大数据分析的无人机导航控制系统及方法 |
CN114721441A (zh) * | 2022-06-10 | 2022-07-08 | 南京航空航天大学 | 多信源融合的车载无人机自主降落控制方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793715A (zh) * | 2023-01-05 | 2023-03-14 | 雄安雄创数字技术有限公司 | 一种无人机辅助飞行方法、系统、装置及存储介质 |
CN115793715B (zh) * | 2023-01-05 | 2023-04-28 | 雄安雄创数字技术有限公司 | 一种无人机辅助飞行方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114995519B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2734744C1 (ru) | Оперативное управление автономным транспортным средством, включающее в себя работу экземпляра модели частично наблюдаемого марковского процесса принятия решений | |
US11693409B2 (en) | Systems and methods for a scenario tagger for autonomous vehicles | |
Montemerlo et al. | Junior: The stanford entry in the urban challenge | |
CN111656135A (zh) | 基于高清地图的定位优化 | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
EP3698227B1 (en) | Path planning for an unmanned vehicle | |
US11859990B2 (en) | Routing autonomous vehicles using temporal data | |
KR102241584B1 (ko) | 응급 차량을 실시간으로 검출하고, 응급 차량으로 인해 발생될 것으로 예상되는 상황에 대처하기 위한 주행 경로를 플래닝하는 방법 및 장치 | |
US20210333111A1 (en) | Map selection for vehicle pose system | |
US11983935B2 (en) | Estimating auto exposure values of camera by prioritizing object of interest based on contextual inputs from 3D maps | |
EP4222035A1 (en) | Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection | |
US11970185B2 (en) | Data structure for storing information relating to an environment of an autonomous vehicle and methods of use thereof | |
CN112734811B (zh) | 一种障碍物跟踪方法、障碍物跟踪装置和芯片 | |
US11880203B2 (en) | Methods and system for predicting trajectories of uncertain road users by semantic segmentation of drivable area boundaries | |
CN114995519B (zh) | 一种基于多障碍场景的无人机ai降落方法及系统 | |
EP3989034A1 (en) | Automatic safe-landing-site selection for unmanned aerial systems | |
US20230280180A1 (en) | Systems and methods for performing data collection missions | |
CN114942639A (zh) | 一种移动机器人自适应路径规划方法及装置 | |
US20240151817A1 (en) | Systems and methods for static detection based amodalization placement | |
CN115116236B (zh) | 行驶行为的预测方法、装置、存储介质和电子装置 | |
US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
US20240192369A1 (en) | Systems and methods for infant track association with radar detections for velocity transfer | |
US20240192371A1 (en) | Detection of a Change in a Drivable Area | |
US20240125940A1 (en) | Systems and methods for variable-resolution refinement of geiger mode lidar | |
CN115909286A (zh) | 数据处理方法及装置 |
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 |