CN115061499B - 无人机控制方法及无人机控制装置 - Google Patents
无人机控制方法及无人机控制装置 Download PDFInfo
- Publication number
- CN115061499B CN115061499B CN202210851400.8A CN202210851400A CN115061499B CN 115061499 B CN115061499 B CN 115061499B CN 202210851400 A CN202210851400 A CN 202210851400A CN 115061499 B CN115061499 B CN 115061499B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- cost
- navigation
- boundary
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 84
- 238000005070 sampling Methods 0.000 claims description 56
- 238000001514 detection method Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 35
- 230000033001 locomotion Effects 0.000 claims description 26
- 230000007704 transition Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000375 direct analysis in real time Methods 0.000 description 1
- 238000012063 dual-affinity re-targeting Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
本公开提供了一种无人机控制方法及无人机控制装置。该方法包括根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图；根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点；根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵；根据代价矩阵确定无人机的初始飞行路径；针对每个初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列。
Description
技术领域
本公开涉及自动化控制技术领域，更具体地，涉及一种无人机控制方法、无人机控制装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
近年来，无人机凭借其优越的机动性在工业检测、交通监控、灾后搜救和信息探测等领域表现出十分理想的效果。由于无人机具有更高效、更节能的平移路径，同时在运动过程中具有比地面机器人更不受限制的偏航变向能力的特点，因此，在用于探测的机器人中，无人机具有极大的优势。
在无人机执行探测任务的过程中，无人机需要面对初始完全未知的地图环境进行规划与信息收集，而相机具有有限视场角特性，即仅能观察到无人机前方的有限角度、有限距离内的物体，且相机往往与无人机结构固连，这意味着无人机的感知信息和其规划的轨迹与偏航角息息相关。因此，无人机主动规划生成安全无碰撞，同时最大化探测效率的轨迹是无人机自主完成探测任务的关键。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：现有技术中无人机按照飞行轨迹进行对未知空间进行探测时的探测效率较低。
发明内容
有鉴于此，本公开实施例提供了一种无人机控制方法、无人机控制装置、电子设备、计算机可读存储介质及计算机程序产品。
本公开实施例的一个方面提供了一种无人机控制方法，包括：
根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图，其中，第一位置信息是根据从无人机的拍摄装置实时获取的深度图像确定的，目标栅格地图包括多个表征目标栅格地图边界的目标边界体素聚类；
根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点；
根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵；
根据代价矩阵确定无人机的初始飞行路径，其中，初始飞行路径包括多个初始子飞行路径，每个初始子飞行路径包括多个步长的轨迹，多个初始子飞行路径是依据当前位置和每个导航点的导航点位置进行划分的；
针对每个初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列，其中，控制噪声集合用于对初始子飞行路径中每一步长对应的飞行路径进行路线偏移处理，目标控制序列用于控制无人机的飞行，当前状态集合包括表征无人机的飞行状态。
本公开实施例的另一个方面提供了一种无人机控制装置，包括：
更新模块，用于根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图，其中，第一位置信息是根据从无人机的拍摄装置实时获取的深度图像确定的，目标栅格地图包括多个表征目标栅格地图边界的目标边界体素聚类；
第一确定模块，用于根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点；
第二确定模块，用于根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵；
第三确定模块，用于根据代价矩阵确定无人机的初始飞行路径，其中，初始飞行路径包括多个初始子飞行路径，每个初始子飞行路径包括多个步长的轨迹，多个初始子飞行路径是依据当前位置和每个导航点的导航点位置进行划分的；
第四确定模块，用于针对每个初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列，其中，控制噪声集合用于对初始子飞行路径中每一步长对应的飞行路径进行路线偏移处理，目标控制序列用于控制无人机的飞行，当前状态集合包括表征无人机的飞行状态。
本公开实施例的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，利用深度图像对栅格地图进行更新以根据更新后的目标栅格地图确定多个导航点，将多个导航点和当前位置之间的路径选择转换为旅商问题，从而对旅商问题生成的代价矩阵进行求解，以确定最优的初始飞行路径，并利用多组随机生成的控制噪声集合和初始控制序列和无人机的当前状态集合对初始子飞行路径进行处理，即可确定用于无人机飞行的目标控制序列。由于将多个导航点和当前位置之间的路径选择转换为旅商问题，从而避免了在飞行路径的选择上陷入局部最优导致无人机探测效率下降的问题，有效提高了无人机对空间的探测效率。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的无人机控制方法的流程图；
图2示意性示出了根据本公开实施例的栅格地图更新示意图；
图3示意性示出了根据本公开实施例的地图边界的更新示意图；
图4示意性示出了根据本公开实施例的均值采样的示意图；
图5示意性示出了根据本公开实施例的初始飞行路径的示意图；
图6示意性示出了根据本公开实施例的应用无人机控制方法的框架结构图；
图7示意性示出了根据本公开实施例的搭建的典型室内待探测环境示意图；
图8示意性示出了根据本公开实施例的无人机应用无人机控制方法执行探测任务的过程示意图；
图9示意性示出了根据本公开实施例的无人机应用无人机控制方法执行探测任务后的建图结果和飞行轨迹图；
图10示意性示出了根据本公开实施例的无人机应用无人机控制方法在不同平台上的运行结果示意图；
图11示意性示出了根据本公开的实施例的无人机控制装置的框图；以及
图12示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
由于目前多数无人机主动规划生成方法都基于全局规划到局部规划的框架，且局部规划仅考虑运动可行性而不考虑探测效率，从而导致后端轨迹不符合期望造成探测效率降低。另一方面，由于机载计算机的运算能力有限，因此在机载计算机较难运用主动规划算法，从而影响了探测效率与安全性。
有鉴于此，本公开的实施例提供了一种无人机控制方法、无人机控制装置、电子设备、计算机可读存储介质及计算机程序产品。该方法包括根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图；根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点；根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵；根据代价矩阵确定无人机的初始飞行路径；针对每个初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列。
本公开提出的无人机控制方法提高了搭载有限视场角传感器的无人机在未知环境下路径规划的实时性与安全性，增加了无人机在不同环境下执行探测任务的鲁棒性。同时，生成的轨迹具有较高的探测效率。由于该方法不依赖于梯度运算，可以增加多种非线性不连续约束，具有较强的通用性，可用于各种任务场景，具有极大的应用价值。
图1示意性示出了根据本公开实施例的无人机控制方法的流程图。
如图1所示，该无人机控制方法包括操作S101～S105。
在操作S101，根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图，其中，第一位置信息是根据从无人机的拍摄装置实时获取的深度图像确定的，目标栅格地图包括多个表征目标栅格地图边界的目标边界体素聚类。
在操作S102，根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点。
在操作S103，根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵。
在操作S104，根据代价矩阵确定无人机的初始飞行路径，其中，初始飞行路径包括多个初始子飞行路径，每个初始子飞行路径包括多个步长的轨迹，多个初始子飞行路径是依据当前位置和每个导航点的导航点位置进行划分的。
在操作S105，针对每个初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列，其中，控制噪声集合用于对初始子飞行路径中每一步长对应的飞行路径进行路线偏移处理，目标控制序列用于控制无人机的飞行，当前状态集合包括表征无人机的飞行状态。
根据本公开的实施例，栅格地图包括三维的概率栅格地图，该地图中的不同灰度的体素表征体素处于占据状态或空闲状态的概率大小，例如颜色越深表征该体素处于被障碍物占据的概率越大。
根据本公开的实施例，拍摄装置可以包括深度相机。
根据本公开的实施例，目标边界体素聚类是对多个边界体素进行聚类分割得到的，其中，每个目标边界体素聚类中体素的数量是符合预设分割数量阈值的，例如可以将相邻的最多五个边界体素分割为一个目标边界体素聚类。
根据本公开的实施例，多旋翼无人机(例如四旋翼无人机)的初始控制序列在刚起飞时全部被预设为一固定值(例如可以为0)，在后续无人机的飞行探测中，在每次迭代更新初始控制序列以获得此次的目标控制序列的过程中，该初始控制序列则是上一次迭代后生成的目标控制序列，无人机通过对控制序列进行积分处理即可确定无人机的飞行轨迹，本公开通过对目标控制序列进行积分处理即可确定无人机的飞行轨迹和在飞行轨迹中每个步长的位姿，如速度、加速度、位置和视场角。
根据本公开的实施例，导航点可以是指整个飞行路径中多个途经点。
根据本公开的实施例，在无人机飞行的过程中，实时利用拍摄装置拍摄深度图像，利用障碍物在深度图像中的第一位置信息映射在栅格地图上以确定与该障碍物对应的至少一个体素，从而对栅格地图上该体素进行更新，以获得更新后的目标栅格地图，并根据无人机当前的视场角内的目标栅格地图的边界体素进行聚类以获得多个目标边界体素聚类。
根据本公开的实施例，在每个目标边界体素聚类中确定至少一个导航点，从而根据无人机的当前位置和无人机在每个导航点的位姿，将无人机在多个导航点与当前位置之间的路径选择转换为旅商问题，从而可以生成表征当前位置和多个导航点之间的代价矩阵，对代价矩阵进行求解即可确定最优的初始飞行路径。
根据本公开的实施例，针对初始飞行路径中的每个初始子飞行路径，利用随机生成的多组控制噪声集合和初始控制序列对初始子飞行路径中的每一个步长的飞行路径进行路线偏移处理，得到目标控制序列，无人机对目标控制序列进行积分处理即可得到包括多个步长的位姿的目标飞行路径。
根据本公开的实施例，利用深度图像对栅格地图进行更新以根据更新后的目标栅格地图确定多个导航点，将多个导航点和当前位置之间的路径选择转换为旅商问题，从而对旅商问题生成的代价矩阵进行求解，以确定最优的初始飞行路径，并利用多组随机生成的控制噪声集合和初始控制序列和无人机的当前状态集合对初始子飞行路径进行处理，即可确定用于无人机飞行的目标控制序列。由于将多个导航点和当前位置之间的路径选择转换为旅商问题，从而避免了在飞行路径的选择上陷入局部最优导致无人机探测效率下降的问题，有效提高了无人机对空间的探测效率。
图2示意性示出了根据本公开实施例的栅格地图更新示意图。
根据本公开的实施例，根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图，包括如下操作：
在第一距离小于目标距离范围的情况下，将栅格地图确定为过渡栅格地图，其中，第一距离表征第一位置信息与无人机之间的距离，目标距离范围表征第二距离与距离误差之和，第二距离表征第二位置信息与无人机之间的距离。
在第一距离大于目标距离范围的情况下，提高栅格地图中体素为空闲状态的概率，以得到过渡栅格地图，其中，空闲状态表征体素未被障碍物占据的状态。
在第一距离等于目标距离范围的情况下，提高栅格地图中体素为占据状态的概率，以得到过渡栅格地图。
对过渡栅格地图的地图边界进行更新，得到目标栅格地图，其中，目标栅格地图包括多个目标边界体素聚类。
根据本公开的实施例，视场角内的体素在逆向投影在栅格地图上必然能在栅格地图上搜索到一个体素坐标与其对应，且由于深度图像的存储格式，这一搜索过程复杂度仅为O(1)。在搜索到该体素坐标后，比较这一体素到无人机之间的第二距离与该深度图像中障碍物与无人机之间的第一距离，可以得出以下三种情况：
(1)在第一距离小于目标距离范围的情况下，证明拍摄装置检测到的障碍物位于该体素与无人机之间，该体素可被认为是被遮挡的未知体素，不进行更新。
(2)在第一距离大于目标距离范围的情况下，证明拍摄装置检测到的障碍物位于该体素之后，该体素可以认为是空闲体素，在栅格地图中提高其为空闲状态的概率，如图2所示。
(3)在第一距离等于目标距离范围的情况下，证明该体素与拍摄装置检测到的障碍物位于同一条线且位置接近，可以认为该体素被障碍物占据，在栅格地图中提高该体素为占据状态的概率。
在对栅格地图进行更新后可以得到过渡栅格地图，同时对过渡栅格地图的地图边界进行更新，从而最终得到目标栅格地图。
通过该方式，可以并行的利用GPU快速更新所有规定范围内的体素，且每个体素仅需计算一次，可以大幅度缩减栅格地图更新时间且适用于多种视场角的传感器。另一方面，利用该方法可以后续采用同样基于GPU加速的功能库建立欧氏距离转换(EuclideanDistance Transform，EDT)地图方法，该EDT地图后续将应用于规划器为无人机提供离障碍物的距离信息。
本公开通过基于逆向投影的无人机并行局部地图更新算法，可以实现通过GPU加速建图，达成极快的地图更新效果。相比于传统的光路追踪建图方法，该方法避免了对同一体素的重复运算，统一了局部地图中体素更新的频率与标准，并基于此提出了快速的EDT地图构建方式与边界地图增量式更新方式，将整个建图过程时间消耗缩减了4～5倍，且保持为一常数，不受全局地图大小与复杂度的影响。
图3示意性示出了根据本公开实施例的地图边界的更新示意图。
根据本公开的实施例，对过渡栅格地图的地图边界进行更新，得到目标栅格地图，可以包括如下操作：
根据拍摄装置的视场角在过渡栅格地图上确定一个边界更新范围和与边界更新范围相关的原有地图边界，其中，原有地图边界包括多个初始边界体素聚类，多个初始边界体素聚类不重叠且每个初始边界体素聚类中的体素的数量小于等于预设数量。
针对每个初始边界体素聚类，在初始边界体素聚类与边界更新范围存在交集的情况下，利用区域生长法处理边界更新范围内的所有体素，以确定多个新的边界体素。
对多个新的边界体素进行聚类分割处理，得到与视场角对应的新的地图边界，其中，新的地图边界包括多个目标边界体素聚类。
根据新的地图边界和过渡栅格地图，生成目标栅格地图。
根据本公开的实施例，利用区域生长法处理边界更新范围内的所有体素，以确定多个新的边界体素，包括如下操作：
在边界更新范围内的一个第一体素的概率大于预设概率且与第一体素关联的多个第二体素的概率均小于预设概率的情况下，将第一体素确定为一个新的边界体素。
根据本公开的实施例，区域生长是根据事先定义的准则将体素或者子区域聚合成更大区域的过程，其基本思想是从一组生长点开始(生长点可以是单个体素，也可以是某个小区域)，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止。
根据本公开的实施例，预设概率是人为设定的，其用于判断该体素是占据状态、空闲状态或未知状态，例如可以设定占据状态或空闲状态的概率大于60％的体素为已知体素，小于60％的体素则为未知体素。
根据本公开的实施例，根据拍摄装置的视场角确定一个边界更新范围和与边界更新范围相关的原有地图边界，如图3(a)中左上角的灰度较大的体素即原有地图边界，将原有地图边界进行删除，为后续新的地图边界做准备，如图3(b)所示。
在一种示例性的实施例中，令边界体素聚类为F，若任意一个边界聚类Fi与边界更新范围Bm有交集，则认为该边界体素聚类可能位于更新范围内，需进行更新，因此删除该边界体素聚类。此后，以区域生长法遍历该边界聚类Fi内所有体素，按照预设准则判断每一体素是否为边界体素，该预设准则为某体素为已知体素(根据预设概率判断是否为已知体素)，且周围邻近的六个体素中有未知体素(根据预设概率判断是否为未知体素)，则该体素被判断为边界体素，如图3(c)所示。采用该预设准则更新完所有边界体素后，采用主成分分析(Principal Component Analysis，PCA)对其进行聚类分割完成过渡栅格地图的更新，如图3(d)所示，从而避免全局地图更新造成的无人机运算负载过大的问题，其中，图3(d)中左上角不同灰度的体素为不同的边界体素聚类。
图4示意性示出了根据本公开实施例的均值采样的示意图。
根据本公开的实施例，根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点，包括如下操作：
针对每个目标边界体素聚类，对目标边界体素聚类进行均值采样处理，得到位姿集合，其中，位姿集合包括与无人机多个视点对应的多个位姿。
将与观测数量最大的视点确定为一个导航点，其中，观测数量表征在视点处能够观测到目标边界体素聚类中体素的数量。
根据本公开的实施例，考虑到路径可达性，对任意边界体素聚类Fi作均值采样，如图4所示，采样得到一系列带偏航方向的视点VPi＝{xi，1，xi，2，...，xi，n}，对该边界体素聚类进行视场角覆盖，其中xi，1、xi，2......xi，n表示对应第i个边界体素聚类Fi的从第1个到第n个视点的位姿，位姿可以包括但不限于速度、加速度、位置和视场角。其中，图4中Δθ为视场角，坐标轴原点为边界体素聚类中心，r为视点。
根据本公开的实施例，针对每个视点，计算其能观测到的边界体素聚类Fi中的体素数量，取观测数量最大的一个视点作为代表该边界体素聚类Fi的导航点。
根据本公开的实施例，根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵，可以包括如下操作：
根据无人机的当前位置和每个导航点的导航点位置、第一导航路径以及无人机在每个导航点的位姿，确定无人机的当前位置到每个导航点的初始代价。
根据多个初始代价和与每个导航点相关的运动一致性代价，确定当前位置到每个导航点的第一代价，其中，运动一致性代价是根据当前位置、导航点位置和无人机的当前速度确定的。
针对每两个导航点，根据两个导航点的导航点位置、第二导航路径以及无人机在每个导航点的位姿确定每两个导航点之间的第二代价。
根据第一代价、第二代价和第三代价，确定代价矩阵，其中，第三代价表征每个导航点到当前位置的代价。
根据本公开的实施例，在将当前位置和多个导航点之间的路径选择问题转换为旅商问题的情况下，根据当前位置和每个导航点的导航点位置、第一导航路径以及无人机在每个导航点的位姿，确定无人机的当前位置到每个导航点的初始代价，初始代价的计算公式如公式(1)所示。
其中，pi，pj代表任意两个导航点的位置，P(pi，pj)代表利用路径搜索算法对无人机的当前位置和每个导航点的导航点位置进行处理得到的第一导航路径，length(P(pi，pj))表示根据该第一导航路径得到的路径长度。ξi，ξj分别表示该两个导航点的位姿中的偏航角度，vmax与分别表示无人机出厂配置中速度的最大限制值与偏航角的最大变化速度值。
根据本公开的实施例，由于每次进行全局的路线规划时，无人机的出发点固定且不规定最终回到出发点，该问题可认为是一从当前位置开始的开环旅商问题。通过简化该问题为非对称旅商问题并求解其第二代价Mtsp。
在一种示例性的实施例中，假设总共需要计算Ncls个导航点间的旅商问题，则对应的Mtsp为Ncls+1维的矩阵。其主要部分为Ncls×Ncls的导航点间代价，因此第二代价如公式(2)所示：
Mtsp(i，j)＝Mtsp(j，i)＝tlb(xi，xj)，i，j∈{1，2，...，Ncls} (2)
其中，Mtsp(i，j)表示利用路径搜索算法对两个导航点的导航点位置进行处理得到的第二导航路径中相邻两个导航点之间的路径的第二代价。
根据本公开的实施例，代价矩阵的第一行由当前位置x0＝(p0，ξ0)与Ncls个导航点间的代价得出。当前位置到任意第k个导航点的第一代价可由公式(3)计算得出：
Mtsp(0，k)＝tlb(x0，xk)+ωc·cc(xk)，k∈{1，2，...，Ncls} (3)
其中，cc(xk)为引入的运动一致性代价，ωc为人为设定的运动一致性代价的权重系数。运动一致性代价的计算如方式(4)所示：
其中，pk，p0分别为第k个导航点的位置与当前位置，v0为当前位置的速度向量。
根据本公开的实施例，通过这一代价约束，可以在求解旅商问题时考虑惩罚当前飞行速度大幅变化的路径，避免因速度方向反复变化造成的探测效率降低问题。
根据本公开的实施例，为了将开环旅商问题转换为闭环非对称旅商问题，代价矩阵的第一列被设定为其它所有导航点回到当前位置的代价。由于无人机进行空间探测时不需要考虑回到当前位置，为避免对旅商问题求解造成影响，可以将每个导航点到当前位置的第三代价统一设定为一固定值，其仅用于改变问题形式，其中本公开以固定值为0做举例说明，第三代价如公式(5)所示：
Mtsp(k，0)＝0，k∈{1，2，...，Ncls} (5)
根据本公开的实施例，根据上述获得的第一代价、第二代价和第三代价，从而可以生成代价矩阵。
图5示意性示出了根据本公开实施例的初始飞行路径的示意图。
根据本公开的实施例，根据代价矩阵确定无人机的初始飞行路径，包括如下操作：
对代价矩阵进行求解，得到带顺序的导航点遍历序列。将带顺序的导航点遍历序列确定为初始飞行路径。将初始飞行路径中的每个初始子飞行路径进行路径积分处理，得到与每个初始子飞行路径对应的多个轨迹，其中，轨迹包括多个步长。
根据本公开的实施例，一个轨迹表征的是一个初始子飞行路径种相邻两个导航点之间的路径。
根据本公开的实施例，在上述代价矩阵Mtsp生成的情况下，此时旅商问题的代价矩阵已经构建完成，通过开源可用的LKH(Lin Kernighan Helsgaun)算法即可快速利用代价矩阵求解该旅商问题的最优解。最终该LKH算法可输出带顺序的导航点遍历序列，该序列即为当前全局最优的探测遍历序列，即无人机的初始飞行路径，如图5所示。
根据本公开的实施例，在确定初始飞行路径后，考虑到边界体素覆盖这一约束具有非线性和不连续性，可以使用基于前向采样的模型预测路径积分方法(ModelPredictive Path Integral)进行后端轨迹优化，从而生成N条步长为T的轨迹。
本公开的基于旅商问题求解的初始飞行路径生成算法，可以生成全局最优的前端引导。通过遍历前端引导中的导航点，可以达到目前全局层面最大的探测效率。将该前端引导通过简单路径搜索算法生成前端路径(初始飞行路径)后，可作为后端优化的初值或参考，避免其陷入局部极小导致的探测效率下降的问题。
根据本公开的实施例，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列，包括如下操作：
根据多组控制噪声集合、初始控制序列和无人机的当前状态集合，确定多条采样状态轨迹，其中，一组控制噪声集合对应于一条采样状态轨迹，采样状态轨迹包括与每个步长对应的状态，状态包括以下至少一种：速度、加速度、位置和视场角。
根据多条采样状态轨迹，生成多个启发式函数集合。根据多个启发式函数集合和调节系数，确定与每条采样状态轨迹对应的权重系数。根据每条采样状态轨迹对应的权重系数、初始控制序列和多组控制噪声集合，生成目标控制序列。
根据本公开的实施例，考虑无人机在未知环境执行探测任务过程中需要跟踪动力学可行、安全且高效的轨迹而非目标点序列，需要将前端生成的初始子飞行路径进行进一步优化。优化的具体步骤如下：
根据本公开的实施例，每个轨迹对应于多组控制噪声集合，其中，控制噪声集合可以用公式(6)表示：
其中，r为控制噪声所处的轨迹，表示第r条轨迹上的第T-1步所累加的噪声，N为步长的数量。
根据本公开的实施例，根据当前位置的状态xt与初始控制序列Uinit＝[ut，ut+1，…，ut+T-1]，可得出多条采样状态轨迹。采样状态轨迹中每一步长的状态如公式(7)所示：
xt+η＝Axt+η-1+B(ut+η-1+vη-1)，η∈{1，2...T} (7)
其中，A为无人机的状态转移矩阵，表征下一步长的状态与上一步长的状态的关系；B为无人机的系统控制量矩阵，表征下一步长的控制序列与上一步长的控制序列的关系。
根据本公开的实施例，针对每个采样状态轨迹，生成一个启发式函数集合{H1，H2...HN}，HN与控制噪声集合的数量N相关。根据多个启发式函数集合和调节系数，确定与每条采样状态轨迹对应的权重系数。
根据本公开的实施例，在确定N条采样状态轨迹对应的权重系数后，结合初始控制序列和多组控制噪声集合，生成多个中间控制序列最终从多个中间控制序列/>中选择一个作为最终的目标控制序列。中间控制序列/>中每一步长的控制输入/>即为初始控制序列中在第η步长的控制输入ut+η与所有采样状态轨迹在第t+η步受到扰动的加权和，可以用公式(8)表示：
采样状态轨迹种第t步长对应的控制噪声。
根据本公开的实施例，根据多条采样状态轨迹，生成多个启发式函数集合，包括如下操作：
针对每条采样状态轨迹，根据步长对应的状态，确定栅格地图中的目标体素。
根据目标栅格地图中目标体素与障碍物对应的体素之间的第三距离以及距离阈值范围，生成避障代价。
根据无人机的状态上限，生成动力学约束代价，其中，状态上限是人为给定的，在该上限之内可以保证无人机能被稳定控制。
根据无人机的当前位置和当前速度、采样状态轨迹中每个步长对应的位置和速度，生成前端轨迹跟踪代价。
根据采样状态轨迹中每个步长对应的位置在目标栅格地图中观测到的边界体素的数量、增益指数系数和增益倍率系数，确定边界探测增益。
根据避障代价、动力学约束代价、前端轨迹跟踪代价和边界探测增益，确定启发式函数。
利用启发式函数处理每条采样状态轨迹中的多个步长，得到与每条采样状态轨迹对应的多个启发式函数集合，其中，启发式函数集合包括与每个步长对应的启发函数值。
根据本公开的实施例，无人机的飞行过程中，确保安全性最重要的约束就是避障约束。利用预测的步长的状态所处的位置可在EDT地图中查询与该步长的位置存储的距离最近障碍物的第三距离，表示为d(xt)。若d(xt)大于规定的距离阈值范围的上限则说明该步长的状态的附近均无障碍物，为安全状态。若d(xt)小于规定的距离阈值范围的下限则说明该步长的状态与障碍物几乎重叠，为碰撞状态，需要给定较大惩罚并终止前向采样。由此建立如公式(9)所示的避障代价/>
其中，kcrash为人为规定的较大碰撞惩罚，fp(·)为阶次为k＞0的指数函数，可以用公式(10)表示。
其中，kc为人为设定的碰撞代价参数，kc越大，避障引起的代价就越大。
根据本公开的实施例，状态上限包括无人机的速度和加速度的上限。
根据本公开的实施例，为保障最优轨迹的动态可行性，通常需要保证其运动的速度以及加速度在无人机的动力学允许范围内。由此，需要引入如公式(11)所示的速度以及加速度约束：
||v||＜vmax，||a||＜amax (11)
其中，v，a表示无人机在任意时刻的速度与加速度，vmax，amax为速度和加速度上限，可以人为给定。由此可得到如公式(12)所示的动力学约束代价：
其中，Φd表示由速度上界vmax和加速度上界amax构成的状态空间，kd用于惩罚不可行的预测的步长的状态。
根据本公开的实施例，为了保证路径规划的全局性，对前端输出的采样状态轨迹进行跟踪。由于采样状态轨迹通过简单混合A*算法得到的是一条带有多个点的路径，可以通过每个步长的状态对应的位置与路径中点的位置进行对比的方式求出无人机的当前位置和当前速度与采样状态轨迹中每个步长对应的位置和速度之间的差距，从而得到如公式(13)所示的前端轨迹跟踪代价：
其中，pt表示当前状态xt对应的当前位置，ptraj，t表示采样状态轨迹中第t个步长的状态对应的位置，vt表示当前状态xt对应的当前速度，表示采样状态轨迹上第t个步长的状态对应的速度。/>分别是人为设定的轨迹位置跟踪代价增益与轨迹速度跟踪代价增益。
需要说明的是，A*算法全称为A*(A-Star)算法，其是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。
根据本公开的实施例，由于边界信息均以离散的边界体素表示，边界探测的约束可以表现为使得视场角内可观测到的边界体素数量最大。为避免同一轨迹上不同步长状态对同一边界体素的重复计算，可以从轨迹层面计算该探测增益。最终得到如公式(14)所示的第T条轨迹的边界探测增益：
其中，表示步长状态xi上可观测的边界体素的数量，σ表示人为设定的该边界探测增益的指数系数，Kg为人为设定的该边界探测增益的倍率系数。
根据本公开的实施例，根据避障代价、动力学约束代价和前端轨迹跟踪代价，可以确定如公式(15)所示的代价总和：
根据本公开的实施例，将代价总和C(xt，t)与边界探测增益Gf结合可以得到如公式(16)所示的启发式函数。
其中，H(·)为启发式函数，T为采样状态轨迹中预测的步长，τ为人为设定的定积分的积分变量。
根据本公开的实施例，利用如公式(15)所示的启发式函数可以每个初始子飞行路径对应的多条采样状态轨迹结合以确定与每个初始子飞行路径对应的启发式函数集合{H1，H2...HN}。
根据本公开的实施例，在确定代价总和的情况下可以确定如公式(17)所示的待优化的值函数V(xt，t)：
其中，为采样得到的多条采样状态轨迹的代价总和对于无人机的动态系统的期望，minU为使得值最小的中间控制序列，引入随机控制输入得到无人机的局部运动规划问题，可以用公式(18)表述为广义优化问题的形式：
其中，为最终得到的目标控制序列，其包含从t时刻开始前向T步的最优控制输入/>
本公开基于模型预测路径积分的后端轨迹优化，并设计了对应运动约束与探测效率约束条件，由此可以保证无人机在执行对未知空间的探测任务时飞行轨迹的安全、快速及高效性。
根据本公开的实施例，根据多个启发式函数集合和调节系数，确定与每条采样状态轨迹对应的权重系数，包括如下操作：
针对每个启发式函数集合，将启发式函数集合中函数值最小的启发函数值确定为参考启发函数值；
根据参考启发函数值、第n个启发函数值、第m个启发函数值和调节系数，确定权重系数，其中，调节系数是根据参考启发函数值和启发式函数集合的平均函数值确定的。
根据本公开的实施例，权重系数如公式(19)所示：
其中，Hmin表示启发式函数集合中的最小值，即参考启发函数值，Hm表示第m个步长对应的轨迹的启发式函数值，即第m个启发函数值，Hn表示第n个步长对应的轨迹的启发式函数值，即第n个启发函数值，λ是可动态调节的调节系数，是根据Hmin与启发式函数集合的平均函数值确定的。
利用本公开的无人机控制方法，无人机可以将局部运动规划问题转换为固定时域的最优控制问题，并通过求解最优的目标控制序列即可实现对局部运动规划问题的快速有效求解。
图6示意性示出了根据本公开实施例的应用无人机控制方法的框架结构图。
如图6所示，无人机在对未知环境进行探索时，利用拍摄装置拍摄的深度图像进行逆向投影，以便于对局部的栅格地图进行更新，并对栅格地图的地图边界进行更新，从而获得更新的目标栅格地图，对边界更新后的目标栅格地图进行边界聚类以确定多个当航点，并将无人机的当前位置与多个导航点之间的路径选择问题转换为旅商问题，对旅商问题进行求解得到初始飞行路径，并结合无人机在对未知环境进行安全探索所必须考虑的多种约束，如障碍物避碰约束(避障约束)、边界体素增益、末端状态约束和稀疏场景感知约束，最终可以确定与初始飞行路径对应的每条采样状态轨迹的代价，从而与初始控制序列结合可以确定最终的最优的目标控制序列。本公开对有限视场角约束下无人机对未知空间的主动探测路径生成算法研究具有重大意义。面对完全未知复杂多障碍的未知环境时，本公开的无人机控制方法可实现完全自主的无人机的实时建图和全局引导轨迹生成以及路径规划，且生成的轨迹具有安全性、高效性的特点。
本公开的无人机控制方法可以由CPU与GPU同时处理，从而能够最大化利用同时包含这两种处理器的机载计算机，为实际飞行过程中无人机上需要运行的其他程序(如定位程序)节省了运算资源，保证了机载计算机的运行频率，确保了规划实时性。
图7示意性示出了根据本公开实施例的搭建的典型室内待探测环境示意图。图8示意性示出了根据本公开实施例的无人机应用无人机控制方法执行探测任务的过程示意图。图9示意性示出了根据本公开实施例的无人机应用无人机控制方法执行探测任务后的建图结果和飞行轨迹图。
为了验证本公开的无人机控制方法的有效性，可以在Gazebo仿真环境中搭建典型室内待探测环境，包括大厅、走廊、死角等典型场景，如图7所示。
需要说明的是，Gazebo是一款强大的机器人三维仿真软件，具备良好的物理仿真性能。其特点主要包括：(1)真实的动力学仿真：支持多种高性能的物理引擎，如DART、ODE、SimBody、Bullet等；(2)逼真的三维可视化效果：Gazebo采用OGRE(开源图形渲染引擎)，能够实现良好的视景效果如光、阴影、材质等。(3)传感器和插件：支持多种虚拟传感器如激光测距仪、触摸传感器、2/3D相机等，支持用户通过API以插件的形式自主设计搭建传感器、机器人模型和环境控制等。
根据本公开的实施例，无人机在应用本公开的无人机控制方法执行探测任务时，在无人机的实时飞行过程中，通过拍摄装置拍摄的深度图像实时对栅格地图进行更新，如图8(a)所示。在更新后的目标栅格地图上确认导航点并确认最终的目标控制序列，以使得无人机对未知环境进行探测，如图8(b)所示，在对整个未知环境完成探测后，无人机在未知环境中的飞行路径参见图8(c)和图9。由此可见，本公开的无人机控制方法在该仿真环境内进行验证时，无人机探测与建图的效果以及无人机运动安全性均取得了优良的成果。
图10示意性示出了根据本公开实施例的无人机应用无人机控制方法在不同平台上的运行结果示意图。
根据本公开的实施例，考虑到在机载计算机的运行效率问题，本公开的无人机控制方法同时测试了在Nvidia GTX1650与Nvidia Xavier平台上运行仿真探测过程中，无人机控制方法在每次生成目标控制序列时所消耗的时间进行了对比，消耗时间结果如图10所示。
通过对图10的消耗时间进行分析可知，本公开的无人机控制方法在任意平台上的仿真探测均取得了较为优良的成果。
图11示意性示出了根据本公开的实施例的无人机控制装置的框图。
如图11所示，无人机控制装置1100包括更新模块1110、第一确定模块1120、第二确定模块1130、第三确定模块1140和第四确定模块1150。
更新模块1110，用于根据障碍物的第一位置信息和栅格地图中与障碍物对应的体素的第二位置信息，对栅格地图进行更新，得到目标栅格地图，其中，第一位置信息是根据从无人机的拍摄装置实时获取的深度图像确定的，目标栅格地图包括多个表征目标栅格地图边界的目标边界体素聚类。
第一确定模块1120，用于根据多个目标边界体素聚类，确定无人机在每个目标边界体素聚类中的导航点。
第二确定模块1130，用于根据无人机的当前位置和无人机在每个导航点的位姿，确定无人机的当前位置和多个导航点之间的代价矩阵。
第三确定模块1140，用于根据代价矩阵确定无人机的初始飞行路径，其中，初始飞行路径包括多个初始子飞行路径，每个初始子飞行路径包括多个步长的轨迹，多个初始子飞行路径是依据当前位置和每个导航点的导航点位置进行划分的。
第四确定模块1150，用于针对每个初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和无人机的当前状态集合，确定目标控制序列，其中，控制噪声集合用于对初始子飞行路径中每一步长对应的飞行路径进行路线偏移处理，目标控制序列用于控制无人机的飞行，当前状态集合包括表征无人机的飞行状态。
根据本公开的实施例，利用深度图像对栅格地图进行更新以根据更新后的目标栅格地图确定多个导航点，将多个导航点和当前位置之间的路径选择转换为旅商问题，从而对旅商问题生成的代价矩阵进行求解，以确定最优的初始飞行路径，并利用多组随机生成的控制噪声集合和初始控制序列和无人机的当前状态集合对初始子飞行路径进行处理，即可确定用于无人机飞行的目标控制序列。由于将多个导航点和当前位置之间的路径选择转换为旅商问题，从而避免了在飞行路径的选择上陷入局部最优导致无人机探测效率下降的问题，有效提高了无人机对空间的探测效率。
根据本公开的实施例，更新模块1110包括第一确定子模块、第一得到子模块、第二得到子模块和更新子模块。
第一确定子模块，用于在第一距离小于目标距离范围的情况下，将栅格地图确定为过渡栅格地图，其中，第一距离表征第一位置信息与无人机之间的距离，目标距离范围表征第二距离与距离误差之和，第二距离表征第二位置信息与无人机之间的距离。
第一得到子模块，用于在第一距离大于目标距离范围的情况下，提高栅格地图中体素为空闲状态的概率，以得到过渡栅格地图，其中，空闲状态表征体素未被障碍物占据的状态。
第二得到子模块，用于在第一距离等于目标距离范围的情况下，提高栅格地图中体素为占据状态的概率，以得到过渡栅格地图。
更新子模块，用于对过渡栅格地图的地图边界进行更新，得到目标栅格地图，其中，目标栅格地图包括多个目标边界体素聚类。
根据本公开的实施例，更新子模块包括第一确定单元、第二确定单元、第一得到单元和第一生成单元。
第一确定单元，用于根据拍摄装置的视场角在过渡栅格地图上确定一个边界更新范围和与边界更新范围相关的原有地图边界，其中，原有地图边界包括多个初始边界体素聚类，多个初始边界体素聚类不重叠且每个初始边界体素聚类中的体素的数量小于等于预设数量。
第二确定单元，用于针对每个初始边界体素聚类，在初始边界体素聚类与边界更新范围存在交集的情况下，利用区域生长法处理边界更新范围内的所有体素，以确定多个新的边界体素。
第一得到单元，用于对多个新的边界体素进行聚类分割处理，得到与视场角对应的新的地图边界，其中，新的地图边界包括多个目标边界体素聚类。
第一生成单元，用于根据新的地图边界和过渡栅格地图，生成目标栅格地图。
根据本公开的实施例，第二确定单元包括第一确定子单元。
第一确定子单元，用于在边界更新范围内的一个第一体素的概率大于预设概率且与第一体素关联的多个第二体素的概率均小于预设概率的情况下，将第一体素确定为一个新的边界体素。
根据本公开的实施例，第一确定模块1120包括采样子模块和第二确定子模块。
采样子模块，用于针对每个目标边界体素聚类，对目标边界体素聚类进行均值采样处理，得到位姿集合，其中，位姿集合包括与无人机多个视点对应的多个位姿。
第二确定子模块，用于将与观测数量最大的视点确定为一个导航点，其中，观测数量表征在视点处能够观测到目标边界体素聚类中体素的数量。
根据本公开的实施例，第二确定模块1130包括第三确定子模块、第四确定子模块、第五确定子模块和第六确定子模块。
第三确定子模块，用于根据无人机的当前位置和每个导航点的导航点位置、第一导航路径以及无人机在每个导航点的位姿，确定无人机的当前位置到每个导航点的初始代价。
第四确定子模块，用于根据多个初始代价和与每个导航点相关的运动一致性代价，确定当前位置到每个导航点的第一代价，其中，运动一致性代价是根据当前位置、导航点位置和无人机的当前速度确定的。
第五确定子模块，用于针对每两个导航点，根据两个导航点的导航点位置、第二导航路径以及无人机在每个导航点的位姿确定每两个导航点之间的第二代价。
第六确定子模块，用于根据第一代价、第二代价和第三代价，确定代价矩阵，其中，第三代价表征每个导航点到当前位置的代价。
根据本公开的实施例，第三确定模块1140包括求解子模块、第七确定子模块和第三得到子模块。
求解子模块，用于对代价矩阵进行求解，得到带顺序的导航点遍历序列。
第七确定子模块，用于将带顺序的导航点遍历序列确定为初始飞行路径。
第三得到子模块，用于将初始飞行路径中的每个初始子飞行路径进行路径积分处理，得到与每个初始子飞行路径对应的轨迹，其中，轨迹包括多个步长。
根据本公开的实施例，第四确定模块1150包括第八确定子模块、第一生成子模块、第九确定子模块和第二生成子模块。
第八确定子模块，用于根据多组控制噪声集合、初始控制序列和无人机的当前状态集合，确定多条采样状态轨迹，其中，一组控制噪声集合对应于一条采样状态轨迹，采样状态轨迹包括与每个步长对应的状态，状态包括以下至少一种：速度、加速度、位置和视场角。
第一生成子模块，用于根据多条采样状态轨迹，生成多个启发式函数集合。
第九确定子模块，用于根据多个启发式函数集合和调节系数，确定与每条采样状态轨迹对应的权重系数。
第二生成子模块，用于根据每条采样状态轨迹对应的权重系数、初始控制序列和多组控制噪声集合，生成目标控制序列。
根据本公开的实施例，第一生成子模块包括第三确定单元、第二生成单元、第三生成单元、第四生成单元、第四确定单元、第五确定单元和第二得到单元。
第三确定单元，用于针对每条采样状态轨迹，根据步长对应的状态，确定栅格地图中的目标体素。
第二生成单元，用于根据目标栅格地图中目标体素与障碍物对应的体素之间的第三距离以及距离阈值范围，生成避障代价。
第三生成单元，用于根据无人机的状态上限，生成动力学约束代价。
第四生成单元，用于根据无人机的当前位置和当前速度、采样状态轨迹中每个步长对应的位置和速度，生成前端轨迹跟踪代价。
第四确定单元，用于根据采样状态轨迹中每个步长对应的位置在目标栅格地图中观测到的边界体素的数量、增益指数系数和增益倍率系数，确定边界探测增益。
第五确定单元，用于根据避障代价、动力学约束代价、前端轨迹跟踪代价和边界探测增益，确定启发式函数。
第二得到单元，用于利用启发式函数处理每条采样状态轨迹中的多个步长，得到与每条采样状态轨迹对应的多个启发式函数集合，其中，启发式函数集合包括与每个步长对应的启发函数值。
根据本公开的实施例，第九确定子模块包括第六确定单元和第七确定单元。
第六确定单元，用于针对每个启发式函数集合，将启发式函数集合中函数值最小的启发函数值确定为参考启发函数值。
第七确定单元，用于根据参考启发函数值、第n个启发函数值、第m个启发函数值和调节系数，确定权重系数，其中，调节系数是根据参考启发函数值和启发式函数集合的平均函数值确定的。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArrays，PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，更新模块1110、第一确定模块1120、第二确定模块1130、第三确定模块1140和第四确定模块1150中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/子模块/单元/子单元可以被拆分成多个模块/子模块/单元/子单元。或者，这些模块/子模块/单元/子单元中的一个或多个模块/子模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/子模块/单元/子单元中实现。根据本公开的实施例，更新模块1110、第一确定模块1120、第二确定模块1130、第三确定模块1140和第四确定模块1150中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，更新模块1110、第一确定模块1120、第二确定模块1130、第三确定模块1140和第四确定模块1150中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中无人机控制装置部分与本公开的实施例中无人机控制方法部分是相对应的，无人机控制装置部分的描述具体参考无人机控制方法部分，在此不再赘述。
图12示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图12示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示，根据本公开实施例的电子设备1200包括处理器1201，其可以根据存储在只读存储器(Read-Only Memory，ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(Random Access Memory，RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1203中，存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1202和RAM 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备1200还可以包括输入/输出(I/O)接口1205，输入/输出(I/O)接口1205也连接至总线1204。系统1200还可以包括连接至I/O接口1205的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory，EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1202和/或RAM 1203和/或ROM 1202和RAM 1203以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的无人机控制方法。
在该计算机程序被处理器1201执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1209被下载和安装，和/或从可拆卸介质1211被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种无人机控制方法，包括：
根据障碍物的第一位置信息和栅格地图中与所述障碍物对应的体素的第二位置信息，对所述栅格地图进行更新，得到目标栅格地图，其中，所述第一位置信息是根据从所述无人机的拍摄装置实时获取的深度图像确定的，所述目标栅格地图包括多个表征所述目标栅格地图边界的目标边界体素聚类；
根据多个所述目标边界体素聚类，确定所述无人机在每个所述目标边界体素聚类中的导航点；
根据所述无人机的当前位置和所述无人机在每个所述导航点的位姿，确定所述无人机的当前位置和多个所述导航点之间的代价矩阵；
根据所述代价矩阵确定所述无人机的初始飞行路径，其中，所述初始飞行路径包括多个初始子飞行路径，每个所述初始子飞行路径包括多个步长的轨迹，所述多个初始子飞行路径是依据所述当前位置和每个所述导航点的导航点位置进行划分的；
针对每个所述初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和所述无人机的当前状态集合，确定目标控制序列，其中，所述控制噪声集合用于对所述初始子飞行路径中每一步长对应的飞行路径进行路线偏移处理，所述目标控制序列用于控制所述无人机的飞行，所述当前状态集合包括表征所述无人机的飞行状态；
其中，所述根据所述无人机的当前位置和所述无人机在每个所述导航点的位姿，确定所述无人机的当前位置和多个所述导航点之间的代价矩阵，包括：
根据所述无人机的当前位置和每个所述导航点的导航点位置、第一导航路径以及所述无人机在每个所述导航点的位姿，确定所述无人机的当前位置到每个所述导航点的初始代价，其中，初始代价的计算公式如公式(1)所示：
其中，pi,pj代表任意两个导航点的位置，P(pi,pj)代表利用路径搜索算法对无人机的当前位置和每个导航点的导航点位置进行处理得到的第一导航路径，length(P(pi,pj))表示根据该第一导航路径得到的路径长度；ξi,ξj分别表示该两个导航点的位姿中的偏航角度，vmax与分别表示无人机出厂配置中速度的最大限制值与偏航角的最大变化速度值；
根据多个所述初始代价和与每个所述导航点相关的运动一致性代价，确定所述当前位置到每个所述导航点的第一代价，其中，所述运动一致性代价是根据所述当前位置、所述导航点位置和所述无人机的当前速度确定的，其中，第一代价Mtsp(0,k)由公式(2)计算得出，运动一致性代价cc(xk)的计算如方式(3)所示：
Mtsp(0,k)＝tlb(x0,xk)+ωc·cc(xk),k∈{1,2,...,Ncls} (2)
(3)
其中，cc(xk)为引入的运动一致性代价，ωc为人为设定的运动一致性代价的权重系数，pk,p0分别为第k个导航点的位置与当前位置，v0为当前位置的速度向量；
针对每两个所述导航点，根据两个所述导航点的导航点位置、第二导航路径以及所述无人机在每个所述导航点的位姿确定每两个所述导航点之间的第二代价，其中，第二代价如公式(4)所示：
Mtsp(i,j)＝Mtsp(j,i)＝tlb(xi,xj),i,j∈{1,2,...,Ncls} (4)
其中，Mtsp(i,j)表示利用路径搜索算法对两个导航点的导航点位置进行处理得到的第二导航路径中相邻两个导航点之间的路径的第二代价；
根据所述第一代价、所述第二代价和第三代价，确定所述代价矩阵，其中，所述第三代价表征每个所述导航点到所述当前位置的代价，其中，第三代价如公式(5)所示：
Mtsp(k,0)＝0,k∈{1,2,...,Ncls} (5)。
2.根据权利要求1所述的方法，其中，所述根据障碍物的第一位置信息和栅格地图中与所述障碍物对应的体素的第二位置信息，对所述栅格地图进行更新，得到目标栅格地图，包括：
在第一距离小于目标距离范围的情况下，将所述栅格地图确定为过渡栅格地图，其中，所述第一距离表征所述第一位置信息与所述无人机之间的距离，所述目标距离范围表征第二距离与距离误差之和，第二距离表征所述第二位置信息与所述无人机之间的距离；
在所述第一距离大于所述目标距离范围的情况下，提高所述栅格地图中所述体素为空闲状态的概率，以得到所述过渡栅格地图，其中，所述空闲状态表征所述体素未被障碍物占据的状态；
在所述第一距离等于所述目标距离范围的情况下，提高所述栅格地图中所述体素为占据状态的概率，以得到所述过渡栅格地图；
对所述过渡栅格地图的地图边界进行更新，得到所述目标栅格地图，其中，所述目标栅格地图包括多个所述目标边界体素聚类。
3.根据权利要求2所述的方法，其中，所述对所述过渡栅格地图的地图边界进行更新，得到所述目标栅格地图，包括：
根据所述拍摄装置的视场角在所述过渡栅格地图上确定一个边界更新范围和与所述边界更新范围相关的原有地图边界，其中，所述原有地图边界包括多个初始边界体素聚类，多个所述初始边界体素聚类不重叠且每个所述初始边界体素聚类中的体素的数量小于等于预设数量；
针对每个所述初始边界体素聚类，在所述初始边界体素聚类与所述边界更新范围存在交集的情况下，利用区域生长法处理所述边界更新范围内的所有体素，以确定多个新的边界体素；
对所述多个新的边界体素进行聚类分割处理，得到与所述视场角对应的新的地图边界，其中，所述新的地图边界包括多个所述目标边界体素聚类；
根据所述新的地图边界和所述过渡栅格地图，生成所述目标栅格地图。
4.根据权利要求3所述的方法，其中，所述利用区域生长法处理所述边界更新范围内的所有体素，以确定多个新的边界体素，包括：
在所述边界更新范围内的一个第一体素的概率大于预设概率且与所述第一体素关联的多个第二体素的概率均小于所述预设概率的情况下，将所述第一体素确定为一个所述新的边界体素。
5.根据权利要求1所述的方法，其中，所述根据多个所述目标边界体素聚类，确定所述无人机在每个所述目标边界体素聚类中的导航点，包括：
针对每个所述目标边界体素聚类，对所述目标边界体素聚类进行均值采样处理，得到位姿集合，其中，所述位姿集合包括与所述无人机多个视点对应的多个位姿；
将与观测数量最大的所述视点确定为一个所述导航点，其中，所述观测数量表征在所述视点处能够观测到所述目标边界体素聚类中体素的数量。
6.根据权利要求1所述的方法，其中，所述根据所述代价矩阵确定所述无人机的初始飞行路径，包括：
对所述代价矩阵进行求解，得到带顺序的导航点遍历序列；
将所述带顺序的导航点遍历序列确定为所述初始飞行路径；
将所述初始飞行路径中的每个所述初始子飞行路径进行路径积分处理，得到与每个所述初始子飞行路径对应的多个所述轨迹，其中，所述轨迹包括多个所述步长。
7.根据权利要求1所述的方法，其中，所述根据多组随机生成的控制噪声集合、初始控制序列和所述无人机的当前状态集合，确定目标控制序列，包括：
根据多组所述控制噪声集合、所述初始控制序列和所述无人机的当前状态集合，确定多条采样状态轨迹，其中，一组所述控制噪声集合对应于一条所述采样状态轨迹，所述采样状态轨迹包括与每个所述步长对应的状态，所述状态包括以下至少一种：速度、加速度、位置和视场角；
根据多条所述采样状态轨迹，生成多个启发式函数集合；
根据多个所述启发式函数集合和调节系数，确定与每条所述采样状态轨迹对应的权重系数；
根据每条所述采样状态轨迹对应的所述权重系数、所述初始控制序列和多组所述控制噪声集合，生成所述目标控制序列。
8.根据权利要求7所述的方法，其中，所述根据多条所述采样状态轨迹，生成多个启发式函数集合，包括：
针对每条所述采样状态轨迹，根据所述步长对应的状态，确定所述栅格地图中的目标体素；
根据所述目标栅格地图中所述目标体素与所述障碍物对应的体素之间的第三距离以及距离阈值范围，生成避障代价；
根据所述无人机的状态上限，生成动力学约束代价；
根据所述无人机的当前位置和当前速度、所述采样状态轨迹中每个所述步长对应的位置和速度，生成前端轨迹跟踪代价；
根据所述采样状态轨迹中每个所述步长对应的位置在所述目标栅格地图中观测到的边界体素的数量、增益指数系数和增益倍率系数，确定边界探测增益；
根据所述避障代价、所述动力学约束代价、所述前端轨迹跟踪代价和所述边界探测增益，确定启发式函数；
利用所述启发式函数处理每条所述采样状态轨迹中的多个所述步长，得到与每条所述采样状态轨迹对应的多个所述启发式函数集合，其中，所述启发式函数集合包括与每个所述步长对应的启发函数值。
9.根据权利要求7或8所述的方法，其中，所述根据多个所述启发式函数集合和调节系数，确定与每条所述采样状态轨迹对应的权重系数，包括：
针对每个所述启发式函数集合，将所述启发式函数集合中函数值最小的启发函数值确定为参考启发函数值；
根据所述参考启发函数值、第n个启发函数值、第m个启发函数值和所述调节系数，确定所述权重系数，其中，所述调节系数是根据所述参考启发函数值和所述启发式函数集合的平均函数值确定的。
10.一种无人机控制装置，包括：
更新模块，用于根据障碍物的第一位置信息和栅格地图中与所述障碍物对应的体素的第二位置信息，对所述栅格地图进行更新，得到目标栅格地图，其中，所述第一位置信息是根据从所述无人机的拍摄装置实时获取的深度图像确定的，所述目标栅格地图包括多个表征所述目标栅格地图边界的目标边界体素聚类；
第一确定模块，用于根据多个所述目标边界体素聚类，确定所述无人机在每个所述目标边界体素聚类中的导航点；
第二确定模块，用于根据所述无人机的当前位置和所述无人机在每个所述导航点的位姿，确定所述无人机的当前位置和多个所述导航点之间的代价矩阵；
第三确定模块，用于根据所述代价矩阵确定所述无人机的初始飞行路径，其中，所述初始飞行路径包括多个初始子飞行路径，每个所述初始子飞行路径包括多个步长的轨迹，所述多个初始子飞行路径是依据所述当前位置和每个所述导航点的导航点位置进行划分的；
第四确定模块，用于针对每个所述初始子飞行路径，根据多组随机生成的控制噪声集合、初始控制序列和所述无人机的当前状态集合，确定目标控制序列，其中，所述控制噪声集合用于对所述初始子飞行路径中每一步长对应的飞行路径进行路线偏移处理，所述目标控制序列用于控制所述无人机的飞行，所述当前状态集合包括表征所述无人机的飞行状态；
其中，第二确定模块包括：
第三确定子模块，用于根据无人机的当前位置和每个导航点的导航点位置、第一导航路径以及无人机在每个导航点的位姿，确定无人机的当前位置到每个导航点的初始代价，其中，初始代价的计算公式如下所示：
其中，pi,pj代表任意两个导航点的位置，P(pi,pj)代表利用路径搜索算法对无人机的当前位置和每个导航点的导航点位置进行处理得到的第一导航路径，length(P(pi,pj))表示根据该第一导航路径得到的路径长度；ξi,ξj分别表示该两个导航点的位姿中的偏航角度，vmax与分别表示无人机出厂配置中速度的最大限制值与偏航角的最大变化速度值；
第四确定子模块，用于根据多个初始代价和与每个导航点相关的运动一致性代价，确定当前位置到每个导航点的第一代价，其中，运动一致性代价是根据当前位置、导航点位置和无人机的当前速度确定的，其中，第一代价Mtsp(0,k)如下所示，运动一致性代价cc(xk)的计算如下所示：
Mtsp(0,k)＝tlb(x0,xk)+ωc·cc(xk),k∈{1,2,...,Ncls}
其中，cc(xk)为引入的运动一致性代价，ωc为人为设定的运动一致性代价的权重系数，pk,p0分别为第k个导航点的位置与当前位置，v0为当前位置的速度向量；
第五确定子模块，用于针对每两个导航点，根据两个导航点的导航点位置、第二导航路径以及无人机在每个导航点的位姿确定每两个导航点之间的第二代价，其中，第二代价如下所示：
Mtsp(i,j)＝Mtsp(j,i)＝tlb(xi,xj),i,j∈{1,2,...,Ncls}
其中，Mtsp(i,j)表示利用路径搜索算法对两个导航点的导航点位置进行处理得到的第二导航路径中相邻两个导航点之间的路径的第二代价；
第六确定子模块，用于根据第一代价、第二代价和第三代价，确定代价矩阵，其中，第三代价表征每个导航点到当前位置的代价，其中，第三代价如下所示：
Mtsp(k,0)＝0,k∈{1,2,...,Ncls}。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210851400.8A CN115061499B (zh) | 2022-07-18 | 2022-07-18 | 无人机控制方法及无人机控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210851400.8A CN115061499B (zh) | 2022-07-18 | 2022-07-18 | 无人机控制方法及无人机控制装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115061499A CN115061499A (zh) | 2022-09-16 |
| CN115061499B true CN115061499B (zh) | 2024-05-10 |
Family
ID=83206174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210851400.8A Active CN115061499B (zh) | 2022-07-18 | 2022-07-18 | 无人机控制方法及无人机控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115061499B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117170406B (zh) * | 2023-09-21 | 2024-04-12 | 四川大学 | 一种基于分层规划的无人机快速自主搜寻方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107807661A (zh) * | 2017-11-24 | 2018-03-16 | 天津大学 | 轨迹控制室内四旋翼无人机编队演示验证平台及方法 |
| CN108827306A (zh) * | 2018-05-31 | 2018-11-16 | 北京林业大学 | 一种基于多传感器融合的无人机slam导航方法及系统 |
| US10679509B1 (en) * | 2016-09-20 | 2020-06-09 | Amazon Technologies, Inc. | Autonomous UAV obstacle avoidance using machine learning from piloted UAV flights |
| CN112269382A (zh) * | 2020-10-21 | 2021-01-26 | 桂林电子科技大学 | 一种机器人多目标路径规划方法 |
| CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
| CN114326825A (zh) * | 2021-11-09 | 2022-04-12 | 国网辽宁省电力有限公司铁岭供电公司 | 输电线路无人机巡检路径规划及缺陷分析云平台 |
-
2022
- 2022-07-18 CN CN202210851400.8A patent/CN115061499B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10679509B1 (en) * | 2016-09-20 | 2020-06-09 | Amazon Technologies, Inc. | Autonomous UAV obstacle avoidance using machine learning from piloted UAV flights |
| CN107807661A (zh) * | 2017-11-24 | 2018-03-16 | 天津大学 | 轨迹控制室内四旋翼无人机编队演示验证平台及方法 |
| CN108827306A (zh) * | 2018-05-31 | 2018-11-16 | 北京林业大学 | 一种基于多传感器融合的无人机slam导航方法及系统 |
| CN112269382A (zh) * | 2020-10-21 | 2021-01-26 | 桂林电子科技大学 | 一种机器人多目标路径规划方法 |
| CN114326825A (zh) * | 2021-11-09 | 2022-04-12 | 国网辽宁省电力有限公司铁岭供电公司 | 输电线路无人机巡检路径规划及缺陷分析云平台 |
| CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
Non-Patent Citations (5)
| Title |
|---|
| Coarse-to-fine object detection in unmanned aerial vehicle imagery using lightweight convolutional neural network and deep motion saliency;Jing Zhang ，等;Neurocomputing;20201231;555–565 * |
| Development of an intelligent UAV path planning approach to minimize the costs in flight distance, time, altitude, and obstacle collision;Shiwei Lin，等;2019 19th International Symposium on Communications and Information Technologies;20191231;238-243 * |
| Predictive Speed Synchronous Control of Dual Permanent Magnet Motor System Based on Quadratic Cost Function;Xiuyun Zhang, Zhiqiang Wang, Jie Bian;2021 33rd Chinese Control and Decision Conference;20211231;4332-4337 * |
| 无人机在处置涉爆犯罪中的应用;王卓，刘知言;创新应用;20211231;第50卷(第10期);158-159 * |
| 无人水下航行器双层路径规划研究;段有艳;自动化与仪器仪表;20171231(第5期);187-190 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115061499A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108225358B (zh) | 交通工具导航 | |
| CN110687923B (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
| CN111417871A (zh) | 基于激光雷达利用高清晰度地图的集成运动估计的迭代最近点处理 | |
| WO2022056770A1 (zh) | 一种路径规划方法和路径规划装置 | |
| CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
| CN112740268B (zh) | 目标检测方法和装置 | |
| US20210114622A1 (en) | Movement control | |
| US11687079B2 (en) | Methods, devices, and systems for analyzing motion plans of autonomous vehicles | |
| US20210116920A1 (en) | Controlling movement of a device | |
| WO2021021862A1 (en) | Mapping and localization system for autonomous vehicles | |
| Batinovic et al. | A shadowcasting-based next-best-view planner for autonomous 3D exploration | |
| CN115061499B (zh) | 无人机控制方法及无人机控制装置 | |
| CN115639823A (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
| Meng et al. | Intelligent robotic system for autonomous exploration and active SLAM in unknown environments | |
| Chen et al. | Risk-aware trajectory sampling for quadrotor obstacle avoidance in dynamic environments | |
| Stepanas et al. | Ohm: Gpu based occupancy map generation | |
| Wu et al. | A Non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning | |
| CN112904901B (zh) | 一种基于双目视觉slam与融合算法的路径规划方法 | |
| Politi et al. | Path planning and landing for unmanned aerial vehicles using ai | |
| Zhang et al. | Exploration with global consistency using real-time re-integration and active loop closure | |
| Lebedev et al. | Analysis of «Leader–Followers» Algorithms in Problem of Trajectory Planning for a Group of Multi-rotor UAVs | |
| CN113483769A (zh) | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 | |
| Sun et al. | GLANS: GIS based large-scale autonomous navigation system | |
| US20220292290A1 (en) | Distributed computing network to perform simultaneous localization and mapping | |
| Cai et al. | Intelligent Systems in Motion: A Comprehensive Review on Multi-Sensor Fusion and Information Processing From Sensing to Navigation in Path Planning |
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 |