CN115218907B - 无人机路径规划方法、装置、电子设备及存储介质 - Google Patents

无人机路径规划方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115218907B
CN115218907B CN202211138062.XA CN202211138062A CN115218907B CN 115218907 B CN115218907 B CN 115218907B CN 202211138062 A CN202211138062 A CN 202211138062A CN 115218907 B CN115218907 B CN 115218907B
Authority
CN
China
Prior art keywords
score
unmanned aerial
aerial vehicle
path
comprehensive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211138062.XA
Other languages
English (en)
Other versions
CN115218907A (zh
Inventor
古家威
蔡维嘉
张立华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ji Hua Laboratory
Original Assignee
Ji Hua Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ji Hua Laboratory filed Critical Ji Hua Laboratory
Priority to CN202211138062.XA priority Critical patent/CN115218907B/zh
Publication of CN115218907A publication Critical patent/CN115218907A/zh
Application granted granted Critical
Publication of CN115218907B publication Critical patent/CN115218907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请涉及无人机控制技术领域，提供了一种无人机路径规划方法、装置、电子设备及存储介质，方法包括：获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；获取无人机的初始位置信息和目标位置信息；基于ego‑planner算法的前端路径算法，根据所述初始位置信息和所述目标位置信息生成无人机的初始路径；根据无人机的前、后、左、右、上、下六个方向上的综合感知能力得分计算所述初始路径的后端约束函数；把所述后端约束函数代入所述ego‑planner算法的后端路径算法，以对所述初始路径进行修正，得到无人机的最终路径。本发明具有搜索效率高和安全性高的有益效果。

Description

无人机路径规划方法、装置、电子设备及存储介质
技术领域
本申请涉及无人机控制技术领域，具体而言，涉及一种无人机路径规划方法、装置、电子设备及存储介质。
背景技术
无人机的路径规划是指依据某个优化准则，如能量代价最小、行走路线最短、行走时间最短等，在其工作空间中找到一条从起始位置到目标位置的，且能够避开障碍物的最优路径。
现有的无人机路径规划算法中，常使用自身的定位信息、所携带传感器探测到的环境点云信息等，感知自身与环境的关系，并进行路径规划。无人机作为一种空中机器人，在其前、后、左、右、上、下等六个方向都可以进行移动，受限于成本与无人机负载大小，大部分无人机不能同时在六个方向上安装传感器，因此无人机在某些方向上探测不到障碍物，然而现有的路径规划算法中把传感器探测到的信息作为障碍物信息，而未探测到的方向则默认该方向上无障碍物，这会使得无人机路径规划算法往无安装传感器的方向规划路线，进而导致无人机撞上障碍物。此外，不同传感器的探测范围、探测精度也各不一致，这也使得无人机在各个方向上的感知能力是不一样的，因此无人机在不同方向上的规划路线的危险系数也会不一样，但是现有的路径规划算法却并没有将这一点考虑在内。
基于上述问题，目前尚未有有效的解决方法。
发明内容
本申请的目的在于提供一种无人机路径规划方法、装置、电子设备及存储介质，能在无人机路径规划过程中，选择出最安全的无人机路径，提高了无人机路径规划的安全性。
第一方面，本申请提供了一种无人机路径规划方法，其中，包括以下步骤：
S1.获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；对于设置有传感器的所述方向，获取各所述传感器对应的测量精度值、水平视场角和垂直视场角，并根据所述测量精度值、所述水平视场角和所述垂直视场角计算对应的传感器的所述综合感知能力得分；然后依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；
S2.获取无人机的初始位置信息和目标位置信息；
S3.基于ego-planner算法的前端路径算法，根据所述初始位置信息和所述目标位置信息生成无人机的初始路径；
S4.根据所述第一综合得分、所述第二综合得分、所述第三综合得分、所述第四综合得分、所述第五综合得分和所述第六综合得分计算所述初始路径的后端约束函数；
S5.把所述后端约束函数代入所述ego-planner算法的后端路径算法，以对所述初始路径进行修正，得到无人机的最终路径。
本申请的无人机路径规划方法，通过获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；获取无人机的初始位置信息和目标位置信息；基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
可选地，步骤S1包括：
对于没有设置传感器的所述方向，把对应的所述综合感知能力得分设为零。
通过这种计算方式，可以更加客观地从传感器的在不同方面的能力来评判传感器的综合感知能力得分，使最终获得的传感器的综合感知能力得分更加准确。
可选地，步骤S1包括：
S101.根据预设的能力评估表查询得到所述测量精度值对应的第一能力得分、所述水平视场角对应的第二能力得分和所述垂直视场角对应的第三能力得分；
S102.根据所述第一能力得分、所述第二能力得分和所述第三能力得分计算所述综合感知能力得分。
通过这种查询方式，可以方便获取传感器在测量精度值、水平视场角和垂直视场角等方面的得分，提高获取的效率。
可选地，步骤S102包括：
根据以下公式计算所述综合感知能力得分：
Figure 100002_DEST_PATH_IMAGE001
其中，P代表所述综合感知能力得分；
Figure 100002_DEST_PATH_IMAGE002
代表所述第一能力得分；
Figure 100002_DEST_PATH_IMAGE003
代表所述第二能力得分；
Figure 100002_DEST_PATH_IMAGE004
代表所述第三能力得分。
可选地，步骤S3包括：
S301.基于Astar算法，根据所述初始位置信息和所述目标位置信息输出多个所述路径点的节点位置数据；
S302.根据多个所述节点位置数据生成所述初始路径。
可选地，步骤S4包括：
根据以下公式计算各所述初始路径的后端约束函数：
Figure 100002_DEST_PATH_IMAGE005
Figure 100002_DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
代表所述后端约束函数；
Figure 100002_DEST_PATH_IMAGE008
代表轨迹平滑约束系数；
Figure 100002_DEST_PATH_IMAGE009
代表轨迹平滑约束；
Figure 100002_DEST_PATH_IMAGE010
代表碰撞约束系数；
Figure 100002_DEST_PATH_IMAGE011
代表碰撞约束；
Figure 100002_DEST_PATH_IMAGE012
代表动力学可行性约束系数；
Figure 100002_DEST_PATH_IMAGE013
代表动力学可行性约束；
Figure 100002_DEST_PATH_IMAGE014
代表路线安全性约束系数；
Figure 100002_DEST_PATH_IMAGE015
代表路线安全性约束；
Figure 100002_DEST_PATH_IMAGE016
代表所述第一综合得分；
Figure 100002_DEST_PATH_IMAGE017
代表所述第二综合得分；
Figure 100002_DEST_PATH_IMAGE018
代表所述第三综合得分；
Figure 100002_DEST_PATH_IMAGE019
代表所述第四综合得分；
Figure 100002_DEST_PATH_IMAGE020
代表所述第五综合得分；
Figure 100002_DEST_PATH_IMAGE021
代表所述第六综合得分；
Figure 100002_DEST_PATH_IMAGE022
代表当前路径点相比上一个路径点在x轴正方向上的变化量；
Figure 100002_DEST_PATH_IMAGE023
代表当前路径点相比上一个路径点在x轴负方向上的变化量；
Figure 100002_DEST_PATH_IMAGE024
代表当前路径点相比上一个路径点在y轴正方向上的变化量；
Figure 100002_DEST_PATH_IMAGE025
代表当前路径点相比上一个路径点在y轴负方向上的变化量；
Figure 100002_DEST_PATH_IMAGE026
代表当前路径点相比上一个路径点在z轴正方向上的变化量；
Figure 100002_DEST_PATH_IMAGE027
代表当前路径点相比上一个路径点在z轴负方向上的变化量。
在实际应用中，路线安全性约束的效果是使得算法具有往综合感知能力更强的方向上运动的趋势，综合感知能力更强的方向，对应的综合感知能力得分P的值会更大，P值倒数就越小，那么该方向上受到的约束也会更小，算法的结果会倾向于往约束更小的方向规划, 使得路径规划算法可以规划出更加安全的路线。
本申请提供的无人机路径规划方法，通过获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；获取无人机的初始位置信息和目标位置信息；基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
第二方面，本申请提供一种无人机路径规划装置，其中，包括以下模块：
第一获取模块：用于获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；对于设置有传感器的所述方向，获取各所述传感器对应的测量精度值、水平视场角和垂直视场角，并根据所述测量精度值、所述水平视场角和所述垂直视场角计算对应的传感器的所述综合感知能力得分；然后依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；
第二获取模块：用于获取无人机的初始位置信息和目标位置信息；
第一生成模块：用于基于ego-planner算法的前端路径算法，根据所述初始位置信息和所述目标位置信息生成无人机的初始路径；
第一计算模块：用于根据所述第一综合得分、所述第二综合得分、所述第三综合得分、所述第四综合得分、所述第五综合得分和所述第六综合得分计算所述初始路径的后端约束函数；
修正模块：用于把所述后端约束函数代入所述ego-planner算法的后端路径算法，以对所述初始路径进行修正，得到无人机的最终路径。
可选地，第一获取模块在用于获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分的时候，还执行以下步骤：
对于没有设置传感器的所述方向，把对应的所述综合感知能力得分设为零。
本申请提供的基于无人机路径规划装置，通过第一获取模块获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；第二获取模块获取无人机的初始位置信息和目标位置信息；第一生成模块基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；第一计算模块根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；修正模块把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
综上，本申请的无人机路径规划方法、装置、电子设备及存储介质，通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
附图说明
图1为本申请提供的无人机路径规划方法的一种流程图。
图2为本申请提供的无人机路径规划装置的一种结构示意图。
图3为本申请提供的电子设备的结构示意图。
图4为本申请提供的无人机的初始路径曲线图。
标号说明：
201、第一获取模块；202、第二获取模块；203、第一生成模块；204、第一计算模块；205、修正模块；301、处理器；302、存储器；303、通信总线。
具体实施方式
下面将结合本申请实施方式中附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本申请实施方式的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施方式的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施方式。基于本申请的实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施方式中的无人机路径规划方法的流程图，其中，包括以下步骤：
S1.获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；对于设置有传感器的方向，获取各传感器对应的测量精度值、水平视场角和垂直视场角，根据测量精度值、水平视场角和垂直视场角计算对应的传感器的综合感知能力得分；依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；
S2.获取无人机的初始位置信息和目标位置信息；
S3.基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；
S4.根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；
S5.把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。
步骤S1中，传感器的综合感知能力得分可以是由传感器的测量精度，传感器的测量范围决定，并通过人为评分的方式，为传感器的综合感知能力得分进行赋分。在实际应用中，受限于成本与无人机负载大小，大部分无人机不能同时在六个方向上安装传感器，因此假设六个方向中其中一个方向没设置传感器，那么该方向对应的综合感知能力得分为零，例如，无人机的后方向没设置传感器，那么第二综合得分为零。
步骤S2中，获取无人机的初始位置信息和目标位置信息为现有技术，例如可以使用现有的卫星导航系统，在此不再赘述。
步骤S3中，ego-planner算法是在2021年发表的一种经典的无人机路径规划算法，算法框架包括前端路径算法和后端路径算法，ego-planner算法的前端路径算法可以采用现有路径规划算法，例如Dijkstra算法、D*算法等，在此不再赘述。后端路径算法通过后端约束函数对前端路径算法规划的路径进行修正，其中，现有的后端约束函数包括轨迹平滑约束项、碰撞约束项和动力学可行性约束项。
步骤S4中，初始路径的后端约束函数中包括轨迹平滑约束项、碰撞约束项和动力学可行性约束项，还包括路线安全性约束项。
步骤S5中，通过建立上述后端约束函数的约束项，可以使前端路径规划算法输出的最终路径更加平滑、防碰撞、且满足动力学可行性要求。
本申请的无人机路径规划方法，通过获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；获取无人机的初始位置信息和目标位置信息；基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
在进一步的实施方式中，步骤S1包括：
对于没有设置传感器的方向，把对应的综合感知能力得分设为零。
在实际应用中，可以对测量精度值、水平视场角和垂直视场角的大小进行评分。例如测量精度值越高对应的得分越高，水平视场角和垂直视场角的角度越大对应的得分越高。
步骤S1中，综合感知能力得分的计算方式可以是将测量精度值、水平视场角和垂直视场角对应的得分进行相乘作为传感器的综合感知能力得分；也可以是使用加权的方式进行计算，例如将测量精度值的得分、水平视场角和垂直视场角对应的得分各乘上一个权重系数，然后再进行相加，以获得传感器的综合感知能力得分。
通过这种计算方式，可以更加客观地从传感器的在不同方面的能力来评判传感器的综合感知能力得分，使最终获得的传感器的综合感知能力得分更加准确。
在进一步的实施方式中，步骤S1包括：
S101.根据预设的能力评估表查询得到测量精度值对应的第一能力得分、水平视场角对应的第二能力得分和垂直视场角对应的第三能力得分；
S102.根据第一能力得分、第二能力得分和第三能力得分计算综合感知能力得分。
在实际应用中，能力评估表中包含有测量精度值（A）、水平视场角（H）和垂直视场角（V）等栏目，以及测量精度值、水平视场角和垂直视场角中不同范围值区域对应的得分，例如：
测量精度值（A）中：A≥5%对应的得分为1,1%＜A＜5%对应的得分为3，A≤1%对应的得分为5；
水平视场角（H）中：H≤30°对应的得分为1，30°＜H＜60°对应的得分为3, 60°≤H＜90°对应的得分为5；
垂直视场角（V）中：V≤30°对应的得分为1，30°＜V＜60°对应的得分为3, 60°≤V＜90°对应的得分为5。
通过这种查询方式，可以方便获取传感器在测量精度值、水平视场角和垂直视场角等方面的得分，提高获取的效率。
在更进一步的实施方式中，步骤S102包括：
根据以下公式计算综合感知能力得分：
Figure 755932DEST_PATH_IMAGE001
其中，P代表综合感知能力得分；
Figure 141914DEST_PATH_IMAGE002
代表第一能力得分；
Figure 390493DEST_PATH_IMAGE003
代表第二能力得分；
Figure 254544DEST_PATH_IMAGE004
代表第三能力得分。
在实际应用中，以Intel realsense D435i这款常用的深度相机为例，此传感器的水平视场角为87°，垂直视场角为58°，测量精度值为2%，结合上述的能力评估表，则可以得到该传感器的各项得分分别为
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure DEST_PATH_IMAGE030
，总得分
Figure DEST_PATH_IMAGE031
。
在一些优选的实施方式中，步骤S3包括：
S301.基于Astar算法，根据初始位置信息和目标位置信息输出多个路径点的节点位置数据；
S302.根据多个节点位置数据生成初始路径。
其中，Astar算法是一种现有的路径规划算法，是一种静态路网中求解最短路径最有效的直接搜索方法,估价值跟实例值非常接近，搜索效率高。
在一些实施方式中，步骤S4包括：
根据以下公式计算初始路径的后端约束函数：
Figure 678703DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE032
其中，
Figure 438848DEST_PATH_IMAGE007
代表后端约束函数；
Figure 174723DEST_PATH_IMAGE008
代表轨迹平滑约束系数；
Figure 842465DEST_PATH_IMAGE009
代表轨迹平滑约束；
Figure 980185DEST_PATH_IMAGE010
代表碰撞约束系数；
Figure 707970DEST_PATH_IMAGE011
代表碰撞约束；
Figure 931141DEST_PATH_IMAGE012
代表动力学可行性约束系数；
Figure 136994DEST_PATH_IMAGE013
代表动力学可行性约束；
Figure 391870DEST_PATH_IMAGE014
代表路线安全性约束系数；
Figure 290556DEST_PATH_IMAGE015
代表路线安全性约束；
Figure 735444DEST_PATH_IMAGE016
代表第一综合得分；
Figure 744988DEST_PATH_IMAGE017
代表第二综合得分；
Figure 857301DEST_PATH_IMAGE018
代表第三综合得分；
Figure 926888DEST_PATH_IMAGE019
代表第四综合得分；
Figure 859072DEST_PATH_IMAGE020
代表第五综合得分；
Figure 672307DEST_PATH_IMAGE021
代表第六综合得分；
Figure 639126DEST_PATH_IMAGE022
代表当前路径点相比上一个路径点在x轴正方向上的变化量；代表当前路径点相比上一个路径点在x轴负方向上的变化量；
Figure 879615DEST_PATH_IMAGE024
代表当前路径点相比上一个路径点在y轴正方向上的变化量；
Figure 564674DEST_PATH_IMAGE025
代表当前路径点相比上一个路径点在y轴负方向上的变化量；
Figure 916021DEST_PATH_IMAGE026
代表当前路径点相比上一个路径点在z轴正方向上的变化量；
Figure 737346DEST_PATH_IMAGE027
代表当前路径点相比上一个路径点在z轴负方向上的变化量。其中，
Figure 148736DEST_PATH_IMAGE008
、
Figure 321091DEST_PATH_IMAGE009
、
Figure 210550DEST_PATH_IMAGE010
、
Figure 151961DEST_PATH_IMAGE011
、
Figure 999832DEST_PATH_IMAGE012
和
Figure 131254DEST_PATH_IMAGE013
的获取方法为现有技术，此处不对其进行限定，其中，
Figure 89983DEST_PATH_IMAGE014
可根据实际需要设置。
参阅图4，图4中黑色圆点表示路径点，五角星代表目标位置。路线安全性约束的效果是使得算法具有往综合感知能力更强的方向上运动的趋势，综合感知能力更强的方向，对应的综合感知能力得分P的值会更大，P值倒数就越小，那么该方向上受到的约束也会更小，算法的结果会倾向于往约束更小的方向规划, 使得路径规划算法可以规划出更加安全的路线。
由上可知，本申请的无人机路径规划方法，通过获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；获取无人机的初始位置信息和目标位置信息；基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
请参照图2，图2是本申请一些实施方式中的无人机路径规划装置，其中，包括以下模块：
第一获取模块201：用于获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；对于设置有传感器的方向，获取各传感器对应的测量精度值、水平视场角和垂直视场角，根据测量精度值、水平视场角和垂直视场角计算对应的传感器的综合感知能力得分；依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；
第二获取模块202：用于获取无人机的初始位置信息和目标位置信息；
第一生成模块203：用于基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；
第一计算模块204：用于根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；
修正模块205：用于把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。
第一获取模块201中，传感器的综合感知能力得分可以是由传感器的测量精度，传感器的测量范围决定，并通过人为评分的方式，为传感器的综合感知能力得分进行赋分。在实际应用中，受限于成本与无人机负载大小，大部分无人机不能同时在六个方向上安装传感器，因此假设六个方向中其中一个方向没设置传感器，那么该方向对应的综合感知能力得分为零，例如，无人机的后方向没设置传感器，那么第二综合得分为零。
第二获取模块202中，获取无人机的初始位置信息和目标位置信息为现有技术，例如可以使用现有的卫星导航系统，在此不再赘述。
第一生成模块203中，ego-planner算法是在2021年发表的一种经典的无人机路径规划算法，算法框架包括前端路径算法和后端路径算法，ego-planner算法的前端路径算法可以采用现有路径规划算法，例如Dijkstra算法、D*算法等，在此不再赘述。后端路径算法通过后端约束函数对前端路径算法规划的路径进行修正，其中，现有的后端约束函数包括轨迹平滑约束项、碰撞约束项和动力学可行性约束项。
第一计算模块204中，初始路径的后端约束函数中包括轨迹平滑约束项、碰撞约束项和动力学可行性约束项，还包括路线安全性约束项。
修正模块205中，通过建立上述后端约束函数的约束项，可以使前端路径规划算法输出的最终路径更加平滑、防碰撞、且满足动力学可行性要求。
在进一步的实施方式中，第一获取模块201在用于获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分的时候，还执行以下步骤：
对于没有设置传感器的方向，把对应的综合感知能力得分设为零。
在实际应用中，可以对测量精度值、水平视场角和垂直视场角的大小进行评分。例如测量精度值越高对应的得分越高，水平视场角和垂直视场角的角度越大对应的得分越高。
步骤S1中，综合感知能力得分的计算方式可以是将测量精度值、水平视场角和垂直视场角对应的得分进行相乘作为传感器的综合感知能力得分；也可以是使用加权的方式进行计算，例如将测量精度值的得分、水平视场角和垂直视场角对应的得分各乘上一个权重系数，然后再进行相加，以获得传感器的综合感知能力得分。
通过这种计算方式，可以更加客观地从传感器的在不同方面的能力来评判传感器的综合感知能力得分，使最终获得的传感器的综合感知能力得分更加准确。
在进一步的实施方式中，步骤S1包括：
S101.根据预设的能力评估表查询得到测量精度值对应的第一能力得分、水平视场角对应的第二能力得分和垂直视场角对应的第三能力得分；
S102.根据第一能力得分、第二能力得分和第三能力得分计算综合感知能力得分。
在实际应用中，能力评估表中包含有测量精度值（A）、水平视场角（H）和垂直视场角（V）等栏目，以及测量精度值、水平视场角和垂直视场角中不同范围值区域对应的得分，例如：
测量精度值（A）中：A≥5%对应的得分为1,1%＜A＜5%对应的得分为3，A≤1%对应的得分为5；
水平视场角（H）中：H≤30°对应的得分为1，30°＜H＜60°对应的得分为3, 60°≤H＜90°对应的得分为5；
垂直视场角（V）中：V≤30°对应的得分为1，30°＜V＜60°对应的得分为3, 60°≤V＜90°对应的得分为5。
通过这种查询方式，可以方便获取传感器在测量精度值、水平视场角和垂直视场角等方面的得分，提高获取的效率。
在更进一步的实施方式中，步骤S102包括：
根据以下公式计算综合感知能力得分：
Figure 620321DEST_PATH_IMAGE001
其中，P代表综合感知能力得分；
Figure 373514DEST_PATH_IMAGE002
代表第一能力得分；
Figure 254882DEST_PATH_IMAGE003
代表第二能力得分；
Figure 17302DEST_PATH_IMAGE004
代表第三能力得分。
在实际应用中，以Intel realsense D435i这款常用的深度相机为例，此传感器的水平视场角为87°，垂直视场角为58°，测量精度值为2%，结合上述的能力评估表，则可以得到该传感器的各项得分分别为
Figure 667726DEST_PATH_IMAGE028
，
Figure 326240DEST_PATH_IMAGE029
，
Figure 694905DEST_PATH_IMAGE030
，总得分
Figure 995436DEST_PATH_IMAGE031
。
在一些优选的实施方式中，第一生成模块203在用于基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径时，还执行以下步骤：
S301.基于Astar算法，根据初始位置信息和目标位置信息输出多个路径点的节点位置数据；
S302.根据多个节点位置数据生成初始路径。
其中，Astar算法是一种现有的路径规划算法，是一种静态路网中求解最短路径最有效的直接搜索方法,估价值跟实例值非常接近，搜索效率高。
在一些实施方式中，第一计算模块204在用于根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数时，还执行以下步骤：
根据以下公式计算初始路径的后端约束函数：
Figure 500367DEST_PATH_IMAGE005
Figure 595362DEST_PATH_IMAGE032
其中，
Figure 185743DEST_PATH_IMAGE007
代表后端约束函数；
Figure 289965DEST_PATH_IMAGE008
代表轨迹平滑约束系数；
Figure 383823DEST_PATH_IMAGE009
代表轨迹平滑约束；
Figure 915299DEST_PATH_IMAGE010
代表碰撞约束系数；
Figure 727397DEST_PATH_IMAGE011
代表碰撞约束；
Figure 366801DEST_PATH_IMAGE012
代表动力学可行性约束系数；
Figure 846324DEST_PATH_IMAGE013
代表动力学可行性约束；
Figure 548701DEST_PATH_IMAGE014
代表路线安全性约束系数；
Figure 113674DEST_PATH_IMAGE015
代表路线安全性约束；
Figure 294120DEST_PATH_IMAGE016
代表第一综合得分；
Figure 893729DEST_PATH_IMAGE017
代表第二综合得分；
Figure 501428DEST_PATH_IMAGE018
代表第三综合得分；
Figure 819276DEST_PATH_IMAGE019
代表第四综合得分；
Figure 803413DEST_PATH_IMAGE020
代表第五综合得分；
Figure 257528DEST_PATH_IMAGE021
代表第六综合得分；
Figure 301707DEST_PATH_IMAGE022
代表当前路径点相比上一个路径点在x轴正方向上的变化量；
Figure 841273DEST_PATH_IMAGE023
代表当前路径点相比上一个路径点在x轴负方向上的变化量；
Figure 629101DEST_PATH_IMAGE024
代表当前路径点相比上一个路径点在y轴正方向上的变化量；
Figure 203301DEST_PATH_IMAGE025
代表当前路径点相比上一个路径点在y轴负方向上的变化量；
Figure 152803DEST_PATH_IMAGE026
代表当前路径点相比上一个路径点在z轴正方向上的变化量；
Figure 179665DEST_PATH_IMAGE027
代表当前路径点相比上一个路径点在z轴负方向上的变化量。其中，
Figure 771183DEST_PATH_IMAGE008
、
Figure 934311DEST_PATH_IMAGE009
、
Figure 320293DEST_PATH_IMAGE010
、
Figure 100030DEST_PATH_IMAGE011
、
Figure 964081DEST_PATH_IMAGE012
和
Figure 247295DEST_PATH_IMAGE013
的获取方法为现有技术，此处不对其进行限定，其中，
Figure 795389DEST_PATH_IMAGE014
可根据实际需要设置。
参阅图4，图4中黑色圆点表示路径点，五角星代表目标位置。路线安全性约束的效果是使得算法具有往综合感知能力更强的方向上运动的趋势，综合感知能力更强的方向，对应的综合感知能力得分P的值会更大，P值倒数就越小，那么该方向上受到的约束也会更小，算法的结果会倾向于往约束更小的方向规划, 使得路径规划算法可以规划出更加安全的路线。
本申请的无人机路径规划装置，通过第一获取模块201获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；第二获取模块202获取无人机的初始位置信息和目标位置信息；第一生成模块203基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；第一计算模块204根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；修正模块205把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。通过根据无人机在六个方向上的综合感知能力得分来确定无人机在前、后、左、右、上、下等六个方向上运动的安全程度，进而在无人机路径规划过程中，算法可以选择尽可能安全的路径，可以大大提高无人机路径规划的安全性。
请参照图3，图3为本申请实施方式提供的一种电子设备的结构示意图，本申请提供一种电子设备，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当电子设备运行时，处理器301执行该计算机程序，以在执行时执行上述实施方式的任一可选的实现方式中的方法，以实现以下功能：获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；获取无人机的初始位置信息和目标位置信息；基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。
本申请实施方式提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，执行上述实施方式的任一可选的实现方式中的方法，以实现以下功能：获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分，依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；获取无人机的初始位置信息和目标位置信息；基于ego-planner算法的前端路径算法，根据初始位置信息和目标位置信息生成无人机的初始路径；根据第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分计算初始路径的后端约束函数；把后端约束函数代入ego-planner算法的后端路径算法，以对初始路径进行修正，得到无人机的最终路径。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-OnlyMemory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施方式中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施方式仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
再者，在本申请各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施方式而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种无人机路径规划方法，其特征在于，包括以下步骤：
S1.获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；对于设置有传感器的所述方向，获取各所述传感器对应的测量精度值、水平视场角和垂直视场角，并根据所述测量精度值、所述水平视场角和所述垂直视场角计算对应的传感器的所述综合感知能力得分；然后依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；
S2.获取无人机的初始位置信息和目标位置信息；
S3.基于ego-planner算法的前端路径算法，根据所述初始位置信息和所述目标位置信息生成无人机的初始路径；
S4.根据所述第一综合得分、所述第二综合得分、所述第三综合得分、所述第四综合得分、所述第五综合得分和所述第六综合得分计算所述初始路径的后端约束函数；
S5.把所述后端约束函数代入所述ego-planner算法的后端路径算法，以对所述初始路径进行修正，得到无人机的最终路径。
2.根据权利要求1所述的无人机路径规划方法，其特征在于，步骤S1包括：
对于没有设置传感器的所述方向，把对应的所述综合感知能力得分设为零。
3.根据权利要求1所述的无人机路径规划方法，其特征在于，步骤S1包括：
S101.根据预设的能力评估表查询得到所述测量精度值对应的第一能力得分、所述水平视场角对应的第二能力得分和所述垂直视场角对应的第三能力得分；
S102.根据所述第一能力得分、所述第二能力得分和所述第三能力得分计算所述综合感知能力得分。
4.根据权利要求3所述的无人机路径规划方法，其特征在于，步骤S102包括：
根据以下公式计算所述综合感知能力得分：
Figure DEST_PATH_IMAGE001
其中，P代表所述综合感知能力得分；
Figure DEST_PATH_IMAGE002
代表所述第一能力得分；
Figure DEST_PATH_IMAGE003
代表所述第二能力得分；
Figure DEST_PATH_IMAGE004
代表所述第三能力得分。
5.根据权利要求1所述的无人机路径规划方法，其特征在于，步骤S3包括：
S301.基于Astar算法，根据所述初始位置信息和所述目标位置信息输出多个路径点的节点位置数据；
S302.根据多个所述节点位置数据生成所述初始路径。
6.根据权利要求1所述的无人机路径规划方法，其特征在于，步骤S4包括：
根据以下公式计算各所述初始路径的后端约束函数：
Figure DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
代表所述后端约束函数；
Figure DEST_PATH_IMAGE008
代表轨迹平滑约束系数；
Figure DEST_PATH_IMAGE009
代表轨迹平滑约束；
Figure DEST_PATH_IMAGE010
代表碰撞约束系数；
Figure DEST_PATH_IMAGE011
代表碰撞约束；
Figure DEST_PATH_IMAGE012
代表动力学可行性约束系数；
Figure DEST_PATH_IMAGE013
代表动力学可行性约束；
Figure DEST_PATH_IMAGE014
代表路线安全性约束系数；
Figure DEST_PATH_IMAGE015
代表路线安全性约束；
Figure DEST_PATH_IMAGE016
代表所述第一综合得分；
Figure DEST_PATH_IMAGE017
代表所述第二综合得分；
Figure DEST_PATH_IMAGE018
代表所述第三综合得分；
Figure DEST_PATH_IMAGE019
代表所述第四综合得分；
Figure DEST_PATH_IMAGE020
代表所述第五综合得分；
Figure DEST_PATH_IMAGE021
代表所述第六综合得分；
Figure DEST_PATH_IMAGE022
代表当前路径点相比上一个路径点在x轴正方向上的变化量；
Figure DEST_PATH_IMAGE023
代表当前路径点相比上一个路径点在x轴负方向上的变化量；
Figure DEST_PATH_IMAGE024
代表当前路径点相比上一个路径点在y轴正方向上的变化量；
Figure DEST_PATH_IMAGE025
代表当前路径点相比上一个路径点在y轴负方向上的变化量；
Figure DEST_PATH_IMAGE026
代表当前路径点相比上一个路径点在z轴正方向上的变化量；
Figure DEST_PATH_IMAGE027
代表当前路径点相比上一个路径点在z轴负方向上的变化量。
7.一种无人机路径规划装置，其特征在于，包括以下模块：
第一获取模块：用于获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分；对于设置有传感器的所述方向，获取各所述传感器对应的测量精度值、水平视场角和垂直视场角，并根据所述测量精度值、所述水平视场角和所述垂直视场角计算对应的传感器的所述综合感知能力得分；然后依次记为第一综合得分、第二综合得分、第三综合得分、第四综合得分、第五综合得分和第六综合得分；
第二获取模块：用于获取无人机的初始位置信息和目标位置信息；
第一生成模块：用于基于ego-planner算法的前端路径算法，根据所述初始位置信息和所述目标位置信息生成无人机的初始路径；
第一计算模块：用于根据所述第一综合得分、所述第二综合得分、所述第三综合得分、所述第四综合得分、所述第五综合得分和所述第六综合得分计算所述初始路径的后端约束函数；
修正模块：用于把所述后端约束函数代入所述ego-planner算法的后端路径算法，以对所述初始路径进行修正，得到无人机的最终路径。
8.根据权利要求7所述的无人机路径规划装置，其特征在于，第一获取模块在用于获取无人机分别在前、后、左、右、上、下六个方向上的综合感知能力得分的时候，执行以下步骤：
对于没有设置传感器的所述方向，把对应的所述综合感知能力得分设为零。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-6任一项所述无人机路径规划方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-6任一项所述无人机路径规划方法中的步骤。
CN202211138062.XA 2022-09-19 2022-09-19 无人机路径规划方法、装置、电子设备及存储介质 Active CN115218907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211138062.XA CN115218907B (zh) 2022-09-19 2022-09-19 无人机路径规划方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211138062.XA CN115218907B (zh) 2022-09-19 2022-09-19 无人机路径规划方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115218907A CN115218907A (zh) 2022-10-21
CN115218907B true CN115218907B (zh) 2022-12-09

Family

ID=83617742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211138062.XA Active CN115218907B (zh) 2022-09-19 2022-09-19 无人机路径规划方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115218907B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3477259A1 (en) * 2017-10-25 2019-05-01 Honda Research Institute Europe GmbH Method and system for estimating quality of measuring results of one of more sensors mounted on a mobile platform
WO2021139590A1 (zh) * 2020-01-06 2021-07-15 三个机器人公司 基于蓝牙与slam的室内定位导航装置及其方法
CN113867356A (zh) * 2021-10-12 2021-12-31 北京盈迪曼德科技有限公司 机器人路径规划方法、装置及机器人
WO2022038608A1 (en) * 2020-08-18 2022-02-24 Foresight Automotive Ltd. Method and system for assessment of sensor performance

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070288156A1 (en) * 2006-05-17 2007-12-13 The Boeing Company Route search planner
JP6640777B2 (ja) * 2017-03-17 2020-02-05 株式会社東芝 移動制御システム、移動制御装置及びプログラム
US11970183B2 (en) * 2020-09-25 2024-04-30 Motional Ad Llc AV path planning with calibration information

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3477259A1 (en) * 2017-10-25 2019-05-01 Honda Research Institute Europe GmbH Method and system for estimating quality of measuring results of one of more sensors mounted on a mobile platform
WO2021139590A1 (zh) * 2020-01-06 2021-07-15 三个机器人公司 基于蓝牙与slam的室内定位导航装置及其方法
WO2022038608A1 (en) * 2020-08-18 2022-02-24 Foresight Automotive Ltd. Method and system for assessment of sensor performance
CN113867356A (zh) * 2021-10-12 2021-12-31 北京盈迪曼德科技有限公司 机器人路径规划方法、装置及机器人

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于无人机多传感器数据采集的电力线路;彭向阳等;《高电压技术》;20150131;第41卷(第1期);159-166 *

Also Published As

Publication number Publication date
CN115218907A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN109341706B (zh) 一种面向无人驾驶汽车的多特征融合地图的制作方法
CN108955688B (zh) 双轮差速移动机器人定位方法及系统
CN109211251B (zh) 一种基于激光和二维码融合的即时定位与地图构建方法
CN110501036A (zh) 传感器参数的标定检查方法及装置
KR101711964B1 (ko) 자유 공간 지도 생성 방법, 자유 공간 지도 생성 시스템, 자유 공간 지도를 이용한 전경/배경 추출 방법 및 전경/배경 추출 시스템
CN113137968B (zh) 基于多传感器融合的重定位方法、重定位装置和电子设备
CN110470333B (zh) 传感器参数的标定方法及装置、存储介质和电子装置
CN112781586B (zh) 一种位姿数据的确定方法、装置、电子设备及车辆
US8078399B2 (en) Method and device for three-dimensional path planning to avoid obstacles using multiple planes
US8467612B2 (en) System and methods for navigation using corresponding line features
CN112284376A (zh) 一种基于多传感器融合的移动机器人室内定位建图方法
CN112154303A (zh) 高精度地图定位方法、系统、平台及计算机可读存储介质
CN112362054B (zh) 一种标定方法、装置、电子设备及存储介质
JP5852645B2 (ja) 軌跡補正方法、軌跡補正装置および移動体装置
CN111885138A (zh) 控制方法、车辆和服务器
CN117685953A (zh) 面向多无人机协同定位的uwb与视觉融合定位方法及系统
CN114777770A (zh) 机器人定位方法、装置、控制终端以及可读存储介质
CN113761647B (zh) 一种无人集群系统的仿真方法及系统
CN115218907B (zh) 无人机路径规划方法、装置、电子设备及存储介质
CN112785686A (zh) 一种基于大数据的林区地图构建方法及可读存储介质
CN112154355B (zh) 高精度地图定位方法、系统、平台及计算机可读存储介质
KR102506411B1 (ko) 차량의 위치 및 자세 추정 방법, 장치 및 이를 위한 기록매체
CN115560744A (zh) 机器人以及基于多传感器的三维建图方法、存储介质
Cao et al. Visual-Inertial-Laser SLAM Based on ORB-SLAM3
Hensel et al. Experimental Set-up for Evaluation of Algorithms for Simultaneous Localization and Mapping

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