CN115542947A - 一种四旋翼无人机的自主导航方法及无人机装置 - Google Patents

一种四旋翼无人机的自主导航方法及无人机装置 Download PDF

Info

Publication number
CN115542947A
CN115542947A CN202211347786.5A CN202211347786A CN115542947A CN 115542947 A CN115542947 A CN 115542947A CN 202211347786 A CN202211347786 A CN 202211347786A CN 115542947 A CN115542947 A CN 115542947A
Authority
CN
China
Prior art keywords
point
quad
unmanned aerial
aerial vehicle
trajectory
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211347786.5A
Other languages
English (en)
Inventor
唐漾
杜文莉
钱锋
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.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
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 East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202211347786.5A priority Critical patent/CN115542947A/zh
Publication of CN115542947A publication Critical patent/CN115542947A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种四旋翼无人机的自主导航方法及无人机装置，涉及四旋翼无人机技术领域。四旋翼无人机的自主导航方法包括获取四旋翼无人机的深度图像以及位姿信息；根据深度图像和位姿信息创建栅格地图；在栅格地图上规划从悬停位置至目标点位置的指定路径；控制四旋翼无人机沿指定路径飞到目标点。其中，规划过程包括：利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹；对于所述轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用所述局部轨迹在所述障碍物外生成吸引点，以规划初步路径；对所述初步路径进行优化，以生成所述指定路径。

Description

一种四旋翼无人机的自主导航方法及无人机装置
技术领域
本发明涉及四旋翼无人机技术领域，具体而言，涉及一种四旋翼无人机的自主导航方法及无人机装置。
背景技术
无人航空载具(Unmanned Aerial Vehicle)简称“无人机”，根据不同的工作原理和机体结构，分为旋翼和固定翼无人机。四旋翼是典型的旋翼无人机，其具有体型小、可垂直起降、机动灵敏等特点，使其在室内复杂狭窄空间内飞行成为可能。随着近年来的大力研究，四旋翼具有造价低、易操作、易维护和稳定可靠等优势，同时在各行各业中得到广泛应用。
得益于人工智能技术和机器视觉的飞速发展，四旋翼已经不单单是一个飞行载具，同时具备了处理图像和自主规划飞行的能力。将机器视觉中的物体识别与目标跟踪算法应用在无人机上，又拓展了无人机在农业植保、智慧城市、安防救援和灾后救援等领域的应用。因此四旋翼结合机器视觉，实现在室内复杂场景下自主导航，将具有重要的应用价值。
面对室内未知复杂场景，四旋翼如何快速且安全无碰撞的到达目标点成为关键问题。传统方法上，基于梯度的路径规划依赖预先构建的ESDF地图来评估梯度大小和方向，并使用数值优化生成局部最优解。虽然优化程序具有快速收敛性，但由于事先需要构造ESDF(Euclidean Signed Distance Field)地图，会很大程度上影响快速性。通常有两种方法可以构建ESDF地图，可分为增量全局更新方法和批量局部计算方法。然而，两者在构建过程中都没有考虑轨迹本身，在不必要的地图上浪费了大量时间，从而限制了在有限资源情况下的运动规划方法的使用。
综上所述，一种适用在复杂无地图的室内环境下的视觉自主导航方法是本技术领域需要解决的问题。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的包括，提供了一种四旋翼无人机的自主导航方法，其能够适用于室内复杂无地图场景的视觉导航，有助于提升四旋翼无人机室内飞行安全性和机动性。
本发明的目的还包括，提供了一种无人机装置，其能够适用于室内复杂无地图场景的视觉导航，有助于提升四旋翼无人机室内飞行安全性和机动性。
本发明的实施例可以通过以下方式实现：
一种四旋翼无人机的自主导航方法，其包括：
获取四旋翼无人机的深度图像以及位姿信息；
根据所述深度图像以及所述位姿信息创建栅格地图；其中，所述栅格地图为所述四旋翼无人机悬停位置处视角下的栅格地图；
在所述栅格地图上规划从所述悬停位置至目标点的指定路径；其中，规划过程包括：利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹；对于所述轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用所述局部轨迹在所述障碍物外生成吸引点，以规划初步路径；对所述初步路径进行优化，以生成所述指定路径；
控制所述四旋翼无人机沿所述指定路径飞到所述目标点。
可选地，根据所述深度图像以及所述位姿信息创建栅格地图的步骤包括：
根据所述深度图像以及所述位姿信息生成点云数据，并将所述点云数据从相机坐标系转换到世界坐标系；
判断转换后的所述点云数据中每个点是否在限制的地图内；若所述点不在所述地图内，则将所述点挪到所述地图边界上；若所述点在所述地图内，则判断所述点到相机的距离是否大于最远可测距离；若所述点到相机的距离大于所述最远可测距离，则将所述点挪到所述最远可测距离上，并得到所述点在所述地图中的坐标；若所述点到相机的距离小于或者等于所述最远可测距离，则认为所述点为障碍物；
去除相机视角外的地图，并将障碍物按所述四旋翼无人机的大小进行膨胀；加入虚拟屋顶，以限制飞行高度；
其中，所述相机为用于获取所述深度图像的深度相机。
可选地，利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹的步骤包括：
将起点作为树T的根节点，使树T向所述目标点生长，每次对有效状态随机点Xrand进行采样时，都会以随机点Xrand为圆心寻找处于圆内的T子集χbackward，如果所述子集χbackward里有多个点，则选择状态转移成本最小的节点Xnear作为随机点Xrand的父节点，并将随机点Xrand添加到树T中，以随机点Xrand为圆心寻找圆内的正向T子集χforward，子集χforward中的点若以随机点Xrand点为父节点能获得更低的成本，则将随机点Xrand更新为子集χforward中的点的父节点；若所述目标点与树中的任何状态节点相连，则通过从所述目标点到其父节点递归地追溯到起点来获得所述轨迹。
可选地，对于所述轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用所述局部轨迹在所述障碍物外生成吸引点的步骤包括：
令所述轨迹穿进障碍物的点为作为局部轨迹的路径起点P1，穿出的点作为局部轨迹的路径终点P2；
令开列表表示待遍历的节点，关列表表示已经遍历过的节点；
初始化时将所述路径起点以及所述路径起点周围的点集合加入开列表，且在开列表中选取总消耗最小的节点n；将所述节点n从开列表删除并加入关列表；遍历节点n的邻近节点m，并计算邻近节点m的总消耗以及从所述路径起点经所述节点n到邻近节点m移动消耗，选择邻近节点m中移动消耗最小的点生成轨迹；遍历所述开列表中的节点，直至所述路径终点，获得局部轨迹；
将所述局部轨迹的中点表示为Pm，令P1到P2的连线中点为Pc；从Pc到Pm做矢量延长线；
沿所述矢量延长线进行射线跟踪，当发现两侧有无障碍栅格时，跟踪停止，并将停止跟踪的栅格处作为吸引点Pa。
可选地，对所述初步路径进行优化的步骤包括：
考虑路径的平滑度、相似性和碰撞项三部分，再根据无人机的微分平坦特性降低要规划的变量，并定义轨迹优化问题Q为：
Q＝arg min J＝λsJs+λrJr+λcJc
其中，Js代表平滑项，Jr代表优化轨迹与原始轨迹的相似性，Jc代表碰撞项，λs,λr,λc为惩罚项的权值。
可选地，对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，并为轨迹的每一段找到最优系数；
所述平滑项由轨迹的导数平方的积分构成：
Figure BDA0003917832040000041
其中，T为m段轨迹的总时间；Ti为m段轨迹中第i段轨迹的时间；
Figure BDA0003917832040000042
是m段的系数向量；Qs为了简化公式设的等价变量。
可选地，对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，并为轨迹的每一段找到最优系数；
所述相似性表示为对优化轨迹与初始路径点之间的平方差的积分：
Figure BDA0003917832040000043
其中，T为m段轨迹的总时间；Ti为m段轨迹中第i段轨迹的时间；
Figure BDA0003917832040000044
是m段的系数向量；p*(t)表示初始路径；p(t)为优化后的路径。
可选地，对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，并为轨迹的每一段找到最优系数；
所述碰撞相的函数为：
Figure BDA0003917832040000051
其中，T为m段轨迹的总时间；
Figure BDA0003917832040000052
是m段的系数向量；pap(t)是集合APs中一个吸引点ap的恒定位置；并且
Figure BDA0003917832040000054
是受拉力影响的优化轨迹的相应时间段；L是具有吸引点的轨迹段的集合，
Figure BDA0003917832040000053
第i个轨迹段的时间段。
可选地，由于总体优化目标是二次的，并且权重和持续时间非负，则二次项的系数矩阵总是正定的，则可以导出包含边界导数约束的二次规划的无约束公式，在忽略状态和控制约束以及给定边界条件和时间分配的情况下，可以得到闭式最优解。
一种无人机装置，其包括四旋翼无人机、深度相机、双目相机以及机载微型电脑；所述深度相机、所述双目相机以及所述机载微型电脑均搭载于所述四旋翼无人机上；所述深度相机用于获取深度图像，所述双目相机用于获取位姿信息；所述机载微型电脑和所述四旋翼无人机用于执行上述的四旋翼无人机的自主导航方法。
本发明的实施例提供的四旋翼无人机的自主导航方法及无人机装置的有益效果包括：
本发明的实施例提供了一种四旋翼无人机的自主导航方法，其包括获取四旋翼无人机的深度图像以及位姿信息；根据深度图像和位姿信息创建栅格地图；在栅格地图上规划从悬停位置至目标点位置的指定路径；控制四旋翼无人机沿指定路径飞到目标点。其中，规划过程包括：利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹；对于所述轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用所述局部轨迹在所述障碍物外生成吸引点，以规划初步路径；对所述初步路径进行优化，以生成所述指定路径。通过该方法，能规划一条快速且安全无碰撞到达目标点的指定路径，适用于复杂无地图的室内环境下的自主导航。
本发明的实施例还提供了一种无人机装置，其机载微型电脑用于执行上述的四旋翼无人机的自主导航方法，因此也具有能够规划一条快速且安全无碰撞到达目标点的指定路径，适用于复杂无地图的室内环境下的自主导航的有益效果。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了根据本发明的一方面提供的四旋翼无人机的自主导航方法的流程图；
图2示出了根据本发明的一方面提供的无人机装置的结构框图；
图3示出了根据本发明的一方面提供的轨迹生成流程图；
图4示出了根据本发明的一方面提供的RRT*轨迹及吸引点示意图；
图5示出了根据本发明的一方面提供的真实飞行中地图及一段飞行轨迹上一位置处的路径图；
图6示出了根据本发明的一方面提供的真实飞行中地图及一段飞行轨迹上另一个位置处的路径图；
图7示出了根据本发明的一方面提供的真实飞行中地图及一段飞行轨迹上又一位置处的路径图；
图8示出了根据本发明的一方面提供的真实飞行中地图及一段飞行轨迹上再一位置处的路径图；
图9示出了根据本发明的一方面提供的四旋翼无人机实际轨迹与期望轨迹的对比图。
附图标记：
10-四旋翼无人机；11-深度相机；12-双目相机；13-机载微型电脑。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
请结合参照图1-图3，本发明的实施例提供了一种四旋翼无人机的自主导航方法，同时，还提供了一种无人机装置。
无人机装置包括四旋翼无人机10、深度相机11、双目相机12以及机载微型电脑13，深度相机11、双目相机12以及机载微型电脑13均搭载在四旋翼无人机10上，深度相机11用于获取深度图像，双目相机12用于获取位姿信息，机载微型电脑13同时与深度相机11、双目相机12以及四旋翼无人机10电连接，深度相机11获取到的深度图像以及双目相机12获取到的位姿信息传输至机载微型电脑13中，机载微型电脑13对获取到的深度图像和位姿信息进行处理并将处理结果传输至四旋翼无人机10。具体地，深度相机11和双目相机12均朝向四旋翼无人机10的前方设置。
可选地，在本实施例中，深度相机11采用英特尔realsense D435相机，通过深度相机在四旋翼无人机快速移动过程中实时获取深度图像。双目相机12采用双目鱼眼相机，在其他实施例中，也可以采用其他类型的双目相机。具体地，本实施例中采用的是英特尔realsense T265相机，通过该双目鱼眼相机为四旋翼无人机飞行过程中提供精确稳健的定位信息，同时英特尔realsense T265相机内部运行视觉惯导里程计，视觉惯导里程计是同时定位与地图构建(V-SLAM)的算法。机载微型电脑13为英伟达Jetson TX2模组，为嵌入式AI计算设备提供出色的速度和能效。机载微型电脑以及四旋翼无人机配置成执行上述的四旋翼无人机的自主导航方法，即通过机载微型电脑与四旋翼无人机自带的控制器等实现上述的四旋翼无人机的自主导航方法，换言之，本发明的实施例提供的四旋翼无人机的自主导航方法可以基于该无人机装置实现。
四旋翼无人机的自主导航方法包括：
S01：获取四旋翼无人机的深度图像以及位姿信息。
将无人机装置放置在起飞点，随后启动双目相机为四旋翼无人机实时提供位姿信息。深度相机实时获取深度图像并传输至机载微信电脑中，为四旋翼无人机提供深度图像。
S02：根据深度图像以及位姿信息创建栅格地图。
控制无人机装置起飞到预设高度后悬停，此时无人机装置的位置即为悬停位置，利用深度图像以及位姿信息创建该视角下的栅格地图。预设高度的具体指可根据需求进行设置，例如设置为1米。
创建栅格地图的具体过程包括：
S21：根据深度图像以及位姿信息生成点云数据，并将点云数据从相机坐标系转换到世界坐标系。该点云数据内包含多个点。
S22：对点云数据内的每个点判断其是否在限制的地图内，具体地，限制的地图即为人为限制大小的地图，该人为限定的地图大小即为地图围栏。
当某点不在地图内时，则将该点挪到地图边界上。当某点在地图内时，则判断该点到深度相机的距离是否大于深度相机的最远可测距离。
若该点到深度相机的大于最远可测距离，则将该点挪到最远可测距离上，并得到该点在地图中的坐标。若该点到深度相机的距离小于或者等于最远可测距离，则将该点当做障碍物，从而建立栅格地图。具体地，在本实施例中，建立栅格地图的步骤可由机载微型电脑13执行。
S23：去除相机视角外的地图，并将障碍物按四旋翼无人机的大小进行膨胀，最后加入虚拟屋顶，以限制飞行高。
S03：在栅格地图上规划从悬停位置到目标点的指定路径。
当获取到目标点后，规划从四旋翼无人机的当前位置(即悬停位置)到目标点的指定路径。规划过程包括以下步骤：
S31：利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹。
具体地，将起点作为树T的根节点，使树T向目标点生长，每次对有效状态随机点Xrand进行采样时，都会以随机点Xrand为圆心寻找处于圆内的T子集χbackward，如果所述子集χbackward里有多个点，则选择状态转移成本最小的节点Xnear作为随机点Xrand的父节点，并将随机点Xrand添加到树T中，以随机点Xrand为圆心寻找圆内的正向T子集χforward，子集χforward中的点若以随机点Xrand点为父节点能获得更低的成本，则将随机点Xrand更新为子集χforward中的点的父节点；直至目标点与树中的任何状态节点相连，则通过从目标点到其父节点递归地追溯到起点来获得轨迹。该利用RRT*算法获得的轨迹也可以称为RRT*轨迹。需要说明的是，在本实施例中，“起点”即为悬停位置点，图4中所标注的“终点”即为目标点。
S32：对于轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用局部轨迹在所述障碍物外生成吸引点。
由于利用RRT*算法生成的轨迹未考虑障碍物，因此，对该轨迹中存在障碍物的部分需进行无碰撞的局部轨迹生成。如图4示出了在生成的RRT*轨迹中障碍物的部分生成吸引点的示意图。具体地，将RRT*轨迹划分为m段，形成m个轨迹段，若某一轨迹段上存在障碍物，则利用A*算法生成一段无碰撞的局部轨迹。
A*算法生成一段无碰撞的局部轨迹的过程包括：
令RRT*算法生成的轨迹中穿进障碍物的点作为局部轨迹的路径起点P1，穿出的点作为局部轨迹的路径终点P2；
通过A*算法寻找避开障碍物且每次移动使F最小的点集，直至目标点。具体地，在本实施例中，某点的总消耗为F，F＝G+H，G为该点距离路径起点P1的移动消耗，H为该点移动到路径终点P2的预计消耗。具体地，该局部路径生成的过程包括：为令开列表表示待遍历的节点，关列表表示已经遍历过的节点。
初始化时，将路径起点P1和路径终点P2周围的点集合加入开列表，且在开列表中选取总消耗F最小的节点n。将节点n从开列表删除，并加入假列表中，遍历节点n所有的邻近节点m，如果邻近节点m在关列表和障碍物中则跳过取下一个，如果邻近节点m不在列表则将该邻近节点m加入开列表中，并计算该邻近节点m的总消耗以及从路径起点P1经节点n到邻近节点m的移动消耗G，选择节点n所有的邻近节点m中移动消耗最小的点生成轨迹。重复上述过程，遍历开列表中的所有节点，直至路径终点P2，从而获得局部轨迹，该局部轨迹也可以称为A*轨迹。
在获得A*轨迹后，即可根据A*轨迹在障碍物点外生成吸引点。具体地，将A*轨迹的中点表示为Pm，令P1到P2的连线中点为Pc。从Pc到Pm做矢量延长线。沿该矢量延长线进行射线跟踪，当发现两侧有无障碍栅格(即图4中的无色栅格)时，跟踪停止，并将停止追踪的栅格处作为吸引点Pa。从而根据RRT轨迹以及吸引点Pa规划初步路径。
S33：对初步路径进行优化，以生成指定路径。
考虑轨迹平滑度、相似性和碰撞项三部分，在根据四旋翼无人机的微分平坦特性降低要规划的变量，具体地，定义轨迹优化问题Q为：
Q＝arg min J＝λsJs+λrJr+λcJc
其中，Js代表平滑项，Jr代表优化轨迹与原始轨迹的相似性，Jc代表碰撞项，λs,λr,λc为惩罚项的权值。
对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，最终目标是为轨迹的每一段找到最优系数。
通过使曲线的高阶导数最小化即可实现轨迹光滑的目的，因此上述轨迹的平滑项由轨迹的导数平方的积分构成：
Figure BDA0003917832040000101
其中，T为m个轨迹段的总时间；Ti为m段轨迹中第i段轨迹的时间，即第i个轨迹段的时间；
Figure BDA0003917832040000102
是m段的系数向量；Qs为了简化公式设的等价变量。
由于初步路径已经满足动力学约束，需要使优化的轨迹与原始轨迹足够相似，相似性为优化轨迹与初步路径之间的平方差的积分：
Figure BDA0003917832040000103
其中，T为m段轨迹的总时间；Ti为m段轨迹中第i段轨迹的时间；
Figure BDA0003917832040000104
是m段的系数向量；p*(t)表示初始路径；p(t)为优化后的路径，即本实施例中的指定路径。
最后，针对碰撞相，碰撞相与上述的相似性类似，只不过减去的是一些选定的吸引点，其提供拉力将碰撞部分拉到附近的无碰撞区域，其惩罚函数为：
Figure BDA0003917832040000111
其中，T为m段轨迹的总时间；
Figure BDA0003917832040000112
是m段的系数向量；pap(t)是集合APs中一个吸引点ap的恒定位置；并且
Figure BDA0003917832040000113
是受拉力影响的优化轨迹的相应时间段；L是具有吸引点的轨迹段的集合，
Figure BDA0003917832040000114
第i个轨迹段的时间段。
由于总体优化目标J是二次的，并且权重和持续时间非负，则二次项的系数矩阵总是正定的，则可以导出包含边界导数约束的QP(二次规划)的无约束公式，在忽略状态和控制约束以及给定边界条件和时间分配的情况下，可以得到闭式最优解。
图5-图8示出了一段飞行轨迹上四个不同位置处的路径图。根据图5-图8所示图像可以看出，本发明的自主导航方法规划的路径具有良好的光滑度，且规划的轨迹与障碍物无碰撞，充分体现了本发明方法的稳定性与良好的性能。
S04：控制四旋翼无人机沿指定路径飞到目标点。
在生成指定路径后，控制四旋翼无人机沿指定路径飞到目标点。随后即可飞向降落点进行降落。
图9示出了实际飞行轨迹与期望轨迹(即本实施例中的指定路径)的对比图，从图中可以看出，本发明提供的自主导航方法可以很好地控制四旋翼无人机按照指定路径进行飞行。
以上所述，仅为本发明的具体实施方式，但是本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种四旋翼无人机的自主导航方法，其特征在于，包括：
获取四旋翼无人机的深度图像以及位姿信息；
根据所述深度图像以及所述位姿信息创建栅格地图；其中，所述栅格地图为所述四旋翼无人机悬停位置处视角下的栅格地图；
在所述栅格地图上规划从所述悬停位置至目标点的指定路径；其中，规划过程包括：利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹；对于所述轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用所述局部轨迹在所述障碍物外生成吸引点，以规划初步路径；对所述初步路径进行优化，以生成所述指定路径；
控制所述四旋翼无人机沿所述指定路径飞到所述目标点。
2.根据权利要求1所述的四旋翼无人机的自主导航方法，其特征在于，根据所述深度图像以及所述位姿信息创建栅格地图的步骤包括：
根据所述深度图像以及所述位姿信息生成点云数据，并将所述点云数据从相机坐标系转换到世界坐标系；
判断转换后的所述点云数据中每个点是否在限制的地图内；若所述点不在所述地图内，则将所述点挪到所述地图边界上；若所述点在所述地图内，则判断所述点到相机的距离是否大于最远可测距离；若所述点到相机的距离大于所述最远可测距离，则将所述点挪到所述最远可测距离上，并得到所述点在所述地图中的坐标；若所述点到相机的距离小于或者等于所述最远可测距离，则认为所述点为障碍物；
去除相机视角外的地图，并将障碍物按所述四旋翼无人机的大小进行膨胀；加入虚拟屋顶，以限制飞行高度；
其中，所述相机为用于获取所述深度图像的深度相机。
3.根据权利要求1所述的四旋翼无人机的自主导航方法，其特征在于，利用RRT*算法生成一条满足动力学约束但不考虑障碍物的轨迹的步骤包括：
将起点作为树T的根节点，使树T向所述目标点生长，每次对有效状态随机点Xrand进行采样时，都会以随机点Xrand为圆心寻找处于圆内的T子集χbackward，如果所述子集χbackward里有多个点，则选择状态转移成本最小的节点Xnear作为随机点Xrand的父节点，并将随机点Xrand添加到树T中，以随机点Xrand为圆心寻找圆内的正向T子集χforward，子集χforward中的点若以随机点Xrand点为父节点能获得更低的成本，则将随机点Xrand更新为子集χforward中的点的父节点；若所述目标点与树中的任何状态节点相连，则通过从所述目标点到其父节点递归地追溯到起点来获得所述轨迹。
4.根据权利要求1所述的四旋翼无人机的自主导航方法，其特征在于，对于所述轨迹中存在障碍物的部分，用A*算法生成一段无碰撞的局部轨迹，并利用所述局部轨迹在所述障碍物外生成吸引点的步骤包括：
令所述轨迹穿进障碍物的点为作为局部轨迹的路径起点P1，穿出的点作为局部轨迹的路径终点P2；
令开列表表示待遍历的节点，关列表表示已经遍历过的节点；
初始化时将所述路径起点以及所述路径起点周围的点集合加入开列表，且在开列表中选取总消耗最小的节点n；将所述节点n从开列表删除并加入关列表；遍历节点n的邻近节点m，并计算邻近节点m的总消耗以及从所述路径起点经所述节点n到邻近节点m移动消耗，选择邻近节点m中移动消耗最小的点生成轨迹；遍历所述开列表中的节点，直至所述路径终点，获得局部轨迹；
将所述局部轨迹的中点表示为Pm，令P1到P2的连线中点为Pc；从Pc到Pm做矢量延长线；
沿所述矢量延长线进行射线跟踪，当发现两侧有无障碍栅格时，跟踪停止，并将停止跟踪的栅格处作为吸引点Pa。
5.根据权利要求1所述的四旋翼无人机的自主导航方法，其特征在于，对所述初步路径进行优化的步骤包括：
考虑路径的平滑度、相似性和碰撞项三部分，再根据无人机的微分平坦特性降低要规划的变量，并定义轨迹优化问题Q为：
Q＝argminJ＝λsJs+λrJr+λcJc
其中，Js代表平滑项，Jr代表优化轨迹与原始轨迹的相似性，Jc代表碰撞项，λs,λr,λc为惩罚项的权值。
6.根据权利要求5所述的四旋翼无人机的自主导航方法，其特征在于，对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，并为轨迹的每一段找到最优系数；
所述平滑项由轨迹的导数平方的积分构成：
Figure FDA0003917832030000031
其中，T为m段轨迹的总时间；Ti为m段轨迹中第i段轨迹的时间；
Figure FDA0003917832030000032
是m段的系数向量；Qs为了简化公式设的等价变量。
7.根据权利要求5所述的四旋翼无人机的自主导航方法，其特征在于，对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，并为轨迹的每一段找到最优系数；
所述相似性表示为对优化轨迹与初始路径点之间的平方差的积分：
Figure FDA0003917832030000033
其中，T为m段轨迹的总时间；Ti为m段轨迹中第i段轨迹的时间；
Figure FDA0003917832030000034
是m段的系数向量；p*(t)表示初始路径；p(t)为优化后的路径。
8.根据权利要求5所述的四旋翼无人机的自主导航方法，其特征在于，对于{x,y,z}的每个维度，考虑一个m段、n阶多项式轨迹pm(t)＝c0+c1t+c2t2+cntn；令cm＝[c0；c1；c2；···；cn]T为第m段轨迹的系数，并为轨迹的每一段找到最优系数；
所述碰撞相的函数为：
Figure FDA0003917832030000041
其中，T为m段轨迹的总时间；
Figure FDA0003917832030000042
是m段的系数向量；pap(t)是集合APs中一个吸引点ap的恒定位置；并且
Figure FDA0003917832030000043
是受拉力影响的优化轨迹的相应时间段；L是具有吸引点的轨迹段的集合，
Figure FDA0003917832030000044
第i个轨迹段的时间段。
9.根据权利要求5所述的四旋翼无人机的自主导航方法，其特征在于，由于总体优化目标是二次的，并且权重和持续时间非负，则二次项的系数矩阵总是正定的，则可以导出包含边界导数约束的二次规划的无约束公式，在忽略状态和控制约束以及给定边界条件和时间分配的情况下，可以得到闭式最优解。
10.一种无人机装置，其特征在于，所述无人机装置包括四旋翼无人机、深度相机、双目相机以及机载微型电脑；所述深度相机、所述双目相机以及所述机载微型电脑均搭载于所述四旋翼无人机上；所述深度相机用于获取深度图像，所述双目相机用于获取位姿信息；所述机载微型电脑和所述四旋翼无人机用于执行权利要求1-9任一项所述的四旋翼无人机的自主导航方法。
CN202211347786.5A 2022-10-31 2022-10-31 一种四旋翼无人机的自主导航方法及无人机装置 Pending CN115542947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211347786.5A CN115542947A (zh) 2022-10-31 2022-10-31 一种四旋翼无人机的自主导航方法及无人机装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211347786.5A CN115542947A (zh) 2022-10-31 2022-10-31 一种四旋翼无人机的自主导航方法及无人机装置

Publications (1)

Publication Number Publication Date
CN115542947A true CN115542947A (zh) 2022-12-30

Family

ID=84719615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211347786.5A Pending CN115542947A (zh) 2022-10-31 2022-10-31 一种四旋翼无人机的自主导航方法及无人机装置

Country Status (1)

Country Link
CN (1) CN115542947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116954265A (zh) * 2023-09-20 2023-10-27 天津云圣智能科技有限责任公司 局部运动轨迹的重规划方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116954265A (zh) * 2023-09-20 2023-10-27 天津云圣智能科技有限责任公司 局部运动轨迹的重规划方法、装置和电子设备
CN116954265B (zh) * 2023-09-20 2023-12-05 天津云圣智能科技有限责任公司 局部运动轨迹的重规划方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Kamel et al. Robust collision avoidance for multiple micro aerial vehicles using nonlinear model predictive control
Oleynikova et al. Safe local exploration for replanning in cluttered unknown environments for microaerial vehicles
Shen et al. Vision-based state estimation for autonomous rotorcraft MAVs in complex environments
CN110320930B (zh) 基于Voronoi图的多无人机编队队形可靠变换方法
Tisdale et al. Autonomous UAV path planning and estimation
CN108120442B (zh) 一种基于二阶锥规划的多旋翼无人机飞行轨迹生成方法
Ergezer et al. 3D path planning for multiple UAVs for maximum information collection
Tijmons et al. Obstacle avoidance strategy using onboard stereo vision on a flapping wing MAV
He et al. On the design and use of a micro air vehicle to track and avoid adversaries
CN111880573A (zh) 一种基于视觉惯导融合的四旋翼自主导航方法
Lin et al. Development of an unmanned coaxial rotorcraft for the DARPA UAVForge challenge
US20240076066A1 (en) Fixed-wing unmanned aerial vehicle capable of high angle-of-attack maneuvering
CN115542947A (zh) 一种四旋翼无人机的自主导航方法及无人机装置
CN117406771B (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
Zhang et al. Research on obstacle avoidance algorithm of multi-uav consistent formation based on improved dynamic window approach
Mueller et al. Model predictive control for vision-based quadrotor guidance
Montella et al. Reinforcement learning for autonomous dynamic soaring in shear winds
Selje et al. Gps-denied three dimensional leader-follower formation control using deep reinforcement learning
Santamaria-Navarro et al. Visual guidance of unmanned aerial manipulators
CN116382334A (zh) 一种针对多无人机协同航迹规划的融合优化方法
CN112161626B (zh) 一种基于航路跟踪映射网络的高可飞性航路规划方法
Śmigielski et al. Visual simulator for MavLink-protocol-based UAV, applied for search and analyze task
Vanegas Alvarez Uncertainty based online planning for UAV missions in GPS-denied and cluttered environments
Gilson Fault-tolerant mapping and localization for Quadrotor UAV
Miller et al. Simultaneous tracking of multiple ground targets from a multirotor unmanned aerial vehicle

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