CN115683097A - 强磁场环境狭小空间全自动无人机飞控方法 - Google Patents

强磁场环境狭小空间全自动无人机飞控方法 Download PDF

Info

Publication number
CN115683097A
CN115683097A CN202211430559.9A CN202211430559A CN115683097A CN 115683097 A CN115683097 A CN 115683097A CN 202211430559 A CN202211430559 A CN 202211430559A CN 115683097 A CN115683097 A CN 115683097A
Authority
CN
China
Prior art keywords
obstacle
unmanned aerial
aerial vehicle
edge feature
image
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
Application number
CN202211430559.9A
Other languages
English (en)
Other versions
CN115683097B (zh
Inventor
沈章尧
郑伟彦
裘军良
冯毓敏
陆伟民
应彬
黄迪
严性平
陈潘霞
王宁涛
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.)
Zhejiang Dayou Industrial Co ltd Hangzhou Science And Technology Development Branch
Original Assignee
Zhejiang Dayou Industrial Co ltd Hangzhou Science And Technology Development Branch
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 Zhejiang Dayou Industrial Co ltd Hangzhou Science And Technology Development Branch filed Critical Zhejiang Dayou Industrial Co ltd Hangzhou Science And Technology Development Branch
Priority to CN202211430559.9A priority Critical patent/CN115683097B/zh
Publication of CN115683097A publication Critical patent/CN115683097A/zh
Application granted granted Critical
Publication of CN115683097B publication Critical patent/CN115683097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于强磁场环境探测技术领域,具体涉及强磁场环境狭小空间全自动无人机飞控方法。本发明能够在无人机投入使用之前,根据其自身结构,结合其反应时间,计算出调整姿态的安全范围,在遇到相邻障碍物的同时,再结合相邻障碍物之间的间隙宽度生成不同的调整指令,使得无人机在能够通过调整姿态穿过相邻障碍物之间的间隙的前提下,无需进行绕行,并且去除了无人机上搭载的各种传感器,采用增量式地图和图像定位的方式来实时判断无人机的飞行位置,从而可规避强磁环境对各类传感器造成扰乱,而使得无人机坠落或者碰撞到障碍物的现象发生,保证其在安全飞行的前提下,完成巡航任务。

Description

强磁场环境狭小空间全自动无人机飞控方法
技术领域
本发明属于强磁场环境探测技术领域,具体涉及强磁场环境狭小空间全自动无人机飞控方法。
背景技术
地球周围本身就分布着各种不同的磁场,人们也生活在这个磁场之内,当然,正常情况下对人体是没有危害的,但是,随着人们不断的开发自然资源,所需要探索的范围也在逐渐的增加,对于一些未知区域,且存在强磁场的区域而言,人为的进行探测显然是不可取的,并且在强磁场环境中,各种电磁信号会受到程度不一的干扰,结合近年来无人机的迅速发展,人们在探索这些位置的强磁区域时,多会使用到特定的无人机进行探测,从而既可规避强磁环境对人体的危害,又能够实现对位置区域的探测。
现有的能够在强磁环境中飞行的无人机在使用时在执行飞行任务过程中,难免会遇到各种障碍物,虽然其搭载有相应的避障系统,但是障碍物的宽度、高度等因素是不可控的,在其飞行过程中,若是遇到相邻障碍物之间存在有狭小的空间,也会选择绕行,这无疑就会偏离其预定的航线,这对于其续航能力也是一种极大的考验,故而在一些无人机通过调整姿态便能够穿过的区域而言,绕行避障显然不是最优解,基于此,本发明提供了一种能够在强磁场环境狭小空间中全自动无人机飞控方法。
发明内容
本发明的目的是提供强磁场环境狭小空间全自动无人机飞控方法,能够在遇到相邻障碍物的同时,基于其自身结构,再结合相邻障碍物之间的间隙宽度生成不同的调整指令,使得无人机在能够通过调整姿态穿过障碍物的前提下,无需进行绕行。
本发明采取的技术方案具体如下:
强磁场环境狭小空间全自动无人机飞控方法,包括:
获取无人机飞行方向的场景信息,并依据所述场景信息构建增量式地图,其中,所述场景信息包括障碍物坐标和障碍物图像;
判断增量式地图中是否存在坐标交叉的障碍物坐标;
若存在,则将存在坐标交叉的障碍物分别标定为第一障碍物和第二障碍物,其中,所述第一障碍物和第二障碍物所对应的图像分别被标定为第一障碍物图像和第二障碍物图像;
若不存在,则将对应的障碍物标定为第三障碍物,且所述第三障碍物所对应的图像被标定为第三障碍物图像,其中,若所述无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物,并同步获取其图像信息;
从所述第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征;
根据双目视觉定位模型确定所述第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值;
获取无人机的标准浮动阈值,并将其与所述留空值进行比较;
若所述留空值大于标准浮动阈值,则表明无人机能够从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为前行;
若所述留空值小于或等于标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航。
在一种优选方案中,所述依据所述场景信息构建增量式地图的过程基于视觉SLAM算法进行。
在一种优选方案中,所述判断增量式地图中是否存在坐标交叉的障碍物坐标的步骤,包括:
获取无人机飞行方向,且与无人机高度相对应的区域内所有障碍物边缘坐标,并标定为一级待确定坐标;
根据一级待确定坐标的Z轴信息,对其进行分组运算,得到所有Z轴坐标一致,一级待确定坐标中所有相平行的Y轴坐标之间的距离,并标定为待确定偏移量;
根据无人机长度,确定Y轴标准偏移量,其中,Y轴标准偏移量的确定公式为:P=aL+c,式中,P表示标准偏移量,a表示常数系数,L表示无人机长度,c表示无人机的反应距离;
若所述标准偏移量小于或等于待确定偏移量,则判定无人机飞行方向中与一级待确定坐标对应的障碍物为交叉性障碍物,并分别标定为第一障碍物和第二障碍物;
若所述标准偏移量大于待确定偏移量,则判定无人机飞行方向中与一级待确定坐标对应的障碍物为非交叉性障碍物,并标定为第三障碍物。
在一种优选方案中,所述无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物的步骤与交叉性障碍物和非交叉性障碍物的判断逻辑一致。
在一种优选方案中,从所述第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征的步骤,包括:
获取无人机在增量式地图中的当前坐标信息;
根据无人机的高度,获取无人机顶端和底端的坐标信息,并分别标定为最高点坐标和最低点坐标;
根据无人机的宽度,对所述最高点坐标和最低点坐标进行偏移处理,分别得到上虚拟节点坐标和下虚拟节点坐标;
获取上虚拟节点至下虚拟节点之间,所述第一障碍物图像和第二障碍物图像的边缘特征点集群,其中,与所述第一障碍物图像相对应的边缘特征点集群被标定为第一边缘特征,与所述第二障碍物图像相对应的边缘特征点集群被标定为第二边缘特征。
在一种优选方案中,所述根据双目视觉定位模型确定所述第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值的步骤,包括:
以所述第一边缘特征为基准,结合待确定偏移量,得到与第二边缘特征相平行的虚拟边缘特征;
获取虚拟边缘特征与第二边缘特征之间的距离,并标定为通行距离;
将所述通行距离与无人机的宽度做比较,得到一级留空值;
将所述通行距离与无人机的高度做比较,得到二级留空值,且所述一级留空值大于二级留空值。
在一种优选方案中,所述获取无人机的标准浮动阈值的步骤,包括:
获取无人机的宽度;
将所述无人机的宽度代入至标准浮动阈值目标函数:b1=f×k-k,式中,b1表示一级标准浮动阈值,f表示常数系数,k表示无人机宽度;
获取无人机的高度;
将所述无人机的高度代入至标准浮动阈值目标函数:b2=j×g-g,式中,b2表示二级标准浮动阈值,j表示常数系数,g表示无人机高度。
在一种优选方案中,将所述标准浮动阈值与所述留空值进行比较的步骤,包括:
获取所述一级标准浮动阈值和二级标准浮动阈值;
获取一级留空值和二级留空值,并分别与所述一级标准浮动阈值和二级标准浮动阈值相比较;
若所述一级留空值小于或等于一级标准浮动阈值,则表明所述无人机无法保持平整的姿态穿过第一障碍物和第二障碍物,此状态下,调整无人机的飞行姿态,并继续比较二级留空值与二级标准阈值,若二级留空值小于或等于二级标准浮动阈值,则表明所述无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航,若二级留空值大于标准浮动阈值,则表明无人机在调整飞行姿态后,能够从第一障碍物和第二障碍物之间穿过;
若所述一级留空值大于一级标准浮动阈值,则表明所述无人机能保持平整的状态从第一障碍物和第二障碍物之间穿过,且此状态下,无需对二级留空值和二级标准浮动阈值进行比较。
本发明还提供了强磁场环境狭小空间全自动无人机飞控系统,应用于上述中任一项所述的强磁场环境狭小空间全自动无人机飞控方法,包括:
地图构建模块,所述地图构建模块用于获取无人机飞行方向的场景信息,并依据所述场景信息构建增量式地图,其中,所述场景信息包括障碍物坐标和障碍物图像;
一级判断模块,所述判断模块用于判断增量式地图中是否存在坐标交叉的障碍物坐标;
若存在,则将存在坐标交叉的障碍物分别标定为第一障碍物和第二障碍物,其中,所述第一障碍物和第二障碍物所对应的图像分别被标定为第一障碍物图像和第二障碍物图像;
若不存在,则将对应的障碍物标定为第三障碍物,且所述第三障碍物所对应的图像被标定为第三障碍物图像,其中,若所述无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物,并同步获取其图像信息;
特征提取模块,所述特征提取模块用于从所述第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征;
计算模块,所述计算模块用于根据双目视觉定位模型确定所述第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值;
二级判断模块,所述二级判断模块用于获取无人机的标准浮动阈值,并将其与所述留空值进行比较;
若所述留空值大于标准浮动阈值,则表明无人机能够从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为前行;
若所述留空值小于或等于标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航。
在一种优选方案中,还包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述中任一项所述的强磁场环境狭小空间全自动无人机飞控方法
本发明取得的技术效果为:
本发明能够在无人机投入使用之前,根据其自身结构,结合其反应时间,计算出调整姿态的安全范围,在遇到相邻障碍物的同时,再结合相邻障碍物之间的间隙宽度生成不同的调整指令,使得无人机在能够通过调整姿态穿过相邻障碍物之间的间隙的前提下,无需进行绕行,并且去除了无人机上搭载的各种传感器,采用增量式地图和图像定位的方式来实时判断无人机的飞行位置,从而可规避强磁环境对各类传感器造成扰乱,而使得无人机坠落或者碰撞到障碍物的现象发生,保证其在安全飞行的前提下,完成巡航任务。
附图说明
图1是本发明的实施例所提供的飞控方法流程图;
图2是本发明的实施例所提供的飞控系统模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
请参阅图1至图2,本发明提供了强磁场环境狭小空间全自动无人机飞控方法,包括:
S1、获取无人机飞行方向的场景信息,并依据场景信息构建增量式地图,其中,场景信息包括障碍物坐标和障碍物图像,依据场景信息构建增量式地图的过程基于视觉SLAM算法进行;
S2、判断增量式地图中是否存在坐标交叉的障碍物坐标;
S3、若存在,则将存在坐标交叉的障碍物分别标定为第一障碍物和第二障碍物,其中,第一障碍物和第二障碍物所对应的图像分别被标定为第一障碍物图像和第二障碍物图像;
S4、若不存在,则将对应的障碍物标定为第三障碍物,且第三障碍物所对应的图像被标定为第三障碍物图像,其中,若无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物,并同步获取其图像信息;
S5、从第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征;
S6、根据双目视觉定位模型确定第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值;
S7、获取无人机的标准浮动阈值,并将其与留空值进行比较;
S8、若留空值大于标准浮动阈值,则表明无人机能够从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为前行;
S9、若留空值小于或等于标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航。
如上述步骤S1-S9所述,无人机在执行飞行任务时,难免会遇到强磁场环境,在此环境中,无法使用远程操控装置来控制无人机进行飞行,且此环境下,对于各种传感器的限制也是巨大的,会导致传感器信号的采集、传递具有不稳定或者延迟的现象发生,本实施例选用的无人机搭载IMU系统、再结合视觉定位模型和SLAM算法,生成即时的增量式地图,并且实时获取无人机在增量式地图中的坐标位置,以及其前方的障碍物信息,并且生成相应的飞控指令,如正常通行,调整姿态通行、绕行或者返航等,而无人机飞行方向的障碍物并不都是相邻的,基于此,本实施例按坐标的交叉性来判断无人机前方的障碍物是否存在交叉性,此过程中,考虑了无人机避让的空间,进而将相邻障碍物之间的边缘特征进行偏移处理,使得相邻的两个障碍物之间的距离能够得以更直观的体现,而在此过程中,无人机采集其飞行方向的场景信息是具有局限性,如无人机在飞过峡谷时,无法判断山体的厚度,在第一次判断时,未将交错的山体确定为存在坐标交叉性的障碍物,后续在无人机绕行至相邻障碍物的前端之后,会对其进行二次标定,此时,两者便被分别标定为第一障碍物和第二障碍物,由于山体之间的空间狭小,故而空气的流速过大,可能会使得无人机在飞行过程中出现晃动,故而在计算山体之间的距离是否能够满足无人机通行时,需要增加无人机晃动并调整的空间,即标准浮动阈值,在无人机通过双目视觉定位模型确定第一障碍物和第二障碍物边缘之间的距离之后,减去无人机的宽度或者厚度即为留空值,再将其与标准浮动阈值相比较,根据比较结果下达不同的飞控指令,同时无人机也就会执行不同的飞行方式。
在一个较佳的实施方式中,判断增量式地图中是否存在坐标交叉的障碍物坐标的步骤,包括:
S201、获取无人机飞行方向,且与无人机高度相对应的区域内所有障碍物边缘坐标,并标定为一级待确定坐标;
S202、根据一级待确定坐标的Z轴信息,对其进行分组运算,得到所有Z轴坐标一致,一级待确定坐标中所有相平行的Y轴坐标之间的距离,并标定为待确定偏移量;
S203、根据无人机长度,确定Y轴标准偏移量,其中,Y轴标准偏移量的确定公式为:P=aL+c,式中,P表示标准偏移量,a表示常数系数,L表示无人机长度,c表示无人机的反应距离;
S204、若标准偏移量小于或等于待确定偏移量,则判定无人机飞行方向中与一级待确定坐标对应的障碍物为交叉性障碍物,并分别标定为第一障碍物和第二障碍物;
S205、若标准偏移量大于待确定偏移量,则判定无人机飞行方向中与一级待确定坐标对应的障碍物为非交叉性障碍物,并标定为第三障碍物。
如上述S201-S205所述,为保证巡航的安全,对于自动式的无人机而言,其在执行任务时,多是匀速前行的,在无人机执行巡检任务中,其遇到的场景信息也是不一致的,故而其匀速飞行速度不尽一致,从而Y轴标准偏移量的标准值也是根据不同的无人机飞行速度息息相关的,它决定着无人机的反应距离,将其考虑在内们可以避免无人机在规避其中一个障碍物之后,不会在自身的惯性作用下,与新采集到的障碍物相撞,保证无人机巡航任务能够安全的执行,后续再将其与待确定偏移量相比较,便可判断无人机前方的障碍物是否为交叉性障碍物,
在一个较佳的实施方式中,无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物的步骤与交叉性障碍物和非交叉性障碍物的判断逻辑一致。
该实施例中,在无人机确定第三障碍物,并且绕行之后,无人机仍然会实时采集其飞行方向的场景信息,实时的更新增量式地图,同时对于无人机前方障碍物的判定逻辑与前述步骤S201-S205的判断逻辑和方法一致,其属于一次性的判定过程,并不会将第三障碍物一直视为可绕行的障碍物。
在一个较佳的实施方式中,从第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征的步骤,包括:
S501、获取无人机在增量式地图中的当前坐标信息;
S502、根据无人机的高度,获取无人机顶端和底端的坐标信息,并分别标定为最高点坐标和最低点坐标;
S503、根据无人机的宽度,对最高点坐标和最低点坐标进行偏移处理,分别得到上虚拟节点坐标和下虚拟节点坐标;
S504、获取上虚拟节点至下虚拟节点之间,第一障碍物图像和第二障碍物图像的边缘特征点集群,其中,与第一障碍物图像相对应的边缘特征点集群被标定为第一边缘特征,与第二障碍物图像相对应的边缘特征点集群被标定为第二边缘特征。
如上述步骤S501-S504所述,无人机在巡航过程中,在前方无障碍物的情况下,一般不会调整其飞行高度,在其正常飞行的前提下,需要采集前方的第一障碍物和第二障碍物与之相对应处的距离,在确定无人机能够通过的范围时,以无人机的高度和宽度为基准对边缘特征点进行偏移处理,从而得到相应的上虚拟节点和下虚拟节点,进而便确定了第一边缘特征和第二边缘特征的临界点,再将上虚拟节点和下虚拟节点之间的所有边缘特征点集群结合在一起,便能够得到分别与第一障碍物和第二障碍物相对应的第一边缘特征和第二边缘特征。
在一个较佳的实施方式中,根据双目视觉定位模型确定第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值的步骤,包括:
S601、以第一边缘特征为基准,结合待确定偏移量,得到与第二边缘特征相平行的虚拟边缘特征;
S602、获取虚拟边缘特征与第二边缘特征之间的距离,并标定为通行距离;
S603、将通行距离与无人机的宽度做比较,得到一级留空值;
S604、将通行距离与无人机的高度做比较,得到二级留空值,且一级留空值大于二级留空值。
如上述步骤S601-S604所述,在获取留空值,将其具体分为了一级留空值和二级留空值,其中,一级留空值是通行距离与无人机宽度的差值,其决定着无人机能否以平整的姿态穿过第一障碍物和第二障碍物,二级留空值是通行距离与无人机高度的差值,其决定着无人机能否以竖直的姿态穿过第一障碍物和第二障碍物,其也为无人机能够通行的最小距离,介于一级留空值和二级留空值之间的距离,则需要无人机倾斜穿过第一障碍物和第二障碍物。
在一个较佳的实施方式中,获取无人机的标准浮动阈值的步骤,包括:
S701、获取无人机的宽度;
S702、将无人机的宽度代入至标准浮动阈值目标函数:b1=f×k-k,式中,b1表示一级标准浮动阈值,f表示常数系数,k表示无人机宽度;
S703、获取无人机的高度;
S704、将无人机的高度代入至标准浮动阈值目标函数:b2=j×g-g,式中,b2表示二级标准浮动阈值,j表示常数系数,g表示无人机高度。
如上述步骤S701-S704所述,对于标准浮动阈值,本实施例进一步将其细化为一级标准浮动阈值和二级标准浮动阈值,并分别对应一级留空值和二级留空值,以此来判断无人机应保持什么样的飞行姿态穿过第一障碍物和第二障碍物,其中,一级标准浮动阈值与一级留空值的比对优先级要高于二级标准浮动阈值与二级留空值的比对优先级,即无人机能够保持平整的姿态穿过障碍物时,无需改变飞行姿态。
在一个较佳的实施方式中,将标准浮动阈值与留空值进行比较的步骤,包括:
S705、获取一级标准浮动阈值和二级标准浮动阈值;
S706、获取一级留空值和二级留空值,并分别与一级标准浮动阈值和二级标准浮动阈值相比较;
S707、若一级留空值小于或等于一级标准浮动阈值,则表明无人机无法保持平整的姿态穿过第一障碍物和第二障碍物,此状态下,调整无人机的飞行姿态,并继续比较二级留空值与二级标准阈值,若二级留空值小于或等于二级标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航,若二级留空值大于标准浮动阈值,则表明无人机在调整飞行姿态后,能够从第一障碍物和第二障碍物之间穿过;
S708、若一级留空值大于一级标准浮动阈值,则表明无人机能保持平整的状态从第一障碍物和第二障碍物之间穿过,且此状态下,无需对二级留空值和二级标准浮动阈值进行比较。
如上述步骤S705-S708所述,根据一级标准浮动阈值、二级标准浮动阈值与一级留空值和二级留空值的综合比对结果,生成相应的控制指令,无人机在到达第一障碍物和第二障碍物的前方之后,能够及时的调整好飞行状态,使得能够以最优的飞行状态安全的穿过第一障碍物和第二障碍物之间的间隙,当然,若是无人机任何姿态均无法从第一障碍物和第二障碍物之间的间隙穿过,那么便会执行返航命令,以此避免其与第一障碍物或者第二障碍物发生碰撞,且在此过程中,一级留空值的比较优先级要高于二级留空值的比较优先级。
本发明还提供了强磁场环境狭小空间全自动无人机飞控系统,应用于上述中任一项的强磁场环境狭小空间全自动无人机飞控方法,包括:
地图构建模块,地图构建模块用于获取无人机飞行方向的场景信息,并依据场景信息构建增量式地图,其中,场景信息包括障碍物坐标和障碍物图像;
一级判断模块,判断模块用于判断增量式地图中是否存在坐标交叉的障碍物坐标;
若存在,则将存在坐标交叉的障碍物分别标定为第一障碍物和第二障碍物,其中,第一障碍物和第二障碍物所对应的图像分别被标定为第一障碍物图像和第二障碍物图像;
若不存在,则将对应的障碍物标定为第三障碍物,且第三障碍物所对应的图像被标定为第三障碍物图像,其中,若无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物,并同步获取其图像信息;
特征提取模块,特征提取模块用于从第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征;
计算模块,计算模块用于根据双目视觉定位模型确定第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值;
二级判断模块,二级判断模块用于获取无人机的标准浮动阈值,并将其与留空值进行比较;
若留空值大于标准浮动阈值,则表明无人机能够从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为前行;
若留空值小于或等于标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航。
为避免强磁环境的干扰,在本实施例中只保留无人机的IMU系统,用于维持无人机飞行过程中的平衡,减少传感器的使用,通过图像以及增量式地图来确定无人机航行过程中的安全性,无人机在其构建的增量式地图使用深度视觉加地面TAG的方式来做实时定位,需要注意的是,深度视觉需要在投入使用之前进行大量的试验,以此来丰富其判断逻辑,从而保证无人机遇到障碍物能够及时的作出相应的调整,具体的场景可以在实验过程中根据实际需求进行设置,当然,也可实地考察并构建虚拟地图来完善深度视觉,再者,其中设计的判断逻辑等均可实用if……else等编程语言进行逐级嵌套实现,具体程序可根据实际需求进行设置,文中对此不再加以限制。
在一个较佳的实施方式中,还包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现上述中任一项的强磁场环境狭小空间全自动无人机飞控方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。

Claims (9)

1.强磁场环境狭小空间全自动无人机飞控方法,其特征在于:包括:
获取无人机飞行方向的场景信息,并依据所述场景信息构建增量式地图,其中,所述场景信息包括障碍物坐标和障碍物图像;
判断增量式地图中是否存在坐标交叉的障碍物坐标;
若存在,则将存在坐标交叉的障碍物分别标定为第一障碍物和第二障碍物,其中,所述第一障碍物和第二障碍物所对应的图像分别被标定为第一障碍物图像和第二障碍物图像;
若不存在,则将对应的障碍物标定为第三障碍物,且所述第三障碍物所对应的图像被标定为第三障碍物图像,其中,若所述无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物,并同步获取其图像信息;
从所述第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征;
根据双目视觉定位模型确定所述第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值;
获取无人机的标准浮动阈值,并将其与所述留空值进行比较;
若所述留空值大于标准浮动阈值,则表明无人机能够从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为前行;
若所述留空值小于或等于标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航;
获取无人机飞行方向,且与无人机高度相对应的区域内所有障碍物边缘坐标,并标定为一级待确定坐标;
根据一级待确定坐标的Z轴信息,对其进行分组运算,得到所有Z轴坐标一致,一级待确定坐标中所有相平行的Y轴坐标之间的距离,并标定为待确定偏移量;
根据无人机长度,确定Y轴标准偏移量,其中,Y轴标准偏移量的确定公式为:P=aL+c,式中,P表示标准偏移量,a表示常数系数,L表示无人机长度,c表示无人机的反应距离;
若所述标准偏移量小于或等于待确定偏移量,则判定无人机飞行方向中与一级待确定坐标对应的障碍物为交叉性障碍物,并分别标定为第一障碍物和第二障碍物;
若所述标准偏移量大于待确定偏移量,则判定无人机飞行方向中与一级待确定坐标对应的障碍物为非交叉性障碍物,并标定为第三障碍物。
2.根据权利要求1所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:所述依据所述场景信息构建增量式地图的过程基于视觉SLAM算法进行。
3.根据权利要求2所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:所述无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物的步骤与交叉性障碍物和非交叉性障碍物的判断逻辑一致。
4.根据权利要求1所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:从所述第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征的步骤,包括:
获取无人机在增量式地图中的当前坐标信息;
根据无人机的高度,获取无人机顶端和底端的坐标信息,并分别标定为最高点坐标和最低点坐标;
根据无人机的宽度,对所述最高点坐标和最低点坐标进行偏移处理,分别得到上虚拟节点坐标和下虚拟节点坐标;
获取上虚拟节点至下虚拟节点之间,所述第一障碍物图像和第二障碍物图像的边缘特征点集群,其中,与所述第一障碍物图像相对应的边缘特征点集群被标定为第一边缘特征,与所述第二障碍物图像相对应的边缘特征点集群被标定为第二边缘特征。
5.根据权利要求4所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:所述根据双目视觉定位模型确定所述第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值的步骤,包括:
以所述第一边缘特征为基准,结合待确定偏移量,得到与第二边缘特征相平行的虚拟边缘特征;
获取虚拟边缘特征与第二边缘特征之间的距离,并标定为通行距离;
将所述通行距离与无人机的宽度做比较,得到一级留空值;
将所述通行距离与无人机的高度做比较,得到二级留空值,且所述一级留空值大于二级留空值。
6.根据权利要求5所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:所述获取无人机的标准浮动阈值的步骤,包括:
获取无人机的宽度;
将所述无人机的宽度代入至标准浮动阈值目标函数:b1=f×k-k,式中,b1表示一级标准浮动阈值,f表示常数系数,k表示无人机宽度;
获取无人机的高度;
将所述无人机的高度代入至标准浮动阈值目标函数:b2=j×g-g,式中,b2表示二级标准浮动阈值,j表示常数系数,g表示无人机高度。
7.根据权利要求6所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:将所述标准浮动阈值与所述留空值进行比较的步骤,包括:
获取所述一级标准浮动阈值和二级标准浮动阈值;
获取一级留空值和二级留空值,并分别与所述一级标准浮动阈值和二级标准浮动阈值相比较;
若所述一级留空值小于或等于一级标准浮动阈值,则表明所述无人机无法保持平整的姿态穿过第一障碍物和第二障碍物,此状态下,调整无人机的飞行姿态,并继续比较二级留空值与二级标准阈值,若二级留空值小于或等于二级标准浮动阈值,则表明所述无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航,若二级留空值大于标准浮动阈值,则表明无人机在调整飞行姿态后,能够从第一障碍物和第二障碍物之间穿过;
若所述一级留空值大于一级标准浮动阈值,则表明所述无人机能保持平整的状态从第一障碍物和第二障碍物之间穿过,且此状态下,无需对二级留空值和二级标准浮动阈值进行比较。
8.强磁场环境狭小空间全自动无人机飞控系统,应用于权利要求1-7中任一项所述的强磁场环境狭小空间全自动无人机飞控方法,其特征在于:包括:
地图构建模块,所述地图构建模块用于获取无人机飞行方向的场景信息,并依据所述场景信息构建增量式地图,其中,所述场景信息包括障碍物坐标和障碍物图像;
一级判断模块,所述判断模块用于判断增量式地图中是否存在坐标交叉的障碍物坐标;
若存在,则将存在坐标交叉的障碍物分别标定为第一障碍物和第二障碍物,其中,所述第一障碍物和第二障碍物所对应的图像分别被标定为第一障碍物图像和第二障碍物图像;
若不存在,则将对应的障碍物标定为第三障碍物,且所述第三障碍物所对应的图像被标定为第三障碍物图像,其中,若所述无人机避让第三障碍物的过程中,检测到与第三障碍边缘特征点相交叉的未知障碍物,则将第三障碍物重新标定为第一障碍物,未知障碍物标定为第二障碍物,并同步获取其图像信息;
特征提取模块,所述特征提取模块用于从所述第一障碍物图像和第二障碍物图像中同步获取所有与无人机相平行的边缘特征点,并分别标定为第一边缘特征和第二边缘特征;
计算模块,所述计算模块用于根据双目视觉定位模型确定所述第一边缘特征和第二边缘特征之间的距离,并且将其分别与无人机的高度和宽度相比对,得到留空值;
二级判断模块,所述二级判断模块用于获取无人机的标准浮动阈值,并将其与所述留空值进行比较;
若所述留空值大于标准浮动阈值,则表明无人机能够从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为前行;
若所述留空值小于或等于标准浮动阈值,则表明无人机无法从第一障碍物和第二障碍物之间穿过,并确定无人机的飞行方式为返航。
9.根据权利要求8所述的强磁场环境狭小空间全自动无人机飞控系统,还包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的强磁场环境狭小空间全自动无人机飞控方法。
CN202211430559.9A 2022-11-16 2022-11-16 强磁场环境狭小空间全自动无人机飞控方法 Active CN115683097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211430559.9A CN115683097B (zh) 2022-11-16 2022-11-16 强磁场环境狭小空间全自动无人机飞控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211430559.9A CN115683097B (zh) 2022-11-16 2022-11-16 强磁场环境狭小空间全自动无人机飞控方法

Publications (2)

Publication Number Publication Date
CN115683097A true CN115683097A (zh) 2023-02-03
CN115683097B CN115683097B (zh) 2023-07-18

Family

ID=85052864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211430559.9A Active CN115683097B (zh) 2022-11-16 2022-11-16 强磁场环境狭小空间全自动无人机飞控方法

Country Status (1)

Country Link
CN (1) CN115683097B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120158280A1 (en) * 2008-01-14 2012-06-21 Ravenscroft Donald L Computing route plans for routing around obstacles having spatial and temporal dimensions
CN107479575A (zh) * 2017-08-25 2017-12-15 中国地质大学(武汉) 一种多旋翼无人机飞行控制方法及系统
CN107636550A (zh) * 2016-11-10 2018-01-26 深圳市大疆创新科技有限公司 飞行控制方法、装置及飞行器
WO2020071305A1 (ja) * 2018-10-03 2020-04-09 株式会社ナイルワークス 運転経路生成装置、運転経路生成方法、運転経路生成プログラム、およびドローン
JP2020069833A (ja) * 2018-10-29 2020-05-07 株式会社ダスキン ドローンによる建物の狭隘空間での作業方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120158280A1 (en) * 2008-01-14 2012-06-21 Ravenscroft Donald L Computing route plans for routing around obstacles having spatial and temporal dimensions
CN107636550A (zh) * 2016-11-10 2018-01-26 深圳市大疆创新科技有限公司 飞行控制方法、装置及飞行器
CN107479575A (zh) * 2017-08-25 2017-12-15 中国地质大学(武汉) 一种多旋翼无人机飞行控制方法及系统
WO2020071305A1 (ja) * 2018-10-03 2020-04-09 株式会社ナイルワークス 運転経路生成装置、運転経路生成方法、運転経路生成プログラム、およびドローン
JP2020069833A (ja) * 2018-10-29 2020-05-07 株式会社ダスキン ドローンによる建物の狭隘空間での作業方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MATˇEJ PETRLÍK 等: "A Robust UAV System for Operations in a Constrained Environment", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, vol. 5, no. 2, XP011772783, DOI: 10.1109/LRA.2020.2970980 *
江传龙 等: "井下巡检无人机系统设计及定位与避障技术", 《机械设计与研究》, vol. 37, no. 4 *

Also Published As

Publication number Publication date
CN115683097B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN112799426B (zh) 一种基于大数据分析的无人机导航控制系统及方法
US10347139B2 (en) Autonomous nap-of-the-earth (ANOE) flight path planning for manned and unmanned rotorcraft
Scherer et al. Flying fast and low among obstacles
CN109074490B (zh) 通路检测方法、相关装置及计算机可读存储介质
US11892845B2 (en) System and method for mission planning and flight automation for unmanned aircraft
JP2018165930A (ja) ドローンナビゲーション装置、ドローンナビゲーション方法及びドローンナビゲーションプログラム
KR20220129218A (ko) 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체
JP6486480B2 (ja) 環境地図自動作成装置
EP3903298A1 (en) Collision avoidance system, depth imaging system, vehicle, obstacle map generator, and methods thereof
CN112378397A (zh) 无人机跟踪目标的方法、装置及无人机
Magree et al. Monocular visual mapping for obstacle avoidance on UAVs
JP2018165115A (ja) ドローン用緊急事態対応指示装置、ドローン用緊急事態対応指示方法及びドローン用緊急事態対応指示プログラム
CN112380933A (zh) 无人机识别目标的方法、装置及无人机
Magree et al. Monocular visual mapping for obstacle avoidance on UAVs
JP2022129175A (ja) 車両評価方法及び車両評価装置
CN109241855A (zh) 基于立体视觉的智能车辆可行驶区域探测方法
CN109903367A (zh) 构建地图的方法、装置和计算机可读存储介质
JP6913353B2 (ja) 移動体制御システム
CN115683097B (zh) 强磁场环境狭小空间全自动无人机飞控方法
Zimmermann et al. Integration of a visibility graph based path planning method in the ACT/FHS rotorcraft
CN110021210B (zh) 一种具有可扩展性虚拟空间的无人机vr训练方法
Cheng et al. Automatic guidance and control for helicopter obstacle avoidance
Nakamura et al. Estimation techniques in robust vision-based landing of aerial vehicles
TWI809727B (zh) 利用三維重建地圖搜尋路徑之方法
CN108153751B (zh) 一种机载设备地图数据库飞行期间主动更新方法

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