CN115686052A - 无人机避障路径规划方法、装置、计算机设备及存储介质 - Google Patents
无人机避障路径规划方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115686052A CN115686052A CN202211467284.6A CN202211467284A CN115686052A CN 115686052 A CN115686052 A CN 115686052A CN 202211467284 A CN202211467284 A CN 202211467284A CN 115686052 A CN115686052 A CN 115686052A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- dynamic
- speed
- path
- 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
Links
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了无人机避障路径规划方法、装置、计算机设备及存储介质。该方法包括获取获取无人机周围空域的监测图像流,通过目标检测算法判断无人机周围是否存在动态障碍物;若存在,则根据监测图像流的检测结果对动态障碍物进行视觉跟踪,得到历史运动轨迹;基于历史运动轨迹对动态障碍物的运动轨迹进行预测,得到预测轨迹;获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;基于规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。该方法提升固定翼无人机飞行的稳定性和避障能力。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种无人机避障路径规划方法、装置、计算机设备及存储介质。
背景技术
随着机器学习以及深度学习的发展,计算机视觉在目标识别以及环境感知任务上取得了长足的进步。目前汽车、机器人行业已大量使用计算机视觉技术以提高其自动化程度。与此同时,航空业在目标检测与避障任务上,主要依赖价格昂贵的雷达以及主动通讯的ADS-B设备。然而随着无人机的大量普及,未来空域中的非配合目标(不具备ADS-B等主动通讯工具的目标)将大大增加,如何探测到这些非配合目标并且做出相应的决策以避免碰撞的发生将会是未来飞行器的必备功能。与昂贵的雷达相比,摄像头具有低廉的价格,且能捕捉更多的视觉信息,具备在一些低成本飞机上替代雷达的潜力。目前已经有将双目视觉避障技术引入到消费级旋翼机上的技术应用,然而到目前为止,还没有将视觉避障技术应用到需要较大探测距离的固定翼飞行器的案例。
发明内容
本发明实施例提供了一种无人机避障路径规划方法、装置、计算机设备及存储介质,旨在解决现有技术中固定翼无人机的视觉避障效果较差的问题。
第一方面,本发明实施例提供了一种无人机避障路径规划方法,其包括:
获取无人机周围空域的监测图像流,通过目标检测算法对所述监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;
若存在,则根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;
基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,所述预测轨迹包括动态障碍物飞行的位置、速度、加速度和姿态;
获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;
基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。
第二方面,本发明实施例提供了一种无人机避障路径规划装置,其包括:
检测模块,用于获取无人机周围空域的监测图像流,通过目标检测算法对所述监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;
跟踪模块,用于无人机周围存在动态障碍物时,则根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;
预测模块,用于基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,所述预测轨迹包括动态障碍物飞行的位置、速度、加速度和姿态;
路径规划模块,用于获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;
速度规划模块,用于基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的无人机避障路径规划方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的无人机避障路径规划方法。
本发明实施例提供了无人机避障路径规划方法、装置、计算机设备及存储介质。该方法包括获取获取无人机周围空域的监测图像流,通过目标检测算法对监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;若存在,则根据监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;基于历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹;获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;基于规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。该方法应用于固定翼无人机中,基于目标检测算法和视觉跟踪对固定翼无人机周围的动态障碍物进行检测和跟踪,从而得到动态障碍物的历史运动轨迹,再基于历史运动轨迹预测动态障碍物的运动轨迹,从而得到动态障碍物的预测轨迹,又基于固定翼无人机自身运动信息和当前航路信息规划出避开静态障碍物的规划路径,接着结合动态障碍物的预测轨迹和固定翼无人机自身的规划路径动态调整速度,从而实现避开静态障碍物的同时避开动态障碍物,有效实现固定翼无人机的航路避障规划,提升固定翼无人机飞行的稳定性和避障能力。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的无人机避障路径规划方法的流程示意图;
图2为图1中步骤S130一实施例的流程示意图;
图3为本发明实施例提供的无人机避障路径规划装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1为本发明实施例提供的无人机避障路径规划方法的流程示意图,该方法包括步骤S110~S150。
步骤S110、获取无人机周围空域的监测图像流,通过目标检测算法对所述监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;
本实施例中,无人机为装配有一路或多路摄像机的固定翼无人机,通过摄像机采集固定翼无人机周围空域的检测图像流;其中,摄像机为定焦镜头的RGB相机。通过目标检测算法对监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物,动态障碍物包括除固定翼无人机自身的其他一个或多个飞行器。进一步的,本实施例中使用的目标检测算法既可以是传统的HOG+SVM算法,也可以是当下流行的深度学习算法。具体算法的选择可根据可供训练的数据集大小以及装置实际运行时所拥有的算力资源而定。
步骤S120、若存在,则根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;
本实施例中,若检测结果中存在动态障碍物,在动态障碍物的周围生成2D的目标检测框,目标检测框包含动态障碍物在对应监测图像中的位置及长宽信息;接着根据监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹。
进一步的,根据监测图像流的检测结果对动态障碍物进行视觉跟踪的方式分两类:
第一类为Tracking by Detection(通过检测进行跟踪),具体过程为:对监测图像流的每一帧图像进行目标检测,得到每一帧监测图像的检测结果(帧检测结果);根据相邻两帧监测图像之间的检测结果(帧检测结果)的相对位置关系以及外观相似程度,对相邻两帧监测图像所检测到的检测结果(帧检测结果)进行匹配从而实现追踪。
第二类为模板匹配跟踪方式,具体过程为:基于每一帧监测图像的帧检测结果(帧检测结果),根据前一帧监测图像的检测结果(帧检测结果),在当前帧中对每一个前一帧监测图像的目标检测框周围的像素进行匹配跟踪。
其中,通过Tracking by Detection(通过检测进行跟踪)的方式可以做到同时对多个目标进行跟踪,而通过模板匹配跟踪的方式只适合对单个或者数个目标进行跟踪。实际应用中可同时配置两种视觉跟踪的方式,根据不同需求匹配相应的方式进行视觉跟踪。需要知道的是,进行视觉跟踪时,为每个跟踪目标配置一个独特的ID并为其生成2D历史轨迹(2D历史轨迹包含跟踪目标在每一帧中的像素坐标位置)。
步骤S130、基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,所述预测轨迹包括动态障碍物飞行的位置、速度、加速度和姿态;
本实施例中,根据历史运动轨迹对动态障碍物的运动轨迹进行预测,具体包括:基于历史运动轨迹确定动态障碍物的第一帧监测图像,对第一帧监测图像中动态障碍物对应目标检测框内的像素点(即2D的目标检测框中的)进行特征点提取,得到动态障碍物的特征点,此处的特征点可以是SIFT特征点、FAST特征点或ORB特征点;接着获取固定翼无人机自身的相对运动轨迹及特征点运动轨迹对动态障碍物的特征点进行三角化,从而得到动态障碍物在3D坐标系中的初始3D坐标,之后对动态障碍物的初始3D坐标进行差分,得到动态障碍物在3D坐标系中的3D速度。基于动态障碍物的初始3D坐标和3D速度,再结合时间,可以对动态障碍物未来的位置进行预测,从而得到动态障碍物的预测轨迹。
进一步的,对于动态障碍物未来的轨迹预测,还需考虑动态障碍物飞行的姿态和角速度。确定动态障碍物飞行的姿态和角度的具体过程包括:通过预置的检测神经网络对监测图像流中每一帧监测图像中的动态障碍物的姿态进行检测,基于相邻两帧监测图像的姿态和对应的时间差计算求出动态障碍物的角速度。最后基于初始3D坐标、3D速度、姿态及角速度对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹。
如图2所示,在一实施例中,步骤S130还包括:
步骤S210、基于预置的飞行器数据库对当前监测图像中的动态障碍物进行识别,确定动态障碍物的类型,得到动态障碍物的真实尺寸;
步骤S220、基于所述真实尺寸对当前监测图像中对应的动态障碍物进行对比,得到缩放比例;
步骤S230、根据所述缩放比例对当前监测图像中对应动态障碍物与无人机间的距离进行估计,得到真实距离。
本实施例中,在基于历史运动轨迹对动态障碍物的运动轨迹进行预测的过程中,还包括对动态障碍物与固定翼无人机之间的距离进行估计,具体包括:基于预置的飞行器数据库对当前监测图像中的动态障碍物进行识别,确定动态障碍物所属飞行器的类型,进而确定动态障碍物的真实尺寸;接着基于动态障碍物的真实尺寸对当前监测图像中对应的动态障碍物进行对比,确定对应的缩放比例;最后根据缩放比例对当前监测图像中对应动态障碍物与无人机间的距离进行估计,得到动态障碍物与无人机间的真实距离。
例如,当前识别出动态障碍物所属飞行器的类型,并确定了动态障碍物真实尺寸与当前监测图像中对应动态障碍物之间的缩放比例是1:50,当前监测图像中对应动态障碍物与固定翼无人机间的距离为30cm,则实际上动态障碍物与固定翼无人机间的距离为1500cm。
步骤S140、获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;
本实施例中,基于无人机的自身运动信息和当前航路信息,通过轨迹规划算法构建一条既跟踪参考航路,又与动态障碍物无时空交集的规划路径。规划路径的构建分为路径决策和二次规划两步,是在参考航路附近决定一条代价最低的可行路径,参考航路为飞管系统内驻留的飞行计划的航路。规划路径涉及到的避障场景很多,包括固定翼无人机应该爬高还是下降、应该左绕行还是右绕行。路径决策的过程具体包括:获取无人机的自身运动信息和当前航路信息,基于当前航路信息及预置的地形数据库,确定固定翼无人机所处航路中会遇到的静态障碍物(如山峰、建筑物等)的位置;限定路径规划的解空间,将其转化为凸问题,主要流程为将问题转换到基于参考航路的frenet坐标系下研究,接着沿固定翼无人机当前对应的参考航路构建多个法平面,并将法平面离散成单元格(即路径单元格),每一单元格表示无人机在对应法平面处相对参考航路的偏移量;基于五次多项式及静态障碍物的位置对相邻法平面间的路径单元格进行连接,得到相邻法平面间的多条候选路径;得到所有候选路径后,综合考虑候选路径上的飞行走廊、地形、平滑性和静态障碍物的成本,按以下公式计算每条候选路径的成本C成本:
C成本=C1+C2+C3+C4,
其中,C1表示路径平滑性的成本,C2表示静态障碍物的成本,C3表示地形的成本,C4表示飞行走廊的成本;
根据以下公式计算C1:
C1=ω1*∫l(s)2+ω2*∫l′(s)2+ω3*∫l″(s)2+ω4*∫g(s)2+ω5*∫g′(s)2+ω6*∫g″(s)2,
式中,l(s)、g(s)分别表示法平面上的横向偏移量和纵向偏移量,l′(s)、g′(s)分别表示横向偏移量和纵向偏移量的一阶导数,l″(s)、g″(s)分别表示横向偏移量和纵向偏移量的二阶导数,ω1、ω2、ω3、ω4、ω5、ω6均表示权重系数;
根据以下公式计算C2、C3和C4:
式中,d表示路径点到障碍物/地形/飞行走廊的距离;dc、dn表示缓冲距离;π表示减函数,运动目标越接近路径点,路径成本越大。
在得到每条候选路径的成本之后,采用动态规划算法求取最低成本的候选路径作为目标路径;最后对目标路径进行改进,利用动态规划路径生成凸空间,通过凸空间对目标路径进行平滑,从而得到最终的规划路径。
步骤S150、基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。
本实施例中,规划速度的主要流程包括:根据动态障碍物的预测轨迹和规划路径构建ST图,ST图中以矩形形式表示动态障碍物;将ST图离散成单元格的形式(即为速度单元格),单元格表示无人机在t时刻所处的位置,每个单元格作为一个采样点;通过五次多项式连接相邻时间时间点的单元格,就构成速度候选配置,统计所有连线,得到候选速度配置的集合,再综合考虑速度需求、平滑性和动态障碍物的成本,按以下公式计算每条候选路径的成本C成本′:
C成本′=C′1+C′2+C5,
式中,C1′表示速度平滑性的成本,C2′表示动态障碍物的成本,C5表示速度跟踪的成本;
其中,动态障碍物C2′的成本方法与静态障碍物C2相同;
根据以下公式计算C1′、C5:
C1=ω1*∫s″2+ω2*∫s″′2,
C5=ω3*∫ρ(s′-Vref)2,
式中,s″、s″′表示沿规划路径的加速度和加加速度,当沿规划路径的速度s′偏离期望值Vref时,ρ函数使成本增大。
在得到每条候选速度配置的成本之后,采用动态规划算法求取最低成本的候选速度配置作为目标速度配置;最后对目标速度配置进行改进,利用动态规划路径生成凸空间,通过凸空间对目标速度配置进行平滑,从而得到最终的规划速度。最终固定翼无人机根据规划路径及规划速度飞行,从而避开静态障碍物和动态障碍物。
该方法应用于固定翼无人机中,基于目标检测算法和视觉跟踪对固定翼无人机周围的动态障碍物进行检测和跟踪,从而得到动态障碍物的历史运动轨迹,再基于历史运动轨迹预测动态障碍物的运动轨迹,从而得到动态障碍物的预测轨迹,又基于固定翼无人机自身运动信息和当前航路信息规划出避开静态障碍物的规划路径,接着结合动态障碍物的预测轨迹和固定翼无人机自身的规划路径动态调整速度,从而实现避开静态障碍物的同时避开动态障碍物,有效实现固定翼无人机的航路避障规划,提升固定翼无人机飞行的稳定性和避障能力。
本发明实施例还提供一种无人机避障路径规划装置,该无人机避障路径规划装置用于执行前述无人机避障路径规划方法的任一实施例。具体地,请参阅图3,图3是本发明实施例提供的无人机避障路径规划装置的示意性框图。该无人机避障路径规划装置100可以配置于服务器中。
如图3所示,无人机避障路径规划装置100包括检测模块110、跟踪模块120、预测模块130、路径规划模块140、速度规划模块150。
检测模块110,用于获取无人机周围空域的监测图像流,通过目标检测算法对所述监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;
跟踪模块120,用于无人机周围存在动态障碍物时,则根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;
预测模块130,用于基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,所述预测轨迹包括动态障碍物飞行的位置、速度、加速度和姿态;
路径规划模块140,用于获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;
速度规划模块150,用于基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。
在一实施例中,跟踪模块120包括:
检测单元,用于对所述监测图像流中的每一帧监测图像进行目标检测,得到每一帧监测图像的帧检测结果;
第一匹配单元,用于根据相邻两帧监测图像的帧检测结果的相对位置关系和外观相似程度进行目标匹配跟踪。
在一实施例中,跟踪模块120包括:
第二匹配单元,用于根据前一帧监测图像的帧检测结果,在当前帧监测图像中对每个对应的目标检测框周围的像素进行匹配跟踪。
在一实施例中,预测模块130还包括:
特征点提取单元,用于基于所述历史运动轨迹确定动态障碍物的第一帧监测图像,对第一帧监测图像中动态障碍物对应目标检测框中的像素进行特征点提取,得到动态障碍物的特征点;
3D速度计算单元,用于获取无人机自身的相对运动轨迹及特征点运动轨迹,并根据无人机自身的相对运动轨迹及特征点运动轨迹对动态障碍物的特征点进行三角化,得到动态障碍物在3D坐标系中的初始3D坐标,并对所述初始3D坐标进行差分,得到动态障碍物在3D坐标系中的3D速度;
角速度计算单元,用于基于所述监测图像流和预置的检测神经网络对动态障碍物的姿态进行监测,确定每一帧检测图像中动态障碍物的姿态,基于相邻两帧监测图像的姿态和对应的时间差对动态障碍物的角速度进行计算,得到动态障碍物的角速度;
预测单元,用于基于所述初始3D坐标、3D速度、姿态及角速度对动态障碍物的运动轨迹进行预测,得到所述预测轨迹。
在一实施例中,路径规划模块140包括:
静态障碍物确定单元,用于基于当前航路信息及预置的地形数据库,确定无人机所处航路中的静态障碍物的位置;
第一构建单元,用于沿无人机当前对应的参考航路构建多个法平面,并将所述法平面离散成路径单元格,其中,所述路径单元格表示无人机在对应法平面处相对参考航路的偏移量;
第一连接单元,用于基于五次多项式及所述静态障碍物的位置对相邻法平面间的路径单元格进行连接,得到相邻法平面间的多条候选路径;
第一成本计算单元,用于对所有候选路径进行成本指标计算,采用动态规划算法从所有候选路径中筛选出成本最低的目标路径并进行平滑,得到所述规划路径。
在一实施例中,速度规划模块150包括:
第二构建单元,用于基于所述规划路径和预测轨迹构建ST图,并将所述ST图离散为速度单元格,其中,所述ST图中的动态障碍物构建为矩形,所述矩形表示所述规划路径中的障碍物,所述速度单元格表示无人机在t时刻所处的位置;
第二连接单元,用于基于五次多项式及所述预测轨迹中动态障碍物的位置对相邻时间点的速度单元格进行连接,得到多个速度候选配置;
第二成本计算单元,用于对所有速度候选配置进行成本指标计算,采用动态规划算法从所有速度候选配置中筛选出成本最低的目标速度配置并进行平滑,得到所述规划速度。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的无人机避障路径规划方法。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如上所述的无人机避障路径规划方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,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。另外,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接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述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发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种无人机避障路径规划方法,其特征在于,包括:
获取无人机周围空域的监测图像流,通过目标检测算法对所述监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;
若存在,则根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;
基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,所述预测轨迹包括动态障碍物飞行的位置、速度、加速度和姿态;
获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;
基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。
2.根据权利要求1所述的无人机避障路径规划方法,其特征在于,所述根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,包括:
对所述监测图像流中的每一帧监测图像进行目标检测,得到每一帧监测图像的帧检测结果;
根据相邻两帧监测图像的帧检测结果的相对位置关系和外观相似程度进行目标匹配跟踪。
3.根据权利要求2所述的无人机避障路径规划方法,其特征在于,所述对所述监测图像流的每一帧图像进行目标检测,得到每一帧图像的帧检测结果,还包括:
根据前一帧监测图像的帧检测结果,在当前帧监测图像中对每个对应的目标检测框周围的像素进行匹配跟踪。
4.根据权利要求1所述的无人机避障路径规划方法,其特征在于,所述基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,包括:
基于所述历史运动轨迹确定动态障碍物的第一帧监测图像,对第一帧监测图像中动态障碍物对应目标检测框中的像素进行特征点提取,得到动态障碍物的特征点;
获取无人机自身的相对运动轨迹及特征点运动轨迹,并根据无人机自身的相对运动轨迹及特征点运动轨迹对动态障碍物的特征点进行三角化,得到动态障碍物在3D坐标系中的初始3D坐标,并对所述初始3D坐标进行差分,得到动态障碍物在3D坐标系中的3D速度;
基于所述监测图像流和预置的检测神经网络对动态障碍物的姿态进行监测,确定每一帧检测图像中动态障碍物的姿态,基于相邻两帧监测图像的姿态和对应的时间差对动态障碍物的角速度进行计算,得到动态障碍物的角速度;
基于所述初始3D坐标、3D速度、姿态及角速度对动态障碍物的运动轨迹进行预测,得到所述预测轨迹。
5.根据权利要求1所述的无人机避障路径规划方法,其特征在于,所述基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,还包括:
基于预置的飞行器数据库对当前监测图像中的动态障碍物进行识别,确定动态障碍物的类型,得到动态障碍物的真实尺寸;
基于所述真实尺寸对当前监测图像中对应的动态障碍物进行对比,得到缩放比例;
根据所述缩放比例对当前监测图像中对应动态障碍物与无人机间的距离进行估计,得到真实距离。
6.根据权利要求1所述的无人机避障路径规划方法,其特征在于,所述根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径,包括:
基于当前航路信息及预置的地形数据库,确定无人机所处航路中的静态障碍物的位置;
沿无人机当前对应的参考航路构建多个法平面,并将所述法平面离散成路径单元格,其中,所述路径单元格表示无人机在对应法平面处相对参考航路的偏移量;
基于五次多项式及所述静态障碍物的位置对相邻法平面间的路径单元格进行连接,得到相邻法平面间的多条候选路径;
对所有候选路径进行成本指标计算,采用动态规划算法从所有候选路径中筛选出成本最低的目标路径并进行平滑,得到所述规划路径。
7.根据权利要求1所述的无人机避障路径规划方法,其特征在于,所述基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度,包括:
基于所述规划路径和预测轨迹构建ST图,并将所述ST图离散为速度单元格,其中,所述ST图中的动态障碍物构建为矩形,所述矩形表示所述规划路径中的障碍物,所述速度单元格表示无人机在t时刻所处的位置;
基于五次多项式及所述预测轨迹中动态障碍物的位置对相邻时间点的速度单元格进行连接,得到多个速度候选配置;
对所有速度候选配置进行成本指标计算,采用动态规划算法从所有速度候选配置中筛选出成本最低的目标速度配置并进行平滑,得到所述规划速度。
8.一种无人机避障路径规划装置,其特征在于,包括:
检测模块,用于获取无人机周围空域的监测图像流,通过目标检测算法对所述监测图像流进行检测,根据检测结果判断无人机周围是否存在动态障碍物;
跟踪模块,用于无人机周围存在动态障碍物时,则根据所述监测图像流的检测结果对动态障碍物进行视觉跟踪,得到动态障碍物的历史运动轨迹;
预测模块,用于基于所述历史运动轨迹对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测轨迹,所述预测轨迹包括动态障碍物飞行的位置、速度、加速度和姿态;
路径规划模块,用于获取无人机的自身运动信息和当前航路信息,根据预置的轨迹规划算法及所述自身运动信息和当前航路信息对无人机避开静态障碍物的飞行路径进行构建,得到无人机的规划路径;
速度规划模块,用于基于所述规划路径和预测轨迹对无人机避开动态障碍物的速度进行规划,得到无人机的规划速度。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的无人机避障路径规划方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的无人机避障路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467284.6A CN115686052A (zh) | 2022-11-22 | 2022-11-22 | 无人机避障路径规划方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467284.6A CN115686052A (zh) | 2022-11-22 | 2022-11-22 | 无人机避障路径规划方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115686052A true CN115686052A (zh) | 2023-02-03 |
Family
ID=85054076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467284.6A Pending CN115686052A (zh) | 2022-11-22 | 2022-11-22 | 无人机避障路径规划方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115686052A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055601A (zh) * | 2023-09-05 | 2023-11-14 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
CN117311393A (zh) * | 2023-11-27 | 2023-12-29 | 西南计算机有限责任公司 | 一种无人机自主飞行路径规划方法及系统 |
CN117826845A (zh) * | 2024-03-04 | 2024-04-05 | 易创智芯(西安)科技有限公司 | 一种航空运行安全主动避障及规划方法 |
CN117311393B (zh) * | 2023-11-27 | 2024-05-31 | 西南计算机有限责任公司 | 一种无人机自主飞行路径规划方法及系统 |
-
2022
- 2022-11-22 CN CN202211467284.6A patent/CN115686052A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055601A (zh) * | 2023-09-05 | 2023-11-14 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
CN117055601B (zh) * | 2023-09-05 | 2024-05-31 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
CN117311393A (zh) * | 2023-11-27 | 2023-12-29 | 西南计算机有限责任公司 | 一种无人机自主飞行路径规划方法及系统 |
CN117311393B (zh) * | 2023-11-27 | 2024-05-31 | 西南计算机有限责任公司 | 一种无人机自主飞行路径规划方法及系统 |
CN117826845A (zh) * | 2024-03-04 | 2024-04-05 | 易创智芯(西安)科技有限公司 | 一种航空运行安全主动避障及规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10140719B2 (en) | System and method for enhancing target tracking via detector and tracker fusion for unmanned aerial vehicles | |
CN110007675B (zh) | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 | |
US9070285B1 (en) | Passive camera based cloud detection and avoidance for aircraft systems | |
Lin et al. | A robust real-time embedded vision system on an unmanned rotorcraft for ground target following | |
Zhang et al. | An intruder detection algorithm for vision based sense and avoid system | |
Chen et al. | Real-time identification and avoidance of simultaneous static and dynamic obstacles on point cloud for UAVs navigation | |
Imamura et al. | Human tracking by a multi-rotor drone using HOG features and linear SVM on images captured by a monocular camera | |
Soundararaj et al. | Autonomous indoor helicopter flight using a single onboard camera | |
Magree et al. | Monocular visual mapping for obstacle avoidance on UAVs | |
Bavle et al. | Stereo visual odometry and semantics based localization of aerial robots in indoor environments | |
CN115686052A (zh) | 无人机避障路径规划方法、装置、计算机设备及存储介质 | |
Arola et al. | UAV pursuit-evasion using deep learning and search area proposal | |
Lu et al. | Perception and avoidance of multiple small fast moving objects for quadrotors with only low-cost RGBD camera | |
Javaid et al. | Monocular‐based collision avoidance system for unmanned aerial vehicle | |
CN111611869B (zh) | 一种基于串行深度神经网络的端到端单目视觉避障方法 | |
Basit et al. | Joint localization of pursuit quadcopters and target using monocular cues | |
Dubey et al. | Droan-disparity-space representation for obstacle avoidance: Enabling wire mapping & avoidance | |
CN113158816B (zh) | 面向室外场景物体的视觉里程计二次曲面路标构建方法 | |
Anastasiou et al. | Hyperion: A robust drone-based target tracking system | |
Wang et al. | Online drone-based moving target detection system in dense-obstructer environment | |
CN115345281A (zh) | 一种面向无人机图像导航的深度强化学习加速训练方法 | |
Dinaux et al. | FAITH: Fast iterative half-plane focus of expansion estimation using optic flow | |
Subramanian et al. | Integrating Computer Vision and Photogrammetry for Autonomous Aerial Vehicle Landing in Static Environment | |
Pouya et al. | Performing active search to locate indication of ancient water on mars: An online, probabilistic approach | |
Ellingson et al. | Deep RC: Enabling remote control through deep learning |
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 |