CN116400740A - 全盲区环境下智能无人机趋向处理方法、系统和介质 - Google Patents
全盲区环境下智能无人机趋向处理方法、系统和介质 Download PDFInfo
- Publication number
- CN116400740A CN116400740A CN202310661300.3A CN202310661300A CN116400740A CN 116400740 A CN116400740 A CN 116400740A CN 202310661300 A CN202310661300 A CN 202310661300A CN 116400740 A CN116400740 A CN 116400740A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- height
- grid
- obstacle
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请公开了一种全盲区环境下智能无人机趋向处理方法、系统和介质，涉及无人机领域，本申请包括，S1、获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；S2、对无人机下视单目相机视野内图像设置栅格地图；S3、在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与所述占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；S4、无人机依据移动代价和所述障碍物高度移动。本申请的代价函数和启发函数设置，实现无人机向最近跳出局部困难点，地面障碍物等级更低，高度更低的方向前进。
Description
技术领域
本申请涉及无人机领域，具体涉及一种全盲区环境下智能无人机趋向处理方法、系统和介质
背景技术
在没有降落引导的情况下无人机自主选择区域内安全地点降落，同时保有对地的双向安全保障系统，对搭载单目摄像机系统的无人机，到达预设位置后，在没有降落引导下寻找安全地点降落；
当预设位置，无人机处于全盲区环境下，即无安全地点可降落时，无人机执行悬停策略并报警；传统方案通常是使用自定义训练网络，针对特定降落点目标进行识别备降，而对未知工况下，无特定降落点，传统方案不适用；
电量告急情况下，可能存在坠机危险情况发生，因此，如何第一时间寻找到可能存在的安全降落位置方向，是亟需解决的问题。
发明内容
本申请提供一种全盲区环境下智能无人机趋向处理方法、系统和介质，解决用户规划产品的需求问题。
第一方面，本申请提供一种全盲区环境下智能无人机趋向处理方法，包括如下步骤：
S1、获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；
S2、对无人机下视单目相机视野内图像设置栅格地图；
S3、在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与所述占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；
S4、无人机依据移动代价和所述障碍物高度移动。
进一步的，S4包括：
当无人机所处高度低于等于目标栅格中障碍物最大高度时，无人机垂直向上移动；
当无人机所处高度高于目标栅格中障碍物最大高度时，无人机依据移动代价向目标栅格移动。
进一步的，所述S2，包括：
以预设边长的方格，持续对视野内图像，分割设置栅格地图；
所述栅格地图融合所述S1中的所述识别图像，所述栅格地图融合所述S1中高度传感器关于探测到障碍物高度数据，获取带高度数据、带障碍物二维信息融合的栅格地图；
无人机依据与地面地理坐标系相对的三维姿态，分析无人机投影在栅格地图中所处像素系实际位置的坐标中心点。
进一步的，所述S3中，所述移动代价包括代价函数，代价函数表征两节点间的距离，具体为：无人机在所述像素系实际位置的坐标中心点到目标栅格地图位置点间的距离；
代价函数计算相邻栅格见距离、探测到障碍物高度和目标障碍物预设系数三者乘积。
进一步的，所述S3中，所述移动代价包括启发函数，启发函数表征当前无人机坐标中心点到所述单目相机视野内图像的栅格地图的边界点距离；
具体为：当前无人机坐标中心点到距离所述坐标中心点最近的所述边界点的距离。
进一步的，还包括S5，依据短期记忆地图法则，设置并记录记忆时间，删除所记录记忆时间超过预设最大记忆时间的栅格地图。
第二方面，本申请提供一种全盲区环境下智能无人机趋向处理系统，包括：
获取模块，用于获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；
栅格化模块，用于对无人机下视单目相机视野内图像设置栅格地图；
分析模块，用于在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与所述占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；
驱动模块，用于驱动无人机依据移动代价和所述障碍物高度移动。
进一步的，所述驱动模块还用于，当无人机所处高度低于等于目标栅格中障碍物最大高度时，无人机垂直向上移动；
当无人机所处高度高于目标栅格中障碍物最大高度时，无人机依据移动代价向目标栅格移动。
进一步的，所述栅格化模块还用于，以预设边长的方格，持续对视野内图像，分割设置栅格地图；
所述栅格地图融合所述获取模块中的所述识别图像，所述栅格地图融合所述获取模块中高度传感器关于探测到障碍物高度数据，获取带高度数据、带障碍物二维信息融合的栅格地图；
无人机依据与地面地理坐标系相对的三维姿态，分析无人机投影在栅格地图中所处像素系实际位置的坐标中心点。
进一步的，所述分析模块中，所述移动代价包括代价函数，代价函数表征两节点间的距离，具体为：无人机在所述像素系实际位置的坐标中心点到目标栅格地图位置点间的距离；
代价函数计算相邻栅格见距离、探测到障碍物高度和目标障碍物预设系数三者乘积。
进一步的，所述分析模块中，所述移动代价包括启发函数，启发函数表征当前无人机坐标中心点到所述单目相机视野内图像的栅格地图的边界点距离；
具体为：当前无人机坐标中心点到距离所述坐标中心点最近的所述边界点的距离。
进一步的，还包括记忆模块，所述记忆模块用于依据短期记忆地图法则，设置并记录记忆时间，删除所记录记忆时间超过预设最大记忆时间的栅格地图。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
本申请提供的一种全盲区环境下智能无人机趋向处理方法、系统和介质通过移动代价和栅格化地图的设置，实现在无引导下寻找安全路径，无人机能够高效快捷的寻找到适合降落的安全点并规划好行进路线，同时也能在无安全点的情况下，自主向可能出现安全点的地方靠近；
本申请的技术方案实现无人机无引导下的基于单目相机识别结果，寻找前往安全路径的方向，解决了无人机电量不足，无法着陆的问题。
本申请的代价函数和启发函数设置，实现无人机向最近跳出局部困难点，地面障碍物等级更低，高度更低的方向前进。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部分，并不构成对本申请实施例的限定。在附图中：
图1为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理方法流程图。
图2为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理系统架构示意图。
图3为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理方法中，栅格化地图下的趋向路径生成示意图。
图4为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理方法中，无人机陷入局部困难点示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。
对于无人机在无引导下，进行着陆，对于无目标降落点的情况，无人机自主找寻可降落点，然后对路径进行规划，当遇到无降落点可寻时，无人机进行报警指令执行，并空中悬停；
该操作不利于无人机电量留存，对电量告急的无人机，有坠机风险；
因此本申请考虑一种无人机路径探索，对无引导、复杂环境、无安全降落点的工况下，进行无人机可能可以降落的安全点进行路径规划，即找到无人机在当前时刻的静态趋向，还包括规划从静态趋向开始后，图3为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理方法中，栅格化地图下的趋向路径生成示意图，如图3所示，无人机朝向可能安全降落点的动态趋向，动态趋向即无人机的行进路线；
本申请考量采用并改进主流路径探索方案，下面对主流路径探索方案进行简短介绍：
当前应用主流路径探索方案集中为深度优先搜索(DFS)、广度优先搜索(BFS)、启发式搜索算法(GBFS)、Dijkstra算法(狄克斯特拉算法)、A*算法等，尤以A*算法为代表，其融合Dijkstra算法和GBFS算法的优点，在保证路径最优的同时提高搜索效率。
A*算法的代价函数为：
其中g(n)为起点到当前扩展节点的移动代价函数，h(n)是启发函数，用节点到目标点的距离函数来表示。若 
，则A*算法退化为Dijkstra算法；若/>
，则A*算法退化成GBFS算法。
本申请在A*算法的基础上，设计新的代价函数和启发函数，由于本方案的应用环境为无目标位置引导。因此目标点不再设置为固定点，在Dijkstra算法中，代价函数g(n)表示从起点到当前点的移动代价。该移动代价即在有向图中，两节点间的距离。本方案改进g(n)代价函数，引入动态代价函数设计。将无人机自主寻找降落点及避障任务作为迷宫任务。
设计，
其中α为该栅格中障碍物优先级系数，
，n为栅格内障碍物数量。
当无人机临界栅格均被障碍物占据，但g(n)均为0时，代表当前高度当前视野环境下绝对无法降落，也无路径可选择，该点本方案称其为“局部困难点”。此时无人机执行上升操作，直至存在临接栅格当前高度可通过。
在降落过程中陷入局部困难点时，本申请规划尽快探索未走过的边界以找到可供降落的点。
因此，改进代价函数h(n)目标点选择，在GBFS算法中，h(n)由当前点到目标位置的距离确定。但本方案的应用环境为无目标位置引导。因此目标点不再设置为固定点，本方案中，目标点为当前机体位置在视野范围内离其最近的边界点，即无人机中心点到像素平面边界垂足距离最小的点：
其中，
是当前无人机坐标中心点与四条像素平面边界的垂足，该公式即选择中心点到垂足距离最短的垂足作为/>
。
综上述，本申请具体的应用场景是无引导、无固定目标终点、无安全降落点、复杂环境下的无人机安全降落点的趋向寻找并执行。
本申请提供的一种全盲区环境下智能无人机趋向处理方法、系统和介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理方法流程图。如图1所示，包括如下步骤：
S1、获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；该识别图像为单目相机采集图像数据，经过神经网络识别模型识别后，输出得到的识别图像，识别图像中包括对采集图像数据中的目标障碍物识别，神经网络识别模型，可采用多种能够实现本申请中S1效果的识别模型，可以是采用包括但不限于基于深度学习的回归方法，基于深度学习的回归方法包括但不限于YOLO系列算法，本申请的发明点不在该模型和识别操作，因此此处不做赘述。
S2、对无人机下视单目相机视野内图像设置栅格地图；以预设边长的方格，持续对视野内图像，分割设置栅格地图；
该栅格地图融合该S1中的该识别图像，该栅格地图融合该S1中高度传感器关于探测到障碍物高度数据，获取带高度数据、带障碍物二维信息融合的栅格地图；
无人机依据与地面地理坐标系相对的三维姿态，分析无人机投影在栅格地图中所处像素系实际位置的坐标中心点。
具体地：
无人机当前坐标在像素系上的坐标中心点为无人机当前姿态在像素系上的投影决定，由于相机与机身固连，因此相机与机体相对于地理坐标系具有相同的旋转矩阵R。此时相机系
与地理系 />
存在关系，如下三维坐标系变换公式：
旋转矩阵R由机体姿态计算得到。地理系下中心点真实位置向量为 
。可计算得到当前实际中心点在机体系上的位置向量 />
，投影到像素系可得到中心点在像素坐标系下的位置(center.x ，center.y)。 其中，t为平移向量。
本方案将无人机视野按指定边长为d（pixel）的方格分割设置栅格地图，且边长d的设置根据无人机实时高度、无人机安全半径大小由单目相机三角测量原理求得的安全半径在像素坐标上的投影长度为d。而对于实际安全框边长在像素系下投影长度，单位为m，可根据无人机实际大小自由设置，其计算公式如下：
其中，f为单目相机无人机的相机焦距，h为无人机对地高度，d safe 是无人机实际安全框的边长。
再同时融合雷达探测障碍物高度，计算当前障碍物栅格地图。从中心点向周围邻接点开始探索，设置最近的无占领（占领度最低的位置中心）为目标点，开始降落点探索。
S3、在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与该占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；
具体地：
该移动代价包括代价函数，代价函数表征两节点间的距离，具体为：无人机在该像素系实际位置的坐标中心点到目标栅格地图位置点间的距离；代价函数计算相邻栅格见距离、探测到障碍物高度和目标障碍物预设系数三者乘积。
该移动代价包括启发函数，启发函数表征当前无人机坐标中心点到该单目相机视野内图像的栅格地图的边界点距离；具体为：当前无人机坐标中心点到距离该坐标中心点最近的该边界点的距离。
S4、无人机依据移动代价和该障碍物高度移动；
具体地：
当无人机所处高度低于等于目标栅格中障碍物最大高度时，无人机垂直向上移动；图4为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理方法中，无人机陷入局部困难点示意图，该图为高度线视图，为无人机采集的障碍物和无人机高度数据生成，如图4所示，x轴与y轴交叠处，为局部困难点，此时，受高度限制，无人机无法探测高于自身飞行高度的障碍物，因此，此时无人机垂直向上移动；
当无人机所处高度高于目标栅格中障碍物最大高度时，无人机依据移动代价向目标栅格移动。
S5，依据短期记忆地图法则，设置并记录记忆时间，删除所记录记忆时间超过预设最大记忆时间的栅格地图。该步骤实现，将超过最大记忆时间的地图和“墙”后地图均删掉。超过最大记忆时间且未再激活证明无人机已经不会再到该区域，该区域信息无意义，因此删掉。“墙”后地图意味着飞机无法越过“墙”（即该区域边界）来探索墙后区域，因此该区域信息无意义，也删掉。以释放内存空间。
在另一种实施例中，本申请提供一种全盲区环境下智能无人机趋向处理系统，图2为本申请一示例性实施例提供的一种全盲区环境下智能无人机趋向处理系统架构示意图，如图2所示，包括：
获取模块，用于获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；
栅格化模块，用于对无人机下视单目相机视野内图像设置栅格地图；具体用于，以预设边长的方格，持续对视野内图像，分割设置栅格地图；该栅格地图融合该获取模块中的该识别图像，该栅格地图融合该获取模块中高度传感器关于探测到障碍物高度数据，获取带高度数据、带障碍物二维信息融合的栅格地图；无人机依据与地面地理坐标系相对的三维姿态，分析无人机投影在栅格地图中所处像素系实际位置的坐标中心点。
分析模块，用于在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与该占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；其中，该移动代价包括代价函数，代价函数表征两节点间的距离，具体为：无人机在该像素系实际位置的坐标中心点到目标栅格地图位置点间的距离；代价函数计算相邻栅格见距离、探测到障碍物高度和目标障碍物预设系数三者乘积。该移动代价还包括启发函数，启发函数表征当前无人机坐标中心点到该单目相机视野内图像的栅格地图的边界点距离；具体为：当前无人机坐标中心点到距离该坐标中心点最近的该边界点的距离。
驱动模块，用于驱动无人机依据移动代价和该障碍物高度移动；具体用于，当无人机所处高度低于等于目标栅格中障碍物最大高度时，无人机垂直向上移动；当无人机所处高度高于目标栅格中障碍物最大高度时，无人机依据移动代价向目标栅格移动。
记忆模块，该记忆模块用于依据短期记忆地图法则，设置并记录记忆时间，删除所记录记忆时间超过预设最大记忆时间的栅格地图。
本申请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包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccessMemory）、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块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。
该作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
本领域内的技术人员应明白，本发明的实施例可提供为方法或系统。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由上面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种全盲区环境下智能无人机趋向处理方法，其特征在于，包括如下步骤：
S1、获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；
S2、对无人机下视单目相机视野内图像设置栅格地图；
S3、在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与所述占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；
S4、无人机依据移动代价和所述障碍物高度移动。
2.根据权利要求1所述的一种全盲区环境下智能无人机趋向处理方法，其特征在于，S4包括：
当无人机所处高度低于等于目标栅格中障碍物最大高度时，无人机垂直向上移动；
当无人机所处高度高于目标栅格中障碍物最大高度时，无人机依据移动代价向目标栅格移动。
3.根据权利要求1所述的一种全盲区环境下智能无人机趋向处理方法，其特征在于，所述S2，包括：
以预设边长的方格，持续对视野内图像，分割设置栅格地图；
所述栅格地图融合所述S1中的所述识别图像，所述栅格地图融合所述S1中高度传感器关于探测到障碍物高度数据，获取带高度数据、带障碍物二维信息融合的栅格地图；
无人机依据与地面地理坐标系相对的三维姿态，分析无人机投影在栅格地图中所处像素系实际位置的坐标中心点。
4.根据权利要求3所述的一种全盲区环境下智能无人机趋向处理方法，其特征在于，所述S3中，所述移动代价包括代价函数，代价函数表征两节点间的距离，具体为：无人机在所述像素系实际位置的坐标中心点到目标栅格地图位置点间的距离；
代价函数计算相邻栅格见距离、探测到障碍物高度和目标障碍物预设系数三者乘积。
5.根据权利要求1所述的一种全盲区环境下智能无人机趋向处理方法，其特征在于，所述S3中，所述移动代价包括启发函数，启发函数表征当前无人机坐标中心点到所述单目相机视野内图像的栅格地图的边界点距离；
具体为：当前无人机坐标中心点到距离所述坐标中心点最近的所述边界点的距离。
6.根据权利要求1-5任一项所述的一种全盲区环境下智能无人机趋向处理方法，其特征在于，还包括S5，依据短期记忆地图法则，设置并记录记忆时间，删除所记录记忆时间超过预设最大记忆时间的栅格地图。
7.一种全盲区环境下智能无人机趋向处理系统，其特征在于，包括：
获取模块，用于获取神经网络检测模型检测出的无人机下视单目相机的识别图像，获取高度传感器数据；
栅格化模块，用于对无人机下视单目相机视野内图像设置栅格地图；
分析模块，用于在栅格地图上从无人机位置所在栅格，向邻近占领度最低位置所在栅格扩展并分析移动代价，移动代价与所述占领度最低位置所在栅格内的障碍物数量、障碍物优先级系数和障碍物高度有关；
驱动模块，用于驱动无人机依据移动代价和所述障碍物高度移动。
8.根据权利要求7所述的一种全盲区环境下智能无人机趋向处理系统，其特征在于，所述驱动模块还用于，当无人机所处高度低于等于目标栅格中障碍物最大高度时，无人机垂直向上移动；
当无人机所处高度高于目标栅格中障碍物最大高度时，无人机依据移动代价向目标栅格移动。
9.根据权利要求7所述的一种全盲区环境下智能无人机趋向处理系统，其特征在于，所述栅格化模块还用于，以预设边长的方格，持续对视野内图像，分割设置栅格地图；
所述栅格地图融合所述获取模块中的所述识别图像，所述栅格地图融合所述获取模块中高度传感器关于探测到障碍物高度数据，获取带高度数据、带障碍物二维信息融合的栅格地图；
无人机依据与地面地理坐标系相对的三维姿态，分析无人机投影在栅格地图中所处像素系实际位置的坐标中心点。
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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的一种全盲区环境下智能无人机趋向处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310661300.3A CN116400740B (zh) | 2023-06-06 | 2023-06-06 | 全盲区环境下智能无人机趋向处理方法、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310661300.3A CN116400740B (zh) | 2023-06-06 | 2023-06-06 | 全盲区环境下智能无人机趋向处理方法、系统和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116400740A true CN116400740A (zh) | 2023-07-07 |
| CN116400740B CN116400740B (zh) | 2023-09-08 |
Family
ID=87009017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310661300.3A Active CN116400740B (zh) | 2023-06-06 | 2023-06-06 | 全盲区环境下智能无人机趋向处理方法、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116400740B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
| CN105120232A (zh) * | 2015-09-15 | 2015-12-02 | 成都时代星光科技有限公司 | 无人机图像监控和传输方法 |
| CN105120230A (zh) * | 2015-09-15 | 2015-12-02 | 成都时代星光科技有限公司 | 无人机图像监控和传输系统 |
| CN105371818A (zh) * | 2015-11-30 | 2016-03-02 | 湖北易瓦特科技股份有限公司 | 测距避障仪和无人机测距避障的方法 |
| CN106815443A (zh) * | 2017-01-23 | 2017-06-09 | 北京理工大学 | 面向变化环境的超低空飞行器三维多批多航迹规划方法 |
| US20170166299A1 (en) * | 2015-12-10 | 2017-06-15 | Panasonic Intellectual Property Corporation Of America | Movement control method, autonomous mobile robot, and recording medium storing program |
| CN107703945A (zh) * | 2017-10-30 | 2018-02-16 | 洛阳中科龙网创新科技有限公司 | 一种多目标融合的智能农用机械路径规划方法 |
| CN109753084A (zh) * | 2019-01-19 | 2019-05-14 | 魏贞民 | 一种无人驾驶设备和方法 |
| CN109885083A (zh) * | 2019-03-06 | 2019-06-14 | 国网陕西省电力公司检修公司 | 基于激光雷达的输电线路精细化巡检飞行平台及巡检方法 |
| US20210304343A1 (en) * | 2020-03-27 | 2021-09-30 | Sony Corporation | Utilization of a fleet of unmanned aerial vehicles for delivery of goods |
| CN113532439A (zh) * | 2021-07-26 | 2021-10-22 | 广东电网有限责任公司 | 输电线路巡检机器人同步定位与地图构建方法及装置 |
| CN114035584A (zh) * | 2021-11-18 | 2022-02-11 | 上海擎朗智能科技有限公司 | 机器人检测障碍物的方法、机器人以及机器人系统 |
| CN115202394A (zh) * | 2022-07-13 | 2022-10-18 | 安徽成方智能科技有限公司 | 一种基于改进遗传算法的无人机全覆盖路径规划方法 |
-
2023
- 2023-06-06 CN CN202310661300.3A patent/CN116400740B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
| CN105120232A (zh) * | 2015-09-15 | 2015-12-02 | 成都时代星光科技有限公司 | 无人机图像监控和传输方法 |
| CN105120230A (zh) * | 2015-09-15 | 2015-12-02 | 成都时代星光科技有限公司 | 无人机图像监控和传输系统 |
| CN105371818A (zh) * | 2015-11-30 | 2016-03-02 | 湖北易瓦特科技股份有限公司 | 测距避障仪和无人机测距避障的方法 |
| US20170166299A1 (en) * | 2015-12-10 | 2017-06-15 | Panasonic Intellectual Property Corporation Of America | Movement control method, autonomous mobile robot, and recording medium storing program |
| CN106815443A (zh) * | 2017-01-23 | 2017-06-09 | 北京理工大学 | 面向变化环境的超低空飞行器三维多批多航迹规划方法 |
| CN107703945A (zh) * | 2017-10-30 | 2018-02-16 | 洛阳中科龙网创新科技有限公司 | 一种多目标融合的智能农用机械路径规划方法 |
| CN109753084A (zh) * | 2019-01-19 | 2019-05-14 | 魏贞民 | 一种无人驾驶设备和方法 |
| CN109885083A (zh) * | 2019-03-06 | 2019-06-14 | 国网陕西省电力公司检修公司 | 基于激光雷达的输电线路精细化巡检飞行平台及巡检方法 |
| US20210304343A1 (en) * | 2020-03-27 | 2021-09-30 | Sony Corporation | Utilization of a fleet of unmanned aerial vehicles for delivery of goods |
| CN113532439A (zh) * | 2021-07-26 | 2021-10-22 | 广东电网有限责任公司 | 输电线路巡检机器人同步定位与地图构建方法及装置 |
| CN114035584A (zh) * | 2021-11-18 | 2022-02-11 | 上海擎朗智能科技有限公司 | 机器人检测障碍物的方法、机器人以及机器人系统 |
| CN115202394A (zh) * | 2022-07-13 | 2022-10-18 | 安徽成方智能科技有限公司 | 一种基于改进遗传算法的无人机全覆盖路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHE LV，等: "3D environment modeling with height dimension reduction and path planning for UAV", 《2017 9TH INTERNATIONAL CONFERENCE ON MODELLING, IDENTIFICATION AND CONTROL (ICMIC)》 * |
| 周良，等: "基于类三维地图的无人机路径规划", 《计算机测量与控制》, vol. 19, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116400740B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11709058B2 (en) | Path planning method and device and mobile device | |
| CN103901892B (zh) | 无人机的控制方法及系统 | |
| CN107831765B (zh) | 定位方法、装置、设备及存储介质 | |
| US10717435B2 (en) | Adjustable object avoidance proximity threshold based on classification of detected objects | |
| US20190094858A1 (en) | Parking Location Prediction | |
| CN113448345A (zh) | 一种无人机降落方法及装置 | |
| CN106371104A (zh) | 多线点云数据机器学习的车辆目标识别方法及防撞装置 | |
| CN110709791B (zh) | 用于无人机的飞行高度调整、飞行控制的方法和装置 | |
| EP3210091B1 (en) | Optimal safe landing area determination | |
| CN113031633A (zh) | 一种无人机的降落方法、装置、无人机及介质 | |
| US10766616B2 (en) | Environment map automatic creation device | |
| CN106291506A (zh) | 基于单线点云数据机器学习的车辆目标识别方法及装置 | |
| CN106339669A (zh) | 多线点云数据机器学习的人形目标识别方法和防撞装置 | |
| JP2019196150A (ja) | 安全着陸可能領域を識別するためのシステム、方法、プログラム及びプログラムを記憶した記憶媒体 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| KR20220129218A (ko) | 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체 | |
| CN113485346A (zh) | 一种移动机器人在核事故复杂环境中的自主导航方法 | |
| JP2016149090A (ja) | 自律移動装置、自律移動システム、自律移動方法、およびプログラム | |
| CN110515390A (zh) | 飞行器自主降落方法及装置、电子设备、存储介质 | |
| WO2023039666A1 (en) | Systems, methods, and media for occlusion-aware motion planning | |
| CN116483127A (zh) | 一种无人机异地起降方法、无人机控制终端及存储介质 | |
| 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 | |
| CN116400740B (zh) | 全盲区环境下智能无人机趋向处理方法、系统和介质 | |
| CN113551679A (zh) | 一种示教过程中的地图信息构建方法、构建装置 | |
| CN113448340B (zh) | 一种无人机的路径规划方法、装置、无人机及存储介质 |
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 |