CN116661497A - 一种智能飞行汽车 - Google Patents
一种智能飞行汽车 Download PDFInfo
- Publication number
- CN116661497A CN116661497A CN202310651661.XA CN202310651661A CN116661497A CN 116661497 A CN116661497 A CN 116661497A CN 202310651661 A CN202310651661 A CN 202310651661A CN 116661497 A CN116661497 A CN 116661497A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- ground
- point
- aerocar
- control information
- 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
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000013459 approach Methods 0.000 claims abstract description 6
- 230000011664 signaling Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 22
- 238000005265 energy consumption Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 108700026770 PPM protocol Proteins 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 31
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 241000254173 Coleoptera Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
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
本申请提供了一种智能飞行汽车，涉及飞行汽车技术领域，所述智能飞行汽车包括：路径规划系统，用于在智能飞行汽车从起始点到目标点的运动过程中，利用高程信息对地面行驶和空中飞行的路径进行规划，同时计算最优模态切换点，对地面行驶至空中飞行或空中飞行至地面行驶的模态切换进行控制；自主降落系统，用于在智能飞行汽车接近目标点且接收不到定位信号的情况下，利用同时空的RGB图像和深度图像获取最佳安全着陆点，利用最终安全着陆点控制所述飞行汽车安全降落。本申请的智能飞行汽车具有高效节能准确的路径规划功能，且在无定位信号的情况下可以实现自主降落。
Description
技术领域
本申请涉及飞行汽车技术领域，尤其是涉及一种智能飞行汽车。
背景技术
目前，智能飞行汽车在实际应用中存在下述三个问题：
1、智能飞行汽车控制系统多为电脑地面站控制或遥控器接入控制，采用的是传统的通信直驱的控制方法，无法形成可自主判断输出、对控制进行风险评估的控制系统，并存在安全性和可靠性不高的问题；
2、智能飞行汽车受限于模态切换，无法有效地根据地形实现自主调节，难以实现敏捷、灵活、实时的路径规划策略调整。
3、缺乏低价、准确且平稳高效的飞行汽车自主降落方式。
发明内容
有鉴于此，本申请提供了一种智能飞行汽车，以解决上述技术问题。
本申请实施例提供了一种智能飞行汽车，所述智能飞行汽车上设置定位终端以及两个单目RGB相机或者一个单目RGB相机和一个深度相机，所述智能飞行汽车包括：
路径规划系统，用于在智能飞行汽车从起始点到目标点的运动过程中，利用高程信息对地面行驶和空中飞行的路径进行规划，同时计算最优模态切换点，对地面行驶至空中飞行或空中飞行至地面行驶的模态切换进行控制；
自主降落系统，用于在智能飞行汽车接近目标点且接收不到定位信号的情况下，利用同时空的RGB图像和深度图像获取最佳安全着陆点，利用最终安全着陆点控制所述飞行汽车安全降落。
本申请的智能飞行汽车具有高效节能准确的路径规划功能，且在无定位信号的情况下可以实现自主降落。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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申请的一些实施方式，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为本申请实施例提供的智能飞行汽车的功能结构图；
图2为本申请实施例提供的智能飞行汽车的路径规划系统的功能结构图；
图3为本申请实施例提供的BAS算法的示意图；
图4为本申请实施例提供的虚拟高度的示意图；
图5为本申请实施例提供的智能飞行汽车的自主降落系统的功能结构图；
图6为本申请实施例提供的智能飞行汽车的冗余控制系统的功能结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例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例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例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先对本申请实施例的设计思想进行简单介绍。
目前，智能飞行汽车因为其有自由悬停、垂直起落、控制灵活等优点，广泛应用在野外动物保护、野外羊群监测、野外未知环境探索等领域。在应用中存在下述三个问题：
1、智能飞行汽车面对复杂工作环境的决策能力是非常重要的，其中，如何在已有信息条件下完成路径规划，高效执行提前设定的任务是非常关键的技术环节。目前，智能飞行汽车大多数由操控者来进行控制，实际应用层面的自主路径规划的自动化水平较低，一部分陆空两栖平台在执行任务前，根据控制人员的设定进行单一的路径规划，该规划在一些实际复杂的应用场景当中并不具有适用性，也很难保证飞行汽车的机动性和能耗利用效率。此外受限于模态切换，无法有效地根据地形实现自主调节，难以实现敏捷、灵活、实时的路径规划策略调整。
2、智能飞行汽车在野外作业的过程中，经常会因为GPS信号丢失、遥控信号丢失等情况陷入无人控制的情况，在这种情况下寻找一个能够使旋翼飞行汽车自主安全降落的区域，并使旋翼飞行汽车全自主降落就变得尤为重要。飞行汽车能够飞至距离用户五公里左右的位置，而在这种情况下，飞行汽车常会因为受到野外环境的干扰而导致GPS信号丢失，遥控信号丢失问题，而飞行汽车自身没有相应的紧急全自动野外降落能力，造成用户飞行汽车的破坏和损失。目前利用雷达实现飞行汽车自主降落，效果较好，而雷达造价高昂，重量过重，无法部署在中小型旋翼飞行汽车上。总体而言，目前缺乏低价、准确且平稳高效的飞行汽车自主降落方式。
3、智能飞行汽车控制系统多为电脑地面站控制或遥控器接入控制，采用的是传统的通信直驱的控制方法，无法形成可自主判断输出、对控制进行风险评估的控制系统，并存在安全性和可靠性不高的问题。
为了解决上述技术问题，本申请提供了一种智能飞行汽车，具有路径规划系统，通过在DEM(高程)地图模型中设置起点以及目标点，标注出云团、鸟群以及暴雨等危险地区和需要执行任务的区域，以2D-A*算法和3D-A*算法在全局的地图模型中决策地面行驶和空中飞行的任务路线；在需要模态切换时，利用BAS算法在模态切换点周围一定区域内经行切换点的寻优工作。到达模态切换点附近时，使用平台本身搭载的感知设备对于局部区域进行精准建图，识别出所面对的危险等因素，然后使用BAS进行实时决策来完成整体的任务路线，避免2D-A*和3D-A*规划所造成的实时性差，模态切换点单一的技术问题。
具有自主降落系统，在在智能飞行汽车接近目标点且接收不到定位信号的情况下，将RGB图像与深度图像进行融合以增强感知能力，深度图和RGB图像的融合的着陆点检测算法既能弥补RGB图像的深度不足又能弥补深度图像缺乏视觉信息的不足；通过将安全着陆区域的离散信息、陡度信息、色彩信息以及最佳安全着陆区域的安全域心到飞行汽车所在位置的欧氏距离进行融合，得到安全着陆点的得分，将所有安全着陆点按得分进行排序得到最佳安全着陆点，由此得出飞行汽车的轨迹规划；提出了一种新的计算安全着陆点得分的方式，离散度用于检测所述区域是否平稳，陡度用于检测所述区域是否凹凸不平，欧氏距离用于检测所述区域离飞行汽车的相对距离，色彩用于检测所述区域是否为地面，将其融合得到安全区域得分，最后将安全区域的中心点设为安全着陆点。
具有冗余控制系统，将外部控制信息与传感器设备信息相结合，有效解决了人为干预控制下的误操作问题，为飞行汽车的运行提供了更高的安全保障；以解决现有技术缺乏对飞行汽车进行多种控制输入，对控制信息进行风险评估的技术方案。
本申请的智能飞行汽车的优势在于：
1、提高三维路径规划场景下的运算速度，并且可以基于任务的特点选择设置的不同代价函数，来实现起点与目标点之间的智能的路径规划，保证有针对性的完成现有任务；其中的模态切换点决策方法包括基于天牛须算法的搜索与着陆点梯度寻优选择，进一步的设置搜索空间及距离障碍物和极端天气或者鸟群等障碍物的安全距离，实现在现有A*算法决策出的模态切换点的基础上，进一步的完善和优化切换点的实际适用条件；
2、本申请的智能飞行汽车可应用在高山、戈壁、哨所、高原高寒等复杂地形地貌区域，涉及无人物资运输、特殊地形场景下的救援侦察等任务；在面对野外复杂应用场景下的具有较高的智能性和灵活性、执行任务过程中的可靠性与机动性，提高了能量利用效率，保护电池SOC以及SOH等综合性能指标；
3、实验数据表明，在相同的起点和目标点的状态下，本申请的路径规划系统在整体规划路线上具有更少的时间花费和能量消耗，而且能够规划出具有更加安全和灵活的路线。
4、本申请的自主降落系统将RGB图像与深度图像进行融合以增强感知能力，深度图和RGB图像的融合的着陆点检测算法既能弥补RGB图像的深度不足又能弥补深度图像缺乏视觉信息的不足；通过将安全着陆区域的离散信息、陡度信息、色彩信息以及最佳安全着陆区域的安全域心到飞行汽车所在位置的欧氏距离进行融合，得到安全着陆点的得分，将所有安全着陆点按得分进行排序得到最佳安全着陆点，由此得出飞行汽车的轨迹规划；提出了一种新的计算安全着陆点得分的方式，离散度用于检测所述区域是否平稳，陡度用于检测所述区域是否凹凸不平，欧氏距离用于检测所述区域离飞行汽车的相对距离，色彩用于检测所述区域是否为地面，将其融合得到安全区域得分，最后将安全区域的中心点设为安全着陆点。
5、本申请的智能飞行汽车将外部控制信息与传感器设备信息相结合，有效解决了人为干预控制下的误操作问题，为飞行汽车的运行提供了更高的安全保障。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
如图1所示，本申请实施例提供了一种智能飞行汽车，所述智能飞行汽车上设置定位终端以及两个单目RGB相机或者一个单目RGB相机和一个深度相机，其中，定位终端为GPS终端或北斗终端；所述智能飞行汽车包括：
路径规划系统，用于在智能飞行汽车从起始点到目标点的运动过程中，利用高程信息对地面行驶和空中飞行的路径进行规划，同时计算最优模态切换点，对地面行驶至空中飞行或空中飞行至地面行驶的模态切换进行控制；
自主降落系统，用于在智能飞行汽车接近目标点且接收不到定位信号的情况下，利用同时空的RGB图像和深度图像获取最佳安全着陆点，利用最终安全着陆点控制所述飞行汽车安全降落。
本实施例中，路径规划的原则为：以地面行驶为主，希望平台在地面行驶尽可能远的距离以节约能源。空中飞行为辅，在面对地面无法行驶的情况下采取飞行的模式以克服恶劣地形限制。
如图2所示，所述路径规划系统包括：
获取单元，用于获取当前时刻的智能飞行汽车的模态和实际位置；
其中，本实施例的智能飞行汽车是以地面行驶为主，空中飞行为辅助的平台；智能飞行汽车的模态包括：地面行驶和空中飞行，在起始点的时候，智能飞行汽车的模态为地面行驶。
第一判断单元：用于判断当前时刻的智能飞行汽车的模态是否为地面行驶，若为是则进入地面搜索单元，否则进入第二判断单元；
地面搜索单元：与基于当前时刻的智能飞行汽车的实际位置，利用预设的2D-A*算法对下一时刻的智能飞行汽车的地面可达位置进行搜索，判断是否能搜索到，若为是则将下一时刻的智能飞行汽车的地面可达位置发送至地面行驶控制器；否则进入第一模态切换单元；
A*是一种启发式搜索算法，具备较高的搜索效率，尤其在处理静态的场景下具备很好的路径规划能力。2D-A*算法：当车辆在野外执行任务在地面上行驶时，智能飞行汽车的规划器根据代价函数在一个平面内展开经纬度的搜索，与传统的城市环境下或者实验室环境下的算法相比，本实施例的野外环境下的2D-A*会在节点搜索的过程中根据节点的经纬度匹配上该节点对应的高度信息，即使用二维的搜索框架来解决野外环境下高度存在较大波动的三维场景，提高算法运算效率。2D-A*算法中除去代价函数外，还设置了节点的可行性分析，其中包括平台所能应对的最大转弯角度梯度，最大倾斜程度梯度以及最大俯仰角梯度，这些参数是根据实际的移动平台机动性实验测试得出。
具体地，基于当前时刻的智能飞行汽车的实际位置，利用预设的2D-A*算法对下一时刻的智能飞行汽车的地面可达位置进行搜索；包括：
从栅格化地图中获取当前时刻的智能飞行汽车的实际位置点所在的网格；
获取网格周边的八个相邻网格的中心点的经纬度，将相邻网格的中心点作为备选节点；
获取所有备选点的高程数据，计算实际位置点和每个备选点之间的转弯角度梯度，倾斜程度梯度以及俯仰角梯度，判断实际位置点与每个备选节点是否可达，若所有的备选节点均不可达，则搜索不到下一时刻的智能飞行汽车的地面可达位置；
否则，计算实际位置点与可达的备选节点之间的代价函数，将代价函数最小的可达的备选节点作为下一时刻的智能飞行汽车的地面可达位置。
其中，判断实际位置点与每个备选节点是否可达，包括：
判断下式是否成立：
其中，实际位置点和所述备选点之间的转弯角度梯度为gx，倾斜程度梯度为gy，俯仰角梯度为gz；gxmin和gxmax为转弯角度梯度的最小值和最大值；gymin和gymax为倾斜程度梯度的最小值和最大值；gzmin和gzmax为俯仰角梯度最小值和最大值。
其中，计算实际位置点与可达的备选节点之间的代价函数；包括：
计算实际位置点与第n个可达的备选节点之间的实际代价函数值G(n)：
G(n)＝D(n)+E(n)
其中，D(n)为实际位置点与第n个可达的备选节点之间的距离，E(n)为行驶能量消耗：
其中，μ为摩擦系数，m为智能飞行汽车的质量，g为重力加速度；Δh为实际位置点与第n个可达的备选节点的高程变化值；ρ为空气密度，Cd为空气阻力系数；A1为地面行驶迎风面积；v1为地面行驶速度；Δd为实际位置点与第n个可达的备选节点的水平移动距离；
计算实际位置点与第n个可达的备选节点之间的估计代价函数值H(n)：
H(n)＝|xgoal-xn|+|ygoal-yn|+|zgoal-zn|
式中，(xgoal,ygoal,zgoal)为目标点的三维坐标值；(xn,yn,zn)为第n个可达的备选节点的三维坐标值；
则实际位置点与可达的备选节点之间的代价函数F(n)为：
F(n)＝G(n)+H(n)。
第一模态切换单元：用于利用预设的BAS算法获取地面行驶切换至空中飞行的最优模态切换点，将最优模态切换点发送至智能飞行汽车的模态切换器；
如图3所示，BAS算法是一种启发式算法，具有较强的鲁棒性，在不知道函数具体形式的情况下无需预处理和环境的障碍物建模与分析就可以实现高效寻优，与本实施例的实际应用场景高度贴合。本实施例可以通过对模态切换点的优化，来避免因为A*算法决策出的模态切换点条件不利于平台起飞和降落，造成的翻滚和停机等危险情况的出现。
其中，利用预设的BAS算法获取地面行驶切换至空中飞行的最优模态切换点，包括：
步骤S1：生成随机向量
式中，l为空间维度，l＝3，三个维度包括：经度、纬度和高程；Rands(l,1)表示随机产生l维向量，每个分量的取值范围为[0，1]；
步骤S2：计算智能飞行汽车左须和智能飞行汽车右须的位置：
式中，XR为智能飞行汽车右须的三维位置，XL为智能飞行汽车左须的三维位置，Xm-1表示第m-1次迭代的模态切换点的三维位置，初始的模态切换点为当前时刻的实际位置点；R为智能飞行汽车左须和智能飞行汽车右须之间的距离；
步骤S3：计算智能飞行汽车右须的适应度函数F(XR)：
F(XR)＝ER+αR(XR)
其中，ER为智能飞行汽车右须的能量消耗；α为超参数，R(·)为梯度函数：
R(XR)＝μ1·gxR+μ2·gyR+μ3·gzR
式中，gxR、gyR和gzR分别为智能飞行汽车右须的转弯角度梯度、倾斜程度梯度和俯仰角梯度；μ1、μ2和μ3均为权重因子；
步骤S4：计算智能飞行汽车左须的适应度函数F(XL)：
F(XL)＝EL+αR(XL)
R(XL)＝μ1·gxL+μ2·gyL+μ3·gzL
式中，EL为智能飞行汽车左须的能量消耗，gxL、gyL和gzL分别为智能飞行汽车左须的转弯角度梯度、倾斜程度梯度和俯仰角梯度；
步骤S5：计算第m次的模态切换点的三维位置Xm：
式中，δ为步进的欧氏距离，sign为符号函数；
步骤S6：判断m是否不大于预设的迭代次数M，若为是，则m加1后转入步骤S1；否则，将XM作为第k个模态切换点，初始的k值为1，进入步骤S7；
步骤S7：判断k是否不大于预设的搜索次数K，若为是，则k加1后转入步骤S1；否则，进入步骤S8；
步骤S8：计算K个模态切换点的适应度函数，将适应度函数最小的模态切换点作为最优模态切换点。
第二判断单元，用于获取智能飞行汽车在飞行途中的电池soc值和总飞行距离，判断电池soc值大于预设的电量百分比和总飞行距离与总任务距离的比值大于预设的距离百分比中的任一项是否满足，若为是则进入第二模态切换单元，否则，进入空中搜索单元；
获取智能飞行汽车在飞行途中的电池soc值，包括：
智能飞行汽车在飞行途中的电池soc值SOC(t)为：
式中，Q0为初始电池能量，Q为标称电池能量，T为当前采样时刻的序号，Et为第t-1个采样时刻到第t个采样时刻的能量消耗；
其中，当第t-1个采样时刻到第t个采样时刻为地面行驶，则Et为行驶能量消耗；
当第t-1个采样时刻到第t个采样时刻为地面行驶至空中飞行的模态切换，则能量消耗Et为：
Et＝Eexpand+EBodeneffekt
Eexpand为智能飞行汽车展开翅膀所消耗的能量；EBodeneffekt为地面效应消耗的能量；
当第t-1个采样时刻到第t个采样时刻为空中飞行，则Et为飞行能量消耗；
当第t-1个采样时刻到第t个采样时刻为空中飞行至地面行驶的模态切换，则能量消耗Et为：
Et＝Efold+EBodeneffekt
Efold为智能飞行汽车折叠翅膀所消耗的能量。
优选的，预设的电量百分比为40％，预设的距离百分比为50％。
第二模态切换单元：利用预设的BAS算法获取空中飞行至地面行驶的最优模态切换点，将最优模态切换点发送至智能飞行汽车的模态切换器；
其中，利用预设的BAS算法获取空中飞行至地面行驶的最优模态切换点，与地面行驶至空中飞行的最优模态切换点的步骤相同。
如果模态切换点与目标点的距离过近时，根据设立的模态切换规则自动会直接飞向目标点，以减小因频繁的模态切换以及计算所带来的能耗，在不损害部件健康寿命的前提下完成野外救援勘察任务。
空中搜索单元：用于基于当前时刻的智能飞行汽车的实际位置，利用预设的3D-A*算法搜索下一时刻的智能飞行汽车的空中可达位置；将下一时刻的智能飞行汽车的空中可达位置发送至空中飞行控制器。
本实施例中，基于当前时刻的智能飞行汽车的实际位置，利用3D-A*算法搜索下一时刻的智能飞行汽车的空中可达位置；包括：
从栅格化地图中获取当前时刻的智能飞行汽车的实际位置点所在的网格；
获取网格周边的八个相邻网格的中心点的经纬度和高程，将八个相邻网格的中心点作为八个备选节点；
计算实际位置点与八个备选节点之间的代价函数，获取代价函数最小的备选节点；
利用预先设置的虚拟高度变量Δz对代价函数最小的备选节点的高程进行修正，将修正后的备选节点的位置作为下一时刻的智能飞行汽车的空中可达位置。
其中，计算实际位置点与八个备选节点之间的代价函数，包括：
计算实际位置点与第n个备选节点之间的实际代价函数值G(n)：
G(n)＝D(n)+E(n)
其中，D(n)为第n个备选节点与实际位置点的距离，E(n)为飞行能量消耗：
E(n)＝Ehover+Emove
其中，悬停能量Ehover为：
其中，ρ为空气密度，m为智能飞行汽车的质量，g为重力加速度；b为智能飞行汽车的螺旋桨的数量，r为螺旋桨的半径，η为电机效率；v2为智能飞行汽车的飞行速度；
移动能量Emove为：
其中，Δh为实际位置点与第n个备选节点的高程变化值；A2为飞行迎风面积；Δd为实际位置点与第n个备选节点的水平移动距离；Cd为空气阻力系数；
计算实际位置点与第n个备选节点之间的估计代价函数值H(n)：
H(n)＝|xgoal-xn|+|ygoal-yn|+|zgoal-zn|
式中，(xgoal,ygoal,zgoal)为目标点的三维坐标值；(xn,yn,zn)为第n个备选节点的三维坐标值；
则实际位置点与第n个备选节点之间的代价函数F(n)为：
F(n)＝G(n)+H(n)。
本实施例的2D-A*和3D-A*算法中的参数见表1所示：
表1方程中参数
本实施例中引入一个虚拟高度变量Δz，具体来说，3D A*分为三个阶段：起飞阶段，巡航阶段和降落阶段。起飞阶段是要求移动平台沿着目标方向向上飞，该阶段Δz值随着平台的前进平滑上升，直至到达虚拟高度变量Δz的值。进入巡航阶段，该阶段的飞行高度为经过节点的海拔高度(z)加上Δz的值。当平台飞行至接近目标节点或者模态切换点时，进入降落阶段，要求移动平台沿着目标方向向下降落，该阶段Δz值随着平台的前进平滑下降，直至到达目标节点或者模态切换点的z值。
上述虚拟高度可以根据执行任务附近地形的海拔波动灵活调节，能够保证该高度下移动平台不会触碰到山地等障碍物，避免危险状况的发生。添加Δz后的仿真结果如图4所示，图中zmax和zmin分别为平台飞行时设置的最大和最小飞行高度，ground为地面高度。zmax的设置可以限制平台的飞行高度上限，避免因飞行高度过高造成的能源浪费；zmin的设置可以限制平台的飞行高度下限，避免因飞行高度过低造成平台碰撞山体及植被等危险状态的出现。
其中，利用预先设置的虚拟高度变量Δz对代价函数最小的备选节点的高程进行修正，包括：代价函数最小的备选节点的高程为z，则修正后的高程为z+Δz。
为了将BAS算法应用到以3D-A*为核心算法的路径规划中，本实施例使用DEM数据地图。地图模型DEM数据地图并没有传统意义上的障碍物区域设置，主要由机动区域、非机动区域以及建议绕开的危险区域组成，其中机动区域、非机动区域两种区域的划定根据该栅格下对应的坡度、梯度和倾斜度等因素来决定，其中符合平台机动性的地方属于机动区域，属于寻优算法的规划范畴，反之则不属于。天牛须在机动区域可以自由移动，不会触碰到非机动区域，会尽量的绕开危险区域。xyz坐标轴对应的地图值使用grad ient函数进行计算。
此外，所述方法还包括：将路径点以及决策点作为贝塞尔曲线的决策点，进行路径平滑处理，最后输出陆空两栖多模态救援平台野外任务环境下的路径规划结果。
使用本申请的路径规划方法，相同的任务情况下，本申请的方法在模态切换点更新之后具有更加省时省功的路径输出，对于野外环境下的平台救援工作有十分必要的实际应用意义，剩余的电量可以用来返程或者用于GPS视频图片等关键信息的传送工作。
设置BAS模态切换点周围每次迭代20步，步长设置为1m，最终共搜索80个目标点，在地图中设立两处危险区域，路径规划系统输出的优化后的路径可以有效避开所出现的危险区域，在平台实际应用的过程中的安全有重要的意义。并且在经过优化后的路径减少了任务所花费的总时间，有助于提高平台的环境适应能力与机动能力。
表2路径规划算法模态切换点运算时间情况对比
如图5所示，自主降落系统包括：
图像获取单元，用于获取同时空的RGB图像和深度图像；
该单元有两种实施方式：
第一种实施方式：在飞行汽车上设置两个RGB相机，获取两个RGB相机采集的两张RGB图像，对两张RGB图像进行图像校正；对校正后的两张RGB图像进行处理，得到深度图像；具体过程包括：
分别将两个RGB图像的像素坐标系通过共同的内参矩阵转换到相机坐标系，分别对两个相机坐标系进行旋转得到新的相机坐标系，针对新的相机坐标分别进行左、右相机的去畸变操作，去畸变操作结束后，分别用左、右相机的内参矩阵将左、右两个相机坐标系重新转换到左、右图像像素坐标系，并分别用左、右源图像的像素值对新左、右图像的像素点进行插值。
分别对标定后的RGB图像灰度化，直接取R,B,G三个分量中数值最大的分量的数值，满足：
其中pr为RGB图像中R通道的像素值，pg为RGB图像中G通道的像素值，pb为RGB图像中B通道的像素值，D(p)为灰度图像的像素值；
通过SAD算法将两个灰度图像(左目灰度图和右目灰度图)转化成视差图，先设定SAD窗口的大小，左目灰度图中开始匹配的位置p，以及在右目灰度图中SAD窗口移动的范围，在左目灰度图像中确定待匹配的像素点的位置p，并以此位置作为SAD窗口的锚点，用SAD窗口覆盖左目灰度图像中以p为锚点的区域regionr。在右目灰度图像中选取匹配的开始点，位置为q，并以此点作为SAD窗口的锚点，在右目灰度图像中形成以q为锚点的图像区域regionl。
定义differernce＝regionr-regionl。计算difference的和，在右目灰度图中沿行方向移动SAD(移动次数为匹配的范围大小)，重复上述步骤，并将每次得到的difference记录在mat矩阵中。找到mat矩阵中difference最小值d，则其所在位置就是右目灰度图和左目灰度图的视差，视差值满足以下公式：
其中，L(x+i,y+j)为左目灰度图的像素值，R(x+d+i,y+i)为右目灰度图的像素值；D(x,y,d)为视差图在像素(x,y)的像素值；x,y分别为灰度图像中的二维坐标；W和H为图像和宽度和高度；
根据视差D(x,y,d)计算深度差Z(x,y)：
其中,f为焦距，b0为两个相机中心的距离，由此得到深度图像。
第二种实施方式：在飞行汽车上布设一个RGB相机和深度相机，分别采集RGB图像和深度图像。
地面候选区域获取单元，用于利用分水岭算法对平滑后的深度图像进行处理，得到处理后的深度图像，获取处理后的深度图像的候选地面区域；
为了降低离散数据对分水岭算法的影响，将得到的深度图像D进行开闭运算处理，得到特征明显且平滑的深度图像D1，因为飞行汽车需要降落到平稳坚实安全性高的地面上，所以只需要处理地面的各种信息去衡量该地点是否符合降落的需求，同时也因为不再直接对整张图片进行处理，而只对所述深度图像中的地面部分处理，极大的提高了计算效率。
对深度图像D1使用分水岭算法进行处理，得到深度图像D2，根据深度图像D1的像素(i,j)的像素值pi,j，计算深度图像D2的像素(i,j)的像素值qi,j：
其中，pmin表示深度图像D1中的最小像素值，pmax表示深度图像D1中的最大像素值。
从处理后的深度图像中选出多个地面区域时，由于不是每个地面区域都符合降落标准，受到旋翼飞行汽车体积影响，需要将飞行汽车降落到一个能够使飞行汽车直接降落到地面的区域，这时对该区域的大小就提出限制，所以需要对深度图像D2进行处理，得到能够满足飞行汽车降落的大小要求的地面区域。
为此，利用opencv库的库函数从深度图像D2中裁切出多个地面区域，其中，地面区域在深度图像上的像素值为255；将地面区域的面积大于飞行汽车面积的地面区域的最大内接圆作为候选地面区域。
计算单元，用于计算每个候选地面区域的深度方差均值、陡度均值、欧式距离和色彩均值，由此计算每个候选地面区域的得分；
其中，paverage为深度图像D1中候选地面区域的像元值的均值，I为深度图像D1中候选地面区域的行像素的个数，J为深度图像D1中候选地面区域的列像素的个数，i为行像素，j为列像素；为深度图像D1的三维曲面的法线，/>为三维曲面的z轴向量；
计算深度图像D的候选地面区域的中心点到深度图像D的中心点px＝(xmax/2,ymax/2)的欧式距离Seuclidean；其中，xmax和ymax为该深度图的最大像素大小；例如640x480，此时xmax和ymax分别为640和480。
因为在野外环境中，较为安全的地面一般为裸露的泥土地，每个候选地面区域的色彩得分Scolor满足下式：
其中Ccolor为候选地面区域的色彩均值，由RGB图像(左目RGB图像或右目RGB图像)得到；G为设定的地面色彩均值。
计算每个候选地面区域的得分Sscore:
Sscore＝λ1Ssteepness+λ2Sdepth+λ3Seuclidean+λ4Scolor
λ1、λ2、λ3和λ4为权重系数，满足：
λ1+λ2+λ3+λ4＝1
优选的，λ1的值为0.3，λ2的值为0.2,λ3的值为0.2,λ4的值为0.3。
最佳安全着陆点获取单元，用于将所有候选地面区域的中心点按照得分降序排列，将得分最高的中心点作为最佳安全着陆点；
控制单元，用于判断最佳安全着陆点与RGB图像中心点的距离是否小于预设的阈值，若为是，则将最佳安全着陆点作为最终安全着陆点，利用最终安全着陆点控制所述飞行汽车安全降落；否则，控制所述飞行汽车向最佳安全着陆点移动，移动过程中重新寻找最佳安全着陆点。
此外，控制所述飞行汽车向最佳安全着陆点移动中还包括：通过多个红外传感器对飞行汽车周围的障碍物进行感知避障。
作为一种可能实施方式，本实施例的智能飞行汽车还包括：冗余控制系统，用于当接收到遥控器信息、操纵杆信息和地面站控制信息中的至少一个外部控制信息时，判断外部控制信息是否存在风险并生成最终的控制信息。
如图6所示，所述冗余控制系统包括：遥控器信息获取单元、操纵杆信息获取单元、地面站控制信息获取单元、传感器设备和冗余控制决策单元；
所述遥控器信息获取单元，用于接收遥控器发出的控制命令信息，生成第一控制信息；具体地，所述遥控器信息获取单元包括接收机和解码单元；所述接收机，用于通过SBUS协议无线电信号接收遥控器的控制命令信息；所述解码单元，用于对控制命令信息进行解码，得到第一控制信息，将第一控制信息编码成PPM协议电信号发送给冗余控制决策单元。
所述操纵杆信息获取单元，用于接收操纵杆运动产生的命令并进行行识别，得到第二控制信息；具体地，所述操纵杆信息获取单元具体用于：接收操纵杆的控制命令信息，对操纵杆的控制命令信息进行识别，得到第二控制信息，将第二控制信息编码成PPM协议电信号发送给冗余控制决策单元。
所述地面站控制信息获取单元，用于接收地面站发送的第三控制信息；其中，所述地面控制站设置控制单元、任务规划单元和数传单元；所述控制单元，用于供操作员设置控制指令信息，发送至任务规划单元；所述任务规划单元，用于将控制指令信息整合后生成第三控制信息并发送到数传单元；所述数传单元，用于将第三控制信息通过无线链路发送到地面站控制信息获取单元。
所述传感器设备，用于采集飞行汽车的感知信息；所述传感器设备包括：惯性测量单元、磁罗盘、气压传感器、视觉传感器和空速空压计；。
所述冗余控制决策单元，用于基于飞行汽车的感知信息以及接收到的控制信息，按照预设的策略得到最终的控制信息，根据最终的控制信息生成飞行汽车的控制动作指令；通过CAN总线将控制动作指令发送至飞行汽车的动作执行单元；所述感知信息包括：飞行汽车的位置信息、姿态信息、速度信息、地磁信息和气压信息。
所述冗余控制决策单元具体用于：
获取控制信息，所述控制信息包括第一控制信息、第二控制信息和第三控制信息的至少一种；
利用每个控制信息生成模拟动作，基于当前时刻的飞行汽车的位置信息、姿态信息和速度信息和模拟动作，预测下一时刻的飞行汽车的位置信息、姿态信息和速度信息；优选的，下一时刻和当前时刻的差为0.5秒。
根据每个控制信息对应的下一时刻的飞行汽车的位置信息和姿态信息和速度信息，利用风险判断条件判断控制信息是否存在风险；所述风险判断条件包括下列中的至少一项：下一时刻的飞行汽车的速度大于预设的速度阈值，下一时刻的飞行汽车的俯仰角大于预设的俯仰角阈值，下一时刻的飞行汽车的滚动角大于预设的滚动角阈值，以及下一时刻的飞行汽车的位置与障碍物的距离小于预设的安全距离；
根据每个控制信息是否存在风险，以及预设的控制信息的优先级，获取最终的控制信息，利用最终的控制信息生成飞行汽车的控制动作指令。
其中，根据每个控制信息是否存在风险，以及预设的控制信息的优先级，获取最终的控制信息，包括：
若所有的控制信息均存在风险，则将上一时刻的控制信息作为最终的控制信息；即飞行汽车保持原有的飞行动作。
若只有一个控制信息不存在风险，则将该控制信息作为最终的控制信息；
若有两个或三个控制信息不存在风险，按照第一控制信息、第三控制信息和第二控制信息的优先级，从两个或三个控制信息中得到唯一的控制信息作为最终的控制信息。
所述冗余控制系统还包括：数据发送单元，用于将回传数据发送至数传单元；所述回传数据包括：飞行汽车的位置信息、姿态信息、速度信息、控制动作指令信息和系统运行信息中的至少一种；所述地面控制站还包括显示单元，用于对回传的数据进行可视化处理并显示。通过信息的可视化处理，使得控制参数以及飞行汽车各项参数更好监控，极大的提高了飞行汽车的安全性和可靠性。
其中，飞行汽车的动作执行单元，用于根据飞行汽车的控制动作指令，对飞行汽车进行控制。其中，所述飞行汽车动作执行单元包括：飞行动作执行子单元和行驶动作执行子单元；
所述飞行动作执行子单元，用于接收控制动作指令并执行对应的空中飞行动作，包括：起飞、降落，悬停、前进、后退、左右平移和旋转；所述飞行动作执行单元包括螺旋桨电机；
所述行驶动作执行子单元，用于接收控制动作指令并执行对应的地面行驶动作，包括：启动、前进、后退和转弯。所述行驶动作执行单元包括：车轮电机、转向电机和刹车电机。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
最后所应说明的是，以上实施例仅用以说明本申请的技术方案而非限制。尽管参照实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，对本申请的技术方案进行修改或者等同替换，都不脱离本申请技术方案的精神和范围，其均应涵盖在本申请的权利要求范围当中。
Claims (16)
1.一种智能飞行汽车，所述智能飞行汽车上设置定位终端以及两个单目RGB相机或者一个单目RGB相机和一个深度相机，其特征在于，所述智能飞行汽车包括：
路径规划系统，用于在智能飞行汽车从起始点到目标点的运动过程中，利用高程信息对地面行驶和空中飞行的路径进行规划，同时计算最优模态切换点，对地面行驶至空中飞行或空中飞行至地面行驶的模态切换进行控制；
自主降落系统，用于在智能飞行汽车接近目标点且接收不到定位信号的情况下，利用同时空的RGB图像和深度图像获取最佳安全着陆点，利用最终安全着陆点控制所述飞行汽车安全降落。
2.根据权利要求1所述的智能飞行汽车，其特征在于，所述路径规划系统包括：
获取单元，用于获取当前时刻的智能飞行汽车的模态和实际位置；
第一判断单元：用于判断当前时刻的智能飞行汽车的模态是否为地面行驶，若为是则进入地面搜索单元，否则进入第二判断单元；
地面搜索单元：用于基于当前时刻的智能飞行汽车的实际位置，利用预设的2D-A*算法对下一时刻的智能飞行汽车的地面可达位置进行搜索，判断是否能搜索到，若为是则将下一时刻的智能飞行汽车的地面可达位置发送至地面行驶控制器；否则进入第一模态切换单元；
第一模态切换单元：用于利用预设的BAS算法获取地面行驶切换至空中飞行的最优模态切换点，将最优模态切换点发送至智能飞行汽车的模态切换器；
第二判断单元，用于获取智能飞行汽车在飞行中的电池soc值和总飞行距离，判断电池soc值大于预设的电量百分比和总飞行距离与总任务距离的比值大于预设的距离百分比中的任一项是否满足，若为是则进入第二模态切换单元，否则，进入空中搜索单元；
第二模态切换单元：用于利用预设的BAS算法获取空中飞行至地面行驶的最优模态切换点，将最优模态切换点发送至智能飞行汽车的模态切换器；
空中搜索单元：用于基于当前时刻的智能飞行汽车的实际位置，利用预设的3D-A*算法搜索下一时刻的智能飞行汽车的空中可达位置；将下一时刻的智能飞行汽车的空中可达位置发送至空中飞行控制器。
3.根据权利要求2所述的智能飞行汽车，其特征在于，基于当前时刻的智能飞行汽车的实际位置，利用预设的2D-A*算法对下一时刻的智能飞行汽车的地面可达位置进行搜索；包括：
从栅格化地图中获取当前时刻的智能飞行汽车的实际位置点所在的网格；
获取网格周边的八个相邻网格的中心点的经纬度，将相邻网格的中心点作为备选节点；
获取所有备选点的高程数据，计算实际位置点和每个备选点之间的转弯角度梯度，倾斜程度梯度以及俯仰角梯度，判断实际位置点与每个备选节点是否可达，若所有的备选节点均不可达，则搜索不到下一时刻的智能飞行汽车的地面可达位置；
否则，计算实际位置点与可达的备选节点之间的代价函数，将代价函数最小的可达的备选节点作为下一时刻的智能飞行汽车的地面可达位置。
4.根据权利要求3所述的智能飞行汽车，其特征在于，判断实际位置点与每个备选节点是否可达，包括：
判断下式是否成立：
其中，实际位置点和所述备选点之间的转弯角度梯度为gx，倾斜程度梯度为gy，俯仰角梯度为gz；gxmin和gxmax为转弯角度梯度的最小值和最大值；gymin和gymax为倾斜程度梯度的最小值和最大值；gzmin和gzmax为俯仰角梯度最小值和最大值。
5.根据权利要求4所述的智能飞行汽车，其特征在于，计算实际位置点与可达的备选节点之间的代价函数；包括：
计算实际位置点与第n个可达的备选节点之间的实际代价函数值G(n)：
G(n)＝D(n)+E(n)
其中，D(n)为实际位置点与第n个可达的备选节点之间的距离，E(n)为行驶能量消耗：
其中，μ为摩擦系数，m为智能飞行汽车的质量，g为重力加速度；Δh为实际位置点与第n个可达的备选节点的高程变化值；ρ为空气密度，Cd为空气阻力系数；A1为地面行驶迎风面积；v1为地面行驶速度；Δd为实际位置点与第n个可达的备选节点的水平移动距离；
计算实际位置点与第n个可达的备选节点之间的估计代价函数值H(n)：
H(n)＝|xgoal-xn|+|ygoal-yn|+|zgoal-zn|
式中，(xgoal，ygoal，zgoal)为目标点的三维坐标值；(xn，yn，zn)为第n个可达的备选节点的三维坐标值；
则实际位置点与可达的备选节点之间的代价函数F(n)为：
F(n)＝G(n)+H(n)。
6.根据权利要求5所述的智能飞行汽车，其特征在于，利用预设的BAS算法获取地面行驶切换至空中飞行的最优模态切换点，包括：
步骤S1：生成随机向量
式中，l为空间维度，l＝3，三个维度包括：经度、纬度和高程；Rands(l,1)表示随机产生l维向量，每个分量的取值范围为[0，1]；
步骤S2：计算智能飞行汽车左须和智能飞行汽车右须的位置：
式中，XR为智能飞行汽车右须的三维位置，XL为智能飞行汽车左须的三维位置，Xm-1表示第m-1次迭代的模态切换点的三维位置，初始的模态切换点为当前时刻的实际位置点；R为智能飞行汽车左须和智能飞行汽车右须之间的距离；
步骤S3：计算智能飞行汽车右须的适应度函数F(XR)：
F(XR)＝ER+αR(XR)
其中，ER为智能飞行汽车右须的能量消耗；α为超参数，R(·)为梯度函数：
R(XR)＝μ1·gxR+μ2·gyR+μ3·gzR
式中，gxR、gyR和gzR分别为智能飞行汽车右须的转弯角度梯度、倾斜程度梯度和俯仰角梯度；μ1、μ2和μ3均为权重因子；
步骤S4：计算智能飞行汽车左须的适应度函数F(XL)：
F(XL)＝EL+αR(XL)
R(XL)＝μ1·gxL+μ2·gyL+μ3·gzL
式中，EL为智能飞行汽车左须的能量消耗，gxL、gyL和gzL分别为智能飞行汽车左须的转弯角度梯度、倾斜程度梯度和俯仰角梯度；
步骤S5：计算第m次的模态切换点的三维位置Xm：
式中，δ为步进的欧氏距离，sign为符号函数；
步骤S6：判断m是否不大于预设的迭代次数M，若为是，则m加1后转入步骤S1；否则，将XM作为第k个模态切换点，初始的k值为1，进入步骤S7；
步骤S7：判断k是否不大于预设的搜索次数K，若为是，则k加1后转入步骤S1；否则，进入步骤S8；
步骤S8：计算K个模态切换点的适应度函数，将适应度函数最小的模态切换点作为最优模态切换点。
7.根据权利要求6所述的智能飞行汽车，其特征在于，基于当前时刻的智能飞行汽车的实际位置，利用3D-A*算法搜索下一时刻的智能飞行汽车的空中可达位置；包括：
从栅格化地图中获取当前时刻的智能飞行汽车的实际位置点所在的网格；
获取网格周边的八个相邻网格的中心点的经纬度和高程，将八个相邻网格的中心点作为八个备选节点；
计算实际位置点与八个备选节点之间的代价函数，获取代价函数最小的备选节点；
利用预先设置的虚拟高度变量Δz对代价函数最小的备选节点的高程进行修正，将修正后的备选节点的位置作为下一时刻的智能飞行汽车的空中可达位置。
8.根据权利要求7所述的智能飞行汽车，其特征在于，计算实际位置点与八个备选节点之间的代价函数，包括：
计算实际位置点与第n个备选节点之间的实际代价函数值G(n)：
G(n)＝D(n)+E(n)
其中，D(n)为第n个备选节点与实际位置点的距离，E(n)为飞行能量消耗：
E(n)＝Ehover+Emove
其中，悬停能量Ehover为：
其中，ρ为空气密度，m为智能飞行汽车的质量，g为重力加速度；b为智能飞行汽车的螺旋桨的数量，r为螺旋桨的半径，η为电机效率；v2为智能飞行汽车的飞行速度；
移动能量Emove为：
其中，Δh为实际位置点与第n个备选节点的高程变化值；A2为飞行迎风面积；Δd为实际位置点与第n个备选节点的水平移动距离；Cd为空气阻力系数；
计算实际位置点与第n个备选节点之间的估计代价函数值H(n)：
H(n)＝|xgoal-xn|+|ygoal-yn|+|zgoal-zn|
式中，(xgoal,ygoal,zgoal)为目标点的三维坐标值；(xn,yn,zn)为第n个备选节点的三维坐标值；
则实际位置点与第n个备选节点之间的代价函数F(n)为：
F(n)＝G(n)+H(n)。
9.根据权利要求8所述的智能飞行汽车，其特征在于，获取智能飞行汽车在飞行中的电池soc值，包括：
智能飞行汽车在飞行途中的电池soc值SOC(t)为：
式中，Q0为初始电池能量，Q为标称电池能量，T为当前采样时刻的序号，Et为第t-1个采样时刻到第t个采样时刻的能量消耗；
其中，当第t-1个采样时刻到第t个采样时刻为地面行驶，则Et为行驶能量消耗；
当第t-1个采样时刻到第t个采样时刻为地面行驶至空中飞行的模态切换，则能量消耗Et为：
Et＝Eexpand+EBodeneffekt
Eexpand为智能飞行汽车展开翅膀所消耗的能量；EBodeneffekt为地面效应消耗的能量；
当第t-1个采样时刻到第t个采样时刻为空中飞行，则Et为飞行能量消耗；
当第t-1个采样时刻到第t个采样时刻为空中飞行至地面行驶的模态切换，则能量消耗Et为：
Et＝Efold+EBodeneffekt
Efold为智能飞行汽车折叠翅膀所消耗的能量。
10.根据权利要求1所述的智能飞行汽车，其特征在于，所述自主降落系统包括：
图像获取单元，用于获取同时空的RGB图像和深度图像；
地面候选区域获取单元，用于利用分水岭算法对平滑后的深度图像进行处理，得到处理后的深度图像，获取处理后的深度图像的候选地面区域；
计算单元，用于计算每个候选地面区域的深度方差均值、陡度均值、欧式距离和色彩均值，由此计算每个候选地面区域的得分；
最佳安全着陆点获取单元，用于将所有候选地面区域的中心点按照得分降序排列，将得分最高的中心点作为最佳安全着陆点；
控制单元，用于判断最佳安全着陆点与RGB图像中心点的距离是否小于预设的阈值，若为是，则将最佳安全着陆点作为最终安全着陆点，利用最终安全着陆点控制所述飞行汽车安全降落；否则，控制所述飞行汽车向最佳安全着陆点移动，移动过程中重新寻找最佳安全着陆点。
11.根据权利要求10所述的智能飞行汽车，其特征在于，所述地面候选区域获取单元具体用于：
对深度图像D进行开闭运算处理，得到特征明显且平滑的深度图像D1；
根据深度图像D1的像素(i,j)的像素值pi,j，计算深度图像D2的像素(i,j)的像素值qi,j：
其中，pmin表示深度图像D1中的最小像素值，pmax表示深度图像D1中的最大像素值；
从深度图像D2中获取多个地面区域，其中，地面区域在深度图像上的像素值为255；i为像素的行数，j为像素的行数；
将地面区域的面积大于飞行汽车面积的地面区域的最大内接圆作为候选地面区域。
12.根据权利要求11所述的智能飞行汽车，其特征在于，所述计算单元具体用于：
对深度图像D1中每个候选地面区域，计算深度方差均值Sdepth和陡度均值Ssteepness：
其中，paverage为深度图像D1中候选地面区域的像元值的均值，I为深度图像D1中候选地面区域的行像素的个数，J为深度图像D1中候选地面区域的列像素的个数，i为行像素，j为列像素；为深度图像D1的三维曲面的法线，/>为三维曲面的z轴向量；
计算深度图像D的候选地面区域的中心点到深度图像D的中心点的欧式距离Seuclidean；
每个候选地面区域的色彩得分Scolor为：
其中，Ccolor为候选地面区域的色彩均值，从RGB图像中得到，G为设定的地面色彩均值；
则候选地面区域的得分Sscore为:
Sscore＝λ1Ssteepness+λ2Sdepth+λ3Seuclidean+λ4Scolor
λ1、λ2、λ3和λ4为权重系数，满足：
λ1+λ2+λ3+λ4＝1。
13.根据权利要求1所述的智能飞行汽车，其特征在于，所述智能飞行汽车还包括：冗余控制系统，用于当接收到遥控器信息、操纵杆信息和地面站控制信息中的至少一个外部控制信息时，判断外部控制信息是否存在风险并生成最终的控制信息。
14.根据权利要求13所述的智能飞行汽车，其特征在于，所述冗余控制系统包括：遥控器信息获取单元、操纵杆信息获取单元、地面站控制信息获取单元、传感器设备和冗余控制决策单元；
所述遥控器信息获取单元，用于通过SBUS协议无线电信号接收遥控器的控制命令信息，对控制命令信息进行解码，得到第一控制信息，将第一控制信息编码成PPM协议电信号发送给冗余控制决策单元；
所述操纵杆信息获取单元，用于接收操纵杆的控制命令信息，对操纵杆的控制命令信息进行识别，得到第二控制信息，将第二控制信息编码成PPM协议电信号发送给冗余控制决策单元；
所述地面站控制信息获取单元，用于接收地面站发送的第三控制信息；
所述传感器设备包括：惯性测量单元、磁罗盘、气压传感器、视觉传感器和空速空压计；
所述冗余控制决策单元，用于基于飞行汽车的感知信息以及接收到的控制信息，按照预设的策略得到最终的控制信息，根据最终的控制信息生成飞行汽车的控制动作指令，将控制动作指令发送至飞行汽车的动作执行单元，所述感知信息包括：飞行汽车的位置信息、姿态信息、速度信息、地磁信息和气压信息。
15.根据权利要求14所述的智能飞行汽车，其特征在于，所述地面控制站设置控制单元、任务规划单元和数传单元；
所述控制单元，用于供操作员设置控制指令信息，发送至任务规划单元；
所述任务规划单元，用于将控制指令信息整合后生成第三控制信息并发送到数传单元；
所述数传单元，用于将第三控制信息通过无线链路发送到地面站控制信息获取单元。
16.根据权利要求15所述的智能飞行汽车，其特征在于，所述冗余控制决策单元具体用于：
获取控制信息，所述控制信息包括第一控制信息、第二控制信息和第三控制信息的至少一种；
利用每个控制信息生成模拟动作，基于当前时刻的飞行汽车的位置信息、姿态信息和速度信息和模拟动作，预测下一时刻的飞行汽车的位置信息、姿态信息和速度信息；
根据每个控制信息对应的下一时刻的飞行汽车的位置信息和姿态信息和速度信息，利用风险判断条件判断控制信息是否存在风险；所述风险判断条件包括下列中的至少一项：下一时刻的飞行汽车的速度大于预设的速度阈值，下一时刻的飞行汽车的俯仰角大于预设的俯仰角阈值，下一时刻的飞行汽车的滚动角大于预设的滚动角阈值，以及下一时刻的飞行汽车的位置与障碍物的距离小于预设的安全距离；
若所有的控制信息均存在风险，则将上一时刻的控制信息作为最终的控制信息；若只有一个控制信息不存在风险，则将该控制信息作为最终的控制信息；若有两个或三个控制信息不存在风险，按照第一控制信息、第三控制信息和第二控制信息的优先级，从两个或三个控制信息中得到唯一的控制信息作为最终的控制信息；
利用最终的控制信息生成飞行汽车的控制动作指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651661.XA CN116661497A (zh) | 2023-06-02 | 2023-06-02 | 一种智能飞行汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651661.XA CN116661497A (zh) | 2023-06-02 | 2023-06-02 | 一种智能飞行汽车 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116661497A true CN116661497A (zh) | 2023-08-29 |
Family
ID=87713297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310651661.XA Pending CN116661497A (zh) | 2023-06-02 | 2023-06-02 | 一种智能飞行汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116661497A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117664142A (zh) * | 2024-02-01 | 2024-03-08 | 山东欧龙电子科技有限公司 | 基于三维立体地图的飞行汽车路径规划方法 |
| CN117706595A (zh) * | 2024-02-01 | 2024-03-15 | 山东欧龙电子科技有限公司 | 一种分体式飞行汽车组合对接导引方法 |
| CN118258419A (zh) * | 2024-05-29 | 2024-06-28 | 山东通维信息工程有限公司 | 基于物联网的智慧停车系统和方法 |
-
2023
- 2023-06-02 CN CN202310651661.XA patent/CN116661497A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117664142A (zh) * | 2024-02-01 | 2024-03-08 | 山东欧龙电子科技有限公司 | 基于三维立体地图的飞行汽车路径规划方法 |
| CN117706595A (zh) * | 2024-02-01 | 2024-03-15 | 山东欧龙电子科技有限公司 | 一种分体式飞行汽车组合对接导引方法 |
| CN117706595B (zh) * | 2024-02-01 | 2024-05-17 | 山东欧龙电子科技有限公司 | 一种分体式飞行汽车组合对接导引方法 |
| CN117664142B (zh) * | 2024-02-01 | 2024-05-17 | 山东欧龙电子科技有限公司 | 基于三维立体地图的飞行汽车路径规划方法 |
| CN118258419A (zh) * | 2024-05-29 | 2024-06-28 | 山东通维信息工程有限公司 | 基于物联网的智慧停车系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240351706A1 (en) | Systems and methods for uav docking | |
| US11835561B2 (en) | Unmanned aerial vehicle electromagnetic avoidance and utilization system | |
| CN109683629B (zh) | 基于组合导航和计算机视觉的无人机电力架线系统 | |
| CN109923492B (zh) | 飞行路径确定 | |
| US20200142410A1 (en) | Multi-sensor environmental mapping | |
| CN116661497A (zh) | 一种智能飞行汽车 | |
| CN110888453B (zh) | 一种基于LiDAR数据构建三维实景的无人机自主飞行方法 | |
| EP3206768B1 (en) | Inspection vehicle control device, control method, and computer program | |
| EP3901728A1 (en) | Methods and system for autonomous landing | |
| EP3674657A1 (en) | Construction and update of elevation maps | |
| CN106708073B (zh) | 一种自主导航电力巡线故障检测的四旋翼飞行器系统 | |
| CN111966114A (zh) | 递送车辆的放下地点规划 | |
| CN104714555B (zh) | 一种基于边缘的三维自主探索方法 | |
| CN109358638A (zh) | 基于分布式地图的无人机视觉避障方法 | |
| JP7492718B2 (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 | |
| US20190066522A1 (en) | Controlling Landings of an Aerial Robotic Vehicle Using Three-Dimensional Terrain Maps Generated Using Visual-Inertial Odometry | |
| CN107783119A (zh) | 应用在避障系统中的决策融合方法 | |
| 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 | |
| CN111465556A (zh) | 信息处理系统、信息处理方法及程序 | |
| CN108766035B (zh) | 一种点密度引导下的无人机地形匹配飞行控制系统 | |
| CN113568427A (zh) | 无人机自主着陆移动平台的方法及系统 | |
| Lim et al. | Autonomous Multirotor UAV Search and Landing on Safe Spots Based on Combined Semantic and Depth Information From an Onboard Camera and LiDAR | |
| CN114265423B (zh) | 一种基于旋转框检测定位的无人机移动平台着陆方法及系统 | |
| Liu et al. | A Monument Digital Reconstruction Experiment Based on the Human UAV Cooperation | |
| RU2770251C1 (ru) | Система управления беспилотником |
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 |