CN116661501B - 无人机集群高动态环境避障与动平台着降联合规划方法 - Google Patents
无人机集群高动态环境避障与动平台着降联合规划方法 Download PDFInfo
- Publication number
- CN116661501B CN116661501B CN202310903882.1A CN202310903882A CN116661501B CN 116661501 B CN116661501 B CN 116661501B CN 202310903882 A CN202310903882 A CN 202310903882A CN 116661501 B CN116661501 B CN 116661501B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- dynamic
- planning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003068 static effect Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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
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)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人机规划与控制技术领域,公开了一种无人机集群高动态环境避障与动平台着降联合规划方法,包括:步骤S1,针对无人机集群所处的高动态环境,采用神经网络特征提取算法区分环境中的静态障碍物和动态障碍物;步骤S2,基于步骤S1得到的静态障碍物和动态障碍物,采用局部避障动态规划算法对无人机集群中每架无人机轨迹终点的速度和位置进行约束,规划每架无人机至移动降落平台的安全轨迹;步骤S3,针对无人机集群中每架无人机分别设计控制器,控制无人机按照步骤S2规划的安全轨迹降落至移动降落平台。该方法能够保证降落过程中的安全性与稳定性,可在复杂环境中自主避开动态障碍物,并控制多架无人机精准降落在移动平台上。
Description
技术领域
本发明属于无人机规划与控制技术领域,尤其涉及一种无人机集群高动态环境避障与动平台着降联合规划方法。
背景技术
多旋翼飞行器在空间狭小、地形复杂等实际应用任务环境能发挥出更大优势。然而由于无人机的载重有限,其携带的传感器以及工作设备较为单一,难以进行多样复杂的任务。同时由于其携带的能源有限,其具有航程、航时短的缺点。无人车是一种在地面行驶的、无驾驶员的机器人平台。无人车上通常会搭载有一组传感器来观测环境,由传感器上得到的信息自主决定其行为或者将信息传递给处于其它位置的驾驶员,由其决策操作。由于无人车平台在陆地行驶,其不受重量限制,可以携带多种作业设备以应对不同环境,同时可携带更多的能源,因此其作业范围和使用时长得以大大提高。但由于其缺少垂直于地面的自由度,其视角和机动性有限,在缺乏全局信息的情况下难以高效的完成设定的任务。
旋翼飞行器与地面无人车各自具有优势和不足,无人机可与无人车构成空地协同系统,形成协同优势,优势互补,既可以解决多旋翼飞行器的载重能力差、航程和航时短的问题,又提高了整个系统的机动性。同时在无人车上搭载多架无人机,构成无人机集群,可以克服单架无人机的局限性,扩大视野与搜索范围,提高执行任务的效率。
无人机、无人车协同系统中最为重要的问题之一便是无人机如何自主降落至无人车。在实际应用场景中,威胁无人机降落安全不仅有环境中的静止障碍物,动态障碍物比如行走的人对无人机威胁更大。现有的无人机移动平台降落方法存在以下问题:未区分环境中的静态障碍物和动态障碍物,降低了无人机的动态避障灵敏度;无人机在降落过程中未考虑避免与动态障碍物发生碰撞。
发明内容
为克服现有技术的不足,本发明旨在提出一种应用于高动态环境下无人机集群移动平台避障降落方法。具体而言,针对在复杂环境降落过程中威胁无人机安全的未知、动态障碍物,本发明采用基于神经网络的目标识别,局部避障动态路径规划以及分布式无人机集群控制使得多架无人机在避开动态障碍物的同时精准降落在移动平台上,保证了降落过程中的安全性与稳定性。本发明所述的无人机集群高动态环境避障与动平台着降联合规划方法可以在复杂环境中自主避开动态障碍物,并控制多架无人机精准的降落在移动平台上。
本发明采用的技术方案是,一种无人机集群高动态环境避障与动平台着降联合规划方法,包括以下步骤:
步骤S1,针对无人机集群所处的高动态环境,采用神经网络特征提取算法区分环境中的静态障碍物和动态障碍物;
步骤S2,基于步骤S1得到的静态障碍物和动态障碍物,采用局部避障动态规划算法对无人机集群中每架无人机轨迹终点的速度和位置进行约束,规划每架无人机至移动降落平台的安全轨迹;
步骤S3,针对无人机集群中每架无人机分别设计控制器,控制无人机按照步骤S2规划的安全轨迹降落至移动降落平台。
进一步,所述步骤S1,采用神经网络特征提取算法区分环境中的动态障碍物包括以下子步骤:
(1)由输入端Mosaic数据增强对多张图像进行处理并组合,之后利用自适应锚框算法对锚框进行自适应调整,然后使用自适应图片缩放算法将不同大小的图像缩放到统一尺寸;
(2)由主干网络的焦点层对图像按给定步长进行切割,将高分辨率的图像拆分成多个低分辨率图像,然后对多个低分辨率图像进行滤波,确保得到的响应图没有特征丢失,之后由跨阶段局部网络对主干网络的特征图进行梯度组合,然后利用空间金字塔池化模块对梯度组合后的特征图进行最大尺度池化,输出固定大小的特征图;
(3)进入颈部网络,使用FPN算法对特征图进行上采样特征提取,得到预测的特征图,利用PAN算法对上采样得到的特征图进行下采样;对上采样和下采样得到的尺度相同的特征图进行融合、拼接;
(4)进入输出端,由广义交比损失函数对预测框的位置进行优化,并采用加权非极大值抑制对标记出动态障碍物的边界框进行加权融合,提高动态障碍物边界框的精度,去除冗余锚框,识别得到动态障碍物。
进一步,所述步骤S2包括以下子步骤:
(1)基于步骤S1识别的静态障碍物,规划每架无人机的全局路径,生成路径点;无人机轨迹终点的位置与移动降落平台的中心位置相同,无人机的最终速度与移动降落平台保持一致;
(2)基于步骤S1识别的动态障碍环境以及每架无人机的全局路径,选取由全局路径规划生成的、与动态障碍物可能发生碰撞的路径点作为局部避障动态规划算法跟踪的目标节点,目标节点的约束条件满足无人机轨迹终点的位置与移动降落平台的中心位置相同,实现每架无人机的局部避障动态路径规划;
(3)根据无人机任务要求设置每架无人机的优先级,优先级高的无人机不改变规划路径,优先级低的无人机在距离碰撞点一个步长的距离时,以碰撞点的相邻点为目标节点重新规划一条局部路径,实现碰撞轨迹段的局部重规划,得到每架无人机至移动降落平台的安全轨迹。
进一步,所述步骤S2的子步骤(1)中,根据当前节点已产生的成本和当前节点到最终目标估计成本来决定最优路径,得到每架无人机的全局路径,代价函数表示为:
其中,是从初始状态到状态n避开静态障碍物的成本,/>是状态n到最终目标状态的估计距离。
进一步,所述步骤S2的子步骤(2)中,局部避障动态规划算法的评价函数为:
其中,v,w分别表示无人机运动速度和角速度;表示无人机和目标之间的朝向,无人机直线移动到目标时,/>最大;/>表示无人机距最近障碍物的距离;/>表示无人机前进速度;/>为权重,/>为归一化参数;/>,/>为动态窗口法基于采样局部避障动态路径预测出的局部末端坐标;/>为全局路径节点坐标。
进一步,所述步骤S3中所述控制器为级联结构,外环是位置控制器,内环是姿态控制器;位置控制器的输入为位置、速度和加速度的反馈误差,输出为期望推力、期望无人机角速度/>和期望无人机角加速度/>;姿态控制器的输入为期望无人机角速度/>、期望无人机角加速度/>和使用微分平坦特性从安全轨迹计算的反馈误差,输出为期望力矩。
本发明与现有技术相比所具有的有益效果:
(1)本发明采用神经网络特征提取算法区分环境中的静态障碍物和动态障碍物,可实现在躲避静态障碍物的同时,避免与自由随机运动的障碍物发生碰撞。
(2)本发明通过局部避障动态规划算法使无人机避开环境中的静态和动态障碍物,并在碰撞轨迹段进行局部重规划可以实现无人机群在安全轨迹内无碰撞飞行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图可以更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,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,可以根据这些附图获得其他的附图。
图1为本发明的一种无人机集群高动态环境避障与动平台着降联合规划方法的流程图;
图2为采用神经网络特征提取算法区分环境中静态障碍物和动态障碍物的流程图;
图3为局部避障动态规划算法流程图;
图4为无人机群局部动态避障的流程图;
图5为单一无人机控制器结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
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他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明提供一种无人机集群高动态环境避障与动平台着降联合规划方法,如图1所示,通过神经网络识别目标、局部避障动态规划和利用多旋翼微分平坦特性设计无人机控制器,具体步骤如下:
第一部分,采用神经网络特征提取算法区分环境中的静态障碍物和动态障碍物,避免在动态的规划路径时两者之间相互干扰,导致无人机动态避障的灵敏度变低。
第二部分,采用局部避障动态规划算法,通过对无人机轨迹终点的速度和位置进行约束,规划出无碰撞的无人机至移动降落平台的安全轨迹。并通过在碰撞轨迹段进行局部重规划避免无人机集群之间发生碰撞。
第三部分,考虑由跟踪误差计算的反馈项以及使用多旋翼的微分平坦度特性从参考轨迹计算的前馈项,设计控制器,控制无人机按照规划出的轨迹平稳地降落至动平台,无人机集群中每架无人机由单独的控制器控制飞行。
为了更清楚的理解本发明的技术方案,举例说明四架无人机在控制器的作用下,沿着依据技术方案设计出的四条安全轨迹,平稳安全地降落至动平台的过程。
第一步,采用神经网络特征提取算法识别环境中的障碍物,包括静态障碍物和动态障碍物,避免在动态的规划路径时两者之间相互干扰,导致无人机动态避障的灵敏度变低,具体流程如图2。对于多无人机路径规划最为重要的是无人机之间的相互通信,通过无线传输网络通信,可对无人机集群共享的周围环境地图进行信息融合。
具体的,采用神经网络特征提取算法识别环境中的动态障碍物,包括以下步骤:
(1)由输入端的Mosaic数据增强对无人机搭载的相机拍摄的多张图像进行处理并组合,以此来增加神经网络输入的图像的数量并丰富样本的种类。之后利用自适应锚框算法对锚框进行自适应调整,然后使用自适应图像缩放算法在保证图像分辨率的前提下将不同大小的图像缩放到统一尺寸,以增强检测效果,这样既保证了算法的准确性又可以提高算法的处理速度;
(2)由主干(Backbone)网络的焦点(Focus)层先对输入端数据增强后的图像按一定步长进行切割,并将切割下来的像素组成新图像,对于切割剩余的图像再次按照一定步长切割重组,最终把高分辨率的图像拆分成多个低分辨率图像,然后对多个低分辨率图像进行滤波,确保得到的响应图没有特征丢失。之后由跨阶段局部(Cross Stage Partial,CSP)网络对主干网络的特征图在通道维度上分为两个部分,第一部分是由特征提取模块层层向后传递,第二部分再经过跨层次结构处理后与特征提取模块融合,以此实现更多的梯度组合,可以降低训练过程中的计算量,然后利用空间金字塔池化(Spatial PyramidPooling,SPP)模块对梯度组合后的特征图进行最大尺度池化,输出固定大小的特征图;
(3)进入颈部(Neck)网络,对主干网络提取的特征图在维度上进行压缩。使用FPN(Feature Pyramid Network)算法对主干网络提取的特征图进行上采样特征提取,得到预测的特征图,利用PAN(Path Aggregation Network)算法对上采样得到的特征图进行下采样,将底层的强定位特征传递上去。然后对FPN和PAN中尺度相同的特征图进行融合,最后进行拼接,确保特征图的分辨率不会降低。
(4)最后进入输出端,将主干网络提取的特征图经过颈部网络的压缩与融合后,对特征进行分类并得到动态障碍物的预测框。由广义交并比损失函数(GeneralizedIntersection over Union Loss,GIOU_Loss)对预测框的位置进行优化,并采用加权非极大值抑制对标记出动态障碍物的真实边界框进行加权融合,提高动态障碍物边界框的精度,去除冗余锚框,最终使得训练得到的神经网络对动态障碍物的预测框与真实的边界框基本重合,从而达到识别动态障碍物的目的。
第二步,规划无人机集群的全局路径,此时仅考虑第一步中识别的静态障碍物,可以规划出四条轨迹。根据当前节点已产生的成本和当前节点到最终目标估计成本来决定最优路径,其代价函数表示为:
其中g(n)是从初始状态到状态n避开静态障碍物的成本,h(n)是状态n到最终目标状态的估计距离。h(n)的计算得到值小于等于从当前结点到最终点的实际代价值时,得到全局最优解,在算法的实际使用过程中,可以通过调节h(n)的大小控制规划算法的速度和精准度。
由于无人机降落平台为动平台,为确保无人机平稳的降落到平台上面,图3中提到的目标节点应满足以下位置和速度的约束条件:
其中,是轨迹终点位置,/>分别为轨迹终点在x方向、y方向和z方向的坐标,/>是降落平台中心的位置,分别为降落平台中心在x方向、y方向和z方向的坐标。
其中,是轨迹终点速度,/>分别为轨迹终点在x方向、y方向和z方向的速度,/>分别表示降落平台在x和y方向的速度。
第三步,依据第一步分辨出的动态障碍物以及第二步得到的全局路径进行局部避障动态规划。根据无人机运动学关系,将无人机的位置控制转换成速度控制,并根据速度窗口来预测下一刻的可能的位置,局部避障动态规划算法的评价函数为:
其中,分别表示无人机运动速度和角速度;/>用于测量无人机和目标之间的朝向,无人机直线移动到目标时,该/>最大;/>表示无人机距最近障碍物的距离;/>表示无人机前进速度;/>为权重,/>为三个评价函数的归一化参数。
选取第二步全局规划算法生成的与动态障碍物可能发生碰撞的部分路径点作为局部避障动态规划算法跟踪的目标节点,扩展原始动态窗口法的评价函数:
其中,为动态窗口法基于采样第二步得到的轨迹预测出的局部末端坐标;为全局路径节点坐标;/>为权重。
基于融合方法的无人机动态避障流程图如图3所示。首先创建两个数组空间,开放的数组空间和闭合的数组空间,闭合的数组空间存储已访问过的节点,开放的数组空间存储已生成而未访问过的节点,最终找到从起点到终点的所有代价最小节点,生成最优路径。然后根据无人机的运动模型和全局路径信息选取出局部最优的无人机轨迹,发布速度指令,控制无人机向终点运动。第二步中全局规划算法添加了轨迹终点的约束条件,在局部避障动态规划算法中也要同样添加轨迹终点的位置约束条件,确保轨迹目标点为动平台的中心位置。
第四步,通过局部重规划实现四架无人机避障。本发明采用分布式无人机集群控制系统控制四架无人机,每一个无人机都可通过前三步独立动态规划最优路径,但是为了避免4架无人机在时空上重叠发生碰撞,可以根据无人机任务要求设置优先级,优先级高的无人机不改变规划路径,优先级低的无人机在距离碰撞点一个步长的距离时,优先级低的无人机以碰撞点的相邻点为目标节点重新规划一条局部路径。具体流程如图4所示,首先生成避开静态障碍物的全局轨迹,然后规划避开动态障碍物的局部轨迹,之后根据无人机的优先级来执行避免碰撞的策略以保证无人机集群的飞行安全。到第四步可以得到四条安全轨迹,实现四架无人机无碰撞的安全飞行。
第五步,通过设计的控制器确保每个无人机能沿前四步设计出的安全轨迹安全平稳地降落至动平台。控制器结构由从跟踪误差计算的反馈项以及使用多旋翼无人机的微分平坦特性从参考轨迹计算的前馈项组成,前馈项由前四步得到的安全轨迹的位置、速度和加速度组成,反馈项由无人机当前的位置、速度与参考轨迹的位置和速度计算得到。控制器结构见图5,分为内环的姿态控制器和外环的位置控制器。其中位置控制器设计首先需要计算多旋翼机身的期望加速度:
其中是位置和速度误差控制项的反馈误差,/>分别是位置和速度误差控制项系数,/>分别为安全轨迹的参考位置、速度和加速度,/>为重力加速度方向矢量,/>为无人机当前位置,/>为无人机运动速度,/>为由电机转动阻力引起的加速度,g为重力加速度,/>为无人机旋翼转速阻力控制项系数。
姿态控制器的输入端所需的期望无人机角速度与期望无人机角加速度/>为:
其中为姿态控制器的输出反馈项,/>为安全轨迹的角速度项,/>为安全轨迹的角加速度项。
由位置控制器得到的期望推力u 1计算如下:
其中是无人机与降落平台之间的位置误差和速度误差,/>是正定增益矩阵,x,y,z是无人机当前位置的坐标值,m是无人机的质量,g为重力加速度。
期望的滚转、俯仰和偏航力矩计算如下:
其中为实际和期望方向的误差,K w为对角增益矩阵。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种无人机集群高动态环境避障与动平台着降联合规划方法,其特征在于,包括以下步骤:
步骤S1,针对无人机集群所处的高动态环境,采用神经网络特征提取算法区分环境中的静态障碍物和动态障碍物;
步骤S2,基于步骤S1得到的静态障碍物和动态障碍物,采用局部避障动态规划算法对无人机集群中每架无人机轨迹终点的速度和位置进行约束,规划每架无人机至移动降落平台的安全轨迹;
步骤S3,针对无人机集群中每架无人机分别设计控制器,控制无人机按照步骤S2规划的安全轨迹降落至移动降落平台;
所述步骤S2包括以下子步骤:
(1)基于步骤S1识别的静态障碍物,规划每架无人机的全局路径,生成路径点;无人机轨迹终点的位置与移动降落平台的中心位置相同,无人机的最终速度与移动降落平台保持一致;
(2)基于步骤S1识别的动态障碍环境以及每架无人机的全局路径,选取由全局路径规划生成的、与动态障碍物可能发生碰撞的路径点作为局部避障动态规划算法跟踪的目标节点,目标节点的约束条件满足无人机轨迹终点的位置与移动降落平台的中心位置相同,实现每架无人机的局部避障动态路径规划;
目标节点满足以下位置和速度的约束条件:
其中,是轨迹终点位置,/>分别为轨迹终点在x方向、y方向和z方向的坐标,/>是降落平台中心的位置,/>分别为降落平台中心在x方向、y方向和z方向的坐标;
其中,是轨迹终点速度,/>分别为轨迹终点在x方向、y方向和z方向的速度,/>分别表示降落平台在x和y方向的速度;(3)根据无人机任务要求设置每架无人机的优先级,优先级高的无人机不改变规划路径,优先级低的无人机在距离碰撞点一个步长的距离时,以碰撞点的相邻点为目标节点重新规划一条局部路径,实现碰撞轨迹段的局部重规划,得到每架无人机至移动降落平台的安全轨迹;
所述S3中所述控制器为级联结构,外环是位置控制器,内环是姿态控制器;位置控制器的输入为位置、速度和加速度的反馈误差,输出为期望推力、期望无人机角速度/>和期望无人机角加速度/>;姿态控制器的输入为期望无人机角速度/>、期望无人机角加速度/>和使用微分平坦特性从安全轨迹计算的反馈误差,输出为期望力矩;
其中位置控制器设计首先计算多旋翼机身的期望加速度:
其中是位置和速度误差控制项的反馈误差,/>分别是位置和速度误差控制项系数,/>分别为安全轨迹的参考位置、速度和加速度,/>为重力加速度方向矢量,/>为无人机当前位置,/>为无人机运动速度,/>为由电机转动阻力引起的加速度,g为重力加速度,/>为无人机旋翼转速阻力控制项系数;
姿态控制器的输入端所需的期望无人机角速度与期望无人机角加速度/>为;
其中为姿态控制器的输出反馈项,/>为安全轨迹的角速度项,/>为安全轨迹的角加速度项;
由位置控制器得到的期望推力u 1计算如下:
其中是无人机与降落平台之间的位置误差和速度误差,/>是正定增益矩阵,x,y,z是无人机当前位置的坐标值,m是无人机的质量,g为重力加速度;
期望的滚转、俯仰和偏航力矩计算如下:
其中为实际和期望方向的误差,K w为对角增益矩阵。
2.根据权利要求1所述的无人机集群高动态环境避障与动平台着降联合规划方法,其特征在于,所述步骤S1,采用神经网络特征提取算法区分环境中的动态障碍物包括以下子步骤:
(1)由输入端Mosaic数据增强对多张图像进行处理并组合,之后利用自适应锚框算法对锚框进行自适应调整,然后使用自适应图片缩放算法将不同大小的图像缩放到统一尺寸;
(2)由主干网络的焦点层对图像按给定步长进行切割,将高分辨率的图像拆分成多个低分辨率图像,然后对多个低分辨率图像进行滤波,确保得到的响应图没有特征丢失,之后由跨阶段局部网络对主干网络的特征图进行梯度组合,然后利用空间金字塔池化模块对梯度组合后的特征图进行最大尺度池化,输出固定大小的特征图;
(3)进入颈部网络,使用FPN算法对特征图进行上采样特征提取,得到预测的特征图,利用PAN算法对上采样得到的特征图进行下采样;对上采样和下采样得到的尺度相同的特征图进行融合、拼接;
(4)进入输出端,由广义交比损失函数对预测框的位置进行优化,并采用加权非极大值抑制对标记出动态障碍物的边界框进行加权融合,提高动态障碍物边界框的精度,去除冗余锚框,识别得到动态障碍物。
3.根据权利要求2所述的无人机集群高动态环境避障与动平台着降联合规划方法,其特征在于,所述步骤S2的子步骤(1)中,根据当前节点已产生的成本和当前节点到最终目标估计成本来决定最优路径,得到每架无人机的全局路径,代价函数表示为:
其中,是从初始状态到状态n避开静态障碍物的成本,/>是状态n到最终目标状态的估计距离。
4.根据权利要求3所述的无人机集群高动态环境避障与动平台着降联合规划方法,其特征在于,所述步骤S2的子步骤(2)中,局部避障动态规划算法的评价函数为:
其中,v,w分别表示无人机运动速度和角速度;表示无人机和目标之间的朝向,无人机直线移动到目标时,/>最大;/>表示无人机距最近障碍物的距离;/>表示无人机前进速度;/>为权重,/>为归一化参数;/>,/>为动态窗口法基于采样局部避障动态路径预测出的局部末端坐标;/>为全局路径节点坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903882.1A CN116661501B (zh) | 2023-07-24 | 2023-07-24 | 无人机集群高动态环境避障与动平台着降联合规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903882.1A CN116661501B (zh) | 2023-07-24 | 2023-07-24 | 无人机集群高动态环境避障与动平台着降联合规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116661501A CN116661501A (zh) | 2023-08-29 |
CN116661501B true CN116661501B (zh) | 2023-10-10 |
Family
ID=87715531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310903882.1A Active CN116661501B (zh) | 2023-07-24 | 2023-07-24 | 无人机集群高动态环境避障与动平台着降联合规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116661501B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117685994B (zh) * | 2024-02-04 | 2024-05-17 | 北京航空航天大学 | 一种空地协同的无人车路径规划方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN106845716A (zh) * | 2017-01-25 | 2017-06-13 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
CN110162086A (zh) * | 2019-03-21 | 2019-08-23 | 中山大学 | 一种基于模型预测控制框架的集群无人机编队方法 |
CN110208816A (zh) * | 2019-06-04 | 2019-09-06 | 浙江海洋大学 | 用于海上无人艇的自动障碍物识别系统及识别方法 |
CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人系统智能局部路径规划方法 |
CN110632931A (zh) * | 2019-10-09 | 2019-12-31 | 哈尔滨工程大学 | 动态环境下基于深度强化学习的移动机器人避碰规划方法 |
DE102020112415A1 (de) * | 2019-05-08 | 2020-11-12 | Ford Global Technologies, Llc | Zonenbasierte landesysteme und -verfahren für unbemannte luftfahrzeuge |
CN112378397A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机跟踪目标的方法、装置及无人机 |
CN113448345A (zh) * | 2020-03-27 | 2021-09-28 | 北京三快在线科技有限公司 | 一种无人机降落方法及装置 |
CN114003059A (zh) * | 2021-11-01 | 2022-02-01 | 河海大学常州校区 | 运动学约束条件下基于深度强化学习的uav路径规划方法 |
CN114347905A (zh) * | 2021-12-16 | 2022-04-15 | 深圳市智威视讯科技有限公司 | 一种车载辅助驾驶全景图像系统 |
WO2023102911A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳市大疆创新科技有限公司 | 数据采集方法、数据展示方法、数据处理方法、飞行器的降落方法、数据展示系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488483B2 (en) * | 2016-06-10 | 2022-11-01 | Metal Raptor, Llc | Passenger drone collision avoidance via air traffic control over wireless network |
-
2023
- 2023-07-24 CN CN202310903882.1A patent/CN116661501B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN106845716A (zh) * | 2017-01-25 | 2017-06-13 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
CN110162086A (zh) * | 2019-03-21 | 2019-08-23 | 中山大学 | 一种基于模型预测控制框架的集群无人机编队方法 |
DE102020112415A1 (de) * | 2019-05-08 | 2020-11-12 | Ford Global Technologies, Llc | Zonenbasierte landesysteme und -verfahren für unbemannte luftfahrzeuge |
CN110208816A (zh) * | 2019-06-04 | 2019-09-06 | 浙江海洋大学 | 用于海上无人艇的自动障碍物识别系统及识别方法 |
CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人系统智能局部路径规划方法 |
CN110632931A (zh) * | 2019-10-09 | 2019-12-31 | 哈尔滨工程大学 | 动态环境下基于深度强化学习的移动机器人避碰规划方法 |
CN113448345A (zh) * | 2020-03-27 | 2021-09-28 | 北京三快在线科技有限公司 | 一种无人机降落方法及装置 |
CN112378397A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机跟踪目标的方法、装置及无人机 |
CN114003059A (zh) * | 2021-11-01 | 2022-02-01 | 河海大学常州校区 | 运动学约束条件下基于深度强化学习的uav路径规划方法 |
WO2023102911A1 (zh) * | 2021-12-10 | 2023-06-15 | 深圳市大疆创新科技有限公司 | 数据采集方法、数据展示方法、数据处理方法、飞行器的降落方法、数据展示系统及存储介质 |
CN114347905A (zh) * | 2021-12-16 | 2022-04-15 | 深圳市智威视讯科技有限公司 | 一种车载辅助驾驶全景图像系统 |
Non-Patent Citations (5)
Title |
---|
基于层次分析法和改进A*算法的电力应急机器人路径规划;路永鑫 等;电力系统保护与控制;第49卷(第9期);第82-89页 * |
基于改进DWA算法的无人车避障研究;王瑞民 等;机械设计与制造工程;全文 * |
基于改进动态窗口算法的船舶局部路径规划;胡梦杰 等;武汉理工大学学报(交通科学与工程版;全文 * |
强干扰下空中动态目标的识别与跟踪;罗惠中;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第02期);第C032-38页 * |
滕景佳 等.融合改进A*算法与动态窗口法的机器人路径规划.机械科学与技术.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116661501A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11283986B2 (en) | Systems and methods for multi-target tracking and autofocusing based on deep machine learning and laser radar | |
US10996683B2 (en) | Aerial vehicle touchdown detection | |
US11526998B2 (en) | Methods and system for infrared tracking | |
JP6735821B2 (ja) | Uav経路を計画し制御するシステム及び方法 | |
US9625907B2 (en) | Velocity control for an unmanned aerial vehicle | |
CN116661501B (zh) | 无人机集群高动态环境避障与动平台着降联合规划方法 | |
EP3519906B1 (en) | Systems and methods for height control of a movable object | |
EP2010981A2 (en) | Method and system for autonomous tracking of a mobile target by an unmanned aerial vehicle | |
CN113848984B (zh) | 一种无人机集群控制方法及系统 | |
US11865978B2 (en) | Object tracking system including stereo camera assembly and methods of use | |
CN111880574B (zh) | 一种无人机避撞方法及系统 | |
CN112789672A (zh) | 控制和导航系统、姿态优化、映射和定位技术 | |
Frew et al. | Obstacle avoidance with sensor uncertainty for small unmanned aircraft | |
US20190066522A1 (en) | Controlling Landings of an Aerial Robotic Vehicle Using Three-Dimensional Terrain Maps Generated Using Visual-Inertial Odometry | |
Mills et al. | Vision based control for fixed wing UAVs inspecting locally linear infrastructure using skid-to-turn maneuvers | |
Nogar | Autonomous landing of a uav on a moving ground vehicle in a gps denied environment | |
Liu et al. | An autonomous quadrotor avoiding a helicopter in low-altitude flights | |
CN116627154A (zh) | 基于位姿预测和轨迹优化的无人机引导降落方法及无人机 | |
CN116385909A (zh) | 一种基于深度强化学习的无人机目标跟踪方法 | |
CN114721423B (zh) | 考虑避碰约束的多无人机协同到达预置目标的分配方法 | |
CN116382334A (zh) | 一种针对多无人机协同航迹规划的融合优化方法 | |
Camara et al. | Design and performance assessment of hazard avoidance techniques for vision based landing | |
Park et al. | Hazard Avoidance Landing of Loaded Parafoil using Deep Reinforcement Learning | |
Bouzerzour et al. | Robust Vision-Based Sliding Mode Control for Uncooperative Ground Target Searching and Tracking by Quadrotor | |
Li et al. | Research on the Control Method of Unmanned Helicopter Under the Background of Artificial Intelligence |
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 |