CN117075603A - 基于势能场的智能无人机移动引导方法 - Google Patents
基于势能场的智能无人机移动引导方法 Download PDFInfo
- Publication number
- CN117075603A CN117075603A CN202310976557.8A CN202310976557A CN117075603A CN 117075603 A CN117075603 A CN 117075603A CN 202310976557 A CN202310976557 A CN 202310976557A CN 117075603 A CN117075603 A CN 117075603A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- obstacle
- potential energy
- data
- 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 title claims abstract description 46
- 238000005381 potential energy Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 36
- 230000004888 barrier function Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013459 approach Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 10
- 230000005484 gravity Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000002194 synthesizing effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003786 synthesis reaction 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
-
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种基于势能场的智能无人机移动引导方法，涉及无人机领域，本申请包括设置，障碍物中心点在像素坐标系下的位置，设置，无人机与障碍物间的斥力势，计算、分析无人机避障速度场，分解速度场为xoy面上的速度指令发送到无人机引导移动。本申请具有高抗干扰能力，能够应对突发障碍物状况，合理规避，实时引导。本申请避免了未预期的目标移动点环境变化带来的影响，减少理论与实际作业过程中的差异，本申请更利于工程上实现。
Description
本案基于母案：
申请号：2023106612814；
申请日：20230606
母案名称：基于势能场的智能无人机移动引导方法、系统和介质
技术领域
本申请涉及无人机领域，具体涉及一种基于势能场的智能无人机移动引导方法、系统和介质。
背景技术
在障碍物规避过程中，由于只有无人机能主动躲避障碍物，而障碍物不能主动躲避无人机。所以在规避障碍物的情况下只能单方面调整无人机的轨迹和姿态以避免碰撞。
而障碍物的性质和位置直接影响无人机运动路径，而障碍物包括运动型障碍物，现有寻找路径和目标点的方法，通常采用图像识别，寻找安全区降落，然后规划路径；该方法，是在探测视野内的路径规划，而当无人机到达安全区的过程中，探测视野内的未知环境发送变化，原有规划的路径有多不安全因素产生。现有方法无法预测、预判未知环境变化。
因此亟需一种能够适应环境变化的无人机移动引导方法。
发明内容
本申请提供一种基于势能场的智能无人机移动引导方法、系统和介质，解决用户规划产品的需求问题。
第一方面，本申请提供一种基于势能场的智能无人机移动引导方法，包括：
获取神经网络算法检测出的带候选框的障碍物数据，障碍物数据包括障碍物高度数据和障碍物二维平面数据；
分析每个候选框对无人机中心点的推力，所述推力为自候选框指向无人机中心点的向量；
计算所有推力的合力；
无人机依据合力引导移动。
进一步的，根据障碍物高度数据分析以无人机中心点邻域区域的障碍物高度数据，基于无人机实时姿态、实时高度比对所述障碍物高度数据；、
计算实时的无人机升降数据；
输出并执行实时的无人机升降调度命令。
进一步的，根据障碍物二维平面数据计算每个候选框的中心到无人机中心点的距离，计算以无人机步长与所述距离比值作为所述候选框到无人机中心点向量的模；
合成采集图像数据中所有候选框到无人机中心点向量；
输出并执行合成向量的移动引导命令；
无人机执行移动引导命令，向合成向量方向移动无人机步长倍数大小的距离。
进一步的，所述分析每个候选框对无人机中心点的推力，所述推力为自候选框指向无人机中心点的向量，包括：
对候选框合成后分析，每个合成后的候选框对无人机中心点的推力；
具体为：
对相交的候选框进行等力学合并，对不相交的候选框距离比对无人机步长数据后力学合并，迭代比对、力学合并过程直至循环到所有相邻候选框间距离大于或等于无人机步长数据；
所述无人机步长数据为预设的无人机步长数据；
所述力学合并为以两两候选框重心为向量起点的向量合并；
输出迭代后的包括候选框的推力数据。
进一步的，对不相交的候选框间，所述候选框间距离比对无人机步长数据，包括所述候选框的重心间的距离与无人机步长数据对比，当所述候选框的重心间的距离大于或等于所述无人机步长数据，继续选择其他候选框进行比对，当所述候选框的重心间的距离小于所述无人机步长数据，两个候选框合并为一个新的候选框，所述新的候选框包括两个候选框框定的障碍物，选定所述新的候选框的中心与未合并已比对的候选框中心的距离比对所述无人机步长数据，迭代比对、合并、比对过程，直至所有不相交的相邻候选框完成合并。
第二方面，本申请提供一种基于势能场的智能无人机移动引导系统，包括：
获取模块，用于获取神经网络算法检测出的带候选框的障碍物数据，障碍物数据包括障碍物高度数据和障碍物二维平面数据；
分析模块，用于分析每个候选框对无人机中心点的推力，所述推力为自候选框指向无人机中心点的向量；
计算模块，用于计算所有推力的合力；
驱动模块，用于无人机依据合力引导移动。
进一步的，所述分析模块包括高度分析模块；
所述高度分析模块用于根据障碍物高度数据分析以无人机中心点邻域区域的障碍物高度数据，基于无人机实时姿态、实时高度比对所述障碍物高度数据；
所述计算模块，具体用于计算实时的无人机升降数据；
所述驱动模块，具体用于输出并执行实时的无人机升降调度命令。
进一步的，所述分析模块，具体用于根据障碍物二维平面数据计算每个候选框的中心到无人机中心点的距离，计算以无人机步长与所述距离比值作为所述候选框到无人机中心点向量的模；合成采集图像数据中所有候选框到无人机中心点向量；
所述计算模块，具体用于合成采集图像数据中所有候选框到无人机中心点向量，输出并执行合成向量的移动引导命令；
所述驱动模块，具体用于无人机执行移动引导命令，向合成向量方向移动无人机步长倍数大小的距离。
进一步的，所述分析模块，还用于对候选框合成后分析，每个合成后的候选框对无人机中心点的推力；
具体为：
对相交的候选框进行等力学合并，对不相交的候选框距离比对无人机步长数据后力学合并，迭代比对、力学合并过程直至循环到所有相邻候选框间距离大于或等于无人机步长数据；
所述无人机步长数据为预设的无人机步长数据；
所述力学合并为以两两候选框重心为向量起点的向量合并；
输出迭代后的包括候选框的推力数据。
第三方面，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命令，所述计算机执行命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。
本申请提供的基于力学引导的合力驱动无人机的技术方案，能够实时引导无人机移动，并将无人机自然指向空旷地区；
本申请通过候选框的合并迭代，以及无人机移动过程中，反复微调，进行降落点逆向选择，保证安全的降落点；
本申请的技术方案不受引导目标限制，即在无引导复杂环境下实现；
本申请避免了未预期的目标移动点环境变化带来的影响，减少理论与实际作业过程中的差异，本申请更利于工程上实现。
本申请提供的一种基于势能场的智能无人机移动引导系统，具有高抗干扰能力，能够应对突发障碍物状况，合理规避，实时引导。
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基于势能场的智能无人机移动引导方法流程图。
图2为本申请一示例性实施例提供的一种基于势能场的智能无人机移动引导系统架构示意图。
图3为本申请一示例性实施例提供的一种基于势能场的智能无人机移动引导推力合力示意图。
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。
无人机安全降落的实际工况，通常是，分析可降落安全点，规划路径，执行；
该现有技术抗干扰能力差，为在预期路径规划环境恒定情况下，开展的无人机降落引导。
面临突发状况，无人机执行原路线，不智能，容易产生坠机危险，或还需其他方式才能引导降落，技术难度高，兼容性差，对无人机分析、计算资源要求高。
本申请考量引入力学约束的概念，本申请考虑两种策略，一种为候选框合并策略，一种为外力策略，其中，候选框合并策略服务于外力策略，用于先对候选框处理，减少外力策略计算合力的计算量；
其中，本申请中提及的神经网络算法，可采用多种能够实现本申请中效果的神经网络算法识别模型，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。
其中，对于外力策略，外力策略采用力学约束，根据候选框与图像中心点的距离动态调整候选框对飞行器的推力，经过所有候选框分力合成，合力方向即为无人机目标移动方向。
无人机目标移动距离计算根据移动引导方向向量及当前无人机高度动态调整。高度调整通过高度传感器采集数据和分析模块实现；
本申请具体的应用场景是无引导、无固定目标终点、复杂环境下的无人机移动引导方法。
本申请提供的一种基于势能场的智能无人机移动引导方法、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基于势能场的智能无人机移动引导方法流程图，如图1所示，包括：
步骤A，获取神经网络算法检测出的带候选框的障碍物数据，障碍物数据包括障碍物高度数据和障碍物二维平面数据；
步骤B，分析每个候选框对无人机中心点的推力，该推力为自候选框指向无人机中心点的向量；
步骤C，计算所有推力的合力；
步骤D，无人机依据合力引导移动。
上述技术方案，从两个层面展开，第一层面，竖直方向维度，包括障碍物高度数据、无人机的飞行高度数据和无人机姿态，从高度轴展开本申请的技术方案：
根据障碍物高度数据分析以无人机中心点邻域区域的障碍物高度数据，基于无人机实时姿态、实时高度比对该障碍物高度数据，计算实时的无人机升降数据，输出并执行实时的无人机升降调度命令。
第二层面，水平面的二维平面上，包括障碍物二维平面数据和无人机投影数据，从二维平面展开本申请的技术方案：
以无人机采集图像中心，即无人机位置位中心，构建地理坐标系，在该地理坐标系下无人机引导移动目标点计算公式如下：
其中dgmove为无人机移动步长，单位:米(m)。
无人机接受障碍物推力合力计算如下：
其中，为对候选框进行处理之后的候选框数量。
单个候选框的推力计算如下：
其中，表示计算中间向量；
||O-Pi||2表示范数的平方，等于模的平方，此处为本申请专门设计的系数设计，可以让推力计算更合理；
O为无人机采集二维平面的图像中心点；
Pi为候选框中心点在像平面上的位置；
dp为dgmove在像平面投影长度；
像平面指的是成像平面，即无人机下视相机采集二维平面的数据。
详细陈述如下：
根据障碍物二维平面数据计算每个候选框的中心到无人机中心点的距离，计算以无人机步长与该距离比值作为该候选框到无人机中心点向量的模，合成采集图像数据中所有候选框到无人机中心点向量，输出并执行合成向量的移动引导命令，无人机执行移动引导命令，向合成向量方向移动无人机步长倍数大小的距离。
图3为本申请一示例性实施例提供的一种基于势能场的智能无人机移动引导推力合力示意图，如图3所示，图中，包括四个涉及无人机相关的候选框，每个候选框对无人机产生推力为f1,f2,f3,f4，而计算该f1,f2,f3,f4合力方向为从图中可以看出，合力方向天然指向空旷区域。
详细地：对候选框合成后分析，每个合成后的候选框对无人机中心点的推力，具体为：对相交的候选框进行等力学合并，对不相交的候选框距离比对无人机步长数据后力学合并，迭代比对、力学合并过程直至循环到所有相邻候选框间距离大于或等于无人机步长数据，该无人机步长数据为预设的无人机步长数据，该力学合并为以两两候选框重心为向量起点的向量合并，输出迭代后的包括候选框的推力数据。
本申请提供一种可能的实现方式，用于在于地面安全降落点选择而非空中避障，在步骤B中，具体包括技术方案如下：
设置，障碍物中心点在像素坐标系下的位置为：
ρo＝(xo,yo)T
设置，无人机与障碍物间的斥力势为：
其中，||ρio||min为无人机与障碍物之间的最小安全距离，并由三角原理投影为像素距离；
V0表示障碍物相对于无人机的运动速度，当障碍物向无人机靠近时V0>0，否则V0≤0。
在本申请技术方案分析时刻，无人机相对障碍物近似静止，k(V0)＝0，k(V0)表示运动障碍物对降落点的势能影响。
其中，
计算、分析无人机避障速度场：
得到期望速度矢量其中，bo,co为常数，分别决定斥力势的幅值和变化速度。e为自然常数。
其中Vi为无人机速度大小，并将分解为xoy面上的速度指令发送到无人机引导移动。
本申请提供一种可能的实现方式，对不相交的候选框间，该候选框间距离比对无人机步长数据，包括该候选框的重心间的距离与无人机步长数据对比，当该候选框的重心间的距离大于或等于该无人机步长数据，继续选择其他候选框进行比对，当该候选框的重心间的距离小于该无人机步长数据，两个候选框合并为一个新的候选框，该新的候选框包括两个候选框框定的障碍物，选定该新的候选框的中心与未合并已比对的候选框中心的距离比对该无人机步长数据，迭代比对、合并、比对过程，直至所有不相交的相邻候选框完成合并。
本申请提供的基于力学引导的合力驱动无人机的技术方案，能够实时引导无人机移动，并将无人机自然指向空旷地区；
本申请通过候选框的合并迭代，以及无人机移动过程中，反复微调，进行降落点逆向选择，保证安全的降落点；
本申请的技术方案不受引导目标限制，即在无引导复杂环境下实现；
本申请避免了未预期的目标移动点环境变化带来的影响，减少理论与实际作业过程中的差异，本申请更利于工程上实现。
本申请提供一种基于势能场的智能无人机移动引导系统，图2为本申请一示例性实施例提供的一种基于势能场的智能无人机移动引导系统架构示意图，如图2所示，包括：
获取模块，用于获取神经网络算法检测出的带候选框的障碍物数据，障碍物数据包括障碍物高度数据和障碍物二维平面数据；
分析模块，用于分析每个候选框对无人机中心点的推力，该推力为自候选框指向无人机中心点的向量；包括高度分析模块；该高度分析模块用于根据障碍物高度数据分析以无人机中心点邻域区域的障碍物高度数据，基于无人机实时姿态、实时高度比对该障碍物高度数据；
还具体用于根据障碍物二维平面数据计算每个候选框的中心到无人机中心点的距离，计算以无人机步长与该距离比值作为该候选框到无人机中心点向量的模；合成采集图像数据中所有候选框到无人机中心点向量。还用于对候选框合成后分析，每个合成后的候选框对无人机中心点的推力，具体为：对相交的候选框进行等力学合并，对不相交的候选框距离比对无人机步长数据后力学合并，迭代比对、力学合并过程直至循环到所有相邻候选框间距离大于或等于无人机步长数据；该无人机步长数据为预设的无人机步长数据；该力学合并为以两两候选框重心为向量起点的向量合并；输出迭代后的包括候选框的推力数据。
计算模块，用于计算所有推力的合力；具体用于计算实时的无人机升降数据；
还包括具体用于计算如下：
设置，障碍物中心点在像素坐标系下的位置为：
ρo＝(xo,yo)T
设置，无人机与障碍物间的斥力势为：
其中，||ρio||min为无人机与障碍物之间的最小安全距离，并由三角原理投影为像素距离；
V0表示障碍物相对于无人机的运动速度，当障碍物向无人机靠近时V0>0，否则V0≤0。
在本申请技术方案分析时刻，无人机相对障碍物近似静止，k(V0)＝0，k(V0)表示运动障碍物对降落点的势能影响。
其中，
计算、分析无人机避障速度场：
得到期望速度矢量
其中Vi为无人机速度大小，
并将分解为xoy面上的速度指令。
该分析模块，该计算模块，具体用于合成采集图像数据中所有候选框到无人机中心点向量，输出并执行合成向量的移动引导命令；
驱动模块，用于无人机依据合力引导移动，具体用于输出并执行实时的无人机升降调度命令，具体用于无人机执行移动引导命令，向合成向量方向移动无人机步长倍数大小的距离。
该驱动模块还用于执行分解得到的xoy面上的速度指令。
本申请提供的一种基于势能场的智能无人机移动引导系统，具有高抗干扰能力，能够应对突发障碍物状况，合理规避，实时引导。
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，Random AccessMemory）、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命令，程序命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 (3)
1.一种基于势能场的智能无人机移动引导方法，其特征在于，包括如下步骤：
设置，障碍物中心点在像素坐标系下的位置为：
设置，无人机与障碍物间的斥力势为：
其中，为无人机与障碍物之间的最小安全距离；
表示障碍物相对于无人机的运动速度，当障碍物向无人机靠近时/>，否则；
表示运动障碍物对降落点的势能影响；
其中， ,
计算、分析无人机避障速度场：
得到期望速度矢量，其中，/>为常数，分别决定斥力势的幅值和变化速度；e为自然常数，/>为无人机速度大小；
并将分解为xoy面上的速度指令发送到无人机引导移动。
2.根据权利要求1所述的一种基于势能场的智能无人机移动引导方法，其特征在于，包括：在分析时刻，无人机相对障碍物近似静止，。
3.根据权利要求1所述的一种基于势能场的智能无人机移动引导方法，其特征在于，为无人机与障碍物之间的最小安全距离，具体地：/>由三角原理投影为像素距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310976557.8A CN117075603A (zh) | 2023-06-06 | 2023-06-06 | 基于势能场的智能无人机移动引导方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310661281.4A CN116400739B (zh) | 2023-06-06 | 2023-06-06 | 基于外力策略的智能无人机移动引导方法、系统和介质 |
| CN202310976557.8A CN117075603A (zh) | 2023-06-06 | 2023-06-06 | 基于势能场的智能无人机移动引导方法 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310661281.4A Division CN116400739B (zh) | 2023-06-06 | 2023-06-06 | 基于外力策略的智能无人机移动引导方法、系统和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117075603A true CN117075603A (zh) | 2023-11-17 |
Family
ID=87020191
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310976557.8A Pending CN117075603A (zh) | 2023-06-06 | 2023-06-06 | 基于势能场的智能无人机移动引导方法 |
| CN202310661281.4A Active CN116400739B (zh) | 2023-06-06 | 2023-06-06 | 基于外力策略的智能无人机移动引导方法、系统和介质 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310661281.4A Active CN116400739B (zh) | 2023-06-06 | 2023-06-06 | 基于外力策略的智能无人机移动引导方法、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117075603A (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5539596B2 (ja) * | 2011-09-29 | 2014-07-02 | パナソニック株式会社 | 自律移動装置、自律移動方法、及び、自律移動装置用のプログラム |
| US10364026B1 (en) * | 2015-09-21 | 2019-07-30 | Amazon Technologies, Inc. | Track and tether vehicle position estimation |
| CN105120240B (zh) * | 2015-09-22 | 2018-08-28 | 成都时代星光科技有限公司 | 高倍变焦无人机空中高清多维实时侦查传输监控装置 |
| US10464427B2 (en) * | 2016-08-29 | 2019-11-05 | Universal City Studios Llc | Systems and methods for braking or propelling a roaming vehicle |
| CN107272741B (zh) * | 2017-08-04 | 2021-01-19 | 北京理工大学 | 一种基于最大内切圆圆心移动矢量的无人机自动避障方法 |
| KR102115294B1 (ko) * | 2020-02-28 | 2020-06-02 | 주식회사 파블로항공 | 무인항공기 충돌 회피 방법 |
| KR20220085513A (ko) * | 2020-12-15 | 2022-06-22 | 아주대학교산학협력단 | 동적 장애물 충돌 회피 무인기 및 그 회피 방법 |
| CN113342047B (zh) * | 2021-06-23 | 2023-10-17 | 大连大学 | 未知环境中基于障碍物位置预测改进人工势场法的无人机路径规划方法 |
| CN113655810B (zh) * | 2021-08-20 | 2024-04-16 | 上海微电机研究所(中国电子科技集团公司第二十一研究所) | 一种基于速度势场的无人机避障方法和系统 |
| CN115933754A (zh) * | 2021-10-26 | 2023-04-07 | 中国电力科学研究院有限公司 | 基于毫米波雷达和双目视觉的电力巡检无人机避障方法 |
-
2023
- 2023-06-06 CN CN202310976557.8A patent/CN117075603A/zh active Pending
- 2023-06-06 CN CN202310661281.4A patent/CN116400739B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116400739A (zh) | 2023-07-07 |
| CN116400739B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Petrovskaya et al. | Model based vehicle detection and tracking for autonomous urban driving | |
| US11442464B2 (en) | Bird's eye view map based recognition and motion prediction for autonomous systems | |
| Miller et al. | Efficient unbiased tracking of multiple dynamic obstacles under large viewpoint changes | |
| KR101350242B1 (ko) | 깊이 지도를 이용한 멀티로터의 착륙 위치 결정 방법 및 그 장치 | |
| US10482584B1 (en) | Learning method and learning device for removing jittering on video acquired through shaking camera by using a plurality of neural networks for fault tolerance and fluctuation robustness in extreme situations, and testing method and testing device using the same | |
| DE112021006101T5 (de) | Systeme und Verfahren zur Objektdetektion mit LiDAR-Dekorrelation | |
| CN115903895A (zh) | 一种无人机集群的轨迹规划方法、装置和系统 | |
| Pritzl et al. | Cooperative navigation and guidance of a micro-scale aerial vehicle by an accompanying UAV using 3D LiDAR relative localization | |
| Andert et al. | Online world modeling and path planning for an unmanned helicopter | |
| US11710254B2 (en) | Neural network object detection | |
| 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 | |
| Wyffels et al. | Precision tracking via joint detailed shape estimation of arbitrary extended objects | |
| CN116400739B (zh) | 基于外力策略的智能无人机移动引导方法、系统和介质 | |
| Franke et al. | Bounding box dataset augmentation for long-range object distance estimation | |
| CN116048120B (zh) | 一种未知动态环境下小型四旋翼无人机自主导航系统及方法 | |
| US11958482B2 (en) | Method for predicting at least one future velocity vector and/or a future pose of a pedestrian | |
| Chen et al. | Object-sensitive potential fields for mobile robot navigation and mapping in indoor environments | |
| Dubey et al. | Droan-disparity-space representation for obstacle avoidance: Enabling wire mapping & avoidance | |
| CN116758439A (zh) | 单目相机无人机无引导下的安全降落点分析方法和装置 | |
| CN114353779B (zh) | 一种采用点云投影快速更新机器人局部代价地图的方法 | |
| Pinkovich et al. | Predictive driving in an unstructured scenario using the bundle adjustment algorithm | |
| Zhang | Learning-based monocular vision obstacle detection and avoidance for UAV navigation in urban airspace | |
| CN113885522B (zh) | 水面机器人避障方法、装置、设备及可读存储介质 | |
| CN116400740B (zh) | 全盲区环境下智能无人机趋向处理方法、系统和介质 | |
| Goel et al. | Hierarchical Collision Avoidance for Adaptive-Speed Multirotor Teleoperation |
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 |