CN117111639A - 一种复杂环境无人机飞行最佳路线寻优方法 - Google Patents
一种复杂环境无人机飞行最佳路线寻优方法 Download PDFInfo
- Publication number
- CN117111639A CN117111639A CN202311355408.6A CN202311355408A CN117111639A CN 117111639 A CN117111639 A CN 117111639A CN 202311355408 A CN202311355408 A CN 202311355408A CN 117111639 A CN117111639 A CN 117111639A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- emergency
- flight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 34
- 238000013439 planning Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000003891 environmental analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人机测绘技术领域，具体涉及一种复杂环境无人机飞行最佳路线寻优方法，包括以下步骤：在无人机上设置多个传感器，包括激光雷达、红外传感器、超声波传感器和视觉摄像头；将收集到的数据传送到飞行控制系统，并运用深度学习算法分析数据，以确定存在的障碍物和飞行条件；根据分析结果，动态规划出无人机的最佳飞行路径；当环境条件或障碍物位置发生变化时，实时更新飞行路径；设置一个紧急情况响应模块，该模块包括预先设定的紧急操纵方案。本发明，大大提高了无人机在紧急情况下的自适应能力和生存率，无需重新计算整个飞行路径，减少了计算时间，还降低了能量消耗。
Description
技术领域
本发明涉及无人机测绘技术领域，尤其涉及一种复杂环境无人机飞行最佳路线寻优方法。
背景技术
无人机在农业、物流、环境监测等多个领域有着广泛的应用。然而，在狭窄、阴暗、多尘或信号弱的环境中，无人机的路径规划和障碍物避让仍然是一个具有挑战性的问题。传统的路径规划方法，如A*搜索算法或Dijkstra算法，主要是静态的，因此对于复杂和动态的环境，其适应性相对较差。
虽然某些现有解决方案尝试通过引入复杂的深度学习算法来进行障碍物识别和路径规划，但这些算法通常需要大量的计算资源和时间，很难满足实时性的需求。此外，当环境发生变化或出现紧急情况时，许多现有系统要么不能快速适应，要么需要花费大量时间和能量重新计算整个飞行路径。
更重要的是，现有的系统往往没有针对突发紧急情况（如突然失去通信信号、遇到不可预测的物体或极端气候条件等）进行专门的设计和处理。在这种情况下，无人机可能会因不能及时作出有效响应而面临失败或损坏的风险。
因此，存在一种迫切需要，即开发一种能够在复杂环境中进行高效、安全、实时路径规划和障碍物避让的优化方法，特别是，该方法应能够快速适应环境变化，并能在紧急情况下提供有效的响应机制。
发明内容
基于上述目的，本发明提供了一种复杂环境无人机飞行最佳路线寻优方法。
一种复杂环境无人机飞行最佳路线寻优方法，包括以下步骤：
S1：在无人机上设置多个传感器，包括激光雷达、红外传感器、超声波传感器和视觉摄像头，对周围环境进行图像捕捉扫描，获取环境数据；
S2：将收集到的数据传送到飞行控制系统，并运用深度学习算法分析数据，以确定存在的障碍物和飞行条件；
S3：根据分析结果，动态规划出无人机的最佳飞行路径，确保在复杂环境中的正常飞行；
S4：当环境条件或障碍物位置发生变化时，实时更新飞行路径；
S5：设置一个紧急情况响应模块，该模块包括预先设定的紧急操纵方案，当无人机遇到紧急事件，紧急情况响应模块自动启动，切换到一个预定的最低风险路径或将无人机引导至最近的安全区域。
进一步的，所述S1具体包括：
S11：所述激光雷达（LiDAR）用于进行远距离扫描，在50米至200米的范围内识别障碍物和地形，适用于开阔和多尘的环境；
S12：所述红外传感器用于在低光或无光环境下检测热源和移动物体，该传感器在狭窄或阴暗的区域，提供有关障碍物和生物的关键信息；
S13：超声波传感器用于近距离的障碍物检测和定位，适用于内部空间和复杂环境，该传感器在1米至5米的范围内识别障碍物；
S14：视觉摄像头用于捕捉颜色和形状信息，适用于宽阔和光照充足的环境，摄像头通过高速连续拍摄生成视频流或序列图像，通过图像处理算法识别和分类障碍物。
进一步的，所述S2具体包括：
S21：数据传送，通过数据链路，将多个传感器收集的原始数据实时传送到无人机的飞行控制系统；
S22：数据预处理，飞行控制系统内置有数据预处理模块，用于对接收到的原始数据进行清洗和格式化，以及特征提取；
S23：深度学习算法，使用深度神经网络模型，该模型被训练用于分析预处理后的数据，并确定环境中存在的障碍物、地形、气候条件因素；
S24：多数据源融合，深度学习算法从不同类型的传感器接收数据，并进行信息融合，以获得一个全面和准确的环境模型。
进一步的，所述S23中的深度神经网络模型包括图卷积神经网络（GCN）、循环神经网络（RNN），具体包括：
图卷积神经网络：用于多个传感器提供的数据中抽取局部和全局特征，通过图卷积层，识别和解释物体之间的相对位置和拓扑关系；
循环神经网络：用于捕捉随时间变化的环境特性；
模型融合：在最后一层，图卷积神经网络（GCN）、循环神经网络（RNN）的输出进行融合，经过全连接层后，生成一个综合的混合环境模型，该模型包括障碍物、地形、气候条件信息；
训练与实施：混合环境模型通过模拟和实地测试数据进行预训练，且该混合环境模型在飞行控制系统内进行实时推断，以提供即时和准确的环境分析。
进一步的，所述S3具体包括：
S31：目标函数与约束条件，定义目标函数，其中/>是无人机的飞行路径，该函数用于找寻最小化飞行时间和能量消耗，同时满足约束条件，约束条件包括障碍物避让、飞行高度限制、以及电量限制；
S32：障碍物和飞行条件集成，根据生成的混合环境模型，确定障碍物和飞行条件，作为动态规划问题的约束参数；
S33：状态与动作空间，定义一个状态空间和一个动作空间/>，其中状态/>描述无人机在某一时刻的位置和其他相关条件，动作/>描述无人机从一个状态转移到另一个状态的动作；
S34：动态转移方程，使用动态转移方程来描述从状态/>通过动作/>转移到状态/>的概率和相关代价；
S35：动态规划求解，运用实时求解的D*Lite搜索算法来找到最优路径，该路径最小化目标函数/>且满足所有约束条件；
S36：实时更新机制，根据实时获取的新环境数据和无人机状态，动态更新目标函数、约束条件、状态空间和动作空间，重新求解动态规划问题以获取新的最优路径。
进一步的，所述S4具体包括：
S41：环境感知与数据分析，无人机在多个传感器和深度学习算法的基础上，持续扫描周围环境，当检测到环境条件或障碍物位置的变化时，即触发飞行路径的实时更新机制；
S42：路径局部重新规划，系统选择局部区域进行路径重新规划，无需重新计算整个飞行路径，减少计算时间和能量消耗；
S43：安全性评估，在进行局部路径重新规划之前，系统对新检测到的环境条件或障碍物进行安全性评估，以确定是否需要立即更改当前飞行路径；
S44：动态权重调整，根据新获取的环境数据和无人机状态，动态调整目标函数中的各权重，以反映当前环境下飞行的实际需求和约束；
S45：实时反馈与调整，新的局部最优路径被实时传送到无人机的飞行控制系统，并即时执行，同时，该局部路径与已存在的飞行路径进行融合，以生成新的完整飞行路径。
进一步的，所述S42具体包括：
S421：变化检测，首先，系统定位到发生变化的环境条件或障碍物的精确位置，并基于该变化确定影响范围；
S422：区域定义，确定影响范围后，系统确定一个大于此范围的局部区域，以确保重新规划的路径具有足够的机动空间；
S423：快速路径搜索，在此局部区域内，系统基于A*算法的启发式搜索方法，找到新的路径；
S424：与主路径融合，新局部路径绕过新检测到的障碍物或适应新的环境条件，还与历史规划主路径无缝连接；
S425：路径优化，系统对新局部路径进行简化处理，去除非必须得转向点，同时确保路径满足安全和机动性要求。
进一步的，所述S5具体包括：
S51：紧急触发条件定义，该紧急情况响应模块设定紧急触发条件，紧急触发条件包括失去通信信号、遇到不可预测的物体或极端气候条件；
S52：紧急操纵方案库，创建一个包含多个预先计算的最低风险路径和最近安全区域信息的方案库，该方案根据无人机的性能参数，以及多种复杂环境条件进行优化；
S53：实时监控与检测，紧急情况响应模块实时监控无人机的状态和环境信息，满足紧急触发条件时，紧急情况响应模块自启动；
S54：紧急路径或安全区域选择，紧急情况响应模块触发后，系统立即从紧急操纵方案库中选择与当前环境和无人机状态匹配的紧急操纵方案；
S55：紧急操纵执行，无人机切换到选定的最低风险路径或被引导至最近的安全区域；
S56：自动状态报告，在紧急操纵执行过程中，并具备通信条件时，无人机向控制中心发送紧急状态报告；
S57：模块重置与复位，无人机成功到达安全区域或完成紧急路径飞行，紧急情况响应模块自动重置。
进一步的，所述S54还包括：
S541：特征向量构建，紧急情况响应模块触发后，系统对当前无人机状态和环境信息进行特征提取，构建一个特征向量，该特征向量包括无人机的当前位置、速度、航向，以及周围环境的风速、温度、障碍物分布；
S542：方案库索引，将紧急操纵方案库中的每个方案与一个或多个特征向量关联，该特征向量代表该方案的适用条件；
S543：相似度计算，系统会运用余弦相似度或欧氏距离方法，比较当前的特征向量与方案库中的特征向量，找出与当前状态匹配的紧急操纵方案；
S544：方案评估，在选定一个或多个相似的紧急操纵方案后，系统通过启发式评分机制进行方案优先级排序；
S545：最优方案执行，根据方案评估的结果，系统选择方案优先级排序第一位的紧急操纵方案进行执行，执行的步骤包括路径规划、速度和高度调整、障碍物规避。
进一步的，所述S35中的D*Lite搜索算法具体如下：
优先级计算：
其中，
为起始点；
为从起始点到点/>的最低已知代价；
为一步之后到达点/>的最低代价；
为用于控制搜索精度的参数。
本发明的有益效果：
本发明，通过引入紧急情况响应模块，能够在无人机遇到紧急事件（如突然失去通信信号、遇到不可预测的物体或极端气候条件等）时，快速而有效地切换到预定的最低风险路径或将无人机引导至最近的安全区域，提高了无人机在紧急情况下的自适应能力和生存率，紧急情况响应模块的优势：实时性与自适应能力：与传统的静态路径规划方法相比，紧急情况响应模块可以在实时环境中根据无人机的当前状态和周围环境选择最合适的紧急操纵方案，通过利用D*Lite搜索算法，可以快速找到与当前环境和无人机状态相匹配的紧急操纵方案，从而在第一时间紧急操纵方案库调用方案并做出反应，避免可能的碰撞或损坏；提高无人机的生存率与安全性，通过紧急情况响应模块的有效运作，无人机在面临潜在危险时能够自动识别并采取避险措施，提高了其在复杂环境中的生存率，此外，该模块还减少了无人机可能造成的对其他物体或生命的潜在风险，从而增强了整体的飞行安全性。
本发明，通过局部路径重新规划的技术，实现了在环境或障碍物位置发生变化时，无需重新计算整个飞行路径，不仅大大减少了计算时间，还降低了能量消耗，从而实现了更为经济和可持续的飞行操作。
本发明，复杂环境无人机飞行最佳路线寻优方法通过综合多模态传感器数据和优化的算法，能在复杂、动态的环境中进行高效、准确的路径规划和障碍物避让，不仅提高了无人机在各种复杂环境下的操作性和安全性，而且极大地拓展了其应用场景。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明，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为本发明实施例的路线寻优方法示意图；
图2为本发明实施例的飞行路径更新流程示意图；
图3为本发明实施例的紧急情况响应模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1-图3所示，一种复杂环境无人机飞行最佳路线寻优方法，包括以下步骤：
S1：在无人机上设置多个传感器，包括激光雷达、红外传感器、超声波传感器和视觉摄像头，对周围环境进行图像捕捉扫描，获取环境数据；
S2：将收集到的数据传送到飞行控制系统，并运用深度学习算法分析数据，以确定存在的障碍物和飞行条件；
S3：根据分析结果，动态规划出无人机的最佳飞行路径，确保在复杂环境中的正常飞行；
S4：当环境条件或障碍物位置发生变化时，实时更新飞行路径；
S5：设置一个紧急情况响应模块，该模块包括预先设定的紧急操纵方案，当无人机遇到紧急事件，例如：突然失去通信信号、遇到不可预测的物体或极端气候条件时，紧急情况响应模块自动启动，切换到一个预定的最低风险路径或将无人机引导至最近的安全区域；
该方法能更有效地解决无人机在复杂环境中面临的突发风险和不确定性，进一步提高了无人机在复杂环境中的自主飞行能力和飞行安全性。该紧急情况响应模块不仅仅依赖于算法的优化，而是结合了预先设定的实用方案，增加了应对复杂环境下突发状况的实用性和可靠性。
S1具体包括：
S11：激光雷达（LiDAR）用于进行远距离扫描，在50米至200米的范围内识别障碍物和地形，适用于开阔和多尘的环境，激光雷达在扫描过程中可自动调节扫描密度和方向，以便捕捉到更多的环境细节；
S12：红外传感器用于在低光或无光环境下检测热源和移动物体，该传感器在狭窄或阴暗的区域，提供有关障碍物和生物的关键信息；
S13：超声波传感器用于近距离的障碍物检测和定位，适用于内部空间和复杂环境，该传感器在1米至5米的范围内识别障碍物，其工作原理是发射声波并接收反射回来的声波，通过计算声波往返的时间来确定障碍物的距离和位置；
S14：视觉摄像头用于捕捉颜色和形状信息，适用于宽阔和光照充足的环境，摄像头通过高速连续拍摄生成视频流或序列图像，通过图像处理算法识别和分类障碍物；
上述多传感器协同工作，各自收集的数据会被整合到一个统一的环境模型中，这个模型会被实时更新并传送到飞行控制系统进行进一步的分析和处理，通过这样详细的多模态传感器方案，有效地解决了无人机在不同复杂环境中数据获取的痛点，确保了环境数据的全面性和准确性，进一步提高了无人机在复杂环境中飞行的自主性和安全性。
S2具体包括：
S21：数据传送，通过数据链路，将多个传感器收集的原始数据实时传送到无人机的飞行控制系统，该数据链路具有高容错性和低延迟，以确保数据在复杂环境下也能准确和迅速地传送；
S22：数据预处理，飞行控制系统内置有数据预处理模块，用于对接收到的原始数据进行清洗和格式化，以及特征提取；
S23：深度学习算法，使用深度神经网络模型，该模型被训练用于分析预处理后的数据，并确定环境中存在的障碍物、地形、气候条件因素；
S24：多数据源融合，深度学习算法从不同类型的传感器接收数据，并进行信息融合，以获得一个全面和准确的环境模型。
S23中的深度神经网络模型包括图卷积神经网络（GCN）、循环神经网络（RNN），具体包括：
图卷积神经网络：用于多个传感器提供的数据中抽取局部和全局特征，通过图卷积层，识别和解释物体之间的相对位置和拓扑关系；
循环神经网络：用于捕捉随时间变化的环境特性，例如，在一个多尘或者多烟的环境中，障碍物和视线可能会随时间而改变，RNN能够捕捉这些动态变化并实时更新环境模型；
模型融合：在最后一层，图卷积神经网络（GCN）、循环神经网络（RNN）的输出进行融合，经过全连接层后，生成一个综合的混合环境模型，该模型包括障碍物、地形、气候条件信息；
训练与实施：混合环境模型通过模拟和实地测试数据进行预训练，且该混合环境模型在飞行控制系统内进行实时推断，以提供即时和准确的环境分析；
通过使用这种基于图卷积神经网络和循环神经网络的混合模型，特别适用于复杂和动态变化的环境。这进一步提高了无人机在复杂环境中飞行的安全性和自主性；
图卷积神经网络(GCN)部分：
对于每一个节点和它的邻居节点/>，节点特征/>和/>通过图卷积层更新为：
其中，/>是第/>层的节点/>的隐藏状态，/>是激活函数(如ReLU)；/>和/>是第/>层的权重和偏置，/>表示节点/>的邻居集合；
循环神经网络(RNN)部分：
对于每一时间步，当前隐藏状态/>根据前一隐藏状态/>和当前输入/>更新为:
其中，/>、/>和/>是权重和偏置；
模型融合部分：
在模型融合阶段，GCN和RNN的输出和/>被融合并通过全连接层/>生成最终的环境模型/>:
其中，/>和/>是权重和偏置，[;]表示向量的连接，/>是激活函数。
S3具体包括：
S31：目标函数与约束条件，定义目标函数，其中/>是无人机的飞行路径，该函数用于找寻最小化飞行时间和能量消耗，同时满足约束条件，约束条件包括障碍物避让、飞行高度限制、以及电量限制；
S32：障碍物和飞行条件集成，根据生成的混合环境模型，确定障碍物和飞行条件，作为动态规划问题的约束参数；
S33：状态与动作空间，定义一个状态空间和一个动作空间/>，其中状态/>描述无人机在某一时刻的位置和其他相关条件，动作/>描述无人机从一个状态转移到另一个状态的动作；
S34：动态转移方程，使用动态转移方程来描述从状态/>通过动作/>转移到状态/>的概率和相关代价；
S35：动态规划求解，运用实时求解的D*Lite搜索算法来找到最优路径，该路径最小化目标函数/>且满足所有约束条件；
S36：实时更新机制，根据实时获取的新环境数据和无人机状态，动态更新目标函数、约束条件、状态空间和动作空间，重新求解动态规划问题以获取新的最优路径；
通过这样详细的动态规划方案，增加了无人机在复杂环境中的飞行安全性和自主性，这一方案尤其适用于狭窄、阴暗、多尘或信号弱的环境中，有效解决了现有技术中的相关问题。
S4具体包括：
S41：环境感知与数据分析，无人机在多个传感器和深度学习算法的基础上，持续扫描周围环境，当检测到环境条件或障碍物位置的变化时，即触发飞行路径的实时更新机制；
S42：路径局部重新规划，系统选择局部区域进行路径重新规划，无需重新计算整个飞行路径，减少计算时间和能量消耗；
S43：安全性评估，在进行局部路径重新规划之前，系统对新检测到的环境条件或障碍物进行安全性评估，以确定是否需要立即更改当前飞行路径；
S44：动态权重调整，根据新获取的环境数据和无人机状态，动态调整目标函数中的各权重，以反映当前环境下飞行的实际需求和约束；
S45：实时反馈与调整，新的局部最优路径被实时传送到无人机的飞行控制系统，并即时执行，同时，该局部路径与已存在的飞行路径进行融合，以生成新的完整飞行路径；
能够快速适应环境变化，包括但不限于狭窄、阴暗、多尘或信号弱的环境，有效地解决了现有技术中无法实时适应复杂环境变化的问题。
S42具体包括：
S421：变化检测，首先，系统定位到发生变化的环境条件或障碍物的精确位置，并基于该变化确定影响范围，这个范围是由新检测到的障碍物或环境条件，以及无人机的飞行速度、机动性和预定的安全距离等因素确定的；
S422：区域定义，确定影响范围后，系统确定一个大于此范围的局部区域，以确保重新规划的路径具有足够的机动空间，这个局部区域的定义避免了对整个飞行路径的重新计算；
S423：快速路径搜索，在此局部区域内，系统基于A*算法的启发式搜索方法，找到新的路径；
S424：与主路径融合，新局部路径绕过新检测到的障碍物或适应新的环境条件，还与历史规划主路径无缝连接，系统会在局部路径的起点和终点进行平滑处理，以确保整个飞行路径的连续性和机动性；
S425：路径优化，系统对新局部路径进行简化处理，去除非必须得转向点，同时确保路径满足安全和机动性要求；
该方法能够快速适应环境的突然变化，确保无人机在复杂环境中的安全飞行，同时避免了不必要的计算开销，从而延长无人机的飞行续航时间。
S5具体包括：
S51：紧急触发条件定义，该紧急情况响应模块设定紧急触发条件，紧急触发条件包括失去通信信号、遇到不可预测的物体或极端气候条件；
S52：紧急操纵方案库，创建一个包含多个预先计算的最低风险路径和最近安全区域信息的方案库，该方案根据无人机的性能参数，以及多种复杂环境条件进行优化；
S53：实时监控与检测，紧急情况响应模块实时监控无人机的状态和环境信息，满足紧急触发条件时，紧急情况响应模块自启动；
S54：紧急路径或安全区域选择，紧急情况响应模块触发后，系统立即从紧急操纵方案库中选择与当前环境和无人机状态匹配的紧急操纵方案；
S55：紧急操纵执行，无人机切换到选定的最低风险路径或被引导至最近的安全区域；
S56：自动状态报告，在紧急操纵执行过程中，并具备通信条件时，无人机向控制中心发送紧急状态报告；
S57：模块重置与复位，无人机成功到达安全区域或完成紧急路径飞行，紧急情况响应模块自动重置，准备应对可能的下一次紧急情况。
通过设置这样一个紧急情况响应模块，以确保无人机在面对紧急事件或复杂环境条件时能够自动采取最低风险的行动，从而极大地提高了无人机在复杂环境中的安全性和可靠性。
S54还包括：
S541：特征向量构建，紧急情况响应模块触发后，系统对当前无人机状态和环境信息进行特征提取，构建一个特征向量，该特征向量包括无人机的当前位置、速度、航向，以及周围环境的风速、温度、障碍物分布；
S542：方案库索引，将紧急操纵方案库中的每个方案与一个或多个特征向量关联，该特征向量代表该方案的适用条件；
S543：相似度计算，系统会运用余弦相似度或欧氏距离方法，比较当前的特征向量与方案库中的特征向量，找出与当前状态匹配的紧急操纵方案；
S544：方案评估，在选定一个或多个相似的紧急操纵方案后，系统通过启发式评分机制进行方案优先级排序，这个评分机制考虑了各种因素，包括路径长度、预计到达时间、障碍物密度；
S545：最优方案执行，根据方案评估的结果，系统选择方案优先级排序第一位的紧急操纵方案进行执行，执行的步骤包括路径规划、速度和高度调整、障碍物规避；
通过上述的技术手段，在紧急情况下从预先设定的紧急操纵方案库中选择与当前环境和无人机状态最匹配的紧急操纵方案。这种方法不仅提高了紧急响应的准确性，而且极大地缩短了反应时间，从而提高了无人机在复杂环境中的安全性和可靠性。
S35中的D*Lite搜索算法具体如下：
优先级计算：
其中，
为起始点；
为目标点；
为从起始点到点/>的最低已知代价；
为一步之后到达点/>的最低代价；
为从点/>到/>的代价；
为用于控制搜索精度的参数；
算法步骤：
1.初始化：；
2.将目标插入到/>队列中，优先级为/>；
3.计算最短路径：
3.1.当队列/>中的最小键值时进行循环：
3.1.从中取出具有最小/>的点/>，/>为优先级队列；
3.1.2.如果：
3.1.2.1.；
3.1.2.2.对于的每一个前驱点/>：
3.1.2.3.更新：/>；
3.1.3.否则：
3.1.3.1.；
3.1.3.2.更新和每个/>的/>值；
3.2.使用新的将/>插入到/>中；
4.移动到起始点，如果任何边的代价发生变化，返回步骤3。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (9)
1.一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，包括以下步骤：
S1：在无人机上设置多个传感器，包括激光雷达、红外传感器、超声波传感器和视觉摄像头，对周围环境进行图像捕捉扫描，获取环境数据；
S2：将收集到的数据传送到飞行控制系统，并运用深度学习算法分析数据，以确定存在的障碍物和飞行条件；
S3：根据分析结果，动态规划出无人机的飞行路径，确保在复杂环境中的正常飞行；
S4：当环境条件或障碍物位置发生变化时，实时更新飞行路径；
S5：设置一个紧急情况响应模块，该模块包括预先设定的紧急操纵方案，当无人机遇到紧急事件，紧急情况响应模块自动启动，切换到一个预定紧急路径或将无人机引导至安全区域；
所述S5具体包括：
S51：紧急触发条件定义，该紧急情况响应模块设定紧急触发条件，紧急触发条件包括失去通信信号、遇到不可预测的物体或极端气候条件；
S52：紧急操纵方案库，创建一个具有多个预先计算的紧急路径和安全区域信息的方案库，该方案根据无人机的性能参数，以及多种复杂环境条件进行优化；
S53：实时监控与检测，紧急情况响应模块实时监控无人机的状态和环境信息，满足紧急触发条件时，紧急情况响应模块自启动；
S54：紧急路径或安全区域选择，紧急情况响应模块触发后，系统立即从紧急操纵方案库中选择与当前环境和无人机状态匹配的紧急操纵方案；
S55：紧急操纵执行，无人机切换到选定的紧急路径或被引导至安全区域；
S56：自动状态报告，在紧急操纵执行过程中，并具备通信条件时，无人机向控制中心发送紧急状态报告；
S57：模块重置与复位，无人机成功到达安全区域或完成紧急路径飞行，紧急情况响应模块自动重置。
2.根据权利要求1所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S1具体包括：
S11：所述激光雷达用于进行远距离扫描，在50米至200米的范围内识别障碍物和地形，适用于开阔和多尘的环境；
S12：所述红外传感器用于在低光或无光环境下检测热源和移动物体，该传感器在狭窄或阴暗的区域，提供有关障碍物和生物的关键信息；
S13：超声波传感器用于近距离的障碍物检测和定位，适用于内部空间和复杂环境，该传感器在1米至5米的范围内识别障碍物；
S14：视觉摄像头用于捕捉颜色和形状信息，适用于宽阔和光照充足的环境，摄像头通过高速连续拍摄生成视频流或序列图像，通过图像处理算法识别和分类障碍物。
3.根据权利要求1所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S2具体包括：
S21：数据传送，通过数据链路，将多个传感器收集的原始数据实时传送到无人机的飞行控制系统；
S22：数据预处理，飞行控制系统内置有数据预处理模块，用于对接收到的原始数据进行清洗和格式化，以及特征提取；
S23：深度学习算法，使用深度神经网络模型，将该模型训练后用于分析预处理后的数据，并确定环境中存在的障碍物、地形、气候条件因素；
S24：多数据源融合，深度学习算法从多个传感器接收数据，并进行信息融合，获得一个全面的环境模型。
4.根据权利要求3所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S23中的深度神经网络模型包括图卷积神经网络、循环神经网络，具体包括：
图卷积神经网络：用于多个传感器提供的数据中抽取局部和全局特征，通过图卷积层，识别和解释物体之间的相对位置和拓扑关系；
循环神经网络：用于捕捉随时间变化的环境特性；
模型融合：图卷积神经网络、循环神经网络的输出在最后一层进行融合，经过全连接层后，生成综合的混合环境模型，该模型包括障碍物、地形、气候条件信息；
训练与实施：混合环境模型通过模拟和实地测试数据进行预训练，且该混合环境模型在飞行控制系统内进行实时推断，以提供即时和准确的环境分析。
5.根据权利要求1所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S3具体包括：
S31：目标函数与约束条件，定义目标函数，其中，/>是无人机的飞行路径，该函数用于找寻最小化飞行时间和能量消耗，同时满足约束条件，约束条件包括障碍物避让、飞行高度限制、以及电量限制；
S32：障碍物和飞行条件集成，根据生成的混合环境模型，确定障碍物和飞行条件，作为动态规划问题的约束参数；
S33：状态与动作空间，定义一个状态空间和一个动作空间/>，其中，状态/>描述无人机在其中一个时刻的位置和其他相关条件，动作/>描述无人机从其中一个状态转移到另一个状态的动作；
S34：动态转移方程，使用动态转移方程来表述从状态/>通过动作/>转移到状态/>的概率和相关代价；
S35：动态规划求解，运用实时求解的D*Lite搜索算法来找到最优路径，该路径最小化目标函数/>且满足所有约束条件；
S36：实时更新机制，根据实时获取的新环境数据和无人机状态，动态更新目标函数、约束条件、状态空间和动作空间，重新求解动态规划问题以获取新的最优路径。
6.根据权利要求5所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S4具体包括：
S41：环境感知与数据分析，无人机在多个传感器和深度学习算法的基础上，持续扫描周围环境，当检测到环境条件或障碍物位置的变化时，即触发飞行路径的实时更新机制；
S42：路径局部重新规划，系统选择局部区域进行路径重新规划，降低计算时间和能量消耗；
S43：安全性评估，在进行局部路径重新规划之前，系统对新检测到的环境条件或障碍物进行安全性评估，以确定是否需要立即更改当前飞行路径；
S44：动态权重调整，根据新获取的环境数据和无人机状态，动态调整目标函数中的各权重，以反映当前环境下飞行的实际需求和约束；
S45：实时反馈与调整，重新规划后的局部路径被实时传送到无人机的飞行控制系统，并即时执行，同时，该局部路径与已存在的飞行路径进行融合，以生成新的完整飞行路径。
7.根据权利要求6所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S42具体包括：
S421：变化检测，首先，系统定位到发生变化的环境条件或障碍物的精确位置，并基于该变化确定影响范围；
S422：区域定义，确定影响范围后，系统确定一个大于该影响范围的局部区域，以确保重新规划的路径具有足够的机动空间；
S423：快速路径搜索，在此局部区域内，系统基于A*算法的启发式搜索方法，找到新的路径；
S424：与主路径融合，新局部路径绕过新检测到的障碍物或适应新的环境条件，还与历史规划主路径无缝连接；
S425：路径优化，系统对新局部路径进行简化处理，去除非必须得转向点，同时确保路径满足安全和机动性要求。
8.根据权利要求7所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S35中的D*Lite搜索算法具体如下：
优先级计算：
其中，
为起始点；
为从起始点到点/>的最低已知代价；
为一步之后到达点/>的最低代价；
为用于控制搜索精度的参数。
9.根据权利要求8所述的一种复杂环境无人机飞行最佳路线寻优方法，其特征在于，所述S54具体包括：
S541：特征向量构建，紧急情况响应模块触发后，系统对当前无人机状态和环境信息进行特征提取，构建一个特征向量，该特征向量包括无人机的当前位置、速度、航向，以及周围环境的风速、温度、障碍物分布；
S542：方案库索引，将紧急操纵方案库中的每个方案与一个或多个特征向量关联，该特征向量代表该方案的适用条件；
S543：相似度计算，系统会运用余弦相似度或欧氏距离方法，比较当前的特征向量与方案库中的特征向量，找出与当前状态匹配的紧急操纵方案；
S544：方案评估，在选定一个或多个相似的紧急操纵方案后，系统通过启发式评分机制进行方案优先级排序；
S545：方案执行，根据方案评估的结果，系统选择方案优先级排序第一位的紧急操纵方案进行执行，执行的步骤包括路径规划、速度和高度调整、障碍物规避。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355408.6A CN117111639B (zh) | 2023-10-19 | 2023-10-19 | 一种复杂环境无人机飞行最佳路线寻优方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355408.6A CN117111639B (zh) | 2023-10-19 | 2023-10-19 | 一种复杂环境无人机飞行最佳路线寻优方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117111639A true CN117111639A (zh) | 2023-11-24 |
| CN117111639B CN117111639B (zh) | 2024-01-26 |
Family
ID=88813138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311355408.6A Active CN117111639B (zh) | 2023-10-19 | 2023-10-19 | 一种复杂环境无人机飞行最佳路线寻优方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117111639B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389309A (zh) * | 2023-12-01 | 2024-01-12 | 浙江恒逸石化有限公司 | 无人机辅助维修的控制方法、装置、设备及存储介质 |
| CN117970934A (zh) * | 2024-04-02 | 2024-05-03 | 邳州环航包装材料有限公司 | 基于包装特征的包装机器人包装路径控制方法及系统 |
| CN117991757A (zh) * | 2024-04-01 | 2024-05-07 | 成都纺织高等专科学校 | 一种针对异构机载雷达信号的无人机控制方法和系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106959702A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机自主避让方法及系统 |
| CN107631734A (zh) * | 2017-07-21 | 2018-01-26 | 南京邮电大学 | 一种基于D*_lite算法的动态平滑路径规划方法 |
| US20180195868A1 (en) * | 2017-01-10 | 2018-07-12 | Alarm.Com Incorporated | Energy drone guidance device |
| CN112198901A (zh) * | 2020-05-14 | 2021-01-08 | 北京航空航天大学 | 一种基于三维动态碰撞区的无人机自主避撞决策方法 |
| CN112256051A (zh) * | 2020-09-07 | 2021-01-22 | 广东顺德电力设计院有限公司 | 一种基于无人机的电网巡检精准控制方法及系统 |
| CN112257190A (zh) * | 2020-11-19 | 2021-01-22 | 北京航空航天大学 | 一种异常态人在环飞行模拟环境下进行监测的方法 |
| WO2022089837A1 (de) * | 2020-10-29 | 2022-05-05 | Bayerische Motoren Werke Aktiengesellschaft | System und verfahren zur erfassung des umfelds eines fahrzeugs |
| CN114967720A (zh) * | 2022-05-20 | 2022-08-30 | 武昌理工学院 | 一种无人机智能飞行时备用策略的生成方法及装置 |
| CN115933718A (zh) * | 2022-11-07 | 2023-04-07 | 武汉大学 | 一种融合全景slam与目标识别的无人机自主飞行技术方法 |
| CN116047934A (zh) * | 2023-01-13 | 2023-05-02 | 北京卓翼智能科技有限公司 | 一种无人机集群的实时仿真方法、系统以及电子设备 |
| CN116755458A (zh) * | 2023-06-07 | 2023-09-15 | 榆林泰一时代智能科技有限公司 | 自主路径规划和避障系统的无人机系统 |
-
2023
- 2023-10-19 CN CN202311355408.6A patent/CN117111639B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180195868A1 (en) * | 2017-01-10 | 2018-07-12 | Alarm.Com Incorporated | Energy drone guidance device |
| CN106959702A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机自主避让方法及系统 |
| CN107631734A (zh) * | 2017-07-21 | 2018-01-26 | 南京邮电大学 | 一种基于D*_lite算法的动态平滑路径规划方法 |
| CN112198901A (zh) * | 2020-05-14 | 2021-01-08 | 北京航空航天大学 | 一种基于三维动态碰撞区的无人机自主避撞决策方法 |
| CN112256051A (zh) * | 2020-09-07 | 2021-01-22 | 广东顺德电力设计院有限公司 | 一种基于无人机的电网巡检精准控制方法及系统 |
| WO2022089837A1 (de) * | 2020-10-29 | 2022-05-05 | Bayerische Motoren Werke Aktiengesellschaft | System und verfahren zur erfassung des umfelds eines fahrzeugs |
| CN112257190A (zh) * | 2020-11-19 | 2021-01-22 | 北京航空航天大学 | 一种异常态人在环飞行模拟环境下进行监测的方法 |
| CN114967720A (zh) * | 2022-05-20 | 2022-08-30 | 武昌理工学院 | 一种无人机智能飞行时备用策略的生成方法及装置 |
| CN115933718A (zh) * | 2022-11-07 | 2023-04-07 | 武汉大学 | 一种融合全景slam与目标识别的无人机自主飞行技术方法 |
| CN116047934A (zh) * | 2023-01-13 | 2023-05-02 | 北京卓翼智能科技有限公司 | 一种无人机集群的实时仿真方法、系统以及电子设备 |
| CN116755458A (zh) * | 2023-06-07 | 2023-09-15 | 榆林泰一时代智能科技有限公司 | 自主路径规划和避障系统的无人机系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈侠等: "应用D*Lite算法的目标移动时无人机三维航迹规划", 《电光与控制》, vol. 20, no. 7, pages 1 - 5 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389309A (zh) * | 2023-12-01 | 2024-01-12 | 浙江恒逸石化有限公司 | 无人机辅助维修的控制方法、装置、设备及存储介质 |
| CN117389309B (zh) * | 2023-12-01 | 2024-03-05 | 浙江恒逸石化有限公司 | 无人机辅助维修的控制方法、装置、设备及存储介质 |
| CN117991757A (zh) * | 2024-04-01 | 2024-05-07 | 成都纺织高等专科学校 | 一种针对异构机载雷达信号的无人机控制方法和系统 |
| CN117991757B (zh) * | 2024-04-01 | 2024-06-07 | 成都纺织高等专科学校 | 一种针对异构机载雷达信号的无人机控制方法和系统 |
| CN117970934A (zh) * | 2024-04-02 | 2024-05-03 | 邳州环航包装材料有限公司 | 基于包装特征的包装机器人包装路径控制方法及系统 |
| CN117970934B (zh) * | 2024-04-02 | 2024-06-07 | 邳州环航包装材料有限公司 | 基于包装特征的包装机器人包装路径控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117111639B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117111639B (zh) | 一种复杂环境无人机飞行最佳路线寻优方法 | |
| EP3101502B1 (en) | Autonomous unmanned aerial vehicle decision-making | |
| US10803360B2 (en) | Situation awareness method and device using image segmentation | |
| CN108496129B (zh) | 一种基于飞行器的设施检测方法及控制设备 | |
| KR20220155559A (ko) | 이미지 세그멘테이션을 이용한 자율 운항 방법 | |
| US11673269B2 (en) | Method of identifying dynamic obstacle and robot implementing same | |
| Ross et al. | Learning monocular reactive uav control in cluttered natural environments | |
| CN110597264B (zh) | 无人机反制系统 | |
| KR102466804B1 (ko) | 이미지 세그멘테이션을 이용한 자율 운항 방법 | |
| CN115373399B (zh) | 一种基于空地协同的地面机器人路径规划方法 | |
| CN102707724A (zh) | 一种无人机的视觉定位与避障方法及系统 | |
| CN114489112A (zh) | 一种智能车-无人机的协同感知系统及方法 | |
| CN116795108B (zh) | 基于多源感知信号的智能无人车配送方法 | |
| CN114554040A (zh) | 包含立体相机组件的对象追踪系统及使用方法 | |
| Pritzl et al. | Cooperative navigation and guidance of a micro-scale aerial vehicle by an accompanying UAV using 3D LiDAR relative localization | |
| Kim et al. | A deep-learning-aided automatic vision-based control approach for autonomous drone racing in game of drones competition | |
| CN117201567A (zh) | 一种井工矿场景感知融合技术的出入罐笼控制系统及方法 | |
| CN115903880A (zh) | 一种基于改进强化学习的无人机自主图像导航与避障方法 | |
| Denuelle et al. | A sparse snapshot-based navigation strategy for UAS guidance in natural environments | |
| Abbas et al. | Autonomous canal following by a micro-aerial vehicle using deep cnn | |
| Van Hecke et al. | Persistent self-supervised learning principle: from stereo to monocular vision for obstacle avoidance | |
| KR102149494B1 (ko) | 드론을 이용한 구조물 검사 시스템 및 검사 방법 | |
| KR102348778B1 (ko) | 무인이동체의 조향각 제어 방법 및 그 장치 | |
| Abadi et al. | Side sonar vision applied to Omni-directional images to navigate mobile robots | |
| Li et al. | LSDA-APF: A Local Obstacle Avoidance Algorithm for Unmanned Surface Vehicles Based on 5G Communication Environment. |
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 |