CN117170406B - 一种基于分层规划的无人机快速自主搜寻方法 - Google Patents
一种基于分层规划的无人机快速自主搜寻方法 Download PDFInfo
- Publication number
- CN117170406B CN117170406B CN202311221875.XA CN202311221875A CN117170406B CN 117170406 B CN117170406 B CN 117170406B CN 202311221875 A CN202311221875 A CN 202311221875A CN 117170406 B CN117170406 B CN 117170406B
- Authority
- CN
- China
- Prior art keywords
- boundary
- unmanned aerial
- aerial vehicle
- cluster
- target
- 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 48
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000408659 Darpa Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 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
本发明涉及一种基于分层规划的无人机快速自主搜寻方法,属于无人机自主探索技术领域。为了克服现有技术中存在的缺陷,本发明旨在提供一种基于分层规划的无人机快速自主搜寻方法,包括获取传感器数据和无人机与感兴趣目标的位姿;对边界簇进行边界信息提取;根据所提取的边界信息和无人机当前的运动状态,构建无人机与边界簇和边界簇与边界簇之间的运动代价矩阵;根据边界数据进行路径规划;无人机进行全局搜寻规划获得全局搜寻路径,并在全局搜寻路径的基础上进行局部搜寻优化;若目标在观测范围内则进行目标导向规划;根据规划的路径进行轨迹优化,无人机按照优化后的轨迹进行飞行。本发明具有运行效率高、安全性好、适用范围广等优点。
Description
技术领域
本发明涉及一种基于分层规划的无人机快速自主搜寻方法,属于无人机自主探索技术领域。
背景技术
随着第四次工业革命的兴起,数字化、网络化和智能化是重要的战略发展方向,构建虚实结合、知识驱动、动态优化的智能系统,进一步推进数字化转型、网络化协同、智能化变革是决定国际竞争新格局的关键因素。随着人工智能技术的发展,无人机系统正以新的姿态出现在各种应用场景,对人类生产方式和经济社会带来深刻变革。而无人机作为通用航空与人工智能的组合,必将成为重要的战略发展方向。
无人机因其结构简单、机动性高、具有垂直起降能力,在灾害救援、农业管理、城市规划检测、物资运输和军事领域都有广泛的应用和前景。在搜救任务中,因为建筑的实际构造无法得知,并且在可能存在的地质灾害或者人为因素的影响下,建筑物本来的结构也可能发生改变,同时GPS信号也可能丢失了,所以定位幸存者是一个具有挑战性的问题。救援人员在执行任务也面临着各种相当具有挑战性的情况。他们必须意识到可能危及勘探的威胁,如天然气泄漏、薄弱的建筑物或可疑包裹;以及任何可能的导致受害者遇难的因素。然而,正因为救援人员需要花更多时间仔细地探索环境,救援时间也成为了关乎受害者能否存货的一个关键因素。在这种情况下,由无人机进入勘探环境可以为救援提供快速反应,因为它们能够灵活穿过对于人类体型来说无法通过的路线,并对该地点进行全面探索,同时最大限度地减少救援人员受到伤害的风险。在这些任务中,自主搜寻是一个基本组成部分,即无人机自主探索未知环境,寻找感兴趣的目标并绘制未知环境。人们对该领域的研究不断增加,国际上相关的机构和组织也不断涌现,例如DARPA已经推广的地下挑战搜索和救援竞赛,欧盟建立的夏尔巴项目等。
无人机自主搜寻方法是通过获取和处理传感器数据来实现自主搜寻的技术,无人机通过传感器(深度相机、雷达等)感知周围环境,为无人机提供精确定位并构建地图,随后无人机根据构建的地图进行搜寻规划,即快速探索未知的区域,并尽量减少对某些给定感兴趣对象进行定位所花费的时间,当没有未知区域时就停止搜寻。与人工操控相比,无人机的自主搜寻更为灵活、高效和适应复杂环境,可以降低人力和时间成本,缩小勘查误差范围。同时,无人机搜寻技术还具有追踪、定位、诊断等功能,可以帮助采集目标信息,提高资源利用效率。
近年来提出了各种自主探索方法,但大多数方法缺乏有效的全区域覆盖、保守的运动规划和较简单的决策,探索效率不足。同时这些方法以最大化对周围环境的体积探索为目标,并没有以具体目标为导向进行搜寻。
发明内容
为了克服现有技术中存在的缺陷,本发明旨在提供一种基于分层规划的无人机快速自主搜寻方法。
无人机最初具有感知环境的能力,能够检测属于某些语义类别的目标,并将其与地图相应位置联系起来。之后利用语义增强的边界信息结构来维护搜寻规划所需的整个空间中的关键信息,这些信息可以在搜寻时增量更新。在边界信息的基础上,分层规划器依次寻找全局搜寻路径、局部搜寻路径和生成优化后的轨迹。通过这种同时考虑搜寻空间的能力和搜寻感兴趣目标,实现了聚焦于目标的无人机快速自主搜寻方法。
本发明解决上述技术问题所提供的技术方案是:一种基于分层规划的无人机快速自主搜寻方法,包括以下步骤:
S1、获取传感器数据和无人机与目标位姿,构建用于搜寻的栅格地图,在栅格地图上进行边界检测与分簇;
S2、对边界簇进行边界信息提取;
S3、根据所提取的边界信息和无人机当前的运动状态,构建无人机与边界簇和边界簇与边界簇之间的运动代价矩阵;
S4、无人机判断目标是否为新目标且在观测范围内,若是则进行目标导向规划,否则进行S5;
S5、无人机进行全局搜寻规划获得全局搜寻路径,并在全局搜寻路径的基础上进行局部搜寻优化;
S6、对规划的路径进行轨迹优化,无人机按照优化后的轨迹进行飞行。
进一步的技术方案是,所述步骤S1中根据视觉惯导定位方法获得无人机位姿,根据单目视觉成像原理和卡尔曼滤波算法获得目标位姿。
进一步的技术方案是,所述步骤S1中边界检测与分簇在过程为:在更新地图的同时,更新区域的最小外接矩形Bm,然后将边界中的最小外接矩形Bi与更新区域的最小外接矩形Bm发生重叠的边界簇移除;
在移除后,通过区域生长算法搜索新的前沿并将其聚类成组;
再对每个聚类进行主成分分析,如果最大特征值超过某个阈值,则沿着第一主轴将其分为两个统一的聚类,分裂是递归地进行的,这样所有的大簇被划分为小簇。
进一步的技术方案是,所述步骤S2中边界信息包括边界簇栅格、目标语义栅格、边界簇的平均位置、边界簇的最小外接矩形、边界簇的视点、边界簇间运动代价。
进一步的技术方案是,所述步骤S3的具体过程为:
对边界簇随机采样生成一组能充分覆盖它的视点集其中xi,j=(pi,j,ξi,j)代表视点的位置和偏航角;
其中xi,j为第i个簇的优先级为j的视点;pi,j为第i个簇的优先级为j的视点的三维坐标位置;ξi,j为第i个簇的优先级为j的视点的偏航角;xi,1为第i个簇的优先级为1的视点;xi,2为第i个簇的优先级为2的视点;为第i个簇的优先级为ni的视点;
首先定义视点xi,j能覆盖到边界栅格的准则:
|pi,j-pcell|≤D
式中:D和T分别表示距离限制和视角限制,ns为栅格的指向自由空间法向量,pcell表示边界栅格的中心位置,line(·)表示两点连线构成的栅格组,Sfree表示自由空间;
视点的覆盖率:
即视点的覆盖率受到之前视点覆盖率的影响;其中 为视点vi所覆盖到的栅格数量;/>为视点vj所覆盖到的栅格数量;Ci为边界簇;/>为视点的覆盖率;
边界簇被充分覆盖的条件:
其中ε为边界被充分覆盖的阈值;num(·)为栅格集的栅格数量;U为并集;
根据上述条件,在边界簇的周围进行随机采样视点,直到满足边条件;
随机采样方法首先计算边界簇的中心位置,接着根据S1获得的目标信息计算出边界簇上的目标语义栅格,然后在以边界簇中心为原点的圆柱坐标系内进行随机采样,将采样点移动到最近的视点附近,最后若该采样视点在自由空间且满足密度约束条件,就计算该视点的偏航角并存储,重复采样过程直到满足充分覆盖的条件;
在进行搜寻之前,需要对每一对边界簇计算搜寻代价,令表示两个视点间的代价函数,计算公式如下:
其中L()表示两点之间使用A*算法搜索的无碰撞路径的长度,pk为目标的位置;vmax、αmax表示速度和角速度限制;β1、β2均为权重系数;为第f1个簇的优先级为v1的视点;为第f2个簇的优先级为v1的视点;dk为目标位置pk到视点/>的位置/>的A*算法搜索出来的无碰撞路径的长度;Nobj为已检测到但未完成观测的目标数量。
进一步的技术方案是,所述步骤S4中若检测到新目标,且在监视范围内,则无人机直接前往目标位置附近进行观测,观测结束后继续搜寻新目标;若不在监视范围内,无人机就根据目标的信息增益大小进行全局搜寻规划。
进一步的技术方案是,所述步骤S5中无人机根据代价函数矩阵,将搜寻问题转化成非对称旅行商问题,求解出全局搜寻路径。
本发明具有以下有益效果:
1、运行效率高,充分利用了无人机动力学特性;
本发明所使用的随机采样视点的方法,相较于现有技术的均匀采样的方法,在后续局部优化时间上减少了4-6倍,最短只需要0.865毫秒就能完成优化,极大程度节约了机载计算机的计算成本。根据多次在设置相同参数下的实验,在体积为2166立方米(38*19*3)的复杂环境下,现有的基于目标的搜寻方法没有充分利用无人机的动力学特性,只采用了保守的运动控制,平均飞行速度只能够达到0.8m/s,总体搜寻时间超过了15分钟。而本方法只用时5分钟左右就完成未知区域的搜寻,平均速度达到了1.26m/s,成功识别到全部5个目标,并获得目标的具体位置,在各个方面的效果都比现有方法有着显著提高。详细对比数据如下表1所示,每种方法都在速度为1.5m/s,加速度为1.5m/s2的情况下,分别运行6次:
表1在不同场景下方法对比
2、安全性好;
结果数十次的飞行实验,在我们的方法控制下的无人机都没有与障碍物发生碰撞,安全的完成了目标搜寻的任务,而AEOS方法控制的无人机在飞行过程中发生了碰撞。
3、适用范围广;
根据多项实验验证,我们所提出的方法在室内室外的复杂环境下都适用。并且这种方法还能够用于无人车、无人艇等为无人载体进行自主搜寻。
附图说明
图1为本发明的流程框图;
图2是随机采样视点的算法流程图;
图3是分层搜寻规划示意图;
图4是仿真实验结果图。
实施方式
下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的一种基于分层规划的无人机快速自主搜寻方法,包括以下步骤
步骤1、获取传感器数据和无人机与目标位姿,构建用于搜寻的栅格地图,在栅格地图上进行边界检测与分簇;
边界检测与分簇:在更新地图的同时,更新区域的最小外接矩形Bm,然后将边界中Bi与Bm发生重叠的边界簇移除。在移除后,通过区域生长算法搜索新的前沿并将其聚类成组。再对每个聚类进行主成分分析,如果最大特征值超过某个阈值,则沿着第一主轴将其分为两个统一的聚类。分裂是递归地进行的,这样所有的大簇被划分为小簇。
步骤2、对边界簇进行边界信息提取;
其中边界信息包含边界簇栅格、目标语义栅格、边界簇的平均位置、边界簇的最小外接矩形、边界簇的视点、边界簇间代价。边界簇平均位置根据栅格地图获得,随后利用随机采样、类树状结构生成、稀疏分布的方法对边界簇进行视点采样;
表2边界簇Fi数据结构
步骤3、根据所提取的边界信息和无人机当前的运动状态,构建无人机与边界簇之间和边界簇与边界簇之间的代价函数矩阵;
对边界簇随机采样生成一组能充分覆盖它的视点集其中xi,j=(pi,j,ξi,j)代表视点的位置和偏航角;
其中xi,j为第i个簇的优先级为j的视点;pi,j为第i个簇的优先级为j的视点的三维坐标位置;ξi,j为第i个簇的优先级为j的视点的偏航角;xi,1为第i个簇的优先级为1的视点;xi,2为第i个簇的优先级为2的视点;为第i个簇的优先级为ni的视点;
首先定义视点xi,j能覆盖到边界栅格的准则:
|pi,j-pcell|≤D
式中:D和T分别表示距离限制和视角限制,ns为栅格的指向自由空间法向量,pcell表示边界栅格的中心位置,line(·)表示两点连线构成的栅格组,Sfree表示自由空间;
为了选取合适的视点采样数来覆盖边界,定义了视点的覆盖率:
即视点的覆盖率受到之前视点覆盖率的影响;其中 为视点vi所覆盖到的栅格数量;/>为视点vj所覆盖到的栅格数量;Ci为边界簇;/>为视点的覆盖率。
最后定义边界簇被充分覆盖的条件:
其中ε为边界被充分覆盖的阈值;num(·)为栅格集的栅格数量;U为并集;
根据上述条件,在边界簇的周围进行随机采样视点,直到满足边条件。随机采样方法如图2所示,首先计算边界簇的中心位置,接着根据S1获得的目标信息计算出边界簇上的目标语义栅格,然后在以边界簇中心为原点的圆柱坐标系内进行随机采样,将采样点移动到最近的视点附近,最后若该采样视点在自由空间且满足密度约束条件,就计算该视点的偏航角并存储,重复采样过程直到满足充分覆盖的条件
在进行搜寻之前,需要对每一对边界簇计算搜寻代价,令表示两个视点间的代价函数,计算公式如下:
其中L()表示两点之间使用A*算法搜索的无碰撞路径的长度,pk为目标的位置;vmax、αmax表示速度和角速度限制;β1、β2均为权重系数;为第f1个簇的优先级为v1的视点;为第f2个簇的优先级为v1的视点;dk为目标位置pk到视点/>的位置/>的A*算法搜索出来的无碰撞路径的长度;Nobj为已检测到但未完成观测的目标数量。
步骤4、分层搜寻规划器根据边界数据进行路径规划;
该方法将全局搜寻规划建模为旅行商问题(TSP)的一个变体,该问题计算一个从当前视点出发并经过所有簇的视点的开环旅行通过设计合适的连接代价矩阵Matsp,将该问题简化为标准的非对称TSP问题(ATSP)。
假设共有Ncls个边界簇,其代价矩阵为主要部分是由每一对边界簇之间最佳视点的连接成本构成Ncls×Ncls块,表达式为:
表示为边界簇k1,k2的最佳视点间的代价。
Matsp的第一行和第一列与当前视点和各个边界簇相关联:
Matsp(0,k)=tcost(x0,xk,1)+csθ(xk,1)
Matsp(k,0)=0
其中tcost(x0,xk,1)表示无人机所在的位置到各个边界簇的最佳视点的代价,表示对无人机运动方向改变的惩罚;Matsp(k,0)=0将求解ATSP问题转化为了求解TSP问题。
步骤5、无人机进行全局搜寻规划获得全局搜寻路径,并在全局搜寻路径的基础上进行局部搜寻优化;
局部搜寻优化:通过使用图搜索方法,考虑在全局旅程的截断段上建立更丰富的视点集合,以进一步提高探索速率;
假设Fi,1≤i≤Nrf为所考虑的簇。为视点VPi和当前视点x0创建图节点。然后,每个节点通过有向边连接到与下一个簇相关的其他节点,这些节点构成一个有向无环图。再利用Dijkstra算法搜索最优的局部路径最小化代价函数:
其中为所假设的需要经过的各边界簇的视点集合,Jrf表示经过局部范围内Nrf个边界簇的代价函数,最终求解出一条从/> 的局部最优搜寻路径;
步骤6、根据局部搜寻优化对路径规划进行轨迹优化,无人机按照优化后的轨迹进行飞行。
轨迹优化:对平坦输出x∈(x,y,z,ξ)规划轨迹。
令为pb阶B样条的Nb+1个控制点,Δtb为节点时间跨度。权衡平滑度和轨迹总时间的B样条,并且满足安全性、动态可行性。它可以表述为如下的优化问题:
其中:T=(Nb+1-pb)Δtb为轨迹总花费时间;
fs为轨迹光滑性惩罚项,当控制点位于一条直线上时是最光滑的情况:
fc为轨迹安全性惩罚项,sf为人为设定的无人机安全半径,dij为控制点i到障碍物j的距离:
fd为轨迹动力学可行性惩罚项,wv,wa为权重,a1,a2,b1,b2,c1,c2为满足函数二阶导连续的常数,cm为最大值限制,cj为分段点,λ为0-1的可调系数:
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于分层规划的无人机快速自主搜寻方法,其特征在于,包括以下步骤:
S1、获取传感器数据和无人机与目标位姿,构建用于搜寻的栅格地图,在栅格地图上进行边界检测与分簇;
S2、对边界簇进行边界信息提取;
S3、根据所提取的边界信息和无人机当前的运动状态,构建无人机与边界簇和边界簇与边界簇之间的运动代价矩阵;
对边界簇随机采样生成一组能充分覆盖它的视点集其中xi,j=(pi,j,ξi,j)代表视点的位置和偏航角;
其中xi,j为第i个簇的优先级为j的视点;pi,j为第i个簇的优先级为j的视点的三维坐标位置;ξi,j为第i个簇的优先级为j的视点的偏航角;xi,1为第i个簇的优先级为1的视点;xi,2为第i个簇的优先级为2的视点;为第i个簇的优先级为ni的视点;
首先定义视点xi,j能覆盖到边界栅格的准则:
|pi,j-Pcell|≤D
式中:D和T分别表示距离限制和视角限制,ns为栅格的指向自由空间法向量,pcell表示边界栅格的中心位置,line(·)表示两点连线构成的栅格组,Sfree表示自由空间;
定义为边界簇Ci的普通栅格集和目标语义栅格集,为未被视点覆盖的栅格集;
视点的覆盖率:
即视点的覆盖率受到之前视点覆盖率的影响;其中 为视点vi所覆盖到的栅格数量;/>为视点vj所覆盖到的栅格数量;Ci为边界簇;/>为视点的覆盖率;
边界簇被充分覆盖的条件:
其中ε为边界被充分覆盖的阈值;num(·)为栅格集的栅格数量;U为并集;
根据上述条件,在边界簇的周围进行随机采样视点,直到满足边条件;
随机采样方法首先计算边界簇的中心位置,接着根据S1获得的目标信息计算出边界簇上的目标语义栅格,然后在以边界簇中心为原点的圆柱坐标系内进行随机采样,将采样点移动到最近的视点附近,最后若该采样视点在自由空间且满足密度约束条件,就计算该视点的偏航角并存储,重复采样过程直到满足充分覆盖的条件;
在进行搜寻之前,需要对每一对边界簇计算搜寻代价,令表示两个视点间的代价函数,计算公式如下:
其中L()表示两点之间使用A*算法搜索的无碰撞路径的长度,pk为目标的位置;vmax、αmax表示速度和角速度限制;β1、β2均为权重系数;为第f1个簇的优先级为v1的视点;/>为第f2个簇的优先级为v1的视点;dk为目标位置pk到视点/>的位置/>的A*算法搜索出来的无碰撞路径的长度;Nobj为已检测到但未完成观测的目标数量;
S4、无人机判断目标是否为新目标且在观测范围内,若是则进行目标导向规划,否则进行S5;
S5、无人机进行全局搜寻规划获得全局搜寻路径,并在全局搜寻路径的基础上进行局部搜寻优化;
S6、对规划的路径进行轨迹优化,无人机按照优化后的轨迹进行飞行。
2.根据权利要求1所述的一种基于分层规划的无人机快速自主搜寻方法,其特征在于,所述步骤S1中根据视觉惯导定位方法获得无人机位姿,根据单目视觉成像原理和卡尔曼滤波算法获得目标位姿。
3.根据权利要求1所述的一种基于分层规划的无人机快速自主搜寻方法,其特征在于,所述步骤S1中边界检测与分簇在过程为:在更新地图的同时,更新区域的最小外接矩形Bm,然后将边界中的最小外接矩形Bi与更新区域的最小外接矩形Bm发生重叠的边界簇移除;
在移除后,通过区域生长算法搜索新的前沿并将其聚类成组;
再对每个聚类进行主成分分析,如果最大特征值超过某个阈值,则沿着第一主轴将其分为两个统一的聚类,分裂是递归地进行的,这样所有的大簇被划分为小簇。
4.根据权利要求1-3中任一项所述的一种基于分层规划的无人机快速自主搜寻方法,其特征在于,所述步骤S2中边界信息包括边界簇栅格、目标语义栅格、边界簇的平均位置、边界簇的最小外接矩形、边界簇的视点、边界簇间运动代价。
5.根据权利要求1所述的一种基于分层规划的无人机快速自主搜寻方法,其特征在于,所述步骤S4中若检测到新目标,且在监视范围内,则无人机直接前往目标位置附近进行观测,观测结束后继续搜寻新目标;若不在监视范围内,无人机就根据目标的信息增益大小进行全局搜寻规划。
6.根据权利要求1所述的一种基于分层规划的无人机快速自主搜寻方法,其特征在于,所述步骤S5中无人机根据代价函数矩阵,将搜寻问题转化成非对称旅行商问题,求解出全局搜寻路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221875.XA CN117170406B (zh) | 2023-09-21 | 2023-09-21 | 一种基于分层规划的无人机快速自主搜寻方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221875.XA CN117170406B (zh) | 2023-09-21 | 2023-09-21 | 一种基于分层规划的无人机快速自主搜寻方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170406A CN117170406A (zh) | 2023-12-05 |
CN117170406B true CN117170406B (zh) | 2024-04-12 |
Family
ID=88939460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311221875.XA Active CN117170406B (zh) | 2023-09-21 | 2023-09-21 | 一种基于分层规划的无人机快速自主搜寻方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170406B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101955113B1 (ko) * | 2017-09-07 | 2019-03-06 | 호서대학교 산학협력단 | 드론의 통신 반경을 활용한 경계 노드 수면 시간 조절 기능을 갖는 무선 센서 네트워크 시스템 |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
CN114355981A (zh) * | 2022-01-06 | 2022-04-15 | 中山大学 | 一种四旋翼无人机自主探索建图的方法和系统 |
CN115061499A (zh) * | 2022-07-18 | 2022-09-16 | 天津大学 | 无人机控制方法及无人机控制装置 |
CN116257082A (zh) * | 2022-11-03 | 2023-06-13 | 天津大学 | 多无人机分布式主动协同探测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11573577B2 (en) * | 2019-01-30 | 2023-02-07 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Method and system for optimal trajectory path tasking for an unmanned aerial vehicle (UAV) |
-
2023
- 2023-09-21 CN CN202311221875.XA patent/CN117170406B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101955113B1 (ko) * | 2017-09-07 | 2019-03-06 | 호서대학교 산학협력단 | 드론의 통신 반경을 활용한 경계 노드 수면 시간 조절 기능을 갖는 무선 센서 네트워크 시스템 |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
CN114355981A (zh) * | 2022-01-06 | 2022-04-15 | 中山大学 | 一种四旋翼无人机自主探索建图的方法和系统 |
CN115061499A (zh) * | 2022-07-18 | 2022-09-16 | 天津大学 | 无人机控制方法及无人机控制装置 |
CN116257082A (zh) * | 2022-11-03 | 2023-06-13 | 天津大学 | 多无人机分布式主动协同探测方法 |
Non-Patent Citations (4)
Title |
---|
An enhanced genetic algorithm for path planning of autonomous UAV in target coverage problems;Y. Volkan Pehlivanoglu;Applied Soft Computing;20211130;第112卷;全文 * |
FUEL_Fast_UAV_Exploration_Using_Incremental_Frontier_Structure_and_Hierarchical_Planning;Boyu Zhou;IEEE ROBOTICS AND AUTOMATION LETTERS;20210430;第6卷(第2期);全文 * |
基于栅格分区的覆盖路径规划方法;胡馨丹;机械与电子;20220531;第40卷(第5期);机械与电子 * |
无线传感器网络的重叠分簇与边界搜索;廖鹰;系统工程与电子技术;20211115;第33卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117170406A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | Autonomous exploration and mapping system using heterogeneous UAVs and UGVs in GPS-denied environments | |
CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和系统 | |
CN109254588A (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN109743683A (zh) | 一种采用深度学习融合网络模型确定手机用户位置的方法 | |
CN108897312A (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
CN110926477A (zh) | 一种无人机航路规划及避障方法 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
CN116257082B (zh) | 多无人机分布式主动协同探测方法 | |
Geng et al. | UAV surveillance mission planning with gimbaled sensors | |
CN114169066A (zh) | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 | |
CN115903879A (zh) | 基于地形数据插值技术的无人机航迹规划方法 | |
CN110823223A (zh) | 一种无人机群的路径规划方法及装置 | |
Liu et al. | A variable-step RRT* path planning algorithm for quadrotors in below-canopy | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
Choutri et al. | A fully autonomous search and rescue system using quadrotor UAV | |
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 | |
Sai et al. | A comprehensive survey on artificial intelligence for unmanned aerial vehicles | |
Yang et al. | Smart autonomous moving platforms | |
Cobano et al. | Thermal detection and generation of collision-free trajectories for cooperative soaring UAVs | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
Short et al. | Abio-inspiredalgorithminimage-based pathplanning and localization using visual features and maps | |
Han et al. | Research on UAV indoor path planning algorithm based on global subdivision grids | |
CN117170406B (zh) | 一种基于分层规划的无人机快速自主搜寻方法 | |
Chang et al. | A review of UAV autonomous navigation in GPS-denied environments | |
Jung et al. | Enabling operational autonomy for unmanned aerial vehicles with scalability |
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 |