CN117311393B - 一种无人机自主飞行路径规划方法及系统 - Google Patents
一种无人机自主飞行路径规划方法及系统 Download PDFInfo
- Publication number
- CN117311393B CN117311393B CN202311594309.3A CN202311594309A CN117311393B CN 117311393 B CN117311393 B CN 117311393B CN 202311594309 A CN202311594309 A CN 202311594309A CN 117311393 B CN117311393 B CN 117311393B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- obstacle
- moving 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 63
- 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 62
- 238000001514 detection method Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 30
- 230000004888 barrier function Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 16
- 239000002245 particle Substances 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition 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
本发明提供一种无人机自主飞行路径规划方法及系统，涉及无人机路径规划技术领域，所述方法包括：根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；根据预测结果和当前无人机的位置，确定避障路径；根据避障路径和当前无人机的位置，生成新的飞行路径；将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行。本发明能够根据移动障碍物的类型、速度和方向信息对其位置进行预测，从而提前规避潜在的碰撞风险，可以生成更加安全和高效的飞行路径，使得无人机能够更好地适应动态环境和复杂场景下的自主飞行任务。
Description
技术领域
本发明涉及无人机路径规划技术领域，特别是指一种无人机自主飞行路径规划方法及系统。
背景技术
传统的无人机自主飞行路径规划方法主要基于静态环境假设，即假设环境中的障碍物位置和运动状态是已知且固定的。在这种假设下，无人机通过预先获取地图信息或者实时感知障碍物的位置和形状，然后使用算法进行路径规划，以避免与障碍物发生碰撞。
然而，传统的技术方案存在一些缺陷：
静态环境假设，传统方法假设环境中的障碍物位置和运动状态是已知且固定的，无法适应动态变化的障碍物情况。当移动障碍物的速度和方向变化时，传统方法无法及时更新路径规划结果，导致碰撞风险增加。
可扩展性差，传统方法通常针对特定类型的障碍物进行设计，对于未知类型或复杂的障碍物情况，无法有效应对。此外，传统方法也难以处理多个移动障碍物之间的交互影响。
发明内容
本发明要解决的技术问题是提供一种无人机自主飞行路径规划方法及系统，能够根据移动障碍物的类型、速度和方向信息对其位置进行预测，从而提前规避潜在的碰撞风险，可以生成更加安全和高效的飞行路径，使得无人机能够更好地适应动态环境和复杂场景下的自主飞行任务。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种无人机自主飞行路径规划方法，所述方法包括：
获取无人机的当前位置以及移动障碍物位置；
根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息；
根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；
根据预测结果和当前无人机的位置，确定避障路径；
根据避障路径和当前无人机的位置，生成新的飞行路径；
将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行。
进一步的，获取无人机的当前位置以及移动障碍物位置，包括：
获取多个卫星发射的信号，通过对多个卫星发射的信号进行处理和分析，以提取出移动障碍物的位置；
根据所述信号的时间戳和卫星位置数据，计算出无人机与每颗卫星之间的距离；
根据卫星位置数据(x i ，y i ，z i )，构建几何矩阵H，其中，第i行表示第i颗卫星的位置向量；
计算几何矩阵H的伪逆H + ；
根据无人机与每颗卫星之间的距离d i 和几何矩阵的伪逆H + ，计算残差向量r，其中，，/>，n表示测量的卫星数量，i表示卫星的索引，x表示无人机的位置的x轴坐标，y表示无人机的位置的y轴坐标，r i 表示第i颗卫星的残差值，T表示转置操作；
通过计算残差向量的标准差/>，并根据残差向量的标准差/>，排除异常数据，以获得最终的信号和卫星位置数据，其中，w i 表示第i个残差值的权重，根据最终的信号和卫星位置数据，重新计算无人机的位置。
进一步的，根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息，包括：
构建SSD网络模型；
将图像输入SSD网络模型，通过前向传播，提取图像的特征，以得到特征图；
通过在特征图上生成锚框，以得到锚框目标；
根据特征图和锚框目标，通过卷积操作和回归层生成预测框，每个预测框分别有对应的类别概率和位置信息；
根据类别概率和位置信息，对预测框进行筛选和过滤，以得到最终的目标检测结果；
根据最终的目标检测结果提取移动障碍物的特征；
通过跟踪移动障碍物在连续帧中的位置变化，预测移动障碍物的速度和方向；
根据移动障碍物的特征和运动信息，将移动障碍物分类为不同的类型。
进一步的，根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果，包括：
根据移动障碍物的类型、速度和方向信息，确定预测的时间段；
根据移动障碍物的速度和方向，计算在预测的时间段内移动障碍物在水平方向上的位移dx和垂直方向上的位移dy，其中，，，其中，t为预测的时间段，v为移动障碍物的速度，为方向，/>和 />分别表示水平方向和垂直方向上的权重；
根据当前无人机的位置和预测的位移向量，确定预测结果。
进一步的，根据预测结果和当前无人机的位置，确定避障路径，包括：
根据移动障碍物在预测时间段后的位置坐标和当前无人机的位置坐标，计算无人机与移动障碍物之间的距离和方向；
根据设定的安全距离阈值，判断无人机与移动障碍物之间的距离是否＜阈值，若是，则进行避障，并根据无人机与移动障碍物之间的相对位置和方向，确定避障路径，若否，则继续按照原定路径飞行。
进一步的，根据避障路径和当前无人机的位置，生成新的飞行路径，包括：
根据避障路径和当前无人机的位置，确定新的飞行路径的起点和终点，起点是当前无人机的位置，终点是避障路径的最后一个点；
遍历避障路径上的每个点，计算路径的总长度；
根据需要平滑路径的程度和飞行控制的要求，确定插值点的数量和间隔；
根据插值点的数量和间隔，在避障路径上均匀地插入插值点，以得到新的飞行路径。
进一步的，将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行，包括：
根据飞行控制要求和应用场景，确定无人机的飞行速度和飞行高度；
将连续的飞行路径离散化为一系列的航点，航点是无人机飞行的关键点，包括位置坐标和飞行姿态信息；
根据每个航点的位置坐标和飞行姿态，生成相应的飞行控制指令；
将生成的飞行控制指令发送至无人机的飞行控制系统；
无人机的飞行控制系统接收到飞行控制指令后，根据指令的要求，控制无人机按照新的飞行路径进行飞行，无人机根据指令调整飞行速度、方向和姿态参数，以实现预定的飞行路径。
第二方面，一种无人机自主飞行路径规划系统，包括：
获取模块，用于获取无人机的当前位置以及移动障碍物位置；根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息；根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；
处理模块，用于根据预测结果和当前无人机的位置，确定避障路径；根据避障路径和当前无人机的位置，生成新的飞行路径；将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。
第四方面，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程序，该程序被处理器执行时实现上述方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过对移动障碍物的类型、速度和方向信息进行预测，并基于此预测结果确定避障路径，无人机能够提前规避潜在的碰撞风险，从而增强了飞行的安全性。通过优化路径规划，生成避障策略，生成了更加安全和高效的飞行路径，可以更好地适应动态环境和复杂场景，从而提高了飞行的效率。在复杂的环境或面临突发情况时，如遇到未知类型或复杂的障碍物，本发明依然能够有效应对，使得无人机能够更好地完成飞行任务。本发明实时预测与规划能力，可以在高动态特性的任务空间中快速找到最优控制策略，对提升无人机在救援等紧急任务中的响应速度和准确性具有重要作用。
附图说明
图1是本发明的实施例提供的无人机自主飞行路径规划方法的流程示意图。
图2是本发明的实施例提供的无人机自主飞行路径规划系统示意图。
具体实施方式
下面将参照附图更细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种无人机自主飞行路径规划方法，所述方法包括：
步骤11，获取无人机的当前位置以及移动障碍物位置；
步骤12，根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息；
步骤13，根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；
步骤14，根据预测结果和当前无人机的位置，确定避障路径；
步骤15，根据避障路径和当前无人机的位置，生成新的飞行路径；
步骤16，将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行。
在本发明实施例中，通过对移动障碍物的类型、速度和方向信息进行预测，并基于此预测结果确定避障路径，无人机能够提前规避潜在的碰撞风险，从而增强了飞行的安全性。通过优化路径规划，生成避障策略，生成了更加安全和高效的飞行路径，可以更好地适应动态环境和复杂场景，从而提高了飞行的效率。在复杂的环境或面临突发情况时，如遇到未知类型或复杂的障碍物，本发明依然能够有效应对，使得无人机能够更好地完成飞行任务。本发明实时预测与规划能力，可以在高动态特性的任务空间中快速找到最优控制策略，对提升无人机在救援等紧急任务中的响应速度和准确性具有重要作用。
在本发明一优选的实施例中，上述步骤11，可以包括：
步骤111，获取多个卫星发射的信号，通过对多个卫星发射的信号进行处理和分析，以提取出移动障碍物的位置；
步骤112，根据所述信号的时间戳和卫星位置数据，计算出无人机与每颗卫星之间的距离；
步骤113，根据卫星位置数据(x i ，y i ，z i )，构建几何矩阵H，其中，第i行表示第i颗卫星的位置向量；
步骤114，计算几何矩阵H的伪逆H + ；
步骤115，根据无人机与每颗卫星之间的距离d i 和几何矩阵的伪逆H + ，计算残差向量r，其中，，，n表示测量的卫星数量，i表示卫星的索引，x表示无人机的位置的x轴坐标，y表示无人机的位置的y轴坐标，r i 表示第i颗卫星的残差值，T表示转置操作；
步骤116，通过计算残差向量的标准差/>，并根据残差向量的标准差/>，排除异常数据，以获得最终的信号和卫星位置数据，其中，w i 表示第i个残差值的权重，根据最终的信号和卫星位置数据，重新计算无人机的位置。
在本发明实施例中，通过获取多个卫星发射的信号，并对信号进行处理和分析，可以提取出移动障碍物的位置。同时，根据信号的时间戳和卫星位置数据，计算出无人机与每颗卫星之间的距离，可以提高无人机的位置精度，从而更好地进行路径规划和避障操作。通过构建几何矩阵H并计算其伪逆H + ，可以对测量数据进行修正和优化，可以排除异常数据，提高位置估计的准确性和稳定性，残差向量的标准差的计算可以帮助判断数据的可靠性，进一步增加了系统的鲁棒性。通过对多个卫星信号的处理和分析，可以快速提取出移动障碍物的位置信息，并根据位置信息进行路径规划和避障操作，可以提高系统的实时性，使得无人机能够及时做出反应，避免碰撞风险。本发明不依赖于预先构建的地图信息，而是直接利用卫星信号进行位置估计，因此，可以在复杂的环境下工作，使得无人机能够更广泛地应用于各种任务中。
在本发明另一优选的实施例中，上述步骤111，可以包括：
步骤1111，获取多个卫星发射的信号，对卫星发射的信号通过进行滤波，以得到滤波后的信号s filteredi ，其中，x i [n]表示输入信号s i 的第n个采样点，y i [n]表示输出信号s filteredi 的第n个采样点，M和N分别为前向系数和反馈系数的阶数，b k 和a k 分别表示滤波器的前向系数和反馈系数；
步骤1112，根据滤波后的信号s filteredi 进行分析，以提取移动障碍物的位置。
在本发明实施例中，滤波器可以通过滤除输入信号中的高频噪声成分，从而减少噪声对后续分析的影响，滤波后的信号s filteredi 相比于原始信号s i 具有更低的噪声水平。滤波器可以突出或增强输入信号中的特定频率成分，从而使得移动障碍物的位置更加明显和可辨识，有助于提取移动障碍物的位置时增强目标信号的特征。通过对卫星发射的信号进行滤波，可以提高信号的质量和可靠性，从而更准确地分析和提取移动障碍物的位置。
在本发明另一优选的实施例中，上述步骤112，可以包括：
步骤1121，根据所述信号的时间戳和卫星位置数据，获取每个卫星发射信号的时间戳ti和卫星的位置向量pi=(x i ，y i ，z i )，其中，i表示卫星的索引；
步骤1122，获取无人机的位置向量p drone =(x drone ，y drone ，z drone )，表示无人机的位置；对于每个卫星，通过计算无人机与卫星之间的距离d i ，其中，x i ，y i 和z i 表示卫星的位置向量p i 的x、y、z坐标；x drone ，y drone 和z drone 表示无人机的位置向量p drone 的x、y、z坐标，n表示卫星的数量，j表示卫星的索引，d ij 表示无人机与第j颗卫星之间的距离。
在本发明实施例中，通过计算无人机与多颗卫星之间的距离，提高定位的精度，通过使用多个卫星的观测数据，可以减少单个卫星观测的误差和不确定性对定位结果的影响，从而提高定位的准确性和精度。通过计算多个卫星与无人机之间的距离，可以增强系统对于异常数据和干扰的鲁棒性，如果某个卫星的观测数据受到干扰或异常值的影响，通过使用其他卫星的观测数据进行计算，可以降低异常值对定位结果的影响，提高系统的鲁棒性。通过使用多个卫星的观测数据进行距离计算，可以减少多路径效应对定位的影响，通过对多个卫星的观测数据进行处理和分析，可以抑制多路径效应，提高定位的精度和可靠性。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，构建SSD网络模型；
步骤122，将图像输入SSD网络模型，通过前向传播，提取图像的特征，以得到特征图；
步骤123，通过在特征图上生成锚框，以得到锚框目标；
步骤124，根据特征图和锚框目标，通过卷积操作和回归层生成预测框，每个预测框分别有对应的类别概率和位置信息；
步骤125，根据类别概率和位置信息，对预测框进行筛选和过滤，以得到最终的目标检测结果；
步骤126，根据最终的目标检测结果提取移动障碍物的特征；
步骤127，通过跟踪移动障碍物在连续帧中的位置变化，预测移动障碍物的速度和方向；
步骤128，根据移动障碍物的特征和运动信息，将移动障碍物分类为不同的类型。
在本发明实施例中，通过使用SSD网络模型，可以提高目标检测的准确性，SSD网络模型具有较高的检测精度，能够有效地检测出图像中的移动障碍物，并将其与背景进行区分。SSD网络模型具有较高的处理速度，能够在实时场景中快速地进行目标检测和分类，使得无人机能够及时响应和处理移动障碍物的信息，提高对障碍物的感知能力。SSD网络模型可以同时检测多个移动障碍物，从而提高对多个目标的感知和识别能力，对于无人机来说尤为重要，因为无人机通常需要同时感知和跟踪多个移动障碍物，以确保安全和有效的飞行。通过使用SSD网络模型，可以对移动障碍物进行分类，将其归类为不同的类型，有助于无人机更好地理解和识别不同类型的移动障碍物，从而更好地应对不同的飞行场景和任务需求。
在本发明另一优选的实施例中，上述步骤122，可以包括：
步骤1221，定义卷积层的参数，包括卷积核的大小、步长、填充方式等；
步骤1222，通过对输入图像进行滑动窗口操作，计算每个窗口内的卷积运算，其中，C i 表示第i层的特征图，C i-1 表示前一层的特征图，W i 表示第i层的卷积核，b i 表示第i层的偏置项；
步骤1223，对卷积操作的结果应用激活函数，以引入非线性特征；
步骤1224，对卷积操作的结果进行池化操作，以减小特征图的尺寸并保留重要的特征；
步骤1225，重复步骤，通过堆叠多个卷积和池化层，逐渐提取图像的高级特征，最终得到的特征图表示了图像在不同层次上的抽象特征。
在本发明实施例中，通过堆叠多个卷积和池化层，逐渐提取图像的高级特征，每个卷积层可以捕捉不同层次的图像特征，从低级特征（如边缘、纹理）到高级语义特征（如物体形状、结构），形成层次化的特征表示；卷积操作可以通过滑动窗口的方式，局部感知图像的特征，从而捕捉图像中的局部模式和结构，池化操作可以减小特征图的尺寸，并保留重要的特征信息，从而对特征进行抽象和压缩，减少冗余信息；通过应用激活函数，可以引入非线性特征，有助于学习非线性的图像特征，提高模型对复杂图像的表达能力；通过堆叠多个卷积和池化层，可以在不同层次上提取特征，形成多尺度的特征表示，使得模型能够同时感知不同尺度的目标，从而提高目标检测和分类的准确性和鲁棒性。
在本发明另一优选的实施例中，上述步骤123，可以包括：
步骤1231，根据目标的大小和形状，选择一组不同尺度和宽高比的锚框；对于特征图的每个位置，生成一组锚框：在特征图的每个位置上，根据定义的尺度和宽高比，在该位置生成一组锚框，生成锚框的过程如下：对于特征图的每个位置，计算锚框的中心坐标，对于每个中心坐标，根据定义的尺度和宽高比，生成一组锚框，根据锚框的中心坐标和尺寸，得到锚框的位置和大小。重复操作，对特征图的每个位置都生成一组锚框，最终得到的锚框目标是特征图上生成的所有锚框的集合，每个锚框都表示在特征图上的一个位置生成的一个候选目标框。通过在特征图上生成锚框，可以得到一组锚框目标，锚框目标的生成过程可以根据实际需求进行调整和优化，以提高目标检测的准确性和鲁棒性。
在本发明另一优选的实施例中，上述步骤124，可以包括：
步骤1241，对于每个锚框，通过卷积操作和回归层生成预测框，预测框包括两部分：类别概率和位置信息。
步骤1242，对于每个锚框，通过卷积操作和分类层，计算锚框属于不同类别的概率，对于每个锚框，通过卷积操作和回归层，计算锚框的位置调整值，锚框的位置调整值用于精确定位预测框的位置。
在本发明实施例中，通过卷积操作和分类层，可以计算每个锚框属于不同类别的概率，有助于将预测框与不同类别的目标进行分类，从而实现目标检测任务。通过卷积操作和回归层，可以计算每个锚框的位置调整值，位置调整值用于精确定位预测框的位置，从而准确地框出目标的位置。通过在特征图上生成多个锚框，并为每个锚框生成预测框，可以实现多目标检测，使得模型能够同时检测和定位多个目标，提高目标检测的准确性和鲁棒性。通过预测框的类别概率，可以识别出不同类别的目标，有助于对检测到的目标进行分类和标识，提供更丰富的目标信息。通过卷积操作和回归层生成预测框，包括类别概率和位置信息，可以实现目标分类、目标定位、多目标检测和目标识别。
在本发明另一优选的实施例中，上述步骤125，可以包括：
步骤1251，对于每个预测框，根据类别概率和位置信息进行筛选和过滤，以得到最终的目标检测结果；
步骤1252，根据应用需求，确定类别概率阈值和一个位置信息阈值；
步骤1253，对于每个预测框，检查其类别概率是否高于设定的类别概率阈值，如果高于阈值，则保留该预测框；否则，将其舍弃；
步骤1254，对于保留的预测框，检查其位置信息是否符合要求，根据目标的大小、形状等特征，设定位置信息的阈值或范围，当预测框的位置信息满足要求时，才将其作为最终的目标检测结果，重复操作，对所有的预测框进行筛选和过滤，得到最终的目标检测结果。
在本发明实施例中，通过设定类别概率阈值，可以筛选掉类别概率较低的预测框，减少误检，同时，通过设定位置信息阈值，可以过滤掉位置信息不符合要求的预测框，减少漏检，有助于提高目标检测的准确性，使得最终的目标检测结果更加可靠。通过设定合适的类别概率阈值和位置信息阈值，可以减少误检和漏检的情况，类别概率阈值可以过滤掉类别概率较低的预测框，减少误检；位置信息阈值可以过滤掉位置信息不符合要求的预测框，减少漏检，有助于提高目标检测的可靠性和稳定性。通过调整类别概率阈值和位置信息阈值，可以根据应用需求对目标检测结果进行精细化控制，可以根据具体场景和任务的要求，设定合适的阈值，以满足不同应用场景对目标检测结果的需求。通过筛选和过滤预测框，可以减少需要处理的目标框的数量，从而优化计算资源的使用，有助于提高目标检测的速度和效率。通过对预测框进行筛选和过滤，根据类别概率和位置信息，可以提高目标检测的准确性，减少误检和漏检，精细化控制目标检测结果，并优化计算资源的使用。
在本发明另一优选的实施例中，上述步骤126，可以包括：
步骤1261，根据得到的最终目标检测结果，提取移动障碍物的特征，对于每个被检测到的移动障碍物，可以选择提取以下特征：外观特征：包括颜色、纹理、形状等外观信息。运动特征：包括速度、加速度、运动方向等运动信息。尺寸特征：包括移动障碍物的宽度、高度等尺寸信息。上下文特征：包括移动障碍物周围的环境信息，如背景、其他物体等。提取的特征可以表示为一个向量或特征向量，其中每个元素表示一个特征的值，对于每个移动障碍物，提取的特征可以作为后续处理和分析的输入，如目标跟踪、行为识别等。通过步骤1261，根据最终的目标检测结果提取移动障碍物的特征，可以获得关于移动障碍物的重要信息，从而提高对移动障碍物的理解和感知能力。
在本发明另一优选的实施例中，上述步骤127，可以包括：
步骤1271，从初始帧中提取移动障碍物的特征，如颜色、纹理、形状等；将提取的特征用高斯分布建模，得到目标模型；将提取的特征与目标模型进行比较，计算目标与候选区域之间的相似度得分；根据相似度得分，选择得分最高的候选区域作为目标的新位置，可以使用最大响应的方式来确定最佳匹配位置；根据高斯滤波器使用移动障碍物的初始位置作为目标的初始状态，通过在连续帧中搜索目标的位置来进行跟踪。重复操作，对连续帧中的移动障碍物进行跟踪，以获得其位置的变化。通过使用高斯滤波器对移动障碍物进行跟踪，可以通过特征提取和相似度计算来确定目标的位置。高斯滤波器可以根据目标的特征建模，并通过比较特征的相似度来更新目标的位置，有助于实现对移动障碍物的连续跟踪，并提供目标位置的变化信息。
在本发明另一优选的实施例中，上述步骤128，可以包括：
步骤1281，根据移动障碍物的特征和运动信息，将移动障碍物分类为不同的类型；从移动障碍物中提取特征，可以包括外观特征、形状特征、运动特征等。
步骤1282，选择与移动障碍物类型相关的特征，通过颜色直方图、纹理特征、形状描述、速度、加速度等特征来描述移动障碍物。将提取的特征表示为一个特征向量或特征描述子。
步骤1283，使用已标注的数据集，将特征向量和对应的移动障碍物类型进行训练；对于新的移动障碍物，使用训练好的分类器对其特征进行预测，将其分类为不同的类型；将移动障碍物分为不同的类型。
在本发明实施例中，通过根据移动障碍物的特征和运动信息进行分类，可以对移动障碍物进行更细粒度的理解和描述，有助于进一步分析和预测移动障碍物的行为。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，根据移动障碍物的类型、速度和方向信息，确定预测的时间段；
步骤132，根据移动障碍物的速度和方向，计算在预测的时间段内移动障碍物在水平方向上的位移dx和垂直方向上的位移dy，其中，，，其中，t为预测的时间段，v为移动障碍物的速度，为方向，/>和/>分别表示水平方向和垂直方向上的权重；
步骤133，根据当前无人机的位置和预测的位移向量，确定预测结果。
在本发明实施例中，根据移动障碍物的类型、速度和方向信息，可以确定预测的时间段，有助于在合适的时间范围内进行移动障碍物的位置预测，提供更准确的预测结果。通过计算移动障碍物在预测时间段内的位移，可以预测移动障碍物在水平和垂直方向上的位置变化，有助于预测移动障碍物的运动轨迹，提供更全面的信息。根据当前无人机的位置和预测的位移向量，可以确定移动障碍物在预测时间段内的位置，有助于无人机进行路径规划、避障等决策和控制任务，提高无人机的自主性和安全性。通过预测移动障碍物的位置，可以提前预知其的行为和轨迹，有助于无人机进行更准确的决策，如避让、规避等，以应对移动障碍物的运动。综上所述，根据移动障碍物的类型、速度和方向信息，确定预测的时间段，并计算移动障碍物在预测时间段内的位移，有助于提供更准确的预测结果和更全面的移动障碍物信息，可以提高无人机的决策能力和安全性，使其能够更好地应对复杂的环境和移动障碍物的运动。
在本发明一优选的实施例中，上述步骤14，可以包括：
步骤141，根据移动障碍物在预测时间段后的位置坐标和当前无人机的位置坐标，计算无人机与移动障碍物之间的距离和方向；
步骤142，根据设定的安全距离阈值，判断无人机与移动障碍物之间的距离是否＜阈值，若是，则进行避障，并根据无人机与移动障碍物之间的相对位置和方向，确定避障路径，若否，则继续按照原定路径飞行。
在本发明实施例中，通过计算无人机与移动障碍物之间的距离，可以评估二者之间的接近程度，有助于判断是否需要采取避障措施，以确保无人机与移动障碍物之间的安全距离。当无人机与移动障碍物之间的距离小于设定的安全距离阈值时，需要进行避障，根据无人机与移动障碍物之间的相对位置和方向，可以确定避障路径，以避免与移动障碍物发生碰撞。通过设定安全距离阈值并进行避障判断，可以确保无人机与移动障碍物之间保持足够的距离，减少碰撞的风险，有助于提高飞行的安全性和稳定性。通过避障路径规划，无人机可以根据实时的移动障碍物信息和自身位置，自主地选择安全的路径进行飞行，提高了无人机的自主避障能力，使其能够适应复杂的环境和动态的障碍物。因此，根据移动障碍物与无人机之间的距离和方向，进行避障判断和路径规划，有助于提高无人机的安全性和自主避障能力，使得无人机能够在遇到移动障碍物时及时采取避障行动，确保飞行的安全和稳定。
在本发明另一优选的实施例中，上述步骤141，可以包括：
步骤1411，根据移动障碍物在预测时间段后的位置坐标和当前无人机的位置坐标，计算无人机与移动障碍物之间的距离d，以及无人机与移动障碍物之间的方向角度，其中，
；/>，其中，(x obstacle ，y obstacle )表示移动障碍物的位置坐标，(x drone ，y drone )表示无人机的位置坐标，α、β和γ为权重参数，用于调整在水平和垂直方向上的距离的重要性，θ表示无人机与移动障碍物之间的方向角度。通过计算无人机与移动障碍物之间的距离和方向，可以获得无人机与移动障碍物之间的相对位置关系，距离表示二者之间的空间距离，方向表示无人机指向移动障碍物的角度，有助于判断无人机与移动障碍物之间的接近程度和相对位置关系。
在本发明另一优选的实施例中，上述步骤142，可以包括：
步骤1421，根据无人机与移动障碍物之间的安全距离需求，设置一个阈值作为判断标准；计算无人机与移动障碍物之间的距离d，得到距离d后，与设定的安全距离阈值进行比较。若计算得到的距离d小于安全距离阈值，则表示无人机与移动障碍物之间的距离过近，存在碰撞风险，需要进行避障处理；若距离大于等于安全距离阈值，则表示无人机与移动障碍物之间的距离处于安全范围内，无需避障，可以继续按照原定路径飞行。若距离d小于安全距离阈值，则进行避障操作，根据无人机与移动障碍物之间的相对位置关系和方向角度，确定避障路径，可以包括改变飞行方向、调整高度或速度，以避免与移动障碍物发生碰撞。根据避障处理确定的路径，调整无人机的飞行路径，使其避开移动障碍物，确保了无人机在遇到潜在碰撞风险时能够采取合适的行动，保持安全飞行。通过设定安全距离阈值并进行距离判断，可以实时监测无人机与移动障碍物之间的距离情况，及时采取避障措施以确保飞行的安全性。避障路径的确定则根据相对位置和方向关系，有效规避潜在碰撞风险，使无人机能够在遇到移动障碍物时做出及时且合适的应对。
在本发明一优选的实施例中，上述步骤15，可以包括：
步骤151，根据避障路径和当前无人机的位置，确定新的飞行路径的起点和终点，起点是当前无人机的位置，终点是避障路径的最后一个点；
步骤152，遍历避障路径上的每个点，计算路径的总长度；
步骤153，根据需要平滑路径的程度和飞行控制的要求，确定插值点的数量和间隔；
步骤154，根据插值点的数量和间隔，在避障路径上均匀地插入插值点，以得到新的飞行路径。
在本发明实施例中，插值点的插入可以避免路径中出现急剧的转折或变化，提高飞行的稳定性和舒适性。根据插值点的数量和间隔的设置，可以调整新路径的平滑度，使得无人机在飞行过程中更加平稳。新路径的起点和终点的确定，以及插值点的插入方式，使得路径规划更具适应性，能够适应不同飞行场景和需求。计算路径的总长度有助于控制飞行路径的长度，确保无人机能够在规定的距离内完成飞行任务。通过这些步骤，可以有效规划适应性强、平滑度高的新飞行路径，提高无人机在遇到移动障碍物时的飞行控制能力，从而增加飞行的安全性和可靠性。
在本发明另一优选的实施例中，上述步骤151，可以包括：
步骤1511，通过无人机的导航系统或搭载的定位传感器，获取当前无人机的具体位置坐标；从事先规划好的避障路径中，获取路径的最后一个点的坐标；将当前无人机的位置作为新飞行路径的起点；将避障路径的最后一个点作为新飞行路径的终点。可以确保新的飞行路径在起点上与当前无人机的位置相匹配，而在终点上与避障路径的末尾相连接，有助于使飞行路径在避障的过程中保持平滑、连贯，并确保无人机能够有效地避开移动障碍物。
在本发明另一优选的实施例中，上述步骤152，可以包括：
步骤1521，遍历避障路径上的每个点，计算路径的总长度；初始化一组粒子，每个粒子代表路径上的一个的轨迹，每个粒子的起始位置随机选择，可以在整个避障路径上或者附近进行初始化；对于每个粒子，进行随机游走，在每个步骤中，粒子根据一定的规则在路径附近进行随机移动，模拟路径的不确定性；随机游走的过程中，每个粒子记录下其经过的路径，形成一条轨迹；对于每个粒子，根据其记录的轨迹，计算其所经过路径的总长度；根据轨迹长度的评估结果，更新每个粒子的当前位置；重复进行粒子的随机游走、轨迹长度评估和位置更新的过程，直到达到预定的迭代次数或满足收敛条件；最终，从所有粒子中选择具有最短路径长度的粒子对应的轨迹作为优化后的路径。
在本发明另一优选的实施例中，上述步骤153，可以包括：
步骤1531，根据具体的应用场景和飞行控制的要求，确定需要对飞行路径进行多大程度的平滑化，平滑路径可使得无人机在飞行过程中避免急剧的转折和变化，提高飞行的稳定性和舒适性。根据所需的平滑程度，决定在避障路径上插入多少个插值点以实现平滑化，插值点的数量越多，路径越平滑；定义插值点的间隔，即在路径上相邻插值点之间的距离。较小的间隔可使路径更加细致，但也增加了计算成本。
步骤1532，根据无人机的飞行动力学和控制特性，确定插值点的数量和间隔，以确保生成的新飞行路径对飞行控制系统是可行且有效的例如，对于速度较大的无人机，需要更密集的插值点来确保飞行轨迹的平滑度，以防止过大的加速度或转弯半径。确保插值点在整个避障路径上均匀地分布，以避免在某些部分过度密集或过度稀疏的情况。这有助于保持平滑路径的整体性。
步骤1533，根据实际情况和实验反馈，灵活调整插值点的数量和间隔。这样可以在不同场景下获得最佳的平滑路径，满足飞行控制和应用需求。通过这一步骤，可以根据具体的需求和控制要求灵活地确定插值点的数量和间隔，从而生成适应性强、平滑度高的新飞行路径，为无人机在避障飞行中提供更好的路径规划和控制效果。
在本发明另一优选的实施例中，上述步骤154，可以包括：
步骤1541，根据确定的插值点数量和间隔，在避障路径上计算出需要插入的插值点位置；插值点的位置由原始路径上的点之间的等距离间隔确定，确保新插入的点与原始路径上的点均匀分布；在避障路径上根据计算得到的插值点位置，将新的插值点均匀地插入到相应的位置上；插入新的插值点有助于在原始路径的每两个点之间补充额外的点，以实现路径的平滑化和连续性；插入的新插值点将原始路径中相邻点之间的直线段转变为更为平滑的曲线段，有助于减少路径的急剧变化，提高飞行路径的连续性和稳定性；在插入新的插值点的过程中，保持路径的总长度不变，确保无人机在规定距离内完成飞行任务。
步骤1542，确保插值点的插入不会影响飞行控制的有效性，即新的路径能够被无人机飞行控制系统所理解和执行；根据实际情况和飞行试验反馈，对插值点的位置进行调整和优化，以获得更佳的飞行路径，满足不同场景下的飞行需求。通过在避障路径上均匀地插入计算得到的新插值点，可以有效地改善路径的平滑度和连续性，提高无人机在避障飞行过程中的飞行稳定性和控制效果。
在本发明一优选的实施例中，上述步骤16，可以包括：
步骤161，根据飞行控制要求和应用场景，确定无人机的飞行速度和飞行高度；
步骤162，将连续的飞行路径离散化为一系列的航点，航点是无人机飞行的关键点，包括位置坐标和飞行姿态信息；
步骤163，根据每个航点的位置坐标和飞行姿态，生成相应的飞行控制指令；
步骤164，将生成的飞行控制指令发送至无人机的飞行控制系统；
步骤165，无人机的飞行控制系统接收到飞行控制指令后，根据指令的要求，控制无人机按照新的飞行路径进行飞行，无人机根据指令调整飞行速度、方向和姿态参数，以实现预定的飞行路径。
在本发明实施例中，根据飞行控制要求和应用场景，通过调整飞行速度和高度，可以在保障飞行安全的前提下，提高任务执行的效率，适应不同环境和任务需求；航点的设定使得飞行路径更易于实施控制，同时可以根据航点之间的关系进行平滑的路径过渡，提高无人机飞行的稳定性；生成精准的飞行控制指令可以确保无人机按照预定路径飞行，同时可以根据实际情况进行灵活调整，适应复杂的环境和任务需求；实现了路径规划和飞行控制的分离，提高了系统的模块化性，同时确保了控制指令的及时传达，保障了飞行的实时性；飞行控制系统接收到飞行控制指令后，根据指令的要求，控制无人机按照新的飞行路径进行飞行，有效地将路径规划与飞行控制相结合，实现了路径的实际执行，无人机可以根据指令调整速度、方向和姿态，确保了飞行路径的准确性和安全性。
在本发明另一优选的实施例中，上述步骤161，可以包括：
步骤1611，对于具体的应用场景和任务需求进行分析，获取飞行控制需要满足的条件和要求，涉及到飞行速度、高度以及其他相关参数；根据任务性质、环境条件和无人机性能，确定无人机在飞行过程中的目标飞行速度，包括巡航速度、最大速度、或特定飞行阶段的速度要求。
根据应用场景和任务需求，确定无人机在飞行过程中的目标飞行高度，飞行高度的选择受到地形、障碍物、气象条件等多方面因素的影响；根据任务类型的不同，调整飞行速度和高度。例如，在搜索与救援任务中需要较低的飞行高度，而在巡逻任务中需要更高的飞行速度。通过综合考虑飞行控制要求、应用场景和任务性质，确定无人机的飞行速度和飞行高度，可以为无人机的飞行任务提供合理的控制参数，确保飞行的安全性和有效性
在本发明另一优选的实施例中，上述步骤162，可以包括：
步骤1621，将整个飞行路径划分为一系列航点，每个航点代表了无人机飞行轨迹上的一个关键点，航点的选择可以基于多种因素，包括任务需求、避障策略、飞行效率等，航点之间的距离和密度因应用场景有不同。每个航点都有其特定的信息，主要包括位置坐标和飞行姿态信息。位置坐标通常由经度、纬度和高度组成，用于确定无人机在空间中的具体位置。飞行姿态信息包括飞行方向、俯仰角、横滚角等，以确保无人机在飞行过程中能够保持所需的飞行姿态。
步骤1622，进行路径平滑化的处理，以确保无人机在飞行过程中的运动更加平稳；最后，对生成的航点路径进行验证，确保其满足飞行控制要求和应用场景的需求，包括对路径的合理性、可行性进行检查，以及对的风险因素进行评估。因此，本发明目标是将复杂的连续飞行路径转化为一系列简化的航点，以便飞行控制系统能够更容易地处理和执行飞行任务。
在本发明另一优选的实施例中，上述步骤163，可以包括：
步骤1631，根据得到的航点中提取位置坐标和飞行姿态信息，每个航点都包含了无人机在飞行轨迹上的一个关键位置。根据任务需求和应用场景，确定每个航点对应的飞行目标，包括特定的位置到达、特定方向朝向、特定高度达到等，确保无人机在执行任务时能够准确到达每个航点。
步骤1632，计算当前状态与期望状态之间的误差，期望位置为P desired ，当前位置为P current ，位置误差e p 的计算公式为e p = P desired -P current ，根据位置误差，通过确定飞行控制指令，其中，，其中，u P 为比例项，K p 为比例系数，u I 为积分项，K i 为积分系数，u D 为微分项，K d 为微分系数，u为最终控制指令；
步骤1633，根据实际飞行中可能出现的动态变化，飞行控制指令需要动态调整，生成的飞行控制指令需要符合特定的格式和协议，以确保能够被无人机的飞行控制系统正确解读和执行。这可能涉及到通信协议、数据格式等方面的考虑；最后，将生成的飞行控制指令发送至无人机的飞行控制系统。这可能通过飞行控制系统的通信接口完成，确保指令能够被传递给无人机进行实际的飞行操作。
如图2所示，本发明的实施例还提供一种无人机自主飞行路径规划系统20，包括：
获取模块21，用于获取无人机的当前位置以及移动障碍物位置；根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息；根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；
处理模块22，用于根据预测结果和当前无人机的位置，确定避障路径；根据避障路径和当前无人机的位置，生成新的飞行路径；将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行。
可选的，获取无人机的当前位置以及移动障碍物位置，包括：
获取多个卫星发射的信号，通过对多个卫星发射的信号进行处理和分析，以提取出移动障碍物的位置；
根据所述信号的时间戳和卫星位置数据，计算出无人机与每颗卫星之间的距离；
根据卫星位置数据(x i ，y i ，z i )，构建几何矩阵H，其中，第i行表示第i颗卫星的位置向量；
计算几何矩阵H的伪逆H + ；
根据无人机与每颗卫星之间的距离d i 和几何矩阵的伪逆H + ，计算残差向量r，其中，，/>，n表示测量的卫星数量，i表示卫星的索引，x表示无人机的位置的x轴坐标，y表示无人机的位置的y轴坐标，r i 表示第i颗卫星的残差值，T表示转置操作；
通过计算残差向量的标准差/>，并根据残差向量的标准差/>，排除异常数据，以获得最终的信号和卫星位置数据，其中，w i 表示第i个残差值的权重，根据最终的信号和卫星位置数据，重新计算无人机的位置。
可选的，根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息，包括：
构建SSD网络模型；
将图像输入SSD网络模型，通过前向传播，提取图像的特征，以得到特征图；
通过在特征图上生成锚框，以得到锚框目标；
根据特征图和锚框目标，通过卷积操作和回归层生成预测框，每个预测框分别有对应的类别概率和位置信息；
根据类别概率和位置信息，对预测框进行筛选和过滤，以得到最终的目标检测结果；
根据最终的目标检测结果提取移动障碍物的特征；
通过跟踪移动障碍物在连续帧中的位置变化，预测移动障碍物的速度和方向；
根据移动障碍物的特征和运动信息，将移动障碍物分类为不同的类型。
可选的，根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果，包括：
根据移动障碍物的类型、速度和方向信息，确定预测的时间段；
根据移动障碍物的速度和方向，计算在预测的时间段内移动障碍物在水平方向上的位移dx和垂直方向上的位移dy，其中，，，其中，t为预测的时间段，v为移动障碍物的速度，为方向，/>和 />分别表示水平方向和垂直方向上的权重；
根据当前无人机的位置和预测的位移向量，确定预测结果。
可选的，根据预测结果和当前无人机的位置，确定避障路径，包括：
根据移动障碍物在预测时间段后的位置坐标和当前无人机的位置坐标，计算无人机与移动障碍物之间的距离和方向；
根据设定的安全距离阈值，判断无人机与移动障碍物之间的距离是否＜阈值，若是，则进行避障，并根据无人机与移动障碍物之间的相对位置和方向，确定避障路径，若否，则继续按照原定路径飞行。
可选的，根据避障路径和当前无人机的位置，生成新的飞行路径，包括：
根据避障路径和当前无人机的位置，确定新的飞行路径的起点和终点，起点是当前无人机的位置，终点是避障路径的最后一个点；
遍历避障路径上的每个点，计算路径的总长度；
根据需要平滑路径的程度和飞行控制的要求，确定插值点的数量和间隔；
根据插值点的数量和间隔，在避障路径上均匀地插入插值点，以得到新的飞行路径。
可选的，将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行，包括：
根据飞行控制要求和应用场景，确定无人机的飞行速度和飞行高度；
将连续的飞行路径离散化为一系列的航点，航点是无人机飞行的关键点，包括位置坐标和飞行姿态信息；
根据每个航点的位置坐标和飞行姿态，生成相应的飞行控制指令；
将生成的飞行控制指令发送至无人机的飞行控制系统；
无人机的飞行控制系统接收到飞行控制指令后，根据指令的要求，控制无人机按照新的飞行路径进行飞行，无人机根据指令调整飞行速度、方向和姿态参数，以实现预定的飞行路径。
需要说明的是，该系统是与上述方法相对应的系统，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现，些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的，些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的，些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种无人机自主飞行路径规划方法，其特征在于，所述方法包括：
获取无人机的当前位置以及移动障碍物位置；
根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息；
根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；
根据预测结果和当前无人机的位置，确定避障路径；
根据避障路径和当前无人机的位置，生成新的飞行路径；
将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行；
获取无人机的当前位置以及移动障碍物位置，包括：
获取多个卫星发射的信号，通过对多个卫星发射的信号进行处理和分析，以提取出移动障碍物的位置；
根据所述信号的时间戳和卫星位置数据，计算出无人机与每颗卫星之间的距离；
根据卫星位置数据(x i ，y i ，z i )，构建几何矩阵H，其中，第i行表示第i颗卫星的位置向量；
计算几何矩阵H的伪逆H + ；
根据无人机与每颗卫星之间的距离d i 和几何矩阵的伪逆H + ，计算残差向量r，其中， ，n表示测量的卫星数量，i表示卫星的索引，x表示无人机的位置的x轴坐标，y表示无人机的位置的y轴坐标，r i 表示第i颗卫星的残差值，T表示转置操作；
通过计算残差向量的标准差/>，并根据残差向量的标准差/>，排除异常数据，以获得最终的信号和卫星位置数据，其中，w i 表示第i个残差值的权重，根据最终的信号和卫星位置数据，重新计算无人机的位置。
2.根据权利要求1所述的无人机自主飞行路径规划方法，其特征在于，根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息，包括：
构建SSD网络模型；
将图像输入SSD网络模型，通过前向传播，提取图像的特征，以得到特征图；
通过在特征图上生成锚框，以得到锚框目标；
根据特征图和锚框目标，通过卷积操作和回归层生成预测框，每个预测框分别有对应的类别概率和位置信息；
根据类别概率和位置信息，对预测框进行筛选和过滤，以得到最终的目标检测结果；
根据最终的目标检测结果提取移动障碍物的特征；
通过跟踪移动障碍物在连续帧中的位置变化，预测移动障碍物的速度和方向；
根据移动障碍物的特征和运动信息，将移动障碍物分类为不同的类型。
3.根据权利要求2所述的无人机自主飞行路径规划方法，其特征在于，根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果，包括：
根据移动障碍物的类型、速度和方向信息，确定预测的时间段；
根据移动障碍物的速度和方向，计算在预测的时间段内移动障碍物在水平方向上的位移dx和垂直方向上的位移dy，其中，，，其中，t为预测的时间段，v为移动障碍物的速度，/>为方向，和/>分别表示水平方向和垂直方向上的权重；
根据当前无人机的位置和预测的位移向量，确定预测结果。
4.根据权利要求3所述的无人机自主飞行路径规划方法，其特征在于，根据预测结果和当前无人机的位置，确定避障路径，包括：
根据移动障碍物在预测时间段后的位置坐标和当前无人机的位置坐标，计算无人机与移动障碍物之间的距离和方向；
根据设定的安全距离阈值，判断无人机与移动障碍物之间的距离是否＜阈值，若是，则进行避障，并根据无人机与移动障碍物之间的相对位置和方向，确定避障路径，若否，则继续按照原定路径飞行。
5.根据权利要求4所述的无人机自主飞行路径规划方法，其特征在于，根据避障路径和当前无人机的位置，生成新的飞行路径，包括：
根据避障路径和当前无人机的位置，确定新的飞行路径的起点和终点，起点是当前无人机的位置，终点是避障路径的最后一个点；
遍历避障路径上的每个点，计算路径的总长度；
根据需要平滑路径的程度和飞行控制的要求，确定插值点的数量和间隔；
根据插值点的数量和间隔，在避障路径上均匀地插入插值点，以得到新的飞行路径。
6.根据权利要求5所述的无人机自主飞行路径规划方法，其特征在于，将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行，包括：
根据飞行控制要求和应用场景，确定无人机的飞行速度和飞行高度；
将连续的飞行路径离散化为一系列的航点，航点是无人机飞行的关键点，包括位置坐标和飞行姿态信息；
根据每个航点的位置坐标和飞行姿态，生成相应的飞行控制指令；
将生成的飞行控制指令发送至无人机的飞行控制系统；
无人机的飞行控制系统接收到飞行控制指令后，根据指令的要求，控制无人机按照新的飞行路径进行飞行，无人机根据指令调整飞行速度、方向和姿态参数，以实现预定的飞行路径。
7.一种无人机自主飞行路径规划系统，其特征在于，应用于如权利要求1至6中任一项所述的方法中，包括：
获取模块，用于获取无人机的当前位置以及移动障碍物位置；根据所述移动障碍物位置，获取移动障碍物的类型、速度和方向信息；根据所述移动障碍物的类型、速度和方向信息，对移动障碍物的位置进行预测，以得到预测结果；
处理模块，用于根据预测结果和当前无人机的位置，确定避障路径；根据避障路径和当前无人机的位置，生成新的飞行路径；将新的飞行路径转化为无人机的飞行控制指令，以使无人机按照新的飞行路径飞行。
8.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594309.3A CN117311393B (zh) | 2023-11-27 | 2023-11-27 | 一种无人机自主飞行路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594309.3A CN117311393B (zh) | 2023-11-27 | 2023-11-27 | 一种无人机自主飞行路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117311393A CN117311393A (zh) | 2023-12-29 |
| CN117311393B true CN117311393B (zh) | 2024-05-31 |
Family
ID=89297605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311594309.3A Active CN117311393B (zh) | 2023-11-27 | 2023-11-27 | 一种无人机自主飞行路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311393B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930870B (zh) * | 2024-03-21 | 2024-06-18 | 天津万森科技发展有限公司 | 一种无人机的实时避障方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106168808A (zh) * | 2016-08-25 | 2016-11-30 | 南京邮电大学 | 一种基于深度学习的旋翼无人机自动巡航方法及其系统 |
| CN109564292A (zh) * | 2016-12-01 | 2019-04-02 | 谷歌有限责任公司 | 用于位置确定的方法和系统 |
| CN110209188A (zh) * | 2018-02-28 | 2019-09-06 | 西安中兴新软件有限责任公司 | 一种控制无人机飞行的方法及系统、无人机 |
| CN112506222A (zh) * | 2020-12-10 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种无人机智能化避障方法及装置 |
| CN112799426A (zh) * | 2020-12-25 | 2021-05-14 | 陈南方 | 一种基于大数据分析的无人机导航控制系统及方法 |
| CN113485441A (zh) * | 2021-08-03 | 2021-10-08 | 国网江苏省电力有限公司泰州供电分公司 | 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 |
| KR20220129218A (ko) * | 2021-03-16 | 2022-09-23 | 한국전자통신연구원 | 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체 |
| CN115686052A (zh) * | 2022-11-22 | 2023-02-03 | 深圳市边界智控科技有限公司 | 无人机避障路径规划方法、装置、计算机设备及存储介质 |
-
2023
- 2023-11-27 CN CN202311594309.3A patent/CN117311393B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106168808A (zh) * | 2016-08-25 | 2016-11-30 | 南京邮电大学 | 一种基于深度学习的旋翼无人机自动巡航方法及其系统 |
| CN109564292A (zh) * | 2016-12-01 | 2019-04-02 | 谷歌有限责任公司 | 用于位置确定的方法和系统 |
| CN110209188A (zh) * | 2018-02-28 | 2019-09-06 | 西安中兴新软件有限责任公司 | 一种控制无人机飞行的方法及系统、无人机 |
| CN112506222A (zh) * | 2020-12-10 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种无人机智能化避障方法及装置 |
| CN112799426A (zh) * | 2020-12-25 | 2021-05-14 | 陈南方 | 一种基于大数据分析的无人机导航控制系统及方法 |
| KR20220129218A (ko) * | 2021-03-16 | 2022-09-23 | 한국전자통신연구원 | 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체 |
| CN113485441A (zh) * | 2021-08-03 | 2021-10-08 | 国网江苏省电力有限公司泰州供电分公司 | 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 |
| CN115686052A (zh) * | 2022-11-22 | 2023-02-03 | 深圳市边界智控科技有限公司 | 无人机避障路径规划方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117311393A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11393216B2 (en) | Method of computer vision based localisation and navigation and system for performing the same | |
| CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
| Petrovskaya et al. | Model based vehicle detection and tracking for autonomous urban driving | |
| CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和系统 | |
| CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
| CN117311393B (zh) | 一种无人机自主飞行路径规划方法及系统 | |
| CN112578673B (zh) | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 | |
| CN111354022B (zh) | 基于核相关滤波的目标跟踪方法及系统 | |
| CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
| CN115686052A (zh) | 无人机避障路径规划方法、装置、计算机设备及存储介质 | |
| KR20220019204A (ko) | 자율주행 차량에서의 주행 경로 생성 및 제어 시스템 및 방법 | |
| CN117589167A (zh) | 一种基于三维点云模型的无人机巡检航线规划方法 | |
| Masmoudi et al. | Autonomous car-following approach based on real-time video frames processing | |
| CN117115752A (zh) | 一种高速公路视频监控方法及系统 | |
| Madhavan et al. | Moving object prediction for off-road autonomous navigation | |
| EP4050510A1 (en) | Object information calculation method and system | |
| CN115311580A (zh) | 基于图像识别的无人机威胁判定方法及相关设备 | |
| Pouya et al. | Performing active search to locate indication of ancient water on mars: An online, probabilistic approach | |
| Kwon et al. | Cooperative target localization by multiple unmanned aircraft systems using sensor fusion quality | |
| Kim et al. | Airborne monitoring of ground traffic behaviour for hidden threat assessment | |
| Ellingson et al. | Deep RC: Enabling remote control through deep learning | |
| CN113963027B (zh) | 不确定性检测模型的训练、不确定性的检测方法及装置 | |
| CN117036966B (zh) | 地图中点位特征的学习方法、装置、设备及存储介质 | |
| CN117452969B (zh) | 基于多模态数据处理的无人机导航方法 | |
| Traboulsi | Quadcopter Behaviour Identification |
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 |