CN117472081B - 一种基于感知约束的无人机避障方法 - Google Patents

Abstract

本申请公开了一种基于感知约束的无人机避障方法，包括：构建障碍物数据库；基于无人机低空飞行时采集的环境图片生成障碍物数据库，与障碍物数据库构建飞行空间模型；基于飞行空间模型，规划碰撞规避路线集；获取飞行空间模型中障碍物模型的第一位置，基于第一位置构建第一感知约束；获取无人机的外形尺寸以及所述无人机与障碍物的安全距离，与第一感知约束构建第二感知约束；基于第二感知约束规划碰撞规避路线集；基于碰撞规避路线集选取最优碰撞规避路线控制无人机避障。本发明通过第一感知约束和第二感知约束对无人机避障飞行过程进行约束，进而使得无人机能够准确地规划出无人机需要避障时的安全路线，提高无人机的避障性能。

Description

一种基于感知约束的无人机避障方法

技术领域

本申请涉及一种基于感知约束的无人机避障方法，属于无人机避障技术领域。

背景技术

无人机在飞行过程中往往面临着山脉、建筑物、树木和输电线路等有形障碍物的安全威胁。因此，避障飞行对于无人机具有非常重要的意义，是无人机完成复杂、多功能高难度动作的前提条件。

目前，国内外关于无人机避障方面已有广泛的研究，一般依赖于单个高精度测量设备来获取飞行路线上的障碍物，例如专利公开号为CN105549014A的专利文件公开了无人机的激光避障系统，该系统包括激光器组件，激光器组件安装在无人机上，无人机上还设置有驱动组件，驱动组件驱动激光器组件在无人机上进行转动，激光器组件包括激光发射器和激光接收器，激光发射器向外界发送激光，激光接收器接受外界障碍物反射回来的激光，并将激光信号发送至无人机的控制模块，控制模块控制无人机避开外界障碍物飞行。上述无人机激光避障系统，虽然能够通过接受被外界反射的激光信号来判断障碍物，实现无人机的自动避障，但只通过被外界反射的激光信号对障碍物的感知有限，部分障碍物会使得部分激光反射方向发生变化，进而激光接收器不能完全接收到全部的发射激光，进而使得激光避障系统对障碍物的边界判断不准确，使得无人机发生碰撞，导致无人机损坏的情况出现。

发明内容

本申请提供一种基于感知约束的无人机避障方法，解决了现有无人机飞行过程中通过激光反射的方式，容易出现获取障碍物信息不全面，导致无人机发生碰撞的问题。

针对上述问题，本申请提出以下具体技术方案内容：

一种基于感知约束的无人机避障方法，具体步骤包括：

S1、基于无人机低空飞行时采集的环境图片生成障碍物数据库；

S2、获取无人机周围的环境数据，与所述障碍物数据库构建飞行空间模型；

S3、基于所述飞行空间模型，规划碰撞规避路线集；

S3.0、获取所述飞行空间模型中障碍物模型的第一位置，基于所述第一位置构建第一感知约束；

S3.1、获取所述无人机的外形尺寸以及所述无人机与障碍物的安全距离，与所述第一感知约束构建第二感知约束；

S3.2、基于所述第二感知约束规划碰撞规避路线集；

S4、基于所述碰撞规避路线集选取最优碰撞规避路线控制无人机避障。

优选地，所述S1中，基于所述无人机低空飞行时采集的环境图片生成障碍物数据库包括：

无人机低空飞行获取环境图片作为训练样本；

人工对所述训练样本中的障碍物进行人工标注；

将训练样本输入至SSD网络模型中进行特征提取生成障碍物数据库；

其中，所述障碍物包括：动态障碍物和静态障碍物，所述人工标注所述训练样本中环境图片上的静态障碍物和动态障碍物；

其中，所述动态障碍物为树木、飞禽以及线缆中的至少一种，所述静态障碍物为建筑、线塔、路灯以及线杆中的至少一种。

优选地，所述S2中获取无人机周围的环境数据，与所述障碍物数据库构建飞行空间模型，至少包括：

获取所述无人机飞行中周围环境的图像数据，基于环境数据构建出环境模型；

获取所述无人机的外形尺寸构建无人机模型，基于所述无人机模型与所述环境数据构建飞行场景模型；

将所述障碍物数据库输入所述飞行场景模型中构建所述飞行空间模型。

优选地，将所述障碍物数据库输入所述飞行场景模型中构建所述飞行空间模型包括：

将所述障碍物数据库输入所述飞行场景模型中，通过所述障碍物数据库优化所述飞行场景模型中所述障碍物模型，得到所述飞行空间模型。

优选地，所述S3.0中，获取所述飞行空间模型中所述障碍物模型的第一位置，基于所述第一位置构建第一感知约束包括：

S3.01、获取所述飞行空间模型中所述障碍物模型的第一位置，对所述障碍物模型进行空间采样，获得所述障碍物的轮廓空间区域；

S3.02、分析对比相邻两个所述轮廓空间区域，获得相邻两个所述轮廓空间区域，所述轮廓空间区域用于所述无人机飞行的飞行空间模型区域；

S3.03、整合所述飞行空间模型区域，获得所述第一感知约束。

优选地，所述S3.1中，获取所述无人机的外形尺寸以及所述无人机与障碍物的安全距离，与所述第一感知约束构建第二感知约束：

S3.11、获取无人机的外形尺寸，根据所述外形尺寸构建无人机模型；

S3.12、获取所述无人机与所述障碍物的安全距离，基于所述安全距离在所述无人机模型上构建禁入区；

S3.13、获取所述飞行空间模型区域，并在所述飞行空间模型区域内预选取飞行航点，并确定所述无人机在所述飞行航点上的第一飞行方向，基于所述第一飞行方向在所述飞行空间模型中对应所述飞行航点的位置构建第一方向向量；

S3.14、将S3.12的所述无人机模型融合至所述飞行空间模型内位于所述飞行航点的位置，判断所述禁入区是否与所述轮廓空间区域出现叠合；若是，则进行S3.15；若否；则进行S3.16；

S3.15、对应的所述飞行航点不能用于所述无人机进行避障，舍弃对应的所述飞行航点，然后进行S3.17；

S3.16、所述飞行航点能够用于所述无人机进行避障，保留所述飞行航点；

S3.17、重复S3.14~S3.16筛选出能够用于所述无人机进行避障的所述飞行航点；

S3.18、整合所有用于所述无人机能够进行避障的所述飞行航点，构建所述第二感知约束。

优选地，所述S3.2中，基于所述第二感知约束规划碰撞规避路线包括：

S3.21、获取所述无人机模型在所述飞行空间模型中的第二位置以及第二速度矢量、所述障碍物的第一速度矢量以及第一位置；

S3.22、基于所述第一位置、所述第一速度矢量、所述第二位置和所述第二速度矢量，判断所述无人机模型是否与所述障碍物模型发生碰撞；若是，进行S3.23；若否，则重复S3.21；

S3.23、获取无人机模型对应所述第二位置处的第二飞行方向，在所述飞行空间模型中构建所述第二飞行方向对应的第二方向向量；

S3.24、获取飞行空间模型内筛选出能够用于所述无人机进行避障的飞行航点的第三位置；

S3.25、在所述飞行空间模型内基于所述第二位置、所述第二方向向量、所述第三位置以及所述第一方向向量构建所述无人机飞行的Dubins曲线，整合所述Dubins曲线获得碰撞规避路线集。

优选地，所述S4中，基于所述碰撞规避路线集选取最优碰撞规避路线控制无人机避障包括：

S4.1、获取所述碰撞规避路线中Dubins曲线的长度，获得每个所述Dubins曲线对应所述无人机避障的位移参数；

S4.2、获取Dubins曲线中所述第二位置处以及所述第三位置处所述无人机的姿态，获得所述无人机的姿态调整参数；

S4.3、获取所述无人机沿着所述Dubins曲线避障飞行过程中，所述无人机模型与所述障碍物模型的距离，获得所述无人机的飞行安全参数；

S4.4、基于所述位移参数、所述姿态调整参数以及所述飞行安全参数确定最优的Dubins曲线控制所述无人机进行避障。

优选地，所述方法中还包括：获取所述无人机的第一运动信息和所述障碍物的第二运动信息，基于所述第一运动信息和第二运动信息判断所述障碍物是否追踪所述无人机，若是，将追踪信息发送至预设的智能终端。

优选地，基于所述第一运动信息和第二运动信息判断所述障碍物是否追踪所述无人机包括：

对所述第一运动信息和所述第二运动信息进行运动参数提取，获得多个第一运动参数值和第二运动参数值；基于所述第一运动参数值和所述第二运动参数值，构建所述第一运动信息的第一运动状态向量、所述第二运动信息的第二运动状态向量；

对比所述第一运动状态向量和第二运动状态向量，获得对比值；

若所述对比值位于预设的对比阈值范围，则判定所述障碍物对所述无人机进行追踪。

本申请能产生的有益效果包括：

1、本发明通过先构建障碍物数据库，然后对障碍物数据库的模型与无人机获取的周围环境数据进行结合，构建出无人机飞行的空间模型，在无人机空间模型上通过对比相邻两个障碍物轮廓空间区域，获得用于无人机飞行的飞行空间模型区域，形成第一感知约束，对无人机避障过程中飞行的空间区域进行约束；在第一约束感知的基础上，获取飞行空间模型区域内的飞行航点，通过无人机模型以及其周围设置的禁入区筛选飞行航点，构建第二感知约束，进一步对无人机避障过程中飞行的空间区域中的飞行航点位进行约束，通过第一感知约束和第二感知约束，进而使得无人机能够准确地规划出无人机需要避障时的安全路线，提高无人机的避障性能；

2、本发明中通过障碍物与无人机飞行过程中相邻两个时刻的间距进行对比，进而初步判断出障碍物是否追踪无人机，然后通过无人机的第一运动状态信息与障碍物第二运动状态信息进行对比，进一步确定障碍物是否追踪无人机，通过上述两种方法可准确地判断出障碍物是否追踪无人机，提高了判断的合理性和准确性。

附图说明

图1为本申请一种基于感知约束的无人机避障方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

参见图1，本实施例公开了一种基于感知约束的无人机避障方法，具体步骤包括：

S1、基于无人机低空飞行时采集的环境图片生成障碍物数据库；

具体地，通过无人机低空飞行获取环境图片，以及通过网络获取网络上关于无人机飞行中遇到的障碍物作为训练样本；然后人工标注出训练样本中的障碍物，将标注出的障碍物的训练样本输入至SSD网络模型中进行特征提取生成障碍物数据库；

其中，障碍物包括：各种角度（俯视、仰视、侧视和平视等）下的动态障碍物和静态障碍物，人工标注障碍物中的静态障碍物和动态障碍物，将标注后的障碍物输入至SSD网络模型中进行训练，构建所述障碍物数据库；

其中，SSD网络模型是以VGG-16作基本的前馈神经网络，然后，在卷积层Conv7后面添加附加的全连接层Conv8，增强特征图的表征能力；将卷积层Conv4_3和全连接层Conv8组合以产生反卷积层DConv13，提高特征层的分辨率。

其中，动态障碍物为树木、飞禽以及线缆中的至少一种，静态障碍物为建筑、线塔、路灯以及线杆中的至少一种。

上述方法中，通过获取网络上无人机在飞行过程中的障碍物，人工标注和分类，然后通过SSD网络模型进行提出和训练，使得构建出的障碍物数据库全面且分辨率高，同时，障碍物数据库中对障碍物的种类进行分类，使得构建的障碍物数据库能够适用于无人机复杂飞行场景中。

S2、获取无人机周围的环境数据，与障碍物数据库构建飞行空间模型；

具体地，通过无人机上安装的光学相机、视觉相机清晰获取无人机飞行过程中周围环境的图像数据，同时，无人机上的时间模块获取该图像数据对应的时刻数据；将时刻数据与图像数据进行同步，获得时间同步后的环境数据，将时间同步后的环境数据输入构建模型中，根据时间的先后顺序构建出环境模型；

获取无人机的外形尺寸，根据无人机的外形尺寸构建无人机模型，基于无人机模型与环境模型构建飞行场景模型；

将障碍物数据库输入飞行场景模型中构建所述飞行空间模型。

其中，将障碍物数据库输入飞行场景模型中，通过障碍物数据库优化飞行空间模型中构建的障碍物模型，缩小障碍物模型的轮廓与实际障碍物轮廓的差距，确定障碍物的位置，并根据障碍物数据库中障碍物的分类，对飞行空间模型中的障碍物模型进行分类，确定飞行空间中障碍物中哪些属于静态障碍物，哪些属于动态障碍物，然后在飞行空间模型中对应标注。通过上述的方法可使得无人机能够对飞行空间模型中的静态障碍物和动态障碍物进行分类，根据障碍物的种类规划最优的规避路线。

S3、基于所述飞行空间模型，规划碰撞规避路线集；

S30、获取飞行空间模型中障碍物模型的第一位置，基于第一位置构建第一感知约束；

具体步骤如下：

S301、根据飞行空间模型中障碍物模型的位置，获取障碍物模型的第一位置，对障碍物模型进行空间采样，获得障碍物的轮廓空间区域；

S302、分析对比相邻两个轮廓空间区域在飞行空间模型中所占取的空间位置，获得飞行空间模型中位于相邻两个轮廓空间区域之间用于无人机飞行的飞行空间模型区域，进而确定飞行空间模型中无人机能够进行飞行的多个飞行空间模型区域；

S303、整合多个飞行空间模型区域，获得第一感知约束，通过第一感知约束限定无人机的安全飞行区域，降低无人机飞行过程中与障碍物发生碰撞的概率。

S31、获取无人机的外形尺寸以及无人机与障碍物的安全距离，与第一感知约束构建第二感知约束；

具体步骤如下：

S311、获取无人机的外形尺寸，根据外形尺寸构建无人机模型；

S312、获取无人机与障碍物的安全距离，将安全距离输入至无人机模型中，在无人机模型的周围区域构建无人机自身的禁入区；

S313、获取第一感知约束中的飞行空间模型区域，并在飞行空间模型区域内预选取多个无人机的飞行航点，并标记每个飞行航点的位置，然后确定无人机在每个飞行航点上的第一飞行方向，基于第一飞行方向在飞行空间模型内对应飞行航点的位置构建第一方向向量；

S314、将S312中构建有禁入区的无人机模型融合至飞行空间模型内预选取的每个飞行航点的位置，判断无人机模型的禁入区是否与飞行空间模型中飞行航点位置处的障碍物的轮廓空间区域出现叠合；若是出现叠合，则进行S315；若没有出现叠合；则进行S316；

S315、以飞行空间模型中该飞行航点上确定的第一方向向量为旋转轴，旋转无人机模型，然后返回S314，进行再次判断；且无人机模型在旋转过程中，每次旋转的角度为10°，若是无人机模型旋转360°之后，无人机模型的禁入区仍然与飞行空间模型中飞行航点位置处的障碍物的轮廓空间区域出现叠合，则舍弃无人机模型的禁入区与飞行空间模型中飞行航点位置处的障碍物的轮廓空间区域出现叠合的飞行航点，然后进行S317；

若旋转无人机过程中，无人机模型的禁入区出现没有与飞行空间模型中飞行航点位置处的障碍物的轮廓空间区域出现叠合的情况，则停止旋转无人机模型，确定该飞行航点能够用于无人机进行避障，且该飞行航点处于无人机避障过程中，无人机模型对应姿态为实际无人机飞过该飞行航点的姿态；

其中，上述方法中若为螺旋桨无人机则不进行旋转，直接舍弃该飞行航点；

S316、则该飞行航点能够用于无人机进行飞行避障，保留该飞行航点；

S317、重复S314~S316筛选出飞行空间模型区域内预选取的所有飞行航点中用于无人机进行避障的所述飞行航点；

S319、整合所有用于无人机进行避障的飞行航点，构建第二感知约束数据，然后进行S32。

S32、基于所述第二感知约束规划碰撞规避路线集；

具体步骤如下：

S321、通过无人机GPS定位以及毫米波雷达获取无人机模型在飞行空间模型中的第二位置以及第二速度矢量、障碍物的第一速度矢量以及第一位置，具体地，当在飞行空间模型中识别障碍物模型，确定障碍物模型的第二位置（障碍物在无人机周围的位置）和第二速度矢量（障碍物的速度方向和速度大小），确定此时飞行空间模型中无人机模型的第一位置（无人机在空间中的位置）和第一速度矢量（无人机的速度方向和速度大小）；

S322、基于第一位置、第一速度矢量、第二位置和第二速度矢量，判断无人机模型是否与所述障碍物模型发生碰撞；若是，则进行S323；若否，则重复S321；

S323、获取无人机模型对应第二位置处的第二飞行方向，在飞行空间模型中构建第二飞行方向对应的第二方向向量；

S324、获取飞行空间模型中第一感知约束内筛选出能够用于无人机进行避障的飞行航点的第三位置，并对应获取该飞行航点的无人机避障的姿态；

S325、在飞行空间模型内基于第二位置、第二方向向量、第三位置以及第一方向向量构建无人机飞行的Dubins曲线，其中，Dubins曲线中第二位置和第二方向向量位置起点、第三位置和第一方向向量为终点，且每个飞行航点分别与无人机的第一位置生成一条Dubins曲线，将Dubins曲线与该飞行航点对应的无人机避障的姿态进行关联，整合所用的Dubins曲线获得碰撞规避路线集。

S4、基于所述碰撞规避路线集选取最优碰撞规避路线控制无人机避障。

具体步骤如下：

S41、获取碰撞规避路线中Dubins曲线的长度，获得每条Dubins曲线对应无人机避障的位移参数；

S42、获取Dubins曲线中第二位置以及第三位置处无人机的姿态，获得每条Dubins曲线对应的无人机的姿态调整参数；

S43、获取无人机沿着Dubins曲线避障飞行过程中，无人机模型与障碍物模型之间的距离，获得每条Dubins曲线对应的无人机的飞行安全参数；

S44、基于位移参数、姿态调整参数以及飞行安全参数筛选碰撞规避路线集中位移参数最小、姿态调整参数最小以及飞行安全参数最大的多条Dubins曲线，然后获取无人机此时的电量信息，根据无人机的电量信息确定一条Dubins曲线，进而确定出最优的Dubins曲线控制无人机进行避障。

本发明通过构建障碍物数据库与无人机获取的周围环境数据进行结合，构建出无人机的飞行空间模型，在无人机的飞行空间模型中通过对比相邻两个障碍物轮廓空间区域，获得能够用于无人机的飞行空间模型区域，形成第一感知约束，对无人机的避障过程中飞行的空间区域进行约束；在第一约束感知的基础上，获取飞行空间模型区域内的飞行航点，通过无人机模型周围设置的禁入区在飞行航点上是否与障碍物模型发生叠合，筛选出能够用于无人机避障的飞行航点，组成第二感知约束，进一步对无人机的避障过程中飞行的空间区域中的飞行航点进行约束，通过第一感知约束和第二感知约束，使得无人机能够准确地规划出无人机需要避障时的安全路线，提高无人机的避障性能。

优选地，所述方法中还包括：获取所述无人机的第一运动信息和所述障碍物的第二运动信息，基于所述第一运动信息和第二运动信息判断所述障碍物是否追踪所述无人机，若是，将追踪信息发送至预设的智能终端。

其中，对所述第一运动信息和所述第二运动信息进行运动参数提取，获得多个第一运动参数值和第二运动参数值；同时，运动参数中还包括：无人机与障碍物的距离，该距离是无人机避障完成之后与障碍物相邻两个时刻的间距，通过对比相邻两个时刻的间距，判断障碍物是否与无人机相向运动，进而获得初步判断障碍物是否追踪无人机，若是，将追踪信息发送至预设的智能终端；

其中，第一运动参数值包括：无人机的实时运动方向、无人机的实时速度；第二运动参数值包括：障碍物的实时运动方向、障碍物的实时速度；

基于第一运动参数值构建所述第一运动信息的第一运动状态向量、所述第二运动参数值构建第二运动信息的第二运动状态向量；

其中，第一运动状态向量和第二运动状态向量均为通过实时运动方向和数据构建的运动路线；

获取预设的追踪事件，提取追踪事件中追踪目标的第三运动状态向量，被追踪目标的第四运动状态向量，对比第一运动状态向量与第三运动状态向量、第四运动状态向量和第二运动状态向量，获得对比值；

若对比值位于预设的对比阈值范围，则判定障碍物对无人机进行追踪，将追踪信息发送至预设的智能终端；若对比值超过预设的对比阈值范围，则判定障碍物对无人机不进行追踪。

其中，预设的追踪事件具体为：历史上记录的空中追踪记录，该追踪记录中包括：追踪目标通过运动方向以及运动速度构建的运动曲线以及运动状态向量、被追踪目标通过运动方向以及运动速度构建的运动曲线以及运动状态向量。

本发明中通过障碍物与无人机相邻两个时刻的间距进行对比，进而初步判断出障碍物是否追踪无人机，然后通过无人机的第一运动状态信息与障碍物第二运动状态信息进行对比，进一步确定障碍物是否追踪无人机，通过上述两种方法可准确地判断出障碍物是否追踪无人机，提高了判断的合理性和准确性。

以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (8)

1.一种基于感知约束的无人机避障方法，其特征在于，具体步骤包括：

S1、基于无人机低空飞行时采集的环境图片生成障碍物数据库；

S2、获取无人机周围的环境数据，与所述障碍物数据库构建飞行空间模型；

S3、基于所述飞行空间模型，规划碰撞规避路线集；

S3.0、获取所述飞行空间模型中障碍物模型的第一位置，基于所述第一位置构建第一感知约束；

S3.1、获取所述无人机的外形尺寸以及所述无人机与障碍物的安全距离，与所述第一感知约束构建第二感知约束；

S3.2、基于所述第二感知约束规划碰撞规避路线集；

S4、基于所述碰撞规避路线集选取最优碰撞规避路线控制无人机避障；

所述S3.0中，获取所述飞行空间模型中所述障碍物模型的第一位置，基于所述第一位置构建第一感知约束包括：

S3.01、获取所述飞行空间模型中所述障碍物模型的第一位置，对所述障碍物模型进行空间采样，获得所述障碍物的轮廓空间区域；

S3.02、分析对比相邻两个所述轮廓空间区域，获得相邻两个所述轮廓空间区域，所述轮廓空间区域用于所述无人机飞行的飞行空间模型区域；

S3.03、整合所述飞行空间模型区域，获得所述第一感知约束；

所述S3.1中，获取所述无人机的外形尺寸以及所述无人机与障碍物的安全距离，与所述第一感知约束构建第二感知约束：

S3.11、获取无人机的外形尺寸，根据所述外形尺寸构建无人机模型；

S3.12、获取所述无人机与所述障碍物的安全距离，基于所述安全距离在所述无人机模型上构建禁入区；

S3.13、获取所述飞行空间模型区域，并在所述飞行空间模型区域内预选取飞行航点，并确定所述无人机在所述飞行航点上的第一飞行方向，基于所述第一飞行方向在所述飞行空间模型中对应所述飞行航点的位置构建第一方向向量；

S3.14、将S3.12的所述无人机模型融合至所述飞行空间模型内位于所述飞行航点的位置，判断所述禁入区是否与所述轮廓空间区域出现叠合；若是，则进行S3.15；若否；则进行S3.16；

S3.15、对应的所述飞行航点不能用于所述无人机进行避障，舍弃对应的所述飞行航点，然后进行S3.17；

S3.16、所述飞行航点能够用于所述无人机进行避障，保留所述飞行航点；

S3.17、重复S3.14~S3.16筛选出能够用于所述无人机进行避障的所述飞行航点；

S3.18、整合所有用于所述无人机能够进行避障的所述飞行航点，构建所述第二感知约束。

2.根据权利要求1所述的一种基于感知约束的无人机避障方法，其特征在于，所述S1中，基于无人机低空飞行时采集的环境图片生成障碍物数据库包括：

无人机低空飞行获取环境图片作为训练样本；

人工对所述训练样本中的障碍物进行人工标注；

将训练样本输入至SSD网络模型中进行特征提取生成障碍物数据库；

其中，所述障碍物包括：动态障碍物和静态障碍物；

所述人工标注所述训练样本中环境图片上的静态障碍物和动态障碍物；

其中，所述动态障碍物为树木、飞禽以及线缆中的至少一种，所述静态障碍物为建筑、线塔、路灯以及线杆中的至少一种。

3.根据权利要求2所述的一种基于感知约束的无人机避障方法，其特征在于，所述S2中获取无人机周围的环境数据，与所述障碍物数据库构建飞行空间模型，至少包括：

获取所述无人机飞行中周围环境的图像数据，基于环境数据构建出环境模型；

获取所述无人机的外形尺寸构建无人机模型，基于所述无人机模型与所述环境模型构建飞行场景模型；

将所述障碍物数据库输入所述飞行场景模型中构建所述飞行空间模型。

4.根据权利要求3所述的一种基于感知约束的无人机避障方法，其特征在于，将所述障碍物数据库输入所述飞行场景模型中构建所述飞行空间模型包括：

将所述障碍物数据库输入所述飞行场景模型中，通过障碍物数据库优化所述飞行场景模型中所述障碍物模型，得到所述飞行空间模型。

5.根据权利要求1所述的一种基于感知约束的无人机避障方法，其特征在于，所述S3.2中，基于所述第二感知约束规划碰撞规避路线包括：

S3.21、获取所述无人机模型在所述飞行空间模型中的第二位置以及第二速度矢量、所述障碍物的第一速度矢量以及第一位置；

S3.22、基于所述第一位置、所述第一速度矢量、所述第二位置和所述第二速度矢量，判断所述无人机模型是否与所述障碍物模型发生碰撞；若是，则进行S3.23；若否，则重复S3.21；

S3.23、获取无人机模型对应所述第二位置处的第二飞行方向，在所述飞行空间模型中构建所述第二飞行方向对应的第二方向向量；

S3.24、获取飞行空间模型内筛选出能够用于所述无人机进行避障的飞行航点的第三位置；

S3.25、在所述飞行空间模型内基于所述第二位置、所述第二方向向量、所述第三位置以及所述第一方向向量构建所述无人机飞行的Dubins曲线，整合所述Dubins曲线获得碰撞规避路线集。

6.根据权利要求5所述的一种基于感知约束的无人机避障方法，其特征在于，所述S4中，基于所述碰撞规避路线集选取最优碰撞规避路线控制无人机避障包括：

S4.1、获取所述碰撞规避路线中所述Dubins曲线的长度，获得每个所述Dubins曲线对应所述无人机避障的位移参数；

S4.2、获取Dubins曲线中所述第二位置处以及所述第三位置处所述无人机的姿态，获得所述无人机的姿态调整参数；

S4.3、获取所述无人机沿着所述Dubins曲线避障飞行过程中，所述无人机模型与所述障碍物模型的距离，获得所述无人机的飞行安全参数；

S4.4、基于所述位移参数、所述姿态调整参数以及所述飞行安全参数确定最优的所述Dubins曲线控制所述无人机进行避障。

7.根据权利要求1所述的一种基于感知约束的无人机避障方法，其特征在于，所述方法中还包括：获取所述无人机的第一运动信息和所述障碍物的第二运动信息，基于所述第一运动信息和第二运动信息判断所述障碍物是否追踪所述无人机，若是，将追踪信息发送至预设的智能终端。

8.根据权利要求7所述的一种基于感知约束的无人机避障方法，其特征在于，基于所述第一运动信息和第二运动信息判断所述障碍物是否追踪所述无人机包括：

对所述第一运动信息和所述第二运动信息进行运动参数提取，获得多个第一运动参数值和第二运动参数值；基于所述第一运动参数值和所述第二运动参数值，构建所述第一运动信息的第一运动状态向量、所述第二运动信息的第二运动状态向量；

对比所述第一运动状态向量和第二运动状态向量，获得对比值；

若所述对比值位于预设的对比阈值范围，则判定所述障碍物对所述无人机进行追踪。