CN110262568B - 一种基于目标跟踪的无人机避障方法、装置及无人机 - Google Patents

一种基于目标跟踪的无人机避障方法、装置及无人机 Download PDF

Info

Publication number
CN110262568B
CN110262568B CN201910655674.8A CN201910655674A CN110262568B CN 110262568 B CN110262568 B CN 110262568B CN 201910655674 A CN201910655674 A CN 201910655674A CN 110262568 B CN110262568 B CN 110262568B
Authority
CN
China
Prior art keywords
forward speed
unmanned aerial
aerial vehicle
determining
optimal
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
Application number
CN201910655674.8A
Other languages
English (en)
Other versions
CN110262568A (zh
Inventor
黄金鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Autel Intelligent Aviation Technology Co Ltd
Original Assignee
Shenzhen Autel Intelligent Aviation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Autel Intelligent Aviation Technology Co Ltd filed Critical Shenzhen Autel Intelligent Aviation Technology Co Ltd
Priority to CN201910655674.8A priority Critical patent/CN110262568B/zh
Publication of CN110262568A publication Critical patent/CN110262568A/zh
Priority to PCT/CN2020/102878 priority patent/WO2021013110A1/zh
Application granted granted Critical
Publication of CN110262568B publication Critical patent/CN110262568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05D1/12—Target-seeking control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明实施例涉及无人机自主避障技术领域，特别是涉及一种基于目标跟踪的无人机避障方法、装置及无人机。其中，基于目标跟踪的无人机避障方法包括：确定无人机的预期前向速度，预期前向速度用于使无人机与目标保持初始水平距离；获取无人机前方环境的深度图，并根据深度图，确定以无人机为中心的栅格地图；根据栅格地图，确定无人机的最优飞行方向以及无人机与障碍物的最小距离；根据最小距离、预期前向速度以及最优飞行方向，确定无人机的最优飞行速度；控制无人机以最优飞行速度沿最优飞行方向飞行，以躲避无人机前方环境的障碍物。通过上述方式，本发明实施例能够对整个飞行空间进行路径规划，提高目标跟踪过程中自主避障的准确性。

Description

一种基于目标跟踪的无人机避障方法、装置及无人机
技术领域
本发明实施例涉及无人机自主避障技术领域，特别是涉及一种基于目标跟踪的无人机避障方法、装置及无人机。
背景技术
无人机是一种由无线电遥控设备或自身程序控制装置操纵的无人驾驶飞行器。随着无人机相关技术的发展及其应用场景的复杂变化，对无人机自动感知能力及路径规划算法的要求越来越高，尤其在无人机的自主避障技术中，需要无人机通过感知自身的运动状态和周围的环境，并结合路径规划算法，在有障碍物的环境中安全地、无碰撞地飞行，避免与障碍物发生碰撞。
目前，无人机基于目标跟踪进行自主避障时，主要通过轨迹库中设定好的飞行轨迹以及飞行轨迹上设定的各个时刻的飞行速度进行飞行，但该种方式所设定的飞行轨迹无法覆盖整个飞行空间，使得无人机无法对飞行轨迹外的区域进行路径规划，若飞行空间中存在动态变化，则无人机无法进行准确避障。
发明内容
本发明实施例旨在提供一种基于目标跟踪的无人机避障方法、装置及无人机，能够对整个飞行空间进行路径规划，提高目标跟踪过程中自主避障的准确性。
为解决上述技术问题，本发明实施例采用的一个技术方案是：提供一种基于目标跟踪的无人机避障方法，所述方法包括：
确定无人机的预期前向速度，所述预期前向速度用于使所述无人机与目标保持初始水平距离；
获取所述无人机前方环境的深度图，并根据所述深度图，确定以所述无人机为中心的栅格地图；
根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离；
根据所述最小距离、所述预期前向速度以及所述最优飞行方向，确定所述无人机的最优飞行速度；
控制所述无人机以所述最优飞行速度沿所述最优飞行方向飞行，以躲避所述无人机前方环境的障碍物。
可选地，所述确定无人机的预期前向速度，包括：
获取所述无人机与所述目标的初始水平距离；
确定所述无人机与所述目标的当前水平距离；
基于所述初始水平距离，对所述当前水平距离进行P I D调节，以确定所述无人机的所述预期前向速度。
可选地，所述无人机包括云台，所述方法还包括：
控制所述云台的中心对准所述目标；则，
所述确定所述无人机与所述目标的当前水平距离，包括：
获取所述云台的当前对地高度和当前俯仰角；
根据所述当前对地高度以及所述当前俯仰角确定所述无人机与所述目标的当前水平距离。
可选地，所述方法还包括：
确定所述无人机的当前前向速度；则，
所述根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离，包括：
根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域；
在所述障碍物检测区域中，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离。
可选地，所述根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域，包括：
比较所述当前前向速度和所述预期前向速度；
若所述当前前向速度小于所述预期前向速度，则根据所述预期前向速度在所述栅格地图中确定所述障碍物检测区域；
若所述当前前向速度大于所述预期前向速度，则根据所述当前前向速度在所述栅格地图中确地所述障碍物检测区域。
可选地，当根据所述预期前向速度在所述栅格地图中确定障碍物检测区域时，所述预期前向速度越大，所述障碍物检测区域越大；
当根据所述当前前向速度在所述栅格地图中确定障碍物检测区域时，所述当前前向速度越大，所述障碍物检测区域越大。
可选地，所述在所述障碍物检测区域中，确定所述无人机的最优飞行方向，包括：
在所述障碍物检测区域中，确定所述无人机的可通行区域，其中，所述可通行区域为不存在障碍物的区域；
根据所述可通行区域，确定所述无人机的候选飞行方向；
根据代价函数计算所述候选飞行方向的代价函数值；
将所述代价函数值最小的候选飞行方向确定为所述无人机的最优飞行方向。
可选地，所述在所述障碍物检测区域中，确定所述无人机的可通行区域，包括：
以所述无人机为中心，预设角度为间隔，对所述障碍物检测区域进行划分，以将所述障碍物检测区域划分为多个区域；
采样障碍物的坐标；
确定所述坐标未落入的区域为所述可通行区域。
可选地，所述采样障碍物的坐标，包括：
采样所述障碍物检测区域中被所述障碍物占据的栅格的中心点坐标和/或被所述障碍物占据的栅格的角点坐标。
可选地，所述代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum
其中，g(direcgoal,direccur)表示所述候选飞行方向中的其中一个候选飞行方向与所述目标的方向的一致性，g(direcpre,direccur)表示所述候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示所述可通行区域的数量，k1、k2、k3为权重系数。
可选地，所述在所述障碍物检测区域中，确定所述无人机与障碍物的最小距离，包括：
确定所述障碍物检测区域中与所述无人机距离最小的障碍物作为目标障碍物；
将所述目标障碍物与所述无人机的距离确定为所述最小距离。
可选地，所述最优飞行速度包括最优前向速度和最优侧向速度；则，
所述根据所述最小距离、所述预期前向速度以及所述最优飞行方向，确定所述无人机的最优飞行速度，包括：
根据所述最小距离，计算所述无人机的最大前向速度；
根据所述最大前向速度和所述预期前向速度，确定所述最优前向速度；
根据所述最优前向速度和所述最优飞行方向，确定所述最优侧向速度。
可选地，所述根据所述最大前向速度和所述预期前向速度，确定所述最优前向速度，包括：
比较所述最大前向速度和所述预期前向速度；
若所述最大前向速度大于所述预期前向速度，则确定所述预期前向速度为所述最优前向速度；
若所述最大前向速度不大于所述预期前向速度，则确定所述最大前向速度为所述最优前向速度。
可选地，所述最优飞行方向对应最优飞行角度；则，
所述根据所述最优前向速度和所述最优飞行方向，确定所述最优侧向速度，包括：
根据所述最优飞行角度的正切值与所述最优前向速度的乘积确定所述最优侧向速度。
可选地，所述获取所述无人机前方环境的深度图，包括：
通过所述无人机的深度传感器获取所述无人机前方环境的深度图。
可选地，在所述根据所述深度图，确定以所述无人机为中心的栅格地图之前，所述方法还包括：
判断所述深度传感器是否存在俯仰角；
若是，则对所述深度图进行深度补偿。
可选地，所述深度传感器为深度相机；则，
若所述深度传感器存在俯仰角，则所述对所述深度图进行深度补偿，包括：
计算所述深度补偿的像素行数，所述深度补偿的像素行数为：
row_see＝tanθ2×f，其中，θ2为所述深度相机的俯仰角，f为所述深度相机的焦距；
根据所述深度补偿的像素行数确定所述无人机的像平面在所述深度图上的行索引，所述无人机的像平面在所述深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为所述深度图行数的一半。
为解决上述技术问题，本发明实施例采用的另一个技术方案是：提供一种基于目标跟踪的无人机避障装置，所述装置包括：
第一确定模块，用于确定无人机的预期前向速度，所述预期前向速度用于使所述无人机与目标保持初始水平距离；
获取模块，用于获取所述无人机前方环境的深度图，并根据所述深度图，确定以所述无人机为中心的栅格地图；
第二确定模块，用于根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离；以及
用于根据所述最小距离、所述预期前向速度以及所述最优飞行方向，确定所述无人机的最优飞行速度；
控制模块，用于控制所述无人机以所述最优飞行速度沿所述最优飞行方向飞行，以躲避所述无人机前方环境的障碍物。
可选地，所述第一确定模块具体用于：
获取所述无人机与所述目标的初始水平距离；
确定所述无人机与所述目标的当前水平距离；
基于所述初始水平距离，对所述当前水平距离进行P I D调节，以确定所述无人机的所述预期前向速度。
可选地，所述无人机包括云台，所述控制模块还用于：
控制所述云台的中心对准所述目标；则，
所述第一确定模块具体用于：
获取所述云台的当前对地高度和当前俯仰角；
根据所述当前对地高度以及所述当前俯仰角确定所述无人机与所述目标的当前水平距离。
可选地，所述第一确定模块还用于：
确定所述无人机的当前前向速度；则，
所述第二确定模块具体用于：
根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域；
在所述障碍物检测区域中，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离。
可选地，所述第二确定模块具体用于：
比较所述当前前向速度和所述预期前向速度；
若所述当前前向速度小于所述预期前向速度，则根据所述预期前向速度在所述栅格地图中确定所述障碍物检测区域；
若所述当前前向速度大于所述预期前向速度，则根据所述当前前向速度在所述栅格地图中确地所述障碍物检测区域。
可选地，当根据所述预期前向速度在所述栅格地图中确定障碍物检测区域时，所述预期前向速度越大，所述障碍物检测区域越大；
当根据所述当前前向速度在所述栅格地图中确定障碍物检测区域时，所述当前前向速度越大，所述障碍物检测区域越大。
可选地，所述第二确定模块具体用于：
在所述障碍物检测区域中，确定所述无人机的可通行区域，其中，所述可通行区域为不存在障碍物的区域；
根据所述可通行区域，确定所述无人机的候选飞行方向；
根据代价函数计算所述候选飞行方向的代价函数值；
将所述代价函数值最小的候选飞行方向确定为所述无人机的最优飞行方向。
可选地，所述第二确定模块具体用于：
以所述无人机为中心，预设角度为间隔，对所述障碍物检测区域进行划分，以将所述障碍物检测区域划分为多个区域；
采样障碍物的坐标；
确定所述坐标未落入的区域为所述可通行区域。
可选地，所述第二确定模块具体用于：
采样所述障碍物检测区域中被所述障碍物占据的栅格的中心点坐标和/或被所述障碍物占据的栅格的角点坐标。
可选地，所述代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum
其中，g(direcgoal,direccur)表示所述候选飞行方向中的其中一个候选飞行方向与所述目标的方向的一致性，g(direcpre,direccur)表示所述候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示所述可通行区域的数量，k1、k2、k3为权重系数。
可选地，所述第二确定模块具体用于：
确定所述障碍物检测区域中与所述无人机距离最小的障碍物作为目标障碍物；
将所述目标障碍物与所述无人机的距离确定为所述最小距离。
可选地，所述最优飞行速度包括最优前向速度和最优侧向速度；则，
所述第二确定模块具体用于：
根据所述最小距离，计算所述无人机的最大前向速度；
根据所述最大前向速度和所述预期前向速度，确定所述最优前向速度；
根据所述最优前向速度和所述最优飞行方向，确定所述最优侧向速度。
可选地，所述第二确定模块具体用于：
比较所述最大前向速度和所述预期前向速度；
若所述最大前向速度大于所述预期前向速度，则确定所述预期前向速度为所述最优前向速度；
若所述最大前向速度不大于所述预期前向速度，则确定所述最大前向速度为所述最优前向速度。
可选地，所述最优飞行方向对应最优飞行角度；则，
所述第二确定模块具体用于：
根据所述最优飞行角度的正切值与所述最优前向速度的乘积确定所述最优侧向速度。
可选地，所述获取模块具体用于：
通过所述无人机的深度传感器获取所述无人机前方环境的深度图。
可选地，在所述根据所述深度图，确定以所述无人机为中心的栅格地图之前，所述获取模块还用于：
判断所述深度传感器是否存在俯仰角；
若是，则对所述深度图进行深度补偿。
可选地，所述深度传感器为深度相机；则，
所述获取模块具体用于：
计算所述深度补偿的像素行数，所述深度补偿的像素行数为：
row_see＝tanθ2×f，其中，θ2为所述深度相机的俯仰角，f为所述深度相机的焦距；
根据所述深度补偿的像素行数确定所述无人机的像平面在所述深度图上的行索引，所述无人机的像平面在所述深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为所述深度图行数的一半。
为解决上述技术问题，本发明实施例采用的另一个技术方案是：提供一种无人机，包括：
机身；
机臂，与所述机身相连；
动力装置，设置于所述机臂；
云台，与所述机身相连；
深度相机，与所述机身相连；
至少一个处理器，设于所述机身内；以及
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够用于以上所述的基于目标跟踪的无人机避障方法。
为解决上述技术问题，本发明实施例采用的另一个技术方案是：提供一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使无人机执行以上所述的基于目标跟踪的无人机避障方法。
本发明实施例的有益效果是：区别于现有技术的情况下，本发明实施例提供一种基于目标跟踪的无人机避障方法、装置及无人机，在基于目标跟踪的无人机避障方法中，确定用于使无人机与目标保持初始水平距离的预期前向速度，并根据无人机前方环境的深度图确定以无人机为中心的栅格地图后，根据栅格地图确定无人机的最优飞行方向以及无人机与障碍物的最小距离，并根据所确定的最小距离、预期前向速度以及最优飞行方向确定无人机的最优飞行速度，然后控制无人机以最优飞行速度沿最优飞行方向飞行，以躲避前方环境的障碍物。在上述方式中，由于无人机前方环境的深度图能够随着无人机的飞行过程实时反映无人机飞行路径上的环境状况，因此，根据无人机前方环境的深度图确定的栅格地图来确定无人机的最优飞行方向，使得无人机能够对整个飞行空间进行路径规划，实时应变飞行空间中的动态变化；同时，根据所确定的最小距离、预期前向速度以及最优飞行方向，确定无人机在最优飞行方向上的最优飞行速度，使得无人机能够根据实际环境状况规划最优飞行速度，防止无人机因速度太快碰撞障碍物，提高目标跟踪过程中自主避障的准确性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明实施例提供的一种无人机的结构示意图；
图2是本发明实施例提供的一种基于目标跟踪的无人机避障方法中当深度传感器存在俯仰角，对深度图进行深度补偿的原理示意图；
图3是栅格地图的结构示意图；
图4是本发明实施例提供的一种基于目标跟踪的无人机避障方法的流程示意图；
图5是本发明实施例提供的一种基于目标跟踪的无人机避障装置的结构示意图；
图6是本发明实施例提供的一种无人机的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，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。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，当元件被表述“固定于”另一个元件，它可以直接在另一个元件上、或者其间可以存在一个或多个居中的元件。当一个元件被表述“连接”另一个元件，它可以是直接连接到另一个元件、或者其间可以存在一个或多个居中的元件。本说明书所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
此外，下面所描述的本发明各个实施例中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于目标跟踪的无人机避障方法及装置，该方法及装置应用于无人机，从而使得该无人机能够根据实际飞行情况在整个飞行空间进行路径规划，规划出最优飞行方向及最优飞行速度，并以最优飞行速度沿最优飞行方向飞行，以准确地躲避前方环境的障碍物。其中，最优飞行方向指不存在障碍物的方向。
本发明中的无人机可以是任何合适类型的高空无人机或者低空无人机，包括固定翼无人机、旋翼无人机、伞翼无人机或者扑翼无人机等。
下面，将通过具体实施例对本发明进行具体阐述。
实施例一
请参阅图1，是本发明其中一实施例提供的一种无人机100，该无人机100为四旋翼无人机，包括：机身10、机臂20、动力装置30、云台40、拍摄装置50、深度传感器(图未示)、第一陀螺仪(图未示)、第二陀螺仪(图未示)、起落架60、智能电池(图未示)以及飞控***(图未示)。机臂20、云台40、深度传感器以及起落架60均与机身10连接，动力装置30设置于机臂20上，拍摄装置50以及第一陀螺仪安装于云台40，第二陀螺仪、智能电池以及飞控***则设置于机身10内。其中，动力装置30、云台40、拍摄装置50、深度传感器、第一陀螺仪、第二陀螺仪以及起落架60均与飞控***通信连接，使得飞控***能够通过动力装置30控制无人机100的飞行、通过深度传感器获得无人机100飞行路径前方的环境情况，还能够控制云台40转动、控制拍摄装置50航拍以及控制起落架60打开与收起，还能够接收第一陀螺仪、第二陀螺仪的测量数据。
优选地，机臂20数量为4，均匀分布于机身10四周，与机身10固定连接，用于承载动力装置30。其中，机臂20与机身10一体成型。
动力装置30包括电机以及与电机轴连接的螺旋桨，电机能够带动螺旋桨旋转以为无人机100提供升力或推力，实现飞行；电机还能够通过改变螺旋桨的转速及方向来改变无人机100的飞行方向。当动力装置30与飞控***通信连接时，飞控***能够通过控制电机来控制无人机100的飞行。
该动力装置30设置于机臂20未与机身10连接的一端，并通过电机连接机臂20。
优选地，在无人机100的4个机臂上均设置有动力装置30，以使无人机100能够平稳飞行。
云台40则设置于机身10底部，用于搭载拍摄装置50。优选地，该云台40为电动云台，能够在飞控***的控制下进行转动，以实现对目标的跟踪。其中，飞控***控制云台40转动时，控制云台40的中心对准目标。
该电动云台包括但不限于水平旋转云台、全方位云台等。
当云台40为水平旋转云台时，飞控***能够控制该云台40在水平方向左右转动；当云台40为全方位云台时，飞控***能够控制该云台40在水平方向左右转动，以及，控制该云台40在竖直方向上下转动。
优选地，在本发明实施例中，云台40为全方位云台，以能够全方位对目标进行跟踪。
拍摄装置50则可以为照相机、摄像机等能够拍摄视频图像的电子设备，用于在飞控***的控制下进行航拍。
该拍摄装置50固定于云台40，能够随着云台40的转动而转动；并且，该拍摄装置50的拍摄镜头位于云台40的中心线上，当云台40的中心对准目标时，拍摄装置50的拍摄镜头也对准目标，此时，若拍摄装置50拍摄视频图像，则目标位于拍摄装置50所拍摄的视频图像的中心。
第一陀螺仪则安装于云台40，用于测量云台40的姿态信息，该云台40的姿态信息包括云台的俯仰角。其中，当云台40的俯仰角为0时，云台40的中心线平行于水平方向。
当第一陀螺仪与飞控***通信连接后，飞控***能够从第一陀螺仪获取云台40的姿态信息。
深度传感器则固定于机身10，其姿态与机身10的姿态保持一致。该深度传感器用于采集无人机100前方环境的深度图(Depth Map)，该深度图是包含与视点的场景对象的表面距离有关的信息的图像或图像通道，在深度图中，其每个像素值表示深度传感器距离物体的实际距离，故深度传感器采集深度图也即采集深度传感器与前方环境物体的实际距离。当深度传感器与飞控***通信连接时，飞控***能够从深度传感器获取无人机前方环境的深度图，也即获取深度传感器与前方环境物体的实际距离，以获得无人机100飞行路径前方的环境情况。
该深度传感器为深度相机，包括但不限于：双目相机、TOF(Time of Flight，飞行时间)相机等。
第二陀螺仪则安装于机身10内，用于测量机身10的姿态信息，亦即，测量深度传感器的姿态信息，该深度传感器的姿态信息包括深度传感器的俯仰角。其中，当深度传感器的俯仰角为0时，深度传感器的检测方向为水平方向。
当第二陀螺仪与飞控***通信连接后，飞控***能够从第二陀螺仪获取深度传感器的姿态信息。
进一步地，当第一陀螺仪和第二陀螺仪均未产生姿态变化时，云台40的中心线朝向与深度传感器的检测方向一致。
起落架60则设置于机身10底部相对两侧，通过驱动装置连接于机身10，起落架60在驱动装置的驱动下能够进行打开与收起。在无人机100与地面接触时，驱动装置控制起落架60打开，以使无人机100能够通过起落架60与地面接触；在无人机100飞行过程中，驱动装置控制起落架60收起，以避免起落架60影响无人机100飞行。当起落架60与飞控***通信连接时，飞控***能够通过控制驱动装置来控制起落架60的打开与收起。
智能电池则用于为无人机100供电，以使无人机100的动力装置30、云台40、拍摄装置50、深度传感器、第一陀螺仪、第二陀螺仪、起落架60以及飞控***能够通电运行。其中，智能电池包括但不限于：干电池、铅蓄电池以及锂电池等。
飞控***则与动力装置30、云台40、拍摄装置50、深度传感器、第一陀螺仪、第二陀螺仪以及起落架60通过有线连接或者无线连接的方式进行通信连接。其中，无线连接包括但不限于：WiFi、蓝牙、ZigBee等。
该飞控***用于执行基于目标跟踪的无人机避障方法，以对无人机的整个飞行空间进行路径规划，提高目标跟踪过程中自主避障的准确性。
具体地，在无人机100飞行过程中，飞控***控制云台40的中心对准目标，以实现无人机100对目标的跟踪。
其中，目标为无人机飞行过程中跟踪的物体，该目标位于地面，能够在地面移动。
飞控***控制云台40的中心对准目标时，实时获取目标的方向，然后，根据目标的方向，控制云台40进行转动，直至云台40的中心朝向目标的方向，与目标对准。
在无人机100对目标进行跟踪的过程中，飞控***确定无人机100的预期前向速度，该预期前向速度用于使无人机100与目标保持初始水平距离，即无人机100的前向速度为预期前向速度时，无人机100才能与目标保持初始水平距离。
于是，确定无人机100的预期前向速度时，首先，获取无人机100与目标的初始水平距离；然后，确定无人机100与目标的当前水平距离；最后，基于所获取的初始水平距离，对所确定的当前水平距离进行PID调节，以确定无人机100的预期前向速度。
其中，初始水平距离为无人机100初始化时所在位置与目标所在位置在水平方向上的相对距离，该初始水平距离能够由用户进行设定后存储至存储器，也能够由飞控***在无人机100初始化时计算得出后存储至存储器。
因此，能够在存储器中获取无人机100与目标的初始水平距离。
当前水平距离则为无人机100当前所在位置与目标当前所在位置在水平方向上的相对距离。
由于目标位于地面且与云台40的中心对准，因此，能够通过云台40的俯仰角以及云台40的对地高度，计算出无人机100与目标在水平方向上的相对距离，亦即，无人机100与目标之间的水平距离。具体地，无人机100与目标之间的水平距离
Figure BDA0002136801130000151
H为云台40的对地高度，θ1为云台40的俯仰角。
于是，飞控***确定无人机与目标的当前水平距离时，获取云台40的当前对地高度和云台40的当前俯仰角后，根据所获取的当前对地高度和当前俯仰角计算出无人机100与目标的当前水平距离。
同理，飞控***能够根据无人机100初始化时云台40的俯仰角以及云台40的对地高度，计算出无人机100与目标的初始水平距离并存储至存储器。
在基于所获取的初始水平距离，对所确定的当前水平距离进行PID调节，以确定无人机100的预期前向速度的步骤中，则运用PID控制器进行闭环控制。
在PID控制器中，初始水平距离为被控变量的期望值，当前水平距离为被控变量的实际值，而预期前向速度则为PID控制器的响应输出。当当前水平距离与初始水平距离存在偏差时，则调节预期前向速度使当前水平距离能够达到初始水平距离。
进一步地，飞控***确定无人机100的预期前向速度后，通过深度传感器获取无人机100前方环境的深度图，并根据深度图，确定以无人机100为中心的栅格地图。
其中，栅格地图则是通过将深度图中的深度信息映射到以机体为中心的平面栅格图中形成的，每一栅格给定一个可能值，表示该栅格被障碍物占据的概率。当环境深度图中存在障碍物时，障碍物在栅格地图中占据栅格，能够通过被占据栅格的坐标获知障碍物的位置。
栅格地图的栅格排列成矩阵，比如，栅格地图的栅格排列成10*10的矩阵。
在本发明其他一些实施例中，若无人机100在飞行过程中产生俯仰角，会使得无人机100前视不再是水平的，此时，深度传感器采集的深度图不再是无人机100水平前方的深度图，使得深度图所反映的深度信息出现误差，造成栅格地图的不准确。于是，飞控***在根据深度图确定以无人机100为中心的栅格地图之前，还需判断深度传感器是否存在俯仰角，若深度传感器存在俯仰角，则飞控***对深度图进行深度补偿后再根据深度补偿后的深度图确定以无人机100为中心的栅格地图。
其中，飞控***能够通过第二陀螺仪测量无人机100的三轴姿态角，以根据三轴姿态角判断深度传感器是否存在俯仰角。
飞控***对深度图进行深度补偿具体包括：飞控***计算深度补偿的像素行数，并在计算得到深度补偿的像素行数之后，根据该深度补偿的像素行数确定无人机的像平面在深度图上的行索引。
具体地，请参阅图2，深度传感器为深度相机时，该深度补偿的像素行数row_see为：
row_see＝tanθ2×f，其中，θ2为深度相机的俯仰角，f为深度相机的焦距；
该无人机的像平面在深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为深度图行数的一半。
进一步地，飞控***确定以无人机100为中心的栅格地图后，根据所确定的栅格地图，确定无人机100的最优飞行方向以及无人机100与障碍物的最小距离。
其中，由于无人机飞行过程中，无人机100的前向速度越大，与障碍物碰撞的几率就越大，需要更早考虑无人机100前方环境的障碍物分布情况；而无人机100的前向速度越小，与障碍物碰撞的几率就越小，过早的考虑无人机100前方环境的障碍物分布情况，容易将不必要的障碍物考虑进去，导致最优飞行方向的判断不准确。
于是，在根据所确定的栅格地图，确定无人机100的最优飞行方向以及无人机100与障碍物的最小距离之前，飞控***还需要确定无人机100的当前前向速度，然后，根据当前前向速度和预期前向速度，在栅格地图中确定障碍物检测区域后，再在障碍物检测区域中，确定无人机100的最优飞行方向以及无人机100与障碍物的最小距离。即，将无人机100的前向速度与障碍物的检测范围结合，根据无人机100的前向速度确定一个合适的障碍物检测范围，以增加障碍物检测的准确性。
其中，障碍物检测区域为栅格地图中用于检测障碍物的区域，该障碍物检测区域位于栅格地图的上半部分(即无人机100前方)，该障碍物检测区域的列数与栅格地图的列数相同、行数小于或等于栅格地图的行数的二分之一，即该障碍物检测区域小于或等于栅格地图的二分之一。比如，请参阅图3，实线区域P1为障碍物检测区域。
无人机100的最优飞行方向为不存在障碍物的方向；无人机100与障碍物的最小距离即无人机100与视野范围内最近障碍物的距离。
具体地，根据当前前向速度和预期前向速度，在栅格地图中确定障碍物检测区域，包括：比较当前前向速度和预期前向速度，若当前前向速度小于预期前向速度，则根据预期前向速度在栅格地图中确定障碍物检测区域，此时，预期前向速度越大，所确定的障碍物检测区域越大；若当前前向速度大于预期前向速度，则根据当前前向速度在栅格地图中确定障碍物检测区域，此时，当前前向速度越大，所确定的障碍物检测区域越大。
在所确定的障碍物检测区域中，确定无人机100的最优飞行方向，包括：首先，在所确定的障碍物检测区域中，确定无人机100的可通行区域。
其中，可通行区域为障碍物检测区域中不存在障碍物的区域。
飞控***在所确定的障碍物检测区域中，确定无人机100的可通行区域，具体包括：以无人机100为中心，预设角度为间隔，对障碍物检测区域进行划分，以将障碍物检测区域划分为多个区域，然后，采样障碍物的坐标，并判断采样得到的障碍物坐标是否落入障碍物检测区域划分的区域中，将障碍物坐标未落入的区域确定为可通行区域。比如，请参阅图3，以无人机100为中心，预设角度θ3为间隔，在障碍物检测区域P1中划分多个扇形区域，所划分的扇形区域由左至右分别为B1至B11；然后，采样障碍物Z1、Z2和Z3的坐标，确定障碍物Z1的坐标落入B2和B3区域，障碍物Z2的坐标落入B6至B9区域，而障碍物Z3的坐标未落入障碍物检测区域P1中，因此，确定障碍物未落入的区域B1、B4、B5、B10和B11为可通行区域。
其中，飞控***在障碍物检测区域中划分出的每个区域均为扇形区域。
在对障碍物检测区域进行划分时，预设角度越大，划分的区域越大，划分出的区域数量则越少；预设角度越小，划分的区域越小，划分出的区域数量则越多。
飞控***采样障碍物的坐标，包括：采样障碍物检测区域中被障碍物占据的栅格的中心点坐标和/或被障碍物占据的栅格的角点坐标。
飞控***将被障碍物占据的栅格的中心点坐标和/或被障碍物占据的栅格的角点坐标均未落入的区域确定为可通行区域。基于此，若栅格地图的区域划分的过小，则容易出现区域被障碍物覆盖，但采样的坐标均未落入区域的情况，此时，不可通行区域被误判为可通行区域；而栅格地图的区域划分若过大，则会导致飞行方向过少，不利于最优飞行方向的判定。于是，为了保证飞控***路径规划的可靠性，飞控***会根据实际飞行效果调整预设角度的大小。
飞控***调整预设角度依据深度图数据的鲁棒性以及规划方向的精确度。
其次，在所确定的可通行区域中，确定无人机100的候选飞行方向。
基于可通行区域确定的候选飞行方向为不存在障碍物的方向，飞控***将所有可通行区域对应的方向确定为候选飞行方向。
然后，根据代价函数计算候选飞行方向的代价函数值，将代价函数值最小的候选飞行方向确定为无人机100的最优飞行方向。
上述最小代价函数值即通过代价函数计算出的最小飞行代价，即确定飞行代价最小的候选飞行方向为无人机100的最优飞行方向。
其中，代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum，
其中，g(direcgoal,direccur)表示候选飞行方向中的其中一个候选飞行方向与目标的方向的一致性，g(direcpre,direccur)表示候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示可通行区域的数量，k1、k2、k3为权重系数。
与目标的方向的一致性越高、与前一次决策的最优飞行方向的一致性越高以及可通行区域的数量越多的候选飞行方向的代价越小。
k1、k2、k3的相对大小决定三种因素的优先级顺序。若要使得确定的候选飞行方向与目标的方向尽量保持一致，则使得k1>k2、k3；若要使得确定的候选飞行方向与前一次决策的最优飞行方向尽量保持一致，则使得k2>k1、k3；若要保证确定的候选飞行方向足够安全，则使得k3>k2、k1。
在所确定的障碍物检测区域中，确定无人机100与障碍物的最小距离，包括：确定障碍物检测区域中与无人机100距离最小的障碍物作为目标障碍物，然后，将目标障碍物与无人机100的距离确定为最小距离。比如，请参阅图3，飞控***确定障碍物Z1与无人机100的距离最小，故飞控***确定障碍物Z1为目标障碍物，然后，将障碍物Z1与无人机100的距离确定为最小距离。
进一步地，飞控***确定无人机100的最优飞行方向以及无人机100与障碍物的最小距离后，根据所确定的最小距离、预期前向速度以及最优飞行方向，确定无人机100的最优飞行速度。
其中，最优飞行速度包括最优前向速度和最优侧向速度。
基于此，根据所确定的最小距离、预期前向速度以及最优飞行方向，确定无人机100的最优飞行速度，具体包括：根据最小距离，计算无人机100的最大前向速度，然后，根据最大前向速度和预期前向速度，确定最优前向速度，然后，根据最优前向速度和最优飞行方向，确定最优侧向速度。
其中，无人机100的最大前向速度为保证无人机100不会碰撞到最近障碍物的前向速度，若无人机100的前向速度大于最大前向速度，则无人机100可能碰撞到最近障碍物。
根据最大前向速度和预期前向速度，确定最优前向速度，具体包括：比较最大前向速度和预期前向速度，若最大前向速度大于预期前向速度，则确定预期前向速度为最优前向速度，此时，最优前向速度既能保证无人机100不会碰撞到最近障碍物，又能保证无人机100与目标保持初始水平距离；若最大前向速度不大于预期前向速度，则确定最大前向速度为最优前向速度，此时，由于预期前向速度大于最大前向速度，若以预期前向速度作为最优前向速度，虽然能保证无人机100与目标保持初始水平距离，但无人机100可能碰撞到最近障碍物，故确定最大前向速度为最优前向速度，以保证无人机100不会碰撞到最近障碍物。
由于飞控***在障碍物检测区域中确定无人机100的最优飞行方向时，是从按预设角度划分的可通行区域对应的候选飞行方向中确定出最优飞行方向的，故最优飞行方向对应最优飞行角度。
基于此，根据最优前向速度和最优飞行方向，确定最优侧向速度时，根据最优飞行角度的正切值与最优前向速度的乘积确定最优侧向速度。
飞控***所确定的最优前向速度和最优侧向速度共同组成指导无人机100飞行的最优飞行速度。
进一步地，飞控***确定无人机100的最优飞行速度后，控制无人机100以最优飞行速度沿最优飞行方向飞行，以躲避无人机100前方环境的障碍物。
当最优飞行速度中的最优前向速度为最大前向速度时，飞控***控制无人机100以最优飞行速度沿最优飞行方向飞行时，无人机100能够精准避障；当最优飞行速度中的最优前向速度为预期前向速度时，飞控***控制无人机100以最优飞行速度沿最优飞行方向飞行时，无人机100能够精准避障的同时，与目标保持初始水平距离。
在本发明实施例中，无人机通过执行基于目标跟踪的无人机避障方法，而能够根据所获取的前方环境的深度图确定栅格地图，进而根据栅格地图确定最优飞行方向，并根据所确定的最小距离、预期前向速度以及最优飞行方向，确定最优飞行方向上的最优飞行速度，实现对整个飞行空间进行路径规划，以实时应变飞行空间的动态变化，提高目标跟踪过程中自主避障的准确性。
实施例二
请参阅图4，是本发明其中一实施例提供的一种基于目标跟踪的无人机避障方法的流程示意图，应用于无人机，该无人机为上述实施例中所述的无人机100，而本发明实施例提供的方法由上述飞控***执行，用于对无人机的整个飞行空间进行路径规划，提高目标跟踪过程中自主避障的准确性，该基于目标跟踪的无人机避障方法包括：
S100：确定无人机的预期前向速度。
上述“预期前向速度”用于使无人机与目标保持初始水平距离，即无人机的前向速度为预期前向速度时，无人机才能与目标保持初始水平距离。其中，目标为无人机飞行过程中跟踪的物体，该目标位于地面，能够在地面移动。
于是，确定无人机的预期前向速度时，首先，获取无人机与目标的初始水平距离；然后，确定无人机与目标的当前水平距离；最后，基于所获取的初始水平距离，对所确定的当前水平距离进行P I D调节，以确定无人机的预期前向速度。
其中，初始水平距离为无人机初始化时所在位置与目标所在位置在水平方向上的相对距离，该初始水平距离能够由用户进行设定后存储至存储器，也能够由飞控***在无人机初始化时计算得出后存储至存储器。
基于此，能够在存储器中获取无人机与目标的初始水平距离。
当前水平距离则为无人机当前所在位置与目标当前所在位置在水平方向上的相对距离。
由于预期前向速度基于无人机的目标跟踪过程进行确定，故在确定无人机的预期前向速度之前，该方法还包括：控制云台的中心对准目标。
具体地，控制云台的中心对准目标时，实时获取目标的方向，然后，根据目标的方向，控制云台进行转动，直至云台的中心朝向目标的方向，与目标对准，实现无人机对目标的跟踪。
基于此，由于目标位于地面且与云台的中心对准，因此，能够通过云台的俯仰角以及云台的对地高度，计算出无人机与目标在水平方向上的相对距离，亦即，无人机与目标之间的水平距离。具体地，无人机与目标之间的水平距离
Figure BDA0002136801130000221
H为云台的对地高度，θ1为云台的俯仰角。
于是，确定无人机与目标的当前水平距离时，获取云台的当前对地高度和云台的当前俯仰角后，根据所获取的当前对地高度和当前俯仰角计算出无人机与目标的当前水平距离。
同理，能够根据无人机初始化时云台的俯仰角以及云台的对地高度，计算出无人机与目标的初始水平距离并存储至存储器。
在基于所获取的初始水平距离，对所确定的当前水平距离进行PID调节，以确定无人机的预期前向速度的步骤中，则运用PID控制器进行闭环控制。
在PID控制器中，初始水平距离为被控变量的期望值，当前水平距离为被控变量的实际值，而预期前向速度则为PID控制器的响应输出。当当前水平距离与初始水平距离存在偏差时，则调节预期前向速度使当前水平距离能够达到初始水平距离。
S200：获取所述无人机前方环境的深度图，并根据所述深度图，确定以所述无人机为中心的栅格地图。
上述“深度图(Depth Map)”是包含与视点的场景对象的表面距离有关的信息的图像或图像通道，在深度图中，其每个像素值表示深度传感器距离物体的实际距离。
在本发明一实施例中，通过深度传感器来获取无人机前方环境的深度图，通过深度传感器获取无人机前方环境的深度图即获取深度传感器与前方环境物体的实际距离。
上述“栅格地图”则是通过将深度图中的深度信息映射到以机体为中心的平面栅格图中形成的，每一栅格给定一个可能值，表示该栅格被障碍物占据的概率。当环境深度图中存在障碍物时，障碍物在栅格地图中占据栅格，能够通过被占据栅格的坐标获知障碍物的位置。
栅格地图的栅格排列成矩阵，比如，栅格地图的栅格排列成10*10的矩阵。
在本发明一实施例中，若无人机在飞行过程中产生俯仰角，会使得无人机前视不再是水平的，此时，深度传感器采集的深度图不再是无人机水平前方的深度图，使得深度图所反映的深度信息出现误差，造成栅格地图的不准确。于是，在根据深度图确定以无人机为中心的栅格地图之前，还需判断深度传感器是否存在俯仰角，若深度传感器存在俯仰角，则对深度图进行深度补偿后再根据深度补偿后的深度图确定以无人机为中心的栅格地图。
其中，能够通过第二陀螺仪测量无人机的三轴姿态角，以根据三轴姿态角判断深度传感器是否存在俯仰角。
对深度图进行深度补偿具体包括：计算深度补偿的像素行数，并在计算得到深度补偿的像素行数之后，根据该深度补偿的像素行数确定无人机的像平面在深度图上的行索引。
具体地，请参阅图2，深度传感器为深度相机时，该深度补偿的像素行数row_see为：
row_see＝tanθ2×f，其中，θ2为深度相机的俯仰角，f为深度相机的焦距；
该无人机的像平面在深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为深度图行数的一半。
S300：根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离。
由于无人机飞行过程中，无人机的前向速度越大，与障碍物碰撞的几率就越大，需要更早考虑无人机前方环境的障碍物分布情况；而无人机的前向速度越小，与障碍物碰撞的几率就越小，过早的考虑无人机前方环境的障碍物分布情况，容易将不必要的障碍物考虑进去，导致最优飞行方向的判断不准确。
于是，在本发明一实施例中，在根据所确定的栅格地图，确定无人机的最优飞行方向以及无人机与障碍物的最小距离之前，还需要确定无人机的当前前向速度，然后，根据当前前向速度和预期前向速度，在栅格地图中确定障碍物检测区域后，再在障碍物检测区域中，确定无人机的最优飞行方向以及无人机与障碍物的最小距离。即，将无人机的前向速度与障碍物的检测范围结合，根据无人机的前向速度确定一个合适的障碍物检测范围，以增加障碍物检测的准确性。
其中，障碍物检测区域为栅格地图中用于检测障碍物的区域，该障碍物检测区域位于栅格地图的上半部分(即无人机100前方)，该障碍物检测区域的列数与栅格地图的列数相同、行数小于或等于栅格地图的行数的二分之一，即该障碍物检测区域小于或等于栅格地图的二分之一。比如，请参阅图3，实线区域P1为障碍物检测区域。
无人机的最优飞行方向为不存在障碍物的方向；无人机与障碍物的最小距离即无人机与视野范围内最近障碍物的距离。
进一步地，在本发明一实施例中，根据当前前向速度和预期前向速度，在栅格地图中确定障碍物检测区域，包括：比较当前前向速度和预期前向速度，若当前前向速度小于预期前向速度，则根据预期前向速度在栅格地图中确定障碍物检测区域，此时，预期前向速度越大，所确定的障碍物检测区域越大；若当前前向速度大于预期前向速度，则根据当前前向速度在栅格地图中确定障碍物检测区域，此时，当前前向速度越大，所确定的障碍物检测区域越大。
进一步地，在本发明一实施例中，在所确定的障碍物检测区域中，确定无人机的最优飞行方向，包括：首先，在所确定的障碍物检测区域中，确定无人机的可通行区域。
其中，可通行区域为障碍物检测区域中不存在障碍物的区域。
在所确定的障碍物检测区域中，确定无人机的可通行区域，具体包括：以无人机为中心，预设角度为间隔，对障碍物检测区域进行划分，以将障碍物检测区域划分为多个区域，然后，采样障碍物的坐标，并判断采样得到的障碍物坐标是否落入障碍物检测区域划分的区域中，将障碍物坐标未落入的区域确定为可通行区域。比如，请参阅图3，以无人机100为中心，预设角度θ3为间隔，在障碍物检测区域P1中划分多个扇形区域，所划分的扇形区域由左至右分别为B1至B11；然后，采样障碍物Z1、Z2和Z3的坐标，确定障碍物Z1的坐标落入B2和B3区域，障碍物Z2的坐标落入B6至B9区域，而障碍物Z3的坐标未落入障碍物检测区域P1中，因此，确定障碍物未落入的区域B1、B4、B5、B10和B11为可通行区域。
其中，在障碍物检测区域中划分出的每个区域均为扇形区域。
在对障碍物检测区域进行划分时，预设角度越大，划分的区域越大，划分出的区域数量则越少；预设角度越小，划分的区域越小，划分出的区域数量则越多。
采样障碍物的坐标，包括：采样障碍物检测区域中被障碍物占据的栅格的中心点坐标和/或被障碍物占据的栅格的角点坐标。
将被障碍物占据的栅格的中心点坐标和/或被障碍物占据的栅格的角点坐标均未落入的区域确定为可通行区域。基于此，若栅格地图的区域划分的过小，则容易出现区域被障碍物覆盖，但采样的坐标均未落入区域的情况，此时，不可通行区域被误判为可通行区域；而栅格地图的区域划分若过大，则会导致飞行方向过少，不利于最优飞行方向的判定。于是，为了保证路径规划的可靠性，会根据实际飞行效果调整预设角度的大小。
调整预设角度依据深度图数据的鲁棒性以及规划方向的精确度。
其次，在所确定的可通行区域中，确定无人机的候选飞行方向。
基于可通行区域确定的候选飞行方向为不存在障碍物的方向，将所有可通行区域对应的方向确定为候选飞行方向。
然后，根据代价函数计算候选飞行方向的代价函数值，将代价函数值最小的候选飞行方向确定为无人机的最优飞行方向。
上述最小代价函数值即通过代价函数计算出的最小飞行代价，即确定飞行代价最小的候选飞行方向为无人机的最优飞行方向。
其中，代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum，
其中，g(direcgoal,direccur)表示候选飞行方向中的其中一个候选飞行方向与目标的方向的一致性，g(direcpre,direccur)表示候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示可通行区域的数量，k1、k2、k3为权重系数。
与目标的方向的一致性越高、与前一次决策的最优飞行方向的一致性越高以及可通行区域的数量越多的候选飞行方向的代价越小。
k1、k2、k3的相对大小决定三种因素的优先级顺序。若要使得确定的候选飞行方向与目标的方向尽量保持一致，则使得k1>k2、k3；若要使得确定的候选飞行方向与前一次决策的最优飞行方向尽量保持一致，则使得k2>k1、k3；若要保证确定的候选飞行方向足够安全，则使得k3>k2、k1。
进一步地，在本发明一实施例中，在所确定的障碍物检测区域中，确定无人机与障碍物的最小距离，包括：确定障碍物检测区域中与无人机距离最小的障碍物作为目标障碍物，然后，将目标障碍物与无人机的距离确定为最小距离。比如，请参阅图3，确定障碍物Z1与无人机100的距离最小，故确定障碍物Z1为目标障碍物，然后，将障碍物Z1与无人机100的距离确定为最小距离。
S400：根据所述最小距离、所述预期前向速度以及所述最优飞行方向，确定所述无人机的最优飞行速度。
在本发明一实施例中，最优飞行速度包括最优前向速度和最优侧向速度。
基于此，根据所确定的最小距离、预期前向速度以及最优飞行方向，确定无人机的最优飞行速度，具体包括：根据最小距离，计算无人机的最大前向速度，然后，根据最大前向速度和预期前向速度，确定最优前向速度，然后，根据最优前向速度和最优飞行方向，确定最优侧向速度。
其中，无人机的最大前向速度为保证无人机不会碰撞到最近障碍物的前向速度，若无人的前向速度大于最大前向速度，则无人机可能碰撞到最近障碍物。
在本发明一实施例中，根据最大前向速度和预期前向速度，确定最优前向速度，具体包括：比较最大前向速度和预期前向速度，若最大前向速度大于预期前向速度，则确定预期前向速度为最优前向速度，此时，最优前向速度既能保证无人机不会碰撞到最近障碍物，又能保证无人机与目标保持初始水平距离；若最大前向速度不大于预期前向速度，则确定最大前向速度为最优前向速度，此时，由于预期前向速度大于最大前向速度，若以预期前向速度作为最优前向速度，虽然能保证无人机与目标保持初始水平距离，但无人机可能碰撞到最近障碍物，故确定最大前向速度为最优前向速度，以保证无人机不会碰撞到最近障碍物。
在本发明一实施例中，由于在障碍物检测区域中确定无人机的最优飞行方向时，是从按预设角度划分的可通行区域对应的候选飞行方向中确定出最优飞行方向的，故最优飞行方向对应最优飞行角度。
基于此，根据最优前向速度和最优飞行方向，确定最优侧向速度时，根据最优飞行角度的正切值与最优前向速度的乘积确定最优侧向速度。
所确定的最优前向速度和最优侧向速度共同组成指导无人机飞行的最优飞行速度。
S500：控制所述无人机以所述最优飞行速度沿所述最优飞行方向飞行，以躲避所述无人机前方环境的障碍物。
当最优飞行速度中的最优前向速度为最大前向速度时，控制无人机以最优飞行速度沿最优飞行方向飞行时，无人机能够精准避障；当最优飞行速度中的最优前向速度为预期前向速度时，控制无人机以最优飞行速度沿最优飞行方向飞行时，无人机能够精准避障的同时，与目标保持初始水平距离。
在本发明实施例中，通过获取无人机前方环境的深度图确定的栅格地图来确定无人机的最优飞行方向，使得无人机能够对整个飞行空间进行路径规划，实时应变飞行空间的动态变化，同时，根据所确定的最小距离、预期前向速度以及最优飞行方向，确定无人机在最优飞行方向上的最优飞行速度，使得无人机能够根据实际环境状况规划最优飞行速度，提高目标跟踪过程中自主避障的准确性。
实施例三
以下所使用的术语“模块”为可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置可以以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能被构想的。
请参阅图5，是本发明其中一实施例提供的一种基于目标跟踪的无人机避障装置，该装置应用于无人机，该无人机为上述实施例中所述的无人机100，而本发明实施例提供的装置各个模块的功能由上述飞控***执行，用于对无人机的整个飞行空间进行路径规划，提高目标跟踪过程中自主避障的准确性，该基于目标跟踪的无人机避障装置包括：
第一确定模块200，用于确定无人机的预期前向速度，所述预期前向速度用于使所述无人机与目标保持初始水平距离；
获取模块300，用于获取所述无人机前方环境的深度图，并根据所述深度图，确定以所述无人机为中心的栅格地图；
第二确定模块400，用于根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离；以及
用于根据所述最小距离、所述预期前向速度以及所述最优飞行方向，确定所述无人机的最优飞行速度；
控制模块500，用于控制所述无人机以所述最优飞行速度沿所述最优飞行方向飞行，以躲避所述无人机前方环境的障碍物。
在其他一些实施例中，所述第一确定模块200具体用于：
获取所述无人机与所述目标的初始水平距离；
确定所述无人机与所述目标的当前水平距离；
基于所述初始水平距离，对所述当前水平距离进行PID调节，以确定所述无人机的所述预期前向速度。
在其他一些实施例中，所述无人机包括云台，所述控制模块500还用于：
控制所述云台的中心对准所述目标；则，
所述第一确定模块200具体用于：
获取所述云台的当前对地高度和当前俯仰角；
根据所述当前对地高度以及所述当前俯仰角确定所述无人机与所述目标的当前水平距离。
在其他一些实施例中，所述第一确定模块200还用于：
确定所述无人机的当前前向速度；则，
所述第二确定模块400具体用于：
根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域；
在所述障碍物检测区域中，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离。
在其他一些实施例中，所述第二确定模块400具体用于：
比较所述当前前向速度和所述预期前向速度；
若所述当前前向速度小于所述预期前向速度，则根据所述预期前向速度在所述栅格地图中确定所述障碍物检测区域；
若所述当前前向速度大于所述预期前向速度，则根据所述当前前向速度在所述栅格地图中确地所述障碍物检测区域。
在其他一些实施例中，当根据所述预期前向速度在所述栅格地图中确定障碍物检测区域时，所述预期前向速度越大，所述障碍物检测区域越大；
当根据所述当前前向速度在所述栅格地图中确定障碍物检测区域时，所述当前前向速度越大，所述障碍物检测区域越大。
在其他一些实施例中，所述第二确定模块400具体用于：
在所述障碍物检测区域中，确定所述无人机的可通行区域，其中，所述可通行区域为不存在障碍物的区域；
根据所述可通行区域，确定所述无人机的候选飞行方向；
根据代价函数计算所述候选飞行方向的代价函数值；
将所述代价函数值最小的候选飞行方向确定为所述无人机的最优飞行方向。
在其他一些实施例中，所述第二确定模块400具体用于：
以所述无人机为中心，预设角度为间隔，对所述障碍物检测区域进行划分，以将所述障碍物检测区域划分为多个区域；
采样障碍物的坐标；
确定所述坐标未落入的区域为所述可通行区域。
在其他一些实施例中，所述第二确定模块400具体用于：
采样所述障碍物检测区域中被所述障碍物占据的栅格的中心点坐标和/或被所述障碍物占据的栅格的角点坐标。
在其他一些实施例中，所述代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum
其中，g(direcgoal,direccur)表示所述候选飞行方向中的其中一个候选飞行方向与所述目标的方向的一致性，g(direcpre,direccur)表示所述候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示所述可通行区域的数量，k1、k2、k3为权重系数。
在其他一些实施例中，所述第二确定模块400具体用于：
确定所述障碍物检测区域中与所述无人机距离最小的障碍物作为目标障碍物；
将所述目标障碍物与所述无人机的距离确定为所述最小距离。
在其他一些实施例中，所述最优飞行速度包括最优前向速度和最优侧向速度；则，
所述第二确定模块400具体用于：
根据所述最小距离，计算所述无人机的最大前向速度；
根据所述最大前向速度和所述预期前向速度，确定所述最优前向速度；
根据所述最优前向速度和所述最优飞行方向，确定所述最优侧向速度。
在其他一些实施例中，所述第二确定模块400具体用于：
比较所述最大前向速度和所述预期前向速度；
若所述最大前向速度大于所述预期前向速度，则确定所述预期前向速度为所述最优前向速度；
若所述最大前向速度不大于所述预期前向速度，则确定所述最大前向速度为所述最优前向速度。
在其他一些实施例中，所述最优飞行方向对应最优飞行角度；则，
所述第二确定模块400具体用于：
根据所述最优飞行角度的正切值与所述最优前向速度的乘积确定所述最优侧向速度。
在其他一些实施例中，所述获取模块300具体用于：
通过所述无人机的深度传感器获取所述无人机前方环境的深度图。
在其他一些实施例中，在所述根据所述深度图，确定以所述无人机为中心的栅格地图之前，所述获取模块300还用于：
判断所述深度传感器是否存在俯仰角；
若是，则对所述深度图进行深度补偿。
在其他一些实施例中，所述深度传感器为深度相机；则，
所述获取模块300具体用于：
计算所述深度补偿的像素行数，所述深度补偿的像素行数为：
row_see＝tanθ2×f，其中，θ2为所述深度相机的俯仰角，f为所述深度相机的焦距；
根据所述深度补偿的像素行数确定所述无人机的像平面在所述深度图上的行索引，所述无人机的像平面在所述深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为所述深度图行数的一半。
当然，在其他一些可替代实施例中，上述第一确定模块200、获取模块300、第二确定模块400和控制模块500可以为飞控***中的飞控芯片。
由于装置实施例和方法实施例是基于同一构思，在内容不互相冲突的前提下，装置实施例的内容可以引用方法实施例的，在此不再一一赘述。
在本发明实施例中，通过获取无人机前方环境的深度图确定的栅格地图来确定无人机的最优飞行方向，使得无人机能够对整个飞行空间进行路径规划，实时应变飞行空间的动态变化，同时，根据所确定的最小距离、预期前向速度以及最优飞行方向，确定无人机在最优飞行方向上的最优飞行速度，使得无人机能够根据实际环境状况规划最优飞行速度，提高目标跟踪过程中自主避障的准确性。
实施例四
请参阅图6，是本发明其中一实施例提供的一种无人机的硬件结构示意图，本发明实施例提供的硬件模块能够集成于上述实施例所述的飞控***，也能够直接作为飞控***设置于机身10内，使得无人机100能够执行以上实施例所述的一种基于目标跟踪的无人机避障方法，还能实现以上实施例所述的一种基于目标跟踪的无人机避障装置的各个模块的功能。该无人机100包括：
一个或多个处理器110以及存储器120。其中，图6中以一个处理器110为例。
处理器110和存储器120可以通过总线或者其他方式连接，图6中以通过总线连接为例。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明上述实施例中的一种基于目标跟踪的无人机避障方法对应的程序指令以及一种基于目标跟踪的无人机避障装置对应的模块(例如，第一确定模块200、获取模块300、第二确定模块400和控制模块500等)。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及模块，从而执行一种基于目标跟踪的无人机避障方法的各种功能应用以及数据处理，即实现上述方法实施例中的一种基于目标跟踪的无人机避障方法以及上述装置实施例的各个模块的功能。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据一种基于目标跟踪的无人机避障装置的使用所创建的数据等。
所述存储数据区还存储有预设的数据，包括初始水平距离、预设角度等。
此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至处理器110。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令以及一个或多个模块存储在所述存储器120中，当被所述一个或者多个处理器110执行时，执行上述任意方法实施例中的一种基于目标跟踪的无人机避障方法的各个步骤，或者，实现上述任意装置实施例中的一种基于目标跟踪的无人机避障装置的各个模块的功能。
上述产品可执行本发明上述实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明上述实施例所提供的方法。
本发明实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图6中的一个处理器110，可使得计算机执行上述任意方法实施例中的一种基于目标跟踪的无人机避障方法的各个步骤，或者，实现上述任意装置实施例中的一种基于目标跟踪的无人机避障装置的各个模块的功能。
本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被一个或多个处理器执行，例如图6中的一个处理器110，可使得计算机执行上述任意方法实施例中的一种基于目标跟踪的无人机避障方法的各个步骤，或者，实现上述任意装置实施例中的一种基于目标跟踪的无人机避障装置的各个模块的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施方法的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (34)

1.一种基于目标跟踪的无人机避障方法，其特征在于，所述方法包括：
确定无人机的预期前向速度，所述预期前向速度用于使所述无人机与目标保持初始水平距离；
获取所述无人机前方环境的深度图，并根据所述深度图，确定以所述无人机为中心的栅格地图；
根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离；
根据所述最小距离，计算所述无人机的最大前向速度；
根据所述最大前向速度和所述预期前向速度，确定最优前向速度；
根据所述最优前向速度和所述最优飞行方向，确定最优侧向速度；控制所述无人机以最优飞行速度沿所述最优飞行方向飞行，以躲避所述无人机前方环境的障碍物，其中，所述最优飞行速度包括所述最优前向速度与所述最优侧向速度。
2.根据权利要求1所述的方法，其特征在于，所述确定无人机的预期前向速度，包括：
获取所述无人机与所述目标的初始水平距离；
确定所述无人机与所述目标的当前水平距离；
基于所述初始水平距离，对所述当前水平距离进行PID调节，以确定所述无人机的所述预期前向速度。
3.根据权利要求2所述的方法，其特征在于，所述无人机包括云台，所述方法还包括：
控制所述云台的中心对准所述目标；则，
所述确定所述无人机与所述目标的当前水平距离，包括：
获取所述云台的当前对地高度和当前俯仰角；
根据所述当前对地高度以及所述当前俯仰角确定所述无人机与所述目标的当前水平距离。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
确定所述无人机的当前前向速度；则，
所述根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离，包括：
根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域；
在所述障碍物检测区域中，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域，包括：
比较所述当前前向速度和所述预期前向速度；
若所述当前前向速度小于所述预期前向速度，则根据所述预期前向速度在所述栅格地图中确定所述障碍物检测区域；
若所述当前前向速度大于所述预期前向速度，则根据所述当前前向速度在所述栅格地图中确定 所述障碍物检测区域。
6.根据权利要求5所述的方法，其特征在于，
当根据所述预期前向速度在所述栅格地图中确定障碍物检测区域时，所述预期前向速度越大，所述障碍物检测区域越大；
当根据所述当前前向速度在所述栅格地图中确定障碍物检测区域时，所述当前前向速度越大，所述障碍物检测区域越大。
7.根据权利要求4所述的方法，其特征在于，所述在所述障碍物检测区域中，确定所述无人机的最优飞行方向，包括：
在所述障碍物检测区域中，确定所述无人机的可通行区域，其中，所述可通行区域为不存在障碍物的区域；
根据所述可通行区域，确定所述无人机的候选飞行方向；
根据代价函数计算所述候选飞行方向的代价函数值；
将所述代价函数值最小的候选飞行方向确定为所述无人机的最优飞行方向。
8.根据权利要求7所述的方法，其特征在于，所述在所述障碍物检测区域中，确定所述无人机的可通行区域，包括：
以所述无人机为中心，预设角度为间隔，对所述障碍物检测区域进行划分，以将所述障碍物检测区域划分为多个区域；
采样障碍物的坐标；
确定所述坐标未落入的区域为所述可通行区域。
9.根据权利要求8所述的方法，其特征在于，所述采样障碍物的坐标，包括：
采样所述障碍物检测区域中被所述障碍物占据的栅格的中心点坐标和/或被所述障碍物占据的栅格的角点坐标。
10.根据权利要求7所述的方法，其特征在于，所述代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum
其中，g(direcgoal,direccur)表示所述候选飞行方向中的其中一个候选飞行方向与所述目标的方向的一致性，g(direcpre,direccur)表示所述候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示所述可通行区域的数量，k1、k2、k3为权重系数。
11.根据权利要求4所述的方法，其特征在于，所述在所述障碍物检测区域中，确定所述无人机与障碍物的最小距离，包括：
确定所述障碍物检测区域中与所述无人机距离最小的障碍物作为目标障碍物；
将所述目标障碍物与所述无人机的距离确定为所述最小距离。
12.根据权利要求1所述的方法，其特征在于，所述根据所述最大前向速度和所述预期前向速度，确定所述最优前向速度，包括：
比较所述最大前向速度和所述预期前向速度；
若所述最大前向速度大于所述预期前向速度，则确定所述预期前向速度为所述最优前向速度；
若所述最大前向速度不大于所述预期前向速度，则确定所述最大前向速度为所述最优前向速度。
13.根据权利要求1或12所述的方法，其特征在于，所述最优飞行方向对应最优飞行角度；则，
所述根据所述最优前向速度和所述最优飞行方向，确定所述最优侧向速度，包括：
根据所述最优飞行角度的正切值与所述最优前向速度的乘积确定所述最优侧向速度。
14.根据权利要求1所述的方法，其特征在于，所述获取所述无人机前方环境的深度图，包括：
通过所述无人机的深度传感器获取所述无人机前方环境的深度图。
15.根据权利要求14所述的方法，其特征在于，在所述根据所述深度图，确定以所述无人机为中心的栅格地图之前，所述方法还包括：
判断所述深度传感器是否存在俯仰角；
若是，则对所述深度图进行深度补偿。
16.根据权利要求15所述的方法，其特征在于，所述深度传感器为深度相机；则，
若所述深度传感器存在俯仰角，则所述对所述深度图进行深度补偿，包括：
计算所述深度补偿的像素行数，所述深度补偿的像素行数为：
row_see＝tanθ2×f，其中，θ2为所述深度相机的俯仰角，f为所述深度相机的焦距；
根据所述深度补偿的像素行数确定所述无人机的像平面在所述深度图上的行索引，所述无人机的像平面在所述深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为所述深度图行数的一半。
17.一种基于目标跟踪的无人机避障装置，其特征在于，所述装置包括：
第一确定模块，用于确定无人机的预期前向速度，所述预期前向速度用于使所述无人机与目标保持初始水平距离；
获取模块，用于获取所述无人机前方环境的深度图，并根据所述深度图，确定以所述无人机为中心的栅格地图；
第二确定模块，用于根据所述栅格地图，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离；以及
用于根据所述最小距离，计算所述无人机的最大前向速度；
根据所述最大前向速度和所述预期前向速度，确定最优前向速度；
根据所述最优前向速度和所述最优飞行方向，确定最优侧向速度；
控制模块，用于控制所述无人机以最优飞行速度沿所述最优飞行方向飞行，以躲避所述无人机前方环境的障碍物，其中，所述最优飞行速度包括所述最优前向速度与所述最优侧向速度。
18.根据权利要求17所述的装置，其特征在于，所述第一确定模块具体用于：
获取所述无人机与所述目标的初始水平距离；
确定所述无人机与所述目标的当前水平距离；
基于所述初始水平距离，对所述当前水平距离进行PID调节，以确定所述无人机的所述预期前向速度。
19.根据权利要求18所述的装置，其特征在于，所述无人机包括云台，所述控制模块还用于：
控制所述云台的中心对准所述目标；则，
所述第一确定模块具体用于：
获取所述云台的当前对地高度和当前俯仰角；
根据所述当前对地高度以及所述当前俯仰角确定所述无人机与所述目标的当前水平距离。
20.根据权利要求17至19中任一项所述的装置，其特征在于，所述第一确定模块还用于：
确定所述无人机的当前前向速度；则，
所述第二确定模块具体用于：
根据所述当前前向速度和所述预期前向速度，在所述栅格地图中确定障碍物检测区域；
在所述障碍物检测区域中，确定所述无人机的最优飞行方向以及所述无人机与障碍物的最小距离。
21.根据权利要求20所述的装置，其特征在于，所述第二确定模块具体用于：
比较所述当前前向速度和所述预期前向速度；
若所述当前前向速度小于所述预期前向速度，则根据所述预期前向速度在所述栅格地图中确定所述障碍物检测区域；
若所述当前前向速度大于所述预期前向速度，则根据所述当前前向速度在所述栅格地图中确定 所述障碍物检测区域。
22.根据权利要求21所述的装置，其特征在于，
当根据所述预期前向速度在所述栅格地图中确定障碍物检测区域时，所述预期前向速度越大，所述障碍物检测区域越大；
当根据所述当前前向速度在所述栅格地图中确定障碍物检测区域时，所述当前前向速度越大，所述障碍物检测区域越大。
23.根据权利要求20所述的装置，其特征在于，所述第二确定模块具体用于：
在所述障碍物检测区域中，确定所述无人机的可通行区域，其中，所述可通行区域为不存在障碍物的区域；
根据所述可通行区域，确定所述无人机的候选飞行方向；
根据代价函数计算所述候选飞行方向的代价函数值；
将所述代价函数值最小的候选飞行方向确定为所述无人机的最优飞行方向。
24.根据权利要求23所述的装置，其特征在于，所述第二确定模块具体用于：
以所述无人机为中心，预设角度为间隔，对所述障碍物检测区域进行划分，以将所述障碍物检测区域划分为多个区域；
采样障碍物的坐标；
确定所述坐标未落入的区域为所述可通行区域。
25.根据权利要求24所述的装置，其特征在于，所述第二确定模块具体用于：
采样所述障碍物检测区域中被所述障碍物占据的栅格的中心点坐标和/或被所述障碍物占据的栅格的角点坐标。
26.根据权利要求23所述的装置，其特征在于，所述代价函数为：
f＝k1×g(direcgoal,direccur)+k2×g(direcpre,direccur)-k3×sum
其中，g(direcgoal,direccur)表示所述候选飞行方向中的其中一个候选飞行方向与所述目标的方向的一致性，g(direcpre,direccur)表示所述候选飞行方向与前一次决策的最优飞行方向的一致性，sum表示所述可通行区域的数量，k1、k2、k3为权重系数。
27.根据权利要求20所述的装置，其特征在于，所述第二确定模块具体用于：
确定所述障碍物检测区域中与所述无人机距离最小的障碍物作为目标障碍物；
将所述目标障碍物与所述无人机的距离确定为所述最小距离。
28.根据权利要求17所述的装置，其特征在于，所述第二确定模块具体用于：
比较所述最大前向速度和所述预期前向速度；
若所述最大前向速度大于所述预期前向速度，则确定所述预期前向速度为所述最优前向速度；
若所述最大前向速度不大于所述预期前向速度，则确定所述最大前向速度为所述最优前向速度。
29.根据权利要求17或28所述的装置，其特征在于，所述最优飞行方向对应最优飞行角度；则，
所述第二确定模块具体用于：
根据所述最优飞行角度的正切值与所述最优前向速度的乘积确定所述最优侧向速度。
30.根据权利要求17所述的装置，其特征在于，所述获取模块具体用于：
通过所述无人机的深度传感器获取所述无人机前方环境的深度图。
31.根据权利要求30所述的装置，其特征在于，在所述根据所述深度图，确定以所述无人机为中心的栅格地图之前，所述获取模块还用于：
判断所述深度传感器是否存在俯仰角；
若是，则对所述深度图进行深度补偿。
32.根据权利要求31所述的装置，其特征在于，所述深度传感器为深度相机；则，
所述获取模块具体用于：
计算所述深度补偿的像素行数，所述深度补偿的像素行数为：
row_see＝tanθ2×f，其中，θ2为所述深度相机的俯仰角，f为所述深度相机的焦距；
根据所述深度补偿的像素行数确定所述无人机的像平面在所述深度图上的行索引，所述无人机的像平面在所述深度图上的行索引row_horizon为：
row_horizon＝row_half+row_see，其中，row_half为所述深度图行数的一半。
33.一种无人机，其特征在于，包括：
机身；
机臂，与所述机身相连；
动力装置，设置于所述机臂；
云台，与所述机身相连；
深度相机，与所述机身相连；
至少一个处理器，设于所述机身内；以及
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够用于执行如权利要求1-16中任一项所述的基于目标跟踪的无人机避障方法。
34.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使无人机执行如权利要求1-16中任一项所述的基于目标跟踪的无人机避障方法。
CN201910655674.8A 2019-07-19 2019-07-19 一种基于目标跟踪的无人机避障方法、装置及无人机 Active CN110262568B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910655674.8A CN110262568B (zh) 2019-07-19 2019-07-19 一种基于目标跟踪的无人机避障方法、装置及无人机
PCT/CN2020/102878 WO2021013110A1 (zh) 2019-07-19 2020-07-18 一种基于目标跟踪的无人机避障方法、装置及无人机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910655674.8A CN110262568B (zh) 2019-07-19 2019-07-19 一种基于目标跟踪的无人机避障方法、装置及无人机

Publications (2)

Publication Number Publication Date
CN110262568A CN110262568A (zh) 2019-09-20
CN110262568B true CN110262568B (zh) 2021-10-22

Family

ID=67927214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910655674.8A Active CN110262568B (zh) 2019-07-19 2019-07-19 一种基于目标跟踪的无人机避障方法、装置及无人机

Country Status (2)

Country Link
CN (1) CN110262568B (zh)
WO (1) WO2021013110A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262568B (zh) * 2019-07-19 2021-10-22 深圳市道通智能航空技术股份有限公司 一种基于目标跟踪的无人机避障方法、装置及无人机
CN110597293A (zh) * 2019-10-12 2019-12-20 上海复亚智能科技有限公司 一种无人机自主飞行方法、装置、设备及存储介质
CN112068592B (zh) * 2020-08-31 2021-10-26 南京航空航天大学 一种基于可充电无人机实现栅栏覆盖的调度方法
CN112180977A (zh) * 2020-09-30 2021-01-05 苏州臻迪智能科技有限公司 一种轨迹规划方法、装置、存储介质及飞行器
CN112731939A (zh) * 2020-12-29 2021-04-30 北京电子工程总体研究所 针对动态目标的编队避障方法
CN112666984B (zh) * 2020-12-29 2022-11-22 北京电子工程总体研究所 一种多对一的智能协同追逃博弈方法及***
CN112698659A (zh) * 2020-12-29 2021-04-23 北京电子工程总体研究所 一种针对静态场景的编队避障方法
CN112947570B (zh) * 2021-03-10 2022-11-11 苏州臻迪智能科技有限公司 一种无人机避障的方法、装置和存储介质
CN113050691B (zh) * 2021-03-25 2023-03-24 成都纵横自动化技术股份有限公司 一种无人机避障方法、装置、设备及计算机可读存储介质
CN113110594B (zh) * 2021-05-08 2022-05-17 北京三快在线科技有限公司 控制无人机避障的方法、装置、存储介质及无人机
CN113310493B (zh) * 2021-05-28 2022-08-05 广东工业大学 一种基于事件触发机制的无人机实时导航方法
CN113612920A (zh) * 2021-06-23 2021-11-05 广西电网有限责任公司电力科学研究院 一种无人机拍摄电力设备图像的方法及其装置
CN113759985A (zh) * 2021-08-03 2021-12-07 华南理工大学 一种无人机飞行控制方法、***、装置及存储介质
CN113867341B (zh) * 2021-09-18 2023-12-22 盐城中科高通量计算研究院有限公司 一种高精度循迹和控制的巡逻车路径规划及跟踪方法
CN114123021A (zh) * 2021-11-05 2022-03-01 国网辽宁省电力有限公司铁岭供电公司 一种基于电力线路的山区电力设施飞行巡检监控***及装置
CN114371720B (zh) * 2021-12-29 2023-09-29 国家电投集团贵州金元威宁能源股份有限公司 无人机实现跟踪目标的控制方法和控制装置
CN114323051B (zh) * 2022-01-07 2024-02-02 苏州挚途科技有限公司 路口行驶轨迹的规划方法、装置和电子设备
CN114268964B (zh) * 2022-02-28 2022-05-20 汕头大学 未知室内环境中基于无人机群的基站自主协同部署方法
WO2023173330A1 (zh) * 2022-03-16 2023-09-21 深圳市大疆创新科技有限公司 无人机的飞行控制方法、装置、无人机以及存储介质
CN115512292B (zh) * 2022-09-07 2024-01-05 湖北国际物流机场有限公司 航空器起落架跟踪观察方法
CN115661204B (zh) * 2022-11-01 2023-11-10 中国人民解放军军事科学院国防科技创新研究院 一种无人机集群对运动目标的协同搜寻与跟踪定位方法
CN116820136B (zh) * 2023-08-25 2023-12-05 雄安国创中心科技有限公司 基于rrt算法的无人机路径优化方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107223219A (zh) * 2016-09-26 2017-09-29 深圳市大疆创新科技有限公司 控制方法、控制设备和运载***
CN107656545A (zh) * 2017-09-12 2018-02-02 武汉大学 一种面向无人机野外搜救的自主避障与导航方法
CN107703951A (zh) * 2017-07-27 2018-02-16 上海拓攻机器人有限公司 一种基于双目视觉的无人机避障方法及***
CN108351649A (zh) * 2015-09-15 2018-07-31 深圳市大疆创新科技有限公司 用于uav交互指令和控制的***和方法
CN108444482A (zh) * 2018-06-15 2018-08-24 东北大学 一种无人机自主寻路避障方法及***
CN108701362A (zh) * 2016-02-29 2018-10-23 深圳市大疆创新科技有限公司 目标跟踪期间的障碍避免
CN109358638A (zh) * 2018-09-10 2019-02-19 南京航空航天大学 基于分布式地图的无人机视觉避障方法
CN109634304A (zh) * 2018-12-13 2019-04-16 中国科学院自动化研究所南京人工智能芯片创新研究院 无人机飞行路径规划方法、装置和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8366054B2 (en) * 2009-12-17 2013-02-05 The United States Of America As Represented By The Secretary Of The Navy Hand launchable unmanned aerial vehicle
US20170328679A1 (en) * 2016-05-11 2017-11-16 Rivada Research, Llc Method and System for Using Enhanced Location-Based Information to Guide Munitions
CN105910604A (zh) * 2016-05-25 2016-08-31 武汉卓拔科技有限公司 一种基于多传感器的自主避障导航***
CN109960269B (zh) * 2019-04-04 2021-05-04 武汉大学 一种服务于无人机自主导航的简化环境建模方法
CN110262568B (zh) * 2019-07-19 2021-10-22 深圳市道通智能航空技术股份有限公司 一种基于目标跟踪的无人机避障方法、装置及无人机

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108351649A (zh) * 2015-09-15 2018-07-31 深圳市大疆创新科技有限公司 用于uav交互指令和控制的***和方法
CN108701362A (zh) * 2016-02-29 2018-10-23 深圳市大疆创新科技有限公司 目标跟踪期间的障碍避免
CN107223219A (zh) * 2016-09-26 2017-09-29 深圳市大疆创新科技有限公司 控制方法、控制设备和运载***
CN107703951A (zh) * 2017-07-27 2018-02-16 上海拓攻机器人有限公司 一种基于双目视觉的无人机避障方法及***
CN107656545A (zh) * 2017-09-12 2018-02-02 武汉大学 一种面向无人机野外搜救的自主避障与导航方法
CN108444482A (zh) * 2018-06-15 2018-08-24 东北大学 一种无人机自主寻路避障方法及***
CN109358638A (zh) * 2018-09-10 2019-02-19 南京航空航天大学 基于分布式地图的无人机视觉避障方法
CN109634304A (zh) * 2018-12-13 2019-04-16 中国科学院自动化研究所南京人工智能芯片创新研究院 无人机飞行路径规划方法、装置和存储介质

Also Published As

Publication number Publication date
CN110262568A (zh) 2019-09-20
WO2021013110A1 (zh) 2021-01-28

Similar Documents

Publication Publication Date Title
CN110262568B (zh) 一种基于目标跟踪的无人机避障方法、装置及无人机
WO2020103034A1 (zh) 一种无人机路径规划方法、装置及无人机
US11242144B2 (en) Aerial vehicle smart landing
US11218689B2 (en) Methods and systems for selective sensor fusion
US20190220039A1 (en) Methods and system for vision-based landing
CN110276786B (zh) 确定跟踪目标的位置信息的方法及装置、跟踪装置及***
Wenzel et al. Automatic take off, tracking and landing of a miniature UAV on a moving carrier vehicle
US20190243376A1 (en) Actively Complementing Exposure Settings for Autonomous Navigation
US20200117210A1 (en) Auto-Exploration Control of a Robotic Vehicle
EP3480118B1 (en) Aerial vehicle landing method
CN105182992A (zh) 无人机的控制方法、装置
US20220198793A1 (en) Target state estimation method and apparatus, and unmanned aerial vehicle
CN111615677B (zh) 一种无人机的安全降落方法、装置、无人机及介质
US10386857B2 (en) Sensor-centric path planning and control for robotic vehicles
EP3893078A1 (en) Relay point generation method and apparatus, and unmanned aerial vehicle
CN112327898B (zh) 无人机的井道巡检导航方法、装置和无人机
CN110945452A (zh) 云台和无人机控制方法、云台及无人机
CN108778931B (zh) 一种摄像装置的转动控制方法、控制设备以及飞行器
CN213814412U (zh) 一种双云台无人机
JP7031997B2 (ja) 飛行体システム、飛行体、位置測定方法、プログラム
US20240019866A1 (en) Aerial vehicle control method and apparatus, aerial vehicle, and storage medium
CN116724279A (zh) 可移动平台、可移动平台的控制方法及存储介质
KR20240085810A (ko) 능동형 측위 방법 및 상기 방법을 수행하는 무인 이동체

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518055 Guangdong city of Shenzhen province Nanshan District Xili Street Xueyuan Road No. 1001 Chi Yuen Building 9 layer B1

Applicant after: Shenzhen daotong intelligent Aviation Technology Co.,Ltd.

Address before: 518055 Guangdong city of Shenzhen province Nanshan District Xili Street Xueyuan Road No. 1001 Chi Yuen Building 9 layer B1

Applicant before: AUTEL ROBOTICS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant