CN110609570A - 一种基于无人机的自主避障巡检方法 - Google Patents

Abstract

本发明涉及一种基于无人机的自主避障巡检方法，采用多传感器的数据融合技术和智能航迹在线规划技术，将视觉传感器、激光雷达等多种设备进行数据融合，实现全方位、多线程的障碍物位置检测，运用智能航迹在线规划技术对已经注入的航迹任务进行在线调整或再规划实现对障碍物的躲避绕行，有效提高无人机自主飞行功能的精度和可靠性，保障无人机飞行作业的安全，提高无人机巡检的安全性，进而可以规避因强电磁场的干扰而造成无人机在巡检过程中自主避障功能紊乱或丢失，从而减小的经济损失。

Description

一种基于无人机的自主避障巡检方法

技术领域

本发明涉及无人飞行器领域，具体涉及一种基于无人机的自主避障巡检方法。

背景技术

无人机巡检是以无人机为载体，以巡检仪器(如可见光摄影机、红外成像仪、损伤探测仪和扫描云台等)作为荷载***，采用地面遥控或者无人机自主工作的方式按照规划线路进行巡检。在现代使用无人机巡检已成了常态，而无人机智能巡检是目前主要的研究的方向。在无人机智能巡检方面，无人机自主避障是实现无人机智能巡检最基本的设计。完善的自主避障***将减少无人机因操作失误而造成无人机损坏或撞毁，挽救因无人机操作失误而造成的一系列损失。

无人机自主避障技术主要是利用声、波等传感器获取障碍物信息，目前常见无人机避障***主要有三种方式，分别是超声波、雷达测距，以及相对更复杂的基于视觉图像处理避障技术。

现有的无人机巡检技术通常会根据多个卫星来定位无人机的位置，由于无人机向多个卫星发送定位信息，卫星将无人机的位置信息反馈给无人机，无人机通过不同位置的卫星定位信息的差异来确定无人机的位置。现有的无人机自主避障只要体现在航迹规划，根据预设的数字地图，然后通过GPS/INS组合导航***，在飞行前在地面站设置最优飞行航迹。

无人机航线规划是无人机任务规划技术中的关键。无人机巡检是以无人机为载体，以巡检仪器(如可见光摄影机、红外成像仪、损伤探测仪和扫描云台等)作为荷载***，采用地面遥控或者无人机自主工作的工作方式，完成输电线路的巡检，虽然无人机巡检显示出巨大的优势和潜在的应用潜力，但是由于输电线路环境复杂，障碍物种类和数量较多，所以无人机巡检迫切需要解决自主避障问题。

采用以上技术进行的自主避障主要有以下缺点：1)抗电磁干扰能力不好；2)智能化程度低、路线时效性差：无人机根据定位***中已有的地图为无人机规划路线，不能根据更新路线来规划无人机航行状况，无人机只知道自身的位置信息，不能将自身位置信息同实际环境信息结合起来，模拟出真实飞行环境，智能化程度低；3)误差大，定位不准确：无人机在向卫星发送定位信息的同时自身也在飞行，导致定位信息不准确，且向卫星发送的信息受周围环境的影响，时延性大。

发明内容

本发明的开发主要是为了提高无人机在巡检过程中的自主避障的能力，基于多传感器的数据融合技术和智能航迹在线规划技术，采用视觉传感器、激光雷达等多种设备进行数据融合，实现全方位、多线程的障碍物位置检测，运用智能航迹在线规划技术对已经注入的航迹任务进行在线调整或在规划实现对障碍物的躲避绕行，有效提高无人机自主飞行功能的精度和可靠性，保障无人机飞行作业的安全，提高无人机巡检的安全性。

为实现以上目的，本发明的技术方案包括：一种无人机自主避障巡检方法及***，所述方法包括：

步骤a，确定飞行任务，根据预先设定好的避障路径规划航线，执行飞行任务；

步骤b，飞行过程中实时检测前方规划航线上是否有障碍物；如否，则继续飞行，如是，则确认障碍物分布；

步骤c，根据障碍物分布搜索避障路径，实时调整路径规划；

所述步骤b中，采用多传感器的数据融合算法检测障碍物，所述传感器包括激光雷达传感器和视觉传感器，所述激光雷达传感器和视觉传感器检测到的信号通过数据融合算法得到障碍物大小、分布。

进一步地，数据融合算法采用互补融合算法。

进一步地，视觉感知信息提取与分析包括摄像机参数标定和环境建模；摄像机参数标定采用张正友摄像机标定方法提取标定板对应的角点，根据所提取的角点之间的位置关系进行摄像机内参数标定；摄像机外参数标定时，采用张正友摄像机标定方法进行外参数获取，通过计算每个摄像机相对于同一标定板的位置，再通过坐标转化就可获得双目摄像机之间的位置关系，从而实现摄像机外参数标定；环境建模包括以下步骤：首先对获取的图像进行预处理，主要包括中值滤波法进行平滑处理和LOG 边缘检测算子进行边缘提取；其次是利用对极几何和图像边缘等约束条件，采用基于归一化灰度的方法实现图像特征点的立体匹配；然后是利用摄像机的投影关系及相应公式计算出空间点在无人机坐标系中的空间三维坐标，从而完成环境的三维重建；最后是采用栅格化障碍物的方法实现环境二维地图重建。

进一步地，激光雷达检测采用飞行时间测距方法，通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行(往返)时间来得到目标物距离。

进一步地，步骤c中，在确认无人机遇到障碍后，根据障碍分布，按照最优路径搜索和/或局部路径搜索路径，实时调整路径规划。

进一步地，最优路径搜索采用A*算法，所述A*算法的估算函数为： f(n)＝g(n)+h(n)，其中：g(n)表示从起点到任意顶点n的实际距离，h(n) 表示任意顶点n到目标顶点的估算距离。

进一步地，局部路径规划采用势力场路径规划，势力场包括目标产生的吸引势和障碍产生的排斥势，二者共同作用引导无人机的飞行方向，无人机在势场力引导下产生的飞行轨迹即为规划路径。

通过以下公式计算势力场：

引力场:

这里的ξ是尺度因子,ρ(q,q_goal)表示物体当前状态与目标的距离。

引力:

斥力场:

公式中η是斥力尺度因子，ρ(q,q_obs)代表物体和障碍物之间的距离；ρ₀代表每个障碍物的影响半径；

斥力:

总的场就是斥力场合引力场的叠加:

U(q)＝U_att(q)+U_rep(q)

总的力也是对对应的分力的叠加:

有益效果：本发明通过采用基于多传感器的数据融合技术和智能航迹在线规划技术，将视觉传感器和激光雷达等多种设备采集的数据进行数据融合，实现全方位、多线程的障碍物位置检测；根据障碍物检测结果确定障碍物分布；根据障碍物分布，运用智能航迹在线规划技术对已经注入的航迹任务进行在线调整或在规划实现对障碍物的躲避绕行，有效提高无人机自主飞行功能的精度和可靠性，保障无人机飞行作业的安全，提高无人机巡检的安全性。

附图说明

附图1为本发明的视觉感知信息提取与分析流程图；

附图2为本发明的激光雷达障碍物信息提取流程图；

附图3为本发明的数据融合流程图；

附图4为本发明的避障路径规划流程图；

附图5为本发明的自主避障巡检方法流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明的开发主要是为了提高无人机在巡检过程中的自主避障的能力，基于多传感器的数据融合技术和智能航迹在线规划技术，采用视觉传感器、激光雷达等多种设备进行数据融合，实现全方位、多线程的障碍物位置检测，运用智能航迹在线规划技术对已经注入的航迹任务进行在线调整或在规划实现对障碍物的躲避绕行，有效提高无人机自主飞行功能的精度和可靠性，保障无人机飞行作业的安全，提高无人机巡检的安全性。

首先，无人机根据预先设定好的避障路径规划航线执行飞行任务，当遇到障碍物的时候，通过多传感器的摄像机模块和激光雷达模块获取无人机飞行信息，然后运用互补融合算法模块将两者数据有效结合，再经过环境建模模块对获取的图像进行预处理，从而实现对无人机飞行信息进行提取和分析，实现障碍物全角度、高精度的探查。

基于多传感器的数据融合技术主要解决障碍物位置检测的技术难点，由于视觉传感器具有视场广阔的优点，能为路径在线规划提供前向索引，但由于无法识别较小障碍物；激光雷达探测范围狭窄，但精度高，有利识别较小障碍物；采用视觉传感器和激光雷达等方法，分别制定技术路线如下：

视觉感知信息提取与分析

如附图1所示为视觉感知信息提取与分析的流程图，主要包括摄像机参数标定和环境建模两部分：

摄像机参数标定：摄像机内参数标定时，尽可能获取在视野内的各个范围均有分布的图像以确保标定精度，采用张正友摄像机标定方法提取标定板对应的角点，根据所提取的角点之间的位置关系进行摄像机内参数标定；摄像机外参数标定时，采用张正友摄像机标定方法进行外参数获取，通过计算每个摄像机相对于同一标定板的位置，再通过坐标转化就可获得双目摄像机之间的位置关系，从而实现摄像机外参数标定；

环境建模：首先对获取的图像进行预处理，主要包括中值滤波法进行平滑处理和LOG边缘检测算子进行边缘提取；其次是利用对极几何和图像边缘等约束条件，采用基于归一化灰度的方法实现图像特征点的立体匹配；然后是利用摄像机的投影关系及相应公式计算出空间点在无人机坐标系中的空间三维坐标，从而完成环境的三维重建；最后是采用栅格化障碍物的方法实现环境二维地图重建。

激光雷达障碍物信息提取

激光雷达障碍物信息提取的工作流程如图2所示。激光雷达安装于飞机平台上方，其采用TOF(Time of flight飞行时间)测距方法，其原理是通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行(往返)时间来得到目标物距离。激光雷达与伺服机构相连可实现360°全方位扫描。

数据融合技术

数据融合技术可将具有不同优势的传感器实现取优补缺。视觉传感器具有视场广阔的优点，能为路径在线规划提供前向索引，但由于无法识别较小障碍物；激光雷达探测范围狭窄，但精度高，有利识别较小障碍物，运用互补融合算法可将两者数据有效结合发挥其优点，实现障碍物全角度、高精度的探查。

本发明的数据融合过程如附图3所示，包括以下步骤：

(1)开始执行飞行任务；

(2)确定飞行航线；

(3)通过激光雷达传感器对进程探测(20米)进行高测量精度探测和通过视觉识别对远程探测进行三维探测；

(4)通过数据融合技术对激光雷达传感器和视觉识别获得的数据进行融合分析；

(5)判断无人机是否遇到障碍，若遇到，则确认障碍分布，若没有遇到，则继续飞行。

避障路径规划

在确认无人机遇到障碍后，根据数据融合算法确认的障碍分布，实时调整路径规划，本发明的避障路径规划如附图4所示，包括最优路径搜索和局部路径搜索。

最优路径搜索：最优路径通过启发式搜索获得，在基于A*算法的启发式搜索过程中，选择估价函数形如f*(n)＝g*(n)+h*(n)，通过不同条件下的估价得到最优路径节点序列。A*搜索算法，俗称A星算法。这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的NPC的移动计算，或网络游戏的BOT的移动计算上。该算法综合了最良优先搜索和Dijkstra算法的优点：在进行启发式搜索提高算法效率的同时，可以保证找到一条最优路径(基于评估函数)。在此算法中，如果以g(n)表示从起点到任意顶点n的实际距离，h(n)表示任意顶点n到目标顶点的估算距离(根据所采用的评估函数的不同而变化)，那么A*算法的估算函数为：f(n)＝g(n)+h(n)。这个公式遵循以下特性：

(1)如果g(n)为0，即只计算任意顶点n到目标的评估函数h(n)，而不计算起点到顶点n的距离，则算法转化为使用贪心策略的最良优先搜索，速度最快，但可能得不出最优解；

(2)如果h(n)不大于顶点n到目标顶点的实际距离，则一定可以求出最优解，而且h(n)越小，需要计算的节点越多，算法效率越低，常见的评估函数有——欧几里得距离、曼哈顿距离、切比雪夫距离；

(3)如果h(n)为0，即只需求出起点到任意顶点n的最短路径 g(n)，而不计算任何评估函数h(n)，则转化为单源最短路径问题，即 Dijkstra算法，此时需要计算最多的顶点。

局部路径规划：通过引入一个成为人工势场的数值函数来描述空间结构，通过势场中的力来引导无人机躲避障碍物到达目标地点。人工势场分为目标产生的吸引势和障碍产生的排斥势，二者共同作用引导无人机的飞行方向，无人机在势场力引导下产生的飞行轨迹即为规划路径。

引力场:

这里的ξ是尺度因子,ρ(q,q_goal)表示物体当前状态与目标的距离。

引力:

斥力场:

公式中η是斥力尺度因子，ρ(q,q_obs)代表物体和障碍物之间的距离。ρ₀代表每个障碍物的影响半径。换言之，离开一定的距离，障碍物就对物体没有斥力影响。

斥力:

总的场就是斥力场和引力场的叠加:

U(q)＝U_att(q)+U_rep(q)

总的力也是对应的分力的叠加:

本发明采用多传感器的数据融合技术和智能航迹在线规划技术，将视觉传感器、激光雷达等多种设备进行数据融合，实现全方位、多线程的障碍物位置检测，运用智能航迹在线规划技术对已经注入的航迹任务进行在线调整再规划实现对障碍物的躲避绕行，有效提高无人机自主飞行功能的精度和可靠性，保障无人机飞行作业的安全，提高无人机巡检的安全性，进而可以规避因强电磁场的干扰而造成无人机在巡检过程中自主避障功能紊乱或丢失，从而减小的经济损失。

以上所述仅为本发明的较佳实施方式，本发明并不局限于上述实施方式，在实施过程中可能存在局部微小的结构改动，如果对本发明的各种改动或变型不脱离本发明的精神和范围，且属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变型。

Claims (7)

1.一种无人机自主避障巡检方法，所述方法包括：

步骤a，确定飞行任务，根据预先设定好的避障路径规划航线，执行飞行任务；

步骤b，飞行过程中实时检测前方规划航线上是否有障碍物；如否，则继续飞行，如是，则确认障碍物大小、分布；

步骤c，根据障碍物分布搜索避障路径，实时调整路径规划；

所述步骤b中，采用多传感器的数据融合算法检测障碍物，所述传感器包括激光雷达传感器和视觉传感器，所述激光雷达传感器和视觉传感器检测到的信号通过数据融合算法得到障碍物大小、分布。

2.根据权利要求1所述的无人机自主避障巡检方法，其特征在于：所述数据融合算法采用互补融合算法。

3.根据权利要求1所述的无人机自主避障巡检方法，其特征在于：视觉感知信息提取与分析包括摄像机参数标定和环境建模；

摄像机参数标定采用张正友摄像机标定方法提取标定板对应的角点，根据所提取的角点之间的位置关系进行摄像机内参数标定；摄像机外参数标定时，采用张正友摄像机标定方法进行外参数获取，通过计算每个摄像机相对于同一标定板的位置，再通过坐标转化就可获得双目摄像机之间的位置关系，从而实现摄像机外参数标定；

环境建模包括以下步骤：首先对获取的图像进行预处理，主要包括中值滤波法进行平滑处理和LOG边缘检测算子进行边缘提取；其次是利用对极几何和图像边缘等约束条件，采用基于归一化灰度的方法实现图像特征点的立体匹配；然后是利用摄像机的投影关系及相应公式计算出空间点在无人机坐标系中的空间三维坐标，从而完成环境的三维重建；最后是采用栅格化障碍物的方法实现环境二维地图重建。

4.根据权利要求1所述的无人机自主避障巡检方法，其特征在于：所述激光雷达检测采用飞行时间测距方法，通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行(往返)时间来得到目标物距离。

5.根据权利要求1所述的无人机自主避障巡检方法，其特征在于：所述步骤c中，在确认无人机遇到障碍后，根据障碍分布，按照最优路径搜索和/或局部路径搜索路径，实时调整路径规划。

6.根据权利要求1所述的无人机自主避障巡检方法，其特征在于：所述最优路径搜索采用A*算法，所述A*算法的估算函数为：f(n)＝g(n)+h(n)，其中：g(n)表示从起点到任意顶点n的实际距离，h(n)表示任意顶点n到目标顶点的估算距离。

7.根据权利要求1所述的无人机自主避障巡检方法，其特征在于：所述局部路径规划采用势力场路径规划，势力场包括目标产生的吸引势和障碍产生的排斥势，二者共同作用引导无人机的飞行方向，无人机在势场力引导下产生的飞行轨迹即为规划路径。

通过以下公式计算势力场：

引力场:

这里的ξ是尺度因子,ρ(q,q_goal)表示物体当前状态与目标的距离。

引力:

斥力场:

公式中η是斥力尺度因子，ρ(q,q_obs)代表物体和障碍物之间的距离；ρ₀代表每个障碍物的影响半径；

斥力:

总的场就是斥力场合引力场的叠加:

U(q)＝U_att(q)+U_rep(q)

总的力也是对对应的分力的叠加: