CN111813151A - 基于机器视觉的无人机集群控制方法 - Google Patents
基于机器视觉的无人机集群控制方法 Download PDFInfo
- Publication number
- CN111813151A CN111813151A CN202010869999.9A CN202010869999A CN111813151A CN 111813151 A CN111813151 A CN 111813151A CN 202010869999 A CN202010869999 A CN 202010869999A CN 111813151 A CN111813151 A CN 111813151A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 21
- 230000033001 locomotion Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 241000257161 Calliphoridae Species 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 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 description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000024703 flight behavior Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 239000007787 solid Substances 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了基于机器视觉的无人机集群控制方法,包括S1对无人机集群进行编队飞行;S2建立无人机集群资源共享:S21建立实时数据资源共享机制;S22建立服务资源共享机制;S23构建集群无人机数据备份与恢复机制;S24建立集群协同故障检测与处理机制;S3建立无人机集群分层防撞体系:S31分层模型构建;S32分层冲突检测;S33分层碰撞规避;S4对无人机集群进行控制;S5基于机器视觉进行精准降落;本发明执行任务之前利用采集目标数据进行深度学***台的视频中检测到目标平台,可以辅助无人机集群实现精准降落在指定平台。
Description
技术领域
本发明属于无人机集群领域,具体涉及基于机器视觉的无人机集群控制方法。
背景技术
无人驾驶飞机简称无人机,英文缩写为UAV,是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。从技术角度定义可以分为:无人直升机、无人固定翼机、无人多旋翼飞行器、无人飞艇、无人伞翼机等。
可参考授权公告号为CN107340784A的中国专利,其公开了无人机集群控制方法,所述方法包括如下步骤:通过无人机集群群内部成员的空间位置、速度以及加速度构建无人机集群群内部成员模型;构建无人机集群群内部成员的加速度控制函数;通过构建的所述加速度控制函数实现对无人机集群群内部成员的群聚运动、朝向目标运动以及规避障碍运动进行控制。
上述的这种无人机集群控制方法在控制集群运动方面灵活性强,一致性好,控制与避障效果显著;但是上述的无人机集群控制方法依旧存在着一些缺点,如:一、现有技术中的单一防撞方法不能同时解决和避障和集群内个体之间的防撞问题;二、不方便对无人机集群的降落位置进行准确定位。
发明内容
本发明的目的在于提供基于机器视觉的无人机集群控制方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于机器视觉的无人机集群控制方法,包括以下步骤:
S1.对无人机集群进行编队飞行:S11.在无人机集群中,根据无人机的运动模型,对无人机进行编号;S12.利用编队控制器对无人机集群进行编队控制;S13.基于行为的编队控制策略,选择无人机集群的编队飞行行为;
S2.建立无人机集群资源共享:S21.建立实时数据资源共享机制,即无人机将自身的数据资源进行整合和规范化,同时发送给其他无人机;S22.建立服务资源共享机制,即对无人机可共享服务资源进行封装和管理,并以特定接口向其他无人机提供服务;S23.构建集群无人机数据备份与恢复机制,进行数据资源持久存储与冗余备份;S24.建立集群协同故障检测与处理机制,将故障中数据进行迁移;
S3.建立无人机集群分层防撞体系:S31.分层模型构建:按照无人机与冲突对象之间的相对距离大小,将无人机的局部冲突空域划分为多个层次,构建得到局部分层冲突空域模型;S32.分层冲突检测:实时获取被控无人机的飞行状态信息、未来指定时长内的期望飞行状态信息以及当前局部空域内相邻无人机与环境障碍的运动状态信息,并判定无人机与局部空域内相邻无人机和环境障碍之间的相对状态关系,根据所述相对状态关系确定被控无人机当前对应的局部冲突空域层次,按照确定的所述局部冲突空域层次进行冲突检测;S33.分层碰撞规避:根据被控无人机当前对应的所述局部冲突空域层次执行碰撞规避;
S4.对无人机集群进行控制:S41.用户输入指示信息;S42.根据用户输入的指示信息,生成控制信息,所述控制信息包括无人机集群的标识信息以及控制指令;S43.向服务器发送所述控制信息,所述控制信息用于供所述服务器根据所述无人机集群的标识信息,查找通信周期中所述无人机集群对应的通信时段,并在所述通信时段中,向所述无人机集群发送所述控制指令;S44.无人机集群根据接收地面控制***发送的控制信息,进行飞行;
S5.基于机器视觉进行精准降落:S51.在无人机集群上挂载云台、深度学***台的途中,首先开机视觉模块进行目标搜索;S53.当开启无人机视觉模块时,目标检测算法SSD对云台传回的图像进行实时检测;S54.当检测到目标平台时,将检测到的目标平台数据发送给ECO跟踪模块,如果在跟踪过程中丢失目标,重新开启检测,重复执行S52,S53步;S55.跟踪过程中,云台俯仰角度锁定,将云台航向角与飞机航向保持一致,通过移动无人机集群将跟踪目标锁定到图像中央,然后锁定云台航向角,无人机集群飞行至目标平台上方;S56.当无人机集群飞行至平台上方时,下落至5m高度后,开启USB摄像头,通过使用单目相机位姿估计技术,获取无人机集群相对目标平台的距离和方位;S57.无人机控制算法获取视觉模块求解的位置坐标,控制无人机集群精确降落在目标平台顶部。
优选的,所述S12中编队控制器包括信息感知模块、信息融合模块、行为决策模块和飞行控制模块。
优选的,所述S13中无人机集群的编队飞行行为主要包括:向任务目标运动行为、队形保持行为、碰撞避免行为和离群保持行为。
优选的,所述S24具体为:无人机集群故障互检互修复:当检测到有无人机发生故障无法自修复时,邻域内其他无人机将全新服务组件注入其中,即通过远程文件传输和自启动脚本实现服务组件的注入和更替,并将自身备份的相关数据重新同步;当检测到有无人机发生致命性故障时,邻域内其他无人机读取并同步故障无人机的任务数据,将数据迁移。
优选的,所述S31中局部冲突空域划分时,具体基于无人机的飞行速度、转弯半径、安全半径中任意一种或多种的约束条件,以及不同相对距离时产生冲突预警时间进行划分,构建得到所述局部分层冲突空域模型。
优选的,所述S51在执行任务之前利用采集目标数据进行深度学***台的视频中检测到目标平。
优选的,所述S52中无人机执行任务返回目标平台的途中,首先开机视觉模块进行目标搜索,具体指:无人机持续向前方飞行、云台持续转动搜寻目标和无人机视觉模块同时开启。
优选的,所述S56中获取无人机相对目标平台的距离和方位,具体是指:通过二维码求解无人机机载摄像头的位置坐标,并转化为平台载二维码相对无人机的位置坐标。
与现有技术相比,本发明的有益效果是:
(1)、本发明通过建立集群内数据资源共享机制,通过服务资源抽象封装和管理,将每架无人机上可共享的服务资源映射到集群内其他无人机上,形成集群服务资源共享机制,极大地提高了无人机集群协同自主决策和执行群体协同任务的效率,并且使得整个集群具备了极强的分布式计算和处理能力,充分发挥了无人机集群作业优势,另外利用数据资源共享机制和服务资源共享优势,建立集群协同的故障检测与处置机制,构建无人机集群数据备份与恢复机制,以及状态互监控和故障互检修策略,使得无人机集群具备了极高的容错能力和较高的集群鲁棒性;
(2)、本发明通过构建无人机的局部分层冲突空域模型,将无人机集群的碰撞规避问题按照无人机与冲突对象之间的相对距离的不同场景划分为不同层级,依据不同层级执行相应的冲突检测以及碰撞规避,实现无人机在路径跟踪过程中的分层障碍规避,能够综合规避相邻无人机以及环境障碍,且能够覆盖各类碰撞和危险场景选择合理的规避策略来对碰撞冲突进行规避机动,从而确保无碰撞的集群飞行。
(3)、本发明通过在无人机集群内设置无人机挂载云台、深度学***台的视频中检测到目标平台,可以辅助无人机集群实现精准降落在指定平台。
附图说明
图1为本发明的流程框图。
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。
请参阅图1,本发明提供基于机器视觉的无人机集群控制方法,包括以下步骤:
S1.对无人机集群进行编队飞行:S11.在无人机集群中,根据无人机的运动模型,对无人机进行编号;S12.利用编队控制器对无人机集群进行编队控制;S13.基于行为的编队控制策略,选择无人机集群的编队飞行行为;
S2.建立无人机集群资源共享:S21.建立实时数据资源共享机制,即无人机将自身的数据资源进行整合和规范化,同时发送给其他无人机;S22.建立服务资源共享机制,即对无人机可共享服务资源进行封装和管理,并以特定接口向其他无人机提供服务;S23.构建集群无人机数据备份与恢复机制,进行数据资源持久存储与冗余备份;S24.建立集群协同故障检测与处理机制,将故障中数据进行迁移;
S3.建立无人机集群分层防撞体系:S31.分层模型构建:按照无人机与冲突对象之间的相对距离大小,将无人机的局部冲突空域划分为多个层次,构建得到局部分层冲突空域模型;S32.分层冲突检测:实时获取被控无人机的飞行状态信息、未来指定时长内的期望飞行状态信息以及当前局部空域内相邻无人机与环境障碍的运动状态信息,并判定无人机与局部空域内相邻无人机和环境障碍之间的相对状态关系,根据所述相对状态关系确定被控无人机当前对应的局部冲突空域层次,按照确定的所述局部冲突空域层次进行冲突检测;S33.分层碰撞规避:根据被控无人机当前对应的所述局部冲突空域层次执行碰撞规避;
S4.对无人机集群进行控制:S41.用户输入指示信息;S42.根据用户输入的指示信息,生成控制信息,所述控制信息包括无人机集群的标识信息以及控制指令;S43.向服务器发送所述控制信息,所述控制信息用于供所述服务器根据所述无人机集群的标识信息,查找通信周期中所述无人机集群对应的通信时段,并在所述通信时段中,向所述无人机集群发送所述控制指令;S44.无人机集群根据接收地面控制***发送的控制信息,进行飞行;
S5.基于机器视觉进行精准降落:S51.在无人机集群上挂载云台、深度学***台的途中,首先开机视觉模块进行目标搜索;S53.当开启无人机视觉模块时,目标检测算法SSD对云台传回的图像进行实时检测;S54.当检测到目标平台时,将检测到的目标平台数据发送给ECO跟踪模块,如果在跟踪过程中丢失目标,重新开启检测,重复执行S52,S53步;S55.跟踪过程中,云台俯仰角度锁定,将云台航向角与飞机航向保持一致,通过移动无人机集群将跟踪目标锁定到图像中央,然后锁定云台航向角,无人机集群飞行至目标平台上方;S56.当无人机集群飞行至平台上方时,下落至5m高度后,开启USB摄像头,通过使用单目相机位姿估计技术,获取无人机集群相对目标平台的距离和方位;S57.无人机控制算法获取视觉模块求解的位置坐标,控制无人机集群精确降落在目标平台顶部。
本实施例中,优选的,所述S12中编队控制器包括信息感知模块、信息融合模块、行为决策模块和飞行控制模块。
本实施例中,优选的,所述S13中无人机集群的编队飞行行为主要包括:向任务目标运动行为、队形保持行为、碰撞避免行为和离群保持行为。
本实施例中,优选的,所述S24具体为:无人机集群故障互检互修复:当检测到有无人机发生故障无法自修复时,邻域内其他无人机将全新服务组件注入其中,即通过远程文件传输和自启动脚本实现服务组件的注入和更替,并将自身备份的相关数据重新同步;当检测到有无人机发生致命性故障时,邻域内其他无人机读取并同步故障无人机的任务数据,将数据迁移。
本实施例中,优选的,所述S31中局部冲突空域划分时,具体基于无人机的飞行速度、转弯半径、安全半径中任意一种或多种的约束条件,以及不同相对距离时产生冲突预警时间进行划分,构建得到所述局部分层冲突空域模型。
本实施例中,优选的,所述S51在执行任务之前利用采集目标数据进行深度学***台的视频中检测到目标平台。
本实施例中,优选的,所述S52中无人机执行任务返回目标平台的途中,首先开机视觉模块进行目标搜索,具体指:无人机持续向前方飞行、云台持续转动搜寻目标和无人机视觉模块同时开启。
本实施例中,优选的,所述S56中获取无人机相对目标平台的距离和方位,具体是指:通过二维码求解无人机机载摄像头的位置坐标,并转化为平台载二维码相对无人机的位置坐标。
本发明的结构原理:
本发明通过建立集群内数据资源共享机制,通过服务资源抽象封装和管理,将每架无人机上可共享的服务资源映射到集群内其他无人机上,形成集群服务资源共享机制,极大地提高了无人机集群协同自主决策和执行群体协同任务的效率,并且使得整个集群具备了极强的分布式计算和处理能力,充分发挥了无人机集群作业优势,另外利用数据资源共享机制和服务资源共享优势,建立集群协同的故障检测与处置机制,构建无人机集群数据备份与恢复机制,以及状态互监控和故障互检修策略,使得无人机集群具备了极高的容错能力和较高的集群鲁棒性;
本发明通过构建无人机的局部分层冲突空域模型,将无人机集群的碰撞规避问题按照无人机与冲突对象之间的相对距离的不同场景划分为不同层级,依据不同层级执行相应的冲突检测以及碰撞规避,实现无人机在路径跟踪过程中的分层障碍规避,能够综合规避相邻无人机以及环境障碍,且能够覆盖各类碰撞和危险场景选择合理的规避策略来对碰撞冲突进行规避机动,从而确保无碰撞的集群飞行;
本发明通过在无人机集群内设置无人机挂载云台、深度学***台的视频中检测到目标平台,可以辅助无人机集群实现精准降落在指定平台。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于机器视觉的无人机集群控制方法,其特征在于,包括以下步骤:
S1.对无人机集群进行编队飞行:S11.在无人机集群中,根据无人机的运动模型,对无人机进行编号;S12.利用编队控制器对无人机集群进行编队控制;S13.基于行为的编队控制策略,选择无人机集群的编队飞行行为;
S2.建立无人机集群资源共享:S21.建立实时数据资源共享机制,即无人机将自身的数据资源进行整合和规范化,同时发送给其他无人机;S22.建立服务资源共享机制,即对无人机可共享服务资源进行封装和管理,并以特定接口向其他无人机提供服务;S23.构建集群无人机数据备份与恢复机制,进行数据资源持久存储与冗余备份;S24.建立集群协同故障检测与处理机制,将故障中数据进行迁移;
S3.建立无人机集群分层防撞体系:S31.分层模型构建:按照无人机与冲突对象之间的相对距离大小,将无人机的局部冲突空域划分为多个层次,构建得到局部分层冲突空域模型;S32.分层冲突检测:实时获取被控无人机的飞行状态信息、未来指定时长内的期望飞行状态信息以及当前局部空域内相邻无人机与环境障碍的运动状态信息,并判定无人机与局部空域内相邻无人机和环境障碍之间的相对状态关系,根据所述相对状态关系确定被控无人机当前对应的局部冲突空域层次,按照确定的所述局部冲突空域层次进行冲突检测;S33.分层碰撞规避:根据被控无人机当前对应的所述局部冲突空域层次执行碰撞规避;
S4.对无人机集群进行控制:S41.用户输入指示信息;S42.根据用户输入的指示信息,生成控制信息,所述控制信息包括无人机集群的标识信息以及控制指令;S43.向服务器发送所述控制信息,所述控制信息用于供所述服务器根据所述无人机集群的标识信息,查找通信周期中所述无人机集群对应的通信时段,并在所述通信时段中,向所述无人机集群发送所述控制指令;S44.无人机集群根据接收地面控制***发送的控制信息,进行飞行;
S5.基于机器视觉进行精准降落:S51.在无人机集群上挂载云台、深度学***台的途中,首先开机视觉模块进行目标搜索;S53.当开启无人机视觉模块时,目标检测算法SSD对云台传回的图像进行实时检测;S54.当检测到目标平台时,将检测到的目标平台数据发送给ECO跟踪模块,如果在跟踪过程中丢失目标,重新开启检测,重复执行S52,S53步;S55.跟踪过程中,云台俯仰角度锁定,将云台航向角与飞机航向保持一致,通过移动无人机集群将跟踪目标锁定到图像中央,然后锁定云台航向角,无人机集群飞行至目标平台上方;S56.当无人机集群飞行至平台上方时,下落至5m高度后,开启USB摄像头,通过使用单目相机位姿估计技术,获取无人机集群相对目标平台的距离和方位;S57.无人机控制算法获取视觉模块求解的位置坐标,控制无人机集群精确降落在目标平台顶部。
2.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S12中编队控制器包括信息感知模块、信息融合模块、行为决策模块和飞行控制模块。
3.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S13中无人机集群的编队飞行行为主要包括:向任务目标运动行为、队形保持行为、碰撞避免行为和离群保持行为。
4.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S24具体为:无人机集群故障互检互修复:当检测到有无人机发生故障无法自修复时,邻域内其他无人机将全新服务组件注入其中,即通过远程文件传输和自启动脚本实现服务组件的注入和更替,并将自身备份的相关数据重新同步;当检测到有无人机发生致命性故障时,邻域内其他无人机读取并同步故障无人机的任务数据,将数据迁移。
5.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S31中局部冲突空域划分时,具体基于无人机的飞行速度、转弯半径、安全半径中任意一种或多种的约束条件,以及不同相对距离时产生冲突预警时间进行划分,构建得到所述局部分层冲突空域模型。
6.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S51在执行任务之前利用采集目标数据进行深度学***台的视频中检测到目标平台。
7.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S52中无人机执行任务返回目标平台的途中,首先开机视觉模块进行目标搜索,具体指:无人机持续向前方飞行、云台持续转动搜寻目标和无人机视觉模块同时开启。
8.根据权利要求1所述的基于机器视觉的无人机集群控制方法,其特征在于:所述S56中获取无人机相对目标平台的距离和方位,具体是指:通过二维码求解无人机机载摄像头的位置坐标,并转化为平台载二维码相对无人机的位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869999.9A CN111813151A (zh) | 2020-08-26 | 2020-08-26 | 基于机器视觉的无人机集群控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869999.9A CN111813151A (zh) | 2020-08-26 | 2020-08-26 | 基于机器视觉的无人机集群控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111813151A true CN111813151A (zh) | 2020-10-23 |
Family
ID=72859196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010869999.9A Pending CN111813151A (zh) | 2020-08-26 | 2020-08-26 | 基于机器视觉的无人机集群控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813151A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661204A (zh) * | 2022-11-01 | 2023-01-31 | 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 |
CN116185077A (zh) * | 2023-04-27 | 2023-05-30 | 北京历正飞控科技有限公司 | 一种黑飞无人机窄带精准打击方法 |
CN116974297A (zh) * | 2023-06-27 | 2023-10-31 | 北京五木恒润科技有限公司 | 基于多目标优化的冲突消解方法、装置、介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109841047A (zh) * | 2017-11-27 | 2019-06-04 | 深圳市科比特航空科技有限公司 | 无人机集群控制方法、装置及*** |
CN109936622A (zh) * | 2019-01-29 | 2019-06-25 | 华南理工大学 | 一种基于分布式资源共享的无人机集群控制方法及*** |
CN110231835A (zh) * | 2019-07-04 | 2019-09-13 | 深圳市科卫泰实业发展有限公司 | 一种基于机器视觉的无人机精准降落方法 |
CN110502032A (zh) * | 2019-08-31 | 2019-11-26 | 华南理工大学 | 一种基于行为控制的无人机集群编队飞行方法 |
CN110703804A (zh) * | 2019-11-11 | 2020-01-17 | 中国人民解放军国防科技大学 | 一种固定翼无人机集群的分层防撞控制方法 |
-
2020
- 2020-08-26 CN CN202010869999.9A patent/CN111813151A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109841047A (zh) * | 2017-11-27 | 2019-06-04 | 深圳市科比特航空科技有限公司 | 无人机集群控制方法、装置及*** |
CN109936622A (zh) * | 2019-01-29 | 2019-06-25 | 华南理工大学 | 一种基于分布式资源共享的无人机集群控制方法及*** |
CN110231835A (zh) * | 2019-07-04 | 2019-09-13 | 深圳市科卫泰实业发展有限公司 | 一种基于机器视觉的无人机精准降落方法 |
CN110502032A (zh) * | 2019-08-31 | 2019-11-26 | 华南理工大学 | 一种基于行为控制的无人机集群编队飞行方法 |
CN110703804A (zh) * | 2019-11-11 | 2020-01-17 | 中国人民解放军国防科技大学 | 一种固定翼无人机集群的分层防撞控制方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661204A (zh) * | 2022-11-01 | 2023-01-31 | 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 |
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 |
CN116185077A (zh) * | 2023-04-27 | 2023-05-30 | 北京历正飞控科技有限公司 | 一种黑飞无人机窄带精准打击方法 |
CN116185077B (zh) * | 2023-04-27 | 2024-01-26 | 北京历正飞控科技有限公司 | 一种黑飞无人机窄带精准打击方法 |
CN116974297A (zh) * | 2023-06-27 | 2023-10-31 | 北京五木恒润科技有限公司 | 基于多目标优化的冲突消解方法、装置、介质及电子设备 |
CN116974297B (zh) * | 2023-06-27 | 2024-01-26 | 北京五木恒润科技有限公司 | 基于多目标优化的冲突消解方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barry et al. | High‐speed autonomous obstacle avoidance with pushbroom stereo | |
Merino et al. | A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires | |
Ryan et al. | An overview of emerging results in cooperative UAV control | |
CN111813151A (zh) | 基于机器视觉的无人机集群控制方法 | |
CA2931632C (en) | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (mav) | |
Recchiuto et al. | Post‐disaster assessment with unmanned aerial vehicles: A survey on practical implementations and research approaches | |
EP2987001A1 (en) | Landing system for an aircraft | |
CN113625774B (zh) | 局部地图匹配与端到端测距多无人机协同定位***和方法 | |
CN112789568A (zh) | 控制和导航*** | |
JP2024500672A (ja) | 自律エージェントの環境表現を動的に更新するための方法およびシステム | |
Cole et al. | System development and demonstration of a cooperative UAV team for mapping and tracking | |
CN112789672A (zh) | 控制和导航***、姿态优化、映射和定位技术 | |
Stegagno et al. | Relative localization and identification in a heterogeneous multi-robot system | |
CN112379681A (zh) | 无人机避障飞行方法、装置及无人机 | |
CN112596071A (zh) | 无人机自主定位方法、装置及无人机 | |
CN114115289A (zh) | 一种自主无人集群侦察*** | |
CN112378397A (zh) | 无人机跟踪目标的方法、装置及无人机 | |
CN114379802A (zh) | 无人飞行***的自动安全着陆地点选择 | |
Sanchez-Lopez et al. | A vision based aerial robot solution for the mission 7 of the international aerial robotics competition | |
Garvey et al. | An autonomous unmanned aerial vehicle system for sensing and tracking | |
Rudol | Increasing autonomy of unmanned aircraft systems through the use of imaging sensors | |
CN112380933A (zh) | 无人机识别目标的方法、装置及无人机 | |
Bodunkov et al. | Autonomous landing-site selection for a small drone | |
Laurito et al. | Airborne localisation of small UAS using visual detection: A field experiment | |
Bethke | Persistent vision-based search and track using multiple UAVs |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
RJ01 | Rejection of invention patent application after publication |