CN111880574A - 一种无人机避撞方法及*** - Google Patents
一种无人机避撞方法及*** Download PDFInfo
- Publication number
- CN111880574A CN111880574A CN202010770573.8A CN202010770573A CN111880574A CN 111880574 A CN111880574 A CN 111880574A CN 202010770573 A CN202010770573 A CN 202010770573A CN 111880574 A CN111880574 A CN 111880574A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- threat
- collision avoidance
- track
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 66
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000002093 peripheral effect Effects 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 230000005284 excitation Effects 0.000 abstract description 10
- 230000004913 activation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 8
- 230000009194 climbing Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
- G05D1/1064—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones specially adapted for avoiding collisions with other aircraft
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人机避撞方法及***，该方法包括根据本机及周边无人机的信息判断与本机是否存在冲突；存在冲突时，与潜在威胁无人机通信；确定威胁无人机并筛选两防撞机动；生成计划轨迹向威胁无人机发送并获取威胁无人机的计划轨迹或飞行信息；在本机重建威胁无人机运动轨迹；确定一个最优防撞机动并发送给威胁无人机，其余均作为备选防撞机动；获取威胁无人机根据成本函数确定的最优防撞机动；存在碰撞风险根据最小避让间距值和激发函数确定的时间激发最优防撞机动实施避让；基于优选防撞机动生成新的规避指令并输出，完成避撞。解决现有技术中动态场景处理能力不足等问题，提高多威胁避撞场景及动态威胁场景的处理能力和容错率。
Description
技术领域
本发明涉及无人机技术领域，具体是一种无人机避撞方法及***。
背景技术
基于“不干扰”原则的避撞策略，传统的避撞算法思想是对无人机进行冲突检测，一旦判断存在碰撞威胁，无人机将立即生成策略并进行避撞机动，该思想存在如下弊端：对于多威胁、动态威胁的处理能力不足，同时为了保证碰撞避免，需要在碰撞发生前较长时间进行冲突避免，以提高容错率，这也对无人机的正常运动干扰较大。
在传统的避撞算法中，无人机的运动模型大多是基于三自由度(3Dof)运动方程，简单将单机视为质点，没有考虑其本身的性能限制，在避撞过程中，固定翼无人机需要进行滚转、爬升等动作，常规的基于三自由度的运动方程不能准确描述其运动过程，但复杂的六自由度(6Dof)运动方程又存在计算量大等缺点。
传统的几何算法是无碰撞航迹规划算法，对于特定的防撞场景具有较好的避撞效果，但也都存在一定的局限性，尤其难以解决编队避撞、自主避撞等问题。
发明内容
本发明提供一种无人机避撞方法及***，用于克服现有技术中对于多威胁、动态威胁避撞场景的处理能力不足、对无人机正常运动的干扰较大等缺陷，提高对多威胁避撞场景及动态威胁场景的处理能力和容错率。
为实现上述目的，本发明提供一种无人机避撞方法，包括以下步骤:
步骤1，根据获取的本机及周边空域无人机的导航信息和GPS数据，判断本机与周边空域无人机是否存在冲突；
步骤2，在存在冲突的情况下，将本机与潜在威胁无人机之间建立数据链通信；根据威胁度确定威胁无人机；
根据威胁无人机态势在预定的多个防撞机动中筛选至少两个；
步骤3，利用轨迹预测算法生成与筛选的防撞机动分别对应的本机的计划轨迹，并向威胁无人机发送所述计划轨迹以实现威胁无人机对所述计划轨迹对应空域的占用，并获取威胁无人机的计划轨迹对应的相关数据或飞行信息；
步骤4，根据所述威胁无人机的计划轨迹对应的相关数据或飞行信息，重建威胁无人机计划轨迹；
步骤5，通过评估算法比较本机的计划轨迹与威胁无人机的计划轨迹的多个组合，根据最小避让间距值从筛选的防撞机动中确定一个本机的最优防撞机动并通过数据链发送给威胁无人机，其余筛选的防撞机动均作为备选防撞机动；
同时，获取根据成本函数确定的威胁无人机的最优防撞机动；
步骤6，根据所述本机的最优防撞机动和所述威胁无人机的最优防撞机动判断本机与威胁无人机之间是否存在碰撞风险，若存在则激发所述本机的最优防撞机动和所述威胁无人机的最优防撞机动实施避让。
为实现上述目的，本发明还提供一种无人机避撞***，包括存储器和处理器，所述存储器存储有无人机避撞程序，所述处理器在运行所述无人机避撞程序时执行上述方法的步骤。
本发明提供的方法及***，采取“不干扰”的避撞思想，即最大程度减少对无人机正常飞行的干扰，在碰撞前的最后一刻激发避撞机动。固定翼无人机首先根据威胁态势在预先设置好的策略集中筛选出候选防撞策略，无人机的策略集是根据以往经验提前离线设置好的，并经过检验，可以保证避撞策略均是可行的。随后，无人机通过协同确定好最优避撞策略，其对应的计划航迹为无人机对某一空域的预定。通过提前规划无人机的逃脱路径，保证无人机在冲突过程中始终存在逃脱路径，既能够有效降低无人机编队的碰撞风险，又能够尽可能晚地激活避撞策略激活时间，能够最大程度地减少对于固定翼无人机的干扰，能够有效运用于自主协同固定翼无人机编队飞行中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为发明实施例一提出的无人机避撞方法的工作原理图；
图2为计划航迹示意图；
图3(a)为目标机周围出现威胁无人机时的几何态势图一；
图3(b)为目标机周围出现威胁无人机时的几何态势图二；
图4为基于3DOF模型的轨迹预测图；
图5为计划航迹示意图；
图6为无人机控制图；
图7为航迹管理处理多源数据原理图；
图8为延时框架示意图；
图9为机动选择示意图；
图10为防撞机动激发控制模块激发时间计算示意图；
图11为防撞机动激发控制模块计算示意图；
图12为本发明一实施例中自动空中防撞***操作流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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作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，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
如附图1所示，本发明实施例提供一种无人机避撞方法，包括以下步骤:
步骤1，根据获取的本机及周边空域无人机的导航信息和GPS数据，判断本机与周边空域无人机是否存在冲突；
步骤2，在存在冲突的情况下，将本机与潜在威胁无人机之间建立数据链通信；根据威胁度确定威胁无人机；
根据威胁无人机态势在预定的多个防撞机动中筛选至少两个；
所述步骤2中确定威胁无人机的步骤包括：
步骤201，在威胁无人机同样搭载自动空中避撞***时，则威胁无人机为合作型威胁无人机，本机通过指定数据链与所述合作型威胁无人机建立通信，获取所述合作型威胁无人机发送的自身状态信息；
步骤202，在威胁无人机未搭载自动空中避撞***时，则威胁无人机为非合作型威胁无人机，本机通过雷达或其他途径获取所述非合作型威胁无人机状态信息；
步骤203，对通过不同来源的威胁无人机状态信息进行排序，来自自动空中避撞***专用数据链优先级最高、来自非自动空中避撞***数据链优先级次之、来自雷达及其他不明数据源优先级最后；
步骤204，在多机态势中，按照优先级跟踪入侵无人机并计算其威胁度，选取其中威胁度最高的三架无人机作为威胁机。
所述步骤2中筛选防撞机动的步骤包括：
步骤21，通过改变滚转角EA和过载因子NZ来实现预定方向的九种防撞机动；
步骤22，将本机运动模型由六自由度运动模型简化为三自由度运动模型，并根据威胁无人机的飞行状态，构建威胁无人机从当前位置到达空间最接近点CPA的相对运动轨迹；
步骤23，根据所述相对运动轨迹，从所述九种防撞机动中筛选至少两个。
例如，在所述相对运动轨迹为威胁无人机出现在本机上方、左侧、后向，正相对本机从左往右，从前往后，从上往下穿越时，本机采取向上、向左的防撞机动；
在所述相对运动轨迹为威胁无人机出现在目标无人机下方、右侧、左向，正相对目标无人机从右往左，从后往前，从下往上穿越时，本机采取向上、向左的防撞机动。
步骤3，利用轨迹预测算法生成与筛选的防撞机动分别对应的本机的计划轨迹，并向威胁无人机发送所述计划轨迹以实现威胁无人机对所述计划轨迹对应空域的占用，并获取威胁无人机的计划轨迹对应的相关数据或飞行信息；
如图2所示，计划航迹是一种锥形区域，其大小依赖于预测飞行路线的不确定性并随时间而增加。
所述步骤3中，利用轨迹预测算法生成与筛选的防撞机动分别对应的计划轨迹，包括：
步骤31，基于六自由度运动方程按照预设的运算周期输出预定时间段对应的系列预测位置；
步骤32，在每个预测位置周围根据飞行线路的不确定性预测轨迹的不确定距离，在经过所述预测位置的横截面上形成圆形区域；
步骤33，按照所述不确定距离随时间而增加的情况，形成以系列预测位置连线为中心线的锥形区域。
所述步骤3获取威胁无人机的计划轨迹或飞行信息的步骤包括：
步骤301，向威胁无人机发送计划轨迹；
步骤302，在威胁无人机为合作型无人机时，接收威胁无人机响应本机预测轨迹根据轨迹预测算法生成与筛选防撞机动对应的计划轨迹；
在威胁无人机为非合作型无人机时，接收威胁无人机的加速度信息、速度信息。
步骤4，根据所述威胁无人机的计划轨迹对应的相关数据或飞行信息，重建威胁无人机计划轨迹；
所述步骤4包括：
在威胁无人机的计划轨迹对应的相关数据来自自动空中避撞***专用数据链时(即在威胁无人机为合作型无人机时)，根据专用数据链包含的机动飞行轨迹信息重建威胁无人机运动轨迹；
在威胁无人机的飞行信息来自非自动空中避撞***数据链、雷达或其他不明数据源时(即在在威胁无人机为非合作型无人机时)：
如果获取了加速度信息且目标机是低过载加速度运动，则使用kinematic Model运动模型预测其运动轨迹；
如果不能获得加速度信息，则沿速度向量拓展的方式预测运动轨迹；
如果不能获得加速度信息且威胁机速度处于极低范围，则使用弹道模型ballistic model预测其运动轨迹。
步骤5，通过评估算法比较本机的计划轨迹与威胁无人机的计划轨迹的多个组合，根据最小避让间距值从筛选的防撞机动中确定一个本机的最优防撞机动并通过数据链发送给威胁无人机，其余筛选的防撞机动均作为备选防撞机动；
同时，获取根据成本函数确定的威胁无人机的最优防撞机动；
本机的计划轨迹与威胁无人机的计划轨迹可以形成多个组合，这些组合利用评估算法进行比较。
所述步骤5包括：
步骤51，将无人机防撞机动对应的计划航迹与本机上威胁无人机重建的运动轨迹一一组合；
针对本机与威胁无人机任意两条运动轨迹组合，将两者在时空域中轨迹中心距与轨迹不确定性距离UD之差作为最小避让间距值AD输出；
步骤52，根据最小避让间距值最大的运动轨迹组合确定本机优选防撞机动。无人机在协同过程中，无人机间的通信需要一定时间，因为无人机需要预留等待时间来保证协同，在计算最小避让间距值的过程中威胁无人机间会不断循环进行协同，每一次协同都是基于最新的时刻产生的更新机动。
步骤6，根据所述本机的最优防撞机动和所述威胁无人机的最优防撞机动判断本机与威胁无人机之间是否存在碰撞风险，若存在则激发所述本机的最优防撞机动和所述威胁无人机的最优防撞机动实施避让。
所述步骤6包括：
步骤6，判断本机与威胁无人机之间是否存在碰撞风险，若存在则根据最小避让间距值和激发函数确定的时间激发最优防撞机动实施避让；所述激发函数在提供足够的时间保护间隔的基础上以防撞机动激发时间最晚为目标；
所述步骤6包括：
步骤61，根据本机确定的最优防撞机动和威胁无人机确定的最优防撞机动，提取两防撞机动对应的运动轨迹之间的最小避让间距；
步骤62，计算允许的最小轨迹间距MASD，MASD为本机与威胁无人机半翼展WS之和，再加上***输入的期望间距DSD和不确定性的累加；
步骤63，当无人机判断自身计划航迹与威胁无人机计划航迹重叠时，即预测最小间距PMR小于允许的最小轨迹间距MASD(与最小避让间距相同)时，则激活防撞机动。
本文构建了无人机的混合运动模型，针对精度要求较高的轨迹预测，构建基于六自由度运动方程的轨迹预测模型，能够将无人机的避撞策略准确地转化为相对应的计划航迹，提供“快于实时”的轨迹预测。而对于常规飞行过程，则采取Piccolo模型来表示。通过构建固定翼无人机的混合运动模型，既保证了无人机航迹的精确性，又能够显著降低复杂度，减少计算量。本方案是基于数据链完成多机间的自动防撞操作，一旦检测到存在风险，将控制无人机进行爬升、滚转等系列飞行动作，直到消除碰撞威胁，其基本原理如图1所示。自动空中防撞***从导航***获取本机及周边空域无人机的导航信息和GPS数据，一旦判断与周边空域无人机可能存在冲突，则建立与潜在威胁飞机间的数据链通信，同时根据威胁无人机态势在9种指定的防撞机动中筛选3个防撞机动，包括1个优选防撞机动和2个备选防撞机动，并基于一种模块化的轨迹预测算法生成对应的三种计划轨迹，同时通过数据链向周围无人机发送本机的计划航迹信息，以预定对该空域的占用，并获取其他飞机相同类型信息，利用评估算法比较本机与威胁无人机的计划航迹组合，根据成本函数确定最优机动。在整个避撞过程中，***将持续地循环计算对比，不断更新防撞机动，同时判断是否激发防撞机动，如果判定将发生碰撞(即两架无人机的计划航迹在某一时间段内存在空间上的交叉)，则触发自主逃逸飞行操作；如果逃逸飞行中没有探测到碰撞可能，则根据新的状态信息更新防撞机动，并发送计划航迹。
实施例二
基于上述实施例一，本实施例提供一种无人机避撞***，包括存储器和处理器，所述存储器存储有无人机避撞程序，所述处理器在运行所述无人机避撞程序时执行任意实施例所述方法的步骤。作为上述无人机避撞***的一具体实施例，所述处理器包括自动空中防撞***，自动空中防撞***包括如下功能模块：
信息接收和处理模块：通过机载***、传感器和数据链接收并处理本机和目标无人机的飞行状态信息；
防撞机动生成模块：通过翻滚，爬升等动作能够产生各个方向的机动，本方案中包括三类共九种机动动作；
防撞机动评估模块:目标无人机基于本机和威胁飞机的飞行状态信息，在9种防撞机动中预先筛选出3种防撞机动，包括1个优选防撞机动和2个备选防撞机动；
运动轨迹预测模块：利用内嵌的轨迹预测算法(Trajectory predictionalgorithm)生成3个避撞机动对应的3条计划轨迹；
威胁无人机轨迹重建模块：目标无人机分协作与非协作两种情况，接收协作目标无人机计划航迹信息且在本机计算单元上重建其运动轨迹，接收非协作目标无人机飞行状态信息且在本机计算单元上预估其运动轨迹；
机动评估和选择模块：评估本机和目标无人机的所有计划轨迹组合，并确定哪种组合能够尽可能长地延迟机动，并提供足够的保护间隔，而对于合作目标则通过数据链协调选定各架无人机最终执行的机动；
机动激活及控制模块：根据本机和威胁飞机判定最优防撞策略对应的计划轨迹判断是否激活本机的防撞机动，并在威胁消除后恢复正常飞行。
防撞机动生成模块：
无人机具有高度的机动性和灵活性，通过翻滚，爬升等动作能够产生各个方向的机动，通过改变升降舵，副翼，方向舵，扰流器，襟翼，安定面的角度等控制参数来改变无人机飞行姿态(俯仰角，滚转角，偏航角)以及速度，加速度等，从而实现对无人机的控制，最终产生不同方向的机动。无人机在进行避撞时，能够产生各个方向的机动，但在自动防撞***中，一般遵循如下限定，通过改变滚转角(EA)和过载因子(NZ)来实现特定方向的机动，包括三类共九种机动动作。将机动数量限制为9种能够显著减少***的预算量，提高***运算速度，保证无人机快速响应，同时也便于无人机自动避撞***的规范化。九种机动也基本保证了无人机可以往各个方向机动，滚转并爬升类七种，相对于当前侧倾角的滚转角增量分别为-90°、-60°、-30°、0°、30°、60°、90°，爬升过载为5g绝对加速度；保持侧倾角和标准g加速度不变；保持侧倾角不变，以-0.5g的绝对加速度下降。本机在机动执行时，滚转速率为飞机性能允许的最大滚转速率，爬升过载为5g绝对加速度。滚转角和过载可以根据场景进行调整。
在进行机动评估和选择时，由于计算处理能力和数据链信息传输的硬件限制，自动空中防撞***首先从9种机动中预先筛选3种防撞机动，包括1个优选防撞机动和2个次选防撞机动。预选是基于威胁无人机相对本机的几何态势作出的，包括判断威胁无人机是在本机的前向或后向，在本机的上方或是下方，是在本机的左侧还是右侧，以及是迎头还是追尾构型等等。如图3(a)所示，威胁无人机出现在目标无人机上方，左侧，后向，正相对目标无人机从左往右，从前往后，从上往下穿越，预计出现在本机下方前向右侧，应此本机应采取向上，向左飞行轨迹。如图3(b)所示，威胁无人机出现在目标无人机下方，右侧，左向，正相对目标无人机从右往左，从后往前，从下往上穿越，预计出现在本机上方后向左侧，应此本机应采取向上，向左飞行轨迹。
自动空中防撞***在进行几何态势判断时，为了简化运算量，将无人机运动模型由6DOF(六自由度运动模型)简化为3DOF模型(三自由度运动模型，如图4所示)，并根据威胁无人机的飞行状态，包括位置和速度信息，构建威胁无人机从当前位置到达空间最接近点CPA(closed point of approach)的相对运动轨迹，以此来进行防撞机动的预筛选。
在3DOF模型中，无人机的状态信息包括位置信息P＝(xe,ye,ze)和速度信息Ve＝(ue,ve,we)，Ve为无人机在地面坐标轴系下的三维速度，其中ψ为偏航角，θ为俯仰角，φ为滚转角，Sψθφ为从地面坐标系到机体坐标系的转换矩阵，Vb＝(ub,vb,wb)为无人机在机体坐标系下的速度。
Ve＝Sψθφ.Vb
Pt+τ(A)＝Pt(A)+Vt(A)×τ
Pt+τ(T)＝Pt(T)+Vt(T)×τ
τ为在当前时刻t，两架无人机按照既定飞行状态到达空间最接近点所需要耗费的时间；Pt+τ(A)为目标无人机到达空间最接近点的位置，Pt+τ(T)为威胁无人机到达空间最接近点的位置，威胁无人机相对目标无人机的运动轨迹为(Pt(A)-Pt(T),Pt+τ(A)-Pt+τ(T))。
本机运动轨迹预测模块：
运动轨迹预测模型可基于当前无人机的状态参数和控制参数对无人机未来一段时间的轨迹进行预测。运动轨迹预测模型将根据无人机的三组防撞机动生成三组相对应的计划航迹，然后发送至威胁无人机。无人机状态参数(ub,vb,wb,xe,ye,ze,pr,qr,rr,phir,thetar,psir)包括速度信息，位置信息，姿态信息。速度信息包括机体纵轴速度ub、机体横轴速度vb和机体立轴速度wb；位置信息包括地面坐标轴系北坐标xe，地面坐标轴系东坐标ye，海拔ze；姿态信息包括地面坐标轴系滚转角phir，地面坐标轴系俯仰角thetar，地面坐标轴系偏航角psir，滚转角速度pr，俯仰角速度qr，偏航角速度rr；无人机的控制参数(dEr,dAr,dRr,dT,dASr,dFr,dSr)包括升降舵偏角dEr；副翼偏角，方向舵偏角dRr，发动机阀门Dt，扰流器偏角dASr，襟翼偏角dFr，安定面偏角dSr。
如图5所示，在该模型中，运动轨迹预测模型的预测时间定为5秒，即预测本机未来5秒的轨迹信息，预测飞行路线的不确定性随时间的增加而增加。算法运行周期为10Hz，轨迹预测算法每0.1s向其它模块输出5s对应的50个预测位置P(t)(按0.1s间隔)，如图5，计划航迹是一种锥形区域，锥形区域的中线为50个预测位置生成的轨迹，锥形区域的截面大小为该预测位置对应的轨迹不确定距离UD(t)，其大小依赖于预测飞行路线的不确定性并随时间而增加。轨迹不确定距离的提高了轨迹预测算法的鲁棒性，保证95％实际偏差能够落入不确定模型的输出结果中。
在对无人机轨迹进行预测时，考虑到无人机具有高速、灵活的特点，且在避撞过程中加入了翻滚、爬升等机动，轨迹预测算法(TPA)基于6DOF(六自由度)对无人机的运动状态进行描绘。无人机的六自由度运动方程包括质心运动方程(力方程)以及绕质心的转动方程(力矩方程)两大部分。
1、质心运动方程(力方程)：
其中VE为无人机相对于地面坐标系Ogxgygzg的绝对速度，VB为无人机相对机体坐标系OBxByBzB的速度,ω为无人机的转动角速度。
VB＝i ub+j vb+k wb
ω＝i p+j q+k r
其中i，j，k分别是机体坐标轴系下xB,yB,zB轴上的单位向量
将发动机推力FT，飞机重力mg，升力
阻力
和重力
在机体坐标系中OBxByBzB进行投影,得到以下等式
其中升力
阻力
侧力
均与空气密度ρ(density of airflow),机翼面积S(wing area),翼展b(wing span),平均气动弦长
攻角(angle of attack)α，侧滑角(slide)β，操纵面偏转(the control surface deflections)δ,角速度p，q，r(angularrate)。
2、绕质心的转动方程(力矩方程)：
H＝Iω
其中Ix，Iy，Iz，Ixz分别为绕机体纵轴、立轴、横轴的转动惯量及飞机对机体纵轴和立轴的惯性积，考虑到飞机具有纵向对称面，则近似的有Ixy＝0、Iyz＝0。
其中，外力矩Mx，My，Mz分别是M在机体纵轴、横轴、立轴上的投影向量。外力矩产生于空气动力矩与发动机推力,其中LT,MT,NT是飞机推力矩在纵轴、横轴、立轴上的投影向量，
是空气动力矩在纵轴、横轴、立轴上的投影向量。
气动力矩可以采取和气动力类似的表达方式。
假设发动机的推力点位于机体坐标系的xz平面内，且在z轴方向偏离重心的距离为zT。
综上，无人机的力矩方程如下：
因此，结合飞机的力方程和力矩方程，可以得到飞机的状态公式：
其中，Γc4＝Ixz，
Γc2＝(Ix-Iy+Iz)Ixz，
Γc3＝Iz，
Γc9＝Ix，
无人机防撞***在控制飞机飞行时，是通过控制升降舵,襟翼等来改变飞机气动参数，进一步改变无人机的速度、姿态角等状态参数，从而完成相对应的机动动作。无人机的响应模型如图6所示，***既可以输入控制参数来对飞行进行控制，也可以基于无人机当前状态和设定的控制参数来对无人机的航迹进行预测。
表2输入控制参数的单位及其范围
| 控制 | 单位 | 最小 | 最大 | 限制 |
| 升降舵 | deg | -25 | 25 | 60deg/s |
| 副翼 | deg | -21.5 | 21.5 | 80deg/s |
| 方向舵 | deg | -30 | 30 | 120deg/s |
| 襟翼 | deg | 0 | 25 | 25deg/s |
备注：升降舵为控制飞机升降的“舵面”，其作用是对飞机进行俯仰操纵，改变俯仰角；副翼为飞机的主操作舵面，可以产生滚转力矩使飞机做横滚运动，改变滚转角；方向舵为实现飞机航向操纵的可活动的翼面部分，用于控制飞机航向，改变航向角；襟翼为飞机机翼边缘部分的一种翼面形可动装置，其基本效用是在飞行中增加升力。
目标机航迹管理模块：
目标机航迹管理模块负责接收和处理威胁无人机的输入数据。威胁无人机分为两类：1)合作型威胁无人机，合作型威胁无人机同样搭载自动避撞***，其通过指定数据链同本机建立通信，并向本机发送自身状态信息；2)非合作型威胁无人机，本机通过雷达等其他途径获取威胁无人机状态信息。
集合目标无人机的当前状态信息，将它们汇总到统一结构的列表中。同一威胁无人机的数据可能来自不同的源，按数据源进行优先级排序。自动空中防撞***专用数据链优先级最高，非自动空中防撞***数据链优先级其次，最后是来自雷达和不明确数据源的数据。图7是航迹管理处理多源数据原理图，消除/合并重复的威胁目标机信息，将剩下的航迹映射到统一的“相关输出威胁列表”。从而统一了时间，便于检测目标机和本机信息是否存在碰撞风险。当达到从上一有效数据包开始计时的3s阈值，由于数据的不可靠性，相应目标机将从“相关输出威胁列表”中删除。
自动空中防撞***专用数据链中包含了目标机遵循的机动飞行轨迹信息，但其它数据源的目标机真实轨迹难以获取，需要目标机航迹管理模块根据可获取的信息构造其运动轨迹：
(1)如果获取了加速度信息且目标机是低过载加速度运动，则使用kinematicModel运动模型预测其运动轨迹；
(2)如果不能获得加速度信息，则沿速度向量拓展的方式预测运动轨迹；
(3)如果不能获得加速度信息且威胁机速度极低，则使用弹道模型ballisticmodel预测其运动轨迹。
为节省处理时间，需要对相关输出威胁列表进行精简排序，威胁程度越高的目标机应该优先处理，引入威胁度J，威胁度是斜距和距离率的加权函数：
其中，R为直线距离，Rdot为接近速率，权重因子Vcrit为可调整的加权常量，其优先级高于直线距离和接近速率，以达到最佳的威胁程度评估效果。当接近速率为正值(运动方向为远离本机)时，简化公式，去除Rdot。
在多机态势中，尤其是在大规模无人机集群时，无人机在飞行过程中会同时遭遇多架无人机的入侵和威胁。目标无人机会跟踪入侵无人机并计算其威胁度，建立一个威胁程度表(Threat table)，对不同无人机的威胁进行排序，威胁表每隔1秒进行更新。但由于无人机计算处理能力和数据链信息传输的硬件限制，目标无人机不可能同时与所有威胁无人机作出回应，***会选取其中威胁度最高的三架无人机作为威胁机，并针对这三架威胁度最高的无人机采取防撞机动动作。每一架无人机只考虑对其威胁度最高的三架威胁无人机，同时***每0.25秒更新。这适用于无人机群中。
5、防撞策略生成模块
当遭遇其他飞机威胁时，无人机会从9组设定好的机动方式中选取3组作为防撞机动。接下来，在防撞策略生成模块中，无人机从这3组防撞机动筛选出优选防撞机动和备选防撞机动，并生成计划航迹以作为无人机预定的空域，当防撞机动激发时，无人机将按照优选防撞机动，沿着计划航迹飞行。在防撞策略模块中，无人机首先通过数据链将本机的3组计划航迹信息发送至威胁无人机，同时获取威胁无人机的计划航迹信息，然后利用评估算法比较本机与威胁无人机的计划航迹组合，确定最佳规避策略，最后将更新后的优选防撞机动和备选防撞机动通过数据链发送至其他威胁无人机。
在自动空中防撞***中，无人机以每秒四次的频率生成新的机动和防撞策略，即机动选择每0.25s基于新产生的机动进行更新，且所选机动均按照每秒20次的频率更新飞行状态信息。从选定机动组合到生成防撞策略中，防撞算法将引入延时等待，以发送本机消息并接收来自其他无人机的信息。如果没有延时，防撞算法未收到最新消息就采取动作，可能会引发误判或失效。在延时框架下，防撞算法使用当前飞行状态信息更新轨迹，但是不允许机动或命令发生变化，以便于所有参与者有合理时间接收信息并作出决定。延时等待机制至关重要，用以确保机动并列/同步，并执行安全、预期的机动。如果延时后没有收到其他无人机新的机动选择，那么就要执行之前的优选防撞策略。如图8所示，在延时框架下，无人机生成的新的3组防撞机动中，会延续上一次防撞策略，即将上一次的优选防撞机动仍旧作为新生成3组防撞机动的优选防撞机动，并将其发送至威胁无人机，然后根据威胁无人机新的防撞机动，进行组合对比，并且更新防撞策略。新的组合比对判断是否更新防撞策略。当防撞算法选择一个新的优选防撞机动时，自动空中防撞***在允许执行新机动之前，需要评估所有威胁机是否能够接收到这一改变。
机动组合的过程如图9，在某一时刻，假定空域内存在几架无人机相互威胁，自动防撞***综合考虑每一架威胁无人机的每一个防撞机动，将无人机防撞机动对应的计划航迹一一组合，计算每对无人机间的AD，并得出所有组合的成本。每两个协作飞机有9种组合(目标机和本机各三种，两两匹配)；对于非合作目标，因为威胁机没有自动机动，则只有4种组合；如果是三架协作目标机态势，则需考虑81种轨迹组合以确定最佳的轨迹组合。采用成本函数评估单机和多机威胁场景，选取的机动组合如下：
选择本机与目标机的最优组合的原则是：比较针对每一架无人机的可选机动，并选择能够尽量延迟激活防撞机动的组合。防撞算法选择“最小避让间距”AD值最大的轨迹组合，以延迟激活机动。预测的最小避让间距计算方式为两条轨迹在时空域中的最小间距(轨迹中心距)减去轨迹不确定性距离UD。Mi(m)表示无人机i采取的防撞机动m；AD(Mi(m),Mj(n))表示当无人机i采取机动方式m，无人机j采取机动方式n时两机间的最小避让距离。
ωij(m,n)＝1/ADij(m,n)
当无人机采取指定防撞机动时，整个无人机群的成本函数如下:
在机动组合方式中，无人机应该采取的机动方式如下：
防撞机动激发控制模块：
防撞算法的一个设计原则是不干扰，为达到最小化干扰，同时仍能实现防撞，自动空中防撞***需要尽可能晚地激活机动，无人机A在进入无人机B的碰撞避免空域球体前，均可以激活防撞机动，且激活时间越早，可供无人机选择的机动方式越多，也越不容易发生碰撞，激活时间越晚，供无人机选择的机动范围越小，当激活时间晚于一定时间后，无论采取什么机动方式都不能防止两架无人机相撞。如图10，若无人机A在机动点1采取机动，无论是优选机动还是备用机动都可以避免两架无人机碰撞，但激活时间过早，对无人机正常飞行影响较大；若在机动点3采取行动，则无论最优机动或者备用机动都不能避免无人机A进入无人机B的碰撞避免空域球体，无法避免碰撞；若在机动点2采取行动，则备用机动进入威胁无人机碰撞避免空域球体，但最优机动恰好同碰撞避免空域球体相切，实现避撞，机动点2是无人机避撞的最晚时刻，也是自动防撞***的最佳激活时间。防撞机动激发控制模块即是在无人机飞行过程中寻找类似于机动点2的最优避撞位置，使得无人机间恰好能够实现避撞的同时达到最小化干扰。同时在进行避撞时，自动避撞***中的碰撞避免空域球体的半径可以根据实际情况进行调节，以达到最佳的避撞效果。
如图11所示，防撞机动激发控制模块比较轨迹预测算法提供的本机最优机动对应的计划航迹和接收到的威胁机对应的最优机动的计划轨迹，并计算出预测最小间距PMR(Predicted Minimum Range)，用以确定机动激活的最佳时机。
防撞机动激发控制模块也需要计算允许的最小轨迹间距MASD(Minimum AllowedSeparation Distance)，MASD为本机与目标机半翼展WS(Wing Span)之和，再加上***输入的期望间距DSD(Desired Seperation Distance)和以下不确定性(Uncertainty)的累加：
(1)导航不确定性(Navigation uncertainty)；
(2)轨迹预测不确定性；
(3)轨迹重建/拟合不确定性；
(4)数据链传输不确定性；
(5)航迹数据计算不确定性。
MASD＝DSD+U+∑WS
当无人机判断自身计划航迹与威胁无人机计划航迹重叠时，即预测最小间距PMR小于允许的最小轨迹间距MASD时，则激活防撞机动，无人机按照优选防撞机动进行动作，其中期望间距DSD为固定值，由***提前输入。
算法结构如下：
自动空中防撞***中，自动防撞操作算法的操作流程如图12所示。
初始化飞机状态，设置无人机初始状态参数及控制参数
计算和存储无人机的滚转角(EA)，过载因子(NZ)等参数，并根据无人机飞行状态参数生成未来20秒的飞行轨迹，并将无人机飞行路线通过数据链发送至周围空其他无人机。
接收周围空域其他无人机的飞行路线，将其与自身飞行路线比较，判断其是否对无人机构成冲突，若构成冲突，则计算其威胁度，并综合所有周围无人机的威胁度，生成威胁表，同时将对目标无人机威胁度最高的三架无人机列为威胁无人机
基于本机及威胁无人机的当前位置CP(t0),速度V,估计时间(t0+Δt)时飞机位置CP(t0+Δt)，根据威胁无人机相对目标无人机的飞行轨迹计划从9组机动中选取3组机动，得到需要补偿的滚转角ΔEA和过载因子NZ；
根据补偿的滚转角ΔEA和过载因子NZ，生成目标无人机的计划航迹；
将目标无人机与威胁无人机的计划航迹进行组合，计算不同组合的成本函数，确定优选机动；
检测目标无人机与威胁无人机间是否存在碰撞风险，若检测到风险，则触发避让操作。
(8)在避让操作中，对滚转角(EA)、过载因子(NZ)进行调整，从补偿的滚转角ΔEA和过载因子ΔNZ计算新的飞行操作指令。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种无人机避撞方法，其特征在于，包括以下步骤：
步骤1，根据获取的本机及周边空域无人机的导航信息和GPS数据，判断本机与周边空域无人机是否存在冲突；
步骤2，在存在冲突的情况下，将本机与潜在威胁无人机之间建立数据链通信；根据威胁度确定威胁无人机；
根据威胁无人机态势在预定的多个防撞机动中筛选至少两个；
步骤3，利用轨迹预测算法生成与筛选的防撞机动分别对应的本机的计划轨迹，并向威胁无人机发送所述计划轨迹以实现威胁无人机对所述计划轨迹对应空域的占用，并获取威胁无人机的计划轨迹对应的相关数据或飞行信息；
步骤4，根据所述威胁无人机的计划轨迹对应的相关数据或飞行信息，重建威胁无人机计划轨迹；
步骤5，通过评估算法比较本机的计划轨迹与威胁无人机的计划轨迹的多个组合，根据最小避让间距值从筛选的防撞机动中确定一个本机的最优防撞机动并通过数据链发送给威胁无人机，其余筛选的防撞机动均作为备选防撞机动；
同时，获取根据成本函数确定的威胁无人机的最优防撞机动；
步骤6，根据所述本机的最优防撞机动和所述威胁无人机的最优防撞机动判断本机与威胁无人机之间是否存在碰撞风险，若存在则激发所述本机的最优防撞机动和所述威胁无人机的最优防撞机动实施避让。
2.如权利要求1所述的无人机避撞方法，其特征在于，所述步骤2中确定威胁无人机的步骤包括：
步骤201，在威胁无人机同样搭载自动空中避撞***时，则威胁无人机为合作型威胁无人机，本机通过指定数据链与所述合作型威胁无人机建立通信，获取所述合作型威胁无人机发送的自身状态信息；
步骤202，在威胁无人机未搭载自动空中避撞***时，则威胁无人机为非合作型威胁无人机，本机通过雷达或其他途径获取所述非合作型威胁无人机状态信息；
步骤203，对通过不同来源的威胁无人机状态信息进行排序，来自自动空中避撞***专用数据链优先级最高、来自非自动空中避撞***数据链优先级次之、来自雷达及其他不明数据源优先级最后；
步骤204，在多机态势中，按照优先级跟踪入侵无人机并计算其威胁度，选取其中威胁度最高的三架无人机作为威胁机。
3.如权利要求1所述的无人机避撞方法，其特征在于，所述步骤2中筛选防撞机动的步骤包括：
步骤21，通过改变滚转角EA和过载因子NZ来实现预定方向的九种防撞机动；
步骤22，将本机运动模型由六自由度运动模型简化为三自由度运动模型，并根据威胁无人机的飞行状态，构建威胁无人机从当前位置到达空间最接近点CPA的相对运动轨迹；
步骤23，根据所述相对运动轨迹，从所述九种防撞机动中筛选至少两个。
4.如权利要求2所述的无人机避撞方法，其特征在于，所述步骤3中，利用轨迹预测算法生成与筛选的防撞机动分别对应的计划轨迹，包括：
步骤31，基于六自由度运动方程按照预设的运算周期输出预定时间段对应的系列预测位置；
步骤32，在每个预测位置周围根据飞行线路的不确定性预测轨迹的不确定距离，在经过所述预测位置的横截面上形成圆形区域；
步骤33，按照所述不确定距离随时间而增加的情况，形成以系列预测位置连线为中心线的锥形区域。
5.如权利要求4所述的无人机避撞方法，其特征在于，所述步骤3获取威胁无人机的计划轨迹或飞行信息的步骤包括：
步骤301，向威胁无人机发送计划轨迹；
步骤302，在威胁无人机为合作型无人机时，接收威胁无人机响应本机预测轨迹根据轨迹预测算法生成与筛选防撞机动对应的计划轨迹；
在威胁无人机为非合作型无人机时，接收威胁无人机的加速度信息、速度信息。
6.如权利要求5所述的无人机避撞方法，其特征在于，所述步骤4包括：
在威胁无人机的计划轨迹对应的相关数据来自自动空中避撞***专用数据链时，根据专用数据链包含的机动飞行轨迹信息重建威胁无人机运动轨迹；
在威胁无人机的飞行信息来自非自动空中避撞***数据链、雷达或其他不明数据源时：
如果获取了加速度信息且目标机是低过载加速度运动，则使用kinematic Model运动模型预测其运动轨迹；
如果不能获得加速度信息，则沿速度向量拓展的方式预测运动轨迹；
如果不能获得加速度信息且威胁机速度处于极低范围，则使用弹道模型ballisticmodel预测其运动轨迹。
7.如权利要求1所述的无人机避撞方法，其特征在于，所述步骤5包括：
步骤51，将无人机防撞机动对应的计划航迹与本机上威胁无人机重建的运动轨迹一一组合；
针对本机与威胁无人机任意两条运动轨迹组合，将两者在时空域中轨迹中心距与轨迹不确定性距离UD之差作为最小避让间距值AD输出；
步骤52，根据最小避让间距值最大的运动轨迹组合确定本机优选防撞机动。
8.如权利要求1所述的无人机避撞方法，其特征在于，所述步骤6包括：
步骤61，根据本机确定的最优防撞机动和威胁无人机确定的最优防撞机动，提取两防撞机动对应的运动轨迹之间的最小避让间距；
步骤62，计算允许的最小轨迹间距MASD，MASD为本机与威胁无人机半翼展WS之和，再加上***输入的期望间距DSD和不确定性的累加；
步骤63，当无人机判断自身计划航迹与威胁无人机计划航迹重叠时，即预测最小间距PMR小于允许的最小轨迹间距MASD时，则激活防撞机动。
9.如权利要求8所述的无人机避撞方法，其特征在于，所述步骤62中的不确定性包括：导航不确定性、轨迹预测不确定性、轨迹重建/拟合不确定性、数据链传输不确定性和航迹数据计算不确定性。
10.一种无人机避撞***，其特征在于，包括存储器和处理器，所述存储器存储有无人机避撞程序，所述处理器在运行所述无人机避撞程序时执行权利要求1～9任一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770573.8A CN111880574B (zh) | 2020-08-04 | 2020-08-04 | 一种无人机避撞方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770573.8A CN111880574B (zh) | 2020-08-04 | 2020-08-04 | 一种无人机避撞方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111880574A true CN111880574A (zh) | 2020-11-03 |
| CN111880574B CN111880574B (zh) | 2022-11-11 |
Family
ID=73210140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010770573.8A Active CN111880574B (zh) | 2020-08-04 | 2020-08-04 | 一种无人机避撞方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111880574B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435506A (zh) * | 2020-11-13 | 2021-03-02 | 四川九洲空管科技有限责任公司 | 一种混合式无人机探测与避让*** |
| CN114973781A (zh) * | 2022-04-08 | 2022-08-30 | 中国民用航空总局第二研究所 | 机场场面无人机碰撞风险检测方法、装置、计算机设备 |
| CN115268492A (zh) * | 2022-07-22 | 2022-11-01 | 成都飞机工业（集团）有限责任公司 | 一种多无人机协同编队机间防碰撞控制方法 |
| WO2023079965A1 (ja) * | 2021-11-05 | 2023-05-11 | 株式会社デンソー | 飛行制御装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530840A (zh) * | 2016-12-21 | 2017-03-22 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于飞机实时性能的飞行撞地威胁规避方法 |
| CN106527483A (zh) * | 2016-12-07 | 2017-03-22 | 中国航空无线电电子研究所 | 基于空管数据链的无人机主动威胁避让*** |
| CN106548661A (zh) * | 2016-11-29 | 2017-03-29 | 中国人民解放军国防科学技术大学 | 一种基于状态预测的空中防撞方法 |
| CN109191923A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军国防科技大学 | 一种无人机飞行冲突解脱方法及解脱*** |
| CN109255982A (zh) * | 2018-09-27 | 2019-01-22 | 中国人民解放军国防科技大学 | 一种三架次飞机防撞方法及*** |
| CN110968941A (zh) * | 2019-11-11 | 2020-04-07 | 海丰通航科技有限公司 | 基于空域安全评估的无人机管控平台及管控方法 |
-
2020
- 2020-08-04 CN CN202010770573.8A patent/CN111880574B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548661A (zh) * | 2016-11-29 | 2017-03-29 | 中国人民解放军国防科学技术大学 | 一种基于状态预测的空中防撞方法 |
| CN106527483A (zh) * | 2016-12-07 | 2017-03-22 | 中国航空无线电电子研究所 | 基于空管数据链的无人机主动威胁避让*** |
| CN106530840A (zh) * | 2016-12-21 | 2017-03-22 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于飞机实时性能的飞行撞地威胁规避方法 |
| CN109191923A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军国防科技大学 | 一种无人机飞行冲突解脱方法及解脱*** |
| CN109255982A (zh) * | 2018-09-27 | 2019-01-22 | 中国人民解放军国防科技大学 | 一种三架次飞机防撞方法及*** |
| CN110968941A (zh) * | 2019-11-11 | 2020-04-07 | 海丰通航科技有限公司 | 基于空域安全评估的无人机管控平台及管控方法 |
Non-Patent Citations (1)
| Title |
|---|
| 万宇: "Distributed Conflict-Detection and Resolution Algorithm for UAV Swarms Based on Consensus Algorithm and Strategy Coordination", 《IEEE ACCESS》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435506A (zh) * | 2020-11-13 | 2021-03-02 | 四川九洲空管科技有限责任公司 | 一种混合式无人机探测与避让*** |
| WO2023079965A1 (ja) * | 2021-11-05 | 2023-05-11 | 株式会社デンソー | 飛行制御装置 |
| JP7501495B2 (ja) | 2021-11-05 | 2024-06-18 | 株式会社デンソー | 飛行制御装置及び飛行制御プログラム |
| CN114973781A (zh) * | 2022-04-08 | 2022-08-30 | 中国民用航空总局第二研究所 | 机场场面无人机碰撞风险检测方法、装置、计算机设备 |
| CN115268492A (zh) * | 2022-07-22 | 2022-11-01 | 成都飞机工业（集团）有限责任公司 | 一种多无人机协同编队机间防碰撞控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111880574B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111880574B (zh) | 一种无人机避撞方法及*** | |
| CN110456823B (zh) | 一种针对无人机计算与存储能力受限的双层路径规划方法 | |
| CN108549407B (zh) | 一种多无人机协同编队避障的控制算法 | |
| CN113268076B (zh) | 一种多无人机集群编队协同控制算法 | |
| CN110703804B (zh) | 一种固定翼无人机集群的分层防撞控制方法 | |
| Yang et al. | A 3D collision avoidance strategy for UAVs in a non-cooperative environment | |
| EP2182419B1 (en) | Avoidance manoeuvre generator for an aircraft | |
| CN112068598B (zh) | 一种无人机编队飞行方法及控制*** | |
| Oh et al. | Rendezvous and standoff target tracking guidance using differential geometry | |
| CN105759829A (zh) | 基于激光雷达的微型无人机操控方法及*** | |
| CN111077909B (zh) | 一种基于视觉信息的新型无人机自组群自洽优化控制方法 | |
| CN111897316A (zh) | 一种场景快变条件下的多飞行器自主决策方法 | |
| US11853082B1 (en) | Control of vehicle movement by application of geometric algebra and state and error estimation | |
| CN109871031A (zh) | 一种固定翼无人机的轨迹规划方法 | |
| CN110825108A (zh) | 一种在同一空域内多架跟踪无人机的协同防碰撞方法 | |
| CN115903865A (zh) | 一种飞行器近距空战机动决策实现方法 | |
| US20240076066A1 (en) | Fixed-wing unmanned aerial vehicle capable of high angle-of-attack maneuvering | |
| Kim et al. | Control of multi-agent collaborative fixed-wing UASs in unstructured environment | |
| Bodi et al. | Reinforcement learning based UAV formation control in GPS-denied environment | |
| CN114967732A (zh) | 有人无人机编队集结方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Monocular vision-based sense and avoid of uav using nonlinear model predictive control | |
| CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
| CN116661501B (zh) | 无人机集群高动态环境避障与动平台着降联合规划方法 | |
| Tripathi et al. | Autonomous landing of fixed wing unmanned aerial vehicle with reactive collision avoidance | |
| CN115903882A (zh) | 一种视场角约束下集群无人机协同目标跟踪控制方法 |
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 |