CN113625764A - 基于边界驱动的无人机自主探索方法、导航***及无人机 - Google Patents

Abstract

本发明是关于一种基于边界驱动的无人机自主探索方法、导航***及无人机。该方法包括：根据预设的评估函数选择信息增益最大同时偏航角度最小的局部边界点作为第一目标点，驱使无人机按照评估函数确定的偏航角飞行，直至无人机到达第一目标点，重复此过程，直到无人机视野内不存在局部边界点；根据预设的评估函数选择信息增益最大同时偏航角度最小的全局边界点作为第二目标点，驱使无人机按照评估函数确定的偏航角飞行，直至无人机到达第二目标点，重复此过程，直到该全局边界点探索完成，则探索过程结束。本发明提供的技术方案，无人机的探索速度更快，时间更短，且很少走重复路径，可实现在同样时间内探索面积更大，探索时间更少。

Description

基于边界驱动的无人机自主探索方法、导航***及无人机

技术领域

本发明涉及无人机自主探索与即时建图以及路径规划领域，尤其涉及寻找边界驱动点的方法。

背景技术

无人机最早使用于军事领域，但随着科技的发展和社会的进步，无人机军用转警用、民用已成必然趋势。无人机有飞行速度快、检测范围广、体积小、重量轻等优势，故其可以在多个领域完成人力不可能完成的或者难以完成的任务。无人机应用领域十分广泛，例如，在公安领域可以运用于空中监视、目标搜录、目标跟踪、警备监视等；在森林公安领域可以运用于林区治安巡逻、林地面积测量、野生动植物保护、森林防火监控、火灾事故空中侦察、山林搜救、森林救灾应急指挥等；在交通管理领域可以运用于交通监管、交通路况监测、交通违法取证、路况巡查、空中执勤等，在农业领域可以用于农药喷洒、虫灾监测、农场管理等，在国土资源领域可以用于航拍测绘、地质勘察、城市规划、工程建设等。短短数年，无人机已经飞翔在了世界各地大大小小的城市上空，在物联传输技术发展的大背景下，无人机的应用已经迅速拓展到了社会生活的方方面面。

无人机探索未知地图并构建环境对实现自主导航意义重大，无人机的探索与避障问题是自主探索问题中的基本组成部分，而如何在同样的时间探索覆盖面积更大则是决定探索效果优劣的重要指标，目前比较流行的探索方法之一是快速探索随机树(RRT)，该方法为了在随机树中寻找最佳分支，会花费大量时间计算最佳分支，而无人机在未接收到最佳分支之前会选择悬停，此时不仅消耗了时间且对降低地图熵(即地图的未知性或不确定性，地图熵越高代表地图没探索的地方越多，无人机探索就是要降低地图的不确定性的过程)无任何帮助，另一种较经典的方法如边界驱动方法，该方法使无人机一直飞往离当前位置最近的点，并忽略一些与无人机距离较远的边界点，这会导致无人机在两个区域之间来回探索，增加了探索时间而且路径也增加了，导致无人机探索效率低，耗时量大。

发明内容

为克服相关技术中存在的问题，本发明提供一种基于边界驱动的无人机自主探索方法、导航***及无人机。

根据本发明实施例的第一方面，提供一种基于边界驱动的无人机自主探索方法，其中，边界是介于地图中的已知区域和未知区域中间的边，而边界点是将其边离散化后形成的点，所述边界点分为两类：局部边界点和全局边界点，其中，所述局部边界点是在无人机视野范围内的边界点，所述全局边界点是在无人机视野范围外的边界点，所述方法包括：

响应于无人机视野内存在局部边界点，根据预设的评估函数选择信息增益最大同时偏航角度最小的局部边界点作为第一目标点，驱使无人机按照所述评估函数确定的偏航角飞行，直至无人机到达所述第一目标点，重复此过程，直到无人机视野内不存在局部边界点；

响应于无人机视野外存在全局边界点，根据预设的评估函数选择信息增益最大同时偏航角度最小的全局边界点作为第二目标点，驱使无人机按照所述评估函数确定的偏航角飞行，直至无人机到达所述第二目标点，重复此过程，直到该全局边界点探索完成，则探索过程结束。

进一步，所述地图采用八叉图地图，所述八叉图地图的生成过程包括：

根据深度相机采集的数据生成点云；

将点云转换为八叉图地图。

进一步，在地图中全部全局边界点探索完成之后，探索过程结束之前，还包括：

检查是否产生新的局部边界点，若有新的局部边界点则驱使无人机探索局部边界点，重复此过程，直到无人机视野内已经不存在局部边界点以及全局边界点，此时全局边界点和全局边界点都已探索完毕，则探索过程结束。

进一步，所述评估函数的公式为：

其中，V(q)为点q的评估值，λ是加权系数，θ_q是无人机偏航角，F是边界点集合，I(m,x_i)是地图m中的一个点x_i处的信息增益，其计算公式为：

I(m,x_i)＝H(m)-H(m|x_i)

其中，H(m)代表地图m的信息熵，计算公式为：

H(m|x_i)代表地图m在已知点x_i的条件下的条件熵，计算公式为：

其中，p(m_i,j)为地图中任一点m_i,j处的概率，p(x_i)为点x_i处的概率，p(m_i,j|x_i)为地图在已知点x_i的条件下任一点m_i,j处的概率。

进一步，所述方法还包括：在无人机向所述第一目标点或第二目标点飞行的过程中，根据无人机视野内障碍物的情况生成瞬时飞行指令，使无人机按照所述瞬时飞行指令飞行，直至到达所述第一目标点或第二目标点。

进一步，所述根据无人机视野内障碍物的情况生成瞬时飞行指令，具体包括：

若无人机视野内没有任何障碍物，则控制无人机直线飞行。

进一步，所述根据无人机视野内障碍物的情况生成瞬时飞行指令，具体包括：

若无人机视野内的一侧存在墙面或者连续障碍物，则控制无人机转向剩余视野的中点方向飞行一个步长，之后，控制无人机在每次飞行一个步长时均以偏航角变化最小的方向飞行，直至无人机视野内没有障碍物时，控制无人机直线飞行。

进一步，所述根据无人机视野内障碍物的情况生成瞬时飞行指令，具体包括：

若无人机视野被不连续障碍物遮挡，则丢弃障碍物遮挡的这部分视野，控制无人机向剩余视野的扇形视角中点方向飞行。

根据本发明实施例的第二方面，提供一种无人机导航***，包括处理器，以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

根据本发明实施例的第三方面，提供一种无人机，包括如上所述的无人机导航***。

本发明的实施例提供的技术方案中，在所有边界点中根据信息增益与偏转角度组成的评估函数选择其中最优的边界点引导无人机飞行，探索速度更快，时间更短，且很少走重复路径，可实现在同样时间内探索面积更大，探索时间更少。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1是即时建图和路径规划的原理框架图；

图2是局部边界点和全局边界点的探索流程示意图；

图3是选取下一个飞行目标点后无人机飞行示意图；

图4是根据无人机与室内环境相对位置设计的6种环境类型的示意图；

图5是模式2中无人机下一步飞行示意图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以下结合附图详细描述本发明实施例的技术方案。

本发明实施例提供一种基于边界驱动的无人机自主探索方法，应用于无人机导航***，无人机需要在探索过程中构建地图，本实施例中，无人机采用深度相机，并基于深度相机的相机数据构建地图，深度相机可采用RGBD相机，RGBD相机是利用Light Coding(结构光)进行成像的深度相机，主动发光，主要适用于室内环境，被用于感知外界环境信息。其工作原理是，RGBD相机向探测目标发射一束红外光线，相机根据返回的结构光图案，计算物体离自身的距离。在测量深度之后，RGBD相机通常按照各个相机摆放位置，完成深度与彩色图像素之间的配对，输出一一对应的彩色图和深度图，计算像素的3D相机坐标，生成点云(Point Cloud)。

虽然从RGBD相机中获得了点云数据，但是由于点云规模太大，占内存大，更新速度慢等缺点，本实施例中使用一种有较好压缩性能的地图形式：八叉树地图(Octomap)。八叉树地图是一种灵活的、压缩的、又能随时更新的地图形式，它与点云地图最大的区别在于当某个方块的所有子节点都被占据或都不被占据时，就没必要展开这个节点。例如，实际的物体经常连在一起，空白的地方也会常常连在一起，所以大多数八叉树节点都无需展开到叶子层面。所以说，八叉树比点云节省了大量的存储空间。

因此，本实施例中，无人机所采用的地图是八叉图地图，无人机可在探索的同时建立八叉树地图，无人机首先采用自身携带的深度相机相机数据生成点云，再进一步将点云转换生成八叉图地图，

图1为即时建图及路径规划的原理框架图，其中的左边部分即为深度相机实现即时建图的工作原理，其中，利用视觉估计深度方法把深度相机采集的即时环境深度信息输出为深度图，与此同时利用深度相机上携带的融合惯性测量单元IMU及视觉状态估计方法把其中的关键帧图像和IMU信息输出为位姿信息，利用即时的深度图和位姿信息即可建立八叉树地图。

图1的右边是路径规划的工作原理，主要是在八叉树地图中检测边界点，边界点是将介于已知区域和未知区域中间的边界离散化后的形成的点。本方法根据两类边界点的特点将边界点分为两类：局部边界点和全局边界点。局部边界点是在无人机视野范围内的边界点；全局边界点是在无人机视野范围外的边界点，即是离无人机比较远的点，例如无人机在客厅时，对于卧室里还有的一些没探索过的点，是在无人机视野范围之外的。结合局部边界点和全局边界点各自优点提出复合边界点，再通过评估函数获取所有边界点中能够最小化地图熵的点作为目标点，最后利用无人机控制指令引导无人机飞往该目标点，重复此过程即可实现对未知地图的完全探索。

图2为复合边界点运动计划，因为局部边界点就在无人机当前视野附近，所以探索局部边界点是最便捷、省时的，有局部点的时候去探索局部点是最高效的，故本发明实施例中，使无人机检测完边界点后首先去找局部边界点，如果有局部边界点则控制其探索局部边界点，重复此过程，直到局部边界点已经探索完毕，再去寻找是否有全局边界点，因为全局边界点处于整个地图任何地方，所以全局边界点较为分散，且距离无人机较远，当局部点探索完成再探索全局点是高效的选择，此时也是一个个寻找全局边界点，再一次次探索全局边界点，直到所有全局边界点也已经探索完毕，此时表示局部边界点和全局边界点已经全部探索完毕，地图已经全局探索完成。

在找寻局部边界点和全局边界点时，因为点有很多，所以根据评估函数选择信息增益最大同时偏航角度最小的点去探索。本实施例中，无人机在探索过程中构建八叉图地图，八叉树地图是可变分辨率的网格，如图3所示，占用体素就是这个地方有障碍物，障碍物就占用了这里的空间，这个地方在八叉树中叫做占用体素；未知体素表示这个地方无人机还没去过，那些地方是未知的，那些地方在八叉树中叫做未知体素；空闲体素表示这个地方没有障碍物，是无人机可以飞过去的地方，这些地方在八叉树中叫做空闲体素；边界点就是介于空闲体素和未知体素之间的点。

在一个具体的实施例中，如图3所示，无人机处于左下角，无人机当前方位为(x_curr,y_curr,z_curr)，此时地图局部点已经探索完毕，但右上角仍然存在一些全局点，经过计算，其中的一个点(x_att,y_att,z_att)是经过评估函数计算后得到的平衡了信息增益最大同时偏航角度最小的点，故将该点作为目标点，引导无人机向该目标点飞行。

具体的，上述的评估函数的公式为：

其中，V(q)为点q的评估值，λ是加权系数，θ_q是无人机偏航角，F是边界点集合，I(m,x_i)是地图m中的一个点x_i处的信息增益，其计算公式为：

I(m,x_i)＝H(m)-H(m|x_i)

其中，H(m)代表地图m的信息熵，计算公式为：

H(m|x_i)代表地图m在已知点x_i的条件下的条件熵，计算公式为：

其中，p(m_i,j)为地图中任一点m_i,j处的概率，p(x_i)为点x_i处的概率，p(m_i,j|x_i)为地图在已知点x_i的条件下任一点m_i,j处的概率。

为避免无人机在探索过程中因飞行速度过快，来不及对当前飞行模式进行调整导致碰撞，本实施例中，根据室内场景特点，把无人机可能遇到的场景提前预设，将无人机视野内障碍物的情况分为六种类型，如图4所示为无人机与环境相对类型图，并针对各个类型设定了对应的模式，其中，模式1为无障碍模式，模式2为沿右边墙模式，模式3为沿左边墙模式，模式4为右无障碍模式，模式5为左无障碍模式，模式6为多障碍模式，在各个模式下，生成相应的瞬时飞行指令，使无人机按照所述瞬时飞行指令飞行。

例如，当无人机处于模式1时，代表此时无人机视野内没有任何障碍物，则无人机可以直线飞行；当无人机处于模式2、3时，代表此时无人机的右边或左边是墙面或者如墙一般的连续障碍物，此时为了尽量让无人机的视野保持初始大小，避免无人机因为没有视野而无法进行探索，选择将这一份视野丢弃，找寻剩余的视野的中点，相当于无人机偏航了一定角度，待其飞行一段时间后，其视野便可以全部从被遮挡区域解放出来，求此时无人机偏航角度如下：

如图5所示，设无人机扇形视野与墙面交点为A(x_A,y_A,z_A),无人机当前坐标为B(x_B,y_B,z_B)，无人机原始飞行方向与向量

之间的夹角为φ，可求得其正切角：

此时φ满足:

设无人机下一个飞行方向与当前飞行方向偏航角为θ，无人机的扇形视角大小为

可求得θ：

控制无人机按照计算得到的偏航角θ转向剩余视野的中点方向飞行一个步长，之后，控制无人机在每次飞行一个步长时均以偏航角变化最小的方向飞行，直至无人机视野内没有障碍物时，控制无人机直线飞行，具体每次计算偏航角的公式如下：

R_t+1＝R_t+ΔR

θ_t+1＝θ_t+θ_goal

t∈0,1,....t,...,n-1,n

R_min≤△R≤R_max

0≤θ_t≤2π

此处，θ_candidates表示计算的各点偏航角度，

表示当前视野中体素状态为空闲的边界点，θ_goal为目标点的偏航量，θ_t是由t时刻的飞行角度，R_t表示t时刻的步长，ΔR是用于更新R_t的预定义增量，R_min和R_max表示无人机的最大步长和最小步长。

由于无人机转角大小会影响到无人机的飞行速度，本实施例中，选择向无人机偏航角变化最小的方向飞行，能够使无人机持续快速飞行。当无人机偏转到视野不收任何阻挡时，代表此时视野内没有障碍物，回到模式1，根据模式1的指令飞行；当无人机处于模式4、5、6时，表示无人机的视野被不连续障碍物阻挡，此时，选择丢弃被障碍物遮挡的这部分视野，往剩余的扇形视角中点方向飞行，此时，无人机视野会逐渐逃脱被障碍物遮挡。

本实施例中，设计了多个环境类型，使无人机可以对未知环境快速做出反应，再结合两种边界点和边界点评估函数相互配合的协作工作方式，实现无人机在未知环境下可以快速探索环境以及尽量达到探索所有区域的优点。此外，本发明实施例中极大的提高了无人机自主探索的效率，探索速度最大可达2.5m/s。最后，本发明为无人机的探索进行了可视化，建立了八叉树地图，便于观看探索是否完整，建图尺寸是否正确，且便于对无人机的飞行路线进行跟踪，操作人员可直观看到无人机的飞行路径，分析无人机是否在同一区域进行重复探索以及观看探索路径是否平滑。

经过对本发明实施例技术方案的仿真实验，结果表明本发明方法比现有方法探索速度更快，覆盖率更高，具有良好的可行性和有效性。

本发明实施例提供一种无人机导航***，包括处理器，以及存储器。

其中，处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括各种类型的存储单元，例如***内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器上存储有可执行代码，当可执行代码被处理器处理时，可以使处理器执行上文述及的方法中的部分或全部。

本发明实施例提供一种无人机，包括如上所述的无人机导航***。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤的部分或全部。

上文中已经参考附图详细描述了本发明的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本发明所必须的。另外，可以理解，本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于边界驱动的无人机自主探索方法，其中，边界是介于地图中的已知区域和未知区域中间的边，而边界点是将其边离散化后形成的点，所述边界点分为两类：局部边界点和全局边界点，其中，所述局部边界点是在无人机视野范围内的边界点，所述全局边界点是在无人机视野范围外的边界点，其特征在于，所述方法包括：

响应于无人机视野内存在局部边界点，根据预设的评估函数选择信息增益最大同时偏航角度最小的局部边界点作为第一目标点，驱使无人机按照所述评估函数确定的偏航角飞行，直至无人机到达所述第一目标点，重复此过程，直到无人机视野内不存在局部边界点；

响应于无人机视野外存在全局边界点，根据预设的评估函数选择信息增益最大同时偏航角度最小的全局边界点作为第二目标点，驱使无人机按照所述评估函数确定的偏航角飞行，直至无人机到达所述第二目标点，重复此过程，直到该全局边界点探索完成，则探索过程结束。

2.根据权利要求1所述的方法，其特征在于，所述地图采用八叉图地图，所述八叉图地图的生成过程包括：

根据深度相机采集的数据生成点云；

将点云转换为八叉图地图。

3.根据权利要求1所述的方法，其特征在于，在地图中全部全局边界点探索完成之后，探索过程结束之前，还包括：

检查是否产生新的局部边界点，若有新的局部边界点则驱使无人机探索局部边界点，重复此过程，直到无人机视野内已经不存在局部边界点以及全局边界点，此时全局边界点和全局边界点都已探索完毕，则探索过程结束。

4.根据权利要求3所述的方法，其特征在于，所述评估函数的公式为：

其中，V(q)为点q的评估值，λ是加权系数，θ_q是无人机偏航角，F是边界点集合，I(m,x_i)是地图m中的一个点x_i处的信息增益，其计算公式为：

I(m,x_i)＝H(m)-H(m|x_i)

其中，H(m)代表地图m的信息熵，计算公式为：

H(m|x_i)代表地图m在已知点x_i的条件下的条件熵，计算公式为：

其中，p(m_i,j)为地图中任一点m_i,j处的概率，p(x_i)为点x_i处的概率，p(m_i,j|x_i)为地图在已知点x_i的条件下任一点m_i,j处的概率。

5.根据权利要求1-4任一项所述的方法，其特征在于，还包括：

在无人机向所述第一目标点或第二目标点飞行的过程中，根据无人机视野内障碍物的情况生成瞬时飞行指令，使无人机按照所述瞬时飞行指令飞行，直至到达所述第一目标点或第二目标点。

6.根据权利要求5所述的方法，其特征在于，所述根据无人机视野内障碍物的情况生成瞬时飞行指令，具体包括：

若无人机视野内没有任何障碍物，则控制无人机直线飞行。

7.根据权利要求5所述的方法，其特征在于，所述根据无人机视野内障碍物的情况生成瞬时飞行指令，具体包括：

若无人机视野内的一侧存在墙面或者连续障碍物，则控制无人机转向剩余视野的中点方向飞行一个步长，之后，控制无人机在每次飞行一个步长时均以偏航角变化最小的方向飞行，直至无人机视野内没有障碍物时，控制无人机直线飞行。

8.根据权利要求5所述的方法，其特征在于，所述根据无人机视野内障碍物的情况生成瞬时飞行指令，具体包括：

若无人机视野被不连续障碍物遮挡，则丢弃障碍物遮挡的这部分视野，控制无人机向剩余视野的扇形视角中点方向飞行。

9.一种无人机导航***，包括处理器，以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-8中任一项所述的方法。

10.一种无人机，包括如权利要求9所述的无人机导航***。

Images