CN114527783A - 无人机的控制方法、装置、设备及计算机存储介质 - Google Patents
无人机的控制方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114527783A CN114527783A CN202111555008.0A CN202111555008A CN114527783A CN 114527783 A CN114527783 A CN 114527783A CN 202111555008 A CN202111555008 A CN 202111555008A CN 114527783 A CN114527783 A CN 114527783A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- determining
- aerial vehicle
- unmanned aerial
- speed
- 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 118
- 230000001133 acceleration Effects 0.000 claims abstract description 306
- 230000036461 convulsion Effects 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 26
- 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 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
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
本申请公开了一种无人机的控制方法、装置、设备及计算机存储介质，涉及无人机技术领域，用于提升无人机飞行的安全性以及运动规划的实时性，该方法包括：根据无人机包括的各个传感器的检测数据，确定所述无人机的当前运动状态以及飞行方向上的障碍物信息；根据所述障碍物信息以及所述无人机的目标飞行位置，确定所述无人机的避障飞行位置；以所述无人机的最大速度、最大加速度和最大加加速度为约束，根据所述当前运动状态以及所述避障飞行位置，确定所述无人机到达所述避障飞行位置的运动学规划结果；根据所述运动学规划结果，控制所述无人机的飞行过程。
Description
技术领域
本申请涉及无人机(Unmanned Aerial Vehicle，UAC)技术领域，提供一种无人机的控制方法、装置、设备及计算机存储介质。
背景技术
多旋翼无人机在公安消防、电力巡检以及救灾抢险等领域存在广泛的应用，在无人机飞行过程中，无人机可以实时测得自身的运动状态，此外，基于飞行任务将会给定无人机的目标状态，无人机的运动规划的目标则是计算出一条满足各方面需求的轨迹，然后无人机将沿着这条轨迹执行相关任务。此外，这些飞行场景中相对复杂，存在大大小小的各种障碍物，若一旦撞到障碍物会造成无人机坠毁，甚至砸到地面的人和物。
因此，如何进行无人机在复杂环境下的安全飞行运动规划显得尤为重要。
发明内容
本申请实施例提供一种无人机的控制方法、装置、设备及计算机存储介质，用于提升无人机飞行的安全性以及运动规划的实时性。
一方面，提供一种无人机的控制方法，所述方法包括：
根据无人机包括的各个传感器的检测数据，确定所述无人机的当前运动状态以及飞行方向上的障碍物信息；
根据所述障碍物信息以及所述无人机的目标飞行位置，确定所述无人机的避障飞行位置；
以所述无人机的最大速度、最大加速度和最大加加速度为约束，根据所述当前运动状态以及所述避障飞行位置，确定所述无人机到达所述避障飞行位置的运动学规划结果；
根据所述运动学规划结果，控制所述无人机的飞行过程。
一方面，提供一种无人机的控制装置，所述装置包括：
检测单元，用于根据无人机包括的各个传感器的检测数据，确定所述无人机的当前运动状态以及飞行方向上的障碍物信息；
避障单元，用于根据所述障碍物信息以及所述无人机的目标飞行位置，确定所述无人机的避障飞行位置；
运动规划单元，用于以所述无人机的最大速度、最大加速度和最大加加速度为约束，根据所述当前运动状态以及所述避障飞行位置，确定所述无人机到达所述避障飞行位置的运动学规划结果；
飞行控制单元，用于根据所述运动学规划结果，控制所述无人机的飞行过程。
具体的，所述运动规划单元，具体用于：
根据所述当前运动状态和所述避障飞行位置，以所述无人机的最大速度、最大加速度和最大加加速度为约束，确定所述无人机的巡航速度；
根据所述巡航速度，确定所述无人机的加速阶段对应的加速段估计时长和加速段目标运动状态，以及减速阶段对应的减速段估计时长和减速段目标运动状态；
在根据所述减速段运动状态中的减速结束时刻位置与所述避障飞行位置之间的差值确定需要巡航阶段时，根据所述差值确定所述巡航阶段对应的巡航段时长；
根据所述加速段时长、所述加速段目标运动状态、所述减速段时长、所述减速段目标运动状态以及所述巡航段时长，确定每个时刻的运动状态，获得所述运动学规划结果。
具体的，所述运动规划单元，具体用于：
根据所述当前运动状态中的初始速度和初始加速度，以及所述最大加加速度和到达所述避障飞行位置时的期望加速度，确定假定停止速度；
根据所述假定停止速度与所述无人机到达所述避障飞行位置时的期望速度之间的比较结果，确定所述无人机的巡航加速度；
基于所述巡航加速度、所述初始速度和所述初始加速度，确定加速段期望运动状态；
基于所述加速段期望运动状态，确定所述加速阶段结束时刻的假定停止位置；
根据所述假定停止位置与所述避障飞行位置之间的比较结果，确定所述巡航速度。
具体的，所述运动规划单元，具体用于：
若所述假定停止速度小于所述期望速度，则确定巡航加速度为所述最大加速度，且符号为正；
若所述假定停止速度大于所述期望速度，则确定所述巡航加速度为所述最大加速度，且符号为负。
具体的，所述运动规划单元，具体用于：
根据所述巡航加速度与所述初始加速度之间的差值，确定所述加速阶段中加速子阶段的第一子时长；
根据巡航加速度与所述初始加速度之间的比较结果，确定无人机的在所述加速子阶段的加速段加加速度；
根据所述初始速度、所述初始加速度、所述第一子时长以及所述加速段加加速度，确定所述加速子阶段结束时刻的加速段末速度；
根据所述巡航加速度以及所述最大加加速度，确定所述加速阶段中减速子阶段和巡航子阶段的期望运动状态。
具体的，所述运动规划单元，具体用于：
根据所述巡航加速度以及所述最大加加速度，确定所述减速子阶段的第二子时长；
根据所述巡航加速度的方向，确定所述减速子阶段的减速段加加速度；
根据所述巡航加速度、所述第二子时长以及所述减速段加加速度，确定所述减速子阶段的减速段速度变化量；
根据所述加速段末速度、减速段速度变化量以及所述期望速度，确定所述加速阶段中巡航子阶段的巡航段速度变化量；
根据所述巡航段速度变化量以及所述巡航加速度，确定所述巡航子阶段的第三子时长。
具体的，所述运动规划单元，具体用于：
在根据所述减速段运动状态中的减速结束时刻位置与所述避障飞行位置之间的差值确定无需巡航阶段时，采用迭代二分法重新确定加速段目标时长和减速段目标时长；其中，在一次迭代中，包括如下步骤：
基于本次迭代输入的第一时长变量和第二时长变量确定加速段更新时长，其中，所述第一时长变量的初始值为所述加速段估计时长，所述第二时长变量的值为零；
基于所述加速段更新时长，更新减速结束时刻位置，并判断更新后的减速结束时刻位置与所述避障飞行位置之间的差值是否小于预设阈值；
若小于，确定所述加速段更新时长为加速段目标时长，以及根据所述加速段目标时长确定所述减速段目标时长；
若不小于，基于更新后的减速结束时刻位置与所述避障飞行位置之间的差值，更新所述第一时长变量和所述第二时长变量。
可选的，所述无人机包括设置于机头位置且朝向所述飞行方向的毫米波雷达传感器；
则所述避障单元，具体用于：
基于所述毫米波雷达传感器检测的所述飞行方向上的传感器信号，确定所述飞行方向上各个障碍物的位置信息；
基于所述各个障碍物的位置信息，从所述各个障碍物中确定出与所述无人机距离最近的目标障碍物；
基于所述目标障碍物的位置信息以及所述目标飞行位置，确定所述避障飞行位置。
可选的，所述避障单元，还用于：
基于接收的遥控装置发送的飞行控制量，确定所述目标飞行位置；或者，
基于设定的航点任务信息，确定所述目标飞行位置。
一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种方法的步骤。
一方面，提供一种计算机存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述任一种方法的步骤。
一方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一种方法的步骤。
本申请实施例中，根据无人机包括的各个传感器的检测数据，确定无人机的当前运动状态以及飞行方向上的障碍物信息，并根据障碍物信息以及无人机的目标飞行位置，确定无人机的避障飞行位置，以无人机的最大速度、最大加速度和最大加加速度为约束，根据当前运动状态以及避障飞行位置，确定无人机到达避障飞行位置的运动学规划结果，进而根据运动学规划结果，控制无人机的飞行过程。可见，依据无人机飞行方向上动态变化的环境，确定出避障飞行位置，以满足避障要求，提高无人机飞行的安全性，并且，还利用无人机运动学约束方程，建立速度、加速度、加加速度三阶模型，提升规划实时性的同时，还使得规划结果更加平滑，且满足时间最优，提高飞行效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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申请实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的无人机控制***的架构示意图；
图2为本申请实施例提供的避障感知模块的结构示意图；
图3为本申请实施例提供的无人机的控制方法的流程示意图；
图4为本申请实施例提供的无人机的飞行控制逻辑示意图；
图5为本申请实施例提供的采用位置设定法进行运动规划过程的流程示意图；
图6为本申请实施例提供的采用速度设定法确定加速阶段的期望运动状态的流程示意图；
图7为本申请实施例提供的迭代二分法的流程示意图；
图8为本申请实施例提供的仿真数据图；
图9为本申请实施例提供的无人机的控制装置的一种结构示意图；
图10为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
为便于理解本申请实施例提供的技术方案，这里先对本申请实施例使用的一些关键名词进行解释：
无人机：顾名思义，无人机是一种机上无驾驶舱，且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。无人机上安装有自动驾驶仪、程序控制装置等设备，地面、舰艇上或母机遥控站人员通过雷达等设备，对其进行跟踪、定位、遥控、遥测和数字传输，与载人飞机相比，它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等优点。无人机可以包括无人直升机、无人固定翼机、无人多旋翼飞行器、无人飞艇、无人伞翼机这几大类。
以多旋翼无人机为例，其是一种具有三个及以上旋翼轴的特殊的无人驾驶旋翼飞行器，操控性强，可垂直起降和悬停，主要适用于低空、低速、有垂直起降和悬停要求的任务类型。其通过每个轴上的电动机转动，带动旋翼，从而产生升推力，旋翼的总距固定，而不像一般直升机那样可变，通过改变不同旋翼之间的相对转速，可以改变单轴推进力的大小，从而控制飞行器的运行轨迹。
运动规划：是根据无人机的动力学与运动学模型，建立与时间相关的约束关系，再结合环境状态，求解出满足所有约束条件的最佳轨迹曲线的过程，一般而言，运动规划可以包括三个阶段，即加速阶段、巡航阶段和减速阶段，当然，在实际应用中，并不是每次运动规划都需要包含着三个阶段，具体包含哪些阶段是需要根据实际情况进行判断的。
下面对本申请实施例的设计思想进行简要介绍。
在无人机飞行过程中，如何进行无人机在复杂环境下的安全飞行运动规划是十分重要的。
鉴于此，本申请实施例提供一种无人机的控制方法，在该方法中，根据无人机包括的各个传感器的检测数据，确定无人机的当前运动状态以及飞行方向上的障碍物信息，并根据障碍物信息以及无人机的目标飞行位置，确定无人机的避障飞行位置，以无人机的最大速度、最大加速度和最大加加速度为约束，根据当前运动状态以及避障飞行位置，确定无人机到达避障飞行位置的运动学规划结果，进而根据运动学规划结果，控制无人机的飞行过程。可见，依据无人机飞行方向上动态变化的环境，确定出避障飞行位置，以满足避障要求，提高无人机飞行的安全性，并且，还利用无人机运动学约束方程，建立速度、加速度、加加速度三阶模型，从而使得规划结果更加平滑，且满足时间最优，提高飞行效率。
并且，考虑到在相关技术中通常依赖高性能机载计算机进行地图生成以及轨迹规划，而高性能机载计算机的体积通常较大，使得无人机的动力消耗更多，且无人机整体体积较大，使得无人机的适用场景存在一定的局限性。并且，在相关技术中状态约束会引入大量不等式约束，且使用凸优化的方法，将延长多项式的求解时间，在未知和动态环境中，当前轨迹可能在执行过程中呈现为无效，并且需要重新规划，这将导致运动规划路径不实时。因此，本申请实施例采用了速度设定法与位置设定法相结合的方法，利用解析式求解运动规划问题，无需求解多项式凸优化问题，大大节约计算资源，能够在极短的时间内计算满足无人机运动学约束的运动轨迹，可以部署在低算力飞控计算机中直接运行。
此外，本申请实施例还采用了毫米波雷达将障碍物聚类为单个点，无需稠密点云信息，提高避障算法的实时性，大大提高了飞行任务的效率与安全性。
本申请实施例提供的方案可以适用于无人机飞行场景中，例如自动航点飞行或手动飞行等飞行场景。如图1所示，为本申请实施例提供的一种无人机控制***的架构示意图，在该架构中，可以包括避障感知模块101、运动规划模块102和飞行控制模块103，下面将分别进行介绍。
(1)避障感知模块101
避障感知模块101通过组合导航算法将各种传感器的检测数据融合起来，得到无人机自身位置、速度、加速度、姿态角以及障碍物距离等表征无人机的运动状态以及周围环境的信息，以辅助后续规划轨迹，控制无人机的飞行过程。避障感知模块101主要由各个传感器组成，例如参见图2所示，可以包括如下传感器中的一个或者多个：
1)惯性测量单元(Inertial Measurement Unit，IMU)，是用于检测和测量加速度与旋转运动的传感器，其原理是采用惯性定律实现的，这些传感器从超小型的微机电***(Micro-Electro-Mechanical System，MEMS)传感器，到测量精度非常高的激光陀螺等。
2)全球定位***(Global Positioning System，GPS)，用于定位输出位置信息。
3)气压计
4)磁力计
5)红外传感器
6)毫米波(millimeter wave)雷达传感器，具有体积小、易集成和空间分辨率高的特点，且与摄像头、红外、激光等光学传感器相比，毫米波雷达传感器穿透雾、烟、灰尘的能力强，抗干扰能力强，能够适应更为复杂的飞行环境。
在具体实施过程中，可以将毫米波雷达传感器安装在无人机飞行方向的位置，使得毫米波雷达传感器始终指向无人机前向飞行方向，例如安装在机头方向。毫米波雷达传感器可以输出经过聚类后的点，即只输出无人机前进方向距离无人机最近的障碍物信息。
当然，在实际应用时，还可以设置其他可能的传感器，本申请实施例对此不做限制。
(2)运动规划模块102
运动规划模块102将根据避障感知模块得到的无人机当前运动状态、障碍物距离以及航点任务信息，采取基于无人机运动学及动力学模型约束的运动规划算法，实时、快速解算出一条满足所有约束的运动轨迹，并将该运动轨迹将下发给飞行控制模块执行具体飞行任务。
(3)飞行控制模块103
飞行控制模块103可以包括控制解算器、电子调速器以及动力***等。其中，控制解算器负责无人机的姿态、速度以及位置等运动状态参数的跟踪控制，并严格执行运动规划模块下达的指令，使得无人机能够较好地跟踪预先规划好的运动轨迹，完成业务目标以及避障任务，电子调速器和动力***提供无人机飞行所需的拉力，产生扭矩，使得无人机能够完成姿态变化、速度变化以及位置变化等行为。
当然，本申请实施例提供的方法并不限用于图1所示的架构中，本申请实施例并不进行限制。
参见图3所示，为本申请实施例提供的无人机的控制方法的流程示意图。
步骤301：根据无人机包括的各个传感器的检测数据，确定无人机的当前运动状态以及飞行方向上的障碍物信息。
本申请实施例中，无人机上可以设置有多个传感器，如上述的避障感知模块包括的各个传感器，用于检测无人当前的运动状态以及周围环境等信息。
如上述架构中的介绍，本申请实施例提供的无人机的机头位置安装有毫米波雷达传感器，不同于相关技术中的生成稠密的点云信息，毫米波雷达传感器可以将障碍物聚类为单个点，即只输出无人机飞行方向上最近的障碍物信息，从而降低了避障算法的复杂程度，提高了避障算法的实时性，大大提高了飞行任务的效率与安全性。
步骤302：根据障碍物信息以及无人机的目标飞行位置，确定无人机的避障飞行位置。
本申请实施例中，无人机飞行时，需要预先给定目标飞行位置，以便后续基于此目标飞行位置进行运动规划。
在一种实施方式中，在手动控制飞行场景，可以通过遥控装置控制无人机的飞行，那么当通过遥控装置向无人机下发控制指令之后，无人机则可以基于接收的控制指令中指示的飞行控制量，来确定目标飞行位置。例如，控制指令为控制向前飞行10米，则目标飞行位置为当前位置往前10米的位置，或者控制指令还可以给定速度和方向等参数，则可以根据这些参数确定目标飞行位置。
在一种实施方式中，在自动航点飞行场景中，可以预先给定航点任务信息，航点任务信息中指定了该任务要飞往的目的地，从而无人机则会自动进行导航飞往该目的地。从而，在设定航点任务信息之后，则无人机则可以基于设定的航点任务信息，确定目标飞行位置，即目的地对应的位置。
本申请实施例中，在获得无人机的目标飞行位置、当前运动状态以及周围环境等信息后，则可以基于这些信息进行无人机的运动规划。
在实际应用过程中，运动规划的过程是实时进行的，且考虑到飞行方向上可能存在障碍物，因而每次规划的轨迹并不一定是直接到达目标飞行位置的轨迹。例如，当飞行方向上不存在障碍物时，那么则是可以直接飞往目标飞行位置的，当飞行方向上存在障碍物时，那么为了避开障碍物，可能首先到达障碍物之前的某个位置，转换飞行方向以避开障碍物，因而首先需要确定为了避开障碍物，无人机能够飞行到的避障飞行位置，作为当前运动规划的期望位置。当然，除了考虑障碍物之外，还可以综合考虑其他因素，本申请实施例对此不做限制。
具体的，可以基于毫米波雷达传感器检测的飞行方向上的传感器信号，确定飞行方向上各个障碍物的位置信息，并基于各个障碍物的位置信息，从各个障碍物中确定出与无人机距离最近的目标障碍物，基于目标障碍物的位置信息以及目标飞行位置，确定避障飞行位置，从而，通过将障碍物聚类为单个点，无需稠密点云信息，提高避障算法的实时性，大大提高了飞行任务的效率与安全性。
步骤303：以无人机的最大速度、最大加速度和最大加加速度为约束，根据当前运动状态以及避障飞行位置，确定无人机到达避障飞行位置的运动学规划结果。
本申请实施例中，运动规划模块将根据避障感知模块得到的无人机当前运动状态、障碍物距离以及航点任务信息，采取基于无人机运动学及动力学模型约束的运动规划算法，实时、快速解算出一条满足所有约束的运动轨迹，并将该运动轨迹下发给飞行控制模块执行具体飞行任务。
在一种实施方式中，为了使得无人机的轨迹相位同步，可以将无人机避障感知模块通过组合导航解算方法得到的运动状态，转换至无人机航迹坐标系内进行运动规划，从而在运动规划过程中将不会出现由于对无人机的不同方向(如x、y轴)分别进行规划而产生运动不同步的情况，如无人机飞行轨迹出现曲线等不符合预期的规划结果，使无人机的运动规划问题可简化为单轴的规划问题，大大降低了算法的复杂度，后面的运动规划算法默认是在无人机航迹坐标系下进行的。
运动规划的过程将在后续的过程中详细进行介绍，因此在此先不进行介绍。
步骤304：根据运动学规划结果，控制无人机的飞行过程。
具体的，通过上述的运动学规划结果，可以获得无人机每个时刻的运动状态，从而可以控制动力***提供相应的动力，控制无人机的飞行轨迹符合预先规划好的运动轨迹。
具体的，参见上述架构部门的极少，飞行控制相关的过程可以由飞行控制模块来实现，飞行控制模块具体可以由控制解算器、电子调速器、动力***组成，其中，控制解算器负责无人机的姿态、速度、位置跟踪控制，它将严格执行运动规划模块下达的指令，使得无人机能够较好地跟踪预先规划好的运动轨迹，完成业务目标以及避障任务，电子调速器和动力***提供无人机飞行所需的拉力，产生扭矩，使得无人机能够完成姿态变化、速度变化以及位置变化等行为。
参见图4所示，为无人机的飞行控制逻辑示意图。其中，根据运动规划结果中的规划位置以及实时反馈的当前位置、速度以及姿态角，无人机包括的比例-积分-微分(Proportion Integration Differentiation，PID)控制器以及自抗扰控制器可以实时进行动力调整，使得动力***提供无人机飞行所需的拉力，产生扭矩，使得无人机能够完成姿态变化、速度变化以及位置变化等行为。
下面结合附图，对无人机的运动规划过程进行介绍。
本申请实施例中，在进行运动规划时，采用位置设定法和速度设定法相结合的方式进行，其中，速度设定法是位置设定法的子***，采用速度设定法时，以假定的期望速度和期望加速度为基础进行路径规划，采用位置设定法时，以期望位置、期望速度为基础结合速度设定法得到的各个运动状态进行运动规划。
本申请实施例中，参见图5所示，为采用位置设定法进行运动规划过程的流程示意图。
步骤501：获取运动规划准备数据。
具体的，运动规划准备数据可以包括上述过程得到的无人机当前运动状态、约束条件以及避障飞行位置等数据。
具体的，运动状态可以包括位置p、速度v、加速度a和加加速度j等参数，则当前运动状态可以包括初始位置p0、初始速度v0、初始加速度a0和初始加加速度j0等参数，这些参数可以通过自身包括的各个传感器检测数据得到。当然，也可以包括其他的参数，如姿态角等，本申请实施例对此不做限制。
在具体实施过程中，预先基于最大速度、最大加速度和最大加加速度更新约束条件，约束条件可以包括如下条件：
(1)速度约束条件：-vmax＜v＜vmax，其中，vmax为最大速度的值。
(2)加速度约束条件：-amax＜a＜amax，其中，amax为最大加速度的值。
(3)加加速度约束条件：-jmax＜j＜jmax，其中，jmax为最大加加速度的值。
在具体应用过程中，上述最大速度、最大加速度和最大加加速度的值均可以根据实际情况进行设置，例如可以是无人机的极限值。此外，还可以设置无人机的飞行模式，在不同的飞行模式下的极限值可以不同，如快速模式和低能耗模式，快速模式下最大速度、最大加速度和最大加加速度的值可以高于低能耗模式，从而用户可以根据实际情况选择相应的飞行模式，进而根据选定的飞行模式设置相应的约束条件。
需要说明的是，约束条件设置好之后，且未进行更新时，无需重新进行约束条件的设定。
本申请实施例中，避障飞行位置pref可以根据输入的手动控制量或者航点任务信息结合障碍物信息得到所期望飞行到的位置。
步骤502：利用速度设定法，确定加速阶段的期望运动状态。
具体的，本申请实施例中，无人机到达避障飞行位置时的速度为0，因而可以将无人机到达避障飞行位置时的期望速度vref设为0，采用速度设定法，根据当前运动状态和避障飞行位置，以无人机的最大速度、最大加速度和最大加加速度为约束，确定无人机的巡航速度。
参见图6所示，为采用速度设定法确定加速阶段的期望运动状态的流程示意图。
步骤5020：根据当前运动状态中的初始速度和初始加速度，以及最大加加速度和到达避障飞行位置时的期望加速度，确定假定停止速度。
本申请实施例中，速度设定法的输入包括无人机当前状态中的初始速度v0和初始加速度a0，约束条件包括加速度约束条件-amax＜a＜amax和加加速度约束条件-jmax＜j＜jmax。
在无人机飞行过程中，一般包括三个阶段，即加速阶段、巡航阶段和减速阶段，通常而言，无人机到达避障飞行位置时的加速度为0，因而可以将无人机到达避障飞行位置时的期望加速度vref设为0，进而，可以根据初始速度v0、初始加速度a0，以及最大加加速度jmax和到达避障飞行位置时的期望加速度0，确定假定停止速度，假定停止速度vstp可以表示如下：
步骤5021：根据假定停止速度与无人机到达避障飞行位置时的期望速度之间的比较结果，确定无人机的巡航加速度。
具体的，将假定停止速度vstp与期望速度vref进行比较，根据假定停止速度vstp与期望速度vref之间的比较结果，确定无人机的巡航加速度。
具体的，若假定停止速度vstp小于期望速度vref，即vref＞vstp，则确定巡航加速度为最大加速度，且符号为正，即设置巡航加速度acru＝amax，否则，若假定停止速度vstp大于期望速度vref，即vref＜vstp，则确定巡航加速度为最大加速度，且符号为负，即可以设置巡航加速度acru＝-amax。
步骤5022：根据巡航加速度与初始加速度之间的差值，确定加速阶段中加速子阶段的第一子时长。
本申请实施例中，可以基于巡航加速度acru、初始速度v0和初始加速度a0，来确定无人机在加速阶段的加速段期望运动状态。
本申请实施例中，对于加速阶段而言，其仍然可以包含多个阶段，即加速子阶段、巡航子阶段和减速子阶段，但与加速阶段不同，加速子阶段、巡航子阶段和减速子阶段的区分在于速度增长的快慢，即在这几个阶段中，速度仍然是在增加的，但是增长的速度有所不同，在加速子阶段中，速度增长速度更快，在巡航子阶段中，速度匀速增长，而在减速子阶段中，速度增长速度逐渐降低，直至加速度为0。
具体的，可以根据巡航加速度acru与初始加速度a0之间的差值，来确定加速阶段中加速子阶段的第一子时长Δt1，Δt1可以通过如下方式进行计算：
步骤5023：根据巡航加速度与初始加速度之间的比较结果，确定无人机的在加速子阶段的加速段加加速度。
具体的，比较初始加速度a0与巡航加速度acru大小，若acru＞a0，则确定加速段加加速度为最大加加速度，且符号为正，即设置加速段加加速度jacc＝jmax，否则，若acru＜a0，则确定加速段加加速度为最大加速度，且符号为负，即可以设置加速段加加速度jacc＝-jmax。
步骤5024：根据初始速度、初始加速度、第一子时长以及加速段加加速度，确定加速子阶段结束时刻的加速段末速度。
具体的，加速段末速度v1可以通过如下方式进行计算：
此外，还可以根据巡航加速度以及最大加加速度，确定加速阶段中减速子阶段和巡航子阶段的期望运动状态，具体介绍如下：
步骤5025：根据巡航加速度以及最大加加速度，确定加速阶段中的减速子阶段的第二子时长。
具体的，第二子时长Δt3可以通过如下方式进行计算：
Δt3：
步骤5026：根据巡航加速度的方向，确定减速子阶段的减速段加加速度。
具体的，确定判断巡航加速度的符号是否为正，若acru＞0，即符号为正，则减速段加加速度jdec＝-jmax，否则，若acru＜0，即符号为负，减速段加加速度jdec＝jmax。
步骤5027：根据巡航加速度、第二子时长以及减速段加加速度，确定减速子阶段的减速段速度变化量。
具体的，减速段速度变化量可以通过如下方式进行计算：
步骤5028：根据加速段末速度、减速段速度变化量以及期望速度，确定加速阶段中巡航子阶段的巡航段速度变化量。
在一种实施方式中，若是上述步骤5021中计算得到的vstp＝vref，则巡航子阶段对应的第三子时长Δt2＝0，则不存在巡航子阶段。
在一种实施方式中，若是上述步骤5020中计算得到的vstp≠vref，则可以根据上述步骤5024和步骤5026得到的加速段末速度、减速段速度变化量，确定巡航子阶段的巡航段速度变化量Δv2，可以通过如下方式进行计算：
Δv2＝vref-v1-Δv3
步骤5029：根据巡航段速度变化量以及巡航加速度，确定巡航子阶段的第三子时长。
具体的，第三子时长Δt2可以通过如下方式进行计算：
步骤503：基于加速阶段的期望运动状态，确定巡航速度。
通过上述的各个步骤，可以获得加速阶段对应的加速段期望运动状态，即上述的加速阶段的各个子阶段所需时长以及各状态参数的值，那么，通过得到的加速段期望运动状态，是可以确定加速阶段结束时刻的假定停止位置的，进而根据假定停止位置与避障飞行位置之间的比较结果，确定巡航速度。
具体的，根据上述的各个子阶段的时长、速度、加速度以及加加速度等，可以加速阶段结束时刻的假定停止位置pstp，计算假定停止位置与避障飞行位置之间的差值的符号，如下：
dp＝sign(pref-pstp)
其中，sign表示符号函数，若dp＞0，则巡航速度vcru＝vmax，否则，若dp＜0，则巡航速度vcru＝-vmax。
下面请继续参见图5。
步骤504：根据巡航速度，确定无人机的加速阶段对应的加速段估计时长和加速段目标运动状态。
具体的，根据巡航速度，采用速度设定法重新确定加速阶段对应的加速段估计时长和加速段目标运动状态，以及减速阶段对应的减速段估计时长和减速段目标运动状态。
针对加速阶段，将巡航速度作为速度设定法中的期望速度，再次执行上述速度设定法的过程，得到加速阶段对应的各个子阶段的子时长和运动状态，进而，根据这几个子阶段的子时长的总和得到加速段估计时长ta，以及根据上述的各个子阶段的时长、速度、加速度以及加加速度等，可以加速阶段结束时刻的加速段结束时刻位置pa。
针对减速阶段，即是将巡航速度作为初始速度，期望速度为零，再次执行上述速度设定法的过程，得到减速阶段对应的各个子阶段的子时长和运动状态，进而，根据这几个子阶段的子时长的总和得到减速段估计时长tb，以及根据上述的各个子阶段的时长、速度、加速度以及加加速度等，可以减速阶段结束时刻的加速段结束时刻位置pb。
由于该过程与上述过程类似，因而在此不再进行赘述。
步骤505：判断是否需要巡航阶段。
具体的，可以根据减速段运动状态中的减速结束时刻位置与避障飞行位置之间的差值确定是否需要巡航阶段，即判断采用上述得到的运动状态是否能够到达避障飞行位置，如果能够到达，则无需巡航阶段，若不能达到，则需要设置巡航阶段。
具体的，判断是否满足如下条件，来确定是否需要巡航阶段，条件为：
sign(pb-pref)·dp≤0
步骤506：若步骤505的结果为是，则基于加速段结束时刻位置确定巡航段时长。
若满足上述条件，则确定需要巡航阶段，则确定最终的加速段目标时长即为上述得到的加速段估计时长ta，减速段目标时长即为上述得到的加速段估计时长tb，以及巡航阶段对应的巡航段时长tcru通过如下方式进行计算：
步骤507：若步骤505的结果为否，则采用迭代二分法确定加速段目标时长和减速段目标时长。
而若是上述条件不满足，即若sign(pb-pref)·dp＞0，则表明已经超出了原本的避障飞行位置，从而无需巡航阶段，且上述得到的加速段时长和减速段时长也无法使用，需要重新进行确定。
在一种实施方式中，可以通过采用迭代二分法重新确定最终的加速段目标时长和减速段目标时长。参见图7所示，为迭代二分法的流程示意图，由于每次迭代过程均类似，因而这里具体以一次迭代为例进行介绍，一次迭代过程具体包括如下步骤：
步骤5071：基于本次迭代输入的第一时长变量和第二时长变量确定加速段更新时长，其中，第一时长变量的初始值为加速段估计时长，第二时长变量的值为零。
其中，第一时长变量为偏大值，第二时长变量为偏小值，初始化时设置第一时长变量tH＝ta，第二时长变量tL＝0，进而获得新的加速段更新时长
步骤5072：基于所述加速段更新时长，获得重新规划得到的减速结束时刻位置，即利用上述的速度设定法重新计算规划终点pb。
步骤5073：判断是否达到迭代终止条件，即更新后的减速结束时刻位置与避障飞行位置之间的差值是否小于预设阈值。
例如，设置预设阈值为0.01m，即可接受的规划误差为0.01m，从而判断是否满足如下迭代终止条件：
|pb-pref|＜0.01m
步骤5074：若不满足，更新查找条件，重新设定新的加速段更新时长，也就是说，基于更新后的减速结束时刻位置与避障飞行位置之间的差值，更新第一时长变量和第二时长变量，并重新设定加速段更新时长，直到迭代过程收敛，求得最终的加速段目标时长ta与减速段目标时长tb。
即，若sign(pb-pref)·dp＜0，则tL＝ta，否则若sign(pb-pref)·dp＞0，tH＝ta
步骤5075：若满足，则迭代过程收敛，确定加速段更新时长为加速段目标时长，以及根据加速段目标时长确定减速段目标时长。
下面请继续参见图5。
步骤508：根据上述得到的各个目标时长和目标运动状态，获得运动学规划结果。
通过上述的过程，则可以获得加速段目标时长、加速段目标运动状态、减速段目标时长、减速段目标运动状态以及巡航段时长，从而确定出每个时刻的运动状态，获得运动学规划结果，得到的运动学规划结果可用于后续的飞行控制。
本申请实施例中，上述的运动规划只是其中的一次运动规划过程，在实际应用过程中，可以根据实时的状态更新运动规划，以满足实际的飞行需求。并且，上述采用了速度设定法与位置设定法相结合的方法，利用解析式求解运动规划问题，无需求解多项式凸优化问题，大大节约计算资源，能够在极短的时间内计算满足无人机运动学约束的运动轨迹，可以部署在低算力飞控计算机中直接运行。
参见图8所示，为本申请实施例采用上述方法得到的仿真数据图。其中，该仿真数据是以初始位置为0、初始速度为0、初始加速度为0，期望位置为5，加速度模值最大值为5，加加速度模值最大值为15为例，经过上述运动规划算法得到。其中，横坐标为时长，纵坐标为各个参数的值，如其中时间为0～0.8为例，该阶段为加速阶段，可以看到在该阶段中，先采用正方向的最大加加速度进行增大加速度，再采用反方向的最大加加速度减小加速度，相应的，加速度的变化则是向匀速增大，经过一个加速度的巡航阶段(加速度不变)后，加速度匀速减小，而速度则是逐渐增加至巡航加速度，位置也是逐渐增加，其他阶段也依此类推。
综上所述，本申请实施例中，采用毫米波雷达将障碍物聚类为单个点，无需稠密点云信息，提高避障算法的实时性。以及，通过将无人机状态转换至无人机航迹坐标系内进行运动规划，使得无人机的轨迹能够实现相位同步，即在运动规划过程中将不会出现由于对无人机的不同方向分别进行规划而产生运动不同步的情况，例如无人机飞行轨迹出现曲线等不符合预期的规划结果，使无人机的运动规划问题可简化为单轴的规划问题，大大降低了算法的复杂度。并且，通过采用速度设定法与位置设定法在满足速度约束、加速度约束、加加速度约束的情况下，解析式求解运动规划结果，算法运算量小，实时性强，能够直接运行在飞控计算机中，无需额外配备专用的机载计算机，降低避障***成本与功耗。
请参见图9，基于同一发明构思，本申请实施例还提供了一种无人机的控制装置90，该装置包括：
检测单元901，用于根据无人机包括的各个传感器的检测数据，确定无人机的当前运动状态以及飞行方向上的障碍物信息；
避障单元902，用于根据障碍物信息以及无人机的目标飞行位置，确定无人机的避障飞行位置；
运动规划单元903，用于以无人机的最大速度、最大加速度和最大加加速度为约束，根据当前运动状态以及避障飞行位置，确定无人机到达避障飞行位置的运动学规划结果；
飞行控制单元904，用于根据运动学规划结果，控制无人机的飞行过程。
具体的，运动规划单元903，具体用于：
根据当前运动状态和避障飞行位置，以无人机的最大速度、最大加速度和最大加加速度为约束，确定无人机的巡航速度；
根据巡航速度，确定无人机的加速阶段对应的加速段估计时长和加速段目标运动状态，以及减速阶段对应的减速段估计时长和减速段目标运动状态；
在根据减速段运动状态中的减速结束时刻位置与避障飞行位置之间的差值确定需要巡航阶段时，根据差值确定巡航阶段对应的巡航段时长；
根据加速段时长、加速段目标运动状态、减速段时长、减速段目标运动状态以及巡航段时长，确定每个时刻的运动状态，获得运动学规划结果。
具体的，运动规划单元903，具体用于：
根据当前运动状态中的初始速度和初始加速度，以及最大加加速度和到达避障飞行位置时的期望加速度，确定假定停止速度；
根据假定停止速度与无人机到达避障飞行位置时的期望速度之间的比较结果，确定无人机的巡航加速度；
基于巡航加速度、初始速度和初始加速度，确定加速段期望运动状态；
基于加速段期望运动状态，确定加速阶段结束时刻的假定停止位置；
根据假定停止位置与避障飞行位置之间的比较结果，确定巡航速度。
具体的，运动规划单元903，具体用于：
若假定停止速度小于期望速度，则确定巡航加速度为最大加速度，且符号为正；
若假定停止速度大于期望速度，则确定巡航加速度为最大加速度，且符号为负。
具体的，运动规划单元903，具体用于：
根据巡航加速度与初始加速度之间的差值，确定加速阶段中加速子阶段的第一子时长；
根据巡航加速度与初始加速度之间的比较结果，确定无人机的在加速子阶段的加速段加加速度；
根据初始速度、初始加速度、第一子时长以及加速段加加速度，确定加速子阶段结束时刻的加速段末速度；
根据巡航加速度以及最大加加速度，确定加速阶段中减速子阶段和巡航子阶段的期望运动状态。
具体的，运动规划单元903，具体用于：
根据巡航加速度以及最大加加速度，确定减速子阶段的第二子时长；
根据巡航加速度的方向，确定减速子阶段的减速段加加速度；
根据巡航加速度、第二子时长以及减速段加加速度，确定减速子阶段的减速段速度变化量；
根据加速段末速度、减速段速度变化量以及期望速度，确定加速阶段中巡航子阶段的巡航段速度变化量；
根据巡航段速度变化量以及巡航加速度，确定巡航子阶段的第三子时长。
具体的，运动规划单元903，具体用于：
在根据减速段运动状态中的减速结束时刻位置与避障飞行位置之间的差值确定无需巡航阶段时，采用迭代二分法重新确定加速段目标时长和减速段目标时长；其中，在一次迭代中，包括如下步骤：
基于本次迭代输入的第一时长变量和第二时长变量确定加速段更新时长，其中，第一时长变量的初始值为加速段估计时长，第二时长变量的值为零；
基于加速段更新时长，更新减速结束时刻位置，并判断更新后的减速结束时刻位置与避障飞行位置之间的差值是否小于预设阈值；
若小于，确定加速段更新时长为加速段目标时长，以及根据加速段目标时长确定减速段目标时长；
若不小于，基于更新后的减速结束时刻位置与避障飞行位置之间的差值，更新第一时长变量和第二时长变量。
可选的，无人机包括设置于机头位置且朝向飞行方向的毫米波雷达传感器；
则避障单元902，具体用于：
基于毫米波雷达传感器检测的飞行方向上的传感器信号，确定飞行方向上各个障碍物的位置信息；
基于各个障碍物的位置信息，从各个障碍物中确定出与无人机距离最近的目标障碍物；
基于目标障碍物的位置信息以及目标飞行位置，确定避障飞行位置。
可选的，避障单元902，还用于：
基于接收的遥控装置发送的飞行控制量，确定目标飞行位置；或者，
基于设定的航点任务信息，确定目标飞行位置。
通过上述装置，采用毫米波雷达将障碍物聚类为单个点，无需稠密点云信息，提高避障算法的实时性。以及，通过采用速度设定法与位置设定法在满足速度约束、加速度约束、加加速度约束的情况下，解析式求解运动规划结果，算法运算量小，实时性强，能够直接运行在飞控计算机中，无需额外配备专用的机载计算机，降低避障***成本与功耗。
该装置可以用于执行本申请各实施例中所示的方法，因此，对于该装置的各功能模块所能够实现的功能等可参考前述实施例的描述，不多赘述。
请参见图10，基于同一技术构思，本申请实施例还提供了一种计算机设备100，该计算机设备100可以设置于无人机中，如无人机的飞控计算机，该计算机设备100可以包括存储器1001和处理器1002。
所述存储器1001，用于存储处理器1002执行的计算机程序。存储器1001可主要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***、至少一个功能所需的应用程序等；存储数据区可存储根据计算机设备的使用所创建的数据等。处理器1002，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等等。本申请实施例中不限定上述存储器1001和处理器1002之间的具体连接介质。本申请实施例在图10中以存储器1001和处理器1002之间通过总线1003连接，总线1003在图10中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线1003可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1001可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器1001也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器1001是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1001可以是上述存储器的组合。
处理器1002，用于调用所述存储器1001中存储的计算机程序时执行本申请各实施例中设备所执行的方法。
在一些可能的实施方式中，本申请提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行本申请各实施例中设备所执行的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (13)
1.一种无人机的控制方法，其特征在于，所述方法包括：
根据无人机包括的各个传感器的检测数据，确定所述无人机的当前运动状态以及飞行方向上的障碍物信息；
根据所述障碍物信息以及所述无人机的目标飞行位置，确定所述无人机的避障飞行位置；
以所述无人机的最大速度、最大加速度和最大加加速度为约束，根据所述当前运动状态以及所述避障飞行位置，确定所述无人机到达所述避障飞行位置的运动学规划结果；
根据所述运动学规划结果，控制所述无人机的飞行过程。
2.如权利要求1所述的方法，其特征在于，以所述无人机的最大速度、最大加速度和最大加加速度为约束，根据所述当前运动状态以及所述避障飞行位置，确定所述无人机到达所述避障飞行位置的运动学规划结果，包括：
根据所述当前运动状态和所述避障飞行位置，以所述无人机的最大速度、最大加速度和最大加加速度为约束，确定所述无人机的巡航速度；
根据所述巡航速度，确定所述无人机的加速阶段对应的加速段估计时长和加速段目标运动状态，以及减速阶段对应的减速段估计时长和减速段目标运动状态；
在根据所述减速段运动状态中的减速结束时刻位置与所述避障飞行位置之间的差值确定需要巡航阶段时，根据所述差值确定所述巡航阶段对应的巡航段时长；
根据所述加速段时长、所述加速段目标运动状态、所述减速段时长、所述减速段目标运动状态以及所述巡航段时长，确定每个时刻的运动状态，获得所述运动学规划结果。
3.如权利要求2所述的方法，其特征在于，所述根据无人机的期望位置和当前运动状态，以所述无人机的最大速度、最大加速度和最大加加速度为约束，确定所述无人机的巡航速度，包括：
根据所述当前运动状态中的初始速度和初始加速度，以及所述最大加加速度和到达所述避障飞行位置时的期望加速度，确定假定停止速度；
根据所述假定停止速度与所述无人机到达所述避障飞行位置时的期望速度之间的比较结果，确定所述无人机的巡航加速度；
基于所述巡航加速度、所述初始速度和所述初始加速度，确定加速段期望运动状态；
基于所述加速段期望运动状态，确定所述加速阶段结束时刻的假定停止位置；
根据所述假定停止位置与所述避障飞行位置之间的比较结果，确定所述巡航速度。
4.如权利要求3所述的方法，其特征在于，根据所述假定停止速度与所述无人机到达所述避障飞行位置时的期望速度之间的比较结果，确定所述无人机的巡航加速度，包括：
若所述假定停止速度小于所述期望速度，则确定巡航加速度为所述最大加速度，且符号为正；
若所述假定停止速度大于所述期望速度，则确定所述巡航加速度为所述最大加速度，且符号为负。
5.如权利要求3所述的方法，其特征在于，基于所述巡航加速度、所述初始速度和所述初始加速度，确定加速段期望运动状态，包括：
根据所述巡航加速度与所述初始加速度之间的差值，确定所述加速阶段中加速子阶段的第一子时长；
根据巡航加速度与所述初始加速度之间的比较结果，确定无人机的在所述加速子阶段的加速段加加速度；
根据所述初始速度、所述初始加速度、所述第一子时长以及所述加速段加加速度，确定所述加速子阶段结束时刻的加速段末速度；
根据所述巡航加速度以及所述最大加加速度，确定所述加速阶段中减速子阶段和巡航子阶段的期望运动状态。
6.如权利要求3所述的方法，其特征在于，根据所述巡航加速度以及所述最大加加速度，确定所述加速阶段中减速子阶段和巡航子阶段的期望运动状态，包括：
根据所述巡航加速度以及所述最大加加速度，确定所述减速子阶段的第二子时长；
根据所述巡航加速度的方向，确定所述减速子阶段的减速段加加速度；
根据所述巡航加速度、所述第二子时长以及所述减速段加加速度，确定所述减速子阶段的减速段速度变化量；
根据所述加速段末速度、减速段速度变化量以及所述期望速度，确定所述加速阶段中巡航子阶段的巡航段速度变化量；
根据所述巡航段速度变化量以及所述巡航加速度，确定所述巡航子阶段的第三子时长。
7.如权利要求2所述的方法，其特征在于，在根据所述巡航速度，确定所述无人机的加速阶段对应的加速段估计时长和加速段目标运动状态，以及减速阶段对应的减速段估计时长和减速段目标运动状态之后，所述方法还包括：
在根据所述减速段运动状态中的减速结束时刻位置与所述避障飞行位置之间的差值确定无需巡航阶段时，采用迭代二分法重新确定加速段目标时长和减速段目标时长；其中，在一次迭代中，包括如下步骤：
基于本次迭代输入的第一时长变量和第二时长变量确定加速段更新时长，其中，所述第一时长变量的初始值为所述加速段估计时长，所述第二时长变量的值为零；
基于所述加速段更新时长，更新减速结束时刻位置，并判断更新后的减速结束时刻位置与所述避障飞行位置之间的差值是否小于预设阈值；
若小于，确定所述加速段更新时长为加速段目标时长，以及根据所述加速段目标时长确定所述减速段目标时长；
若不小于，基于更新后的减速结束时刻位置与所述避障飞行位置之间的差值，更新所述第一时长变量和所述第二时长变量。
8.如权利要求1～7任一所述的方法，其特征在于，所述无人机包括设置于机头位置且朝向所述飞行方向的毫米波雷达传感器；
则根据所述障碍物信息以及所述无人机的目标飞行位置，确定所述无人机的避障飞行位置，包括：
基于所述毫米波雷达传感器检测的所述飞行方向上的传感器信号，确定所述飞行方向上各个障碍物的位置信息；
基于所述各个障碍物的位置信息，从所述各个障碍物中确定出与所述无人机距离最近的目标障碍物；
基于所述目标障碍物的位置信息以及所述目标飞行位置，确定所述避障飞行位置。
9.如权利要求8所述的方法，其特征在于，在基于所述目标障碍物的位置信息以及所述目标飞行位置，确定所述避障飞行位置之前，所述方法还包括：
基于接收的遥控装置发送的飞行控制量，确定所述目标飞行位置；或者，
基于设定的航点任务信息，确定所述目标飞行位置。
10.一种无人机的控制装置，其特征在于，所述装置包括：
检测单元，用于根据无人机包括的各个传感器的检测数据，确定所述无人机的当前运动状态以及飞行方向上的障碍物信息；
避障单元，用于根据所述障碍物信息以及所述无人机的目标飞行位置，确定所述无人机的避障飞行位置；
运动规划单元，用于以所述无人机的最大速度、最大加速度和最大加加速度为约束，根据所述当前运动状态以及所述避障飞行位置，确定所述无人机到达所述避障飞行位置的运动学规划结果；
飞行控制单元，用于根据所述运动学规划结果，控制所述无人机的飞行过程。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述计算机程序时实现权利要求1至9任一项所述方法的步骤。
12.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，
该计算机程序指令被处理器执行时实现权利要求1至9任一项所述方法的步骤。
13.一种计算机程序产品，包括计算机程序指令，其特征在于，
该计算机程序指令被处理器执行时实现权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111555008.0A CN114527783A (zh) | 2021-12-17 | 2021-12-17 | 无人机的控制方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111555008.0A CN114527783A (zh) | 2021-12-17 | 2021-12-17 | 无人机的控制方法、装置、设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114527783A true CN114527783A (zh) | 2022-05-24 |
Family
ID=81618939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111555008.0A Pending CN114527783A (zh) | 2021-12-17 | 2021-12-17 | 无人机的控制方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114527783A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108124472A (zh) * | 2017-12-26 | 2018-06-05 | 深圳市道通智能航空技术有限公司 | 一种闪避障碍物的方法、装置及飞行器 |
| CN108594849A (zh) * | 2018-04-10 | 2018-09-28 | 深圳市易飞行科技有限公司 | 一种基于毫米波雷达的无人机避障方法 |
| CN110687923A (zh) * | 2019-11-08 | 2020-01-14 | 深圳市道通智能航空技术有限公司 | 无人机长距离循迹飞行方法、装置、设备及存储介质 |
| US10679509B1 (en) * | 2016-09-20 | 2020-06-09 | Amazon Technologies, Inc. | Autonomous UAV obstacle avoidance using machine learning from piloted UAV flights |
| CN111766891A (zh) * | 2019-05-23 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 用于控制无人机飞行的方法和装置 |
| CN113655810A (zh) * | 2021-08-20 | 2021-11-16 | 上海微电机研究所(中国电子科技集团公司第二十一研究所) | 一种基于速度势场的无人机避障方法和*** |
-
2021
- 2021-12-17 CN CN202111555008.0A patent/CN114527783A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10679509B1 (en) * | 2016-09-20 | 2020-06-09 | Amazon Technologies, Inc. | Autonomous UAV obstacle avoidance using machine learning from piloted UAV flights |
| US11087632B1 (en) * | 2016-09-20 | 2021-08-10 | Amazon Technologies, Inc. | Autonomous UAV obstacle avoidance using machine learning from piloted UAV flights |
| CN108124472A (zh) * | 2017-12-26 | 2018-06-05 | 深圳市道通智能航空技术有限公司 | 一种闪避障碍物的方法、装置及飞行器 |
| CN108594849A (zh) * | 2018-04-10 | 2018-09-28 | 深圳市易飞行科技有限公司 | 一种基于毫米波雷达的无人机避障方法 |
| CN111766891A (zh) * | 2019-05-23 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 用于控制无人机飞行的方法和装置 |
| CN110687923A (zh) * | 2019-11-08 | 2020-01-14 | 深圳市道通智能航空技术有限公司 | 无人机长距离循迹飞行方法、装置、设备及存储介质 |
| WO2021088681A1 (zh) * | 2019-11-08 | 2021-05-14 | 深圳市道通智能航空技术股份有限公司 | 无人机长距离循迹飞行方法、装置、设备及存储介质 |
| CN113655810A (zh) * | 2021-08-20 | 2021-11-16 | 上海微电机研究所(中国电子科技集团公司第二十一研究所) | 一种基于速度势场的无人机避障方法和*** |
Non-Patent Citations (2)
| Title |
|---|
| 樊宝安;曾桂根;: "四旋翼无人机巡航飞行模式下的自主避障方案设计", 电子设计工程, no. 02, 20 January 2020 (2020-01-20) * |
| 胡中华;赵敏;: "无人飞行器在线航迹规划技术研究", 航天电子对抗, no. 04, 30 August 2010 (2010-08-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10276051B2 (en) | Dynamic collision-avoidance system and method | |
| KR102569218B1 (ko) | 무인 항공기의 충돌 회피 시스템 및 방법 | |
| Yang et al. | A 3D collision avoidance strategy for UAVs in a non-cooperative environment | |
| US11161611B2 (en) | Methods and systems for aircraft collision avoidance | |
| Oettershagen et al. | Robotic technologies for solar‐powered UAVs: fully autonomous updraft‐aware aerial sensing for multiday search‐and‐rescue missions | |
| EP3128386A1 (en) | Method and device for tracking a moving target from an air vehicle | |
| Becker et al. | In-flight collision avoidance controller based only on OS4 embedded sensors | |
| Stanculeanu et al. | Quadrotor black-box system identification | |
| Iwaneczko et al. | A prototype of unmanned aerial vehicle for image acquisition | |
| CN112306087A (zh) | 生成飞行路径以导航飞行器的***和方法 | |
| US20240076066A1 (en) | Fixed-wing unmanned aerial vehicle capable of high angle-of-attack maneuvering | |
| Chen et al. | A self-rotating, single-actuated UAV with extended sensor field of view for autonomous navigation | |
| Keshmiri et al. | Flight test validation of collision and obstacle avoidance in fixed-wing UASs with high speeds using morphing potential field | |
| Lin et al. | A fast obstacle collision avoidance algorithm for fixed wing uas | |
| WO2022044533A1 (ja) | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 | |
| WO2022126396A1 (zh) | 状态信息确定方法、装置、平台及计算机可读存储介质 | |
| Hoy et al. | Collision-free navigation of an autonomous unmanned helicopter in unknown urban environments: sliding mode and MPC approaches | |
| Pestana et al. | A general purpose configurable navigation controller for micro aerial multirotor vehicles | |
| EP2947008A2 (en) | Terrain adaptive flight control | |
| Rossouw et al. | An open-source autopilot and source localisation for bio-inspired miniature blimps | |
| CN114527783A (zh) | 无人机的控制方法、装置、设备及计算机存储介质 | |
| Ke et al. | Model based robust forward transition control for tail-sitter hybrid unmanned aerial vehicles | |
| CN115485194A (zh) | 节省uav能量消耗和提高其悬停精度的方法 | |
| US20240061449A1 (en) | Systems and Methods for High-speed Geofencing | |
| Yu et al. | A nonlinear trajectory tracking controller for helicopters: Design and experimental evaluation |
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 |