CN114967728B - 一种无人机集群协同搜索方法 - Google Patents
一种无人机集群协同搜索方法 Download PDFInfo
- Publication number
- CN114967728B CN114967728B CN202210182128.9A CN202210182128A CN114967728B CN 114967728 B CN114967728 B CN 114967728B CN 202210182128 A CN202210182128 A CN 202210182128A CN 114967728 B CN114967728 B CN 114967728B
- Authority
- CN
- China
- Prior art keywords
- grid
- unmanned aerial
- aerial vehicle
- target
- probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012790 confirmation Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 241000333483 Pollenia rudis Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 101150066718 FMOD gene Proteins 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect 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
- G05D1/104—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)
- Instructional Devices (AREA)
Abstract
本发明提供了一种无人机集群协同搜索方法,包括步骤:集群中每一架无人机对搜索区域的地图进行栅格化并编码;确定扫描搜寻角度;每一架无人机对扫描搜索区域中的可疑目标进行识别并进行经纬度定位解算获取可疑目标的经纬度点,并根据该可疑目标的经纬度点对可疑目标进行编码解算,将定位出来的目标信息再编码到栅格中,对整个栅格的概率分布进行更新;获取每一架无人机的融合概率分布图;根据权重高的栅格解码出地理信息后,各无人机再进行小范围的探视扫描,若识别置信度超过某个阀值,即确认目标。本方法可以精准定位目标的地理位置。
Description
技术领域
本发明涉及无人机目标搜寻技术领域,具体涉及一种无人机集群协同搜索方法。
背景技术
目前,无人机在搜寻目标时,往往都是靠一架机子去搜寻目标,一架机子搜寻时,若目标太小,会出现搜寻误差,往往会导致搜寻不到目标,或目标定位不精准。而用集群进行区域搜索的方法中,大部分方法的计算比较复杂,这样当集群数量比较庞大,那么计算会呈***式增长,复杂主要体现在融合以及更新各机的概率密度算法上,其次大多数方法并没有考虑实现过程中各机子通过集群数据链传输时出现的数据限制等问题,实际上现在大多数方法在更新概率密度上需要交互的信息和数据比较多,往往会占满数据链带宽。
发明内容
基于现有技术存在的问题和不足,本申请提供了一种无人机集群协同搜索方法,更新和融合方法简单,而且传输量极其小,具有高效实用的特性。
具体技术方案如下:
一种无人机集群协同搜索方法,其特征在于,包括步骤:
S1,集群中每一架无人机对搜索区域的地图进行栅格化,然后对每个栅格根据地理经纬度进行编码;
S2,集群中的每一架无人机根据航线方向确定一相对于航线方向的扫描搜寻角度,该扫描搜寻角度由吊舱转动一定角度实现;
S3,集群中的每一架无人机对扫描搜索区域中的可疑目标进行识别并进行经纬度定位解算获取可疑目标的经纬度样本点,并根据该可疑目标的经纬度样本点对可疑目标进行编码解算,将定位出来的目标信息再编码到栅格中,再利用概率算法对整个栅格的概率分布进行更新;
S4,通过融合算法,获取每一架无人机的融合概率分布图;
S5,按照优先级分配各自侦查的区域,根据权重高的栅格解码出地理信息后,各无人机再进行小范围的探视扫描,若识别置信度超过某个阀值,即确认目标。
进一步地,步骤S1中,编码的方法包括步骤:
S11,获取搜索区域的长和宽及希望每个栅格的边长大小;
S12,根据ceilf函数获取在搜索区域长方向上的栅格数和宽方向的栅格数及整个搜索区域的栅格数。
进一步地,步骤S3中,根据该可疑目标的经纬度点对可疑目标进行编码解算的方法包括步骤:
S11,以搜索区域的中心点在大地坐标系下的经纬度作为搜索区域坐标系的基准点,将解算的样本点与基准点进行坐标系变换,将样本点转化为搜索区域大地坐标系下的坐标点(body-x,body-y);
S12,对所述坐标值(body-x,body-y)进行编码,获取对应AI解算的样本点在区域坐标系中的栅格编码号。
进一步地,对所述坐标值(body-x,body-y)进行编码时采用ceilf函数进行编码。
进一步地,步骤S4中通过融合算法,获取每一架无人机的概率分布图的方法包括:
集群中其余的无人机将发现可疑目标的权重最大的n个栅格的概率值以及总样本数传输给某一的无人机,该无人机收到概率值以及总样本数后,将传过来的n个栅格中每个栅格的样本总量与本机在该栅格上的样本总量进行相加后再除以总样本数,得到该栅格最新的概率值,按照此无人机获取新的概率值的方法,其余无人机也获取新的概率值,获得融合概率分布图。
进一步地,步骤S5的具体方法包括步骤:
S51,将获取的新的融合概率分布中选取权重最大的n个点;
S52,令机号靠前的飞机向权重高的栅格去进一步锁定,根据栅格编号计算出栅格的某一边缘点,然后让该无人机进行悬停扫描完该栅格,集群中所有无人机在该栅格中进行来回飞行确认,更新概率权重;
S53,当其中一个栅格的概率达到某一阈值后,引导其余无人机到该栅格进行确认,锁定该目标;
S54,锁定目标后,将所有无人机对目标物解算的位置做均值处理,获得搜索目标的地理位置。
进一步地,n等于无人机数量乘以2。
进一步地,所述阈值取值>90%。
进一步地,当其中一个栅格的概率超过某一阈值后,引导其余无人机到该栅格进行确认的方法包括步骤:
a1,获取当前栅格的编号;
a2,将编号进行反编码,反算出此时区域坐标系下的当前栅格的大地坐标系下的坐标值(body-x,body-y);
a3,将坐标值(body-x,body-y)进行坐标系的映射,反变换成大地坐标系下的经纬度值(lat,lng);
a4,输出地理坐标(lat,lng)给到其余无人机进行目标锁定。
所述反解码方法包括步骤:
a21,获取该栅格编号对应的区域坐标(body-x)的值,具体方法包括将栅格编号除以搜索区域长度,然后乘以栅格的度量后加上矩形区域A点的x方向坐标;获取该栅格编号对应的区域坐标(body-y)的值,具体方法包括将栅格编号除以搜索区域宽度,然后乘以栅格度量值后加上A点的y方向坐标;
a22,根据区域中心的地理坐标及区域坐标系与大地坐标系的偏航夹角,通过坐标系的旋转变换获取该栅格对应的地理坐标系的x,y值。
有益效果:上述技术方案中的方法可以通过无人机集群搜索目标、定位目标及精准定位目标的地理位置,而且更新和融合方法简单,而且传输量极其小,具有高效实用的特性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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获得其它的附图。
图1为本发明的方法流程图;
图2为本实施例的无人机A和B的航向及扫描角度示意图;
图3为本发明的步骤S5的具体方法流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。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。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。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。
如图1所示,一种无人机集群协同搜索方法,包括步骤:
S1,集群中每一架无人机对搜索区域的地图进行栅格化,然后对每个栅格根据地理经纬度进行编码;
具体的,本步骤中,编码的方法包括:
S11,获取搜索区域的长和宽及希望每个栅格的边长大小;
S12,根据ceilf函数输出在搜索区域长方向上的栅格数和宽方向的栅格数及整个搜索区域的栅格数。
具体的,此时的ceilf函数可采用:
x_num=ceilf(A_B_length/AFTERWIND_PICTURE_LENGTH);
y_num=ceilf(B_C_length/AFTERWIND_PICTURE_LENGTH);
本公式中的输入A_B_length和B_C_length分别表示搜索区域的长和宽,AFTERWIND_PICTURE_LENGTH表示希望每个栅格的边长大小,对应输出 x_num和y_num分别表示长方向上有多少个栅格以及宽方向有多少个栅格,整个区域的总栅格数等于x_num*y_num。
其中ceilf是一个向上的函数取整操作。
S2,集群中的每一架无人机根据航线方向确定一相对于航线方向的扫描搜寻角度,该扫描搜寻角度由吊舱转动一定角度实现;
具体的,如图2所示,无人机A和B的扫描搜寻角度分别如图中的α角和β角,α角和β角位于无人机航线方向的一侧,当然,原则上搜寻角度越大越好,但是要由吊舱转动的角度及摄像头的视场角决定,通过无人机上的摄像头进行某个目标区域内的目标物的搜寻。
S3,集群中无人机在航线上互相扫描,集群中的每一架无人机对扫描搜索区域中的可疑目标进行识别并进行经纬度定位解算获取可疑目标的经纬度点,并根据该可疑目标的经纬度点对可疑目标进行编码解算,将定位出来的目标信息再编码到栅格中,再利用概率算法对整个栅格的概率分布进行更新;
如图3所示,根据该可疑目标的经纬度点对可疑目标进行编码解算的方法包括步骤:
S31,以搜索区域的中心点在大地坐标系下的经纬度作为搜索区域坐标系的基准点,将AI解算的样本点与基准点进行坐标系变换,将样本点转化为搜索区域坐标系下的坐标点(body-x,body-y);例如,整个搜索区域为矩形,每个栅格也为矩形。
S32,以搜索区域的一个边缘点为参考点,获取AI解算的坐标点(body-x, body-y)在搜索区域坐标系中的坐标值,将所述坐标值输入下面的编码函数,输出对应该AI解算点在区域坐标系中的栅格编码号。
这时的函数也采用ceilf函数,具体的函数形式为:
output_grid_num=ceilf((ai_target_raw_data_body.y- rectangle_A_body.y) /AFTERWIND_PICTURE_LENGTH)+(ceilf((ai_target_raw_data_body.x-rectangle_B_body.x)/AFTERWIND_PICTURE_LENGTH)-1)*x_num,其中,A表示以搜索区域为矩形中的一个顶点A为基准点,按照逆时针的顺序其余四个顶点依次为 BCD的,rectangle_A_body.y表示A点在该搜索区域中心为原点的坐标系中的坐标y值,同理rectangle_B_body.x表示B点的x值, ai_target_raw_data_body.y和ai_target_raw_data_body.x表示AI解算的坐标点在搜索区域坐标系中的坐标值,将上述坐标值输入output_grid_num 函数,输出即为对应该AI解算点在区域坐标系中的栅格编码号。
S12,以搜索区域的一个边缘点为参考点,将坐标点(body-x,body-y) 输入到编码公式,其中,编码公式为:
output_grid_num=ceilf((ai_target_raw_data_body.y- rectangle_A_body.y) /AFTERWIND_PICTURE_LENGTH)+(ceilf((ai_target_raw_data_body.x-rectangle_B_body.x)/AFTERWIND_PICTURE_LENGTH)-1)*x_num;
其中output_grid_num是可疑目标物体在某个栅格内的编号,本方法实际上是不断的对数据进行一个压缩的过程,也就是首先把目标物的位置进行定位,定位出来的信息再编码到栅格中,然后每个无人机飞完一遍该区域,每个格图中就会有对应的样本数,然后利用概率算法把整个栅格的概率分布进行一个更新。
S4,通过融合算法,获取每一架无人机的融合概率分布图;
由于每架无人机对位置区域的扫描的结果是不一样的,所以概率分布图也是不一样的,正常情况下在一片未知区域中,要做到数据共享,需要大量的数据传输。因为一个架次扫描过后,对这片区域的样本点可能数以万计,而本实施例的方法可以通过小数据量的传输,来达到同步概率图融合的方式。
具体的,集群中其余的无人机将发现可疑目标的权重最大的n个栅格的概率值以及总样本数传输给某一的无人机,该无人机收到概率值以及总样本数后,将传过来的n个栅格中每个栅格的样本总量与本机在该栅格上的样本总量进行相加后再除以总样本数,得到该栅格最新的概率值,另外,其余无人机获取新的概率值与此无人机获取新的概率值的方法相同,因此即可获得融合概率分布图,概率图融合后,集群中每一架机子对这个地图的概率分布都是均等的。
S5,按照优先级分配各自侦查的区域,根据权重高的栅格解码出地理信息后,各无人机再进行小范围的探视扫描,若识别置信度超过某个阀值,即确认目标。
如图3所示,步骤S5的具体方法包括步骤:
S51,将获取的新的融合概率分布中选取权重最大的n个点;
S52,令机号靠前的飞机向权重高的栅格去进一步锁定,根据栅格编号计算出栅格的某一边缘点,然后让该无人机进行悬停扫描完该栅格,集群中所有无人机在该栅格中进行来回飞行确认,更新概率权重;
S53,当其中一个栅格的概率达到某一阈值后,引导其余无人机到该栅格进行确认,锁定该目标;
S54,锁定目标后,将所有无人机对目标物解算的位置做均值处理,获得搜索目标的地理位置。
本步骤在实施时,可以将获取的新的融合概率分布中选取权重最大的n 个点,n可以选择等于无人机数量乘以2,然后机号靠前的飞机去权重高的地方去进一步锁定,其中,锁定范围为该栅格,然后根据栅格编号计算出栅格的四个顶点,然后让该无人机进行悬停,控制吊舱看向这几个顶点,由于视场角覆盖的关系,所以必然会扫描完这个栅格,此时,当集群中所有无人机在该栅格中进行来回飞行确认后,概率权重会不断被更新,当其中一个栅格的概率某一阈值后,例如阈值取值>90%,引导其余无人机到该栅格进行确认,最终锁定目标后将所有无人机对目标物解算的位置做均值处理,获得搜索目标的地理位置。
另外,当其中一个栅格的概率超过某一阈值后,引导其余无人机到该栅格进行确认中的引导方法包括步骤:
a1,获取当前栅格的编号;
a2,将编号进行反编码,反算出此时区域坐标系下的当前栅格的地理位置坐标值(body-x,body-y);
a3,将坐标值(body-x,body-y)的值进行坐标系的映射,反变换成大地坐标系下的经纬度值(lat,lng);
a4,输出地理坐标(lat,lng)给到其余无人机进行目标锁定。
其中,所述反解码方法包括步骤:
a21,获取该栅格编号对应的区域坐标(body-x)的值,具体方法包括将栅格编号除以搜索区域长度,然后乘以栅格的度量后加上矩形区域A点的x方向坐标;获取该栅格编号对应的区域坐标(body-y)的值,具体方法包括将栅格编号除以搜索区域宽度,然后乘以栅格度量值后加上A点的y方向坐标;
a22,根据区域中心的地理坐标及区域坐标系与大地坐标系的偏航夹角,通过坐标系的旋转变换获取该栅格对应的地理坐标系的x,y值。
具体的,可采用以下反编码函数进行反编码:
.if(is_zero(fmod(output_grid_num,x_num))){
decode_probability_target_body.x=(output_grid_num/x_num)* AFTERWIND_PICTURE_LENGTH+rectangle_B_body.x;
decode_probability_target_body.y=x_num* AFTERWIND_PICTURE_LENGTH+rectangle_A_body.y;}
else{
decode_probability_target_body.x= (floor((output_grid_num)/x_num)+1)*AFTERWIND_PICTURE_LENGTH+ rectangle_B_body.x;
decode_probability_target_body.y=fmod(output_grid_num,x_num)*AFTERWIND_PICTURE_LENGTH+rectangle_A_body.y;
decode_probability_target_ned.x= decode_probability_target_body.x*cosf(dir_bearing)- decode_probability_target_body.y*sinf(dir_bearing)+random_point_final_center.x*100.0f;
decode_probability_target_ned.y= decode_probability_target_body.x*sinf(dir_bearing)+ decode_probability_target_body.y*cosf(dir_bearing)+random_point_final_center.y*100.0f;
其中output_grid_num表示输出的栅格编号,那么首先算法公式会先判断output_grid_num是否能先整除x_num,如果能整除进入第一种情况的解算, rectangle_B_body.x和AFTERWIND_PICTURE_LENGTH都和上述释义一致,算法输出的decode_probability_target_body.x
和decode_probability_target_body.y为区域坐标系下栅格编号对应的 x,y值;
random_point_final_center.x和random_point_final_center.y为区域中心的地理坐标,dir_bearing为区域坐标系与大地坐标系的偏航夹角,把
decode_probability_target_body.x
和decode_probability_target_body.y
通过以下公式坐标系的旋转变换就能转换
decode_probability_target_ned.x
和decode_probability_target_ned.y为该栅格对应的地理坐标系的x,y 值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种无人机集群协同搜索方法,其特征在于,包括步骤:
S1,集群中每一架无人机对搜索区域的地图进行栅格化,然后对每个栅格根据地理经纬度进行编码;
S2,集群中的每一架无人机根据航线方向确定一相对于航线方向的扫描搜寻角度,该扫描搜寻角度由吊舱转动一定角度实现;
S3,集群中的每一架无人机对扫描搜索区域中的可疑目标进行识别并进行经纬度定位解算获取可疑目标的经纬度样本点,并根据该可疑目标的经纬度样本点对可疑目标进行编码解算,将定位出来的目标信息再编码到栅格中,再利用概率算法对整个栅格的概率分布进行更新;
S4,通过融合算法,获取每一架无人机的融合概率分布图;
S5,按照优先级分配各自侦查的区域,根据权重高的栅格解码出地理信息后,各无人机再进行小范围的探视扫描,若识别置信度超过某个阈值,即确认目标;
步骤S4中通过融合算法,获取每一架无人机的概率分布图的方法包括:
集群中其余的无人机将发现可疑目标的权重最大的n个栅格的概率值以及总样本数传输给某一的无人机,该无人机收到概率值以及总样本数后,将传过来的n个栅格中每个栅格的样本总量与本机在该栅格上的样本总量进行相加后再除以总样本数,得到该栅格最新的概率值,按照此无人机获取新的概率值的方法,其余无人机也获取新的概率值,获得融合概率分布图;
步骤S5的具体方法包括步骤:
S51,将获取的新的融合概率分布中选取权重最大的n个点;
S52,令机号靠前的飞机向权重高的栅格去锁定,根据栅格编号计算出栅格的某一边缘点,然后让该无人机进行悬停扫描完该栅格,集群中所有无人机在该栅格中进行来回飞行确认,更新概率权重;
S53,当其中一个栅格的概率达到某一阈值后,引导其余无人机到该栅格进行确认,锁定该目标;
S54,锁定目标后,将所有无人机对目标物解算的位置做均值处理,获得搜索目标的地理位置。
2.如权利要求1所述的无人机集群协同搜索方法,其特征在于:步骤S1中,编码的方法包括步骤:
S11,获取搜索区域的长和宽及希望每个栅格的边长大小;
S12,根据ceilf函数获取在搜索区域长方向上的栅格数和宽方向的栅格数及整个搜索区域的栅格数。
3.如权利要求1所述的无人机集群协同搜索方法,其特征在于,步骤S3中,根据该可疑目标的经纬度点对可疑目标进行编码解算的方法包括步骤:
S31,以搜索区域的中心点在大地坐标系下的经纬度作为搜索区域坐标系的基准点,将解算的样本点与基准点进行坐标系变换,将样本点转化为搜索区域大地坐标系下的坐标点(body-x,body-y);
S32,对坐标值(body-x,body-y)进行编码,获取对应AI解算的样本点在区域坐标系中的栅格编码号。
4.如权利要求3所述的无人机集群协同搜索方法,其特征在于,对所述坐标值(body-x,body-y)进行编码时采用ceilf函数进行编码。
5.如权利要求1所述的无人机集群协同搜索方法,其特征在于:n等于无人机数量乘以2。
6.如权利要求1所述的无人机集群协同搜索方法,其特征在于:所述阈值取值>90%。
7.如权利要求1所述的无人机集群协同搜索方法,其特征在于,当其中一个栅格的概率超过某一阈值后,引导其余无人机到该栅格进行确认的方法包括步骤:
a1,获取当前栅格的编号;
a2,将编号进行反编码,反算出此时区域坐标系下的当前栅格的大地坐标系下的坐标值(body-x,body-y);
a3,将坐标值(body-x,body-y)进行坐标系的映射,反变换成大地坐标系下的经纬度值(lat,lng);
a4,输出地理坐标(lat,lng)给到其余无人机进行目标锁定。
8.如权利要求7所述的无人机集群协同搜索方法,其特征在于:所述反编码包括步骤:
a21,获取该栅格编号对应的区域坐标(body-x)的值,具体方法包括将栅格编号除以搜索区域长度,然后乘以栅格的度量后加上矩形区域A点的x方向坐标;获取该栅格编号对应的区域坐标(body-y)的值,具体方法包括将栅格编号除以搜索区域宽度,然后乘以栅格度量值后加上A点的y方向坐标;
a22,根据区域中心的地理坐标及区域坐标系与大地坐标系的偏航夹角,通过坐标系的旋转变换获取该栅格对应的地理坐标系的x,y值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182128.9A CN114967728B (zh) | 2022-02-25 | 2022-02-25 | 一种无人机集群协同搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182128.9A CN114967728B (zh) | 2022-02-25 | 2022-02-25 | 一种无人机集群协同搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114967728A CN114967728A (zh) | 2022-08-30 |
CN114967728B true CN114967728B (zh) | 2023-03-31 |
Family
ID=82976692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210182128.9A Active CN114967728B (zh) | 2022-02-25 | 2022-02-25 | 一种无人机集群协同搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114967728B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830883B (zh) * | 2024-03-04 | 2024-05-31 | 成都庆龙航空科技有限公司 | 一种无人机的瞄准方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
CN108832997A (zh) * | 2018-08-07 | 2018-11-16 | 湖南华诺星空电子技术有限公司 | 一种无人机群搜索救援方法及*** |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和*** |
CN111474953A (zh) * | 2020-03-30 | 2020-07-31 | 清华大学 | 多动态视角协同的空中目标识别方法及*** |
CN112363539A (zh) * | 2020-11-18 | 2021-02-12 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112486987A (zh) * | 2020-11-27 | 2021-03-12 | 北京三快在线科技有限公司 | 基于经纬度的城市查询方法、装置、设备及存储介质 |
CN213750765U (zh) * | 2020-12-25 | 2021-07-20 | 南京信息工程大学 | 一种用于协同搜索视觉无人机及协同搜索平台 |
JP2021135473A (ja) * | 2020-02-28 | 2021-09-13 | 株式会社日立製作所 | 捜索支援システム、捜索支援方法 |
CN113961018A (zh) * | 2021-12-21 | 2022-01-21 | 浙江这里飞科技有限公司 | 一种无人机碰撞风险的确定方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7038681B2 (en) * | 2000-03-29 | 2006-05-02 | Sourceprose Corporation | System and method for georeferencing maps |
CN106354735A (zh) * | 2015-07-22 | 2017-01-25 | 杭州海康威视数字技术股份有限公司 | 一种图像中目标的检索方法和装置 |
-
2022
- 2022-02-25 CN CN202210182128.9A patent/CN114967728B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
CN108832997A (zh) * | 2018-08-07 | 2018-11-16 | 湖南华诺星空电子技术有限公司 | 一种无人机群搜索救援方法及*** |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和*** |
JP2021135473A (ja) * | 2020-02-28 | 2021-09-13 | 株式会社日立製作所 | 捜索支援システム、捜索支援方法 |
CN111474953A (zh) * | 2020-03-30 | 2020-07-31 | 清华大学 | 多动态视角协同的空中目标识别方法及*** |
CN112363539A (zh) * | 2020-11-18 | 2021-02-12 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112486987A (zh) * | 2020-11-27 | 2021-03-12 | 北京三快在线科技有限公司 | 基于经纬度的城市查询方法、装置、设备及存储介质 |
CN213750765U (zh) * | 2020-12-25 | 2021-07-20 | 南京信息工程大学 | 一种用于协同搜索视觉无人机及协同搜索平台 |
CN113961018A (zh) * | 2021-12-21 | 2022-01-21 | 浙江这里飞科技有限公司 | 一种无人机碰撞风险的确定方法及装置 |
Non-Patent Citations (2)
Title |
---|
Soheila Ghambari 等.UAV path planning in the presence of static and dynamic obstacles.2020 IEEE Symposium Series on Computational Intelligence (SSCI).2021,第465-472页. * |
梅粲文 等.小型无人机发动机控制器的研究与设计.计算机工程与设计.2017,第38卷(第38期),第749-755页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114967728A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598823B (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN107230251B (zh) | 创建3d城市模型的方法和混合3d成像装置及存储介质 | |
Hebel et al. | Simultaneous calibration of ALS systems and alignment of multiview LiDAR scans of urban areas | |
US7642953B2 (en) | Method and apparatus for three dimensional tomographic image reconstruction of objects | |
CN109919237B (zh) | 点云处理方法及装置 | |
US20220365186A1 (en) | Automatic detection of a calibration standard in unstructured lidar point clouds | |
CN114066960B (zh) | 三维重建方法、点云融合方法、装置、设备及存储介质 | |
CN114967728B (zh) | 一种无人机集群协同搜索方法 | |
CN109668567B (zh) | 无人机多云条件下偏振光定向方法、***及偏振光传感器 | |
US11600042B2 (en) | Method for 3D reconstruction from satellite imagery | |
CN106646430A (zh) | 一种基于地面探测器的激光足印中心确定方法 | |
CN112669458A (zh) | 基于激光点云进行地面滤波的方法、设备和程序载体 | |
CN113933820B (zh) | 一种无标定物的激光雷达外参标定方法 | |
CN115980785A (zh) | 一种用于直升机辅助导航的点云数据处理方法 | |
CN113835078A (zh) | 基于局部三维栅格的信号级联合检测方法及装置 | |
CN116309828A (zh) | 一种基于三维激光点云数据的电力杆塔信息提取方法 | |
EP4036859A1 (en) | A system and method for providing improved geocoded reference data to a 3d map representation | |
Sester et al. | Reconstruction of building ground plans from laser scanner data | |
Funk et al. | A passive cloud detection system for UAV: Analysis of issues, impacts and solutions | |
Caceres et al. | Improved classification of building infrastructure from airborne lidar data using spin images and fusion with ground-based lidar | |
Riadi et al. | Vertical Accuracy Assessment of DSM from TerraSAR-X and DTM from Aerial Photogrammetry on Paddy Fields–Karawang, Indonesia | |
US20240233262A1 (en) | Method for 3d reconstruction from satellite imagery | |
CN117670957B (zh) | 一种无人机摄影测量配准方法、***及计算机设备 | |
CN114758000A (zh) | 一种终端重定位方法和装置 | |
Yoon et al. | Tin-Based Robust Mosaicking of Uav Images with Consecutive Image Connection |
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 |