CN116430902A - 水产养殖水空两栖无人机自主巡航与自主水空过渡方法 - Google Patents
水产养殖水空两栖无人机自主巡航与自主水空过渡方法 Download PDFInfo
- Publication number
- CN116430902A CN116430902A CN202310524587.5A CN202310524587A CN116430902A CN 116430902 A CN116430902 A CN 116430902A CN 202310524587 A CN202310524587 A CN 202310524587A CN 116430902 A CN116430902 A CN 116430902A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- unmanned aerial
- aerial vehicle
- autonomous
- water
- 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 48
- 230000007704 transition Effects 0.000 title claims abstract description 22
- 238000009360 aquaculture Methods 0.000 title claims abstract description 21
- 244000144974 aquaculture Species 0.000 title claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 230000016776 visual perception Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 38
- 230000014509 gene expression Effects 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000004438 eyesight Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
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
本发明公开了一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,该方法包括:获取养殖环境信息,并基于养殖环境信息构建包含障碍物信息的局部地图;在局部地图上设定作业点,并构建满足终端约束的B样条曲线;根据局部地图中的障碍物信息对B样条曲线进行优化,得到可通行轨迹;行驶完可通行轨迹后保留巡航过程中的障碍物信息,根据入水点周围障碍物信息进行下降路径规划;基于机载动态视觉感知和人工势场法对水中巡航进行路径规划,并在巡航完成后自主水空过渡。实施本方法,可以实现水陆两栖自主过渡及自主巡航路径规划。
Description
技术领域
本发明涉及无人机领域,尤其涉及一种水产养殖水空两栖无人机自主巡航与自主水空过度方法。
背景技术
现如今无人机的研究受到了各界的关注,并且随着无人机自主与智能技术的提出,其在军事和民用扮演的角色越来越重要。在水产养殖中无人机已经扮演了很重要的角色,并且两栖无人机的提出使得无人机在水产养殖中的作用不再局限于定点投放和消毒等工作,还可以进入水中进行水源环境检测的工作,这也促使针对水空两栖自主无人机技术的研究。
目前水空两栖无人机的自主安全跨越正在进一步研究,对于水空两栖无人机的自主水空过渡需要保证无人机自身安全和周围环境安全。现有的无人机器的路径规划大多是在某一特定区域,比如在空中或者在水中,较少涉及到水路两栖自主交换并进行不同领域的路径规划。
发明内容
为了解决上述技术问题,本发明的目的是提供一种水产养殖水空两栖无人机自主巡航与自主水空过度方法,能够实现空中水中自主切换并快速进行路径规划,完成巡航任务。
本发明所采用的第一技术方案是:一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,包括以下步骤:
获取养殖环境信息,并基于养殖环境信息构建包含障碍物信息的局部地图;
在局部地图上设定作业点,并构建满足终端约束的B样条曲线;
根据局部地图中的障碍物信息对B样条曲线进行优化,得到可通行轨迹;
行驶完可通行轨迹后保留巡航过程中的障碍物信息,根据入水点周围障碍物信息进行下降路径规划;
基于机载动态视觉感知和人工势场法对水中巡航进行路径规划,并在巡航完成后自主水空过渡。
在本技术方案中,当无人机在空中巡航时,根据相机拍摄的局部图像构建局部地图,避免了大量数据的搜集和复杂模型的建立,根据局部地图进行路径规划,并根据新出现的障碍物利用adam算法进行优化,得到安全可靠的飞行路径;在需要下水时,根据入水点周围障碍物环境生成下降路线;在水中,结合机载动态视觉感知和人工势场法对水中巡航路径进行规划,并根据需要自主返回空中,实现了无人机自主水空两栖巡航和环境切换。
进一步,所述障碍物信息包括飞行过程中遇到的障碍物的位置坐标及生成的满足安全阈值的障碍物膨胀体信息。
进一步,所述作业点是指设定的目标点和根据vins和GPS信息确定的起始点。
进一步,所述根据局部地图中的障碍物信息对B样条曲线进行优化,得到可通行轨迹这一步骤,具体包括:
设定碰撞阈值,并依据碰撞阈值增大障碍物膨胀体的体积;
获取将与障碍物发产生碰撞的B样条曲线上的危险控制点,并获取与危险控制点对应的障碍物表面点;
基于危险控制点与障碍物表面点构建排斥向量,并根据排斥向量将危险控制点远离障碍物,得到避开障碍物的B样条曲线;
利用B样条曲线的凸包性质调整避开障碍物的B样条曲线上的控制点,得到光滑通行轨迹;
根据新发现的障碍物信息,利用adam算法对光滑通行轨迹进行优化,得到可通行轨迹。
进一步,所述行驶完可通行轨迹后保留巡航过程中的障碍物信息,根据入水点周围障碍物信息进行下降路径规划这一步骤,其具体包括:
无人机行驶完可通行轨迹后,保存其经过的障碍物的位置坐标及障碍物膨胀体的大小;
根据作业要求选定的入水点周围的障碍物的位置坐标及障碍物膨胀体的大小进行路径规划。
进一步,所述根据作业要求选定的入水点周围的障碍物的位置坐标及障碍物膨胀体的大小进行路径规划这一步骤,其具体包括:
若入水点周围没有障碍物,则选择竖直下降入水;
若入水点周围有障碍物,则获取障碍物的位置坐标及障碍物膨胀体沿着无人机竖直降落所在面的轮廓;
等额选取轮廓上的点,得到轮廓点集合;
从轮廓点集合中选取轮廓目标点,所述轮廓目标点与无人机坐标的连线垂直于轮廓目标点的切平面;
构建从轮廓目标点指向无人机的排斥向量,依据排斥向量得到水平方向上的排斥速度;
根据无人机与障碍物膨胀体之间的距离与安全距离阈值之间的关系,利用模糊集算法对排斥速度进行调整,得到满足安全距离阈值的水平速度;
根据满足安全距离阈值的水平速度和竖直下降速度,生成无人机安全入水路径。
进一步,所述基于机载动态视觉感知和人工势场法对水中巡航进行路径规划,并在巡航完成后自主水空过渡这一步骤,具体包括:
获取水下环境深度图,并根据水下环境深度图构建点云数据,所述点云数据包括水下渔网位置信息;
利用DBSCAN聚类对点云数据进行聚类,并利用机载动态视觉对聚类后的点云数据进行分类,得到不同类别的动态对象;
根据不同类别的动态对象实时更新障碍物的坐标位置,并结合人工势场法对水下路径进行规划及自主水空过渡。
进一步,所述人工势场法中的引力场函数及引力的表达式为,
引力场函数:
其中,Uatt(x)表示引力场函数,katt表示引力场系数,Xu无人机坐标位置,Xg目标点坐标位置,ρ(Xu,Xg)表示无人机当前位置到目标点的距离;
引力为引力场函数的负导数,表达式为:
其中,Fa表示引力。
进一步,所述人工势场法中的斥力场函数和斥力的具体表达式为,
斥力场函数:
其中,krep为斥力场系数,Xu为无人机坐标位置,Xo为障碍物坐标位置,ρ(Xu,Xo)表示无人机到障碍物的距离,ρo为无人机到障碍物的安全距离阈值;
斥力为斥力场函数的负导数,具体表达式为:
其中,Fr表示斥力。
进一步,所述人工势场法中的人工加入的向上势场函数和向上引力的表达式分别为:
Fup(x)=cos(π-ω)Fr(x)+ηkup·ρup
其中,Uup(x)表示向上势场函数,Fup(x)表示向上引力,kup表示向上势场函数系数,ρup表示无人机当前位置据水面的竖直距离,η表示权重系数,ω表示Fr(x)与大地坐标系z轴负方向的夹角,Ur(x)表示总人工势场函数,Fr(x)表示总和力。
本发明提供的一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法的有益效果是:本发明基于养殖场局部环境构建局部地图,节省了构建模型所用的时间,在局部地图中构建样条曲线,得到无人机飞行初始路径,再根据B样条曲线的自身的凸包性质对初始路径进行优化,绕过障碍物得到光滑路径;对于新出现的障碍物,利用adam算法进行轨迹优化,得到安全可靠的飞行路径,整个路径规过程简单快捷,不需要大量的环境数据支撑,也不需要复杂的模型;需要下水检测时,根据入水点及其周围的障碍物信息规划安全下降路线;在入水之后,结合机载视觉动态分类和人工势场法对水下巡航规划路径,并根据需要随时返回空中,实现了无人机自主水空两栖自由变换和路径规划。
附图说明
图1是本发明水产养殖水空两栖无人机自主巡航与自主水空过渡方法的步骤流程图;
图2是本发明实施例中的可飞行路径;
图3是本发明实施例中在有障碍物的情况下无人机下降路径规划示意图;
图4是本发明实施例中产生排斥向量的示意图;
图5是本发明实施例中障碍物膨胀体根据安全阈值增大体积前后示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,该方法包括以下步骤:
获取养殖环境信息,并基于养殖环境信息构建包含障碍物信息的局部地图。
在本实施例中,无人机在执行空中巡航任务时,利用前置摄像头拍摄飞行过程中的养殖环境图片,优选的,采用VINS FUSION+GPS的精准自定位。由于摄像头的视角有限,所以所拍摄的养殖环境图片反映的只是养殖环境的局部信息。将养殖环境图片上传至无人机的控制***,基于所拍摄的养殖环境图片生成二维栅格地图,对于二位栅格地图中的障碍物,在获取到障碍物的位置坐标之后,以障碍物的位置坐标为中心进行膨胀,生成障碍物膨胀体表示障碍物的危险范围。可选的,障碍物膨胀体可以是椭球体、球体、长方体、正方体等几何体,优选的,本实施例中的障碍物膨胀体为椭球体。最后将障碍物的位置坐标和生成的障碍物椭圆球体的大小记录在障碍物数组内。
在局部地图上设定作业点,并构建满足终端约束的B样条曲线。
在本实施例中,对于上述建立的局部二维栅格地图,根据作业要求设定目标点,再根据VINS和GPS信息确定无人机的起始位置,根据无人机的起始位置与目标点,在忽略周围障碍物的情况下构建满足终端约束的B样条曲线Ψ。因此,构建的满足终端约束的B样条曲线Ψ局部可能穿过障碍物或障碍物的危险范围,存在发生碰撞的危险。
根据局部地图中的障碍物信息对B样条曲线进行优化,得到可通行轨迹。
在本实施例中,根据上述构建的满足终端约束的B样条曲线Ψ进行优化。对于局部存在碰撞的B样条曲线Ψ,设置一个碰撞阈值s,然后在障碍物的椭球体基础上增大其膨胀体积,增加的范围等于设置的阈值s,如图5所示。在增大障碍物膨胀体的体积之后,等额选取障碍物膨胀体的表面点,并选择与穿过障碍物或障碍物危险区域的B样条曲线Ψ中危险控制点对应的表面点,构建由所述表面点指向所述危险控制点的方向向量,根据所述方向向量对危险控制点进行调整,使危险控制点远离障碍物及障碍物的危险区域,得到无碰撞B样条曲线。再根据B样条曲线的凸包性质,最小化无碰撞B样条曲线Ψ的二阶和三阶控制点的平方和来减小加速度的平方和,进而最小化高阶导数,得到轨迹光滑的曲线。对于无人机飞行过程中遇到的新障碍物,利用adam算法对数值进行优化,最终得到可通行的轨迹Ψs。
行驶完可通行轨迹后保留巡航过程中的障碍物信息,根据入水点周围障碍物信息进行下降路径规划。
在本实施例中,在无人机完成空中巡航任务后,将飞行过程中的障碍物信息记录在障碍物数组内,然后根据作业要求选取的入水点,对其周围障碍物进行检测,包括记录在障碍物数组内的障碍物信息。若周围没有障碍物影响无人机下降,则采取竖直下降的路径降落水中;若周围存在障碍物,则根据障碍物的膨胀体获取其在无人机竖直下降平面内的截面轨迹,即一个椭圆,如图4所示。假设无人机的坐标为Xu,竖直向下的速度为V0,等额获取椭圆上点xi,构成障碍物轮廓点集合X0,从中选取一点xi,使该点与无人机坐标的连线垂直于该点在椭球面的切平面,并记该点为轮廓目标点。接着构建轮廓目标点指向无人机坐标位置的排斥向量,对排斥向量进行正交分解,得到水平面上的排斥分量,结合无人机据离障碍物的距离dou与预设的安全距离阈值ds之间的大小关系,利用直觉模糊集对水平方向的排斥速度大小进行控制,再结合无人机的竖直向下速度对下降落水路径进行规划,如图3所示。
具体的,以dou-ds作为偏差值,水平速度vx为控制量,设定vm为无人机最大水平约束速度,控制量的不同值表示水平速度vx等于不同比例的vm。偏差值与控制量的模糊表分别如下:
偏差值dou-ds的模糊表:
控制量vx的模糊表:
根据模糊控制经验制定规则为:若dou-ds负大,则vx正大;若dou-ds负小,则vx正小;若dou-ds为0,则vx为0;若dou-ds正小,则vx负小;若dou-ds正大,则vx负大;若dou-ds负大,则vx正大。然后根据前面的模糊规则得到模糊关系R,其中规则内的模糊集运算取交集,规则间的模糊集运算取并集,具体表达式为:
R=(NBv×PBd)∪(NSv×PSd)∪(ZOv×ZOd)∪(NBd×PBv)∪(NSd×PSv)
其中,R表示模糊关系,NBv表示控制量的模糊集负大,PBd表示偏差量的模糊集正大,NSv表示控制量的模糊集负小,PSd表示偏差量的模糊集正小,ZOv表示控制量的模糊集为零,ZOd表示偏差量的模糊集为零,NBd表示偏差量的模糊集负大,PBv表示控制量的模糊集正大,NSd表示偏差量的模糊集负小,PSv表示控制量的模糊集正小。
然后根据前面模糊集运算得到的矩阵求最大值,最后输出为误差向量e与模糊关系R的乘积,即:u=e·R,由此便可得到最后无人机的输出速度。
基于机载动态视觉感知结合人工势场法对水中巡航进行路径规划,并在巡航完成后自主返回空中。
在本实施例中,由无人机前置摄像头拍摄水域环境照片,基于获取的水域环境照片生成点云数据,利用DBSCAN聚类对点云数据进行聚类,再通过机载视觉对聚类进行分类,利用分类出来的动态对象不断更新动态障碍物的坐标位置,在此基础上构建人工势场,将目标设定为对无人机能够产生引力的物体,将障碍物设定为对无人机能够产生斥力的物体,无人机沿着引力与斥力的合力进行运动。
具体的,产生引力的引力场函数为:
其中,Uatt(x)表示引力场函数,katt表示引力场系数,Xu无人机坐标位置,Xg目标点坐标位置,ρ(Xu,Xg)表示无人机当前位置到目标点的距离。
引力为引力场函数的负导数,表达式为:
产生斥力的斥力场函数为:
其中,krep为斥力场系数,Xu为无人机坐标位置,Xo为障碍物坐标位置,ρ(Xu,Xo)表示无人机到障碍物的距离,ρo为无人机到障碍物的安全距离阈值。
斥力为斥力场函数的负导数,具体表达式为:
将引力场函数与斥力场函数求和得到总人工势场函数,表达式为:
Ur(x)=Uatt(x)+Urep(x)
将引力与斥力求和,得到总和力,表达式为:
Fr(x)=Fa+Fr
当无人机完成水下任务后,需要进入空中继续执行任务,这时需要从水中进入空中,需要一个向上的力将无人机从水中过渡到空中,这里加入一个向上的势场函数和向上引力来引导无人机的运动趋势,向上势场函数和向上引力的表达式分别为:
Fup(x)=cos(π-ω)Fr(x)+ηkup·ρup
其中,Uup(x)表示向上势场函数,Fup(x)表示向上引力,kup表示向上势场函数系数,ρup表示无人机当前位置据水面的竖直距离,η表示权重系数,ω表示Fr(x)与大地坐标系z轴负方向的夹角,Ur(x)表示总人工势场函数,Fr(x)表示总和力。
最后,总的势场函数为:
Ur(x)=Uatt(x)+Urep(x)+Uup(x)
总的力为:
Fr(x)=Fa+Fr+Fup(x)
在所设计的人工势场中,会生成一条向上行驶的路径,然后对路径进行平滑处理,使无人机顺利从水中过渡到空中。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,包括以下步骤:
获取养殖环境信息,并基于养殖环境信息构建包含障碍物信息的局部地图;
在局部地图上设定作业点,并构建满足终端约束的B样条曲线;
根据局部地图中的障碍物信息对B样条曲线进行优化,得到可通行轨迹;
行驶完可通行轨迹后保留巡航过程中的障碍物信息,根据入水点周围障碍物信息进行下降路径规划;
基于机载动态视觉感知和人工势场法对水中巡航进行路径规划,并在巡航完成后自主水空过渡。
2.根据权利要求1所述一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,所述障碍物信息包括飞行过程中遇到的障碍物的位置坐标及生成的满足安全阈值的障碍物膨胀体信息。
3.根据权利要求1所述一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,所述作业点是指设定的目标点和根据vins和GPS信息确定的起始点。
4.根据权利要求1所述一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,所述根据局部地图中的障碍物信息对B样条曲线进行优化,得到可通行轨迹这一步骤,具体包括:
设定碰撞阈值,并依据碰撞阈值增大障碍物膨胀体的体积;
获取将与障碍物发产生碰撞的B样条曲线上的危险控制点,并获取与危险控制点对应的障碍物表面点;
基于危险控制点与障碍物表面点构建排斥向量,并根据排斥向量将危险控制点远离障碍物,得到避开障碍物的B样条曲线;
利用B样条曲线的凸包性质调整避开障碍物的B样条曲线上的控制点,得到光滑通行轨迹;
根据新发现的障碍物信息,利用adam算法对光滑通行轨迹进行优化,得到可通行轨迹。
5.根据权利要求1所述一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,所述行驶完可通行轨迹后保留巡航过程中的障碍物信息,根据入水点周围障碍物信息进行下降路径规划这一步骤,其具体包括:
无人机行驶完可通行轨迹后,保存其经过的障碍物的位置坐标及障碍物膨胀体的大小;
根据作业要求选定的入水点周围的障碍物的位置坐标及障碍物膨胀体的大小进行路径规划。
6.根据权利要求5所述一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,所述根据作业要求选定的入水点周围的障碍物的位置坐标及障碍物膨胀体的大小进行路径规划这一步骤,其具体包括:
若入水点周围没有障碍物,则选择竖直下降入水;
若入水点周围有障碍物,则获取障碍物的位置坐标及障碍物膨胀体沿着无人机竖直降落所在面的轮廓;
等额选取轮廓上的点,得到轮廓点集合;
从轮廓点集合中选取轮廓目标点,所述轮廓目标点与无人机坐标的连线垂直于轮廓目标点的切平面;
构建从轮廓目标点指向无人机的排斥向量,依据排斥向量得到水平方向上的排斥速度;
根据无人机与障碍物膨胀体之间的距离与安全距离阈值之间的关系,利用模糊集算法对排斥速度进行调整,得到满足安全距离阈值的水平速度;
根据满足安全距离阈值的水平速度和竖直下降速度,生成无人机安全入水路径。
7.根据权利要求1所述一种水产养殖水空两栖无人机自主巡航与自主水空过渡方法,其特征在于,所述基于机载动态视觉感知和人工势场法对水中巡航进行路径规划,并在巡航完成后进行自主水空过渡这一步骤,具体包括:
获取水下环境深度图,并根据水下环境深度图构建点云数据,所述点云数据包括水下渔网位置信息;
利用DBSCAN聚类对点云数据进行聚类,并利用机载动态视觉对聚类后的点云数据进行分类,得到不同类别的动态对象;
根据不同类别的动态对象实时更新障碍物的位置坐标,并结合人工势场法对水下路径进行规划及自主水空过渡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524587.5A CN116430902B (zh) | 2023-05-11 | 水产养殖水空两栖无人机自主巡航与自主水空过渡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524587.5A CN116430902B (zh) | 2023-05-11 | 水产养殖水空两栖无人机自主巡航与自主水空过渡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116430902A true CN116430902A (zh) | 2023-07-14 |
CN116430902B CN116430902B (zh) | 2024-07-26 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
CN113050685A (zh) * | 2021-03-18 | 2021-06-29 | 中煤科工集团上海有限公司 | 一种煤矿井下无人机自主巡检的方法 |
CN113093737A (zh) * | 2021-03-18 | 2021-07-09 | 武汉理工大学 | 水空两栖式全方位自主搜救舰队 |
CN113954592A (zh) * | 2021-11-29 | 2022-01-21 | 广东工业大学 | 一种基于foc动力***可倾转的六旋翼两栖无人机 |
WO2022142453A1 (zh) * | 2020-12-29 | 2022-07-07 | 武汉理工大学 | 一种水空两栖立体式搜救***及方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
WO2022142453A1 (zh) * | 2020-12-29 | 2022-07-07 | 武汉理工大学 | 一种水空两栖立体式搜救***及方法 |
CN113050685A (zh) * | 2021-03-18 | 2021-06-29 | 中煤科工集团上海有限公司 | 一种煤矿井下无人机自主巡检的方法 |
CN113093737A (zh) * | 2021-03-18 | 2021-07-09 | 武汉理工大学 | 水空两栖式全方位自主搜救舰队 |
CN113954592A (zh) * | 2021-11-29 | 2022-01-21 | 广东工业大学 | 一种基于foc动力***可倾转的六旋翼两栖无人机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Padhy et al. | Deep neural network for autonomous uav navigation in indoor corridor environments | |
US11914369B2 (en) | Multi-sensor environmental mapping | |
CN108453738B (zh) | 一种基于Opencv图像处理的四旋翼飞行器空中自主抓取作业的控制方法 | |
Hwangbo et al. | Efficient two-phase 3D motion planning for small fixed-wing UAVs | |
Polvara et al. | Autonomous vehicular landings on the deck of an unmanned surface vehicle using deep reinforcement learning | |
CN106548486A (zh) | 一种基于稀疏视觉特征地图的无人车位置跟踪方法 | |
CN108549394A (zh) | 一种基于领航者和虚拟领航者的多auv直线编队控制方法 | |
Winkvist et al. | Towards an autonomous indoor aerial inspection vehicle | |
CN117406771B (zh) | 一种基于四旋翼无人机的高效自主探索方法、***及设备 | |
Doukhi et al. | Deep reinforcement learning for autonomous map-less navigation of a flying robot | |
CN111862200A (zh) | 一种煤棚内无人机定位方法 | |
Asadi et al. | An integrated aerial and ground vehicle (UAV-UGV) system for automated data collection for indoor construction sites | |
Kim et al. | Autonomous flight system using marker recognition on drone | |
Wu et al. | Multi-objective reinforcement learning for autonomous drone navigation in urban areas with wind zones | |
CN116430902B (zh) | 水产养殖水空两栖无人机自主巡航与自主水空过渡方法 | |
Chen et al. | Development of an autonomous unmanned surface vehicle with object detection using deep learning | |
Cantelli et al. | Autonomous landing of a UAV on a moving vehicle for the MBZIRC | |
Geyer et al. | 3D obstacle avoidance in adversarial environments for unmanned aerial vehicles | |
CN116430902A (zh) | 水产养殖水空两栖无人机自主巡航与自主水空过渡方法 | |
Lee et al. | Landing Site Inspection and Autonomous Pose Correction for Unmanned Aerial Vehicles | |
Robaglia et al. | Autonomous landing of an unmanned aerial vehicle on a moving ship | |
Chou et al. | An AI AUV enabling vision-based diver-following and obstacle avoidance with 3D-modeling dataset | |
CN112161626A (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
Wang et al. | CRASH: A collaborative aerial-ground exploration system using hybrid-frontier method | |
JP7501946B1 (ja) | 水中グライダのベクトル場における経路追跡の制御方法 |
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 |