[发明专利]无人机避障方法、避障无人机以及无人机避障装置

说明书

本发明公开了一种无人机避障方法、避障无人机、无人机避障装置以及计算机可读存储介质，涉及无人机技术领域。其中的无人机避障方法包括：利用无人机摄像头采集障碍无人机图像；将所述障碍无人机图像输入预先训练的深度学习网络模型，得到避障飞行控制量，所述深度学习网络模型是通过输入障碍无人机训练图像以及对应的无人机实际飞行控制量进行训练得到的；依据所述避障飞行控制量控制无人机的飞行。本发明能够实现无人机在群间的自主避障。

技术领域

本发明涉及无人机技术领域，特别涉及一种无人机避障方法、避障无人机、无人机避障装置以及计算机可读存储介质。

背景技术

无人机在排队起飞、排队降落以及表演过程中，会形成无人机集群。而在无人机集群场景下，如何实现无人机群间避障，逐渐成为人们关注的焦点。

无人机在避障过程中，技术手段众多。其中，无人机集群群间避障的手段主要有双目视觉、激光雷达、多架无人机GPS位置通信共享等。

从另一个层面来说，无人机的避障过程主要可以包括手动和自动两种方案。手动方案是利用遥控器手动遥控无人机完成群间避障过程，自动方案是基于采集数据的无人机和充当障碍物的无人机(简称障碍无人机)两者的GPS实时定位信息，控制无人机进行群间避障。

发明内容

发明人对实现无人机群间避障的方法进行了研究。现有技术控制无人机进行群间避障过程都是由无人机被动受到控制台的控制进行避障，这样的避障方式存在误差以及时延等问题。

发明人认为，一种方式是，人为设计图像特征提取算法，从图像中检测到障碍并完成障碍定位，然后根据障碍定位结果设计无人机飞行控制律，引导无人机完成群间自主避障过程。另一种方式是，利用训练好的图像目标检测深度学习网络模型，从图像中识别出障碍并完成图像中障碍定位，然后根据障碍定位结果设计无人机飞行控制律，引导无人机完成群间自主避障过程。

然而，无论是传统的针对特定目标设计专门的图像检测算法的方法，还是利用深度学习网络模型预测图像中的障碍并尝试障碍定位的方法，都只完成了从图像中检测出障碍的部分，如果要应用在无人机、无人车、机器人等自主完成任务的场景，仍需要根据障碍检测的结果，专门设计控制律来生成相应的控制量，完成特定的任务。合适控制律的设计和参数的优化调整都是耗时耗力的工作，而且效果不一定很理想。因此，目前亟需找到一种无人机能够实现群间自主避障的方法。

本发明解决的一个技术问题是，如何实现无人机在群间的自主避障。

根据本发明实施例的一个方面，提供了一种无人机避障方法，包括：利用无人机摄像头采集障碍无人机图像；将障碍无人机图像输入预先训练的深度学习网络模型，得到避障飞行控制量，深度学习网络模型是通过输入障碍无人机训练图像以及对应的无人机实际飞行控制量进行训练得到的；依据避障飞行控制量控制无人机的飞行。

在一些实施例中，避障飞行控制量为四维向量，其中包括三维线速度控制量以及水平旋转控制量。

在一些实施例中，无人机避障方法还包括训练深度学习网络模型，训练深度学习网络模型包括：控制无人机在飞行过程中躲避障碍无人机；将无人机在飞行过程中无人机摄像头采集的障碍无人机训练图像以及对应的无人机实际飞行控制量输入深度学习网络模型，以对深度学习网络模型进行训练，使得深度学习网络模型能够根据输入的障碍无人机图像预测避障飞行控制量。

在一些实施例中，训练深度学习网络模型还包括：将深度学习网络模型的最后一个全连接层的输出结果数量设置为4，以分别表示三维线速度控制量以及水平旋转控制量。

在一些实施例中，训练深度学习网络模型还包括：计算预测得到的避障飞行控制量与无人机实际飞行控制量之间的误差；将误差反馈至深度学习网络模型的损失层，以便损失层利用欧式距离损失函数计算深度学习网络模型的更新参数，并利用更新参数对深度学习网络模型进行更新。