[发明专利]一种适用于室内无人机的混合智能跟随与避障方法

说明书

本发明公开了一种适用于室内无人机的混合智能跟随与避障方法。本发明采用了一种将先感知后决策和端到端感知与决策进行结合的一种混合智能跟随方法：在多目标情形时运行效率较低、需要频繁重检测的KCF跟踪与PID目标跟随方法，在单目标情形时运行无需频繁重检测的端到端目标跟随算法，有效地提高了整体算法的运行效率；并通过一种目标跟随与避障的联合控制方法，使得微型无人机能够跟随指定目标，并躲避障碍物。

技术领域

本发明属于无人机领域，涉及一种适用于室内无人机的混合智能跟随与避障方法。

背景技术

在城市反恐作战中，我们常需要进入室内环境进行侦查与监视，并在必要时对室内目标进行打击。自动机器人技术的发展使得我们不再需要冒着巨大的生命危险进入危险的室内环境进行作战，而可以使用地面移动机器人等装备进行室内侦查与打击。但目前地面移动机器人的机动能力较弱，移动速度慢，且多为远程操控，使得其操纵信号容易被干扰，难以适应高度复杂动态的室内作战环境。

利用无人机灵活机动的特点，我们可以搭建小型、低成本的智能无人机平台，让无人机通过窗口、烟囱等狭窄通道进入室内作战环境，通过侦查发现目标，并跟随和监视指定目标，同时躲避室内的障碍物。无人机的智能跟随与避障，要求无人机具有较强的智能感知与自主决策能力，并且所有的计算都需要在无人机上进行，使其在遭受信号干扰时也能自主完成任务。在智能跟随任务中，室内无人机仅通过由廉价相机传感器获取的图像输入，进行决策并输出跟随目标的动作，这其中涉及到视觉感知和控制方法。

无人机的智能跟随常使用先获取目标位置，再进行运动决策的方法。得益于深度学习技术的发展，基于深度神经网络的目标检测与目标跟踪方法都取得了令人瞩目的效果。目标检测算法虽然能够获取准确的目标位置信息，但模型参数量大，算法推断时间较长。因此在使用目标检测算法获取目标位置后，常切换到基于相关滤波的目标跟踪算法以快速更新目标的位置信息。此类目标跟踪算法的运行速度较快，对计算资源要求不高，但在长时间跟踪目标时容易跟错目标，因此需要频繁地重新启动目标检测算法更新目标的准确位置，使得目标检测与目标跟踪的整体算法性能较差。

此外，深度学习开始与强化学习结合形成深度强化学习技术。深度强化学习能够让智能体在与环境的交互过程中学会最优策略，从而做出长期有利的行为。深度强化学习在机器人控制、博弈对抗等领域都取得了巨大的进步。深度强化学习提供了一种学习从输入图片到目标跟随动作的端到端映射方法，能够降低深度模型的参数量，但无法在多目标画面中选择指定目标进行跟随。因此，需要对现有技术进行改进，获得高效的目标跟随决策方法。

发明内容

本发明的目的是提供基于室内无人机的混合智能跟随与避障方法，结合传统的先获取目标位置再决策和端到端感知决策的方法，使室内无人机能够高效地跟随指定目标运动并躲避障碍物。

本发明的基本思路为：在多目标情形时，通过目标检测算法为不稳定的目标跟踪算法提供初始目标位置，在目标跟踪算法更新目标位置后使用PID方法输出目标跟随指令，不稳定的目标跟踪算法需要频繁运行目标检测算法校正目标位置，降低了整体算法的运行速度，但能够在多目标情形时指定某个目标进行跟随；在单目标情形时，则使用更为稳定、参数量较小的端到端感知与决策算法，直接输出目标跟随指令，并通过降低目标检测算法的运行频率起到整体算法的运行加速效果。

为了达到以上目的，本发明提供了如下的技术方案：

室内无人机平台：安装有WiFi模块、树莓派计算模块、8个水平布置的VL53L1x激光测距传感器、倾斜向下布置的摄像头。树莓派计算模块与飞控通过串口进行通讯，8个VL53L1x通过IIC与树莓派计算模块进行通讯。

基于ZeroMQ的地面站软件：在装有WiFi通讯装置的树莓派计算模块上开启WiFi热点；地面站软件连接无人机计算模块开启的WiFi热点；无人机计算模块和地面站软件之间通过ZeroMQ进行通讯，无人机将飞控数据、获取的第一视角图像、视觉计算结果发送给地面站，地面站可控制无人机开始目标检测、选定目标进行跟踪。