[发明专利]一种用于避碰动态障碍物的无人机类脑避障方法

说明书

本发明公开了一种用于避碰动态障碍物的无人机类脑避障方法，包括步骤：1)分析脉冲神经元的响应特性，建立神经元脉冲响应模型；2)对脉冲AC网络的输入相机数据进行差分编码处理，对输出时序信号进行时序编码调制，基于A3C算法的异步更新机制和基于λ回归算法的多步更新机制对脉冲AC网络的网络更新机制进行更新；3)获取无人机的相机数据，通过神经元脉冲响应模型和更新后的脉冲AC网络输出避障决策以进行避障。本发明具有决策速度快、资源消耗少和生物可解释性强等优点。

技术领域

本发明主要涉及无人机技术领域，具体涉及一种用于避碰动态障碍物的无人机类脑避障方法。

背景技术

无人机(Unmanned Aerial Vehicle，UAV)在学术界和工业界都受到了空前重视并得到迅速发展。目前，无人机广泛应用于情报侦察、军事打击、信息对抗、搜索救援等军事领域，以及航空摄影、环境保护、农林作业、货物递送、道路交通监控等民用领域。

许多无人机都涉及到在低空和受限环境的飞行，例如空中格斗、复杂环境快速穿越、巡航过程中遇到突发情况等。这些情况对无人机的快速避障提出了很大的考验。无人机对障碍物识别距离和数量有限，在面对近距离障碍或者障碍速度较快时，无人机需要做出非常剧烈和频繁的机动动作。准确而快速的机动动作决策可以确保无人机自身安全，极大地提高无人机的生存能力。

随着应用的不断扩展，无人机越来越多地面临着复杂动态的飞行环境。在复杂动态的环境中，无人机遇到突发事故的可能性不断提高，为了能够智能、自主地完成任务，无人机必须具备对快速运动障碍实现快速避障的能力。因此，使无人机能够完成快速的机动动作决策，实现对近距离或者动态障碍的快速避障，是其保全自身并顺利完成任务的基础。对无人机避障快速决策展开研究具有重要的理论意义和应用价值。

无人机通过动作决策实现快速避障主要面临以下挑战：

其一，快速性挑战。面对快速避障任务时，无人机面临的是运动速度较快或相对距离近的目标，这就要求其必须在短时间内完成快速避障任务。这不仅包括运动规划和底层控制的快速响应，还需要无人机迅速完成运动规划的顶层决策。这对于传统的无人机运动规划和控制方法来说较难实现：一方面，在获知目标的运动状态时才能较快地完成运动规划，在目标运动状态未知的情况下，则很难在短时间内完成运动规划；另一方面，多层嵌套的反馈控制回路束缚了无人机的动作执行频率，难以满足快速避障需求。而传统的无人机决策方法，往往高度依赖于环境信息的预处理，而这往往占据了决策算法的大部分时间。若能想办法将这部分时间节省下来，则可以大大加快无人机决策的速度。

其二，机载资源受限。小型无人机受限于自身的机型和载荷大小，无法携带较多的计算资源：复杂的决策算法会消耗大量的计算资源，从而依赖高性能的计算设备实现，然而这些重量较大，无法在载荷受限的小型无人机上使用，这导致了无人机需要在机载资源受限的条件下选用轻量级算法进行快速决策。

为应对这两个重大挑战，需要探索耗时短、消耗计算资源少、能耗低的快速避障方法。在处理一些复杂任务时，人脑的决策机制十分高效。因此，通过借鉴人脑的决策机制，很有可能找到一种耗时短、消耗计算资源少、能耗低的快速决策方法。

起源于脑科学的脉冲神经网络(Spiking Neural Network，SNN)是第三代人工神经网络，以其丰富的时空领域的神经动力学特性、多样的编码机制、事件驱动的优势引起了学者的关注。近年来，脉冲神经网络的发展使得当前以脑科学成果为基础和启发的一种新型计算范式——类脑计算(Brain-Inspired Computing，BIC)产生了极大的发展。通过脉冲神经网络来实现类脑决策方法，可以显著缩小网络规模，同时高密度的信息传递方式具备降低资源消耗的特性。