一种基于空地协同的无人车集群控制系统技术方案

本发明专利技术涉及空地协同图像处理技术领域，本发明专利技术公开了一种基于空地协同的无人车集群控制系统，包括无人机和无人车，无人机获取目标区域的点云地图，通过倾斜角度计算模块解算无人机倾斜的角度，多无人车运动控制模块通过融合路径规划算法和机器人的编队控制算法，使多机器人编队进行路径规划，在多机器人保持期望固定队形的同时能够搜索出一条无碰撞、最优的行驶路径，最终到达指定目标点；利用无人机采集的栅格地图对无人车运动提供轨迹参考，利用编队控制算法使多机器人编队进行路径规划，利用相对变换关系将其他无人车的局部地图平移旋转到参考坐标系中，以此建立全局地图，通过全局地图与无人机地图二次融合，最终获得高精度图像。度图像。度图像。

【技术实现步骤摘要】
一种基于空地协同的无人车集群控制系统


[0001]本专利技术涉及空地协同图像处理
，具体是一种基于空地协同的无人车集群控制系统。

技术介绍

[0002]应用于灾害地区，利用无人机可以快速的获取灾害区域的图像，但是图像中受到高度障碍物的影响，导致图像内部存在阴影和空洞部分，导致图像采集不全面，此时可以利用无人车对建图阴影部分和空洞部分进行填补，增加区域图像的精确性；
[0003]但是单一无人车的采集方式受到采集视角的影响，导致受到无人车的采集视角影响，使单次经过阴影区域和空洞部分采集不完全，造成后续地图融合时的图形阴影部分与空洞部分的填补效果较低。

技术实现思路

[0004]本专利技术的目的在于提供一种基于空地协同的无人车集群控制系统，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于空地协同的无人车集群控制系统，包括无人机和无人车，无人机建图规划无人车路径
[0007]S1：无人机获取目标区域的点云地图，通过倾斜角度计算模块解算无人机倾斜的角度，通过地图转换模块将点云地图转换为八叉树地图和可用于所述无人车导航使用的栅格地图，从而建立三层次地图；
[0008]S2：将栅格地图转换为使用静态层将灰度图中的像素值转换成代价地图中的代价值，得到代价地图后导航栈开始利用代价地图无人车对进行路径规划；
[0009]集群无人车运动控制
[0010]S3：多无人车运动控制模块通过融合路径规划算法和机器人的编队控制算法，使多机器人编队进行路径规划，在多机器人保持期望固定队形的同时能够搜索出一条无碰撞、最优的行驶路径，最终到达指定目标点；
[0011]无人车建图流程
[0012]S4：无人车利用激光雷达和IMU获取数据，建立局部地图，弥补无人机中建图的阴影空洞区域；
[0013]多无人车地图融合
[0014]S5：指定其中一台无人车的map坐标系为参考坐标系，利用相对变换关系将其他无人车的局部地图平移旋转到参考坐标系中，以此建立全局地图；
[0015]空地地图融合
[0016]S6：将无人车、无人机的地图经过滤波和配准目标分割进行预处理，通过变换位姿解算后进行点云配准。
[0017]作为本专利技术再进一步的方案：所述步骤S1中，点云地图建立的同时进行增量式八叉树地图的建立，八叉树地图直接转换成栅格地图时，使用直通滤波去除高度高于1m的点云数据，从而去除屋顶等干扰部分，然后使用内置的地面滤除算法滤除地面，通过半径滤波去除噪声点，将保存栅格地图用于后续路径规划的验证。
[0018]作为本专利技术再进一步的方案：所述步骤S2中，机器人通过A*全局路径规划算法在先验地图规划出一条全局最优路径，利用动态窗口法进行机器人的局部路径规划，通过评价函数对机器人以采样速度行驶而模拟出的多条轨迹进行评价，从多条模拟轨迹中选出一条最优的轨迹及其对应的速度矢量来驱动机器人运动。
[0019]作为本专利技术再进一步的方案：所述步骤S2中，机器人按照规划的全局路径进行导航，导航过程中的利用局部代价地图实时确定环境中的障碍物位置，机器人利用激光雷达对周围的环境进行观测，检测到周围的障碍物，这些障碍物均被更新到局部代价地图中，越过指定范围后之前代价地图的障碍物被移出观测范围。
[0020]作为本专利技术再进一步的方案：步骤S5、步骤S6中，通过固态激光雷达及其内置IMU惯性测量单元获取点云数据与姿态角信息，通过IMU数据的反向传播对激光点云数据进行运动畸变校正，通过迭代卡尔曼滤波融合去畸变后的点云数据和IMU数据来进行环境地图的构建，通过增量k
‑
d树数据结构加快点云搜索速度和动态管理地图，地图融合算法在初始时刻进行局部地图间坐标系的计算，然后利用变换关系进行地图融合。
[0021]作为本专利技术再进一步的方案：所述步骤S3中，在编队过程中改进领航机器人使其可以进行自主导航，跟随机器人通过“1”字型和三角形的队形切换来实现避障功能。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]利用无人机采集的栅格地图对无人车运动提供轨迹参考，利用编队控制算法使多机器人编队进行路径规划，利用相对变换关系将其他无人车的局部地图平移旋转到参考坐标系中，以此建立全局地图，通过全局地图与无人机地图二次融合，最终获得高精度图像。
附图说明
[0024]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为一种基于空地协同的无人车集群控制系统中机器人硬件系统连接图；
[0026]图2为一种基于空地协同的无人车集群控制系统中建图系统整体流程图；
[0027]图3为一种基于空地协同的无人车集群控制系统中无人机三层地图建立的流程示意图；
[0028]图4为一种基于空地协同的无人车集群控制系统中倾斜角度计算流程示意图；
[0029]图5为一种基于空地协同的无人车集群控制系统中倾斜场景的示意图；
[0030]图6为一种基于空地协同的无人车集群控制系统中领航机器人数学模型；
[0031]图7为一种基于空地协同的无人车集群控制系统中跟随机器人数学模型；
[0032]图8为一种基于空地协同的无人车集群控制系统中障碍物测距模型；
[0033]图9为一种基于空地协同的无人车集群控制系统中队形切换示意图：
[0034]图10为一种基于空地协同的无人车集群控制系统中多机器人运动控制模块示意图；
[0035]图11为一种基于空地协同的无人车集群控制系统中全局地图融合模块的示意图；
具体实施方式
[0036]硬件组成
[0037]请参阅图1，无人机的硬件连接直接使用激光雷达带的以太网线连接到无人机的路由器上，路由器通过以太网线和Manifold2微型计算机连接。云台和滑轨由云台专用的遥控设备进行控制。无人机的激光雷达数据信号无人车可通过其无线路由器连接。无人车的硬件连接分为两部分，一部分为连接底盘主板提供的轮式里程计和底盘状态数据通过串口转USB和无人车的Intel NUC9I9QNX微型计算机连接；另一部分则为车上携带的激光雷达数据通过路由器和计算机连接；
[0038]无人机建图
[0039]无人机地图构建增加了倾斜角度计算模块，首先在地图构建过程中使用RANSAC算法自动计算倾斜角度，再把计算的角度补偿用到FAST
‑
LIO算法的建图模块中，从而实现点云地图的倾斜纠正，该模块使用一种自适应的随机采样一致性算法解算倾斜的角度，并将解算好的倾斜角度用在雷达局部坐标系到全局地图坐标系转换过程中。地图转换模块则利用ROS的octomap_serve本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空地协同的无人车集群控制系统，包括无人机和无人车，其特征在于：无人机建图规划无人车路径S1：无人机获取目标区域的点云地图，通过倾斜角度计算模块解算无人机倾斜的角度，通过地图转换模块将点云地图转换为八叉树地图和可用于所述无人车导航使用的栅格地图，从而建立三层次地图；S2：将栅格地图转换为使用静态层将灰度图中的像素值转换成代价地图中的代价值，得到代价地图后导航栈开始利用代价地图无人车对进行路径规划；集群无人车运动控制S3：多无人车运动控制模块通过融合路径规划算法和机器人的编队控制算法，使多机器人编队进行路径规划，在多机器人保持期望固定队形的同时能够搜索出一条无碰撞、最优的行驶路径，最终到达指定目标点；无人车建图流程S4：无人车利用激光雷达和IMU获取数据，建立局部地图，弥补无人机中建图的阴影空洞区域；多无人车地图融合S5：指定其中一台无人车的map坐标系为参考坐标系，利用相对变换关系将其他无人车的局部地图平移旋转到参考坐标系中，以此建立全局地图；空地地图融合S6：将无人车、无人机的地图经过滤波和配准目标分割进行预处理，通过变换位姿解算后进行点云配准。2.根据权利要求1所述的一种基于空地协同的无人车集群控制系统，其特征在于：所述步骤S1中，点云地图建立的同时进行增量式八叉树地图的建立，八叉树地图直接转换成栅格地图时，使用直通滤波去除高度高于1m的点云数据，从而去除屋顶等干扰部分，然后使用内置的地面滤除算法滤除地面，通过半径滤波去除噪声点，将保存栅格地图用于后续路径规划的验证。3.根据权利要求...

【专利技术属性】
技术研发人员：张超省，涂建刚，王峰，王健，胡清森，刘运斗，张林，李正军，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：