一种无人机为地面无人车提供局部路径规划系统及方法技术方案

本发明专利技术公开了一种无人机为地面无人车提供局部路径规划系统及方法，包括无人机、地面无人车、传感器、算法模块和通信模块，无人机通过VICON、GPS等方式获取自身与无人车位置信息，利用多传感器融合生成三维地图，使用深度学习等算法识别障碍物，采用基于RRT*算法优化改进的局部路径规划算法生成路径方案。无人机与无人车通讯采用基于ROS节点的UDP协议，实现快速、低延迟数据传输。地面无人车通过ROS节点反馈状态信息，若电量不足，则规划至最近充电位置。如遇路径偏离或失效问题，使用扩展卡尔曼滤波器估计无人车位置与速度，调整无人车速度或转向角度修正行驶方向。提高了无人车在复杂环境中的路径规划效率与安全性。杂环境中的路径规划效率与安全性。杂环境中的路径规划效率与安全性。

【技术实现步骤摘要】
一种无人机为地面无人车提供局部路径规划系统及方法


[0001]本专利技术属于无人机
，尤其涉及一种无人机为地面无人车提供局部路径规划系统及方法。

技术介绍

[0002]随着无人驾驶技术的快速发展，无人车已经在许多领域得到广泛应用，如物流、农业和安防等。然而，在复杂的环境中，地面无人车仍然面临许多挑战，例如动态障碍物的检测和避免、实时路径规划和定位精度。为解决这些问题，研究者开始探讨将无人机与无人车相结合，以提高整体导航性能。
[0003]无人机因其具备更高的机动性和视野，可以有效地为地面无人车提供环境感知和路径规划。然而，在现有技术中，无人机和无人车的协同导航仍然存在一些局限性。例如，无人机都只是用作一开始的先验地图搭建，实时性较差，对一些突发的未知因素难以处理。因此，开发一种有效的方法，使无人机能为地面无人车提供实时、高精度的局部路径规划可以极大提高空地协同的实用性。

技术实现思路

[0004]本专利技术目的在于提供一种无人机为地面无人车提供局部路径规划系统及方法，以解上述的技术问题。
[0005]为解决上述技术问题，本专利技术的一种无人机为地面无人车提供局部路径规划的方法的具体技术方案如下：
[0006]一种无人机为地面无人车提供局部路径规划系统，包括无人机、地面无人车、传感器、算法模块和通信模块，
[0007]所述传感器用于采集周围的环境信息，包括地面的普通障碍物、负障碍物、动态障碍物的位置信息数据，并将采集的数据传递给算法模块；
[0008]所述算法模块用于整合处理收集到的环境信息，并根据环境信息制定并优化局部路径方案；
[0009]所述通讯模块用于将算法模块生成的实时局部路径方案发送给地面无人车，地面无人车接收路径方案后实现相应路径行驶。
[0010]进一步的，所述无人机与无人车的通讯方式采用的是ROS通信，采用UDP用户数据报协议。
[0011]进一步的，地面无人车通过ROS节点反馈的信息中，包括其电池电量信息，通过测试时建立的无人车电量与行驶里程关系的模型，计算无人车在行驶完给定路线后的所需电量，若在行驶过程中，无人车电量不足以完成剩下路程，无人机可以直接将目的地规划为最近的充电位置。
[0012]进一步的，所述无人机和无人车上各自安装四个反光标志物，并在室内环境中布置了二十四个摄像头，通过VICON定位装置，实时获取无人机和无人车的三维坐标。
[0013]本专利技术还公开了一种无人机为地面无人车提供局部路径规划系统的局部路径规划的方法，包括如下步骤：
[0014]步骤1：无人机与无人车的定位；
[0015]步骤2：无人机端的环境信息采集与处理；
[0016]步骤3：无人机端生成路径规划并传输；
[0017]步骤4：无人车端的路径执行与反馈。
[0018]进一步地，所述步骤1包括如下具体步骤：
[0019]步骤1.1：室内定位：
[0020]通过VICON定位装置，实时获取无人机和无人车的三维坐标，并计算出它们之间的相对距离和方向，无人机在通过主机获得位置信息后就可以根据无人车的位置进行跟
[0021]随飞行，并保持一定的高度和角度；
[0022]步骤1.2：室外定位：
[0023]在室外，使用GPS跟AprilTag结合的方法，无人机通过无人车顶部携带的二维码进行比较精准地定位和追踪，从而得到无人车与无人机的相对位姿信息。
[0024]进一步地，所述无人机上搭载有RBG
‑
D相机，用于获取彩色图像和深度图像；有激光雷达，用于获取点云数据；有惯性测量单元IMU，用于获取姿态数据；
[0025]所述步骤2在环境信息处理时，对于不同障碍物的识别方法如下：
[0026]对于负障碍物：
[0027]在处理负障碍物信息时，无人机事先进行预训练处理，通过在无人机对负障碍物的录制中抽帧的办法，获取包含负障碍物的数千张图像，作为初始负障碍物数据集，通过筛选排除掉不完整的负障碍物图像后，通过剪切、旋转、透视变换操作增加图像数量较少的负障碍物种类，增加数据集的多样性。
[0028]在得到最终的数据集后经过标定、模型训练、测试后实装到无人机上应用；
[0029]对于动态障碍物：
[0030]使用激光雷达的点云数据识别动态障碍物，然后使用扩展卡尔曼滤波器进行障碍物的定位和预测，扩展卡尔曼滤波器，以下是整个过程的概述：
[0031]1)从激光雷达获取点云数据：激光雷达生成高分辨率的三维点云数据，提供环境中物体的精确位置信息；
[0032]2)点云处理与物体识别：对点云数据进行预处理，如降采样、滤波，接着，通过聚类、分割方法从点云中识别出目标物体；
[0033]3)特征提取：从识别出的物体中提取有关动态障碍物的特征，这些特征作为观测数据输入到EKF中；
[0034]4)EKF定位和预测：使用EKF来估计动态障碍物的状态，EKF通过结合预测模型和观测数据来提高估计的准确性，此外，EKF预测障碍物在未来的位置，从而为无人机的避障规划提供更多信息。
[0035]进一步地，所述步骤2在采集完成环境信息后，进行以下处理：
[0036]步骤2.1：利用RGB
‑
D相机和激光雷达融合生成三维地图；
[0037]步骤2.2：利用深度学习算法识别障碍物并标记其类别和属性，其中在处理负障碍物时，利用YOLOV5深度学习算法，在预训练处理后，进行识别，在处理动态障碍物时，使用激
光雷达的点云数据识别动态障碍物，然后使用扩展卡尔曼滤波器进行障碍物的定位和预测；
[0038]步骤2.3：利用IMU校准地图的方向和尺度。
[0039]进一步地，所述步骤3中无人机根据三维地图和无人车的起始点和目标点来生成局部路径规划，并通过ROS节点传输给无人车，采用RRT*算法来生成局部路径方案，并在实际的运用过程中进行优化和改进，所述RRT*算法的具体步骤如下：
[0040]步骤3.1：初始化随机树，在状态空间中随机生成一个初始节点，将其作为树的根节点；
[0041]步骤3.2：在状态空间中生成一个随机节点xrand，并在随机树中查找距离该节点最近的节点xnear，即：
[0042]x
near
＝argmin(dist(x
rand
,x))
[0043]这里的dist表示节点之间的距离函数；
[0044]步骤3.3：生成一条从xnear到xrand的路径，即：
[0045]x
new
＝steer(x
near
,x
rand
,delta)
[0046]这里的steer函数表示从xnear出发，以步长delta向xrand前进，得到的新状态xnew，
[0047]该函数通常采用插值方法，如线性插值或者样条插值，来得到平滑的路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机为地面无人车提供局部路径规划系统，其特征在于，包括无人机、地面无人车、传感器、算法模块和通信模块，所述传感器用于采集周围的环境信息，包括地面的普通障碍物、负障碍物、动态障碍物的位置信息数据，并将采集的数据传递给算法模块；所述算法模块用于整合处理收集到的环境信息，并根据环境信息制定并优化局部路径方案；所述通讯模块用于将算法模块生成的实时局部路径方案发送给地面无人车，地面无人车接收路径方案后实现相应路径行驶。2.根据权利要求1所述的无人机为地面无人车提供局部路径规划系统，其特征在于，所述无人机与无人车的通讯方式采用的是ROS通信，采用UDP用户数据报协议。3.根据权利要求1所述的无人机为地面无人车提供局部路径规划系统，其特征在于，地面无人车通过ROS节点反馈的信息中，包括其电池电量信息，通过测试时建立的无人车电量与行驶里程关系的模型，计算无人车在行驶完给定路线后的所需电量，若在行驶过程中，无人车电量不足以完成剩下路程，无人机可以直接将目的地规划为最近的充电位置。4.根据权利要求1所述的无人机为地面无人车提供局部路径规划系统，其特征在于，所述无人机和无人车上各自安装四个反光标志物，并在室内环境中布置了二十四个摄像头，通过VICON定位装置，实时获取无人机和无人车的三维坐标。5.一种如权利要求1
‑
4任一项所述的无人机为地面无人车提供局部路径规划系统的局部路径规划的方法，其特征在于，包括如下步骤：步骤1：无人机与无人车的定位；步骤2：无人机端的环境信息采集与处理；步骤3：无人机端生成路径规划并传输；步骤4：无人车端的路径执行与反馈。6.根据权利要求5所述的方法，其特征在于，所述步骤1包括如下具体步骤：步骤1.1：室内定位：通过VICON定位装置，实时获取无人机和无人车的三维坐标，并计算出它们之间的相对距离和方向，无人机在通过主机获得位置信息后就可以根据无人车的位置进行跟随飞行，并保持一定的高度和角度；步骤1.2：室外定位：在室外，使用GPS跟AprilTag结合的方法，无人机通过无人车顶部携带的二维码进行比较精准地定位和追踪，从而得到无人车与无人机的相对位姿信息。7.根据权利要求5所述的方法，其特征在于，所述无人机上搭载有RBG
‑
D相机，用于获取彩色图像和深度图像；有激光雷达，用于获取点云数据；有惯性测量单元IMU，用于获取姿态数据；所述步骤2在环境信息处理时，对于不同障碍物的识别方法如下：对于负障碍物：在处理负障碍物信息时，无人机事先进行预训练处理，通过在无人机对负障碍物的录制中抽帧的办法，获取包含负障碍物的数千张图像，作为初始负障碍物数据集，通过筛选排除掉不完整的负障碍物图像后，通过剪切、旋转、透视变换操作增加图像数量较少的负障碍
物种类，增加数据集的多样性。在得到最终的数据集后经过标定、模型训练、测试后实装到无人机上应用；对于动态障碍物：使用激光雷达的点云数据识别动态障碍物，然后使用扩展卡尔曼滤波器进行障碍物的定位和预测，扩展卡尔曼滤波器，以下是整个过程的概述：1)从激光雷达获取点云数据：激光雷达生成高分辨率的三维点云数据，提供环境中物体的精确位置信息；2)点云处理与物体识别：对点云数据进行预处理，如降采样、滤波，接着，通过聚类、分割方法从点云中识别出目标物体；3)特征提取：从识别出的物体中提取有关动态障碍物的特征，这些特征作为观测数据输入到EKF中；4)EKF定位和预测：使用EKF来估计动态障碍物的状态，EKF通过结合预测模型和观测数据来提高估计的准确性，此外，EKF预测障碍物在未来的位置，从而为无人机的避障规划提...

【专利技术属性】
技术研发人员：戴佳骏，孟濬，
申请(专利权)人：浙江大学，
类型：发明
国别省市：