一种基于视觉识别的无人机飞行降落控制方法与流程
本发明涉及视觉识别,具体涉及一种基于视觉识别的无人机飞行降落控制方法。
背景技术:
1、随着无人机技术在物流配送、农业植保、应急救援等领域的广泛应用,对无人机自主飞行降落控制精度的要求日益提高。传统的无人机降落控制主要依赖gps导航,但在城市峡谷、室内环境或信号干扰区域,gps信号易受遮挡或拒止,导致定位精度大幅下降甚至失效,难以满足高精度自主降落的需求;
2、视觉识别技术因其信息丰富、设备轻便、成本相对较低等优势,逐渐成为无人机自主降落控制的重要辅助手段;但现有基于视觉的降落控制方案通常采用单目或双目相机对地面标记进行识别和位姿解算,进而仅关注整机重心的位姿估计,忽略了机臂、起落架等不同结构部位在飞行和降落过程中的动态响应差异;导致无人机在风扰、机动或触地冲击等情况下,各结构部位会产生不同的振动、形变和加速度响应,这种分布式动态特性若未被充分感知和利用,导致飞行降落不精准,进而限制控制系统的精度;
3、进一步地,视觉系统输出的图像特征点通常直接用于位置偏差计算,而未与无人机各节点的速度、加速度等多维运动状态进行结构化映射,导致控制系统对环境威胁、障碍物影响的感知维度单一,难以实现复杂场景下的前瞻性预判与主动规避;
4、因此,本发明提供一种基于视觉识别的无人机飞行降落控制方法。
技术实现思路
1、本发明的目的是提供一种基于视觉识别的无人机飞行降落控制方法,以解决背景技术中不足的问题。
2、为了实现上述目的,本发明提供如下技术方案:一种基于视觉识别的无人机飞行降落控制方法,所述方法包括以下步骤:
3、步骤s1:设置无人机的平衡几何模型;采集平衡几何模型中关键位置节点的位置节点飞行数据;根据位置节点飞行数据获取无人机各个关键位置节点的当前飞行状态数据;
4、步骤s2:采集无人机的飞行视觉数据,将飞行视觉数据与当前飞行状态数据进行映射得到视觉映射数据模型;
5、步骤s3:基于视觉映射数据模型构建无人机各个关键位置节点的当前飞行状态变化模型;
6、步骤s4:基于当前飞行状态变化模型实时对无人机的飞行降落进行控制。
7、进一步地,设置无人机的平衡几何模型;采集平衡几何模型中关键位置节点的位置节点飞行数据的过程包括:
8、建立无人机平行地面且处于平衡状态的无人机三维结构模型;
9、设置空间平衡线;所述空间平衡线由相同一点向空间发射出若干条均等角度的射线组成;
10、获取无人机三维结构模型的中心结构节点,以中心结构节点为映射中心将空间平衡线一点映射到无人机三维模型;进而获取空间平衡线在无人机三维模型的方向,记为平衡线方向;
11、获取空间平衡线各个平衡线方向对应的射线与无人机三维结构模型重合的线段,记为无人机关键线段;在无人机关键线段设置无人机的关键位置节点,进而构建无人机的平衡几何模型;
12、基于平衡几何模型在无人机对应关键位置节点设置采集装置,用于采集关键位置节点的位置节点飞行数据。
13、进一步地,采集关键位置节点的位置节点飞行数据的过程包括:
14、设置采集变化单元;所述采集变化单元设置偏移映射集;所述偏移映射集由偏移角度、偏移权重以及采集周期映射而成;
15、通过中心结构节点实时获取无人机关键线段与对应平衡线方向的夹角,记为无人机关键线段的偏移角度;
16、基于采集变化单元根据偏移映射集获取偏移角度的偏移权重,进而根据偏移权重得到无人机关键线段对应关键位置节点的采集周期;根据采集周期采集关键位置节点的位置节点飞行数据;所述位置节点飞行数据至少包括飞行位置点、飞行点速度、飞行点加速度、飞行点角速度。
17、进一步地,根据位置节点飞行数据获取无人机各个关键位置节点的当前飞行状态数据的过程包括:
18、将各个关键位置节点的飞行点速度、飞行点加速度、飞行点角速度分别分解到飞行三维模型的三轴,进而分别得到三轴对应的飞行点分速度、飞行点分加速度和飞行点分角速度;
19、将飞行三维模型的飞行点分速度、飞行点分加速度和飞行点分角速度分别按照三轴进行整合生成飞行三维模型的三轴线速度、三轴线加速度以及三轴线角速度;
20、将三轴线速度、三轴线加速度以及三轴线角速度与对应关键位置点的飞行位置点进行整合获取无人机各个关键位置节点的当前飞行状态数据。
21、进一步地,采集无人机的飞行视觉数据,将飞行视觉数据与当前飞行状态数据进行映射得到视觉映射数据模型的过程包括:
22、基于gps采集无人机的飞行目标路线;在所述飞行目标路线设置视觉采集节点;
23、通过摄像头实时采集视觉采集节点对应无人机各个平衡线方向的视觉图像;
24、通过在视觉图像设置障碍物位置节点,进而基于飞行三维模型采集视觉图像各个障碍物位置节点的图像位置点;将图像位置点进行连接生成视觉范围;
25、将视觉图像与视觉范围进行关联生成无人机对应各个平衡线方向的飞行视觉数据;
26、设置映射机制,基于映射机制将飞行视觉数据与关键位置节点对应飞行位置点的当前飞行状态数据进行映射得到视觉映射数据模型。
27、进一步地,设置映射机制的过程包括:
28、判断无人机关键线段是否除对应平衡线方向的视觉范围之外还存在其他平衡线方向对应的视觉范围;
29、若否,则依次将所有平衡线方向的图像位置点与平衡线方向对应无人机关键线段各个关键位置节点对应飞行位置点的当前飞行状态数据进行映射得到视觉映射数据模型;进而获取对应关键位置节点的飞行位置点与图像位置点的距离,记为当前映射距离;
30、反之,则设置障碍物映射距离,获取无人机关键线段所在视觉范围的所有图像位置点并整合生成图像位置点集;进而依次获取图像位置点集的图像位置点与无人机关键线段各个关键位置节点的飞行位置点的距离,记为当前映射距离;
31、依次将图像位置点集中当前映射距离小于等于障碍物映射距离的图像位置点与对应关键位置节点对应飞行位置点的当前飞行状态数据进行映射得到视觉映射数据模型。
32、进一步地,基于视觉映射数据模型构建无人机各个关键位置节点的当前飞行状态变化模型的过程包括:
33、获取相邻视觉采集节点的标准飞行时长;设置预测标准飞行时长的预测单位时间窗口;
34、采集视觉采集节点的当前时间点,基于视觉映射数据模型获取当前时间点对应关键位置节点的当前飞行状态数据;
35、根据当前时间点的当前飞行状态数据获取关键位置节点在预测单位时间窗口的预测飞行位置点;
36、将相邻视觉采集节点的预测飞行位置点以及视觉采集节点进行平滑连接生成关键位置节点对应的预测飞行曲线,进而构建得到当前飞行状态的变化模型。
37、进一步地,基于当前飞行状态变化模型实时对无人机的飞行降落进行控制的过程包括:
38、基于当前飞行状态变化模型实时获取各个关键位置节点对应预测飞行曲线的预测飞行位置节点与对应关键位置节点基于视觉映射数据模型连接图像位置点的距离,记为预测障碍物距离;
39、设置预测障碍物距离阈值;
40、将预测障碍物距离小于等于预测障碍物距离阈值的图像位置点标记为异常图像位置点;并获取异常图像位置点的预测障碍物距离,记为异常预测障碍物距离;
41、反之,不做任何处理;
42、根据异常预测障碍物距离对关键位置节点的当前飞行状态数据进行调控。
43、与现有技术相比,本发明的有益效果是:
44、1、本发明通过设置无人机的平衡几何模型;采集平衡几何模型中关键位置节点的位置节点飞行数据;根据位置节点飞行数据获取无人机各个关键位置节点的当前飞行状态数据;采集无人机的飞行视觉数据;通过在无人机的机臂末端、起落架底部、载荷挂载点等关键结构部位设置关键位置节点,分别采集各节点的三轴分速度、三轴分加速度和三轴分角速度,克服了传统方案仅关注整体质心的局限性,有效充分感知和利用分布式动态特性,提高无人机飞行降落对应飞行降落数据的精准性。
45、2、将飞行视觉数据与当前飞行状态数据进行映射得到视觉映射数据模型;基于视觉映射数据模型构建无人机各个关键位置节点的当前飞行状态变化模型;进而基于当前飞行状态变化模型实时对无人机的飞行降落进行控制;有效实现复杂场景下的前瞻性预判与主动规避。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com