[发明专利]基于多传感器的无人机智能感知系统和方法

权利要求书

1.一种基于多传感器的无人机智能感知系统，其特征是，包括激光雷达、RGB-D视觉传感器、IMU惯性测量单元、嵌入式机载处理器和飞行控制器，激光雷达用于测量周围环境的距离信息；RGB-D视觉传感器采集周围环境的距离信息和图像信息，激光雷达采集的为2D点云数据，而RGB-D视觉传感器采集的为3D点云数据，IMU惯性测量单元是测量自身三轴姿态角及加速度的设备，飞行控制器主要用于控制无人机的飞行，嵌入式机载处理器包括自主定位和目标识别两个独立模块，分别通过处理点云数据，获得无人机自身位姿并进行目标识别。

2.如权利要求1所述的基于多传感器的无人机智能感知系统，其特征是，自主定位模块采用基于SLAM的无人机自主定位，由以下三个步骤完成：第一步先通过处理激光雷达的点云数据获取周围环境的初始地图；第二步通过高斯牛顿法进行扫描匹配估计无人机在水平面内的位置；第三步通过融合IMU的姿态数据和无人机的高度数据获取无人机在三维空间内的位置姿态。

3.一种基于多传感器的无人机智能感知方法，其特征是，利用激光雷达、RGB-D视觉传感器和嵌入式机载处理器实现，利用激光雷达测量周围环境的距离信息；利用RGB-D视觉传感器采集周围环境的距离信息和图像信息，激光雷达采集的为2D点云数据，而RGB-D视觉传感器采集的为3D点云数据，利用嵌入式机载处理器运行自主定位和目标识别两个独立模块，分别通过处理点云数据，获得无人机自身位姿并进行目标识别。

4.如权利要求3所述的基于多传感器的无人机智能感知方法，其特征是，目标识别模块基于RGB-D传感器进行目标识别的具体步骤是，首先对RGB-D传感器获取的点云数据进行预处理，然后通过支持向量机进行离线建模，建立模型数据库，最后进行在线目标识别，具体地：

第一步：本发明采用双线性插值法得到占据栅格地图概率值V(P_m)建立初始环境地图，P_m为地图坐标(x,y)，双线性插值法的公式如下：

其中(x_i,y_i)，i＝0,为(x,y)附近的四个整数坐标点；

第二步：在获取初始环境地图之后，通过高斯牛顿法将激光光束端点和已有地图进行扫描匹配，为使激光束扫描得到的端点与已知地图相匹配，首先定义并求解刚体变换n_x,n_y为即世界坐标系坐标，即为朝向角，通过该变换使得达到最小，即求

α*=argminαΣi=1n[1-V(Wi(α))]2---(1)]]>

其中，W_i(α)是关于激光光束端点即障碍物e_i＝(e_i,x,e_i,y)^T在世界坐标系中的坐标，即且

函数V(W_i(α))表示由W_i(α)给出的坐标所在栅格占用概率值；

利用高斯牛顿法对(1)式进行求解，先给定机器人初始位置α，通过加入Δα进行优化，使得残差趋近于0，进行整理最后得到Gauss-Newton方程(2)如下，

Δα=H-1Σi=1n[▿V(Wi(α))∂Wi(α)∂α]T[1-V(Wi(α))],]]>

其中H为黑塞矩阵，

在初始位置上叠加增量Δα，即令α⁽²⁾＝α⁽¹⁾+Δα，不断重复k次上述过程进行迭代求解直至收敛，最终即可求得移动机器人在世界坐标系中的位置为α^k+1＝α^k+Δα；

第三步：最后通过EKF扩展卡尔曼滤波融合飞控中的惯性测量单元采集的高度数据实现三维空间内的无人机自主定位。

5.如权利要求3所述的基于多传感器的无人机智能感知方法，其特征是，目标识别模块采用基于RGB-D传感器的目标识别方法，步骤如下：

第一步：目标识别模块首先对Realsense传感器采集的点云数据进行预处理，分别提取出位置、颜色、深度、法线、曲率特征；

第二步：离线建模模块通过支持向量机对目标点云进行训练，完成离线建模，建立模型数据库；

第三步：在线识别模块，首先利用支持向量机对目标检测模块输出及跟踪目标模型进行分类预测，引入自适应粒子滤波，通过对粒子滤波点云模板进行在线更新，克服目标漂移问题，最终实现在线目标识别。