[发明专利]一种基于视觉语义信息的动态障碍环境导航方法和装置

说明书

本发明涉及多旋翼无人机控制与导航技领域，更具体的说，涉及一种基于视觉语义信息的动态障碍环境导航方法和装置。本发明提出的一种基于视觉语义信息的动态障碍环境导航方法，包括以下步骤：S1、使用基于深度神经网络模型的概率回归预测方法，分割并解析原始图片的场景中的语义信息，对场景中的障碍物进行实时检测识别，建立障碍物地图；S2、使用启发式分层搜索的方法，基于多旋翼动力学模型的运动微元序列进行路径搜索，对建立的障碍物地图进行动态路径规划；S3、使用李代数控制器进行快速响应的轨迹跟踪控制。本发明通过使用视觉语义信息，使多旋翼无人机在复杂动态场景中完成高效率、高动态性能的作业任务。

技术领域

本发明涉及多旋翼无人机控制与导航技领域，更具体的说，涉及一种基于视觉语义信息的动态障碍环境导航方法和装置。

背景技术

四旋翼无人机由于其体型轻便，飞行灵活，悬停能力强，机动性能好等特点，受到工程应用界各领域的广泛关注。

配备机载视觉传感器的四旋翼飞行器，是自主导航任务的理想平台，在复杂的动态环境中执行任务，成为了无人飞行设备应用与研究中的重要关注点。

配备机载视觉传感器的四旋翼无人机的应用场景广泛分布于场景勘探，危情侦查，室内外建图，环境交互，以及搜索救援任务等方面。

四旋翼无人机由两对反向旋转的旋翼和螺旋桨组成，具有欠驱动，非线性，强耦合等系统特性。通过使用反推控制器、滑模技术以及Dijkstra(迪杰斯特拉)算法，已经开发出一些近悬停状态下以及不考虑复杂动力学模型的路径规划方法的无人机控制器。

但是当环境复杂、障碍物动态化时，四旋翼无人机系统表现出强非线性的特点，上述方法基于已知的环境信息，而如何实时准确的检测环境信息，也是需要重点关注的问题。

现有的四旋翼无人机的导航方法存在以下的缺陷：

1)对于视觉语义信息没有充分利用，对于动态障碍物判断的效率有所欠缺，基于深度学习的语义分割方法的处理效率需要提升；

2)轨迹规划中对于无人机模型的考虑过于简单，使得无人机无法穿越较为复杂的障碍物；

3)基于欧拉角姿态表示方法的控制器设计，受限于欧拉角的万向锁缺陷，其控制性能受到限制。

发明内容

本发明的目的是提供一种基于视觉语义信息的动态障碍环境导航方法和装置，解决现有技术的无人机导航方法在复杂动态场景中效率低、控制性能差的问题。

为了实现上述目的，本发明提供了一种基于视觉语义信息的动态障碍环境导航方法，包括以下步骤：

S1、使用基于深度神经网络模型的概率回归预测方法，分割并解析原始图片的场景中的语义信息，对场景中的障碍物进行实时检测识别，建立障碍物地图；

S2、使用启发式分层搜索的方法，基于多旋翼动力学模型的运动微元序列进行路径搜索，对建立的障碍物地图进行动态路径规划；

S3、使用李代数控制器进行快速响应的轨迹跟踪控制。

在一实施例中，所述步骤S1进一步包括以下步骤：

S11、将原始图片缩放至指定大小并进行区块分割；

S12、将分割后的图片输入深度神经网络模型进行概率回归预测，输出图片场景中障碍物的位置、尺寸和置信度的预测值；

S13、根据非极大值抑制法去除多余的预测值，得到目标检测结果，所述目标检测结果采用边界框体与物体种类表示。

在一实施例中，所述步骤S1中的深度神经网络模型的概率回归预测方法的预测参数，进一步包括：

图片像素点与预测物体中心的距离坐标；