[发明专利]一种行人交互友好型的单目避障方法

说明书

一种行人交互友好型的单目避障方法，属于无人机导航领域，本发明为解决搭载单目摄像头的室内无人机避障性能不佳的问题。本发明方法为无人机利用单目摄像头采集图片，所述图片输入至端到端策略的并行深度神经网络结构中，该网格结构输出最佳航向角作为无人机避障的飞行指令；所述端到端策略的并行深度神经网络结构由单目摄像头结合单线激光雷达协同完成，训练过程为：步骤一、利用单线激光雷达采集的深度值搜索最佳航向，并为单目摄像头采集的图片打标签，建立数据集；步骤二、所述数据集分别输入至Resnet18网络和预训练好的YOLO v3网络中；步骤三、利用步骤一的数据集训练步骤二所述并行深度神经网络直至收敛。

技术领域

本发明涉及Resnet18深度神经网络结合YOLOv3深度神经网络组成并行网络结构，来解决有行人情景下的单目视觉避障技术，属于无人机导航领域。

Resnet(Residual Neural Network，残差神经网络)，YOLO(You Only Look Once:Unified,Real-Time Object Detection只看一次：统一的实时对象检测)。

背景技术

随着无人机行业的发展，无人机的自主导航是许多无人机应用的核心，例如在多无人机协调，无人机建图和无人机室内任务等。然而，由于室内空间较小，人员动态性较高等原因，所用的无人机尺寸有限，因此小型无人机上面所能搭载的传感器也非常有限(往往只搭载单目摄像头)，因此依靠有限的传感器使得无人机在室内自主导航避障仍然是一项有挑战性的工作。

目前根据无人机路径规划是否是基于轨迹法，将无人机导航算法分为两大类，分别是基于轨迹规划和基于动作响应的(端到端决策)方法。对于基于轨迹规划的方法，其优点在于通过动态规划，可以求解出一条全局最优路径，其结果更加可控，更加稳定，但是该类方法带来的弊端是算法耗时长，比较依赖计算机的算力，而且往往基于轨迹规划的算法的泛化能力会相对比较弱一些。对于基于动作响应的方法，此类方法的优点在于其为端到端决策类型的算法，通常算法决策耗时比较短，同时目前基于端到端的算法的泛化能力普遍要优于基于轨迹的方法，但是基于端到端的方法的短板也非常明显，那就是其决策并不一定是全局最优解。

对于基于响应类的避障算法分为自主学习类和非自主学习类，非自主学习类的算法诸如人工势场法等算法，但由于当无人机距离障碍物过近或者离目标位置太远将会导致局部震荡等一系列问题，虽然后续有改进版本的人工势场法，但也使得其参数变得很难整定，实际应用起来很难。对于自主学习类的无人机避障算法，目前主要是基于深度强化学习和深度学习的方法。目前应用深度强化学习进行无人机室内避障较为成功的案例有诸如基于状态值估计的Generalization through Simulation Integrating Simulated andReal Data into Deep Reinforcement Learning for Vision Based Autonomous Flight(GTS，通过仿真将模拟和实际数据集成到基于视觉的自主飞行的深度强化学习中进行泛化)，该方法为端到端决策方法。

然而对于该深度强化学习GTS避障算法而言具有以下缺陷，首先，其利用仿真环境训练出来的状态值估计网络，其对动作空间里所有的动作采取的是利用状态值估计网络逐个评估的方法，这意味着在决策时会加大响应延迟；其次，其采用离散动作空间，这意味着无人机的决策动作也将变得离散，动作不是那么平滑；最后，该GTS避障算法将仿真环境训练好的网络移植到实物无人机上，由于网络模型过于简单，在实物效果上表现为避障裕度不够、路径不稳定。

室内有限空间下的小型无人机只能搭载单目摄像头，因单目摄像头难以求取深度信息而无法感知到全局信息，目前没人将响应延迟高、避障路径不稳定、裕度不足的端到端避障算法应用在无人的环境下进行飞行试验，在室内环境中行人运动的特点是随机性比较强，同时人们喜欢聚焦、围观，这使得端到端避障算法的实用性大大下降，甚至无法使用。

发明内容