[发明专利]一种无人机避障和路径规划装置及方法

说明书

本发明公开了一种无人机避障和路径规划装置及方法，所述装置包括：深度图采集模块，用于采集飞行环境深度图片；变分自编码器构建单元，用于构建变分自编码器，将采集的深度图片输入变分自编码器，对输入的深度图片降维，输出深度图的隐变量；因果强化学习模型构建单元，用于构建强化学习模型，使用DDPG作为强化学习模型框架，接收所述变分自编码器输出的隐变量因子以及无人机当前位置距离目标点的差值向量D(x,y)进行处理，输出动作控制量控制所述无人机飞行速度。

技术领域

本发明涉及无人机及人工智能技术领域，特别是涉及一种基于因果强化学习算法的无人机(Unmanned Aerial Vehicle，UAV)避障和路径规划装置及方法。

背景技术

随着无人机技术的快速发展，无人机的应用也越来越深入到各行各业，并且在其中扮演着重要的角色。目前无人机的运动主要由飞手进行操控，而飞手的培训具有耗时长、成本昂贵、培训机构稀缺等缺点。因此在民用无人机领域，航拍价格昂贵且资源短缺，并不利于无人机在生活中的应用推广。而拥有自动避障及路径规划的功能的无人机，可以大大降低成为无人机飞手的培训时长和成本，增强了无人机操控的简便性，让无人机可以成为更加普及的民用工具，同时也可以将无人机运用在货物分拣、设备巡查、治安巡防等领域，实现相关领域的自动化，因此无人机的自主导航和路径规划问题具有重要的研究价值。

经过多年的发展，目前在无人机的避障和路径规划领域已经提出了多种解决算法，其中各有优缺点，并且在不同的环境条件下的表现也各不相同。传统的无人机路径规划和避障算法分成主要分成两类，一种是基于先验完全地图信息建立的全局路径优化和避障算法，另外一种是基于无人机本身传感器，对路径进行动态的实时的规划算法。对于全局的路径规划主要有搜索算法和图形学算法两种，搜索算法主要包括Dijkstra算法、A*算法等，图形学方法主要包括栅格法、C空间法、切线图法与Voronoi图法等，然而，由于全局路径规划必须获知先验完全地图信息，当需要无人机在陌生环境中完成自主导航及避障时，全局路径规划算法并不能满足需求，而动态局部路径规划算法由于可以根据环境的变化对路径规划和避障算法做出相应的改变从而使得机器人拥有在动态复杂环境中完成自主导航和避障功能，因而得到广泛应用。目前，局部路径规划主要包括人工势场法、蚁群算法、以及强化学习算法等。

人工势场法是将机器人看做在势力场中的质点，目标点对机器人产生“引力场”，而障碍点则对机器人产生“斥力场”，通过对场效应进行累加之后求出机器人的相应运动。但是该种算法容易陷入局部最优解的问题中，使得机器人可能永远到不了目的地。

蚁群算法是一种智能仿生学算法，通过模仿蚂蚁的觅食时的搜索和记录路径的策略，达到动态规划路径的目的。该算法利用迭代和存储的方式模拟蚂蚁觅食时的信息传递及探索，可以达到较好的全局优化的效果，但同时其也存在计算量较大且具有较差的实时性的缺点，也存在局部最优解的情况。