無人機(jī)自主飛行支撐系統(tǒng)

無人機(jī)視覺慣性多元融合導(dǎo)航

視覺慣性組合導(dǎo)航具有顯著的優(yōu)點：

（1）微慣性器件和視覺傳感器具有體積小、成本低的優(yōu)點。

（2）不同于衛(wèi)星和無線電導(dǎo)航，視覺和慣性導(dǎo)航均不依賴外部設(shè)施支撐，可以實現(xiàn)自主導(dǎo)航。

（3）慣性器件和視覺器件具有很好的互補性，慣性導(dǎo)航誤差隨時間累積，但是在短時間內(nèi)可以很好地跟蹤載體快速運動，保證短時間的導(dǎo)航精度；而視覺導(dǎo)航在低動態(tài)運動中具有很高的估計精度，且引入了視覺閉環(huán)矯正，可以極大地抑制組合導(dǎo)航誤差，兩者的組合可以更好地估計導(dǎo)航參數(shù)。

無人機(jī)自主航線規(guī)劃

規(guī)劃無人機(jī)從起點到目的地避開障礙物的最 佳路線，主要目的是增強無人機(jī)的時間性能和環(huán)境適應(yīng)性。

路徑規(guī)劃水平，修改和改進(jìn)算法可以提高無人機(jī)的整體性能，進(jìn)而改善無人機(jī)工作過程中平滑飛行路徑的選擇，從而提高工作效率。

動態(tài)環(huán)境下基于強化學(xué)習(xí)的無人機(jī)路徑規(guī)劃與優(yōu)化

起飛前、飛行中和回巢及緊急著陸

動態(tài)環(huán)境下強化學(xué)習(xí)無人機(jī)任務(wù)和威脅的分配

檢測障礙物，對障礙物做出適當(dāng)?shù)姆磻?yīng)-等待、繞行以及可視機(jī)非可視多重避障

無人機(jī)自主避障

從測距感知避障、到繞行避障、到結(jié)合場景建模和路徑規(guī)劃的多重障礙避障三個階段，不斷完善的自動避障系統(tǒng)可以極大的減少因操作失誤而帶來的各項損失,目前避障能力正逐漸成為了無人機(jī)自動化或智能化的關(guān)鍵點所在。

感知障礙階段：

超聲波測距對反射面有著一定的要求，常被用來測量無人機(jī)與地面之間的距離,而非與障礙物之間的距離。

雙目視覺技術(shù)是運用了人眼計算距離的原理,是機(jī)器視覺的一種重要形式，主要基于視察原理并利用成像設(shè)備從不同的位置獲取被測物體的兩幅圖像，并通過計算圖像對應(yīng)點之間的位偏差,來確定物體三維幾何信息的方法。

視覺傳感器由于具有重量輕、成本低等優(yōu)點，越來越多地用于無人機(jī)避障?；谝曈X的無人機(jī)避障很可能成為未來的主流。

繞過障礙階段：

獲取精準(zhǔn)的障礙物輪廓并繞過去的關(guān)鍵點則精 確獲得障礙物的深度圖像。

無人機(jī)多避障圖像特征檢測與聚類

基于特征點提取和聚類相結(jié)合的障礙物檢測方法：多重障礙的復(fù)雜環(huán)境，為了在實際避障過程中以最小的努力避開多個障礙物。

三個步驟進(jìn)行。第 一步是檢測特征點，使用不同的特征點檢測算法來檢測障礙物。第二步是特征點聚類部分，使用機(jī)器學(xué)習(xí)無監(jiān)督聚類方法對檢測到的特征點進(jìn)行聚類。目的是將同一障礙物的特征點歸為同一類別。第三步是凸包檢測部分，用于檢測同類障礙物的特征點（將障礙物最外圍的特征點圍成一個凸包），用凸包表示圖片中真實障礙物的位置。

場景建模和路徑探索：

獲取場景模型,并通過飛控來設(shè)置最優(yōu)避障飛行路徑，slam導(dǎo)航避障算法，讓無人機(jī)自主避障教學(xué)研究邁向更高處

無人機(jī)視覺定位技術(shù)

基于視覺航拍技術(shù)，首先對航拍圖像進(jìn)行預(yù)處理，提取圖像特征信息，然后采用粒子濾波技術(shù)提高定位精度。

定位延遲和定位誤差不僅不能實現(xiàn)無人機(jī)的自主定位功能，還會大大降低無人機(jī)的安全性。定位精度也是無人機(jī)自主定位算法的關(guān)鍵問題。目前無人機(jī)的視覺圖像處理是基于像素的，圖像質(zhì)量的好壞將直接影響圖像特征點的代表性和準(zhǔn)確性。圖像處理和計算也是算法中最耗時的部分。

無人機(jī)的視覺導(dǎo)航算法主要分為以下幾類：基于圖像序列或自然景觀的匹配定位或跟蹤、IMU慣性導(dǎo)航與卡爾曼濾波器的集成、視覺測量（V0）方法和視覺SLAM算法構(gòu)建環(huán)境圖。

基于圖像拼接的無人機(jī)自主導(dǎo)航實時SLAM

大多數(shù)無人機(jī)利用全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）技術(shù)和慣性傳感器（INS）來估計自己的地理空間定位。

無人機(jī)通過GNSS接收器進(jìn)行增強，這些接收器受益于從衛(wèi)星發(fā)射的接收時間無線電信號來計算位置（經(jīng)度，緯度和高度）。當(dāng)GNS信號下降時，僅基于INS的位置估計就會漂移。因此，為了準(zhǔn)確地自主導(dǎo)航航向，必須確保同時接收至少四顆衛(wèi)星的無線電信號。

當(dāng)無人機(jī)任務(wù)包括GNSS信號變得不可靠的中間位置時，例如城市地區(qū)，室內(nèi)環(huán)境，森林覆蓋的景觀，被山脈包圍的山谷等，或者當(dāng)無線電信號通過欺騙和游戲操作得到緩解時，這一點無法得到保證，特別是對于在民用頻率上運行的GNSS接收器。

每兩張連續(xù)捕獲的圖像的特征用于確定飛行距離和方位角。僅在拼接圖像和兩個連續(xù)圖像之間執(zhí)行特征匹配，這兩個圖像是在相同條件下使用相同相機(jī)拍攝的。這降低了計算復(fù)雜性，減少了所需的內(nèi)存空間

無人機(jī)應(yīng)該從具有已知坐標(biāo)的初始位置開始導(dǎo)航。該方法使用圖像拼接來確定兩個連續(xù)捕獲的圖像之間的角度和距離。每當(dāng)自動駕駛儀檢測到GNSS接收器發(fā)生故障時，就會計算當(dāng)前位置的坐標(biāo)。

無人機(jī)復(fù)雜氣流環(huán)境安全飛行

由于無人機(jī)、誘導(dǎo)氣流和風(fēng)之間的不穩(wěn)定空氣動力相互作用以及煙霧可視化等，這些非定常和非線性氣動效應(yīng)極大地降低了常規(guī)無人機(jī)控制方法的性能。

神經(jīng)飛行的數(shù)據(jù)驅(qū)動方法，這是一種基于深度學(xué)習(xí)的軌跡跟蹤控制器，可以學(xué)習(xí)快速適應(yīng)快速變化的風(fēng)況。神經(jīng)飛行可以在動態(tài)風(fēng)條件下實現(xiàn)厘米級的位置誤差跟蹤

基于CNN的密集單目視覺SLAM未知環(huán)境快速3D建模

SLAM 算法隨后與基于CNN（卷積神經(jīng)網(wǎng)絡(luò)）的方法集成，利用單圖像深度估計(SIDE)算法來估計環(huán)境的規(guī)模并從一組視頻幀中對環(huán)境的3D重建進(jìn)行致密化。

無人機(jī)應(yīng)急著陸系統(tǒng)

在任務(wù)中，程序失控、人為失誤飛行，甚至突然環(huán)境變化等緊急情況的概率也變得更高。面對此類緊急情況，在復(fù)雜的地面上緊急降落到最近的平坦地面尤為重要。

使用攝像頭計算平坦的地面作為著陸點，并直接控制無人機(jī)自主著陸，安全便捷地完成無人機(jī)的緊急著陸。

自主無人機(jī)飛行過程中程序變化頻繁，一些根本性的變化或短暫的疏忽可能會導(dǎo)致飛行錯誤。因此制定應(yīng)急安全著陸計劃以應(yīng)對突發(fā)故障以促進(jìn)自主無人機(jī)的發(fā)展是必要的任務(wù)。

無人機(jī)失控后，IMU數(shù)據(jù)是一個相對可靠的來源。使用IMU數(shù)據(jù)和GPS融合進(jìn)行姿態(tài)控制，可以確保無人機(jī)在短時間內(nèi)工作。利用無人機(jī)IMU數(shù)據(jù)、相對位置和GPS數(shù)據(jù)的姿態(tài)調(diào)整，完成緊急著陸。

緊急未知環(huán)境下基于單目視覺SLAM的無人機(jī)自主著陸

無人機(jī)落地研究需要考慮多方面因素和通用性，實用性有所提高。具體來說，主要挑戰(zhàn)包括以下幾點：

1：沒有GPS信號的自主控制。GPS的抗干擾能力極弱。如果無人機(jī)機(jī)載GPS信號接收器因電子干擾而發(fā)生故障，無人機(jī)將失去導(dǎo)航定位功能，從而無法安全降落。

2：緊急情況下的被動著陸。由于無人機(jī)的補償機(jī)制不允許故障無人機(jī)長時間繼續(xù)飛行，因此應(yīng)該開始選擇緊急降落的地點。雖然這是無奈之舉，但也是防止無人機(jī)落入人口密集地區(qū)的重要舉措。

3：在未知環(huán)境中自主降落。在軍事領(lǐng)域或救災(zāi)情況下，無人機(jī)需要執(zhí)行任務(wù)的地方多為未知環(huán)境或雜亂無章的環(huán)境。無人機(jī)必須能夠選擇合適的著陸點并安全著陸。

基于于視覺的無人機(jī)著陸方法：借助光學(xué)設(shè)備和圖像識別技術(shù)，無人機(jī)能夠自主識別著陸區(qū)域，重構(gòu)三維地形，實現(xiàn)自動返航和航線規(guī)劃，能夠以良好的策略降落機(jī)場并安全降落，將大大降低無人機(jī)對地面人員的傷害。