基于深度强化学习的无人机避障方法、系统及介质与流程

本技术涉及无人机避障，具体而言，涉及一种基于深度强化学习的无人机避障方法、系统及介质。

背景技术：

1、无人机控制技术研究是目前国内外大学和研究机构关注的热点之一。近年来，无人机空中作业越来越普遍，已被广泛应用于各种场合，其有效克服了有人驾驶飞机在空中作业时的种种不足，降低了维护和采购成本，并且增加了作业的灵活性和适应性。但是，无人机在飞行过程中往往面临着山脉、建筑物、树木和输电线路等有形障碍物的安全威胁，以及受到禁飞区、危险区等无形障碍物的约束。因此，避障飞行对于无人机具有非常重要的意义，是无人机完成复杂、多功能高难度动作的前提条件，现有的部分无人机能够利用光学设备对自身进行定位，比如用激光测距仪来确定自身与障碍物的距离，从而方便工作人员进行提前规避，但是无人机的规避操作大都是人工操作的，一旦因工作人员的疏忽或失误，使得无人机过于接近障碍物，无法及时进行规避操作，导致无人机和障碍物相撞，带来财产损失，针对上述问题，目前亟待有效的技术解决方案。

技术实现思路

1、本技术实施例的目的在于提供一种基于深度强化学习的无人机避障方法、系统及介质，通过深度强化学习对障碍物特征进行精准的分析筛选，提高障碍物分布分析精度，同时动态调整无人机飞行参数，使得无人机提前预知障碍物位置进行规避，提高避障精度。

2、本技术实施例还提供了一种基于深度强化学习的无人机避障方法，包括：

3、获取无人机外侧全景图像，将全景图像进行预处理；

4、对预处理之后的全景图像提取图像特征，基于深度强化学习原理构建分析模型，根据分析模型筛选出障碍物特征；

5、基于障碍物特征得到无人机外侧区域的障碍物分布，计算无人机与障碍物之间的距离信息；

6、获取无人机飞行参数，基于无人机飞行参数与距离信息计算无人机碰撞时间；

7、基于无人机碰撞时间对无人机飞行参数进行动态调整，所述无人机飞行参数包括无人机飞行速度、航向角与飞行高度。

8、可选地，在本技术实施例所述的基于深度强化学习的无人机避障方法中，获取无人机外侧全景图像，将全景图像进行预处理，具体包括：

9、获取无人机尺寸信息与轮廓信息，基于无人机尺寸与轮廓设定探测半径，生成探测区域；

10、通过雷达实时获取若干个时间节点下对应的探测区域的全景图像；

11、对相邻时间节点的全景图像分析比较图像显示差异，得到图像显示误差值；

12、基于图像显示误差值对全景图像进行平移、旋转与增强处理，得到预处理后的全景图像。

13、可选地，在本技术实施例所述的基于深度强化学习的无人机避障方法中，对预处理之后的全景图像提取图像特征，基于深度强化学习原理构建分析模型，根据分析模型筛选出障碍物特征，具体包括：

14、获取预处理后的全景图像，将全景图像进行分割处理，得到若干个子图像，并建立图像集；

15、将图像集内的子图像输入分析模型，并输出子图像不同像素点的灰度值；

16、将灰度值与设定的范围区间进行比较，范围区间包括第一区间、第二区间与第三区间；

17、若灰度值属于第一区间，则判定为无人机特征；

18、若灰度值属于第二区间，则判定为图像背景特征；

19、若灰度值属于第三区间，则判定为障碍物特征。

20、可选地，在本技术实施例所述的基于深度强化学习的无人机避障方法中，所述分析模型构建与训练步骤包括：

21、通过大数据获取海量已知障碍物类型的图像集，将已知障碍物类型的图像集输入初始模型进行障碍物识别与迭代训练，得到训练结果；

22、判断训练结果是否收敛；

23、若不收敛，则基于训练结果调整模型参数；

24、若收敛，则生成分析模型。

25、可选地，在本技术实施例所述的基于深度强化学习的无人机避障方法中，基于障碍物特征得到无人机外侧区域的障碍物分布，计算无人机与障碍物之间的距离信息，具体包括：

26、获取无人机外侧区域所有的障碍物特征，将所有的障碍物特征进行分析，得到障碍物分布信息；

27、基于障碍物分布信息判断障碍物轮廓，根据障碍物轮廓计算障碍物中心点位置；

28、将无人机中心点位置与障碍物中心点位置进行比较，得到无人机与障碍物之间的距离信息以及不同位置处的两个障碍物之间的距离信息。

29、可选地，在本技术实施例所述的基于深度强化学习的无人机避障方法中，获取无人机飞行参数，基于无人机飞行参数与距离信息计算无人机碰撞时间，具体包括：

30、获取无人机飞行参数生成无人机的移动状态信息；

31、获取无人机的飞行航向角，根据飞行航向角判断无人机与障碍物之间是否会发生碰撞；

32、若会发生碰撞，则基于无人机的移动状态信息计算无人机接触障碍物的时间，得到碰撞时间；

33、若不会发生碰撞，则将当前障碍物暂时屏蔽，并依次分析其他障碍物。

34、第二方面，本技术实施例提供了一种基于深度强化学习的无人机避障系统，该系统包括：存储器及处理器，所述存储器中包括基于深度强化学习的无人机避障方法的程序，所述基于深度强化学习的无人机避障方法的程序被所述处理器执行时实现以下步骤：

35、获取无人机外侧全景图像，将全景图像进行预处理；

36、对预处理之后的全景图像提取图像特征，基于深度强化学习原理构建分析模型，根据分析模型筛选出障碍物特征；

37、基于障碍物特征得到无人机外侧区域的障碍物分布，计算无人机与障碍物之间的距离信息；

38、获取无人机飞行参数，基于无人机飞行参数与距离信息计算无人机碰撞时间；

39、基于无人机碰撞时间对无人机飞行参数进行动态调整，所述无人机飞行参数包括无人机飞行速度、航向角与飞行高度。

40、可选地，在本技术实施例所述的基于深度强化学习的无人机避障系统中，获取无人机外侧全景图像，将全景图像进行预处理，具体包括：

41、获取无人机尺寸信息与轮廓信息，基于无人机尺寸与轮廓设定探测半径，生成探测区域；

42、通过雷达实时获取若干个时间节点下对应的探测区域的全景图像；

43、对相邻时间节点的全景图像分析比较图像显示差异，得到图像显示误差值；

44、基于图像显示误差值对全景图像进行平移、旋转与增强处理，得到预处理后的全景图像。

45、可选地，在本技术实施例所述的基于深度强化学习的无人机避障系统中，对预处理之后的全景图像提取图像特征，基于深度强化学习原理构建分析模型，根据分析模型筛选出障碍物特征，具体包括：

46、获取预处理后的全景图像，将全景图像进行分割处理，得到若干个子图像，并建立图像集；

47、将图像集内的子图像输入分析模型，并输出子图像不同像素点的灰度值；

48、将灰度值与设定的范围区间进行比较，范围区间包括第一区间、第二区间与第三区间；

49、若灰度值属于第一区间，则判定为无人机特征；

50、若灰度值属于第二区间，则判定为图像背景特征；

51、若灰度值属于第三区间，则判定为障碍物特征。

52、第三方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于深度强化学习的无人机避障方法程序，所述基于深度强化学习的无人机避障方法程序被处理器执行时，实现如上述任一项所述的基于深度强化学习的无人机避障方法的步骤。

53、由上可知，本技术实施例提供的一种基于深度强化学习的无人机避障方法、系统及介质，通过获取无人机外侧全景图像，将全景图像进行预处理；对预处理之后的全景图像提取图像特征，基于深度强化学习原理构建分析模型，根据分析模型筛选出障碍物特征；基于障碍物特征得到无人机外侧区域的障碍物分布，计算无人机与障碍物之间的距离信息；获取无人机飞行参数，基于无人机飞行参数与距离信息计算无人机碰撞时间；基于无人机碰撞时间对无人机飞行参数进行动态调整，通过深度强化学习对障碍物特征进行精准的分析筛选，提高障碍物分布分析精度，同时动态调整无人机飞行参数，使得无人机提前预知障碍物位置进行规避，提高避障精度。