一种无人机航线动态调整与自主避障方法及系统与流程

本发明涉及无人机航行监测，更具体地说，本发明涉及一种无人机航线动态调整与自主避障方法及系统。

背景技术：

1、在现有技术中，无人机主要依靠预设的航线进行飞行，通常在计划飞行任务之前就已确定，并且在执行中较难做出实时的调整。然而，由于无人机飞行环境的不确定性，如天气变化、未映射的障碍物或其他空中交通等因素，无法及时准确地判断何时进行无人机航线的调整，可能会遭遇安全风险、任务执行效率和成功率低下等一系列问题，这限制了无人机在更广泛应用场景中的效能和可靠性。

2、为了解决上述问题，现提供一种技术方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种无人机航线动态调整与自主避障方法及系统以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种无人机航线动态调整与自主避障方法，包括如下步骤：

4、s1：在无人机起飞前，获取无人机飞行的预设航线；

5、s2：在无人机起飞后，实时监测无人机的周围环境的飞行隐患，判断是否触发自主避障；

6、s3：在无人机触发自主避障后，对自主避障后无人机的能耗进行评估，根据无人机的能耗的评估结果判断是否立即调整无人机飞行的预设航线；

7、s4：当不立即调整航线时，通过对历史避障事件的分析，评估无人机的未来航线风险；通过分析无人机完成避障动作后的剩余操作能力，评估无人机的后避障机动余度；

8、s5：将无人机的未来航线风险和无人机的后避障机动余度进行综合分析，再次判断是否调整无人机飞行的预设航线。

9、在一个优选的实施方式中，在s1中，具体为：

10、定义无人机的任务目标和需求；

11、基于任务需求，进行航线规划，并确定航线数据；

12、将航线数据上传到无人机的导航系统。

13、在一个优选的实施方式中，在s2中，具体为：

14、使用深度学习模型进行障碍物检测：o＝f(i；θ)；其中，o是输出的障碍物信息；i是输入的传感器图像，f是深度学习模型，θ是深度学习模型的参数；

15、根据障碍物的位置和尺寸以及无人机的速度和航向，预测是否会发生碰撞；

16、碰撞预测用以下公式进行计算：pc＝1-exp(-λ*timpact)；其中，pc是碰撞发生的概率，λ是碰撞风险系数，timpact是预计的碰撞时间；

17、根据碰撞预测的结果，判断是否触发自主避障：

18、当pc＞pthreshold，则触发自主避障；当pc≤pthreshold，则不触发自主避障；

19、其中，pthreshold是预设的碰撞概率阈值。

20、在一个优选的实施方式中，在s3中，具体为：

21、在无人机触发自主避障后，收集避障动作过程中的能耗数据；

22、获取避障前的电池剩余电量、避障后的电池剩余电量以及避障动作持续的时间；

23、计算无人机在执行避障过程中消耗的能量，计算公式为：δe＝estart-eend；其中，δe是执行避障过程中消耗的能量，estart、eend分别是避障前的电池剩余电量、避障后的电池剩余电量；

24、避障效率公式：eefficiency为避障效率，t为避障动作持续的时间；

25、预测无人机在当前航线上完成剩余任务所需的能耗；能耗预测模型表示为：erequired＝d*eefficiency；其中，d是从当前位置到目的地的距离；erequired是完成剩余航程所需的预估能耗；

26、对比剩余电量与预测的能耗，确定是否需要立即调整航线；

27、如果eend＜erequired，则立即调整航线；如果eend≥erequired，则不立即调整航线。

28、在一个优选的实施方式中，在s4中，通过对历史避障事件的分析，评估无人机的未来航线风险；具体为：

29、收集无人机在过去飞行中所有相关的避障事件的数据，基于收集的数据，识别出影响无人机飞行安全的关键风险因子，为每个识别的风险因子分配一个量化值；

30、计算风险因子的量化值，其表达式为：其中，fi是第i个风险因子的量化值，nevents,i是该风险因子在历史数据中出现的次数，t是历史数据中记录的总飞行时间；

31、计算未来航线的总风险评分，其表达式为：其中，r是未来航线的总风险评分，n是风险因子的总数，k是斜率调整因子，ci是中心点。

32、在一个优选的实施方式中，通过分析无人机完成避障动作后的剩余操作能力，评估无人机的后避障机动余度，具体为：

33、收集完成避障动作后无人机的相关性能数据；具体数据包括：

34、erem：避障后的剩余电量；vavg：避障动作中的平均速度；dmaneuver：避障过程中无人机实际移动的距离；θresponse：避障中姿态调整的反应时间；

35、定义无人机避障性能退化函数，其表达式为：其中，dcz是无人机避障性能退化函数，efull是无人机满电状态下的电量；

36、计算机动余度指数，其表达式为：其中，myz是机动余度指数，h是调节系数，c是偏移常数。

37、在一个优选的实施方式中，在s5中，将无人机的未来航线风险和无人机的后避障机动余度进行综合分析，再次判断是否调整无人机飞行的预设航线，具体为：

38、将未来航线的总风险评分和机动余度指数进行归一化处理，将归一化处理后的未来航线的总风险评分和机动余度指数分别赋予预设比例系数后，计算得到航线调整评估系数，通过航线调整评估系数再次判断是否调整无人机飞行的预设航线；

39、设定航线调整评估阈值；将航线调整评估系数与航线调整评估阈值进行比较：

40、当航线调整评估系数大于航线调整评估阈值，则判断调整无人机的航线；

41、当航线调整评估系数小于等于航线调整评估阈值，则判断不调整无人机的航线。

42、另一方面，本发明提供一种无人机航线动态调整与自主避障系统，包括预设航线获取模块、避障触发判断模块、避障能耗评估模块、航线信息采集模块以及航线调整判断模块；

43、在无人机起飞前，预设航线获取模块获取无人机飞行的预设航线；

44、在无人机起飞后，避障触发判断模块实时监测无人机的周围环境的飞行隐患，判断是否触发自主避障；

45、避障能耗评估模块在无人机触发自主避障后，对自主避障后无人机的能耗进行评估，根据无人机的能耗的评估结果判断是否立即调整无人机飞行的预设航线；

46、当不立即调整航线时，航线信息采集模块通过对历史避障事件的分析，评估无人机的未来航线风险；通过分析无人机完成避障动作后的剩余操作能力，评估无人机的后避障机动余度；

47、航线调整判断模块将无人机的未来航线风险和无人机的后避障机动余度进行综合分析，再次判断是否调整无人机飞行的预设航线。

48、本发明一种无人机航线动态调整与自主避障方法及系统的技术效果和优点：

49、通过实时监测无人机周围环境的飞行隐患，并根据监测结果动态调整航线，显著提高了无人机在复杂环境中的安全性。通过分析避障后的能耗、历史避障事件和机动余度，无人机能够根据当前的状态决定是否需要进一步调整航线。这种自适应调整策略使无人机能够在保持效率的同时，最大限度地完成复杂任务，如跨越不同地理或气象条件的长距离飞行，通过整合实时环境监测、智能决策算法和历史数据分析，显著提高了无人机的操作安全性、能效和任务适应性。