基于分数阶微积分的无人机微小障碍物动态避让方法与流程

本发明涉及无人机，尤其涉及基于分数阶微积分的无人机微小障碍物动态避让方法。

背景技术：

1、现有技术中，无人机在复杂动态环境中对障碍物的避让主要依赖于基于整数阶微积分的控制算法，传统的避障方法通常通过使用激光雷达、超声波传感器和摄像头传感器采集周围环境的障碍物数据，结合路径规划算法，生成无人机的飞行路径，然而，传统方法在处理高速运动中的微小障碍物时存在一些局限性，尤其是在面对飞行速度较快、环境复杂且障碍物体积较小时，传统避障系统往往无法及时做出精确的反应，容易导致碰撞事故的发生。

2、目前常见的避障系统主要依赖整数阶微积分算法来对飞行器进行控制和路径规划，整数阶微积分算法在较为静态或障碍物体积较大的环境中效果较好，但在高速飞行和微小障碍物的环境中，整数阶控制算法的响应速度和控制精度不足，难以适应复杂的动态环境变化，此外，现有技术通常没有充分考虑历史飞行轨迹数据和当前障碍物动态信息的融合，导致无人机在重复或类似场景下无法有效利用过去的飞行经验进行优化，增加了避障的复杂度和不确定性。

3、现有的无人机避障技术还存在障碍物数据处理和实时避障路径生成的效率问题，传统方法中，障碍物数据通常采用简单的滤波和增强处理方式，无法有效应对噪声较多或障碍物特征不明显的复杂环境，导致无人机在面对动态变化的障碍物时，避障决策的准确性下降，无法实时生成最优避障路径，此外，由于现有系统在障碍物数据处理与路径规划之间缺乏紧密的耦合，导致避障路径的实时更新和响应速度不足。

4、综上所述，现有技术主要存在以下缺点：首先，整数阶控制算法在高速飞行和微小障碍物避让中响应不足，难以适应动态复杂的环境变化；其次，现有避障技术没有充分利用历史飞行数据进行决策优化，增加了无人机重复场景中的避障难度；最后，障碍物数据处理与避障路径生成的实时性较差，无法在复杂动态环境中实现精准的避障操作。

技术实现思路

1、本发明的一个目的在于提出基于分数阶微积分的无人机微小障碍物动态避让方法，本发明通过引入自适应分数阶微积分控制算法，结合无人机飞行状态和障碍物检测数据，实现了微小障碍物的动态避让。

2、根据本发明实施例的基于分数阶微积分的无人机微小障碍物动态避让方法，包括如下步骤：

3、s1.获取无人机飞行环境中激光雷达数据、超声波传感器数据以及摄像头图像数据，并基于多传感器数据融合技术构建包括微小障碍物三维空间位置及微小障碍物动态变化信息的障碍物数据集；

4、s2.对障碍物数据集进行预处理，去除噪声和无效数据，生成经过滤波和增强处理后的障碍物检测数据；

5、s3.基于障碍物检测数据利用自适应分数阶微积分构建无人机飞行状态模型；

6、s4.引入自适应分数阶控制算法，根据不同的飞行速度和障碍物复杂度，自动调整自适应分数阶微积分的分数阶阶次，生成最优避障路径；

7、s5.将所述最优避障路径转换为无人机的控制指令，并实时发送至无人机的飞行控制系统，控制无人机根据最优避障路径避开障碍物；

8、s6.在无人机飞行过程中，持续监测环境变化，并根据新的传感器数据实时更新所述自适应分数阶飞行状态模型和最优避障路径。

9、可选的，所述s1包括以下步骤：

10、s11.利用激光雷达获取无人机飞行环境中的障碍物数据，所述障碍物数据包括障碍物距离、方位角及高度；

11、s12.利用超声波传感器采集障碍物的距离信息及方位信息；

12、s13.使用摄像头获取障碍物的图像数据，所述图像数据通过基于像素点的三维重建技术生成障碍物三维空间信息，包括位置和障碍物动态变化信息，其中t为时间变量；

13、s14.基于多传感器数据融合技术将激光雷达数据、超声波传感器数据及摄像头图像数据通过加权融合算法融合成统一的障碍物数据集，障碍物数据集中的微小障碍物三维空间位置计算为：

14、；

15、其中，、、分别为激光雷达、超声波传感器和摄像头数据的加权系数；

16、s15.通过障碍物动态变化信息对障碍物的运动轨迹进行建模，所述障碍物的运动轨迹通过融合后的障碍物数据集动态计算：

17、；

18、其中，为初始时间；

19、s16.构建最终的障碍物数据集：

20、。

21、可选的，所述s2包括以下步骤：

22、s21. 使用均值滤波方法对障碍物数据集中的距离信息进行平滑处理，得到平滑后的距离数据；

23、s22. 采用高斯滤波对障碍物数据集中的障碍物三维空间信息进行处理，消除图像噪声，得到经过处理的障碍物三维空间信息；

24、s23. 使用中值滤波对障碍物数据集中的障碍物动态变化信息进行去噪处理，得到去噪后的障碍物动态变化信息；

25、s24. 对预处理后的障碍物数据进行增强处理，对障碍物边缘信息进行增强；

26、s25. 输出经过滤波和增强处理后的障碍物检测数据：

27、；

28、其中，为增强后的障碍物三维空间位置数据，为增强后的障碍物动态变化信息。

29、可选的，所述s3包括以下步骤：

30、s31. 基于障碍物检测数据和历史飞行轨迹数据对当前时间t无人机的位置信息、速度信息进行初始化：

31、；

32、其中，和分别为障碍物检测数据和历史飞行轨迹的权重系数，为当前障碍物检测的三维空间位置，为历史飞行轨迹中的位置信息；

33、s32. 结合当前飞行速度v(t)和加速度构建飞行状态模型，飞行状态模型描述无人机在时间t上的动态响应特性：

34、；

35、其中，为无人机当前的速度；

36、s33. 使用自适应分数阶微积分方法优化飞行状态模型，对飞行状态模型进行分数阶微分计算，综合历史飞行状态、当前障碍物检测数据及飞行速度v(t)的影响，构建动态响应方程：

37、；

38、其中，为无人机的动态响应模型，为分数阶阶次，为障碍物检测数据对动态响应的权重，为障碍物数据的记忆衰减因子，用于调整障碍物影响随时间的变化，为历史飞行轨迹数据的影响权重，为经过预处理的当前障碍物检测数据，为历史飞行轨迹数据。

39、可选的，所述s4包括以下步骤：

40、s41. 基于无人机的飞行速度v(t)和障碍物的复杂度确定自适应分数阶控制算法中的分数阶阶次，分数阶阶次随时间动态变化适应当前环境的复杂性：

41、；

42、其中，为初始分数阶阶次，为速度调节系数，为障碍物复杂度调节系数；

43、s42. 计算当前无人机的最优避障路径，最优避障路径基于分数阶控制算法，结合历史飞行轨迹、当前障碍物检测数据和分数阶响应特性得出；

44、s43. 在无人机飞行过程中，实时调整分数阶控制算法中的分数阶阶次优化避障响应，使无人机动态避让障碍物并生成最优路径。

45、可选的，所述s42包括以下步骤：

46、s421. 基于历史飞行轨迹、当前障碍物检测数据以及分数阶响应特性，构建当前环境下的飞行状态预测模型：

47、；

48、其中，为当前时刻基于历史轨迹和障碍物数据修正后的飞行状态，为分数阶动态响应特性；

49、s422. 结合飞行速度v(t)和障碍物复杂度通过自适应分数阶控制算法计算最优避障路径，最优避障路径优化目标为最小化与障碍物的碰撞风险，并最大化飞行路径的平滑度，最优避障路径计算为：

50、；

51、其中，为当前最优避障路径，为障碍物的实时检测数据。

52、可选的，所述s5包括以下步骤：

53、s51. 将最优避障路径转换为无人机的控制指令，包括将最优避障路径信息转换为无人机的航向角指令、俯仰角指令以及速度指令：

54、；

55、；

56、；

57、其中，为最优避障路径上的位置信息，为当前无人机位置；

58、s52. 将航向角指令、俯仰角指令以及速度指令发送至无人机的飞行控制系统，飞行控制系统根据接收到的指令调整无人机的姿态和速度，使无人机按照最优避障路径飞行，避开障碍物。

59、本发明的有益效果是：

60、（1） 本发明采用自适应分数阶微积分动态调整分数阶阶次，根据不同的飞行速度和障碍物复杂度，实时调节控制算法的响应速度和精度，自适应分数阶微积分相较于传统整数阶微积分更适合处理复杂的动态环境，通过动态调整分数阶阶次使无人机在高速飞行时具备更高的避障灵活性和反应能力，避免了传统算法在处理微小且快速移动障碍物时容易出现的响应滞后和精度不足的问题，有效提升了无人机在复杂环境中的避障性能，特别是在面对微小障碍物时的避让效率。

61、（2） 本发明构建了结合历史飞行轨迹数据与实时障碍物检测数据的飞行状态模型，避免了传统算法中无法有效利用历史数据的问题，通过记忆无人机的历史飞行轨迹，并结合当前障碍物的检测信息构建了更为精确的飞行状态模型，使得无人机能够在重复或相似的场景下，通过对历史轨迹的参考动态调整飞行路径，生成更为优化的避障决策，减少了计算的复杂性，提高了避障的准确性，增强了无人机应对复杂动态环境的能力。

62、（3） 本发明通过自适应分数阶控制算法生成的最优避障路径，结合飞行速度、障碍物位置以及复杂度实时更新路径信息，并转换为无人机的控制指令，确保无人机在飞行过程中能够持续动态避障，与传统避障系统相比，本发明实现了飞行路径和控制指令的实时耦合，使得无人机在应对突发的障碍物变化时，能够迅速做出调整，避免碰撞的发生。