基于YOLOV3的双目视觉无人机避障方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113836975A(43)申请公布日2021.12.24(21)申请号202010583530.9(22)申请日2020.06.24(71)申请人天津工业大学地址300387天津市西青区宾水西道399号天津工业大学电气工程与自动化学院申请人天津市万贸科技有限公司(72)发明人成怡郑腾龙牛萍娟(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)G06Q50/06(2012.01)G05D1/10(2006.01)G07C1/20(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于YOLOV3的双目视觉无人机避障方法(57)摘要本发明属于视觉避障领域，具体涉及一种基于YOLOV3的无人机双目视觉避障方法，利用YOLOV3深度学习网络实现障碍物目标识别与区域提取问题，通过SURF匹配算法对障碍物目标的特征点进行特征匹配，根据最小二乘法对障碍物位置的三维还原，解决视觉测距与防撞问题，从而根据双目视觉与深度学习网络针对障碍物位置坐标的提供，通过扩展到三维的ArtificalPotentialField(APF)算法获取精确的避障路线。适合中小型无人机的智能化、微型化及低成本的特点，具有理论与实用价值。CN113836975ACN113836975A权利要求书1/1页1.基于YOLOV3的无人机视觉避障方法，利用YOLOV3深度学习网络实现障碍物目标识别与区域提取问题，通过SURF匹配算法对障碍物目标的特征点进行特征匹配，根据最小二乘法对障碍物位置的三维还原，解决视觉测距与防撞问题，从而根据双目视觉与深度学习网络针对障碍物位置坐标的提供，通过扩展到三维的ArtificalPotentialField(APF)算法获取精确的避障路线。2.根据权利要求1所述的基于YOLOV3的无人机视觉避障方法，其特征在于，利用YOLOV3深度学习网络实现障碍物识别与区域提取。3.根据权利要求1所述的基于YOLOV3的无人机视觉避障方法，其特征在于，通过SURF匹配算法对障碍物目标的特征点进行特征匹配，根据最小二乘法对障碍物位置的三维还原，解决视觉测距与防撞问题。4.根据权利要求1所述的基于YOLOV3的无人机视觉避障方法，其特征在于，根据双目视觉与深度学习网络针对障碍物位置坐标的提供，通过扩展到三维的人工势场法(APF)算法获取精确的避障路线。2CN113836975A说明书1/4页基于YOLOV3的双目视觉无人机避障方法技术领域[0001]本发明属于视觉避障领域，涉及一种基于YOLOV3的无人机双目视觉避障方法，特别针对小型无人机的障碍物目标检测、快速绕行障碍物的要求。背景技术[0002]近年来，无人机(UAV)在电力巡检上的作用日趋重要，如美国RC公司发布了DraganflyerIII，德国Microdrones公司研制了MD4-200、MD4-1000、MD4-3000，目前国际应用广泛的PIXHAWK无人机开源技术平台，基于PIX4原生固件发布了avoidance功能模块，并在“IntelRTF”小型无人机上完全实现了飞行试验，经发布该模块也被广泛用于无人机电力巡检的障碍物避障中。基于PIXHAWK飞控的avoidance模块局部避障采用3DVFH*算法，该算法以纯反应性的方式计算避障动作，不需要构建环境的全局地图。基于该功能的机载模块包括能够提供三维点云类型的相机、兼容Ubuntu16.04操作系统的机载电脑、图像回传设备、一体化数据接收与传递系统等。随着人工智能技术的发展，机器视觉领域的专家通过分析该避障模块的功能，发现该避障模块还有一系列改进的空间，主要针对非障碍目标的点云信息冗余、无法快速提供障碍物目标的类型、计算损耗较大，在每次巡检过程中能源系统不能提供较久的能源供备。因此，相对于电力巡检的无人机，要求具有低成本、小尺寸、低功耗、高效率的特点，以便于其巡检过程的智能化、完整性和安全性。[0003]先进的避障系统是决定无人机完成巡检任务、提高避障精度的关键。随之人工智能技术的发展，无论在机器视觉SLAM、深度学习避障还是在自主信息处理及无人机载荷方面的发展已取得重大进展，如ORB_SLAM技术、基于深度协同神经网络的避障系统、图像检测和三维重建技术等，此外，新的视觉感知和处理设备也已经装备到无人机上。为了在未知的、动态变化的复杂环境中完成电力巡检任务，在大多数情况下，无人机使用激光雷达、超声波传感器进行测距避障。激光雷达、超声波、红外线等传感器的测距精度容易受到复杂环境的影响而局部地图的构建往往受限于二维平面。此外，往往不具备对复杂场景中障