综述
得益于科学、有效的安全管理措施和技术的改善,我国煤矿生产中事故发生率及事故严重程度有所下降,但是煤矿生产安全形势依然十分严峻[1]。事故发生后,应急救援的科学性与高效性尤为重要,其作为保障煤矿安全生产的最后一道防线,是防止事态恶化、减少损失的重要举措。因此,对事故现场、危险区域的超前侦测与预警关系到救援行动能否安全、顺利开展[2]。
矿山应急救援主要受到2个方面的约束:一方面,煤矿井下开采条件复杂,环境多参数时空演化具有不稳定性,当矿山救护队员进入井下危险区域采集环境信息时,存在极大的生命威胁;另一方面,当煤矿发生突水、火灾等灾害后,迅速掌握灾区灾变信息对科学开展应急救援具有十分重要的意义。由于煤矿井下危险区域及灾后事故现场环境信息复杂多变,矿山救护队员冒险进入危险区域,不仅可能受到发生二次灾害威胁生命安全,还可能延误救援时机[3-4]。
使用煤矿侦测机器人进入井下危险区域或灾后事故现场采集环境信息(灾后信息),可确保应急指挥中心科学指挥并开展救援[5]。但是现场实践发现,灾后现场围岩结构失稳、巷道地面破损严重,现有的爬行机器人存在机动灵活性差及越障能力弱的缺点,其运动受到很大的约束,对救援侦测工作的顺利开展提出了挑战。灵活、机动能力强的飞行机器人可以较大程度上解决此类问题,其中多旋翼侦测无人机凭借可垂直起降的优势能快速抵达灾害现场,并对矿井危险区域开展侦测,从而精确及时执行侦测任务,协助科学高效指导救援工作。矿井危险区域多旋翼侦测无人机的应用对提高我国矿山救援能力具有较大意义。本文对多旋翼侦测无人机关键技术进行了探讨,旨在为井下灾区环境信息侦测与科学指导救援提供技术支持。
近年来,多旋翼侦测无人机技术发展迅速,按照多旋翼无人机结构及具备的功能,其发展可以分为3个阶段:被动飞行阶段、半自主飞行阶段及自主飞行阶段。被动飞行阶段:多旋翼侦测无人机飞行需被动控制,飞行姿态和高度稳定;半自主阶段:多旋翼侦测无人机可实现悬停、半自主飞行,同时具备一定的负载能力;自主飞行阶段:多旋翼侦测无人机可实现低空高精度悬停、自主避障、半自主路径规划及多源信息融合与处理功能,该阶段也是矿井多旋翼侦测无人机的理想状态。多旋翼侦测无人机各发展阶段系统构成及主要功能如图1所示[6]。
图1 多旋翼侦测无人机各发展阶段系统构成及主要功能
Fig.1 System composition and main functions of multi-rotor detection UAVs at various development stages
由于矿井环境条件的复杂性、灾变信息随时空演化的不稳定性,矿井危险区域多旋翼侦测无人机的发展主要取决于自主定位导航技术、自主避障技术、多传感器信息融合等技术的革新与成熟。自主定位导航、自主避障及多源信息融合等技术使井下多旋翼侦测无人机能适应复杂多变的飞行环境,亦是当下研究的热点。矿井危险区域多旋翼侦测无人机关键技术如图2所示。
图2 矿井危险区域多旋翼侦测无人机关键技术
Fig.2 Key technologies of multi-rotor detection UAVs in mine dangerous area
自主定位导航技术由实时定位、自主地图构建和运动规划与控制技术构成。该技术可以实现机器人在未知环境中无需人工干预而自主移动,同时完成既定任务。
1.1.1 室内定位
实时定位可确定机器人在工作环境中相对于全局坐标的位置及其本身的姿态,是移动机器人自主导航的基本环节。矿井危险区域多旋翼侦测无人机在不支持GPS的环境中工作,其实时定位技术即是指室内定位技术。
近年来,室内定位技术不断发展与更新,主要定位技术包括无线电频谱与电磁波、光子能场、声波、机械能、地球磁场等 [7]。Li Fangyu等[8]提出了一种利用三维传播近似欧氏距离变换(3D-PAEDT)算法,通过计算障碍物周围的三维缓冲区,使无人机在一定距离内安全飞行。於小杰等[9]提出了一种改进的ORB特征光流算法,该算法使室内定位技术的实时性和精确性得以提升。R. P. Padhy等[10]提出了一种利用单目摄像机实现无人机在GPS干扰和不支持GPS环境下的自主导航方法,该方法除了使用前置摄像头外,不依赖任何其他传感器,结构简单,可靠性较高。K. Gupta等[11]提出了一种多旋翼无人机在不支持GPS或视觉受损条件下,基于鲁棒视觉且可实现在移动或倾斜平台自主着陆的方法。A.Garcia等[12]提出了一种基于卷积神经网络视觉的方法,可实现无人机在走廊环境中自主飞行。宋世铭等[13]提出了一种基于改进粒子滤波算法的室内融合定位方法,在定位精度与稳定性方面优于传统的地磁定位方法。
现阶段,针对各类室内定位方法存在的优缺点,实际中通常对各类定位方法进行组合,以完成室内融合定位,进而提高定位精度及稳健性[14]。同时,对于室内导航定位技术,大多数单一算法需要较大的计算量和内存开销[15]。
1.1.2 自主地图构建
井下危险区域复杂性和可变性使得多旋翼侦测无人机在信息采集过程中需要采集的信息种类繁多且动态变化频繁,不适合与先验信息进行匹配完成动态侦测[16]。因此,通过自主探索策略,多旋翼侦测无人机可自主完成环境观测及地图构建工作。
目前自主地图构建技术主要通过激光、雷达等距离传感器实现周围环境感知进而构建环境地图。室内机器人通常搭载单目或双目相机等传感设备构建3D环境地图,进而保障其自主地图构建的精确性与稳定性[17-18]。Yu Ningbo等[19]提出了应用RGB-D信息且适用于未知室内环境的自主地图构建方法。易晓东等[20]提出了基于关键帧的高效数据结构和地图实时更新策略,可实时构建用于自主导航及全局一致的地图。
在解决无人机运动过程中的实时定位和地图构建问题时,同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)技术得以发展。传统的SLAM技术主要包括激光-SLAM(Lidar SLAM),视觉-SLAM(Vision SLAM)[21]。随着人机交互要求的不断提升,基于激光视觉等多传感器融合的SLAM、基于语义概念的SLAM导航技术以及基于深度学习的SLAM技术不断发展[22-23]。S.Urzua等[24]提出了一种从超声波测距仪中提取视觉特征的新方法,该方法对移动机器人对未知环境的世界尺度恢复具有较好的效果。R.Lahemer[25]提出了一种单目扩展卡尔曼滤波(EKF)/椭球SLAM技术,该技术比传统的EKF/椭球SLAM具有更高的精度。房立金等[26]提出了一种利用深度学习提高动态环境下视觉语义即时定位与地图构建的方法,该方法可在一定程度上提高地图构建精度。
各类SLAM技术比较分析见表1。由于自主导航技术的自身特征及环境特征的特殊性,基于多传感器融合的SLAM技术更适合用于侦测矿井灾后信息。
1.1.3 运动规划与控制
运动规划与控制技术是指机器人通过井下环境实时定位与地图构建实现环境感知,依靠路径规划找出可行的路径点,进而规划出一条平滑的轨迹来完成运动控制。目前轨迹规划算法主要有传统轨迹规划算法、基于智能优化的轨迹规划算法及插值轨迹规划算法等[27]。刘永琦等[28]提出了一种基于改进A~*算法并同时考虑无人机动力学特性和运动学性能的快速轨迹规划方法,该算法降低了节点计算量,提升了路径搜索速度,可使无人机以较小误差沿轨迹光滑飞行。Niu Xi等[29]提出了将三维轨道规划分为二维平面规划和高度规划2个部分,同时根据航迹点与威胁源之间的距离和高度约束,计算并调整航迹点的高度来规划无人机的三维航迹。Li Weihao[30]提出了一种基于混沌理论的改进人工势场方法,该方法解决了传统人工势场法存在的局部最优问题,可提高无人机轨迹规划的速度和精度。
表1 各类SLAM技术比较分析
Table 1 Comparative analysis of various SLAM technologies
SLAM技术 特点传统技术激光-SLAM视觉-SLAM可靠性高,技术成熟,建图直观,精度高,探测范围受限制,地图缺乏语义信息结构简单,探测距离无限制,成本低,语义信息可提取;环境影响大,运算负荷大,地图构建存在累计误差新型技术多传感器融合SLAM采样率高,精度高,环境适应性强,抗干扰能力强基于语义的SLAM可显著提升视觉-SLAM实时定位的精度和准确性基于深度学习的SLAM鲁棒性强,泛化能力强,语义分类、分割能力强
传统的轨迹规划方法存在易陷入局部最优、在障碍物附近存在振荡和收敛速度慢等问题,智能优化算法虽然有所改进,能够求得全局最优,但其存在复杂度高、耗时长等问题。以智能优化为前提引入插值的轨迹规划方法会在每个插值点上求解逆运动学方程,计算量较大。
通过对实时定位、自主地图构建和运动规划与控制技术进行研究与探讨,建立了适应矿井危险区域多旋翼侦测无人机的自主定位导航技术架构,如图3所示。
图3 矿井危险区域多旋翼侦测无人机自主导航技术架构
Fig.3 Autonomous navigation technology framework of multi-rotor detection UAVs in mine dangerous area
由于矿井危险区域多参数时空演化不稳定性以及环境复杂性,在多旋翼侦测无人机飞行路径上会存在较多障碍物,若缺乏自主避障技术支持,多旋翼侦测无人机极易发生撞击事故。因此,为防止静态或动态障碍物突然出现并与多旋翼侦测无人机发生碰撞,导致机体损坏,保证多旋翼侦测无人机安全、高效地执行侦测任务,自主避障能力显得尤为重要。杨明辉等[31]提出了一种融合动态障碍物方向判断策略及子目标点更新策略的自适应模糊神经网络优化避障算法,该方法能够在未知动态环境下识别障碍物、判断动态障碍物的运动方向,以实现自主避障。郭剑东等[32]提出了一种三维自主避障算法,该算法能够有效地规避障碍物且三维航路规划精度较好。李卫硕等[33]提出了一种基于BP神经网络的实时避障算法,该算法收敛时间相对于栅格方法降低了50%以上,能较好地应用于复杂环境。代进进等[34]提出了一种基于模型预测控制的无人机避障路径规划方法,该方法可有效解决无人机飞行路径的避障问题。张宏宏等[35]提出了一种基于速度障碍法的无人机避障与航迹恢复策略,该策略对于实现无人机自主避障简单高效。
随着各类自主避障算法的不断发展更新,同时需提升硬件设备的各项性能,目前硬件设备的发展也取得了长足的进步。李海林等[36]设计了一种具有障碍物检测与模式识别功能的激光位移传感器,能够有效检测出未知环境下障碍物的方位和距离,并可对障碍物类型作出判别。于建均等[37]设计了一种基于超声波传感器三维检测装置和模糊专家决策装置的无人机避障系统,该系统成本较低,环境适应性较好。
目前主流的自主避障传感器特性分析比较见表2。从表2可看出,基于多类型传感器融合、发挥多源传感器优势的自主避障技术更适合矿井危险区域多旋翼侦测无人机。
表2 自主避障传感器特性分析比较
Table 2 Analysis and comparison of characteristics of autonomous obstacle avoidance sensors
自主避障传感器适用范围 优点缺点超声波传感器测量距离较近数据处理简单快速作用距离较短,测量周期较长,不同材料声波反射/吸收效果不同,多超声波传感器互相干扰红外传感器测量距离近环境适应性好,功耗低无法对近似黑体或透明物体进行测距,距离远会导致精度变低,距离过近会出现盲区激光传感器测量距离远具备三维建模功能,精度高,可实现360°测量无法对透明材料进行测距,结构复杂,器件成本高视觉传感器(双目视觉)测量距离较远可获取深度信息,基线距离远,测量距离远运算量大,稳定性较差
由于应用单一传感器的避障方法存在鲁棒性差、有效性低、可靠性差、环境适应性弱等问题,目前,一般使用基于多传感器信息融合的避障方法,能够保证侦测无人机在不同环境条件下最大程度地感知障碍物信息。
多传感器信息融合是将各传感器采集的信息以一定的准则进行分析与综合,进而实现决策和估计的信息处理过程。多传感器信息融合类别及原理如图4所示。
图4 多传感器信息融合类别及原理
Fig.4 Types and principles of multi-sensor information fusion
本文以室内定位技术、自主避障技术为基础,着重探讨与自主定位、自主避障相关的传感器深度融合技术。由于井下环境条件的复杂性,所以,多旋翼侦测无人机能否搭载具有良好鲁棒性和并行处理能力的多传感器信息融合算法显得尤为重要。同时由于井下危险区域环境信息复杂,多参数时空演化规律不明确,要求多传感器信息融合算法具备良好的运算精度及运行速度。王正家等[38]提出了一种基于多传感器信息融合的自主跟随定位及避障方法,该方法能够准确对移动目标进行定位和移动姿态确定,并且信号盲区范围小,能有效避开障碍。聂珲等[39]提出了一种基于NB-IoT的多传感器数据融合技术,该技术能够获取丰富且有效的环境信息。戴海发等[40]提出了一种改进的多传感器数据自适应融合方法,可实时识别和剔除异常观测值。杨军佳等[41]提出了一种基于最优权值的数据加权融合方法,确定了数据加权融合的最优权值分配原则,该方法为多传感器数据融合算法的进一步发展创造了条件。
目前,多传感器信息融合体系结构分为集中式、分布式、混合式3种,具体优缺点见表3。从表3可看出,由于灾后井下环境条件的复杂性,基于自主定位与自主避障技术的传感器融合体系结构应采用分布式结构,使井下多旋翼侦测无人机系统具有较高的可靠性及容错性。多源传感器融合模块便捷化是井下多旋翼侦测无人机关键技术中亟待解决的问题。
表3 多传感器信息融合体系结构优缺点分析
Table 3 Analysis of advantages and disadvantages of multi-sensor information fusion architecture
体系结构优点缺点集中式算法灵活,融合速度快,结构简单,数据处理精度高由低层向融合中心单向流动;中央处理器计算和通信负担重,系统容错性差分布式某个传感器失效不会导致系统崩溃,系统可靠性和容错性高;通信带宽要求低,计算速度快,可靠性和延续性好传感器模块需要具备应用处理器,体积大,功耗高;中央处理器只能获取各传感器经过处理后的数据,无法访问原数据混合式兼备集中式和分布式的优点,稳定性强通信带宽和计算能力要求较高
目前,用于多旋翼侦测无人机的自主导航、自主避障的各类传感器虽已取得了较大的进步,但仍存在诸多问题,下面从软件和硬件2个方面对井下多旋翼侦测无人机关键技术存在的问题进行分析。
(1) 融合模型及算法普适性无法保障。不合理的融合结构导致算法的整体融合、优化程度低。井下危险区域环境复杂多变,多旋翼侦测无人机需要快速处理大量数据,过滤无用、错误信息。缺乏有效广义的融合模型及算法会限制井下多旋翼侦测无人机处理数据的效率,并影响其运行性能。
(2) 融合系统容错性或鲁棒性有待完善。融合系统较差的容错性及鲁棒性会对井下危险区域多旋翼侦测无人机自主导航、自主避障功能产生不利影响。井下危险区域灾变过程多参数变化无规律性,难免会采集到异常观测值,导致井下多旋翼侦测无人机融合系统易出现异常,定位精度、避障性能等大大降低。
(1) 适应多种复杂融合算法的处理硬件匮乏。目前井下多旋翼侦测无人机携带的算法处理硬件功能单一,只能满足特定的使用需求。受限于可适应多种复杂算法的处理硬件,无法使此类硬件具有更好的稳定性及可靠性。缺少能够适应多种算法深度融合的处理硬件,难以实现井下多源信息的同步采集与处理。
(2) 多传感器集成度低、硬件功耗高、体积大。现阶段井下多旋翼侦测无人机的多传感器集成大多采用堆叠式设计,存在集成度低、硬件功耗高、体积大等问题,导致井下多旋翼侦测无人机质量大、续航时间短。融合系统多传感器集成度低会阻碍井下多旋翼侦测无人机技术的进一步发展。
井下危险区域多旋翼侦测无人机主要是执行煤矿危险区域环境探测及辅助救援任务。计算机技术、传感技术、控制技术、新材料技术等的快速发展,特别是室内自主导航技术和自主避障技术的长足发展,为井下危险区域多旋翼侦测无人机的研发提供了技术支持[42]。但是,由于煤矿井下特殊的工作环境和救援侦测要求较高,井下危险区域多旋翼侦测无人机在技术上还需要完善。
(1) 融合算法的合理优化。为保证融合系统高效、快速地处理数据,过滤冗余、异常信息,确保系统良好的鲁棒性并最终做出及时且准确的决策,需使融合算法足够优化。井下危险区域多旋翼侦测无人机在最大程度上合理优化融合算法,实现融合系统高鲁棒性、高可靠性是提升融合系统容错性、鲁棒性的发展趋势之一。
(2) 人工智能技术的应用。随着机器学习及自适应等智能化水平不断提升,井下危险区域多旋翼侦测无人机的侦测性能将会进一步发展,井下危险区域的侦测预警也会趋于智能化。研发具备自适应和深度学习能力的井下危险区域多旋翼侦测无人机是未来煤矿危险区域侦测预警技术发展的一种趋势。
(3) 适应多种复杂融合算法的处理硬件开发。由于煤矿危险区域环境复杂以及多参数时空演化规律不明确,井下多旋翼侦测无人机需要采集各类动态变化的异构数据。随着融合算法的不断优化,为保证融合系统硬件设备具有良好的普适性及鲁棒性,开发能够适应多种复杂融合算法的处理硬件可使井下多旋翼侦测无人机能够更好实现数据融合功能。
(4) 便捷硬件融合系统研发。为实现多旋翼侦测无人机在井下未知环境中的自主导航与自主避障等功能,多传感器的深度集成化成为无人机井下导航的必要条件。随着传感器技术的不断发展,研发便捷的硬件融合系统可以通过传感器微型化、多功能化以及深度集成化实现。研发便捷硬件融合系统可提高井下多旋翼侦测无人机的续航能力。
经过国内外学者的不懈努力,井下危险区域多旋翼侦测无人机关键技术的研究已取得一定进展,为危险区域探测及科学指导救援提供了强有力的技术支持。为了适应井下多旋翼侦测无人机高速发展需求,今后可以从合理优化融合算法、应用人工智能技术、开发可适应多种复杂融合算法的处理硬件以及研发便捷硬件融合系统等方面进行研究。井下危险区域多旋翼侦测无人机技术的不断发展,将全面提升矿井安全探查能力及应急救援能力,对提高国家应对矿井事故的救援技术水平具有重大意义。
[1] 孙继平,钱晓红.煤矿重特大事故应急救援技术及装备[J].煤炭科学技术,2017,45(1):112-116.
SUN Jiping, QIAN Xiaohong. Emergency rescue technology and equipment of mine extraordinary accidents[J].Coal Science and Technology,2017,45(1):112-116.
[2] 郑学召,李诚康,文虎,等.矿井灾害救援生命信息探测技术及装备综述[J].煤矿安全,2017,48(12):116-119.
ZHENG Xuezhao, LI Chengkang, WEN Hu,et al.Summary of mine disaster rescue life information detection technology and equipment[J].Safety in Coal Mines,2017,48(12):116-119.
[3] 温学雷.煤矿井下应急救援超前侦测发射装置设计研究[J].煤炭科学技术,2019,47(8):164-168.
WEN Xuelei.Design and research of advanced detection launching device for underground coal mine emergency rescue[J].Coal Science and Technology, 2019,47(8):164-168.
[4] 覃海明,吴燕清,肖勇.煤矿井下远程灾区侦测系统研制[J].煤矿安全,2015,46(11):111-113.
QIN Haiming, WU Yanqing, XIAO Yong. Development of long-distance detection system for underground disaster area[J].Safety in Coal Mines, 2015,46(11):111-113.
[5] 郑学召,赵炬,张铎,等.煤矿救援机器人研究现状及发展趋势[J].工矿自动化,2019,45(9):7-12.
ZHENG Xuezhao, ZHAO Ju, ZHANG Duo, et al.Research status and development trend of coal mine rescue robot[J].Industry and Mine Automation, 2019,45(9):7-12.
[6] 余后明.四旋翼无人机姿态控制研究[D].太原:中北大学,2019.
YU Houming. Research on attitude control of quadcopter UAV[D].Taiyuan: North University of China, 2019.
[7] 尤承增,彭玲,王建辉,等.高精度室内地图辅助VLC与PDR融合定位[J].地球信息科学学报,2019,21(9):1402-1410.
YOU Chengzeng, PENG Ling, WANG Jianhui, et al. VLC and PDR fusion positioning by incorporating high-precision indoor map[J].Journal of Geo-information Science,2019,21(9):1402-1410.
[8] LI Fangyu, SISI Z, MARTIJN K, et al. Universal path planning for an indoor drone[J]. Automation in Construction,2018,95:275-283.
[9] 於小杰,贺勇,刘盛华.一种用于无人机室内定位的改进ORB光流算法[J/OL].计算机工程与应用:1-8[2020-11-05].http://kns.cnki.net/kcms/detail/11.2127.TP.20200319.1507.016.html.
YU Xiaojie, HE Yong, LIU Shenghua. An improved ORB feature optical flow algorithm for indoor positioning of UAV[J/OL].Computer Engineering and Applications:1-8[2020-11-05].http://kns.cnki.net /kcms/detail/11.2127.TP.20200319.1507.016.html.
[10] PADHY R P, VERMA S, AHMAD S, et al. Deep neural network for autonomous UAV navigation in indoor corridor environments[J]. Procedia Computer Science,2018,133:643-650.
[11] GUPTA K, EMRAN B J, NAJJARAN H . Vision-based pose estimation of a multi-rotor unmanned aerial vehicle[J]. International Journal of Intelligent Unmanned Systems, 2019, 7(3):120-132.
[12] GARCIA A, MITTAL S S, KIEWRA E, et al. A convolutional neural network vision system approach to indoor autonomous quadrotor navigation[C]// IEEE 2019 International Conference on Unmanned Aircraft Systems (ICUAS), 2019:1344-1352.
[13] 宋世铭,王继,韩李涛.一种基于改进粒子滤波算法的室内融合定位方法[J].导航定位学报,2020,8(1):99-106.
SONG Shiming, WANG Ji, HAN Litao. An indoor fusion location method based on improved particle filter[J].Journal of Navigation and Positioning,2020, 8(1):99-106.
[14] 严小意,郭杭.激光SLAM移动机器人室内定位研究[J].测绘通报,2019(12):8-11.
YAN Xiaoyi, GUO Hang.Research on indoor positioning of lidar SLAM mobile robot[J].Bulletin of Surveying and Mapping, 2019(12):8-11.
[15] MCGUIRE K N, CROON G C, TUYLS K. A comparative study of bug algorithms for robot navigation[J]. Robotics and Autonomous Systems, 2019,121:103261.
[16] 李志鹏.服务机器人室内未知环境主动探索与特征地图构建[D].哈尔滨:哈尔滨工业大学,2011.
LI Zhipeng. Active exploration of indoor unknown environment of service robot and construction of feature map[D].Harbin: Harbin Institute of Technology, 2011.
[17] SIEGWART R, NOURBAKHSH I R, SCARAMUZZA D. Introduction to autonomous mobile robots[M]. Cambridge: MIT Press,2011.
[18] HAN J D, YIN P, HE Y Q, et al. Enhanced ICP for the registration of large-scale 3D environment models: An experimental study[J]. Sensors,2016,16(2):228.
[19] YU Ningbo,WANG Shirong. Enhanced autonomous exploration and mapping of an unknown environment with the fusion of dual RGB-D sensors[J].Engineering,2019,5(1):164-172.
[20] 易晓东,杨思宁,杨绍武.实时更新的全局一致三维栅格建图[J].模式识别与人工智能,2019,32(1):43-50.
YI Xiaodong, YANG Sining,YANG Shaowu. Real- time updatable globally consistent 3D grid mapping[J].Pattern Recognition and Artificial Intelligence,2019,32(1):43-50.
[21] HUANG Baichuan, ZHAO Jun, LIU Jingbin. A survey of simultaneous localization and mapping with an envision in 6G wireless networks[J/OL].Computer Science:Robotics:1-16[2020-10-19].https://arxiv. org/abs/1909.05214 .
[22] ATOUI O, HUSNI H, MAT R C . Visual-based semantic simultaneous localization and mapping for Robotic applications: a review[C]//The 4th Innovation and Analytics Conference & Exhibition (IACE 2019),2019.
[23] 刘瑞军,王向上,张晨,等.基于深度学习的视觉SLAM综述[J].系统仿真学报,2020,32(7):1244-1256.
LIU Ruijun, WANG Xiangshang, ZHANG Chen, et al. A survey of visual SLAM based on deep learning [J].Journal of System Simulation,2020,32(7):1244-1256.
[24] URZUA S, MUNGUA R, GRAU A. Monocular SLAM system for MAVs aided with altitude and range measurements: a GPS-free approach[J]. Journal of Intelligent & Robotic Systems, 2019, 94:203-217.
[25] LAHEMER R. An adaptive augmented vision-based ellipsoidal SLAM for indoor environments [J]. Sensors, 2019,19(12):2795-2803.
[26] 房立金,刘博,万应才.基于深度学习的动态场景语义SLAM[J].华中科技大学学报(自然科学版), 2020,48(1):121-126.
FANG Lijin, LIU Bo, WAN Yingcai.Semantic SLAM based on deep learning in dynamic scenes[J].Journal of Huazhong University of Science and Technology (Natural Science Edition),2020,48(1):121-126.
[27] 滕军.智能工业机器人的环境感知与运动规划[D].哈尔滨:哈尔滨工业大学,2019.
TENG Jun. Environmental perception and motion planning of intelligent industrial robots [D]. Harbin: Harbin Institute of Technology,2019.
[28] 刘永琦,徐丹,程归,等.基于改进A~*算法的无人机快速轨迹规划方法[J].飞行力学,2020,38(2):40-46.
LIU Yongqi, XU Dan, CHENG Gui, et al.Rapid trajectory planning method of UAV based on improved A~* algorithm[J].Flight Dynamics,2020,38(2):40-46.
[29] NIU Xi, YUAN Xiaodong, ZHOU Yongwei, et al. UAV track planning based on evolution algorithm in embedded system[J/OL]. Microprocessors and Microsystems:1-8[2020-08-09].https://doi.org/10.1016/j.micpro.2020.103068.
[30] LI Wenhao. An improved artificial potential field method based on chaos theory for UAV route planning[C]//2019 34th Youth Academic Annual Conference of Chinese Association of Automation (YAC), 2019:47-51.
[31] 杨明辉,吴垚,张勇,等.室内动态环境下的移动机器人自主避障策略[J].中南大学学报(自然科学版),2019,50(8):1833-1839.
YANG Minghui, WU Yao, ZHANG Yong, et al. Autonomous obstacle avoidance strategy for mobile robots in indoor dynamic environment[J].Journal of Central South University(Science and Technology), 2019,50(8):1833-1839.
[32] 郭剑东,王康,李志宇.基于凸面体圆弧航路的无人机自主避障算法[J/OL].控制与决策:1-8[2020-12-05].https://doi.org/10.13195/j.kzyjc.2019.0768.
GUO Jiandong,WANG Kang,LI Zhiyu. Autonomous obstacle avoidance algorithm designed for UAV based on convex circular trajectory [J/OL].Control and Decision:1-8[2020-11-05].https://doi.org/10.13195/j.kzyjc.2019.0768.
[33] 李卫硕,孙剑,陈伟.基于BP神经网络机器人实时避障算法[J].仪器仪表学报,2019,40(11):204-211.
LI Weishuo, SUN Jian, CHEN Wei. Real-time obstacle avoidance algorithm for robots based on BP neural network [J].Chinese Journal of Scientific Instrument, 2019,40(11):204-211.
[34] 代进进,李相民,薄宁,等.基于模型预测控制的无人机避障路径规划方法[J].火力与指挥控制, 2020,45(1):114-119.
DAI Jinjin, LI Xiangmin, BO Ning, et al. Study on UAV obstacle avoidance path planning based on model predictive control[J].Fire Control & Command Control,2020,45(1):114-119.
[35] 张宏宏,甘旭升,李昂,等.基于速度障碍法的无人机避障与航迹恢复策略[J].系统工程与电子技术,2020,42(8):1759-1767.
ZHAG Honghong, GAN Xusheng, LI Ang, et al. UAV obstacle avoidance and track recovery strategy based on velocity obstacle method [J].Systems Engineering and Electronics,2020,42(8):1759-1767.
[36] 李海林,吴开华,王文杰,等.基于激光位移传感器的障碍物检测与模式识别[J].传感器与微系统, 2018,37(1):120-123.
LI Hailin, WU Kaihua, WANG Wenjie, et al. Obstacle detection and pattern recognition based on laser displacement sensor[J].Transducer and Microsystem Technologies,2018,37(1):120-123.
[37] 于建均,赵少琼,郑逸加,等.基于模糊专家决策的室内无人机避障系统[J].控制工程,2019,26(3):423-430.
YU Jianjun, ZHAO Shaoqiong, ZHENG Yijia, et al. Indoor unmanned aerial vehicle (UAV) obstacle avoidance system based on fuzzy expert decision [J].Control Engineering of China, 2019, 26(3):423-430.
[38] 王正家,夏正乔,孙楚杰,等.基于多传感器信息融合的自主跟随定位及避障方法[J].传感技术学报, 2019,32(5):723-727.
WANG Zhengjia, XIA Zhengqiao, SUN Chujie, et al. Method of autonomous tracking location and obstacle avoidance based on multi-sensor information fusion [J].Chinese Journal of Sensors and Actuators, 2019,32(5):723-727.
[39] 聂珲,陈海峰.基于NB-IoT环境监测的多传感器数据融合技术[J].传感技术学报,2020,33(1):144-152.
NIE Hui, CHEN Haifeng. Multi-sensor data fusion technology based on NB-loT environment monitoring [J].Chinese Journal of Sensors and Actuators, 2020,33(1):144-152.
[40] 戴海发,卞鸿巍,王荣颖,等.一种改进的多传感器数据自适应融合方法[J].武汉大学学报(信息科学版),2020,45(10):1602-1609.
DAI Haifa, BIAN Hongwei, WANG Rongying, et al. An improved multi-sensor data adaptive fusion method [J].Geomatics and Information Science of Wuhan University,2020,45(10):1602-1609.
[41] 杨军佳,叶晨亮,冯少华,等.多传感器数据加权融合方法[J].传感器与微系统,2020,39(4):39-42.
YANG Junjia, YE Chenliang, FENG Shaohua, et al. Method of data weighted fusion for multi-sensors [J].Transducer and Microsystem Technologies,2020,39(4):39-42.
[42] 由韶泽,朱华,赵勇,等.煤矿救灾机器人研究现状及发展方向[J].工矿自动化,2017,43(4):14-18.
YOU Shaoze, ZHU Hua, ZHAO Yong, et al. Research status of coal mine rescue robot and its development direction[J].Industry and Mine Automation,2017,43(4):14-18.