[发明专利]一种从仿真环境迁移到真实场景的端到端竞速穿越方法

说明书

本发明公开了一种从仿真环境迁移到真实场景的端到端竞速穿越方法，应用于真实环境的无人机竞速轨迹规划，包括：基于无人机的前置摄像头采集当前位置下竞速赛道的局部图像；将局部图像输入至训练好的端到端神经网络，得到端到端神经网络输出的预测速度和预测目标方向；基于预测速度计算预测水平距离；根据预测目标方向以及预测水平距离计算出目标位置；生成当前位置至目标位置的轨迹片段，并控制无人机沿着轨迹片段运行至目标位置；若目标位置为竞速赛道的终点，则完成轨迹规划；否则继续采集局部图像进行轨迹规划。本发明能够实现端到端神经网络的高性能迁移。

技术领域

本发明属于无人机竞速技术领域，具体涉及一种从仿真环境迁移到真实场景的端到端竞速穿越方法。

背景技术

无人机竞速是一项很受人喜欢的运动。在无人机竞速比赛中，参赛选手需要操纵着无人机以较高的速度在复杂的赛道上避障飞行，这需要参赛选手具有极高的操作技能，通常需要参赛选手经过数年的专业训练才能掌握该技能。为降低无人机竞速的操作技能的门槛，自动无人机竞速技术应运而生。一种实现方法是让无人机沿着预先计算好的全局轨道飞行，这种方法需要提前知道赛道的轨迹分布以及高精度的状态估计，但现阶段的方法不能满足这些要求。视觉惯性测距的方法随着时间的推移容易造成估计漂移。SLAM的方法通过在一个预先生成的、全局一致性的地图上进行重定位来减少漂移，但强制执行全局一致性约束会使计算需求增大，进而突破机载处理的限制。这两类方法需要在航路点和无碰撞轨迹都是静态定义的环境中才能起作用，但在专业比赛中，这些条件是不能被满足的。此外，这些方法大都需要在真实的环境中收集大量的数据集并进行人工标注，而收集和标注大规模数据集的成本是非常高的。

发明内容

本发明的目的在于提供一种从仿真环境迁移到真实场景的端到端竞速穿越方法，实现端到端神经网络的高性能迁移。

为实现上述目的，本发明所采取的技术方案为：

一种从仿真环境迁移到真实场景的端到端竞速穿越方法，应用于真实环境的无人机竞速轨迹规划，所述从仿真环境迁移到真实场景的端到端竞速穿越方法，包括：

基于无人机的前置摄像头采集当前位置下竞速赛道的局部图像；

将所述局部图像输入至训练好的端到端神经网络，得到端到端神经网络输出的预测速度和预测目标方向；

基于所述预测速度计算预测水平距离；

根据所述预测目标方向以及预测水平距离计算出目标位置；

生成当前位置至目标位置的轨迹片段，并控制无人机沿着轨迹片段运行至目标位置；

若目标位置为竞速赛道的终点，则完成轨迹规划；否则继续采集局部图像进行轨迹规划；

其中，所述端到端神经网络采用两阶段的训练方式，所述两阶段的训练方式包括：第一阶段在仿真环境数据集上进行训练，第二阶段把第一阶段训练好的端到端神经网络继续在包含仿真环境数据与真实环境数据的融合数据集上进行训练，将第二阶段训练好的端到端神经网络部署到真实环境的无人机上应用。

以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

作为优选，所述基于所述预测速度计算预测水平距离，包括：

d_test＝m_dv_out

其中，d_test为预测水平距离，m_d为生成轨迹片段的期望执行时间，v_out为端到端神经网络输出的预测速度。

作为优选，所述根据所述预测目标方向以及预测水平距离计算出目标位置，包括：