一种基于云计算的无人机测试系统的制作方法

控制;调节装置的制造及其应用技术1.本发明涉及云计算和无人机领域，尤其涉及一种基于云计算的无人机测试系统。背景技术：2.云计算是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。现阶段的云计算是分布式计算、效用计算、负载均衡、并行计算、网络存储和虚拟化等计算机技术混合演进并跃升的结果。云计算技术能够在极短的时间内实现海量数据处理的技术。3.自主飞行控制及避障能力是保障无人机安全飞行的前提条件。无人机飞出执勤后，地面对于无人机的状态难以及时掌控，无人机必须拥有可靠的自动避障能力让无人机自主运作。因此，自动避障成了无人机自动化或智能化的关键所在。技术实现要素：4.有鉴于此，本发明提供了一种基于云计算的无人机测试系统，其包括：5.图像采集器、避障测试客户端、无人机和测试云平台；测试云平台包括：飞行视觉损失模块、飞行动作估算模块、飞行动作损失模块、飞行动作约束模块、障碍识别模块和避障监测模块，其中各模块间具有通信连接；6.避障测试客户端发送自动避障测试指令到无人机，无人机响应于接收到的自动避障测试指令在避障测试区域执行飞行操作并发送实时的飞行动作测量数据到测试云平台；避障测试区域的图像采集器采集避障测试图像并将其发送到测试云平台；7.飞行动作损失模块对飞行动作测量数据进行第一飞行动作分解得到飞行动作测量矩阵，并根据飞行动作测量数据得到飞行动作估算矩阵，然后根据飞行动作估算矩阵和飞行动作测量矩阵构建飞行动作损失函数；8.飞行视觉损失模块对避障测试图像进行第二飞行动作分解得到飞行位移测量矩阵，并根据避障测试图像得到飞行位移估算矩阵，然后根据飞行位移测量矩阵和飞行位移估算矩阵构建飞行视觉损失函数；9.飞行动作约束模块对避障测试图像进行分析以构建飞行动作约束条件；10.飞行动作估算模块根据飞行动作损失函数、飞行视觉损失函数和飞行动作约束条件得到无人机的实时飞行动作；11.障碍识别模块根据避障测试图像识别实体障碍，并根据实体障碍和实时飞行动作生成自动避障指令；12.无人机根据所述自动避障指令进行自动避障；13.避障监测模块根据无人机的自动避障结果生成自动避障测试数据，并将其发送至相应的避障测试客户端。14.进一步实施例中，所述图像采集器包括环视摄像头、单目摄像机、双目摄像机和三目摄像机；所述避障测试客户端包括智能手机、平板电脑、笔记本电脑和台式电脑；所述飞行动作测量数据包括无人机上所有飞行动作测量设备采集的无人机的实时飞行动作数据，每个无人机上有若干个飞行动作测量设备。15.进一步实施例中，所述标准飞行坐标系为以大地为基准的坐标系；所述第一飞行坐标系为以无人机为基准的坐标系；所述第二飞行坐标系为以无人机的飞行动作测量设备为基准的坐标系；第三飞行坐标系为以图像采集器为基准的坐标系。16.进一步实施例中，飞行动作损失模块对飞行动作测量数据进行第一飞行动作分解得到飞行动作测量矩阵包括：17.飞行动作损失模块根据飞行动作测量数据获取无人机在标准飞行坐标系下的飞行动作矩阵；18.飞行动作损失模块获取第一飞行坐标系与第二飞行坐标系间的固定盘旋偏差矩阵；19.飞行动作损失模块根据无人机在标准飞行坐标系下的飞行动作矩阵和第一飞行坐标系与第二飞行坐标系间的固定盘旋偏差矩阵得到飞行动作测量矩阵。20.进一步实施例中，飞行动作损失模块根据飞行动作估算矩阵和飞行动作测量矩阵构建飞行动作损失函数包括：[0021][0022]其中，为飞行动作损失函数，n为无人机上飞行动作测量设备的数量，i为飞行动作测量设备的索引，为标准飞行坐标系下第i个飞行动作测量设备的飞行动作估算矩阵，为标准飞行坐标系下第i个飞行动作测量设备的飞行动作测量矩阵，为将矩阵转化为四元数并取其向量部分。[0023]进一步实施例中，飞行视觉损失模块对避障测试图像进行第二飞行动作分解得到飞行位移测量矩阵包括：[0024]飞行视觉损失模块对避障测试图像进行动作解算以获取无人机在第三飞行坐标系下各飞行中枢点的测量坐标；[0025]飞行视觉损失模块获取每个飞行中枢点的置信度；所述飞行中枢点的置信度表征相应飞行中枢点被准确识别的概率；[0026]飞行视觉损失模块根据所有飞行中枢点在第三飞行坐标下的测量坐标得到飞行位移测量矩阵。[0027]进一步实施例中，飞行视觉损失模块根据避障测试图像得到飞行位移估算矩阵包括：[0028]飞行视觉损失模块获取各飞行中枢点在第二飞行坐标系下的估算坐标；[0029]飞行视觉损失模块将第二飞行坐标系下各飞行中枢点的估算坐标投影到第三飞行坐标系以得到各飞行中枢点在第三飞行坐标下的估算坐标；[0030]飞行视觉损失模块对所有飞行中枢点在第三飞行坐标下的估算坐标进行处理得到飞行位移估算矩阵。[0031]进一步实施例中，飞行视觉损失模块根据飞行位移测量矩阵和飞行位移估算矩阵构建飞行视觉损失函数包括：[0032][0033]其中，为飞行视觉损失函数，p为图像采集器的索引，q为飞行中枢点的索引，u为图像采集器的个数，v为每张避障测试图像的飞行中枢点的个数，为第三飞行坐标系下第p个图像采集器采集的避障测试图像的第q个飞行中枢点的估算坐标，为第三飞行坐标系下第p个图像采集器采集的避障测试图像的第q个飞行中枢点的测量坐标。[0034]进一步实施例中，障碍识别模块根据实体障碍和实时飞行动作生成自动避障指令包括：[0035]障碍识别模块获取实体障碍在第三飞行坐标系下的坐标位置；[0036]障碍识别模块获取无人机的实时飞行动作和无人机在第三坐标系下的坐标位置；[0037]障碍识别模块根据实体障碍在第三飞行坐标系下的坐标位置和无人机在第三飞行坐标系下的坐标位置计算无人机与实体障碍的距离；[0038]在无人机与实体障碍的距离大于避障距离时，指示无人机根据按照预设飞行轨迹飞行；[0039]在无人机与实体障碍的距离小于避障距离时，障碍识别模块通过自动避障算法实时修正无人机的实时飞行动作，并生成相应的动作修正指令。[0040]本发明具有以下有益效果：本发明提供的基于云计算的无人机测试系统能够实现无人机的自动避障功能，并根据无人机的自动避障测结果生成相应的自动避障测试数据。本发明有助于实现无人机的自动巡航功能，使其在自动巡航过程中能够自行躲避实体障碍物，以免无人机的飞行状态受到实体障碍物的影响而导致的机体受损或飞行终止，使无人机能够从多方位、多角度地辅佐警务巡航工作，提升无人机智能化水平。附图说明[0041]图1为一示例性实施例提供的基于云计算的无人机测试系统的结构框图。具体实施方式[0042]下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。[0043]参见图1，在一个实施例中，基于云计算的无人机测试系统包括图像采集器、避障测试客户端、无人机和测试云平台；测试云平台包括：飞行视觉损失模块、飞行动作估算模块、飞行动作损失模块、飞行动作约束模块、障碍识别模块和避障监测模块，其中各模块间具有通信连接；[0044]避障测试客户端发送自动避障测试指令到无人机，无人机响应于接收到的自动避障测试指令在避障测试区域执行飞行操作并发送实时的飞行动作测量数据到测试云平台；避障测试区域的图像采集器采集避障测试图像并将其发送到测试云平台；[0045]飞行动作损失模块对飞行动作测量数据进行第一飞行动作分解得到飞行动作测量矩阵，并根据飞行动作测量数据得到飞行动作估算矩阵，然后根据飞行动作估算矩阵和飞行动作测量矩阵构建飞行动作损失函数；[0046]飞行视觉损失模块对避障测试图像进行第二飞行动作分解得到飞行位移测量矩阵，并根据避障测试图像得到飞行位移估算矩阵，然后根据飞行位移测量矩阵和飞行位移估算矩阵构建飞行视觉损失函数；[0047]飞行动作约束模块对避障测试图像进行分析以构建飞行动作约束条件；[0048]飞行动作估算模块根据飞行动作损失函数、飞行视觉损失函数和飞行动作约束条件得到无人机的实时飞行动作；[0049]障碍识别模块根据避障测试图像识别实体障碍，并根据实体障碍和实时飞行动作生成自动避障指令；[0050]无人机根据所述自动避障指令进行自动避障；[0051]避障监测模块根据无人机的自动避障结果生成自动避障测试数据，并将其发送至相应的避障测试客户端。[0052]本发明提供的基于云计算的无人机测试系统能够实现无人机的自动避障功能，并根据无人机的自动避障测试数据以供测试人员得到最终的自动避障测试效果。本发明有助于实现无人机的自动巡航功能，使其在自动巡航过程中能够自行躲避飞行路径中的实体障碍物，以免无人机的飞行状态受到实体障碍物的影响而导致的机体受损或飞行终止，使无人机能够从多方位、多角度地辅佐警务巡航工作，提升无人机智能化水平。[0053]为了便于理解，下面对本发明的工作方法和原理进行具体说明。[0054]具体的，在一个实施例中，基于云计算的无人机测试系统执行的工作流程可以包括以下步骤：[0055]s1、测试人员通过避障测试客户端发送自动避障测试指令到无人机，无人机响应于接收到的自动避障测试指令在避障测试区域执行飞行操作并发送实时的飞行动作测量数据到测试云平台；避障测试区域的图像采集器采集避障测试图像并将其发送到测试云平台。[0056]自动避障测试指令用于指示无人机在避障测试区域按照预设轨迹执行飞行操作，并将实时的飞行动作测量数据发送至测试云平台。[0057]避障测试客户端为测试人员所使用的具有计算功能、存储功能和通信功能的设备，其包括：智能手机、平板电脑、台式电脑、笔记本电脑、智能手表和智能穿戴设备。图像采集器包括环视摄像头、单目摄像机、双目摄像机和三目摄像机。避障测试图像为避障测试区域的环境图像。[0058]s2、飞行动作损失模块对飞行动作测量数据进行第一飞行动作分解得到飞行动作测量矩阵，并根据飞行动作测量数据得到飞行动作估算矩阵，然后根据飞行动作估算矩阵和飞行动作测量矩阵构建飞行动作损失函数。[0059]在一个实施例中，飞行动作损失模块对飞行动作测量数据进行第一飞行动作分解得到飞行动作测量矩阵包括：[0060]飞行动作损失模块根据飞行动作测量数据获取无人机在标准飞行坐标系下的飞行动作矩阵；[0061]飞行动作损失模块获取第一飞行坐标系与第二飞行坐标系间的固定盘旋偏差矩阵；[0062]飞行动作损失模块根据无人机在标准飞行坐标系下的飞行动作矩阵和第一飞行坐标系与第二飞行坐标系间的固定盘旋偏差矩阵得到飞行动作测量矩阵。[0063]固定盘旋偏差为飞行动作测量设备所在的第二飞行坐标系与无人机所在的第一飞行坐标系之间存在的固定偏差。[0064]飞行动作损失模块在构建飞行动作损失函数时，考虑了固定盘旋偏差对飞行动作测量的影响，提高了无人机自动避障的成功率。[0065]标准飞行坐标系为以大地为基准的坐标系，第一飞行坐标系为以无人机为基准的坐标系，第二飞行坐标系为以无人机的飞行动作测量设备为基准的坐标系。[0066]飞行动作测量数据包括无人机上所有飞行动作测量设备采集的无人机的实时飞行动作数据，每个无人机上有若干个飞行动作测量设备。飞行动作测量设备可以是陀螺仪传感器或者姿态传感器。[0067]在一个实施例中，飞行动作损失模块根据飞行动作估算矩阵和飞行动作测量矩阵构建飞行动作损失函数包括：[0068][0069]其中，为飞行动作损失函数，n为无人机上飞行动作测量设备的数量，i为飞行动作测量设备的索引，为标准飞行坐标系下第i个飞行动作测量设备的飞行动作估算矩阵，为标准飞行坐标系下第i个飞行动作测量设备的飞行动作测量矩阵，为将矩阵转化为四元数并取其向量部分。[0070]s3、飞行视觉损失模块对避障测试图像进行第二飞行动作分解得到飞行位移测量矩阵；根据避障测试图像得到飞行位移估算矩阵；根据飞行位移测量矩阵和飞行位移估算矩阵构建飞行视觉损失函数。[0071]飞行位移测量矩阵包括每张避障测试图像中每个飞行中枢点在第三飞行坐标系下的测量坐标，第三飞行坐标系为以图像采集器为基准的坐标系。[0072]飞行位移估算矩阵包括每张避障测试图像中每个飞行中枢点在第三飞行坐标系下的估算坐标；飞行中枢点为识别飞行动作的关键点。[0073]在一个实施例中，飞行视觉损失模块对避障测试图像进行第二飞行动作分解得到飞行位移测量矩阵包括：[0074]飞行视觉损失模块对避障测试图像进行动作解算以获取无人机在第三飞行坐标系下各飞行中枢点的测量坐标；[0075]飞行视觉损失模块获取每个飞行中枢点的置信度；所述飞行中枢点的置信度用于指示对应飞行中枢点被准确识别的概率；[0076]飞行视觉损失模块根据所有飞行中枢点在第三飞行坐标下的测量坐标得到飞行位移测量矩阵。[0077]在一个实施例中，飞行视觉损失模块根据避障测试图像得到飞行位移估算矩阵包括：[0078]飞行视觉损失模块获取各飞行中枢点在第二飞行坐标系下的估算坐标；[0079]飞行视觉损失模块将第二飞行坐标系下各飞行中枢点的估算坐标投影到第三飞行坐标系以得到各飞行中枢点在第三飞行坐标下的估算坐标；[0080]飞行视觉损失模块对所有飞行中枢点在第三飞行坐标下的估算坐标进行处理得到飞行位移估算矩阵。[0081]在一个实施例中，飞行视觉损失模块根据飞行位移测量矩阵和飞行位移估算矩阵构建飞行视觉损失函数包括：[0082][0083]其中，为飞行视觉损失函数，p为图像采集器的索引，q为飞行中枢点的索引，u为图像采集器的个数，v为每张避障测试图像的飞行中枢点的个数，为第三飞行坐标系下第p个图像采集器采集的避障测试图像的第q个飞行中枢点的估算坐标，为第三飞行坐标系下第p个图像采集器采集的避障测试图像的第q个飞行中枢点的测量坐标。[0084]s4、飞行动作约束模块对避障测试图像进行分析以构建飞行动作约束条件；飞行动作估算模块根据飞行动作损失函数、飞行视觉损失函数和飞行动作约束条件得到无人机的实时飞行动作。飞行动作约束条件用于约束无人机在自动飞行过程中飞行动作的最大范围。[0085]s5、障碍识别模块根据避障测试图像识别实体障碍，并根据实体障碍和实时飞行动作生成自动避障指令，无人机根据所述自动避障指令进行自动避障；避障监测模块根据无人机的自动避障结果生成自动避障测试数据，并将其发送至对应的避障测试客户端。[0086]障碍识别模块根据实体障碍和实时飞行动作生成自动避障指令，并将所述自动避障指令发送至无人机，无人机响应于接收到的自动避障指令进行自动避障。[0087]障碍识别模块根据避障测试图像识别实体障碍还包括：对避障测试图像进行图像预处理以得到标准避障测试图像，对标准避障测试图像进行图像识别以得到实体障碍。[0088]图像预处理的目的为对避障测试图像进行增强和复原，其包括对避障测试图像进行光线补偿、图像灰度化、图像滤波、二值化、图像归一化、图像锐化和对比度增强，以提高图像的抗干扰性。[0089]对避障测试图像进行图像预处理以去除噪声和其它干扰因素对图像识别的干扰，达到增强图像信息的目的，使图像识别结果更加准确，大幅提高了图像识别准确率和识别效率同时高效率的图像识别有助于节约计算资源。[0090]灰度化的过程就是把彩色图像转换为黑白色图像的过程，由于彩色图像的颜色信息更容易受到复杂背景的影响，因此在图像预处理过程中，需要对避障测试图像进行灰度变化以消除复杂背景对实体识别的干扰。[0091]在一个实施例，障碍识别模块根据实体障碍和实时飞行动作生成自动避障指令包括：[0092]障碍识别模块获取实体障碍在第三飞行坐标系下的坐标位置；[0093]障碍识别模块获取无人机的实时飞行动作和无人机在第三坐标系下的坐标位置；[0094]障碍识别模块根据实体障碍在第三飞行坐标系下的坐标位置和无人机在第三飞行坐标系下的坐标位置计算无人机与实体障碍的距离；[0095]在无人机与实体障碍的距离大于避障距离时，指示无人机根据按照预设飞行轨迹飞行；[0096]在无人机与实体障碍的距离小于避障距离时，障碍识别模块通过自动避障算法实时修正无人机的实时飞行动作，并生成相应的动作修正指令。[0097]自动避障结果为无人机在执行自动避障指令后的飞行状态，其包括状态良好、状态受损和飞行终止。避障测试客户端的测试人员根据所述自动避障测试数据得到无人机自动避障测试的结果。[0098]另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0099]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0100]本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!