基于激光雷达感知的无人机自主避障3DVFH改进算法

吉彦蓉，袁子雄

基于激光雷达感知的无人机自主避障3DVFH改进算法

吉彦蓉，袁子雄

（中国电子科技集团公司第二十研究所，西安 710068）

传统无人机避障算法通过视觉传感器基于八叉树地图（Octomap）构建全局地图，会产生较大存储量，难以满足工程需要。基于三维向量直方图（3DVFH）做出改进，只需构建局部地图，但该方法不考虑先前的数据或操作，易造成行为不稳定和局部最小值。针对以上问题，提出基于增强3DVFH的自主局部避障算法，将全局地图直接替换为使用激光雷达提供的三维点云地图，同时设计一种价格较低的计算内存策略来减轻局部方法的固有问题。经试验验证，有效地提升了环境感知的效率与存储量，有助于更好地进行无人机自主避障。

激光雷达；无人机；三维向量直方图；环境感知；自主避障

0 引言

随着无人机应用越来越广泛，作为保证无人机安全飞行的核心，无人机避障技术受到广泛的 研究[1]。无人机在飞行过程中，由于传感器的处理、机载芯片/板卡的计算和飞控的响应等均存在相应的时延，因此快速地对环境进行感知，获取场景中障碍物的信息，提升自主避障技术的算法效率与存储效率成为研究的重点。

现在许多无人机采用视觉传感器进行感知避障，如大疆的精灵4等[2]，视觉传感器能快速识别障碍物，但受光照影响容易被干扰，同时作用距离较短，难以满足作用环境复杂时无人机的需求。激光雷达能够实时扫描环境特征，绘制三维点云地图等功能，且激光雷达探测距离及角度分辨率都比较高，相较于视觉传感器，有着更远的感知距离与更稳定的感知效率，随着激光雷达传感器越来越普及，关于激光雷达的避障研究也越来越多[3-4]。

数学运算是贯穿整个学业生涯乃至人一生的素养，在高考中强化对数学运算素养的考查，有利于进一步发展学生的运算求解、有效借助运算方法解决实际问题的能力．因为数学是一门非常严谨的学科，因此对数学运算的准确性要求非常高，不容许有任何的差错，在某种程度上，这也决定了对学生的要求，要求他们养成一丝不苟、严谨求实的科学精神，以及规范化思考问题的品质．

1)堆码。堆码的原则是尽量利用运输工业的容积，利于内部空气的流通。主要方法有品字形装车法、井字形装车、“一二三，三二一”装车法和筐口对装法等。

1 三维向量直方图算法

目前主流的无人机避障算法有A*算法[5]和快速扩展随机树（Rapidly-exploring Random Tree，RRT）算法[6]，这两种算法均需要构建全局地图，对存储性能要求较高。但当无人机无法提前获取全局地图时，这些算法均不适用。三维向量直方图（Three-Dimensional Vector Histogram，3DVFH）自主避障算法由Vanneste等人引进[7]，Vanneste以八叉树栅格地图（Octomap）[8]形式构建场景的三维全局地图，判断这些栅格点与无人机自身的位置关系，选取无人机周围需要进行避障的栅格点，建立二维直方图，使用直方图进行无人机自主避障。

Analysis on energy-saving transformation of air-conditioning system in a hotel in Qingdao

图1 构建二维极坐标直方图

2 改进3DVFH算法

该策略存储每个时间步长内计算的最终组合直方图，以便在随后的时间步长中可用，如图2所示，共包括四个步骤：第一步，将这个旧直方图的数据重投影到3D点中；第二步，从那些重新投影的3D点以一半的分辨率构建记忆直方图，然后，此记忆直方图将被上采样到常规分辨率；第三步，从新的激光雷达3D点云数据计算当前时间步长的新直方图；最后，将新的直方图和记忆直方图融合在一起，成为当前时间步长的组合直方图。该组合的直方图可用于确定可能的行进方向并在障碍物周围导航。

图2 改进3DVFH算法策略

2.1 直方图重投影

图3 旧直方图已占用像元对应重投影点

在获取用于避障的组合直方图的过程中，此过程被两次使用：根据重新投影的3D点获取记忆直方图，并从激光雷达提供的3D点云中计算新的直方图。在这两种情况下，二维极坐标直方图都以相同的方式计算。一方面，对于新的直方图，如果至少1个3D点落入二进制图层中，则将二进制图层中的单元格设置为已占用，距离层中的相应值设置为落入该单元格中的所有点的距离的平均值。年龄层中的值始终设置为0，因为此直方图是根据新数据生成的。另一方面，以所有其他直方图的一半分辨率生成记忆直方图，然后进行上采样。如果至少有6个点落入二进制层，则该单元将被视为已占用。如果将旧直方图的每个单元划分为4个3D点，则6是唯一允许的值。如果选择的阈值低于6，则记忆直方图的占用单元数将多于旧直方图。这导致组合直方图收敛到完全占据的直方图。相反，如果选择的阈值太大，则记忆直方图将比旧直方图占用更少的单元。记忆效应将被最小化，尤其是障碍物的边界将被忽略。最小点数的阈值如图4所示。

2.2 从3D点建立直方图

3DVFH算法可以访问全局地图的主要优势是该算法会记住以前存在但现在可能不在视野范围内的障碍物，但构建全局地图也会引入大量计算，与此同时若仅依赖局部避障，不考虑先前时间步长中的任何数据或操作，沿着较大的障碍物（例如墙壁）滑行等情況会造成避障行为不稳定等问题。因此，在本文中，将3DVFH方法改进为纯局部算法而无需构建全局地图。全局地图被直接替换为使用激光雷达提供的3D点云，同时建立局部直方图存储器，与新直方图组合来提升原算法避障不稳定和存储量过大的问题。

加的夫语法认为，主要动词在小句中具有重要的作用和功能。一个小句要表达的过程需要通过小句中的主要动词（Main Verb）来体现。在《现代汉语词典》（第5版）中，“让”字共有5个含义，其中有4个动词含义和1个介词含义。这4个动词含义可以表示“谦让”、“出让”等等，可以作为小句的主要动词。因此，在现代汉语“让”字句中，“让”字的用法之一是用作小句的主要动词。此外，“让”字后面还可以连接补语成分形成“动补结构”，例如例句（1）“机动车礼让行人”。

图4 最小点数的阈值

因此，阈值的最佳选择是最大数量6，它不会导致收敛到完整的直方图。对于距离层，使用与新直方图相同的方法。因此，距离值被定义为单元格箱中所有点的平均距离。年龄值也被确定为占据单元格中所有点的平均年龄。以一半的分辨率创建记忆直方图后，将对其进行上采样以匹配新直方图的完整分辨率。分辨率的变化使得该方法不易受到离散误差的影响。

2.3 结合记忆直方图和新直方图

在上一步中，记忆直方图和新直方图都需要合并为最终直方图。最终的直方图存储用于下一次计算。为了组合两个直方图，区分了两个不同的区域：位于无人机当前视场角（Field of View，FOV）内部的单元格与FOV外部的单元格。从无人机的方位角和俯仰角以及传感器作用范围可以计算视角内的直方图区域。使用的激光雷达的垂直视角为46°，水平FOV为120°。因为是以非常保守的方式选择FOV，新的直方图有可能占据了FOV之外的单元格。它标记了新数据受信任的区域，不仅包含障碍物的占用的单元，而且包含空的单元，另一方面，FOV之外未被占用的单元格通常是由于缺乏数据而不是有缺乏空闲单元的知识所致。对于FOV内的直方图单元，将复制新的直方图，优先于记忆直方图。对于位于FOV之外的所有单元，将“或”运算用于二进制层。在当前直方图中，如果相应的单元格标记为已占用，则年龄和距离层将从新的直方图中获取。当前直方图中单元格未被占用而记忆直方图中标记为已占用的的情况下，年龄和距离层的值会从记忆直方图中被复制。组合新直方图和内存直方图的示例如图5所示，黄色区域标记了FOV。

图5 建立组合直方图

2.4 权重路径选择

图6 滑动窗口设置

为验证本文算法的有效性与适用性，在卓翼无人机上进行试飞验证，如图7所示。无人机配备激光雷达传感器用于感知场景3D点云，搭载TX2板卡集成本文算法，板卡操作系统为Ubuntu18.04。具体参数如表1所示。

3 试验验证

图7 卓翼无人机

表1 无人机参数

进行飞行测试，感知场景信息，3DVFH感知生成的Octomap全局地图如图8所示，增强3DVFH感知生成的局部障碍地图如图9所示，局域位置在图8中椭圆区域。如图8和图9易得本文算法仅需存储显示很少的场景信息。

根据对检测结果的处理,发现CT强化程度和肿瘤T分期存在相互联系,见下表1患者CT扫描分期与病理类型等比较分析

图8 Octomap全局感知地图

图9 改进3DVFH感知地图

同时需要对增强算法中的存储器进行验证，如图10所示，图10中红色曲线为无人机的航迹，箭头表示无人机的移动方向，图（a）为初始时刻，图（b）为避障途中的某一时刻，在无人机运动过程中，依旧可以存储局部障碍物信息。

图10 局部障碍物存储器

随后，为了进一步验证本算法自主避障的有效性，在有效飞行30 s的情况下，对比了本算法与全局地图的算法效率，如表2所示。易得本算法在实时地图自主避障方面存储量与计算量均有显著提升。

郭启明气喘吁吁地跑回女友的宿舍，关小美还在酣睡。他渐渐冷静下来，内心却被恐惧紧紧包围！他悄悄潜进关小美的屋里，把行凶的刀子塞到床板下，然后换了身衣服坐在一边发呆。听到院子里人声嘈杂，关小美被惊醒，她拉开窗帘，发现院子里有很多人，她问郭启明：“怎么来了那么多警察？”郭启明紧张地说：“警察来了，来抓我了……我刚刚抢银行了……”

表2 局部障碍地图算法效率

4 结语

经试验验证，采用本文提出的改进算法，通过建立局部直方图记忆存储器，并使用激光雷达感知的3D点云作为全局地图，能有效地生成无人机自主感知的局部障碍物地图，满足无人机飞行过程中自主避障的需求，并在无人机运行的过程中有效地减少了存储量与计算量，有利于提高无人机自主避障与路径规划效率。

[1] Bachrach A，He R J，Roy N. Autonomous flight in unknown indoor environments[J]. International Journal of Micro Air Vehicles，2009，1（4）：217-228.

[2] 赵航，王立峰. 基于pixahwk的多旋翼无人机避障飞行系统研发[J]. 动力系统与控制，2017，6（3）：11.

[3] 章志诚，杜昌平. 基于激光雷达的多旋翼飞行器实时避障系统[J]. 计算机测量与控制，2016，24（9）：117-121.

[4] 张大伟，王佳，孟森森，等. 基于单目视频路径移动机器人导航方法研究[J]. 传感器与微系统，2018，37（2）：4.

[5] Yang F，Fang X，Gao F，et al. Obstacle Avoidance Path Planning for UAV Based on Improved RRT Algorithm[J]. Discrete Dynamics in Nature and Society，2022.

[6] 潘富强，曾成，马国红，等. 一种融合改进A*算法与改进动态窗口法的AGV路径规划[J]. 传感技术学报，2023，36（1）：10.

[7] Vanneste S，Bellekens B，Weyn M. 3DVFH+：Real-Time Three-Dimensional Obstacle Avoidance Using an Octomap[C]. Morse，2014：1319.

[8] Hornung A，Kai M W，Bennewitz M，et al. OctoMap：an efficient probabilistic 3D mapping framework based on octrees[J]. Autonomous Robots，2013.

[9] Xin G，Jia Q，Sun H，et al. Real-time dynamic system to path tracking and collision avoidance for redundant robotic arms[J]. The Journal of China Universities of Posts and Telecommunications，2016（1）：73-85+96.

[10] Tsai，C.P，Chuang，et al. Machine-vision based obstacle avoidance system for robot system[C]. IEEE International Conference on System Science & Engineering，2013：273-277.

Improved 3DVFH Algorithm for Autonomous Obstacle Avoidance of UAV Based on LiDAR Perception

JI Yanrong, YUAN Zixiong

Traditional obstacle avoidance algorithm of Unmanned Aerial Vehicle (UAV) constructs the global map based on Octomap by visual sensor, which will produce large storage and is difficult to meet the engineering needs. The improved algorithmbased onThree-Dimensional Vector Histogram (3DVFH) only needs to construct a local map, but this method does not consider previous data or operations, which can easily lead to unstable behavior and local minima. Regarding the above issues, an autonomous local obstacle avoidance algorithm based on enhanced 3DVFH is proposed, which directly replaces the global map with a 3D point cloud map provided by LiDAR, and a low-cost computational memory strategy to alleviate the inherent problems of local methods is designed. Through experimental verification, it has effectively improved the efficiency and storage capacity of environmental perception, which is conducive to better autonomous obstacle avoidance for UAV.

LiDAR; Unmanned Aerial Vehicle; Three-Dimensional Vector Histogram; Situational Awareness; Autonomous Obstacle Avoidance

2023-04-21。

A

1674-7976-(2023)-04-297-06

吉彦蓉（1994.07—），甘肃兰州人，硕士，主要研究方向为雷达、无人机避障、信息化弹药。

TN974