[0001] 本发明涉及智能机器人技术领域，具体涉及一种基于多层神经网络的智能避障、目的地降落无人机。

[0002] 随着无人机技术的不断发展，无人机在军事、民用、工业等领域得到广泛应用。

[0003] 目前无人机在面对复杂环境时仍存在一些缺陷。首先，传统无人机在遇到动态障碍物时缺乏智能化的避让能力，容易发生碰撞事故。其次，目标检测和跟踪方面仍存在一定局限性，对复杂场景中的目标物体识别不够准确。此外，无人机的降落精度受限，特别是在接近目标物体时，缺乏精确的降落策略，难以实现高精度降落和跟随任务。此外，传统无人机对于环境变化响应较慢，无法在动态场景中实时适应和调整飞行策略。因此，本项目旨在利用多层神经网络和先进算法来解决这些缺陷，提升无人机的智能化程度和自主飞行能力，实现更高效、安全的无人机飞行。

[0004] 现有技术《一种基于视觉定位降落末端的无人机降落方法》中，开发了一种由多个停机位Marker组成得无人机降落方法(2016发明人布树辉CN201610454292.5)。

[0005] 现有技术《2021UAV Path Planning Based on Multi‑Layer Reinforcement Learning Technique》中，提出的一种两层RL算法，高层处理局部信息，可以视为短期策略；
低层处理全局信息，可以视为长期策略。高层和低层协同工作，规划无碰撞路径(Digital Object Identifier 10.1109/ACCESS.2021.3073704)。

[0006] 现有技术《2021_Vision Based Drone Obstacle Avoidance  by Deep Reinforcement Learning》中，使得无人机能够在训练环境中仅通过输入深度图来避开障碍物，使无人机在重新配置的环境中无需重新训练也能具有更高的避障率(AI 2021,2(3),
366‑380)。

[0007] 现有技术《2023Deep Reinforcement Learning for Vision‑Based Navigation of UAVs in Avoiding Stationary and Mobile Obstacles》中，比较了多种算法对于无人机路径规划的作用及其效果(Drones 2023,7,245.)。

[0008] 各类无人机普遍存在而还能打局限性。首先，许多无人机在遇到障碍物时的运动越障能力较差，难以灵活避开障碍物，导致可能出现碰撞的风险。其次，部分无人机在追踪目标物体时缺乏稳定性，降落过程可能不够精准，容易导致目标丢失或失控。另外，目前当前无人机的目标检测和追踪装置并不够高效，识别精度和实时性有待提高，导致无法准确地跟踪目标物体。还有些无人机的飞行控制系统在面对复杂环境时不够智能化，无法做出灵活的决策，使得飞行操作不够优化。这些缺点限制了当前市面上同类无人机在目标识别、追踪和精准降落等方面的性能和应用范围。

[0051] 为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述﹐所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。
然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

[0052] 本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。

[0053] 本公开实施例中，术语“上”、“下”、“内”、“中”、“外”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本公开实施例及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本公开实施例中的具体含义。

[0054] 另外,术语“设置”、“连接”、“固定”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本公开实施例中的具体含义。

[0055] 术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

[0056] 除非另有说明，术语“多个”表示两个或两个以上。

[0057] 需要说明的是，在不冲突的情况下，本公开实施例中的实施例及实施例中的特征可以相互组合。

[0058] 实施例：

[0059] 一种基于多层神经网络的智能避障、目的地降落无人机，如图1、图2、图3和图4所示，包括驱动模块、作业模块、控制模块以及框架模块；

[0060] 所述驱动模块包括电池装置3、旋翼4和马达装置5，其中，电池装置3提供无人机所需的持续电力支持；旋翼4和马达装置5用于产生飞行动力，使无人机能够在空中飞行；

[0061] 所述作业模块包括相机云台1、相机2、图传装置9和LED显示屏13，其中，相机云台1以及相机2用于拍摄图像和录制视频；图传装置9用于通过无线通信传输相机图像；LED显示屏13用于提供状态和信息显示；

[0062] 所述控制模块包括位置传输接口6、多媒体接口7、内存卡卡槽8、电源传输接口14和北斗GPS装置15，其中，位置传输接口6实时接收和传输无人机的定位信息；多媒体接口7用于数据交互和存储；内存卡卡槽8用于存储数据；电源传输接口14连接电池装置3，传输电力给各个模块和组件；北斗GPS装置15提供定位和导航功能；

[0063] 框架模块包括无人机支脚10、无人机底盘11和无人机框架12，无人机支脚10以及无人机底盘11作为整个无人机的基础结构，无人机框架12结合无人机支脚10和无人机底盘11，构成飞行平台，用于承载驱动模块、作业模块和控制模块。

[0064] 框架模块中，无人机支脚10设置在无人机底盘11两侧，无人机框架12覆盖于无人机底盘11上方，与无人机底盘11和无人机支脚10连接并固定，构成飞行平台；

[0065] 电池装置3、马达装置5、图传装置9、位置传输接口6、多媒体接口7、内存卡卡槽8、电源传输接口14和北斗GPS装置15均设置在无人机底盘11上；

[0066] 相机云台1和旋翼4设置于无人机框架12上，LED显示屏13设置于无人机框架12中，相机2设置于相机云台1上。

[0067] 在一个实施例中，电池装置3位于无人机底盘内部，为整个系统提供持续的电力支持，马达装置5则直接连接在无人机底盘11的相应位置，通过电源传输接口14与电池装置3相连，以获取电能，旋翼4设置于无人机框架12上，产生推力，实现飞行动力。这种紧密的电力传输和动力转换结构，确保了无人机的稳定起飞和飞行过程中的持续能量供给。

[0068] 在一个实施例中，无人机底盘11上设置有传感器，用于感知周围环境，传感器可以探测无人机周围的物理参数，如温度、湿度、气体浓度等；这些感知设备提供了实时的环境数据，使得无人机能够了解周围的环境情况，进行多模态学习，并根据感知结果进行智能避障、目的地降落的决策和规划。

[0069] 在一个实施例中，相机装置具备专业级的图像传感器和镜头，保证在不同光照条件下获取高质量的图像数据。云台系统则采用精密的机械结构和稳定控制算法，能够实现相机的三轴稳定性控制，确保在无人机运动和震动的情况下，相机能够保持平稳的朝向。这套相机和云台系统还配备了高级图像处理功能，如实时图像增强、目标识别和跟踪。通过应用YOLO和Faster‑RCNN卷积网络等先进算法，无人机能够实时感知周围环境，并准确识别目标物体。同时，DQN神经网络的智能决策能力使得无人机能够根据目标状态做出相应动作，实现目标的精确定位和追踪。

[0070] 在一个实施例中，相机2和云台1通过可控旋转装置和连接杆的调整，使相机2能够在多个方向上灵活进行转动和定位，确保无人机能够全方位地获取目标的图像信息。图传装置9能够将相机拍摄的实时图像传输至多媒体接口7进行数据交互和存储。

[0071] 图传装置9通过电缆连接到相机2，确保数据传输的稳定和可靠性；

[0072] 同时，图传装置9还通过多媒体接口7与内存卡卡槽8相连，将图像信息写入内存卡中进行存储；

[0073] 图传装置9与相机2和多媒体接口7紧密结合，通过无线通信实现相机图像的传输，并通过多媒体接口7进行数据交互和存储。这种高效的图像传输和数据交互方式，为无人机的实时监控和数据记录提供了便捷而可靠的手段。

[0074] 无人机支脚10和无人机底盘11相连，为整个无人机提供支撑和稳定，确保在降落和起飞时保持平衡；在降落过程中，无人机支脚10和无人机底盘11与地面紧密接触，为无人机提供稳定的支撑。

[0075] 相机云台1、相机2、多媒体接口7、内存卡卡槽8、图传装置9、位置传输接口6和北斗GPS装置15构成无人机搭载的深度学习目的地降落系统；

[0076] 深度学习目的地降落系统中，位于相机云台1上面的相机2获取图像信息，获取的图像信息通过图传装置9传递到远程计算机；

[0077] 北斗GPS装置15实时获取无人机的位置信息，位置传输接口6实时接收无人机的定位信息并传输到远程计算机；

[0078] 内存卡卡槽8中安装内存卡，用于存储图像信息和无人机的位置信息；

[0079] 远程计算机根据接收的图像信息和无人机的实时定位信息，进行图像特征分析，实现路径规划和目标定位，并发送控制信息至多媒体接口7，多媒体接口7连接相机云台1、相机2、图传装置9、LED显示屏13和马达装置5，传输接收到的控制信息。

[0080] 进一步地，远程计算机通过多媒体接口7发送控制信息至马达装置5，通过控制和调节马达装置5的功率大小，对旋翼4进行操控，使无人机相应地调整自身的姿态、位置以及速度；在无人机降落时，调节旋翼4的转速来控制无人机的高度和下降速度。

[0081] 旋翼4和马达装置5是无人机的重要动力部件，通过DQN网络的动作选择策略，控制旋翼4的转速和马达5的动作，实现智能的避障和导航。位置传输接口14和北斗GPS装置15联合工作，提供精确的定位信息，帮助无人机实现目标寻找和精确定位。

[0082] 进一步地，远程计算机通过多媒体接口7发送控制信息至相机云台1和相机2，在飞行过程中，控制位于相机云台1上面的相机2实时记录无人机周围的图像信息，图像信息中包括避障所需的深度图信息，在降落过程中，控制相机2实时拍摄地面图像信息。

[0083] 进一步地，远程计算机中，构造智能避障、目的地降落无人机的运动模型，所述运动模型包括三层神经网络；

[0084] 第一层神经网络采用实现智能避障能力的算法，实时感知无人机装置飞行过程周围的环境，检测静态物体并实现无人机与周围静态障碍物的避让；

[0085] 第二层神经网络采用实现智能避障能力以及动态物体检测和移动速率计算的算法，实时感知无人机装置飞行过程周围的环境，检测动态物体，判断动态物体的移动路径，进而实现无人机与周围动态障碍物的避让；

[0086] 第三层神经网络采用实现目标寻找和跟踪的算法，结合第一层神经网络和第二层神经网络，实现无人机降落或跟随移动物体的功能。

[0087] 智能避障、目的地降落无人机的运动模型采用的神经网络包括YOLO卷积网络、Faster‑RCNN卷积网络以及DQN神经网络，实现无人机在空中多种动作的选择，通过YOLO和Faster‑RCNN卷积网络感知周围环境，识别目标并检测目标状态，同时通过DQN神经网络做出智能决策。

[0088] 第一层神经网络中，采用用于无人机的静态物体避障算法，首先使用CNN卷积网络进行环境感知，通过对传感器数据或者摄像头图像进行分析，获取关键特征和静态物体的位置信息。随后，这些有价值的信息被传递至DQN神经网络，这个深度强化学习模型能够制定出最合适的避障动作，确保无人机在复杂的环境中安全穿越。随着不断地在仿真环境中进行训练和优化，CNN卷积网络和DQN神经网络逐渐增强了其感知和决策能力，从而使得无人机在真实环境中避障的性能和准确性持续提高。这种持续的学习和优化过程使得无人机能够更加高效地规避静态物体，避免碰撞，保证了飞行过程的安全和可靠性。

[0089] 在一个实施例中，第一层神经网络运用了Convolutional Neural Network(CNN)卷积和Deep Q‑network(DQN)神经网络，旨在实现无人机与周围静态障碍物的高效避让。这一层网络充分感知环境，通过对相机2捕获的信息传递到图传装置9和多媒体传感器7的数据的处理和分析，及时发现周围的静态障碍物，并根据实时情况采取相应的飞行动作，从而保证无人机的安全飞行。在这一阶段，CNN卷积网络负责处理图像数据，通过特征提取和模式识别，快速、准确地检测出周围环境中的静态障碍物。而DQN神经网络则负责智能决策，根据传感器数据和CNN卷积网络的输出14，进行飞行路径规划和动作选择，确保无人机能够高效地规避障碍物，保持安全距离。

[0090] 通过第一层神经网络，无人机能够在不断变化的环境中及时感知静态障碍物的位置和状态，快速做出决策，及时调整各个旋翼4的转速，确保避免与其相撞。这种高级控制系统使得无人机在复杂的飞行任务中能够高效、灵活地避让障碍物，保障了飞行的安全性和可靠性。

[0091] 第二层神经网络中，采用用于无人机的动态物体避障算法，该算法使用CNN卷积网络和PPO神经网络，实现无人机在空中多种动作的选择，以防止碰撞移动中的物体。在该方法中，首先通过CNN卷积网络进行环境感知，它能够接收环境的动态物体移动轨迹及信息，并从中提取关键特征，包括周围动态物体的位置、速度等信息。这样，无人机能够实时感知周围环境中移动的物体，为后续的避障决策提供准确的输入。接着，将环境感知结果传入PPO神经网络中。PPO(Proximal Policy Optimization)神经网络是一种用于强化学习的算法，能够学习到最优的动作策略。在这里，PPO网络根据环境感知结果，生成多种动作选择策略，以使无人机能够避开动态物体，确保飞行过程中不会发生碰撞。整个方法的核心是不断地在仿真环境中训练和优化CNN卷积网络和PPO神经网络。通过的模拟飞行实验，无人机逐渐积累经验并优化决策策略，从而在真实环境中具备更好的动态物体避障能力。

[0092] 在一个实施例中，第二层神经网络同样利用了Convolutional Neural Network(CNN)卷积网络，这与第一层神经网络的设计类似，主要用于处理相机云台搭载的环境图像数据，并实时感知周围的动态物体。同时，这一层神经网络还结合了PPO神经网络，用于智能决策和执行动态物体的避障策略。

[0093] 类似于第一层神经网络，第二层网络的CNN卷积部分同样通过图像特征提取和模式识别，能够快速、准确地检测出相机2拍摄的环境中的动态物体。而PPO神经网络则在控制动作方面发挥关键作用，根据实时传输的环境状态和CNN卷积网络的输出结果，智能地选择和执行避障动作，确保无人机在面对动态物体时能够安全地规避。在这一层神经网络中，相机云台1搭载的相机是信息获取的重要来源，通过相机云台的稳定性控制，保证图像数据的准确性和稳定性。同时，位置传输接口6与北斗GPS装置15相连，提供实时的无人机位置信息，为智能决策提供重要依据。

[0094] 在本公开实施例中，第二层神经网络的设计目的在于处理动态障碍物，它与第一层神经网络共享了CNN卷积网络的图像处理部分，但在决策和执行方面有所区别，以适应不同类型的障碍物。尽管两层神经网络都以CNN卷积为基础，但其后续结合的不同神经网络(DQN和PPO)使得它们各自具有独特的功能，能够应对不同种类的障碍物和飞行场景。

[0095] 第三层神经网络中，采用用于无人机的目标寻找算法，该算法使用YOLO卷积网络、Faster‑RCNN卷积网络以及DQN神经网络，实现无人机在空中多种动作的选择，使其能够寻找到自己对应的目标，并且检测目标的状态。此方法中采用YOLO卷积网络和Faster‑RCNN卷积网络进行目标检测和定位。这两种卷积网络能够对无人机周围的环境进行快速而准确的目标检测，包括寻找目标的位置和边界框。通过这种环境感知，无人机能够获得关于目标的重要信息，为后续的目标寻找和动作选择奠定基础。接着，将这些目标检测结果传输至DQN神经网络中。DQN神经网络是一种强化学习模型，用于学习无人机的动作决策。在这里，DQN神经网络能够根据目标检测结果，生成多种动作选择策略，使无人机能够寻找到自己对应的目标，并且根据目标的状态做出相应的动作，以实现更精确的目标定位和跟踪。

[0096] 第三层神经网络中，采用用于无人机的智能降落算法，该算法使用You Only Look Once(YOLO)卷积网络、Mask‑RCNN卷积网络以及Deep Q‑network(DQN)神经网络，实现无人机在空中多种动作的选择，使其能够寻找到自己对应的目标，并且检测目标的状态。同时，该方法还能够检测物体是否在移动的状态，并且计算物体的移动速率和方向，以确保无人机可以降落到指定地点。在该算法中，首先采用YOLO卷积网络和Mask‑RCNN卷积网络进行目标检测和定位。这两种卷积网络能够对无人机周围的环境进行快速而准确的目标检测，包括寻找目标的位置、边界框以及物体的实例分割(Mask)。通过这种环境感知，无人机能够获得关于目标的重要信息，为后续的目标寻找和动作选择奠定基础。接着，将这些目标检测结果传输至DQN神经网络中。DQN网络是一种强化学习模型，用于学习无人机的动作决策。在这里，DQN网络能够根据目标检测结果和物体的移动状态，生成多种动作选择策略，使无人机能够寻找到自己对应的目标，并且根据目标的状态和移动信息做出相应的动作，以实现更精确的目标定位和跟踪。

[0097] 在一个实施例中，第三层神经网络构建了一个更为复杂和多功能的结构，以实现无人机在接近目标物体时的精确降落和追随功能。第三层神经网络采用了Faster‑RCNN，负责物体的快速检测和识别，再结合Mask‑RCNN和DQN神经网络，用于对物体进行mask判断和位置信息计算。

[0098] 可选地，通过相机2对物体的摄像识别，利用图传装置9的信息传输。对第三层神经网络中Faster‑RCNN或者YOLO网络能够在复杂场景中快速准确地检测出目标物体，从而实现对目标的迅速定位。接着，Mask‑RCNN网络进一步对目标物体进行mask判断，即识别出目标物体的轮廓和形状，进而计算物体的当前速度和位置信息。这些信息对于无人机在接近目标物体时进行精确降落或追随至关重要。

[0099] 可选地，第三层神经网络中利用了DQN神经网络，通过对相机云台搭载的相机所拍摄环境图像数据进行处理，实现智能决策。这一层神经网络能够根据相机传输的图像信息以及实时接收的物体位置数据(通过位置传输接口和北斗GPS装置获取)，智能地选择并执行适当的飞行动作。通过相机云台的稳定控制，相机能够保持对目标物体的准确观测，为智能决策提供重要依据。

[0100] 第三层神经网络中，涵盖了Faster‑RCNN或者YOLO网络(通过多媒体接口与内存卡卡槽实现数据交互)，以及Mask‑RCNN和DQN神经网络的功能。第三层神经网络的目标是对相机2所拍摄的物体进行mask判断和位置信息计算。通过对物体的mask判断和位置信息的准确获取，图传装置9能够智能地了解目标物体的状态并且传输数据到计算机中，进而在接近目标物体时实现安全稳定的降落或跟随功能。在这一层神经网络中，图传装置9为相机图像的传输提供了无线通信支持，进一步增强了物体检测的实时性和准确性。

[0101] 智能避障、目的地降落无人机的运动模型中，三层神经网络的协同作用使得无人机在处理不同类型的障碍物和目标物体时表现出高度智能和适应性。在第二层，通过DQN神经网络的智能决策，无人机可以根据实时接收的物体位置信息和相机2图像数据作出智能决策，调正无人机马达装置5功率，进而调节旋翼4转速，实现无人机的姿态和速度矫正，实现避障和规避动态物体的功能。在第三层，结合Faster‑RCNN或者YOLO网络和Mask‑RCNN，无人机能够对目标物体进行mask判断和位置信息计算，进而实现精确降落或跟随移动物体的功能

[0102] 进一步地，在飞行过程中，远程计算机根据相机2实时记录的无人机周围的图像信息以及无人机的实时定位信息，通过《2021UAV Path Planning Based on Multi‑Layer Reinforcement Learning Technique》中所提出的两层RL算法规划无碰撞路径，使所述智能避障、目的地降落无人机在飞行过程中避免与障碍物碰撞。

[0103] 进一步地，图传装置9传输深度图信息到远程计算机，远程计算机通过《2021_Vision Based Drone Obstacle Avoidance by Deep Reinforcement Learning》(AI 
2021,2(3),366‑380)中所提出的深度图避障算法使得所述智能避障、目的地降落无人机能够在训练环境中仅通过输入深度图来避开障碍物；

[0104] 飞行过程中，远程计算机根据相机2实时记录的无人机周围的图像信息以及无人机的实时定位信息，使得所述智能避障、目的地降落无人机实现智能避障、目的地降落的功能。

[0105] 以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们，其他实施例可以包括结构的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开的实施例并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。