本发明涉及无人机追踪控制，具体涉及一种基于三维模型的无人机追踪控制系统及方法。
背景技术：
1、在无人机对移动目标进行持续追踪的过程中，主要依赖于图像处理和导航算法来控制无人机的飞行路径，这些技术在目标相对静止或运动轨迹简单时，能够较好地实现追踪，在处理快速移动的目标时，容易出现跟踪丢失和图像模糊的问题，无法保证持续、清晰的图像数据采集。
2、传统的无人机追踪系统通常依赖于单一的视觉传感器，缺乏对周围环境的全面感知能力，导致在障碍物较多的环境中，难以有效避障并保持对目标的持续追踪。例如，在城市或森林等复杂环境中，目标可能会被遮挡物遮挡，导致无人机的追踪路径难以保持最佳状态。现有路径规划算法在复杂环境中的实时性和准确性不足，难以应对目标的快速移动和环境的动态变化，导致追踪路径的滞后和不合理。现有系统缺乏有效的目标移动路径预测能力，难以提前规划和调整无人机的飞行路径，导致在实际追踪中效率低下。
3、当目标在复杂环境中快速移动时，由于无人机的追踪路径无法实时适应目标的移动路径和周围环境的变化，常导致无人机摄像头捕捉到的图像出现模糊，采集的图像数据不够清晰，影响图像数据的清晰度和有效性。
技术实现思路
1、针对无人机的追踪路径无法实时适应目标的移动路径和周围环境的变化，导致采集的图像数据不够清晰的问题，本发明提出一种基于三维模型的无人机追踪控制系统及方法，通过点云数据建立点云三维模型，根据周围环境数据对被追踪目标的移动路径进行预测，根据周围遮蔽物和预测的目标移动路径，对无人机飞行追踪路径进行协调，通过优化无人机的飞行追踪路径，显著提高图像数据的清晰度和质量，使得采集的图像数据达到最佳采集效果，进而提升无人机追踪移动目标的整体效果。
2、为了实现上述目的，本发明通过如下的技术方案来实现：
3、一种基于三维模型的无人机追踪控制系统，所述系统包括：
4、数据采集模块，用于通过无人机搭载的点云数据采集设备和摄像装置实时扫描被追踪目标和周围环境，实时采集三维点云数据；
5、数据处理模块，用于对所述三维点云数据进行处理，将三维点云数据分割成目标点云数据、静态环境点云数据和动态环境点云数据，并分别构建目标三维模型、静态环境三维模型和动态环境三维模型，将所述静态环境三维模型和动态环境三维模型进行融合，形成综合环境模型；
6、路径预测模块，用于基于所述目标三维模型和所述综合环境模型，预测目标移动路径；
7、飞行控制模块，用于根据预测的目标移动路径和所述综合环境模型，优化无人机的飞行追踪路径。
8、作为本发明的一种优选方案，所述数据处理模块包括：
9、数据预处理单元，用于对采集的三维点云数据进行去噪、下采样和坐标变换；
10、特征提取单元，用于使用pointnet++模型对转换后的三维点云数据进行多层次特征提取；
11、点云分割单元，用于使用dbscan算法对特征提取后的三维点云数据进行分割，识别目标点云数据、静态环境点云数据和动态环境点云数据；
12、模型构建单元，用于基于所述目标点云数据、静态环境点云数据和动态环境点云数据，分别构建目标三维模型、静态环境三维模型和动态环境三维模型；
13、环境模型融合单元，用于将所述静态环境三维模型和动态环境三维模型进行融合，形成综合环境模型。
14、作为本发明的一种优选方案，所述数据预处理单元的实现方法包括：
15、使用统计滤波器进行去噪：将采集的三维点云数据表示为集合p＝{p1,p2,...,pn}，集合p中每个点pi表示为三维坐标(xi,yi,zi)，n为三维点云数据的数据总量；
16、选择每个点的k个最近邻点，计算每个点pi到k个最近邻点的均值距离di，公式为：
17、
18、式中，j表示当前的近邻点索引，范围从1到k；pij表示点pi的第j个最近邻点坐标；
19、计算集合p中所有点的均值距离dmean和标准差σd，公式为：
20、
21、设置均值距离阈值为dmeand±σ·σd，σ为标准差阈值，保留均值距离在均值距离阈值范围内的点作为去噪后的三维点云数据pdenoised；
22、采用体素栅格滤波进行下采样：定义每个体素的大小vsize，将去噪后的三维点云数据pdenoised划分为体素栅格，在每个体素内取点的平均值作为该体素的代表点，输出下采样后的三维点云数据pdownsampled；
23、对下采样后的三维点云数据pdownsampled进行坐标变换，将三维点云数据从无人机坐标系转换到全局坐标系，转换公式为：
24、pi′＝r·pi+t；
25、式中，pi′为转换后的点坐标，pi为原始点坐标，r为旋转矩阵，t为平移向量；
26、输出转换后的三维点云数据ptransformed。
27、作为本发明的一种优选方案，所述特征提取单元中，进行多层次特征提取的方法包括：
28、输入转换后的三维点云数据ptransformed，设置pointnet++模型的超参数，所述超参数包括层数、每层采样点数和邻域大小；
29、使用最远点采样算法从转换后的三维点云数据ptransformed中采样固定数量的点，对每个采样点，定义一个球形邻域，设邻域半径为r，邻域半径r中包括有固定数量的邻域点；
30、对每个采样点的邻域点，通过共享的多层感知机进行特征变换，对变换后的邻域点特征进行最大池化操作，生成采样点的局部特征向量；
31、重复多个分组层，逐层提取特征，把每一层的输出作为下一层的输入，在最后一层，使用全局最大池化对所有点的特征进行池化，生成全局特征向量；
32、输出特征提取后的点云特征ffeatures，包括局部特征和全局特征向量。
33、作为本发明的一种优选方案，所述点云分割单元中，将特征提取后的点云特征ffeatures使用dbscan算法进行分割，包括以下过程：
34、定义参数：定义邻域半径∈和最小点数minpts；
35、初始化：将所有点标记为未访问，以准备进行遍历和聚类；
36、遍历每个点：对点云特征ffeatures中的每个点进行遍历，如果点尚未访问，则进行以下步骤：
37、判断核心点：计算当前点的∈-邻域内的点数，如果满足minpts条件，则标记为核心点并开始扩展簇；否则，标记为噪声点；
38、扩展簇：对核心点的邻域进行遍历，将符合minpts条件的点加入簇中，并继续扩展，直到簇不再增长；
39、对所有未访问的点重复以上步骤，直到所有点都被访问；
40、根据特征提取的结果和簇的空间位置，识别不同类型的点云特征，将三维点云数据分割成目标点云数据ptarget、静态环境点云数据pstatic和动态环境点云数据pdynamic。
41、作为本发明的一种优选方案，所述模型构建单元中，目标三维模型的构建方法为：
42、输入目标点云数据ptarget并划分为体素网格，并设置每个体素的大小；
43、计算每个体素内的点的密度值；
44、对每个体素，使用marching cubes算法从体素数据中提取等值面；
45、根据体素内的点的密度值，确定等值面的顶点位置，并使用预定义的查找表生成目标三维模型的三角网格，输出目标三维模型mtarget；
46、静态环境三维模型的构建方法为：
47、使用八叉树对静态环境点云数据pstatic进行分层划分，递归地将空间划分为八个子空间，直到达到最大深度d，在每个叶节点中存储对应的静态环境点云数据；
48、基于八叉树结构，使用泊松方程对静态环境点云数据pstatic进行曲面重建，生成静态环境三维模型mstatic；
49、使用qem算法对重建的三维模型进行后处理；
50、使用isam方法构建动态环境三维模型，包括以下步骤：
51、设置无人机的初始位姿x0，创建因子图g用于存储所有的位姿节点和观测因子；
52、对输入的动态环境点云数据pdynamic进行去噪、下采样的预处理操作；
53、在因子图中为每个时刻t添加一个位姿节点xt，创建里程计因子，使用无人机的运动模型，将连续的位姿节点通过里程计因子连接起来，公式为：
54、fodom(xt,xt+1)＝||xt+1-xt-ut||2；
55、式中，xt为时刻t的位姿节点，xt+1为时刻t+1的位姿节点；ut是时刻t的运动控制输入；fodom(xt,xt+1)表示里程计因子；
56、将预处理后的动态环境点云数据作为观测，添加到因子图中，为每个观测点添加一个观测因子，公式为：
57、fobs(xt，qm)＝||h(xt)-qm||2；
58、式中，qm表示动态环境点云数据中的第m个观测点；h(xt)为根据位姿xt计算的观测预测；fobs(xt,qm)为观测因子；
59、使用isam方法对因子图进行增量式优化，更新位姿估计和因子图；
60、根据更新后的位子估计和因子图，将所有观测点转换到全局坐标系，构建动态环境的三维模型mdynamic。
61、作为本发明的一种优选方案，所述环境模型融合单元中，使用icp算法将静态环境三维模型和动态环境三维模型进行融合，具体包括：
62、输入静态环境三维模型mstatic和动态环境三维模型mdynamic，并设置最大迭代次数niter和收敛容差δ；
63、将动态环境三维模型mdynamic与静态环境三维模型mstatic进行初始对齐；
64、重复以下步骤，直至达到最大迭代次数niter或变换前后模型之间的差异小于收敛容差δ：
65、最近点匹配：找到动态环境三维模型mdynamic中每个点与静态环境三维模型mstatic中最近的点对；
66、计算变换：使用奇异值分解算法计算使最近点对齐的刚体变换；
67、应用变换：将计算得到的刚体变换应用到动态环境三维模型mdynamic上，更新动态环境三维模型mdynamic中每个点的位置；
68、输出对齐后的动态环境三维模型mdynamic_aligned；
69、将对齐后的动态环境三维模型mdynamic_aligned和静态环境三维模型mstatic中的点分别对应，使用加权平均方法融合对应点，形成综合环境模型mfused。
70、作为本发明的一种优选方案，所述路径预测模块中，采用lstm网络对目标移动路径进行预测，具体包括：
71、从目标三维模型和综合环境模型中提取时间序列数据集d，时间序列数据集d中包括时刻t的输入特征向量和时刻t的目标位置；
72、构建lstm网络：设置输入特征维度nfeatures、隐藏层单元数nhidden、lstm层数nlayers和输出维度noutput(即目标位置的维度)，构建一个包含nlayers层的lstm网络，每层包含nhidden个单元，在lstm层后添加全连接层，将lstm的输出映射到目标位置；
73、训练lstm网络：
74、输入时间序列数据集d和构建好的lstm网络，设置批量大小、学习率和训练轮数；
75、初始化均方误差损失函数和adam优化器；
76、将时间序列数据集d分批次输入lstm网络进行前向传播，计算预测值；
77、计算均方误差损失函数，并通过反向传播算法更新网络权重；
78、重复以上过程，直到完成所有训练轮数，形成训练好的lstm模型；
79、将当前的输入特征向量输入训练好的lstm模型，进行前向传播，通过lstm网络输出预测的目标位置。
80、作为本发明的一种优选方案，所述飞行控制模块包括：
81、轨迹优化单元，用于通过a*算法对无人机的飞行追踪路径进行初步规划，方法包括：
82、初始化开放列表和关闭列表，开放列表用于存储待评估的节点，关闭列表用于存储已评估的节点，将无人机起点加入开放列表；
83、从开放列表中选择具有最低代价函数的节点，代价函数包括从起点到节点k的实际代价和从节点k到终点的启发式估计代价，并将具有最低代价函数的节点从开放列表中移除，加入关闭列表；
84、对当前节点的每个相邻节点进行评估，计算从起点到相邻节点的新代价，如果相邻节点不在开放列表中，或新代价更低，则更新该相邻节点的信息并加入开放列表；
85、循环以上步骤，不断从开放列表中选择最优节点进行扩展，直到找到终点或开放列表为空；如果找到终点，则回溯父节点，输出从起点到终点的路径作为初步规划的路径；
86、路径平滑单元，用于在通过a*算法找到初步规划的路径后，使用b样条插值方法对所述路径进行平滑处理；
87、动态避障单元，用于使用动态窗口法对平滑处理后的路径进行动态优化，方法包括：
88、生成动态窗口内的所有可能的速度和加速度组合；
89、对每个组合，模拟无人机在时间窗口内的运动轨迹，预测无人机的未来位置；
90、计算每条运动轨迹的代价函数，包括路径跟踪误差、碰撞风险和能量消耗代价；
91、选择代价函数最小的运动轨迹作为优化后的飞行追踪路径。
92、一种基于三维模型的无人机追踪追踪控制方法，所述方法包括：
93、通过无人机搭载的点云数据采集设备和摄像装置实时扫描被追踪目标和周围环境，实时采集三维点云数据；
94、对采集的三维点云数据进行去噪、下采样和坐标变换；
95、使用pointnet++模型对转换后的三维点云数据进行多层次特征提取；
96、使用dbscan算法对特征提取后的三维点云数据进行分割，识别目标点云数据、静态环境点云数据和动态环境点云数据；
97、基于所述目标点云数据、静态环境点云数据和动态环境点云数据，分别构建目标三维模型、静态环境三维模型和动态环境三维模型；
98、将所述静态环境三维模型和动态环境三维模型进行融合，形成综合环境模型；
99、基于所述目标三维模型和所述综合环境模型，采用lstm网络预测目标移动路径；
100、根据预测的目标移动路径和所述综合环境模型，优化无人机的飞行追踪路径。
101、本发明的有益效果是：采用pointnet++模型进行三维点云数据的多层次特征提取，通过对每个采样点的邻域点进行特征变换和最大池化操作，生成局部和全局特征向量，利用这些特征向量，系统能够精确识别环境中的目标点云数据、静态环境点云数据和动态环境点云数据；动态环境模型基于isam方法进行增量式优化，通过icp算法将静态环境模型和动态环境模型融合，形成综合环境模型，提供更准确的环境感知能力；采用lstm网络对目标的移动路径进行预测，通过时间序列数据集训练lstm网络，能够准确预测目标的未来位置，提高无人机的追踪能力；在初步路径规划之后，系统通过b样条插值方法对路径进行平滑处理，使得路径更加自然和平滑，有利于无人机的平稳飞行，动态避障模块使用动态窗口法，对平滑处理后的路径进行实时优化，保证无人机在飞行过程中能够动态避障，提升安全性。
1.一种基于三维模型的无人机追踪控制系统，其特征在于，所述系统包括：
2.根据权利要求1所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述数据处理模块包括：
3.根据权利要求2所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述数据预处理单元的实现方法包括：
4.根据权利要求2所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述特征提取单元中，进行多层次特征提取的方法包括：
5.根据权利要求2所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述点云分割单元中，将特征提取后的点云特征ffeatures使用dbscan算法进行分割，包括以下过程：定义参数：定义邻域半径和最小点数minpts；
6.根据权利要求2所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述模型构建单元中，目标三维模型的构建方法为：
7.根据权利要求2所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述环境模型融合单元中，使用icp算法将静态环境三维模型和动态环境三维模型进行融合，具体包括：
8.根据权利要求1所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述路径预测模块中，采用lstm网络对目标移动路径进行预测，具体包括：
9.根据权利要求1所述的一种基于三维模型的无人机追踪控制系统，其特征在于，所述飞行控制模块包括：
10.根据权利要求1-9任一项所述的一种基于三维模型的无人机追踪控制系统的追踪控制方法，其特征在于，所述方法包括：
