- 一文读懂无人机避障技术

双目视觉：这个方法运用了人眼估计距离的原理，即同一个物体在两个镜头画面中的坐标稍有不同，经过转换即可得到障碍物的距离，双目视觉方法也可以获得障碍物的深度图像。这种方法的缺点在于技术难度较高（不过自从有了OpenCV，妈妈再也不用担心我不会写机器视觉程序了），且距离估计的误差随距离变大而指数型增长，只是这一缺点在无人机避障应用中并无大碍。

电子地图：借助细粒度的数字高程地图和城市3D建筑地图，既能够实现避免重要建筑物受到无人机撞击（即禁飞区功能），也能够实现很多情况下的无人机避障。而事实上，战斧巡航导弹的远程飞行也在很大程度上依赖于数字高程地图。

障碍物测量的原理搞懂了，就可以开始讨论无人机避障了。最简单的策略莫过于遇到障碍物时停止前进，然后与障碍物保持一定的距离。这种遇到障碍物后就默默悬停等待，仿佛手足无措不知所往的初级策略，就是这么简单的开始，无人机就进入了避障时代。

绕过障碍物

很显然，我们不会满足于让无人机遇到障碍物后傻傻等待（固定翼表示自己一秒钟也无法等待），这就需要设计让无人机安全高效地绕过障碍物继续完成预定飞行的策略。表面上看，连萨摩耶这种囧傻呆萌的狗狗都知道前面有座大楼时该怎么绕过去（请自行想象为什么说到狗狗时要强调前方是大楼，而不是一棵树），让无人机绕过障碍物的策略应该很简单了，但这其中的门道可多了去了。

首先，狗狗很清楚前方大楼的轮廓，因此只需要往边缘走就可以绕过去，但是无人机想获得障碍物轮廓就很难了，如果避障传感器是普通超声波，无人机就只能知道前方有障碍，但是却无从知道障碍物的边缘，这就是前面为什么要强调“能够获得障碍物深度图像”了，对于能获得深度图像的TOF测距和双目视觉测距方式，只要障碍物没有充满视场，就总能够找到障碍物的边缘。举例说明，下图所示的是无人机的到的深度图像示意图，灰度越深，表明距离越近，遇到这种情况，很显然的策略就是往左上方飞，即朝向灰度最浅的区域飞行，此时问题仿佛已经得到解决。

但是别高兴太早，这种策略可以满足大多数应用场景，但是问题还远没有解决，看下面的左图，一架无人机刚绕从一座高大建筑旁绕过去，然后得到了如左图的障碍物深度图像，如果按照前面的策略，肯定是要往颜色最前的地方飞行，好那我要是告诉你其实右图是无人机和两座悬崖几何关系的俯视图，请你告诉我无人机会怎么飞，如果按照前述的策略，这又必将是一场刻骨铭心的事故。

也许有人对windows98时代的迷宫屏保还有印象，屏保中，使用一直沿着左侧墙壁和一直沿着右侧墙壁都会最终走出迷宫，这是因为普通迷宫的拓扑结构就是两条平行线中间有一个通道，按照这种思路，无人机遇到下图这种简单策略躲不过去的障碍时，完全可以采取类似的方式，就一直向左或者向右寻找出路。即如果上面右图的局部场景的完整形态如果如下图所示的话，沿着图中的两条曲线为路径都可以绕过去，如果场景比下图更复杂，绕过去的路可就需要苦苦追寻了。

虽然关于机器人在未知场景中的避障方法研究非常多，但是由于终究是未知场景，其中必然有复杂的搜索过程。

场景建模和路径搜索

再回到狗狗绕过大楼的例子，看下图，如果狗狗左侧右侧的路都走过，而且右侧其实没有那棵树的话，很显然的它下一次绕过这座楼的时候基本上会选择左侧的路（但是当右侧有颗邪恶的树之后，结论仿佛有所改变），这是因为它大脑里已经有了一幅地图，即有了这个场景的模型。