为了保障无人机的飞行安全,尤其是工业级无人机超视距作业时在未知环境中的作业安全,本文对无人机障碍物检测与避障策略进行了研究。其中,障碍物检测分为障碍物识别与障碍物测距两个方面。在障碍物识别方面,本文利用边缘提取算法在图像中提取障碍物轮廓,并用矩形框选后用规则的矩形轮廓代替不规则的真实轮廓,确定障碍物的位置、形状和大小。本文在原始局部二值模式(Local Binary Patterns,LBP)算子的基础上,在色相、饱和度、明度(Hue,Saturation,Value,HSV)颜色空间中利用模糊集理论对其进行改进,解决了原始LBP算子差异不能量化和不具备旋转不变性的问题,实现了障碍物轮廓提取。该方法在弱光和包含噪声的情况下表现良好,同时具备一定的实时性,在JetsonTk1嵌入式开发平台上,处理一帧720P分辨率的图片平均耗时75ms,能够满足无人机避障的实时性要求。在障碍物测距方面,本文利用双目摄像头和多个方向的毫米波雷达对障碍物进行测距。利用双目摄像头生成的深度图和障碍物的矩形轮廓可以实现障碍物距离测量的功能。针对双目摄像头测量频率较低仅有10Hz的问题,本文引入测量频率为50Hz的毫米波雷达来辅助测距。双目摄像头深度图的中心区域和前向毫米波雷达利用多传感器数据融合算法进行融合测距。通过对融合测距系统的状态矩阵和观测矩阵进行扩维,将采样率不同的异步融合问题转换为同步融合问题,得到了比使用单一传感器估计精度更高的测量数据。通过对深度图中心区域和前向毫米波雷达测量角度进行标定,可以保证融合测距范围能够测量到出现在无人机前向飞行路径上的障碍物。融合测距结果与利用障碍物矩形轮廓在深度图中的测距结果二者取较小值作为前向障碍物距离,最大限度保障飞行安全。其它方向的毫米波雷达测量数据用于辅助判断避障过程是否完成和是否有异常状况发生。在避障策略方面,本文利用计算几何方法判断图像中的障碍物是否会阻碍无人机前向飞行并计算出无人机躲避障碍物的最佳方向和躲避速度。根据前向障碍物距离的不同,对无人机的前向飞行速度做出不同程度的限制,保证无人机不会在绕行过程中撞上障碍物。在多障碍物情形下,本文简化为单障碍物情形处理,降低了复杂度。实际飞行实验验证了本文避障策略的有效性,无人机可以安全地在最佳方向上绕过障碍物,回到预设的飞行轨迹。