近年来,人工智能技术取得了高速发展,无人机的智能化应用也成为了大势所趋。在无人机的智能应用中,自主系统能够安全可靠地避障是至关重要且具有挑战性的问题。文章面向准确安全的无人机自主避障问题,使用轻量级的传感器——单目相机,研究基于卷积神经网络的避障方法。课题搭建的无人机自主避障系统分为前端后端两部分,其中前端用于感知无人机周围环境;后端将前端感知的空域信息与时域信息结合,生成无人机控制指令。本课题的研究内容如下:首先,设计基于卷积神经网络无人机自主避障的系统框架。面向减轻无人机载重,降低系统运行时延,课题研究使用单目摄像头的无人机自主避障方法。理解学习单目相机框架以及深度神经网络的理论,为下一章设计轻量级卷积网络奠定基础。由于从无人机传回的原始图像存在噪声,且原始图像的部分区域包含环境特征信息少,直接使用原始图像会影响卷积网络的工作效果。面向上述问题,研究对输入图像的预处理方法,裁剪掉关键特征少的图像区域,使用滤波算法对图像降噪。研究自主避障所需要的数据集形式,搭建转向角和碰撞概率数据集。然后,学习轻量级网络单元搭建元素,引出轻量级网络设计理念,提出效率高的网络单元。面向实时、可靠的无人机感知,依托网络单元,提出轻量级网络模型。针对系统需要同时对转向角和碰撞概率预测的要求,研究设计单输入多输出网络模型及其训练方法。该模型对环境感知可靠且耗时低。本章实现了系统前端设计。接下来,面向平稳、灵敏的无人机控制,研究将预测值转换为控制指令的映射决策方法。理解学习滤波算法,分别针对转向角预测和碰撞概率预测的特点,提出使用改进的滤波算法将空域特征与时域特征结合,并生成映射决策方法。在某些场景下,仅改变转向角以及前向速度来避障的方式将会导致无人机“悬停”。针对上述问题,课题利用无人机六自由度,研究通过改变俯仰角来使无人机飞跃障碍物的方法解决“悬停”问题;探究快速、准确、有效的俯仰角映射方法。本章实现了系统后端设计。最后,文章仿真验证了网络模型的有效性以及映射方法的有效性,在真实环境中对系统的避障能力进行了测试,实验证明了系统的有效性。