技术领域
[0001] 本
发明涉及无人机智能自主导航领域，具体涉及一种无人机智能循迹飞行系统及方法。
背景技术
[0002] 目前，对于智能无人机的核心研究问题是
定位与避障的研究。而避障功能是衡量智能无人机智能化不可或缺的关键指标之一。若要实现智能无人机行走过程中完成自主避障，所要解决的问题是：一方面需要
机器人所处的外部环境信息，另一方面要求能够将所获取的环境信息，通过适当的处理转变为控制信息。无人机上的摄像机会采集无人机前方的图像，然后基于
卷积神经网络的
图像识别模
块会对此图像进行识别并发出控制指令，进而帮助无人机保持在正确的路径上，实现无人机在楼道里的自主循迹飞行。
[0003] 近几年，卷积神经网络在图像和
语音识别方面取得了很大的突破，它已经成为当前语音分析和图像识别领域的研究热点。CNN作为一个
深度学习架构被提出是为了最小化数据的预处理要求。而目前市面上的无人机关于循迹方法还没有出现很好
接触此类问题。
[0004] 进一步地，在无人机上的领域，由于隧道
磁阻效应基于
电子的自旋效应，具有“灵敏度高、微型化、容易检测”的优势，但是目前还没有出现针对无人机
角速率检测应用隧道磁阻效应，且在实际工作中发现隧道磁阻效应检测的微陀螺面临着无法提供稳定的检测
磁场和无法合理组装等难题。
发明内容
[0005] 为了有效解决上述问题，本发明提供一种基于回形隧道磁阻微陀螺的无人机智能循迹飞行系统及方法。
[0006] 本发明的具体技术方案如下：
[0007] 一种无人机智能循迹飞行系统，所述飞行系统应用于无人机飞行，所述飞行系统包括用于进行
图像采集的图像采集单元、用于检测飞行惯量的飞行
姿态测量单元、用于进行神经网络处理的神经网络处理单元、及控制无人机飞行动作的控制单元；
[0008] 所述图像采集单元与神经网络处理单元连接，并将采集到的图像数据传输至所述神经网络处理单元中，所述飞行姿态测量单元实时检测无人机的飞行姿态，并在飞行姿态测量单元检测到无人机飞行姿态达到预设变化数值时，所述控制单元记录存储关键
位置数据，并所述图像采集单元捕获关键位置的图像数据，建立无人机循迹飞行的飞行
数据库。
[0009] 进一步地，所述神经网络处理单元采用卷积神经网络进行学习型
数据处理，所述神经网络处理单元包括可深度学习，积累识别图像路线的嵌入式神经网络(NPU)处理器、英特尔神经网络处理器。
[0010] 进一步地，所述神经网络处理单元包括至少一个
输入层、至少两个卷积层、至少两个下
采样层、至少一个全连接层、至少一个
输出层；
[0011] 所述神经网络处理单元的处理步骤包括：
[0012] 160x120
分辨率的灰度图像通过所述输入层输入神经网络处理单元；
[0013] 所述输入层的图像通过所述第一个卷积层后，输出包含有至少6个图像特征的特征图，采用的卷积窗口的大小为5x5,输出的特征图的大小为156x116；
[0014] 所述第一个卷积层的图像通过下第二个采样层进行
下采样，输出包含有至少6个图像特征的特征图，特征图的大小为78x58；
[0015] 所述第二个下采样层通过第三个卷积层，输出包含有至少12个特征图，卷积核的大小为5x5,特征图的大小为74x54；
[0016] 所述第三个卷积层通过第四个下采样层，输出包含有至少12个特征图，特征图的大小为37x27；
[0017] 第五层为共有11988个单元的全连接层，分別与第四个下采样层的对应单元相连；
[0018] 第一层到第五层使用的激活函数为双曲正切函数。
[0019] 进一步地，所述飞行姿态测量单元包括至少一个第一
基板、至少一个微陀螺体、及至少一个磁阻板体；
[0020] 所述第一基板的一侧依次层叠设置所述微陀螺体、及磁阻板体，所述微陀螺体具有提供恒定的磁场的回折电线圈，所述磁阻板体具有敏感外界磁场变化的隧道磁阻件，所述回折电线圈与隧道磁阻件相对设置，并通过隧道磁阻原理进行角速率
信号检测。
[0021] 进一步地，所述微陀螺体包括至少一个支
框架体、至少一个启动块、至少一个检测块、至少一个回折电线圈；
[0022] 所述支框架体为一个用于
支撑启动块、检测块的框架体结构，并所述支框架体位于微陀螺体最外层，在所述支框架体内设置所述启动块、及检测块，在所述支框架体上沉积有启动
电极、启动反馈电极、回折电线圈电极。
[0023] 进一步地，所述支框架体通过启动电极与启动块连接；
[0024] 所述检测块设置于微陀螺体的中心位置，并通过检测梁与启动块连接，在所述检测块表面上方沉积有回折电线圈。
[0025] 进一步地，所述回折电线圈对应所述检测块的位置形成连续回形结构的弯折体，并所述回折电线圈通过回折电线圈电极与支框架体连接。
[0026] 进一步地，所述启动块通过启动梁设置于检测块与支框架体之间；
[0027] 所述启动块四个边角处分别设置有启动梁，所述启动梁包括第一启动梁、第二启动梁、及启动梁连接块；
[0028] 所述第一启动梁、第二启动梁为梁的长度远大于宽度的细长梁结构，所述第一启动梁、第二启动梁分别位于启动梁连接块两侧并相互平行，连接启动块和启动梁连接块，启动梁连接块整体为“T”形结构，连接所述第一启动梁、第二启动梁、及支框架体；
[0029] 所述检测块四周边角处设置有检测梁，所述检测梁与启动块连接，所述检测梁包括第一检测梁、第二检测梁和检测梁连接块；
[0030] 所述第一检测梁、第二检测梁为梁的长度远大于宽度的细长梁结构，所述第一检测梁、第二检测梁分别设置于检测梁连接块两侧并相互平行，并连接检测块和检测梁连接块；
[0031] 所述检测梁连接块整体为“T”形结构，连接所述第一检测梁、第二检测梁、及启动块。
[0032] 一种无人机智能循迹飞行方法，所述智能循迹飞行方法包括以下步骤：
[0033] S1学习飞行路线：通过无人机沿着操控路线进行飞行，所述无人机捕获沿途图像数据，并将图像数据通过神经网络处理单元进行学习训练，记忆飞行路线；
[0034] S2关键位置学习：在无人机飞行过程中，通过飞行姿态测量单元检测无人机的三个飞行维度的飞行姿态，所述飞行姿态测量单元的检测数据达到预设的变化量时，此时所述图像采集单元捕获周边的飞行环境、及无人机的飞行姿态；
[0035] S3神经网络处理分析：无人机捕获的图像数据都输入所述神经网络处理单元进行深度
分析学习，并在所述神经网络处理单元中搭建飞行路线数据库；
[0036] S4无人机循迹飞行：无人机根据根据飞行路线数据的飞行路线进行循迹飞行，并在飞行过程中根据图像采集单元捕获的图像，通过神经网络处理单元实时进行
图像处理分析，调整无人机自平衡姿态，完成整个循迹飞行。
[0037] 进一步地，所述步骤S2中，所述摄像机为上下位置设置的广角摄像头，在无人机正常飞行中，仅使用一个摄像机进行图像捕获飞行环境图形；
[0038] 在所述飞行姿态测量单元实时检测无人机角速率的变化量达到控制单元的预设变化数值时，所述控制单元启动另一个摄像机工作，并立体捕获当前图像，两个摄像机同时工作，获取无人机的惯性姿态从变化姿态到恢复正常飞行姿态的过程图像，并输入神经网络处理单元对应的位置
节点、时间节点进行记录循迹分析。
[0039] 本发明的有益之处：本发明的有益之处：为了解决无人机自主循迹飞行的问题，提出了一种基于卷积神经网络的无人机循迹飞行方法，从一个全新的角度实现了无人机的循迹飞行。首先通过机载摄像机采集无人机前方的图像,然后将采集到的图像送人到改进的卷积神经网络模型进行分类，并给出飞行指令，进而使无人机实现循迹的功能，并在飞行过程中，采用基于高灵敏特性的隧道磁阻效应的飞行姿态测量单元，所述飞行姿态测量单元的微陀螺体为面内检测，相比于离面检测的微陀螺具有阻尼效应小、
精度高等优势；
[0040] 进一步地，将回折电线圈应用在了微陀螺中，当隧道磁阻件敏感到的磁场发生变化，在微弱的磁场变化下隧道磁阻件的阻值会发生剧烈变化，可将微陀螺的检测精度提高一至两个数量级。所述飞行姿态测量单元可实现性强、
接口电路简单且容易检测，应用于无人机上可解决角速率信号检测，通过所述飞行姿态测量单元获取无人机在飞行姿态的变化关键位置，并启动所述图像采集单元进行重点捕获图像，形成飞行环境的立
体模型，为无人机循迹飞行路线提供关键位置图像，保证无人机在关键位置的合理飞行，提高无人机循迹飞行的整体安全性。
附图说明
[0041] 图1为本发明第一
实施例所述神经网络处理单元工作流程示意图；
[0042] 图2为本发明所述飞行姿态测量单元整体结构示意图；
[0043] 图3为本发明所述第一基板的整体结构示意图；
[0044] 图4为本发明所述飞行姿态测量单元分层结构示意图；
[0045] 图5为本发明所述微陀螺体的结构示意图；
[0046] 图6为本发明所述微陀螺体的俯视图；
[0047] 图7为本发明所述启动块的结构示意图；
[0048] 图8为本发明所述第一启动梁的结构示意图；
[0049] 图9为为本发明所述检测块的结构示意图；
[0050] 图10为本发明所述第一检测梁的结构示意图；
[0051] 图11为本发明所述金属
导线的结构示意图；
[0052] 图12为所述无人机所述控制单元的数据处理示意图；
[0053] 图13为所述无人机的摄像机的视轴方向位于图中右侧阴影部分示意图；
[0054] 图14为所述无人机的摄像机的视轴方向位于图中两个阴影中间部分示意图；
[0055] 图15为所述无人机的摄像机的视轴方向位于图中左侧阴影部分部分示意图；
[0056] 图16为为CNN卷积神经网络的训练
流程图。
具体实施方式
[0057] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0058] 相反，本发明涵盖任何由
权利要求定义的在本发明的精髓和范围上做的替代、
修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0059] 本发明提出一种基于回形隧道磁阻微陀螺的无人机智能循迹飞行系统，所述无人机朝向飞行方向的一侧设置有用于进行图像采集的图像采集单元，并所述图像采集单元与所述无人机的控制单元连接，在无人机内设置有用于检测飞行惯量的飞行姿态测量单元，所述飞行姿态测量单元与控制单元连接，并实时采集所述无人机的飞行惯性量数据，回传至控制单元，所述无人机的控制单元控制无人机的各个旋翼进行相应的飞行动作。
[0060] 所述控制单元采用卷积神经网络进行学习型数据处理，考虑到复杂的网络结构不仅会增加训练难度，并且对机载
硬件设备的要求极高，这会直接影响到系统的实时性，因此本文的卷积神经网络是在LeNe-5的
基础上修改而来，改进后的LeNet—5结构如图1所示。其中包括一个输入层、两个卷积层、两个下采样层、一个全连接层、一个输出层。
[0061] 输人数据为160x120分辨率的灰度图像，第一个卷积层(C1)包含6个特征图，采用的卷积窗口的大小为5x5,输出的特征图的大小为156x116。第二个下采样层(S2)是用来对(C1)层进行下采样，同样得到6个特征图，特征图的大小为78x58。第三个卷积层(C3)包括12个特征图，卷积核的大小为5x5,特征图的大小为74x54；第四个下采样层(S4)包括12个，特征图的大小为37x27；第五层共有11988个单元，分別与第四层的对应单元相连；输出层是一个全连接层，共有三个单元。其中第一层到第五层使用的激活函数为双曲正切函数。
[0062] 另外，本文在卷积神经网络最后的输出层采用的分类器是Softmax回归模型，在Softmax回归模型中，对于给定的测试输入t,假设函数p(y＝j|X)是X属于类别j的概率值。
[0063] 如图2所示，所述飞行姿态测量单元包括第一基板1、微陀螺体8、磁阻板体23组成，磁阻板体23设置有隧道磁阻件24、粘连点25，且隧道磁阻件24有多个引脚32，用于提供输入
电压及引出检测信号。微陀螺体8采用
硅片进行MEMS工艺加工制作而成，设置于第一基板1上方中心位置，磁阻板体23设置于微陀螺体8上方，三者可通过键合凸点4和粘连点25集成在一起。
[0064] 如图3所示，第一基板1整体为方形，材料可为硅、陶瓷、玻璃等材料，其设置有两个启动磁体，分别为第一启动磁体2和第二启动磁体3，两者大小尺寸一致，镶嵌在第一基板1内，整体结构为长方体，其长宽大于厚度，由钕
铁硼永磁体制作而成，用于为微陀螺提供启动磁场。所述键合凸点4分别设置于启动磁体四周，可采用
蒸发工艺蒸发金属
钛、
铜、
锡，用于与微陀螺体键合，所述蒸发工艺为本领域的常规工艺，在此不做具体限定。
[0065] 如图4所示，磁阻板体23设置有隧道磁阻件24、粘连点25，当通过引脚32为隧道磁阻件24输入电压时，隧道磁阻件24敏感到外界的磁场发生变化，自身的阻值会产生剧烈改变，通过内部的惠斯通电桥，再从引脚32将检测到的信号输出。粘连点25设置于磁阻板体四周边缘处，可为陶瓷、环
氧树脂等材料，用于与微陀螺体粘结。
[0066] 图5、6所示，微陀螺体8可分为支框架体5、启动块6、检测块7三大部分以及上表面布置的启动连导线26、启动反馈导线27、回折电线圈28。微陀螺体采用MEMS硅加工工艺制作而成，金属导线可采用
磁控溅射工艺、蒸发工艺、电
镀工艺进行制作，材料可为铜、
银、金、
铝等金属。支框架体5位于微陀螺体最外层，用于支撑启动块6和检测块7，上方沉积由启动电极29、启动反馈电极30、回折电线圈电极31。
[0067] 启动块6设置于检测块7与支框架体5之间，通过的第一启动梁9、第二启动梁10、第三启动梁11、第四启动梁12与外部支框架体5连接，上方沉积由启动连导线26及启动反馈导线27。检测块7设置于微陀螺中心位置，通过第一检测梁16、第二检测梁17、第三检测梁18、第四检测梁19与启动块6连接，上方沉积有回折电线圈28。
[0068] 所述启动连导线26设置于所述启动块6左侧的上表面，经过第一启动梁13、启动连接块15与支框架体5上的启动电极29相连接；所述启动反馈导线27设置于启动块6右侧的上表面，并与启动连导线26大小尺寸一致，经过第二启动梁24、启动连接块15与支框架体5上的启动反馈电极30相连接；所述回折电线圈28设置于所述检测块7上表面，经过第二检测梁21、检测连接块22、启动块6、第二启动梁14、启动连接块15，与支框架体5上的回折电线圈电极31相连接。
[0069] 如图7、8所示，启动块6四个边角处设置有第一启动梁9、第二启动梁10、第三启动梁11、第四启动梁12，所述第一启动梁9、第二启动梁10、第三启动梁11、第四启动梁12结构尺寸完全相同，由第一启动梁13、第二启动梁14和启动梁连接块15组成，所述第一启动梁13、第二启动梁14结构尺寸完全相同，为细长梁结构，即梁的长度远大于它的宽度，且第一启动梁13、第二启动梁14分别位于启动梁连接块15两侧并相互平行，用于连接启动块6和启动梁连接块15，启动梁连接块15整体呈“T”形，用于连接所述第一启动梁13、第二启动梁14和支框架体5。
[0070] 如图9、10所示，检测块7四周边角处设置有第一检测梁16、第二检测梁17、第三检测梁18、第四检测梁19与启动块6连接，所述第一检测梁16、第二检测梁17、第三检测梁18、第四检测梁19结构尺寸完全相同，由所述第一检测梁20、第二检测梁21和检测梁连接块22组成，所述第一检测梁20、第二检测梁21结构尺寸完全相同，整体为细长梁结构，即梁的长度远大于它的宽度，且第一检测梁20、第二检测梁21分别设置于检测梁连接块22两侧并相互平行，用于连接检测块7和检测梁连接块22，检测梁连接块22整体呈“T”形，用于连接所述第一检测梁20、第二检测梁21和启动块6。
[0071] 如图11所示，金属导线主要包括启动连导线26、启动反馈导线27、回折电线圈28。启动连导线26上下两侧连接启动电极29，当给启动电极29通入
电流时，启动连导线26在磁场的作用下会产生安培
力，为微陀螺提供启动力。启动反馈导线27上下两侧连接启动反馈电极30，当微陀螺沿启动方向(X轴)往复运动时，启动反馈导线27会切割磁场线，自身会产生电流，通过检测启动反馈电极30的电流大小对微陀螺启动实现稳幅控制。当给回折电线圈电极31通入一定电流时，回折电线圈28在微陀螺启动方向可产生恒定的磁场，在微陀螺检测方向可产生正弦变化的磁场，并可以通过改变输入回折电线圈28的电流大小控制磁场的大小。
[0072] 本发明的微陀螺体8设置在第一基板1上方，由第一启动磁体2、第二启动磁体3产生的匀强磁场中，在启动连导线上加载交变启动电流，产生交变洛伦兹力，启动块6在该启动力的作用下沿启动方向(X轴)往复振动，在无人机进行匀
加速，或者是转角惯量较大的转动时，当有Z轴方向的角速率输入时，检测块7在柯氏力的作用下沿检测方向(Y轴)运动，检测块7带动回折电线圈28相对于磁阻板体23上固定的隧道磁阻件24做稳幅振荡，当隧道磁阻件24敏感到的磁场发生变化时，其自身的阻值发生剧烈变化，通过测量阻值变化能够实现对角速率的检测，所述飞行姿态测量单元将精准采集到的角速率数据实时传输至控制单元中，
[0073] 如图12所示，无人机所述控制单元的数据处理：为了对上述卷积神经网络进行训练，需要采集无人机飞行路径周围的图像，并对图像进行预处理和标定。设 为无人机应该行进的正确方向，向此方向飞行可以使无人机保持在正确的路径上， 为无人机当前的飞行方向，也就是摄像机的指向，并认为 平行于
水平面。设a为向量 和向量 之间的夹角。
[0074] 如图13所示，当15°
[0075] 如图14所示，当-15°
[0076] 如图15所示，当一90°
[0077] 为了获得
训练数据集，需要由操作人员通过遥控器控制无人机在楼道走廊里飞行，飞行的过程中，每向前飞行0.2米捕获一次图像,共取得500张标记为TL的图像、500张标记为GS的图像、500张标记为TR的图像。另外为了扩大训练数据集，通过对上述图像进行镜像翻转的方式，使训练集扩大到3000幅图像。镜像翻转后，原来标记为GS的图像，现在还标记为GS，原来标记为TL、TR的图像现在标记为TR、TL。
[0078] 进一步地，所述图像采集单元包括至少两个用于捕获图像的摄像机，所述摄像机为上下位置设置的广角摄像头，在无人机正常飞行中，仅使用一个摄像机进行图像捕获即可，在所述飞行姿态测量单元实时检测无人机三轴维度的飞行姿态，在所述无人机三轴飞行姿态出现较大的数据变化，且角速率的变化量达到控制单元的预设变化数值时，所述控制单元记录此时无人机姿态为关键位置，另一个摄像机启动工作，并立体捕获当前图像，两个摄像机同时工作，获取无人机的惯性姿态从变化姿态到恢复正常飞行姿态的过程图像，并输入神经网络处理单元对应的位置节点、时间节点进行记录循迹分析；
[0079] 例如，无人机在飞行过程中遇到转弯，急速拉升等飞行场景时，在飞行训练学习中，同时启动两个摄像机，并通过两个广角的摄像机可以实时采集到无人机当前飞行环境的立体模型，记录下关键位置的飞行姿态数据、及调整姿态的恢复动作，为无人机返航、或重新循迹飞行，提供飞行路线数据库。
[0080] 如图16所示，为CNN卷积神经网络的训练流程图，在本质上是一种输入到输出的映射，它能够学习大量的输人与输出之间的映射关系，而不需要任何输人和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输人输出对之间的映射能力。
[0081] 进一步地，由于卷积神经网络比较复杂，训练过程需要很大的计算量，无人机的摄像机在采集完成图像数据后，可通过神经网络处理单元进行图像的分析数据，所述神经网络处理单元具体为神经网络处理芯片，所述神经网络处理芯片包括但不限于可以深度学习，积累识别图像路线的嵌入式神经网络(NPU)处理器、英特尔神经网络处理器等，在此不做具体限定。
[0082] 在本实施例中，所述图像采集单元与神经处理单元连接，所述神经网络处理单元与所述控制单元连接，所述控制单元控制所述无人机的各个旋翼的
电机，并控制所述无人机的整体飞行姿态，所述控制单元包括但不限于
单片机，或
微处理器，或具有控制电路的PCB，在此仅以实现数据存储、分析功能的常规处理器即可，在此不做具体限定。
[0083] 无人机飞行试验及结果分析：神经网络最后的输出层的三个神经元所使用的激活函数为Softmax，其输出值可以认为就是当前输入图像属于每一类(TL、TR、GS)的概率，因此需要将输出值转换为控制无人机飞行的
控制信号，其中无人机的航向角与/K71)-PCTR)成比例关系，其值为正时无人机向左转向，其值为负时无人机向右转向，无人机向前飞行的距离D和P(GS)成比例关系,D/P(GS)＝0.2,也就是当P(GS)为1时无人机向前飞行0.2米。
[0084] 进一步地，在本发明的第二实施例中，所述第二实施例包括一种无人机智能循迹飞行方法，所述智能循迹飞行方法包括以下步骤：
[0085] S1学习飞行路线：通过无人机沿着操控路线进行飞行，所述无人机捕获沿途图像数据，并将图像数据通过神经网络处理单元进行学习训练，记忆飞行路线；
[0086] S2关键位置学习：在无人机飞行过程中，通过飞行姿态测量单元检测无人机的三个飞行维度的飞行姿态，所述飞行姿态测量单元的检测数据达到预设的变化量时，此时所述图像采集单元捕获周边的飞行环境、及无人机的飞行姿态；
[0087] S3神经网络处理分析：无人机捕获的图像数据都输入所述神经网络处理单元进行深度分析学习，并在所述神经网络处理单元中搭建飞行路线数据库；
[0088] S4无人机循迹飞行：无人机根据根据飞行路线数据的飞行路线进行循迹飞行，并在飞行过程中根据图像采集单元捕获的图像，通过神经网络处理单元实时进行图像处理分析，调整无人机自平衡姿态，完成整个循迹飞行。
[0089] 进一步地，所述步骤S2中，所述摄像机为上下位置设置的广角摄像头，在无人机正常飞行中，仅使用一个摄像机进行图像捕获飞行环境图形；
[0090] 在所述飞行姿态测量单元实时检测无人机角速率的变化量达到控制单元的预设变化数值时，所述控制单元启动另一个摄像机工作，并立体捕获当前图像，两个摄像机同时工作，获取无人机的惯性姿态从变化姿态到恢复正常飞行姿态的过程图像，并输入神经网络处理单元对应的位置节点、时间节点进行记录循迹分析。
[0091] 本发明的有益之处：为了解决无人机自主循迹飞行的问题，提出了一种基于卷积神经网络的无人机循迹飞行方法，从一个全新的角度实现了无人机的循迹飞行。首先通过机载摄像机采集无人机前方的图像,然后将采集到的图像送人到改进的卷积神经网络模型进行分类，并给出飞行指令，进而使无人机实现循迹的功能，并在飞行过程中，采用基于高灵敏特性的隧道磁阻效应的飞行姿态测量单元，所述飞行姿态测量单元的微陀螺体为面内检测，相比于离面检测的微陀螺具有阻尼效应小、精度高等优势；
[0092] 进一步地，将回折电线圈应用在了微陀螺中，当隧道磁阻件敏感到的磁场发生变化，在微弱的磁场变化下隧道磁阻件的阻值会发生剧烈变化，可将微陀螺的检测精度提高一至两个数量级。所述飞行姿态测量单元可实现性强、接口电路简单且容易检测，应用于无人机上可解决角速率信号检测，通过所述飞行姿态测量单元获取无人机在飞行姿态的变化关键位置，并启动所述图像采集单元进行重点捕获图像，形成飞行环境的立体模型，为无人机循迹飞行路线提供关键位置图像，保证无人机在关键位置的合理飞行，提高无人机循迹飞行的整体安全性。
[0093] 对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和
变形仍落入本发明的保护范围之内。
