一种无人机跟随飞行的控制方法和装置与流程

本申请实施例涉及计算机技术人工智能领域和无人机技术领域，具体涉及一种无人机跟随飞行的控制方法和装置。

背景技术：

随着科学技术的发展，无人机被广泛应用于娱乐、军事、农业和教育等领域，执行着各种各样的任务，例如节目表演、目标侦察、农业植保、动物追踪、消防救灾等等。

在一些场景下，我们还需要无人机这种飞行器为我们提供更便捷更智能的服务，通过跟随飞行，在解放双手的同时提供高效率的信息获取和信息交互。人工智能技术的发展，特别是物体识别、图像识别、语音识别和强化学习等技术的应用，使得电子设备更加智能化成为可能，例如强化学习在无人驾驶汽车的应用、基于深度强化学习的谷歌alphago在围棋上的实践。这也为无人的智能化、高效率的信息获取或信息交互提供了有力支持。

技术实现要素：

本申请实施例提出了一种无人机跟随飞行的控制方法和装置。

第一方面，本申请实施例提供了一种无人机跟随飞行的控制方法，其特征在于，方法使用m个预设模型和/或n个预设规则集识别目标物并控制无人机跟随目标物悬停、转动和/或移动，使无人机到达并保持在与目标物对应的预设空间范围内，m>=1，n>=1。

在一些实施例中，该方法包括：

s1，获取无人机对应的三维空间数据和第一飞行参数，三维空间数据至少通过雷达、存储装置和/或与第三方通信三种方式之一获取，飞行参数包括无人机对应的飞行姿态、速度和加速度；

s2，将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，获取第一坐标信息，第一坐标信息为无人机在三维空间中对应的坐标；

s3，将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对目标物进行识别，当目标物存在于三维空间时，获取第二坐标信息，第二坐标信息为目标物在三维空间中对应的坐标；当目标物不存在于三维空间时，如果存在与第三坐标相关的唤醒信号，则使用第三坐标作为第二坐标信息，如果不存在与第三坐标相关的唤醒信号，则至少使用预设模型和/或预设规则集之一对三维空间进行探索，直至目标物存在于三维空间或探索达到预设条件，探索基于强化学习或深度强化学习进行；

s4，将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对三维空间中的障碍物进行识别，并基于识别的结果对三维空间数据进行标记，得到标记后的三维空间数据；

s5，将标记后的三维空间数据、第一坐标信息、第二坐标信息、预设空间范围和第一飞行参数至少输入至预设模型和/或预设规则集之一，获取第二飞行参数；

s6，根据第二飞行参数控制无人机跟随目标物悬停、转动和/或移动。

在一些实施例中，该方法通过唤醒信号激活无人机，唤醒信号至少包括声音、语音、目标物的动作、光电遥控、无线电和红外激光之一，目标物的动作至少包括静态手势、手势动作、静态姿势和姿势动作之一，无线电至少包括4g、5g、蓝牙、wifi、zigbee和预定义射频信号之一。

在一些实施例中，，预设模型包括预训练的空间物体识别模型，空间物体识别模型通过如下步骤训练得到：

获取训练样本集，训练样本包括样本三维空间数据、目标物的关键特征在样本三维空间数据中的存在状态；

将样本三维空间数据作为空间识别模型的输入，将目标物的关键特征在样本三维空间数据中的存在状态作为期望输出，利用机器学习的方法训练得到空间物体识别模型。

在一些实施例中，预设模型至少包括预训练的声音处理模型、预训练的语音识别模型、预训练的图像识别模型和预训练的空间数据处理模型之一；

预设模型的输入至少包括目标物对应的声音、语音和/或图像；

声音处理至少包括端点检测、语音增强、噪声抑制、回声抵消、混响抑制、波束形成、特征提取、语音合成、语音唤醒、声音唤醒、声源分离、声源定位、声源测向和声源追踪之一；

语音识别至少包括声学特征提取、语义识别、语义转换和声纹识别之一；

图像识别至少包括目标物的脸部识别、物体识别、局部特征识别、姿势识别、体态识别和标识物识别之一；

空间数据处理至少包括三维空间内障碍物的识别和标记之一；

语音识别模型、声源定位模型、图像识别模型和空间数据处理模型分别将对应的已知样本数据集中的数据作为输入和期望输出，利用机器学习的方法训练得到。

本申请实施例还提供了一种无人机跟随飞行的控制装置，其特征在于，装置使用m个预设模型和/或n个预设规则集识别目标物并控制无人机跟随目标物悬停、转动和/或移动，使无人机到达并保持在与目标物对应的预设空间范围内，m>=1，n>=1。

在一些实施例中，该装置包括：

空间参数获取单元，被配置成用于获取无人机对应的三维空间数据和第一飞行参数，三维空间数据至少通过雷达、存储装置和/或与第三方通信三种方式之一获取，飞行参数包括无人机对应的飞行姿态、速度和加速度；

第一坐标获取单元，被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，获取第一坐标信息，第一坐标信息为无人机在三维空间中对应的坐标；

第二坐标获取单元，被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对目标物进行识别，当目标物存在于三维空间时，获取第二坐标信息，第二坐标信息为目标物在三维空间中对应的坐标；当目标物不存在于三维空间时，如果存在与第三坐标相关的唤醒信号，则使用第三坐标作为第二坐标信息，如果不存在与第三坐标相关的唤醒信号，则至少使用预设模型和/或预设规则集之一对三维空间进行探索，直至目标物存在于三维空间或探索达到预设条件，探索基于强化学习或深度强化学习进行；

障碍识别标记单元，被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对三维空间中的障碍物进行识别，并基于识别的结果对三维空间数据进行标记，得到标记后的三维空间数据；

飞行参数获取单元，被配置成用于将标记后的三维空间数据、第一坐标信息、第二坐标信息、预设空间范围和第一飞行参数至少输入至预设模型和/或预设规则集之一，获取第二飞行参数；

跟随飞行控制单元，被配置成用于根据第二飞行参数控制无人机跟随目标物悬停、转动和/或移动。

在一些实施例中，该装置还包括唤醒激活单元，被配置成用于通过唤醒信号激活无人机，唤醒信号至少包括声音、语音、目标物的动作、光电遥控、无线电和红外激光之一，目标物的动作至少包括静态手势、手势动作、静态姿势和姿势动作之一，无线电至少包括4g、5g、蓝牙、wifi、zigbee和预定义射频信号之一。

在一些实施例中，预设模型包括预训练的空间物体识别模型，空间物体识别模型通过如下步骤训练得到：

获取训练样本集，训练样本包括样本三维空间数据、目标物的关键特征在样本三维空间数据中的存在状态；

将样本三维空间数据作为空间识别模型的输入，将目标物的关键特征在样本三维空间数据中的存在状态作为期望输出，利用机器学习的方法训练得到空间物体识别模型。

在一些实施例中，预设模型至少包括预训练的声音处理模型、预训练的语音识别模型、预训练的图像识别模型和预训练的空间数据处理模型之一；

预设模型的输入至少包括目标物对应的声音、语音和/或图像；

声音处理至少包括端点检测、语音增强、噪声抑制、回声抵消、混响抑制、波束形成、特征提取、语音合成、语音唤醒、声音唤醒、声源分离、声源定位、声源测向和声源追踪之一；

语音识别至少包括声学特征提取、语义识别、语义转换和声纹识别之一；

图像识别至少包括目标物的脸部识别、物体识别、局部特征识别、姿势识别、体态识别和标识物识别之一；

空间数据处理至少包括三维空间内障碍物的识别和标记之一；

语音识别模型、声源定位模型、图像识别模型和空间数据处理模型分别将对应的已知样本数据集中的数据作为输入和期望输出，利用机器学习的方法训练得到。

第三方面，本申请实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如权利要求1-5中任一的方法。

第四方面，本申请实施例还提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一的方法。

本申请实施例提供的一种无人机跟随飞行的控制方法和装置，通过使用m个预设模型和/或n个预设规则集实现对目标物的识别并控制无人机跟随目标物悬停、转动和/或移动，使无人机到达并保持在与目标物对应的预设空间范围内，从而实现了无人机飞行时的准确跟随，同时也实现了准确地躲避障碍物，使在解放用户双手的同时提供高效率的信息获取和信息交互成为可能。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的一种无人机跟随飞行的控制方法的一个实施例的流程图；

图3是根据本申请的一种无人机跟随飞行的控制方法的一个应用场景的示意图；

图4是根据本申请的一种无人机跟随飞行的控制方法的又一个实施例的流程图；

图5是根据本申请的一种无人机跟随飞行的控制装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系

图1示出了可以应用本申请的一种无人机跟随飞行的控制方法和装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种无线通信链路的连接类型。终端设备101可以是各种飞行器或飞行设备例如无人机、可以进行控制的气艇或气球，也可以是可以进行控制的各种悬浮装置，例如磁悬浮装置等。

终端设备101上可以安装有雷达（例如红外激光雷达）、语音设备（例如麦克风、喇叭、扬声器等）、图像设备(例如显示屏、摄像头、投影仪、投屏设备、ar设备等)、文本输入类应用、空间物体识别类应用、图像物体识别类应用、语音识别类应用等。用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。

终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是各种具有飞行功能或悬浮功能的设备，包括但不限于无人机等等。当终端设备101为软件时，可以安装在上述设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以是提供各种服务的服务器，例如对终端设备101发送的三维空间数据进行分析识别，生成与目标物或目标物特征对应的标识、特征标识或存在状态的空间物体识别服务器。空间物体识别服务器可以对获取到的三维空间数据进行分析处理，确定与目标物对应的标识或存在状态。

需要说明的是，本申请实施例所提供的一种无人机跟随飞行的控制方法一般由终端设备101执行，相应地，这一种无人机跟随飞行的控制装置一般设置于终端设备101中。

需要指出的是，终端设备101一般通过使用雷达扫描获取对应的三维空间数据。

需要指出的是，终端设备101的本地也可以存储有与终端设备101或目标物对应的三维空间数据，终端设备101可以直接提取本地的相关三维空间数据，终端设备101也可以通过与第三方通信获取相关三维空间数据。

需要说明的是，本申请实施例所提供的一种无人机跟随飞行的控制方法也可以由服务器103执行，相应地，这一种无人机跟随飞行的控制装置一般设置于服务器103中。

需要指出的是，服务器103的本地也可以存储有目标物对应的三维空间数据，服务器103可以直接提取本地的三维空间数据，服务器103也可以通过与第三方通信获取相关三维空间数据。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的一种无人机跟随飞行的控制方法的一个实施例的流程200。无人机跟随飞行的控制方法，包括以下步骤：

步骤201，获取无人机对应的三维空间数据和第一飞行参数，三维空间数据至少通过雷达、存储装置和/或与第三方通信三种方式之一获取，飞行参数包括无人机对应的飞行姿态、速度和加速度；

在本实施例中，无人机跟随飞行的控制方法的执行主体（例如图1的服务器103）可以通过无线连接的方式从从终端设备接收获取到的三维空间数据和第一飞行参数。在这里，三维空间数据可以通过雷达、存储装置和/或与第三方通信三种方式中的一种方式得到。在这里，飞行姿态至少包括无人机的飞行姿势包括前进、后退、左移、右移、左右转弯、悬停、翻转、上升、下降、仰头、低头、左倾斜和右倾斜等。

在一些实施例中，飞行姿态数据还包括偏航角，俯仰角和滚转角，具体通过实时获取无人机imu数据得到在偏航角方向上、俯仰角方向上、滚转角方向上的角速度，对角速度进行积分得到对应的偏航角、俯仰角和滚转角。

步骤202，将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，获取第一坐标信息，第一坐标信息为无人机在三维空间中对应的坐标；

在本实施例中，第一坐标信息为空间坐标系的原点。在这里，该原点由已知的飞行器模型数据计算取得，例如飞行器的物理中心点。在这里，考虑到飞行时顺利躲避障碍物，基于飞行器模型数据和具体原点对无人机到达并保持在与目标物对应的预设空间范围进行调整或设置。

步骤203，将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对目标物进行识别，当目标物存在于三维空间时，获取第二坐标信息，第二坐标信息为目标物在三维空间中对应的坐标；当目标物不存在于三维空间时，如果存在与第三坐标相关的唤醒信号，则使用第三坐标作为第二坐标信息，如果不存在与第三坐标相关的唤醒信号，则至少使用预设模型和/或预设规则集之一对三维空间进行探索，直至目标物存在于三维空间或探索达到预设条件，探索基于强化学习或深度强化学习进行；

在本实施例中，使用空间物体识别模型对目标物进行识别。将已知三维空间数据作为空间物体识别模型的输入，将已知目标物的关键特征在样本三维空间数据中的存在状态作为期望输出，利用机器学习的方法训练得到空间物体识别模型。在这里，对已知三维空间数据在输入空间物体识别模型之前进行预处理。在这里，识别出的目标物的空间数据进行计算，取得第二坐标信息。在一些实施例中，按照预规则取目标物的具体特征的一点作为第二坐标信息。在一些实施例中，按照预规则对目标物的整体特征或局部特征进行等效点计算取得第二坐标信息。在这里，考虑到飞行时顺利躲避障碍物，基于目标物数据和取得的第二坐标信息对无人机到达并保持在与目标物对应的预设空间范围进行调整或设置。

在一些实施例中，基于强化学习或深度强化学习的用于从三维空间探索目标物的预设模型使用q-leaning算法。

步骤204，将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对三维空间中的障碍物进行识别，并基于识别的结果对三维空间数据进行标记，得到标记后的三维空间数据；

在本实施例中，三维空间的边界都定义为障碍物，在这里，飞行器可以正常工作的预设范围内不定义为障碍物。

步骤205，将标记后的三维空间数据、第一坐标信息、第二坐标信息、预设空间范围和第一飞行参数至少输入至预设模型和/或预设规则集之一，获取第二飞行参数；

在本实施例中，与本步骤相关的预设规则，主要实现在尽可能短的时间内，在躲避所有障碍物的前提下，到达与与目标物对应的预设空间范围。

在一些实施例中，本步骤使用预设模型实现，该预设模型以已知的三维空间数据、第一坐标信息、第二坐标信息、预设空间范围和第一飞行参数作为输入，以已知的第二飞行参数作为输出通过机器学习的方法训练得到。

步骤206，根据第二飞行参数控制无人机跟随目标物悬停、转动和/或移动。

在本实施例的一些可选的实现方式中，上述预设模型的类型可以为cnn，在一些实施例中具体例如或类似maskr-cnn，在另一些实施例中，具体类型为深度强化学习模型。在一些实施例中，上述预设模型的类型还可以为rnn。

继续参考图3，图3是根据本实施例的一种无人机跟随飞行的控制方法的应用场景的一个示意图。在图3的应用场景中，无人机301向服务器302输入了从获取到的三维空间数据识别目标物的请求。服务器302在接收到该请求后，可以获取该三维空间数据，并通过预设模型和/或预设规则集303进行目标物识别。然后，服务器302将所得到的目标物识别结果信息发送至无人机301。

本申请实施例提供的一种无人机跟随飞行的控制方法和装置，通过三维空间数据输入至预先训练的空间物体识别模型，得到与目标物对应的标识信息，从而提高了三维空间中目标物识别的准确度和效率。

进一步参考图4，其示出了根据本申请的空间物体识别模型的一个训练方法的实施例的流程400。该的流程400，包括以下步骤：

步骤401，获取训练样本集，训练样本包括样本三维空间数据、目标物的关键特征在样本三维空间数据中的存在状态。

在本实施例中，无人机跟随飞行的控制方法的执行主体(例如图1所示的服务器)可以通过有无线连接的方式从存储有样本三维空间数据的存储服务器中获取训练样本集合。在这里，训练样本集合中的训练样本可以包括带样本三维空间数据、目标物的关键特征在样本三维空间数据中的存在状态。

步骤402，将样本三维空间数据作为空间识别模型的输入，将目标物的关键特征在样本三维空间数据中的存在状态作为期望输出，利用机器学习的方法训练得到空间物体识别模型。

在本实施例中，上述执行主体可以从训练样本集合中选取训练样本，执行如下训练步骤：

首先，将选取的每一个训练样本中的三维空间数据经过预处理后作为初始卷积神经网络的输入，将与样本三维空间数据对应的目标物的关键特征在样本三维空间数据中的存在状态作为期望输出，对初始卷积神经网络进行训练，得到与样本三维空间数据对应的目标物的关键特征在样本三维空间数据中的存在状态的预测值。接着，基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时，可以确定初始神经网络训练完成，并将训练完成的初始神经网络确定为空间物体识别模型。在这里，预设损失函数可以用于表征样本中的目标物的关键特征在样本三维空间数据中的存在状态的预测值与样本中的目标物的关键特征在样本三维空间数据中的存在状态之间的差异。

上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时，调整初始卷积神经网络的参数，以及从上述训练样本集合中重新选取样本或增加样本规模，将调整后的初始卷积神经网络作为初始卷积神经网络，继续执行上述训练步骤。在这里，调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。

从图4中可以看出，与图2所示的实施例不同的是，本实施例突出了对空间物体识别模型的训练步骤。从而使得从空间中识别物体更加准确。

进一步参考图5，作为对上述图4所示方法的实现，本申请提供了一种无人机跟随飞行的控制装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的从图片中提取电话号码的装置500包括：第一飞行参数501、第一坐标获取单元502、第二坐标获取单元503、障碍识别标记单元504、飞行参数获取单元505和跟随飞行控制单元506。

其中，空间参数获取单元，被配置成用于获取无人机对应的三维空间数据和第一飞行参数，三维空间数据至少通过雷达、存储装置和/或与第三方通信三种方式之一获取，飞行参数包括无人机对应的飞行姿态、速度和加速度；

第一坐标获取单元，被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，获取第一坐标信息，第一坐标信息为无人机在三维空间中对应的坐标；

第二坐标获取单元，被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对目标物进行识别，当目标物存在于三维空间时，获取第二坐标信息，第二坐标信息为目标物在三维空间中对应的坐标；当目标物不存在于三维空间时，如果存在与第三坐标相关的唤醒信号，则使用第三坐标作为第二坐标信息，如果不存在与第三坐标相关的唤醒信号，则至少使用预设模型和/或预设规则集之一对三维空间进行探索，直至目标物存在于三维空间或探索达到预设条件，探索基于强化学习或深度强化学习进行；

障碍识别标记单元，被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对三维空间中的障碍物进行识别，并基于识别的结果对三维空间数据进行标记，得到标记后的三维空间数据；

飞行参数获取单元，被配置成用于将标记后的三维空间数据、第一坐标信息、第二坐标信息、预设空间范围和第一飞行参数至少输入至预设模型和/或预设规则集之一，获取第二飞行参数；

跟随飞行控制单元，被配置成用于根据第二飞行参数控制无人机跟随目标物悬停、转动和/或移动。

在本实施例中，从一种无人机跟随飞行的控制装置500中：第一飞行参数501、第一坐标获取单元502、第二坐标获取单元503、障碍识别标记单元504、飞行参数获取单元505和跟随飞行控制单元506的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201、步骤202、步骤203、步骤204、步骤205和步骤206的实现方式的相关描述，在此不再赘述。

在本实施例的一些可选的实现方式中，预设模型的类型可以为cnn，在一些实施例中具体例如或类似maskr-cnn，在另一些实施例中，具体类型为深度强化学习模型。在一些实施例中，上述预设模型的类型还可以为rnn。

在本实施例中，上述空间物体识别模型可以经从训练样本集合中选取训练样本，执行如下训练步骤得到：

首先，将选取的每一个训练样本中的三维空间数据经过预处理后作为初始卷积神经网络的输入，将与样本三维空间数据对应的目标物的关键特征在样本三维空间数据中的存在状态作为期望输出，对初始卷积神经网络进行训练，得到与样本三维空间数据对应的目标物的关键特征在样本三维空间数据中的存在状态的预测值。接着，基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时，可以确定初始神经网络训练完成，并将训练完成的初始神经网络确定为空间物体识别模型。在这里，预设损失函数可以用于表征样本中的目标物的关键特征在样本三维空间数据中的存在状态的预测值与样本中的目标物的关键特征在样本三维空间数据中的存在状态之间的差异。

上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时，调整初始卷积神经网络的参数，以及从上述训练样本集合中重新选取样本或增加样本规模，将调整后的初始卷积神经网络作为初始卷积神经网络，继续执行上述训练步骤。在这里，调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请该的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，该程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一飞行参数501、第一坐标获取单元502、第二坐标获取单元503、障碍识别标记单元504、飞行参数获取单元505和跟随飞行控制单元506。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，障碍识别标记单元还可以被描述为“被配置成用于将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对三维空间中的障碍物进行识别，并基于识别的结果对三维空间数据进行标记，得到标记后的三维空间数据的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：使用m个预设模型和/或n个预设规则集识别目标物并控制无人机跟随目标物悬停、转动和/或移动，使无人机到达并保持在与目标物对应的预设空间范围内，m>=1，n>=1；也可以表述为，使得该电子设备：获取无人机对应的三维空间数据和第一飞行参数，三维空间数据至少通过雷达、存储装置和/或与第三方通信三种方式之一获取，飞行参数包括无人机对应的飞行姿态、速度和加速度；将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，获取第一坐标信息，第一坐标信息为无人机在三维空间中对应的坐标；将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对目标物进行识别，当目标物存在于三维空间时，获取第二坐标信息，第二坐标信息为目标物在三维空间中对应的坐标；当目标物不存在于三维空间时，如果存在与第三坐标相关的唤醒信号，则使用第三坐标作为第二坐标信息，如果不存在与第三坐标相关的唤醒信号，则至少使用预设模型和/或预设规则集之一对三维空间进行探索，直至目标物存在于三维空间或探索达到预设条件，探索基于强化学习或深度强化学习进行；将获取到的三维空间数据至少输入至预设模型和/或预设规则集之一，对三维空间中的障碍物进行识别，并基于识别的结果对三维空间数据进行标记，得到标记后的三维空间数据；将标记后的三维空间数据、第一坐标信息、第二坐标信息、预设空间范围和第一飞行参数至少输入至预设模型和/或预设规则集之一，获取第二飞行参数；根据第二飞行参数控制无人机跟随目标物悬停、转动和/或移动。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。