空域检测方法、可移动平台、设备和存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种空域检测方法、可移动平台、设备和存储介质。


背景技术：

2.无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器。与载人飞机相比，它具有体积小、造价低等特点，目前已经广泛使用到众多领域中，比如街景拍摄、电力巡检、交通监视、灾后救援等等。
3.在无人机飞行的各个阶段，都需要躲避障碍物。以无人机返航为例，在返航过程中无人机存在一个向上飞行的过程，此时，就需要区分出无人机上方是否是可飞行空域，也即是是否存在障碍物。在现有技术中，通常会默认无人机上方为可飞行空域，但这显然是不合理的，在返航过程中为无人机带来了较大的损毁风险。


技术实现要素：

4.本发明提供了一种空域检测方法、可移动平台、设备和存储介质，用于实现无人机上方可飞行空域的准确检测。
5.本发明的第一方面是为了提供一种空域检测方法，所述方法包括：
6.对飞行控制指令进行响应，使无人机以预设飞行方式飞行；
7.在以所述预设飞行方式飞行过程中，获取对应于所述无人机上方预设视场内的环境图像；
8.识别所述环境图像中物体所属的类别；
9.若所述环境图像中不存在属于障碍物类别的物体，则确定所述无人机的上方空域为可飞行空域。
10.本发明的第二方面是为了提供一种可移动平台，所述可移动平台包括：机体、动力系统以及控制装置；
11.所述动力系统，设置于所述机体上，用于为所述可移动平台提供动力；
12.所述控制装置包含存储器和处理器；
13.所述存储器，用于存储计算机程序；
14.所述处理器，用于运行所述存储器中存储的计算机程序以实现：对飞行控制指令进行响应，使无人机以预设飞行方式飞行；
15.在以所述预设飞行方式飞行过程中，获取对应于所述无人机上方预设视场内的环境图像；
16.识别所述环境图像中物体所属的类别；
17.若所述环境图像中不存在属于障碍物类别的物体，则确定所述无人机的上方空域为可飞行空域。
18.本发明的第三方面是为了提供一种空域检测设备，所述设备包括：
19.存储器，用于存储计算机程序；
20.处理器，用于运行所述存储器中存储的计算机程序以实现：对飞行控制指令进行响应，使无人机以预设飞行方式飞行；
21.在以所述预设飞行方式飞行过程中，获取对应于所述无人机上方预设视场内的环境图像；
22.识别所述环境图像中物体所属的类别；
23.若所述环境图像中不存在属于障碍物类别的物体，则确定所述无人机的上方空域为可飞行空域。
24.本发明的第四方面是为了提供一种计算机可读存储介质，所述存储介质为计算机可读存储介质，该计算机可读存储介质中存储有程序指令，所述程序指令用于第一方面所述的空域检测方法。
25.本发明提供的空域检测方法、可移动平台、设备和存储介质，对飞行控制指令进行响应，并依据响应结果使无人机按照预设飞行方式飞行。在飞行的过程中，获取无人机上方预设视场内的环境图像，并对此环境图像进行识别。若识别出环境图像中不存在属于障碍物类别的物体，可以认为无人机上方没有障碍物，则确定无人机上方是可飞行空域。一方面，相比于现有技术中默认无人机上方空域为可飞行空域的方式，本发明提供了一种空域检测方法，以通过检测的方式确定无人机上方是否是可飞行空域。当检测出上方空域没有障碍物时，无人机便可向上飞行，并进一步实现返航，避免出现无人机损毁。另一方面，本发明提供的空域检测方法并不是对无人机上方的全部视场进行检测，而是对按照预设飞行方式飞行得到的预设视场进行检测，使得检测过程中的检测范围缩小，降低计算量，提高检测效率。
附图说明
26.此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
27.图1为本发明实施例提供的一种空域检测方法的流程示意图；
28.图2为本发明实施例提供的无人机配置的云台在不同状态下的结构示意图；
29.图3为本发明实施例提供的环境图像对应的环形视场的示意图；
30.图4为本发明实施例提供的另一种空域检测方法的流程示意图；
31.图5a为本发明实施例提供的又一种空域检测方法的流程示意图；
32.图5b为本发明实施例提供的又一种空域检测方法的流程示意图；
33.图5c为本发明实施例提供的又一种空域检测方法的流程示意图；
34.图6为本发明实施例提供的第一距离与第二距离之间的关系示意图；
35.图7为本发明实施例提供的一种空域检测装置的结构示意图；
36.图8为本发明实施例提供的一种可移动平台的结构示意图；
37.图9为本发明实施例提供的一种空域检测设备的结构示意图。
具体实施方式
38.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
40.在对本发明实施例提供的空域检测方法进行详细介绍之前，先对无人机的自动返航机制进行简单介绍。
41.在飞行的过程中，无人机很多时候都处于超视距的范围，当无人机完成飞行任务或者在飞行过程中遇到恶劣的自然环境比如突起的山峰，又或者与地面基站之间的通信连接断开时，为了保证无人机的安全，避免出现损毁事故，无人机往往需要自动返航。由于无人机的自动返航过程中存在一个上升飞行阶段，因此，无人机上方是否存在障碍物就成为影响无人机能否自动返航的重要因素。此时，便可以使用下述各实施例提供的空域检测方法来判断无人机上方是否存在障碍物，也即是确定无人机是否能够实现自动返航。
42.下面结合附图，对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
43.图1为本发明实施例提供的一种空域检测方法的流程示意图。该空域检测方法的执行主体是空域检测设备。可以理解的是，该空域检测设备可以实现为软件、或者软件和硬件的组合。空域检测设备执行该空域检测方法则可以实现对无人机上方空域是否为可飞行空域的检测。本实施例以及下述各实施例中的空域检测设备具体来说可以是可移动平台，比如无人机等。具体的，该方法可以包括：
44.s101，对飞行控制指令进行响应，使无人机以预设飞行方式飞行。
45.当无人机需要自动返航时，会产生一个飞行控制指令，无人机响应此指令，以使自身按照预设飞行方式飞行，并且预设飞行方式与飞行控制指令具有一一对应关系。举例来说，飞行控制指令可以为在第一位置原地旋转飞行，也可以为由第一位置飞行至预设距离之外的第二位置，其中，第一位置可以是无人机产生飞行控制指令时所处的位置，其可以是无人机整个飞行过程中的任一位置。
46.s102，在以预设飞行方式飞行过程中，获取对应于无人机上方预设视场内的环境图像。
47.在以预设飞行方式飞行的过程中，无人机自身配置的可上视摄像头可以不断对无人机上方进行拍摄，以得到环境图像。无人机飞行方式特殊性，也就直接导致得到的环境图像对应的视场具有特殊性，也即是在一定视场内。也就是说，响应飞行控制指令以预设飞行方式飞行，其的直接作用就是得到预设视场内的环境图像。
48.可选地，无人机上配置的可上视摄像头具体可以是一个单目摄像头，并且此单目摄像头的可上视功能可以借助云台实现，即单目摄像头放置于可以向上抬起的云台上，通过云台的向上抬起从而使得单目摄像头能够拍得对应于无人机上方的环境图像。其中，云台的抬起与非抬起状态可以如图2所示。对于飞行控制指令，一种可选地方式，可以是控制无人机在当前位置旋转飞行一周。由于无人机上的可上视摄像头本身具有一定的视场角度，因此，在经过旋转飞行后，得到的环境图像对应的视场是一个环形视场，可如图3所示，
并且圆环的高度由单目摄像头的视场决定。
49.s103，识别环境图像中物体所属的类别。
50.接着，无人机会对获取到的环境图像进行识别，以确定环境图像中各物体所属的类别。这种识别实际上是像素级别的，也即是识别出环境图像中每个像素点所属的类别。对于像素级别的识别过程，可选地，可以神经网络模型来完成。
51.具体来说，神经网络模型具体可以为卷积神经网络(convolutional neural networks，cnn)模型。神经网络模型可以包括多个计算节点，每个计算节点中可以包括卷积(conv)层、批量归一化(batch normalization，bn)以及激活函数relu，计算节点之间可以采用跳跃连接(skip connection)方式连接。
52.k
×
h
×
w的输入数据可以输入神经网络模型，经过神经网络模型处理后，可以获得c
×
h
×
w的输出数据。其中，k可以表示输入通道的个数，k可以等于4，分别对应红(r，red)、绿(g，green)、蓝(b，blue)和深度(d，deep)共四个通道；h可以表示输入图像(即环境图像)的高，w可以表示输入图像的宽，c可以表示类别数。
53.需要说明的是，当输入图像过大时，可以将一个输入图像切割为n个子图像，相应的，输入数据可以为n
×
k
×
h
’×
w’，输出数据可以为n
×
c
×
h
’×
w’，其中，h’可以表示子图像的高，w’可以表示子图像的宽。当然，在其他实施例中，也可以通过其他方式获得特征图，本申请对此不做限定。
54.利用上述预先训练好的神经网络模型处理环境图像，以得到特征图，具体来说可以包括如下步骤：
55.步骤1，将环境图像输入神经网络模型，得到神经网络模型的模型输出结果。
56.其中，神经网络模型的模型输出结果可以包括多个输出通道分别输出的置信度特征图，该多个输出通道可以与多个对象类别一一对应，单个对象类别的置信度特征图的像素值用于表征像素是对象类别的概率。
57.步骤2，根据神经网络模型的模型输出结果，得到包含语义信息的特征图。
58.可以将与该多个输出通道一一对应的多个置信度特征图中同一像素位置像素值最大的置信度特征图对应的对象类别，作为像素位置的对象类别，从而得到特征图。
59.假设，神经网络模型的输出通道的个数为4，每个通道的输出结果是一个置信度特征图，即4个置信度特征图分别为置信度特征图1至置信度特征图4，且置信度特征图1对应天空、置信度特征图2对应建筑物、置信度特征图3对应树木、置信度特征图4对应“其他”。在这几种分类中，除了天空，剩余都可以认为是障碍物。
60.例如，当置信度特征图1中像素位置(100,100)的像素值是70，置信度特征图2中像素位置(100,100)的像素值是50，置信度特征图3中像素位置(100,100)的像素值是20，置信度特征图4中像素位置(100,100)的像素值是20时，可以确定像素位置(100,100)是天空。
61.又例如，当置信度特征图1中像素位置(100,80)的像素值是20，置信度特征图2中像素位置(100,80)的像素值是30，置信度特征图3中像素位置(100,80)的像素值是20，置信度特征图4中像素位置(100,80)的像素值是70时，可以确定像素位置(100,80)是其他，即不是树木、建筑物和树木中的任意一种。
62.s104，若环境图像中不存在属于障碍物类别的物体，则确定无人机的上方空域为可飞行空域。
63.基于环境图像的识别结果，一种情况，若识别出环境图像中不存在属于障碍物类别的物体，表明无人机上方的空域中没有障碍物，则确定上方空域是可飞行空域。此时，无人机可以开始上升飞行，并自动返航。
64.另一种情况，若识别出环境图像中存在属于障碍物类别的物体，表明无人机上方存在障碍物，则确定无人机的上方空域为不可飞行空域。此时，无人机需要在当前位置继续悬停。
65.本实施例提供的空域检测方法，对飞行控制指令进行响应，并依据响应结果使无人机按照预设飞行方式飞行。在飞行的过程中，获取无人机上方预设视场内的环境图像，并对此环境图像进行识别。若识别出环境图像中不存在属于障碍物类别的物体，可以认为无人机上方没有障碍物，则确定无人机上方是可飞行空域。一方面，相比于现有技术中默认无人机上方空域为可飞行空域的方式，本发明提供了一种空域检测方法，通过检测的方式确定无人机上方是否是可飞行空域。当检测出上方空域没有障碍物时，无人机便可向上飞行，并进一步实现自动返航，避免无人机损毁。另一方面，本发明提供的空域检测方法并不是对无人机上方的全部视场进行检测，而是对按照预设飞行方式飞行得到的预设视场进行检测，使得检测过程中的检测范围缩小，降低计算量，提高检测效率。
66.除此之外，本实施例中仅使用可上视的摄像头拍得的图像即可实现空域检测，也即是提供了一种全新的空域检测方法。相比于使用双目摄像头或者深度传感器进行空域检测的方法，本实施例更加适用于未配置有双目摄像头或者深度传感器的无人机。
67.根据上述实施例中的描述可知，无人机上配置有可上视摄像头，此摄像头通常具有一个较大的视场角度，比如45度。然而在实际应用中，还可以以此摄像头的视场角度为上限，有针对性地调整视场角度以得到对应于环境图像的预设视场。
68.基于此，图4为本发明实施例提供的另一种空域检测方法的流程示意图，如图4所示，在步骤101之后，该空域检测方法还可以包括以下步骤：
69.s201，根据无人机上配置的可上视摄像头的视场角度确定预设环形视场的视场角度。
70.为了后续的描述简洁，将可上视摄像头本身的视场角度称为第一角度，与预设飞行方式对应的预设环形视场的视场角度称为第二角度。第二角度小于或等于第一角度。
71.默认情况下，可以将第二角度设置成与第一角度相等。但在实际应用中，也可以确定一个小于第一角度的第二角度。视场角度调整为第二角度后，环形视场的环宽也相应变小。
72.但在实际应用中，可选地，除了可以根据第一角度来确定第二角度之外为，更为精细地，可选地，还可以依据无人机的体积以及无人机的飞行环境，来确定第二角度。
73.举例来说，当无人机的体积较小或者飞行环境较为空旷，则可以将第二角度确定为一个稍小于第一角度的角度。由于可上视摄像头拍得的原始图像都对应于第一角度，因此，在确定出第二角度后，还会将此原始图像进行截取，截取后的图像即为环境图像。经过截取处理后，环境图像的尺寸会小于原始图像的尺寸，也即是缩小了空域检测的视场范围，从而降低计算量，提高检测效率。
74.当无人机体积较大或者飞行环境较为狭小，则可以确定第二角度确定与第一角度相等，以保证是在最大视场角度内对无人机上方的空域进行检测，尽可能避免出现无人机
损毁的情况。
75.本实施例中，在实际飞行过程中，还可以根据飞行环境以及无人机的体积等参数来对可上视摄像头自身的第一角度进行调整，以得到满足实际飞行的第二角度。通过角度的调整可以缩小空域检测的视场范围，降低计算量，提高检测效率。
76.根据上述各实施例中的描述可知，飞行控制指令、环境图像对应的预设视场角度以及可飞行空域的检测之间有着强关联关系。则基于上述各实施例，当飞行控制指令具体为第一飞行控制指令时，图5a为本发明实施例提供的又一种空域检测方法的流程示意图。如图5a所示，该方法可以包括如下步骤：
77.s301，对第一飞行控制指令进行响应，使无人机在第一位置原地旋转飞行一周。
78.第一飞行控制指令具体可以是控制无人机在第一位置原地旋转飞行一周的控制指令。无人机响应此指令，开始在第一位置旋转飞行一周。
79.s302，在第一位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在第一位置获取的多张图像对应于无人机上方的第一预设环形视场。
80.s303，对多张图像进行合并处理，以得到环境图像。
81.无人机在旋转飞行过程中，其自身配置的可上视摄像头会以预设角度为间隔拍得多张图像，再将多张图像进行合并，即可获取到环境图像。此环境图像对应的视场即为第一预设环形视场，环境图像中包括的景象即为无人机上方第一预设环形视场内的景象，此第一预设环形视场对应于无人机的机身上方。
82.s304，识别环境图像中物体所属的类别。
83.s305，若环境图像中不存在属于障碍物类别的物体，则确定无人机的上方空域为可飞行空域。
84.上述步骤304和步骤305的执行过程与前述实施例的相应步骤相似，可以参见如图1所示实施例中的相关描述，在此不再赘述。
85.本实施例中，响应第一飞行控制指令，使无人机在第一位置原地旋转飞行一周。正是由于这种特殊的飞行方式，使得获取到的环境图像对应于一种特殊视场即无人机上方第一预设环形视场。最后，通过对环境图像的识别即能准确确定出无人机上方空域是否存在障碍物，也即是确定出无人机是否可以自动返航。
86.在图5a所示实施例中，检测的是无人机机身上方是否存在障碍物，此检测范围实际上是一个最小检测范围。为了实现自动返航，避免无人机出现损毁，一方面，无人机机翼上方往往也需要进行障碍物检测。并且另一方面，在实际应用中，无人机在上升飞行阶段，受到大风或其他环境因素的影响，在上升飞行过程中还有可能存在晃动。基于上述两方面考虑，还可以适当扩大障碍物的检测范围。
87.则图5b为本发明实施例提供的又一种空域检测方法的流程示意图。如图5b所示，该方法可以包括如下步骤：
88.s401，对第一飞行控制指令进行响应，使无人机在第一位置原地旋转飞行一周。
89.s402，在第一位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在第一位置获取的多张图像对应于无人机上方的第一预设环形视场。
90.上述步骤401和步骤402的执行过程与前述实施例的相应步骤相似，可以参见如图5a所示实施例中的相关描述，在此不再赘述。
91.s403，对第二飞行控制指令进行响应，使无人机飞行至与第一位置相距预设距离的第二位置。
92.s404，获取在第二位置拍得的图像，在第二位置获取的图像对应于无人机上方的预设视场角度。
93.s405，根据在第一位置获取的多张图像和在第二位置获取的图像生成环境图像。
94.在响应第一飞行控制指令后，还可以继续对第二飞行控制指令进行响应，使得无人机从当前的第一位置飞行至第二位置。其中，第一位置与第二位置相距预设距离。无人机上的可上视摄像头可以在此第二位置处于继续拍得图像。此时图像的数量可以是一张，且此图像的视场是在第二位置处时无人机上方的预设视场角度。此时，由第一预设环形视场和预设视场角度共同组成预设视场。
95.对于预设距离，可选地，预设距离应该不小于第一距离l1与第二距离l2之差。其中，第一距离l1为无人机的机身中心与可上视摄像头之间的距离，第二距离l2为机身中心与无人机机翼边缘之间的最大距离。对于第一距离与第二距离的位置、大小关系可以参见图6中的标注。
96.然后，将在第一位置旋转飞行拍得的多张图像进行合并处理，并将合并结果和在第二位置拍得的图像共同确定为环境图像。
97.s406，识别环境图像中物体所属的类别。
98.s407，若环境图像中不存在属于障碍物类别的物体，则确定无人机的上方空域为可飞行空域。
99.上述步骤406和步骤407的执行过程与前述实施例的相应步骤相似，可以参见如图1所示实施例中的相关描述，在此不再赘述。
100.当确定出无人机上方空域为可飞行空域时，无人机会再次返回第一位置，在第一位置处进行返航。
101.本实施例中，无人机会先在第一位置旋转飞行然后再飞至第二位置，从而完成预设的飞行方式。在以此特殊的飞行方式飞行过程中，会在第一位置拍得多张图像，且也会在第二位置拍得图像，从而根据拍得的全部图像生成环境图像。此环境图像对应于在第一位置处无人机上方第一预设环形视场，也对应于在第二位置处无人机上方的预设视场角。最后，通过对环境图像的识别便能够确定出无人机上方空域是否存在障碍物。与图5a所示实施例相比，本实施例中障碍物的检测范围由第一位置扩大至第二位置，这种范围的扩大能够判断出同时无人机机身以及机翼上方是否存在障碍物，从而能够更准确地确定无人机是否可以自动返航。
102.虽然图5b所示实施例中已经将检测范围由第一位置扩大到第二位置了，但图5b所示实施例中只是根据在第二位置拍得的一张图像进行障碍物检测，这样显然并不能够全面的检测出无人机上方的空域是否存在障碍物。
103.在此基础上，图5c为本发明实施例提供的又一种空域检测方法的流程示意图。如图5c所示，该方法可以包括如下步骤：
104.s501，对第一飞行控制指令进行响应，使无人机在第一位置原地旋转飞行一周。
105.s502，在第一位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在第一位置获取的多张图像对应于无人机上方的第一预设环形视场。
106.上述步骤501～步骤502的执行过程与前述实施例的相应步骤相似，可以参见如图1所示实施例中的相关描述，在此不再赘述。
107.s503，对第三飞行控制指令进行响应，使无人机在与第一位置相距预设距离的第二位置原地旋转飞行一周。
108.s504，在第二位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在第二位置获取的多张图像对应于无人机上方的第二预设环形视场。
109.在响应于第一飞行控制之后，还可以对第三飞行控制指令进行响应。以使无人机从第一位置飞行至第二位置，并在第二位置原地旋转飞行一周。无人机在第二位置旋转飞行后，可上视摄像头同样可以以预设角度为间隔在第二位置拍得多张图像。此时，在第二位置拍得的多张图像各自对应的视场角度会共同组成在第二位置处无人机上方的第二预设环形视场。步骤503～步骤504实际上与步骤501～步骤502的执行过程基本相似，具体内容可以参见上述实施例中的相应内容。
110.s505，分别对在第一位置和第二位置分别获取的多张图像进行合并处理，以得到环境图像。
111.经过上述步骤，已经获取到在第一位置拍得的多张图像和在第二位置拍得的多张图像。此时分别在不同位置拍得的图像进行合并处理，从而得到第一位置对应的环境图像和第二位置对应的环境图像，以便后续对这两张环境图像进行识别处理。
112.s506，识别环境图像中物体所属的类别。
113.s507，若环境图像中不存在属于障碍物类别的物体，则确定无人机的上方空域为可飞行空域。
114.上述步骤506和步骤507的执行过程与前述实施例的相应步骤相似，可以参见如图1所示实施例中的相关描述，在此不再赘述。
115.本实施例中，无人机分别会在第一位置和第二位置原地旋转飞行一周，并根据在两个位置分别拍得的多张图像进行识别。通过旋转飞行这种特殊的飞行方式，既能够全面判断出无人机机身上方的空域是否存在障碍物，又能够全面地判断出无人机机翼上方的空域是否存在障碍物，相比于图5b所示实施例，能够更加全面、准确地确定无人机是否可以自动返航。
116.此外，在上述实施例的基础上，当无人机上方空域为可飞行空域时，即可控制无人返航。容易理解的，无人机的任何飞行过程都是需要电池供电的，因此，在控制无人机返航之前，还可以先确定返航过程中所需的电量，若当前的剩余电量多于返航所需电量时，才会控制无人机返航。
117.而对于返航过程中所需电量的确定，一种可选地方式，可以先根据历史风速信息估计从当前位置降落至返航目的地的风速信息。再确定从当前位置降落至返航目的地的地速信息，以根据风速信息和地速信息确定无人机的返航过程所需的电量。
118.图7为本发明实施例提供的一种空域检测装置的结构示意图；参考附图5所示，本实施例提供了一种空域检测装置，该空域检测装置可以执行上述的空域检测方法；具体的，空域检测装置包括：
119.响应模块11，用于对飞行控制指令进行响应，使无人机以预设飞行方式飞行。
120.获取模块12，用于在以所述预设飞行方式飞行过程中，获取对应于所述无人机上
方预设视场内的环境图像。
121.识别模块13，用于识别所述环境图像中物体所属的类别。
122.确定模块14，用于若所述环境图像中不存在属于障碍物类别的物体，则确定所述无人机的上方空域为可飞行空域。
123.图7所示装置还可以执行图1～图6所示实施例的方法，本实施例未详细描述的部分，可参考对图1～图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1～图6所示实施例中的描述，在此不再赘述。
124.图8为本发明实施例提供的一种可移动平台的结构示意图；参考附图8所示，本发明实施例的提供了一种可移动平台，该可移动平台为以下无人飞行器；具体的，该可移动平台包括：机体21、动力系统22以及控制装置23。
125.所述动力系统22，设置于所述机体21上，用于为所述可移动平台提供动力。
126.所述控制装置23包括存储器231和处理器232。
127.所述存储器，用于存储计算机程序；
128.处理器，用于运行所述存储器中存储的计算机程序以实现：对飞行控制指令进行响应，使无人机以预设飞行方式飞行；
129.在以所述预设飞行方式飞行过程中，获取对应于所述无人机上方预设视场内的环境图像；
130.识别所述环境图像中物体所属的类别；
131.若所述环境图像中不存在属于障碍物类别的物体，则确定所述无人机的上方空域为可飞行空域。
132.进一步的，处理器232还用于：若识别出所述环境图像中存在属于障碍物类别的物体，则确定所述无人机的上方空域为不可飞行空域。
133.进一步的，机体21上设置有可上视摄像头24。
134.所述处理器对飞行控制指令进行响应，以使无人机以预设飞行方式飞行，以使所述处理器获取到所述无人机上方预设环形视场内的环境图像；
135.该处理器232还用于：根据所述可上视摄像头的视场角度确定所述预设环形视场的视场角度。
136.进一步的，处理器232还用于：根据所述可上视摄像头的视场角度、所述无人机的体积以及所述无人机的飞行环境，确定所述预设环形视场的视场角度。
137.进一步的，处理器232还用于：对第一飞行控制指令进行响应，使所述无人机在第一位置原地旋转飞行一周。
138.进一步的，处理器232还用于：在所述第一位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在所述第一位置获取的多张图像对应于所述无人机上方的第一预设环形视场；
139.对所述多张图像进行合并处理，以得到所述环境图像。
140.进一步的，处理器232还用于：
141.对第二飞行控制指令进行响应，使所述无人机飞行至与所述第一位置相距预设距离的第二位置，其中，所述预设距离不小于第一距离与第二距离之差，所述第一距离为所述无人机的机身中心与所述可上视摄像头之间的距离，所述第二距离为所述机身中心与所述
无人机机翼边缘之间的最大距离。
142.进一步的，处理器232还用于：获取在所述第二位置拍得的图像，在所述第二位置获取的图像对应于所述无人机上方的预设视场角度；
143.根据对在所述第一位置获取的多张图像和在所述第二位置获取的图像生成所述环境图像。
144.进一步的，处理器232还用于：对第三飞行控制指令进行响应，使所述无人机在与所述第一位置相距预设距离的第二位置原地旋转飞行一周，其中，所述预设距离不小于第一距离与第二距离之差，所述第一距离为所述无人机的机身中心与所述可上视摄像头之间的距离，所述第二距离为所述机身中心与所述无人机机翼边缘之间的最大距离。
145.进一步的，处理器232还用于：在所述第二位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在所述第二位置获取的多张图像对应于所述无人机上方的第二预设环形视场；
146.分别对在所述第一位置和所述第二位置分别获取的多张图像进行合并处理，以得到所述环境图像。
147.图8所示的可移动平台可以执行图1～图6所示实施例的方法，本实施例未详细描述的部分，可参考对图1～图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1～图6所示实施例中的描述，在此不再赘述。
148.在一个可能的设计中，图9所示空域检测设备的结构可实现为一电子设备，该电子设备可以是无人机。如图9所示，该电子设备可以包括：一个或多个处理器31和一个或多个存储器32。其中，存储器32用于存储支持电子设备执行上述图1～图6所示实施例中提供的空域检测方法的程序。处理器31被配置为用于执行存储器32中存储的程序。
149.具体的，程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器31执行时能够实现如下步骤：
150.对飞行控制指令进行响应，使无人机以预设飞行方式飞行；
151.在以预设飞行方式飞行过程中，获取对应于无人机上方预设视场内的环境图像；
152.识别环境图像中物体所属的类别；
153.若环境图像中不存在属于障碍物类别的物体，则确定无人机的上方空域为可飞行空域。
154.其中，该空域检测设备的结构中还可以包括通信接口33，用于电子设备与其他设备或通信网络通信。
155.进一步的，处理器31还用于：若识别出所述环境图像中存在属于障碍物类别的物体，则确定所述无人机的上方空域为不可飞行空域。
156.进一步的，所述处理器对飞行控制指令进行响应，以使无人机以预设飞行方式飞行，以使所述处理器获取到所述无人机上方预设环形视场内的环境图像；
157.在获取环境图像获取的步骤之前，处理器31还用于：根据所述无人机上配置的可上视摄像头的视场角度确定所述预设环形视场的视场角度。
158.进一步的，在获取环境图像获取的步骤之前，该处理器31还用于：根据所述可上视摄像头的视场角度、所述无人机的体积以及所述无人机的飞行环境，确定所述预设环形视场的视场角度。
159.进一步的，处理器31还用于：对第一飞行控制指令进行响应，使所述无人机在第一位置原地旋转飞行一周。
160.进一步的，处理器31还用于：在所述第一位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在所述第一位置获取的多张图像对应于所述无人机上方的第一预设环形视场；
161.对所述多张图像进行合并处理，以得到所述环境图像。
162.进一步的，处理器31还用于：对第二飞行控制指令进行响应，使所述无人机飞行至与所述第一位置相距预设距离的第二位置，其中，所述预设距离不小于第一距离与第二距离之差，所述第一距离为所述无人机的机身中心与所述可上视摄像头之间的距离，所述第二距离为所述机身中心与所述无人机机翼边缘之间的最大距离。
163.进一步的，处理器31还用于：获取在所述第二位置拍得的图像，在所述第二位置获取的图像对应于所述无人机上方的预设视场角度；
164.根据对在所述第一位置获取的多张图像和在所述第二位置获取的图像生成所述环境图像。
165.进一步的，处理器31还用于：对第三飞行控制指令进行响应，使所述无人机在与所述第一位置相距预设距离的第二位置原地旋转飞行一周，其中，所述预设距离不小于第一距离与第二距离之差，所述第一距离为所述无人机的机身中心与所述可上视摄像头之间的距离，所述第二距离为所述机身中心与所述无人机机翼边缘之间的最大距离。
166.进一步的，处理器31还用于：在所述第二位置旋转飞行过程中，获取以预设角度为间隔拍得的多张图像，在所述第二位置获取的多张图像对应于所述无人机上方的第二预设环形视场；
167.分别对在所述第一位置和所述第二位置分别获取的多张图像进行合并处理，以得到所述环境图像。
168.图9所示设备可以执行图1～图6所示实施例的方法，本实施例未详细描述的部分，可参考对图1～图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1～图6所示实施例中的描述，在此不再赘述。
169.另外，本发明实施例提供了一种计算机可读存储介质，存储介质为计算机可读存储介质，该计算机可读存储介质中存储有程序指令，程序指令用于实现上述图1～图6的空域检测方法。
170.以上各个实施例中的技术方案、技术特征在与本相冲突的情况下均可以单独，或者进行组合，只要未超出本领域技术人员的认知范围，均属于本申请保护范围内的等同实施例。
171.在本发明所提供的几个实施例中，应该理解到，所揭露的相关检测装置(例如：imu)和方法，可以通过其它的方式实现。例如，以上所描述的遥控装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，遥控装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
172.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
173.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
174.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得计算机处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁盘或者光盘等各种可以存储程序代码的介质。
175.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
176.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。