避障算法的案例
低空無人機自主避障算法綜述
無人機“感知避讓”系統對于未來在融合空域內安全航行起著至關重要的作用，其中,自主避障算法是保證整個系統高效運行的關鍵部分。目前，對無人機自主避障算法的研究已經十分深入。根據避障算法的特點和避障機制對現有的避障算法進行分類，并在此基礎上對每一種類型的算法展開詳細介紹，闡述其優點以及局限性，最后展望了無人機自主避障算法的發展方向。
關鍵詞：無人機；避障算法；路徑規劃；低空
0 引言
民用無人機作為先進生產力的重要載體，被廣泛應用于環境監測、搜救、交通監控、物流貨運、農林植保、航拍攝影、城市巡查、遙感探測等多個領域。考慮到相關技術以及運行安全等因素，目前民用無人機大多被要求在隔離空域運行[1]。然而，將無人機限制在特定空域內，與有人機進行隔離運行的做法，已無法適應于目前對無人機日益增長的需求。歐美等航空業發達國家及地區提出了融合空域的概念，旨在將無人機系統集成于現有低空空域內，與有人機共同運行[2-4]。在低空環境下，無人機不僅要面對如地形、建筑物等靜態障礙以及其他動態障礙，同時還要面對空域內的其他飛行器。
低空環境下運行對無人機自主飛行技術的安全性提出了更大的挑戰，其中保證無人機安全自主飛行的關鍵在于自主避障算法。本文將根據求解方式、機動軌跡、關聯感知檢測機制等要素的總體特點，把無人機自主避障算法分為幾何法、路徑規劃法、數值求解法3種類型，并對每一類方法展開詳細闡述。
1 幾何算法
在幾何算法中，無人機通常被看作是具有一定速度的質點，根據無人機之間的相對速度、相對位置、航向等信息建立幾何關系,從而在線計算避障軌跡。
展開 無人機避障算法綜述
若環境信息是時變的，避障算法就必須具有在線規劃能力。算法的實時性與其應用背景緊密聯系，只有達到一定解算速度的實時性算法，才可應用于復雜動態環境的在線重規劃，否則，只能應用于離線規劃或局部重規劃。當前的避障算法一般通過對復雜系統進行線性化與近似化處理，實時性問題并沒有得到很好的解決。
(5)組網通信。當前無人機之間通過無線通信方式進行信息交換，當集群規模較小時尚可滿足需求，但面對大范圍、大規模集群高速飛行場景時，對組網通信的性能需求較大。因此，快速可靠的通信和組網仍是目前具有挑戰性的問題。
研究重點和方向主要集中在以下幾點：
(1)完善避障算法的實用性。對于復雜環境建模，必須通過具體測量或者使用準確的三維地圖，從而獲取可靠精確的數據，考慮復雜環境多因素對避障效果的影響，利用數據對模型進行驗證。針對具體型號的無人機，重點研究六自由度無人機在復雜環境下的避障算法，考慮機載傳感器誤差等一系列約束條件，對機載傳感器信息傳輸模型進行細化，針對不同性能傳感器設計不同的規劃方法，實現無人機“感知-避撞”流程閉環。同時在融合空域內，無人機必須考慮無人機空中交通管理(Unmanned Air Traffic Management, UTM)下的運行規則，充分結合環境建模和具體應用背景，設計出具有實用性的避障路徑。
(2)融合多類型避障路徑算法。融合不同類型的避障算法，彌補現有單個方法的缺陷與不足，是當前的重要研究趨勢。例如，傳統避障規劃方法(基于優化、勢場等)可與機器學習為代表的人工智能技術相結合，優勢互補，解決傳統避障算法中局部最優等問題，也在一定程度上彌補基于機器學習的避障規劃算法中的實時性差等問題。
(3)多機協同避障。
展開 基于精準碰撞檢測算法的機械臂避障軌跡規劃
摘要: 為完成6自由度機械臂在多種障礙物環境下的關節軌跡規劃，提出一種精確的碰撞檢測算法，結合6次多項式關節空間軌跡規劃算法完成機械臂的軌跡規劃避障算法。通過對障礙物與機械臂進行幾何模型簡化將6自由度機械臂的碰撞檢測問題轉化為模型之間最小距離計算問題；結合機械臂正逆運動學與碰撞檢測結果，創建遺傳優化算法的適應度函數，使機械臂在完成避障的同時優化各關節軌跡長度和轉動角度，將機械臂避障軌跡規劃問題轉化為約束條件下的多目標優化問題。最后通過MATLAB對算法進行仿真實驗，結果表明，該算法在多種障礙物的環境下能夠規劃出滿足要求的運動軌跡。
1. 引言
隨著工業自動化的不斷發展，工業生產制造領域的很多人工作業崗位被工業機器人取代，工業機器人作為形成工業自動化生產線的關鍵設備，大力發展工業機器人是我國實現自動化生產線和智能車間的重要措施。工業機器人應用在各種不同的作業環境中，完成簡單機器人軌跡規劃外，需考慮不同作業環境中存在的障礙物。不同工作環境中，障礙物的位置、形狀、大小等各不相同，對工業機器人進行軌跡規劃的避障研究是實現自動化生產線的關鍵。根據實際安全生產與穩定的要求，首先，工業機器人避障軌跡規劃需滿足全局避障，不僅僅是滿足末端執行器的避障，而是做到各個連桿的避障 [1]；其次機械臂關節空間軌跡規劃的各個關節的角速度與角加速度必須連續，以提高機械臂的運動效率和降低關節沖擊 [2]；最后，為得到更加安全節能的軌跡，在進行避障軌跡規劃的同時需要優化各關節運動角度以及各連桿運動軌跡長度。
目前應用在機械臂碰撞檢測的算法主要有傳感器、圖像、空間幾何模型等。
展開 基于粒子群優化算法的六自由度機械臂三維空間避障規劃
路徑輸出：算法迭代終止后，輸出全局最優粒子所代表的路徑，即為從起始點到目標點的最優避障路徑。
通過上述步驟，粒子群優化算法可以有效求解三維空間內的機械臂避障路徑規劃問題，實現從起始點到目標點的最短路徑規劃，并確保路徑不與障礙物相交。最終，筆者基于上述的粒子群優化算法編寫了MATLB代碼，其三維避障路徑規劃實驗結果如圖3所示。
群體智能專欄｜基于聯盟的無人機集群避障方法
文獻[4]提出了一種多agent動態系統的快速避障算法，提高了系統速度一致的快速性，并且減少了能量消耗。文獻[5]提出一種復合矢量人工勢場，有效實現了無人機編隊避障并追蹤目標，但當無人機速度過大或障礙物周圍產生的球形人工勢場強度較弱時，算法可能會失效導致發生碰撞現象。文獻[6]針對無人機編隊避障問題，提出了領航法和改進人工勢能相結合的編隊方法，其缺點有：(1)對集群中leader的安全性要求很高，leader的行為直接關系到隊形控制的成敗；(2)集群中的leader是孤立存在的，即leader無法獲取follower的狀態信息，如果基于鏈式思想，當follower狀態誤差隨著累加達到上界時，將直接導致整個集群隊形失控。文獻[7]采用動態人工勢場法，結合動態戰場環境，給出了無人機避障解決方案。Dai等[8]將文獻[1]中的算法擴展到了三維空間，并給出了對不規則立體障礙物的避障算法，但其要求集群中每架無人機都能獲取虛擬長機的信息。文獻[9]提出一種新的無須獲得相鄰無人機速度的六自由度固定翼無人機群的集群和避障控制方法，其同樣要求集群中每架無人機都必須獲取虛擬長機信息。
雖然現有的許多文獻都可以從各種角度去設計基于人工勢場的無人機集群避障方法，但存在的問題是：在切換拓撲結構的集群避障控制中，要求集群中每架無人機都能獲取虛擬長機信息。雖然人工勢場法是最常用的避障方法，但依然存在的共性問題是無人機、障礙物以及目標之間存在局部極小值，即無人機容易陷入引力與斥力的平衡點處，從而無法繼續前進。此外虛擬長機的導航引導作用力會隨無人機與虛擬長機的距離增大而增大，會導致無人機不斷逼近虛擬長機，雖然無人機受到的排斥力會隨障礙物距離縮小而增大，但由于所采用的排斥力勢能函數是有界的，即排斥作用力也是有界的，所以可能會出現無人機與障礙物距離過近而小于最小安全距離甚至出現碰撞現象。
展開 縱橫大鵬無人機輸電通道智能巡檢方案，又獲獎啦～
山區架空輸電線路地形條件復雜，CW-15二代搭載前置、下置毫米波避障雷達，在起飛、巡航、降落各階段實時感知障礙物，通過智能避障算法，實現飛行路徑動態規劃。
同時搭載下視雙目智能避障，降落階段地形智能感知，自動進行降落點智能篩選，當發現電桿、人員等危險降落地，實時規避，確保飛機安全降落。
純電動、長航時，更是為無人機輸電線路常規巡檢提供了超強優勢，讓飛手在面對復雜的電力通道巡檢作業時更有信心。
基于高精度數字三維地圖的仿地飛行和飛行過程主動安全技術，CW-15二代能夠適應更多的地形條件，根據架空輸電線路起伏自動生成變高航線，保持地面分辨率一致，從而獲得更好的數據效果。
CW-15二代搭載6100萬像素的CA-103全畫幅航空攝影相機，采用DS100旋偏云臺方案提高解算質量和成圖分辨率，保證最高精度和最佳結果。更好的為輸電線路巡檢提供有效數據支撐。
實時監控巡檢
輸電通道山火、外破實時巡檢
CW-15二代搭載自研可見光、紅外一體的雙傳感器吊艙和高清圖傳設備，實現30倍光學變焦能力，以及50km高清圖傳鏈路，可對輸電通道內山火、外破等目標進行實時搜索識別、鎖定跟蹤、定位取證。
地面端實現對光電吊艙的實時控制，通過實時巡檢視頻實現對現場目標的快速反應和捕獲。
雙光吊艙采用機腹收放式結構設計，航向可進行360度回轉，可對任意方向目標進行觀察，無機身遮擋部分角度的問題，觀察視野無死角，同時擁有夜間紅外熱源探測能力。可拍攝通道走廊可見光和紅外影像，并通過空地鏈路專網或4G/5G公網實時傳回地面指揮中心和各級指揮平臺。
展開 水上無人系統研究進展及其面臨的挑戰
有文獻將進化算法應用于航跡規劃問題，規劃出的航跡具備較小代價值。有文獻將A*算法的搜索空間擴展到三維空間，實現了無人機在復雜環境下的航跡規劃。有文獻將蝗蟲算法引入無人機三維航跡規劃，利用地形和約束條件等縮短搜索空間，給出了三維航跡規劃過程，在預定場景下進行了算法性能測試。有文獻提出了即時修復式稀疏A*算法，能夠快速生成可行航跡。有文獻將無人機的各種路徑規劃技術分為代表性技術、協同技術和非協同技術三大類，針對每一類路徑規劃方案進行了分析，探討了當前的開放性問題。
在避撞方面，有文獻提出了一種有干擾和障礙環境下的魯棒非線性控制方法，在四旋翼無人機上實現了該算法，并與其他非線性控制方法進行了比較。有文獻提出了一種利用橢球形狀作為障礙物限制區來尋找避讓路徑的方法。有文獻建立了基于信息融合的防撞系統，系統采用了一個超聲波傳感器和一個激光雷達來進行環境感知。有文獻針對無人機避障問題提出了一種基于深度學習的四旋翼無人機單目視覺避障方法，能夠識別不同姿態的人，實現低速飛行下的對人避障。有文獻提出一種基于事件驅動的無人機強化學習避障算法，通過在強化學習中加入事件驅動觸發機制，可以在減少無人機決策的同時找到最優路徑。
在編隊協同方面，有文獻分析了椋鳥的飛行原理，利用相鄰的很少幾個個體實現了三維環境中原始隊形向期望隊形的動態調整問題。有文獻設計了一種既適用于領導者又適用于跟隨者的編隊控制算法，該算法將領導者隱式地集成到群體中，并受群體導航反饋的影響，能夠在不發生碰撞的情況下收斂到所需的編隊。有文獻針對異構無人機的編隊區域搜索和任務分配問題，提出了一種基于響應閾值模型的概率決策機制的分布式方法。有文獻基于機載視覺感知設備和領導者-跟隨者協同方法實現了非GPS定位密集編隊飛行。有文獻通過將跟隨者信息反饋給領導者，解決了跟隨者出現問題時會引起編隊失敗的問題。
展開 人工智能專業----無人機插上人工智能的翅膀（UAV+Al)
同時預裝了融合了港科大的VINS_Fusion VIO算法的自定位系統，可以滿足室內無人機定位需求。同時提供了EGO-Planner視覺避障算法，可以提供視覺避障功能。
02:09
平臺開源（ROS、UBUNTU），定位、避障算法開源，無人機代碼開源。
適合本科后期研究生初期及科研。
【5.9 多智能體控制】
多智能體協同控制系統即多個智能體組成的集合，它的目標是將大而復雜的系統集成設成小的、彼此互相通信和協調的、易于管理的系統。多智能體協同控制系統在表達實際系統時，通過各智能體間的通訊、合作、互解、協調、調度、管理及控制來表達系統的機構、功能及行為特性。
多智能體系統控制具有自主性、分布性、協調性，并具有自組織能力、學習能力和推理能力。采用多智能體協同控制系統解決實際應用問題，具有很強的魯棒性和可靠性，并具有較高的問題求解效率。
展開 路徑規劃算法總結
2.5
BUG算法
BUG算法是一種完全應激的機器人避障算法。其算法原理類似昆蟲爬行的運動決策策略。在未遇到障礙物時，沿直線向目標運動；在遇到障礙物后，沿著障礙物邊界繞行，并利用一定的判斷準則離開障礙物繼續直行。這種應激式的算法計算簡便，不需要獲知全局地圖和障礙物形狀，具備完備性。但是其生成的路徑平滑性不夠好，對機器人的各種微分約束適應性比較差。
2.5.1 BUG1算法
該算法的基本思想是在沒有障礙物時，沿著直線向目標運動可以得到最短的路線。當傳感器檢測到障礙物時，機器人繞行障礙物直到能夠繼續沿直線目標運動。BUG1算法實現了最基本的向目標直行和繞行障礙物的思想。
假設機器人能夠計算兩點之間的距離，并且不考慮機器人的定位誤差。初始位置和目標位置分別用 和 表示；機器人在 時刻的位置表示為 ； 表示連接機器人位置 和目標點的直線。初始時， 。若沒有探測到障礙物，那么機器人就沿著 向目標直行，直到到達目標點或者遇到障礙物。當遇到障礙物時，記下當前位置 。然后機器人環繞障礙物直到又一次到達 ，找到環繞路線上距離目標最近的點 ，并沿著障礙物邊界移動到該點。隨后，直線 更新，機器人繼續沿直線向目標運動。如果沿這條直線運動時還會遇到該障礙物，那么機器人不能到達目標點。否則算法不斷循環直到機器人到達目標點或者規劃器認為機器人無法到達目標點。
展開 美國地下領域無人系統發展現狀及啟示
FLA的目標是開發一種先進的環境感知和自主導航算法，使得應用此算法的無人機或無人車能夠在無外界全球定位系統(Global Positioning System，GPS)輔助及其他任何數據鏈的引導下，以20m/s(45英里/小時)的速度在不確定環境中自主運行。FLA項目的應用場景如圖2所示。
圖2 FLA項目應用場景
Fig.2 The application scenarios of FLA program
目前，FLA項目已完成2個階段性目標[7]。其中第一階段主要測試在真實環境中算法的精度和魯棒性，測試環境從光照強烈的野外到黑暗的建筑內部，在實現外部環境感知的同時完成自身位置和姿態的估計并避免碰撞各類障礙物。2017年6月，第一階段目標達成，無人機能夠在場景驟變的條件下實現快速的姿態調整、環境感知以及避障，在特征稀缺的低紋理環境中穿越較長距離，迅速完成尋找目標的任務，測試路徑如圖3(a)所示。2018年7月，FLA實現了第二階段的測試任務，主要為將小型空中和地面系統轉變為能夠自主執行對人類有危險任務的編隊系統。為了保證順利完成任務，研究人員在佐治亞州佩里培訓基地的模擬城鎮搭建了城市室內和室外場景。在圖3(b)所示測試場景中，FLA無人機完成了高速飛行中穿越狹窄通道，構建出走廊的三維環境地圖，識別出樓梯并沿出口離開大樓。
展開 無人駕駛汽車局部路徑規劃算法研究
實驗使用Pure Pursuit算法［30］進行路徑跟隨控制。實驗場地包括了直道和彎道路段，并布置了靜止障礙物與移動障礙車。利用無人車導航系統采集的RTK-GPS信息對行駛軌跡進行擬合得到全局路徑。實驗時無人車的車速為30 km／h。圖16示出無人車對移動障礙車的避障過程。可以看出無人車從道路左側避開移動障礙車后，回到全局路徑。
圖15 湖南大學“遠飛”無人車實驗平臺
圖16 無人車避開移動障礙車的過程
圖17 為車輛在實驗場地的避障路徑規劃軌跡圖。由圖中可見，車輛順利避障并很好地跟蹤上全局路徑。圖18為實驗工況無人車速動軌跡曲率。由圖可知，車輛軌跡的曲率在-0.08～0.06 m-1之間，曲率的最大值為-0.070 25 m-1，曲率連續且始終保持在較小值，滿足車輛對路徑的平滑性要求。圖19為無人車在行駛過程中的側向加速度變化。從圖中可知，無人車在整個行駛過程中，側向加速度均低于0.5g，峰值為-0.23g，滿足車輛對穩定性的要求。圖20為無人車避障過程的顯示界面截圖，從中可以看出，本研究的規劃算法能夠根據自身狀態實時選擇最優的避障路徑。
圖17 實驗工況無人車運動軌跡
圖18 實驗工況無人車運動軌跡曲率
圖19 實驗工況側向加速度
為進一步了解本研究算法在提高實時性方面的效果，對采用常規坐標轉換方法的離散優化路徑算法（稱為方法1）在相同的實驗條件下進行了規劃實驗，與本研究算法進行比較。圖21為本研究算法與方法1在相同實驗條件下的耗時對比。方法1算法耗時在18～55 ms之間，平均耗時29.9 ms，本研究算法耗時在10～25 ms之間，平均耗時18.3 ms，實時性相比方法1有明顯提高。
展開 
遠度科技發布靈隼ZT-25V復合翼無人機，開啟安防無人機新時代
靈隼系列無人機搭配了基于?機動態特性和DSM（數字地表模型）的三維避障尋路算法，在機上完整集成了全國范圍的DSM，在一些特種行業還可加載高達0.5米精度的DSM。無人機垂直起飛離地之后，即啟動實時動態規劃航線，飛控系統自動結合風速、轉彎半徑、爬升率、機動能力等?機動態特性，實時動態規劃各種約束條件下的任務航線，并可以?動實現對“不安全”航線的智能安全調整。
如，旋翼起飛階段，切換固定翼高度如果過低會自動阻止切換，提示引導繼續爬升。在空中指點飛行或跟蹤目標飛行時，實時根據DSM及飛機機動性能動態規劃安全航線，在復雜環境的約束條件下解出最優路徑，確保任務執行的安全性。
04 云巡空地聯動指揮系統
遠度云巡無人機管理系統已升級至2.0版本，涵蓋設備、?員、航線、任務、數據、解禁等全部業務流程。尤其，云巡系統2.0具有兩大“明星”功能：飛行視頻直播和空地聯動指揮。
以往的無人機空地信息傳輸，只能通過操作手轉述目標特征及經緯度浮點坐標給地面人員，無法有效快速的輸入導航設備形成閉環，引導地面力量。而遠度云巡系統的飛行視頻直播基于無線信道，可實現??機巡檢視頻的遠程跨平臺直播，推送?各級指揮中??屏、移動指揮?輛和基層警務終端等。直播鏈接可分享到微信或專用工作群，用戶使用手機或PC均可實時觀看，并可以隨時一鍵將吊艙鎖定的目標位置分享至包括微信在內的各個群組，地面力量即可實時通過導航快速抵達目標。
展開 詳解路徑規劃算法
改進的算法流程如下：
根據傳感器信息計算當前位置的引力和斥力；
判斷是否處于繞行行為，若是，執行3；若否，執行4；
判斷是否離開局部極小區域，若是，機器人沿著合力方向運動，結束繞行行為；若否，機器人沿著斥力場等勢線運動，繼續繞行行為；
判斷是否遇到局部極小點，若是，機器人沿著斥力場等勢線運動，開始繞行行為；若否，機器人沿著合力方向運動；
判斷是否到達目標，若是，退出算法；若否，繼續1；
使用下面的判別條件判斷機器人是否遇到局部極小點。
條件1：
條件2：
當條件1或者條件2出現時，就認為機器人遇到了局部極小點。條件1中
是一個很小的正數，其含義是機器人受到的虛擬合力接近0。這是最直接局部極小點判斷方法。條件2中
為0,1之間某一正數，
為機器人運動過程中某一狀態，
表示機器人從
到達當前位置
的總路程，條件2成立意味著機器人在運動很長路程后，位移很小。用來檢測機器人在局部極小點附近發生的振動和圓周運動。
BUG算法
BUG算法是一種完全應激的機器人避障算法。
展開 eVTOL總體設計關鍵技術、電子/電氣系統重要性及技術發展趨勢分析詳解
該技術具有實時機動避障決策功能，主要包括空間復雜環境下的多障礙物探測和分類、障礙物定位及路徑預測與碰撞風險分析、避障策略選擇和航線重新規劃等技術，涉及感知傳感器構型設計、多源信息融合、智能目標識別、障礙物危險評估與避障決策等諸多領域。
現有eVTOL制造商一般通過加裝ADS-B、TCAS等空中防撞設備來解決自動安全間隔保持能力、規避周圍危險能力。但針對城市地形地貌復雜、建筑物及附屬設施眾多、局部氣象條件多變、電磁環境惡劣、鳥群飛行等情況，根據幾何空間相對運動矢量進行避障決策、利用無碰撞路徑規劃代替避障決策、人工智能算法進行避障決策、建立城市低空環境仿真模型等技術路線還需攻克，通過快速監控檢測潛在障礙物、及時提前改變航向避開障礙物等eVTOL避障技術還不成熟。
（三）高精度的低空智能駕駛技術
eVTOL智能駕駛技術應具備無人駕駛的自主飛行能力，是一個從輔助駕駛、半自動飛行再到全自主飛行的遞進過程。該技術應能借助視覺、紅外、激光雷達和毫米波雷達等新型傳感器，采取極簡操控方式（SVO），通過融合多種傳感器增強飛機的環境感知能力，綜合運用AI、大數據等新興技術對已感知的環境進行智能決策分析，并利用電傳操縱系統建立的良好控制基礎。
eVTOL自動飛行性能，可在空中不確定的復雜氣象環境條件下實現自動駕駛、安全操作的智能駕駛技術還需逐漸演變進階。
（四）高韌性的低空航路規劃設計
eVTOL要安全運行必須解決低空航路規劃與設計問題，創建靈活機動、富有韌性的低空航線網絡系統。國內外相關機構或專家基于風險規避、四維航跡、城區風險地圖、融合人員密度因素等角度對無人機路徑規劃方面開展了探索，為拓展城際擺渡、低空旅游、空中快遞、應急救援等民用場景，精確規劃建設低空導航點和導航路線提供了參考。
展開 漲姿勢：ADS-B到底是什么東東？真那么靈嗎？
全新一代CW-15大鵬無人機，是能避障的垂直起降固定翼無人機，采用了飛行全程主動安全技術，主要包括：①前置、下置毫米波避障雷達：搭配避障和路徑規劃算法，起飛、飛行、降落各階段全程實時感知障礙物，感知距離240米；②下視雙目智能避障：降落階段地形智能感知，自動進行降落點智能篩選，當發現屋頂、懸崖、電桿、車輛、人員等危險降落地，實時規避，確保飛機安全降落；③ADS-B態勢感知：飛行過程中，實時監測160公里范圍內的飛行器，實現威脅預警和自動規避，從容應對空中交通管制；④地形匹配飛行技術：基于高精度數字三維地圖，利用快速全局路徑搜索、路徑規劃和碰撞檢測算法，實現點對點智能地形匹配飛行。
據英媒2017年2月27日報道，在全球移動通信大會(MWC)上，大疆(DJI)在其M200系列無人機中首次使用ADS-B(廣播式自動相關監視系統)，偵測其附近的飛機或直升機，并將該信息反饋給操作者，以降低無人機干擾飛機的風險。ADS-B系統通過安裝在無人機上的接收器探測其周圍飛機的位置、飛行高度和速度等信息，繼而傳給無人機操作者，方便其在必要的情況下規避飛機。
大疆新款消費級無人機將內置ADS-B系統
最值得一提的是，除了保留360度避障系統，Mavic 2 Enterprise 無人機還首次配備ADS-B In接收系統，協助飛手判斷周圍有無ADS-B飛行器，從而避免空中“撞車”。由此，外媒將其稱作迄今為止最安全的大疆無人機。
ADS-B到底是什么呢？
展開 