无人机导航

无人机导航（共7篇）

无人机导航 篇1

无人机因其在执行侦察、监视、攻击等任务方面的明显优势,越来越频繁地被现代战争所采用[1]。而战场的苛刻生存条件,对无人机的小型化、实时性和开发周期提出了更为严格的要求。小型化要求无人机系统集成度高,体积小;实时性要求无人机能够快速稳定地采集和处理数据;开发周期方面,则要求无人机从设计到批量生产尽量缩短时间。本文正是基于这样的思想,给出了某小型无人机导航数据采集系统的硬件实现方法,为无人机组合导航提供必要信息。

1 无人机系统总体设计

为达到小型化、低功耗的设计标准,必须将无人机的导航系统、飞行控制系统硬件集成到一块体积仅为120 mm×87 mm×2 mm的六层电路板上。该电路同时还要集成无人机的信息解码、故障诊断、任务控制与执行等多种功能且总功率不能大于5 W。

采用双DSP的设计方案来构成无人机的导航解码CPU和飞控CPU。系统总体设计如图1所示,飞控DSP获得传感器信号后进行航姿解算,然后将姿态信息传给导航DSP和地面站;导航DSP接收GPS定位信息、地面站无线电遥控信息,结合航姿信号作导航计算,并将计算后将相应的任务指令传递给任务平台。导航DSP与飞控DSP之间的高速的数据交换经由双口RAM实现。导航DSP在完成相应的计算任务后,把处理结果送到双口RAM,飞控DSP在需要时,从中读取数据。

采用惯性导航与全球卫星定位(GPS)相结合的组合导航方案,二者能够相互弥补各自的不足,为无人机提供可靠性较好,自主性和精确度较高的导航信息。

2 惯性导航系统的数据采集

惯性导航系统一共需要采集17路信号:其中三轴陀螺仪信号和三轴加速度计信号由外扩A/D芯片ADS8364采集,磁阻传感器信号、温度补偿信号和空速信号由DSP片内自带的ADC模块进行转换,高度传感器信号为数字量,直接由DSP的同步串口SPI读取。

2.1 惯性导航系统总体结构

如图2所示,使用ADS8364采集三轴加速度计信号和三轴陀螺仪输出的角速率信号:Model 1221微硅加速度计的输出为差分信号,直接接入ADS8364的前三个差分通道;微机械陀螺仪输出的三轴角速率信号依次接入ADS8364后三个差分通道的“+”端,并将ADS8364芯片自身的+2.5 V参考电压接入通道“—”端,A/D芯片与DSP的数据线和控制线依次相连。

磁阻传感器信号、空速传感器信号及三路陀螺温度补偿信号和三路加速度计温度补偿信号连接到DSP自带的ADC模块的模拟信号输入引脚作模数转换。DSP的SPI是一个4线接口:主机输出/从机输入(MOSI)、主机输入/从机输出(MISO)、串行SCLK或SCK、从发送使能(SPISTE)。其分别与高度传感器芯片MS5534C的DOUT、 DIN、SCLK连接,从发送使能(SPISTE)不连。

2.2 外扩A/D数据采集

2.2.1 硬件连接

当ADS8364的HOLDA、HOLDB和HOLDC引脚输入信号相与结果为逻辑1,ADD、A2、A1、A0引脚输入信号相或的结果为逻辑0时,芯片工作在软件控制模式下[2]。为使ADS8364工作在软件控制模式下,模数转换器ADS8364的有源低电平取样触发器holdx经10 kΩ上拉电阻连接3.3 V高电平,同时上拉3.3 V电平的引脚还有ADS8364的复位信号RESET;3路地址选择引脚(A0,A1,A2)及BYTE和ADD引脚接地。

配置DSP的事件管理器EVA模块,由其通用定时器2产生一路频率为5 MHz的PWM波信号,提供给ADS8364作为时钟信号。因ADS8364的模数转换时间为20个时钟周期,此时数据采集和转换时间分别为0.8 μs和3.2 μs,一次从采集到完成转换的总时间仅需4 μs,完全满足导航实时性需求。当系统初始化完成后,六个模拟通道同时采样,并在下一个时钟的上升沿开始转换,软件延时5 ms以上,保证DSP对每个通道的读取时间。一次转换结束后,ADS8364发出一个低电平脉冲信号EOC,将该信号提供给TMS320F2812的外部中断XINT1,即可触发DSP的一个读周期。

TMS320F2812处理器的外部接口(XINTF)映射到5个独立的存储空间,当访问相应的存储空间时,就会产生一个片选信号[3]。外部接口的访问时钟频率由内部的XTIMCLK提供,配置为SYSCLKOUT,即3.75 MHz。XINTF ZONE2的地址空间为0x00080000到0x00100000,且独享片选信号XZCS2。

将DSP的XINTF ZONE2空间片选信号XZCS2直接与ADS8364的片选信号CS相连,当DSP访问XINT ZONE2空间时,外扩AD芯片就会被选通。

2.2.2 软件实现

在软件控制模式下[4],DSP可通过向入口地址写入命令的方式,对A/D芯片进行初始化。

通过软件配置,使A/D芯片工作在CYCLE循环模式下。A/D每次转换完成,即在EOC引脚产生1 个低电平信号,触发DSP 的外部中断XINT1,此时DSP以CYCLE模式按顺序读取A/D转换后寄存器中的数据,入口地址设为XINTF ZONE2空间的起始地址0x080000。

TMS320F2812初始化ADS8364的部分程序代码如下:

#define ADS8364_ADDR 0x080000

//设置A/D入口地址

…

*(int *)ADS8364_ADDR=0x07;

//重置A/D

*(int *)ADS8364_ADDR=0x0f;

//重置A/D结束

*(int *)ADS8364_ADDR=0x08;

//启动转换通道

另外还需在中断中,写入控制命令,使A/D芯片工作在循环模式下:

*(int *)ADS8364_ADDR=0x86;

//循环模式

2.3 片上A/D数据采集的设计

TMS320F2812 的ADC模块是一个具有12位分辨率,带流水线的模数转换器,拥有16个通道,可配置为2个独立的8通道模块,分别服务于事件管理器A和B,两个独立的8通道模块也可以级联成一个16通道模块。ADC模块的采样端口最高采样输入电压是3 V,实际设计中考虑余量因素,故将输入电压限制在3 V以下[5]。

ADC模块需要完成对3路磁阻传感器、3路加速度计温度、3路陀螺温度和1路空速传感器共计10路模拟量的转换。将ADC的两个独立的8通道模块级联成一个16通道模块,两组级联连续自动排序并工作在开始/停止模式。

初始化ADC模块的部分程序代码如下:

AdcRegs.ADCTRL1.bit.SEQ_CASC=1;

//级联模式

AdcRegs.ADCTRL3.bit.SMODE_SEL=0;

//设置顺序采样模式

AdcRegs.MAX_CONV.all=0x0009;

//序列发生器最大采样通道数为10,一次采1个通道,共采样10个通道

AdcRegs.CHSELSEQ1.bit.CONV00=0x0;

//采样ADCINA0

AdcRegs.CHSELSEQ1.bit.CONV01=0x1;

//采样ADCINA1

…

3 通信接口设计

包括通过RS422总线与GPS接收机通信在内,无人机需要完成的数据交换任务主要有:与地面站通信,进行遥控数据的接收与遥测数据的发送;与机载任务设备之间进行数据交换;以半双工方式接收GPS定位信息;接收姿态传感器的测量信号,及发出舵面控制指令。

3.1 与GPS通信

TL16C752芯片内置两套UART系统,可独立工作,具有64B发送/接收FIFO(中断触发等级可编程),且工作电平为3.3 V,与TMS320F2812的工作电平兼容[6]。

从系统的可靠性与实用性出发,设计采用外扩异步串口芯片TL16C752,以中断方式接收GPS数据[6]。由于GPS数据接收机是RS422接口,而由TL16C752外扩的串口为RS232接口,所以二者之间选用MAX3232芯片实现转换。

3.2 与半物理仿真平台/飞行器通信

每片TMS320F2812提供两路异步串行通信接口SCIA、SCIB。考虑无人机在实际飞行之前需要完成大量半物理仿真实验,因而同时预留硬件系统与半物理仿真平台和实际飞行器双方接口。

半物理仿真系统如图4所示,主要由地面站、飞行控制器、地面站、执行机构、无人机模型计算机、大气模拟系统、三轴转台、GPS模拟系统、综合显示系统及相应机载传感器等组成。

半物理仿真与实际飞行的区别,主要在于实际飞行时的舵偏量及发动机油门开度信息经由DSP的PWM波输出通道直接送给执行机构,无人机姿态测量设备同时获取姿态数据返回DSP。而在进行半物理仿真实验时,飞机的飞行过程需经过无人机模型计算机模拟。因此将飞控DSP的SCIA口与模型机的接收端相连,向模型机发送飞控DSP给出的舵偏角信号和油门开度信号,并通过SCIB口接收经过环境模拟系统编码的航姿信息和大气数据。

4 数据采集验证

半物理仿真实验条件可控,实验过程可重复、无破坏,具有经济、安全、高效的特点。上述数据采集系统,经过静态数据采集实验,做相应的滤波、补偿和标定,还不能用于无人机的定型试飞。为了更全面地考察硬件的安全性与可靠性,必须利用实验室地面半物理仿真实验平台(带三轴转台)进行动态数据采集实验。

如图5,在半物理仿真平台上设定全模态飞行任务剖面,将无人机数据采集系统接入半物理仿真平台,对三轴转台的姿态变化进行实时数据采集。仅列出硬件系统航向角通道所采集到的数据的变化趋势,如图6所示。

从航向角曲线可以观察到,在无人机弹射结束进入爬升和平飞时,航向角保持在0°左右,当飞机进入盘旋模态,航向角稳定增加或减少,模态切换间系统表现稳定。整个剖面飞行过程中,系统都能准确采集到航向角的各种变化。数据采集过程中,每20 ms记录一次数据,所以曲线图有些跳变,但总体趋势与任务要求相符。

5 结束语

本文所设计的数据采集硬件系统,实现了小型无人机组合导航系统数据的采集任务,且达到了小型化和实时性的目标。同时,充分利用DSP丰富的串口资源,只需对串口通讯协议稍作修改,就能无缝接入半物理仿真平台,或用于实际飞行。极大地缩短了硬件系统的开发周期,也为软件系统的开发节约了成本。将该系统运行于实验室的导航/飞控半物理仿真平台,结果表明系统稳定有效,为下一步的飞行试验奠定了基础。

参考文献

[1]秦永元,张洪钺,等.卡尔曼滤波与组合导航原理.西安:西北工业大学出版社,1998

[2] Texas Instruments.ADS8364 Data Sheet.June 2002

[3]陈鹏,闫建国,曾赟.DSP和TL16C752在无人机GPS导航中的应用.测控技术.2009;28(2):31—35

[4] Texas Instruments.Software Control of the ADS8364.August 2002

[5]苏奎峰,吕强,等.TMS320F2812原理与开发.北京:电子工业出版社,2005

[6]TI公司.TL16C752数据手册

小型无人机导航系统的探索与研究 篇2

目前GPS/INS组合导航成为无人机导航系统的主流方向,由于这种组合系统的误差随时间累积。本文分析了组合系统中的误差来源,依此采用差分伪距的卫星定位测量方式,给出了核心程序流程,并对结果进行仿真,提出了卡尔曼滤波器提高系统测量精度的解决办法。

1 系统设计

首先建立起以惯导系统误差方程为基础的组合导航系统状态方程,并在导航系统误差的基础上建立组合系统的测量方程。系统硬件构成如图1:

系统由微惯性测量单元、GPS接收电路单元、卡尔曼滤波器、PID控制器组成。该组合导航系统的状态方程描述为:

式1为系统状态方程,式2为系统观测方程,根据这两个方程即可建立卡尔曼滤波方程。

其中下标E、U、N分别表示地理坐标系的三个方向东、北、以及天;下标x、y、z表示无人机的数学坐标;表示惯性测量单元中速度值的误差;ψEψNψU表示角度误差;δlδλλh表示经度纬度以及高度误差;τxτyτz是惯性测量单元的漂移误差;是惯性测量单元的零位误差;δlGδλGδhG是GPS接收机的位置误差。其中X(t)为状态变量W(t)为惯性测量单元中互不相关的零均值高斯白噪声序列。

2 软件设计

组合导航系统的导航模式的切换由软件完成,此外比例、积分、微分算法、卡尔曼滤波算法由程序实现。首先给出软件流程图如图2。

调整指令的间隔时间大于1S说明飞机状态不需要快速更新,此时GPS信号的频率可以满足系统需求,采用GPS单独导航,反之则应采用惯性导航方式;5秒内接收不到GPS信号说明被外界电磁干扰,应当采取惯性导航方式。

3 仿真结果

由MATLab生成系统误差的仿真曲线如图3所示。

图3(a)为在海面上巡航的飞机,采取惯性导航,其系统误差随时间的增加而递增,成线性变化,图3(b)显示,加入卡尔曼滤波器做为组合系统的接口后,误差出现了尖峰,但误差曲线收敛于零值。因此,卡尔曼滤波器加如后提高了组合系统的导航精度。

参考文献

[1]黄智刚,孙国良,冯文全等.无线电导航原理与系统.北京:北京航空航天大学出版社,2007:276-298.

[2]刘滨涛.导航卫星系统总体研究及星座改进方案仿真[J].航天控制,2005,23,(1).

[3]Godet J.GPS/Gallery Interference Analysis[A].Proceedings of theInstitute of Navigation ION GPS200[C].Salt Lake City,Utah,2000.

无人机导航 篇3

我国人口众多,农业是一个严重依赖自然资源的国民经济基础行业,为了确保国家粮食安全战略,国家推出了一系列惠农政策,从中央到地方建立了各级农业科技服务机构,加大了农业科技创新投入[1]。我国地域广阔,农田除杂草工作量较大,以及农田虫害有着较大的迁徙性和流动性,害虫的防治较为复杂,需要大量的专业农药喷淋人员。但由于农村人口流动量较大,农村人口逐年减少,难以找出较多的专业农药喷淋人员。现有农耕人员,由于缺乏农药喷淋方面的相关知识,造成农药喷淋的效果不理想,而且农耕人员在农药喷淋后不能及时清洗,对人的身体造成危害,存在安全隐患。

当前,投入使用的全球卫星导航系统有美国的GPS、俄罗斯的GLONASS、欧洲的Galileo和我国的北斗导航系统。2007年联合国将这4个系统指定为全球卫星导航系统核心供应商。北斗导航系统是我国自主研发的导航定位系统,利用北斗导航系统替代GPS系统将一并实现定位和通信,同时解决由于利用GPS系统而带来的安全问题[2]。北斗导航系统,向亚洲地区提供免费的定位、授时服务。目前,北斗二代的芯片已经相继推出,无论是体积、价格和定位的精度都有很大提高,随着北斗在2020年建成,相关的应用将得到更大发展,北斗卫星定位技术实现农业自动化中起到不可估量的作用[3]。

无人机(unmanned aerial vehicle,UAV)是一种机上无人驾驶的航空器,其具有动力装置和导航模块,在一定范围内靠无线电遥控设备或计算机预编程序自主控制飞行[4]。无人机系统(unmanned aircraft system,UAS)是一套综合的技术支撑系统,它是对UAV概念的扩展,它由机体、机上载荷和地面设备等组成,实现其飞行、数控、数据处理和信息传导等功能[5]。

经上述分析,本设计采用基于北斗导航为控制核心,以六旋翼无人机为载体的智能喷淋系统。

2 系统设计及要求

系统总体设计框图如图1所示。具体要求如下:

(1)控制无人机飞行高度、航速、倾斜角度等;

(2)调整农药喷淋量、喷淋速率等;

(3)将无人机周围环境的反馈量返回控制台,控制台可以是安卓手机或电脑,并将控制台发送的指令发给无人机形成系统通信;

(4)无人机可以切换模式,如自稳、定高、定点、悬停和绕圈等自动模式。各个模式基于GPS/北斗双模导航模块电子罗盘来获得姿态数据和定位。

无人机飞行器由于机体轻盈,容易受到周围环境的干扰,导致飞行事故。所以通过控制台接受飞行环境数据,通过电子罗盘调整飞行姿态。可改变模式,以应对各种不同喷洒环境,比如定高定点模式,可以使飞行器在同一平面上飞行或某一固定点悬停;绕圈模式可以使飞行器在一个圆周上飞行;自动模式则是可以按照控制台预设飞行计划飞行。

3 硬件设计与实现

3.1 整体机架结构

为了应对高空作业而产生的各种情况,减少电量的浪费以及风阻,要保证机架的重量轻盈的同时,也要保证材质的硬度和耐用性,机架整体采用航空铝合金材料,机臂由六根空心方形铝杆组成,在强反推力的作用下仍能保持形态不变。机架中心以及连接电机的部分采用碳纤维板,具有拉伸强度高、耐腐蚀性、抗震性、抗冲击性等良好性能。底座采用实心木质结构,缠有密封胶布防止因起落而开裂,连接部位采用中国榫卯结构,结实耐用又易于维护。

3.2 北斗导航模块

为了应对农业生产上高精度定位的需求,本系统采用U-BLOX生产的M8N导航模块,带HMC5983电子罗盘功能的M8N能够同时获取和跟踪不同的GNSS(全球导航卫星)系统,并行接收GPS和北斗,或同时接收GLONASS和北斗,即使在信号差的环境下,都能满足最高的可用性和准确性,M8N平台还配备了内置的智能自动切换功能。在相同情况下,两者的服务质量可能存在差异。可根据GNSS卫星的可见性和可靠性,自动切换操作模式。定位精度HDOP数值能达到0.5~1.0米。一般情况下,比较容易搜到15颗以上的卫星,甚至可以满足测绘级使用要求。研究表明,当前北斗系统与GPS系统的基本性能指标接近,但在某些情况下北斗系统的观测值质量稍优于GPS观测值质量[6]。当出现两种定位系统提供的数据和服务质量相差较大时,应具备动态切换功能。因此,本文使用基于北斗/GPS双切换的导航模块,该系统通过对GPS与北斗卫星信号的实时分析,灵活切换两种定位模式,从而为使用者提供准确、高质量的导航服务[7]。

3.3 水泵及喷杆

为了喷淋农药,要采取大功率水泵,保证喷淋压力。还要保证耗电量,以保持长时间喷淋,为此我们选择了大功率的洗车泵,压力在0.5-0.6MPa,流量4L-4.8L,电压24V,电流2.0A。经实验,满足选择要求,并且体积较小、重量较轻,方便于安装在无人机飞行器上。

喷杆既要满足喷淋量的需求,也要与水泵相匹配,并且结实耐用,方便安装于飞行器上。于是我们选用了不锈钢的四喷头喷杆,可以进行雾状喷淋[8],喷淋范围大、效果良好。

4 系统的软件设计及算法实现

4.1 软件设计

根据设计方案以及网络上的开源资料的利用,并使用高性能的STM32系列处理器、电子罗盘传感器和其他电子器件,开展了多次软调试和功能测试实验,使用PIX飞控作为航姿参考系统和飞行控制系统的硬件基础。硬件部分安装完成后,基于层次化、结构化思想,分别改写了导航电路板和飞控电路板的底层驱动程序、各个模块程序和上位机应用程序。在姿态解算系统中,综合陀螺仪、加速度计和磁强计的特点,对接收的数据进行卡尔曼滤波和二次互补滤波,移植和修改国外非常健全的开源上位机软件使其能适应国内现状。最终设计出能够准确测量姿态和具有一定鲁棒性的飞行控制系统。

4.2 四元素法求解与计算姿态角原理

根据六轴飞行器姿态解算方法与四元数微分方程求解,即可得到姿态计算系统的计算原理[9],姿态算法流程图如图5所示。

本设计基于互补滤波的思想上完成的四元素算法,其核心思路为在短时间内使用陀螺仪系统采集到的角度作为最优,定时对加速度采样来的角度进行取平均值来校正陀螺仪的得到的角度。最后将四元数转变为欧拉角:

数据流程图如图6所示。通过以上计算方法得出了六轴飞行器的姿态角,在打开电源正常工作的情况下,角度误差控制在2%以内[10],基本满足控制需求。

5 实验与结果分析

5.1 实验数据

按照系统软件流程图,通过调整参数及程序,减小误差处理,确定了以下试验内容,测试时喷淋设为两档(实际工作模式为旋钮模式,即喷淋速度可以在两种模式中间任意变化),低速喷淋以及全速喷淋,在不同的模式下测试飞行反应时间,飞行总时长以及流量大小。

(1)低速模式:系统稳定启动后,喷淋运行20S,以此测试流量大小。数据如表1所示。

(2)全速模式:系统稳定启动后,喷淋运行20s,以此测试流量大小。数据如表2所示。

(3)系统从打开电源计时,飞行方式设为自动,用以测试飞机启动时间以及飞机飞行的极限时间。数据如表3所示。

5.2 实验数据分析

低速模式中测试了三次,喷淋量按照L/min计算平均值为0.143 L/min,全速模式中的平均值为1.49 L/min,飞机设计时使用载重量为5L的农药桶,在低速模式中可以喷淋24.97分钟,全速模式中可以喷淋13.36分钟。按照我国农业需求,以每平方米需要12g农药为例,5KG农药即可满足417㎡农田的喷淋需求。但是续航时间上还有很大的改进余地,现在科技发展很快但电池的瓶颈很大,接下来要不遗余力的延长续航时间和提高系统的可靠性。

6 结束语

本文设计了一种基于北斗导航的无人机喷淋系统,实现了农业喷淋的可控性,准确性。根据调整参数可以改变流量,使用起来方便可靠,并且操作简单。通过简单地程序设计可以完成多种飞行方式,应对不同的农耕需求以及不同的地域环境。北斗导航系统是一个新兴系统,到2020年组网完成后,将提供dm级实时精度和cm级后处理精度,将进一步提高本系统的控制精度及较小误差。控制台设计符合人性化,未经过培训的农耕人员也可以在数小时之内掌握该系统的控制方式,并且熟练操作。将本系统应用到农业中,既能促进农业发展,又可对北斗导航系统产业的发展起到促进作用。

参考文献

[1]张群荣,张小栓,高万林等.北斗导航系统在农业领域的应用展望[J].测绘通报,2012,(6):685-686.

[2]蒋天小,赵金峰,郭瑞宇等.北斗导航系统在精细农业系统中的应用[J].数字通信世界,2016,(2):9-12.

[3]贺玉芳,北斗与智慧农业[J].北京农业,2015,(6):23 5-236.

[4]ADAM C,VINCET G,EVERTT A.Unmanned Air craft Systems in Remote Sensing and Scientific Research:Classification and Considerations of Use[J].Remote Sensing,2012,(4):1671-1692.

[5]JEREMIAH G.Unmanned Aerial Systems[J].USA Congressional Research Service,2012,(4):56-59.

[6]张小红,丁乐乐.北斗二代观测值质量分析及随机模型精化[J].武汉大学学报,2013,(7):832-836.

[7]郑啸天,秦贵和,董劲男,等.基于北斗/GPS双切换的中心导航系统设计[J].吉林大学学报,2014,(5):989-994.

[8]杨雨朦,蔡晗,郑姣明.智能灌溉的方法与研究[J].科技向导,2015,(18):45-47.

[9]孙冬梅,田增山,韩令军.捷联惯导系统中四元素法求解姿态角仿真模拟[J].弹箭与制导学报,2009,(1):51-53.

[10]关越魏,何波贤,于仁清.基于四元数解算陀螺仪姿态角算法的实现[J].电脑编程技巧与维护,2015,(9):32-34.

[11]华云松,陈登科.北斗授时在同步数据采集仪中的应用[J].信息技术,2015(1):198-201.

无人机导航 篇4

无人机作为一种现代研究热点的飞行器,具有体积小、重量轻、造价低廉、用途广泛、不依赖机场、不受人的生理条件限制,及空勤保障简单等特点,随着其在民用、军用领域的应用范围越来越广,对其导航系统精度也提出了更高的要求[1]。

考虑到无人机的成本低与体积小,本文研究采用微机械的惯性测量器件(陀螺、加速度计)和GPS作为导航方式,研究设计其高精度组合导航算法[2] 。MEMS-SINS具有体积小功耗少、成本低的优点,但其精度和稳定性还比较低,导航误差随时间快速增长。因此通常采用MEMS-SINS和GPS组合进行导航,以提高导航定位结果的精度和可靠性。

由于MEMS-SINS对温度比较敏感,其性能随温度急剧变化,陀螺漂移和加速度计零偏的统计特性难以精确描述,同时也容易将偏差较大的量测作为系统输入,可能带来滤波的发散。并且无人机在飞行过程中可能面临着组合导航系统噪声和量测噪声统计特性的不确定问题,采用常规卡尔曼滤波导航精度很难得到满足。为了解决此问题,通常采用自适应滤波技术,在进行滤波的同时,利用观测值带来的信息在线调整模型参数、噪声特性以改善滤波的精度,得到状态的最优估计[3]。本文研究的UKF的自适应卡尔曼滤波算法,在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,来实时调整状态向量和观测向量的协方差,从而提高系统的性能。

1 组合导航系统的数学模型

位置信息综合是采用卡尔曼滤波器的一种综合模式,在此选用反馈校正的方式, 采用MEMS-SINS和GPS输出的位置信息的差值作为量测值,经自适应卡尔曼滤波器估计出SINS系统的误差,然后对MEMS-SINS系统误差进行校正,即可得到位置、高度、姿态等参数的组合导航系统量测值[4]。组合系统状态向量选取:

$X=X{}_{\text{S}\text{Ι}\text{Ν}\text{S}}=[\begin{array}{ccccc}\phi {}^n& \delta v{}^n& \delta p{}^n& \epsilon {}^b& \nabla {}^b\end{array}]。$

其中:$\phi {}^n=[\begin{array}{ccc}\delta \theta & \delta \gamma & \delta \psi \end{array}]{}^{\text{Τ}}$分别为俯仰、横滚和航向误差角;$\delta v{}^n=[\begin{array}{ccc}\delta v{}_E& \delta v{}_{{\rm N}}& \delta v{}_U\end{array}]{}^{\text{Τ}}$分别为东向、北向和天向速度误差;$\delta p{}^n=[\begin{array}{ccc}\delta L& \delta \lambda & \delta h\end{array}]{}^{\text{Τ}}$分别为纬度、经度和高度误差;$\epsilon {}^b=[\begin{array}{ccc}e{}_x& e{}_y& e{}_z\end{array}]{}^{\text{Τ}}$为三轴陀螺随机常值漂移;$\nabla {}^b=[\begin{array}{ccc}\nabla {}_x& \nabla {}_y& \nabla {}_z\end{array}]{}^{\text{Τ}}$为三轴加速度计随机常值零偏。

状态方程为:

$\widehat{X}=F{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}/\text{G}\text{Ρ}\text{S}}X{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}}+W{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}/\text{G}\text{Ρ}\text{S}}(1)$

式(1)中FSINS/GPS为状态系数矩阵,具体设置参考文献[5]。

量测方程为:

$\begin{array}{l}{\rm Z}{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}/\text{G}\text{Ρ}\text{S}}=\widehat{p}{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}}-\widehat{p}{}_{\text{G}\text{Ρ}\text{S}}=\\ \delta p{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}}-\delta p{}_{\text{G}\text{Ρ}\text{S}}=\\ {\rm H}{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}/\text{G}\text{Ρ}\text{S}}\widehat{X}+V{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}/\text{G}\text{Ρ}\text{S}}(2)\end{array}$

式(2)中:

${\rm H}{}_{\text{Μ}\text{E}\text{Μ}\text{S}-\text{S}\text{Ι}\text{Ν}\text{S}/\text{G}\text{Ρ}\text{S}}=[\begin{array}{ccccc}0{}_{3\times 3}& 0{}_{3\times 3}& {\rm I}{}_{3\times 3}& 0{}_{3\times 3}& 0{}_{3\times 3}\end{array}]。$

由状态方程与量测方程可知,状态方程中包含有陀螺随机常值漂移与加速度计随机常值零偏,同时量测方程中GPS的位置信息也属于一阶马尔科夫随机噪声,如果采用常规卡尔曼滤波无法实时调整和控制系统和量测噪声方差阵Qk、Rk,因此使得滤波结果不稳定,甚至发散,所以必须采用自适应滤波算法对Qk、Rk进行估计和调整以提高滤波的精度和稳定性。

2 自适应UKF滤波算法

采用MEMS-SINS/GPS组合导航系统虽然定位精度和稳定性得到了提高,但是由于MEMS-SINS的输出结果波动性大,容易因为外界环境的变化而精度下降。同时GPS信号也会受到影响,导致滤波结果严重变差。而常规卡尔曼滤波虽然能对系统误差进行最优估计,但是并不能自适应外部环境而导致的滤波状态和量测参数的改变,因此仍存在滤波发散的问题[5]。而自适应滤波就是利用前一时刻已获得的滤波器参数等结果,自动调节现时刻的滤波器参数,以适应信号和噪声未知或随时间变化的统计特性,并且不要求知道信号和噪声的统计特性,从而实现最优滤波。

2.1 UKF算法

为了改善非线性滤波的效果,Julier等人提出采用平淡卡尔曼滤波(Unscented Kalman Filter ,UKF) 方法对非线性问题进行滤波估计。该方法首先对状态方程进行Unscented 变换 (U 变换),对U变换后的状态方程进行滤波估计,使估计误差减小。UKF直接对系统非线性模型进行处理,不像扩展卡尔曼滤波(Extend Kalman Filter, EKF)那样需要对非线性系统模型进行线性化处理,也不需要计算雅可比矩阵,所以UKF在导航系统中的应用越来越广泛[6]。

UKF的设计步骤如下:

2.1.1 初始化

$\{\begin{array}{l}\widehat{x}{}_0=E[x{}_0]\\ {\rm P}{}_0=E[(x{}_0-\widehat{x}{}_0)(x{}_0-\widehat{x}{}_0){}^{\text{Τ}}]\end{array}(3)$

2.1.2 计算采样点和相应权重

$\{\begin{array}{l}\chi {}_{0,k-1}=\widehat{x}{}_{k-1}\\ \chi {}_{i,k-1}=\widehat{x}{}_{k-1}+\sqrt{(n+\lambda ){\rm P}{}_{k-1}},(i=1,2,\cdots ,n)\\ \chi {}_{i,k-1}=\widehat{x}{}_{k-1}-\sqrt{(n+\lambda ){\rm P}{}_{k-1}},\\ (i=n+1,n+2,\cdots ,2n)\\ w{}_0^{(m)}=\lambda /(n+\lambda )\\ w{}_0^{(c)}=\lambda /(n+\lambda )+(1-\xi {}^2+\eta )\\ w{}_i^{(m)}=w{}_i^{(c)}=1/2(n+\lambda )\end{array}(4)$

式(4)中:n表示的是状态矢量的维数;λ=ξ2(n+κ)-n为一个比例因子;ξ可以决定采样点的取值范围,通常取一个0到1之间很小的正数,如1×10-3;κ一般取0;η值取决于状态变量的分布,当x服从高斯分布时,η=2。

2.1.3 时间更新

$\begin{array}{l}\chi {}_{i,k|k-1}=f(\chi {}_{i,k-1})(5)\\ \widehat{x}{}_k^{-}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(m)}\chi {}_{i,k|k-1}(6)\end{array}$

${\rm P}{}_k^{-}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[\chi {}_{i,k|k-1}-\widehat{x}{}_k^{-}][\chi {}_{i,k|k-1}-\widehat{x}{}_k^{-}]{}^{\text{Τ}}+Q{}_k$ (7)

$\begin{array}{l}{\rm Z}{}_{i,k|k-1}^{}={\rm H}\chi {}_{i,k|k-1}(8)\\ \widehat{{\rm Z}}{}_k^{-}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(m)}{\rm Z}{}_{i,k|k-1}(9)\end{array}$

式中:Qk为系统噪声W在k时刻的方差。

2.1.4 量测更新

${\rm P}{}_{{\rm Z}{}_k,{\rm Z}{}_k}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}][{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}]{}^{\text{Τ}}+R{}_k(10)$

${\rm P}{}_{x{}_k,{\rm Z}{}_k}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[\chi {}_{i,k|k-1}-\widehat{x}{}_k^{-}][{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}]{}^{\text{Τ}}$ (11)

$\begin{array}{l}{\rm K}{}_k={\rm P}{}_{x{}_k,{\rm Z}{}_k}{\rm P}{}_{{\rm Z}{}_k,{\rm Z}{}_k}^{-1}(12)\\ \widehat{x}{}_k=\widehat{x}{}_k^{-}+{\rm K}{}_k({\rm Z}{}_k-\widehat{{\rm Z}}{}_k^{-})(13)\\ {\rm P}{}_k={\rm P}{}_k{}^{-}-{\rm K}{}_k{\rm P}{}_{{\rm Z}{}_k,{\rm Z}{}_k}{\rm K}{}_k{}^{\text{Τ}}(14)\end{array}$

式中:Zk为k时刻的量测向量;Rk为k时刻量测噪声V的方差。

2.2 自适应UKF

UKF滤波方法对非线性问题进行滤波估计具有独特的优点,而且能克服EKF存在的一系列问题[7]。但在实际应用时,发现UKF对于初值的选择比较敏感,如果初值有误差,将会直接影响滤波的结果。而且即使初值选择合理,各种扰动误差的存在以及噪声统计模型的不确定性,也会影响UKF滤波的精度,所以本文提出采用基于自适应原理的自适应UKF滤波方法进行精对准滤波估计。

自适应UKF算法结构基本和UKF算法相同,只需将式(10)、式(11)、式(14)分别改为[8]:

$\begin{array}{l}{\rm P}{}_{{\rm Z}{}_k,{\rm Z}{}_k}=\frac{1}{a{}_k}{\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}][{\rm Z}{}_{i,k|k-1}-\\ \widehat{{\rm Z}}{}_k^{-}]{}^{\text{Τ}}+R{}_k(15)\end{array}$

${\rm P}{}_{x{}_k,{\rm Z}{}_k}=\frac{1}{a{}_k}{\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[\chi {}_{i,k|k-1}-\widehat{x}{}_k^{-}][{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}]{}^{\text{Τ}}(16)$

${\rm P}{}_k=\frac{1}{a{}_k}{\rm P}{}_k{}^{-}-{\rm K}{}_k{\rm P}{}_{{\rm Z}{}_k,{\rm Z}{}_k}{\rm K}{}_k{}^{\text{Τ}}(17)$

式中:ak为自适应因子,初值取为1,它的取值范围是0≤ak≤1。如果ak取值合理,则它能够平衡系统模型预测信息与量测信息之间的权比。ak按下式构造:

$a{}_k=\{\begin{array}{cc}1‚& \text{t}\text{r}(V{}_{k}V{}_k^{\text{Τ}})\le \text{t}\text{r}({\rm P})\\ \frac{\text{t}\text{r}({\rm P})}{\text{t}\text{r}(V{}_{k}V{}_k^{\text{Τ}})}‚& \text{t}\text{r}(V{}_{k}V{}_k^{\text{Τ}})>\text{t}\text{r}({\rm P})\end{array}(18)$

取预测残差$V{}_k={\rm Z}{}_k-\widehat{{\rm Z}}{}_k^{-}$,协方差矩阵P为:

${\rm P}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}][{\rm Z}{}_{i,k|k-1}-\widehat{{\rm Z}}{}_k^{-}]{}^{\text{Τ}}(19)$

由上述的UKF算法改进步骤可知,当UKF初值选择存在偏差或者系统模型存在异常扰动时,ak将小于1,即系统模型预测信息在最终滤波结果所占的权值将尽量小;当系统模型预测信息明显异常时,ak将趋近于0,即系统模型预测信息被弃用,显然ak能够基于预测残差Vk利用量测信息$\widehat{{\rm Z}}{}_k^{-}$自适应地调节$\widehat{x}{}_k^{-}$。

3 仿真分析

将前面设计的MEMS-SINS/GPS组合导航系统应用于某无人机系统仿真,假定载体的初始位置为高度380 m,经度110°,纬度38°,仿真时惯组采样周期为10 ms,GPS更新周期为1 s,运动过程中有匀加速、匀速、爬坡、匀减速、航向转弯、盘旋、降落等机动,并且运动过程中速度最大值可以达到30 m/s,仿真时间1 200 s,无人机运行轨迹如图1所示、仿真参数设置如表1所示。

在Matlab环境下,采用UKF和自适应UKF两种滤波方法分别对MEMS-SINS/GPS组合导航系统进行仿真,仿真结果如图2—图6所示。

由图2—图4可以看出,采用自适应UKF,水平姿态和航向角误差的收敛速度与UKF相比有明显提高,导航精度也有所提高。从图5—图6中可以看出,使用自适应UKF算法,水平位置误差的精度与UKF相比均有所提高,并且导航系统稳定性更强。

4 总结

针对低成本无人机导航系统,本文研究的自适应UKF算法增强了滤波稳定性,能应用在系统噪声统计特性完全未知或近似未知的场合,保证滤波顺利进行。仿真表明在MEMS-SINS/GPS组合导航系统中,自适应UKF算法可以同时满足对动态环境的强跟踪性和滤波结果的无偏性,从而明显改善了滤波器的性能,有效抑制了滤波发散,提高了导航精度和稳定性,保证了无人机导航任务的精确完成。

摘要：无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响。同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低、稳定性差,还有可能发散。采用常规卡尔曼滤波无法解决此问题。为此研究了一种基于UKF的自适应卡尔曼滤波算法。在系统噪声统计特性未知时,此算法能自动平衡状态信息与观测信息在滤波结果中的权比,实时调整状态向量和观测向量的协方差,从而提高系统的性能。仿真结果显示,使用自适应UKF算法与普通的UKF算法相比,可以获得更优的导航精度和稳定性。

关键词：无人机,自适应滤波,组合导航

参考文献

[1]曹娟娟,房建成,盛蔚,等.低成本多传感器组合导航系统在小型无人机自助飞行中的研究与应用.航空学报,2009;30(10):1923—1929

[2]卜彦龙,牛轶峰,沈林成.基于多传感器信息融合的无人机自主精确导航技术.系统仿真学报,2010;22(1):70—74

[3]杨波,王跃刚,柴艳.基于自适应滤波的飞艇组合导航系统研究.航天控制,2010;28(3):33—37

[4]张治生,陈怀民,吴成富,等.无人机多传感器组合导航系统仿真研究.计算机仿真,2009;26(2):107—111

[5]王浩,黄长强,吴文超.基于卡尔曼滤波的无人机组合导航系统设计.计算机仿真,2009;26(4):31—33,124

[6]孙尧,张强,万磊.基于自适应UKF算法的小型水下机器人导航系统.自动化学报,2011;37(3):342—353

[7]Julier S J,Uhlmann J K.Unscented filtering and nonlinear estima-tion.Proc of the IEEE Aerospace and Electronic Systems,2004;92(3):401—422

无人机导航 篇5

近年来微型无人机发展日趋迅速,其导航系统的微型化及其室内应用需求给导航引导技术带来新的挑战[1]。麻省理工、马里兰大学、北京航空航天大学等著名高校积极开展室内微型无人机自主导航引导技术研究(如表1所示)。2011年度的国际空中机器人竞赛IARC(International Aerial Robotics Competition)第六阶段任务(即室内探索搜寻任务)进一步促进了室内无人机自主导航引导技术的发展。

室内无人机导航引导需要构建其所处环境的三维信息,同时需要为无人机飞行控制提供实时精确的姿态、角速率和速度等信息[2]。然而,室内无人机的体积和载荷极大地限制机载设备的选择范围。为此,本文针对依靠无人机自身传感器进行室内导航引导的相关技术进行研究分析。依靠机载设备感知周围环境、求解自身姿态和位置信息,实现动态避障,是实现室内无人机工作的基本条件;利用最小的传感器组合获得足够精度的导航信息[3]是实现室内无人机导航引导的关键。为此,本文针对室内无人机自主导航引导需要解决的三大主要问题:室内无人机的位姿求解算法、无人机的动态避障方案、同步定位与地图构建方法进行综合分析和展望。

1 基于视觉的位姿求解算法分析

飞行器的位姿信息是实现飞行器控制的必要信息,传统方式通过对惯性测量单元IMU( Inertial Measurement Unit)等多种传感器的信息进行融合获得。室内无人机由于载荷等限制只能采用MEMS(Micro Electro Mechanical Systems)IMU,其精度无法满足精确测姿定位需求,需要和其他传感器进行组合。具有侦查监视、目标识别与跟踪功能的视觉传感器为众多学者所重视,用于室内无人机的定位和姿态解算,其典型方法如下:

1) 基于视觉信息的地标识别与位姿估计方法常用于无人机的辅助降落。由于地标的形状、位置和方向等空间几何特征已知,用已知内参的摄像头提取地标几何特征,利用摄像机投影关系,可以获得无人机的位姿信息。浙江大学的任沁源利用嵌入先验知识的Boost算法识别地标,通过SUSAN角点检测算法提取匹配特征点,结合levenberg-marquardt算法获得无人直升机位姿参数的估计[4];麻省理工G P Tournier等人利用Moire Patterns地标配合单目视觉,实现了四旋翼飞行器的姿态估计[5],其所采用的Moire Patterns地标由两片平行光栅组成,能够有效放大无人运动在摄像机中的表现形式,提高估计精度。E Rondon则通过在室内铺设已知地标组成路线,引导室内无人机的飞行[6]。基于视觉信息的地标识别与位姿估计方法适用已知合作目标情况,无法应用于陌生地域,因此其应用范围受限,但是该方法简单可靠,相关研究也较为成熟。

2) 基于序列图像单应性矩阵的方法首先利用RANSAC等算法识别任意平面,解算前后时刻平面所成像的单应性矩阵关系,然后解耦出无人机的位置姿态变化。该方法首先需要获得摄像机与观测平面的距离,可以通过立体视觉或者激光传感器等方式获得[7]。N Metni等人从序列图像中估计单应性矩阵后,利用自适应算法有效地估计深度信息,解耦出无人机的位置平移量和姿态变化量(如图1所示)[8]。J C Bazin等人运用全景摄像头,提取视野内的特征线,估算跟踪序列图像中消失点,通过计算无穷单应矩阵获得载体姿态变化量,避免了普通单应性矩阵解算时的旋转二义性等问题[9]。但该方法不能获得位置信息。基于图像序列的单应性矩阵解算姿态法具有积累误差,但能够应用于非合作陌生环境,具有较好的发展前景。

3) 单目视觉的运动恢复结构算法通过计算序列图像对应的基础矩阵,估算摄像机投影矩阵,能恢复场景特征点的投影结构,获得载体的姿态变化;在载体运动已知的情况下,能够恢复特征点在世界坐标系的真实位置,从而实现基于单目视觉的相对局部环境的位置估计。卡耐基梅隆大学的T Kanade在搭载单目摄像机/惯导系统的无人机上,实现了对无人机相对局部环境位置和姿态变化的估计[10]。SFM算法和双目立体视觉的解算类似,实时性较差,不能充分体现单目视觉的优势。浙江大学的童丸丸提出了基于运动视差分解的单目合成视觉三维重建算法,简化了算法流程,提高了视觉系统的精度和鲁棒性[11]。

4) 光流法研究图像灰度在时间上的变化与视野中物体相对运动的关系,然而光流场立体投影方程的求解困难。新西兰坎特伯雷大学J Stowers利用安装在室内无人机底部的摄像头检测光流信息,并在极坐标下实现了光流信息的解算,避免了笛卡尔坐标系航向角提取的解耦运算[12],该方法具有解算周期短、实时性好的特点。M J Verveld等人则设计了6个正交安装的光流传感器,配合三轴加速度计,完成对载体的姿态的解算。正交安装的6个光流传感器可以代替陀螺仪感知载体的旋转速率,同时避免单个光流传感器的运动信息解耦运算[13]。光流法更多地应用于无人机的动态避障,将在第2节中讨论。

2 无人机的动态避障方案分析

对障碍物的检测与规避,是保证无人机安全飞行的必要条件。无人机的动态避障需要检测无人机前向路径上物体的相对方向和距离。一般采用的手段有超声波、红外、激光等测距仪和视觉方法(如图2所示)。

1) 基于红外、超声、激光测距仪等障碍物检测的方法属于直接测量手段,固定在无人机上的测距仪可以辅助无人机躲避指定方位的障碍物。

瑞士洛桑理工的J F Roberts等人于2007年在一个6×7×3m的房间里进行了无人机自主飞行试验,利用安装在底面的超声波传感器和安装在侧面的红外测距仪测量无人机的高度及其与墙面的距离,避免无人机与地板和墙面的碰撞[14]。佐治亚理工的D M Sobers等人设计了基于IMU、双红外传感器和多个超声传感器的室内无人机导航引导方案:通过比较多个超声波传感器测距值,引导无人机移动至房间正中位置,旋转扫描房间内障碍物,并通过视觉搜寻目标。该方案可探索比较规则的非合作建筑[15]。尽管直接测量手段受安装方式制约,灵活性较差,但具有精度高、速度快等优点,适用于简单未知环境。

2) 立体视觉定位在机器人领域的应用较为成熟[16]。双目立体视觉通过匹配左右视野的图像特征,利用空间特征的投影关系,获得载体的相对位置信息。2007年法国贡皮埃涅技术大学的S Salazar等人基于立体视觉实现了室内无人机在立体空间内相对指定障碍物的位置估计[17]。北航张博翰等人在2010年提出基于无人机双目立体视觉(如图3所示),依靠区域灰度相关法进行立体匹配,实现走廊中横向位置坐标定位、检测未知环境中的障碍物,并生成避障导航点的方法[18]。

3) 单目视觉设备的体积、重量、功耗相对较小,在室内无人机避障飞行中深受重视。杨百翰大学的H Yu等人利用SIFT(Scale-invariant feature transform)算法匹配识别飞行过程中视野内的目标,将障碍物特征点相对飞行方向矢量在成像面上投影FOE(focus of expansion)点的变化量与惯导数据相融合,剔除错误特征匹配点,利用线性模型估计飞行器与障碍物碰撞时间,引导无人机的避障飞行[19]。麻省理工的 S Ahrens等人通过控制机载云台摄像头锁定障碍物,得到不同时刻下障碍物特征点相对无人机的方向,并结合无人机自身惯导数据,迭代解算障碍物的相对位置[20]。

部分学者提出了不依靠绝对距离表示无人机位置的方法。N G Johnson利用走廊平行线消失点引导无人机飞行[21]。康奈尔大学的C Bills等则对室内走廊、楼梯等室内环境均进行了特征分析,提出了两种场景分类器,以引导无人机飞行。无人机在楼梯环境下飞行时,通过识别楼梯的水平线,判断无人机是否飞越楼梯[22]。这类方法实现代价小,适用于特定的规则环境。

4) 如第1节所讨论,光流场立体投影方程求解困难。因此,通常对光流方程进行线性化,从而获得场景的相对深度,进而检测和规避障碍物以实现无人机的自主导航[23]。W E Green的研究团队利用前向的光流传感器提取其室内固定翼飞行器视野内的障碍物位置信息。当视野中FOE点位于光流矢量较大的成像区域,说明障碍物较近[24]。S Julien等人则利用无人机两侧安装光流传感器的配置方案,对无人机在走廊环境下的自主避障进行了仿真[25]。当无人机偏离走廊的中心位置时,根据两侧光流信息差调整无人机相对走廊的位置。马里兰大学的J Conroy等人则设计了抛物面状的光流反射面,将普通光流传感器改造成全景光流传感器,获得更全面的光流信息,求解侧向位置前向速度,实现无人机在走廊环境中定位和飞行[26]。但其飞行实验中借助了黑白条纹相间的特征环境,实用性有待提高。光流法信息提取效率高于视觉算法,且测量手段较为宽松。目前光流法的应用主要受限于光流信息的非线性和光照的不稳定性,同时也需要探求更高效的运动信息解耦算法。

5) 深度摄像机(也称RGB-D摄像机),即能够在获得视野内图像的同时,获得各个像素点所对应物体表面与摄像机距离的设备。深度摄像机的发明使室内导航无人机引导技术更加趋于实用。麻省理工的A S Huang利用搭载深度摄像机的无人机,实现了相对视野内局部环境的定位,和对障碍物做出停飞或者绕行的响应[27]。图4是搭载深度摄像机的室内无人机。

3 同步定位与地图构建方法分析

SLAM(simultaneous localization and mapping)算法,即同步定位与地图构建算法,在地面和水下机器人导航中已得到成功运用[28],正逐步向无人飞行器应用拓展,对引导无人机自主探索未知环境具有极其重要的意义。SLAM算法首先提取场景特征作为地标,解算地标相对于载体的位置,最后结合载体自身位置得到并记录该地标在地图中的位置。当室内无人机再次进入该区域后,通过对记录的地标模板进行匹配,可判断无人机全局位置信息。SLAM算法的研究重点在于地标的表示、数据关联以及观测误差、位姿解算误差和错误的数据关联带来的积累误差。采用扩展卡尔曼滤波等方式可以有效提高地图建立的精度和鲁棒性[29]。相关研究在地面机器人领域早已开始并取得丰硕成果。然而室内无人机自由度较多,载荷较小,给SLAM算法中地标的描述方法带来了新的挑战。

相关研究人员通常用特征图像和特征结构等作为室内无人机SLAM算法的地标。

1) 基于特征图像的SLAM算法通常利用特征描述算子对获取的图像中的特征进行描述。因此要求场景中的图像特征明显。

A J Davison等人认为在载体姿态位置变化时,对二维的图像特征进行模板匹配可靠性低,因此提出了利用特征平面矢量作为特征图像的SLAM构建方法[30] 。该特征包括平面图像模板、平面三维坐标以及平面法向量。M J Cummins等人[31]通过匹配多个可能同时出现的图像特征来改善地图建立的准确性和实时性,并在文献[36]中得到了成功运用。

由于视觉SLAM计算量庞大,目前的算法和硬件条件难以保证高动态无人机的精度和实时性;然而由于视觉信息丰富,在选取构建全局地图所需地标时灵活性很强,可根据环境的不同调整地标选取策略,实现高效的视觉地图数据表示方法。

2) 基于特征结构的SLAM算法的输入信息主要依靠激光等直接测量手段获得。随着载体自身运动或者激光扫描仪的转动,无人机可获得环境中离散点的位置信息,构建三维点云模型。迭代最近点(ICP)为该类SLAM算法中常用的地图构建方法。利用Hokuyo公司的小型激光扫描仪,佐治亚理工的IARC2010参赛队伍[32]、苏黎世理工的自动系统实验室[33]、弗赖堡大学的自动系统实验室[34]等众多研究团队成功实现了激光扫描匹配SLAM引导室内无人机自主飞行。激光扫描匹配SLAM简单可靠,其实现需要场景结构特征明显。

3)融合以上两种SLAM方法可以有效避免各自方案的缺陷,提高系统鲁棒性,更加贴近实用的导航引导方案。麻省理工大学A Bachrach对各种不同硬件配置下的SLAM算法作了大量试验,对比分析了单目视觉、立体视觉、激光扫描及其组合下的SLAM算法[35],并利用MRF(Markov random field)算法融合视觉数据和激光等直接测量数据,实现点云模型辅助的图像分割,实时地构建较为可靠的三维地图(如图5所示)[36]。

4 室内无人机自主导航引导相关技术展望

目前,室内无人机自主导航引导技术已经取得了较大的进步,相关技术在大量实验中进行了试验验证。基于视觉信息的地标识别与位姿估计方法简单可靠,然而适用环境有限;基于图像序列的单应性矩阵解算位姿态的方法和基于光流信息的姿态估计方法以及运动恢复结构算法能够较好地适用于陌生环境的自主导航,但视觉信息解算速度和光流可靠程度仍待提高。在室内无人机动态避障方法方面,直接测量手段精确可靠,但是灵活性较差,不能适应实际复杂环境;视觉算法复杂,硬件消耗大,实时性与精确性对软硬件具有较高的要求;光流法的稳定性和精确性仍然有待提高。目前激光扫描匹配SLAM算法运用比较成功,但其高能耗缩短了无人机的有效任务时间。

为了继续将室内无人机自主导航引导关键技术推向实用,建议重点针对如下各关键内容展开研究并突破:

1) 长航时的实时高效智能地图SLAM算法。

2) 可实时处理图像导航的软硬件系统。

3) 开发和研制体积更小、质量更轻、功耗更低、性能更好的功能性传感器。

上述软硬件和算法理论的突破,必将推动室内无人机自主导航技术水平的进一步提升。

无人机导航 篇6

无人机上的环境检测模块,可以用来检测环境中的一氧化碳气体,硫化气体,还可以用来人员搜救,本项目通过以上模块构建出基于计算机图像识别与GPS的无人机导航系统,使无人机操作更智能,功能更强劲,飞行更安全,具有巨大的经济效益和军事效益。

实现的主要功能:

1. 国内四旋翼基本是模仿成本较高,我们四旋翼自主研发,成本低廉 , 利用卡尔曼滤波和PID算法对无人机进行姿态控制。

2. 实现了GPS自主导航飞行。

3实现手势识别与语音识别对无人机进行控制 , 基于MATLAB的图像识别算法。

LD332芯片与TDA2822芯片搭建出语音识别语音控制电路,与音频放大电路。

4. 实现了无人机航拍,实时视频无线的传输,基于WIFI的无线视频传输。

5. 在终端设备上显示无人机在电子地图上位置,基于GPS的动态地图匹配算法。

6. 无人机无线电能充电,基于电能,磁能,相互转换电路设计。

图 4 无人机基于 GPS 地图匹配算法运行效果图

1程序与整体结构图

功能实现框图如图1所示。

(四旋翼平台):由于其自身的稳定性可以实现稳定的自主控制,根据接受到的GPS经纬度可以控制无人机进行定点飞行 ,此飞行器的控制程序首次运行在基于ARM9的linux系统下。

( 地面站 ):地面站主要实现将无人机的经纬度在GPS网络动态地图上显示出来。实现基于MATLAB的手势识别控制无人机。多种传感器对无人机的环境进行微监控。首创实现对无人机进行无线电能充电。

2功能实现

■2.1无人机飞行控制主程序控制程序

这个实现无人机定位导航的基本方案是将无人机上GPS传输回的经纬度传输到PC端,然后将经纬度传输到互联网,再将地图下载到PC端,就可以实现实时更新的无人机定位。

3总结

本文设计了一种基于CMOS摄像头和数字图像处理芯片的图像和GPS数据采集系统。该系统具有体积小、传输速率高、传输距离远、带有数据压缩和图像增强功能的特点,通过程序编写可以让无人机实现1. 将无人机所处地区的经纬度,通过无线网络传输到地面站,然后根据GPS地图匹配算法,实现对无人机在电子地图上的定位,2. 通过摄像头,采集无人机控制者的手势信息,用基于Matlab图像识别算法,识别,控制无人机的解锁,上锁,姿态等。3. 无人机上的无线电能传输模块可以让无人机无线充电,在无人机的续航能力,属于首创,为无人机充电,续航开辟了新的思路。4. 无人机上的环境检测传感器模块,可以采集无人机所处环境的一氧化碳浓度,硫化气体浓度,可以用来做探险空中机器人,无人机上的人体红外感应模块,也可以用来,对危险区域进行搜救。此款无人机也是一样多用途,多任务的无人机。

地面基站作为无人机系统的“神经中枢”,担负着采集及分析飞行数据、验证及评价飞行效果和保证飞行安全等重要任务。因而,一个好的无人机系统常常需要有功能强大的地面基站平台才能发挥最好的飞行效果。

无人机导航 篇7

近年来 , 随着智能 化产业的 迅速发展 , 无人机行 业逐渐走 进人们的 视线 。 由于四旋 翼无人机 的结构简 单可靠 ,具有垂直 起降 、定点悬停 、稳定低速 飞行和在 小空间内 飞行的能 力[1], 所以受到 广泛的关 注并在多 个领域得 到了广泛 的应用[2]。

在四旋翼 无人机系 统发展所 面临的关 键技术中 , 导航系统 是其重要 的组成部 分之一 ,它承担着 提供给飞 行器位置 、速度 、姿态等参 数状态数 据的任务 。 目前常用 的导航方 法有 :惯性导航 、卫星导航 、视觉导航 以及它们 的组合导 航等 。 由于单一 导航系统 难以满足 无人飞行 器的发展 要求[3], 于是产生 了把两种 或两种以 上的不同 导航系统 以适当的 方式组合 在一起的 组合导航 ,比单独使 用任一导 航系统时 具有更高 的系统性 能[4]。 本文是利 用扩展卡 尔曼滤波 器将惯性 导航系统 和GPS导航系统 的组合来 完成导航 任务 ,建立了系 统模型并 将其在四 旋翼无人 飞行器上 应用实现 。

1惯性导航系统

1.1惯性传感器误差分析

影响导航 系统工作 精度的主 要因素之 一是惯性 传感器误 差的存在 , 为了减少 传感器误 差 , 需要先对 传感器进 行标定和 误差补偿 来保证导 航系统的 高精度和 高性能 。

假设和是传感器输出的比力和角速度矢量,则:f軇 b ib= εa+ ( I3+ Ma) f b ib+ wa( 1 ) w軒 b ib= εg+ ( I3+ Mg) w b ib+ Ggf b ib+ wg( 2 )

式中 ,fbib、 wbib是对应的 真实值 ;I3是单位阵 ;εa、 εg是加速加速度 计和陀螺 仪的零偏 误差 ;Ma、 Mg是加速度 计和陀螺 仪的标度 因数和交 叉耦合误 差 ;wa、 wg是随机噪 声 ;Gg表示深层 次误差源 。

如果 εa ( g )、 Ma ( g )以及与Gg都可以估 计出来 ,则经过补偿之后的 比力和角 速度为 :

式中 ,符号 ^ 表示估计 值 。

1.2惯性导航系统姿态矩阵计算

在导航系 统的解算 过程中 , 首先要处 理的是坐 标系的标 定 , 通常有惯 性坐标系 ( 通常表示 为i系 ) 、 地理坐标系(通常表示为g系)、导航坐标系(通常表示为n系 )、 载体坐标 系(通常表示 为b系)等 。 本文在分 析导航系 统问题时 是将导航 坐标系设 定为地理 坐标系 ,地理坐标 系采用x指东向 、y指北向 、z指天向的 形式 , 惯导系统 的原理方 程可以用 图1表示 。

在导航系 统中 , 最重要的 计算就是 姿态矩阵 的求解 ,而常见的 姿态矩阵 算法主要 有四元数 法 、欧拉角法 、 方向余弦 法3种[5]。 欧拉角法 计算过程 中方程式 出现退化 现象 , 方向余弦 法通常计 算量很大 , 因此经常 采用的是 四元数法 求解姿态 矩阵 。 但四元数 法存在不 可交换误 差 , 为减小这 种误差 , 本文采用 的是Bortz在1971年提出的 等效旋转 矢量算法[6]。

1.2.1旋转矢量与姿态四元数的关系

设Q(t+h) 和Q(t) 分别为飞 行器载体 在t+h时刻和t时刻的姿 态四元数 ,则 :

其中 ,表示四 元数乘法 ,h是时间间 隔 ,q(h) 是由旋转 矢量 Φ 构造的四 元数 :

其中 ,Φ0= ( ΦT·Φ )1 / 2。

1.2.2等效旋转矢量的微分方程

假设旋转 矢量表示 为 :Φ(t)=[ΦxΦyΦz]T, 用旋转矢 量来描述 载体姿态 运动时 ,等效旋转 矢量微分 方程可以 写为 :

其中 , 符号 × 表示叉乘 ,Φ 为等效旋 转矢量 , 它表征载 体从t时刻到t+h时刻的等 效旋转 。

工程上 , 通常因为 姿态更新 周期很短 , 将 Φ 的高次项 可略去不 计 ,得到常用 的近似方 程 :

1.2.3旋转矢量的求解

通常 , 对于旋转 矢量采用 泰勒级数 展开法来 求解 。 若采用直 线拟合角 速度 , 等效旋转 矢量的二 子样算法 为 :

其中 ,△θ1和 △θ2分别是[tk - 1, tk - 1+h/2 ] 、 [ tk - 1+h/2 , tk] 时间段内的角增 量[7]。

若采用抛 物线拟合 角速度 , 等效旋转 矢量的三 子样算法 为 :

其中 ,△θ1、 △θ2和 △θ3分别是[tk - 1, tk - 1+h /3] 、 [ tk - 1+h/3 , tk - 1+2h/3 ] 、 [ tk - 1+2h/3 , tk] 时间段内 的角增量 。

2组合导航系统

虽然惯性 导航系统 能够连续 工作并有 效地提供 姿态信息 、 位置信息 和速度信 息 , 但由于惯 性传感器 误差的积 累 , 惯性导航 系统的工 作精度会 随时间下 降 。 而GPS虽然可以 提供长时 间的误差 为米级的 高精度位 置输出且 用户设备 成本较低 ,但由于GPS信号会被 遮挡或干 扰 ,因此不能 仅依赖GPS提供连续 导航参数[8]。

鉴于INS和GPS系统的优 缺点互补 , 将二者组 合在一起 ,综合两系 统的优势 ,能提供有 效 、长时 、高精度 、完整的导 航参数 。 组合导航 的一般结 构如图2所示 。

2.1卡尔曼滤波器

Kalman滤波是一 种估计算 法[9], 是导航系 统中大多 数状态估 计算法的 基础 , 如卫星导 航结果的 平滑 、 惯性导航系统 的对准和 标定 、惯性导航 系统与卫 星或其他 导航传感 器间的组 合导航等[10],并已经成 为从导航 系统各种 测量数据 中获得最 优估计结 果的关键 技术 。

通常卡尔 曼滤波算 法可以描 述为 :若以K-1时刻的最优估计XK- 1为准 ,预测K时刻的状 态变量, 同时又对 该状态进 行观测 , 得到观测 变量ZK, 在预测与 观测之间 进行分析 (或者说以 观测量对 预测量进 行修正 ),可以得到K时刻的最 优状态估 计XK。

式中 ,XK是K时刻的系 统状态 ;ZK是K时刻的测 量值 ;ΦK , K- 1和 ΓK , K- 1是K-1时刻到K时刻的状 态转移矩 阵 ;HK是测量系 统的参数 ;WK和VK分别表示 过程和测 量噪声 ,它们被假 设成高斯 白噪声 ,满足一定 条件[9]。

实际工程 问题中 , 多数系统 都是非线 性的 , 因此采用 扩展卡尔 曼滤波器 (EKF)。 扩展卡尔 曼滤波 (EKF)为卡尔曼 滤波的非 线性形式[11]。

EKF的系统动 态模型和 观测模型 分别为 :

函数f(·) 和h(·) 不能直接 应用在协 方差中 , 取而代之 的是可以 计算其雅 可比矩阵[12],这个过程 实质上将 非线性的 函数在当 前估计值 处线性化 了 。

2.2系统模型与状态选择

本文将惯 导系统和GPS导航系统 进行融合 , 在当地导 航坐标系 下建立系 统模型 。 若卡尔曼 滤波器估 计的是相 对于地球 并投影到 当地导航 坐标系的 姿态和速 度误差 ,且估计的 位置误差 以纬度 、经度和高 度来表示 ,则状态向 量变为 :

式中 ,上标n表示投影 到当地导 航坐标系 。

除了地球 旋转角速 率和陀螺 测量值之 外 , 姿态传播 方程还引 入了一个 转移速率 项 ,当地导航 坐标系下 的姿态误 差为 :

惯性导航 系统的主 要噪声源 是由加速 度计比力 测量噪声 导致的速 度误差随 机游走以 及由陀螺 角速度率 测量噪声 带来的姿 态误差随 机游走 。 如果单独 估计加速 度计和陀 螺的动态 零偏 ,则加速度 计和陀螺 零偏在运 行时的变 化可以近 似为白噪 声 。

在INS/GPS组合中 , 使用GPS用户设备 的测量输 出与根据 惯性导航 参数预测 的测量值 之间的差 来更新状 态向量 ,采用哪些 测量则依 赖于组合 结构 。

考虑由GPS用户设备 得到的输 出测量和由原始惯性导航 参数 (和GPS导航电文 ,如果需要 )得到的预 测量, 测量中的 误差和可以由卡 尔曼滤波 器状态向量估 计 。 则卡尔曼 滤波器的 测量值和估计可以表示为 两种形式 :

3仿真与实验结果

本次实验 选用Pixhawk飞控单元 作为飞行 器主控板 ,MATLAB作为仿真 软件 , 分别对纯 惯导系统 与组合导 航系统进 行仿真 , 四旋翼无 人飞行器 搭建环境 描述如下 :

选用材料 为尼龙加 纤维的机 架搭建飞 行器 , 机架的对 角轴距为35 cm;选取无刷 电机型号 为MT2312-960KV用于多旋 翼飞行器 中 , 提供动力 输出 ; 选取电池 容量为5 000 m A , 最大放电 电流为30 A 。 该飞行器 遥控器型 号为乐迪AT9, 对应的接收器型号为2.4 G、9通道的R9D; 地面站软 件采用3DR推荐的专 为PX4/PIXHAWK设计的新 的QGround Control , 在该环境 下对飞行 器进行校 准和调试 。

3.1理想状态下的飞行轨迹

为了更好 地理解导 航系统的 工作性能 , 在四旋翼 无人飞行器 飞行过程 中 , 设定飞行 顺序如图3所示 。

具体过程 可以描述 为悬停时 间为15 s;加速过程 中 ,时间为10 s, 加速度大 小为0.5g (g为重力加 速度 ) ; 爬升过程 中 , 时间为25 s, 仰角速度 为2 °/s; 俯冲过程 中 , 时间为25 s,俯角速度 为2 °/s;减速过程 中 ,时间为5 s, 加速度大小为1g ;飞行周期为140 s,循环飞行3次 , 则无人飞 行器理想 状态下的 飞行姿态 参数如图4所示 。

3.2实验结果

( 1 ) 纯惯导系 统导航系 统姿态误 差曲线如 图5所示 。

( 2 ) 组合导航 系统的姿 态误差曲 线如图6所示 。

由实验结 果可知 , 理想飞行 状态下 , 飞行器的 横滚角和 偏航角数 值均为误 差值 ( 接近于0), 只有俯仰 角发生变 化 ,如图4;若采用纯 惯性导航 , 飞行器的 姿态误差 随着时间 而增大 ,在飞行结 束时 ,东向姿态 误差 (俯仰角误 差 ) 会达到1.1° 左右 , 北向姿态 误差 ( 横滚角误 差 ) 达到约1.6° , 天向姿态 误差 ( 偏航角误 差 ) 达到约1.5° , 如图5;若采用INS/GPS组合导航 系统 ,飞行器东 向 (俯仰 ) 和北向 (横滚 )的姿态误 差均小于0.5°,而且在长 时间内可 以小于0.2°,而天向 (偏航 )姿态角误 差虽然会 在短时间 内达到1° 左右 , 但在其他 时间段内 都能保持 在0.5° 左右 ,如图6。 因此 , 在相同的 条件下 , 组合导航 系统的性 能优于纯 惯导系统 , 误差较小 , 能够为四 旋翼无人 飞行器提 供较为精 确的导航 信息 。

4结论