多傳感器數據融合的無人機速率估算與定位

呂　濤，張長利，王樹文，王潤濤，張伶鳦，劉　超，欒吉玲，周雅楠

(東北農業大學 電氣與信息學院，哈爾濱　150030)

?

多傳感器數據融合的無人機速率估算與定位

呂濤，張長利，王樹文，王潤濤，張伶鳦，劉超，欒吉玲，周雅楠

(東北農業大學 電氣與信息學院，哈爾濱150030)

摘要：為了提高農用無人機速率與位置的估算精度，同時降低無人機制作成本，提出了一種對于農用無人機容易實現的傳感器數據融合算法，即通過使用離散型卡爾曼濾波，提高實驗對象在三維空間中位置和速率變化的估算精度。由于傳統的慣性測量系統存在體積大、造價高等缺點，而廉價的慣性測量傳感器又存在較大的飄移，因此結合農用無人機航拍的工作環境采用全球定位系統(GPS)提供位置的測量，由慣性導航系統(INS)給出加速度，并由光流傳感器提供速度的測量加以輔助。最終，通過實驗驗證了該算法的有效性。

關鍵詞：農用無人機；數據融合；離散型卡爾曼濾波；光流

0引言

由于傳感器測量準確性提高、體積縮小及成本降低，無人駕駛飛行器(無人機)已成為勘探、監測和救援等多方面的重要工具。無人機具有成本低、易操作、靈活性強等諸多優點，在農業生產中利用無人機檢測農情，能更有效地得知農作物的生長狀況、種植面積及各方面信息[1-2]。

對飛行中無人機姿態和速率的精確估算仍是一個巨大的挑戰。廉價的GPS傳感器可以提供相關信息，但由于其測量速率只有5Hz，即使在良好的環境中，其誤差范圍也會達到2m，并不適合實際應用。此外，在環境較差的狀況下，GPS信號容易丟失；而光流法并不需要與外界進行通訊，只需來自攝像頭采集的信息便能正常工作。因此，采用了光流法來代替GPS，通過使用視覺算法來估算對象的運動速度。

關于無人機定位的數據融合研究中，大多數是對快速移動目標所采集的數據進行后期處理。Gross等人提出了對GPS、INS提供的數據，同時使用擴展卡爾曼濾波(EKF)和無跡卡爾曼濾波(UKF)融合算法進行后期處理，從而進行姿態評估，最后通過實驗驗證[3]。同樣有人展示了使用卡爾曼濾波對GPS、INS數據進行處理的一種姿態評估算法[4]。使用連續型擴展卡爾曼濾波，繼承所有由衛星傳輸的可用信息給INS、GPS進行數據融合，即使條件是在只有一個衛星可以觀察的情況下仍可實行(傳統的離散型濾波器需要至少4個衛星同時觀察)[5]。此外，介紹了一種基于EKF與協方差自適應算法，使用GPS、INS、光流傳感器進行測量[6]。這些工作的目的是將來自多個不同種類的傳感器的信息進行數據融合，以得到精準、可靠的位置和速率信息。

針對農用無人機低空、低速、在白天工作等特點，以GPS、INS、光流傳感器進行測量[7]，以卡爾曼濾波進行數據融合，完成對無人機位置和速率的準確估算[8]。通過實驗驗證此法效果良好，為降低農用無人機成本，提高其精確度提供了參考。

1實現方案

廉價GPS裝置測量誤差大，不足以滿足新興微小型無人機的要求。這些誤差來自于多方面的因素，如觀測衛星的數量和觀測角度、GPS傳感器的質量、數據傳輸中受到的信號干擾等。GPS提供的位置和速度測量的精度分別稱為accP與accV，其變化是動態的，根據實際測量情況得出。因此，為了提高精確度，加入光流傳感器和慣性傳感器來輔助GPS。光流是空間運動物體在觀測成像平面上的像素運動的“瞬時速度”。光流的研究是利用圖像序列中的像素強度數據的時域變化和相關性來確定各自像素位置的“運動”。研究光流場的目的就是為了從圖片序列中近似得到不能直接得到的運動場[9-11]。經由光流傳感器的輔助測量后，再通過設計的卡爾曼濾波器進行數據融合，最終對無人機速率和位置的估算提供準確的數據。其流程如圖1所示。

圖1　無人機位置和速率估算流程

2離散卡爾曼濾波

卡爾曼濾波廣泛應用于被白噪聲引起干擾的離散線性動力學系統的姿態評估中，被人們所熟知。

ξk=Aξk-1+Buk-1+ωk-1

(1)

Zk=Hξk+vk

(2)

其中，ξ為狀態向量；u為輸入向量；Z為測量向量；A、B和H分別代表狀態轉換、輸入和觀測矩陣；k為離散時間指數。過程噪聲和測量噪聲ω、v假定為符合正態分布的白噪聲，則

ω~N(0,Q)

(3)

v~N(0,R)

(4)

其中，Q和R分別是過程噪聲協方差和測量噪聲協方差。

(5)

(6)

由此可以確定卡爾曼增益矩陣Kk為

(7)

(8)

(9)

3GPS、INS、光流的數據融合

3.1　系統模型

系統所用到的狀態向量有

(10)

目標飛行在三維空間中的位置坐標為(x,y,z),速率為(Vx,Vy,Vz)。這些物理量都是參照在導航坐標系下的。因此，系統的運動方程可以寫成

(11)

(12)

(13)

Zk=ξk+Vk

(14)

其中，T為采樣周期。

3.2　光流計算

本研究中，將實驗相機平臺安放在理想的三維空間場景中飛行[12]。相機的速度在慣性坐標系中給出(Vx,Vy,Vz),像素點(xi,yi)的光流計算是由其平移和轉動的部分組成，方程為

(15)

轉動部分ROF由下式給出，則

(16)

平移部分為

(17)

進行光流計算時，特征點(xi,yi)的坐標值都是已知的，并且其運動狀態相同。通過使用所有的跟蹤特性，光流的平均值可表示為

(18)

(19)

(20)

(21)

(22)

4實驗結果

為了驗證提出的融合模式，開發了一套實驗平臺，配備了GPS、INS和光流攝像頭，如圖2所示。所有算法都是由安裝在平臺上的便攜式計算機執行。為了簡化實驗，只在x、y平面上進行狀態估算，因此z軸是一個恒定值。為了使估算擴展到三維空間，使z軸可變，需要一個高度傳感器。OpenCV(開放源代碼計算機視覺類庫)用于從相機捕獲圖像，進行光流和水平速度估計。同樣，卡爾曼濾波庫用來實現卡爾曼濾波。GPS提供的測量位置頻率為5Hz，其誤差在2m以內。視覺算法的執行頻率在40Hz，使用INS傳感器測量加速度。

圖2　實驗平臺

測試在露天廣場進行，只有自然光作為光源，結果如圖3~圖9所示。過程噪聲矩陣Q設置的對角值很小，即

(23)

協方差矩陣R的值很難精確測量到，因為GPS并沒有提供其數據，此外光照條件的不同也是其中的原因，但這些參數可以用來得知濾波器測量的可靠性。當涉及到對R矩陣的估算需要精確GPS參數(accP)時，濾波器就不在選用GPS的參數，直接選用與精確GPS(accP)成比例的值來代替，位置測量使用GPS，速度則使用光流來取代，即

(24)

INS測得的系統加速度如圖3所示。由于目標沒有移動，它們非常接近于0。圖4和圖5為GPS傳感器測量的位置和速度信息。由于GPS受干擾性強，圖6中定位誤差在2m以內。圖7為光流計算出的速度，經由卡爾曼濾波融合后測量的位置和速度如圖8和圖9所示。

圖3　INS所測加速度

圖4　GPS所測位置

圖5　GPS所測速度

圖6　GPS測量精度

圖7　光流法所測速度

圖8　經卡爾曼濾波所測位置

圖9　經卡爾曼濾波所測速度

5結論

通過使用離散型卡爾曼濾波實現GPS、INS、光流的數據融合，從而對速度和位置進行估算。實驗結果顯示：通過光流代替低精度GPS測量得到的速度值更加準確，位置和速度估算也得到了相應的提高。

卡爾曼濾波是從傳感器測量數據與預期狀態的動態模型之間進行權衡,這種權衡與過程噪聲和測量噪聲(測量噪聲大意味著測量數據不可靠)相關。這可以用來改善在復雜環境中數據測量的結果，如在噪聲很復雜的模型中[13]，通過改變動態的過程噪聲協方差矩陣來使測量數據變得可靠。當然，前提是傳感器和測量過程是在理想條件下。

未來的工作包括實現和分析其他數據融合公式，對這3個傳感器(GPS、INS和光流)找出更佳的融合方案。

參考文獻：

[1]田振坤，傅鶯鶯，劉素紅，等.基于無人機低空遙感的農作物快速分類方法[J].農業工程學報，2013，29(7)：109-116.

[2]周志艷，臧英，羅錫文，等. 中國農業航空植保產業技術創新發展戰略[J].農業工程報，2013，292(4)：1-10.

[3]Gross J，Gu Y，Rhudy M，et al.Flight Test evaluation of sensor fusion algorithms for attitude estimation[J]. IEEE Transactions on Aerospace and Electronic Systems，2012，48(3)：2128-2139.

[4]Yoo C，Ahn I. Low cost GPS/INS sensor fusion system for UAV navigation[J].Digital Avionics Systems Conference，2003，27(10)：1-9.

[5]George M，Sukkarieh S. Tightly coupled INS/GPS with bias estimation for UAV applications[J].Proceedings of the 2005 Australian Conferences on Robotics and Automation，2005，13(4)：315-326.

[6]Ding W，Wang J，Almagbile A. Adaptive filter design for UAV navigation with GPS/INS/optical flow integration[J].International Conference on Electrical and Control Engineering，2010，73(1)：361-372.

[7]王先敏，曾慶化，熊智,等.視覺導航技術的發展及其研究分析[J].信息與控制，2010，39(5)：607-613.

[8]秦永元，張洪鉞，汪叔華. 卡爾曼濾波與組合導航原理[M].西安：西北工業大學出版社，1998：175-188.

[9]張洪濤，張廣玉，李隆球，等. 微型二維光流傳感器設計[J].哈爾濱工程大學學報，2014，35(5)：619-623.

[10]馬頌德，張正友. 計算機視覺—計算理論與算法基礎[M].北京：科學出版社，1997：52-59.

[11]于合龍，劉浩洋，蘇恒強. 基于光流追蹤技術的變形位移測量方法[J].吉林大學報：理學版，2014，52(2)：331-335.

[12]Zing Simon，Scaramuzza Davide，Weiss Stephan，et al. MAV navigation through indoor corridors using optical flow[C]//IEEE International Conference on Robotics and Automation.Anchorage:IEEE,2010：3361-3368.

[13]Zhang Chao, Wang Daobo, Farooq M. Real-Time Tracking for Fast Moving Object on Complex Background[J].Transactions of Nanjing University of Aeronautics & Astronautics，2010，27(4)：321-325.

Data Fusion for Velocity and Position Estimation of UAV

Lv Tao，Zhang Changli，Wang Shuwen，Wang Runtao，Zhang Lingyi， Liu Chao， Luan Jiling，Zhou Yanan

(College of Electricity and Information, Northeast Agricultural University, Harbin 150030, China)

Abstract：In order to improve the estimation accuracy of UAV speed and position，and reduce the production cost of UAV，put fusion algorithm，by using the discrete Kalman filter，improve the accuracy of estimating changes of the position of the object in three-dimensional space and speed. Due to the disadvantages of large volume，high cost of the traditional inertial measurement system，and low-cost inertial measurement sensors have bigger drift，this combination of UAV aerial work environment using the global positioning system (GPS) provides the position measurement，by inertial navigation system (INS) is given by the acceleration，and optical flow sensor speed the measurement of auxiliary. The results show that the proposed algorithm.

Key words：agricatural unmanned aerial vehicle; data fusion; discrete Kalman filter； optical flow

中圖分類號：S251

文獻標識碼：A

文章編號：1003-188X(2016)10-0001-05

作者簡介：呂濤(1988-),男，黑龍江佳木斯人，碩士研究生，(E-mail)348867635@qq.com。通訊作者：張長利(1957-)，男，哈爾濱人，教授，碩士生導師，(E-mail)zhangcl@neau.edu.cn。

基金項目：國家“863計劃”項目(AA2013102303)；黑龍江省博士后科研啟動基金項目(LBH-Q13022)；東北農業大學研究生科研創新基金項目(yjscx14003)；黑龍江省自然科學基金面上項目(C2015006)

收稿日期：2015-09-21