基于深度學習的四旋翼無人機控制系統設計

徐一鳴，李 笑，楊凱凱，楊 宇

(武警工程大學 信息工程學院，西安 710086)

0 引言

軍事平臺使用四旋翼無人機進行監測偵查等，普通拍攝方式受到限制，拍攝的位置有限，因此得到的信息較為片面[1]。四旋翼無人機靠著本身簡單的結構和高效率的機動模式，正被廣泛的應用。無人機的特點在于體積小、靈活且不易被發現，適應于惡劣的作業環境，對犯罪嫌疑人員進行長時間的隱秘追蹤；并通過視頻鏈路，將拍攝畫面傳輸到指揮中心進行處理；無人機設備還可攜帶或裝置非殺傷性武器，減緩罪犯的活動能力，便于警方人員展開抓捕。四旋翼無人機僅僅由四個電機來控制完成它的六個自由度姿態，因此它屬于耦合強但驅動差的一種非線性的不確定性系統，而且特別容易被外界因素所擾動，這就要求四旋翼必須具備準確且快速的魯棒性。所以，在過去幾年間，有大量學者把不同的控制器放入無人機的控制中，就是為了避免這些不確定因素有可能帶來的不良影響[2]。目前，關于無人機的研究內容逐漸受到科研機構以及各個高校的重視，相繼投入研究，且得到了頗有成效的方案，使該問題在一定程度上得到了解決。無人機的控制性能與感知方向密切相關，飛行感知性能越好，無人機的控制性能越優，RealSense相機在無人機感知方向中應用較多，通過分析相機拍攝圖像，分割處理當前幀景深圖像，獲取無人機控制方向與飛行路程，以得到對無人機的控制[3]。然而，采用上述方法都無法避開障礙物，導致控制效果較差。

為了讓四旋翼無人機可以完成自主飛行，提出了在深度學習如何設計控制四旋翼無人機系統的基礎上，對無人機的避礙功能進行的設計，進行了速度控制法的飛行試驗，測試和驗證速度控制方法的可行性和控制性能。

1 四旋翼無人機控制系統總體結構設計

四旋翼無人機的主要組成部分為：無人機機架、飛行控制器、導航與定位系統、自動避障系統等，無人機能夠穩定自如的飛行，主要是由控制系統控制的，所以控制系統的設計是至關重要的[4]?？刂葡到y總體框圖如圖1所示。

圖1 四旋翼無人機控制系統總體結構

控制系統的是使用STM32的主控芯片，主控芯是通過捕獲遙控器上的PPM 信號，對其解碼，進而得到所需的目標姿態[5]。而陀螺儀傳感器則使用的是MPU6050總控芯片，該芯片獲得陀螺儀傳感器的姿態信息是靠串口通信協議來實現的，并對其進行解碼；主控芯片將PWM波 為 4 輪周期20 ms 、高電平時間1～2 ms輸送到 4 個電子調速器 ，電子調速器需要依靠 PWM 波的占空比來對四個無刷電機的轉速進行調節；接著主控芯片需要按照遙控器所給出的指令輸出相應的PWM 波，使控制云臺的舵機產生驅動，進而調整云臺姿態[6]。超聲波測距模塊加入，使飛行安全性得到了保證。

2 系統硬件結構設計

無人機硬件結構主要包括控制器、傳感器、電源以及執行結構四個模塊，模塊之間的關聯如圖2所示。

圖2 四旋翼無人機控制系統硬件框圖

因為微型無人機有著多變的飛行姿態，為了使無人直升機的帶載能力得到一定程度的提升，該無人機設計四旋翼的機械結構[7]。為了它的各個機翼實現協調運動的目的，而采用機載導航系統控制，進而可以自動的調整四旋翼無人機的飛行姿態，實現關鍵態勢智能分析[8]。

2.1 串級 PID 控制器控制器模塊

關于控制器，在設計的時候需要采用美國德州儀器公司自己生產并且研發的具有高強的信號處理能力和嵌入式與事件管理能力的TMS320F28335芯片作為主芯片[9]。該芯片外部接口是由飛控系統決定的，它不管引腳數目還是引腳功能方面都完美的與四旋翼無人機控制系統的一切要求吻合，所以僅僅需要少量的擴展芯片的接口即可實現。

四旋翼無人機的中央處理器是四旋翼無人機控制系統的核心模塊，即人們經常提到的MCU，無人機在俯仰通道時的姿態角度為串級 PID 控制器的控制對象，它的執行器是由 4 個無刷電機構成。串級 PID的運用，無人機的姿態角度作為外環角度控制系統的輸入信息，而姿態角速度則為內環角速度控制系統的輸入信息[10]。它主要用來實現傳感器信息的采集、機體姿態角的實時解算，和飛行數據的傳輸、電機轉速的控制等[11]。

2.2 傳感器模塊設計

作為檢測裝置，傳感器通過轉換電信號的形式，將所感受到的信息加以傳輸，在傳輸之前，對信息進行對應的存儲、顯示、控制以及記錄處理，使傳輸信號滿足轉換要求[12]。

傳感器大多由以下四個部分組成：敏感元件、轉換元件、變換電路和輔助電源。還需要轉換元件和變換電路進行輔助[13]。

2.3 執行機構驅動模塊

直流無刷電機因為本身具備時間周期長、效率高等一系列特點，而以執行機構的方式配合無刷電機應用于系統中。電機是飛行器姿態控制的動力來源的一個非常重要的執行機構[14]。直流無刷電機的工作原理是利用空氣動力學使旋翼的轉速不同，進而使飛行姿態千變萬化。PWM 波發出的信號作為直流無刷電機的控制信號。根據DSP發出PWM信號有著大不相同占空比，電機也會因為這些信號產生不同的轉速，導致飛行器出現不一樣的飛行姿態[15]。其原理圖如圖3所示。

圖3 執行機構驅動模塊

飛行器在飛行狀態中要能夠迅速的從不穩定的飛行狀態調整為平衡狀態，這就要求執行機構可以在最短的時間內做出相應的反應，將飛行器的飛行速度在最快的時間內進行增加或者是減少。

2.4 遙控接收模塊

通用紅外遙控系統的兩大組成部分為：發射和接收，通過編/解碼專用集成電路芯片實現控制操作，如圖4所示。

圖4 紅外遙控接收模塊

接收部分的組成部分為：包括光、電轉換放大器、解調、解碼電路。VlsHAY公司推出了TS0P173紅外線接收器，該接收器具有一體化紅外線的特點, 將集紅外線接收和放大于集于一體，它可以實現從紅外線接收到輸出與TTL電平信號兼容的一切工作，且不用借助任何的外接元件，但它的體積卻只有普通的三極管那么大，它的功能如圖4所示的虛線部分，任何紅外線遙控和紅外線數據傳輸它都能適用。

3 系統軟件功能設計

無人機具體位置以及速度信息，在處理大規模群體事件時起到關鍵作用。因此，無人機即時狀態預估精準度需要提高。移動目標檢測區域，卷積神經網絡(CNN)擁有權重共享功能，在網絡模型復雜性以及權重數量上起到抑制作用。但是，由于其權重數量相對較多，檢測實時性較差，將區域概念引入神經網絡中，提出區域卷積神經網絡(R-CNN)。

R-CNN算法：首先 ，對圖片加以劃分，一張圖片中包含2 000到3 000個候選區域，接著將每個區域的特征用CNN提取出來，然后就需要通過SVM訓練分類器把這些特征分類整理，最后的目標邊界框的重新定位需要靠邊界框回歸算法實現。R-CNN運算效率在克服了傳統方法缺點后仍然不是很高，原因是每個候選區域的整個網絡都要進行重新計算。基于CNN模型特征候選區域映射克服冗余，將相應區域內的深層特征進行直接提取，深度學習目標控制模型如圖5所示。

圖5 基于深度學習目標控制模型

依照前面所講述的模型，進行設計的四旋翼無人機飛行器軟件流程，如圖6所示。

圖6 軟件流程圖

串口初始化是除了I/O口初始化、系統時鐘初始化以及系統參數初始化之外同樣需要在系統初始化中進行的。通過自動檢測方式，判斷無人機的通訊狀態，獲取空中飛行姿勢。執行飛行命令過程中，姿勢命令主要包括偏航、俯仰以及翻轉三種姿態，不同姿態命令可以通過一次任務加以實現，如果它可以經受住上述的檢測，那么整個系統便會進入另一種狀態，即等待指令的狀態。反之，如果無人機沒有接到任何與上述指令相關的命令，無人機的軟件就會對相應的命令進行分析與計算，從而準備接下來全新的指令。它可以完整并且有效的框選出被測試的目標，進而對框上下邊距之間的像素尺寸做出計算。

通過處理陣法、三角形相似原理，對目標的選擇框進行尺寸計算，確定上下框之間的距離，預估無人機與障礙物之間的位置關系。物體到攝像頭的距離需要符合下面的關系：

h=(α·h)/x

(1)

其中：α為實際距離；h為攝像頭的焦距；h為目標實際尺寸；x為成像后的尺寸。

通過自適應擴展Kalman濾波器技術，將非線性問題轉換為線性問題加以求解。假設，移動目標加速度為不為零的常數，可通過下式描述移動目標的加速度以及加速度噪聲：

(2)

(3)

1)初始化擴展卡爾曼濾波器。在給定的采樣周期內，計算狀態轉移矩陣1，計算估計誤差協方差陣Q，給定目標的初始位置、速度值，對噪聲協方差W、V進行計算，現在啟動濾波器進行運算。

2)模擬更新目標運動軌跡，更新預測協方差陣，將目標前一時刻的狀態帶入方程進行計算，并對目標下一時刻的運動狀態進行估計。

3)進行仿真。分別以X、Y兩個方向的狀態，對噪音擾動的情況進行模擬，每次循環時，從狀態向量和推定誤差誤差差距的角度加以賦值，將預測的目標位置推定為下一個視覺的先驗條件，更新Kalman的余波狀態，并反復循環。

綜上所述，可完成基于深度學習的四旋翼無人機控制系統設計。

4 系統調試與分析

針對基于深度學習的四旋翼無人機控制系統設計合理性，進行了系統調試與分析。

4.1 實驗參數

系統調試與分析主要參數如表1所示。

表1 系統調試與分析主要參數

4.2 實驗設備

實驗平臺上為一架四旋翼無人機，如圖7所示。

圖7 四旋翼無人機示意圖

采用該無人機的系統同時對采用一種基于RealSense相機控制系統、基于分布感知與決策控制系統與基于深度學習控制系統在空中的應用進行了對比實驗。

使用飛行器姿態測量與顯示系統采集四旋翼無人機姿態數據，飛行器姿態測量與顯示系統能夠實時顯示四旋翼無人機下仰12.5°，俯仰-8.0°飛行狀態。

4.3 系統調試

圖8是四旋翼無人機在調試過程中的安裝方式。

圖8 四旋翼無人機在調試過程中的安裝方式

將三種控制系統調試到參數最優狀態，并采集四旋翼無人機運行參數，由此完成四旋翼無人機在調試。

4.4 實驗結果與分析

根據上述四旋翼無人機調試結果，可獲取四旋翼無人機實際俯仰角、航向角、橫滾角，如表2所示。

表2 實際俯仰角、航向角、橫滾角

依據上述實際調試結果，分別將傳統的基于RealSense相機控制系統、基于分布感知與決策控制系統與基于深度學習控制系統對四旋翼無人機所控制的俯仰角、航向角、橫滾角精準度進行對比分析，結果如圖9所示。

圖9 三種系統控制精準度對比分析

(a)俯仰角：當轉臺角度為0°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為-9°、20°，而采用深度學習控制系統控制精準度為31°；當轉臺角度為150°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為-39°、-35°，而采用深度學習控制系統控制精準度為-24°；當轉臺角度為250°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為-3°、-2°，而采用深度學習控制系統控制精準度為28°。

(b)航向角：當轉臺角度為0°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為-170°、184°，而采用深度學習控制系統控制精準度為186°；當轉臺角度為150°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為174°、176°°，而采用深度學習控制系統控制精準度為176°；當轉臺角度為300°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為196、189，而采用深度學習控制系統控制精準度為185°。

(c)橫滾角：當轉臺角度為0°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為0°、-100°，而采用深度學習控制系統控制精準度為0°；當轉臺角度為200°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為-120°、-130°，而采用深度學習控制系統控制精準度為-130°；當轉臺角度為300°時，采用基于RealSense相機控制系統和基于分布感知與決策控制系統控制精準度分別為150°、45°，而采用深度學習控制系統控制精準度為-20°。

綜上所述：采用傳統基于RealSense相機控制系統、基于分布感知與決策控制系統控制精準度較低，而采用基于深度學習控制系統控制精準度較高，由此可知，基于深度學習的四旋翼無人機控制系統設計是具有合理性的。

5 結束語

對四旋翼無人機控制系統設計問題進行了深入的研究與分析，針對四旋翼無人機非線性、強耦合、欠驅動的幾大特點，設計出了一種基于深度學習的四旋翼無人機控制系統設計方案，通過對比傳統控制方法和為了驗證該理論所做的實驗，驗證了所提方法的抗擾性和魯棒性。

在以后的實際工作應用中，將對實際平臺實驗進行驗證，方法則是通過四旋翼無人機來操作完成，進而實現自抗擾控制器從理論過渡到實踐的現實目的。除此之外，還會嘗試結合自抗擾控制技術與其他智能控制方法實現對四旋翼無人機軌跡跟蹤控制的最佳效果。分別對四旋翼無人機飛控系統如何搭建的整個過程進行了硬件、軟件原理角度的詳細介紹， LabVIEW采集無人機姿態角數據顯示，機體姿態的有效控制原因為飛控系統，這很好的奠定了進一步研究的基礎，對處理突發性群體事件具有重要意義。飛行實驗時，人體的檢測和距離往往出現延遲的原因主要是由RaspberryPi 3B+機能的限制導致的。為了不讓實驗人員受到危險的威脅，抵消延遲所帶來的影響，無人機目前只能進行低速飛行。