多源信息融合的旋翼無人機定點系統設計

尹鵬飛，蘇寧波，郭 達，付梓軒

(天津中德應用技術大學 航空航天學院，天津 300352)

0 引言

多旋翼無人機作為空中機器人的一種研究與應用平臺近年來持續受到關注，而旋翼無人機系統則被廣泛應用于軍用、民用領域。定點懸停是無人機自主飛行控制與應用研究的基礎，在執行航線飛行與測繪等作業任務時，通常依托GPS、BD結合IMU 形成廣域定位系統進行位置測算[1-2]。而對于固定或移動目標點跟蹤與著陸時，通常采用視覺傳感器進行位置估計與定位[3-4]。相較于相對成熟的基于GPS定位系統的基于視覺方式的目標點定位通常面臨多點光源照射不均、槳旋產生光影擾動、獲取圖像隨本體振動等問題，常常帶來定位參考點匹配困擾[5-6]，造成無人機系統在期望定位點處沿3個軸向振蕩漂移。

針對無人機定點環節的位姿信息處理，研究者們提出了一系列的算法。張承岫等[7]以經典互補濾波為基礎，提出了一種可自適應補償系數的互補濾波算法，完成了相對準確的姿態信息解算。陳孟元等[8]將傳統卡爾曼濾波和互補濾波算法進行比較，提出了一種改進型的互補濾波算法，結果顯示，數據平滑能力更強，收斂速度更快，有效地實現了飛行器姿態數據的融合，提高了飛行器的姿態估計精度。

本研究以球心半徑20cm作為定點懸停目標點域，研究了基于互補濾波的高度信息融合和基于迭代法動態閾值計算確定平面中心點[9-11]，對姿態與高度信息進行了串級PID控制[12]，給出了系列實驗結果。

1 硬件系統設計

基于視覺定位的多旋翼無人機系統采用了通行的模塊化設計架構，綜合考量了機載機電系統的特征尺寸、處理速度、能源配給、有效載荷等因素，進行了組件選型、整機裝調及飛行性能測試。定型系統主要包括四旋翼機體結構、動力系統、供電系統、視覺采集系統、高度采集系統、飛控系統和通信系統。

A.多旋翼機體結構：根據所設計的無人機任務載荷，估算最大起飛重量約為2.3 kg，采用X型機體結構，軸距根據動力系統所選槳葉尺寸采用450機架。B.動力系統：依據無刷電機的拉力及效率，確定采用22 161 250 KV的無刷電機與PEC-9045槳。根據電機需要的最大電流，確定使用30 A電子調速器。C.供電系統：采用雙源供電模式，動力供電與其他電子設備分別由不同的電池供給，以保證控制信號的穩定性。根據電機功率及任務續航要求，計算得出了動力電池采用3S 2 600 mAh，視覺采集系統等其他電子設備電池采用3S 1 300 mAh。D.視覺采集系統：基于TSL1401線陣CCD的圖像采集模塊獲取地面標識圖像信息，采用OpenMV3 CamM7 r 2嵌入式圖像處理模塊對定點標志物進行識別和信息處理，為多旋翼無人機提供精確的位置信息。E.高度采集系統：采用US-100超聲波測距模塊，可以對范圍2～450 cm的區域進行有效探測，依據ms 5611氣壓計測量數據可有效分辨飛行所需任務高度。MPU 6050加速度計除提供姿態解算所需信息外，也提供軸向數據用于融合判定高度。F.飛控系統：采用STM32F407芯片作為主控芯片,通過UART串口讀取各傳感器模塊數據，同時通過位置導航解算與姿態解算模塊，輸出各通道所需的PWM信號至電調電機。G.通信系統：采用開源飛控的無線數傳模塊NRF24L01實現PC端和機載飛控及視覺采集模塊的無線通信，便于調試和數據觀測。

2 軟件系統設計

多旋翼無人機定位系統及解算控制關系如圖2所示，主要包括4部分：高度信息濾波與融合、目標位置信息檢測、位置與高度導航、無人機姿態與油門解算。首先由高度信息濾波與融合模塊分別將超聲波和氣壓計采集得到的高度數據與加速度計獲取數據進行互補融合濾波，同時線性CCD采集像素信息，通過動態閾值計算及灰度門限法提取出中心點，得到無人機與中心點之間的偏差，輸出至位置與高度導航模塊。將PID計算的期望姿態與高度信息輸入姿態及油門解算模塊，通過串級PID控制器，解算出4個電機PWM信號，輸出相應的電機。

圖1 解算與控制關系框圖Fig.1 Diagram of calculation and control

2.1 基于互補濾波的高度信息融合

圖2 高度波形Fig.2 Height waveform

多旋翼無人機的飛行高度可通過加速度計測得的Z軸加速度進行二次積分獲得，如圖2a所示。數據的高頻特性較好，能良好地跟隨飛行高度的變化，但隨著時間的積累會產生1個靜態積分誤差，且誤差隨著時間的積累逐步增大。通過氣壓計和超聲波可以測量獲取高度信息，從圖2b可以看出。由氣壓計所測量的高度數據會在真實的飛行高度附近浮動，存在著1個高頻噪聲。從圖2c可以看出，超聲波所測量的高度數據，在0～2 m范圍內相對準確度更高，兩者的低頻特性整體良好，但在實際高度附近均存在高頻振動。

將Z軸向加速度積分處理后與通過氣壓計和超聲波獲取的高度信息進行互補濾波，通過低通濾波去除氣壓計與超聲波測量值的高頻振動干擾，通過高通濾波去除加速度計積分帶來的累積誤差，以速度互補濾波為例，模型如圖3所示。

圖3 互補濾波模型Fig.3 Complementary filtering model

根據加速度計、氣壓計與超聲波的檢測數據不同，對速度與高度進行了兩次互補濾波處理，同時鑒于氣壓計在低高度區間精度較低，超聲波在低高度區間時精度相對較高的特點，對兩組互補濾波后的數據進行了加權融合，高度信息濾波與融合模塊的系統框圖如圖4所示。

圖4 數據融合關系框圖Fig.4 Data fusion relation diagram

2.2 基于全局閾值的迭代閾值計算

飛行過程中獲取的視覺信息因受設備振動、光照變化、槳旋擾動影響，導致對參考點模型的識別成功率通常較低。利用迭代算法獲取標志點分割的自適應閾值，步驟如下：

(1)無人機起飛前在起始位置獲取靜態圖像，圖像尺寸與位置固定，根據雙峰值均值算法，確定閾值初始值T(K)。

(2)依據閾值T(K)將圖像分為目標和背景，灰度等級大于等于T(K)的像素點組成認定為目標，灰度等級小于T(K)的像素點組成認定為背景。

(3)分別計算目標和背景區域內像素的灰度平均值u0(K)和uB(K)。

(4)計算更新閾值

(1)

(5)當T(K+1)-T(K)<δ時，其中δ為精度，則結束搜索，將T(K)作為所求的閾值，否則更新閾值為T(K+1)并轉至步驟(2)繼續迭代處理。

2.3 確定中心點位置

根據動態閾值計算模塊得出該循環周期最佳閾值T(K)，將灰度圖像中大于T(K)的像素點位置位置Pij坐標求平均，即可確定目標中心點位置，計算如下：

(2)

(3)

其中，imax，jmax分別為目標像素點Pij的二維數組長度；xPij，yPij為各目標像素點的橫縱坐標；X，Y為最終計算出中心點Pij的坐標。

2.4 基于串級PID的姿態和高度解算設計

飛控的姿態與高度解算采用串級PID控制方式。以姿態控制為例，串級PID控制系統由兩個串連起來的PID調節器組成，分別為姿態角度控制環與角速度控制環，即響應速度快的姿態角速度控制放在內環，響應速度慢的姿態角度控制放在外環。先給定俯仰角的參考值ΦP，然后經外環PID控制算法計算后得到俯仰角速度的參考值ΦP，再經內環PID控制算法計算后可以得俯仰控制系統的輸入值，提供給電機轉速控制器。相比單級的PID控制，串級PID控制響應更為明顯，系統工作效率相對較高，能夠更為穩定地對姿態變化進行控制。

3 實驗驗證與分析

實驗場區設置在學校的實訓中心飛行實驗區，如圖5所示，地面布設KT板，并標記了半徑10 cm的中心點域。通過3組實驗對以下3項關鍵內容進行了驗證：

(1)通過不同高度連續飛行實驗，驗證互補濾波算法對高度數據融合的效果，證明其有效性。

(2)通過強弱光條件對比實驗，驗證基于全局閾值的迭代閾值計算對環境的適用性。

(3)通過定點懸停實驗，驗證定位系統在水平軸向和垂直軸向對機體控制的穩定性。

3.1 不同高度連續飛行實驗

在實驗場區進行了不同高度連續飛行實驗，飛行高度主要集中在20～160 cm。從圖6可以看出，互補濾波所得到的飛行高度數據，具有加速度計、氣壓計與超聲波三者所得高度各自的優點，平均誤差0.18 cm，能較為準確地反映出無人機的實際高度信息，最大誤差僅0.56 cm，主要出現在加速度值急劇變化的附近，對目標任務整體影響極為有限。

圖6 互補濾波融合處理后的高度波形Fig.6 Height waveform after complementary filtering and fusion

3.2 不同光強下閾值自適應實驗

為比較在不同光強下閾值對目標中心點域(前景)與點域外場區(背景)的分割效果。在背景灰度均值100和30兩種情況下，對前景、背景灰度值及動態閾值的變化進行了實時記錄。由圖7a、b可以看出，兩種條件下動態閾值全部處于目標中心點域灰度值和點域外場區灰度值之間，整體區分效果良好，對兩者均能夠進行有效分割，從而達到了對定位目標點的辨識。在弱光條件下，動態閾值有部分離散采樣數據向背景偏移，但在單次采樣對比時均未發生混雜，未對目標辨識產生實質影響。

3.3 定點懸停實驗

在實驗場區進行了定點懸停實驗，高度設定800 cm，從圖8a中可以看出，飛行器能夠穩定控制在目標高度線上下，平均誤差不超過2 cm，最大誤差5.4 cm。與此同時，從圖8b中可以看出，在水平軸向上，飛行器能夠被控制在目標中心點半徑20 cm圓域內，表現出了良好的定點懸停特性。

圖7 強弱光條件下動態閾值變化曲線Fig.7 Dynamic threshold curve under strong and weak light condition

圖8 定點懸停實驗水平與垂直軸向數據變化Fig.8 Horizontal and vertical axial data changes in fixed-point hovering experiment

4 結論

針對旋翼無人機定點懸停中存在的視覺模型匹配易受外界環境因素影響、高度噪聲復雜等問題，采用基于迭代算法的自適應閾值的圖像分割算法與互補濾波高度信息噪聲處理，設計了串級PID定點控制器，得到以下結論。

(1)對加速度計、氣壓計、超聲波等多源數據進行了互補濾波與融合處理，實現低通濾波消除高頻振動干擾，同時高通濾波對于去除累積誤差具有明顯效果。

(2)通過迭代算法計算動態閾值，解決了不同光照條件下視覺模型匹配的問題，能夠有效分割圖像邊界。

(3)基于串級PID實現了姿態與油門的解算，形成了多源信息融合的多旋翼無人機室內定位系統，開展了不同高度連續飛行、不同光強下閾值自適應以及定點懸停系列實驗，充分驗證了系統的有效性。