基于模糊预测的INS/视觉无人机自主着陆导航算法

针对 INS/ 视觉无人机自主着陆导航中,由于视觉观测数据具有不确定性噪声及数据更新周期长等原因,易导致卡尔曼滤波估计精度低、实时性差的问题,设计了一种基于模糊预测的INS/ 视觉无人机自主着陆导航算法。首先,利用三角模糊数对视觉观测数据进行处理,减小视觉观测噪声和解算误差的不利影响。然后,在卡尔曼滤波状态方程更新时,采用模糊预测同步预测视觉观测数据,得到无人机高精度姿态信息的同时提高无人机位姿估计的实时性。最后,自主搭建了基于STM32的低成本INS/ 视觉四旋翼无人机自主着陆实验平台,实测飞行着陆结果验证了本文所设计的无人机自主着陆算法可有效避免观测数据存在观测噪声与解算误差,在提高无人机位姿估计精度的同时保证了实时性。     

基于视觉引导的无人机自动着陆控制方法

由于无人机定位导航精度低，导致传统无人机自动着陆控制方法存在控制效果不佳的问题，为此提出基于视觉引导的无人机自动着陆控制方法。分别从无人机运动和飞行环境两个方面，构建数学模型，在该模型下，利用视觉引导技术通过实时图像采集、处理、目标检测、距离测量等步骤，规划自动着陆轨迹。设计并安装无人机自主着陆控制器，进而实现无人机的自动着陆控制。实验结果表明，应用设计方法能够沿着规划路线实现精准着陆，控制误差较小，由此证明设计方法的控制效果良好。     

四轴飞行器视觉组合导航系统设计与实现

为实现四轴飞行器的自主飞行,设计了该视觉导航系统;采用基于ARM处理器的飞行控制器和导航控制器的双CPU结构,提高了系统的运行速度;飞行控制部分采用四元数解算姿态,运用经典的PID控制设计了X、Y、Z三个轴的PID控制器进行整个系统的飞行控制;导航部分采用不敏卡尔曼滤波(UKF)融合惯导位置和视觉位置,从而给出载体最优位置,提高导航精度;实验结果表明,基于图像和惯性导航的视觉组合导航方式可使导航精度保持在0.5m内,同时整个系统具有较好的快速性和稳定性。     

基于对应线标定的无人机着陆位姿确定算法

为提高无人机着陆阶段导航信息的自主性,研究了一种基于对应线标定的单目视觉位姿测量方法,以独立确定固定翼无人机在着陆时的姿态和相对着陆点的位置。首先,建立了机载摄像机的运动和投影模型;然后,利用着陆场上任意3条已知自然直线特征,依据对应线标定法建立关于无人机姿态和相对位置的约束方程,以进行无人机姿态和相对位置的解算;最后,进行了地面静态模拟实验,实验结果表明:姿态角误差控制在3°内,位置误差控制在3%内,可以满足某型无人机着陆阶段对导航信息的要求,并且,该方法充分利用了着陆场自然直线特征,贴近实战需要。     

一种空间曲线轨迹跟踪的无人机自适应导航控制算法

随着固定翼无人机飞行任务复杂化,为了实现高精度的空间曲线导航控制,基于L1-Navigation非线性导航控制算法,设计自适应模糊控制器优化固定翼无人机跟踪空间曲线导航控制方法。以球面上的空间八字曲线为例,对八字曲线建模,通过坐标转换求得目标航点位置来计算无人机飞行加速度。为了优化加速度控制无人机跟踪空间曲线性能,在L1-Navigation导航控制器中,针对增益系数设计一个双输入单输出模糊控制系统,以轨迹误差和轨迹误差变化率为输入量,以计算横向加速度的增益系数常数为输出量。最后,在Ardupilot飞控中进行飞行模拟实验,飞行实验表明,所提出方法能够精确跟踪空间曲线路径,并且有很好的自适应性。     

扩展卡尔曼滤波在组合导航中的应用

松组合导航中,采用组合导航系统(SINS)误差作为状态量,用SINS解算的位置和速度与全球定位系统(GPS)测量的位置速度之差作为量测信息.为了提高组合导航的精度在松组合导航中应用扩展卡尔曼(EKF)滤波算法,通过仿真对载体轨迹的速度、姿态、位置进行跟踪.仿真结果表明:在仿真进入8 min之后系统进入稳态,能准确跟踪载体.因此,采用基于EKF的非线性滤波能有效跟踪载体的位置、速度和姿态.     

IMU/GPS/DCM组合导航系统全组合算法研究

通过分析姿态组合算法中平台误差角与姿态误差角物理意义的不同,推导并得到了二者之间的转换关系;利用联邦滤波技术,设计了弹载IMU/GPS/DCM组合导航系统,其中IMU为战术级捷联式惯导系统,GPS为普通民用级;仿真结果表明在元器件精度很低的情况下,使用文中的算法及系统设计依然可以实现高精度导航;组合导航系统的姿态误差角可控制在10角分左右,位置精度在3 m以内,具有较高的实际应用价值。     

基于气动参数调节的无人机抗扰动控制算法

无人机飞行受到气动阻尼扰动,从而导致控制稳定性不好。当前采用翼型截面气动参数调节的方法进行无人机抗扰控制,以扭角以及振动方向等参数为约束指标,参数调节的模糊度较大,对气动姿态参数调节的稳定性不好。文中提出基于气动参数调节的无人机抗扰动控制算法。该算法根据无人机的飞行工况构建各阶模态对应的气弹耦合方程,在速度坐标系、体坐标系、弹道坐标系三维坐标系下构建无人机的飞行动力学和运动学模型;采用卡尔曼滤波方法实现对无人机飞行参数的融合调节和小扰动抑制处理,并采用末端位置参考模型进行无人机飞行轨迹的空间规划设计;在卡尔曼滤波预估模型中实现对动力学模型的线性化处理,采用气弹模态参数识别方法进行无人机的飞行扰动调节;将姿态控制作为内环,获得位置环状态反馈调节参数;以无人机的升力系数和扭力系数作为气动惯性参数进行飞行姿态的稳定性调节,从而实现无人机抗扰动控制律的优化设计。采集飞机的俯仰角、横滚角和航向角作为原始数据在Matlab中进行仿真分析,仿真结果表明,采用所提方法进行无人机抗扰动控制的稳定性较好,对气动参数进行在线估计的准确性较高,航向角误差降低12.4%,抗扰动能力提升8dB,收敛时间比传统方法缩短0.14 s,无人机飞行的抗扰动性和飞行稳定性得到提高。所提方法在无人机飞行控制中具有很好的应用价值。     

一种面向移动平台的无人机自主降落控制方法

准确获取无人机的位姿信息是顺利执行无人机自主导航、着陆的首要前提。由于GPS/INS导航系统的局限性和IMU惯性导航系统的误差,提出了一种基于视觉导航的方法。设计了"H"形图像的着陆标志,对机载摄像机采集的实时影像进行图像处理,利用世界坐标系到图像像素坐标系的映射关系得到基于视觉的无人机位姿估计模型,进而解算无人机当前的位姿估计值。上述方法提高了无人机的着陆安全性。仿真结果验证了算法的有效性和位态信息的精确度。     

基于视觉的四旋翼无人机自主定位与控制系统

针对GPS(global positioning system)信号缺失环境下无人机(UAV)自主飞行控制问题,设计了一种基于视觉的自主定位与控制方法.首先通过增加特征点提取数量和优化关键帧存储来对传统视觉SLAM(simultaneous localization and mapping)算法进行改进,提高了算法的鲁棒性与通用性.其次,引入光流传感器作为视觉SLAM地图丢失情况下辅助位置信息测量单元,提高无人机飞行控制的安全性,并成功地克服视觉SLAM图像丢失问题和光流法存在的位置漂移问题.然后采用EKF(extended Kalman filter)融合无人机位置和3维加速度信息,得到了较为精确的位置信息,同时提高了信号输出频率.最后,利用上述方法获取的无人机位置信息设计PID(proportion integration differentiation)和RISE(robust integral of the signum of the error)非线性控制器,增加了算法的鲁棒性.为验证该控制策略的有效性,搭建了四旋翼无人机视觉控制系统实验平台.该平台采用嵌入式控制系统架构,使用机载计算机运行所提算法,避免了图像及控制命令在无线传输过程中引起的时间延迟和信号干扰.室外飞行实验表明,此控制方案实现了自主定位与飞行控制功能.     

基于深度学习的无人机飞行轨迹及地质勘测研究

为了对无人机的飞行轨迹及地质灾害勘测进行研究,首先基于深度学习、无人机等相关理论,对无人机飞行高度、图像分辨率以及地质勘测所消耗时间三者之间的关系进行分析;其次将卷积神经网络模型应用于地质勘测图像精度研究中;最后引入Sigmoid算法对无人机的飞行轨迹进行分析。结果表明：无人机的飞行高度与图像分辨率成反比、与地质勘测所用时间成正比。在同一高度、不同控制点的情况下,卷积神经网络模型能够缩小数据的点位误差以及高程误差,并且随着控制点的增多,精确度也会越来越高。将Sigmoid算法引入无人机的姿态控制以及速度控制中,能够将姿态控制的误差限制在-0.5~1之间,速度控制误差限制在-0.3~0.3之间,可见不管是卷积神经网络模型还是Sigmoid算法都对无人机的发展具有优化作用。因此,深度学习下飞行轨迹规划以及地质灾害勘测,对无人机的快速发展具有很大的参考意义。     

无人机低空滑翔抗攻击突防控制律优化设计

为了提高无人机的低空滑翔抗攻击突防和控制能力,提出一种基于快速模型预测的无人机低空滑翔抗攻击突防控制技术。采用融合传感识别技术进行无人机的姿态和位置参数信息采集,分析无人机的低空滑翔控制的物理环境参数模型,构建无人机飞行轨迹地图模型,使用标准卡尔曼滤波器进行无人机低空滑翔抗攻击突防控制信息的融合处理,根据信息融合结果进行控制指令设计。采用动态基元轨迹跟踪方法,得到无人机低空突防控制的滑模面,在有限Morrey空间内采用串联弹性驱动控制方法求得在控制约束参量分布模型的最优解。根据无人机低空突防段的初始位姿参数进行快速模型预测和飞行轨迹跟踪,实现低空滑翔抗攻击突防控制。仿真结果表明,采用该方法进行无人机低空滑翔抗攻击突防控制的精度较高,无人机的姿态参数的自适应调节性能较好。     

Indoor UAV Control Using Multi-Camera Visual Feedback

This paper presents the control of an indoor unmanned aerial vehicle (UAV) using multi-camera visual feedback. For the autonomous flight of the indoor UAV, instead of using onboard sensor information, visual feedback concept is employed by the development of an indoor flight test-bed. The indoor test-bed consists of four major components: the multi-camera system, ground computer, onboard color marker set, and quad-rotor UAV. Since the onboard markers are attached to the pre-defined location, position and attitude of the UAV can be estimated by marker detection algorithm and triangulation method. Additionally, this study introduces a filter algorithm to obtain the full 6-degree of freedom (DOF) pose estimation including velocities and angular rates. The filter algorithm also enhances the performance of the vision system by making up for the weakness of low cost cameras such as poor resolution and large noise. Moreover, for the pose estimation of multiple vehicles, data association algorithm using the geometric relation between cameras is proposed in this paper. The control system is designed based on the classical proportional-integral-derivative (PID) control, which uses the position, velocity and attitude from the vision system and the angular rate from the rate gyro sensor. This paper concludes with both ground and flight test results illustrating the performance and properties of the proposed indoor flight test-bed and the control system using the multi-camera visual feedback.     

无人机滑降着陆控制系统设计

针对滑跑型无人机回收阶段对下滑角跟踪以及触地时姿态角的高要求,设计了一种无人机滑降着陆控制方式。首先,给出了滑降控制系统结构图,在此基础上分别进行了滑降横侧向控制器和滑降纵向控制器的设计,具体进行了直线航迹和圆航迹的控制方法以及下滑段的高度控制量算法的分析。然后,进行了滑降着陆控制模式设计,将滑降过程分解为降高、平飞、下滑以及拉平四个阶段分别进行设计,并在拉平阶段给出了俯偏航距仰角控制量与离地高度的关键技术公式。仿真结果表明,该无人机滑降着陆控制系统平飞段偏航距小于5m,接地时偏航距约为0m;平飞段高度跟踪误差为0m,下滑段高度跟踪误差2m;落地姿态角为0.4度。具有高度控制误差小、偏航距离短、落地姿态角安全性高的优点,能满足滑跑无人机对滑降阶段的控制要求。     

基于双目视觉的无人飞行器目标跟踪与定位

针对小型无人飞行器跟踪目标的问题,提出了一种基于双目视觉和Camshift算法的无人飞行器目标跟踪以及定位算法。双目相机得到的左右图像通过Camshift算法处理可得到目标中心特征点,对目标中心特征点进行三维重建,得到机体坐标系下无人飞行器与目标间的相对位置和偏航角,应用卡尔曼滤波算法对测量值进行了优化,将所得估计值作为飞行控制系统的反馈输入值,实现了无人飞行器自主跟踪飞行。结果表明所提算法误差较小,具有较高的稳定性与精确性。     

改进PID的无人机飞行姿态角控制消颤算法

无人机在整个纵平面飞行过程中,由于飞行姿态角的大幅度变化以及气流的作用,导致机身颤抖,影响飞行稳定性.提出一种基于PID变结构控制的无人机飞行姿态角控制消颤算法,首先进行了无人机飞行姿态角控制系统的被控对象参量分析,构建无人机在姿态角变化剧烈、大迎角飞行时的三通道模型,采用变结构控制方法进行控制器设计.结合小扰动原理和Lyapunov稳定性原理进行扰动抑制和稳定性证明,采用梯度算法调整权值进行飞行姿态角控制的消颤处理,采用自适应算法在线调整权值实现PID变结构控制改进.仿真结果表明:采用该算法进行无人机飞行姿态角控制和消颤处理,大幅度提高无人机飞行定姿的精度,横滚角、俯仰角和航向角的控制精度有较大提高,稳定性和收敛性较好,确保了无人机飞行稳定性.     

基于AFKF的多旋翼无人机组合导航技术研究

目前旋翼无人机组合导航系统大都使用扩展卡尔曼滤波算法,然而由于导航系统建模误差和传感器测量精度的影响,导航信息解算误差较大。为了改善旋翼无人机的飞行控制效果,应用自适应渐消卡尔曼滤波（Adaptive fading Kalman filter,AFKF）进行旋翼无人机组合导航解算,算法通过实时计算遗忘因子,对过去的数据权重进行削减,以提高扩展卡尔曼滤波算法的自适应能力。应用旋翼无人机真实飞行数据进行仿真,仿真结果表明,自适应渐消卡尔曼滤波算法能够有效抑制建模误差,弥补传感器测量精度不足,改善旋翼无人机组合导航解算结果。