基于多傳感器融合的無人機(jī)三維狀態(tài)估計

王琦 王偉 楊溢 南京信息工程大學(xué) 自動化學(xué)院

引言

2020年爆發(fā)的新冠肺炎可以算的上是整個人類面臨的挑戰(zhàn)，在這場“戰(zhàn)疫”中涌現(xiàn)出許多具有奉獻(xiàn)精神逆行者。同樣在這此挑戰(zhàn)面前，無人機(jī)也更進(jìn)一步的進(jìn)入了大眾的視野。從正常存在于百米高空的空曠區(qū)域飛行至熙熙攘攘鬧市街頭，無人機(jī)空投喊話已經(jīng)成為現(xiàn)實，為這一特殊時期的治安管理等方面做出了不小的貢獻(xiàn)。同樣的，對于公共場所的消毒，使用植保類無人機(jī)裝載消毒液即可完成任務(wù)，在這樣的高危環(huán)境下，使用無人機(jī)替代人工作業(yè)很大程度上保護(hù)了工作人員的安全。對于無人機(jī)行業(yè)來說，這次天災(zāi)給無人機(jī)帶來的不僅僅是機(jī)遇，其實也更是一次挑戰(zhàn)。

無人機(jī)從空曠、無人的高空環(huán)境到擁擠復(fù)雜的街頭，除了要考慮環(huán)境對各個傳感器干擾外，還需要考慮無人機(jī)飛行時的安全問題。這就要求無人機(jī)系統(tǒng)具有較強(qiáng)的穩(wěn)定性，能應(yīng)對傳感器如GPS之類的信號丟失等功能。目前在無GPS環(huán)境下實現(xiàn)位置估計以及導(dǎo)航一般使用激光雷達(dá)與IMU融合或者視覺相機(jī)與IMU融合的方案。但在大多數(shù)情況下，在無GPS環(huán)境下光線不是很充足，而視覺導(dǎo)航對環(huán)境的可見度是有要求的，在室內(nèi)特別是光線比較昏暗的條件下使用視覺相機(jī)可能無法取得較理想的效果，甚至?xí)?dǎo)致無法進(jìn)行定位以及導(dǎo)航，具有較大的安全隱患。

針對這一情況，本文旨在采用低成本的二維激光雷達(dá)傳感器完成可以滿足上述要求的狀態(tài)估計系統(tǒng)，為后續(xù)的二次功能開發(fā)打好基礎(chǔ)。

1 簡介

本系統(tǒng)使用自主研發(fā)的飛控，結(jié)合IMU，GPS，地磁計，光流，定高雷達(dá)以及激光雷達(dá)傳感器，實現(xiàn)對在室內(nèi)環(huán)境下無人機(jī)的位置，速度以及姿態(tài)進(jìn)行估計。整套系統(tǒng)搭載在四旋翼無人機(jī)上，各模塊之間采用Can通信的形式。圖1即為本文的實驗平臺。

圖1 四旋翼無人機(jī)平臺

對于室內(nèi)環(huán)境下，采用基于圖優(yōu)化的激光slam算法完成對無人機(jī)的定位以及地圖的構(gòu)建，結(jié)合IMU與光流模塊，使用擴(kuò)展卡爾曼濾波器融合出無人機(jī)機(jī)體坐標(biāo)系下的xy方向的速度信息，采用簡易融合的方式，結(jié)合氣壓計以及定高雷達(dá)傳感器獲取高度信息；在室外環(huán)境下，則使用GPS傳感器，結(jié)合IMU模塊與氣壓計推算出無人機(jī)實時的經(jīng)緯度，速度以及高度信息。

2 姿態(tài)估計框架

結(jié)合上文所述，本文所提出的多傳感器融合的狀態(tài)估計結(jié)構(gòu)如圖2所示：

圖2 狀態(tài)估計框架

由圖2可知，IMU作為核心傳感器經(jīng)過坐標(biāo)系轉(zhuǎn)換后經(jīng)過積分后為EKF的預(yù)測部分；光流以及GPS可以提供速度信息，GPS與激光雷達(dá)可以提供位置信息，定高雷達(dá)與氣壓計可以提供高度信息，這些傳感器的數(shù)據(jù)經(jīng)過卡方檢測以保證數(shù)據(jù)的有效性，經(jīng)過坐標(biāo)轉(zhuǎn)換后作為EKF的觀測部分，經(jīng)過EKF融合之后，生成的結(jié)果即為所求。具體的，在室內(nèi)條件下使用的融合框架為：通過機(jī)體坐標(biāo)系下的IMU的加速度數(shù)據(jù)積分后與光流的速度數(shù)據(jù)進(jìn)行融合，高度方向由IMU的加速度數(shù)據(jù)的二次積分與氣壓計和定高雷達(dá)數(shù)據(jù)進(jìn)行融合，判斷無人機(jī)處于移動或者靜止?fàn)顟B(tài)來切換氣壓計或者定高雷達(dá)作為觀測值；在室外條件下，水平方向上，使用IMU的xy軸加速度數(shù)據(jù)與GPS的速度數(shù)據(jù)進(jìn)行融合，具體為將機(jī)體坐標(biāo)系下的xy軸的加速度轉(zhuǎn)換到NED坐標(biāo)系下，作為卡爾曼濾波器的輸入，GPS測量的數(shù)據(jù)信息則為觀測值，經(jīng)過卡爾曼濾波器后輸出的結(jié)果即為無人機(jī)控制系統(tǒng)所使用的無人機(jī)當(dāng)前的速度值。

3 融合算法

從創(chuàng)建到現(xiàn)在的半個世紀(jì)之中，卡爾曼濾波(KF)理論目前已經(jīng)廣泛應(yīng)用于無人機(jī)的狀態(tài)估計之中。到目前為止仍然是最有效的估計算法之一。但是在實際使用的當(dāng)中，大多數(shù)系統(tǒng)都屬于非線性系統(tǒng)。如本文中使用的無人機(jī)系統(tǒng)就是一個典型的非線性系統(tǒng)。很多研究人員提出了各種的近似估計方法，考慮到所使用的硬件條件的限制，本文選擇使用EKF來進(jìn)行傳感器數(shù)據(jù)的融合。

系統(tǒng)的預(yù)測方程如下：

在本文當(dāng)中，狀態(tài)量 x=[α,β,γ,p,v,bgyro,bacc]；其中α,β,γ表示無人機(jī)的滾轉(zhuǎn)角，俯仰角以及偏航角，p=[px,py,pz]表示無人機(jī)的在NED坐標(biāo)系下的位置信息，v=[vx,vy,vz]表示無人機(jī)在NED坐標(biāo)系下的速度信息，bgyro,bacc分別表示陀螺儀以及加速度計的偏移量；w_k為高斯白噪聲。

系統(tǒng)的矯正方程如下：

在這項研究中，在室內(nèi)環(huán)境下的估計是基于激光雷達(dá)完成的，其測量值為相對距離。在室外環(huán)境下的估計是基于GPS傳感器完成的，其測量值為絕對距離。

4 實驗數(shù)據(jù)及分析

本論文采用的實驗方案為：無人機(jī)從室外環(huán)境起飛后懸停，之后通過飛手操作直線飛進(jìn)室內(nèi)環(huán)境，觀察此時無人機(jī)是否能在無人工干預(yù)的情況下保持定點懸停，觀察這期間無人機(jī)的狀態(tài)變化，主要觀察無人機(jī)姿態(tài)角的變化以及由GPS速度到光流傳感器的速度切換是否會出現(xiàn)跳變。

實驗數(shù)據(jù)表明，在整個飛行過程中，滾轉(zhuǎn)角以及偏航角方向基本沒有變化，飛機(jī)機(jī)體坐標(biāo)系y軸方向的速度也在±0.1范圍之內(nèi)變動，基本保持不變，經(jīng)過融合后的速度信息與實際飛行的速度信息基本一致。在實際飛行過程中，GPS信號斷開后，位置融合使用的數(shù)據(jù)源由GPS傳感器切換至光流傳感器，此時y軸方向的融合出的速度與實際測量值的誤差較GPS條件下的誤差要稍微大一點。導(dǎo)致這種現(xiàn)象的原因主要為光流傳感器的測量值不夠精確導(dǎo)致，但在GPS有效時的速度信息切換至室內(nèi)光流速度信息時，整個估計系統(tǒng)并未發(fā)生較明顯的數(shù)據(jù)跳變，整體上滿足使用要求，因此，通過實驗可知本文所述的狀態(tài)估計方法為實際可行的。

5 結(jié)束語

本文以四旋翼無人機(jī)系統(tǒng)為例，通過搭載各傳感器進(jìn)行數(shù)據(jù)融合實現(xiàn)在室內(nèi)室外條件下無人機(jī)實時狀態(tài)的估計。首先介紹了姿態(tài)估計的框架，其次介紹融合所使用的算法，最后通過室內(nèi)以及室外實際飛行試驗驗證算法的有效性。本系統(tǒng)目前已經(jīng)經(jīng)過無人機(jī)多個架次的實際飛行測試，對于室內(nèi)無人機(jī)的定位與導(dǎo)航具有重要意義，更為無人機(jī)系統(tǒng)的二次開發(fā)打好基礎(chǔ)。