英语原文共 5 页
基于人工视觉的四轴无人机自动导航、降落和充电
摘要：本文提出了一种针对无人机短续航时间和自主飞行问题的解决方法。该系统通过完全板载的一套基于人工视觉的解决方案，实现了在室内外环境下使用降落平台的自动起飞、导航、降落和充电。该平台包含了一个能够被动补偿无人机降落误差的对准系统。得益于小而分立的电气连接，该系统的精巧设计能够在不大幅改变无人机硬件结构的情况下减少成本、增加安全性。视觉算法能够快速而准确地测量出无人机相对于降落平台上视觉目标的相对位置。与此同时，算法也能计算并切换到独立于视觉目标的估计位置，以确保在导航或追踪目标失败时，仍然有位置信息输入到无人机控制系统。控制系统负责不同的飞行任务（电机开/关、起飞、导航、降落等），并确保了降落在降落平台上时的误差小于5cm（xy轴）。运行在ROS环境下的软件具有模块化的特点，并提供了I/O接口以接受命令或发送数据。
- 概述
无人机（UAV）的自主飞行仍是在任何情境下都悬而未决的一个问题。相较于机器人在陆地上导航的无人载具（UGV），无人机需要时刻面对重力作用和外部扰动，例如阵风。四旋翼飞行器快速且本质上不稳定的动态特性需要至少两个控制层以确保完整的自主飞行。内部控制层利用板载惯性测量单元（IMU）和线性/非线性控制器来保证无人机在高度上的稳定。外部控制层使用了一个类似的控制系统以及能够分辨与目标相对位置的传感器来保证无人机在空间中位置的稳定。大多数无人机配备了全球定位系统（GPS）来实现在户外情境下的自主飞行。由于室内区域信号不足、估计位置精度低、传感器的更新速度慢，GPS不能提供室内飞行或特别精确的动作需要的对于无人机位置精准而快速的测量。本研究着眼于一个能够完成基于视觉的自主导航、降落、电池充电的系统研发。该系统在室内外情境下都可以工作，且只使用板载传感器，所以不需要外部传感器或者计算单元。这项工作是作为欧洲项目R3-COP（弹性推理机器人协作系统）[1]的演示者开发的，涉及在任务期间与无人地面车辆的合作。
二、系统配置
用于实现该系统的无人机是Ascending Technology制造的四旋翼飞行器：Asctec Pelican。无人机的精密设计允许安装最大有效载荷为650g的不同类型的传感器和处理单元。在最大有效载荷下，使用6Ah锂电池将无人机的续航时间为12-14分钟。尽管可以使用8Ah的锂电池，但是这会显著减少无人机留给最终硬件配置的有效载荷。该无人机集成了一个高度控制器，搭配遥控器可以到手即飞。集成的GPS模块用于室外环境完整的自动飞行，包括起飞、导航和着陆。该系统无法在室内或没有GPS信号的环境中自主执行这些任务，并且会受到GPS测量精度的限制，因为GPS在近地面或者有天花板存在的情况下误差甚至可能达到6米。
板载的微控制器Asctec Autopilot包括两个不同的ARM7处理器。低级处理器通过使用闭源硬件来管理IMU测量和姿态控制器的数据融合。高级处理器可由用户自由编程。姿态控制器基于PD控制器，该控制器使用来自数据融合的相同速率的姿态数据以1kHz工作。电机及其控制器专门设计成可以在高频率下工作。
无人机上搭载了一台板载计算机：Asctec Mastermind，该电脑核心为Intel Core2Duo SL9400（双核1.86GHz）具有4GB RAM。该平台为所有开发的算法提供必要的计算能力，以实现基于完全自主视觉的飞行。采集图像的相机是Matrix Vision BlueFox MLC200wC，分辨率为752x480像素，最大采集速率为90Hz。相机使用了一颗焦距为2.8mm的镜头，这确保了无人机靠近地面时也能有良好的视野。无人机还配备了Maxbotix XL-MaxSonar-EZ MB1320超声波传感器，分辨率为1cm，最大更新速率为10Hz。摄像机和超声波都安装在无人机的下部，朝向地面。
无人机安装了螺旋桨防撞圈，以便在硬着陆时提高安全性，并配有脚部延伸模块（具有四个开口的矩形设计），可安装Asctec Mastermind。图1显示安装了除相机和超声波传感器之外的所有模块的无人机。
软件使用C 开发的ROS（Robot Operating System）[2]软件包，使用OpenCV库[3]来处理图像。Asctec Autopilot和ROS之间的接口用于读取传感器数据并将控制命令写入低级姿态控制器（使用ROS协议），由Asctec MAV Framework [4]处理。 这个ROS软件包克服了Asctec Pelican的串行通信速度（在开发这项工作时）的一些限制。Asctec MAV框架提供了为Asctec Pelican专门编写的其他有用功能，但在这项工作中它仅用作ROS和Asctec Autopilot之间的通信层。
- 降落平台
无人机有限的续航能力并不能支持连续的自主飞行。通常情况下更换电池操作由人工来完成，这限制了无人机飞行任务的可能性，例如在闭合路径上持续监视或监察。
该项目开发了一种特殊的降落平台来打破这种限制。降落平台不仅提供了一个安全的着陆场所，而且还为无人机电池充电延长了任务时间。选择电池充电系统而不是电池更换系统[5][6]，以减少平台的开发时间，成本和复杂性。它基于安装在平台和无人机上的滑环，分别连接到电池充电器和无人机电池。系统使用了一种被动对准系统，以减小滑环的尺寸，最大限度地降低了暴露电子元件带来的风险。该平台将无人机降落在一个特定的位置，滑环的尺寸很小，可以纠正着陆错误。出于上述原因，系统选择使用选择依靠重力的被动对准系统而不是主动式对准系统（具有致动器）。着陆平台最初在3D CAD环境中建模。Asctec Pelican基础框架已经以1：1的比例建模，并已用于验证平台的各种版本的想法。最终的被动对准系统（如图2所示）有四个倒置的空心锥。
我们的设想是：当无人机降落时，其四个特殊设计的起落架落在锥形坑中，重力作用则会将无人机起落架拉向锥形坑中心。因此，该降落平台能够被动修正的最大降落误差完全取决于锥形坑的半径。在锥形坑半径固定的情况下，其深度直接影响其内表面倾斜程度，从而使得起落架在坑内滑动的概率变大或变小。半径和深度都会影响该降落平台的表现。由于起落架要在锥形坑内表面上滑动，所以锥形坑的尺寸直接关系到起落架的形状。由几何关系推到可得，无人机起落架的四脚会构成一个正方形，而正方形边长的一半即为锥形坑的半径。起落架的高度应等于或者稍大于锥形坑深度，以避免降落时无人机机体与降落平台表面发生接触甚至碰撞。使用2D数学模型可以找到对于有固定半径锥形坑的降落平台能够补偿的最大降落误差。总的来讲，当无人机降落时，相较于理性情况下起落架刚好落在锥形坑中心，必然会存在由于平移或者旋转或者二者同时作用引起的降落误差。
为了模拟一次更常见、更具有代表性的降落，模型中无人机起落架脚会在理想位置上乘以旋转平移矩阵（该矩阵定义了平移和旋转误差）以检查其起落架是否仍然位于各自应在的锥形坑内。在这种情况下降落平台补偿了降落误差，被动的将无人机引导至理想降落位置。表I总结了所获得的结果，其对准系统锥形坑半径为10cm，在平移误差（沿两个轴）中以1厘米的步长示出了最大允许旋转误差（该表也可以反过来读）。图3显示了5cm平移误差（沿X轴和Y轴）和10°旋转误差（起落架脚结构半径为0.5cm）的图形表示。最初的Asctec Pelican平面底座，带有脚延伸部分（在图1的底部可见），不适用于我们的对准系统。出于这个原因，我们设计了一个新的起落架脚。我们没有重新设计一个新的底座，而是增加了一个额外的支脚，使它们可以安装在原始的Asctec脚部延伸部分上，并且无需任何改动。图4显示了新设计的起落架脚，它能够在锥形坑内表面上滑动，而不会使得无人机机体与降落平台表面发生碰撞。拱形设计扩大了机架尺寸（因此可以使用更大的锥形半径，可以补偿更大的着陆误差），在突然着陆的情况下更好的应对冲击。
为了减小每个起落架脚的重量，其外侧部分被设计成中空，并且移除了一些不必要的材料填充；其内侧部分则钻孔，以方便布线。起落架的最上部两个螺丝孔之间被打空，不仅减少了重量，而且在无人机硬着陆的情况下会断裂以抵消对无人机主结构的冲击。
对使用10cm半径锥形坑能够补偿的最大沿XY轴降落误差的分析表明，通常能够完成降落的平移、旋转误差为沿XY轴最大5cm和10°偏离东南西北方向。这对于最终无人机控制器要达到的降落误差来说是一个较好的范围。虽然使用更大的对准系统能够提供更宽的降落误差范围，但是同时降落平台和无人机起落架尺寸也需要同时扩大。原版Asctec Pelican机架起落架构成了一个边长为大概15.5cm的正方形，也确实能够通过图4所示的结构轻松拓展到能够构成一个边长为20cm的正方形。5cm深的锥形坑内表面倾斜角约为27°，当起落架脚与其接触时（接触面半径约为0.5cm），无人机可以在可能的降落位置上完美地滑落到锥形坑中。基于上述原因，起落架延展部分采用了最低能够接受的长度（5cm）。图4展示了最终重7g的起落架脚；图5则展示了最终安装在机架上的起落架脚，以及尺寸为60*60*7cm的降落平台的3D模型。充电系统所使用的滑环则安装在两个倒置锥体的底部，并连接到一个锂电池充电器。无人机起落架脚上有两个触点，均连接到其锂电池。图4所示的起落架脚采用3D打印的方式制作，并以图1中的方式安装到无人机上。连接到电池两级的滑环安装在了前部的两个起落架脚上，并且同时使用保险丝来避免短路带来的风险。图6展示了用作展示机的安装了所有部件的无人机右侧。图7中所示的实际着陆平台中的锥形坑也是使用3D打印机制作的，它们将无人机连接到LiPo电池充电器，最大充电电流为20A，可以对我们的电池进行快速3C充电（6000mAh，最大充电3C）。四个滑环中只有两个连接到电池充电器。
- 着陆视觉系统
最终设计完成的着陆平台有着以下限制：无人机降落时相对于降落平台中心的平移误差必须保持在沿XY轴5cm以内，且旋转误差不能超过10°。为了补偿无人机快速的动态特性并同时引导无人机准确降落，导航控制器必须快速准确地计算出无人机相对于降落平台的姿态。不论是在室内还是在室外，对于无人机姿态的测算必须在每种情况下都可靠。考虑到上述原因，系统使用了一套视觉算法，搭配安装在降落平台上的视觉标志，以快速而准确地测算出无人机的姿态。
如图2所示，着陆标志被设计成能够最佳填充降落平台上平面空间的形状。不论在高空或是低空，着陆标志都必须能够被清晰地识别出来，因此着陆标志采用了如图7所示的冗余设计。当无人机位于高空时，外层图案能够提供更加精确的识别；而内层图案在高空和低空时均可以被无人机拍摄到。该着陆目标能够协助估计无人机姿态的6个自由度。着陆标志外层圆圈能够协助估测无人机三维位置、无人机横滚角和俯仰角；外层三角形能够协助估测无人机航向角。表2总结了着陆标志的几何参数。安装在无人机下侧的摄像头采用Matrix Vision BlueFox MLC200wC，方向朝向地面，拍摄到的画面由视觉算法进行处理。该算法使用了C 编译的专用ROS包，同时也使用了OpenCV库。为了达到最好的效果，每一张图片都进行了最少并且有效的操作。图8展示了估计无人机自由度所使用的不同操作。
ROS环境的开发者在环境内部继承了一个驱动，该驱动可以被用来获取图片；同时，获取到的图片数据会被转换为ROS数据格式。摄像头被配置为可以在不同曝光环境下（这一点对于从室内到室外的变化非常重要）自动调整曝光时间（上限为11111微秒）以在最大数据传输速率（90Hz）下获得8bit灰度图片（mono8）。
该系统采用了一套特别开发的计算效率较高的阈值算法，能够实时提供准确的二值化结果。由于无人机需要在室内外情境下、不同环境条件下进行着陆，所以阈值算法采用了自适应设计。系统所采用的算法基于Weillner开发的自适应阈值算法。在Weillner开发的自适应算法中，一幅图片一次只会被分析一行上的每个像素，并计算这一行上已经被分析的前S个像素的平均值，若一个像素至少比其前S个像素平均值暗T%，则该像素在转换为二值图后为黑色；其他情况则为白色。记pn为第n个像素的亮度，gn为前S个像素的平均亮度，则其相对应的第n个像素在二值图中的值O为：
公式1
其中0表示像素为黑色，1表示像素为白色。由于算法结果受到像素移动读取方向的影响，故在该系统中建议交替使用从左到右、从右到左的读取方式，同时并在算法中使用上一行的像素来计算前S个像素的平均值。若使用hn代替上述公式中的gn，可以得到：
公式2
其中w是每行像素个数（图片宽度）。这个公式的含义即为，在计算平均亮度时，第n个像素的亮度使用该像素和其上方像素的平均值替代。为了提高计算性能，作者建议使用迭代移动平均公式而不是精确公式。在我们的算法中，精确的移动平均计算已经被指数移动平均线提供的近似值所取代，可以写成：
公式3
其中alpha;是值位于0到1之间的遗忘因子。在我们的算法中alpha;=1/S。上述Wellner算法此时已经可以提供一个较好的二值化结果，但是却不能达到我们的要求。板载Asctec Mastermind（Intel Core2Duo SL9400）执行二值化操作需要8.97ms，考虑到图8所示的操作集，这可能在执行时间内产生溢出。
我们的要求是处理器能够在11.11ms（90Hz）时间内处理好相机采集到的图片（分辨率752*480）。在Wellner算法中，大部分时间花在了乘除运算浮点数上。为了提高算法的效率，可以在已知S和T的情况下对可能的操作进行缓冲。因为像素点的亮度范围为0-255，所以使用近似到十位数字再进行运算可以得到非常好的效果。这是使用仅用于在线的总和或用作索引的整数差（移位以避免负索引）来完成存储在程序初始化时完成的所有计算的缓冲区。这样一来，程序运行所需要的时间和S、T就无关了，只与输入的图片尺寸有关系。若使用我们的算法，平均下来每张图片的处理时间降
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
