文摘
为了满足无人机运动控制和跟踪控制的要求,提出了一种自适应传感器技术。技术的主要内容是基于自适应传感器的数学模型,通过四元数姿态更新模型,利用非线性态度SVDCK过滤和动态自适应调整因素和其他技术,最后通过仿真实验和分析建立无人机运动控制的研究手段和跟踪控制系统。实验结果表明,横摇角、螺旋角、偏航角和SVDCKF是1.703,1.972,和1.928,分别。通过调整动态自适应因子,attitude-filtering算法减少了错误的态度解决方案,提高了高动态条件下的态度解决方案的鲁棒性。结论。技术研究基于自适应传感器能够满足无人机运动控制和跟踪控制的要求。
1。介绍
在很多应用场景的无人机,目标跟踪是一个非常典型的任务。在目标跟踪过程中,无人机使用它安装传感器,不断观察跟踪目标,可以获得很多的信息目标,然后实现目标识别和精确定位。因此,无人机在战场侦察、目标跟踪具有重要应用价值的地面攻击,城市反恐、海上搜救,受到越来越多的关注(1]。四驱无人机广泛应用于调查、测绘、监视和其他领域由于其小的外观和容易隐藏。在一些特定的情况下,有必要注意无人机的飞行状态,因此,无人机尤为重要的视觉跟踪,以及实现高效的视觉跟踪的挑战在于合理的目标和选择适当的跟踪策略。
由于无人机运动受限的传感器观测的影响范围和复杂的环境条件下,单个无人机通常是不足以实现准确和连续的目标跟踪。因此,需要维护多个无人机目标跟踪的鲁棒性任务,获得更高的目标定位精度。与单无人机目标跟踪相比,multi-UAV合作目标跟踪有两个关键问题。协作的目标状态融合估计,即如何有效地融合目标观测不同无人机获取目标状态的最优估计。轨迹优化决策的合作目标跟踪和观察多个无人机,也就是说,如何协调这些无人机的运动来获得更好的观察目标(目标状态估计的性能优化)(2]。因此,目前,国内外学者进行了大量的研究这两个关键问题上的合作目标跟踪多个无人机。无人机技术的快速发展,已逐渐被应用于航空摄影、航空检测、地理测绘,电力线路检查、人员搜索、快递、海上搜救、农业植物保护、环境监测等领域。无人机技术的迅速发展,自动跟踪和着陆动态目标的无人机已经成为许多研究者的一个关键问题。
随着现代科学技术的迅速发展,无人机技术广泛应用于测量、地质、气象、植物保护、检查和监控,和其他领域,无人机的应用+产业方兴未艾(3]。无人机信息技术的快速发展,轻量级和小型任务负载技术、卫星通信技术、复合材料结构技术,高效空气动力学技术,新能源和高效发电技术、光集成技术和小型传感器和数据处理系统,和起飞和着陆技术,无人机的性能得到了不断的改进。功能继续扩大,各种类型的无人机继续出现,应用领域越来越广泛。
2。文献综述
目前,无人机姿态计算算法主要包括互补滤波,卡尔曼滤波等等。其中,互补滤波依赖于频率之间的互补特征传感器和传感器数据融合计算标题。无人机技术广泛应用于当今社会。无人机具有低成本的特点,效率高、机动、灵活、实时、高分辨率,操作简单,图像分辨率高,小受地形因素的影响。外面可以适应复杂的环境,和具有良好的可控性的飞行路线在空中测量,可以根据实际需要设置。作为一个航空物联网设备,无人机具有许多不同的特征从低轨道卫星和地面网络。无人机的路径损耗较低,非常有利于在物联网无线传输,因为它按需部署在悬停模式(4]。然而,过度的依赖手机物联网在地面基础设施是不利于部署物联网在偏远地区和灾区。相比之下,无人机可以灵活地快速响应远程操作和控制,可以快速部署物联网没有地面基础设施,和无人机空中优势和获得更好的视线联系,有利于充分接近物联网设备发送信息。因此,无人机可以快速满足各种业务需求,如提供数据卸载无线通信继电器和边缘计算热点报道灾难和偏远地区以及军事行动。无人机航空摄影结合可见光摄像机,红外热成像仪、高光谱成像仪、激光雷达和图像传输设备由无人机,和飞机与实时图像传输技术传输高清图片和完整的图像信息处理的控制区域。无人机(UAV)的帮助下无线控制技术和过程控制设备运行应用程序,使用前规划过程实现自动操作智能车辆有最先进的视觉系统和传感器系统,可以在一个稳定的悬停飞行,自动返回障碍感知和辅助功能,适应不同的场景,可以携带指定部分(5]。
解决上述问题,为了满足无人机运动控制和跟踪控制的要求,提出了一种自适应传感器技术。技术的主要内容是基于自适应传感器的数学模型,通过四元数姿态更新模型,利用非线性态度SVDCK过滤和动态自适应调整因素和其他技术,最后通过仿真实验和分析建立无人机运动控制的研究手段和跟踪控制系统。对小型无人机(UAV)条件下的复杂的飞行导航位置的计算精度和鲁棒性问题,提出了一种动态自适应调整的奇异值体积导航姿态估计的卡尔曼滤波算法,考虑到低成本航空公司的姿态传感器随机,大偏差的问题,导航位置传感器随机偏差估计参数和消除随机误差传感器的影响6]。
3所示。研究方法
3.1。自适应传感器数学模型
3.1.1。四元数姿态更新模型
在无人机捷联式的态度表示方法,单位四元数通常是用于快速计算的态度更新和刚体变换,如下面所示:
的公式,是真正的一个四元数的一部分,四元数的虚部,是转动轴。连续四元数乘法操作可以定义如下:
在公式(2)和(3),四元数乘法操作符是一个可逆的四元数 ,和四元数的正交原理必须满足
摘要单位四元数是用来更新无人机的态度,四元数微分方程的态度解决了一阶皮卡德的替代方法,并给出离散模型(7,8]。
态度计算依赖于测量使用低成本的态度从态度传感器传感器,主要包括陀螺仪、加速度计和磁力计。这些传感器连接到重心的小型无人机的身体,和三轴传感器相互正交的理想条件下(9]。
在实践中无人机姿态模型是一个非线性系统。因此,本文建立了无人机的非线性系统模型的态度在高斯离散状态,如下面所示:
在这个公式是态度状态估计参数,是非线性动态函数,是态度传感器输入参数,是态度观察参数,是观测的非线性函数。其中,和分别是系统动态噪声和观测噪声。假设他们都是零均值高斯白噪声和不相关。
3.1.2。非线性态度SVDCK过滤
对于非线性滤波,位置过滤方法,本文采用精度比EKF与UKF有更好的解决方案。柯列斯基分解的状态协方差矩阵和 是三角矩阵(10]。然而,也有一些使用柯列斯基分解的问题。(1)当柯列斯基分解状态协方差矩阵 , 必须满足正定的财产或对称正定,这限制了范围的价值并导致不稳定的态度解决方案(2)状态协方差矩阵可能成为一个稀疏矩阵的操作期间attitude-filtering算法,它破坏了柯列斯基分解的要求
因此,本文运用奇异值分解)取代柯列斯基的分解,这样状态协方差矩阵如图可以克服上述问题1。
3.1.3。动态自适应调节因子
无人机在不同飞行条件下的三轴加速度计的加速度将大大改变,特别是一些有害加速度或异常测量值可能影响加速度的值(11]。无人机飞行过程中,身体抖动和动荡也会使加速度值不确定。因此,基于传感器的噪声方差的自适应调整,动态自适应调整因素是旨在提高加速度计的噪声方差。无人机的飞行条件,分为静态条件下,低动态条件下,高动态条件。图2动态自适应SVDCKF过滤器的框图,在动态加速度的因素可以被定义为以下: (1)静态条件:在无人机起飞前,飞行状态水平地面上可以认为是在静态条件。此时,三轴加速度只是受到当地的重力加速度和身体的轻微震动。由于使用低成本惯性设备,设备本身很有传感器噪声(12](2)在低动态条件下:无人机是受身体抖动和气流扰动在飞行过程中,传播加速计和加速度产生有害的。这些有害加速度污染三轴加速度值,然后将导致失败的无人机姿态计算(13](3)在高动态条件下,无人机可以在飞行被一些不好的因素,如大风、动荡和鸟类。这些突然和巨大的变化都将导致无法使用三轴加速度
3.1.4。关键技术
无人机飞自优化控制的关键技术在复杂环境中集成了先进的信息技术、通讯技术、控制技术、传感器技术和系统集成技术。传统PID智能控制的飞行控制系统优化利用现代人工智能控制技术和大量的分析和融合的飞行情况下数据14]。
复杂的环境指的是复杂的地理环境,复杂的气象环境、复杂的电磁环境,复杂的场景,各种复杂的无人机平台模型。(1)非线性自适应可变参数控制算法,故障自我诊断,控制律重构提出了解决无人机轨迹的精确控制和导航的问题点在复杂的环境。整个过程控制策略控制过程和控制算法,提出了无人机从起飞到着陆,实现智能、准确自动控制无人机在复杂的环境中15](2)基于试点方法后,人工势场法、虚拟结构方法,和基于行为的方法,最优估计滤波器和垂直高阶控制回路是由集成多传感器信息在不同的任务要求和飞机类型条件下。精确的合作控制和避碰问题的多个飞机编队已经解决了,,宽合作的无人机编队飞行空域与实现远距离和大速度(16]
3.2。仿真实验
3.2.1之上。实验平台和分析
本文实验平台是用于收集无人机姿态传感器数据,包括MPU6500的惯性测量单元和HMC5893磁强计。在实验中,旋翼无人机被用来收集传感器数据的态度在静态和动态条件下,固定翼无人机是用于收集传感器数据的态度在高动态条件下(17]。
为了更好地验证attitude-filtering提出算法的性能,传感器数据收集的态度是用于分析该算法的仿真软件,与EKF算法和位置的态度过滤(18]。
图3描述了无人机的变异在静态条件下的三轴加速度。与卡尔曼滤波器和位置相比,提出的错误态度aeropose-filtering算法是最小的。由于在静态条件下三轴加速度的变化相对稳定,测量噪声没有影响aeropose的准确性。在这种情况下,精确的非线性态度模型和高维非线性attitude-filtering算法将影响导航精度的解决方案(19]。摘要13-dimensional态度估计模型和高维奇异值容积卡尔曼滤波器的设计是为了改善态度过滤的准确性和减少一些不确定因素的干扰。
图4描述了无人机的变化在低动态条件下的三轴加速度。在低动态条件下,EKF滤波的态度态度是最大的错误,主要是因为EKF介绍舍入误差的一阶截断描述非线性态度模型,然后传送到的态度解决方案和放大的错误态度解决方案(20.]。虽然态度计算位置误差小于的卡尔曼滤波器,将干扰三轴加速度的测量值低动态飞行过程中一些不确定因素。在这个时候,加速度噪声将会不断变化。位置无法消除这些干扰带来的影响,因为恒定加速度噪声方差。因此,本文设计了动态自适应调整因素,通过加速度噪声方差是不断地调整,以减少错误的态度。
图5描述了无人机的变异在高动态条件下的三轴加速度。在低动态条件下,固定翼无人机用于本文收集传感器数据在高动态飞行条件下的态度。与rotor-wing无人机相比,固定翼无人机飞行速度更快,更灵活的机动。EKF的态度的态度错误过滤40年代后急剧变化。这是因为,在高动态条件下,航行的态度模型的非线性程度增强,从而导致越来越大的舍入误差引起的卡尔曼滤波器阶截断。在高动态条件下,SVDCKF动态自适应调整因素有更好的处理效果比位置加速度测量噪声,这消除了nonacceleration对态度的影响计算,提高了计算精度。
4所示。解释的结果
摘要SVDCKF非线性attitude-filtering算法与动态自适应调整因素。以小型无人机(UAV)为研究对象,无人机在飞行的姿态计算需求进行了分析和设计,使无人机姿态计算的准确性和鲁棒性。态度态度与其他算法相比,提出算法具有以下优点:(1)非线性的态度态度状态设计的系统模型,并随机错误的陀螺仪加速度计和磁强计作为状态估计参数,消除随机误差的影响传感器的准确性的态度的态度解决方案(2)针对无人机的非线性问题的态度模型和状态协方差矩阵负的明确的问题在过滤过程中,奇异值分解是用来取代柯列斯基的分解,然后结合容积卡尔曼滤波,非线性模型的态度处理改善的准确性的态度解决方案(21]。(3)一个动态自适应调整因素是为了处理加速度测量噪声的方差,提高了鲁棒性和免疫的态度过滤
表1提供的平均绝对误差标准差和均方根误差的卡尔曼滤波器,位置,SVDCKF态度的准确性高动态条件下无人机。从表可以看出1SVDCKF卷角的值是1.703,1.972螺距角,偏航角是1.928。通过调整动态自适应因子,该算法可以减少态度计算的误差,提高高动态条件下姿态计算的鲁棒性。
5。结论
解决上述问题,为了满足无人机运动控制和跟踪控制的要求,提出了一种自适应传感器技术。技术的主要内容是基于自适应传感器的数学模型,通过四元数姿态更新模型,利用非线性态度SVDCK过滤和动态自适应调整因素和其他技术,最后通过仿真实验和分析建立无人机运动控制的研究手段和跟踪控制系统。考虑到影响态度的三轴加速度传感器的无人机姿态计算在不同飞行条件下,动态自适应因子提出了基于自适应滤波的思想,不断调整加速度测量的噪声方差,提高了鲁棒性的态度在复杂条件下过滤。针对无人机的非线性问题的态度模型和状态协方差矩阵负的明确的问题在过滤过程中,奇异值分解用于取代柯列斯基分解,然后结合容积卡尔曼滤波,非线性的态度模型进行了分析。处理改善姿态计算的准确性,实验结果表明,该算法不仅有效地改善了非线性姿态模型的准确性,满足小型无人机的飞行要求但也消除了随机偏差的影响态度的传感器和态度上的三轴加速度测量的噪音解决方案,并提高了算法的鲁棒性和免疫。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。