基于多傳感器的無人機(jī)位置估計(jì)算法

齊曉軒 尹強(qiáng) 李玉炫

摘要：針對(duì)單一傳感器無法準(zhǔn)確地估計(jì)無人機(jī)空間位置的問題，提出了一種基于多傳感器信息融合的位置估計(jì)算法。該算法采用多元信息融合方法，利用一類通用的微傳感器，例如加速度傳感器、氣壓傳感器的測(cè)量信息進(jìn)行積分估計(jì)無人機(jī)當(dāng)前位置，引入GPS信息實(shí)時(shí)修正位置估計(jì)值，從而得到相對(duì)準(zhǔn)確的位置估計(jì)值。通過仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性，并進(jìn)行了實(shí)物飛行測(cè)試實(shí)驗(yàn)。仿真結(jié)果表明，加入信息融合算法后對(duì)四旋翼無人機(jī)的控制精度提高了約60%。

關(guān)鍵詞：位置估計(jì)；信息融合；傳感器；GPS

中圖分類號(hào)：TP212.9文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2022）14-58-5

0引言

隨著低成本、高性能微處理器和微傳感器系統(tǒng)的普及，四旋翼無人機(jī)的研究也受到了國內(nèi)外研究機(jī)構(gòu)的廣泛關(guān)注[1]。由于四旋翼無人機(jī)復(fù)雜的系統(tǒng)模型與多變量耦合的特性，使得四旋翼無人機(jī)的位姿控制一直是研究熱點(diǎn)與難題。為了實(shí)現(xiàn)高精度的位置控制，需要準(zhǔn)確地獲取四旋翼無人機(jī)運(yùn)動(dòng)狀態(tài)與空間位置信息。傳統(tǒng)的位置估計(jì)算法往往通過單一傳感器獲取無人機(jī)的運(yùn)動(dòng)狀態(tài)，同時(shí)引入卡爾曼濾波等算法實(shí)時(shí)估計(jì)無人機(jī)的空間位置信息[2]。其使用的傳感器主要包括3類：MEMS（Micro Electro Mechanical System）加速度傳感器、氣壓傳感器和GPS。然而，這三類傳感器存在固有的缺陷，單一的傳感器信號(hào)無法準(zhǔn)確地估計(jì)出無人機(jī)的空間位置，因此需要信息融合算法融合這3類傳感器信號(hào)，達(dá)到位置估計(jì)更精確、控制精度更佳的目的。

近年來，針對(duì)這3類傳感器的信號(hào)融合問題，國內(nèi)外學(xué)者已經(jīng)有了一些研究成果。文獻(xiàn)[3-4]分析了MEMS加速度傳感器信號(hào)的特點(diǎn)，總結(jié)了影響傳感器信號(hào)的各種干擾因素，其中包括工作環(huán)境、生產(chǎn)加工工藝等內(nèi)外因素。文獻(xiàn)[5-6]提出了GPS信號(hào)傳輸?shù)臏笮?，這種滯后性大大影響了無人機(jī)的位置估計(jì)精度。文獻(xiàn)[7-8]使用了一種基于卡爾曼濾波的信息融合算法，融合了加速度傳感器與GPS采集的信息進(jìn)行位置估計(jì)，文中實(shí)驗(yàn)表明，該位置估計(jì)算法相較于使用單一加速度傳感器進(jìn)行的位置估計(jì)值隨機(jī)噪聲較低，從而使得控制精度提高。而文獻(xiàn)[9]使用一種SPKF（Sigma-Point Kalman Filters）算法，彌補(bǔ)了卡爾曼濾波的不足，在進(jìn)行2種傳感器信息融合的過程時(shí)表現(xiàn)出了更好的效果。文中實(shí)驗(yàn)表明，相比于卡爾曼濾波算法，該SPKF算法減少了30%的位置估計(jì)誤差。為了應(yīng)對(duì)這種問題，本文設(shè)計(jì)了一種普適性更高的信息融合算法，相對(duì)于卡爾曼濾波算法迭代簡(jiǎn)單、計(jì)算量低，能夠更好地應(yīng)用到實(shí)際工程中。該算法將實(shí)時(shí)獲得的加速度信息進(jìn)行補(bǔ)償修正，利用修正后的加速度信息進(jìn)行積分估計(jì)無人機(jī)速度，再積分求得位置估計(jì)值。這種積分估計(jì)方法計(jì)算量較低，適用于各類微控制器。

1無人機(jī)坐標(biāo)系統(tǒng)建立

四旋翼無人機(jī)的控制在世界范圍內(nèi)得到了廣泛的研究，利用GPS，IMU等一類的傳感器進(jìn)行位姿估計(jì)或自主導(dǎo)航，而這些研究的基礎(chǔ)是無人機(jī)坐標(biāo)系統(tǒng)的建立，本文建立的無人機(jī)坐標(biāo)系模型如圖1所示。

以上主要描述了位置估計(jì)算法流程，GPS采集經(jīng)緯度信息經(jīng)過上文數(shù)據(jù)轉(zhuǎn)換與坐標(biāo)系統(tǒng)轉(zhuǎn)換得到當(dāng)前無人機(jī)在慣性坐標(biāo)系下的水平位置。對(duì)于無人機(jī)的高度位置估計(jì)，只需將當(dāng)前的氣壓計(jì)信號(hào)測(cè)量值傳輸至雙通道位置修正環(huán)中，即可得到高度位置估計(jì)值。

綜上，本算法將加速度計(jì)通道、GPS通道與氣壓計(jì)通道進(jìn)行互補(bǔ)修正，將彼此的測(cè)量值與對(duì)方前一時(shí)刻的測(cè)量值作差得到偏差估計(jì)量，并反饋至各自通道中完成互補(bǔ)修正，從而提高無人機(jī)系統(tǒng)對(duì)當(dāng)前位置估計(jì)的精確度。

4實(shí)驗(yàn)驗(yàn)證與分析

為了驗(yàn)證本文算法的有效性，仿真了3組實(shí)驗(yàn)，算法1僅僅通過加速度計(jì)積分進(jìn)行位置估計(jì)。算法2引入加速度計(jì)通道修正環(huán)和，調(diào)節(jié)比例系數(shù)和。算法3采用雙通道修正，將加速度計(jì)通道與GPS通道的偏差量反饋至主回路，調(diào)節(jié)各修正環(huán)的比例系數(shù)和，以及反饋回路的積分系數(shù)和。實(shí)驗(yàn)結(jié)果如圖6所示。

仿真實(shí)驗(yàn)結(jié)果表明，當(dāng)加速度計(jì)在沒有修正環(huán)修正時(shí)，位置估計(jì)量會(huì)隨著時(shí)間的累積呈指數(shù)形式增加，驗(yàn)證了上文中偏差量累積公式推導(dǎo)的真實(shí)性。如圖6所示，當(dāng)加入單通道修正環(huán)時(shí)，通過調(diào)節(jié)比例系數(shù)將抑制位置估計(jì)的偏差量發(fā)散，然而僅僅依靠單通道的比例調(diào)節(jié)算法難以消除位置估計(jì)的穩(wěn)態(tài)誤差。當(dāng)引入GPS雙通道積分修正項(xiàng)時(shí)，不僅能夠抑制累積誤差的發(fā)散情況，而且在一定程度上能夠降低穩(wěn)態(tài)誤差。同時(shí)，單通道的收斂速度要小于雙通道的收斂速度。

為了進(jìn)一步驗(yàn)證算法在實(shí)際應(yīng)用的有效性。本文應(yīng)用MPU9250慣性傳感器獲取加速度信息以及通過內(nèi)部BMP280芯片獲取氣壓信息，利用GPS定位接收模塊獲取GPS經(jīng)緯度信息。本文應(yīng)用上述傳感器搭建四旋翼無人機(jī)進(jìn)行了飛行測(cè)試實(shí)驗(yàn)。給定無人機(jī)在空間中的飛行目標(biāo)軌跡，并分為加入本文算法前后2組位置估計(jì)算法進(jìn)行飛行，實(shí)驗(yàn)結(jié)果如圖7～圖9所示。

由于數(shù)據(jù)量較大，在飛行結(jié)束后以相同的時(shí)間周期各提取了400個(gè)位置估計(jì)數(shù)據(jù)。由圖7～圖9中實(shí)驗(yàn)數(shù)據(jù)可知，加入算法前的高度估計(jì)波動(dòng)幅值約為1 m，加入算法后高度估計(jì)波動(dòng)幅值約為0.4 m，控制精度提高了大約60%。加入算法前的水平位置估計(jì)波動(dòng)幅值約為1.2 m，加入算法后高度估計(jì)波動(dòng)幅值約為0.5 m，控制精度提高了大約58%。實(shí)驗(yàn)證明了在加入本文算法之后抓取無人機(jī)的控制精度有所提高。

5結(jié)束語

本文設(shè)計(jì)了一種基于多傳感器的信息融合算法，解決無人機(jī)空間位置估計(jì)不準(zhǔn)確的問題。該算法將IMU作為主通道，氣壓計(jì)、GPS作為副通道進(jìn)行主副通道雙向修正的方法降低位置估計(jì)偏差值。本文通過仿真實(shí)驗(yàn)證明，該算法在單通道修正時(shí)能夠成功抑制加速度傳感器的累積誤差使估計(jì)值收斂，在雙通道修正時(shí)能夠大大降低穩(wěn)態(tài)誤差。最后為了進(jìn)一步證明該算法的有效性，通過飛行測(cè)試驗(yàn)證了加入本文算法后對(duì)四旋翼無人機(jī)在，，軸方向上的控制精度提高了大約60%。

參考文獻(xiàn)

[1]王成，楊杰，姚輝，等.四旋翼無人機(jī)飛行控制算法綜述[J].電光與控制，2018，25（12）：53-58.

[2] MAHONY R，KUMAR V，CORKE P. Multirotor Aerial Vehicles：Modeling，Estimation，and Control of Quadrotor[J]. IEEE Robotics & Automation Magazine，2012，19（3）：20-32.

[3]李榮冰，劉建業(yè)，段方，等.MEMS-INS微型飛行器姿態(tài)確定系統(tǒng)的實(shí)現(xiàn)研究[J].應(yīng)用科學(xué)學(xué)報(bào)，2006（6）：618-622.

[4]劉軍，袁俊，蔡駿宇，等.基于GPS/INS和線控轉(zhuǎn)向的農(nóng)業(yè)機(jī)械自動(dòng)駕駛系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（1）：46-53.

[5]蔡磊，牛小驥，張?zhí)嵘?，?MEMS慣導(dǎo)在旋翼飛行器中導(dǎo)航性能的實(shí)驗(yàn)分析[J].傳感技術(shù)學(xué)報(bào)，2016，29（5）：711-715.

[6]楊波，王躍鋼，徐洪濤.高速飛行環(huán)境下衛(wèi)星導(dǎo)航信息滯后補(bǔ)償方法[J].中國慣性技術(shù)學(xué)報(bào)，2011，19（3）：293-297.

[7] MAMMARELLA M，CAMPA G，NAPOLITANO M R，et al. Machine Vision/ GPS Integration Using EKF for the UAV Aerial Refueling Problem[J].IEEE Transactions on Systems，Man，and Cybernetics，Part C：Applications and Reviews，2008，38（6）：791-801.

[8]羅棟，何國民，劉俊景.基于回路反饋法修正的四旋翼位置估計(jì)算法研究[J].山東工業(yè)技術(shù)，2019（4）：168.

[9] OH S M，JOHNSON E N. Development of UAV Navigation System Based on Unscented Kalman Filter[C]//AIAA Guidance，Navigation，and Control Conference and Exhibit. Keystone：AIAA，2006：6763-6783.

[10]唐婭娟，王晶，所玉君，等.無人機(jī)改進(jìn)導(dǎo)航定位方法設(shè)計(jì)[J].科技與創(chuàng)新，2017（4）：23-25.