多源多層的融合自適應(yīng)加權(quán)積分旋翼無人機(jī)測高算法

黃 鶴,謝飛宇,王會峰,王 珺,楊 瀾,茹 鋒

(1.長安大學(xué) 西安市智慧高速公路信息融合與控制重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710064;2.長安大學(xué) 電子與控制工程學(xué)院,陜西 西安 710064;3.長安大學(xué)信息工程學(xué)院,陜西西安 710064)

無人航行器技術(shù)已獲得快速發(fā)展[1],無人航行器通過攜帶多傳感器對外界數(shù)據(jù)進(jìn)行采集,利用智能算法進(jìn)行自主決策,進(jìn)而完成所需任務(wù)。其中,測高技術(shù)是無人機(jī)(Unmanned Aerial Vehicle,UAV)智能檢測的重要環(huán)節(jié),在空域較大的情況下,要使旋翼無人機(jī)穩(wěn)定完成低空區(qū)域的自主巡航和懸停定位,需要高精度的測高技術(shù)做保證。傳感器系統(tǒng)為無人機(jī)測高提供數(shù)據(jù)支持,一般包括GPS、無線電高度表、氣壓高度計(jì)和加速度計(jì)等[2]。選擇更優(yōu)的融合估計(jì)算法是多傳感器融合效果更佳的關(guān)鍵[3-5],現(xiàn)有融合估計(jì)算法可分為兩類。一類方法是針對觀測信息中的噪聲誤差,建立適合工程需求的系統(tǒng)誤差參數(shù)模型,采用矢量擴(kuò)維的方法直接轉(zhuǎn)化為標(biāo)準(zhǔn)形式下的狀態(tài)融合估計(jì)問題[6]。這類方法過度依賴關(guān)聯(lián)概率分布、先驗(yàn)概率分布、噪聲強(qiáng)度等先驗(yàn)知識,在實(shí)際的無人機(jī)測高過程中,由于環(huán)境影響未知,因此不可行。另一類方法是通過挖掘數(shù)據(jù)之間的可靠性信息,確定融合估計(jì)權(quán)重[7]。但是隨著測量次數(shù)的增加,數(shù)據(jù)量有所增加,新數(shù)據(jù)會不可避免地受到陳舊信息的影響逐漸失去修正能力,融合估計(jì)效果較差。針對以上方法的不足,在測量誤差無先驗(yàn)信息的情況下,本文提出了一種基于相關(guān)認(rèn)知支持度的多傳感器融合自適應(yīng)加權(quán)積分算法,并設(shè)計(jì)了多源多層信息融合旋翼無人機(jī)測高算法,克服了現(xiàn)有測高算法需要運(yùn)用陳舊信息的局限性。在融合加權(quán)后使用自適應(yīng)互補(bǔ)濾波方法,無需過多的先驗(yàn)知識和噪聲特性,相對于卡爾曼濾波方法,在精度和穩(wěn)定性方面都有較大提升。

本文所使用的無人機(jī)測高系統(tǒng)的結(jié)構(gòu)如圖1所示,算法過程可分為3步:

圖1 無人機(jī)測高系統(tǒng)的結(jié)構(gòu)Fig.1 Structure of UAV altimetry system

(1)利用搭載多傳感器的無人機(jī)系統(tǒng)采集不同時(shí)刻氣壓計(jì)和GPS的數(shù)據(jù),設(shè)計(jì)相關(guān)認(rèn)知支持度對數(shù)據(jù)進(jìn)行預(yù)處理,將某些傳感器發(fā)生故障或由環(huán)境因素產(chǎn)生較大偏差的測量數(shù)據(jù)去除掉;

(2)設(shè)計(jì)融合加權(quán)算法對每一時(shí)刻數(shù)據(jù)的權(quán)值運(yùn)算得到初步的測高結(jié)果;

(3)設(shè)計(jì)輔助測高模塊,采用加速度計(jì)傳感器組建自適應(yīng)濾波模型,進(jìn)一步減弱干擾噪聲,提高無人機(jī)測高數(shù)據(jù)的精度和可靠性。

1 基于相關(guān)認(rèn)知支持度的一致性度量

假設(shè)多傳感器系統(tǒng)包括m個(gè)相互獨(dú)立的傳感器,對靜止或漸變參數(shù)直接測量,測量方程可表示為

若ri(k)越大,則在k時(shí)刻,第i個(gè)傳感器與其他傳感器對真值X的認(rèn)知程度越高;若ri(k)越小,則在k時(shí)刻,第i個(gè)傳感器與其他傳感器對真值X的認(rèn)知程度越低。隨著測量次數(shù)和時(shí)間k的變化,通過ri(k)來判斷第i個(gè)傳感器的可靠性。

2 多源多層融合自適應(yīng)加權(quán)積分測高算法

2.1 融合自適應(yīng)加權(quán)的總體框架

旋翼無人機(jī)測高模型由兩層信息融合算法組成,其總體框圖如圖2所示。我們提出的基于相關(guān)認(rèn)知支持度的多源多層數(shù)據(jù)融合加權(quán)積分算法為第一子層。自適應(yīng)互補(bǔ)濾波為第二子層[8]。

圖2 融合自適應(yīng)加權(quán)積分算法的總體框圖Fig.2 Overall block diagram of fusion adaptive weighted integration algorithm

在正常情況下,無人機(jī)在高空懸停測高時(shí),GPS和氣壓計(jì)測量數(shù)據(jù)所受到噪聲的影響都不大,基本會保持在真實(shí)高度值附近輕微波動,數(shù)據(jù)穩(wěn)定。而加速度計(jì)的測量數(shù)據(jù)噪聲較小,對其經(jīng)過兩次積分,就可以基本轉(zhuǎn)化為真實(shí)情況下的高度。但長時(shí)間的積分會累積誤差,造成積分漂移。結(jié)合3個(gè)傳感器各自的特點(diǎn),需將GPS和氣壓計(jì)的測量數(shù)據(jù)進(jìn)行一次加權(quán)融合,再與加速度計(jì)的測量數(shù)據(jù)進(jìn)行二次數(shù)據(jù)融合作為輔助測高。在工作時(shí)間比較長時(shí),融合加權(quán)GPS和氣壓計(jì)的數(shù)據(jù)結(jié)果,不斷修正加速度計(jì)中累計(jì)的積分值,有效解決漂移現(xiàn)象導(dǎo)致的積分誤差。在噪聲較大的情況下,會不可避免地出現(xiàn)尖銳的毛刺,為了將這些毛刺徹底濾除,設(shè)計(jì)了自適應(yīng)互補(bǔ)濾波作為第二層數(shù)據(jù)融合。這樣既實(shí)現(xiàn)了無先驗(yàn)條件下的無人機(jī)測高,又避免了測量時(shí)間累加帶來的積分漂移,具有良好的測高效果。

2.2 多源數(shù)據(jù)加權(quán)積分融合算法

在第一層融合中,針對測高時(shí)多種傳感器、噪聲統(tǒng)計(jì)特性的不確定,設(shè)計(jì)了一種基于相關(guān)認(rèn)知支持度的多源數(shù)據(jù)加權(quán)積分融合算法。首先,利用一致性檢驗(yàn)理論對所有傳感器測量數(shù)據(jù)進(jìn)行預(yù)處理,去除多傳感器系統(tǒng)中受某些傳感器故障或環(huán)境因素影響產(chǎn)生的較大偏差的測量數(shù)據(jù),然后將各個(gè)傳感器在不同時(shí)刻與之前相鄰時(shí)刻的測量值進(jìn)行融合,利用時(shí)間遞推理論估計(jì)得到第一次融合結(jié)果。這樣可以消除由于單個(gè)傳感器在實(shí)際工程中測量的不確定性,提高測量結(jié)果的準(zhǔn)確性。第一層融合的過程如圖3所示。

圖3 第一層融合的框圖Fig.3 Block diagram of the first layer fusion

若全部利用一致性序列ri(k)的信息,前一時(shí)刻的權(quán)重結(jié)果將影響后一時(shí)刻的權(quán)值分配,這會造成大量陳舊信息的累積。同時(shí),前一時(shí)刻數(shù)據(jù)出錯也會影響后一時(shí)刻數(shù)據(jù)預(yù)測的準(zhǔn)確性,導(dǎo)致數(shù)據(jù)出現(xiàn)整體錯誤。對于無人機(jī)測高算法來說,當(dāng)前時(shí)刻傳感器獲得的高度測量數(shù)據(jù)所包含的信息,比過去時(shí)刻所包含的信息價(jià)值更大。而多源數(shù)據(jù)加權(quán)積分融合應(yīng)使得當(dāng)前測量數(shù)據(jù)的信息利用程度最大化、最優(yōu)化,盡可能發(fā)揮當(dāng)前時(shí)刻數(shù)據(jù)的優(yōu)勢。本文對于多源數(shù)據(jù)加權(quán)積分融合算法中的權(quán)重取值,只考慮當(dāng)前k時(shí)刻的ri(k)以及k-1時(shí)刻的ri(k-1),完全可以避免k-1時(shí)刻之前的陳舊信息的干擾。

考慮k時(shí)刻第i個(gè)傳感器的一致性度量ri(k)所占的比重對融合結(jié)果的影響,取k和k-1時(shí)刻的一致性度量ri(k)和ri(k-1)的平均值作為當(dāng)前時(shí)刻融合的均值權(quán)重Wj(k),公式如下:

可以看出,整個(gè)融合算法權(quán)重的選取完全來自傳感器網(wǎng)絡(luò)測量數(shù)據(jù)本身,避免了主觀選擇融合參數(shù)所帶來的不確定性,具有良好的自我調(diào)節(jié)能力。

2.3 第二層融合

在第二層融合中設(shè)計(jì)了自適應(yīng)互補(bǔ)濾波方法,如圖4所示。加速度計(jì)的數(shù)據(jù)能夠?qū)y高起到較好的輔助作用。同時(shí),長時(shí)間工作時(shí),GPS和氣壓計(jì)測量融合數(shù)據(jù)能夠把加速度計(jì)積分值導(dǎo)致的誤差不斷修正,可以有效解決積分漂移的問題。

圖4 第二層融合的框圖Fig.4 Block diagram of the second layer fusion

3 實(shí)驗(yàn)結(jié)果

實(shí)際上,在懸停過程中,允許四旋翼無人機(jī)有水平方向的細(xì)微側(cè)滑調(diào)整。在不失通用性的前提下,構(gòu)建了以下試驗(yàn)環(huán)境,如圖5所示。數(shù)據(jù)采集使用F450四旋翼飛行器機(jī)架,搭載MS5611氣壓計(jì)和M8N GPS;飛控設(shè)備使用Pixhawk開源飛控,搭載STM32F427核心處理芯片和STM32F103故障協(xié)同處理芯片。實(shí)驗(yàn)過程中各采集150組不同高度的數(shù)據(jù)進(jìn)行分析。無人機(jī)高度數(shù)據(jù)是在西安市某兩棟高層建筑的頂部獲得的,共采集兩組不同的高度數(shù)據(jù),實(shí)測屋頂天臺相對于地面高度h1為228 m和299 m,h2為2 m和1 m。試驗(yàn)桿豎直固定在屋頂上,連接水平的金屬桿,直接從天臺伸出面向地面。無人機(jī)懸掛在桿下導(dǎo)軌上面對地面可以進(jìn)行橫向滑動,保證相對于地面的準(zhǔn)確高度始終不變。高度融合信息處理的硬件平臺使用Intel Core i7-11800H 2.3 GHz CPU,16 G內(nèi)存的計(jì)算機(jī),通過對試驗(yàn)獲取的高度數(shù)據(jù)進(jìn)行計(jì)算分析,并使用MATLAB R2021a軟件平臺進(jìn)行融合驗(yàn)證,證明了本文方法的有效性。

圖5 測高場景圖Fig.5 Altimetry scene diagram

將MPU6050的三軸微電子機(jī)械系統(tǒng)(Micro-Electro-Mechanical System,MEMS)數(shù)字加速度計(jì)作為本次試驗(yàn)設(shè)備,其校準(zhǔn)首先放置在水平面上,Z軸向下進(jìn)行X,Y軸零位校準(zhǔn),然后以X軸旋轉(zhuǎn)90°再進(jìn)行Z軸零位校準(zhǔn)。加速度計(jì)在靜止?fàn)顟B(tài)下,Zg(在靜止時(shí),Zg為負(fù)數(shù),對應(yīng)的數(shù)據(jù)是重力加速度g)是Z軸上所得到的數(shù)據(jù)。加速度計(jì)測量得到的加速度數(shù)據(jù)、速度數(shù)據(jù)、高度數(shù)據(jù)如圖6～圖8所示,從中可以看出數(shù)據(jù)不夠穩(wěn)定,但誤差較小。由于旋翼無人機(jī)在飛行過程中的震動以及長時(shí)間工作,會導(dǎo)致加速度計(jì)芯片自身的溫度變化,加速度計(jì)傳感器在長時(shí)間測量且沒有其他傳感器對數(shù)據(jù)進(jìn)行修正的情況下,積分不斷累計(jì)會導(dǎo)致漂移現(xiàn)象,因此只能將其作為輔助測高數(shù)據(jù)。

圖6 加速度計(jì)測量的加速度曲線Fig.6 Acceleration curve measured by accelerometer

圖7 加速度計(jì)測量的速度曲線Fig.7 Velocity curve measured by accelerometer

圖8 加速度計(jì)測量的高度曲線Fig.8 Height curve measured by accelerometer

圖9為一致性序列曲線。實(shí)驗(yàn)高度為230 m和300 m的多種方式測高所得的高度曲線如圖10所示,其誤差曲線如圖11所示。根據(jù)仿真結(jié)果,氣壓計(jì)和GPS測量高度曲線存在較大誤差。經(jīng)過融合加權(quán)后,可以看出,獲得的數(shù)據(jù)在實(shí)測高度值上下存在輕微波動,但測量數(shù)據(jù)比較穩(wěn)定,并且高度誤差明顯低于單個(gè)傳感器測得的誤差。經(jīng)過自適應(yīng)互補(bǔ)濾波后,誤差進(jìn)一步減小,精度進(jìn)一步提高。

圖9 一致性序列曲線Fig.9 Consistent sequence curve

圖10 多種方式測高的高度曲線Fig.10 Height curves of height measurement in various ways

由圖11可以看出,從單個(gè)傳感器到融合加權(quán)高度、自適應(yīng)互補(bǔ)濾波的設(shè)計(jì),測得的高度誤差逐漸減小,測量精度和穩(wěn)定性進(jìn)一步提高。本文采用的自適應(yīng)互補(bǔ)濾波方法與文獻(xiàn)[8]的濾波方法相比,在無需任何先驗(yàn)知識的情況下,均方根誤差(Emean)和最大誤差(Emax)都更小,因此該方法速度更快且精度更高、穩(wěn)定性更好,結(jié)果見表1(見第 458頁)。

表1 實(shí)驗(yàn)結(jié)果評價(jià)指標(biāo)Tab.1 Evaluation of experimental results

圖11 多種方式測高的高度誤差曲線Fig.11 Height error curves of height measurement in various ways

為了進(jìn)一步驗(yàn)證實(shí)驗(yàn)效果,將本文的測高系統(tǒng)與自適應(yīng)卡爾曼濾波測高系統(tǒng)、文獻(xiàn)[9]的基于自適應(yīng)S濾波無人機(jī)高度融合估計(jì)系統(tǒng)以及文獻(xiàn)[10]的二步延遲自適應(yīng)時(shí)空融合測高系統(tǒng)進(jìn)行測高的效果對比,具體誤差數(shù)據(jù)見表2(見第 458頁)。圖12(見第 458頁)為各測高系統(tǒng)的誤差曲線對比,結(jié)合表2,可以看出,雖然文獻(xiàn)[10]中的測高方法的精度略低于本文方法,但該方法在測高開始時(shí)有較大的波動,測得結(jié)果不夠穩(wěn)定。而本文系統(tǒng)相對于其他2種測高系統(tǒng)來說,效果明顯更好,誤差更低。

圖12 測高系統(tǒng)的誤差曲線對比Fig.12 Comparison of altimetry system error curves

表2 測高系統(tǒng)誤差數(shù)據(jù)對比Tab.2 Comparison of altimetry system error data

4 結(jié) 語

本文設(shè)計(jì)了一種多源多層融合自適應(yīng)加權(quán)積分旋翼無人機(jī)測高算法,算法包含第一層加權(quán)積分融合和第二層自適應(yīng)互補(bǔ)濾波融合,利用GPS和氣壓計(jì)的測量數(shù)據(jù)對加速度計(jì)的誤差不斷進(jìn)行修復(fù),提高了無人機(jī)的定高精度。系統(tǒng)對于先前經(jīng)驗(yàn)概率分布知識和噪聲特性的要求不高,且無人機(jī)狀態(tài)參數(shù)的測量不同于雷達(dá),數(shù)據(jù)量很小,整個(gè)系統(tǒng)的計(jì)算量不大,應(yīng)用價(jià)值明顯。