基于四軸巡檢無人機(jī)的道路監(jiān)控系統(tǒng)設(shè)計

撒浩杰，齊志媛，周雅雯，高宏偉

（沈陽理工大學(xué) 自動化與電氣工程學(xué)院，遼寧沈陽，110159）

近年來道路中經(jīng)常會出現(xiàn)由于車流量過大而產(chǎn)生交通堵塞的問題。一旦出現(xiàn)緊急突發(fā)情況時需要車輛人員的出動去解決事件，如果這時道路上出現(xiàn)交通堵塞現(xiàn)象，車輛可能無法準(zhǔn)時到達(dá)現(xiàn)場。這就錯使緊急情況無法在第一時間得到解決，進(jìn)而導(dǎo)致無法估量的損失。

Normark Daniel 提到[1]：在上世紀(jì)60 年代，國外為了解決不斷惡化的交通狀況，開始研究并提出了智能交通系統(tǒng)（ITS）該系統(tǒng)，該系統(tǒng)將先進(jìn)信息技術(shù)、通訊技術(shù)、計算機(jī)技術(shù)、傳感技術(shù)、控制技術(shù)等多個技術(shù)融合在一起組成整個交通運輸管理系統(tǒng)。而這項項目被許多發(fā)達(dá)國家爭先恐后地進(jìn)行投資并研究。但由于其具高昂的傳感設(shè)備成本導(dǎo)致無法批量生產(chǎn)并部署與交通道路中，導(dǎo)致信息采集點少，無法動態(tài)地、全局地巡查路況。

近年來，隨著我國國民經(jīng)濟(jì)的發(fā)展，車輛的數(shù)量在日益增加，為了能及時了解路況，我們利用安裝大規(guī)模的攝像頭來形成道路監(jiān)控系統(tǒng)，但由于攝像頭的監(jiān)控范圍受限，導(dǎo)致無法判斷視野盲區(qū)中的路況。

為了解決以上兩個問題，設(shè)計了一款四軸巡檢無人機(jī)的基于道路監(jiān)控系統(tǒng)，相比于傳統(tǒng)的道路監(jiān)控系統(tǒng)它更具有靈活性，能精確選擇視野范圍，用于實時觀察路況，識別道路中的車輛和行人，在出現(xiàn)緊急突發(fā)情況時能判斷路況的好壞，尋找最佳道路，減少車輛在道路中的行駛時間，使突發(fā)事件達(dá)到最佳解決效果。

隨著無人機(jī)技術(shù)[2]的迅速發(fā)展，在姿態(tài)控制和穩(wěn)定性兩方面有了較好的效果，目前無人機(jī)姿態(tài)控制主要是收集陀螺儀數(shù)據(jù)和氣壓計數(shù)據(jù)，通過PID 算法對無人機(jī)實現(xiàn)了定高定點的穩(wěn)定控制，在控制中，要保證陀螺儀和氣壓計數(shù)據(jù)的穩(wěn)定性及反饋的及時性，這樣可以確保無人機(jī)控制效果的穩(wěn)定并做出快速反應(yīng)。目前陀螺儀的數(shù)據(jù)解算主要包括DMP、四元數(shù)[3]和卡爾曼解算[4]。DMP 數(shù)據(jù)雖然穩(wěn)定準(zhǔn)確但耗費時間長；卡爾曼解算雖用時短，但每次只能解算一個軸的數(shù)據(jù)；四元數(shù)解算雖然比卡爾曼解算用時稍多，但是一次可以解算出三軸的數(shù)據(jù)。在無人機(jī)飛行檢測中，由于使用的是微處理器，我們需要將線下訓(xùn)練的模型文件加載到微處理器中，實現(xiàn)線上檢測。知識蒸餾的概念中，通過引入與教師網(wǎng)絡(luò)有關(guān)的軟目標(biāo)作為Total loss 的一部分，以引導(dǎo)學(xué)生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實現(xiàn)知識遷移。

本文主要是通過四元數(shù)解算陀螺儀數(shù)據(jù)并反饋給微處理器后，通過PID 算法對無人機(jī)進(jìn)行姿態(tài)控制，我們利用知識蒸餾模式將航空訓(xùn)練集的大量數(shù)據(jù)進(jìn)行訓(xùn)練，減輕了訓(xùn)練的負(fù)擔(dān)，并簡易地完成了訓(xùn)練目標(biāo)，從而實現(xiàn)無人機(jī)能夠在道路中穩(wěn)定飛行并且實現(xiàn)監(jiān)控功能。

1 系統(tǒng)設(shè)計總體

本系統(tǒng)包含動力系統(tǒng)，ARM，信息采集系統(tǒng)，電源管理這四部分，其中信息采集系統(tǒng)包含攝像頭模塊，GPS 模塊，MPU6050，NRF2401 主要是對信息進(jìn)行采集。在系統(tǒng)中，電源管理模塊主要承擔(dān)動力執(zhí)行單元、智能控制單元的和信息采集系統(tǒng)的供電，使其能正常工作智能控制單元和信息采集單元系統(tǒng)是相互的，ARM 既控制信息采集系統(tǒng)，又能收集它的信息。將收集的信息在ARM 中進(jìn)行處理，將GPS,MPU 數(shù)據(jù)作為控制無人機(jī)姿態(tài)控制PID 的輸入?yún)?shù)，進(jìn)而通過ARM 去控制動力執(zhí)行單元。使其無人機(jī)能正常飛行和定點懸停。通過信息采集單元的攝像頭頭數(shù)據(jù)在ARM進(jìn)行處理并識別。系統(tǒng)框圖如圖1 所示。

圖1 系統(tǒng)框圖

PID[5,6]作為現(xiàn)在最主流的閉環(huán)控制算法，它的的原理簡單，實現(xiàn)方便，適應(yīng)性比較好能快速，準(zhǔn)確的使系統(tǒng)達(dá)到穩(wěn)定狀態(tài)。PID 控制系統(tǒng)框圖如圖2 所示。

圖2 PID 控制系統(tǒng)框圖

四旋翼無人機(jī)[7]應(yīng)用場景日益廣泛。常用于航拍、攝像，農(nóng)業(yè)灌溉等場景。但是由于在飛行過程中受到風(fēng)等一些不可控因素的影響，使得無人機(jī)穩(wěn)定性變差。而PID 可以去解決這個問題。目前PID 主要有兩大種類，增量式PID 和位置式PID。在四軸無人機(jī)中我們需要三個串級PID，去保證姿態(tài)的穩(wěn)定。在串級PID 的外環(huán)的真實值分別IMU 解算三軸PITCH、ROLL、YAW 的角度。用位置式PID 去調(diào)節(jié)。而內(nèi)環(huán)的真實值分別為IMU 三軸的角速度，用增量式去調(diào)節(jié)。

即PID 控制器，連續(xù)的控制方程如式(1)所示：

err(t)為偏差量。

由于ARM 處理是數(shù)字量，所以將控制方程離散化如式(2)所示：

在外環(huán)中u(k)的輸出量為外環(huán)的設(shè)定值。外外環(huán)中u(k)的輸出量為為四個電機(jī)PWM 值。圖3 為四軸姿態(tài)控制串級PID 控制系統(tǒng)框圖。

圖3 四軸姿態(tài)控制串級PID 控制系統(tǒng)框圖

2 系統(tǒng)硬件設(shè)計

2.1 最小系統(tǒng)設(shè)計

最小系統(tǒng)版包含SSD203D 芯片，復(fù)位電路，振蕩電路，SWD 下載這四部分，其 中SSD203D 芯 片，具 有Cortex—A7[8,9]內(nèi)核，其特性和功能如表1 所示。其使用SWD 的下載方式，它的下載速度不僅和JTAG 下載方式一樣，并且調(diào)試的過程中需要的線序很少。其中復(fù)位電路的原理是當(dāng)微處理器（MCU）中RST 引腳收到一個電平信號并且時間大于2μs，即為微處理器（MCU）的復(fù)位，當(dāng)復(fù)位鍵被按下時，這時候電容會處于短路中，同時釋放出所有的電能。振蕩電路主要提供一個8MHz 的晶振。電路的輸入電壓為24V。最小系統(tǒng)的原理圖如圖4 所示。

表1 SSD203D的電氣特性表

表2 參數(shù)對比表

圖4 最小系統(tǒng)原理圖

2.2 電源模塊

在現(xiàn)有的電路中包含線性穩(wěn)壓，電荷泵，開關(guān)電源[10]，其中線性穩(wěn)壓電路具有變換效率較低，尤其是在輸入輸出電壓差較大的情況下。當(dāng)輸出電流較大時，有明顯的發(fā)熱現(xiàn)象，甚至可能燒壞穩(wěn)壓器。該電源具有輸出紋波電壓高、噪聲大、電壓調(diào)整率差的特點，特別是給模擬電路供電時。電荷泵電路很難大功率。電容是串聯(lián)放電，紋波大的弊端。

本電路采用開關(guān)電源DC-DC buck 電路，采用TPS5430DDAR[11]芯片將外接電源24V 將到5V。該芯片具有高電流輸出，最大4A，5.5～36V 高速電壓輸入，高效轉(zhuǎn)換，最大可降至95%，輸出功率1.221V，具有過流保護(hù)和熱關(guān)斷的特點。在電路中輸出如式(3)所示。

即電路中R1=R9，R2=R10。之后將輸出的5V 通過AMS1117 穩(wěn)壓芯片將電路到3.3V。該芯片為低漏失電壓調(diào)節(jié)器，穩(wěn)壓調(diào)節(jié)管由一個管構(gòu)成，漏損電壓的定義如式(4)。

提供電流限制和熱保護(hù)，以防環(huán)境溫度造成過高的結(jié)晶。電路C10 和C8 為輸出濾波電容器，作用為抑制自激振蕩。如果這兩個電容斷開，線性調(diào)節(jié)器的輸出通常是振蕩波形。C7 和C9 是輸入電容。對于交流電壓整流輸入，它們的首要作用是將單向脈動電壓轉(zhuǎn)換成DC 電壓。在這個圖中，輸入已經(jīng)是5V 的DC電源，它們的作用是防止斷電后電壓反轉(zhuǎn)，所以輸入電容的容量往往大于輸出電容的容量。原理圖如圖5所示。

圖5 降壓電路圖

2.3 GPS

GPS 采用ATGM336H 模塊，此模塊支持北斗/GPS/GLONASS 衛(wèi)星系統(tǒng)，并可以3.3V 和5V 供電。板載可充電電子，可加速熱啟動搜星過程。其默認(rèn)波特率為9600，可自行設(shè)置。具有高靈敏度、低功耗、低成本的特點。其電路圖如圖6 所示。

圖6 GPS 電路圖

2.4 MPU6050

MPU6050 是一個六軸傳感器，采用I2C 獲取原始數(shù)據(jù)加速度和角速度。自帶1024 字節(jié)的FIFO,有助于降低系統(tǒng)功耗。I2C 通信高達(dá)400kHz。去除加速度與陀螺儀軸之間的敏感性，減少設(shè)置和傳感器漂移的影響。工作電流為5mA,待機(jī)電流為5μA,加速度工作電流為500μA。其電路圖如圖7 所示。

圖7 MPU6050 電路圖

2.5 攝像頭模塊

攝像頭模塊（ov7670）是一款圖像傳感器，具有體積小，自帶感紅外鏡頭，色彩鮮艷，可自動對焦，高靈敏度、工作電壓低，ov7670 是基于SCCB 總線控制，SCCB 總線的控制方法和I2C 總線基本相似，因此控制起來也比較簡單，可以輸入整幀、子采樣、取窗口等方式的各種分辨率8 位影像數(shù)據(jù)。其電路圖如圖8 所示。

圖8 攝像頭模塊電路圖

2.6 NRF2401 模塊

NRF24L01 是由NORDIC 生產(chǎn)工作，其采用SPI 通信，可以很方便的連接到MCU 上面。2.4G 全球開放的ISM 頻段，免許可證使用。最高工作速率2Mbps，高校的GFSK 調(diào)制，抗干擾能力強。126 個可選的頻道，滿足多點通信和調(diào)頻通信的需要。內(nèi)置CRC 檢錯和點對多點的通信地址控制。可設(shè)置自動應(yīng)答，確保數(shù)據(jù)可靠傳輸。其電路圖如圖9 所示。

圖9 NRF2401 電路圖

3 模型設(shè)計

3.1 知識蒸餾

知識蒸餾[12]（Knowledge Distillation）是一種壓縮模型常用方法之一，不同于模型壓縮中的剪枝[13]和權(quán)值量化，知識蒸餾是通過構(gòu)建一個輕易化小模型，利用性能較好的大模型的監(jiān)督信息來訓(xùn)練小模型，以達(dá)到更好地性能和效果。

知識蒸餾可分為離線蒸餾、半監(jiān)督蒸餾、自監(jiān)督蒸餾。本次設(shè)計我們利用離線蒸餾的方法進(jìn)行模型的訓(xùn)練即傳統(tǒng)的知識蒸餾。知識蒸餾，采用Teacher-Student 模型。如圖10 所示為離線蒸餾的網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖10 離線蒸餾的網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2 教師網(wǎng)絡(luò)

RetinaNet[14]模型：RetinaNet 以ResNet[15]為特征提取網(wǎng)絡(luò)，通過FPN 進(jìn)行特征融合并輸出不同尺度的特征圖進(jìn)行分類和邊界框回歸。RetinaNet 模型如圖11 所示。

圖11 RetinaNet 模型結(jié)構(gòu)圖

3.2.1 特征提取網(wǎng)絡(luò)

RetinaNet 一般以FPN[16]作為特征提取網(wǎng)絡(luò)，F(xiàn)PN 不僅加深了網(wǎng)絡(luò)的結(jié)構(gòu)，而且引入殘差結(jié)構(gòu)解決了梯度消失等問題。普通卷積層與殘差卷積層的對比如圖12 所示。

圖12 普通卷積層與殘差卷積層

即把F(X)改為F(X)+X,由公式(5)可知，在進(jìn)行反向傳播時，殘差結(jié)構(gòu)可解決梯度消失問題。

3.2.2 特征融合網(wǎng)絡(luò)

RetinaNet 以FPN 作為特征融合網(wǎng)絡(luò)，F(xiàn)PN 的網(wǎng)絡(luò)本質(zhì)上也是一個全卷積網(wǎng)絡(luò)結(jié)構(gòu)[17]，F(xiàn)PN 構(gòu)造特征包括自下而上，自上而下以及橫向連接三個過程，自下而上即卷積網(wǎng)絡(luò)向前傳播的過程，自上而下的過程實質(zhì)上是通過把上層的特征進(jìn)行尺度變換。來構(gòu)造新的特征圖。在尺度相同的前提下進(jìn)行同層連接融合特征。

如圖13 所示為特征金字塔[18]的橫向連接結(jié)構(gòu)圖。

圖13 特征金字塔橫向連接結(jié)構(gòu)圖

3.2.3 損失函數(shù)

（1）分類損失

RetinaNet 以Focal Loss[19]作為分類損失，F(xiàn)ocal Loss是用來代替無法抗衡該問題的交叉熵?fù)p失。如下式（6）所示。

如下式(7)所示。

其中tα為權(quán)重系數(shù)，γ為調(diào)制系數(shù) 。

（2）回歸損失

RetinaNet 以 SmoothL1 作為回歸損失，如下式(8)所示，其對離群點，異常值不敏感 ，梯度變化相對較小。

其中X是預(yù)測框與真實框之間逐元系的差距。

3.3 學(xué)生網(wǎng)絡(luò)

知識蒸餾作為輕化網(wǎng)絡(luò)常用方法，最早被用于分類任務(wù)中，但在目標(biāo)檢測任務(wù)中，已含兩個階段：分類和回歸。因此在對RetinaNet 檢測器做知識蒸餾也應(yīng)包含兩個階段，即先進(jìn)行分類蒸餾，再進(jìn)行回歸蒸餾。

在分類過程中，我們主要是將卷積的深度，即通過channel 維度的調(diào)整進(jìn)行網(wǎng)絡(luò)的調(diào)整。具體為將channel維度進(jìn)行類別數(shù)的倍數(shù)的減少（向下取卷），從而實現(xiàn)參數(shù)量的減少，以便搭載微處理器（MCU）。

3.3.1 高溫蒸餾過程

目標(biāo)函數(shù)由distill loss(soft target) 和student loss(hard target)加權(quán)得到。

而其中用Net-T 產(chǎn)生的softmax distribution 作為soft target。Net-S 在 相 同 溫 度 下 的soft target 的cross entropy 為Loss 函數(shù)的第一部分Lsoft。

Net-S 在溫度T=1 下的softmax 輸出和groud truth的cross entropy 為Loss 函數(shù)的第二部分Lhard，其作用為防止Net-T 出現(xiàn)錯誤，而使用ground truth 可以有效地較小對Net-s 傳播的錯誤率。

溫度系數(shù)T：溫度的高低改變的是Net-S 訓(xùn)練過程中對負(fù)標(biāo)簽的關(guān)注程度。溫度系數(shù)T 的產(chǎn)生可以高效的進(jìn)行知識遷移：使用softmax 層輸出的概率作為軟目標(biāo)。原始的softmax 函數(shù)如下式(9)所示。

而知識蒸餾在原始基礎(chǔ)上添加了溫度參數(shù)T。

加入溫度參數(shù)后的softmax 函數(shù)如下式(10)所示。

溫度T 越大，軟化概率分布越平緩，教師網(wǎng)絡(luò)的預(yù)測貢獻(xiàn)越大,最終所用的學(xué)生網(wǎng)絡(luò)結(jié)果就更加準(zhǔn)確。

在高溫蒸餾過程中目標(biāo)函數(shù)如下式(11)(12)(13)所示。

3.3.2 回歸過程

對于每個地面真值盒，我們計算它和所有錨點之間的IOU，形成一個W×H×K IOU 映射m。這里W 和H 表示特征映射的寬度和高度, K表示K 預(yù)設(shè)錨定框。

然后我們找到最大的IOU 值M=max(m)，乘以閾值因子ψ，得到一個濾波器閾值F=ψ*M。

對于F，我們過濾IOU 圖，保留那些大于F 的位置，并將它們與OR 運算結(jié)合，得到一個W×H 掩模。

循環(huán)遍歷所有地面的真實框，并結(jié)合掩模，我們得到最終的模仿掩模I。

模仿Loss 如下式(14)(15)(16)所示。

Loss 如下式(17)所示。

具體過程如圖14 所示。

圖14 回歸具體過程框圖

4 實驗結(jié)果

本次實驗結(jié)果的主要指標(biāo)為map，將本文的知識蒸餾算法用在航天訓(xùn)練集上進(jìn)行實驗，得到的實驗map 結(jié)果圖如圖15 所示。

圖15 map 結(jié)果圖

同時與原始網(wǎng)絡(luò)進(jìn)行對比，可以看出本文提出的通過在原始網(wǎng)絡(luò)中減少參數(shù)使蒸餾成的學(xué)生網(wǎng)絡(luò)與原始網(wǎng)絡(luò)進(jìn)行對比檢測精度在數(shù)據(jù)集上高出了3.86%，性能顯著提高。上層圖為教師模型，下層圖為學(xué)生模型；實驗結(jié)果對比圖如圖16 所示。

圖16 實驗結(jié)果對比圖

5 結(jié)束語

本文針對現(xiàn)在道路的突發(fā)擁擠情況，設(shè)計一種基于道路監(jiān)控的四軸巡檢無人機(jī)系統(tǒng)，能實現(xiàn)巡查緊急情況，實時分析路況，尋找最佳道路的系統(tǒng)。通過信息采集單元，對傳感器的數(shù)據(jù)進(jìn)行采集，并通過動執(zhí)行單元對無人機(jī)進(jìn)行控制。在線下進(jìn)行模型訓(xùn)練，并通過知識蒸餾的方法對模型進(jìn)行壓縮到核心版上。可以使線上的實時監(jiān)控識別，區(qū)分路面的行人和車輛。實驗表明，該系統(tǒng)實現(xiàn)既定的功能?？梢杂行崿F(xiàn)監(jiān)控道路的功能。