-
微信號:youuav
關(guān)注官方微信
m.youuav.com手機(jī)掃碼看新聞
-
- 添加收藏
- 關(guān)于我們
無人機(jī)整機(jī)
無人機(jī)配件
無人機(jī)服務(wù)
設(shè)備與工具劉愛超，佘浩平，楊欽寧，周思成
(北京理工大學(xué)宇航學(xué)院，北京 100081)
摘 要：無人機(jī)空中加油是一種能有效提升巡航里程及續(xù)航時長的技術(shù)手段，近距相對位置和姿態(tài)測量技術(shù)是其中需要解決的關(guān)鍵問題之一。針對該問題研究了無人機(jī)自主空中對接中的視覺導(dǎo)航方法，完成了近距對接的地面實(shí)驗(yàn)。首先，利用移動對接圖標(biāo)和無人機(jī)的GPS/INS信息進(jìn)行無人機(jī)的粗略導(dǎo)航，完成會合；再充分利用視覺圖標(biāo)的顏色與形狀信息，通過顏色分割選取目標(biāo)可能區(qū)域，在這些區(qū)域中進(jìn)行快速橢圓檢測，針對橢圓檢測算法存在誤檢測及邊緣不重合的問題，提出了橢圓檢測與輪廓檢測相結(jié)合的方法，能夠更準(zhǔn)確地描述圖標(biāo)邊緣；最后，利用改進(jìn)的OI算法進(jìn)行相對位姿的估計，實(shí)現(xiàn)近距的精確導(dǎo)航。實(shí)驗(yàn)結(jié)果表明，無人機(jī)在較高速度下的跟蹤效果良好，采用的視覺導(dǎo)航方法能夠滿足空中對接中精度與實(shí)時性的要求。
關(guān)鍵詞：無人機(jī)；空中對接；視覺導(dǎo)航；位姿估計；橢圓檢測
空中加油技術(shù)已經(jīng)成為現(xiàn)代化戰(zhàn)爭中能有效提升作戰(zhàn)距離和機(jī)動能力的技術(shù)手段。而無人機(jī)最突出的弱點(diǎn)是續(xù)航時間短和有效載荷不足，需要定期返回基地進(jìn)行補(bǔ)給，嚴(yán)重削弱了無人機(jī)執(zhí)行長航時和復(fù)雜任務(wù)的能力，限制了無人機(jī)的使用[1-2]。為解決這種矛盾，美國國防預(yù)研局、空軍研究實(shí)驗(yàn)室及美國國家航空航天局(National Aeronautics and Space Administration，NASA)等機(jī)構(gòu)已開展了多項自動空中加油(Automated Aerial Refueling，AAR)驗(yàn)證計劃[3-4]，將自主空中加油技術(shù)應(yīng)用到無人機(jī)中,既是一種趨勢又是一種必然。
相對位姿的解算是自主空中加油的重要一環(huán)，目前測量相對位姿信息的傳感器主要包括慣性導(dǎo)航系統(tǒng)(Inertial Navigation System，INS) 、差分全球定位系統(tǒng)(Differential Global Positioning System，DGPS)、視覺傳感器等。慣導(dǎo)系統(tǒng)由于會產(chǎn)生累積誤差，無法滿足對接過程中的精度要求。DGPS可以滿足精度要求，但在對接過程中加油機(jī)容易遮擋GPS信號，導(dǎo)致精度下降。視覺傳感器以其精度高、應(yīng)用范圍廣、價格低廉等優(yōu)勢在自主空中加油中得到了廣泛的應(yīng)用。目前，最為廣泛的錐套檢測手段按特征可以分為基于顏色信息和基于紅外信息兩類；按攝像頭數(shù)量又可分為單目及多目。采用顏色信息又可分為兩種情況，一種是直接在錐套的圓環(huán)形邊緣噴涂顏色，如文獻(xiàn)[5]；另一種則在邊緣粘貼數(shù)個帶有顏色的圓形小圖標(biāo)，如文獻(xiàn)[6]?；陬伾畔⒌姆椒▋?yōu)點(diǎn)在于十分簡便，不需要對現(xiàn)有的對接裝置做過多改動，適用范圍廣泛；其缺點(diǎn)在于依賴良好的光照環(huán)境?；诩t外信息的研究主要采取在錐套邊緣安裝數(shù)個紅外LED信標(biāo)的方案，如文獻(xiàn)[7-10]，過濾出特定波長的紅外光來排除大部分環(huán)境干擾。這種方法優(yōu)點(diǎn)在于可以全天候使用，不依賴光照環(huán)境；其缺點(diǎn)在于需要對錐套進(jìn)行一定程度的改造，加裝信標(biāo)供電裝置，而且在光照強(qiáng)烈的情況下如何排除自然界中的紅外干擾也是一項難題。目前，針對單目以及多目系統(tǒng)在自主對接中的應(yīng)用都有涉及，單目的如文獻(xiàn)[5-7]，多目的如文獻(xiàn)[8-12]。近些年來，一些研究人員將深度學(xué)習(xí)應(yīng)用于自主空中加油中，如Siyang Sun等訓(xùn)練的多任務(wù)并行深度卷積神經(jīng)網(wǎng)絡(luò)(Multitask Parallel Deep Convolutional Neural Networks，MPDCNN)可以同時完成錐套的檢測與相對位姿的解算[13]。
本文采用單目與顏色信息結(jié)合的方式，首先利用GPS/INS信息使無人機(jī)接近運(yùn)動的圖標(biāo)，進(jìn)行粗略導(dǎo)航；再充分利用視覺圖標(biāo)的顏色與形狀信息，通過顏色分割選取目標(biāo)可能區(qū)域，在這些區(qū)域中進(jìn)行快速橢圓檢測，針對橢圓檢測算法存在誤檢測及邊緣不重合的問題，提出了橢圓檢測與輪廓檢測相結(jié)合的方法；最終利用改進(jìn)的正交迭代(Orthogonal Iteration,OI)算法進(jìn)行相對位姿的估計，實(shí)現(xiàn)了近距的精確導(dǎo)航。
當(dāng)無人機(jī)與對接圖標(biāo)的距離較遠(yuǎn)時，超出視覺識別的范圍，此時采用GPS導(dǎo)航，使無人機(jī)不斷接近圖標(biāo)。當(dāng)兩者的相對距離足夠小時，捕捉無人機(jī)前方圖標(biāo)的圖像信息。根據(jù)后文的視覺算法，識別對接圖標(biāo)并計算準(zhǔn)確的相對位姿，開始精確導(dǎo)航并完成對接。對接流程及實(shí)驗(yàn)系統(tǒng)組成分別如圖1和圖2所示。其中視覺檢測算法具體內(nèi)容在第3節(jié)。
圖1 對接流程圖
Fig.1 Docking flow
用于模擬對接的視覺圖標(biāo)如圖3所示，圖標(biāo)仿照真實(shí)情況中的錐套，主體是一個窄圓環(huán)，內(nèi)部呈輻射條輪狀。其中，最外層圓的半徑為0.3m，內(nèi)層圓半徑為0.25m，整個圖標(biāo)的顏色為深藍(lán)色。
圖2 系統(tǒng)組成圖
Fig.2 System composition diagram
圖3 視覺對接標(biāo)志
Fig.3 Visual docking icon
對接圖標(biāo)的識別是整個流程的基礎(chǔ)，本文為了提高識別的準(zhǔn)確率，利用圖標(biāo)自身的2個重要信息：顏色和形狀。對攝像機(jī)獲取的視野中圖像分別進(jìn)行顏色分割與橢圓檢測，只有同時符合這2個標(biāo)準(zhǔn)的物體才會判定為對接標(biāo)志。
彩色圖像相比于灰度圖像具有更加豐富的信息，而顏色信息相比于形狀信息更加直觀，具有很高的辨識度。本文首先將攝像頭捕捉到的圖像由RGB顏色空間轉(zhuǎn)化為HSV顏色空間，然后在HSV空間中按圖標(biāo)設(shè)計的顏色進(jìn)行分割以減小搜索范圍。將圖像轉(zhuǎn)化到HSV空間后，根據(jù)標(biāo)志物的顏色設(shè)定H、S、V的具體范圍，最終從圖像中確定標(biāo)志物的大體范圍。不同光照條件下顏色分割結(jié)果如圖4所示。
(a)光照正常
(b)光照較強(qiáng)
(c)光照較弱
圖4 顏色分割結(jié)果
Fig.4 Color segmentation
感興趣區(qū)域(Region of Interest,ROI)的劃定主要依據(jù)二值圖中不同連通區(qū)域的面積與長寬比，當(dāng)二值圖中白色連通區(qū)域的面積大于225像素及長寬比在1～3之間時,即可歸為感興趣區(qū)域。一般一張圖像中會存在1～5個不等的感興趣區(qū)域。
無論是本文用到的圖標(biāo)還是實(shí)際應(yīng)用的錐套，其外形都是圓，但由于加油機(jī)與受油機(jī)之間的相對位置，在受油機(jī)看來，大多數(shù)情況下是橢圓。本文用到一種快速橢圓檢測算法[14]，流程大體如下：對圖像進(jìn)行邊緣檢測，將邊緣點(diǎn)聚合成一段段的弧線。對這些弧線按特定的邊緣方向和凸度進(jìn)行分類。根據(jù)3個判斷依據(jù)找出橢圓。圖5所示為不同角度下橢圓檢測的結(jié)果。
(a)
(b)
(c)
圖5 不同角度下橢圓檢測結(jié)果
Fig.5 Ellipse test results at different angles
相對位姿解算主要涉及N點(diǎn)透視(Perspective-N-Point，PNP)問題。它指通過世界坐標(biāo)系中的N個特征點(diǎn)與圖像成像中的N個像素點(diǎn)，計算出其投影關(guān)系，從而獲得相機(jī)或物體位姿的問題。PNP問題的求解方法分為迭代算法和非迭代算法，兩者各有利弊，迭代算法勝在精度高，而非迭代算法計算量小。本文根據(jù)對接過程精度要求高的特點(diǎn)，選擇采用迭代算法。一些研究人員如文獻(xiàn)[15]采用的是非迭代算法。也有些研究人員利用特征線而不是點(diǎn)來進(jìn)行相對位姿的解算，如文獻(xiàn)[16]根據(jù)固定翼飛機(jī)跑道的線特征完成姿態(tài)的解算。
如圖5(a)所示，由于本文所用到的圖標(biāo)主體為深藍(lán)色的圓環(huán)，導(dǎo)致在橢圓檢測時內(nèi)外環(huán)的弧段會出現(xiàn)誤匹配，檢測出多個橢圓。而且，橢圓擬合為保證一定程度的容錯率，其中心位置、半長軸長度等參數(shù)存在一些誤差，即擬合后橢圓的邊緣不與實(shí)際邊緣重合。如果直接使用擬合之后的結(jié)果會對位姿解算產(chǎn)生很大影響。
本文在橢圓檢測的同時又對圖像進(jìn)行邊緣檢測。邊緣檢測分為兩步，首先對圖像進(jìn)行均值濾波，去除細(xì)微的干擾邊緣，然后進(jìn)行Canny邊緣檢測。由于Canny邊緣具有良好的邊緣描述能力，可以彌補(bǔ)橢圓檢測的邊緣不重合問題。圖6是對圖5(a)原圖進(jìn)行Canny邊緣檢測的結(jié)果。
圖6 Canny邊緣檢測結(jié)果
Fig.6 Canny edge detection results
進(jìn)行邊緣檢測后還需要對邊緣圖進(jìn)行輪廓提取，把邊緣圖中的點(diǎn)信息轉(zhuǎn)化為多條輪廓信息。最后將得到的每條輪廓與檢測到的橢圓進(jìn)行對比，判斷依據(jù)主要有3點(diǎn)：輪廓中心與橢圓中心是否重合；輪廓面積與橢圓面積是否相近；輪廓周長是否與橢圓周長相近。滿足上述3個條件即認(rèn)為該輪廓是圖標(biāo)最外環(huán)的邊緣輪廓。具體流程及輪廓篩選結(jié)果分別如圖7、圖8所示。
圖7 視覺算法流程圖
Fig.7 Visual algorithm flow
(a)
(b)
圖8 兩種算法檢測結(jié)果比較圖
Fig.8 Comparison of two algorithms
圖8所示為2組對比圖，左圖為單純橢圓檢測結(jié)果圖，綠線是經(jīng)橢圓檢測擬合出的結(jié)果；右圖為本文提出的橢圓檢測結(jié)合輪廓檢測算法的結(jié)果圖，紅線表示檢測結(jié)果?？梢钥闯觯绻贿M(jìn)行橢圓檢測，得到的擬合橢圓與實(shí)際邊緣有誤差，而經(jīng)過本文提出的結(jié)合算法，邊緣描述能力得到明顯提高。
識別出視覺標(biāo)志物之后還需要尋找標(biāo)志的最小外接矩形，利用該矩形的4個頂點(diǎn)作為特征點(diǎn)進(jìn)行后續(xù)的位姿解算。采用該方法的優(yōu)點(diǎn)是簡單可靠，不需要識別標(biāo)志上的角點(diǎn)等特征點(diǎn)，節(jié)省計算時間。最小外接矩形(Minimum Bounding Rectangle，MBR)可以分為：最小面積外接矩形(Minimum Area Bounding Rectangle，MABR)、最小周長外接矩形(Minimum Perimter Bounding Rectangle，MPBR)。通常情況，MABR與MPBR差異并不大，本文采用MABR。
圖9中，綠色實(shí)線方框?yàn)檎业降膶訄D標(biāo)的最小外接矩形。
圖9 圖標(biāo)的最小外接矩形
Fig.9 The minimum bounding rectangle of the icon
LU 等針對位姿估計提出了 OI 算法[17]。OI算法通過最小化目標(biāo)空間共線性誤差迭代求解得到最優(yōu)旋轉(zhuǎn)矩陣和平移矢量，具有迭代次數(shù)少、計算速度快、全局收斂、對初值不敏感的特點(diǎn)。OI算法是以目標(biāo)空間最小共線性誤差作為目標(biāo)函數(shù)的迭代算法。
設(shè)特征點(diǎn)i在圖像中的坐標(biāo)為wi=[ui vi 1]T,i=1,2,3,4，記
(1)
目標(biāo)空間中的線性誤差是
ei=(I-Wi)(Rpi+t)
(2)
其中，pi=(xi,yi,zi)T表示該特征點(diǎn)在圖標(biāo)系中的坐標(biāo)；R是相機(jī)坐標(biāo)系與圖標(biāo)坐標(biāo)系的姿態(tài)旋轉(zhuǎn)矩陣；t是平移矢量。位姿解算就是求解R、t。
在OI算法中，位姿解算等價于使誤差平方和最小化的求解。誤差平方和的定義為
(3)
其中，n為特征點(diǎn)的個數(shù)。
算法通過不斷地進(jìn)行迭代計算，估計出姿態(tài)旋轉(zhuǎn)矩陣R與平移矢量t，迭代終止時即可求得相對位姿(R,t)。
傳統(tǒng)的位姿估計算法在目標(biāo)特征點(diǎn)共面的情況下往往存在位姿模糊問題，這會導(dǎo)致位姿估計結(jié)果出現(xiàn)較大偏差，降低視覺導(dǎo)航系統(tǒng)的準(zhǔn)確性。針對這個問題，Schweighofer 等提出的魯棒共面目標(biāo)位姿估計(SP)算法[18]。該算法大致流程如下：
1) 將由OI算法解算出的(R,t)用作SP算法的初始值；
2) 把(R,t)代入式(3)，經(jīng)過推導(dǎo)，把E(R,t)化為僅與繞俯仰軸所成角度的單變量函數(shù)形式，再求解E(R,t)的極值，解得2個局部殘差極小值；
3) 將這2個極小值解作為正交迭代的初始值，經(jīng)過不斷迭代，獲得2組相對位姿的解，從中選取E(R,t)較小的1組解，此解即為準(zhǔn)確的相對位姿。
對提出的空中自主加油中的視覺導(dǎo)航算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。飛行平臺為大疆M100四旋翼無人機(jī)，具有良好的飛行性能，能夠有效驗(yàn)證算法的準(zhǔn)確性及穩(wěn)定性。
本文的視覺導(dǎo)航方法主要在于結(jié)合圖標(biāo)的顏色與形狀信息，從而提高空中對接過程中目標(biāo)識別的準(zhǔn)確率。表1所示為在運(yùn)動情況下，結(jié)合顏色與形狀信息識別的準(zhǔn)確率與只進(jìn)行形狀識別的準(zhǔn)確率的對比。
表1 識別準(zhǔn)確率對比
Tab.1 Identification accuracy comparison
從表1中可以看出，結(jié)合顏色與形狀可以有效提升識別的準(zhǔn)確率，尤其是在光照條件過亮與過暗的情況下。主要原因是在HSV顏色空間中，亮度對顏色分割的影響不是很大。
靜態(tài)誤差是在保持對接標(biāo)志物靜止不動的情況下，無人機(jī)的對接精度偏差。表2所示為分別在15m、10m、5m、3m這4個實(shí)際距離中，由視覺解算的相對距離與實(shí)際距離之間的偏差。在實(shí)際的自動空中加油過程中，要求插頭和對接錐套之間的相對位置精度達(dá)到10cm級別，本文的視覺導(dǎo)航能夠滿足實(shí)際的精度要求。靜態(tài)對接場景如圖10所示。
表2 靜態(tài)誤差分析
Tab.2 Static error analysis
圖10 靜態(tài)對接場景
Fig.10 Static docking scenes
動態(tài)誤差是指對接標(biāo)志物在勻速直線運(yùn)動情況下，無人機(jī)的對接精度偏差。圖11所示為對接圖標(biāo)以7m/s的速度勻速直線運(yùn)動時，無人機(jī)與圖標(biāo)在3個方向上的相對距離。其中，x表示在豎直方向上的相對距離，y表示在左右方向上的相對距離，z表示在前后方向上的相對距離。
圖11 對接過程相對距離曲線
Fig.11 Relative distance curve in docking process
圖12所示為圖11中28s之后的詳細(xì)曲線。y方向由于無人機(jī)氣壓計受微風(fēng)影響會出現(xiàn)小幅抖動，而z方向則由于實(shí)際場景中小車速度并非嚴(yán)格勻速，且PID控制器存在一定的超調(diào)而出現(xiàn)較強(qiáng)程度抖動，但在實(shí)際加油過程中主要關(guān)注x、y這2個方向精度，z方向要求并沒有那么嚴(yán)格。z方向距離會出現(xiàn)正值是為了保證安全，將對接目標(biāo)設(shè)在距圖標(biāo)中心2m處，而不是圖標(biāo)表面。動態(tài)對接場景如圖13所示。
圖12 對接末段曲線
Fig.12 Terminal docking curve
圖13 動態(tài)對接場景
Fig.13 Dynamic docking scenes
本文根據(jù)實(shí)際中對接錐套的特點(diǎn)，使用了一種兼顧顏色與形狀的錐套圖標(biāo)識別算法。本文的主要創(chuàng)新點(diǎn)在于為解決橢圓檢測算法存在邊緣描述誤差太大的問題，提出了一種結(jié)合橢圓檢測與邊緣檢測的算法，從對比圖中可以看出，這種結(jié)合方法相比于單純的橢圓檢測能夠更好地描述圓形標(biāo)志的邊緣。針對整個識別算法，在真實(shí)環(huán)境中進(jìn)行地面模擬測試，結(jié)果表明在較高運(yùn)動速度下，本文的視覺導(dǎo)航算法能夠很好地完成對接任務(wù)。
作者簡介：劉愛超(1994-),男，碩士研究生，主要從事無人機(jī)視覺導(dǎo)航方面的研究。
E-mail:346290205@qq.com
通信作者：佘浩平(1978-)，男，博士，副教授，主要從事無人機(jī)自主控制、飛行器制導(dǎo)與控制方面的研究。
E-mail：shehp@bit.edu.cn
收稿日期：2018-07-31；
修訂日期：2018-10-20.
基金項目：裝備預(yù)研教育部聯(lián)合基金(6141A02022340)
中圖分類號：V249.3
文獻(xiàn)標(biāo)志碼：A
文章編號：2095-8110(2019)01-0028-07
本文引用格式：劉愛超，佘浩平，楊欽寧，等．無人機(jī)空中對接中的視覺導(dǎo)航方法[J].導(dǎo)航定位與授時,2019, 6（1）：28-34.
2025-08-26 13:48
2025-08-21 12:57
2025-08-19 12:55
2025-08-11 22:18
2025-08-09 13:51
2025-08-08 09:59
2025-08-08 09:57
2025-08-07 09:35
2025-08-05 16:54
2025-08-05 16:41
