Диссертация (Автономная система управления полетом квадрокоптера с возможностью облета препятствий и комплексной навигацией), страница 5

Нечеткая логика достаточно широко используетсядля обхода подвижных препятствий при управлении направлением и скоростьюдвижения робота [100]. Чтобы улучшить результативность нечеткой логики припланировании маршрута в динамической среде, еѐ часто используют вместе сдругими алгоритмами [77, 78, 87, 65]. Нейронная сеть тоже может применяться дляизбегания столкновения с подвижными препятствиями при непрерывности проб иобучении в локальной окружающей среде [110, 111]. Китайские исследователипредставилиметодс30использованиемподвижногоокнадляизбеганиястолкновений в режиме реального времени в неизвестной среде [43].Доказана эффективность этих методов для решения задач планированиямаршрута и обхода препятствий мобильных роботов в двухмерной статическойсреде, но алгоритмы являются слишком сложными для ОП БПЛА в трѐхмернойдинамической среде.В нашей работе был предложен новый простой алгоритм ОП дляквадрокоптера на основе управления поворотом вектора скорости полѐта.

Этоталгоритм будет представлен в главе 2.1.3. Интегрированная навигационная система БПЛАРассмотрим беспилотный летательный аппарат (БПЛА) лѐгкого класса,выполняющий полѐт в автономном режиме или при дистанционном пилотированиив условиях недостаточности предоставляемой оператору информации о среде. Вэтих случаях информация с одного источника не может обеспечить необходимойточности навигации БПЛА. Поэтому КНС на основе слияния несколькихисточниковнавигационнойинформации,позволяющегокомпенсироватьнедостатки каждого из источников, несомненно, необходима для БПЛА.

КНСобычно сочетает два или более двух типов самостоятельных НС. Таким образом,КНС может в полной мере использовать преимущества взаимодополняемостиразличных НС и обеспечивать достоверную навигационную информацию.1.3.1. Применение бесплатформенных инерциально-спутниковыхнавигационных систем для БПЛАБесплатформенныеинерциально-спутниковыенавигационныесистемы(БИНС/СНС) [10, 20, 104] представляют собой перспективный класс современныхинтегрированных НС для БПЛА.

БИНС/СНС – это синтез двух самостоятельныхсистем – бесплатформенной инерциальной навигационной системы (БИНС) испутниковойнавигационной31системы (СНС),позволяющийобъединитьдостоинства и компенсировать недостатки, присущие каждой из систем вотдельности.ДостоинствамиБИНСявляютсянепрерывнаядинамичнаявыдачапользователю полного навигационного решения (координаты, скорость, ускорения,угловая ориентация), возможность выдачи информации с высокой частотой,независимость от внешних источников информации. БИНС обладают недостатком– ошибка в определении навигационных параметров накапливается с течениемвремени, а точность выходной информации зависит от точности чувствительныхэлементов.

В качестве чувствительных элементов применяются дорогостоящиепрецизионные гироскопы и акселерометры, которые сильно усложняют иудорожают систему. Для повышения долговременной точности необходимопериодически корректировать данные БИНС по показаниям внешних приборов.Это стало предпосылкой к разработке алгоритмов КНС.Одним из наиболее перспективных средств коррекции для БИНС являетсяСНС.

Этот класс НС хорошо сопрягается с другими бортовыми системами,относительно дешев и быстро развивается.Для совместной обработки информации от выбранных НС, применимаслабосвязанная схема на основе фильтра Калмана, подразумевающая выработкунезависимых решений в БИНС и СНС. Указанный фильтр на основе данных отСНС-приемника формирует оценку вектора состояния, включающего ошибки БИНСи инструментальные погрешности ее датчиков, и производит коррекцию БИНС.Структура такой системы показана на Рис.

1.11.Рис. 1.11. Слабосвязанная схема БИНС/СНС32На Рис. 1.11: X  X БИНС – навигационные параметры БПЛА с ошибками;X  X СНС – навигационные параметры СНС с ошибками;  – вектор оценокинструментальныхпогрешностейгироскопов;–вектороценокинструментальных погрешностей акселерометров.При использовании обработки информации появляется возможность созданиякомплексныхбесплатформенныхинерциально-спутниковыхсистем,объединяющих достоинства БИНС и СНС.

Но у СНС есть недостатки, которыевыражаются в искажении и задержке определения сигнала. Также приопределенных условиях приемник не получает сигнала из-за большой облачности иназемных радиоисточников. При этом рабочая частота лежит в дециметровомдиапазоне радиоволн. Помимо этого, к ухудшению приема сигнала приводитместонахождение внутри железобетонного здания, в подвальном помещении,тоннеле или квартире. Кроме того, СНС имеет значительные ошибки поинформации о высоте. СНС может определить величину и направление скоростиподвижных объектов только в горизонтальной плоскости, но не может определитьскорость в вертикальном направлении, возможно лишь приблизительно вычислитьизменения скорости в данном направлении в зависимости от изменения высоты,что даѐт большие ошибки.Учитывая все вышеперечисленные неточности СНС, в КНС, предлагаемой вданной диссертации, были совместно использованы ВНС, барометрическийвысотомер и радиовысотомер для обеспечения исправления ошибок БИНС.1.3.2.

Визуальная навигационная системана основе компьютерного зрения и алгоритма EKF-SLAMОдним из ключевых вопросов в решении задачи автономного полѐта БПЛАявляется автономная навигация в среде отсутствия сигнала СНС. Среди возможныхподходов к решению этой проблемы в последнее десятилетие популярна ВНС наосновеалгоритмаодновременнойлокализацииисозданиякарты33(картографирования) с расширенным фильтром Калмана (EKF-SLAM – ExtendedKalman Filter for Simultaneous Localization And Mapping), дающая возможностьпрогнозирования координат и скорости квадрокоптера в неизвестной среде содновременной оценкой положения ориентиров и созданием полной карты.Принципиальное решение задачи одновременной локализации и созданиякарты SLAM предложено достаточно давно [40], и к настоящему времени этаконцепция достигла определѐнного уровня, достаточного для практическойреализации в области робототехники при решении задач автономного движения [33,103, 41].

Разработаны различные улучшения алгоритма SLAM [50, 93, 90, 39, 98], втом числе – с использованием калмановской фильтрации [90, 39, 98]. Сейчасалгоритмы SLAM с использованием расширенного фильтра Калмана (EKF –Extended Kalman Filter) имеют установившуюся аббревиатуру EKF-SLAM –Extended Kalman Filter for Simultaneous Localization And Mapping, котораяиспользуется и в настоящей статье. Существенным недостатком существующихалгоритмов EKF-SLAM является значительный рост объема необходимыхвычислений с увеличением числа наблюдаемых ориентиров.

Стремление сократитьобъѐм вычислений приводит к снижению точности позиционирования ивозможности получения противоречивой информации при составлении карты [27].Прежде всего необходимо получить и вычислить координаты ориентировокружающей среды.В настоящее время существует много алгоритмов обнаружения характерныхточек, например алгоритм Harris, алгоритм FAST, алгоритм FASTER, алгоритмShi-Tomas, алгоритм Moravec, алгоритм SUSAN и др. [69]. При сравнениирезультатов моделирования в данной работе выбираем алгоритм SUSAN,предложенный Смитом и Бреди (Smith & Brady, 1997) [97], который является болеебыстрым и устойчивым в случае размытия и неравномерной яркости фонаизображений.После такой обработки остаѐтся возможность существования неправильныхпар соответственных характерных точек в фундаментальной матрице. Поэтомунеобходима дополнительная обработка с помощью алгоритма RANSAC [51].

В34алгоритме RANSAC реализована самая общая схема устойчивой оценки спомощью выбора случайных подмножеств данных.Координаты характерных точек могут быть получены с помощью уравнений: fTifff Tzu,v,1mx,x,xw w w ,1 , i  1,2 ci i i 1m  K 33  133 031 34 2m  K 33  R 33 L31 34(1.30)где z cif – проекция координат точек на ось z системы координаты камеры;ui , vi ,1T– пиксельные координаты характерных точек i на изображении;xwf , xwf , xwf ,1T – координаты этих характерных точек в связанной системе координат,совпадающей в начале движения с системой координат камеры; K 33 – матрицавнутренних параметров камеры;R33 L3134– матрица преобразованиякоординат двух последовательных изображений (внешних параметров) камеры.Перед получением координат характерных точек необходима калибровкавнутренних параметров камеры. Параметры камеры получены с использованиеминструментария системы Matlab для калибровки камер (Camera Calibration Toolboxfor Matlab, Bouquet [38]):0320.037041015.78212K01012.65800 240.40334001Матрица преобразования изображений, учитывающая параметры камеры,может быть записана в виде: E  K 'T FK .В нашей работе использовано монокулярное компьютерное зрение, поэтомуK'  K .В соответствии с используемым алгоритмом [37, 57, 58] матрицы вращения(перехода) и перемещения камеры могут быть получены из выражения:35 UWV T U0,01T UWV T  U0,01TR l34   T TT UW V U0,01UW T VT  U0,01T(1.31)где R – матрица вращения; l – матрица перемещения изображений; L  l –матрицаперемещениякамеры;–масштабныйкоэффициент;0  1 0 матрица W  1 0 0 ; U и V – сингулярное разложение матрицы E  UDVT ,0 0 1алгоритм которого представлен в [57, 58]; матрица D  diag (k1, k2 ,0) , k1  k2 .Из четырех вариантов выражения (1.31) правильный вариант выбирается поусловию нахождения точек перед камерой, т.

е. проекция координат точек на ось zдолжна быть больше нуля.Таким образом, из (1.30) с помощью (1.31) могут быть получены четырелинейных уравнения: (u m1  m1 ) x f  (u m1  m1 ) y f11 w1 3212 w 1 1311f11 (v1m31  m 21) xw  (v1m32  m 22 ) ywf22f22f (u2m31  m11) xw  (u2m32  m12 ) yw(v m 2  m 2 ) x f  (v m 2  m 2 ) y f21 w2 3222 w 2 31 (u1m133  m113 ) zwf  m114  u1m134 (v1m133  m123 ) zwf  m124  v1m1342222 (u2m33 m13) zwf  m14 u2m3422 (v2m33 m 223 ) zwf  m 224  v2m34(1.32)Система уравнений является переопределѐнной, поэтому для решенияиспользован метод наименьших квадратов.

В результате могут быть полученытрѐхмерные координаты характерных точек.Для проверки работоспособности алгоритма был проведен натурныйэксперимент в помещении (коридоре) (Рис. 1.12).36(а) – выделение и(б) – двухмерные(в) – трѐхмерныесоответствие точеккоординаты точеккоординаты точекРис.1.12. Координаты характерных точекСравнение положения характерных точек на изображениях и значения ихдвухмерных и трѐхмерных координат показывает, что полученные координатыхарактерных точек приблизительно отражают их реальное положение.