CN109470613A - 一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 - Google Patents
一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 Download PDFInfo
- Publication number
- CN109470613A CN109470613A CN201811337138.5A CN201811337138A CN109470613A CN 109470613 A CN109470613 A CN 109470613A CN 201811337138 A CN201811337138 A CN 201811337138A CN 109470613 A CN109470613 A CN 109470613A
- Authority
- CN
- China
- Prior art keywords
- filter
- data
- unmanned plane
- noise
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000295 complement effect Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000002156 mixing Methods 0.000 title claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 239000000428 dust Substances 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 15
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 229910000838 Al alloy Inorganic materials 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000013139 quantization Methods 0.000 claims 1
- 238000004064 recycling Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Dispersion Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种基于互补滤波姿态融合算法的无人机PM2.5检测装置,属于雾霾环境检测领域,包括四旋翼无人机和PM2.5检测装置,PM2.5检测装置采用AGS‑V8PM2.5粉尘传感器,姿态参考***包括基于互补滤波姿态融合算法的飞行器稳定控制模块,该稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高通滤波相结合的互补滤波器,先后两次采用不同的互补滤波算法对飞行器的稳定控制,使四旋翼无人机更稳定停留在某一固定位置。本发明不仅能检测空气中PM2.5的浓度,同时解决了因为低成本GPS的数据刷新率太低,在高速运动时数据滞后导致无人机高度跌落精度不高的问题,具有抗干扰能力强,稳定性高的特点。
Description
技术领域
本发明涉及雾霾治理领域,特指一种基于互补滤波姿态融合算法的无人机PM2.5检测装 置。
背景技术
由于近年来,我国雾霾天气愈发恶劣,空气质量问题已经引起全社会高度关注。随着飞 行器在日常生活日益广泛的应用,微型PM2.5检测四旋翼无人机检测设备会成为社会和人类 的关注。高空中的检测则需要四旋翼无人机携带PM2.5监测装置。而控制***的设计是实现 无人机自主飞行的关键与核心,飞行控制***的性能优劣直接决定了PM2.5四旋翼无人机监 测的飞行性能及其完成任务的情况。由于旋翼飞行器旋翼转动时振动强烈,故姿态参考*** 受振动的影响较大,必须要求其减少震动。为无人机上PM2.5传感器提供相对稳定的监测平 台,以准确检测周围空气中的粉尘浓度。因此需要其控制周期更小,响应速度更快,进而提 高稳定性。
互补滤波算法是无人机飞行控制***中的常用算法,但是现有的互补滤波算法一般只是 两种滤波算法的简单组合,虽然能在一定程度上保持无人机稳定飞行,但是所采用的两种滤 波算法之间可能会有误差,也会影响滤波精度,从而影响无人机的稳定性,进而影响PM2.5 的检测精度。所以,需要设计更加精确的针对无人机飞行控制的相关算法。
发明内容
本发明的目的是提供一种基于互补滤波姿态融合算法的无人机PM2.5检测装置,用于检 测空气中PM2.5的浓度,同时解决因为低成本的GPS的数据刷新率太低,在高速运动时数据 滞后导致无人机高度跌落精度不高的问题。
为解决上述技术问题,本发明的技术方案如下:
一种基于互补滤波姿态融合算法的无人机PM2.5检测装置,包括四旋翼无人机和PM2.5 粉尘传感器,其特征在于:
所述四旋翼无人机属于非共轴式碟形无人机,包括旋翼、无刷电机、无刷电调、电源、 起落架、机体和飞行控制***,所述飞行控制***包括飞行控制计算机、姿态参考***、遥 控接收机、GPS接收机,通过控制四只旋翼的转速集合使得无人机实现各种飞行动作;
所述PM2.5检测装置为AGS-V8PM2.5粉尘传感器,包括激光器、光散射检测腔体、滤波放大电路、微型处理器、内置加热器,光散射检测腔体内具有气流发生器,粉尘传感器的内部对角放置红外线发光二极管和光电晶体管,并且将其光轴相交;
在所述四旋翼无人机顶端设有机架,粉尘传感器位于机架上方,起落架同机身相连,成 十字形分布。
为进一步提高整个装置的性能:
优选的,所述机体由碳纤维材料制成,起落架由铝合金板制成。
优选的,所述粉尘传感器中气流发生器为5V的输入电路。
优选的,所述检测装置采用ZigBee无线网络传输方式。
优选的,所述姿态参考***包括基于互补滤波姿态融合算法的飞行器稳定控制模块,所 述稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高通 滤波相结合的互补滤波器。
一种针对无人机飞行器的互补滤波姿态融合算法,其特征在于,主要包括以下步骤:
步骤1:采用Allan方差分析方法分析无人机传感器的噪声源,分析得到数据的量化噪声、 角度随机游走噪声、零偏不稳定噪声、速率随机游走噪声和速率斜坡噪声。具体分析方法如 下:
公式(1)中,Q为量化噪声系数,N为角度游走噪声系数,B为零偏不稳定噪声系数,C为速率游走噪声系数,R为速率斜坡噪声系数,t为方差随时间的变化,σ2(t)为方差表达式。
设数据采样周期为T,一定时间内共采集N个数据,将N个数据分成L组,每组M个 数据,则每组的平均值为:
公式(2)中,M表示每组数据个数,下标i表示第i个数据,表示每组的平均值, 下标k表示第k组数据。
由公式(1)和公式(2)定义Allan方差如下所示:
公式(3)中,τ为自定义变量,σA 2为Allan方差,A表示Allan方差,M为每组数据个数,L为数据的组数。
步骤2:采用间接卡尔曼滤波对无人机陀螺仪的数据进行处理,间接卡尔曼滤波的***状 态方程推导过程如下:
首先建立卡尔曼滤波方程,假设测量噪声为白噪声,采用信号与噪声的状态空间法描述 ***,由状态方程和测量方程组成:
公式(4)中,Xp∈Rn×1为目标状态向量,Ap+1/p∈Rn×n为状态转移矩阵,Bp为输入矩阵,Ap+1/p和Bp取决于***特性,Wp是p时刻的过程噪声,Yp∈Rm×1是p时刻的观测向量,Hp∈Rn×n为***观测矩阵,Vp为p时刻的过程噪声。
在卡尔曼滤波方程的基础上,间接卡尔曼滤波方程可以推导为:
公式(5)中,表示目标状态向量,φ表示滚转角,θ表示俯仰角,ψ表示偏航角,x,y,z为陀螺常值漂移。
建立间接卡尔曼滤波的***状态方程为:
X'=AX+W (6)
公式(6)中,X'表示目标状态向量,A表示状态转移矩,X表示输入矩阵,W表示某 时刻的过程噪声。
步骤3:以最小均方差为准则,将Allan方差分析与间接卡尔曼滤波融合,构成互补滤波 器对无人机的加速度计和陀螺仪进行数据融合;
步骤4:采用滑动均值滤波对无人机加速度计的原始数据进行处理:
公式(7)中,xi表示传感器实时采集到的加速度计数据,yi表示滤波中间数据保存,zi表 示滤波后的数据输出,ai表示相应的权值,i和j表示均值滤波的参数。
步骤5:在步骤4的基础上,对无人机电动机转动时X轴加速度计的原始数据进行FFT 变换,得到加速度计对振动的敏感程度,并将该敏感程度作为预处理过程的调整参数。
步骤6:再利用加速度计姿态角的测量误差不随时间累加和陀螺仪漂移在短期内可提供高 动态的姿态数据在频域上的互补特性,采用一阶低通滤波器和一阶高通滤波器结合的互补滤 波器对二者进行数据融合,进一步提高姿态测量的精度和动态响应,其中针对俯仰角的一阶 低通滤波器和一阶高通滤波器结合的互补滤波姿态融合算法的滤波原理为:
公式(7)中,θ为姿态角,θref为参考姿态角,K为滤波器增益,s为传函拉式变化后自变量,是无偏估计的表示符号,wm表示陀螺仪实时输出的角速率。
K/(s+K)具有低通特性,S/(s+K)具有高通特性,选择适当K值,可使***具有合理的截止 频率,对陀螺仪和加速度所计算的姿态输出进行互补滤波,采用时域形式如下所示:
公式(8)中,K表示滤波器增益,θref为参考姿态角,wm表示陀螺仪实时输出的角速率。
优选的,考虑到运动加速度的影响,需要对加速度计输出值进行判断以确定是否可采用 加速度计值解算姿态角,包括以下三种情况:
α<=β时,K值不变,表明飞行器处于静止或匀速飞行状态。
β<α<=λ时,减小K值,表明飞行器处于低加速飞行状态。
α>λ时,K值应趋于无穷小,表明飞行器处于高加速飞行状态。
其中,K表示滤波器增益,α为四旋翼无人机的本机体轴分量的模与加速之差的绝对值, β为四旋翼无人机的加速度计白噪声零偏的标准差的模,λ表示阈值。
本发明的有益效果为:
本发明设计的PM2.5无人机检测装置可有效检测空气中PM2.5的浓度,同时,飞行器 稳定控制模块中的互补滤波姿态融合算法可有效解决低成本的GPS的数据刷新率太低,在高 速运动时数据滞后导致无人机高度跌落精度不高的问题,具有抗干扰能力强,稳定性高的特 点。
本发明中的互补滤波算法首先采用Allan方差分析与间接卡尔曼滤波相结合的互补滤波 算法,采用Allan方差分析方法分析无人机传感器的噪声源,然后采用间接卡尔曼滤波对无 人机陀螺仪的数据进行处理,构成互补滤波器对无人机的加速度计和陀螺仪进行数据融合。 然后采用滑动均值滤波对无人机加速度计的原始数据进行处理。最后利用加速度计姿态角的 测量误差不随时间累加和陀螺仪漂移在短期内可提供高动态的姿态数据在频域上的互补特 性,采用一阶低通滤波器和一阶高通滤波器结合的互补滤波器对二者进行数据融合,进一步 提高姿态测量的精度和动态响应。先后两次采用不同的互补滤波算法,可以使无人机更加稳 定地停留在空中某一位置,提高整个PM2.5无人机检测装置的效率和精度。
附图说明
图1是四旋翼无人机PM2.5检测装置的整体结构示意图;
图2是PM2.5传感器功能图;
图3是互补滤波器原理图;
图4是互补滤波姿态融合算法控制原理;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描 述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中 的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都 属于本发明保护的范围。
本实施例提供一种基于互补滤波姿态融合算法的无人机PM2.5检测装置,具体实施方式 如下:
如图1所示为四旋翼无人机PM2.5检测装置的整体结构示意图,所采用的四旋翼无人机 属于非共轴式碟形无人机,与常规旋翼无人机相比,其结构更为紧凑能够产生更大的升力。 包括旋翼、无刷电机、无刷电调、电源、起落架、机体和飞行控制***,飞行控制***包括 飞行控制计算机、姿态参考***、遥控接收机、GPS接收机,通过控制4只旋翼的转速集合 使得无人机实现各种飞行动作。4只旋翼安装于十字形机体的4个顶点位置,分为顺时针旋 转R(1、3)和逆时针转R(2、4)两组。当4只旋翼转速相等时,相互间抵消反扭力矩。
在四旋翼无人机顶端设有机架,粉尘传感器位于机架上方,起落架同机身相连,成十字 形分布,一定高度的起落架能减小地面效应在无人机起飞和着落时带来的影响。
四旋翼无人机机体由碳纤维材料制成,起落架由铝合金板制成。
如图2所示,PM2.5检测装置为AGS-V8PM2.5粉尘传感器,包括激光器、光散射检测腔体、滤波放大电路、微型处理器、内置加热器,可以自行吸引外部大气,且内置加热器不需加气泵实现自动进气,具有更低质量的PM2.5会在半路上浮,利用光的散射原理进行尘粒计数,检测出单位体积PM2.5的绝对个数,再通过光电传感器将光信号转变成电信号传输给计算机。光散射检测腔体内具有气流发生器,粉尘传感器的内部对角放置红外线发光二极管 和光电晶体管,并且将其光轴相交。当带灰尘的气流通过光轴相交的交叉区域,粉尘对红外 光反射,反射的光强与灰尘浓度成正比。选取光电晶体管作用在于,使得其能够探测到空气 中尘埃反射光,即使非常细小的如烟草烟雾颗粒也能够被检测到,而选择红外发光二极管的 目的在于,当进入的腔内的粉尘可将红外发光二极管发射出光线进行反射,得到一个反射光, 接收传感器检测到反射光的光强,输出信号。
PM2.5粉尘传感器中气流发生器为5V的输入电路。
检测装置采用ZigBee无线网络传输方式,检测装置采用ZigBee无线网络传输方式,是一 种数据传输安全性高,数据量不大,设备体积小。在面对复地形,监测点多,需要较大的网 络覆盖具有一定的优势。根据本发明所需求功耗低的设备之间进行数据传输,选用ZigBee技 术来建立一个监测粉尘浓度无线传感器网络。
四旋翼无人机的姿态参考***还包括基于互补滤波姿态融合算法的飞行器稳定控制模 块,稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高 通滤波相结合的互补滤波器。因为旋翼飞行器旋翼转动时振动强烈,故其姿态参考***受振 动的影响较大,必须要求其减少震动,为无人机上PM2.5传感器提供相对稳定的监测平台, 以准确检测周围空气中的粉尘浓度。因此需要其控制周期更小,响应速度更快,进而提高稳 定性。
如图3所示为互补滤波器原理图。互补滤波器即为把滤波器的高通和低通两部分加起来 成为一个滤波器,使其能输出一个有意义的、准确的线性估计。其优点在于可以修订噪声, 漂移和对横向加速度传感器的依赖,从而可以快速估计角度,响应比单独的低通滤波器要具 有更快的速度。
本发明设计一种针对无人机飞行器的互补滤波姿态融合算法,主要包括以下步骤:
步骤1:采用Allan方差分析方法分析无人机传感器的噪声源,分析得到数据的量化噪声、 角度随机游走噪声、零偏不稳定噪声、速率随机游走噪声和速率斜坡噪声。具体分析方法如 下:
公式(1)中,Q为量化噪声系数,N为角度游走噪声系数,B为零偏不稳定噪声系数,C为速率游走噪声系数,R为速率斜坡噪声系数,t为方差随时间的变化,σ2(t)为方差表达式。
设数据采样周期为T,一定时间内共采集N个数据,将N个数据分成L组,每组M个 数据,则每组的平均值为:
公式(2)中,M表示每组数据个数,下标i表示第i个数据,表示每组的平均值, 下标k表示第k组数据。
由公式(1)和公式(2)定义Allan方差如下所示:
公式(3)中,τ为自定义变量,σA 2为Allan方差,A表示Allan方差,M为每组数据个数,L为数据的组数。
步骤2:采用间接卡尔曼滤波对无人机陀螺仪的数据进行处理,间接卡尔曼滤波的***状 态方程推导过程如下:
首先建立卡尔曼滤波方程,假设测量噪声为白噪声,采用信号与噪声的状态空间法描述 ***,由状态方程和测量方程组成:
公式(4)中,Xp∈Rn×1为目标状态向量,Ap+1/p∈Rn×n为状态转移矩阵,Bp为输入矩阵,Ap+1/p和Bp取决于***特性,Wp是p时刻的过程噪声,Yp∈Rm×1是p时刻的观测向量,Hp∈Rn×n为***观测矩阵,Vp为p时刻的过程噪声。
在卡尔曼滤波方程的基础上,间接卡尔曼滤波方程可以推导为:
公式(5)中,表示目标状态向量,φ表示滚转角,θ表示俯仰角,ψ表示偏航角,x,y,z为陀螺常值漂移。
建立间接卡尔曼滤波的***状态方程为:
X'=AX+W (6)
公式(6)中,X'表示目标状态向量,A表示状态转移矩,X表示输入矩阵,W表示某 时刻的过程噪声。
步骤3:以最小均方差为准则,将Allan方差分析与间接卡尔曼滤波融合,构成互补滤波 器对无人机的加速度计和陀螺仪进行数据融合;
步骤4:采用滑动均值滤波对无人机加速度计的原始数据进行处理:
公式(7)中,xi表示传感器实时采集到的加速度计数据,yi表示滤波中间数据保存,zi表 示滤波后的数据输出,ai表示相应的权值,i和j表示均值滤波的参数。
步骤5:在步骤4的基础上,对无人机电动机转动时X轴加速度计的原始数据进行FFT 变换,得到加速度计对振动的敏感程度,并将该敏感程度作为预处理过程的调整参数。
步骤6:再利用加速度计姿态角的测量误差不随时间累加和陀螺仪漂移在短期内可提供高 动态的姿态数据在频域上的互补特性,采用一阶低通滤波器和一阶高通滤波器结合的互补滤 波器对二者进行数据融合,进一步提高姿态测量的精度和动态响应,其中针对俯仰角的一阶 低通滤波器和一阶高通滤波器结合的互补滤波姿态融合算法的滤波原理为:
公式(7)中,θ为姿态角,θref为参考姿态角,K为滤波器增益,s为传函拉式变化后自变量,是无偏估计的表示符号,wm表示陀螺仪实时输出的角速率。
K/(s+K)具有低通特性,S/(s+K)具有高通特性,选择适当K值,可使***具有合理的截止 频率,对陀螺仪和加速度所计算的姿态输出进行互补滤波,采用时域形式如下所示:
公式(8)中,K表示滤波器增益,θref为参考姿态角,是无偏估计的表示符号,表示最终 滤波结果,wm表示陀螺仪实时输出的角速率。
考虑到运动加速度的影响,需要对加速度计输出值进行判断以确定是否可采用加速度计 值解算姿态角,包括以下三种情况:
α<=β时,K值不变,表明飞行器处于静止或匀速飞行状态。
β<α<=λ时,减小K值,表明飞行器处于低加速飞行状态。
α>λ时,K值应趋于无穷小,表明飞行器处于高加速飞行状态。
其中,K表示滤波器增益,α为四旋翼无人机的本机体轴分量的模与加速之差的绝对值β 为四旋翼无人机的加速度计白噪声零偏的标准差的模,λ表示阈值。
先后两次采用不同的互补滤波算法,可以使无人机更加稳定地停留在空中某一位置,提 高整个PM2.5无人机检测装置的效率和精度。
图4是互补滤波姿态融合算法控制原理流程,首先需为***接通电源,触动开始按钮, ***将自动完成MCU内部初始化的工作,即配置MCU需使用到的外设,包括时钟***、NVIC 中断控制器、USART串口通信、IC接口、定时器;然后进行硬件初始化以和***的姿态解算, 互补滤波姿态融合算法程序采用模块化的设计设备自动加载。具体包括以下几个个部分:
(1)开机自动完成初始化硬件自动加载,检测MUC与各硬件模块间的双工通讯;
(2)开启定时器中断,在2.5ms的计时中断实现通过IC接口读取微机电***传感器和三轴数 字电子罗盘的测量数据,根据传感器的特点进行滤波后,
(3)利用初始校正所得到的校正数据对读取的数据作校正,校正完后转换成实际的物理量,再 对其做加权平均减小误差,然后进行姿态解算和地磁数据校准
(4)结合遥控装置完成任意姿态信息输出;
(5)开机自动检测记录周围环境PM2.5值,在液晶屏上实时显示;
(6)可通过与USART串口相连接的ZigBee模块将数据实时或后期传送值地面接收站。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围, 因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种基于互补滤波姿态融合算法的无人机PM2.5检测装置,包括四旋翼无人机和PM2.5粉尘传感器,其特征在于:
所述四旋翼无人机属于非共轴式碟形无人机,包括旋翼、无刷电机、无刷电调、电源、起落架、机体和飞行控制***,所述飞行控制***包括飞行控制计算机、姿态参考***、遥控接收机、GPS接收机,通过控制四只旋翼的转速集合使得无人机实现各种飞行动作;
所述PM2.5检测装置为AGS-V8PM2.5粉尘传感器,包括激光器、光散射检测腔体、滤波放大电路、微型处理器、内置加热器,光散射检测腔体内具有气流发生器,粉尘传感器的内部对角放置红外线发光二极管和光电晶体管,并且将其光轴相交;
在所述四旋翼无人机顶端设有机架,粉尘传感器位于机架上方,起落架同机身相连,成十字形分布。
2.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置,其特征在于:所述机体由碳纤维材料制成,起落架由铝合金板制成。
3.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置,其特征在于:所述粉尘传感器中气流发生器为5V的输入电路。
4.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置,其特征在于:所述检测装置采用ZigBee无线网络传输方式。
5.根据权利要求1所述的基于互补滤波姿态融合算法的无人机PM2.5检测装置,其特征在于:所述姿态参考***包括基于互补滤波姿态融合算法的飞行器稳定控制模块,所述稳定控制模块包括Allan方差分析与间接卡尔曼滤波相结合以及一阶低通滤波与一阶高通滤波相结合的互补滤波器。
6.一种针对无人机飞行器的互补滤波姿态融合算法,其特征在于,主要包括以下步骤:
步骤1:采用Allan方差分析方法分析无人机传感器的噪声源,分析得到数据的量化噪声、角度随机游走噪声、零偏不稳定噪声、速率随机游走噪声和速率斜坡噪声。具体分析方法如下:
公式(1)中,Q为量化噪声系数,N为角度游走噪声系数,B为零偏不稳定噪声系数,C为速率游走噪声系数,R为速率斜坡噪声系数,t为方差随时间的变化,σ2(t)为方差表达式。
设数据采样周期为T,一定时间内共采集N个数据,将N个数据分成L组,每组M个数据,则每组的平均值为:
公式(2)中,M表示每组数据个数,下标i表示第i个数据,表示每组的平均值,下标k表示第k组数据。
由公式(1)和公式(2)定义Allan方差如下所示:
公式(3)中,τ为自定义变量,σA 2为Allan方差,A表示Allan方差,M为每组数据个数,L为数据的组数。
步骤2:采用间接卡尔曼滤波对无人机陀螺仪的数据进行处理,间接卡尔曼滤波的***状态方程推导过程如下:
首先建立卡尔曼滤波方程,假设测量噪声为白噪声,采用信号与噪声的状态空间法描述***,由状态方程和测量方程组成:
公式(4)中,Xp∈Rn×1为目标状态向量,Ap+1/p∈Rn×n为状态转移矩阵,Bp为输入矩阵,Ap+1/p和Bp取决于***特性,Wp是p时刻的过程噪声,Yp∈Rm×1是p时刻的观测向量,Hp∈Rn×n为***观测矩阵,Vp为p时刻的过程噪声。
在卡尔曼滤波方程的基础上,间接卡尔曼滤波方程可以推导为:
公式(5)中,表示目标状态向量,φ表示滚转角,θ表示俯仰角,ψ表示偏航角,x,y,z为陀螺常值漂移。
建立间接卡尔曼滤波的***状态方程为:
X'=AX+W (6)
公式(6)中,X'表示目标状态向量,A表示状态转移矩,X表示输入矩阵,W表示某时刻的过程噪声。
步骤3:以最小均方差为准则,将Allan方差分析与间接卡尔曼滤波融合,构成互补滤波器对无人机的加速度计和陀螺仪进行数据融合;
步骤4:采用滑动均值滤波对无人机加速度计的原始数据进行处理:
公式(7)中,xi表示传感器实时采集到的加速度计数据,yi表示滤波中间数据保存,zi表示滤波后的数据输出,ai表示相应的权值,i和j表示均值滤波的参数。
步骤5:在步骤4的基础上,对无人机电动机转动时X轴加速度计的原始数据进行FFT变换,得到加速度计对振动的敏感程度,并将该敏感程度作为预处理过程的调整参数。
步骤6:再利用加速度计姿态角的测量误差不随时间累加和陀螺仪漂移在短期内可提供高动态的姿态数据在频域上的互补特性,采用一阶低通滤波器和一阶高通滤波器结合的互补滤波器对二者进行数据融合,进一步提高姿态测量的精度和动态响应,其中针对俯仰角的一阶低通滤波器和一阶高通滤波器结合的互补滤波姿态融合算法的滤波原理为:
公式(7)中,θ为姿态角,θref为参考姿态角,K为滤波器增益,s为传函拉式变化后自变量,是无偏估计的表示符号,wm表示陀螺仪实时输出的角速率。
K/(s+K)具有低通特性,S/(s+K)具有高通特性,选择适当K值,可使***具有合理的截止频率,对陀螺仪和加速度所计算的姿态输出进行互补滤波,采用时域形式如下所示:
公式(8)中,K表示滤波器增益,θref为参考姿态角,是无偏估计的表示符号,表示最终滤波结果,wm表示陀螺仪实时输出的角速率。
7.根据权利要求6所述的针对无人机飞行器的互补滤波姿态融合算法,其特征在于:所述步骤6中,考虑到运动加速度的影响,需要对加速度计输出值进行判断以确定是否可采用加速度计值解算姿态角,包括以下三种情况:
α<=β时,K值不变,表明飞行器处于静止或匀速飞行状态。
β<α<=λ时,减小K值,表明飞行器处于低加速飞行状态。
α>λ时,K值应趋于无穷小,表明飞行器处于高加速飞行状态。
其中,K表示滤波器增益,α为四旋翼无人机的本机体轴分量的模与加速之差的绝对值,β为四旋翼无人机的加速度计白噪声零偏的标准差的模,λ表示阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337138.5A CN109470613B (zh) | 2018-11-12 | 2018-11-12 | 一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337138.5A CN109470613B (zh) | 2018-11-12 | 2018-11-12 | 一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109470613A true CN109470613A (zh) | 2019-03-15 |
CN109470613B CN109470613B (zh) | 2020-07-03 |
Family
ID=65671640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811337138.5A Expired - Fee Related CN109470613B (zh) | 2018-11-12 | 2018-11-12 | 一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109470613B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398631A (zh) * | 2020-03-31 | 2020-07-10 | 西北工业大学 | 一种无人机加速度计误差识别及校正方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868521A (zh) * | 2014-02-20 | 2014-06-18 | 天津大学 | 基于激光雷达的四旋翼无人机自主定位及控制方法 |
CN104149982A (zh) * | 2014-04-11 | 2014-11-19 | 陕西科技大学 | 基于四轴飞行器的空气质量探测器 |
CN105043385A (zh) * | 2015-06-05 | 2015-11-11 | 北京信息科技大学 | 一种行人自主导航定位的自适应卡尔曼滤波方法 |
CN105136145A (zh) * | 2015-08-11 | 2015-12-09 | 哈尔滨工业大学 | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 |
CN105300381A (zh) * | 2015-11-23 | 2016-02-03 | 南京航空航天大学 | 一种基于改进互补滤波的自平衡移动机器人姿态快速收敛方法 |
CN105698792A (zh) * | 2016-01-26 | 2016-06-22 | 上海实汇机电科技有限公司 | 一种基于自适应鲁邦融合算法的动态mems惯性姿态测量*** |
CN105955302A (zh) * | 2016-06-20 | 2016-09-21 | 武汉理工大学 | 一种多旋翼无人机环境自主监测控制***及方法 |
CN105974934A (zh) * | 2016-06-24 | 2016-09-28 | 天津理工大学 | 基于领航-跟随法的空气质量智能监测四旋翼编队*** |
CN106094868A (zh) * | 2016-08-01 | 2016-11-09 | 杨珊珊 | 无人飞行器的悬停控制装置及其悬停控制方法 |
CN205940634U (zh) * | 2016-08-15 | 2017-02-08 | 幻飞智控科技(上海)有限公司 | 一种环境监测无人机 |
CN106444804A (zh) * | 2016-09-16 | 2017-02-22 | 杭州电子科技大学 | 基于互补滤波算法和串级pid的四旋翼飞行器设计方法 |
CN106482734A (zh) * | 2016-09-28 | 2017-03-08 | 湖南优象科技有限公司 | 一种用于imu多传感器数据融合的滤波方法 |
CN107977014A (zh) * | 2017-11-30 | 2018-05-01 | 广州市华科尔科技股份有限公司 | 一种无人机自动悬停方法 |
CN107992073A (zh) * | 2017-12-07 | 2018-05-04 | 深圳慧源创新科技有限公司 | 无人机定点飞行方法、无人机定点飞行装置和无人机 |
-
2018
- 2018-11-12 CN CN201811337138.5A patent/CN109470613B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868521A (zh) * | 2014-02-20 | 2014-06-18 | 天津大学 | 基于激光雷达的四旋翼无人机自主定位及控制方法 |
CN104149982A (zh) * | 2014-04-11 | 2014-11-19 | 陕西科技大学 | 基于四轴飞行器的空气质量探测器 |
CN105043385A (zh) * | 2015-06-05 | 2015-11-11 | 北京信息科技大学 | 一种行人自主导航定位的自适应卡尔曼滤波方法 |
CN105136145A (zh) * | 2015-08-11 | 2015-12-09 | 哈尔滨工业大学 | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 |
CN105300381A (zh) * | 2015-11-23 | 2016-02-03 | 南京航空航天大学 | 一种基于改进互补滤波的自平衡移动机器人姿态快速收敛方法 |
CN105698792A (zh) * | 2016-01-26 | 2016-06-22 | 上海实汇机电科技有限公司 | 一种基于自适应鲁邦融合算法的动态mems惯性姿态测量*** |
CN105955302A (zh) * | 2016-06-20 | 2016-09-21 | 武汉理工大学 | 一种多旋翼无人机环境自主监测控制***及方法 |
CN105974934A (zh) * | 2016-06-24 | 2016-09-28 | 天津理工大学 | 基于领航-跟随法的空气质量智能监测四旋翼编队*** |
CN106094868A (zh) * | 2016-08-01 | 2016-11-09 | 杨珊珊 | 无人飞行器的悬停控制装置及其悬停控制方法 |
CN205940634U (zh) * | 2016-08-15 | 2017-02-08 | 幻飞智控科技(上海)有限公司 | 一种环境监测无人机 |
CN106444804A (zh) * | 2016-09-16 | 2017-02-22 | 杭州电子科技大学 | 基于互补滤波算法和串级pid的四旋翼飞行器设计方法 |
CN106482734A (zh) * | 2016-09-28 | 2017-03-08 | 湖南优象科技有限公司 | 一种用于imu多传感器数据融合的滤波方法 |
CN107977014A (zh) * | 2017-11-30 | 2018-05-01 | 广州市华科尔科技股份有限公司 | 一种无人机自动悬停方法 |
CN107992073A (zh) * | 2017-12-07 | 2018-05-04 | 深圳慧源创新科技有限公司 | 无人机定点飞行方法、无人机定点飞行装置和无人机 |
Non-Patent Citations (8)
Title |
---|
展誉传感: "PM2.5传感器工作原理", 《百度》 * |
李航: "小型四旋翼飞行器实时控制***研究", 《国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
梁延德等: "基于互补滤波器的四旋翼飞行器姿态解算", 《传感器与微***》 * |
赵世荣: "基于嵌入式的四旋翼飞行器姿态控制设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
道客巴巴: "粉尘传感器工作原理", 《百度》 * |
邹学锋: "基于Allan方差的MEMS陀螺仪性能评价方法", 《微纳电子技术》 * |
郭晓鸿: ""EKF和互补滤波器在飞行姿态确定中的应用"", 《传感器与微***》 * |
高昊: "基于光散射原理的矿用激光粉尘浓度传感器", 《煤矿安全》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398631A (zh) * | 2020-03-31 | 2020-07-10 | 西北工业大学 | 一种无人机加速度计误差识别及校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109470613B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abichandani et al. | Wind measurement and simulation techniques in multi-rotor small unmanned aerial vehicles | |
CN105955302A (zh) | 一种多旋翼无人机环境自主监测控制***及方法 | |
CN105083588B (zh) | 一种多旋翼无人飞行器性能测试平台及方法 | |
CN101445156B (zh) | 智能化空中机器人***集成技术 | |
CN110488850A (zh) | 一种基于树莓派的四旋翼无人机视觉导航***及方法 | |
CN106970651A (zh) | 一种基于视觉导航的四旋翼无人机的自主飞行***及控制方法 | |
CN205003549U (zh) | 一种单旋翼无人机自主飞行控制硬件*** | |
CN102442424A (zh) | 一种固定翼无人机的定高飞行控制***与方法 | |
KR20150043392A (ko) | 바람 벡터 추산 | |
CN204008404U (zh) | 一种pm2.5检测装置 | |
CN104075699A (zh) | 三维固态电子罗盘及其传感器的零点和比例系数核正方法 | |
CN109099890A (zh) | 一种基于航空摄影辅助的brdf测量***及其测量方法 | |
EP3570135A1 (en) | Optimized trajectory to noise improvement with auto-takeoff | |
CN108413956A (zh) | 多旋翼飞行器稳定性分析平台 | |
CN107065911A (zh) | 四旋翼飞行器及其控制方法 | |
FR3018912A1 (fr) | Procede et dispositif d'estimation automatique de parametres lies a un vol d'un aeronef. | |
CN110209182A (zh) | 一种基于avr单片机的四旋翼飞行器 | |
CN110286390A (zh) | 一种指定路径风速测量方法、装置及测风雷达标定方法 | |
CN109683164A (zh) | 一种基于飞行数据的无人机坠落行为识别方法 | |
CN108803633A (zh) | 一种基于移动通信网络的无人机低空监控*** | |
CN109521785A (zh) | 一种随身拍智能旋翼飞行器*** | |
CN202345910U (zh) | 一种固定翼无人机的定高飞行控制*** | |
CN109470613A (zh) | 一种基于互补滤波姿态融合算法的无人机pm2.5检测装置 | |
CN107310716A (zh) | 飞行器自动降落的控制***及方法 | |
CN103123361A (zh) | Mems角速度和加速度传感器自动标定方法及其*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200703 Termination date: 20201112 |
|
CF01 | Termination of patent right due to non-payment of annual fee |