CN110955261A - 一种基于ros的固定翼无人机自动驾驶仪的仿真方法 - Google Patents
一种基于ros的固定翼无人机自动驾驶仪的仿真方法 Download PDFInfo
- Publication number
- CN110955261A CN110955261A CN201911268763.3A CN201911268763A CN110955261A CN 110955261 A CN110955261 A CN 110955261A CN 201911268763 A CN201911268763 A CN 201911268763A CN 110955261 A CN110955261 A CN 110955261A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- module
- simulation
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 33
- 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 abstract description 11
- 238000007726 management method Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000003642 reactive oxygen metabolite Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000002706 hydrostatic effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000011439 discrete element method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，在Gazebo中搭建环境模型，或者制作数字高程模型、卫星图像等导入Gazebo中使用。对于单体固定翼无人机的自动驾驶***，采用模块化的设计。整个***包括传感器模块、状态估算模块、无人机飞行控制模块、路径跟随模块、路径管理模块以及规划路径模块。将构建的单体固定翼无人机模型导入Gazebo中，开始对单体固定翼无人机自动驾驶仪进行仿真模拟；基于ROS平台，将传统的固定翼无人机仿真转化分模块的开放式机器人***仿真，ROS平台的可分布式还提供了多机模拟的可能。利用Gazebo三维物理仿真平台，解决了传统仿真方式的仿真视觉效果差、拟真度低和物理仿真效果不真实的问题。
Description
技术领域
本发明涉及无人机飞行技术领域，具体涉及一种基于ROS的固定翼无人机自动驾驶仪的仿真方法。
背景技术
ROS是机器人操作***(Robot Operating System)的英文缩写。它提供了为异构计算机群集设计的服务，例如硬件抽象，低级设备控制，常用功能的实现，进程之间的消息传递以及程序包管理。ROS提供了将ROS与Gazebo仿真器集成的软件包。其中，Gazebo是一个开源的3D机器人模拟器，集成了ODE物理引擎，OpenGL渲染以及用于传感器仿真和执行器控制的支持代码，它提供逼真的环境渲染，包括高质量的照明，阴影和纹理。
无人机在世界范围内的防御计划和防御策略中扮演着越来越重要的角色。在军事上有着广泛的应用，如反恐、监控以及中继通信。在民用及商业领域同样有着广泛的潜在应用，包括环境监测，森林火灾检测，边境巡逻，空中监视与测绘，精细化农业，自组通信网络，乡村搜索及搜救。但是，这些应用要想得到成熟的发展，必须增加无人机***的可靠性，拓展其功能，改善其易用性并且降低其成本。考虑到固定翼无人机真实飞行实验的高昂成本，仿真实验不仅可以检验飞行控制***的正确性和鲁棒性，还可以有效的降低实验成本。
随着无人机应用范围的扩大且任务更加复杂，传统无人机控制***采用的封闭式设计方式，针对具体型号的无人机，将软件与硬件紧密耦合，已经无法适应当今时代的需求。开放式机器人***具有标准化、模块化的特点。无人机***由多个不同功能的功能节点组成。各节点之间通过topic、service和action的方式进行通信。具有开发周期短、易于修改及重构的特点。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供了一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，不仅提供了固定翼无人机自动驾驶仪较为真实的仿真效果而且各功能模块之间采用松耦合的方式，提高功能的复用性的同时大大降低了拓展新功能的难度。
为实现上述目的，本发明采用的技术方案为一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，该仿真方法包括以下步骤，
S1：在Gazebo中搭建环境模型，或者制作数字高程模型(DEM)、卫星图像等导入Gazebo中使用。
S2：对于单体固定翼无人机的自动驾驶***，采用模块化的设计。整个***包括传感器模块、状态估算模块、无人机飞行控制模块、路径跟随模块、路径管理模块以及规划路径模块。其中，传感器模块包含空速传感器、压强传感器、GPS接收器、六轴惯性测量传感器、数字指南针和里程计。
传感器模块通过各传感器获得无人机飞行过程中的状态参数。六轴惯性测量传感器包含三轴角速率陀螺和三轴加速度计。
状态估算模块基于标准扩展卡尔曼滤波器结合传感器参数，通过一个姿态滤波器和用于GPS平滑的位置滤波器来估算无人机位置、速度和姿态。
无人机飞行控制模块是一系列嵌套的PID控制器，用以实现固定翼的横向状态控制以及纵向状态控制。
路径跟随模块用以实现固定翼直线和轨道路径的跟随。
路径管理模块通过读入路径点以及路径点偏航角，通过圆角路径算法或Dubins路径算法输出无人机飞行路径。
规划路径模块则是预先设定好的无人机规划路径。
对于不同的固定翼无人机，通过编写*.yaml参数文件的方式将不同的无人机模型参数、飞行动力学参数等进行修改，以达到自动驾驶仪在多种不同的固定翼无人机下的仿真目的。
S3：将构建的单体固定翼无人机模型导入Gazebo中，开始对单体固定翼无人机自动驾驶仪进行仿真模拟；
进一步，各模块之间通过topic和service进行通信和数据传递，进而实现固定翼无人机的自动驾驶仪仿真。ROS消息和服务中使用基于TCP/IP的消息方式TCPROS，其中TCP/IP传输控制协议(TCP，Transmission Control Protocol)是一种传输控制协议，称为TCP/IP。从互联网协议层的角度来看，基于IP(Internet Protocol)且使用传输控制协议TCP，以此保证数据传输，并按照发送顺序进行发送/接收。
进一步，各模块间的数据流入流出关系为：机载空速传感器、压强传感器、GPS接收器和六轴惯性测量传感器实时获取当前无人机传感器数据，将获取到的数据经过滤波降噪后发布到对应的传感器数据话题。
进一步，状态估算模块订阅上述传感器数据话题，获取传感器数据后，通过拓展卡尔曼滤波算法进行姿态融合，解算出无人机的实时位置、速度和姿态后发布到无人机状态话题。通过写*.cpp文件或以mqtt协议发布消息的方式对规划路径模块写入预先设定好的规划路径，并将规划路径发布到规划路径话题。路径管理节点订阅无人机状态话题和规划路径话题的数据，根据圆角路径或Dubins路径算法，计算出无人机实际跟随路径并将该结果发布到当前路径话题。
进一步，路径跟随模块订阅无人机状态话题以及当前路径话题解算出无人机控制指令并将其发布到控制指令话题。最后无人机飞行控制模块通过订阅无人机状态话题和控制指令话题将无人机控制指令转化为具体的无人机速度和姿态的控制，对无人机的状态进行调整，形成整个自动驾驶仪的闭环。
与现有技术相比，本发明的有益效果在于：
基于ROS平台，将传统的固定翼无人机仿真转化分模块的开放式机器人***仿真，在保证原有仿真***稳定性、鲁棒性的前提下，大大提高了仿真***的可拓展性、通用性以及代码的可复用性。ROS平台的可分布式还提供了多机模拟的可能。
本发明不局限于某种特定的无人机型号，通过配置*.yaml文件和修改各模块参数的方式，可实现通用无人机自动驾驶仪仿真的目的。
利用Gazebo三维物理仿真平台，提供了逼真的物理效果、环境效果和更多维度的仿真结果，解决了传统仿真方式的仿真视觉效果差、拟真度低和物理仿真效果不真实的问题。
附图说明
图1为本发明的仿真步骤流程图；
图2为开放式单体固定翼无人机自动驾驶仪模块结构及数据流动示意图；
图3为横向控制自动驾驶仪框图；
图4为本发明实施例中仿真效果图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步详细描述。
本发明实施例提供了基于ROS的固定翼无人机自动驾驶仪的仿真***，图1为本发明的仿真步骤流程图，包括以下步骤：
S1：创建仿真过程的场景环境模型，以实现更逼真、视角效果更好的真实物理仿真。可采用的方法有如下3种：
(1)在Gazebo中直接搭建场景环境模型。在渲染窗口上方可快速添加立方体、球体和圆柱体，更复杂的模型可以通过Gazebo模型数据库进行添加包含但不限于机器人、桌椅及建筑。每个模型的姿态可通过平移、旋转和放缩进行调整。在属性设置栏还可以设置仿真过程中各模型的物理属性如碰撞属性和惯性属性等。搭建完成后可保存为*.sdf文件以备后续使用。除此以外，在建筑物编辑器中还可以根据导入的楼层平面图搭建更为细致、逼真的三维建筑模型，该模型可设置纹理。
(2)使用数字高程模型(DEM)。数字高程模型是不包含建筑物或植被等任何物体的地形表面的3D表示。DEM通常是通过结合使用诸如LIDAR，雷达或摄像机之类的传感器来创建的。地面位置的地形标高以规则间隔的水平间隔进行采样。DEM术语只是通用名称，而不是特定格式。实际上，DEM可以表示为高程网格(栅格)或基于矢量的三角不规则网络(TIN)。目前，Gazebo仅支持GDAL中支持的格式的栅格数据。在凉亭中支持DEM的主要动机是能够模拟现实的地形。救援或农业应用可能会对使用与真实世界相匹配的模拟地形来测试其机器人行为感兴趣。通过在ROS中安装的GDAL库，可将DEM模型转化为*.sdf文件以备后续使用。
(3)对于在大型室外环境中发生的应用(例如空中机器人)而言，在地面上使用带有卫星图像的地平面在仿真中通常很有用。卫星图像对于环境可视化和计算机视觉任务也很有用。使用Gazebo提供的“静态地图世界”插件可以创建卫星地图模型并将其***到场景文件中。图片是在运行时使用Google的StaticMapAPI下载的，因此使用此插件需要互联网连接。
S2：创建待仿真的单体固定翼无人机自动驾驶***。整个***采用模块化思维设计，主要包括传感器模块，状态估算模块，无人机飞行控制模块，路径跟随模块，路径管理模块以及规划路径模块。其中，传感器模块包含空速传感器、压强传感器、GPS接收器、六轴惯性测量传感器、数字指南针和里程计。具体待仿真特定固定翼无人机的全部参数存储在*.yaml文件中。
传感器模块通过各传感器获得无人机飞行过程中的状态参数。
空速可以由全静压管探针连着差压传感器的设备测量。根据伯努利方程，总压是静压和全压之和，有下面的方程：
其中：ρ为空气密度；Va为MAV的空速。通过校准方法，把传感器的电压输出转换成微控制器里表示压强的数，其单位为N/m2，建立差压传感器输出模型：
式中：βdiffpres为与温度有关的偏压漂移；ηdiffpres为均值是零、方差是
的高斯噪声。
在仿真***中由于能够直接获取模型的三轴线速度，因此可通过上式反推固定翼无人机当前压差的值。
通过测量大气压强，可以推断出高度的测量值，流体静力学的基本方程为：
P2-P1＝ρg(z2-z1)
这种关系假设测试点间流体的密度是常数。虽然从海平面到飞机飞行高度，气压密度有明显的变化但式中的流体静力学关系在高度变化比较小，在气压密度基本为常数的情况下还是很有用的。
关注飞机在地面上高度和相应的压强变化，有如下关系式：
P-Pground＝-ρg(h-hground)
＝-ρghAGL
式中：h为飞机的绝对高度；hground为地面的绝对高度；hAGL＝h-hground，h和hground都是相对于海平面测量的。P是响应的绝对压强测量。在实现的时候，Pground是起飞前在地平面测量的大气压强，ρ是飞行地方的空气密度。
同样的，由于在仿真平台中可以直接获取无人机的高度信息，因此可以直接反推出当前飞行位置的大气压强。
全球定位***是基于卫星的导航***，它提供了地球表面上或者地球表面附近物体的三维位置信息。该***包括太空中的31颗GPS人造卫星；地面上1个主控站、3个数据注入站和5个监测站。及作为用户端的GPS接收机。最少只需其中4颗卫星，就能迅速确定用户端在地球上所处的位置及海拔高度。
由于在Gazebo中采用的是NED坐标，可以直接获取无人机当前的NED坐标信息。因此需要通过坐标转换获得GPS信息。首先获取NED坐标系中的参考原点，在该实例中以无人机起飞点作为NED坐标系中的参考原点。该点即为无人机GPS星数达到要求后的起始位置。根据参考原点的坐标信息可给出从ECEF和NED之间转换计算：
PE，ref＝[XE,ref,YE,ref,ZE,ref]T
PN＝RN/E(PE-PE,ref)
从ECEF到NED坐标系的旋转矩阵如下：
结合上面两部分的计算方法，即可实现GPS输出的位置数据和NED坐标系下的位置数据之间的相互转换。
惯性测量单元(IMU)是测量物体三轴姿态角(或角速率)以及加速度的装置。该实例中IMU中装有三轴的陀螺仪和三个方向的加速度计，用来测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。
现代数字指南针用三轴磁力计测量三个正交轴的磁场。在无人机应用中，这些测量轴总是和飞机的机身对齐。如果飞机水平飞行，那么只需要测量两个感应轴的磁向，但是如果飞机倾斜，就需要测量飞机的另一个磁向。
为了创建一个用于仿真目的的传感器模型，根据倾斜角的不确定性，实例中数字指南针模型假设指南针给出了一个带有误差的真实航向，所带来的误差源于倾斜角的不确定性和磁力计传感器的噪声。
在本实例中，将上述传感器封装为插件添加到固定翼无人机模型上。其中，插件就是一块代码，被编译为共享库并***到仿真中。该插件可通过标准C++类直接访问Gazebo的所有功能。插件使易于复用的独立例程，可以从正在运行的***中***和删除。本实例中使用传感器类型的插件，可以连接到特定传感器，获取传感器信息并控制传感器属性。
由于传感器不能有效直接衡量固定翼无人机的转动和倾斜。因此需要通过传感器采集的数据对无人机的状态进行估计。状态估算模块基于标准扩展卡尔曼滤波器结合传感器参数，通过一个姿态滤波器和用于GPS平滑的位置滤波器来估算无人机位置、速度和姿态。
估计角速率p、q、r可由速率陀螺通过低通滤波器得到可以接受的估计值。通过压强传感器可以得到高度的估计。将低通滤波器用于压差传感器，则可以估计出空速。对于不同的状态低通滤波器的带宽有所不同，需根据仿真效果进行调整。
对于转动角度和倾斜角度仅通过简单的低通滤波器在加速过程中的估计误差则是不可接受的。因此采用拓展卡尔曼滤波器来更为精确地估计转动角度和俯仰角度。应用非线性传播模型：
φ＝p+qsinφ*tanθ+rcosφ*tanθ+ζφ
θ＝qcosφ-rsinφ+ζθ
式中：增加了噪声项ζφ和ζθ来表示p、q、r的噪声，且ζφ～N(0，Qφ)，ζθ～N(0，Qθ)。
通过低通滤波GPS信号则因为抽样率比较低因此在估计上会产生非常明显的延迟，不能得到满意的结果。类似的对于位置、航线和对地速率也可以采用拓展卡尔曼滤波进行估计。
无人机飞行控制模块是一系列嵌套的PID控制器，主要用以实现固定翼的横向状态控制以及纵向状态控制。
图3展示了横向自动驾驶仪的框图。包含5个相关增益，微分增益
提供了最内环的滚转率阻尼，滚转姿态由比例增益
和积分增益
调整。航向角由比例增益
和
调整。用到连续闭环的主要原因是：增益首先在最内环开始选择，然后再逐渐向外选取。特别地，首先选择增益
和
其次是
最后是
和
对于纵向的自动驾驶仪，采用油门和升降翼作为驱动器来调整空速和高度。在起飞区，需要完全打开油门，同时用升降翼来调整俯仰姿态，使得俯仰角θc是固定值；上升区需要完全打开油门并且使用俯仰角来调整空速。如果空速大于标定空速，飞机就会往上倾斜，就会导致上升速率增加，同时空速减小。如果空速小于标定空速，飞机就往下倾斜，导致上升速率减少，同时空速增加。在下降区，除不需要油门外，和上升区类似。
路径跟随模块用以实现固定翼直线和轨道路径的跟随。对于直线跟随的纵向制导利用上述纵向的自动驾驶仪即可得到良好的路径跟随效果。而横向路径跟随的策略则是，在MAV朝路径移动中相对于直线路径的每个空间点构建一个所需要的航线角。每个点所需的一组航向角称为矢量场。当航向偏差较大时，MAV也会以航线角接近路径。当航向偏差接近零时，航线角也接近于零。对于轨道路径的跟随，采用类似直线跟随中横向路径跟随的思想，构造一个理想的航向场，将MAV移动到轨道Porbit上。当MAV与轨道中心的距离很大时，MAV朝向轨道中心飞行是可取的。即，当d＞＞ρ时，理想的航线是
当d＝ρ时，理想的航线是χd＝χ0。因此，候选的航向场可由下式给出：
式中：korbit是大于0的常数，表征从λπ/2到0的转换速率。χ0为MAV位于轨道上时所需的航线角。
路径管理模块通过读入路径点以及路径点偏航角，通过圆角路径算法或Dubins路径算法输出无人机飞行路径。其中圆角路径指MAV沿航点路径移动过程中，在直线段之间***圆角用以平滑的路径平滑算法。Dubins路径则是指将二维欧几里得平面中两点连接在一起的最短路径，两点对路径的曲率有约束，且对路径指定了初始和最终的切线方向，并且假设沿该路径行驶的设备仅能向前行驶。经过证明，最短路径是通过将最大曲率的圆弧和直线连接起来而形成的。Dubins路径通常在机器人技术领域和控制理论领域中用作规划轮式机器人、飞行器和水下航行器路径的方法。
规划路径模块则是预先设定好的无人机规划路径。在本实例中可以通过*.cpp文件写入规划好的路径点坐标及航向，或通过mqtt协议从外部传入路径点坐标及航向或固定翼无人机盘旋点坐标及盘旋时间。
各模块之间主要通过topic和service进行通信和数据传递，进而实现固定翼无人机的自动驾驶仪仿真。ROS消息和服务中主要使用基于TCP/IP的消息方式TCPROS，其中TCP/IP传输控制协议(TCP，Transmission Control Protocol)是一种传输控制协议，通常被称为TCP/IP。从互联网协议层的角度来看，它基于IP(Internet Protocol)且使用传输控制协议TCP，以此保证数据传输，并按照发送顺序进行发送/接收。
开放式单体固定翼无人机自动驾驶仪模块结构及数据流动示意图如图2所示：机载空速传感器、压强传感器、GPS接收器和六轴惯性测量传感器实时获取当前无人机传感器数据，将获取到的数据经过滤波降噪后发布到对应的传感器数据话题。状态估算模块订阅上述传感器话题，获取传感器数据后，通过拓展卡尔曼滤波算法进行姿态融合，解算出无人机的实时位置、速度和姿态后发布到无人机状态话题。通过写*.cpp文件或以mqtt协议发布消息的方式可对规划路径模块写入预先设定好的规划路径，并将规划路径发布到规划路径话题。路径管理节点订阅无人机状态话题和规划路径话题的数据，根据圆角路径或Dubins路径算法，计算出无人机实际跟随路径并将该结果发布到当前路径话题。进一步，路径跟随模块订阅无人机状态话题以及当前路径话题解算出无人机控制指令并将其发布到控制指令话题。最后无人机飞行控制模块通过订阅无人机状态话题和控制指令话题将无人机控制指令转化为具体的无人机速度和姿态的控制，对无人机的状态进行调整，形成整个自动驾驶仪的闭环。
S3：通过*.URDF文件构建固定翼无人机模型。URDF是一种基于XML规范、用于描述机器人结构的格式。从机构学角度讲，机器人通常被建模为由连杆和关节组成的结构。连杆是带有质量属性的刚体，而关节是连接、限制两个刚体相对运动的结构。关节也被成为运动副。通过关节将连杆依次连接起来，就构成了一个个运动链(也就是这里所定义的机器人模型)。一个URDF文档即描述了这样的一系列关节与连杆的相对关系、惯性属性、几何特点和碰撞模型。本实例中*.urdf文件包含：固定翼无人机模型的运动学与动力学描述、固定翼无人机的几何表示和固定翼无人机的碰撞模型。
将构建好的*.urdf文件、S1中的场景模型和S2中自动驾驶相关的各功能节点整合到*.launch文件中。其中，启动文件(LaunchFile)是ROS中一种同时启动多个节点的途径，还可以自动启动ROSMaster节点管理器，而且可以实现每个节点的各种配置，为多个节点的操作提供了很大便利。通过运行*.launch文件即可启动该实例的基于ROS的固定翼无人机自动驾驶仪的仿真***。图4为本发明实施例中仿真效果图。
利用该仿真***可逐个模块进行参数调整和功能修改，而不影响其他模块功能。并且可便捷的加入新模块进行功能的拓展，且各模块都可以供其他项目使用具有可复用性强的特点。此外，借助ROS平台的可分布性特点还可以提供多机并行模拟。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (5)
1.一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，其特征在于：该仿真方法包括以下步骤，
S1：在Gazebo中搭建环境模型，或者制作数字高程模型DEM、卫星图像导入Gazebo中使用；
S2：对于单体固定翼无人机的自动驾驶***，采用模块化的设计；整个***包括传感器模块、状态估算模块、无人机飞行控制模块、路径跟随模块、路径管理模块以及规划路径模块；其中，传感器模块包含空速传感器、压强传感器、GPS接收器、六轴惯性测量传感器、数字指南针和里程计；
传感器模块通过各传感器获得无人机飞行过程中的状态参数；六轴惯性测量传感器包含三轴角速率陀螺和三轴加速度计；
状态估算模块基于标准扩展卡尔曼滤波器结合传感器参数，通过一个姿态滤波器和用于GPS平滑的位置滤波器来估算无人机位置、速度和姿态；
无人机飞行控制模块是一系列嵌套的PID控制器，用以实现固定翼的横向状态控制以及纵向状态控制；
路径跟随模块用以实现固定翼直线和轨道路径的跟随；
路径管理模块通过读入路径点以及路径点偏航角，通过圆角路径算法或Dubins路径算法输出无人机飞行路径；
规划路径模块则是预先设定好的无人机规划路径；
对于不同的固定翼无人机，通过编写*.yaml参数文件的方式将不同的无人机模型参数、飞行动力学参数进行修改，以达到自动驾驶仪在多种不同的固定翼无人机下的仿真目的；
S3：将构建的单体固定翼无人机模型导入Gazebo中，开始对单体固定翼无人机自动驾驶仪进行仿真模拟。
2.根据权利要求1所述的一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，其特征在于：各模块之间通过topic和service进行通信和数据传递，进而实现固定翼无人机的自动驾驶仪仿真；ROS消息和服务中使用基于TCP/IP的消息方式TCPROS，其中TCP/IP传输控制协议是一种传输控制协议，称为TCP/IP；从互联网协议层的角度来看，基于IP且使用传输控制协议TCP，以此保证数据传输，并按照发送顺序进行发送/接收。
3.根据权利要求1所述的一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，其特征在于：各模块间的数据流入流出关系为：机载空速传感器、压强传感器、GPS接收器和六轴惯性测量传感器实时获取当前无人机传感器数据，将获取到的数据经过滤波降噪后发布到对应的传感器数据话题。
4.根据权利要求1所述的一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，其特征在于：状态估算模块订阅上述传感器数据话题，获取传感器数据后，通过拓展卡尔曼滤波算法进行姿态融合，解算出无人机的实时位置、速度和姿态后发布到无人机状态话题；通过写*.cpp文件或以mqtt协议发布消息的方式对规划路径模块写入预先设定好的规划路径，并将规划路径发布到规划路径话题；路径管理节点订阅无人机状态话题和规划路径话题的数据，根据圆角路径或Dubins路径算法，计算出无人机实际跟随路径并将该结果发布到当前路径话题。
5.根据权利要求1所述的一种基于ROS的固定翼无人机自动驾驶仪的仿真方法，其特征在于：路径跟随模块订阅无人机状态话题以及当前路径话题解算出无人机控制指令并将其发布到控制指令话题；最后无人机飞行控制模块通过订阅无人机状态话题和控制指令话题将无人机控制指令转化为具体的无人机速度和姿态的控制，对无人机的状态进行调整，形成整个自动驾驶仪的闭环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911268763.3A CN110955261A (zh) | 2019-12-11 | 2019-12-11 | 一种基于ros的固定翼无人机自动驾驶仪的仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911268763.3A CN110955261A (zh) | 2019-12-11 | 2019-12-11 | 一种基于ros的固定翼无人机自动驾驶仪的仿真方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110955261A true CN110955261A (zh) | 2020-04-03 |
Family
ID=69980977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911268763.3A Pending CN110955261A (zh) | 2019-12-11 | 2019-12-11 | 一种基于ros的固定翼无人机自动驾驶仪的仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110955261A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830845A (zh) * | 2020-04-30 | 2020-10-27 | 航天图景（北京）科技有限公司 | 一种无人机风机叶片自动巡检仿真***及方法 |
| CN112394649A (zh) * | 2020-11-17 | 2021-02-23 | 中国人民解放军63892部队 | 一种基于分时复用的群无人机内通信行为控制平台 |
| CN112925222A (zh) * | 2021-02-01 | 2021-06-08 | 武汉理工大学 | 一种基于ros的无人艇运动控制仿真方法及装置 |
| CN113219854A (zh) * | 2021-04-20 | 2021-08-06 | 鹏城实验室 | 机器人仿真控制平台、方法及计算机存储介质 |
| CN113610792A (zh) * | 2021-07-30 | 2021-11-05 | 杭州申昊科技股份有限公司 | 轨道扣件检测方法、设备和可读存储介质 |
| CN113763508A (zh) * | 2021-08-27 | 2021-12-07 | 广州市城市规划勘测设计研究院 | 一种基于虚拟引擎的矢量数据处理方法、装置及介质 |
| CN114741795A (zh) * | 2022-04-27 | 2022-07-12 | 武汉理工大学 | 基于ROS和Gazebo的智能车仿真方法及*** |
| CN114970048A (zh) * | 2022-07-13 | 2022-08-30 | 哈尔滨工业大学 | 面向空间多分支机器人在轨攀爬的动力学仿真平台及方法 |
| CN116540568A (zh) * | 2023-07-05 | 2023-08-04 | 中南大学 | 一种大规模分布式无人机集群仿真*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107450577A (zh) * | 2017-07-25 | 2017-12-08 | 天津大学 | 基于多传感器的无人机智能感知***和方法 |
| WO2018222775A1 (en) * | 2017-05-30 | 2018-12-06 | Digitalglobe, Inc. | Broad area geospatial object detection |
| US20190004518A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and system for training unmanned aerial vehicle control model based on artificial intelligence |
| CN110297500A (zh) * | 2019-06-28 | 2019-10-01 | 天津大学 | 一种给定多航路点下无人机的连续航迹规划方法 |
| CN110333738A (zh) * | 2019-07-10 | 2019-10-15 | 华东师范大学 | 一种基于仿真模拟软件的无人机集群验证方法 |
-
2019
- 2019-12-11 CN CN201911268763.3A patent/CN110955261A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018222775A1 (en) * | 2017-05-30 | 2018-12-06 | Digitalglobe, Inc. | Broad area geospatial object detection |
| US20190004518A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and system for training unmanned aerial vehicle control model based on artificial intelligence |
| CN107450577A (zh) * | 2017-07-25 | 2017-12-08 | 天津大学 | 基于多传感器的无人机智能感知***和方法 |
| CN110297500A (zh) * | 2019-06-28 | 2019-10-01 | 天津大学 | 一种给定多航路点下无人机的连续航迹规划方法 |
| CN110333738A (zh) * | 2019-07-10 | 2019-10-15 | 华东师范大学 | 一种基于仿真模拟软件的无人机集群验证方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830845A (zh) * | 2020-04-30 | 2020-10-27 | 航天图景（北京）科技有限公司 | 一种无人机风机叶片自动巡检仿真***及方法 |
| CN112394649B (zh) * | 2020-11-17 | 2022-08-30 | 中国人民解放军63892部队 | 一种基于分时复用的群无人机内通信行为控制平台 |
| CN112394649A (zh) * | 2020-11-17 | 2021-02-23 | 中国人民解放军63892部队 | 一种基于分时复用的群无人机内通信行为控制平台 |
| CN112925222A (zh) * | 2021-02-01 | 2021-06-08 | 武汉理工大学 | 一种基于ros的无人艇运动控制仿真方法及装置 |
| CN113219854A (zh) * | 2021-04-20 | 2021-08-06 | 鹏城实验室 | 机器人仿真控制平台、方法及计算机存储介质 |
| CN113219854B (zh) * | 2021-04-20 | 2024-05-28 | 鹏城实验室 | 机器人仿真控制平台、方法及计算机存储介质 |
| CN113610792B (zh) * | 2021-07-30 | 2023-07-14 | 杭州申昊科技股份有限公司 | 轨道扣件检测方法、设备和可读存储介质 |
| CN113610792A (zh) * | 2021-07-30 | 2021-11-05 | 杭州申昊科技股份有限公司 | 轨道扣件检测方法、设备和可读存储介质 |
| CN113763508A (zh) * | 2021-08-27 | 2021-12-07 | 广州市城市规划勘测设计研究院 | 一种基于虚拟引擎的矢量数据处理方法、装置及介质 |
| CN114741795A (zh) * | 2022-04-27 | 2022-07-12 | 武汉理工大学 | 基于ROS和Gazebo的智能车仿真方法及*** |
| CN114970048A (zh) * | 2022-07-13 | 2022-08-30 | 哈尔滨工业大学 | 面向空间多分支机器人在轨攀爬的动力学仿真平台及方法 |
| CN116540568A (zh) * | 2023-07-05 | 2023-08-04 | 中南大学 | 一种大规模分布式无人机集群仿真*** |
| CN116540568B (zh) * | 2023-07-05 | 2023-09-22 | 中南大学 | 一种大规模分布式无人机集群仿真*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110955261A (zh) | 一种基于ros的固定翼无人机自动驾驶仪的仿真方法 | |
| CN110262553B (zh) | 基于位置信息的固定翼无人机编队飞行方法 | |
| Tijmons et al. | Obstacle avoidance strategy using onboard stereo vision on a flapping wing MAV | |
| Lim et al. | Build your own quadrotor: Open-source projects on unmanned aerial vehicles | |
| Santana et al. | Outdoor waypoint navigation with the AR. Drone quadrotor | |
| Redding et al. | Vision-based target localization from a fixed-wing miniature air vehicle | |
| CN111338383B (zh) | 基于gaas的自主飞行方法及***、存储介质 | |
| CN110333738A (zh) | 一种基于仿真模拟软件的无人机集群验证方法 | |
| Neto et al. | A surveillance task for a UAV in a natural disaster scenario | |
| Steiner et al. | A vision-aided inertial navigation system for agile high-speed flight in unmapped environments: Distribution statement a: Approved for public release, distribution unlimited | |
| CN109084760B (zh) | 一种楼宇间导航*** | |
| Yun et al. | IMU/Vision/Lidar integrated navigation system in GNSS denied environments | |
| Al-Radaideh et al. | Self-localization of a tethered quadcopter using inertial sensors in a GPS-denied environment | |
| Goppert et al. | Invariant Kalman filter application to optical flow based visual odometry for UAVs | |
| Chowdhary et al. | Self-contained autonomous indoor flight with ranging sensor navigation | |
| Jacinto et al. | Pegasus simulator: An isaac sim framework for multiple aerial vehicles simulation | |
| Hazry et al. | Study of inertial measurement unit sensor | |
| Garratt et al. | Design of a 3D snapshot based visual flight control system using a single camera in hover | |
| Madany et al. | Modelling and simulation of robust navigation for unmanned air systems (UASs) based on integration of multiple sensors fusion architecture | |
| Chowdhary et al. | Integrated guidance navigation and control for a fully autonomous indoor uas | |
| Johnson et al. | Flight testing of nap of-the-earth unmanned helicopter systems | |
| Bhushan | Uav: Trajectory generation and simulation | |
| Lu et al. | Autonomous navigation in drone racecourse | |
| Gallo | Stochastic high fidelity simulation and scenarios for testing of fixed wing autonomous GNSS-Denied navigation algorithms | |
| Vishnevsky et al. | Modelling of uav simulator for local navigation system of tethered high-altitude platforms |
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 |