CN112462797B - 一种利用灰色预测模型的视觉伺服控制方法及*** - Google Patents
一种利用灰色预测模型的视觉伺服控制方法及*** Download PDFInfo
- Publication number
- CN112462797B CN112462797B CN202011372050.4A CN202011372050A CN112462797B CN 112462797 B CN112462797 B CN 112462797B CN 202011372050 A CN202011372050 A CN 202011372050A CN 112462797 B CN112462797 B CN 112462797B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- image
- control
- target
- 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.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 12
- 230000001276 controlling effect Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008054 signal transmission Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 230000033001 locomotion Effects 0.000 abstract description 9
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method 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
- G05D1/08—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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明提供了一种利用灰色预测模型的视觉伺服控制方法、***、装置及存储介质,包括获取无人机的机载图像采集装置采集的目标位置以及与所述目标位置相对应的期望位置;根据所述目标位置与所述期望位置的输出值进行视觉伺服控制;通过灰色预测模块得到无人机下一步状态的预测值;将所述输出值与所述预测值进行比较得到预测误差,不断调整无人机运行,以使无人机达到提前飞行控制。通过灰色预测模型预测得到飞行机器人下一步状态的运行控制误差,与给定误差进行比较,完成不同PID控制参数的切换,从而提前控制飞行机器人运动过程,并在飞行过程中不断修正位置与姿态信息,实现更精准的飞行控制。
Description
技术领域
本发明涉及通信技术领域,尤其是指一种利用灰色预测模型的视觉伺服控制方法及***。
背景技术
在实际工业控制中,随着工业技术的不断发展,以及工业过程的复杂性,时变性和不确定性,传统的工业控制方法很难满足现代工业的要求,于是人们逐渐向智能控制理论进行研究。模糊控制,预测控制,概率统计法,是常见的针对不确定***的控制方法。但是由于***的复杂性和时变性,很难建立起有效的数学模型,所以基于***精确模型的预测控制就不能适应控制的要求。对于一些新型***或者复杂***没有过多的经验和大量的历史数据可依,所以基于专家经验的模糊控制,依靠大量历史数据的概率算法和神经网络控制都不能达到很好的控制效果。灰色动态模型是具有建模数据少,计算简单等特点,所以灰色预测控制是以灰色动态模型为基础,对本征灰色***进行有效控制的方法之一。但是由于灰色***理论是一门新生的理论体系,有很多不完善的地方,于是导致了灰色预测控制有待于进一步拓展和改进。
无人空中飞行器(Unmanned Aerial Vehicles,UAVs)的自主飞行技术一直是航空研究,自动控制研究,机器人研究的重要内容。相关技术在各种的应用中也存在很大的需求。具体的应用场景包括:个人航拍,影视制作,侦察与搜救,大气数据收集,勘探,农业病虫害的防治,以及视频监控等。如果我们采用无人空中飞行器来实现之前列举的任务,一方面可以降低成本花费、提高任务的效率,另一方面提高人员安全保障甚至完成人无法完成的任务。
四旋翼无人机与其它传统的无人飞行器做比较,前者机械结构更为简单。四旋翼有对称的机身。只需通过改变四个旋翼的旋转角速度就可以控制其运动。四旋翼在狭小空间中更加灵活,飞行机动能力更强。另一方面,四旋翼无人机有着较高的操控性能。可以在狭小的空间中进行垂直起飞、着陆。可以在一固定点悬停,在接近地面的低空飞行,和慢速巡航等飞行模式。不同于传统直升机由于其巨大的旋翼而不能近距离的靠向目标,四旋翼无人机悬停在离目标较近的位置。因此,对四旋翼的研究也受到了越来越多研究者的关注。
目前,室外自主飞行器普遍采用GPS***实现定位,然而GPS信号强弱问题大大影响定位精度,尤其是在室内、森林、洞穴以及建筑物繁多的城市等GPS较弱甚至失效的环境中,需要一个可靠的方法来控制飞行器自主飞行,因此视觉伺服受到了研究人员的青睐。在机载处理信息的情况下,视觉伺服可以被应用到独立且GPS失效的环境中,视觉伺服通过摄像头获取视觉信息控制飞行器运动,摄像头不仅具有轻便、低损耗等特性,而且能够提供位置及速度信息的高分辨率数据;另外,GPS的精确度只能达到米级,而视觉算法在室内小环境下能将目标定位上升到厘米级精度,这也使得旋翼型无人机能够执行更精准的任务。视觉伺服已经被广泛应用到了避障、测距、悬停以及同时定位与地图构建(SLAM)等任务中。
视觉伺服在小型四旋翼无人机自主飞行控制方面得到了广泛研究,主要是基于位置的视觉伺服和基于图像的视觉伺服,虽然取得了一定成果,但是两种视觉伺服方案都存在各自的缺点,旋翼飞行机器人的控制方法存在很大程度不足和巨大的发展空间。具体可以体现在以下几个方面:
(1)基于位置的视觉伺服控制方法,可以直观地在直角坐标空间定义目标的运动,符合现有机器人的工作方式,控制精度很大程度上依赖于位姿估计精度,而位姿估计精度依赖于摄像机和机器人的标定精度等;此外计算量较大
(2)基于图像的视觉伺服控制方法,优点是无需三维空间定位、对摄像机和机器人标定不敏感;计算量较小,缺点是伺服控制器复杂且缺乏适应性;需要额外的传感器获取深度信息;移位过大会导致不可预知摄像头运动。
(3)飞行机器人一般的控制方法都是通过判断***行为是否达到预定的要求后进行控制,一般称这种控制方式为“事后控制”,该控制方式存在很多不足:不能防患于未然、无法做到即时控制、适应性不强等。
发明内容
本发明所要解决的技术问题是:提供一种利用灰色预测模型的视觉伺服控制方法及***,解决现有的飞行机器人的控制方法,通过判断***行为是否达到预定的要求后进行控制,存在控制不及时的问题。
为了解决上述技术问题,本发明采用的技术方案为:
本发明实施例第一方面提供一种利用灰色预测模型的视觉伺服控制方法,包括:
获取无人机的机载图像采集装置采集的目标实际位置以及与所述目标实际位置相对应的期望位置;
根据所述目标实际位置与所述期望位置计算输出偏差值;
通过灰色预测模块得到无人机下一步状态的预测值;
将所述输出偏差值与所述预测值进行比较得到预测误差,根据预测误差对无人机进行控制。
在一些实施方案中,还包括控制无人机飞行的姿态、角度及速度的控制参量。
在一些实施方案中,根据所述目标实际位置与所述期望位置计算输出偏差值之后还包括视觉伺服控制,所述视觉伺服控制包括:
获取无人机飞行的所述目标实际位置与所述期望位置的图像特征误差,建立图像特征误差与速度的伺服关系;
采用位置控制器根据伺服关系计算出速度控制律,通过速度控制律得到期望姿态;
通过滑模控制进行无人机的姿态跟踪控制。
在一些实施方案中,所述灰色预测模块包括GM(1,1)模型,所述GM(1,1)模型通过调节因子进行位置精度预测。
本发明实施例第二方面提供一种利用灰色预测模型的视觉伺服控制装置,包括:
获取模块,获取无人机的机载图像采集装置采集的目标实际位置以及与所述目标实际位置相对应的期望位置;
计算模块,根据所述目标实际位置与所述期望位置计算输出偏差值;
预测模块,通过灰色预测模块得到无人机下一步状态的预测值;
比较模块,将所述输出偏差值与所述预测值进行比较得到预测误差,根据预测误差对无人机进行控制。
本发明实施例第三方面提供一种视觉伺服控制***,包括:
无人机***,用于采集图像和对所述采集的图像进行预处理,将采集图像信号回传,控制信号的传输;
地面站***,用于处理和显示回传的采集图像,控制无人机到目标位置,对目标实际位置图象与期望位置图象的误差进行视觉伺服控制,通过灰色预测模块提前控制误差;
终端***,用于对无人机控制指令的控制管理。
在一些实施方案中,所述地面站***包括:
灰色预测模块,用于得到无人机下一步状态的预测值;
视觉伺服模块,用于建立基于图像和跟踪期望位置之间的关系,利用成像测量法直接控制无人机;
图像处理单元,用于对图像进行清晰度配置,可以利用视觉处理器对图像进行预处理;
数据存储管理单元,用于对回传的视频图像在地面站中显示和存储;
目标位置跟踪及控制单元,用于向无人机***下达指令,控制无人机到目标位置。
在一些实施方案中,所述无人机***包括:
图像采集处理模块,通过移动的机器视觉***采集图像信息并回传到地面站;
无线通讯传输模块,用于地面站与无人机之间的通讯,采集图像信号的回传,控制信号的实时传输,使地面站能够实时清楚作业现场的状况,实现对无人机的有效控制。
本发明实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有可执行指令,所述可执行指令被执行时执行如本发明实施例第一方面所述的方法。
本发明的有益效果在于:通过基于图像的视觉伺服控制***,建立了基于图像和跟踪期望位置之间的关系,然后控制无人机。利用地面某个图像目标,可推导出导致图像形成的飞行机器人的位置信息,根据期望的图像位置信息与实际位置信息的差值可以控制无人机的运动方向和速度等。实现飞行机器人视觉伺服***的超前控制,通过灰色预测模型预测得到飞行机器人下一步状态的运行控制误差,与给定误差进行比较,完成不同PID控制参数的切换,从而提前控制飞行机器人运动过程,并在飞行过程中不断修正位置与姿态信息,实现更精准的飞行控制。
附图说明
下面结合附图详述本发明的具体结构
图1为本发明实施例提供的利用灰色预测模型的视觉伺服控制方法流程图。
图2为本发明实施例提供的基于图像的视觉伺服控制流程图。
图3为本发明实施例提供的四旋翼飞行机器人的视觉伺服过程图。
图4为本发明实施例提供的灰色预测模块基本框架图。
图5为本发明实施例提供的利用灰色预测模型的视觉伺服控制装置流程图。
图6为本发明实施例提供的视觉伺服控制***模块方框图。
图7为本发明实施例提供的计算机可读存储介质的模块方框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
请参阅图1,图1为本发明实施例提供的利用灰色预测模型的视觉伺服控制方法的流程示意图。
如图1所示,本发明第一实施例提供一种利用灰色预测模型的视觉伺服控制方法,包括如下步骤S1至S4。
S1、获取无人机的机载图像采集装置采集的目标实际位置以及与所述目标实际位置相对应的期望位置;
S2、根据所述目标实际位置与所述期望位置计算输出偏差值;
S3、通过灰色预测模块得到无人机下一步状态的预测值;
S4、将所述输出偏差值与所述预测值进行比较得到预测误差,根据预测误差对无人机进行控制。
此处,无人机的机载图像采集装置为摄像机。实现飞行机器人视觉伺服***的超前控制,通过灰色预测模型预测得到飞行机器人下一步状态的运行控制误差,与给定误差进行比较,完成不同PID控制参数的切换,从而提前控制飞行机器人运动过程,并在飞行过程中不断修正位置与姿态信息,实现更精准的飞行控制。
实施例2
还包括控制无人机飞行的姿态、角度及速度的控制参量。根据所述目标实际位置与所述期望位置计算输出偏差值之后还包括视觉伺服控制,所述视觉伺服控制包括:
获取无人机飞行的所述目标实际位置与所述期望位置的图像特征误差,建立图像特征误差与速度的伺服关系;
采用位置控制器根据伺服关系计算出速度控制律,通过速度控制律得到期望姿态;
通过滑模控制进行无人机的姿态跟踪控制。
具体的,请参阅图2及图3,图2为本发明第二实施例的基于图像的视觉伺服控制流程图。图3为本实施例的四旋翼飞行机器人的视觉伺服过程图。采用位置控制器与姿态控制器的双环串级控制结构。将四旋翼无人机动力学和图像动力学融合,构建位置控制器并获取速度控制律。四旋翼无人机非线性和欠驱动的动力学特性使其在空间的线速度运动必须通过调节自身的姿态来实现。直接由速度控制律扩展出期望姿态和推力,而不是通过伺服计算求解。设计滑模控制进行姿态跟踪控制,求解出四旋翼无人机的全部虚拟控制量,实现对其控制。通过基于图像的视觉伺服控制***,建立了基于图像和跟踪期望位置之间的关系,然后控制无人机。利用地面某个图像目标,可推导出导致图像形成的飞行机器人的位置信息,根据期望的图像位置信息与实际位置信息的差值可以控制无人机的运动方向和速度等。
实施例3
所述灰色预测模块包括GM(1,1)模型,所述GM(1,1)模型通过调节因子进行位置精度预测。
具体的,请参阅图4,图4为本发明第三实施例的灰色预测模块基本框架图。提出基于调节因子的背景值改进的灰色预测模型,灰色预测理论中应用较多的是传统的GM(1,1)模型,本发明提出一种带有调节因子的新背景值和改变初始条件相结合的新GM(1,1)模型,提出了调节因子的优化方法,并应用于飞行机器人视觉伺服控制***建模中。新模型通过了对于纯指数序列的模拟、预测比较,即可知通过调节因子优化了的GM(1,1)新模型较其他改进模型有着更高的精度与适用范围,几乎不受发展参数的大小限制,即使是在发展系数较高、且用于多步预测时精度仍然保持较高,其模型精度比传统GM(1,1)模型有较大提高。
实施例4
请参阅图5,图5为本发明的第四实施例。本实施例提供一种利用灰色预测模型的视觉伺服控制装置100,包括:
获取模块101,获取无人机的机载图像采集装置采集的目标实际位置以及与所述目标实际位置相对应的期望位置;
计算模块102,根据所述目标实际位置与所述期望位置计算输出偏差值;
预测模块103,通过灰色预测模块得到无人机下一步状态的预测值;
比较模块104,将所述输出偏差值与所述预测值进行比较得到预测误差,根据预测误差对无人机进行控制。
具体的,首先,构建虚拟像平面,选取图像矩为特征,进行图像动力学解耦,进一步结合四旋翼无人机动力学模型建立特征误差与速度之间的伺服关系;其次,根据四旋翼无人机动力学解耦关系,将***解耦为位置控制和姿态控制;位置控制器根据伺服关系求取速度控制律,通过动力学扩展的方式直接求得期望的姿态;由于***非线性特性造成姿态扰动,设计滑模控制器进行姿态跟踪控制,最后通过灰色预测控制模块,经GM(1,1)模型可以提前计算出后几步的控制误差输出值,将预测值与给定的输出值进行比较,得到预测误差,***根据预测误差的大小,完成不同PID控制参数的切换,对于整个控制***未来的行为实现了超前控制,提高了***控制的实时性,改善视觉伺服***控制性能。
实施例5
请参阅图6,图6为发明第五实施例提供的视觉伺服控制***模块方框图。本实施例提供一种视觉伺服控制***200,包括:
无人机***201,用于采集图像和对所述采集的图像进行预处理,将采集图像信号回传,控制信号的传输;
地面站***202,用于处理和显示回传的采集图像,控制无人机到目标位置,对目标实际位置图象与期望位置图象的误差进行视觉伺服控制,通过灰色预测模块提前控制误差;
终端***203,用于对无人机控制指令的控制管理。终端***包括Windows和Linux***。
所述地面站***包括:
灰色预测模块,用于得到无人机下一步状态的预测值;
视觉伺服模块,用于建立基于图像和跟踪期望位置之间的关系,利用成像测量法直接控制无人机;
图像处理单元,用于对图像进行清晰度配置,可以利用视觉处理器对图像进行预处理;
数据存储管理单元,用于对回传的视频图像在地面站中显示和存储;
目标位置跟踪及控制单元,用于向无人机***下达指令,控制无人机到目标位置。
所述无人机***包括:
图像采集处理模块,通过移动的机器视觉***采集图像信息并回传到地面站;
无线通讯传输模块,用于地面站与无人机之间的通讯,采集图像信号的回传,控制信号的实时传输,使地面站能够实时清楚作业现场的状况,实现对无人机的有效控制。
实施例6
请参阅图7,图7为本发明实施例提供的计算机可读存储介质的模块方框图。
如图7所示,本发明第六实施例提供一种计算机可读存储介质300,该计算机可读存储介质300上存储有可执行指令301,该可执行指令301被执行时执行如本发明第一实施例至第三实施例任一实施例所提供的方法。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk)等。
需要说明的是,本发明内容中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于方法类实施例而言,由于其与产品类实施例相似,所以描述的比较简单,相关之处参见产品实施例的部分说明即可。
还需要说明的是,在本发明内容中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明内容。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本发明内容中所定义的一般原理可以在不脱离本发明内容的精神或范围的情况下,在其它实施例中实现。因此,本发明内容将不会被限制于本发明内容所示的这些实施例,而是要符合与本发明内容所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种利用灰色预测模型的视觉伺服控制方法,其特征在于,包括:
获取无人机的机载图像采集装置采集的目标实际位置以及与所述目标实际位置相对应的期望位置;
根据所述目标实际位置与所述期望位置计算输出偏差值;
通过灰色预测模块得到无人机下一步状态的预测值;所述灰色预测模块包括GM(1,1)模型,所述GM(1,1)模型通过调节因子进行位置精度预测;
将所述输出偏差值与所述预测值进行比较得到预测误差,根据预测误差对无人机进行控制。
2.如权利要求1所述的利用灰色预测模型的视觉伺服控制方法,其特征在于,还包括控制无人机飞行的姿态、角度及速度的控制参量。
3.如权利要求2所述的利用灰色预测模型的视觉伺服控制方法,其特征在于,根据所述目标实际位置与所述期望位置计算输出偏差值之后还包括视觉伺服控制,所述视觉伺服控制包括:
获取无人机飞行的所述目标实际位置与所述期望位置的图像特征误差,建立图像特征误差与速度的伺服关系;
采用位置控制器根据伺服关系计算出速度控制律,通过速度控制律得到期望姿态;
通过滑模控制进行无人机的姿态跟踪控制。
4.一种利用灰色预测模型的视觉伺服控制装置,其特征在于,包括:
获取模块,获取无人机的机载图像采集装置采集的目标实际位置以及与所述目标实际位置相对应的期望位置;
计算模块,根据所述目标实际位置与所述期望位置计算输出偏差值;
预测模块,通过灰色预测模块得到无人机下一步状态的预测值;所述灰色预测模块包括GM(1,1)模型,所述GM(1,1)模型通过调节因子进行位置精度预测;
比较模块,将所述输出偏差值与所述预测值进行比较得到预测误差,根据预测误差对无人机进行控制。
5.一种视觉伺服控制***,其特征在于,包括:
无人机***,用于采集图像和对所述采集的图像进行预处理,将采集图像信号回传,控制信号的传输;
地面站***,用于处理和显示回传的采集图像,控制无人机到目标位置,对目标实际位置图象与期望位置图象的误差进行视觉伺服控制,通过灰色预测模块提前控制误差;所述灰色预测模块包括GM(1,1)模型,所述GM(1,1)模型通过调节因子进行位置精度预测;
终端***,用于对无人机控制指令的控制管理。
6.如权利要求5所述的视觉伺服控制***,其特征在于,所述地面站***包括:
灰色预测模块,用于得到无人机下一步状态的预测值;
视觉伺服模块,用于建立基于图像和跟踪期望位置之间的关系,利用成像测量法直接控制无人机;
图像处理单元,用于对图像进行清晰度配置,可以利用视觉处理器对图像进行预处理;
数据存储管理单元,用于对回传的视频图像在地面站中显示和存储;
目标位置跟踪及控制单元,用于向无人机***下达指令,控制无人机到目标位置。
7.如权利要求6所述的视觉伺服控制***,其特征在于,所述无人机***包括:
图像采集处理模块,通过移动的机器视觉***采集图像信息并回传到地面站;
无线通讯传输模块,用于地面站与无人机之间的通讯,采集图像信号的回传,控制信号的实时传输,使地面站能够实时清楚作业现场的状况,实现对无人机的有效控制。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有可执行指令,所述可执行指令被执行时执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372050.4A CN112462797B (zh) | 2020-11-30 | 2020-11-30 | 一种利用灰色预测模型的视觉伺服控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372050.4A CN112462797B (zh) | 2020-11-30 | 2020-11-30 | 一种利用灰色预测模型的视觉伺服控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112462797A CN112462797A (zh) | 2021-03-09 |
CN112462797B true CN112462797B (zh) | 2023-03-07 |
Family
ID=74804931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372050.4A Active CN112462797B (zh) | 2020-11-30 | 2020-11-30 | 一种利用灰色预测模型的视觉伺服控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112462797B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190042B (zh) * | 2021-05-06 | 2022-11-22 | 南京云智控产业技术研究院有限公司 | 一种基于图形矩的无人机地面移动目标追踪控制方法 |
CN113359795A (zh) * | 2021-06-07 | 2021-09-07 | 同济大学 | 一种用于大型桥梁检测的无人机多环境切换的控制方法 |
CN113467503B (zh) * | 2021-07-26 | 2024-04-30 | 广东电网有限责任公司 | 一种输电线路巡检机器人增稳控制方法及装置 |
CN113485401A (zh) * | 2021-07-26 | 2021-10-08 | 广东电网有限责任公司 | 一种基于视觉反馈的巡检机器人悬停控制方法及装置 |
CN114153235B (zh) * | 2021-09-14 | 2023-08-08 | 中国北方车辆研究所 | 一种基于变结构的伺服拒止平台运动的控制方法 |
CN114019788B (zh) * | 2021-10-08 | 2024-03-26 | 北京控制工程研究所 | 一种着陆过程基于分区的快速平移避障方法 |
CN117075515B (zh) * | 2023-09-05 | 2024-04-16 | 江苏芯安集成电路设计有限公司 | 基于视觉分析调整飞行姿态的单片机控制*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995968A (zh) * | 2014-05-22 | 2014-08-20 | 合肥工业大学 | 无人飞行器对地面目标运动轨迹预测的装置及其方法 |
CA2881744A1 (en) * | 2014-02-14 | 2015-08-14 | Accenture Global Services Limited | Unmanned vehicle (uv) control system and uv movement and data control system |
CN106708044A (zh) * | 2016-12-16 | 2017-05-24 | 哈尔滨工程大学 | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 |
CN106774436A (zh) * | 2017-02-27 | 2017-05-31 | 南京航空航天大学 | 基于视觉的旋翼无人机稳定跟踪目标的控制***及方法 |
CN107422743A (zh) * | 2015-09-12 | 2017-12-01 | 深圳九星智能航空科技有限公司 | 基于视觉的无人机定位*** |
CN107831783A (zh) * | 2017-11-10 | 2018-03-23 | 南昌航空大学 | 一种支持多无人机自主飞行的地面站控制*** |
CN111624875A (zh) * | 2019-02-27 | 2020-09-04 | 北京京东尚科信息技术有限公司 | 视觉伺服控制方法、装置和无人设备 |
-
2020
- 2020-11-30 CN CN202011372050.4A patent/CN112462797B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2881744A1 (en) * | 2014-02-14 | 2015-08-14 | Accenture Global Services Limited | Unmanned vehicle (uv) control system and uv movement and data control system |
CN103995968A (zh) * | 2014-05-22 | 2014-08-20 | 合肥工业大学 | 无人飞行器对地面目标运动轨迹预测的装置及其方法 |
CN107422743A (zh) * | 2015-09-12 | 2017-12-01 | 深圳九星智能航空科技有限公司 | 基于视觉的无人机定位*** |
CN106708044A (zh) * | 2016-12-16 | 2017-05-24 | 哈尔滨工程大学 | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 |
CN106774436A (zh) * | 2017-02-27 | 2017-05-31 | 南京航空航天大学 | 基于视觉的旋翼无人机稳定跟踪目标的控制***及方法 |
CN107831783A (zh) * | 2017-11-10 | 2018-03-23 | 南昌航空大学 | 一种支持多无人机自主飞行的地面站控制*** |
CN111624875A (zh) * | 2019-02-27 | 2020-09-04 | 北京京东尚科信息技术有限公司 | 视觉伺服控制方法、装置和无人设备 |
Non-Patent Citations (1)
Title |
---|
"Using Grey Model on Three-Dimensional Image Dynamic Trajectory Estimation";Ming-Jyi Jang et al.;《The Journal of Grey System》;20041231;第16卷(第4期);307-320 * |
Also Published As
Publication number | Publication date |
---|---|
CN112462797A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112462797B (zh) | 一种利用灰色预测模型的视觉伺服控制方法及*** | |
US11835953B2 (en) | Adaptive autonomy system architecture | |
US11776413B2 (en) | Aerial vehicle flight control method and device thereof | |
US20200026720A1 (en) | Construction and update of elevation maps | |
Perez‐Grau et al. | An architecture for robust UAV navigation in GPS‐denied areas | |
JP2020098567A (ja) | 適応検知・回避システム | |
WO2020103034A1 (zh) | 一种无人机路径规划方法、装置及无人机 | |
US20200004272A1 (en) | System and method for intelligent aerial inspection | |
CN111427379B (zh) | 观测驱动的多无人机协同standoff目标跟踪方法 | |
Teixeira et al. | VI-RPE: Visual-inertial relative pose estimation for aerial vehicles | |
CN111338383A (zh) | 基于gaas的自主飞行方法及***、存储介质 | |
CN107703953B (zh) | 一种无人机的姿态控制方法、装置、无人机及存储介质 | |
Eynard et al. | Real time UAV altitude, attitude and motion estimation from hybrid stereovision | |
CN112306078B (zh) | 一种无人机自动避障导线的方法及*** | |
Kumar | Real-time performance comparison of vision-based autonomous landing of quadcopter on a ground moving target | |
Fragoso et al. | Dynamically feasible motion planning for micro air vehicles using an egocylinder | |
WO2022126397A1 (zh) | 传感器的数据融合方法、设备及存储介质 | |
CN117685953A (zh) | 面向多无人机协同定位的uwb与视觉融合定位方法及*** | |
Zhang et al. | Attitude estimation and control of a 3-DOF lab helicopter only based on optical flow | |
US20230073120A1 (en) | Method for Controlling an Unmanned Aerial Vehicle for an Inspection Flight to Inspect an Object and Inspection Unmanned Aerial Vehicle | |
Li et al. | UAV obstacle avoidance by human-in-the-loop reinforcement in arbitrary 3D environment | |
Salhaoui et al. | Edge-cloud architectures using UAVs dedicated to industrial IoT monitoring and control applications | |
Denuelle et al. | Biologically-inspired visual stabilization of a rotorcraft UAV in unknown outdoor environments | |
Feng et al. | Infrared camera assisted uav autonomous control via deep reinforcement learning | |
He | UAS Flight Path Planning and Collision Avoidance Based on Markov Decision Process |
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 |