CN117930664B - 基于北斗rtk差分定位的无人机降落控制优化*** - Google Patents
基于北斗rtk差分定位的无人机降落控制优化*** Download PDFInfo
- Publication number
- CN117930664B CN117930664B CN202410324990.8A CN202410324990A CN117930664B CN 117930664 B CN117930664 B CN 117930664B CN 202410324990 A CN202410324990 A CN 202410324990A CN 117930664 B CN117930664 B CN 117930664B
- Authority
- CN
- China
- Prior art keywords
- landing
- control
- aerial vehicle
- unmanned aerial
- value
- 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
- 238000000034 method Methods 0.000 claims abstract description 111
- 230000008569 process Effects 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000007726 management method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004886 process control Methods 0.000 claims abstract 3
- 230000006978 adaptation Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000005311 autocorrelation function Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims 1
- 238000011217 control strategy Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design 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
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了基于北斗RTK差分定位的无人机降落控制优化***，涉及无人机降落控制技术领域，用于解决无人机降落过程控制不清晰的问题；包括多源数据采集模块、降落过程确定模块、控制过程分析模块以及优化控制模块；通过确定目标点和环境信息，规划无人机的飞行路径，将传感器采集的数据进行融合并进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据进行时域分析，使用多普勒频移识别出信号的多路径效应，确定补偿算法并对无人机降落控制过程进行分析，根据获取降落控制过程中产生的信息，确定无人机降落过程的降落准确情况，进而选择无人机的优化管理策略，提高无人机降落时的控制，降低事故发生的风险。
Description
技术领域
本发明涉及无人机降落控制技术领域，更具体地说，本发明涉及基于北斗RTK差分定位的无人机降落控制优化***。
背景技术
RTK表示实时动态差分定位，是一种高精度的定位技术，通常用于全球卫星导航***（GNSS）接收器，如GPS、GLONASS、北斗等***。RTK技术通过在地面上设置两个或多个GPS基站，与移动的接收器（如无人机）之间进行数据交换和处理，以实现非常高精度的定位，相比于普通的GPS定位，RTK可以实现厘米级别的定位精度，适用于需要高精度定位的应用领域。
现有技术存在的不足：
在城市或有高建筑物环境中，由于信号的反射和折射，会产生多路径效应，导致定位误差增加，而城市中建筑物、树木等遮挡物会阻碍卫星信号的接收，影响定位的可靠性和精度，而风速、气流等环境因素也影响无人机的飞行轨迹和降落姿态，使得无人机降落时位置估计与实际位置存在较大偏差，影响降落精度和安全性。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于北斗RTK差分定位的无人机降落控制优化***，通过确定目标点和环境信息，规划无人机的飞行路径，将传感器采集的数据进行融合并进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据进行时域分析，使用多普勒频移识别出信号的多路径效应，确定补偿算法并对无人机降落控制过程进行分析，根据获取降落控制过程中产生的信息，确定无人机降落过程的降落准确情况，进而选择无人机的优化管理策略，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于北斗RTK差分定位的无人机降落控制优化***，包括多源数据采集模块、降落过程确定模块、控制过程分析模块以及优化控制模块，模块之间通过信号连接；
多源数据采集模块，用于确定目标点和环境信息，规划无人机的飞行路径，并对传感器进行校准，将传感器采集的数据进行融合，发送融合后的数据至降落过程确定模块；
降落过程确定模块接收多源数据采集模块发送数据，使用卡尔曼滤波器和滑动平均滤波器相结合对融合数据进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据并进行时域分析，使用多普勒频移信号处理技术识别出信号的多路径效应，确定补偿算法，并发送处理结果到控制过程分析模块；
控制过程分析模块接收降落过程确定模块发送数据，用于对无人机降落控制过程进行分析，根据获取降落控制过程中产生的识别调控信息，确定无人机降落过程的降落准确情况，并发送确定结果到优化控制模块；
优化控制模块接收控制过程分析模块数据，用于对无人机降落过程进行分析，选择无人机的优化管理策略。
在一个优选的实施方式中，用于确定目标点和环境信息，规划无人机的飞行路径，并对传感器进行校准，将传感器采集的数据进行融合是指对传感器采集数据进行零偏校准、比例因子校准，并将用于惯性测量的传感器使用积分漂移和零偏的校正进行误差补偿，并对各传感器的采集的原始数据进行滤波以及去噪处理。
在一个优选的实施方式中，使用卡尔曼滤波器和滑动平均滤波器相结合对融合数据进行滤波处理，具体分析步骤包括：
使用卡尔曼滤波器，进行状态预测，根据***的动态模型和观测方程得到预测状态估计值和预测协方差矩阵；
在卡尔曼滤波器的更新阶段，根据预测残差和预测协方差矩阵，计算卡尔曼增益，并利用卡尔曼增益对预测状态估计值进行校正，得到最终的状态估计值和更新后的协方差矩阵；
根据卡尔曼增益和预测协方差矩阵，更新协方差矩阵；
将卡尔曼滤波器得到的状态估计值作为输入，通过滑动平均滤波器进行滤波处理，从初始时刻开始，逐步更新滑动窗口内的数据，并计算滑动窗口内的数据均值作为滤波后的位置估计值。
在一个优选的实施方式中，将滤波后数据发送到卫星端，接收卫星端发送的信号数据并进行时域分析，使用多普勒频移信号处理技术识别出信号的多路径效应，确定补偿算法，具体过程如下：
对信号数据进行时域分析，包括绘制信号的波形图和自相关函数图，将信号数据进行傅里叶变换或者功率谱密度估计，得到信号的频谱图；
使用多普勒频移信号处理技术，识别出信号中存在的多路径效应；
根据频谱图中的频率成分，使用适当的频率估计算法来估计多普勒频移的大小和方向，再使用自相关函数法的频率估计方法进行验证确定；
根据得到的多普勒频移信息设计补偿算法，补偿算法根据频率偏移的大小和方向进行调整信号。
在一个优选的实施方式中，用于对无人机降落控制过程进行分析，根据获取降落控制过程中产生的识别调控信息，确定无人机降落过程的降落准确情况，包括以下步骤：
识别调控信息包括位姿变换信息、背景标志适应信息，位姿变换信息中包括位姿调控稳定指数，背景标志适应信息中包括区域轮廓投影适配值；
将位姿变换信息中的位姿调控稳定指数、背景标志适应信息中的区域轮廓投影适配值联立生成稳定降落控制系数；
位姿调控稳定指数、区域轮廓投影适配值与稳定降落控制系数成正比关系；
将稳定降落控制系数与管理控制阈值进行对比。
在一个优选的实施方式中，将稳定降落控制系数与管理控制阈值进行对比，包括：
若稳定降落控制系数大于或等于管理控制阈值，则生成降落控制稳定信号；
若稳定降落控制系数小于管理控制阈值，则生成降落控制异常信号并进行控制调整。
本发明基于北斗RTK差分定位的无人机降落控制优化***的技术效果和优点：
本发明先通过确定目标点和环境信息，规划无人机的飞行路径，将传感器采集的数据进行融合并进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据进行时域分析，使用多普勒频移识别出信号的多路径效应，确定补偿算法并对无人机降落控制过程进行分析，根据获取降落控制过程中产生的信息，确定无人机降落过程的降落准确情况，进而选择无人机的优化管理策略，提高无人机降落时的控制，降低事故发生的风险。
附图说明
图1为本发明基于北斗RTK差分定位的无人机降落控制优化***的结构示意图。
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。
为了实现上述目的，图1给出了本发明基于北斗RTK差分定位的无人机降落控制优化***的结构示意图，具体包括多源数据采集模块、降落过程确定模块、控制过程分析模块以及优化控制模块，模块之间通过信号连接；
多源数据采集模块，用于确定目标点和环境信息，规划无人机的飞行路径，并对传感器进行校准，将传感器采集的数据进行融合，发送融合后的数据至降落过程确定模块；
降落过程确定模块接收多源数据采集模块发送数据，使用卡尔曼滤波器和滑动平均滤波器相结合对融合数据进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据并进行时域分析，使用多普勒频移信号处理技术识别出信号的多路径效应，确定补偿算法，并发送处理结果到控制过程分析模块；
控制过程分析模块接收降落过程确定模块发送数据，用于对无人机降落控制过程进行分析，根据获取降落控制过程中产生的识别调控信息，确定无人机降落过程的降落准确情况，并发送确定结果到优化控制模块；
优化控制模块接收控制过程分析模块数据，用于对无人机降落过程进行分析，选择无人机的优化管理策略。
通过在已知位置的基站接收器和移动站接收器之间的差分测量，来校正由大气、钟差、多路径等因素引起的误差，以提高定位精度，基站接收器接收到卫星信号后，将实时测量的误差信息通过无线或有线方式传输给移动站，移动站利用这些误差信息对接收到的卫星信号进行校正，从而在实现无人机降落控制；
在无人机降落控制过程中，一个或多个基站接收器实时接收到卫星产生信号的精确时间，通过差分定位能够更准确地校正无人机接收到的卫星信号，从而提高了定位的精度以及无人机降落的稳定性；
无人机降落过程的基本策略步骤为：确定无人机降落的目标区域（预先设定的降落点），并规划降落路径；
多源数据采集模块用于进行数据采集，即通过无人机上搭载的传感器（如摄像头、激光雷达、距离传感器等）感知降落区域的环境信息，包括地形、障碍物、风速等因素，针对无人机的定位需求选择合适的传感器型号和规格，确定需要集成的惯性集合传感器，包括北斗RTK差分定位***和用于惯性测量的传感器，用于惯性测量的传感器可以包括多种惯性传感器，用于测量和记录物体的加速度和角速度，惯性测量传感器的输出数据可以通过数字接口（如串行接口）或模拟接口（如模拟电压输出）传输到其他设备进行处理和分析，包括，加速度计用于测量物体的加速度，通常以三个轴（x、y、z）的形式提供数据，检测物体在空间中的线性运动；
陀螺仪用于测量物体的角速度，也以三个轴（x、y、z）的形式提供数据。陀螺仪能够检测物体的旋转运动，并根据角动量守恒定律将角速度转换为角加速度；
磁力计用于测量地磁场的强度和方向，提供物体相对于地球磁场的方向信息，磁力计通常与加速度计和陀螺仪组合使用，以实现更准确的导航和定位；
根据目标点和环境信息，规划无人机的飞行路径，确保避开障碍物、适应风速等环境因素，并优化降落路径以确保安全性和稳定性。
对各传感器的校准，包括零偏校准、比例因子校准等，以确保传感器数据的准确性和一致性，并对用于惯性测量的传感器所采集数据再进行误差补偿，包括积分漂移和零偏的校正，提高惯性测量的传感器采集数据的稳定性和可靠性。
设计融合算法，将来自不同传感器的数据进行融合，获得更准确和稳定的位置估计，对来自各传感器的原始数据进行预处理，包括滤波、校准和去噪等操作，以确保数据质量和一致性，根据传感器的特性和工作环境，选择合适的滤波算法进行滤波处理，本实施例以卡尔曼滤波器和滑动平均滤波器相结合对数据进行滤波，减少噪声和不确定性，提高滤波效果和稳定性，具体步骤如下：
预测阶段和更新阶段使用卡尔曼滤波器，根据***的动态模型和观测方程，进行状态预测，得到预测状态估计值和预测协方差矩阵；
动态模型描述了***状态如何随时间演变，通常表示为状态转移方程：，式中，/>为***状态向量，/>为状态转移矩阵，为控制输入矩阵，/>为控制输入，/>为过程噪声，k表示时刻；
协方差预测方程描述了状态估计的不确定性如何随时间演变，方程为：，式中，/>为预测协方差矩阵，/>为过程噪声协方差矩阵；
观测模型描述了***状态如何映射到观测值，通常表示为观测方程：，式中，/>为观测值，/>为观测矩阵，/>为观测噪声。
在卡尔曼滤波器的更新阶段，根据预测残差和预测协方差矩阵，计算卡尔曼增益，并利用卡尔曼增益对预测状态估计值进行校正，从而得到最终的状态估计值和更新后的协方差矩阵，卡尔曼增益用于将预测残差（预测观测值与实际观测值之间的差异）转换为状态估计值的校正量，卡尔曼增益的计算公式如下：，式中，/>表示观测矩阵的转置，/>为观测噪声协方差矩阵；
校正残差表示预测观测值与实际观测值之间的差异，即观测残差，校正残差的计算公式如下：，式中，/>为预测状态估计值，根据卡尔曼增益和校正残差相乘，并加上预测状态估计值进行校正，得到更新后的状态估计值；
根据卡尔曼增益和预测协方差矩阵，更新协方差矩阵，以反映校正后的状态估计的不确定性，协方差更新的计算公式如下：；
通过以上步骤，可以利用卡尔曼增益将预测残差转换为状态估计值的校正量，实现对预测状态估计值的更新，从而得到最终的状态估计值和更新后的协方差矩阵。
将卡尔曼滤波器得到的状态估计值作为输入，通过滑动平均滤波器进行滤波处理，具体过程如下：定义滑动窗口的大小N，选择合适的窗口大小取决于***的响应速度和对滤波效果的要求，初始化滑动平均滤波器的状态变量和参数；
对卡尔曼滤波器得到的状态估计值序列进行滑动平均滤波处理，从初始时刻
开始，逐步更新滑动窗口内的数据，对于第k个时刻的数据，计算滑动窗口内的数据均值
作为输出；
每当接收到新的状态估计值，将其加入滑动窗口的末尾，如果滑动窗口的大小N已满，则将最旧的数据从滑动窗口中移除，以保持窗口大小不变，滑动平均滤波器的输出即为最终的位置估计值，计算表达式为：，式中，/>表示第k个时刻的滤波后的位置估计值。
需要说明的是，在实际应用中，动态模型和观测方程的具体形式可以根据***的物理特性和传感器的工作原理进行选择和定义，例如，在无人机定位降落控制中，动态模型可以基于飞行动力学和控制理论进行建模，观测方程可以基于GPS、RTK或其他传感器的输出进行建模，根据实际情况，这些方程可以是线性的也可以是非线性的，对应不同的卡尔曼滤波器变种（如标准卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器等）；在无人机降落过程中需要考虑时序问题，确保融合算法能够及时地处理来自各传感器的数据，并保持融合结果的实时性和连续性，从而在进行降落时能够及时进行定位与校正。
多路径效应是由于卫星信号在传播过程中受到反射、折射、绕射和散射等因素的影响，导致信号到达接收器时存在多个传播路径，进而影响定位***的精度和稳定性，尤其是在城市环境或有高建筑物的区域，多路径效应导致定位精度下降，会使得无人机无法准确识别目标降落点，或者导致无人机在降落过程中偏离预定轨迹，降落精度受到影响；
在实际环境中，无人机接收到经过滤波后的数据后，将其发送到卫星端或者基站中，然后，无人机通过接收来自卫星的信号来确定自身的位置，作为卫星的信号数据进行信号处理；
对信号数据进行时域分析，包括绘制信号的波形图和自相关函数图，时域分析可以帮助了解信号的基本特征，例如延迟、振幅、周期性等；
将信号数据进行傅里叶变换或者功率谱密度估计，得到信号的频谱图，频域分析可以帮助了解信号在不同频率上的成分和能量分布情况；
使用多普勒频移信号处理技术，识别信号中存在的多路径效应，多路径效应通常表现为信号延迟、失真或者多个波峰/波谷等现象，通过观察信号频谱图，寻找频谱中存在的多普勒频移现象，多普勒频移是由于信号经过不同路径传播导致的频率偏移，通常表现为频谱图中的频率成分发生变化或者扩展；
根据频谱图中的频率成分，使用适当的频率估计算法来估计多普勒频移的大小和方向，使用自相关函数法的频率估计方法进行确定，自相关函数公式为：，式中，/>为自相关函数，表示时域信号x(t)与其在t+τ时刻的自相关性，E表示期望值操作符，τ表示时间延迟；多普勒频移，表示信号频率在接收器中的变化，多普勒频移公式为：/>，v表示速度，即信号传播介质相对于接收器的速度，λ表示波长，即信号的波长。
建立多路径效应的数学模型，描述信号传播过程中发生的反射、折射现象，基于几何光学原理，模型输入参数包括信号传播路径、反射***置、信号到达时间差等因素；
使用几何光学原理，对城市环境中的信号传播进行建模，根据城市中的建筑物分布和高度，以及无人机、卫星和建筑物之间的相对位置，定义信号的传播路径，包括主路径（直接从卫星到达无人机）和多个次路径（通过反射、折射等方式传播到达无人机）；
计算到达时间差，根据传播路径的长度和信号速度，计算信号从不同路径到达无人机的时间差，考虑信号在不同介质中的传播速度可能不同，从而引起时间差。
根据建立的多路径效应模型，设计补偿算法，以抵消多路径效应对定位精度的影响，这可能包括采用滤波器、校正算法等手段，将多路径效应引入的误差进行补偿；
根据估计得到的多普勒频移信息，设计相应的补偿算法来抑制多路径效应，补偿算法根据频率偏移的大小和方向来调整信号，使得多路径效应对定位精度的影响降到最低；
对设计的补偿算法进行验证，确定无人机降落过程中预测结果是否与实际情况相符，是否产生降落过程阶段的有效误差补偿，进而实现在多路径效应下无人机降落过程的优化控制；
控制过程分析模块对无人机降落控制过程进行分析，获取降落控制过程中产生的识别调控信息，识别调控信息包括有位姿变换信息、背景标志适应信息；
位姿变换信息包括位姿调控稳定指数并标定为WZT，背景标志适应信息包括区域轮廓投影适配值并标定为QYL；
位姿变换信息中的位姿调控稳定指数表示在降落过程中进行无人机位姿控制的稳定性和响应速度，在无人机降落控制中，位姿调控稳定指数可以指示控制***对于位置和姿态变换的响应速度以及***的稳定性，位姿调控稳定指数可以作为评估降落控制***性能的重要指标，通过调整控制器参数和算法，可以对降落过程进行优化控制，提高控制***的性能和稳定性，实现更精确、更稳定的位姿变换，位姿调控稳定指数会对如下方面产生作用：
响应速度：位姿调控稳定指数的提高意味着控制***对于位置和姿态变换的响应速度更快，无人机能够更快速地调整到目标位姿，从而降低了降落时间；
降落控制稳定性：高位姿调控稳定指数意味着控制***更稳定，对于外部干扰和不确定性具有更好的抵抗能力，无人机在降落过程中更不容易受到风、气流等因素的影响而发生不稳定的情况；
能源消耗：控制***稳定性的提高和响应速度的加快可以带来更有效的控制，减少了对于调整和纠正的次数，降低了无人机降落过程中的能源消耗。
位姿调控稳定指数的获取方式为：
获取降落准备时间计时，获取无人机当前位置与姿态，获取目标降落区域位置
与姿态，获取位置偏差ΔP和姿态偏差ΔR，获取控制
***收到输出信号开始时间点，输出信号首次超过目标值的时间点，计算响应时间，获取输出信号稳定在目标值附近的时间点，计算过渡时间，获取降落过程中输出信号的最大值和目标值以及
确定稳态输出值，计算得到超调量：，计算稳态误差值：，计算位姿调控稳定指数，计算表达式为：；
需要说明的是，在航空中，通常使用欧拉角来描述姿态，包括滚转角（roll）、俯仰角（pitch）、偏航角（yaw），位置偏差和姿态偏差通过目标降落区域的无人机位置和姿态减去当前所在区域无人机位置和姿态得到；响应时间计算为控制***首次超过目标值的时间点与输入信号开始时间的时间差，过渡时间可以根据***达到稳态误差范围内的时间来确定，通常为控制***输出在目标值附近波动不超过一定阈值的时间段，根据实际需要设定输出信号稳定在目标值附近的阈值范围，以便确定过渡时间的结束点以及确定稳态输出值。
背景标志适应信息中的区域轮廓投影适配值表示在降落过程中局部自适应值分离图像中，降落过程中背景变化与着陆背景之间的适配关系，分析降落过程中背景轮廓的适配情况，从而更好地识别降落的准确性，区域轮廓投影适配值会对以下方面产生影响：
背景变化识别：区域轮廓投影适配值可以帮助识别降落过程中背景的变化情况。通过分析投影适配值，可以检测背景的变化，并根据变化情况调整降落过程中的控制策略，以确保无人机能够准确识别着陆区域；
控制策略调整：根据区域轮廓投影适配值的分析结果，可以调整降落过程中的控制策略，如果投影适配值较低，可能意味着背景变化较大或者目标区域轮廓不稳定，需要调整控制策略以应对这些变化，从而保证降落的准确性和安全性；
轮廓稳定性：区域轮廓投影适配值反映了目标区域轮廓与背景之间的适配关系。较高的投影适配值表示目标区域轮廓与背景适配较好，轮廓稳定性较高；这有助于确保在降落过程中，目标区域轮廓能够稳定地识别和跟踪，从而提高降落的准确性。
区域轮廓投影适配值的获取方式为：
获取无人机降落过程中采集的图像，将采集图像进行灰度化得到灰度图像Gray(x，y)，确定灰度图像的高斯灰度值，计算表达式为：，根据高斯灰度值确定轮廓值，计算表达式为：/>，式中，n为选取的像素数，/>表示高斯灰度值的权重值，确定背景阈值:/>，式中，G表示一个常数，用于限制背景阈值，建立，获取灰度图像超过背景阈值的图像数量SL和采集图像超过背景阈值的图像YT，计算得到区域轮廓投影适配值，计算表达式为：。
需要说明的是，高斯灰度值的权重值根据实际需求确定，例如，在刚开始降落时间段，离确定的降落位置较远，可设定权重值小，或者在拍摄的图像背景中，不具有明显降落位置的参照物，同样可将权重值设定较小，所以，具体的权重值根据实际情况进行设置。
将位姿变换信息、背景标志适应信息联立生成稳定降落控制系数；
将获取到位姿调控稳定指数WZT、区域轮廓投影适配值QYL进行归一化分析生成稳定降落控制系数，将稳定降落控制系数标定为，表达式为：，式中，/>为稳定降落控制系数，/>为位姿调控稳定指数WZT、区域轮廓投影适配值QYL的预设比例系数，且/>均大于0。
具体的联立生成稳定降落控制系数的方法可能涉及多种算法和模型，这取决于实际情况和应用需求。本实施例使用的是加权求和的方式，将位姿调控稳定指数和区域轮廓投影适配值结合起来，生成一个综合的稳定降落控制系数。这个稳定降落控制系数可以作为控制***的输入参数，用于调整无人机的降落控制策略，以确保降落过程的稳定性和准确性。
需要说明的是，预设比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，其为了便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例系数；并不唯一，只要不影响参数与量化后数值的比例关系即可，如位姿调控稳定指数与稳定降落控制系数成正比关系。
将位姿变换信息和背景标志适应信息联立生成稳定降落控制系数是为了综合考虑无人机降落过程中的位姿稳定性和环境适应性，从而确定稳定的降落控制参数。位姿调控稳定指数越大，表示无人机在降落过程中的姿态调整能力越强，即姿态变换更加稳定；而区域轮廓投影适配值越大，表示目标区域轮廓与背景的适配程度越高，说明环境识别能力更强，降落区域更容易被识别和跟踪。因此，稳定降落控制系数的表现值越大，表明在无人机降落控制过程中，其状态越好，具体表现为降落过程更加稳定和可靠。
将生成的稳定降落控制系数与管理控制阈值进行对比，生成降落控制稳定信号和降落控制异常信号；
获取到稳定降落控制系数后，将稳定降落控制系数与管理控制阈值进行对比；
若稳定降落控制系数大于或等于管理控制阈值，则生成降落控制稳定信号，表明降落控制处于稳定状态，可以继续进行降落操作；
若稳定降落控制系数小于管理控制阈值，则生成降落控制异常信号，表明降落控制出现异常情况，需要采取相应措施进行处理；
根据生成的降落控制稳定信号或异常信号，***可以进行相应的信号处理和反馈控制，如果生成了降落控制稳定信号，***可以继续执行降落任务，并持续监测控制状态；
如果生成了降落控制异常信号，***可以触发相应的异常处理程序，例如调整控制策略、发出警报或者中断降落任务等；
通过对稳定降落控制系数与管理控制阈值进行对比，并根据比较结果生成相应的信号，***能够及时识别降落控制状态，并采取必要的措施以确保降落过程的稳定和安全。
根据异常情况，调整降落控制策略，可能的调整包括：
更换或者重新配置传感器：例如增加或减少使用的传感器，以提高降落控制***的感知能力；重新规划降落路径：根据异常情况重新规划降落路径，选择更加安全和合适的降落区域；修改控制算法：调整控制算法的参数或者采用不同的控制策略，以适应当前的环境变化或者提高控制精度。
在生成异常信号后，***可以发出警报以提醒操作员或者其他相关人员注意当前的异常情况，可能的警报方式包括，声音警报、视觉警报、振动警报等；
如果异常情况严重或者无法及时处理，***可以选择中断当前的降落任务，以避免可能的安全风险，例如暂停降落过程，停止无人机的降落动作，并暂时保持在当前位置，以等待进一步处理。
综上所述，当生成降落控制异常信号时，***可以根据具体情况采取不同的调整策略和处理方法，以应对当前的异常情况并确保降落任务的安全和稳定。
需要说明的是，此实施例中有关的阈值信息是专业人员预先进行设置的，不在此进行过多解释，实施例中部分参数英文字母存在相同的情况，但在使用时解释具有不同的含义，也不在此进行一一解释。
本发明先通过确定目标点和环境信息，规划无人机的飞行路径，将传感器采集的数据进行融合，并对融合数据进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据并进行时域分析，使用多普勒频移信号处理技术识别出信号的多路径效应，确定补偿算法并对无人机降落控制过程进行分析，根据获取降落控制过程中产生的识别调控信息，从而确定无人机降落过程的降落准确情况，进而选择无人机的优化管理策略，提高无人机降落时的控制，降低事故发生的风险。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.基于北斗RTK差分定位的无人机降落控制优化***，其特征在于：包括多源数据采集模块、降落过程确定模块、控制过程分析模块以及优化控制模块，模块之间通过信号连接；
多源数据采集模块，用于确定目标点和环境信息，规划无人机的飞行路径，并对传感器进行校准，将传感器采集的数据进行融合，发送融合后的数据至降落过程确定模块；
降落过程确定模块接收多源数据采集模块发送数据，使用卡尔曼滤波器和滑动平均滤波器相结合对融合数据进行滤波处理，将滤波后数据发送到卫星端，接收卫星端发送的信号数据并进行时域分析，使用多普勒频移信号处理技术识别出信号的多路径效应，确定补偿算法，并发送处理结果到控制过程分析模块；
控制过程分析模块接收降落过程确定模块发送数据，用于对无人机降落控制过程进行分析，根据获取降落控制过程中产生的识别调控信息，确定无人机降落过程的降落准确情况，并发送确定结果到优化控制模块；
优化控制模块接收控制过程分析模块数据，用于对无人机降落过程进行分析，选择无人机的优化管理策略；
使用卡尔曼滤波器和滑动平均滤波器相结合对融合数据进行滤波处理，具体分析步骤包括：
使用卡尔曼滤波器，进行状态预测，根据***的动态模型和观测方程得到预测状态估计值和预测协方差矩阵；
在卡尔曼滤波器的更新阶段，根据预测残差和预测协方差矩阵，计算卡尔曼增益，并利用卡尔曼增益对预测状态估计值进行校正，得到最终的状态估计值和更新后的协方差矩阵；
根据卡尔曼增益和预测协方差矩阵，更新协方差矩阵；
将卡尔曼滤波器得到的状态估计值作为输入，通过滑动平均滤波器进行滤波处理，从初始时刻开始，逐步更新滑动窗口内的数据，并计算滑动窗口内的数据均值作为输出作为滤波后的位置估计值；
将滤波后数据发送到卫星端，接收卫星端发送的信号数据并进行时域分析，使用多普勒频移信号处理技术识别出信号的多路径效应，确定补偿算法，具体过程如下：
对信号数据进行时域分析，包括绘制信号的波形图和自相关函数图，将信号数据进行傅里叶变换或者功率谱密度估计，得到信号的频谱图；
使用多普勒频移信号处理技术，识别出信号中存在的多路径效应；
根据频谱图中的频率成分，使用适当的频率估计算法来估计多普勒频移的大小和方向，再使用自相关函数法的频率估计方法进行验证确定；
根据得到的多普勒频移信息设计补偿算法，补偿算法根据频率偏移的大小和方向进行调整信号；
用于对无人机降落控制过程进行分析，根据获取降落控制过程中产生的识别调控信息，确定无人机降落过程的降落准确情况，包括以下步骤：
识别调控信息包括位姿变换信息、背景标志适应信息，位姿变换信息中包括位姿调控稳定指数，背景标志适应信息中包括区域轮廓投影适配值；
将位姿变换信息中的位姿调控稳定指数、背景标志适应信息中的区域轮廓投影适配值联立生成稳定降落控制系数；
位姿调控稳定指数、区域轮廓投影适配值与稳定降落控制系数成正比关系；
将稳定降落控制系数与管理控制阈值进行对比；
位姿调控稳定指数的获取方式为：
获取降落准备时间计时，获取无人机当前位置Pu＝(xu，yu，zu)与姿态Ru＝(rollu，pitchu，yawu)，获取目标降落区域位置Pt＝(xt，yt，zt)与姿态Rt＝(rollt，pitcht，yawt)，获取位置偏差ΔP和姿态偏差ΔR，获取控制***收到输出信号开始时间点t0，输出信号首次超过目标值的时间点t1，计算响应时间RT＝t1-t0，获取输出信号稳定在目标值附近的时间点t2，计算过渡时间ST＝t2-t0，获取降落过程中输出信号的最大值Omax和目标值Otarget以及确定稳态输出值Ostate，计算得到超调量：计算稳态误差值：SSE＝Ostate-Otarget，计算位姿调控稳定指数，计算表达式为：/>
区域轮廓投影适配值的获取方式为：
获取无人机降落过程中采集的图像，将采集图像进行灰度化得到灰度图像Gray(x，y)，确定灰度图像的高斯灰度值，计算表达式为：G(x，y)＝exp((x-n)2+(y-n)2)，根据高斯灰度值确定轮廓值，计算表达式为：式中，n为选取的像素数，Q(x，y)表示高斯灰度值的权重值，确定背景阈值：YZ(x，y)＝LK(x，y)/G，式中，G表示一个常数，用于限制背景阈值，获取灰度图像超过背景阈值的图像数量SL和采集图像超过背景阈值的图像YT，计算得到区域轮廓投影适配值，计算表达式为：
2.根据权利要求1所述的基于北斗RTK差分定位的无人机降落控制优化***，其特征在于：用于确定目标点和环境信息，规划无人机的飞行路径，并对传感器进行校准，将传感器采集的数据进行融合是指对传感器进行零偏校准、比例因子校准，对惯性测量单元使用积分漂移和零偏的校正进行误差补，并对各传感器的原始数据进行预处理，包括滤波、校准和去噪处理。
3.根据权利要求2所述的基于北斗RTK差分定位的无人机降落控制优化***，其特征在于：将稳定降落控制系数与管理控制阈值进行对比，包括：
若稳定降落控制系数大于或等于管理控制阈值，则生成降落控制稳定信号；
若稳定降落控制系数小于管理控制阈值，则生成降落控制异常信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410324990.8A CN117930664B (zh) | 2024-03-21 | 2024-03-21 | 基于北斗rtk差分定位的无人机降落控制优化*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410324990.8A CN117930664B (zh) | 2024-03-21 | 2024-03-21 | 基于北斗rtk差分定位的无人机降落控制优化*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117930664A CN117930664A (zh) | 2024-04-26 |
| CN117930664B true CN117930664B (zh) | 2024-06-07 |
Family
ID=90761154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410324990.8A Active CN117930664B (zh) | 2024-03-21 | 2024-03-21 | 基于北斗rtk差分定位的无人机降落控制优化*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117930664B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6278945B1 (en) * | 1997-11-24 | 2001-08-21 | American Gnc Corporation | Fully-coupled positioning process and system thereof |
| WO2018086087A1 (zh) * | 2016-11-14 | 2018-05-17 | 钟玲珑 | 无人飞行控制*** |
| CN110779521A (zh) * | 2019-11-12 | 2020-02-11 | 成都中科微信息技术研究院有限公司 | 一种多源融合的高精度定位方法与装置 |
| CN112284388A (zh) * | 2020-09-25 | 2021-01-29 | 北京理工大学 | 一种无人机多源信息融合导航方法 |
| CN112462791A (zh) * | 2020-12-02 | 2021-03-09 | 成都时代星光科技有限公司 | 一种车载无人机机场全自动高精度飞行着陆***及方法 |
| CN113949480A (zh) * | 2021-09-30 | 2022-01-18 | 格星微电子科技成都有限公司 | 基于融合侦测感知和导航诱骗的无人机防御***及方法 |
| CN116627154A (zh) * | 2023-06-09 | 2023-08-22 | 上海大学 | 基于位姿预测和轨迹优化的无人机引导降落方法及无人机 |
-
2024
- 2024-03-21 CN CN202410324990.8A patent/CN117930664B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6278945B1 (en) * | 1997-11-24 | 2001-08-21 | American Gnc Corporation | Fully-coupled positioning process and system thereof |
| WO2018086087A1 (zh) * | 2016-11-14 | 2018-05-17 | 钟玲珑 | 无人飞行控制*** |
| CN110779521A (zh) * | 2019-11-12 | 2020-02-11 | 成都中科微信息技术研究院有限公司 | 一种多源融合的高精度定位方法与装置 |
| CN112284388A (zh) * | 2020-09-25 | 2021-01-29 | 北京理工大学 | 一种无人机多源信息融合导航方法 |
| CN112462791A (zh) * | 2020-12-02 | 2021-03-09 | 成都时代星光科技有限公司 | 一种车载无人机机场全自动高精度飞行着陆***及方法 |
| CN113949480A (zh) * | 2021-09-30 | 2022-01-18 | 格星微电子科技成都有限公司 | 基于融合侦测感知和导航诱骗的无人机防御***及方法 |
| CN116627154A (zh) * | 2023-06-09 | 2023-08-22 | 上海大学 | 基于位姿预测和轨迹优化的无人机引导降落方法及无人机 |
Non-Patent Citations (2)
| Title |
|---|
| 洪亮 ; 章政 ; 李亚贵 ; 李宇峰 ; 张舰栋 ; .基于模糊预测的INS/视觉无人机自主着陆导航算法.传感技术学报.(12),91-97. * |
| 贾配洋 ; 彭晓东 ; 周武根 ; .四旋翼无人机自主移动降落方法研究.计算机科学.2017,(S2),530-533. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117930664A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rhudy et al. | UAV attitude, heading, and wind estimation using GPS/INS and an air data system | |
| CN113124856B (zh) | 基于uwb在线锚点的视觉惯性紧耦合里程计及计量方法 | |
| Liu et al. | An adaptive cubature Kalman filter algorithm for inertial and land-based navigation system | |
| CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
| Haverdings et al. | Quick access recorder data analysis software for windshear and turbulence studies | |
| US9285387B2 (en) | In-flight pitot-static calibration | |
| CA2853546A1 (en) | Identification and analysis of aircraft landing sites | |
| CN103528587A (zh) | 自主组合导航*** | |
| CN112858961B (zh) | 一种针对航空平台多源磁干扰的补偿方法 | |
| CN107607091A (zh) | 一种测量无人机飞行航迹的方法 | |
| CN111679680A (zh) | 一种无人机自主着舰方法及*** | |
| Ariante et al. | UAS for positioning and field mapping using LIDAR and IMU sensors data: Kalman filtering and integration | |
| Selezneva et al. | Navigation complex with adaptive non-linear Kalman filter for unmanned flight vehicle | |
| CN111983660A (zh) | Gnss拒止环境下四旋翼无人机定位***和方法 | |
| RU2647205C2 (ru) | Адаптивная бесплатформенная инерциальная курсовертикаль | |
| CN115902930A (zh) | 一种面向船舶检测的无人机室内建图与定位方法 | |
| CN110703205B (zh) | 基于自适应无迹卡尔曼滤波的超短基线定位方法 | |
| KR101390776B1 (ko) | 퍼지 확장 칼만 필터를 이용한 위치인식 장치, 방법 및 이동로봇 | |
| CN117930664B (zh) | 基于北斗rtk差分定位的无人机降落控制优化*** | |
| CN109781118A (zh) | 一种无人车的位置跟踪方法 | |
| RU2661446C1 (ru) | Способ определения навигационных параметров объекта и бесплатформенная инерциальная навигационная система для осуществления способа | |
| RU2646954C2 (ru) | Способ коррекции бесплатформенной инерциальной навигационной системы | |
| Gong et al. | Airborne earth observation positioning and orientation by SINS/GPS integration using CD RTS smoothing | |
| CN110388917B (zh) | 飞行器单目视觉尺度估计方法和装置、飞行器导航***及飞行器 | |
| Kopecki et al. | A proposal of AHRS yaw angle correction with the use of roll angle |
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 |