CN107783549B - 基于多传感器信息融合技术的单旋翼植保无人机避障系统 - Google Patents
基于多传感器信息融合技术的单旋翼植保无人机避障系统 Download PDFInfo
- Publication number
- CN107783549B CN107783549B CN201610729035.8A CN201610729035A CN107783549B CN 107783549 B CN107783549 B CN 107783549B CN 201610729035 A CN201610729035 A CN 201610729035A CN 107783549 B CN107783549 B CN 107783549B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- obstacle
- sensor
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 61
- 238000005516 engineering process Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000004888 barrier function Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000005358 geomagnetic field Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005507 spraying Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 206010008428 Chemical poisoning Diseases 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- -1 seed Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002912 waste gas Substances 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)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
基于多传感器信息融合技术的单旋翼植保无人机避障系统，包括：数据采集层、数据预处理层、数据融合层、决策层和检测装置；所述检测装置，包括：毫米波雷达高度表，对无人机与地面的相对高度进行测量；GPS/北斗定位传感器，采集定位信息、无人机海拔高度、无人机飞行速度等；AHRS模块，采集无人机飞行姿态数据；毫米波防撞雷达传感器，采集无人机与障碍物的相对速度、相对距离以及方位角等；超声波雷达传感器，用于对障碍物的相对距离进行采集；主控制器，通过对各个传感器获得的数据进行分析，控制无人机完成避障动作；采用多种传感器可以对环境以及障碍物特征的获取，进行互相促进，同时弥补各自传感器自身存在的的不足，从而更好地完成避障任务。
Description
技术领域
本发明属于无人机避障技术领域，尤其涉及一种基于多传感器信息融合技术的单旋翼植保无人机避障系统。
背景技术
农业植保无人机在美国、俄罗斯、日本等国运用的非常普遍，技术也十分先进，然而中国作为农业大国，18亿亩基本农田，农业植保无人机却尚未得到普及。但是，我国的农业植保无人机市场正值上升阶段，正因为尚未普及所以市场大有作为。中国每年需要大量的人员从事农业植保作业，而我国每年农药中毒人数有10万之众，同时，农村青壮年劳动力逐渐稀缺，人力成本日益增加。植保无人机则可远距离遥控操作，避免了喷洒作业人员暴露于农药的危险，保障了喷洒作业的安全。
植保无人机，是用于农林植物保护作业的无人驾驶飞机，该型无人飞机由飞行平台、GPS飞控、喷洒机构三部分组成，通过地面遥控或GPS飞控，来实现喷洒作业，可以喷洒药剂、种子、粉剂等。植保无人机采用高效无刷电机作为动力，机身振动小，可以搭载精密仪器，喷洒农药等更加精准；同时，植被地形要求低，作业不受海拔限制；植保无人机起飞调校短、效率高、出勤率高；植保无人机具有环保，无废气，符合国家节能环保和绿色有机农业发展要求。
植保无人机不断普及，开始走进普通老百姓的生活。但是植保无人机由于没有采用相关的防碰撞防护，导致植保无人机在作业过程中，增加了很多的限制，如作业田块周界10米范围内要求无人员居住的房舍，作业田块周界10米范围内无防护林、高压线塔、电杆等障碍物，作业田块中间无影响飞行安全的障碍物或影响飞行视线的障碍物，作物高度应低于操作人员的视线，操作人员能够观察到飞机飞行姿态等要求，这些限制将会使得植保无人机的使用受到一定的地域限制，不利于植保无人机的全面普及。
发明内容
本发明提供了一种基于多传感器信息融合技术的单旋翼植保无人机避障系统，采用多种传感器可以对环境以及障碍物特征的获取，进行互相促进，同时弥补各自传感器自身存在的的不足，从而更好地完成避障任务。
本发明提供了一种基于多传感器信息融合技术的单旋翼植保无人机避障系统，包括：数据采集层、数据预处理层、数据融合层、决策层和检测装置；
所述检测装置，包括：
毫米波雷达高度表，对无人机与地面的相对高度进行测量；
GPS/北斗定位传感器，采集定位信息、无人机海拔高度、无人机飞行速度等；
AHRS模块，采集无人机飞行姿态数据；
毫米波防撞雷达传感器，采集无人机与障碍物的相对速度、相对距离以及方位角等；
超声波雷达传感器，用于对障碍物的相对距离进行采集；
主控制器，通过对各个传感器获得的数据进行分析，控制无人机完成避障动作；
所述主控制器分别与毫米波雷达高度表、GPS/北斗定位传感器、AHRS模块、毫米波防撞雷达传感器、超声波雷达传感器相连。
进一步的，所述毫米波防撞雷达传感器、超声波雷达传感器安装在无人机前方，超声波雷达传感器进行0～10米范围的测距，毫米波防撞雷达传感器进行1～50m范围内的测距。
进一步的，AHRS模块，包括MEMS的三轴陀螺仪、加速度计和磁强计，输出数据为三维加速度、三维角速度和三维地磁场强度。
进一步的，数据采集层使用各个传感器对无人机飞行环境中的障碍物数据进行采集：
1)毫米波防撞雷达传感器输出数据为无人机与障碍物的相对距离R1、相对速度V1、障碍物与雷达法线之间的角度θ1；
2)超声波传感器采集无人机与障碍物的相对距离R2；
3)毫米波雷达高度表输出无人机与地面的相对高度值H1；
4)GPS/北斗定位传感器输出无人机对地的海拔高度值H2；
5)AHRS模块输出三维加速度A_x,A_y,A_z、三维角速度w_x,w_y,w_z和三维地磁场强度m_x,m_y,m_z，通过上述数据解算出无人机当前的姿态数据，即飞行方位角θ2、俯仰角ψ1和翻滚角
进一步的，所述数据预处理层，包括：异常数据处理和数据缺失补偿两个步骤；
异常数据处理的步骤为：首先在采集到的各个传感器数据中找出异常值，采用求平均移动线的方法，进行异常数据处理；设含有异常数据序列为{xi,i＝1,2,Λ}，当i＝n时出现异常值，则用移动平均线xn替代，即利用i＝n之前的N个数据取其均值计算出xn；计算公式如下：
进一步的，数据缺失补偿的步骤为：设含有数据缺失序列为{xi,i＝1,2,Λ}，数据长度N，缺失数据点的前N个点的检测值的序列为xn,n＝1,2,Λ,N，需要平滑处理的步数m；
首先进行一次指数平滑计算，计算公式为：S′n＝αxn+(1-α)S′n-1，其中S′n为第一次平滑后的第n个数据均值，S′n-1为第一次平滑后的第n-1个数据均值，S′n-1的计算公式为：
α为平滑常数，xn为数据缺失序列中的第n个数据值；
然后进行二次指数平滑计算，计算公式为：S″n＝αS′n+(1-α)S″n-1，其中S″n为第二次平滑后的第n个数据均值，S″n-1为第二次平滑后的第n-1个数据均值，S″n-1的计算公式为：
α为平滑常数，S′n为第一次平滑后的第n个数据均值；
最后是进行三次指数平滑计算，计算公式为：S″′n＝αS″n+(1-α)S″′n-1，其中S″′n为第三次平滑后的第n个数据均值，S″′n-1为第三次平滑后的第n-1个数据均值，S″′n-1的计算公式为：
α为平滑常数，S″n为第二次平滑后的第n个数据均值；
xn+m＝an+bnm+cnm2/2，其中，xn+m为第n+m个数据的预测值，m为由n开始向后平滑处理的步数，α取0.5，an，bn，cn的计算公式如下所示：
更进一步的，数据融合层进行无人机与障碍物相对距离的数据融合：
A、距离在0m到1m范围内，对超声波雷达传感器采集的数据进行kalman数据融合；
B、距离在1m到10m范围内,采用超声波雷达传感器和毫米波防撞雷达传感器进行检测，然后加权平均，即引入α的加权值对超声波雷达传感器和毫米波防撞雷达传感器进行加权平均，将加权融合后的数据进行kalman数据融合；
C、距离在10m到50m范围内,直接对毫米波防撞雷达传感器采集的数据进行kalman数据融合；
即如下所示
更进一步的，数据融合层进行无人机与地面相对高度的数据融合，毫米雷达高度表和GPS/北斗定位传感器所获取的无人机高度值进行数据融合，高度值的数据融合根据距离分为两种；
对于高度小于50m的范围内，采用毫米雷达高度表和GPS/北斗定位传感器对无人机高度进行检测，检测后的结果采用加权平均，即引入α值对这两种传感器的高度值进行加权平均处理，处理后采用kalman对高度值进行数据融合；根据AHRS航姿数据对高度值进行修正：
对于高度大于50m以上，采用GPS/北斗定位传感器，将获取的高度数据直接进行kalman数据融合，然后，采用AHRS航姿数据进行高度修正；
其中H1是毫米雷达高度表采集的高度，H2是GPS/北斗定位传感器采集的高度。
作为更进一步的，决策层通过如下步骤完成避障的：
P1,首先判断无人机与障碍物的相对距离，将相对距离进行三个部分的划分:小于N1m，N1m到N2m，N2m到N3m三个距离范围；
P2,距离划分完成后，根据无人机与障碍物的相对速度进行危险等级的划分:
当距离小于N1m，速度大于M1m/s,且预警时间小于Qs，则属于危险等级，速度小于M1m/s时，属于警示等级；
当距离N1m≤R<N2m，速度大于M2m/s时,处于危险等级；当速度M1m/s≤V<M2m/s时，处于警示等级，当速度小于M1m/s时，处于提示等级；
当距离N2m≤R<N3m时，当速度大于M3m/s时,处于危险等级；当速度M2m/s≤V<M3m/s时，处于警示等级，当速度M1m/s≤V<M2m/s时，处于提示等级，当速度小于M1m/s时，处于不相关等级；
P3,然后判断无人机与地面的高度值，将该高度值H进行两个等级的划分；
P4：对于危险等级，需要进行步骤P3的操作；对于警示等级，需要紧急减速后进行步骤P3的操作；对于提示等级和不相关等级，不用进行第三步骤的判断，返回重新进行检测。
作为更进一步的，步骤P3具体为：当高度0m≤H<50m，根据毫米波防撞雷达传感器进行无人机与障碍物方位角的判断，如果障碍物处于无人机的左边，则控制无人机进行右偏飞行，躲避障碍物；如果障碍物处于无人机的右边，控制无人机进行左偏飞行，躲避障碍物；如果障碍物处于无人机的正前方，则无人机爬升进行避障；
当高度H≥50m，根据毫米波防撞雷达进行无人机与障碍物方位角的判断，如果障碍物处于无人机的左边，则控制无人机进行右偏飞行，躲避障碍物，如果障碍物处于无人机的右边，控制无人机进行左偏飞行，躲避障碍物；如果障碍物处于无人机飞行的正前方，采用紧急悬停后进行折返避障。
本发明由于采用以上技术方案，能够取得如下的技术效果：由于多个传感器所获得的多种信息，可以环境或是障碍物特征做出更加全面以及正确的认识，从而克服单一传感器给系统带来的误报风险，同时采用多种传感器可以对环境以及障碍物特征的获取，进行互相促进，同时弥补各自传感器自身存在的的不足，从而更好地完成避障任务。
单旋翼植保无人机系统通过合理支配和充分使用多个传感器的数据资源，使得多传感器在时间和空间上的冗余或互补信息进行组合处理，以获得环境以及障碍物目标特征获取的一致性的描述。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为检测装置结构框图；
图2为单旋翼植保无人机避障系统结构框图；
图3为实施例中数据融合层进行无人机与障碍物相对距离的数据融合流程图；
图4为实施例中数据融合层进行无人机与地面相对高度的数据融合流程图；
图5为决策层控制无人机的示意图；
图6为实施例中决策层完成避障的流程图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚，下面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的描述：
本申请是针对单旋翼的植保无人机，单旋翼植保无人机旋翼大，飞行稳定，抗风条件好，风场稳定，雾化效果好，下旋风力大，穿透力强，农药可以打到农作物的根茎部位；核心部件为进口电机，构件为航空铝材，碳纤材料，结实耐用，性能稳定；飞行植保作业历时2年多，连续植保10万亩/次以上，无重大故障，飞行驾驶简便易学，稳定智能的飞控系统，傻瓜式的操作模式经过简单培训就可上手。
实施例1
本实施例提供了一种基于多传感器信息融合技术的单旋翼植保无人机避障系统，包括：数据采集层、数据预处理层、数据融合层、决策层和检测装置；
所述检测装置，包括：
毫米波雷达高度表，对无人机与地面的相对高度进行测量；
GPS/北斗定位传感器，采集定位信息、无人机海拔高度、无人机飞行速度等；
AHRS模块，采集无人机飞行姿态数据；
毫米波防撞雷达传感器，采集无人机与障碍物的相对速度、相对距离以及方位角等；
超声波雷达传感器，用于对障碍物的相对距离进行采集；
主控制器，通过对各个传感器获得的数据进行分析，控制无人机完成避障动作；
所述主控制器分别与毫米波雷达高度表、GPS/北斗定位传感器、AHRS模块、毫米波防撞雷达传感器、超声波雷达传感器相连。
可选地，所述毫米波防撞雷达传感器、超声波雷达传感器安装在无人机前方，超声波雷达传感器进行0～10米范围的测距，毫米波防撞雷达传感器进行1～50m范围内的测距。
可选地，AHRS模块，包括MEMS的三轴陀螺仪、加速度计和磁强计，输出数据为三维加速度、三维角速度和三维地磁场强度。
实施例2
作为对实施例1的补充，数据采集层使用各个传感器对无人机飞行环境中的障碍物数据进行采集：
1)毫米波防撞雷达传感器输出数据为无人机与障碍物的相对距离R1、相对速度V1、障碍物与雷达法线之间的角度θ1，即(R1,V1,θ1)；
2)超声波传感器采集无人机与障碍物的相对距离R2；
3)毫米波雷达高度表输出无人机与地面的相对高度值H1；
4)GPS/北斗定位传感器输出无人机对地的海拔高度值H2；
GPS数据遵循NMEA0183协议，所输出的信息都是标准的具有固定格式的。其中与无人机导航密切相关的有GPGGA和GPVTG语句。它们的数据格式规定如下：
(1)$GPGGA，UTC时间，纬度，纬度半球，经度，经度半球，GPS模式，星数，HDOP水平精度因子，海拔高度，M，地球椭球面相对大地水平面的高度，M，差分时间，差分站ID*hh<CR><LF>。
(2)$GPVTG，以真北为基准的地面航向，T，以磁北为基准的地面航向，M，地面速率(节)，N，地面速率(公里/小时)，K，模式指示*hh<CR><LF>。通过提取GPGGA语句中，特定位置的海拔高度数据，可以得到无人机的海拔高度H2。
5)AHRS模块输出三维加速度A_x,A_y,A_z、三维角速度w_x,w_y,w_z和三维地磁场强度m_x,m_y,m_z，通过上述数据解算出无人机当前的姿态数据，即飞行方位角θ2、俯仰角ψ1和翻滚角
实施例3
由于数据在采集过程中可能会存在数据缺失等情况，以及后续数据进行融合处理时，需要提前进行数据集成等工作，因此需要进行数据预处理等工作；所述数据预处理层，包括：异常数据处理和数据缺失补偿两个步骤；
异常数据的存在会大大影响预测的准确性；因此提供一种异常数据处理的步骤为：首先在采集到的各个传感器数据中找出异常值，采用求平均移动线的方法，进行异常数据处理；设含有异常数据序列为{xi,i＝1,2,Λ}，当i＝n时出现异常值，则用移动平均线xn替代，即利用i＝n之前的N个数据取其均值计算出xn；计算公式如下：
数据的丢失会严重影响后续的数据处理的准确性和连续性。在采集到的各个传感器的数据中可能在若干长度的连续数据或某个数据点出现数据缺失的问题，而且对于各个传感器采集到的数据可能构成具有2次、3次或高次的数据模型，所以需要用高次平滑形式。因此对于所有缺失的若干长度的连续数据或某个数据点，采用布朗3次指数平滑法进行处理。布朗3次指数平滑法由从线性平滑再进行1次平滑过渡到2次多项式平滑，即是3次平滑。本发明采用布朗3次指数平滑法对缺失的数据进行平滑处理。
数据缺失补偿的步骤为：设含有数据缺失序列为{xi,i＝1,2,Λ}，数据长度N，缺失数据点的前N个点的检测值的序列为xn,n＝1,2,Λ,N，需要平滑处理的步数m；
首先进行一次指数平滑计算，计算公式为：S′n＝αxn+(1-α)S′n-1，其中S′n为第一次平滑后的第n个数据均值，S′n-1为第一次平滑后的第n-1个数据均值，S′n-1的计算公式为：
α为平滑常数，xn为数据缺失序列中的第n个数据值；
然后进行二次指数平滑计算，计算公式为：S″n＝αS′n+(1-α)S″n-1，其中S″n为第二次平滑后的第n个数据均值，S″n-1为第二次平滑后的第n-1个数据均值，S″n-1的计算公式为：
α为平滑常数，S′n为第一次平滑后的第n个数据均值；
最后是进行三次指数平滑计算，计算公式为：S″′n＝αS″n+(1-α)S″′n-1，其中S″′n为第三次平滑后的第n个数据均值，S″′n-1为第三次平滑后的第n-1个数据均值，S″′n-1的计算公式为：
α为平滑常数，S″n为第二次平滑后的第n个数据均值；
xn+m＝an+bnm+cnm2/2，其中，xn+m为第n+m个数据的预测值，m为由n开始向后平滑处理的步数，α取0.5，an，bn，cn的计算公式如下所示：
实施例4
本实施例针对数据融合层进行详细讲述，数据融合层进行无人机与障碍物相对距离的数据融合：
A、距离在0m到1m范围内，超声波传感器采集到的相对距离值精度更高，毫米波防撞雷达传感器对于1m范围内会存在一定的盲区，所以在这区间范围的数据使用超声波雷达传感器采集的数据进行kalman数据融合；
B、距离在1m到10m范围内,采用超声波雷达传感器和毫米波防撞雷达传感器进行检测，所以在该距离范围内，然后加权平均，即引入α的加权值对超声波雷达传感器和毫米波防撞雷达传感器进行加权平均，将加权融合后的数据进行kalman数据融合；
C、距离在10m到50m范围内,已经超出超声波雷达的测距范围，但是毫米波防撞雷达传感器还可以进行检测，所以在该距离范围内，直接对毫米波防撞雷达传感器采集的数据进行kalman数据融合；
即如下所示
数据融合层进行无人机与地面相对高度的数据融合，毫米雷达高度表和GPS/北斗定位传感器所获取的无人机高度值进行数据融合，高度值的数据融合根据距离分为两种；
对于高度小于50m的范围内，采用毫米雷达高度表和GPS/北斗定位传感器对无人机高度进行检测，检测后的结果采用加权平均，即引入α值对这两种传感器的高度值进行加权平均处理，处理后采用kalman对高度值进行数据融合；根据AHRS航姿数据对高度值进行修正：
对于高度大于50m以上，采用GPS/北斗定位传感器，将获取的高度数据直接进行kalman数据融合，然后，采用AHRS航姿数据进行高度修正；
其中H1是毫米雷达高度表采集的高度，H2是GPS/北斗定位传感器采集的高度。
可选地，AHRS航姿数据进行高度修正具体为：
实施例5
本实施例对决策层进行详细说明，决策层通过如下步骤完成避障的：
P1,首先判断无人机与障碍物的相对距离，将相对距离进行三个部分的划分:小于N1m，N1m到N2m，N2m到N3m三个距离范围；
P2,距离划分完成后，根据无人机与障碍物的相对速度进行危险等级的划分:
当距离小于N1m，速度大于M1m/s,且预警时间小于Qs，则属于危险等级，速度小于M1m/s时，属于警示等级；
当距离N1m≤R<N2m，速度大于M2m/s时,处于危险等级；当速度M1m/s≤V<M2m/s时，处于警示等级，当速度小于M1m/s时，处于提示等级；
当距离N2m≤R<N3m时，当速度大于M3m/s时,处于危险等级；当速度M2m/s≤V<M3m/s时，处于警示等级，当速度M1m/s≤V<M2m/s时，处于提示等级，当速度小于M1m/s时，处于不相关等级；
P3,然后判断无人机与地面的高度值，将该高度值H进行两个等级的划分；
当高度0m≤H<50m，根据毫米波防撞雷达传感器进行无人机与障碍物方位角的判断，主要进行障碍物在无人机飞行过程中得左边，右边，还是正前方。如果障碍物处于无人机的左边，则控制无人机进行右偏飞行，躲避障碍物；同理如果障碍物处于无人机的右边，控制无人机进行左偏飞行，躲避障碍物；如果障碍物处于无人机的正前方，则无人机爬升进行避障；
当高度H≥50m，根据毫米波防撞雷达进行无人机与障碍物方位角的判断，主要进行障碍物在无人机飞行过程中得左边，右边，还是正前方。如果障碍物处于无人机的左边，则控制无人机进行右偏飞行，躲避障碍物，同理如果障碍物处于无人机的右边，控制无人机进行左偏飞行，躲避障碍物；如果障碍物处于无人机飞行的正前方，由于此时无人机高度已经相对很高，对于这种情况采用紧急悬停后进行折返避障。
P4：对于危险等级，需要进行步骤P3的操作；对于警示等级，需要紧急减速后进行步骤P3的操作；对于提示等级和不相关等级，不用进行第三步骤的判断，返回重新进行检测。
产生控制指令后，向无人机主控制器发送控制命令，然后控制无人机舵机控制系统，控制无人机进行悬停折返、爬升、向右或向左偏飞行等避障动作，完成障碍。本申请给出了基于多传感器数据融合技术的单旋翼植保无人机避障系统实现原理以及给出多传感器融合技术方法；采用多传感器信息融合技术，能够更好地实现单旋翼植保无人机对植保环境的感知，获得更加准确的障碍物数据信息，做出更准确的避障决策以及做出避障控制还给出了数据预处理的流程以及给出相应的解决方案，为后续数据处理提供了更精准的数据信息。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，包括：数据采集层、数据预处理层、数据融合层、决策层和检测装置；
所述检测装置，包括：
毫米波雷达高度表，对无人机与地面的相对高度进行测量；
GPS/北斗定位传感器，采集定位信息、无人机海拔高度、无人机飞行速度；
AHRS模块，采集无人机飞行姿态数据；
毫米波防撞雷达传感器，采集无人机与障碍物的相对速度、相对距离以及方位角；
超声波雷达传感器，用于对障碍物的相对距离进行采集；
主控制器，通过对各个传感器获得的数据进行分析，控制无人机完成避障动作；
所述主控制器分别与毫米波雷达高度表、GPS/北斗定位传感器、AHRS模块、毫米波防撞雷达传感器、超声波雷达传感器相连；
所述数据预处理层，包括：异常数据处理和数据缺失补偿两个步骤；
异常数据处理的步骤为：首先在采集到的各个传感器数据中找出异常值，采用求平均移动线的方法，进行异常数据处理；设含有异常数据序列为{xi,i＝1,2,Λ}，当i＝n时出现异常值，则用移动平均线xn替代，即利用i＝n之前的N个数据取其均值计算出xn；计算公式如下：
数据缺失补偿的步骤为：设含有数据缺失序列为{xi,i＝1,2,Λ}，数据长度N，缺失数据点的前N个点的检测值的序列为xn,n＝1,2,Λ,N，需要平滑处理的步数m；
首先进行一次指数平滑计算，计算公式为：S′n＝αxn+(1-α)S′n-1，其中S′n为第一次平滑后的第n个数据均值，S′n-1为第一次平滑后的第n-1个数据均值，S′n-1的计算公式为：
α为平滑常数，xn为数据缺失序列中的第n个数据值；
然后进行二次指数平滑计算，计算公式为：S″n＝αS′n+(1-α)S″n-1，其中S″n为第二次平滑后的第n个数据均值，S″n-1为第二次平滑后的第n-1个数据均值，S″n-1的计算公式为：
α为平滑常数，S′n为第一次平滑后的第n个数据均值；
最后是进行三次指数平滑计算，计算公式为：S″′n＝αS″n+(1-α)S″′n-1，其中S″′n为第三次平滑后的第n个数据均值，S″′n-1为第三次平滑后的第n-1个数据均值，S″′n-1的计算公式为：
α为平滑常数，S″n为第二次平滑后的第n个数据均值；
xn+m＝an+bnm+cnm2/2，其中，xn+m为第n+m个数据的预测值，m为由n开始向后平滑处理的步数，α取0.5，an，bn，cn的计算公式如下所示：
2.根据权利要求1所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，所述毫米波防撞雷达传感器、超声波雷达传感器安装在无人机前方，超声波雷达传感器进行0～10米范围的测距，毫米波防撞雷达传感器进行1～50m范围内的测距。
3.根据权利要求1所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，AHRS模块，包括MEMS的三轴陀螺仪、加速度计和磁强计，输出数据为三维加速度、三维角速度和三维地磁场强度。
4.根据权利要求1所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，数据采集层使用各个传感器对无人机飞行环境中的障碍物数据进行采集：
1)毫米波防撞雷达传感器输出数据为无人机与障碍物的相对距离R1、相对速度V1、障碍物与雷达法线之间的角度θ1；
2)超声波传感器采集无人机与障碍物的相对距离R2；
3)毫米波雷达高度表输出无人机与地面的相对高度值H1；
4)GPS/北斗定位传感器输出无人机对地的海拔高度值H2；
5)AHRS模块输出三维加速度A_x,A_y,A_z、三维角速度w_x,w_y,w_z和三维地磁场强度m_x,m_y,m_z，通过上述数据解算出无人机当前的姿态数据，即飞行方位角θ2、俯仰角ψ1和翻滚角
5.根据权利要求1所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，数据融合层进行无人机与障碍物相对距离的数据融合：
A、距离在0m到L1m范围内，对超声波雷达传感器采集的数据进行kalman数据融合；
B、距离在L1m到L2m范围内,采用超声波雷达传感器和毫米波防撞雷达传感器进行检测，然后加权平均，即引入α的加权值对超声波雷达传感器和毫米波防撞雷达传感器进行加权平均，将加权融合后的数据进行kalman数据融合；
C、距离在L2m到L3m范围内直接对毫米波防撞雷达传感器采集的数据进行kalman数据融合；
即如下所示
6.根据权利要求1所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，数据融合层进行无人机与地面相对高度的数据融合，毫米雷达高度表和GPS/北斗定位传感器所获取的无人机高度值进行数据融合，高度值的数据融合根据距离分为两种；
对于高度小于K1m的范围内，采用毫米雷达高度表和GPS/北斗定位传感器对无人机高度进行检测，检测后的结果采用加权平均，即引入α值对这两种传感器的高度值进行加权平均处理，处理后采用kalman对高度值进行数据融合；根据AHRS航姿数据对高度值进行修正：
对于高度大于K1m以上，采用GPS/北斗定位传感器，将获取的高度数据直接进行kalman数据融合，然后，采用AHRS航姿数据进行高度修正；
其中H1是毫米雷达高度表采集的高度，H2是GPS/北斗定位传感器采集的高度。
7.根据权利要求1所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，决策层通过如下步骤完成避障的：
P1,首先判断无人机与障碍物的相对距离，将相对距离进行三个部分的划分:小于N1m，N1m到N2m，N2m到N3m三个距离范围；
P2,距离划分完成后，根据无人机与障碍物的相对速度进行危险等级的划分:
当距离小于N1m，速度大于M1m/s,且预警时间小于Qs，则属于危险等级，速度小于M1m/s时，属于警示等级；
当距离N1m≤R<N2m，速度大于M2m/s时,处于危险等级；当速度M1m/s≤V<M2m/s时，处于警示等级，当速度小于M1m/s时，处于提示等级；
当距离N2m≤R<N3m时，当速度大于M3m/s时,处于危险等级；当速度M2m/s≤V<M3m/s时，处于警示等级，当速度M1m/s≤V<M2m/s时，处于提示等级，当速度小于M1m/s时，处于不相关等级；
P3,然后判断无人机与地面的高度值，将该高度值H进行两个等级的划分；
P4：对于危险等级，需要进行步骤P3的操作；对于警示等级，需要紧急减速后进行步骤P3的操作；对于提示等级和不相关等级，不用进行第三步骤的判断，返回重新进行检测。
8.根据权利要求7所述基于多传感器信息融合技术的单旋翼植保无人机避障系统，其特征在于，步骤P3具体为：
当高度0m≤H<K1m，根据毫米波防撞雷达传感器进行无人机与障碍物方位角的判断，如果障碍物处于无人机的左边，则控制无人机进行右偏飞行，躲避障碍物；如果障碍物处于无人机的右边，控制无人机进行左偏飞行，躲避障碍物；如果障碍物处于无人机的正前方，则无人机爬升进行避障；
当高度H≥K1m，根据毫米波防撞雷达进行无人机与障碍物方位角的判断，如果障碍物处于无人机的左边，则控制无人机进行右偏飞行，躲避障碍物，如果障碍物处于无人机的右边，控制无人机进行左偏飞行，躲避障碍物；如果障碍物处于无人机飞行的正前方，采用紧急悬停后进行折返避障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610729035.8A CN107783549B (zh) | 2016-08-25 | 2016-08-25 | 基于多传感器信息融合技术的单旋翼植保无人机避障系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610729035.8A CN107783549B (zh) | 2016-08-25 | 2016-08-25 | 基于多传感器信息融合技术的单旋翼植保无人机避障系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107783549A CN107783549A (zh) | 2018-03-09 |
| CN107783549B true CN107783549B (zh) | 2020-12-08 |
Family
ID=61439701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610729035.8A Active CN107783549B (zh) | 2016-08-25 | 2016-08-25 | 基于多传感器信息融合技术的单旋翼植保无人机避障系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107783549B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10468062B1 (en) * | 2018-04-03 | 2019-11-05 | Zoox, Inc. | Detecting errors in sensor data |
| CN108804528B (zh) * | 2018-04-28 | 2021-04-09 | 北京猎户星空科技有限公司 | 一种数据融合方法及装置 |
| CN108594856A (zh) * | 2018-05-29 | 2018-09-28 | 农业部南京农业机械化研究所 | 多源信息融合智能决策自主飞行植保无人机及控制方法 |
| WO2020041959A1 (zh) * | 2018-08-28 | 2020-03-05 | 深圳市大疆创新科技有限公司 | 连续波雷达的地形预测方法、装置、系统和无人机 |
| CN110441775B (zh) * | 2019-07-11 | 2023-05-09 | 纳瓦电子（上海）有限公司 | 一种数据的融合方法 |
| WO2021081930A1 (zh) * | 2019-10-31 | 2021-05-06 | 深圳市大疆创新科技有限公司 | 可移动平台 |
| CN112313535A (zh) * | 2019-11-05 | 2021-02-02 | 深圳市大疆创新科技有限公司 | 距离检测方法、距离检测设备、自主移动平台和存储介质 |
| CN112965517B (zh) * | 2021-01-31 | 2022-11-01 | 国网江苏省电力有限公司常州供电分公司 | 基于双目视觉融合激光雷达与电磁场检测的无人机巡检安全避障系统和方法 |
| CN113189580A (zh) * | 2021-04-02 | 2021-07-30 | 天地（常州）自动化股份有限公司 | 一种基于毫米波雷达与uwb标签的无轨胶轮车辅助驾驶方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243383A1 (en) * | 2006-12-12 | 2008-10-02 | Ching-Fang Lin | Integrated collision avoidance enhanced GN&C system for air vehicle |
| CN103135550A (zh) * | 2013-01-31 | 2013-06-05 | 南京航空航天大学 | 用于电力巡线的无人机多重避障控制方法 |
| CN104268651A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法 |
| CN104567799A (zh) * | 2014-11-28 | 2015-04-29 | 天津大学 | 基于多传感器信息融合的小型旋翼无人机高度测量方法 |
| CN104615142A (zh) * | 2014-12-19 | 2015-05-13 | 重庆大学 | 基于民用小型无人机的飞行控制器 |
| 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 |
| CN105892489A (zh) * | 2016-05-24 | 2016-08-24 | 国网山东省电力公司电力科学研究院 | 一种基于多传感器融合的自主避障无人机系统及控制方法 |
-
2016
- 2016-08-25 CN CN201610729035.8A patent/CN107783549B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243383A1 (en) * | 2006-12-12 | 2008-10-02 | Ching-Fang Lin | Integrated collision avoidance enhanced GN&C system for air vehicle |
| CN103135550A (zh) * | 2013-01-31 | 2013-06-05 | 南京航空航天大学 | 用于电力巡线的无人机多重避障控制方法 |
| CN104268651A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法 |
| CN104567799A (zh) * | 2014-11-28 | 2015-04-29 | 天津大学 | 基于多传感器信息融合的小型旋翼无人机高度测量方法 |
| CN104615142A (zh) * | 2014-12-19 | 2015-05-13 | 重庆大学 | 基于民用小型无人机的飞行控制器 |
| 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 |
| CN105892489A (zh) * | 2016-05-24 | 2016-08-24 | 国网山东省电力公司电力科学研究院 | 一种基于多传感器融合的自主避障无人机系统及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107783549A (zh) | 2018-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107783549B (zh) | 基于多传感器信息融合技术的单旋翼植保无人机避障系统 | |
| CN107783548B (zh) | 基于多传感器信息融合技术的数据处理方法 | |
| CN107783544B (zh) | 一种控制单旋翼植保无人机避障飞行的方法 | |
| CN110631593B (zh) | 一种用于自动驾驶场景的多传感器融合定位方法 | |
| CN107783106B (zh) | 无人机与障碍物之间的数据融合方法 | |
| CN107783545B (zh) | 基于ooda环多传感器信息融合的灾后救援旋翼无人机避障系统 | |
| US7640797B2 (en) | Method and system for increasing safety in chemical application from an aircraft | |
| CN103744430B (zh) | 一种小型无人直升机飞行控制方法 | |
| CN103472503B (zh) | 探空仪及基于ins的高空风探测方法 | |
| CN102508493B (zh) | 一种小型无人飞行器飞行控制方法 | |
| Li et al. | Design and implementation of UAV intelligent aerial photography system | |
| US10866593B2 (en) | Aerial vehicle landing method, ground control system, and flight control system | |
| CN104820434A (zh) | 一种无人机对地面运动目标的测速方法 | |
| CN105116915B (zh) | 一种采用多模卫星导航的翼伞飞行航迹控制系统 | |
| CN105547366A (zh) | 微小型无人机农作物信息获取与施肥灌溉指导装置 | |
| US10540901B2 (en) | Autonomous mission action alteration | |
| CN107608371A (zh) | 城市社区环境下四旋翼自主避障无人机 | |
| CN107783119A (zh) | 应用在避障系统中的决策融合方法 | |
| CN104848893A (zh) | 一种基于机载土壤水分传感器的无人机旱情检测方法 | |
| CN107783547A (zh) | 灾后救援旋翼无人机避障系统及方法 | |
| CN104197938A (zh) | 基于脚部惯性传感器的室内定位方法 | |
| CN102175882B (zh) | 基于自然地标的无人直升机视觉测速方法 | |
| CN105388908A (zh) | 基于机器视觉的无人机定位着降方法及系统 | |
| CN107783546A (zh) | 单旋翼的植保无人机避障系统及方法 | |
| CN205176663U (zh) | 一种基于机器视觉的无人机电力线定位着降系统 |
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 |