CN114995481A - 一种面向水电站蜗壳的无人机自主巡检系统及方法 - Google Patents
一种面向水电站蜗壳的无人机自主巡检系统及方法 Download PDFInfo
- Publication number
- CN114995481A CN114995481A CN202210703534.5A CN202210703534A CN114995481A CN 114995481 A CN114995481 A CN 114995481A CN 202210703534 A CN202210703534 A CN 202210703534A CN 114995481 A CN114995481 A CN 114995481A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- volute
- point cloud
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004891 communication Methods 0.000 claims abstract description 17
- 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 14
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 239000004744 fabric Substances 0.000 description 5
- 238000009616 inductively coupled plasma Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding 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
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0833—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using limited authority control
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (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
本发明涉及一种面向水电站蜗壳的无人机自主巡检系统，包括搭载于无人机上的飞行控制模块，用于获取无人机的当前姿态数据，根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态；建模模块，用于预先建立蜗壳内部的三维模型；室内定位模块，用于扫描并采集无人机周围的点云信息，并将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并规划无人机的巡检路线；图像采集模块，用于在巡检过程中根据蜗壳内部部件在蜗壳内部的三维模型中的位置信息采集图像数据，并对采集到的图像数据进行图像增强；通讯模块，用于与云端服务器通讯连接，上传采集到的图像数据至云端服务器。
Description
技术领域
本发明涉及一种面向水电站蜗壳的无人机自主巡检系统及方法，属于无人机巡检技术领域。
背景技术
水电站蜗壳在长期大水流的冲刷下，容易出现管壁锈蚀、导叶气蚀、螺栓缺失、密封条切割等缺陷，需要定期进行缺陷检测，目前国内多数水电站有赖人工架梯进行巡视，视角受限且作业效率低、危险度高。
传统无人机巡检定位有赖于卫星信号，依托信号差分等手段可实现厘米级定位，在输电线路、变电站等地精细化巡检得到了广泛的应用。
水电站蜗壳由金属环焊接而成，是一个完全GPS信号屏蔽的环状密闭空间，空间狭小、环境单一，因此想要应用无人机进行蜗壳的检测，需要开发新的技术解决无人机在蜗壳内定位问题。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种面向水电站蜗壳的无人机自主巡检系统及方法，利用激光雷达、位姿传感器实现蜗壳内部无GPS环境下高精度采集定位，同时针对激光雷达在蜗壳低特征环境下存在的定位退化问题，提出基于几何、强度配准的定位优化算法，实现无人工干预的蜗壳快速巡检。
本发明的技术方案如下：
一方面，本发明提供一种面向水电站蜗壳的无人机自主巡检系统，包括搭载于无人机上的飞行控制模块、建模模块、室内定位模块、图像采集模块和通讯模块；
所述飞行控制模块包括位姿传感器以及驱动单元，所述位姿传感器用于获取无人机的当前姿态数据，所述驱动单元根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态；
所述建模模块用于预先建立蜗壳内部的三维模型，从三维模型的原始点云中分割地面点，对剩余的非地面点进行聚类并自适应提取巡检中线，同时添加蜗壳内部部件在蜗壳内部的三维模型中的位置信息；
所述室内定位模块包括激光雷达和定位单元，所述激光雷达用于扫描并采集无人机周围的点云信息，所述定位单元将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并根据估算的无人机当前的位置信息规划无人机的巡检路线；
所述图像采集模块包括摄像机以及图像增强单元，所述摄像机用于在巡检过程中根据蜗壳内部部件在蜗壳内部的三维模型中的位置信息采集图像数据，所述图像增强单元用于对采集到的图像数据进行图像增强；
所述通讯模块与云端服务器通讯连接，用于上传采集到的图像数据至云端服务器。
作为优选，所述位姿传感器具体为惯导传感器，所述惯导传感器采集的数据包括加速度数据和角速度数据；
所述飞行控制模块还包括一滤波单元，所述滤波单元对加速度数据和角速度数据进行融合并进行卡尔曼滤波，得到所述无人机的当前姿态数据，包括俯仰角数据、横滚角数据和偏航角数据。
作为优选，所述驱动单元具体包括：
期望姿态计算单元，用于输入无人机位置调整速度及方向数据，并根据无人机位置调整速度及方向数据计算无人机的期望姿态数据；
调节单元，通过无人机的期望姿态数据和无人机的当前姿态数据进行PID调节，输出调节信号至无人机的旋翼驱动装置，调节旋翼转速以调整无人机的飞行姿态。
作为优选，所述定位单元包括：
数据读取单元，用于获取激光雷达采集到的无人机周围的点云信息以及位姿传感器采集到的无人机的当前姿态数据；
前端里程计单元，用于根据无人机周围的点云信息以及无人机的当前姿态数据估算无人机的运动轨迹以及无人机周围的局部地图数据；
回环检测单元，用于使用点云配准算法进行无人机周围的局部地图数据与蜗壳内部的三维模型的点云配准，同时结合长隧洞弱几何特征强强度特征的特点使用强度特征匹配对位姿估计进行优化，更新局部特征地图，以判断无人机是否到达蜗壳内部的三维模型中的位置或到达先前经过的位置，如有则将到达的位置信息作为反馈量输出至后端优化模块；
后端优化单元，用于根据不同时刻收到的回环检测模块输出的反馈量对无人机坐标误差进行消除；
建图匹配单元，用于根据估算的无人机的运动轨迹，构建与巡检任务要求相对应的实时点云地图作为无人机的巡检路线。
作为优选，所述无人机上还搭载有超声波测距模块，用于测定无人机与周边环境的距离；
所述蜗壳内还设置有用于辅助降落的降落标识。
另一方面，本发明还提供一种面向水电站蜗壳的无人机自主巡检方法，包括以下步骤：
预先建立蜗壳内部的三维模型，从三维模型的原始点云中分割地面点，对剩余的非地面点进行聚类并自适应提取巡检中线，同时添加蜗壳内部部件在蜗壳内部的三维模型中的位置信息；
控制无人机航行至蜗壳内部；
利用搭载于无人机上的位姿传感器获取无人机的当前姿态数据，根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态；
利用搭载于无人机上的激光雷达扫描并采集无人机周围的点云信息，将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并根据估算的无人机当前的位置信息规划无人机的巡检路线；
令无人机按照巡检路线进行巡检，利用搭载于无人机上的摄像机在巡检过程中根据蜗壳内部部件在蜗壳内部的三维模型中的位置信息采集图像数据，并对采集到的图像数据进行图像增强；
利用搭载于无人机上的通讯模块上传采集到的图像数据至云端服务器。
作为优选，所述位姿传感器具体为惯导传感器，所述惯导传感器采集的数据包括加速度数据和角速度数据；
获取所述无人机的当前姿态数据的方法具体为：
对加速度数据和角速度数据进行融合并进行卡尔曼滤波，得到包括俯仰角数据、横滚角数据和偏航角数据的无人机的当前姿态数据。
作为优选，所述根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态的方法具体为：
输入无人机位置调整速度及方向数据，并根据无人机位置调整速度及方向数据计算无人机的期望姿态数据；
通过无人机的期望姿态数据和无人机的当前姿态数据进行PID调节，输出调节信号至无人机的旋翼驱动装置，调节旋翼转速以调整无人机的飞行姿态。
作为优选，所述根据无人机周围的点云信息以及无人机的姿态数据确定无人机的位置信息并规划无人机的巡检路线的方法具体为：
获取激光雷达采集到的无人机周围的点云信息以及位姿传感器采集到的无人机的当前姿态数据；
根据无人机周围的点云信息以及无人机的当前姿态数据估算无人机的运动轨迹以及无人机周围的局部地图数据；
使用点云配准算法进行无人机周围的局部地图数据与蜗壳内部的三维模型的点云配准，同时结合长隧洞弱几何特征强强度特征的特点使用强度特征匹配对位姿估计进行优化，更新局部特征地图，以判断无人机是否到达蜗壳内部的三维模型中的位置或到达先前经过的位置，如有则将到达的位置信息作为反馈量；
根据不同时刻收到的回环检测模块输出的反馈量对无人机坐标误差进行消除；
根据估算的无人机的运动轨迹，构建与巡检任务要求相对应的实时点云地图作为无人机的巡检路线。
作为优选，还包括一降落步骤，具体为：
在蜗壳内设置用于辅助降落的降落标识；
在无人机完成巡检任务时，利用图像采集单元识别降落标识，根据识别到的降落标识图像调节无人机的位置使无人机处于降落标识的正上方；
利用搭载于无人机上的超声波测距模块获取无人机相对地面的高度数据，当高度数据达到设定的阈值时，控制无人机垂直下降完成降落。
本发明具有如下有益效果：
1、本发明一种面向水电站蜗壳的无人机自主巡检系统及方法，利用激光雷达、位姿传感器实现蜗壳内部无GPS环境下高精度采集定位，实现无人工干预的蜗壳快速巡检。
2、本发明一种面向水电站蜗壳的无人机自主巡检系统及方法，对采集的图像数据进行图像增强，实现蜗壳内部昏暗环境下高质量影像数据采集。
3、本发明一种面向水电站蜗壳的无人机自主巡检系统及方法，设置有超声波测距模块，为无人机提供避障功能，避免了无人机与四周环境发生碰撞。
附图说明
图1为本发明实施例的无人机自主巡检系统的系统框架示意图；
图2为本发明实施例中布料模拟滤波CSF算法的流程图；
图3为本发明实施例的无人机自主巡检方法的流程图。
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
参见图1，本实施例提供一种面向水电站蜗壳的无人机自主巡检系统，包括搭载于无人机上的飞行控制模块、建模模块、室内定位模块、图像采集模块和通讯模块；
所述飞行控制模块负责无人机的可靠稳定飞行，其包括位姿传感器以及驱动单元，所述位姿传感器用于获取无人机的当前姿态数据，所述驱动单元根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态，实现操控无人机的运动方向，保持无人机的平稳飞行。
所述建模模块用于预先建立蜗壳内部的三维模型，从三维模型的原始点云中分割地面点，对剩余的非地面点进行聚类并自适应提取巡检中线，同时添加蜗壳内部部件在蜗壳内部的三维模型中的结构信息、位置信息和角度信息。
所述室内定位模块负责进行蜗壳内部环境下的室内定位，其包括激光雷达和定位单元，所述激光雷达应为多线激光雷达，用于扫描并采集无人机周围的点云信息，能适应蜗壳内部昏暗低特征环境，所述定位单元将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并根据无人机周围的点云信息进行周围位置的判定，结合无人机的位置信息自动规划无人机的巡检路线。
所述图像采集模块用于实现蜗壳内部图像的采集，其包括云台摄像机以及图像增强单元，所述摄像机用于在巡检过程中根据蜗壳内部的位置信息对蜗壳内部部件进行拍照得到巡检图像数据，所述图像增强单元根据蜗壳中待检测的蜗壳内部部件的结构信息和角度信息，并结合搭载于无人机上的云台摄像机相关的拍摄参数，以对应得到所述无人机在执行该次巡检任务待检测蜗壳部件的最佳拍照位置及云台角度，并通过图像增强算法提升巡检图像数据的图像质量。
其中，巡检任务通过预先选定蜗壳内部部件作为拍照点来确定，例如预先选定部件A、部件B、部件C以及部件D，则此次巡检任务即为部件A→部件B→部件C→部件D。
其中，所述图像增强算法，通过使用大量蜗壳内部图像数据作为训练样本预先训练好的卷积神经网络对低照度下图片的像素级灰度曲线进行调节，实现低照度下高质量无人机图片获取，提升昏暗环境成像质量。
在巡检过程中，无人机的机手可以随时通过无人机的遥控器对无人机进行接管，切断飞行控制模块对无人机的控制，确保巡检安全
所述通讯模块与云端服务器通讯连接，用于上传采集到的巡检图像数据至云端服务器，上传的巡检图像数据以任务的形式存储在云端服务器进行归档保存。
作为本实施例的优选实施方式，所述位姿传感器具体为惯导传感器，所述惯导传感器采集的数据包括加速度数据和角速度数据；
所述飞行控制模块还包括一滤波单元，所述滤波单元对加速度数据和角速度数据进行融合并进行卡尔曼滤波，得到所述无人机的当前姿态数据，包括俯仰角数据、横滚角数据和偏航角数据。
作为本实施例的优选实施方式，所述驱动单元具体包括：
期望姿态计算单元，用于输入无人机位置调整速度及方向数据，并根据无人机位置调整速度及方向数据计算无人机的期望姿态数据；
调节单元，通过无人机的期望姿态数据和无人机的当前姿态数据进行PID调节，输出调节信号至无人机的旋翼驱动装置，调节旋翼转速以调整无人机的飞行姿态。
作为本实施例的优选实施方式，所述定位单元基于SLAM定位算法实现，通过如下所示的贝叶斯公式估计当前观察下最可能的状态(此处采用最大似然算法，认为无人机所处的每一种状态都是概率，当前观察下最可能的状态指的是无人机当前各个状态中概率最大的一个点，认为该点为当下无人机所处的状态)，并借助激光雷达采集的无人机周围的点云信息和惯导传感器采集的姿态数据得到无人机当前的环境坐标(环境坐标即为通过点云配准得出的无人机当前的位置信息)；贝叶斯公式如下：
其中，x＝{x1,x2,……，xN}，表示从1到N的所有时刻，y＝{y1,y2,……，yM}，表示M个路标点，u表示所有时刻的输入，z表示所有时刻的观测数据，P(x,y|z,u)表示已知输入数据u和观测数据z的条件下，求状态x和y的条件概率分布；P(z,u|x,y)表示似然，P(x,y)表示先验概率，P(z,u)表示无人机接收到输入数据u和观测数据z的概率。
定位单元具体包括：
数据读取单元，用于获取激光雷达采集到的无人机周围的点云信息以及位姿传感器采集到的无人机的当前姿态数据；
前端里程计单元，用于根据无人机周围的点云信息以及无人机的当前姿态数据估算无人机的运动轨迹，运动轨迹包括姿态、角速度等信息，以及无人机周围的局部地图数据(即无人机周围的点云信息，因未于事先建模的蜗壳内部的三维模型进行对比，精度有限)；
回环检测单元，用于使用点云配准算法进行无人机周围的局部地图数据与蜗壳内部的三维模型的点云配准，同时结合长隧洞弱几何特征强强度特征的特点使用强度特征匹配对位姿估计进行优化，更新局部特征地图，以判断无人机是否到达蜗壳内部的三维模型中的位置或到达先前经过的位置，如有则将到达的位置信息作为反馈量输出至后端优化模块；
后端优化单元，用于根据不同时刻收到的回环检测模块输出的反馈量对无人机坐标误差进行消除；
建图匹配单元，用于根据估算的无人机的运动轨迹，构建与巡检任务要求相对应的实时点云地图作为无人机的巡检路线，令无人机以当前的巡检路线继续探索。
其中，在回环检测单元中，点云配准算法的流程分为强度配准和几何配准，强度配准按区块自适应提取区域内的强度特征，同时统计区域内强度占比并取中值作为特征阈值进行匹配；几何配准基于ICP算法，迭代寻找预先建立点云模型与实时采集的点云模型间的刚体变换矩阵。几何匹配的基础上增加强度特征的匹配,为点云配准提供更多可靠的约束信息，具体如下：
S1、剔除离群点——统计滤波器：
激光雷达扫描通常会产生噪声点，可以通过统计滤波器用于去除明显离群点。该滤波器对每个点的邻域进行统计分析，并对不符合统计结果的点进行删除，统计方法是根据数据的邻域距离进行分析出来的结果。对于每一个点都会计算它到邻域的平均距离，并假设所有的点满足高斯分布，计算出来的平均值如果不满足全局距离下的高斯分布，则对它进行修建。
S2、滤除地面点——布料模拟滤波(CSF)：
CSF是一种表面调节的滤波算法，它将物理模型中的“布料模拟”算法应用于LiDAR点云地面滤波处理中。将采集到的点云数据进行倒置，通过分析具有刚性特点的布料粒子节点与对应的点之间的相互作用，最终确定布料的形态，从而将原始点云数据分为地面点和非地面点两个部分。CSF算法流程图如图2所示。
S3、强度特征提取
首先将非地面点投影为强度图和像素位置一一对应。为自适应提取局部范围内的强度特征,强度图分为多个子块,并统计子块内各强度区间的占比,建立直方图。在直方图中取中值作为该子块强度特征提取的阈值,将强度满足且大于最小阈值的像素标记为强度特征。
S4、点云粗配准——采样一致性初始配准算法(SAC-IA)：
为能更好的获得点云的几何特征信息，选取快速点特征直方图(FPFH)作为特征描述子，它是点特征直方图(PFH)的快速简化模型。PFH计算点与邻域点之间的空间几何关系，并形成一个多维直方图对点的k邻域几何属性进行描述。
针对密集点云的PFH计算效率低，采用简化的点特征直方图(SPFH)，此方法并不需要计算邻域内所有两点之间的角度特征，只需要计算查询点与邻域内的其他点之间的角度偏差，随后使用邻近的SPFH值来计算最终的FPFH，如下公式：
式中：ωi表示查询点p到邻域点pi的距离。
采样一致性初始配准算法(SAC-IA)是一种基于点云特征的粗配准方法，根据局部特征进行两站点云的特征匹配，最终找出同样特征点云之间的对应关系，求解出两站点云的变换矩阵。SAC-IA算法的具体流程如下：
S401、计算各自点云的方向信息：NP,NQ，再计算出各自点云的FPFH：FP,FQ，其中P为模板点云，Q为目标点云。
S402、在模板P中随机采样M个点：P1,P2,P3,……,PM,采样点距离需满足设定的最小阈值Dmin。
S403、在目标点云Q中寻找(2)中M个点的FPFH相近的M个点：Q1,Q2,Q3,……,QM
S404、奇异值分解法计算M组点的刚体变换矩阵T，并将该矩阵应用到模板点云上：P′＝P×T。
S405、计算P′与Q之间的配准误差，储存对应的变换矩阵T和特征点欧式误差矩阵εdist。
S406、迭代第S302-S305步骤从而选出误差最小对应的变换矩阵，当达到最大迭代次数时停止。
S5、点云细配准——迭代最近点算法(ICP)：
ICP通过不断寻找两点云(预建立的蜗壳内部的三维模型的点云和无人机周围的局部地图点云)的对应关系点集和计算对应点集之间的最优刚体变换矩阵，寻找目标点集和参考点集的最优匹配。ICP算法流程如下：
S501、对点集A中每一个点Pai施加初始变换T0，得到Pai′；
S502、从点集B中寻找距离点Pai′最近的点Pbi，形成对应的点对；
S503、求解最优变换ΔT，计算公式如下：
上式中，R和t为旋转矩阵的参数。
S504、根据前后两次的迭代误差以及迭代次数等条件判断是否收敛。如果收敛，则输出最终结果：T＝ΔT*T0，否则T0＝ΔT*T0，重复步骤(1)。
作为本实施例的优选实施方式，所述无人机上还搭载有超声波测距模块，用于测定无人机与周边环境的距离，防止撞击；
所述蜗壳内还设置有用于辅助降落的降落标识，该降落标识可以是图像标识，符号标识，例如二维码。
实施例二：
参见图3，本实施例提供一种面向水电站蜗壳的无人机自主巡检方法，包括以下步骤：
预先建立蜗壳内部的三维模型，从三维模型的原始点云中分割地面点，对剩余的非地面点进行聚类并自适应提取巡检中线，同时添加蜗壳内部部件在蜗壳内部的三维模型中的位置信息；此步骤用于实现如上述实施例一中建模模块实现的功能，在此不再赘述；
控制无人机航行至蜗壳内部；
利用搭载于无人机上的位姿传感器获取无人机的当前姿态数据，根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态；此步骤用于实现如上述实施例一中飞行控制模块实现的功能，在此不再赘述；
利用搭载于无人机上的激光雷达扫描并采集无人机周围的点云信息，将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并根据估算的无人机当前的位置信息规划无人机的巡检路线；此步骤用于实现如上述实施例一中室内定位模块实现的功能，在此不再赘述；
令无人机按照巡检路线进行巡检，利用搭载于无人机上的摄像机在巡检过程中根据蜗壳内部部件在蜗壳内部的三维模型中的位置信息采集图像数据，并对采集到的图像数据进行图像增强；此步骤用于实现如上述实施例一中图像采集模块实现的功能，在此不再赘述；
利用搭载于无人机上的通讯模块上传采集到的图像数据至云端服务器。此步骤用于实现如上述实施例一中通讯模块实现的功能，在此不再赘述。
作为优选实施方式，所述位姿传感器具体为惯导传感器，所述惯导传感器采集的数据包括加速度数据和角速度数据；
获取所述无人机的当前姿态数据的方法具体为：
对加速度数据和角速度数据进行融合并进行卡尔曼滤波，得到包括俯仰角数据、横滚角数据和偏航角数据的无人机的当前姿态数据。
作为优选实施方式，所述根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态的方法具体为：
输入无人机位置调整速度及方向数据，并根据无人机位置调整速度及方向数据计算无人机的期望姿态数据；
通过无人机的期望姿态数据和无人机的当前姿态数据进行PID调节，输出调节信号至无人机的旋翼驱动装置，调节旋翼转速以调整无人机的飞行姿态。
作为优选实施方式，所述根据无人机周围的点云信息以及无人机的姿态数据确定无人机的位置信息并规划无人机的巡检路线的方法具体为：
获取激光雷达采集到的无人机周围的点云信息以及位姿传感器采集到的无人机的当前姿态数据；此步骤用于实现如上述实施例一中数据读取单元实现的功能，在此不再赘述；
根据无人机周围的点云信息以及无人机的当前姿态数据估算无人机的运动轨迹以及无人机周围的局部地图数据；此步骤用于实现如上述实施例一中前端里程计单元实现的功能，在此不再赘述；
使用点云配准算法进行无人机周围的局部地图数据与蜗壳内部的三维模型的点云配准，同时结合长隧洞弱几何特征强强度特征的特点使用强度特征匹配对位姿估计进行优化，更新局部特征地图，以判断无人机是否到达蜗壳内部的三维模型中的位置或到达先前经过的位置，如有则将到达的位置信息作为反馈量；此步骤用于实现如上述实施例一中回环检测单元实现的功能，在此不再赘述；
根据不同时刻收到的回环检测模块输出的反馈量对无人机坐标误差进行消除；此步骤用于实现如上述实施例一中后端优化单元实现的功能，在此不再赘述；
根据估算的无人机的运动轨迹，构建与巡检任务要求相对应的实时点云地图作为无人机的巡检路线；此步骤用于实现如上述实施例一中建图匹配单元实现的功能，在此不再赘述。
作为优选实施方式，还包括一降落步骤，具体为：
在蜗壳内设置用于辅助降落的降落标识；
在无人机完成巡检任务时，利用图像采集单元识别降落标识，根据识别到的降落标识图像调节无人机的位置使无人机处于降落标识的正上方；
利用搭载于无人机上的超声波测距模块获取无人机相对地面的高度数据，当高度数据达到设定的阈值时，控制无人机垂直下降完成降落。
如本发明实施例一和实施例二所述的面向水电站蜗壳的无人机自主巡检系统及方法，不仅限于在水电站蜗壳内部巡检中使用，还可应用于各种昏暗环境/结构内部的无人机巡检。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种面向水电站蜗壳的无人机自主巡检系统，其特征在于：包括搭载于无人机上的飞行控制模块、建模模块、室内定位模块、图像采集模块和通讯模块；
所述飞行控制模块包括位姿传感器以及驱动单元，所述位姿传感器用于获取无人机的当前姿态数据，所述驱动单元根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态；
所述建模模块用于预先建立蜗壳内部的三维模型，从三维模型的原始点云中分割地面点，对剩余的非地面点进行聚类并自适应提取巡检中线，同时添加蜗壳内部部件在三维模型中的位置信息；
所述室内定位模块包括激光雷达和定位单元，所述激光雷达用于扫描并采集无人机周围的点云信息，所述定位单元将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并根据估算的无人机当前的位置信息规划无人机的巡检路线；
所述图像采集模块包括摄像机以及图像增强单元，所述摄像机用于在巡检过程中根据蜗壳内部部件在蜗壳内部的三维模型中的位置信息采集图像数据，所述图像增强单元用于对采集到的图像数据进行图像增强；
所述通讯模块与云端服务器通讯连接，用于上传采集到的图像数据至云端服务器。
2.根据权利要求1所述的一种面向水电站蜗壳的无人机自主巡检系统，其特征在于：
所述位姿传感器具体为惯导传感器，所述惯导传感器采集的数据包括加速度数据和角速度数据；
所述飞行控制模块还包括一滤波单元，所述滤波单元对加速度数据和角速度数据进行融合并进行卡尔曼滤波，得到所述无人机的当前姿态数据，包括俯仰角数据、横滚角数据和偏航角数据。
3.根据权利要求2所述的一种面向水电站蜗壳的无人机自主巡检系统，其特征在于，所述驱动单元具体包括：
期望姿态计算单元，用于输入无人机位置调整速度及方向数据，并根据无人机位置调整速度及方向数据计算无人机的期望姿态数据；
调节单元，通过无人机的期望姿态数据和无人机的当前姿态数据进行PID调节，输出调节信号至无人机的旋翼驱动装置，调节旋翼转速以调整无人机的飞行姿态。
4.根据权利要求1所述的一种面向水电站蜗壳的无人机自主巡检系统，其特征在于，所述定位单元包括：
数据读取单元，用于获取激光雷达采集到的无人机周围的点云信息以及位姿传感器采集到的无人机的当前姿态数据；
前端里程计单元，用于根据无人机周围的点云信息以及无人机的当前姿态数据估算无人机的运动轨迹以及无人机周围的局部地图数据；
回环检测单元，用于使用点云配准算法进行无人机周围的局部地图数据与蜗壳内部的三维模型的点云配准，同时结合长隧洞弱几何特征强强度特征的特点使用强度特征匹配对位姿估计进行优化，更新局部特征地图，以判断无人机是否到达蜗壳内部的三维模型中的位置或到达先前经过的位置，如有则将到达的位置信息作为反馈量输出至后端优化模块；
后端优化单元，用于根据不同时刻收到的回环检测模块输出的反馈量对无人机坐标误差进行消除；
建图匹配单元，用于根据估算的无人机的运动轨迹，构建与巡检任务要求相对应的实时点云地图作为无人机的巡检路线。
5.根据权利要求1所述的一种面向水电站蜗壳的无人机自主巡检系统，其特征在于：
所述无人机上还搭载有超声波测距模块，用于测定无人机与周边环境的距离；
所述蜗壳内还设置有用于辅助降落的降落标识。
6.一种面向水电站蜗壳的无人机自主巡检方法，其特征在于，包括以下步骤：
预先建立蜗壳内部的三维模型，从三维模型的原始点云中分割地面点，对剩余的非地面点进行聚类并自适应提取巡检中线，同时添加蜗壳内部部件在蜗壳内部的三维模型中的位置信息；
控制无人机航行至蜗壳内部；
利用搭载于无人机上的位姿传感器获取无人机的当前姿态数据，根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态；
利用搭载于无人机上的激光雷达扫描并采集无人机周围的点云信息，将无人机周围的点云信息与蜗壳内部的三维模型进行点云配准，估算无人机当前的位置信息，并根据估算的无人机当前的位置信息规划无人机的巡检路线；
令无人机按照巡检路线进行巡检，利用搭载于无人机上的摄像机在巡检过程中根据蜗壳内部部件在蜗壳内部的三维模型中的位置信息采集图像数据，并对采集到的图像数据进行图像增强；
利用搭载于无人机上的通讯模块上传采集到的图像数据至云端服务器。
7.根据权利要求6所述的一种面向水电站蜗壳的无人机自主巡检方法，其特征在于：
所述位姿传感器具体为惯导传感器，所述惯导传感器采集的数据包括加速度数据和角速度数据；
获取所述无人机的当前姿态数据的方法具体为：
对加速度数据和角速度数据进行融合并进行卡尔曼滤波，得到包括俯仰角数据、横滚角数据和偏航角数据的无人机的当前姿态数据。
8.根据权利要求7所述的一种面向水电站蜗壳的无人机自主巡检方法，其特征在于，所述根据无人机的当前姿态数据输出驱动信号调整无人机的飞行姿态的方法具体为：
输入无人机位置调整速度及方向数据，并根据无人机位置调整速度及方向数据计算无人机的期望姿态数据；
通过无人机的期望姿态数据和无人机的当前姿态数据进行PID调节，输出调节信号至无人机的旋翼驱动装置，调节旋翼转速以调整无人机的飞行姿态。
9.根据权利要求6所述的一种面向水电站蜗壳的无人机自主巡检方法，其特征在于，所述根据无人机周围的点云信息以及无人机的姿态数据确定无人机的位置信息并规划无人机的巡检路线的方法具体为：
获取激光雷达采集到的无人机周围的点云信息以及位姿传感器采集到的无人机的当前姿态数据；
根据无人机周围的点云信息以及无人机的当前姿态数据估算无人机的运动轨迹以及无人机周围的局部地图数据；
使用点云配准算法进行无人机周围的局部地图数据与蜗壳内部的三维模型的点云配准，同时结合长隧洞弱几何特征强强度特征的特点使用强度特征匹配对位姿估计进行优化，更新局部特征地图，以判断无人机是否到达蜗壳内部的三维模型中的位置或到达先前经过的位置，如有则将到达的位置信息作为反馈量；
根据不同时刻收到的回环检测模块输出的反馈量对无人机坐标误差进行消除；
根据估算的无人机的运动轨迹，构建与巡检任务要求相对应的实时点云地图作为无人机的巡检路线。
10.根据权利要求6所述的一种面向水电站蜗壳的无人机自主巡检方法，其特征在于，还包括一降落步骤，具体为：
在蜗壳内设置用于辅助降落的降落标识；
在无人机完成巡检任务时，利用图像采集单元识别降落标识，根据识别到的降落标识图像调节无人机的位置使无人机处于降落标识的正上方；
利用搭载于无人机上的超声波测距模块获取无人机相对地面的高度数据，当高度数据达到设定的阈值时，控制无人机垂直下降完成降落。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703534.5A CN114995481A (zh) | 2022-06-21 | 2022-06-21 | 一种面向水电站蜗壳的无人机自主巡检系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703534.5A CN114995481A (zh) | 2022-06-21 | 2022-06-21 | 一种面向水电站蜗壳的无人机自主巡检系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114995481A true CN114995481A (zh) | 2022-09-02 |
Family
ID=83036088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210703534.5A Pending CN114995481A (zh) | 2022-06-21 | 2022-06-21 | 一种面向水电站蜗壳的无人机自主巡检系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114995481A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE2251016A1 (en) * | 2022-09-03 | 2024-03-04 | Spacemetric Ab | Method and arrangement for determining a pose of an aerial vehicle |
-
2022
- 2022-06-21 CN CN202210703534.5A patent/CN114995481A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE2251016A1 (en) * | 2022-09-03 | 2024-03-04 | Spacemetric Ab | Method and arrangement for determining a pose of an aerial vehicle |
| SE545879C2 (en) * | 2022-09-03 | 2024-03-05 | Spacemetric Ab | Method and arrangement for determining a pose of an aerial vehicle |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105652891B (zh) | 一种旋翼无人机移动目标自主跟踪装置及其控制方法 | |
| Schäfer et al. | Multicopter unmanned aerial vehicle for automated inspection of wind turbines | |
| Achtelik et al. | Stereo vision and laser odometry for autonomous helicopters in GPS-denied indoor environments | |
| Car et al. | Autonomous wind-turbine blade inspection using lidar-equipped unmanned aerial vehicle | |
| Mammarella et al. | Machine vision/GPS integration using EKF for the UAV aerial refueling problem | |
| CN107993257A (zh) | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 | |
| Sanfourche et al. | Perception for UAV: Vision-Based Navigation and Environment Modeling. | |
| Duan et al. | A binocular vision-based UAVs autonomous aerial refueling platform | |
| CN112947526B (zh) | 一种无人机自主降落方法和系统 | |
| CN114995481A (zh) | 一种面向水电站蜗壳的无人机自主巡检系统及方法 | |
| Vela et al. | Vision-based range regulation of a leader-follower formation | |
| Zhou et al. | Toward autonomy of micro aerial vehicles in unknown and global positioning system denied environments | |
| Li et al. | A survey of vision based autonomous aerial refueling for unmanned aerial vehicles | |
| Lin et al. | Auv docking method in a confined reservoir with good visibility | |
| Kakvand et al. | Smart on-board UAV system: Using computer vision system to find a movable and stationary target | |
| CN112991400B (zh) | 一种无人艇的多传感器辅助定位方法 | |
| Mueller et al. | Model predictive control for vision-based quadrotor guidance | |
| Wang et al. | Pose and velocity estimation algorithm for UAV in visual landing | |
| Wang et al. | Micro aerial vehicle navigation with visual-inertial integration aided by structured light | |
| CN116295342A (zh) | 一种用于飞行器勘测的多传感状态估计器 | |
| CN114740882A (zh) | 一种无人机保证可视性的弹性目标跟踪的轨迹生成方法 | |
| Pozderac et al. | 3D mapping based on fusion of 2D laser and IMU data acquired by unmanned aerial vehicle | |
| Xu et al. | Uav autonomous landing algorithm based on machine vision | |
| Athilingam et al. | Design and implementation of a multirotor unmanned aircraft system for target tracking | |
| Chen et al. | Identification and avoidance of static and dynamic obstacles on point cloud for uavs navigation |
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 |