CN116893682A - 一种基于视觉引导的无人机自动着陆控制方法 - Google Patents

Abstract

本发明公开了一种基于视觉引导的无人机自动着陆控制方法，包括以下步骤：S1：建立无人机自动着陆控制模型；S2：利用视觉引导技术规划无人机自动着陆轨迹；S3：基于无人机自主着陆控制器控制无人机自动着陆。本发明的一种基于视觉引导的无人机自动着陆控制方法，视觉引导利用图像传感器获取实时信息，并通过图像处理与信息分析确定无人机飞行信息以及目标方向上的环境信息，为无人机的自动着陆路线的规划提供精准的数据支持，并通过着陆控制模型和陆控制器控制无人机自动着陆，与传统控制方法相比，视觉引导几乎不会受到环境信号的影响，因此得到的实时数据较为精准，在此条件下对应的无人机自动着陆的控制效果得到明显提升。

Description

一种基于视觉引导的无人机自动着陆控制方法

技术领域

本发明涉及无人机飞行控制技术领域，尤其是涉及一种基于视觉引导的无人机自动着陆控制方法。

背景技术

无人机是一种有动力、可控制能够执行高空任务，且具有超视距自主飞行能力的无人驾驶飞行器，由于其运行特性被广泛地应用到军事、勘探等领域当中，并取得良好的成效。现如今无人机设备及其相关技术的发展日益成熟，在诸多领域可以代替有人驾驶机完成任务，由于无人机的设计不需要考虑驾驶员以及乘客的人身安全，也无需对其内部的驾驶座舱进行特殊设计，因此放宽了对无人机飞行品质的要求，与此同时加大了对无人机气动效率和控制效率的重视程度。无人机的航行可以分为起飞、航行、着陆三个步骤，其中自动着陆是无人机整个自动飞行过程中危险系数最高的步骤。传统的自动着陆控制方法，如基于鲁棒伺服LQR的无人机横航向自动着陆、基于PD控制的四旋翼无人机着陆等，均采用GPS定位技术进行导航，这种导航引导方式具有较高的精度，但在实际应用中发现定位信号极易受到环境中其他无线电信号的干扰，从而产生丢失，导致无人机自动着陆程序中断，甚至可能会定位到错误位置信息，导致无人机危险着陆。

发明内容

本发明是为了克服传统控制方法均会在不同程度上受到环境信号的影响，最终表现为控制精度低、控制效果不佳的问题，提供一种基于视觉引导的无人机自动着陆控制方法。

为了实现上述目的，本发明采用以下技术方案：

一种基于视觉引导的无人机自动着陆控制方法，包括以下步骤：S1：建立无人机自动着陆控制模型；S2：利用视觉引导技术规划无人机自动着陆轨迹；S3：基于无人机自主着陆控制器控制无人机自动着陆。本发明的一种基于视觉引导的无人机自动着陆控制方法，视觉引导就是利用图像传感器获取实时信息，并通过图像处理与信息分析确定无人机飞行信息以及目标方向上的环境信息，为无人机的自动着陆路线的规划提供精准的数据支持，并通过着陆控制模型和陆控制器控制无人机自动着陆，与传统控制方法相比，视觉引导几乎不会受到环境信号的影响，因此得到的实时数据较为精准，在此条件下对应的无人机自动着陆的控制效果也能得到明显提升。

作为本发明的优选方案，所述无人机自动着陆控制模型如下：

无人机运动特性模型：

其中，t为时间变量，Y为输出值，X表示输入值，表示状态变量，且与控制输入u之间存在非线性关系，f(·)和g(·)为输入和输出的非线性函数，V_x、V_y、V_z分别表示无人机质心运动在不同方向上的分量，ω_x、ω_y、ω_z分别为无人机在滚转、偏航以及俯仰状态下的角速率，对应的欧拉角为γ和ψ，x_g和z_g为北向和东向位置，h_g为无人机的飞行高度；

无人机在合外力作用下的线运动模型：

其中，d表示数据节点，dt表示转动增量，m为无人机质量，V表示的是质心速度矢量；

无人机在合外力矩作用下的角运动模型：

∑M＝Jω

其中，J表示转动惯量，ω为角速度的矢量值；

角动力学方程表达式如下：

其中，C₁、C₂、C₃、C₄为常数系数，具体取值与当前的无人机运行状态以及初始状态量有关，M_x、M_y和M_z表示无人机所受合外力矩在机体轴系下的三轴分量；

无人机风速模型：

V_k＝V_w+V

其中，V_w和V分别对应的是风速和空速，V_k为地速。

作为本发明的优选方案，所述S2包括以下步骤：S21：进行无人机着陆实时图像采集与处理；S22：根据图像的处理结果进行目标检测与识别；S23：依据无人机在轨迹捕获段与过渡飞行段的待飞距离视觉测量无人机的着陆距离；S24：根据横纵向着陆轨迹方程生成无人机自动着陆轨迹。

作为本发明的优选方案，所述S21具体如下：在无人机内部嵌入摄像头设备以及图像采集卡，并在采集卡内设置图像采集间隔，采集得到彩色图像信号，对彩色图像信号进行增强处理，对增强后的彩色图像信号进行高斯滤波。

作为本发明的优选方案，所述S23中无人机在轨迹捕获段与过渡飞行段的待飞距离的解析式如下：

其中，x表示定位参数，y表示飞行特征量，计算结果L_R2G1和L_R2G2分别为轨迹捕获段和过渡飞行段的待飞距离测量结果。

作为本发明的优选方案，所述S24中横纵向着陆轨迹方程如下：纵向着陆轨迹方程：

横向着陆轨迹方程：

H_z＝H₃ L＝0

其中，L表示的是无人机距离着陆点的待飞距离，H₁为已知的无人机进场高度，H₂表示拉起高度，H₃表示无人机与地面接触点直至停止的距离，变量L₁、L₂和L₃分别为直线下滑段进入捕获点的距离、捕获点到拉起点的距离、拉起点与地面的接触点间的距离。

作为本发明的优选方案，所述S3中控制无人机自动着陆包括纵向控制和横向控制，所述纵向控制表示为：

所述横向控制表示为：

其中，δ_t、δ_r0、δ_RD、δ_RD0和δ_e分别为无人机油门的变化、油门初始状态、扰流片偏转程度、偏转基准值、升降舵变化的值，K_T为无人机不同位置上的放大系数，V和V₀分别为实际的和期望的着陆阶段的速度，θ为俯仰角控制指令信号，H_X和H分别为实际的和期望的着陆阶段的距离。

因此，本发明具有以下有益效果：本发明的一种基于视觉引导的无人机自动着陆控制方法，视觉引导利用图像传感器获取实时信息，并通过图像处理与信息分析确定无人机飞行信息以及目标方向上的环境信息，为无人机的自动着陆路线的规划提供精准的数据支持，并通过着陆控制模型和陆控制器控制无人机自动着陆，与传统控制方法相比，视觉引导几乎不会受到环境信号的影响，因此得到的实时数据较为精准，在此条件下对应的无人机自动着陆的控制效果得到明显提升。

附图说明

图1是本发明的方法流程图；

图2是本发明S2的步骤流程图；

图3是本发明实施例的无人机着陆的基本纵向飞行轨迹示意图；

图4是本发明实施例的无人机自主着陆控制器结构图；

图5是本发明实施例的无人机自动着陆控制方法运行平台界面图；

图6是本发明实施例的试飞轨迹与期望着陆点的设置示意图；

图7是本发明实施例的无人机自动着陆过程中的部分视觉引导图像；

图8是本发明实施例的无人机自动着陆过程示意图；

图9是本发明实施例的无人机自动着陆纵向高度控制曲线图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

一种基于视觉引导的无人机自动着陆控制方法，如图1所示，包括以下步骤：

S1：建立无人机自动着陆控制模型。

无人机自动着陆控制模型如下：

无人机运动特性模型：

其中，t为时间变量，Y为输出值，X表示输入值，表示状态变量，且与控制输入u之间存在非线性关系，f(·)和g(·)为输入和输出的非线性函数，V_x、V_y、V_z分别表示无人机质心运动在不同方向上的分量，ω_x、ω_y、ω_z分别为无人机在滚转、偏航以及俯仰状态下的角速率，对应的欧拉角为γ和ψ，x_g和z_g为北向和东向位置，h_g为无人机的飞行高度；

无人机在合外力作用下的线运动模型：

其中，d表示数据节点，dt表示转动增量，m为无人机质量，V表示的是质心速度矢量；

无人机在合外力矩作用下的角运动模型：

∑M＝Jω

其中，J表示转动惯量，ω为角速度的矢量值；

角动力学方程表达式如下：

其中，C₁、C₂、C₃、C₄为常数系数，具体取值与当前的无人机运行状态以及初始状态量有关，M_x、M_y和M_z表示无人机所受合外力矩在机体轴系下的三轴分量；

无人机风速模型：

V_k＝V_w+V

其中，V_w和V分别对应的是风速和空速，V_k为地速。

S2：利用视觉引导技术规划无人机自动着陆轨迹。

如图2所示，S2包括以下步骤：S21：进行无人机着陆实时图像采集与处理；S21具体如下：在无人机内部嵌入摄像头设备以及图像采集卡，并在采集卡内设置图像采集间隔，采集得到彩色图像信号，对彩色图像信号进行增强处理，对增强后的彩色图像信号进行高斯滤波。

S22：根据图像的处理结果进行目标检测与识别。

S23：依据无人机在轨迹捕获段与过渡飞行段的待飞距离视觉测量无人机的着陆距离。

S23中无人机在轨迹捕获段与过渡飞行段的待飞距离的解析式如下：

其中，x表示定位参数，y表示飞行特征量，计算结果L_R2G1和L_R2G2分别为轨迹捕获段和过渡飞行段的待飞距离测量结果。

S24：根据横纵向着陆轨迹方程生成无人机自动着陆轨迹。

S24中横纵向着陆轨迹方程如下：

纵向着陆轨迹方程：

横向着陆轨迹方程：

H_z＝H₃ L＝0

其中，L表示的是无人机距离着陆点的待飞距离，H₁为已知的无人机进场高度，H₂表示拉起高度，H₃表示无人机与地面接触点直至停止的距离，变量L₁、L₂和L₃分别为直线下滑段进入捕获点的距离、捕获点到拉起点的距离、拉起点与地面的接触点间的距离。

S3：基于无人机自主着陆控制器控制无人机自动着陆。

S3中控制无人机自动着陆包括纵向控制和横向控制，纵向控制表示为：

横向控制表示为：

其中，δ_t、δ_r0、δ_RD、δ_RD0和δ_e分别为无人机油门的变化、油门初始状态、扰流片偏转程度、偏转基准值、升降舵变化的值，K_T为无人机不同位置上的放大系数，V和V₀分别为实际的和期望的着陆阶段的速度，θ为俯仰角控制指令信号，H_X和H分别为实际的和期望的着陆阶段的距离。

本发明的一种基于视觉引导的无人机自动着陆控制方法，视觉引导就是利用图像传感器获取实时信息，并通过图像处理与信息分析确定无人机飞行信息以及目标方向上的环境信息，为无人机的自动着陆路线的规划提供精准的数据支持，并通过着陆控制模型和陆控制器控制无人机自动着陆，与传统控制方法相比，视觉引导几乎不会受到环境信号的影响，因此得到的实时数据较为精准，在此条件下对应的无人机自动着陆的控制效果也能得到明显提升。

在该实施例中，对本发明的一种基于视觉引导的无人机自动着陆控制方法进行详细描述。

由于无人机定位导航精度低，导致传统无人机自动着陆控制方法存在控制效果不佳的问题，为此提出基于视觉引导的无人机自动着陆控制方法。分别从无人机运动和飞行环境两个方面，构建数学模型，在该模型下，利用视觉引导技术通过实时图像采集、处理、目标检测、距离测量等步骤，规划自动着陆轨迹。设计并安装无人机自主着陆控制器，进而实现无人机的自动着陆控制。应用本发明的设计方法能够沿着规划路线实现精准着陆，控制误差较小，控制效果良好。

完成指定的空中任务后，无人机开始进入自动着陆阶段。在整个飞行过程中，自动着陆段关系到无人机能否顺利回收再利用，是最关键的一步。UAV着陆过程可分为进场定高飞行、截获下降轨迹线、姿态拉平和跑道滑跑四个阶段。无人机在降落前，先保持一定高度进行平飞，使无人机的空速和姿态稳定住，当无人机的飞行位置和状态达到一定的条件，进入到着陆窗口之后，无人机就开始按一定的滑行轨迹滑行，使无人机的飞行轨迹保持平稳。因为无人机飞行速度的降低，需要不停地增加攻角，以保证升力和重力的平衡，无人机的落点速度在允许的范围内，可以减小无人机的迎角，无人机将与地面接触并转换成减速滑跑运行方式。无人机着陆的基本纵向飞行轨迹如图3所示。

图3中表示的第一个阶段为无人机着陆的进场平飞段，主要用来稳住无人飞机降落的高度和速度，对准机场跑道中心线，改变空中构型，为捕捉下降轨迹线做准备。在直线滑行段，预设一条沿跑道中心线着陆轨迹线，使无人机能平稳、快速地到达近地面，为姿态拉起做准备。指数拉起段就是无人机拉起的姿态，平缓连接直线滑落段和最后的浅滑段，保证不同阶段间的轨迹切换不会产生大的跳跃。切断无人机降落轨迹线，保持一定的天向速度下沉，直至最后安全触地，横侧向保证无人机横侧向各状态满足触地要求，即完成浅滑段的工作。最后的减速滑跑段则是从无人机触地开始，一直到速度减为零停止在跑道上，无人机飞行速度为零，且在横纵两个方向上均不产生位移，则说明无人机自动着陆工作已完成。

针对无人机的运动特性，可用下列非线性微分方程来表示：

其中，t为时间变量，Y为输出值，X表示输入值，表示状态变量，且与控制输入u之间存在非线性关系，f(·)和g(·)为输入和输出的非线性函数。状态量的表达式如下：

V_x、V_y、V_z分别表示无人机质心运动在不同方向上的分量，ω_x、ω_y、ω_z分别为无人机在滚转、偏航以及俯仰状态下的角速率，对应的欧拉角为γ和ψ，x_g和z_g为北向和东向位置，h_g为无人机的飞行高度。无人机在合外力作用下的线运动方程为：

其中，d表示数据节点，dt表示转动增量，m为无人机质量，V表示的是质心速度矢量，同理可以得出合外力矩作用下的角运动方程为：

∑M＝Jω

其中，J表示转动惯量，ω为角速度的矢量值。在此基础上可以得出无人机的动力学方程，其中角动力学方程表达式如下：

其中，C₁、C₂、C₃、C₄为常数系数，具体取值与当前的无人机运行状态以及初始状态量有关，M_x、M_y和M_z表示无人机所受合外力矩在机体轴系下的三轴分量。利用微分方程求出状态量的增量，再利用数值积分法求解出无人机各时刻的运动状态。

由于无人机质量轻，惯性小，所以对逆风和顺风的影响较为敏感。无人机进入尾拉段时，保持一定的空速飞行，如果突然受到顺向气流的干扰，无人驾驶飞机就会飞到轨迹线上方，这时，控制板发出指令使无人机修正轨迹线的误差，升降舵会突然调整轨迹线的误差，在近地的气流环境中，无人机就会飞到轨迹线上方。与此类似，如果飞机在降落时受到反向来流的干扰，那么无人机的触点将在飞机的操纵方向偏离升降舵上，这样就会使升降舵偏离升降舵的姿态，反复地触地后，使无人机的起落架和机身受损，造成不必要的损失。因此，在建立无人机环境模型时，需要将风元素考虑其中。定义地速、空速和风速之间的关系为：

V_k＝V_w+V

其中，V_w和V分别对应的是风速和空速，V_k为地速。更具体的，将风速模型公式转换成分量的形式表示可得：

其中u、v、w表示地速在机体坐标系下的分量，u_w、v_w、w_w和分别为风速和空速在机体坐标系下的分量值。由此可以得出无人机着陆状态下，空间常值风场、阵风以及剪切风的统一量化表达式如下：

其中，πs表示传输节点，变量V_m和d_m可分别用于表示空间常值风场、阵风以及剪切风的强度和尺度，s为无人机的飞行距离。

在无人机内部嵌入摄像头设备以及图像采集卡，并在采集卡内设置图像采集间隔，在两者的协同作用下得到彩色图像采集信号，在此基础上对图像进行增强处理提高图像的清晰度，同时也能够让图像更好地进行计算机处理。选择高斯滤波处理方式，窗口尺寸大小选择3x3。在对图像边界进行模版运算时，为了保留必要的图像信息，常常根据需要对边界进行重复扩展，或者直接不处理。

根据视觉引导获得的实时图像处理结果，识别地标、障碍物以及飞行跑道。地标识别的目的是确定无人机的目标着陆位置、障碍物检测是保证规划的着陆路径上无障碍物影响，而飞行跑道的检测则是确定无人机着陆路径的约束条件。提取实时图像中的轮廓特征，提取出所有的轮廓序列后，首先要对轮廓序列进行判断、筛选、找出地标的候选轮廓，再根据所设计的地标特征进行判别，在此过程中需要遍历每一处轮廓，计算量较大，所以必须先将明显非地标的轮廓剔除。根据设置地标的形状，判断提取的轮廓形状是否与设置的地标形状一致，并剔除不一致的轮廓特征。最终计算轮廓特征构成的面积，若求解面积与设置地标面积之间的误差低于5％，则判定该图像表示的是地标目标的识别结果，并持续对该位置进行连续跟踪。同理也可以得出障碍物以及飞行跑道的检测与识别结果。

无人机着陆待飞距离的测量，实际上就是地球轨道长度。用能量调整段初始点位置为原点，Ox轴沿机场跑道方向为Ox轴，Oy轴与跑道垂直。以当前的无人机位置(x₁,y₁)为发动机停车初始位置，点(x₂,y₀)为航迹捕获段与过渡飞行段的交点，无人机实时飞行的位置为点(x，y)，无人机在轨迹捕获段与过渡飞行段的待飞距离解析式分别为：

其中，x表示定位参数，y表示飞行特征量，计算结果L_R2G1和L_R2G2分别为轨迹捕获段和过渡飞行段的待飞距离测量结果。

以定位的着陆位置为坐标，结合飞行距离的测试结果，分别从拉平轨迹和直线下滑线两个方面生成自动着陆轨迹。该无人驾驶飞机的着陆速度在30m/s～35m/s之间，结合其接地速度可以确定无人机拉平末端的轨迹倾角为1°。设计直线下降线的关键是要选择适当的下降轨迹倾角，选择下降轨迹倾角将影响到姿态控制和高度控制能否保证下落速度。线下落速度等于末拉速变化率加上无人机的着地速度，一般下落速度在40m/s～45m/s之间，直线下滑段的升降速率不宜太大或太小，太大容易造成下降的轨迹倾角太大，造成飞机的失速，太小则会导致着陆飞行距离过长，对跑道的距离要求变高，通常选择下滑升降速率为-2m/s～-4m/s，根据下降速度和升降率范围可计算出理想的下滑轨迹倾角范围为2°-5°左右。在已知无人机进场高度的前提下，确定无人机的横纵向着陆轨迹方程如下：

纵向着陆轨迹方程：

横向着陆轨迹方程：

H_z＝H₃,L＝0

其中，L表示的是无人机距离着陆点的待飞距离，具体取值为无人机在轨迹捕获段与过渡飞行段的待飞距离解析式计算结果L_R2G1和L_R2G2之和，H₁为已知的无人机进场高度，H₂表示拉起高度，H₃表示无人机与地面接触点直至停止的距离，变量L₁、L₂和L₃分别为直线下滑段进入捕获点的距离、捕获点到拉起点的距离、拉起点与地面的接触点间的距离。

无人机的空间运动分为角和线。角度运动的控制，就是为了稳定无人机的姿态，叫做稳定环或内环。内回路输出的舵面偏转控制指令，还可通过舵回路的控制来实现，即舵回路控制；而对线运动的控制，则是对无人机进行航迹稳定和控制。无人机自主着陆控制器的设计结构如图4所示。

无人机的六自由度运动可分为对称面的纵向运动和非对称面的横向运动。因此，相应的飞行控制又分为纵向控制和横向控制。纵控包括内回路俯仰角控制和外回路高度控制，相应的执行机构主要是升舵和油门舵；横侧向控制包括荷兰滚模态、滚转角、航向角控制和航迹跟踪控制，相应的执行机构主要是副翼舵和方向舵。

获取当前无人机实时飞行参数，并将其作为输入项输入到安装的无人机自动着陆控制器中，分别从速度、角度、位置等方面实现着陆控制，保证无人机沿着生成的着陆轨迹降落。无人机的操纵面由升舵、副翼舵面、方向舵面和扰流片组成，利用升降舵实现无人机纵向控制，飞机的滚动方向由副翼控制实现，航向通过方向舵控制，用扰流片来实现，用方向舵控制来减少阻力。自动着陆控制分为纵向控制和横向控制，纵向控制通道利用升降舵控制飞机的俯仰角变化，利用油门控制发动机的状态。纵向控制过程可以表示为：

其中，δ_t、δ_r0、δ_RD、δ_RD0和δ_e分别为无人机油门的变化、油门初始状态、扰流片偏转程度、偏转基准值、升降舵变化的值，K_T为无人机不同位置上的放大系数，V和V₀分别为实际的和期望的着陆阶段的速度，θ为俯仰角控制指令信号，H_X和H分别为实际的和期望的着陆阶段的距离。同理可以得出横向的控制方程，表示如下：

实现航迹偏差的消除，以保证无人机对准跑道中心线，进而确保无人机着陆轨迹与生成轨迹的绝对吻合。

在该实施例中，对本发明的一种基于视觉引导的无人机自动着陆控制方法的控制效果进行实验分析。为了验证设计的基于视觉引导的无人机自动着陆控制方法是否可以控制无人机着陆工作达到期望的效果，验证视觉引导在自动着陆控制工作中的可行性，设计无人机的试飞实验，并通过对实验结果的分析来验证设计方法的控制效果。

实验选择型号为某品牌CD-15的油动无人机作为试飞实验的无人机设备，按照结构可以将无人机分为机身、机翼和机尾三个部分，无人机采用固定翼常规气动布局，上单翼，单垂尾，中平尾。设计的无人机自动着陆控制方法应用了视觉引导技术，因此需要在无人机设备上安装摄像机设备。另设双轴陀螺稳定转台，型号为PTU-D300，该转台支持RS232串口发送指令，并能实时反馈转台状态，包括转台偏转角和俯仰角。转台两侧可安装托架，支持多种安装方式，为传感器提供承载平台。

为实现无人机着陆以及控制程序的可视化运行，配置实验平台。选择Matlab作为着陆控制程序的开发与运行平台，并得到相应的控制显示界面，要求该界面能够进行数据、曲线的显示以及控制操作。利用Matlab工具开发得出的无人机着陆控制平台界面如图5所示。

在试飞环境的选择方面，尽量选择一个宽敞的、障碍物较少的区域作为着陆区域，在该区域内设置一个着陆点，并以地标的形式标记具体的着陆位置。除此之外，还需要设置无人机着陆的预备跑道。在此基础上编写与运行视觉引导程序，并对云台偏转角度和无人机内嵌摄像机的安装情况进行校正，最终将搭建完成的视觉引导程序放置在选择的无人机着陆平台区域两侧，并保证选择的两个云台处于同一水平面内。

试飞轨迹的设置是为控制效果测试实验的前期工作做准备，保证无人机处于飞行状态，且飞行参数与启动着陆位置均在可控范围内。通过试飞轨迹的规划，能够实现对无人机的着陆起始位置的控制。根据试飞轨迹的设置结果，考虑当天的天气特点，设置期望着陆位置，并标记在实验环境中。试飞轨迹以及期望着陆点的具体设置情况，如图6所示。

分别从着陆过程和着陆结果两个方面测试设计方法的控制效果，在着陆过程方面设置纵向高度、水平位置、纵向速度、水平速度、偏航角、横滚角以及俯仰角的误差作为实验的量化测试指标，以纵向高度为例，其控制误差的数值结果可以表示为：

e_h＝|H_t-H’_t|

其中，H_t和H’_t分别表示的是无人机t时刻的实际飞行高度以及设置试飞轨迹上规定的飞行高度。同时，可以得出其他误差测试指标的量化结果。而着陆结果的测试，就是测量无人机实际着陆位置与期望着陆位置之间的距离，可以利用测量设备直接得出。

在配置好无人机视觉引导程序以及设计的控制程序后，启动无人机并让其沿着设置的飞行轨迹航行，在完成试飞飞行后，立即启动自动着陆程序，并实时采集图像实现飞行参数的调整。无人机自动着陆过程中的部分视觉引导图像如图7所示。在此基础上，得出无人机在不同阶段产生的自动着陆结果，如图8所示。

收集图6表示平台的后台数据，得出无人机自动着陆过程中实时位置以及飞行参数的变化情况，并在此基础上，得出设计方法控制效果的测试结果。

对比设计试飞轨迹高度与实际飞行高度数据，得出纵向高度控制误差的量化测试结果，如图9所示。

同理可以得出各个时刻，其他量化指标的测试结果，如表1所示。

表1无人机自动着陆过程控制效果测试结果

表1中表示的测试指标e_l、e_γ和e_ψ分别为水平位置、纵向速度、水平速度、偏航角、横滚角以及俯仰角的误差测试结果。通过平均值计算，各个方面的平均误差分别为0.45m、0.26m/s、0.19m/s、0.3°、0.3°和0.3°。

综上所述，应用设计的控制方法在无人机自动着陆过程和结果两个方面均具有较高的控制效果，控制误差符合无人机自动着陆工作要求。

从实验结果中可以看出，通过视觉引导技术的应用，提高无人机自主着陆的控制效果和精度，为无人机的安全提供技术保证。尽管视觉导引具有定位精度高，但在无人驾驶飞机降落控制工作中，视觉导引技术能应用到地面控制工作的前提是能拍摄更清晰的画面，保证能得到更精确的相对位姿参数，因此设计的控制方法只能应用于无人机着陆控制工作中，而视觉导引系统无法获得更清晰的图像，因此无法完成导航定位任务。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明保护范围之内。

Claims (7)

1.一种基于视觉引导的无人机自动着陆控制方法，其特征是，包括以下步骤：

S1：建立无人机自动着陆控制模型；

S2：利用视觉引导技术规划无人机自动着陆轨迹；

S3：基于无人机自主着陆控制器控制无人机自动着陆。

2.根据权利要求1所述的一种基于视觉引导的无人机自动着陆控制方法，其特征是，所述无人机自动着陆控制模型如下：

无人机运动特性模型：

其中，t为时间变量，Y为输出值，X表示输入值，表示状态变量，且与控制输入u之间存在非线性关系，f(·)和g(·)为输入和输出的非线性函数，V_x、V_y、V_z分别表示无人机质心运动在不同方向上的分量，ω_x、ω_y、ω_z分别为无人机在滚转、偏航以及俯仰状态下的角速率，对应的欧拉角为γ和ψ，

x_g和z_g为北向和东向位置，h_g为无人机的飞行高度；

无人机在合外力作用下的线运动模型：

其中，d表示数据节点，dt表示转动增量，m为无人机质量，V表示的是质心速度矢量；

无人机在合外力矩作用下的角运动模型：

∑M＝Jω

其中，J表示转动惯量，ω为角速度的矢量值；

角动力学方程表达式如下：

其中，C₁、C₂、C₃、C₄为常数系数，具体取值与当前的无人机运行状态以及初始状态量有关，M_x、M_y和M_z表示无人机所受合外力矩在机体轴系下的三轴分量；

无人机风速模型：

V_k＝V_w+V

其中，V_w和V分别对应的是风速和空速，V_k为地速。

3.根据权利要求1或2所述的一种基于视觉引导的无人机自动着陆控制方法，其特征是，所述S2包括以下步骤：

S21：进行无人机着陆实时图像采集与处理；

S22：根据图像的处理结果进行目标检测与识别；

S23：依据无人机在轨迹捕获段与过渡飞行段的待飞距离视觉测量无人机的着陆距离；

S24：根据横纵向着陆轨迹方程生成无人机自动着陆轨迹。

4.根据权利要求3所述的一种基于视觉引导的无人机自动着陆控制方法，其特征是，所述S21具体如下：在无人机内部嵌入摄像头设备以及图像采集卡，并在采集卡内设置图像采集间隔，采集得到彩色图像信号，对彩色图像信号进行增强处理，对增强后的彩色图像信号进行高斯滤波。

5.根据权利要求3所述的一种基于视觉引导的无人机自动着陆控制方法，其特征是，所述S23中无人机在轨迹捕获段与过渡飞行段的待飞距离的解析式如下：

其中，x表示定位参数，y表示飞行特征量，计算结果L_R2G1和L_R2G2分别为轨迹捕获段和过渡飞行段的待飞距离测量结果。

6.根据权利要求3所述的一种基于视觉引导的无人机自动着陆控制方法，其特征是，所述S24中横纵向着陆轨迹方程如下：

纵向着陆轨迹方程：

横向着陆轨迹方程：

H_z＝H₃ L＝0

其中，L表示的是无人机距离着陆点的待飞距离，H₁为已知的无人机进场高度，H₂表示拉起高度，H₃表示无人机与地面接触点直至停止的距离，变量L₁、L₂和L₃分别为直线下滑段进入捕获点的距离、捕获点到拉起点的距离、拉起点与地面的接触点间的距离。

7.根据权利要求1所述的一种基于视觉引导的无人机自动着陆控制方法，其特征是，所述S3中控制无人机自动着陆包括纵向控制和横向控制，所述纵向控制表示为：

所述横向控制表示为：

其中，δ_t、δ_r0、δ_RD、δ_RD0和δ_e分别为无人机油门的变化、油门初始状态、扰流片偏转程度、偏转基准值、升降舵变化的值，K_T为无人机不同位置上的放大系数，V和V₀分别为实际的和期望的着陆阶段的速度，θ为俯仰角控制指令信号，H_X和H分别为实际的和期望的着陆阶段的距离。