李彥沛，邱新偉，陳冠廷，孫永祥，周虎健

（佳木斯大學(xué)機(jī)械工程學(xué)院，黑龍江 佳木斯 154007）

0 引 言

利用農(nóng)藥防止蟲(chóng)害是最基礎(chǔ)、也是最重要的農(nóng)業(yè)植保技術(shù)。無(wú)人機(jī)植保系統(tǒng)能有效解決高稈作物、水田和丘陵山地人工作業(yè)困難的問(wèn)題。但是，目前市面上存在的植保無(wú)人機(jī)仍存在諸多的問(wèn)題。首先，多數(shù)無(wú)人機(jī)本身缺乏高性能的傳感器和噴灑關(guān)鍵部件，僅標(biāo)配基礎(chǔ)的單目視覺(jué)開(kāi)發(fā)模塊和陀螺儀，飛行過(guò)程中很難做到精密的實(shí)時(shí)微調(diào)，降低了噴灑作業(yè)的質(zhì)量。其次，目前的植保無(wú)人機(jī)所采用的噴霧設(shè)備都是由常規(guī)的噴霧裝置改裝而來(lái)，具有許多缺陷，例如隔膜泵壓力小、藥滴漂移量大、對(duì)靶性差以及易堵塞噴嘴等缺點(diǎn)。

對(duì)于現(xiàn)在市面上常見(jiàn)的商用植保機(jī)存在的上述缺點(diǎn)，本文根據(jù)實(shí)驗(yàn)計(jì)算與數(shù)據(jù)仿真提出了一種基于多傳感器采集及數(shù)據(jù)處理的多變量藥液噴灑無(wú)人機(jī)。它具備多組高精傳感器，通過(guò)不同傳感器之間進(jìn)行數(shù)據(jù)融合，并在中央處理模塊內(nèi)進(jìn)行數(shù)據(jù)的深度擬合，能夠?qū)崿F(xiàn)飛行姿態(tài)的實(shí)時(shí)微調(diào)，能夠保證飛行過(guò)程的穩(wěn)定性。同時(shí)，多傳感器還可實(shí)現(xiàn)對(duì)噴灑霧滴降落的物理模型進(jìn)行實(shí)時(shí)的參數(shù)調(diào)整，能夠有效提高農(nóng)藥的利用率。該無(wú)人機(jī)還可根據(jù)衛(wèi)星集群返回的地理信息，利用RTK 技術(shù)進(jìn)行載波修正，極大地提高了無(wú)人機(jī)姿態(tài)修正的準(zhǔn)確性，有助于授藥準(zhǔn)確化，推動(dòng)精準(zhǔn)農(nóng)業(yè)在無(wú)人機(jī)方向的發(fā)展。本文將從結(jié)構(gòu)設(shè)計(jì)、算法設(shè)計(jì)兩個(gè)方面來(lái)對(duì)該無(wú)人機(jī)的設(shè)計(jì)方案進(jìn)行說(shuō)明。

1 傳感器模塊結(jié)構(gòu)設(shè)計(jì)

該無(wú)人機(jī)的傳感器模塊主要由RTK 模塊、雙目立體視覺(jué)系統(tǒng)、毫米波雷達(dá)以及TOF 模塊組成。下面將依次介紹各模塊的結(jié)構(gòu)以及功能。

1.1 RTK 模塊

RTK 模塊所采用的是載波相位差分技術(shù)，此技術(shù)是指實(shí)時(shí)處理來(lái)自兩個(gè)移動(dòng)測(cè)量站的載波相位信號(hào)進(jìn)行差分處理的方法，原理上是將在附近定點(diǎn)基站或用戶設(shè)立的移動(dòng)衛(wèi)星信號(hào)接收基站所采集的衛(wèi)星所產(chǎn)生的載波相位信號(hào)，經(jīng)特定頻率的通訊機(jī)發(fā)給作業(yè)無(wú)人機(jī)機(jī)載的特定波段信號(hào)接收機(jī)，機(jī)載運(yùn)算模塊將收到的不同基站的定位衛(wèi)星的載波相位信號(hào)實(shí)時(shí)進(jìn)行求差，從而解算當(dāng)前信號(hào)系統(tǒng)的實(shí)時(shí)坐標(biāo)位置。具體過(guò)程可以通過(guò)以下簡(jiǎn)單的數(shù)學(xué)模型加以說(shuō)明。

假設(shè)存在基準(zhǔn)站a、移動(dòng)端b 以及衛(wèi)星c，在此過(guò)程中a 基站和b 接收端之間的信號(hào)傳播遞過(guò)程中始終是實(shí)時(shí)同步的，那么就可以得到衛(wèi)星和基準(zhǔn)站以及移動(dòng)端之間的載波相位差分別是：

經(jīng)過(guò)單差整理后，有：

此時(shí)εab即消除了物理環(huán)境上的因素而導(dǎo)致的各種誤差，若采用雙衛(wèi)星近進(jìn)行消差，則可以消除因?yàn)榻邮掌髋巍⑿吞?hào)不同而導(dǎo)致的批間差，從而得到雙差。

同樣地，利用幾何學(xué)計(jì)算，能夠建立出基站和移動(dòng)站間向量和雙差之間的關(guān)系。根據(jù)雙差關(guān)系在幾何學(xué)上的推導(dǎo)結(jié)果，若想完全求解待測(cè)向量的未知分量，則至少需要五顆衛(wèi)星的4 個(gè)雙差方程組來(lái)進(jìn)行求解。在解方程組的過(guò)程中，大部分的誤差都會(huì)隨著未知量的解出而被消除，所以基于RTK 的載波相位差修正模型具有極高的精度。本無(wú)人機(jī)搭載了RTK 系統(tǒng)后，配合神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行綜合分析，可以實(shí)現(xiàn)飛行姿態(tài)的超微調(diào)控。

1.2 雙目視覺(jué)輔助識(shí)別

雙目立體視覺(jué)的原理是利用視差法將圖像采集裝置從不同的時(shí)差角度獲得被測(cè)物體的兩幀原始圖像，通過(guò)機(jī)載運(yùn)算平臺(tái)進(jìn)行實(shí)時(shí)高幀率的圖像識(shí)別算法，計(jì)算圖像中對(duì)應(yīng)特征點(diǎn)間的相對(duì)位置偏差，從而獲取物體在相對(duì)坐標(biāo)系中的三維幾何位置信息的方法。此方案是類似人類兩只眼睛獲得并處理圖像的方法獲得深度數(shù)據(jù)。雙目立體視覺(jué)的處理方法原理上直接運(yùn)用了人類大腦處理景物圖像的方式，此方案是如今波動(dòng)光學(xué)理論中三維傳感方法中最基礎(chǔ)的距離感知技術(shù)。

該無(wú)人機(jī)所采用的雙目視覺(jué)算法是一種基于神經(jīng)網(wǎng)絡(luò)的匹配算法（二維Hopfield 網(wǎng)絡(luò)），能夠通過(guò)對(duì)學(xué)習(xí)算法進(jìn)行迭代，進(jìn)行最小化尋求最優(yōu)解過(guò)程。立體匹配是一種復(fù)雜的非線性過(guò)程，而由于環(huán)境所導(dǎo)致的系統(tǒng)相對(duì)誤差是能夠通過(guò)本模型所利用的網(wǎng)絡(luò)學(xué)習(xí)將其分散到各節(jié)神經(jīng)元之間的連接權(quán)值上，實(shí)現(xiàn)實(shí)時(shí)測(cè)量。

1.3 毫米波雷達(dá)點(diǎn)云數(shù)據(jù)處理

毫米波雷達(dá)是利用波束在毫米波段的雷達(dá)進(jìn)行探測(cè)，由于毫米波在物理上具有微波制導(dǎo)和光電制導(dǎo)的優(yōu)點(diǎn)，同厘米級(jí)波導(dǎo)引頭相比，毫米波雷達(dá)波束特征具有不易受環(huán)境影響的特點(diǎn)，具有更廣泛的應(yīng)用場(chǎng)景。毫米波波長(zhǎng)相較于微波雷達(dá)具有光學(xué)區(qū)尺寸更小、數(shù)據(jù)可靠性更高的特點(diǎn)，更加適合當(dāng)前對(duì)于農(nóng)作物植保飛行中小目標(biāo)的精準(zhǔn)定位的應(yīng)用場(chǎng)景。

1.4 TOF 模塊

TOF 是一種雙向的測(cè)距技術(shù)。此技術(shù)是通過(guò)給當(dāng)前被測(cè)目標(biāo)或環(huán)境發(fā)送連續(xù)的光束脈沖，利用不可見(jiàn)光傳感器接收被測(cè)物體反射的脈沖光，利用計(jì)算出的光束脈沖往返時(shí)間，從而得到物體距離。由于其測(cè)量信號(hào)為電磁波，傳播速度等于光速，這使得TOF 技術(shù)具有很高的及時(shí)性和準(zhǔn)確性。

2 算法設(shè)計(jì)

2.1 數(shù)據(jù)融合的加權(quán)算法

根據(jù)機(jī)載多傳感器所采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合的加權(quán)算法作用原理，實(shí)際上就是解決如何將局部的觀測(cè)值組合，最終所得到的融合整體數(shù)據(jù)精度比任何一個(gè)局部狀態(tài)估值器所得到的精度都高?？紤]到時(shí)滯現(xiàn)象的存在，選用一種基于分布式協(xié)方差交叉融合濾波估計(jì)算法來(lái)進(jìn)行數(shù)據(jù)融合。

首先進(jìn)行假設(shè)，該系統(tǒng)為一個(gè)具有L 個(gè)傳感器的離散多重時(shí)間滯系統(tǒng)，分別利用函數(shù)關(guān)系表達(dá)出系統(tǒng)的狀態(tài)和實(shí)時(shí)的觀測(cè)值：

而利用算法對(duì)于多數(shù)據(jù)時(shí)滯系統(tǒng)的融合濾波，就是求CI 融合的kalman 濾波算法。由式(3)(4)中基于狀態(tài)量x(t),x(t-1)...與觀測(cè)量y(i)(t),y(i)(t=1...)求出狀態(tài)量x(t)的局部穩(wěn)態(tài)的濾波器所得的x?(t｜t)等價(jià)于：

由此，我們可以推廣出增廣具有最佳的kalman濾波器。在多傳感器系統(tǒng)中，當(dāng)多個(gè)傳感器各自的協(xié)方差一直，互協(xié)方差未知時(shí)，可以得到CI 融合態(tài)的kalman 濾波器，即該情況此系統(tǒng)下最佳的數(shù)據(jù)融合方程。

我們利用該模型進(jìn)行了100 次仿真訓(xùn)練，訓(xùn)練結(jié)果如圖1、2 所示：

由訓(xùn)練結(jié)果可知，CI 融合式算法具有極佳的跟蹤效果。CI 融合的MSE 曲線是處于每一個(gè)局部MSE 曲線以及加權(quán)融合后的MSE 曲線的最下方，可知CI融合器實(shí)際的精度高于每一個(gè)局部濾波器的精度，且接近最優(yōu)融合器的精度;而且對(duì)任意互協(xié)方差，相對(duì)應(yīng)的CI 融合器可能的最差精度依舊高于每一個(gè)局部濾波器的精度。

2.2 基于神經(jīng)網(wǎng)絡(luò)的液泵PID 控制算法的學(xué)習(xí)機(jī)理

對(duì)于基于神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的液泵PID 控制算法設(shè)計(jì)結(jié)構(gòu)如圖3 所示, 在利用神經(jīng)網(wǎng)絡(luò)算法的模型中使用了2 個(gè)不同功能的神經(jīng)網(wǎng)絡(luò)模塊承擔(dān)不同的責(zé)任，一是NNI 在線辨識(shí)器，二是NNC 自適應(yīng)PID 控制處理器。在對(duì)于農(nóng)業(yè)植保中液泵的流量控制器的工作原理是：利用算法模型實(shí)時(shí)對(duì)NNC 被控子項(xiàng)目在算法進(jìn)行的辨識(shí)結(jié)果的權(quán)系進(jìn)行調(diào)整，從而使被控項(xiàng)目產(chǎn)生了自適應(yīng)性和穩(wěn)定性。

后期通過(guò)Matlab 運(yùn)算軟件驗(yàn)證該神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)穩(wěn)定性及性能，進(jìn)行了大量的數(shù)據(jù)仿真驗(yàn)證。實(shí)驗(yàn)結(jié)果見(jiàn)圖4、5，不難看出，基于神經(jīng)網(wǎng)絡(luò)的PID 控制系統(tǒng)比傳統(tǒng)控制系統(tǒng)具有更好的控制特性。

2.3 變量噴灑軟件的軟件設(shè)計(jì)

對(duì)于一個(gè)完整的控制系統(tǒng)的開(kāi)發(fā)，硬件只是其中開(kāi)發(fā)的一部分，軟件的質(zhì)量直接影響整體系統(tǒng)功能的實(shí)現(xiàn)。該控制系統(tǒng)采用模塊化編程，整體都是通過(guò)編寫(xiě)C 語(yǔ)言代碼來(lái)實(shí)現(xiàn)的。

本研究選用FreeRTOS 作為軟件系統(tǒng)核心，使用Keil 集成開(kāi)發(fā)環(huán)境完成軟件模塊化。該系統(tǒng)的工作時(shí)的基本流程如圖6。

3 結(jié) 語(yǔ)

在農(nóng)業(yè)生產(chǎn)上利用無(wú)人機(jī)噴灑農(nóng)藥是防止蟲(chóng)害的最基礎(chǔ)、最重要的農(nóng)業(yè)生產(chǎn)植保方案，本文所提出的技術(shù)方案是減少生產(chǎn)過(guò)程中農(nóng)藥使用量和提升常規(guī)農(nóng)藥防效的有效手段。本文所提出的基于多數(shù)據(jù)融合的變量噴灑無(wú)人機(jī)，具有噴灑精度高、農(nóng)藥利用率高、飛行作業(yè)安全率高等特點(diǎn)，在現(xiàn)有的植保無(wú)人機(jī)基礎(chǔ)上，進(jìn)行了全面優(yōu)化，是未來(lái)植保無(wú)人機(jī)設(shè)計(jì)的趨勢(shì)。但該無(wú)人機(jī)仍有一些缺陷，如造價(jià)昂貴、調(diào)試步驟較為繁瑣等，有待未來(lái)進(jìn)行深入的研究與設(shè)計(jì)。