趙 偉，王正平，張曉輝，向 乾，賀云濤

（1.北京理工大學宇航學院，北京100081；2.北京理工大學機電學院，北京100081）

1 引 言

隨著無人機技術的發(fā)展，無人機在管線檢測、地質(zhì)勘探、公路巡檢以及搶險救災等領域的應用價值得到了越來越多的體現(xiàn)［1］。新冠疫情期間，為避免疫情傳播，各種無人機出現(xiàn)在了樓宇、村莊、城市街道、高速路口等場景，發(fā)揮了創(chuàng)新性作用，成為了疫情防控的得力手段［2］。用無人機平臺進行“非接觸式”疫情防控，可以提高工作效率，降低人員的接觸感染風險，開創(chuàng)立體疫情防控模式。目前，防控無人機的應用領域主要包括安全巡查、物資投遞、消殺噴霧、熱感測溫以及防控宣傳等。

本文針對疫情防控無人機應用的關鍵技術展開綜述，對相關領域近十年的研究狀況進行了總結，其中第2 章分析了計算機視覺技術的研究現(xiàn)狀，第3 章分析了無人機視覺導航系統(tǒng)的組成與技術方案，第4 章對混合電動長航時技術的研究現(xiàn)狀進行分析，第5 章對其它抗疫載荷技術進行總結，最后給出面向疫情的無人機需要突破的關鍵技術及發(fā)展趨勢。

2 計算機視覺技術

新冠疫情期間，廣東肇慶等地使用無人機取代了車輛進行巡檢，從高空監(jiān)測車流、人流情況，將監(jiān)控視頻實時傳回公安局指揮部等地，幫助工作人員進行監(jiān)控和督導。然而，由于人力監(jiān)控成本較高，容易發(fā)生錯漏，需要引入計算機視覺技術作為疫情監(jiān)控的輔助方法。計算機視覺（Computer Vision，CV）是指使用計算機及相關設備模擬人類的觀察行為，從而具有通過視覺觀察和理解世界的能力。近十年來，計算機視覺技術與無人機技術的結合越來越緊密，為無人機應對感知問題及廣泛開發(fā)應用解除了根本的技術限制［3］。

2.1 圖像預處理

在實際的生產(chǎn)生活中，無人機搭載的視覺傳感器拍攝圖像往往因為成像技術、拍攝環(huán)境、物體間的相對運動以及相機本身的抖動等問題造成圖像退化。噪聲和模糊是最典型的圖像退化現(xiàn)象，需要經(jīng)過圖像預處理才能投入使用。圖像預處理是計算機視覺技術的基石，是基于一定假設條件下的信號重建，具體技術包括圖像去噪和圖像去模糊等。

（1）圖像去噪：高斯噪聲是去噪最常見的對象，其概率密度函數(shù)服從高斯分布。相比于詞典學習和稀疏編碼等傳統(tǒng)方法，基于深度學習的方法在降低圖像噪聲方面具有明顯的優(yōu)勢［4］。

基于深度學習的去噪方法主要包括以下兩種：去噪卷積神經(jīng)網(wǎng)絡（Denoising Convolutional Neural Network，DnCNN）是以卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）為基礎的圖像去噪方法的代表，采用殘差學習和批量歸一化訓練一個端到端的CNN 網(wǎng)絡，是網(wǎng)絡能夠?qū)W習到加性高斯白噪聲，模型包括卷積層（Convolutional Layer，Conv）、整流線性單元層（Rectified Linear Units，ReLU）和批量標準化層（Batch Normalization，BN），并組合成三種層［5］（如圖1），可以通過單一模型處理多個低級任務；Guo 等［6］提出卷積盲去噪網(wǎng)絡模型（Convolutional Blind Denoising Network，CBD Net），包括一個噪聲估計子網(wǎng)絡和一個非盲去噪子網(wǎng)絡（如圖2），結合了噪聲建模和非對稱學習等特點，可以實現(xiàn)圖像的盲去噪。盲去噪是指未知噪聲水平的去噪，將噪聲水平的估計值作為可調(diào)節(jié)的參數(shù)輸入到網(wǎng)絡結構中，可以改變網(wǎng)絡結構的性能，提高魯棒性和實用性。

圖1 DnCNN算法模型[5]Fig.1 Model of DnCNN[5]

圖2 CBDNet盲去噪架構圖[6]Fig.2 Illustration of CBDNet for blind denoising[6]

（2）圖像去模糊：無人機航拍時，無人機的機械振動、失焦、風力影響以及拍攝目標的快速移動等，都可能影響航拍圖像效果，使得圖像丟失細節(jié)信息而變得模糊，難以進行后續(xù)處理。由于無人機抗風能力較差，飛行姿態(tài)易受氣流影響，因此無人機圖像模糊主要是運動圖像模糊。除了對硬件設備進行穩(wěn)像處理以及搭建穩(wěn)定拍攝控制系統(tǒng)等方法，主要的運動圖像去模糊方法是對成像后的圖像進行處理，通過對圖像運動模糊去除算法的研究，達到圖像復原的目的。

模糊圖像可看作清晰圖像和模糊核進行卷積的結果［7］。根據(jù)模糊核是否已知，將去模糊方法分為非盲去模糊和盲去模糊。非盲去模糊中，模糊核已知，可直接通過反卷積的方法去除圖像模糊；實際應用中，模糊核一般是未知的，使用的多是盲去模糊法，需要求解出模糊核，再利用反卷積的方法去除圖像模糊，或?qū)⒛：斯烙嫷倪^程和圖像去模糊的過程交替進行，具體包括基于圖像梯度分布的方法、基于圖像L1 范數(shù)和L2 范數(shù)比值的方法等。然而，這些方法的數(shù)學模型和求解方法相對復雜，算法魯棒性不強，很難處理不同數(shù)據(jù)集和不同因素造成的模糊。

基于深度學習的圖像去模糊算法可以兼顧圖像復原的效果以及網(wǎng)絡模型的自適應性，在一般的任務場景中具有明顯的優(yōu)勢。其中，基于CNN的盲去模糊方法，其基本思想是將模糊圖像和對應的清晰圖像作為訓練樣本，輸入CNN 進行訓練，訓練完成后得到優(yōu)化后的網(wǎng)絡模型，使用時將模糊圖像作為網(wǎng)絡輸入，網(wǎng)絡輸出即為去模糊后的圖像。在此基礎上，Seungjun 等人［8］為解決實測清晰圖像和模糊圖像對難以獲得，以及非均勻模糊圖像局部模糊核難以確定的問題，提出了一種多尺度CNN 方法，以端到端的方式恢復清晰的圖像。

在生成對抗網(wǎng)絡模型［9］的基礎上，Kupyn 等［10］提出了DeblurGAN 模型，這是一種基于感知損失和條件生成對抗網(wǎng)絡的端到端模型，改善了視覺效果、峰值信噪比和結構相似性指標。但使用DeblurGAN 進行單張圖片的動態(tài)場景去模糊時，會出現(xiàn)棋盤效應和色塊偏移等問題，Shao等［11］對此設計了一種基于反向信道的判別先驗器，以及代替DeblurGAN 中原始生成器的自動編碼器，這種方法被命名為DeblurGAN+，這是單張圖片動態(tài)場景去模糊的最新技術。

2.2 目標檢測

目標檢測是泛身份識別（如人群計數(shù)）領域的基礎性的算法，是智能化疫情監(jiān)控系統(tǒng)的核心部分。目標檢測的任務是對目標位置進行定位，同時獲得該目標的類別信息，方法可大致分為傳統(tǒng)檢測方法與基于深度學習的檢測方法［12］，2012年以前，目標檢測主要利用梯度直方圖、局部二值模式等基于特征的方法；2012年以后，基于深度學習的目標檢測方法逐漸占據(jù)主導地位，并使目標檢測算法實現(xiàn)了質(zhì)的提升［13］。根據(jù)技術路徑，目標檢測可分為單階段檢測算法與兩階段檢測算法（如圖3）。

圖3 基于深度學習的目標檢測算法發(fā)展路線圖Fig.3 A road map of object detection based on deep learning

兩階段檢測多為基于分類的檢測算法，此類方法的核心思想是將候選區(qū)域與CNN相結合，將目標檢測問題通過分類進行解決。這類方法檢測精度較高，檢測速度較慢。單階段檢測多為基于回歸的檢測算法，相比于兩階段檢測，單階段檢測降低了部分精度，但很好地提高了目標檢測算法的實時性。單階段算法將整張圖片作為輸入，使得目標框及目標類別信息從給定圖像的多個位置直接回歸得出，同時進行分類和回歸也使完整的單次訓練得以實現(xiàn)特征共享，實現(xiàn)了端到端的檢測過程。單階段算法在保證精度的同時，明顯提升了計算速度［13］。

目標檢測效果的評價指標通常為平均精度均值（mean Average Precision，mAP）。平均精度（Average Precision，AP）用于衡量檢測器在每個類別上的檢測性能，mAP是得到每個類別的平均精度值后再取所有類別的平均值，用于評價多目標的檢測器性能。表1為幾種目標檢測算法在COCO數(shù)據(jù)集上的檢測精度和速度對比［14］。由表可得，YOLOv3 系列算法兼顧了準確度和實時性，檢測效果最好。

此外，疫情防控無人機多為低空或超低空無人機，搭載的視覺傳感器為低空視角，需要針對具體的任務場景建立數(shù)據(jù)集。

表1 目標檢測算法檢測性能對比Table 1 Comparison of different object detection algorithms

2.3 密度估計與人群計數(shù)

在視頻監(jiān)視、交通監(jiān)控和公共安全等領域，密度估算與人群計數(shù)有著廣泛的應用［15］，相關技術也可推廣用于車輛計數(shù)等領域。新冠疫情防控期間，有關部門持續(xù)加大監(jiān)控力度，出動了許多無人機在小區(qū)和村莊等地進行巡邏督查和防疫宣傳。但是，單純依靠人力監(jiān)視管控依然存在局限性。如果能充分利用視頻監(jiān)控的密度估計和人群計數(shù)技術，一方面可以大量節(jié)省人力物力，另一方面也可以對一些緊急情況進行高效地分析、預防和處理。

影響人群計數(shù)的因素主要包括遮擋、密度差異、光照不均和視角變化等。傳統(tǒng)的依賴人為設計特征的方法通常局限于人流密集程度較低和目標尺度變化較小的情況，難以進行實際應用。相對于傳統(tǒng)方法，基于CNN的方法可以廣泛應用于復雜的場景［15］，如不同密集程度，目標尺度變化，視角透視，目標遮擋的場景。

單張圖像的人群計數(shù)問題目前主要有兩種解決途徑：一是根據(jù)輸入的圖像，經(jīng)由某一特定算法，直接得到預估的整張圖像中包含的人數(shù)；二是先由輸入的圖像生成對應的密度圖，再將密度圖的各像素值累加并得到總人數(shù)?；诿芏葓D的人群計數(shù)方法不僅可以獲取總人數(shù)，從密度圖中還能直觀地得到人群分布信息，這對于許多應用場景都有極大的意義［16］，也適用于疫情監(jiān)控?；诿芏葓D的人群計數(shù)算法流程（如圖4）為：輸入的圖像經(jīng)過CNN 網(wǎng)絡計算，得到對應的密度圖像，通過密度圖像可以清晰地看出人群分布特征、密集和稀疏的區(qū)域等信息，并將像素值累加得到總人數(shù)。

圖4 基于密度圖的人群計數(shù)流程圖Fig.4 Work flow chart of crowd count based on density map

對于基于密度圖的人群計數(shù)方法，多尺度特征表達和高分辨率密度圖構建是兩個關鍵問題。Zhang 等［17］提出了一種多列結構的CNN模型MCNN，通過使用多個卷積核大小不同的網(wǎng)絡來捕捉不同尺度的目標特征信息，以增強模型的穩(wěn)定性，適應人群的尺度變化。Sindagi 等［18］提出了CPCNN 模型，通過在模型中引入局部和全局的上下文信息來抑制背景響應，減小了估計誤差。Sam等［19］考慮到圖像中不同區(qū)域的差異性提出了Switching-CNN 模型，在多個獨立的回歸模型中為每塊區(qū)域選擇一個最優(yōu)模型進行密度估計。Liu等［20］提出了一個僅需要點監(jiān)督的新深度檢測網(wǎng)絡PSSDN，可以同時檢測人體頭部的大小和位置并計數(shù)，且不需要復雜的邊界框注釋。在這些工作基礎上，Sam 等［21］提出了LSC-CNN 模型，采用多列體系結構，具有自上而下的反饋處理功能，能可靠地檢測稀疏人群以及密集人群中人體頭部以執(zhí)行人群計數(shù)任務，并在多種分辨率下均可生成精確的預測，解決了多尺度人群檢測和高分辨率密度圖構建的問題，是目前密度估計與人群計數(shù)的最新方法。

3 視覺導航技術

視覺導航（Vision-Based Navigation，VBN）是一種利用可見光與不可見光成像技術進行導航的方法，已廣泛應用于無人機（如圖5）、各類巡航導彈、深空探測器以及室內(nèi)外機器人等領域［22］。隨著計算機視覺與無人機控制技術的發(fā)展，將計算機視覺技術應用于無人機視覺導航是目前研究的趨勢。無人機視覺導航，本質(zhì)是通過計算機視覺技術對周圍環(huán)境進行圖像采集，經(jīng)過處理后輸出有指導意義的導航信息，具有快速靈活、自主性強、不易受干擾等優(yōu)點，是實現(xiàn)無人機長航時自主導航飛行的重要技術［23］。在新冠疫情的防控工作中，許多政府工作部門增加了無人機的采購數(shù)量，卻缺少成熟的無人機操作人員，影響了無人機的實際應用。視覺導航技術，可以減少工作人員的培訓時間，降低無人機的操作難度，還可在工作人員的視距外和弱GPS 環(huán)境下進行工作，有利于疫情防控工作的展開和工作區(qū)域的拓展。

圖5 無人機視覺導航技術的應用Fig.5 Application of UAV visual-based navigation

3.1 視覺導航系統(tǒng)組成

無人機視覺導航系統(tǒng)有兩種構成方式，一種是將計算單元安放于地面，另一種是將圖像處理算法計算單元安裝在飛行器上。對于第一種方式，無人機上需要安裝遠距離無線高速圖像傳輸裝置，并且存在時延和信號干擾問題，存在一定技術障礙。對于第二種方式，可將英偉達Jetson TX1 和Jetson Nano 等板載計算機（如圖6）作為圖像處理算法計算單元，直接與圖像采集設備進行硬件線路的連接，這種方法幾乎沒有延時，可以通過優(yōu)化算法等方式滿足實時性要求。

圖6 英偉達板載計算機示例Fig.6 On-board computer of NVIDIA

視覺導航系統(tǒng)一般包括遠程計算機、導航模塊、控制模塊及動力模塊（如圖7）。視覺導航系統(tǒng)在工作時，由圖像采集模塊中的各類視覺傳感器采集目標區(qū)域或目標物體表面的特征圖像數(shù)據(jù)，傳輸給板載計算機，由板載計算機進行計算機視覺與導航信息提取算法處理，融合IMU 慣性導航信息和GPS信息等，向飛行控制單元輸出控制指令。

3.2 視覺導航技術方案

圖7 視覺導航系統(tǒng)模塊組成示意圖Fig.7 Composition of vision-based navigation system

視覺導航可分為無地圖導航和地圖型導航［23］，無地圖導航主要使用視覺里程計，是基于序列圖像的運動估計的導航，可通過對環(huán)境的感知獲取特征，利用相鄰兩幀間的特征變化關系估計幀間的相對運動，通過多幀累積計算實現(xiàn)對飛行器的導航，可以應用于非固定的疫情防控任務場景。地圖型導航主要為景象匹配導航，需要預先存儲包含精確地理信息的導航地圖，利用一幀實拍圖像與導航地圖匹配即可實現(xiàn)飛行器的絕對定位，可以應用于固定的疫情防控任務場景。

（1）里程計是感知載體運動狀態(tài)變化的一類傳感器，視覺里程計通過分析處理相關圖像序列確定載體的位置和姿態(tài)，使用視覺傳感器，如光學相機、深度相機等，通過相機運動過程中捕獲的在時間上連續(xù)的圖像流進行相機位姿遞推估計［24］。使用一個相機的里程計被稱為單目視覺里程計，使用兩個或以上相機的里程計被稱為立體視覺里程計。在視覺里程計技術的基礎上，同步定位與地圖構建（Simultaneous Localization and Mapping，SLAM）快速發(fā)展，也成為一種重要的室內(nèi)視覺導航方法。

視覺里程計的工作方法可以分為特征點法和直接法。特征點法通過提取序列圖像中的特征點，計算其描述子，進行相鄰圖像幀的特征點匹配，最終解算出相機的位置和姿態(tài)變化。特征點法運算穩(wěn)定，但計算量大，適用于光照適宜和紋理豐富的場景。由于需要保證序列圖像中相鄰圖像幀的內(nèi)容有足夠的重疊區(qū)域，無人機需要相對平穩(wěn)地飛行。經(jīng)典的特征點檢測與描述子計算方法包括SIFT、SURF以及ORB等；特征點匹配方法包括暴力匹配法以及快速近似最近鄰法；相機位姿估計法包括對極幾何（單目相機）、PnP（含3D 點且位于相機的投影位置）和ICP（雙目、RDB-G 相機）等［24］，著名開源項目包括PTAM和ORB-SLAM2等。

直接法以光度不變性假設為基礎，以光流法或者計算光度誤差的方式，直接進行像素跟蹤。相較于特征點法，直接法無需提取特征點與計算描述子，所以處理速度優(yōu)于特征點法，結果更加魯棒［25］。直接法包括稀疏直接法、稠密直接法和半稠密直接法，著名開源項目包括SVO以及LSD-SLAM等［25］。

（2）景象匹配導航采用視覺傳感器獲取飛行或目標附近的區(qū)域圖像，與存貯的基準圖像進行匹配以獲取飛行器的位置數(shù)據(jù)［26］。無人機景象匹配視覺導航的算法流程包括適配區(qū)選取、圖像匹配與導航定位。

適配區(qū)選取時需要考慮的圖像特征包括信息量、穩(wěn)定性、顯著性等，選取方法可分為兩種，一種是將選定區(qū)域進行適配性檢驗比較從而得出適配區(qū)，這種方法比較簡單也比較常用，但是因為備選適配區(qū)是隨機選定的，適配區(qū)的位置有可能并不是全圖最優(yōu)［27］；另一種是直接對所有像素點進行適配性計算，先確定適配最佳點，再將以此為中心的區(qū)域作為適配區(qū)，這種方法計算量大，一般可以找到全圖最優(yōu)適配區(qū)［28］。

圖像匹配方法一般可分為兩類，即基于灰度區(qū)域的圖像匹配方法和基于特征的圖像匹配方法。基于灰度區(qū)域的匹配方法首先提取圖像的灰度信息，再對灰度信息進行相似性度量匹配，這樣的方法易受環(huán)境干擾，匹配結果穩(wěn)定性差，在真實環(huán)境中可用性差，目前在飛行器導航中采用的基于灰度區(qū)域的匹配算法有平均絕對差算法等［28］；基于特征的圖像匹配通過提取待匹配圖像的特征點并比較相似度來匹配圖像，包括基于SURF 特征的魯棒景象匹配算法［29］、基于SIFT 特征實現(xiàn)的雷達景象匹配方法［30］以及加權Hausdorff 距離圖像匹配算法［31］等。

導航定位的實質(zhì)是將實時的地物景象圖與預先存儲的地物景象數(shù)字基準圖進行匹配比較，從而獲得位置信息，可實現(xiàn)飛行器導航的絕對定位。其中，地物景像實測圖像是通過高分辨率視覺傳感器實時拍攝的，標注真實地理信息的地物景象數(shù)字基準圖則需要預先存儲于機載計算機中。這種方法可以精確地計算出飛行器位置以修正航向誤差，同時可借助獲得的位置信息來消除慣導系統(tǒng)長時間工作的累積誤差［26］。

4 混合電動長航時技術

抗擊疫情時，通常需要無人機在大區(qū)域范圍內(nèi)進行長時間監(jiān)控宣傳或噴灑消殺作業(yè)，所以要求無人機具有一定的載荷能力，同時具備長航時滯空能力。混合電動長航時技術作為當前無人機的前沿技術，主要包括混合動力系統(tǒng)技術和能源管理技術，該技術的發(fā)展可為無人機在疫區(qū)的廣泛應用起到重要的推動作用。混合動力系統(tǒng)主要有兩類：油電混合動力系統(tǒng)和多種新能源混合的電動力系統(tǒng)（簡稱為新能源混合動力系統(tǒng)）。其中，油電混合動力系統(tǒng)主要是內(nèi)燃機與電機的混合應用，兼具傳統(tǒng)油動無人機的高比能優(yōu)勢和電動飛機動力控制簡單穩(wěn)定的優(yōu)勢。新能源混合動力系統(tǒng)主要涉及蓄電池、太陽能電池、燃料電池的混合應用，采用該技術的飛機本質(zhì)上是一種電動飛機，僅采用電機推進裝置。

4.1 混合動力技術

（1）油電混合動力系統(tǒng)

油電混合動力系統(tǒng)主要有動力耦合式和動力分離式兩種構成方式，油動系統(tǒng)的高比能可以滿足長航時需求，而利用電動系統(tǒng)主要有兩個目的，一是配合發(fā)動機的高效工作模式，使系統(tǒng)處于高效經(jīng)濟的狀態(tài)，主要針對動力耦合式構成方式；二是用于固定翼的多旋翼動力模式，實現(xiàn)垂直起降功能，主要針對動力分離式構成方式。動力耦合式的混合動力系統(tǒng)，具有串聯(lián)結構、并聯(lián)結構以及串并聯(lián)結構三種形式［32］，動力裝置之間通過機械連接耦合，如皮帶和行星齒。動力分離式主要是指兩套動力系統(tǒng)之間沒有機械連接關系，是獨立運行的，如垂直起降固定翼無人機，其油動系統(tǒng)用于固定翼模式飛行，電動力系統(tǒng)用于旋翼模式飛行。油電混合動力系統(tǒng)既可用于固定翼無人機，也可適用于旋翼無人機，且對旋翼無人機的航時提升效果更為明顯。

（2）新能源混合動力系統(tǒng)

用于無人機的新能源混合動力系統(tǒng)主要有：太陽能電池/蓄電池混合動力系統(tǒng)［33-35］、燃料電池/蓄電池混合動力系統(tǒng)［36-39］、以及太陽能電池/燃料電池/蓄電池混合動力系統(tǒng)［40］。太陽能電池/蓄電池混合動力系統(tǒng)對于太陽能的利用比較充分，理論上能夠無限航時，但受限于電源系統(tǒng)的退化以及蓄電池充放電次數(shù)限制，實際無法達到無限航時，而該類型的無人機最大的問題是受天氣條件影響較大。目前，持續(xù)航時最長的太陽能無人機是蘇黎世聯(lián)邦理工大學的AtlantikSolar無人機，其創(chuàng)造了81h的持續(xù)航時記錄［41］。燃料電池/蓄電池混合動力系統(tǒng)充分利用燃料電池高能比和蓄電池高比功率的優(yōu)勢，使得電動無人機兼具機動靈活和長航滯空能力，且受天氣影響較小，是目前中低空電動長航時飛機具有競爭力的動力解決方案。目前，該類型的無人機的最大持續(xù)滯空時間是美國離子虎無人機保持的48h 的記錄［42］。太陽能電池/燃料電池/蓄電池混合動力系統(tǒng)是現(xiàn)階段最復雜的新能源混合動力系統(tǒng)，其核心思想是“優(yōu)勢互補”，實現(xiàn)更長航時的飛行，但同時會帶來復雜的電力匹配設計和能源管理方法。然而，目前該類型的無人機尚未達到超長航時的目標，尚處于探索研究階段，僅韓國的EAV-2 太陽能無人機進行了22h 的飛行試驗［43-44］。最近，美國為了進一步延長離子虎的航時，提出了“混合虎”的概念［45］，即為離子虎增加了太陽能電池機翼，作為能量的補充，但目前還未見樣機和試飛結果的相關報道。

（3）各類混合動力無人機對比

表2和表3分別給出了各類混合動力固定翼無人機和混合動力旋翼無人機的載荷與航時特點，所列機型均為同類機型中技術指標較為先進的典型代表。雖然鋰電池動力無人機因成本低、可靠性高的特點，是當前應用最為廣泛的機型，但其能量密度低嚴重限制了續(xù)航能力。相比之下，各類混合動力系統(tǒng)所帶來的航時優(yōu)勢十分明顯，且各有特點。對于混合動力固定翼無人機，油電混合動力所帶來的載荷能力優(yōu)勢明顯，航時提升效果一般；太陽能與鋰電池的混合（太鋰混合）動力能夠支持長航時，甚至超長航時飛行，但相比其它類型的無人機其載荷能力最??；燃料電池與鋰電池的混合（燃鋰混合）動力則兼具載荷能力和航時優(yōu)勢；太陽能電池/燃料電池/鋰電池混合（太燃鋰混合）目前尚處于探索階段，載荷與航時潛力尚未完全釋放。對于混合動力旋翼無人機，太陽能電池受限于較小的功率面密度，不適合作為高功耗旋翼飛機的動力源。相比鋰電池動力，油電混合動力可有效提升旋翼無人機的載荷能力和續(xù)航能力，但其動力系統(tǒng)十分復雜，使用和維護成本更高。相比之下，燃鋰混合動力系統(tǒng)則能夠兼具大載荷和長航時優(yōu)勢，且僅有電機動力系統(tǒng)，維護成本較低。在抗擊疫情期間，可根據(jù)任務需求選擇合適的動力方案，如需長航時小載荷的監(jiān)控宣傳工作可用新能源混合動力方案，對大載荷的噴灑消殺工作可以選擇油電混合和燃鋰混合動力方案。

表2 各類典型混合動力固定翼無人機Table 2 Typical hybrid electric fixed-wing UAVs

表3 各類典型混合電動旋翼無人機Table 3 Typical hybrid electric rotor-wing UAVs

4.2 能源管理技術

能源管理技術是混合動力系統(tǒng)的研究熱點和難點，是混合電動無人機的核心技術，直接決定了無人機燃料的經(jīng)濟性、可靠性和健康工作條件［46］。能源管理是在滿足無人機需求功率的前提下，實現(xiàn)對動力源功率優(yōu)化分配，使整體性能最佳。該技術在混合動力汽車領域發(fā)展較快，但在混合動力無人機領域發(fā)展相對較慢，目前應用于無人機的能源管理策略主要為基于規(guī)則的控制策略。近期，也有學者開始探索基于實時優(yōu)化的控制策略，如模型預測控制策略［47］。

基于規(guī)則的能源管理策略因其簡單可靠等特點，成為目前應用最廣泛的控制策略，主要包括狀態(tài)機控制策略和模糊邏輯控制策略。狀態(tài)機控制策略主要根據(jù)無人機需求功率和系統(tǒng)的狀態(tài)輸入，確定各動力源的輸出功率，使動力系統(tǒng)長期處于高效工作區(qū)，同時保證各動力源健康工作。模糊控制策略的基本原理是模仿人腦的不確定性判斷、推理思維方式，對于一些模型未知的黑箱系統(tǒng)或者較高不確定性和大滯后的非線性系統(tǒng)，應用模糊控制策略可以解決常規(guī)方法難以解決的規(guī)則型模糊信息問題［48-49］?；谝?guī)則的能源管理策略算法設計簡單，便于實時控制，受外界干擾小，但缺點是規(guī)則設計依賴設計者的工程經(jīng)驗，很難獲得最優(yōu)控制效果。因此，基于優(yōu)化的控制策略開始應用于混合動力無人機，如模型預測控制器策略，其基于滾動優(yōu)化機制，將最優(yōu)控制問題轉化為有限時域內(nèi)的非線性約束優(yōu)化問題，以燃料經(jīng)濟性為目標，探索高效次優(yōu)能源管理方法。隨著高性能、小型計算單元的模塊化，基于人工智能的能源管理方法，如深度強化學習方法，也將是未來的研究熱點和發(fā)展趨勢。此外，目前的能源管理多局限于能源與動力系統(tǒng)本身，對飛行運動考慮較少，而能源系統(tǒng)與飛行運動具有強耦合的特點，從飛機整體層面考慮能量的綜合優(yōu)化控制也將是混合電動無人機的發(fā)展重點［50］。

5 其它抗疫載荷技術

5.1 機載小型喊話器技術

新冠疫情防控期間，無人機攜帶喊話器直接參與了防疫督導和消息廣播的抗疫工作，在提高工作人員執(zhí)勤效率的同時，避免了疫情的傳播。圖8 為張掖甘州濱河新區(qū)某小區(qū)無人機攜帶喊話器進行防疫宣傳。無人機攜帶的喊話器主要分為有線式（手持式）喊話器和無線式喊話器，其中無線式喊話器由地面手持端和機載喊話喇叭組成，工作人員可結合監(jiān)控視頻，利用地面手持端進行實時喊話；工作人員也可將疫情防控話語錄制在有線式喊話器中反復播放，再將喊話器懸掛于無人機上，大范圍傳播防疫宣傳內(nèi)容。表4 給出了當前適用于無人機的有線式與無線式喊話器的指標參數(shù)。

圖8 無人機攜帶喊話器進行防疫宣傳Fig.8 UAV carries megaphone for epidemic prevention propaganda

表4 喊話器參數(shù)對比Table 4 Comparison of horn performance

5.2 機載紅外測溫技術

在新冠疫情爆發(fā)之前，紅外測溫無人機曾應用于國家電網(wǎng)的電力巡檢。此次疫情激活了體溫測量的需求，也使紅外測溫無人機得以應用。紅外測溫技術是一項比較先進的非接觸式體溫測量技術，可通過紅外探測器采集待測人體的紅外輻射能量分析得出溫度結果。無人機搭載紅外測溫儀，可以為執(zhí)勤人員對管控區(qū)域的居民進行非接觸式體溫監(jiān)測，避免交叉感染。圖9 為南京市浦口區(qū)湯泉街道某小區(qū)，利用無人機實現(xiàn)無接觸測量體溫。

圖9 使用無人機進行非接觸式溫度測量Fig.9 Non-contact temperature measurement with UAV

紅外測溫儀按照測量方式的不同分為紅外耳溫計、紅外額溫計和紅外熱像儀［51］，由于紅外耳溫計和紅外額溫計的工作距離在10cm 以內(nèi)，無人機上只適合搭載紅外熱像儀進行體溫測量。表5 中給出了國內(nèi)外先進的紅外熱像儀的性能參數(shù)。

表5 紅外熱像儀性能對比Table 5 Comparison of infrared thermal imager performance

6 結束語

無人機及其相關技術在國內(nèi)新型冠狀病毒的疫情防控中發(fā)揮了積極的抗疫作用，尤其在防疫監(jiān)控宣傳和消殺噴灑等方面顯示了較大的應用潛力。計算機視覺技術可以滿足對重點防疫區(qū)域的監(jiān)控任務，視覺導航技術能夠支持對敏感目標的自主尋找和跟蹤，長航時技術的發(fā)展能夠保證大范圍的持續(xù)作業(yè)能力。然而，當前仍是離散的技術發(fā)展導向，缺少直面防疫任務的綜合集成優(yōu)化；且當前的應用對人在回路的處理與決策依賴嚴重，要求使用人員具備專業(yè)的飛行操控技能，使得應用成本較高，限制了無人機在防疫過程中的大規(guī)模應用。

為了更好地釋放無人機在疫情防控、應急救災等領域的應用潛能，未來需要在智能監(jiān)控、自主導航和增長航時等方面取得進一步突破的同時，面向具體的任務開展綜合優(yōu)化設計，相關抗疫載荷技術也需要進一步針對無人機平臺進行適應性發(fā)展。總之，此次疫情為無人機的發(fā)展提供了新的應用需求，也帶來了新的挑戰(zhàn)，未來無人機的發(fā)展也需要由技術導向轉向為直面應用的需求導向，并向著自主化、智能化以及無人化的方向不斷發(fā)展。