殷佳煒，趙晨曦，張 帆，王 碩，曹海平，傅懷梁

（南通大學(xué) 張謇學(xué)院，江蘇 南通 226000）

中國(guó)是全球森林資源增長(zhǎng)最多的國(guó)家，森林防火是極為重要的課題。我國(guó)的森林地域廣闊、地形復(fù)雜，人工巡邏方式遠(yuǎn)不能滿足護(hù)林要求，因此，森林偵察逐漸向自動(dòng)化邁進(jìn)[1]。傳統(tǒng)履帶式或輪式偵察機(jī)器人移動(dòng)速度慢、功率消耗高，不能快速到達(dá)事故現(xiàn)場(chǎng)進(jìn)行調(diào)查，加之林間復(fù)雜環(huán)境又使消防無人機(jī)移動(dòng)受限增多，因此，陸空兩棲森林火災(zāi)偵察機(jī)器人應(yīng)運(yùn)而生。本文基于Jetson Nano開發(fā)板，設(shè)計(jì)一款用于森林火災(zāi)偵察的陸空兩棲機(jī)器人，以實(shí)現(xiàn)自主定位、避障、偵察等功能，并通過實(shí)驗(yàn)驗(yàn)證其設(shè)計(jì)的合理性。

1 系統(tǒng)總體構(gòu)建

1.1 系統(tǒng)設(shè)計(jì)方案

如圖1所示，陸空兩棲機(jī)器人[2]主要由主控模塊、外部感知模塊、內(nèi)部感知模塊、飛行控制模塊和地面控制模塊等組成[2]。

圖1 陸空兩棲機(jī)器人總體結(jié)構(gòu)方案

1.2 系統(tǒng)硬件結(jié)構(gòu)設(shè)計(jì)

1.2.1 機(jī)械結(jié)構(gòu)設(shè)計(jì)

考慮森林環(huán)境的復(fù)雜性，以及陸空兩棲機(jī)器人的安全性、靈活性等要求，飛行部分采用旋翼結(jié)構(gòu)，地面部分采用輪式結(jié)構(gòu)。旋翼結(jié)構(gòu)具有靈活度高、起飛降落自由的優(yōu)勢(shì)，更適用于復(fù)雜環(huán)境下機(jī)器人的運(yùn)動(dòng)。輪式結(jié)構(gòu)由于采用了橡膠輪胎及相關(guān)的懸掛裝置，具有良好的緩沖、減震性能，且比履帶式結(jié)構(gòu)行駛速度更高、機(jī)動(dòng)性更好。陸空兩棲機(jī)器人機(jī)械結(jié)構(gòu)的三維視圖如圖2所示。

圖2 陸空兩棲機(jī)器人三維視圖

1.2.2 主控模塊

在復(fù)雜的森林環(huán)境中，由于視野受限，操作手并不能很好地進(jìn)行操作。陸空兩棲機(jī)器人要在操作手的輔助操控下自主完成移動(dòng)，就需要處理器擁有快速?gòu)?qiáng)大的運(yùn)算能力。Jetson Nano開發(fā)板是Jetson系列中最小型的設(shè)備，但性能非常強(qiáng)大，具備472 GFLOPS的運(yùn)算能力，能使無人機(jī)搭載目標(biāo)檢測(cè)算法和三維建模算法。因此，系統(tǒng)設(shè)計(jì)選擇Jetson Nano處理器作為主控模塊。

1.2.3 外部感知模塊

（1）選用IMX219-170單目攝像頭，其配備索尼IMX-219感光芯片，可達(dá)800萬像素，170°視場(chǎng)角，廣泛應(yīng)用于圖像識(shí)別的AI智能研究。

（2）選用RPLIDAR A2 360°激光掃描測(cè)距雷達(dá)，采用激光三角測(cè)距技術(shù)，測(cè)量半徑為12 m，采樣頻率高達(dá)8 000次/s，其在自主構(gòu)建地圖、實(shí)時(shí)路徑規(guī)劃、自主避障等方面具有很好的性能。

（3）雙目相機(jī)選用Intel T265跟蹤攝像頭，搭載BMI055 IMU（慣性測(cè)量單元）和兩個(gè)魚眼鏡頭?？删珳?zhǔn)測(cè)量偵察機(jī)器人的旋轉(zhuǎn)角速度和加速度，實(shí)現(xiàn)機(jī)器人跟蹤，并將數(shù)據(jù)提供給環(huán)境感知模塊，實(shí)現(xiàn)高精度視覺慣性測(cè)距，同時(shí)進(jìn)行定位和映射。

1.2.4 內(nèi)部感知模塊

（1）慣性測(cè)量單元（IMU）包括三個(gè)單軸的加速度計(jì)ICM-20699和三個(gè)單軸的陀螺儀BMI055，實(shí)時(shí)獲取偵察機(jī)器人在三維空間中的角速度和加速度，并由此解算機(jī)器人的姿態(tài)。

（2）氣壓計(jì)選型為MS5611，高度分辨率為10 cm，幾乎可與任何微控制器連接，無須在器件中編程內(nèi)部寄存器，具有非常低的滯后性，以及高穩(wěn)定性的壓力、溫度信號(hào)。

1.2.5 地面控制模塊

地面控制模塊選用Arduino Mega2560核心板，具有54路數(shù)字輸入輸出，適合需要大量IO口的設(shè)備。其具有三種供電模式，在智能機(jī)器人、智能無人機(jī)、智能家居等領(lǐng)域均有廣泛應(yīng)用。

1.2.6 飛行控制模塊

飛行控制模塊選用具有“開源飛控之王”美譽(yù)的Pixhawk4，其上搭載基于STM32F765的FPU處理器與基于STM32F100的IO處理器。

2 軟件算法設(shè)計(jì)

2.1 飛行控制算法

飛行控制部分采用雙飛行控制系統(tǒng)。核心飛行控制系統(tǒng)將陀螺儀、加速度計(jì)、磁力計(jì)等模塊獲取的數(shù)據(jù)進(jìn)行實(shí)時(shí)解算，得到姿態(tài)角數(shù)據(jù)并反饋至飛行姿態(tài)控制環(huán)，將期望角度與實(shí)際角度作差，通過比例、積分、微分等環(huán)節(jié)得到期望角速度，再與陀螺儀獲得的實(shí)時(shí)角速度作差，再次經(jīng)過比例、微分和積分環(huán)節(jié)，增強(qiáng)系統(tǒng)的穩(wěn)定性。最終計(jì)算出合適的波形信號(hào)，以控制電機(jī)轉(zhuǎn)速，實(shí)現(xiàn)姿態(tài)的穩(wěn)定及各種姿態(tài)變化的運(yùn)動(dòng)，其控制流程如圖3所示[3]。

圖3 飛行姿態(tài)控制流程

2.2 地面控制算法

由于機(jī)器人在行進(jìn)過程中情況復(fù)雜，采用傳統(tǒng)的PID算法難以準(zhǔn)確控制。模糊PID算法采用模糊算法對(duì)PID參數(shù)進(jìn)行實(shí)時(shí)調(diào)節(jié)，以滿足不同復(fù)雜情況下的靈活控制，具有良好的適應(yīng)能力。模糊PID自適應(yīng)整定曲線具有極小的超調(diào)量，且能在極短的響應(yīng)時(shí)間內(nèi)達(dá)到目標(biāo)值。因此，使用模糊PID算法進(jìn)行地面控制，流程如圖4所示。

圖4 模糊PID控制流程

2.3 環(huán)境感知算法

機(jī)器人在復(fù)雜的森林環(huán)境中進(jìn)行偵察，操作手僅依靠圖傳系統(tǒng)和GPS（全球定位系統(tǒng)）進(jìn)行遠(yuǎn)程控制，受視野所限往往不能準(zhǔn)確操作，因此，要求機(jī)器人具有環(huán)境感知能力。目前，廣泛應(yīng)用的SLAM[4]（即時(shí)定位與地圖構(gòu)建）技術(shù)分為視覺SLAM和激光SLAM。由于火災(zāi)環(huán)境中光照復(fù)雜，且時(shí)常伴隨濃煙，環(huán)境昏暗，視覺信息不明顯，所以使用激光SLAM技術(shù)更合適。

陸空兩棲機(jī)器人采用cartographer框架，實(shí)現(xiàn)激光雷達(dá)SLAM，為機(jī)器人提供環(huán)境信息，其總體結(jié)構(gòu)如圖5所示。其中：激光雷達(dá)SLAM測(cè)量周圍360°范圍內(nèi)物體到機(jī)器人的距離信息；IMU輸出角速度和加速度，主要用于融合和修正數(shù)據(jù)。將激光雷達(dá)掃描數(shù)據(jù)和IMU積分?jǐn)?shù)據(jù)融合，可得到無人機(jī)的X軸、Y軸方向和偏航角；地紅外數(shù)據(jù)與IMU融合，可獲得高度信息。數(shù)據(jù)經(jīng)融合與修正可使機(jī)器人獲得更精確的角速度、加速度、位置和方向等環(huán)境感知信息，再將此信息發(fā)送至飛行控制器或地面控制器，進(jìn)行實(shí)時(shí)導(dǎo)航。

圖5 激光SLAM算法總體結(jié)構(gòu)

2.4 避障算法

本文避障算法采用人工勢(shì)場(chǎng)法[5]。人工勢(shì)場(chǎng)包括引力場(chǎng)和斥力場(chǎng)。引力場(chǎng)由目標(biāo)點(diǎn)確定，產(chǎn)生假想引力，引導(dǎo)機(jī)器人向目標(biāo)方向行進(jìn)，引力的計(jì)算方式如式（1）。

其中：dg為感知直徑，是為防止目標(biāo)離機(jī)器人過遠(yuǎn)時(shí)導(dǎo)致引力過大而設(shè)定；xgoal-x為機(jī)器人與目標(biāo)之間的距離；?a為近距離引力系數(shù)；?b為遠(yuǎn)距離引力系數(shù)。

斥力場(chǎng)由障礙物確定，沿最近障礙物的切向產(chǎn)生假想斥力，排斥機(jī)器人向障礙物方向行進(jìn)，斥力的計(jì)算方式如式（2）。

其中：Qj表示安全距離，即需要采取避障算法的距離；dj（x）表示第j個(gè)障礙物與機(jī)器人的距離；ρj表示第j個(gè)障礙物的斥力系數(shù)。

將兩力通過算法疊加后，為機(jī)器人規(guī)劃出最佳路徑，以提高追蹤監(jiān)測(cè)的效率，從而完成自主避障追蹤。

當(dāng)機(jī)器人移動(dòng)的環(huán)境非常復(fù)雜或者進(jìn)入了封閉環(huán)境，在某一點(diǎn)引力斥力和速度很小，即處于局部最小點(diǎn)時(shí)，會(huì)導(dǎo)致機(jī)器人在該點(diǎn)停止或在該點(diǎn)周圍振蕩。為解決此問題，引入了繞行機(jī)制，其避障算法結(jié)構(gòu)如圖6所示。

圖6 避障算法總體結(jié)構(gòu)

繞行閾值為一個(gè)很小的正數(shù)，當(dāng)合速度小于繞行閾值時(shí)，機(jī)器人即進(jìn)入了局部最小點(diǎn)，將沿斥力場(chǎng)等勢(shì)面移動(dòng)繞行，并判斷是否到達(dá)目的地，若是就退出算法，否則重新計(jì)算合速度。

2.5 火情檢測(cè)算法

YOLO系列是先進(jìn)的目標(biāo)檢測(cè)算法。YOLOv4是YOLO系列的第四代，其通過各種調(diào)優(yōu)手段，實(shí)現(xiàn)了精度和速度的平衡，提升了網(wǎng)絡(luò)的性能。YOLOv4-tiny是基于YOLOv4的壓縮版本，大大減少了參數(shù)，更適用于移動(dòng)端的部署。本文選用YOLOv4-tiny作為火情檢測(cè)模型?；鹎闄z測(cè)算法流程如圖7所示。具體檢測(cè)識(shí)別流程是：采集火情圖像，建立數(shù)據(jù)集；將數(shù)據(jù)集輸入YOLOv4-tiny模型并進(jìn)行訓(xùn)練，得到檢測(cè)模型；機(jī)載攝像頭對(duì)環(huán)境逐幀拍攝并將視頻幀逐幀輸入機(jī)載處理器，經(jīng)YOLOv4-tiny模型檢測(cè)識(shí)別火情。

圖7 火情檢測(cè)算法整體流程

3 系統(tǒng)測(cè)試與分析

3.1 火情檢測(cè)測(cè)試

為測(cè)試上述火情檢測(cè)算法的可行性，隨機(jī)抽取火情圖像進(jìn)行識(shí)別，結(jié)果如圖8所示。

圖8 火情檢測(cè)算法識(shí)別效果

在機(jī)載處理器Jetson Nano上使用自制的火情數(shù)據(jù)集對(duì)各模型進(jìn)行測(cè)試，結(jié)果如表1所示。由表1可見，YOLOv4-tiny能實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，且擁有不錯(cuò)的準(zhǔn)確率。

表1 不同模型的檢測(cè)結(jié)果對(duì)比

3.2 實(shí)物測(cè)試

為驗(yàn)證系統(tǒng)的可實(shí)施性，集成上述硬件和軟件系統(tǒng)制成實(shí)驗(yàn)樣機(jī)如圖9，并在較為復(fù)雜的迷宮中進(jìn)行實(shí)驗(yàn)測(cè)試。

圖9 實(shí)物測(cè)試樣機(jī)

為機(jī)器人規(guī)劃路徑，測(cè)試其運(yùn)動(dòng)軌跡如圖10所示。由圖10可知，設(shè)計(jì)的陸空兩棲機(jī)器人在系統(tǒng)控制下能較好地修正誤差，完成規(guī)劃的運(yùn)動(dòng)路徑，具有較好的精度。

圖10 機(jī)器人樣機(jī)運(yùn)動(dòng)軌跡

系統(tǒng)建模實(shí)驗(yàn)結(jié)果如圖11。由圖11可知，陸空兩棲機(jī)器人在較為復(fù)雜的地形中完成了巡航偵察任務(wù)，并且規(guī)避了無法行駛的死角，達(dá)到預(yù)期效果。

圖11 系統(tǒng)建模實(shí)驗(yàn)結(jié)果

4 結(jié) 語

以Jetson Nano為核心處理器，集成了無人機(jī)與無人車的優(yōu)勢(shì)與特點(diǎn)，設(shè)計(jì)了用于森林火災(zāi)偵察的陸空兩棲機(jī)器人。實(shí)驗(yàn)表明，該機(jī)器人能實(shí)現(xiàn)自主定位、避障、偵察等功能，達(dá)到預(yù)期控制效果。制作樣機(jī)，并通過實(shí)驗(yàn)驗(yàn)證了其設(shè)計(jì)方案的合理可靠性。