劉孝童，孫浩宇，王小橋，彭昕月，虞玲

（安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南 232001）

在當今社會快速發(fā)展下，具有自主導(dǎo)航和環(huán)境感知能力的無人機在物流、交通、監(jiān)控等工業(yè)領(lǐng)域有著廣闊的應(yīng)用前景。目前的工業(yè)無人機大多局限于有GPS 數(shù)據(jù)的戶外使用。雖然無人駕駛飛行器室內(nèi)自主導(dǎo)航已經(jīng)在機器人方面得到了積極的研究，但實用化的工業(yè)案例還很少。

在倉庫中使用無人機進行物品庫存檢查與人工檢查方式相比有很大優(yōu)勢，它可以節(jié)省時間和成本，并避免了工人在快速移動的高位叉車上進行人工條形碼掃描時受傷的風(fēng)險。然而，大多數(shù)的商用（非自主）無人機不適合在倉庫中使用，因為無人機操控員很難進行安全的遠程操作。一些無人機制造商給出用于清點任務(wù)的無人機解決方案，但目前沒有關(guān)于倉庫實際應(yīng)用的文章及方案，因為不發(fā)生碰撞的安全操作相當困難。

為了安全和成功地進行室內(nèi)倉庫的庫存檢查，設(shè)計了一種基于EKF 的多傳感器融合框架，該框架使用了低成本的傳感器，包括3 個攝像機、1 個二維激光掃描儀、1 個一維距離傳感器和1 個慣性測量單元。提出了兩種魯棒的數(shù)據(jù)融合方法：①利用馬氏范數(shù)分量檢驗有效地剔除離群點；②通過引入“偽協(xié)方差”將視覺SLAM 添加到測量更新中。

設(shè)計的系統(tǒng)主要特點如下：①提出了一種低成本的多傳感器系統(tǒng)和基于擴展卡爾曼濾波的多傳感器融合框架，以此來獲得最優(yōu)的位姿估計。②提出了魯棒數(shù)據(jù)融合方法，增強了魯棒性，消除了碰撞風(fēng)險，保證了物料倉庫內(nèi)庫存檢查的成功。

1 相關(guān)工作

若干課題組已經(jīng)發(fā)布了針對倉庫庫存應(yīng)用的自主無人機系統(tǒng)的開發(fā)結(jié)果。文獻[1]提出了用于倉庫內(nèi)部操作的高性能自主清點無人機。其傳感器設(shè)置包括RFID 讀取器、2 個高分辨率攝像頭和1 個昂貴的3D 激光雷達，并在一個具有外部倉庫管理系統(tǒng)和高級檢查任務(wù)的可操作倉庫中進行實驗。他們的方法還需要定期構(gòu)建3D 特征地圖，并且有將語義地圖[2]與3D 特征地圖對齊的步驟。文獻[3]提出了一種導(dǎo)航系統(tǒng)，使無人機能夠在黑暗和沒有GPS 定位的環(huán)境（如倉庫）中操作，以保證人員的安全。他們使用2 個2D 激光雷達和1 個攝像頭進行標記識別。

2 系統(tǒng)總體設(shè)計

本文所設(shè)計系統(tǒng)的總體結(jié)構(gòu)如圖1 所示，其中包括多個激光雷達和攝像頭傳感器、連接到傳感器的軟件算法模塊、基于EKF 的多傳感器融合框架[4-5]和其他額外組件等。此外，圖1 中灰色虛線矩形內(nèi)為魯棒數(shù)據(jù)融合方法，此方法將在后續(xù)詳細說明。

圖1 自主無人機的總體系統(tǒng)架構(gòu)

從傳感器采集的數(shù)據(jù)通過相應(yīng)的算法以相對/絕對姿態(tài)、角度或距離的形式饋入基于EKF 的測量更新模塊[6]。參考文獻[7]提供了無人機的六維相對姿勢，參考文獻[8]識別算法給出了它的六維絕對姿勢。

基于EKF 的多傳感器融合框架與魯棒數(shù)據(jù)融合方法相結(jié)合，將最優(yōu)估計的無人機姿態(tài)發(fā)送給飛行控制器和任務(wù)規(guī)劃，F(xiàn)CU 根據(jù)反饋的姿態(tài)數(shù)據(jù)輸出四旋翼框架的低速電機命令，穩(wěn)定飛行。

設(shè)計一個多傳感器融合框架[9]，以優(yōu)化估計無人機六維姿態(tài)在室內(nèi)（沒有GPS）環(huán)境。以EKF 為基礎(chǔ)，其中IMU位姿作為時間更新階段預(yù)測的狀態(tài)變量。

假設(shè)IMU 傳感器的位姿與無人機傳感器的位姿相同?？柭鼮V波器的狀態(tài)由IMU在世界坐標系中的位置向量{W}構(gòu)成，其速度矢量，其取向四元數(shù)描述IMU 對W的旋轉(zhuǎn)，陀螺偏差bω和加速度計偏差ba。整個狀態(tài)產(chǎn)生一個十六維狀態(tài)向量x：

推導(dǎo)出以下微分方程：

3 魯棒數(shù)據(jù)融合

提出兩種魯棒數(shù)據(jù)融合方法[10]來提高EKF 的魯棒性，以克服漂移、異常值和干擾問題。這些都有助于多傳感器融合框架成功地應(yīng)對具有挑戰(zhàn)性的倉庫環(huán)境。

3.1 馬氏范數(shù)檢驗剔除離群值

離群值通常來自傳感器故障、較大的識別誤差或惡劣的測量環(huán)境。為了剔除這種測量異常值，計算和監(jiān)控測量更新的馬氏范數(shù)M：

式（7）中：z為測量向量；H為線性化后的測量向量狀態(tài)估計矩陣；x?為狀態(tài)預(yù)測；S為狀態(tài)協(xié)方差矩陣。

所以在飛行任務(wù)期間單獨檢查該規(guī)范的特定組成部分。如果它們中的一些大于預(yù)定閾值，本文采用的EKF 框架將拒絕測量的相應(yīng)部分。這種基于分量的馬氏范數(shù)測試通過將測量向量分離成更小的維向量來降低錯誤拒絕率。

3.2 利用Visual SLAM 實現(xiàn)偽協(xié)方差

為了極大限度地減少激光掃描儀的Hector-SLAM（通常發(fā)生在垂直移動期間）造成的干擾影響，加入了視覺SLAM算法，該算法將x、y、z位置和偏航方向數(shù)據(jù)融合到擴展卡爾曼濾波中，以減弱來自Hector-SLAM 或其他未知源的干擾影響。

由于基于關(guān)鍵點的視覺SLAM，不提供輸出的協(xié)方差，這是EKF 的測量更新階段所需的。因此，采用運動模型中的匹配點數(shù)量，如圖2 所示，來提取ORB-SLAM2 的不確定性信息，即“偽協(xié)方差”。通過反復(fù)實驗和調(diào)整過程，得到了匹配點數(shù)目和偽協(xié)方差之間的最佳比例常數(shù)和偏移量。運動模型中匹配點的數(shù)目為圖2 的288 個和圖3 的47 個。隨著位姿估計次數(shù)的減少，位姿估計的不確定性有增大的趨勢。因此，使用這個數(shù)字來計算偽協(xié)方差引入EKF 以減少干擾的影響。

圖2 向上攝像機未改進掃描結(jié)果

圖3 向上攝像機的ORB SLAM2 結(jié)果

4 結(jié)束語

本文設(shè)計了一種具有低成本和多傳感器融合框架的自主無人機，可以有效用于狹窄和黑暗的倉庫環(huán)境。為了解決普通的無人機定位方法存在的問題，提出了魯棒數(shù)據(jù)融合方法，基于分量的馬氏范數(shù)檢驗剔除離群值，通過引入偽協(xié)方差來結(jié)合視覺SLAM。這使自主飛行任務(wù)更安全，有利于在倉庫進行循環(huán)庫存檢查。作為一個完全自主的系統(tǒng)，這種方法不需要人工操作，同時也節(jié)省了時間和成本，并且解決了工人高空危險作業(yè)的問題。下一步將繼續(xù)對系統(tǒng)進行改進研究，進一步降低成本，并將此方法推廣到各種室內(nèi)和室外應(yīng)用中。