黃 鶴,謝飛宇,王會峰,王 珺,楊 瀾,茹 鋒

(1.長安大學 西安市智慧高速公路信息融合與控制重點實驗室,陜西 西安 710064;2.長安大學 電子與控制工程學院,陜西 西安 710064;3.長安大學信息工程學院,陜西西安 710064)

無人航行器技術已獲得快速發(fā)展[1],無人航行器通過攜帶多傳感器對外界數(shù)據(jù)進行采集,利用智能算法進行自主決策,進而完成所需任務。其中,測高技術是無人機(Unmanned Aerial Vehicle,UAV)智能檢測的重要環(huán)節(jié),在空域較大的情況下,要使旋翼無人機穩(wěn)定完成低空區(qū)域的自主巡航和懸停定位,需要高精度的測高技術做保證。傳感器系統(tǒng)為無人機測高提供數(shù)據(jù)支持,一般包括GPS、無線電高度表、氣壓高度計和加速度計等[2]。選擇更優(yōu)的融合估計算法是多傳感器融合效果更佳的關鍵[3-5],現(xiàn)有融合估計算法可分為兩類。一類方法是針對觀測信息中的噪聲誤差,建立適合工程需求的系統(tǒng)誤差參數(shù)模型,采用矢量擴維的方法直接轉(zhuǎn)化為標準形式下的狀態(tài)融合估計問題[6]。這類方法過度依賴關聯(lián)概率分布、先驗概率分布、噪聲強度等先驗知識,在實際的無人機測高過程中,由于環(huán)境影響未知,因此不可行。另一類方法是通過挖掘數(shù)據(jù)之間的可靠性信息,確定融合估計權重[7]。但是隨著測量次數(shù)的增加,數(shù)據(jù)量有所增加,新數(shù)據(jù)會不可避免地受到陳舊信息的影響逐漸失去修正能力,融合估計效果較差。針對以上方法的不足,在測量誤差無先驗信息的情況下,本文提出了一種基于相關認知支持度的多傳感器融合自適應加權積分算法,并設計了多源多層信息融合旋翼無人機測高算法,克服了現(xiàn)有測高算法需要運用陳舊信息的局限性。在融合加權后使用自適應互補濾波方法,無需過多的先驗知識和噪聲特性,相對于卡爾曼濾波方法,在精度和穩(wěn)定性方面都有較大提升。

本文所使用的無人機測高系統(tǒng)的結(jié)構如圖1所示,算法過程可分為3步:

圖1 無人機測高系統(tǒng)的結(jié)構Fig.1 Structure of UAV altimetry system

(1)利用搭載多傳感器的無人機系統(tǒng)采集不同時刻氣壓計和GPS的數(shù)據(jù),設計相關認知支持度對數(shù)據(jù)進行預處理,將某些傳感器發(fā)生故障或由環(huán)境因素產(chǎn)生較大偏差的測量數(shù)據(jù)去除掉;

(2)設計融合加權算法對每一時刻數(shù)據(jù)的權值運算得到初步的測高結(jié)果;

(3)設計輔助測高模塊,采用加速度計傳感器組建自適應濾波模型,進一步減弱干擾噪聲,提高無人機測高數(shù)據(jù)的精度和可靠性。

1 基于相關認知支持度的一致性度量

假設多傳感器系統(tǒng)包括m個相互獨立的傳感器,對靜止或漸變參數(shù)直接測量,測量方程可表示為

若ri(k)越大,則在k時刻,第i個傳感器與其他傳感器對真值X的認知程度越高;若ri(k)越小,則在k時刻,第i個傳感器與其他傳感器對真值X的認知程度越低。隨著測量次數(shù)和時間k的變化,通過ri(k)來判斷第i個傳感器的可靠性。

2 多源多層融合自適應加權積分測高算法

2.1 融合自適應加權的總體框架

旋翼無人機測高模型由兩層信息融合算法組成,其總體框圖如圖2所示。我們提出的基于相關認知支持度的多源多層數(shù)據(jù)融合加權積分算法為第一子層。自適應互補濾波為第二子層[8]。

圖2 融合自適應加權積分算法的總體框圖Fig.2 Overall block diagram of fusion adaptive weighted integration algorithm

在正常情況下,無人機在高空懸停測高時,GPS和氣壓計測量數(shù)據(jù)所受到噪聲的影響都不大,基本會保持在真實高度值附近輕微波動,數(shù)據(jù)穩(wěn)定。而加速度計的測量數(shù)據(jù)噪聲較小,對其經(jīng)過兩次積分,就可以基本轉(zhuǎn)化為真實情況下的高度。但長時間的積分會累積誤差,造成積分漂移。結(jié)合3個傳感器各自的特點,需將GPS和氣壓計的測量數(shù)據(jù)進行一次加權融合,再與加速度計的測量數(shù)據(jù)進行二次數(shù)據(jù)融合作為輔助測高。在工作時間比較長時,融合加權GPS和氣壓計的數(shù)據(jù)結(jié)果,不斷修正加速度計中累計的積分值,有效解決漂移現(xiàn)象導致的積分誤差。在噪聲較大的情況下,會不可避免地出現(xiàn)尖銳的毛刺,為了將這些毛刺徹底濾除,設計了自適應互補濾波作為第二層數(shù)據(jù)融合。這樣既實現(xiàn)了無先驗條件下的無人機測高,又避免了測量時間累加帶來的積分漂移,具有良好的測高效果。

2.2 多源數(shù)據(jù)加權積分融合算法

在第一層融合中,針對測高時多種傳感器、噪聲統(tǒng)計特性的不確定,設計了一種基于相關認知支持度的多源數(shù)據(jù)加權積分融合算法。首先,利用一致性檢驗理論對所有傳感器測量數(shù)據(jù)進行預處理,去除多傳感器系統(tǒng)中受某些傳感器故障或環(huán)境因素影響產(chǎn)生的較大偏差的測量數(shù)據(jù),然后將各個傳感器在不同時刻與之前相鄰時刻的測量值進行融合,利用時間遞推理論估計得到第一次融合結(jié)果。這樣可以消除由于單個傳感器在實際工程中測量的不確定性,提高測量結(jié)果的準確性。第一層融合的過程如圖3所示。

圖3 第一層融合的框圖Fig.3 Block diagram of the first layer fusion

若全部利用一致性序列ri(k)的信息,前一時刻的權重結(jié)果將影響后一時刻的權值分配,這會造成大量陳舊信息的累積。同時,前一時刻數(shù)據(jù)出錯也會影響后一時刻數(shù)據(jù)預測的準確性,導致數(shù)據(jù)出現(xiàn)整體錯誤。對于無人機測高算法來說,當前時刻傳感器獲得的高度測量數(shù)據(jù)所包含的信息,比過去時刻所包含的信息價值更大。而多源數(shù)據(jù)加權積分融合應使得當前測量數(shù)據(jù)的信息利用程度最大化、最優(yōu)化,盡可能發(fā)揮當前時刻數(shù)據(jù)的優(yōu)勢。本文對于多源數(shù)據(jù)加權積分融合算法中的權重取值,只考慮當前k時刻的ri(k)以及k-1時刻的ri(k-1),完全可以避免k-1時刻之前的陳舊信息的干擾。

考慮k時刻第i個傳感器的一致性度量ri(k)所占的比重對融合結(jié)果的影響,取k和k-1時刻的一致性度量ri(k)和ri(k-1)的平均值作為當前時刻融合的均值權重Wj(k),公式如下:

可以看出,整個融合算法權重的選取完全來自傳感器網(wǎng)絡測量數(shù)據(jù)本身,避免了主觀選擇融合參數(shù)所帶來的不確定性,具有良好的自我調(diào)節(jié)能力。

2.3 第二層融合

在第二層融合中設計了自適應互補濾波方法,如圖4所示。加速度計的數(shù)據(jù)能夠?qū)y高起到較好的輔助作用。同時,長時間工作時,GPS和氣壓計測量融合數(shù)據(jù)能夠把加速度計積分值導致的誤差不斷修正,可以有效解決積分漂移的問題。

圖4 第二層融合的框圖Fig.4 Block diagram of the second layer fusion

3 實驗結(jié)果

實際上,在懸停過程中,允許四旋翼無人機有水平方向的細微側(cè)滑調(diào)整。在不失通用性的前提下,構建了以下試驗環(huán)境,如圖5所示。數(shù)據(jù)采集使用F450四旋翼飛行器機架,搭載MS5611氣壓計和M8N GPS;飛控設備使用Pixhawk開源飛控,搭載STM32F427核心處理芯片和STM32F103故障協(xié)同處理芯片。實驗過程中各采集150組不同高度的數(shù)據(jù)進行分析。無人機高度數(shù)據(jù)是在西安市某兩棟高層建筑的頂部獲得的,共采集兩組不同的高度數(shù)據(jù),實測屋頂天臺相對于地面高度h1為228 m和299 m,h2為2 m和1 m。試驗桿豎直固定在屋頂上,連接水平的金屬桿,直接從天臺伸出面向地面。無人機懸掛在桿下導軌上面對地面可以進行橫向滑動,保證相對于地面的準確高度始終不變。高度融合信息處理的硬件平臺使用Intel Core i7-11800H 2.3 GHz CPU,16 G內(nèi)存的計算機,通過對試驗獲取的高度數(shù)據(jù)進行計算分析,并使用MATLAB R2021a軟件平臺進行融合驗證,證明了本文方法的有效性。

圖5 測高場景圖Fig.5 Altimetry scene diagram

將MPU6050的三軸微電子機械系統(tǒng)(Micro-Electro-Mechanical System,MEMS)數(shù)字加速度計作為本次試驗設備,其校準首先放置在水平面上,Z軸向下進行X,Y軸零位校準,然后以X軸旋轉(zhuǎn)90°再進行Z軸零位校準。加速度計在靜止狀態(tài)下,Zg(在靜止時,Zg為負數(shù),對應的數(shù)據(jù)是重力加速度g)是Z軸上所得到的數(shù)據(jù)。加速度計測量得到的加速度數(shù)據(jù)、速度數(shù)據(jù)、高度數(shù)據(jù)如圖6～圖8所示,從中可以看出數(shù)據(jù)不夠穩(wěn)定,但誤差較小。由于旋翼無人機在飛行過程中的震動以及長時間工作,會導致加速度計芯片自身的溫度變化,加速度計傳感器在長時間測量且沒有其他傳感器對數(shù)據(jù)進行修正的情況下,積分不斷累計會導致漂移現(xiàn)象,因此只能將其作為輔助測高數(shù)據(jù)。

圖6 加速度計測量的加速度曲線Fig.6 Acceleration curve measured by accelerometer

圖7 加速度計測量的速度曲線Fig.7 Velocity curve measured by accelerometer

圖8 加速度計測量的高度曲線Fig.8 Height curve measured by accelerometer

圖9為一致性序列曲線。實驗高度為230 m和300 m的多種方式測高所得的高度曲線如圖10所示,其誤差曲線如圖11所示。根據(jù)仿真結(jié)果,氣壓計和GPS測量高度曲線存在較大誤差。經(jīng)過融合加權后,可以看出,獲得的數(shù)據(jù)在實測高度值上下存在輕微波動,但測量數(shù)據(jù)比較穩(wěn)定,并且高度誤差明顯低于單個傳感器測得的誤差。經(jīng)過自適應互補濾波后,誤差進一步減小,精度進一步提高。

圖9 一致性序列曲線Fig.9 Consistent sequence curve

圖10 多種方式測高的高度曲線Fig.10 Height curves of height measurement in various ways

由圖11可以看出,從單個傳感器到融合加權高度、自適應互補濾波的設計,測得的高度誤差逐漸減小,測量精度和穩(wěn)定性進一步提高。本文采用的自適應互補濾波方法與文獻[8]的濾波方法相比,在無需任何先驗知識的情況下,均方根誤差(Emean)和最大誤差(Emax)都更小,因此該方法速度更快且精度更高、穩(wěn)定性更好,結(jié)果見表1(見第 458頁)。

表1 實驗結(jié)果評價指標Tab.1 Evaluation of experimental results

圖11 多種方式測高的高度誤差曲線Fig.11 Height error curves of height measurement in various ways

為了進一步驗證實驗效果,將本文的測高系統(tǒng)與自適應卡爾曼濾波測高系統(tǒng)、文獻[9]的基于自適應S濾波無人機高度融合估計系統(tǒng)以及文獻[10]的二步延遲自適應時空融合測高系統(tǒng)進行測高的效果對比,具體誤差數(shù)據(jù)見表2(見第 458頁)。圖12(見第 458頁)為各測高系統(tǒng)的誤差曲線對比,結(jié)合表2,可以看出,雖然文獻[10]中的測高方法的精度略低于本文方法,但該方法在測高開始時有較大的波動,測得結(jié)果不夠穩(wěn)定。而本文系統(tǒng)相對于其他2種測高系統(tǒng)來說,效果明顯更好,誤差更低。

圖12 測高系統(tǒng)的誤差曲線對比Fig.12 Comparison of altimetry system error curves

表2 測高系統(tǒng)誤差數(shù)據(jù)對比Tab.2 Comparison of altimetry system error data

4 結(jié) 語

本文設計了一種多源多層融合自適應加權積分旋翼無人機測高算法,算法包含第一層加權積分融合和第二層自適應互補濾波融合,利用GPS和氣壓計的測量數(shù)據(jù)對加速度計的誤差不斷進行修復,提高了無人機的定高精度。系統(tǒng)對于先前經(jīng)驗概率分布知識和噪聲特性的要求不高,且無人機狀態(tài)參數(shù)的測量不同于雷達,數(shù)據(jù)量很小,整個系統(tǒng)的計算量不大,應用價值明顯。