英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

---

基于视觉的多旋翼无人机自主着

Sven Lange, Niko Suuml;nderhauf, Peter Protzel

开姆尼茨工业大学，德国开姆尼茨09126

摘要： 我们描述了我们在多旋翼无人机方面的工作，并着重于我们的自主着陆方法。 本文介绍了我们的着陆台的设计及其优点。 我们解释了着陆板检测算法是如何工作的以及如何计算无人机相对于着陆圆盘的3D位置。 实际的实验证明了这些估计的效果。

1.绪论

我们的研究兴趣集中在应用于个种民用领域的自动化移动系统，主要应用于应急领域，灾害控制和环境监测。 无论是在天上还是地面上，这些情景要求无人系统具有很高的自主性，可靠性和稳定性。

在过去的无人自主飞艇的设计工作中，我们获得了无人机的控制于自主导航方面的经验。相较于飞艇，我们在当前项目中使用的多旋翼无人机要小很多，自然载重也比飞艇小很多。另一方面，由于多旋翼无人机的紧凑性，除了安装电池外，无需任何准备即可快速部署。短时间的飞行可使用快速更换电池来代替。与直升机相比，多旋翼无人机更便宜，更少的维护工作。因为其使用更小更轻的电机，故具有更高稳定的飞行和安全性。我们所使用的蜂鸟四旋翼，配有柔性转子，这样，无人机更加安全的，如果一个人意外接触到转子，它不会造成任何伤害。

为达到任务场景所需的自主水平，无人机必须能够自主起飞，驾驶和降落，而无需人工操作员的直接控制。 尽管自主航点导航运行良好（当GPS可用时），对蜂鸟与其自动驾驶系统和自动起飞并不是一个很大的挑战，自主降落对于所有类型的无人机都是一个小心谨慎的过程。 过去的几年中，几个团体和作者在已经解决了这个问题。 然而，对于消防队，警察或紧急响应队这样需要每天使用的足够强大和可靠的无人机系统来说，目前尚未有针对其开发较小有效载荷能力的小型轻型多旋翼无人机。

1.1蜂鸟无人机

我们在该项目中使用的无人机是由德国慕尼黑Ascending Technologies GmbH制造的“蜂鸟”系统（见图1（a））。这些小型四旋翼无人机或四旋翼飞机可承载200克的有效载荷，时间约为20至25分钟。直径53厘米，包括LiPo电池在内的蜂鸟总重量为484克。

蜂鸟由四个无刷直流电机驱动，并配备有各种传感器：除了通常的加速度计，陀螺仪和磁场传感器，压力传感器和GPS模块为复杂的传感器融合算法和控制回路提供输入在1kHz。特别是在户外，控制回路可以利用GPS信号进入GPS位置保持模式，蜂鸟绝对是自稳的，不需要人工操作。指令悬停位置的偏差在大多数情况下低于1米。有关无人机本身和控制器的更多技术细节可参见[4]。

扩展了标准配置方面，我们配备了带有wifi功能的Axis 207MW相机。该CMOS相机使用IEEE 802.11g或以太网接口，可以以高达1280*1024像素的分辨率传输Motion-JPEG或MPEG4实况视频。在其原始配置中，相机重94克。但是，通过在背部移除一块可分配的金属板，可将重量减至68克。由此产生的低重量使相机可以与其他有效载荷一起携带，例如用于云台相机的伺服器和无人机上的无线电模块。IEEE 802.15.4无线电模块（XBeePro）用于向无人机传输状态消息和动作命令。这些小而强大的模块充当透明的串行接口。

1.2自主着陆及相关工作

世界各地的不同研究小组在过去几年一直在研究无人机，其中大多数是从直升机或飞机开始的。然而，最近，多旋翼无人机在研究人员和业余爱好者中越来越受欢迎。 （例如[6]）

几个小组已经解决了视觉引导式自主无人机着陆问题。 [7]提出了一种实时算法，使用不变矩识别H形着陆目标。另一种由6个不同大小的方格组成的黑色和白色模式被[8]用于降落直升机。该系统被描述为精确到5厘米的平移。文献[3]和[2]描述了两种在没有明确的标记或着陆垫用于安全着陆点识别的不同方法。

莫尔图案被[10]用来控制四旋翼无人机。这种方法在技术上很有吸引力，但似乎不够健壮，无法在户外使用。

大多数使用已知模式的自主着陆方法有一个缺点，我们试图在工作中克服：模式必须完全可见才能成功识别。这确实是一个问题。如果目标太小，则无法从更高的高度识别目标。如果它们太大，如果无人机在下降过程中靠近，则它们不再适合相机图像。

下一节将介绍我们的着陆模式布局和我们用于识别的算法。下面是整个系统架构和实验结果的描述。

图1.着陆目标

2.视觉着陆

2.1着陆台

我们的目标是克服常用模式的缺点，并创建一个目标模式，这种模式可以从大小和高度中识别出来，可以在部分目标不可见时识别，以及是非常独特的。由于其独特性，它应该在自然和人造环境中具有高可靠性，而不会有错误识别（误报）的风险。除此之外，该模式要求足够简单，以便以高帧率运行的视觉算法轻松识别。

我们的图案由黑色背景上的几个同心白色环组成。每个白色戒指都有其内外边界半径的唯一比例。因此，这些环可以被唯一标识。

因为一个环的检测和识别与目标中所有其他环的识别无关，所以即使不能找到或看到所有的环，也可以识别整个目标（其被视为各个环的组成） 。例如，如果从近距离观看着陆台或者目标的部分位于相机图像之外，则可能发生这种情况。

对于我们的实验，我们使用了具有四个白环的目标设计，如图1（b）所示。外圈外径45厘米，内外半径比85％。继续到中心的比例是75％，65％和50％。取决于以后的应用，可以调节这些比率和环的数量。例如，如果需要从更高的高度识别目标，则可以添加更大的环。

2.2平台检测算法

我们的平台检测算法（图2）基于OpenCV [1]并使用C / C 编程，以确保快速高效的图像处理。 根据场景的复杂程度，该算法在2.4 GHz的P4上以70至100 Hz的频率运行，图像分辨率为640 * 480。

捕获图像后的第一步是将灰度转换为二进制图像。 实验表明，在二值化过程中使用固定阈值就足够了，而不是使用耗费更多处理时间的自适应阈值算法。 为了找到连接的组件，接着进行分割和轮廓检测步骤，并且丢弃小于特定区域的所有对象以降低计算成本。此外，如果其余部分内部不具有一个孔，则这是剩余的部分，这是成为环的最基本要求。之后，所有保留的图像都是候选环。 我们进行如下所述的圆度检查:

(1)

A代表区域，u代表轮廓长度。 得到的圆度o是介于0和1之间的值，其中1是理想圆的圆度。 所有内部或外部轮廓未被发现为圆形的对象都将被丢弃。 我们在这个测试中使用的圆度阈值是凭经验确定的，并设定为0.82。 此外，我们可以检查内部轮廓和外部轮廓的质量中心是否靠近并在一个小区域内。 现在我们可以确定通过这些测试的所有对象都是来自目标的环。 正如2.1节已经提到的那样，所有的环都可以唯一标识。 目标内部的环号由外部到内部的半径比cr来确定，如下所示：

(2)

Ainner和Aouter是环的内部和外部区域。 这里，内部区域是环的内部区域所包含的区域。 外部区域是内部区域加上环本身的区域。 我们的实验表明，即使从极端的角度和观点来看，环的数量仍能正确检测。

因为我们掌握了摄像机内部参数，摄像机图像中环的大小以及它们的实际大小的相关内容，所以我们可以近似认为摄像机在目标上方的高度。 因为如果目标位于平坦的地面上，无人机相对于着陆目标总是具有接近平行的方位，我们可以假设无人机正好与着陆平台和地平面平行。

然后我们可以计算每个可见和已识别的环的高度，如下所示：

(3)

其中（）是以cm为单位的第i个环的外部（内部）半径（已知）或者分别在像素中（从环区域计算:）。

在我们关于高度估计的实验中，无人机总是水平的简化假设证明是足够准确的。 但是，关于投影到地平面的无人机的相对位置（x，y），这种简化是不够的。 我们需要来自直升机的当前方位信息才能获得准确的结果。 因此，我们使用IEEE 802.15.4无线电模块与板载传感器融合软件进行通信，以获取当前的缺口和滚动角度。 为了验证我们的方法，我们进行了一系列实验。 这些实验的结果可以在2.4节中看到。

2.3 软件和系统构架

在当前配置中，无人机需要地面站，例如， 一台接收并处理来自机载相机的图像的笔记本电脑，运行PID控制回路并生成必要的运动命令。 图3显示了一般系统和软件体系结构以及信息流。 板载wifi摄像头通过IEEE 802.11g实时录像。 如上所述，基于OpenCV的实地软件接收该数据并对其进行处理。

该处理步骤的结果是估计的地面高度z和无人机相对于着陆点投影到地平面的位置（x, y）。 这些估计值（特别是平移（x,y））需要针对当前的无人机的缺口和侧倾角进行校正。 这是十分重要的，因为相机固定在无人机的框架上，并且没有以任何方式进行倾斜补偿。

在地面站笔记本电脑上的第二个过程（用Python编写）使用XBeePro无线电模块（IEEE 802.15.4）作为透明串行接口与无人机通信。 通信协议允许从蜂鸟直升机上检测传感器数据和内部状态信息。同时从OpenCV程序接收无人机上的位置估计结果（x，y，z），并使用当前的缺口修正这些估计值， 滚动角度Theta;和ɸ。

然后将修正的位置估计值用作PID控制器的输入，该PID控制器生成必要的运动命令以使UAV稳定在着陆圆盘的中心之上。 这些动作命令再次使用用于从无人机获取传感器数据的同一个XBeePro无线电模块传送给无人机。

图2.着陆点检测算法

相机捕获图像

获取无人机的位置

使用目标的估计距离来控制无人机

计算环中心与图像中心之间的实际距离

与实际长度比较得出近似高度

由半径识别环数（外到内边界比）

仅使用有内圆和外圆的环

计算该区域的质心，周长和圆度

去除不在圆内部的部分

降噪（小的噪点）

计算环的边缘

转换为二值图

有无失真（可选择）

图3.系统架构和信息流

2.4 结果

图4.真实与估计高于地面的高度和相应的误差

我们进行了大量实验来证明我们的圆盘检测和位置估计算法的效果，并证明我们的方法适用于自主着陆。

视觉检测算法在预计着陆圆盘上方的高度相对地平面进行平移。 这个过程在前面的章节中有描述。 两次估计的精确度在一系列实验中进行了实验。

图4（a）显示了地面上的真实高度与估计的高度。 在没有错误发生并且估计的高度等于真实高度的理想情况下，具有斜率1的直线将被显示在图中。 与理想结果的偏差非常小，这清楚地证明了高度估计过程的高质量。 图4（b）显示了与理想情况的偏差和2厘米的最大误差。 请注意，在测试过程中，无人机被固定在水平位置。 随着缺口和滚动角度的增加，误差增加到5厘米。

在另一个实验中，我们研究了位置估计的准确性。四轴飞行器被固定在地面以上的不同高度，并且着陆台相对于无人机移动。 这样，无人机相对于地平面中着陆垫的中心的真实位置就是已知的。 图5和6显示了不同高度和不同距离的实验结果。 再次，这些图表绘制了真实与无人机距离圆盘中心的估计距离以及相应的误差。 在理想的情况下，可以看到斜率等于1的直线。实际数据显示与理想情况的偏差很小，这证明了非常高的精度。 我们在实验中发现的最大位置误差远低于地面以上4厘米或3％的高度。

3．结论及未来的工作

我们描述了用于无人机自主着陆及检测算法的鲁棒性和可靠。该算法使用已知真实世界尺寸和固有相机参数来估计UAV相对于着陆垫的3D位置。

我们的实验证明了检测和位置估计算法的高效率和准确性，并且可以实时从不同高度识别着陆目标。 基于我们的视觉系统，我们目前正在参数化控制器结构，用于使用我们的无人机进行首次自主着陆测试。

图5.地平面的真实与估计平移和相应的误差

在未来的工作中，我们希望将算法移植到运行在600 MHz（Gumstix Verdex）的嵌入式计算机上。 这种微型电路板可以直接在无人机上运行，取代专用地面站笔记本电脑和IEEE 802.15.4无线电传输。

致谢：这项工作得到了Inno-Profile项目GPSV（ID 03IP505）的部分赞助，并得到了电路与系统设计和TU开姆尼茨通信测试台TUC-CTB主席的支持。

参考文献：

1. The OpenCV Library. http://opencvlibrary.sf.net.

2. Bosch, S., Lacroix, S., and Caballero, F. Autonomous detection of safe landing areas for an UAV from monocular images. In IEEE/RSJ International Conference on Intelligent Robots and Systems, Beijing (China) (2006).

3. Garcia-Pardo, P. J., Sukhatme, G. S., and Montgomery, J. F. Towards vision-based safe landing for an autonomous helicopter. Robotics and Autonomous Systems 38, 1 (2001), 19-29.

4. Gurdan, D., Stumpf, J., Achtelik, M., Doth, K.-M., Hirzinger, G., and Rus, D. Energy-ef

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[21316]，资料为PDF文档或Word文档，PDF文档可免费转换为Word