电力巡检无人机自主降落的引导系统与策略

作者：钟映春张文祥王波黄鹤儿何惠清来源：《光学精密工程》日期：2022-07-11人气：894

电网的安全稳定运行至关重要，我国正不断地加大智能电网的投入^［1］。多旋翼无人机在电力输电线路巡检和侦察测量^［2］等领域有着广泛的应用。国家电网正在构建局部区域内电网巡检的全自主无人机系统，其中实现巡检无人机自主、准确、可靠地降落到布置在野外或变电站的分布式机场上是整个系统的关键和难点之一。在整个任务作业过程中，降落阶段的安全风险最大^［3］。

目前，引导无人机自主降落的方式主要有：基于全球定位系统（Global Positioning System， Real-Time Kinematic， GPS-RTK）的降落引导方式、基于图像识别技术的降落引导方式，及基于超带宽（Ultra Wide Band，UWB）定位技术的降落引导方式等。王大帅等采用基于RTK-GPS的绝对位置测量和基于激光雷达的相对距离探测方法，在实物飞行过程中平面定位的平均误差为0.145 m^［4］。黄晗丰基于RTK技术，采用PX4飞控系统开发了嵌入式RTK定位系统^［5］。大疆创新科技有限公司发布的精灵Phantom4 RTK系统在RTK正常工作时，降落误差可以达到0.1 m^［6］。然而，GPS-RTK在信号强度弱甚至无信号等情况下难以保证降落精度。Raja利用图像方式设计了一个无人机自动着陆系统，利用捕捉帧并与参考帧进行比较，产生相应的反馈输出，应用到无人机控制上^［7］。Jung等提出了一种基于视觉的运动地面目标自主着陆的目标状态估计方法，利用悬架摄像机的视觉信息估计地面运动目标的状态^［8］。Wang等利用基于深度卷积网络的视觉管道实时检测着陆标志并估计系统状态，误差小于0.3 m^［9］。高翔设计并实现了一种无人机视觉导航硬件平台，实现了无人机的高精度自主降落^［10］。侯文平在视觉导航的基础上设计了一套无人机自主降落系统，在8 m内大标记的定位精度为25 cm，在3 m内小标记的定位精度为5 cm^［11］。然而，在光线较弱或异物遮挡靶标等情况下，基于图像识别技术的降落引导方式难以保证降落精度。张桢浩等提出了一种多传感器融合的无人机动态着陆系统，先使用UWB定位技术将无人机引导至着陆标签附近，再使用视觉处理算法，实验着陆精度在5 cm以内^［12］。Lee等使用了一种基于超宽带UWB模块的无人机定位方法，并基于超宽带雷达的实际误差模型和三维城市地图对其性能进行了仿真。仿真条件下，在二维时无人机的定位精度约为0.29 m，可靠度为95%^［13］。张晨曦进行了超宽带UWB定位系统总体设计，搭建实验平台验证了定位系统的可行性^［14］。这些研究仅验证了基于UWB技术引导降落的可行性，没有多角度考虑降落周边的复杂环境，降落可靠度难以达到实际应用要求。

巡检无人机在野外降落时，多面临光线暗、异物遮挡靶标等复杂环境，本文提出了一种融合UWB定位技术的降落引导系统与降落策略，成功引导巡检无人机自主、准确、可靠地降落至直径约为60 cm的分布式机场的圆形停机坪。

2 降落引导系统的总体框架

本文设计的降落引导系统如图1所示。在硬件方面，引导系统组成如下：（1）无人机系统，包括巡检无人机和机载UWB定位标签；（2）超宽带定位地面基站群，由6~8个UWB定位基站组成；（3）分布式机场。在软件方面，引导系统由3个部分构成：（1）降落飞行控制系统，该部分在开源的基础上，设计增加了降落专用控制算法；（2）无人机位置坐标的解算部分，基于UWB定位算法标签获得无人机实时的位置数据；（3）降落策略部分，该部分由无人机飞行管理系统根据电池电量、降落精度要求等因素自主选择降落引导策略。

图1 降落引导系统框架

Fig.1 Structure of touch-down navigation system

3 降落引导系统

3.1　改进的无人机飞行系统

3.1.1　飞行控制系统结构改进

本文在某公司开源飞行控制系统的基础上，设计增加了一个降落专用控制器，如图2所示。

图2 改进后的无人机飞行控制系统框图

Fig.2 Block diagram of improved UAV flight control system

改进后的系统具有常规飞行控制模式和降落飞行控制两种模式。两种飞行模式以是否有准确且稳定的UWB定位信号作为软切换开关K1的判断信号，当具有准确且稳定的UWB定位信号时，K1接通B端，切换为降落飞行控制模式。

常规飞行控制模式为三闭环串级控制系统，由位置控制闭环#1、速度控制闭环#1和姿态控制闭环构成。降落飞行控制模式也为三闭环的串级控制系统，由位置控制闭环#2、速度控制闭环#2和姿态控制闭环构成。改进后的系统流程如图3所示。

图3 改进后无人机控制系统的工作流程

Fig.3 Flowchart of improved UAV flight control system

3.1.2　各控制器的控制算法

常规飞行控制系统中，位置控制器采用比例-积分-微分（Proportion Integration Differentiation，PID）算法，速度控制器采用PD算法。为了保持无人机的稳定性，本文沿用开源飞控中已有的此部分。

降落飞行控制系统中，降落专用位置控制器选用PI型的控制算法^［15］；针对降落专用速度控制器，为了确保巡检无人机的降落精度和应对不同的使用场景，本文设计了以下两种算法

（1）全程匀速降落飞行的控制算法：

v = {v k, Δ i > D 1 0, Δ i \leq D 1

（1）

式中： $v_{k}$ 为无人机在降落过程中水平飞行的固定速度； $D_{1}$ 为降落允许误差距离阈值； $Δ_{i} (i = x, y)$ 表示无人机的实时位置（X，Y，Z）与待降落位置（0，0，0）的X与Y轴差的绝对值，即：

{Δ x = | X | Δ y = | Y |

（2）

（2）分段匀速降落飞行的控制算法

考虑到野外降落的实际场景，本文提出了一种分段匀速降速飞行的控制算法，定义为：

v = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ v m a x, Δ i > D 3 v m a x - t T (v m a x - v m i n), D 2 < Δ i \leq D 3 v m i n, D 1 < Δ i \leq D 2 0, Δ i \leq D 1

（3）

其中： $v_{m a x}$ ， $v_{m i n}$ 为无人机在降落过程中水平飞行的最大速度和最小速度，数值越大，时间效率越高，但存在着失控的风险； $D_{1}$ ， $D_{2}$ ， $D_{3}$ 分别为降落允许误差距离阈值、低速调整距离阈值和变速调整距离阈值； $t$ 表示当满足 $D_{2} < Δ_{i} \leq D_{3}$ 后的时间累计， $T$ 为一个降速周期，表示为：

T = Δ i - D 2 v m a x

（4）

由式（3）可见，无人机在距离降落原点比较远的时候，以速度 $v_{m a x}$ 匀速飞行；在距离适中时，采用逐步降低速度的方式飞行；在接近降落原点时，以速度 $v_{m i n}$ 匀速飞行。

3.2　无人机位置坐标解算算法

本文采用UWB定位技术获取无人机的实时位置数据，常见的方法有基于信号到达角度法（Angle of Arrival，AOA）、基于信号接收强度法（Received Signal Strength Indication，RSSI）、基于信号接收时间法（Time of Arrival，TOA）与基于信号时间到达差法（Time Different of Arrival，TDOA）。相较于其余3种算法，TDOA无需UWB标签与基站之间进行时钟同步，仅需基站之间进行时钟同步。

从更深入的角度来看，定位过程具体包括了测距和位置解算两个过程。在测距方面，理论上距离值为信号的飞行时间与速度的乘积，常见的算法有单向测距法、单边双向测距法与非对称双边双向测距法^［16-17］。相较于前两种算法，非对称双边测距法很好地避免了UWB标签与基站之间需要进行时钟同步的问题，降低了由时钟漂移所带来的误差，同时也弥补了TDOA法需要基站之间进行时钟同步的不足，因此本文采用该方法。在位置解算方面，常见的算法有极大似然估计法、Fang算法、四边测量法^［18］与Chan算法^［19］等。其中，Chan算法是一种基于TDOA的算法，是极大似然估计的一个近似实现，可利用冗余观测值。相较于Fang算法，Chan算法可扩展运用于三维定位。相较于四边测量法，Chan算法可较好地解决方程组中无最优解的问题，因此本文采用该方法。

3.3　降落引导策略

3.3.1　降落策略

针对无人机在降落过程中可能遇到的复杂情况，本文提出以下4种降落策略：

（1）全程匀速+步进降落策略（策略一），巡检无人机以式（1）计算的速度定高飞行，步进的含义：无人机首先往X或Y中任意一轴的方向飞行，将另一轴上的位置偏差降至允许误差内，然后同理再往另一轴方向飞行；接着缓慢降至停机坪上；

（2）分段匀速降速+步进降落策略（策略二），巡检无人机以式（3）计算的速度定高飞行，步进过程与策略一相同；

（3）全程匀速+直接降落策略（策略三），巡检无人机以与策略一相同的速度定高飞行，直接的含义：无人机直接在降落原点的上方飞行，将X方向与Y方向的位置偏差都降至允许误差内后，再缓慢降至停机坪上；

（4）分段匀速降速+直接降落策略（策略四），巡检无人机以与策略二相同的速度定高飞行，直接过程与策略三一致。

3.3.2　降落策略选择依据

根据上述提出的4种降落策略，本文提出一种降落策略的选择依据，考虑因素有：无人机剩余电量、要求的降落精度和斜对角线上是否有障碍物。

定义策略系数 $s$ 如下：

s = b + p \times U - U C U M - U C

（5）

其中：

b = {0, n o 1, y e s

（6）

其中： $b$ 为分布式机场斜对角线附近是否有障碍物的系数，若有障碍物， $b = 1$ ，意味着必须采用步进降落策略，若无障碍物， $b = 0$ ，不对降落策略有强制要求； $p$ 为降落精度要求系数，取值为［0，1］，数值越大，精度要求越高，当 $p = 0$ 时，降落精度无要求，当 $p = 1$ 时，降落精度要求最高； $U$ ， $U_{C}$ ， $U_{M}$ 分别表示电池当前电压、允许飞行截止电压和电池充电截止电压。

通过上述分析可见， $s$ 的取值为［0，2］。

定义降落策略的判断依据如下：

R = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ S 4, 1.5 \leq s \leq 2 S 3, 1 \leq s < 1.5 S 2, 0.5 \leq s < 1 S 1, 0 \leq s < 0.5

（7）

其中： $S_{1}$ 为选择时间效率最高的降落策略，保证无人机能快速完成降落，避免电量耗尽； $S_{2}$ 为选择时间效率较高且降落精度较高的降落策略； $S_{3}$ 为选择时间效率高的步进降落策略，减少降落过程中障碍物的干扰； $S_{4}$ 为选择降落精度最高的步进降落策略，充分保证降落精度。

4 实验与结果

4.1　实验系统搭建

本文所搭建的实验系统主要有：

（1）无人机系统

采用匿名飞控的直径为400 mm、“X”型四旋翼无人机；1个UWB定位标签，安装在无人机上，并与飞控通信，如图4（a）所示。

图4无人机飞机控制实验系统的主要硬件

Fig.4Main hardware parts of UVA flight control experimental system

（2）地面定位基站群

以待降落原点为原点 $O (0,0, 0)$ 建立坐标系，6个UWB基站的相对位置坐标分别为A（-300，300，0），B（0，300，0），C（300，300，0），D（-300，0，0），E（-300，-300，0），F（300， -300，0），单位为cm，构成一个边长为6 m的正方形拓扑，为了方便实验，将基站布置在同一平面上，如图4（c）所示。

（3）分布式机场

分布式机场的实物尺寸为1.2 m×1.2 m×1.6 m，且质量达到845 kg，停机坪尺寸为0.9 m×0.9 m的正方形，内部有直径为60 cm的圆形靶标，如图4（d）所示。为方便实验，本文在地面铺60 cm×60 cm的坐标纸代表分布式机场的停机坪降落区域，如图4（b）所示。

4.2　实验方案设计

（1）实验一：引导系统的静态定位性能实验，目的是检验引导系统中标签静止时的坐标解算误差和稳定性。

（2）实验二：降落策略的性能实验，目的是验证四种降落策略的可行性，并获取降落误差、降落轨迹和降落时间。

（3）实验三：引导系统的容错性能实验，目的是检验引导系统在有基站突发性不工作时的可靠性。

4.3　实验结果分析

4.3.1　引导系统的静态定位性能实验

将标签分别放置在拓扑内外的特定位置，采集并统计标签的位置数据，得到引导系统的静态定位误差分布，如图5所示。

图5静态误差

Fig.5Static errors

实验数据总量为68组，从图5可得，X轴误差约为-20~14 cm，Y轴误差约为-20~10 cm，Z轴误差约为-50~28 cm。X，Y和Z轴的误差规律符合正态分布，概率密度函数表达式为：

f (x) = 1 2 π - - \sqrt σ e - ( x - μ ) 2 2 σ 2

（8）

其中：X轴的均值 $μ = - 5.37$ cm，方差 $σ^{2} = 6.60$ ，Y轴的均值 $μ = - 0.50$ cm，方差 $σ^{2} = 7.42$ ，Z轴的均值 $μ = - 10.82$ cm，方差 $σ^{2} = 19.21$ 。

由于UWB定位基站提供的Z轴数据误差比较大，在后续实验中，无人机的高度数据由气压传感器SPL06-001和光流模块（使用激光TOF测距方式进行高度测量）的数据融合而成，定高误差为±5 cm。

4.3.2　降落策略的性能实验

实验步骤如下：

（1）无人机以指定的点为初始位置，高度初始值均为300 cm，具体位置点见表1。

表1 初始位置点

Tab.1 Original taking-off coordinates

Number	First quadrant/cm	Second quadrant/cm
1	（200，200，300）	（-200，200，300）
2	（300，300，300）	（-300，300，300）
3	（400，400，300）	（-400，400，300）
4	（500，500，300）	（-500，500，300）
5	（800，800，300）	（-800，800，300）
6	（1000，1000，300）	（-1000，1000，300）

（2）策略一下，参数设置为： $D_{1}$ =15 cm，经实际降落验证， $v_{k}$ =80 cm/s是一个能保证较好的降落精度与稳定的速度值；在起点位置触发自主降落，无人机先调整X轴，当X轴的误差小于 $D_{1}$ 后，再调整Y轴，当Y轴的误差小于 $D_{1}$ 后，无人机缓慢降落。

（3）策略二下，参数设置为： $D_{1}$ =15 cm， $D_{2}$ =200 cm， $D_{3}$ =500 cm，经实际降落验证，在降落刚开始时，无人机能够以相对比较快的水平速度靠近降落点，且可以在短时间内降至 $v_{m i n}$ ，取 $v_{m a x}$ =200 cm/s；在降落末端也需要一个能够保证降落精度与稳定的速度值，因此取 $v_{m i n}$ = $v_{k}$ =80 cm/s；采用与策略一相同的调整次序。

（4）策略三下，参数与策略一相同。同时调整X和Y轴，当位置误差均小于 $D_{1}$ 后，无人机缓慢降落。

（5）策略四的参数与策略二相同。采用与策略三相同的调整次序。

（6）在表1中的每个初始位置点进行5次降落实验，即每种策略均进行60组降落实验，获得降落数据，得到降落点位置的直方图如图6所示。

图6降落位置分布直方图

Fig.6Histogram of landing positions

由图6可得：

（1）策略一，X轴平均误差为13.9 cm，Y轴平均误差为8.2 cm，分布在-15~25 cm内，降落精度优于另外三种策略。

（2）策略二，X轴平均误差为17.2 cm，Y轴平均误差为15.0 cm，分布在-30~30 cm内。

（3）策略三，X轴和Y轴的平均降落误差分别为16.8 cm和14.6 cm，分布在-30~30 cm内。相对于步进降落策略，直接降落的误差略微增大。

（4）策略四，X轴和Y轴的平均降落误差分别为19.2 cm和15.8 cm，分布在-30~30 cm内。与其他策略对比可见，策略四的降落位置更加分散。

4.3.3　引导系统的容错性能实验

实验步骤为：

（1）初始位置点为（1 000，1 000，300）。

（2）在策略四的基础上，出于安全考虑，参数设置为： $D_{1}$ =15 cm， $D_{2}$ =500 cm， $D_{3}$ =800 cm， $v_{m a x}$ =150 cm/s， $v_{m i n}$ =80 cm/s。

（3）在无人机进入拓扑内部后，人工将基站B断电、基站B与D同时断电，模拟1个、2个基站故障，分别进行10组降落实验并记录降落数据，降落点分布如图7所示。

图7实验三结果

Fig.7Result of the third experiment

由图7可得，在有1~2个基站突发性不工作的情况下，引导系统的稳定性有所下降，但依然能够引导无人机降落，且降落误差也在-30~30 cm内，满足降落要求。

4.4　实验结果对比分析

4.4.1　降落过程的轨迹对比分析

以初始位置点（1 000，1 000，300）作为案例，4种降落策略的无人机飞行轨迹如图8所示。

图8不同策略下无人机的降落轨迹

Fig.8Flying curves of UAV in different strategies

由图8可得：

（1）在图8（a）和8（c）中，匀速段与微调段均为无人机以速度 $v_{k}$ 匀速飞行。在图8（b）和8（d）中，匀速段为无人机以速度 $v_{m a x}$ 匀速靠近待降落原点，数据点均匀分布；变速段为无人机逐步减速靠近待降落点正上方，数据点逐渐变密；微调段为无人机到达待降落原点上方附近，以速度 $v_{m i n}$ 微调靠近降落原点并降落。

（2）由图8（a）与图8（b）可得，策略一的飞行轨迹更加接近理论轨迹，即策略一比策略二有更小的动态误差。此外，图8（b）的轨迹数据点明显比图8（a）更加稀疏，这说明策略二的飞行速度明显比策略一更快，与理论相符，因此策略二在时间效率上更具优势。图8（c）与图8（d）也可得到相同的结论。

（3）由图8（c）与图8（d）的微调段可得，策略三的微调段明显比策略四更小，这说明策略三的微调时间更短。图8（a）与图8（b）的微调段可见，二者差异不明显。

（4）在路径方面，由图8（a）与图8（c）可得，8（c）的路径明显比图8（a）的路径更短，这说明策略三在降落过程中飞行距离短，时间效率更高。图8（b）与图8（d）也可得到相同的结论。

4.4.2　降落过程时间的对比分析

4种降落策略实际的降落时间对比如图9所示。由图9可得：

图9 降落时间对比

Fig. 9 Comparison of landing time

（1）4种降落策略的降落时间均随着初始距离的增大而增长，强度不同的侧风会对时间产生影响。

（2）策略一花费的降落时间最长。

（3）策略二相对于策略一，时间效率提高了12.8%~55.8%。

（4）策略三相对于策略一和策略二，时间效率分别提高了21.3%~62.1%和9.8%~24.5%。

（5）策略四相对于策略一、策略二和策略三，时间效率大约分别提高了29.8%~62.8%，13.1%~26.0%和1.7%~8.3%。

由此可见，在综合考虑动态误差和时间效率的情况下，策略三总体上优于其余3种策略。

4.4.3　综合对比分析

综合对比飞行过程的轨迹、降落点误差和降落效率可见：

（1）4种降落策略下容错性实验共做260组。在有不同方向的侧风干扰的情况下，全部实验的无人机落点均在-30~30 cm之内，即降落在分布式机场原点 $\pm$ 30 cm以内的可靠度为100%；降落在 $\pm$ 25 cm以内的可靠度为79.6%；降落在 $\pm$ 20 cm以内的可靠度为65.4%。

（2）在4种降落策略中，策略一的平均降落误差为11.1 cm，在4种引导策略中最小。

（3）若考虑落点范围、动态误差与时间效率的综合性能，策略三优于其余3种策略。

（4）根据实际实验数据与式（7）分析可得，在降落策略选择方面，当巡检无人机电量充足且需要较高降落精度时， $R = S_{4}$ ，选择降落精度最高的步进降落策略，即策略一；巡检无人机电量低于一定阈值且分布式机场斜对角上没有障碍物时， $R = S_{2}$ ，选择时间效率较高且降落精度较高的降落策略，即策略三；当巡检无人机电量低于一定阈值且分布式机场斜对角上有障碍物时， $R = S_{3}$ ，选择时间效率高的步进降落策略，即策略二。由此可见，本文提出的降落策略判断依据 $R$ 是准确且有效的。

5 结　论

针对电力巡检无人机在弱光照、弱GPS信号条件下降落到野外分布式机场存在可靠性低、降落精度不高的问题，本文提出了一种整体解决方案并进行了实物验证。完整地构建了巡检无人机自主可靠降落到野外分布式机场的降落引导系统，改进了降落飞行控制系统及速度控制算法，构建了地面引导系统。提出了降落策略系数的概念，定义了降落策略的选择范围，并提出了体系化的降落引导策略。实验结果表明，本文设计的引导系统在直径为60 $\sqrt[]{2}$ cm的停机坪降落的可靠度为100%；在直径为50 $\sqrt[]{2}$ cm的停机坪降落的可靠度为79.6%。引导系统具备一定的容错性，当出现任意两个或者一个定位基站故障时，无人机依然能够自主准确可靠降落。在4种策略中，全程匀速+步进降落策略具有最高的降落精度和最小的落点范围。全程匀速+直接降落策略则兼具较高的时间效率和较好的降落精度，降落性价比最高。提出的策略选择依据能够根据环境状况准确给出合适的降落策略。下一步研究将使用无人机自主完成铁塔的精细化巡检。

关键字：优秀论文科技论文

上一篇：面向批量精密装配的显微特征定位
下一篇：基于二维仿射变换的几何一致性虚实融合

栏目分类

热门排行

推荐信息

期刊知识

电力巡检无人机自主降落的引导系统与策略

2 降落引导系统的总体框架

3 降落引导系统

3.1 改进的无人机飞行系统

3.2 无人机位置坐标解算算法

3.3 降落引导策略

4 实验与结果

4.1 实验系统搭建

4.2 实验方案设计

4.3 实验结果分析

4.4 实验结果对比分析

5 结 论