多传感器数据融合的无人机速率估算与定位

吕　涛，张长利，王树文，王润涛，张伶鳦，刘　超，栾吉玲，周雅楠

(东北农业大学 电气与信息学院，哈尔滨　150030)



多传感器数据融合的无人机速率估算与定位

吕涛，张长利，王树文，王润涛，张伶鳦，刘超，栾吉玲，周雅楠

(东北农业大学 电气与信息学院，哈尔滨150030)

摘要：为了提高农用无人机速率与位置的估算精度，同时降低无人机制作成本，提出了一种对于农用无人机容易实现的传感器数据融合算法，即通过使用离散型卡尔曼滤波，提高实验对象在三维空间中位置和速率变化的估算精度。由于传统的惯性测量系统存在体积大、造价高等缺点，而廉价的惯性测量传感器又存在较大的飘移，因此结合农用无人机航拍的工作环境采用全球定位系统(GPS)提供位置的测量，由惯性导航系统(INS)给出加速度，并由光流传感器提供速度的测量加以辅助。最终，通过实验验证了该算法的有效性。

关键词：农用无人机；数据融合；离散型卡尔曼滤波；光流

0引言

由于传感器测量准确性提高、体积缩小及成本降低，无人驾驶飞行器(无人机)已成为勘探、监测和救援等多方面的重要工具。无人机具有成本低、易操作、灵活性强等诸多优点，在农业生产中利用无人机检测农情，能更有效地得知农作物的生长状况、种植面积及各方面信息[1-2]。

对飞行中无人机姿态和速率的精确估算仍是一个巨大的挑战。廉价的GPS传感器可以提供相关信息，但由于其测量速率只有5Hz，即使在良好的环境中，其误差范围也会达到2m，并不适合实际应用。此外，在环境较差的状况下，GPS信号容易丢失；而光流法并不需要与外界进行通讯，只需来自摄像头采集的信息便能正常工作。因此，采用了光流法来代替GPS，通过使用视觉算法来估算对象的运动速度。

关于无人机定位的数据融合研究中，大多数是对快速移动目标所采集的数据进行后期处理。Gross等人提出了对GPS、INS提供的数据，同时使用扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)融合算法进行后期处理，从而进行姿态评估，最后通过实验验证[3]。同样有人展示了使用卡尔曼滤波对GPS、INS数据进行处理的一种姿态评估算法[4]。使用连续型扩展卡尔曼滤波，继承所有由卫星传输的可用信息给INS、GPS进行数据融合，即使条件是在只有一个卫星可以观察的情况下仍可实行(传统的离散型滤波器需要至少4个卫星同时观察)[5]。此外，介绍了一种基于EKF与协方差自适应算法，使用GPS、INS、光流传感器进行测量[6]。这些工作的目的是将来自多个不同种类的传感器的信息进行数据融合，以得到精准、可靠的位置和速率信息。

针对农用无人机低空、低速、在白天工作等特点，以GPS、INS、光流传感器进行测量[7]，以卡尔曼滤波进行数据融合，完成对无人机位置和速率的准确估算[8]。通过实验验证此法效果良好，为降低农用无人机成本，提高其精确度提供了参考。

1实现方案

廉价GPS装置测量误差大，不足以满足新兴微小型无人机的要求。这些误差来自于多方面的因素，如观测卫星的数量和观测角度、GPS传感器的质量、数据传输中受到的信号干扰等。GPS提供的位置和速度测量的精度分别称为accP与accV，其变化是动态的，根据实际测量情况得出。因此，为了提高精确度，加入光流传感器和惯性传感器来辅助GPS。光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”。光流的研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”。研究光流场的目的就是为了从图片序列中近似得到不能直接得到的运动场[9-11]。经由光流传感器的辅助测量后，再通过设计的卡尔曼滤波器进行数据融合，最终对无人机速率和位置的估算提供准确的数据。其流程如图1所示。

图1　无人机位置和速率估算流程

2离散卡尔曼滤波

卡尔曼滤波广泛应用于被白噪声引起干扰的离散线性动力学系统的姿态评估中，被人们所熟知。

ξk=Aξk-1+Buk-1+ωk-1

(1)

Zk=Hξk+vk

(2)

其中，ξ为状态向量；u为输入向量；Z为测量向量；A、B和H分别代表状态转换、输入和观测矩阵；k为离散时间指数。过程噪声和测量噪声ω、v假定为符合正态分布的白噪声，则

ω~N(0,Q)

(3)

v~N(0,R)

(4)

其中，Q和R分别是过程噪声协方差和测量噪声协方差。

(5)

(6)

由此可以确定卡尔曼增益矩阵Kk为

(7)

(8)

(9)

3GPS、INS、光流的数据融合

3.1　系统模型

系统所用到的状态向量有

(10)

目标飞行在三维空间中的位置坐标为(x,y,z),速率为(Vx,Vy,Vz)。这些物理量都是参照在导航坐标系下的。因此，系统的运动方程可以写成

(11)

(12)

(13)

Zk=ξk+Vk

(14)

其中，T为采样周期。

3.2　光流计算

本研究中，将实验相机平台安放在理想的三维空间场景中飞行[12]。相机的速度在惯性坐标系中给出(Vx,Vy,Vz),像素点(xi,yi)的光流计算是由其平移和转动的部分组成，方程为

(15)

转动部分ROF由下式给出，则

(16)

平移部分为

(17)

进行光流计算时，特征点(xi,yi)的坐标值都是已知的，并且其运动状态相同。通过使用所有的跟踪特性，光流的平均值可表示为

(18)

(19)

(20)

(21)

(22)

4实验结果

为了验证提出的融合模式，开发了一套实验平台，配备了GPS、INS和光流摄像头，如图2所示。所有算法都是由安装在平台上的便携式计算机执行。为了简化实验，只在x、y平面上进行状态估算，因此z轴是一个恒定值。为了使估算扩展到三维空间，使z轴可变，需要一个高度传感器。OpenCV(开放源代码计算机视觉类库)用于从相机捕获图像，进行光流和水平速度估计。同样，卡尔曼滤波库用来实现卡尔曼滤波。GPS提供的测量位置频率为5Hz，其误差在2m以内。视觉算法的执行频率在40Hz，使用INS传感器测量加速度。

图2　实验平台

测试在露天广场进行，只有自然光作为光源，结果如图3~图9所示。过程噪声矩阵Q设置的对角值很小，即

(23)

协方差矩阵R的值很难精确测量到，因为GPS并没有提供其数据，此外光照条件的不同也是其中的原因，但这些参数可以用来得知滤波器测量的可靠性。当涉及到对R矩阵的估算需要精确GPS参数(accP)时，滤波器就不在选用GPS的参数，直接选用与精确GPS(accP)成比例的值来代替，位置测量使用GPS，速度则使用光流来取代，即

(24)

INS测得的系统加速度如图3所示。由于目标没有移动，它们非常接近于0。图4和图5为GPS传感器测量的位置和速度信息。由于GPS受干扰性强，图6中定位误差在2m以内。图7为光流计算出的速度，经由卡尔曼滤波融合后测量的位置和速度如图8和图9所示。

图3　INS所测加速度

图4　GPS所测位置

图5　GPS所测速度

图6　GPS测量精度

图7　光流法所测速度

图8　经卡尔曼滤波所测位置

图9　经卡尔曼滤波所测速度

5结论

通过使用离散型卡尔曼滤波实现GPS、INS、光流的数据融合，从而对速度和位置进行估算。实验结果显示：通过光流代替低精度GPS测量得到的速度值更加准确，位置和速度估算也得到了相应的提高。

卡尔曼滤波是从传感器测量数据与预期状态的动态模型之间进行权衡,这种权衡与过程噪声和测量噪声(测量噪声大意味着测量数据不可靠)相关。这可以用来改善在复杂环境中数据测量的结果，如在噪声很复杂的模型中[13]，通过改变动态的过程噪声协方差矩阵来使测量数据变得可靠。当然，前提是传感器和测量过程是在理想条件下。

未来的工作包括实现和分析其他数据融合公式，对这3个传感器(GPS、INS和光流)找出更佳的融合方案。

参考文献：

[1]田振坤，傅莺莺，刘素红，等.基于无人机低空遥感的农作物快速分类方法[J].农业工程学报，2013，29(7)：109-116.

[2]周志艳，臧英，罗锡文，等. 中国农业航空植保产业技术创新发展战略[J].农业工程报，2013，292(4)：1-10.

[3]Gross J，Gu Y，Rhudy M，et al.Flight Test evaluation of sensor fusion algorithms for attitude estimation[J]. IEEE Transactions on Aerospace and Electronic Systems，2012，48(3)：2128-2139.

[4]Yoo C，Ahn I. Low cost GPS/INS sensor fusion system for UAV navigation[J].Digital Avionics Systems Conference，2003，27(10)：1-9.

[5]George M，Sukkarieh S. Tightly coupled INS/GPS with bias estimation for UAV applications[J].Proceedings of the 2005 Australian Conferences on Robotics and Automation，2005，13(4)：315-326.

[6]Ding W，Wang J，Almagbile A. Adaptive filter design for UAV navigation with GPS/INS/optical flow integration[J].International Conference on Electrical and Control Engineering，2010，73(1)：361-372.

[7]王先敏，曾庆化，熊智,等.视觉导航技术的发展及其研究分析[J].信息与控制，2010，39(5)：607-613.

[8]秦永元，张洪钺，汪叔华. 卡尔曼滤波与组合导航原理[M].西安：西北工业大学出版社，1998：175-188.

[9]张洪涛，张广玉，李隆球，等. 微型二维光流传感器设计[J].哈尔滨工程大学学报，2014，35(5)：619-623.

[10]马颂德，张正友. 计算机视觉—计算理论与算法基础[M].北京：科学出版社，1997：52-59.

[11]于合龙，刘浩洋，苏恒强. 基于光流追踪技术的变形位移测量方法[J].吉林大学报：理学版，2014，52(2)：331-335.

[12]Zing Simon，Scaramuzza Davide，Weiss Stephan，et al. MAV navigation through indoor corridors using optical flow[C]//IEEE International Conference on Robotics and Automation.Anchorage:IEEE,2010：3361-3368.

[13]Zhang Chao, Wang Daobo, Farooq M. Real-Time Tracking for Fast Moving Object on Complex Background[J].Transactions of Nanjing University of Aeronautics & Astronautics，2010，27(4)：321-325.

Data Fusion for Velocity and Position Estimation of UAV

Lv Tao，Zhang Changli，Wang Shuwen，Wang Runtao，Zhang Lingyi， Liu Chao， Luan Jiling，Zhou Yanan

(College of Electricity and Information, Northeast Agricultural University, Harbin 150030, China)

Abstract：In order to improve the estimation accuracy of UAV speed and position，and reduce the production cost of UAV，put fusion algorithm，by using the discrete Kalman filter，improve the accuracy of estimating changes of the position of the object in three-dimensional space and speed. Due to the disadvantages of large volume，high cost of the traditional inertial measurement system，and low-cost inertial measurement sensors have bigger drift，this combination of UAV aerial work environment using the global positioning system (GPS) provides the position measurement，by inertial navigation system (INS) is given by the acceleration，and optical flow sensor speed the measurement of auxiliary. The results show that the proposed algorithm.

Key words：agricatural unmanned aerial vehicle; data fusion; discrete Kalman filter； optical flow

中图分类号：S251

文献标识码：A

文章编号：1003-188X(2016)10-0001-05

作者简介：吕涛(1988-),男，黑龙江佳木斯人，硕士研究生，(E-mail)348867635@qq.com。通讯作者：张长利(1957-)，男，哈尔滨人，教授，硕士生导师，(E-mail)zhangcl@neau.edu.cn。

基金项目：国家“863计划”项目(AA2013102303)；黑龙江省博士后科研启动基金项目(LBH-Q13022)；东北农业大学研究生科研创新基金项目(yjscx14003)；黑龙江省自然科学基金面上项目(C2015006)

收稿日期：2015-09-21