基于信息融合的八旋翼飞行器状态解算*

赵世荣,孙运强,石喜玲

(1　中北大学仪器与电子学院,太原　030051;2　电子测试技术国家重点实验室,太原　030051)



基于信息融合的八旋翼飞行器状态解算*

赵世荣1,2,孙运强1,2,石喜玲1,2

(1中北大学仪器与电子学院,太原030051;2电子测试技术国家重点实验室,太原030051)

摘要:针对四旋翼飞行器欠驱动控制和有效负载能力不足的特性,提出了八旋翼飞行器作为解决方案。分析八旋翼飞行器的动力学模型,建立其运动状态方程,采用无迹卡尔曼滤波算法实现飞行器姿态检测系统的数据融合。通过理论分析和Matlab仿真试验表明:采用状态估计融合滤波算法,有效提高了八旋翼飞行器姿态解算精度,可以获得最优姿态角度,满足八旋翼飞行器稳定的要求。

关键词:八旋翼飞行器;信息融合;运动姿态解算;无迹卡尔曼滤波

0引言

近年来,无人飞行器UAVs(unmannedaerialvehicles)越来越受到人们的青睐[1]。四旋翼无人飞行器以其体积小,机动性强,价格低廉,能够垂直起降等特性,可用于多种恶劣环境搜索和救援行动,空中成像和测绘,交通监控,安全任务等多方面。然而,四旋翼重要的缺点是飞行控制可靠性和有效负载能力不足。在文献[2-3]中提出了星形八旋翼飞行器配置,8个旋翼有效增加了飞行器推力,起飞载重和飞行信息冗余能力显著提高。文中对八旋翼飞行器进行动力学分析,研究姿态解算方法,采用无迹卡尔曼滤波算法对八旋翼姿态检测系统多传感器信息融合实现姿态最优估计。

八旋翼飞行器的运动姿态解算是将多种传感器组成的测量系统进行一个最优的在线数据融合。常用的数据融合算法有:卡尔曼滤波(KF),扩展卡尔曼滤波EKF(extendedkalmanfilter),无迹卡尔曼滤波UKF(unscentedKalmanfilter),梯度下降法,容积卡尔曼滤波CKF(cubatureKalmanfilter),粒子滤波PF(particlefilter),互补滤波CF(complementaryfilter)等。卡尔曼滤波是以最小均方误差为原则的最佳线性滤波器,需要已知系统的状态方程和量测方程,它的解是以估计值的形式给出的,相对维纳滤波有实时性高、计算量小、功能强、用途广等优势。将UKF应用于姿态检测的收敛速度、估计精度、稳定性都要高于EKF,同时不会增大计算量;CKF应用于飞行器姿态解算精度高于UKF,但计算量有所增加,影响小型飞行器的实时性[3]。因此,考虑主要选用卡尔曼滤波和UKF进行运动状态解算。

1飞行器动力学模型

为了建立飞行器的动力学模型,不失一般性,对八旋翼飞行器做出如下假设:八旋翼飞行器为均匀对称的刚体;惯性坐标系E的原点与飞行器几何中心及质心位于同一位置;八旋翼飞行器所受阻力和重力不受飞行高度等因素影响,总保持不变;八旋翼飞行器各个方向的拉力与推进器转速的平方成正比例。

图1　八旋翼飞行器原理示意图

(1)

式中:Fx、Fy、Fz分别为飞行器X、Y、Z坐标方向的合力;fkx、fky、fkz为对应的阻力;MA0、MA1、MB0、MB1、MC0、MC1、MD0、MD1为各个轴对应的力矩;Mfx、Mfy、Mfz为偏移、俯仰、横滚3个方向阻力的合力矩。

2运动姿态模型

定义两个坐标系来描述八旋翼飞行器的状态,一个是地球坐标系,一个是飞行器机体坐标系。假设飞行器当前的坐标是依次绕Z轴旋转角度φ,绕Y轴旋转角度θ,绕X轴旋转角度ψ得到的。如图2所示。其坐标转换矩阵为:

图2　飞行器坐标变换

(2)

因此飞行器的运动角速度表示为:

(3)

式中wx、wy、wz分别为绕机体坐标旋转的角速度。

3飞行器的运动状态解算

文中选用的是开源飞控Pixhawk2.4,核心处理器为32位STM32F427,选用MPU6050作为姿态测量传感器。MPU6050是一款9轴运动处理传感器,它集成了三轴MEMES陀螺仪,三轴MEMES加速度计以及一个可扩展的数字运动处理器DMP,设计了有效消除陀螺仪和加速度计横轴失调与离散的解决方案。

3.1飞行器的姿态解算

飞行器装配的三轴陀螺仪可以实时的输出飞行器的运动姿态数据,通过UKF滤波融合算法姿态解算可以得到飞行器的最佳姿态数据。

通过模拟仿真得到,经过融合滤波后的姿态角与理想值比较接近,偏差在0.2°以内,满足飞行器的稳定性要求。

3.2飞行器的运动状态解算

飞行器的三轴加速度计和光流传感器配合使用,用于飞行器的运动速度测量。三轴加速度计可以测量飞行器的运动速度,但是其动态性能相对差,随时间有累积误差;光流传感器测速相对三轴加速度计精度高,但是容易受到光线、距离的影响[4-5]。因此,飞行器低空稳定飞行及悬停时,选用光流传感器测量值作为主要参考,用加速度计的值来修正[6]。

图4为X、Y轴光流传感器测得位移的滤波效果,可以看出滤波后的位移和理想值的接近程度很好,误差较小同时没有明显累积误差,相比加速度计测量效果好;图5为X、Y轴的速度滤波效果。

图3　三轴姿态角UKF滤波效果

3.3飞行器的高度解算

飞行器的气压计和超声波配合使用,用于飞行器的高度测量,提高精度和可靠性。超声波传感器在低空下测高精确度很高,但是容易受到环境干扰[7]。气压计在室外环境下性能稳定,可以用于高空飞行时的高度测量。

图6、图7分别为飞行器在悬停和运动时超声波和气压计测量值的滤波效果。可以看到,气压计的测量值经过滤波融合后精度明显提高,与理想值的偏差在0.17m范围内;而超声波测量值经过滤波处理后

与理想值的偏差在0.03m内,误差很小而且不随时间推移明显增大,实时性很高。

图4　X、Y轴速度滤波效果

图5　X、Y运动加速度滤波效果

图6　稳定悬停时滤波效果

图7　高度变换时滤波效果

4结论

鉴于八旋翼飞行器的优势,文中主要结合飞行器的硬件特性和传感器特性,设计滤波融合算法对它的姿态和状态进行解算;经过验证发现通过信息融合滤

波,飞行器的状态信息得到很好的重现,满足飞行器稳定控制的要求。同时发现滤波处理的收敛效果不是很好,可能是初始条件和滤波优化不够好,是下一步工作的重点。

参考文献:

[1]ADIRVictorG,STOICAAdrianM.IntegralLQRcontrolofastar-shapedoctorotor[J].IincasBulletin, 2012, 4(2): 3-18.

[2]ADIRVG,STOICAAM,WHIDBORNEJF.Modellingandcontrolofastar-shapedoctorotor[J].AppliedMechanicsandMaterials, 2013, 325/326: 994-998.

[3]郝晓静, 李国新, 李明珠, 等. 无迹卡尔曼滤波算法在目标跟踪中的研究 [J]. 电子设计工程, 2012, 20(13): 161-164.

[4]HONEGGERD,MEIERL,TANSKANENP,etal.AnopensourceandopenhardwareembeddedmetricopticalflowCMOScameraforindoorandoutdoorapplications[C]∥2013IEEEInternationalConferenceonRobaticsandAutomation, 2013: 1736-1741.

[5]刘小明, 陈万春, 邢晓岚, 等. 光流/惯导多传感器信息融合方法 [J]. 北京航空航天大学学报, 2012, 38(5): 620-624.

[6]吕强, 倪佩佩, 王国胜, 等. 基于光流传感器的四旋翼飞行器悬停校正 [J]. 装甲兵工程学院学报, 2014, 28(3): 68-72.

[7]周伦. 室内移动机器人超声波网络定位方法研究 [D]. 哈尔滨: 哈尔滨工业大学, 2013.

*收稿日期:2015-04-15

作者简介:赵世荣(1988-),男,山西孝义人,硕士研究生,研究方向:多旋翼飞行器设计及控制方法。

中图分类号:V249.3

文献标志码:A

AttitudeEstimationofOctorotorAircraftBasedonInformationFusion

ZHAOShirong1,2,SUNYunqiang1,2,SHIXiling1,2

(1SchoolofInstrumentandElectronics,NorthUniversityofChina,Taiyuan030051,China;2NationalKeyLaboratoryforElectronicMeasurementTechnology,Taiyuan030051,China)

Abstract:In view of redundancy and load limitation of four rotor aircraft, the design of rotor aircraft was put forward A dynamic model of eight rotor aircraft was analyzed, its movement equation of state was established; UKF was designed to implement the aircraft attitude algorithm; Design of Kalman filter realized calculating speed and height of the aircraft. Theoretical analysis and simulation experiments show that the Kalman filtering algorithm can satisfy data calculation accuracy and convergence speed, meeting the requirements of vehicle stability.

Keywords:octorotor aircraft; information fusion; attitude estimation; unseented kalman filter