基于Jetson Nano的陆空两栖森林火灾侦察机器人设计

2021-08-05殷佳炜赵晨曦曹海平傅怀梁

南通职业大学学报 2021年2期

殷佳炜，赵晨曦，张帆，王硕，曹海平，傅怀梁

（南通大学张謇学院，江苏南通 226000）

中国是全球森林资源增长最多的国家，森林防火是极为重要的课题。我国的森林地域广阔、地形复杂，人工巡逻方式远不能满足护林要求，因此，森林侦察逐渐向自动化迈进[1]。传统履带式或轮式侦察机器人移动速度慢、功率消耗高，不能快速到达事故现场进行调查，加之林间复杂环境又使消防无人机移动受限增多，因此，陆空两栖森林火灾侦察机器人应运而生。本文基于Jetson Nano开发板，设计一款用于森林火灾侦察的陆空两栖机器人，以实现自主定位、避障、侦察等功能，并通过实验验证其设计的合理性。

1 系统总体构建

1.1 系统设计方案

如图1所示，陆空两栖机器人[2]主要由主控模块、外部感知模块、内部感知模块、飞行控制模块和地面控制模块等组成[2]。

图1 陆空两栖机器人总体结构方案

1.2 系统硬件结构设计

1.2.1 机械结构设计

考虑森林环境的复杂性，以及陆空两栖机器人的安全性、灵活性等要求，飞行部分采用旋翼结构，地面部分采用轮式结构。旋翼结构具有灵活度高、起飞降落自由的优势，更适用于复杂环境下机器人的运动。轮式结构由于采用了橡胶轮胎及相关的悬挂装置，具有良好的缓冲、减震性能，且比履带式结构行驶速度更高、机动性更好。陆空两栖机器人机械结构的三维视图如图2所示。

图2 陆空两栖机器人三维视图

1.2.2 主控模块

在复杂的森林环境中，由于视野受限，操作手并不能很好地进行操作。陆空两栖机器人要在操作手的辅助操控下自主完成移动，就需要处理器拥有快速强大的运算能力。Jetson Nano开发板是Jetson系列中最小型的设备，但性能非常强大，具备472 GFLOPS的运算能力，能使无人机搭载目标检测算法和三维建模算法。因此，系统设计选择Jetson Nano处理器作为主控模块。

1.2.3 外部感知模块

（1）选用IMX219-170单目摄像头，其配备索尼IMX-219感光芯片，可达800万像素，170°视场角，广泛应用于图像识别的AI智能研究。

（2）选用RPLIDAR A2 360°激光扫描测距雷达，采用激光三角测距技术，测量半径为12 m，采样频率高达8 000次/s，其在自主构建地图、实时路径规划、自主避障等方面具有很好的性能。

（3）双目相机选用Intel T265跟踪摄像头，搭载BMI055 IMU（惯性测量单元）和两个鱼眼镜头。可精准测量侦察机器人的旋转角速度和加速度，实现机器人跟踪，并将数据提供给环境感知模块，实现高精度视觉惯性测距，同时进行定位和映射。

1.2.4 内部感知模块

（1）惯性测量单元（IMU）包括三个单轴的加速度计ICM-20699和三个单轴的陀螺仪BMI055，实时获取侦察机器人在三维空间中的角速度和加速度，并由此解算机器人的姿态。

（2）气压计选型为MS5611，高度分辨率为10 cm，几乎可与任何微控制器连接，无须在器件中编程内部寄存器，具有非常低的滞后性，以及高稳定性的压力、温度信号。

1.2.5 地面控制模块

地面控制模块选用Arduino Mega2560核心板，具有54路数字输入输出，适合需要大量IO口的设备。其具有三种供电模式，在智能机器人、智能无人机、智能家居等领域均有广泛应用。

1.2.6 飞行控制模块

飞行控制模块选用具有“开源飞控之王”美誉的Pixhawk4，其上搭载基于STM32F765的FPU处理器与基于STM32F100的IO处理器。

2 软件算法设计

2.1 飞行控制算法

飞行控制部分采用双飞行控制系统。核心飞行控制系统将陀螺仪、加速度计、磁力计等模块获取的数据进行实时解算，得到姿态角数据并反馈至飞行姿态控制环，将期望角度与实际角度作差，通过比例、积分、微分等环节得到期望角速度，再与陀螺仪获得的实时角速度作差，再次经过比例、微分和积分环节，增强系统的稳定性。最终计算出合适的波形信号，以控制电机转速，实现姿态的稳定及各种姿态变化的运动，其控制流程如图3所示[3]。

图3 飞行姿态控制流程

2.2 地面控制算法

由于机器人在行进过程中情况复杂，采用传统的PID算法难以准确控制。模糊PID算法采用模糊算法对PID参数进行实时调节，以满足不同复杂情况下的灵活控制，具有良好的适应能力。模糊PID自适应整定曲线具有极小的超调量，且能在极短的响应时间内达到目标值。因此，使用模糊PID算法进行地面控制，流程如图4所示。

图4 模糊PID控制流程

2.3 环境感知算法

机器人在复杂的森林环境中进行侦察，操作手仅依靠图传系统和GPS（全球定位系统）进行远程控制，受视野所限往往不能准确操作，因此，要求机器人具有环境感知能力。目前，广泛应用的SLAM[4]（即时定位与地图构建）技术分为视觉SLAM和激光SLAM。由于火灾环境中光照复杂，且时常伴随浓烟，环境昏暗，视觉信息不明显，所以使用激光SLAM技术更合适。

陆空两栖机器人采用cartographer框架，实现激光雷达SLAM，为机器人提供环境信息，其总体结构如图5所示。其中：激光雷达SLAM测量周围360°范围内物体到机器人的距离信息；IMU输出角速度和加速度，主要用于融合和修正数据。将激光雷达扫描数据和IMU积分数据融合，可得到无人机的X轴、Y轴方向和偏航角；地红外数据与IMU融合，可获得高度信息。数据经融合与修正可使机器人获得更精确的角速度、加速度、位置和方向等环境感知信息，再将此信息发送至飞行控制器或地面控制器，进行实时导航。

图5 激光SLAM算法总体结构

2.4 避障算法

本文避障算法采用人工势场法[5]。人工势场包括引力场和斥力场。引力场由目标点确定，产生假想引力，引导机器人向目标方向行进，引力的计算方式如式（1）。

其中：dg为感知直径，是为防止目标离机器人过远时导致引力过大而设定；xgoal-x为机器人与目标之间的距离；∊a为近距离引力系数；∊b为远距离引力系数。

斥力场由障碍物确定，沿最近障碍物的切向产生假想斥力，排斥机器人向障碍物方向行进，斥力的计算方式如式（2）。

其中：Qj表示安全距离，即需要采取避障算法的距离；dj（x）表示第j个障碍物与机器人的距离；ρj表示第j个障碍物的斥力系数。

将两力通过算法叠加后，为机器人规划出最佳路径，以提高追踪监测的效率，从而完成自主避障追踪。

当机器人移动的环境非常复杂或者进入了封闭环境，在某一点引力斥力和速度很小，即处于局部最小点时，会导致机器人在该点停止或在该点周围振荡。为解决此问题，引入了绕行机制，其避障算法结构如图6所示。

图6 避障算法总体结构

绕行阈值为一个很小的正数，当合速度小于绕行阈值时，机器人即进入了局部最小点，将沿斥力场等势面移动绕行，并判断是否到达目的地，若是就退出算法，否则重新计算合速度。

2.5 火情检测算法

YOLO系列是先进的目标检测算法。YOLOv4是YOLO系列的第四代，其通过各种调优手段，实现了精度和速度的平衡，提升了网络的性能。YOLOv4-tiny是基于YOLOv4的压缩版本，大大减少了参数，更适用于移动端的部署。本文选用YOLOv4-tiny作为火情检测模型。火情检测算法流程如图7所示。具体检测识别流程是：采集火情图像，建立数据集；将数据集输入YOLOv4-tiny模型并进行训练，得到检测模型；机载摄像头对环境逐帧拍摄并将视频帧逐帧输入机载处理器，经YOLOv4-tiny模型检测识别火情。