小型无人直升机智能避障设计

2022-01-12夏伟

直升机技术 2021年4期

夏伟

(中国直升机设计研究所，江西景德镇 333001)

0 引言

无人直升机具有灵活性好、使用成本低的特点，因此在航空拍摄、气象监测、喷洒农药、地图测绘、航空探矿和航空调查等民用方面应用越来越多。然而，无人直升机的使用环境复杂多变，复杂环境下民用无人直升机的安全使用问题备受关注，智能障碍规避就是其中重点之一。智能障碍规避是指无人直升机在执行任务时，能自动检测并识别障碍物，然后综合考虑完成任务的时间、油耗、遇到的威胁以及可飞行区域等因素，自主规划出最优或者满意的飞行航迹，安全完成作业任务。智能障碍规避技术对于提高民用无人直升机作业效率及安全性是至关重要的，可使无人直升机对复杂未知环境具有更好的适应能力，使之可以在山区、丛林、城市等复杂多变的环境下自主执行任务。

从无人直升机规避障碍的过程来看，智能障碍规避技术主要包括三个阶段的任务：一是障碍物感知阶段；二是规避路径规划阶段；三是自主绕过障碍物阶段。第一阶段中，当无人直升机遇到障碍物时，快速识别、准确获取障碍物的信息并由此精确感知障碍物的具体轮廓。第二阶段中，无人直升机根据障碍物信息，合理地进行路径规划，使之能够自主绕开障碍物。第三阶段中，无人直升机根据当前飞行区域，按照重新规划的轨迹，进行稳定的自主飞行，避开障碍物，继续执行任务。

要实现无人直升机障碍物感知，首先需要配备一定的硬件设施(测量传感器)来获取障碍物信息;其次是需要相应的信息处理技术对获取的信息进行处理分析以给出障碍物的状态。具体的信息处理方法与所采用的传感器的类型以及所要完成的任务密切相关。目前常用的障碍物感知传感器主要包括视觉、激光、微波、超声波等传感器。现有的多种传感器中，没有一种能够在各方面完全优于其它类型的传感器，通常采用多传感器相互补充，相应地也需要一定的信息融合技术处理来自不同传感器的信息，更好地服务于任务。

在获取障碍物信息后，综合无人直升机的机动性能、飞行环境信息、飞行目标和时间等各种约束条件，采用智能路径规划算法，快速寻找最优路径是智能避障技术的第二步。路径规划可分为两种，分别是全局路径规划和局部路径规划。全局路径规划是飞行平台在多种有效路径选择条件下根据相关算法解决寻找在全局范围最优的飞行路径问题。局部路径规划主要用于解决飞行平台在正常飞行过程中的障碍物在线规避等问题，是在全局路径规划生成的给定路径上的局部的规划控制策略。目前，可应用于无人直升机的路径规划方法可大致分为四类：基于几何地图搜索法，基于虚拟势场与导航函数法，基于数学最优化法以及基于生物智能优化法。

无人直升机的飞行控制是实现其规避障碍物的基础，然而由于自身固有的特性，要实现其自主飞行控制难度很大。直升机的稳定边界随飞行条件的变化而发生巨大变化，且在不同飞行模态下的动态特性有显著的差异，因此很难建立统一的、精确的数学模型。同时，无人直升机是一个典型的强耦合、多变量的非线性系统，对各种干扰非常敏感。因此，无人直升机要实现智能避障，其飞行控制器就必须具有鲁棒性和自适应性。为了解决上述问题，国内外的学者们提出了很多直升机飞行控制方法，大体可以将这些方法分为两大类：基于模型的控制方法和非模型的控制方法。

本文以小型无人直升机为对象，针对城市、山区等复杂使用环境，进行智能障碍规避设计研究。

1 障碍物感知

1.1 障碍物检测

根据小型无人直升机的特点，选择毫米波雷达+双目视觉传感器的障碍物检测方案。毫米波雷达可以探测到障碍物上稀疏点的位置信息，用于障碍物初步定位；立体视觉传感器能够在近中距离感知障碍物的稠密距离/点云信息，单个摄像头获取的色彩图像还包含了障碍物的二维细节信息，用于给出障碍物的判定和边界。两者结合可以较完美地完成障碍物检测任务。

在无人直升机避障应用中，障碍物一方面是指位于无人直升机前进通道上安全距离内将对前行造成威胁的物体，另一方面是指无人直升机为了躲避前方障碍物重新规划路径时需要考虑的周围可能对其造成威胁的物体。无论物体是什么，只要存在且对无人直升机的飞行造成威胁即为障碍物，因此物体在三维几何空间中的信息具有非常重要的意义。在障碍物检测过程除了要利用毫米波雷达探测到的障碍物上点的位置信息，还要在立体视觉能够感知到的距离内充分利用其测得的距离/位置信息。除此以外，还要充分利用色彩信息帮助确定障碍物边界以及进行中远距离障碍物的判别。具体方案如图1所示。

图1 融合雷达数据与双目视觉数据的障碍物感知方案

首先，将雷达探测到的障碍物位置点转换成图像坐标，找到障碍物的感兴趣点在图像中的位置；其次，根据感兴趣点的图像位置和视觉传感所得深度/色彩信息进行图像分割，计算出障碍物的候选区域；而后，为了消除雷达探测的虚假目标的影响，利用条件约束或特征匹配设计检测器对候选区域进行检测，判断是否为障碍物；最后，如果判别为障碍物，则将障碍物的图像坐标转换为NED坐标系下的三维坐标。由于双目视觉传感器有两个摄像头，立体匹配测距过程通常将右摄像机坐标系转换到左摄像机坐标系下进行行对齐计算视差，因此所得深度图像/三维点云是相对于左目而言，所以上述雷达坐标与图像坐标转换、图像坐标与机体坐标转换、色彩图像等都是指左目图像[1-2]。具体的数据流图如图2。

图2 融合雷达数据与双目视觉数据的障碍物感知数据流图

1.2 感兴趣点提取

传统的毫米波雷达和视觉传感器融合通常基于二维运动平台的假设，其雷达和图像坐标转换结果对平台的姿态变化敏感。而无人直升机平台存在高度、姿态不断变化特点，因此需要进行对高度、俯仰和滚转角度变化自适应的雷达和图像坐标转换。经过雷达和视觉传感器联合标定，将雷达坐标系下的距离/角度坐标与图像中相应的像素点建立单向映射关系，使雷达信息与双目视觉测量距离信息及左目色彩图像信息获得匹配，从而确定障碍物感兴趣点。

1.3 候选区域建立

障碍物感兴趣点给出了障碍物上某个点的图像坐标，而障碍物规避任务需要已知障碍物的边界，为此基于双目测距距离像和左目彩色图像建立障碍物候选区域。而常规的稠密双目测距得到像素级的视差，当视差为1时测距最远。受基线长度和图像分辨率的限制，能够测量和感知到的障碍物距离有限。例如：视场角50°分辨率为320×240，基线长度为15 cm时可以感知57 m左右；视场角50°分辨率为640×480，基线长度为105 cm时可以感知1000 m左右；并且随距离增大测距精度下降严重。虽然通过在左右图像上进行亚像素级的角点检测和匹配对应，可以得到亚像素级的视差使测距更远，但所得仅为稀疏测距，因而在远距离场景下图像中存在一些不能被感知距离的像素点。因此，由感兴趣点建立候选区域分两种情况进行，若感兴趣点位于双目视觉感知距离范围内则首先利用双目测距信息再辅以色彩信息，在双目视觉能够感知的距离之外则仅利用色彩信息[3]。

1) 感兴趣点位于双目视觉感知距离范围内

以各感兴趣点为种子点，在稠密测距部分采用较小的生长窗口，在稀疏测距部分采用较大的生长窗口，在深度图像上进行区域生长，得到初步的障碍物候选区域。由于距离较近的不同物体测距值相当，可能会位于同一障碍物候选区域内，且因测距误差及姿态因素，同一物体可能得到不同的测距值，所以即使采用动态聚类阈值，仅基于距离信息也不能完全保证同一物体位于同一候选区域，不同物体位于不同的候选区域。因此，以感兴趣点为种子点在彩色图像上采用均值漂移方法进行图像分割，得到彩色图像障碍物候选区域，并与距离像障碍物候选区域融合，得到关于障碍物候选区域更合理的划分，再由包围盒得到障碍物候选区域的边界。相应的数据流见图3。

图3 感兴趣点位于双目视觉感知距离范围内时的候选区域建立数据流图

2) 感兴趣点位于双目视觉感知距离范围外

当感兴趣点位于双目视觉感知距离范围外时，只能利用颜色信息建立障碍物候选区域。具体方法为：首先对RGB颜色空间进行稀疏量化，将每个颜色通道的256级稀疏量化为12级，大大减少颜色总数；然后对量化后的每种颜色，计算其所包含的像素点相对于雷达探测像素点的空间距离关系，进而通过阈值分割过滤掉大部分非障碍物点；再基于颜色频率和LAB空间距离的乘积计算显著性图，并计算显著性图每点相对于雷达探测点的显著性密度，得到密度图；最后基于显著性密度图的垂直及水平投影确定障碍物候选区域的上下左右边界。相应的数据流见图4。

图4 感兴趣点位于双目视觉感知距离范围外时的候选区域分割数据流图

1.4 候选区域判别

为了排除虚假的雷达检测点，还需要对障碍物候选区域加以判别，以验证其是否为真正的障碍物。根据障碍物候选区域是否位于双目视觉感知距离范围内，采用不同的判别方法。

1) 障碍物候选区域位于双目视觉感知距离范围内

这种情况下障碍物候选区域是由雷达检测点、双目测距、彩色图像共同得到的检测结果，具有高可靠性，认为确实有物体存在。而该物体是否构成障碍，关键在于是否位于无人直升机的前进通道上，主要考虑是否为地面的情况。根据平台高度及双目测距所得稠密点云，如果障碍物候选区域的点云位于地表则判别为非障碍物，否则判别为障碍物。具体的数据流见图5。

图5 感兴趣点位于双目视觉感知距离范围外时的候选区域判别数据流图

2) 障碍物候选区域位于双目视觉感知距离范围外

这种情况下障碍物候选区域判别通过特征匹配来实现。首先离线阶段预先建立感兴趣障碍物的样本库，提取各样本的SIFT特征关键点；在线检测阶段提取障碍物候选区域的SIFT特征关键点，将其与样本库中各样本的SIFT特征关键点一一匹配；若和第N类样本匹配成功则判断候选区域为第N类障碍物，若和所有样本均匹配失败，则判断为非障碍物。具体流程见图6。

图6 基于SIFT特征匹配的候选区域判别

1.5 障碍物三维位置坐标计算

如果候选区域被判别为障碍物，则将障碍物的坐标由图像坐标转换到机体坐标，具体包括障碍物图像坐标到左摄像机坐标，左摄像机坐标到机体坐标两部分转换。数据流见图7。

图7 障碍物三维位置坐标计算数据流图

基于上述障碍物检测方案，给出存在或不存在障碍物的判别，以及障碍物的三维坐标。如果不存在障碍物，则无人直升机可以按照预设轨迹正常前行；如果存在障碍物则需要重新规划路径以绕过障碍物，并期望在可预见的未来尽可能少地再次遇到障碍物。为了达到该目的，在障碍物感知阶段，当检测到前方有障碍物时，在深度图像及彩色图像上增加感兴趣点至雷达检测点以外，在前述基于雷达检测点未处理到的图像区域进行二次障碍物检测及判别，给出无人直升机周围更详尽的障碍物信息，用于后续路径规划。

2 避障路径规划

在通过视觉传感器获取障碍物基本状态信息之后，需要对当前飞行路径进行路径重规划。本文针对小型无人直升机，重点解决全局路径下局部路径的平滑处理，以便得到最优轨迹，使无人直升机安全避障飞行。

局部路径规划关键在于算法的实时性，本文采用人工势场法进行避障局部路径规划。人工势场法是由Khatib提出的一种虚拟力法，它的基本思想是将无人直升机在周围环境中的运动设计成一种抽象的人造引力场中的运动，目标点对无人直升机产生“引力”，障碍物对无人直升机产生“斥力”，最后通过求合力来控制无人直升机的运动。人工势场法原理简单，而且规划路径安全而平滑，非常适用于无人直升机的路径规划。

当无人直升机逼近目标时，障碍物的斥力变得很小，甚至可以忽略，无人直升机将只受到吸引力的作用而直达目标。但是在实际运动过程中的一些比较特殊的情况下，往往至少有一个障碍物与目标点离得很近，无人直升机逼近目标的同时，它也将向障碍物靠近。如果利用以前对引力场函数和斥力场函数的定义，斥力将比引力大得多，这样目标点将不是整个势场的全局最小点，结果是导致无人直升机在目标点周边徘徊而无法到达目标位置。因此要对该策略进行改进。改进策略中引力势函数保持不变，只对斥力势函数进行修改。为了保证目标位置处斥力为零，在斥力势函数中引入无人直升机和目标点的相对位置，在原有的斥力势函数基础上乘以一个影响因子，从而解决目标点和障碍物较近时无人直升机无法到达目标点的问题。

但是，当无人直升机、目标点、障碍物在同一条直线上且障碍物在无人直升机和目标点之间时，或者多个障碍物对无人直升机的斥力和无人直升机受到的引力相等时，仅仅通过修改斥力势函数是不够的，还需要改变斥力的方向。

为了保证无人直升机用最短的时间完成躲避障碍物继续追踪目标，需要它能按照最短路径进行跟踪与避障。但是按照传统的方法，会出现无人直升机在障碍物周围绕很远的路才能到达目标点的情况。针对这种情况，采用切线绕圆法来解决这一问题，示意图见图8。

图8 无人直升机避障示意图

图中e表示无人直升机和障碍物之间的安全距离，c为无人直升机的半径。无人直升机沿切线圆运动，求得的切线圆用O表示，圆P表示无人直升机，圆R表示障碍物。切线绕圆法的具体过程是当无人直升机和障碍物之间的距离到达安全距离e附近时，不断计算无人直升机下一时刻的位置；当其下一时刻的位置位于切线圆O里面时就停止向前运动，通过调整自身姿态沿着圆O切线方向运动。

当系统应用改进人工势场法预测出障碍物下一时刻t的位置时，将位置信息发送到无人直升机飞控系统。为了保证无人直升机用最短的时间完成躲避障碍物继续追踪目标，飞控系统将相应改变无人直升机的位置及姿态以切线圆法躲避障碍物；完成规避任务后，无人直升机离开障碍物影响区域到达切线圆外部，此时退出切线绕圆法进入改进人工势场法路径规划，继续规划下一时刻的无人直升机位置，若无人直升机不在障碍物影响范围之内，说明无人直升机已经成功避开障碍物[4-5]。

3 避障控制策略

针对小型无人直升机的特点，采用内环和外环双闭环的控制方法来实现避障轨迹跟踪控制。由于外环(位置控制)是慢变系统，内环(姿态控制)为快变系统，所以针对内外环各自的特点，对外环使用模型预测(MPC)，对内环使用自适应反步法(ABC)来设计控制器。这种新型的控制方法将结合模型预测控制和自适应反步法的优点。

模型预测控制是一种先进的控制技术，它以预测模型为基础，采用二次在线滚动优化性能指标的方式，以及通过反馈校正策略，来克服受控对象建模误差和结构、参数与环境不确定因素的影响。预测模型需要完成的是根据控制对象的历史信息和未来输入预测其未来输出。通常系统模型可以写成状态方程、传递函数这类形式，这些都可以作为预测模型。模型预测控制的主要特征表现在滚动优化。模型预测控制中的优化与传统离散最优控制有很大差别，主要表现在模型预测控制中的优化是一种一段时间内的滚动优化，在每一个采样周期，优化的性能指标只涉及到现在时刻到本次采样周期内，而到下一采样时刻，这一优化时段同时向前推移。因此，模型预测控制不是用一个在全局范围内相同的最优指标，而是在每一采样时刻有一个相对于该时刻的优化性能指标。因而，在模型预测控制中，并不是离线优化的，而是反复在线进行的。当实际系统中存在着非线性、时变、模型适配、干扰等因素时，基于不变模型的预测控制不可能和实际情况完全符合，因此实际控制系统中还需要加入反馈环节。在通过优化确定了一系列未来的控制作用后，预测控制通常不是把这些控制作用逐一全部实施，而只是实现本时刻的控制作用。到下一采样时刻，则首先检测对象的实际输出，并利用这一实时信息对基于模型的预测进行修正，然后再进行新的优化。所以模型预测控制方法需要较大的计算量，比较适合于慢变对象，由此可以适用于无人直升机控制系统中的外环位置控制[6]。

模型预测控制的基本原理如图9。它利用过去和未来的输出输入信息，根据内部模型预测系统未来的输出，通过输出误差进行反馈校正后，再与参考输入进行比较，随后进行二次性能指标滚动优化，然后再计算当前时刻应给予系统的控制输入，完成整个控制循环。因此模型预测控制的基本思想是先预测系统未来的输出，再去确定当前时刻的控制输入，即先预测后控制，控制性能明显优于先有信息反馈，再产生控制信号的经典反馈控制系统。

图9 模型预测控制原理图

采用内外环分层控制方法设计的避障轨迹跟踪控制器如图10所示。其中外环(位置环)采用模型预测控制跟踪参考轨迹，内环(姿态环)使用自适应反步法稳定姿态角。Pd和P为无人直升机在地面坐标系下的位置和实际传感器解算的位置反馈，Vd和V为无人直升机的期望速度和实际传感器测量的速度反馈，η为无人直升机的滚转角、俯仰角和偏航角，[TM，a,b,TT]为无人直升机的控制量输入。