基于超声波传感器阵列的无人机自主降落方法技术

本发明专利技术公开了一种基于超声波传感器阵列的无人机自主降落方法。包括：S100、在无人机上安装矩阵排布的超声波传感器阵列，并进行飞行试验；S200、根据采集得到的数据进行计算，得到自适应地形匹配的导航算法；S300、根据采集得到的数据进行计算，建立飞行地形对应的3D地图；S400、根据上述的导航算法和3D地图，采用在线或者离线的方式寻找满足要求的降落地址；S500、根据降落地址，通过导航算法和3D地图导引无人机自主降落。本发明专利技术主要由基于超声传感器阵列对地形的探测、基于3D‑SLAM的导航与构图、降落地点寻址与基于方案制导的自主降落所构成，通过上述模块的配合，实现了垂直起降无人机在未知环境中的自主降落功能。

【技术实现步骤摘要】
基于超声波传感器阵列的无人机自主降落方法
本专利技术属于无人机自主制导、导航与控制
，涉及一种基于超声波传感器阵列的无人机自主降落方法。
技术介绍
自主降落是各种无人机自主飞行过程之中最难于解决的问题之一，其难点是对未知环境的降落目的地状况的感知、对合适降落场地的智能选取、和自主制导降落过程的实现，并确保系统功能有效以及精度和实时性要求。目前垂直起降无人机自主降落方法未见到完善的解决方案，例如采用视频处理技术实现自主降落，而且降落点需要使用二维码作为图标引导无人机降落，这并不满足针对未知环境的自主智能降落的需求，而且因为图像处理的计算量要求，导致了降落过程的实时性与精度都不够好。
技术实现思路
本专利技术的目的是提供一种基于超声波传感器阵列的无人机自主降落方法，相对于现有技术存在的实时性不够好以及精度不够高的问题。这种新体制的无人机自主降落方法实时性好、精度高、成本低。为实现上述目的，本专利技术采用的的技术方案为：一种基于超声波传感器阵列的无人机自主降落方法，包括以下步骤：S100、在无人机上安装矩阵排布的超声波传感器阵列，并进行飞行试验；S200、根据采集得到的数据进行计算，得到自适应地形匹配的导航算法；S300、根据采集得到的数据进行计算，建立飞行地形对应的3D地图；S400、根据上述的导航算法和3D地图，采用在线或者离线的方式寻找满足要求的降落地址；S500、根据降落地址，通过导航算法和3D地图导引无人机自主降落。作为本专利技术的进一步改进，步骤S100中，所述的超声波传感器阵列包括M排，每排间距排布N个传感器，M≥2，N≥2，每排传感器安装在运动平台的体坐标系上，传感器的数据采集端口均垂直地面设置。作为本专利技术的进一步改进，S200的具体步骤为：根据Lindeberg-Fellercentral中心极限定理，地面的起伏高度应满足h～N(0，σg2)，传感器误差应该满足v～N(0，σr2)，其中的σg2和σr2分别代表地面起伏情况的方差以及传感器误差的方差；Di，j表示在第i次探测时第j个传感器得到的数据，则观测模型为：Di，j＝H-hi，j+vi，j其中，H为飞行设定的高度，hi，j为地面的起伏高度，vi，j为传感器误差；选取两排前后传感器阵列，对于匀速直线运动的运动平台，前排的距离传感器会率先飞越过某个地形，随后经过k次测量周期后，后排的距离传感器会随后飞过同一地形，前排和后排距离传感器数据中，有相似的传感器数据向量，设第i次测量前排得到的传感器数据向量为第i次后排得到的传感器数据向量为根据上述条件：对于使得其中，为第i次测量前排得到的传感器数据向量，为第i+k次后排得到的传感器数据向量，ε为置信度参数；当置信度参数ε为足够小的量时，保证和相似，即：由于前排和后排距离传感器的距离为L，在设定的飞行模式下，每次探测的采样周期T是固定的，L和T都是已知量，因此根据k得到每个探测周期T的行进距离d如下：其中，L为前排和后排距离传感器的距离，k为测量周期次数；根据上式，由运动平台采样的次数获得其运动距离，飞行的速度v根据上式得到：其中，T为每次探测的采样周期，d为每个探测周期的行进距离；即由速度累加得到从对地面探测时间开始到任何时刻运动平台导航所需的相对位置、速度信息。作为本专利技术的进一步改进，置信度参数ε的计算步骤如下：由于传感器得到的数据Di，j＝H-hi，j+vi，j，其中H为飞行设定的高度，通常取为常值，因此由hi，j和vi，j的分布得知：Di，j～N(H，σr2+σg2)其中，H为飞行设定的高度，σr2为传感器误差的方差，σg2为地面起伏高度的方差；令Ci，j＝Di，j-H，则：Ci，j～N(0，σr2+σg2)同时，则，等价于则此时求得ε，使由于：n个标准正态分布的平方和符合自由度为n的χ2分布，即：为了保证地形匹配的准确性与计算量的平衡，令依据经验取α置信水平；因此给定了n，σr2和σg2后积分计算，求得从而求得ε；地形特征判断算法步骤：对于将要选取的i，若相邻的两组测量数据满足：其中的E为表示地形特征变化的阈值，下面确定E的具体数值；上式分布特点如下：同样，令的值取为0.05以保证运动平台运动过程中地形匹配的置信度ε；同上，通过数据计算得到从而得到E的取值。作为本专利技术的进一步改进，S200还包括滤波优化实现高精度导航步骤：首先，让运动平台试飞行以实现算法的初始化：在算法初始化阶段，选取后排传感器测得的第1组有地形特征的数据，在前排传感器已经获得的n组数据中通过均布粒子播撒累加相似度的方式找到近似于贝叶斯后验概率确定的相似数据向量；后排第i组数据向量和前排第j组数据向量相似度函数Si，j为：均布粒子后，给予前排传感器数据的p组数据的每组以相同的权重，累加并且归一化后得到的对应于后排传感器第1组数据的前排传感器数据中的相似向量位置k1为：其中，S1，j为后排第1组数据向量和前排第j组数据向量相似度函数；此时得到的k1为前文中提到的与后排传感器的相似的数据向量位置，即为前排传感器数据n组数据向量中与最接近的数据向量；然后，算法初始化结束，则开始算法迭代：此时后排、前排传感器分别获取的新一组测量数据和则数据量扩大到p+1组；下面寻找后排数据的第2组数据在前排传感器数据向量中的相似向量；在得到上述k1后，以k1+1为中心，重新分配前排传感器每组数据的权重；计算相距k1+1位置m距离内的数据向量的相似度权重，m的取值预先估计一个式中的k，然后取m＝3k，得到的k2为：其中，k1为对应于后排传感器第1组数据的前排传感器数据中的相似向量位置，G(x)为正态分布概率密度函数上式中的σ2的取值根据正态分布的特点，即正态分布的大部分数据分布于(μ-3σ，μ+3σ)这个区间内，取据此，得到的k2视为算法根据前一轮计算的结果加入高斯分布的粒子滤波迭代的结果，以此类推获得第p+i组数据和后，相应的ki为：根据ki的值，计算出k＝ki-i，代入式和式中即求得距离传感器每次探测间的飞行距离以及飞行速度。作为本专利技术的进一步改进，S300的具体步骤为：使用占据栅格图进行3D的地图表示，第三维坐标表示障碍物的高度；设定飞行器以匀速直线运动模式飞行，前排或者后排的传感器以一定的采样周期探测得到数据，由于阵列中的传感器每次探测采样周期相同，通过获取当前采样周期内无人机前排或者后排传感器阵列的移动距离，并根据该排每个传感器测到的距离构造出地形的3D地图。作为本专利技术的进一步改进，S400中，在线的自主降落选址具体步骤为：根据无人机降落对场地长度L和宽度W的要求，以及对降落场地所允许的最大起伏程度，在飞行过程中遍历所获得3D地图中的每一个点，并实时判断是否满足降落场地要求：1)假设传感器阵列在当前时刻k之前获得的数据满足降落要求并作为地形判断的基准数据集，2)当前时刻k获得的地形数据作为备选，并统计在k时刻加入基准数据集之后的均值μdk和方差σdk，根据接收到的新数据是否满足3σd≤hmax；3)若不满足3σd≤hmax的要求，则舍弃1)的基准数据集，并基于k时刻收到的数据开始重新构造基准数据集，并从k+1时刻开设重复2)的过程判断k+1时刻的数据是否加入基准数据集；4)若一直满足3σd≤hmax则k时刻数据加入1)基准数据集，并持续本文档来自技高网...

【技术保护点】
1.一种基于超声波传感器阵列的无人机自主降落方法，其特征在于，包括以下步骤：S100、在无人机上安装矩阵排布的超声波传感器阵列，并进行飞行试验；S200、根据采集得到的数据进行计算，得到自适应地形匹配的导航算法；S300、根据采集得到的数据进行计算，建立飞行地形对应的3D地图；S400、根据上述的导航算法和3D地图，采用在线或者离线的方式寻找满足要求的降落地址；S500、根据降落地址，通过导航算法和3D地图导引无人机自主降落。

【技术特征摘要】
1.一种基于超声波传感器阵列的无人机自主降落方法，其特征在于，包括以下步骤：S100、在无人机上安装矩阵排布的超声波传感器阵列，并进行飞行试验；S200、根据采集得到的数据进行计算，得到自适应地形匹配的导航算法；S300、根据采集得到的数据进行计算，建立飞行地形对应的3D地图；S400、根据上述的导航算法和3D地图，采用在线或者离线的方式寻找满足要求的降落地址；S500、根据降落地址，通过导航算法和3D地图导引无人机自主降落。2.根据权利要求1所述的基于超声波传感器阵列的无人机自主降落方法，其特征在于，步骤S100中，所述的超声波传感器阵列包括M排，每排间距排布N个传感器，M≥2，N≥2，每排传感器安装在运动平台的体坐标系上，传感器的数据采集端口均垂直地面设置。3.根据权利要求1所述的基于超声波传感器阵列的无人机自主降落方法，其特征在于，S200的具体步骤为：根据Lindeberg-Fellercentral中心极限定理，地面的起伏高度应满足h～N(0,σg2)，传感器误差应该满足ν～N(0,σr2)，其中的σg2和σr2分别代表地面起伏情况的方差以及传感器误差的方差；Di,j表示在第i次探测时第j个传感器得到的数据，则观测模型为：Di,j＝H-hi,j+νi,j其中，H为飞行设定的高度，hi,j为地面的起伏高度，vi,j为传感器误差；选取两排前后传感器阵列，对于匀速直线运动的运动平台，前排的距离传感器会率先飞越过某个地形，随后经过k次测量周期后，后排的距离传感器会随后飞过同一地形，前排和后排距离传感器数据中，有相似的传感器数据向量，设第i次测量前排得到的传感器数据向量为第i次后排得到的传感器数据向量为根据上述条件：对于使得其中，为第i次测量前排得到的传感器数据向量，为第i+k次后排得到的传感器数据向量，ε为置信度参数；当置信度参数ε为足够小的量时，保证和相似，即：由于前排和后排距离传感器的距离为L，在设定的飞行模式下，每次探测的采样周期T是固定的，L和T都是已知量，因此根据k得到每个探测周期T的行进距离d如下：其中，L为前排和后排距离传感器的距离，k为测量周期次数；根据上式，由运动平台采样的次数获得其运动距离，飞行的速度v根据上式得到：其中，T为每次探测的采样周期，d为每个探测周期的行进距离；即由速度累加得到从对地面探测时间开始到任何时刻运动平台导航所需的相对位置、速度信息。4.根据权利要求3所述的基于超声波传感器阵列的无人机自主降落方法，其特征在于，置信度参数ε的计算步骤如下：由于传感器得到的数据Di,j＝H-hi,j+νi,j，其中H为飞行设定的高度，通常取为常值，因此由hi,j和νi,j的分布得知：Di,j～N(H,σr2+σg2)其中，H为飞行设定的高度，σr2为传感器误差的方差，σg2为地面起伏高度的方差；令Ci,j＝Di,j-H，则：Ci,j～N(0,σr2+σg2)同时，则，等价于则此时求得ε，使由于：n个标准正态分布的平方和符合自由度为n的χ2分布，即：为了保证地形匹配的准确性与计算量的平衡，令依据经验取α置信水平；因此给定了n,σr2和σg2后积分计算，求得从而求得ε；地形特征判断算法步骤：对于将要选取的i，若相邻的两组测量数据满足：其中的E为表示地形特征变化的阈值，下面确定E的具体数值；上式分布特点如下：同样，令的值取为0.05以保证运动平台运动过程中地形匹配的置信度ε；同上，通过数据计算得到从而得到E的取值。5.根据权利要求3所述的基于超声波传感器阵列的无人机自主降落方法，其特征在于，S200还包括滤波优化实现高精度导航步骤：首先，让运动平台试飞行以实现算法的初始化：在算法初始化阶段，选取后排传感器测得的第1组有地形特征的数据，在前排传感器已经获得的n组数据中通过均布粒子播撒累加相似度的方式找到近似于贝叶斯后验概率确定的相似数据向量；后排第i组数据向量和前排第j组数据向量相似度函数Si,j为：均布粒子后，给予前排传感器数据的p组数据的每组以相同的权重，累加并且归一化后得到的对应于后排传感器第1组数据的前排传感器数据中的相似向量位置k1为：其中，S1,j为后排第1组数据向量和前排第j组数据向量相似度函数；此时得到的k1为前文中提到的与后排传感器...

【专利技术属性】
技术研发人员：梁勇奇，徐闽鋆，雷坤，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61