Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2021, Vol. 55 Issue (1): 96-108    DOI: 10.3785/j.issn.1008-973X.2021.01.012
计算机技术、自动控制技术     
基于视觉-磁引导的无人机动态跟踪与精准着陆
赵燕伟(),张健,周仙明,吴耿育
浙江工业大学 机械工程学院，浙江 杭州 310058
Dynamic tracking and precise landing of UAV based on visual magnetic guidance
Yan-wei ZHAO(),Jian ZHANG,Xian-ming ZHOU,Geng-yu WU
College of Mechanical Engineering, Zhejiang University of Technology, Hangzhou 310058, China
 全文: PDF(2881 KB)   HTML
摘要：

针对无人机通过视觉对地面动态目标跟踪过程中视角固定易丢失目标，以及在着陆过程中由于成像畸变严重、画面不稳定导致定位精度差的问题，提出随动视觉跟踪的跟踪控制策略和基于视觉联合磁引导的获取无人机高精度相对位姿的方法. 在跟踪过程中，设计新型信标图案供无人机进行视觉识别获取目标的方位，识别速度可以达到5 ms/帧，通过随动视觉跟踪完成实时跟踪. 在着陆过程中，在动态目标上设置磁源，利用无人机检测磁场特性并通过BP神经网络解算相对位置；在信标图案内设置平行线特征，用于近镜头时辅助视觉解算相对角度. 在获取无人机相对位姿后，进行相应的运动控制即可完成着陆. 实验结果表明，跟踪过程稳定可靠，抗干扰能力强；着陆精度高，着陆误差小于2 cm.
关键词： 视觉跟踪;  视觉信标;  磁引导;  神经网络;  位姿解算    
Abstract:

The tracking control strategy of follow-up visual tracking and the method of obtaining high precision relative pose of UAV based on vision and magnetic guidance were proposed in order to solve the problem that UAV can easily lose the target when tracking the ground dynamic target through vision and the positioning accuracy is poor due to serious imaging distortion and unstable picture during landing. A new beacon pattern was designed for UAV visual recognition in order to obtain the target orientation in the tracking process. The recognition speed can reach 5 ms/frame, and real-time tracking is completed by follow-up visual tracking. The magnetic source was set on the dynamic target in the process of landing. The magnetic field characteristics were detected by UAV and the relative position was calculated by BP neural network. A parallel line feature was set in the beacon pattern to assist the visual calculation of the relative angle when the camera was close to the target. The landing can be completed by corresponding motion control after obtaining the relative pose of UAV. The experimental results show that the method can achieve a stable and reliable track and high anti-jamming ability, and can reach high precision with less than 2 cm during landing.
Key words: visual tracking    visual beacon    magnetic guidance    neural network    pose calculation
收稿日期: 2020-09-09 出版日期: 2021-01-05
CLC:  TP 242  
基金资助: 国家自然科学基金资助项目（51875524）
作者简介: 赵燕伟（1959—），女，教授，从事人工智能、可拓设计研究. orcid.org/0000-0002-0810-4563. E-mail： ywz@zjut.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
赵燕伟
张健
周仙明
吴耿育

引用本文:

赵燕伟,张健,周仙明,吴耿育. 基于视觉-磁引导的无人机动态跟踪与精准着陆[J]. 浙江大学学报(工学版), 2021, 55(1): 96-108.

Yan-wei ZHAO,Jian ZHANG,Xian-ming ZHOU,Geng-yu WU. Dynamic tracking and precise landing of UAV based on visual magnetic guidance. Journal of ZheJiang University (Engineering Science), 2021, 55(1): 96-108.

链接本文:

http://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2021.01.012    或    http://www.zjujournals.com/eng/CN/Y2021/V55/I1/96

图 1  跟踪过程的位姿描述
图 2  视觉信标及视觉识别结果
图 3  信标图案及信标板安装示意图
图 4  相机成像平面
图 5  相机垂直时的成像
图 6  相机倾斜时的成像
图 7  并级混合型PID控制器
图 8  环形通电导线模型
图 9  工字电感实物及原理图
图 10  交变电流时序图
图 11  并联谐振等效电路图
图 12  电感及线圈分布图
图 13  电感及线圈实物图
图 14  无人机传感布置示意图
图 15  LC电路两端的电压变化
图 16  借助机械臂完成数据采集
图 17  无人机依次到达的坐标点
图 18  单个电感信号强度分布图
图 19  均方误差曲线
图 20  误差直方图
图 21  视觉信标中部线条检测结果
图 22  星型窗格辅助分析法示意图
A A1 A2 A3 Q
${\rm{ - 9}}{{\rm{0}}^ \circ }$ ${\rm{ - 89}}{\rm{.9}}{{\rm{8}}^ \circ }$ ${\rm{ - 90}}{\rm{.3}}{{\rm{5}}^ \circ }$ ${\rm{ - 90}}{\rm{.2}}{{\rm{7}}^ \circ }$ ${\rm{ - 0} }{\rm{.2} }{ {\rm{5} }^ \circ },\;{0.02^ \circ }$
${\rm{ - 6}}{{\rm{0}}^ \circ }$ ${\rm{ - 60}}{\rm{.0}}{{\rm{4}}^ \circ }$ ${\rm{ - 40}}{\rm{.4}}{{\rm{6}}^ \circ }$ ${\rm{ - 59}}{\rm{.5}}{{\rm{3}}^ \circ }$ ${\rm{ - 0} }{\rm{.4} }{ {\rm{6} }^ \circ },\;{0.47^ \circ }$
${\rm{ - 3}}{{\rm{0}}^ \circ }$ ${\rm{ - 30}}{\rm{.3}}{{\rm{1}}^ \circ }$ ${\rm{ - 30}}{\rm{.3}}{{\rm{2}}^ \circ }$ ${\rm{ - 30}}{\rm{.3}}{{\rm{4}}^ \circ }$ ${\rm{ - 0} }{\rm{.3} }{ {\rm{4} }^ \circ },\;{0.31^ \circ }$
${{\rm{0}}^ \circ }$ ${\rm{ - 0}}{\rm{.0}}{{\rm{2}}^ \circ }$ ${\rm{ - 0}}{\rm{.4}}{{\rm{5}}^ \circ }$ ${\rm{0}}{\rm{.1}}{{\rm{1}}^ \circ }$ ${\rm{ - 0} }{\rm{.4} }{ {\rm{5} }^ \circ },\;{0.11^ \circ }$
${\rm{3}}{{\rm{0}}^ \circ }$ ${\rm{ - 29}}{\rm{.7}}{{\rm{4}}^ \circ }$ ${\rm{29}}{\rm{.6}}{{\rm{7}}^ \circ }$ ${\rm{29}}{\rm{.5}}{{\rm{4}}^ \circ }$ ${\rm{ - 0} }{\rm{.4} }{ {\rm{6} }^ \circ },\;{\rm{ - } }{0.26^ \circ }$
${\rm{6}}{{\rm{0}}^ \circ }$ ${\rm{60}}{\rm{.1}}{{\rm{2}}^ \circ }$ ${\rm{60}}{\rm{.0}}{{\rm{6}}^ \circ }$ ${\rm{59}}{\rm{.8}}{{\rm{8}}^ \circ }$ ${\rm{ - 0} }{\rm{.1} }{ {\rm{2} }^ \circ },\;{0.12^ \circ }$
${\rm{9}}{{\rm{0}}^ \circ }$ ${\rm{90}}{\rm{.2}}{{\rm{3}}^ \circ }$ ${\rm{90}}{\rm{.1}}{{\rm{7}}^ \circ }$ ${\rm{90}}{\rm{.0}}{{\rm{0}}^ \circ }$ ${ {\rm{0} }^ \circ },\;{0.23^ \circ }$
表 1  星型窗格辅助分析法测试结果表
图 23  无人机和无人车实验平台实物图
图 24  矩形路线跟踪无人机航向角变化
图 25  随动视觉跟踪
图 26  常规视觉跟踪
图 27  信标识别结果
图 28  跟踪过程图片
图 29  着陆过程示意图
图 30  磁引导下着陆过程位置变化
图 31  无磁引导下着陆过程位置变化
1 Volpe National Transportation Systems Center. Unmanned aircraft system (UAS) service demand 2015-2035: literature review and projections of future usage [R]. Cambridge, USA: Volpe National Transportation Systems Center, 2013.
2 卢俊文, 王倩营 无人机演变与发展研究综述[J]. 飞航导弹, 2017, (11): 45- 48
LU Jun-wen, WANG Qian-ying Review of UAV evolution and development[J]. Aerodynamic Missile Journal, 2017, (11): 45- 48
3 RODRIGUEZ R H, VEGA P V, ORTA S A, et al Robust back-stepping control based on integral sliding modes for tracking of quadrotors[J]. Journal of Intelligent and Robotic Systems, 2014, 73 (1): 51- 66
4 GHOMMAM J, SAAD M Autonomous landing of a quadrotor on a moving platform[J]. IEEE Transactions on Aerospace and Electronic Systems, 2017, 53 (3): 1504- 1519
5 王日俊, 白越, 续志军, 等 基于扰动观测器的多旋翼无人机机载云台模糊自适应跟踪控制[J]. 浙江大学学报: 工学版, 2015, 49 (10): 2005- 2012
WANG Ri-jun, BAI Yue, XU Zhi-jun, et al Fuzzy self-adjusting tracking control based on disturbance observer for airborne platform mounted on multi-rotor unmanned aerial vehicle[J]. Journal of Zhejiang University: Engineering Science, 2015, 49 (10): 2005- 2012
6 FALANGA D, ZANCHETTIN A, SIMOVIC A, et al. Vision-based autonomous quadrotor landing on a moving platform [C] // 2017 IEEE International Symposium on Safety, Security and Rescue Robotics. Shanghai: IEEE, 2017: 200-207.
7 亓岳鑫. 四旋翼无人机控制系统的设计与实现[D]. 哈尔滨: 哈尔滨工业大学, 2018.
QI Yue-xin. Design and implementation of control system for four-rotor UAV [D]. Harbin: Harbin Institute of Technology, 2018.
8 CHEN X, PHANG S K, SHAN M, et al. System integration of a vision-guided UAV for autonomous landing on moving platform [C] // 12th IEEE International Conference on Control and Automation. Kathmandu: IEEE, 2016: 761-766.
9 张含阳 Hover Camera王孟秋: 超能创业者的“新”与“旧”[J]. 机器人产业, 2016, (6): 114- 120
ZHANG Han-yang Hover Camera WANG Meng-qiu: "new" and "old" of super entrepreneurs[J]. Robot Industry, 2016, (6): 114- 120
10 王术波, 韩宇, 陈建, 等 基于ADRC迭代学习控制的四旋翼无人机姿态控制[J]. 航空学报, 2020, 41 (12): 319- 331
WANG Shu-bo, HAN Yu, CHEN Jian, et al UAV attitude active disturbance rejection control based on iterative learning control[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41 (12): 319- 331
11 ZHANG C Y, CHEN L, GOU R B High-speed vision extraction based on the CamShift algorithm[J]. Cluster Computing, 2019, 22 (1): 555- 564
12 张鹏炜, 张智诠, 胡磊, 等 基于针孔模型的双目视觉标定误差仿真分析[J]. 电光与控制, 2009, 16 (12): 65- 69
ZHANG Peng-wei, ZHANG Zhi-quan, HU Lei, et al Calibration error simulating analysis of binocular vision based on pinhole camera model[J]. Electronics Optics and Control, 2009, 16 (12): 65- 69
doi: 10.3969/j.issn.1671-637X.2009.12.018
13 MARANTOS P, KOVEOS Y, KYRIAKOPOULOS K J UAV state estimation using adaptive complementary filters[J]. IEEE Transactions on Control Systems Technology, 2016, 24 (12): 1214- 1226
14 梁灿彬, 秦光戎, 梁竹健. 电磁学[M]. 北京: 高等教育出版社, 2012.
15 尹琪, 周刚, 邹志峰, 等 极低频电磁辐射检测仪的传感器选择分析[J]. 电器与能效管理技术, 2018, (5): 25- 28
YIN Qi, ZHOU Gang, ZOU Zhi-feng, et al Sensor selection and analysis of extremely-low-frequency electromagnetic radiation detector[J]. Electrical and Energy Management Technology, 2018, (5): 25- 28
16 张治国, 谢运祥, 袁兆梅 并联谐振变换器的电路特性分析[J]. 华南理工大学学报: 自然科学版, 2013, 41 (4): 33- 38
ZHANG Zhi-guo, XIE Yun-xiang, YUAN Zhao-mei Analysis of circuit characteristics of parallel resonant converter[J]. Journal of South China University of Technology: Natural Science Edition, 2013, 41 (4): 33- 38
17 李剑锋, 吴林弟, 胡伍生, 等 基于BP神经网络算法的对流层湿延迟计算[J]. 东南大学学报: 自然科学版, 2013, 43 (Suppl. 2): 355- 359
LI Jian-feng, WU Lin-di, HU Wu-sheng, et al Calculation of tropospheric wet delay based on BP neural network algorithm[J]. Journal of Southeast University: Natural Science Edition, 2013, 43 (Suppl. 2): 355- 359
[1] 许佳辉,王敬昌,陈岭,吴勇. 基于图神经网络的地表水水质预测模型[J]. 浙江大学学报(工学版), 2021, 55(4): 601-607.
[2] 程鸿,胡佳杰,刘勇,叶远青. 强度传输方程和神经网络融合的三维重构算法[J]. 浙江大学学报(工学版), 2021, 55(4): 658-664.
[3] 郑英杰,吴松荣,韦若禹,涂振威,廖进,刘东. 基于目标图像FCM算法的地铁定位点匹配及误报排除方法[J]. 浙江大学学报(工学版), 2021, 55(3): 586-593.
[4] 毛奕喆,龚国芳,周星海,王飞. 基于马尔可夫过程和深度神经网络的TBM围岩识别[J]. 浙江大学学报(工学版), 2021, 55(3): 448-454.
[5] 刘芳,汪震,刘睿迪,王锴. 基于组合损失函数的BP神经网络风力发电短期预测方法[J]. 浙江大学学报(工学版), 2021, 55(3): 594-600.
[6] 陈世达,刘强,韩亮. 降低分布式训练通信的梯度稀疏压缩方法[J]. 浙江大学学报(工学版), 2021, 55(2): 386-394.
[7] 陈纬奇,王敬昌,陈岭,杨勇勤,吴勇. 基于深度神经网络的多因素感知终端换机预测模型[J]. 浙江大学学报(工学版), 2021, 55(1): 109-115.
[8] 陈巧红,陈翊,李文书,贾宇波. 多尺度SE-Xception服装图像分类[J]. 浙江大学学报(工学版), 2020, 54(9): 1727-1735.
[9] 周登文,田金月,马路遥,孙秀秀. 基于多级特征并联的轻量级图像语义分割[J]. 浙江大学学报(工学版), 2020, 54(8): 1516-1524.
[10] 张彦楠,黄小红,马严,丛群. 基于深度学习的录音文本分类方法[J]. 浙江大学学报(工学版), 2020, 54(7): 1264-1271.
[11] 闫旭,范晓亮,郑传潘,臧彧,王程,程明,陈龙彪. 基于图卷积神经网络的城市交通态势预测算法[J]. 浙江大学学报(工学版), 2020, 54(6): 1147-1155.
[12] 沈宗礼,余建波. 基于迁移学习与深度森林的晶圆图缺陷识别[J]. 浙江大学学报(工学版), 2020, 54(6): 1228-1239.
[13] 陶正瑞,党嘉强,徐锦泱,安庆龙,陈明,王力,任斐. 曲面基体绝缘涂镀层涡流测厚高精度标定方法[J]. 浙江大学学报(工学版), 2020, 54(6): 1218-1227.
[14] 汪海晋,尹宗宇,柯臻铮,郭英杰,董辉跃. 基于一维卷积神经网络的螺旋铣刀具磨损监测[J]. 浙江大学学报(工学版), 2020, 54(5): 931-939.
[15] 江金生,任浩然,李瀚野. 基于卷积自编码器的地震数据处理[J]. 浙江大学学报(工学版), 2020, 54(5): 978-984.