分体式飞行汽车凭借其模块化设计、便捷式运行模态切换的特点成为未来城市间立体化交通的重要组成部分，将在缓解城市交通运输压力、减少出行时间方面发挥巨大作用^[1]. 分体式飞行汽车共包含3个部分：飞行模块、乘客舱、地面行驶模块，其中飞行模块与乘客舱结合组成飞行模态，地面行驶模块与乘客舱结合组成地面行驶模态. 飞行模态与地面行驶模态之间的全自主转换依靠对接导引系统（分体式飞行汽车的关键技术之一），全自主对接导引系统的主要技术难点在于全自主、全天候、高精度和高可靠性的要求.

对接导引系统广泛应用于航天器交会对接、水下自主机器人(autonomous underwater vehicle, AUV）回收、无人机精准导引降落等任务领域. 基于差分卫星定位导航、视觉导引以及雷达测距的航天器对接导引系统^[2-5]在自主交会对接中表现出良好的性能，电磁对接^[6]能够在不消耗航天器推进剂的情况下实现自主对接. 水下AUV对接导引系统常用的定位传感器主要包含声学、光学、电磁等类型^[7-11]. 在无人机精准导引降落技术领域，常用的技术方案包括全球定位系统(global positioning system, GPS )^[12-13]、视觉^[14-18]、激光雷达^[19-20]、超宽带(ultra wide band，UWB)^[21-22]等. Cui等^[14]利用快速特征提取结合基于网格的运动统计策略提出改进的双目定位与建图系统，在仿真试验中成功完成4.8 m×1.2 m跑道上的降落任务. Cheng等^[22]设计基于UWB视觉传感器的自主动态导航方法，提出在GPS失效环境下实现无人机对接移动目标的三阶段方法，但是该方法通信距离短且设备成本较高. Marcon等^[23] 成功进行多次基于实时动态差分全球定位系统(real time kinematic global positioning system, RTK-GPS)模块的飞行器导引降落试验，降落偏差均值为12.4 cm. Krogius等^[24]提出靶标系统识别双重嵌套的AprilTag标识，实现0.08~16.15 m高度范围的无人机导引降落，由于其标识尺寸为90.2 cm×90.2 cm，无法适用于窄小平台的自主导引降落任务. Kim等^[25]在垂直方向上通过评估每个分割段的空间接近度对激光雷达的点云数据进行聚类，成功定位到无人机点云集群，完成无人机在移动平台上的导引降落；但是激光雷达通常占用的空间较大且成本较高，对机载设备的处理性能也有一定要求.

由于对接环境、容许位姿误差以及可能存在的外界干扰等因素影响，导致航天器交会以及水下AUV回收工程无法直接应用. 现有的无人机导引降落技术存在如下问题，不能直接适应分体式飞行汽车模态转换任务：1)位置精度不足，均超过10 cm；2)合作标识尺寸大；3)导引方式鲁棒性弱；4)缺乏考虑环境扰动，如光照环境、阵风带来的无人机姿态对视觉传感器测量精度的影响；5)导引降落目标为平面. 针对上述分体式飞行汽车模块间导引的技术挑战，本研究围绕系统流程设计、软硬件系统架构、核心导引算法以及试验验证开展.

如图1所示，分体式飞行汽车通过对接导引系统完成飞行模态与行驶模态之间的转换，其模态转换过程主要包含飞行模块与乘客舱顶部和乘客舱底部与地面行驶模块之间的对接导引和锁定与分离。

根据分体式飞行汽车的运行场景和功能，设计满足以下3项要求的对接导引系统. 1）环境适应性：模态转换时，在光照变化、风力引起的机体姿态以及GPS信号扰动等外界因素综合作用下，对接导引系统能够准确融合出光顺的模块间的相对位姿偏差，引导飞控系统进行位姿校正. 2）导引精度：导引系统末段的位置偏差不超过1 cm，角度偏差不超过1°；导引与飞行控制系统结合后的位置控制偏差不超过6 cm，角度偏差不超过5°. 3）应用性：受限于系统空间，对接导引系统的定位传感器应具有体积小、轻量化的特点，在不干涉其他对接机构正常运作的条件下，定位传感器及其合作标识的布置不影响整体的工业美观性.

分体式飞行汽车的导引系统分为2个部分，分别完成飞行单元-座舱以及座舱-地面行驶模块之间的相对导引任务. 由于这2个部分的流程和功能相似，采用相同的导引方案. 整个对接导引任务按不同的导引方式可以划分为3个导引阶段：远程、中程、近程. 根据不同导引阶段所用的定位方式的有效检测范围进行导引高度的划分，其中相对高度超过10 m的为远程导引阶段，3~10 m的为中程导引阶段，不超过3 m的为近程导引阶段，导引流程如图2所示. 图中，r₁为地面行驶模块初始偏航角，r₂为飞行模块偏航初始角，r₁′为地面行驶模块最终偏航角，r₂′为飞行模块最终偏航角，x、y为横、纵向偏差，z为高度偏差，θ为航向角偏差. 采用RTK-GPS以及视觉传感器融合方式完成分体式飞行汽车模块间的相对位姿测量. 其中RTK-GPS作用于全流程的对接导引，提供分米级的模块间的定位信息。在视觉中、近程导引阶段，以视觉传感器的目标识别定位信息为主，RTK-GPS 的测量定位信息为辅，在视觉中程导引阶段使用YOLOv4-tiny目标检测算法识别待对接目标的车体外形轮廓信息，实现待对接目标在像素平面内的二维定位；在视觉近程导引阶段，多级视觉基准库AprilTag算法提供厘米级的模块间的相对定位结果. 导引方式切换时，使用数据融合的方式，将RTK-GPS数据与视觉数据融合，防止出现因导引方式切换产生的数据不平滑的现象，光顺平滑的融合数据也避免了瞬时的异常数据冲击以及飞行姿态突变的问题产生.

为了使分体式飞行汽车对接导引硬件系统在满足高精确度、高可靠、小体积、轻量化的设计需求同时，适用于分体式飞行汽车全流程模态转换的对接导引过程，设计该硬件系统为3个部分，如图3所示. 1）通信子系统. 采用双中央处理器Wi-Fi通信方案实现对接流程中各个模块处理器之间的互相通信，数据主要包括：飞行模块与地面行驶模块的RTK-GPS位姿测量数据、视觉目标检测定位数据、对接导引系统的当前状态等. 2）数据处理子系统. 为了保证对接导引系统硬件的高速处理能力和可靠性，满足体积小、轻质量的要求，数据处理系统选用NVIDIA Jetson Xavier NX模块来处理视觉信息，并将信息通过串口通信及Wi-Fi通信方式传输至特定组件. 3）信息采集子系统. 主要包括2个部分：RTK-GPS传感器和视觉传感器. RTK-GPS天空端与地面端分别安装在飞行模块与地面行驶模块上，用于获取模块间的RTK-GPS定位定向信息. 视觉传感器选择全局快门单目相机，采用经过适当减震处理后与机身固连的方式安装在飞行模块和乘客舱底部. 全局快门单目相机可以避免飞行状态下机身高频振动对图像数据获取的影响. 视觉标志物在乘客舱、地面行驶模块顶部分别布置. 照明单元分别布置在飞行模块与乘客舱底部，当环境光过低时会自主打开提高场景照度，辅助视觉模块进行图像信息采集.

飞行汽车的对接导引系统在工程实际应用中面临的挑战主要有以下4个方面. 1)深度学习目标检测框架YOLOv4-tiny在实际使用时会产生错误检测帧，包含误检和漏检的情况；与飞行模块固定连接的相机在检测标志AprilTag时，位姿解算精度会被飞行模块姿态影响，即随着观察角度增大而降低. 2)进行全天候导引流程时，夜晚低照度环境会影响视觉模块的识别精度；3)视觉模块识别位姿的数据流连续性稍差，无法输出稳定的数据流，只依赖RTK-GPS导引不仅存在定位精度不足问题，而且信号容易受到环境因素的影响，须融合2个传感器的测量数据. 4)在近程导引阶段，AprilTag测量精度会随着高度逐渐降低而提高，但是在高度较高时误差较大，须进行融合方式的算法修正. 针对上述挑战，本研究文提出以下算法.

在中程导引阶段，利用YOLOv4-tiny算法识别出待对接目标的车体外形轮廓信息，以返回待对接目标在像素平面内的坐标信息. 针对YOLOv4-tiny算法在目标检测过程中极容易出现目标误检、漏检的现象，采用基于滑动窗口的目标检测点密度聚类方法筛查出YOLOv4-tiny算法出现的目标误检或漏检帧，再使用核相关滤波算法(kernel correlation filter，KCF)对目标误检或漏检帧进行修正，最终输出待对接目标在像素坐标系下连续稳定、准确的检测信息流. 设YOLOv4-tiny算法识别出的目标中心点坐标为 $ ({x}_{\mathrm{c}},{y}_{\mathrm{c}}) $，在本研究的自主导引降落场景中，共有i类物体类别，定义YOLOv4-tiny算法正确检测到目标、将其他物体检测成目标的点坐标为 $\left\{{X}\right|{X}=({x}_{\mathrm{c}},{y}_{\mathrm{c}},1)\}$，将目标检测成其他物体的点坐标为 $\left\{{X}\right|{X}=({x}_{\mathrm{c}},{y}_{\mathrm{c}},i),(i\in {{\bf{N}}},i\ne 1)\}$，未检测出目标或者同时检测出多个目标的点坐标为 $\left\{{X}\right|{X}=({x}_{\mathrm{c}},{y}_{\mathrm{c}},0)\}$. 如图4所示，若连续检测到待对接目标的帧数大于设置的阈值时，则将新进入的n帧目标检测点坐标组成帧群，并输入大小为 $ m\times n $的滑动窗口中，再使用密度聚类算法对滑动窗口内的目标检测点进行聚类. 若聚类后返回的簇数大于1，则该输入帧群存在误检或者漏检帧，将新进帧群的前一帧作为KCF算法的初始化帧，对该帧群内的所有目标检测点执行KCF更新步骤. 若连续丢失目标的帧数大于设置的阈值，则不再继续执行KCF算法的初始化及更新，直至重新连续检测到待对接目标的帧数大于设置的阈值时，继续执行滑动窗口目标检测点密度聚类以及KCF初始化、更新步骤.

在近程导引阶段，选用AprilTag算法以提供模块间的相对位姿定位结果. 为了降低导引降落系统的复杂程度，在本研究中，相机与机身底部固连安装，并利用机身姿态角对AprilTag解算出来的位置信息进行补偿修正，以降低机身姿态角变化时对AprilTag算法定位解算结果的影响. 定义相机光心所在轴线垂直于地面时标签相对于相机的位置信息为 ${{\boldsymbol{X}}}'={[x',y',z']}^{\mathrm{T}}$，相机在存在滚转、俯仰角时AprilTag算法解算到的位置信息为 ${{\boldsymbol{X}}}= {[x,y,z]}^{\mathrm{T}}$，则 ${{\boldsymbol{X}}}'$与 ${{\boldsymbol{X}}}$存在关系式

(1) $ {{{\boldsymbol{X}}}}'={\left[{{{\boldsymbol{R}}}}_{x}{{{\boldsymbol{R}}}}_{\mathit{y}}\right]}^{-1} {{\boldsymbol{X}}}. $

式中： ${{{\boldsymbol{R}}}}_{x}$为由相机滚转角确定的旋转矩阵， ${{{\boldsymbol{R}}}}_{y}$为由相机俯仰角确定的旋转矩阵.

针对低照度环境下，视觉图像亮度低、对比度小、噪声大、细节可视性差等因素导致的视觉目标检测的精度下降问题，将轻量化的自适应伽马校正暗光图像增强算法(adaptive gamma correction for image enhancement, AGCIE)^[26]引入，对摄像头输入的视频流信息进行预处理，伽马校正过程表示为

(2) $ {{\boldsymbol{I}}_{{\text{out}}}}{\text{ = }}c{\boldsymbol{I}}_{{\text{in}}}^\gamma . $

式中： ${\boldsymbol{I}}_{{\rm{out}}}$、 ${\boldsymbol{I}}_{{\rm{in}}}$分别为输出和输入图像；c为灰度缩放系数；γ为伽马因子，控制校正的缩放程度. AGCIE可以根据输入图像的对比度和亮度信息，自适应调整c、γ，以在不同的照度下实现最优的图像增强，如图5所示. 当照度过低时，在没有任何外界光源的情况下，增强后的图像存在大量的块状噪声. 此时可通过布置在飞行模块或乘客舱下方的照明单元来辅助照明，以提高场景的照度，再进行图像增强. 在低照度环境中，通过图像增强算法可以极大程度上提高目标模块以及标签的可识别性，从而保证视觉模块的识别精度.

尽管视觉传感器能够在近距离拥有厘米级的定位精度，飞行模块在调整姿态的过程中难以保证视觉算法姿态解算数据的连续性，本研究将RTK-GPS及机载惯性测量单元（inertial measurement unit，IMU）与视觉定位数据融合以获得更加精准、稳定的模块间相对位姿检测信息流. 对传感器进行内、外参标定后，统一测量坐标系以获得待对接目标在各定位传感器中的一致性描述，再使用卡尔曼滤波算法对2种传感器数据进行融合.

定义RTK-GPS传感器测量飞行模块坐标系下待对接目标的位姿为 ${[{x}_{\mathrm{r}},{y}_{\mathrm{r}},{v}_{{x}_{\mathrm{r}}},{v}_{{y}_{\mathrm{r}}},{z}_{\mathrm{r}},{\theta }_{\mathrm{r}}]}^{\mathrm{T}}$，其中 $ {\theta }_{\mathrm{r}} $为飞行模块的偏航角. 在中程导引阶段，视觉传感器测量得到像素坐标系下的待对接目标坐标为 ${[{u}_{\mathrm{s}},{v}_{\mathrm{s}}]}^{\mathrm{T}}$，在近程导引阶段，视觉传感器测量得到相机坐标系下待对接目标上视觉标识物的位姿为 ${[{x}_{{t}},{y}_{{t}},{z}_{{t}},{\theta }_{{{\rm{r}}}}]}^{\mathrm{T}}$. 卡尔曼滤波(Kalman filter, KF)数据融合过程如图6所示，以IMU加速度测量值 ${[{\alpha }_{{x}},{\alpha }_{{y}}]}^{\mathrm{T}}$作为系统的输入 ${\boldsymbol{u}}_{{t}}$，以飞行模块坐标系下的待对接目标位姿 ${[{x}_{\mathrm{r}},{y}_{\mathrm{r}},{v}_{{x}_{\mathrm{r}}},{v}_{{y}_{\mathrm{r}}},{z}_{\mathrm{r}},{\theta }_{\mathrm{r}}]}^{\mathrm{T}}$作为系统的状态变量. 飞行模块的运动方程为

(3) $ \left.\begin{array}{l}{x}_{{t}+1}={x}_{{t}}+{v}_{{{x}}_{{t}}}{d}_{{t}}+0.5{a}_{{x}}{d}_{{t}}{}^{2}{，}\\ {y}_{{t}+1}={y}_{{t}}+{v}_{{{y}}_{{t}}}{d}_{{t}}+0.5{a}_{{y}}{d}_{{t}}{}^{2}{，}\\ {v}_{{{x}}_{{t}+1}}={v}_{{{x}}_{{t}}}+{a}_{{x}}{d}_{{t}}{，}\\ {v}_{{{y}}_{{t}+1}}={v}_{{{y}}_{t}}+{a}_{{y}}{d}_{{t}}{，}\\ {z}_{{t}+1}={z}_{{t}},\;\Delta{\theta }_{{t}+1}=\Delta{\theta }_{{t}}.\end{array} \right\}$

当观测值为 RTK-GPS 或 AprilTag 数据时，采用KF算法，则状态预测步表示为

(4) $ \begin{array}{l} {\boldsymbol{X}}_{t+1}={\boldsymbol{F X}}_{t}+{\boldsymbol{B u}}_{t},\; {\boldsymbol{P}}_{t+1}={\boldsymbol{F P}}_{t} {\boldsymbol{F}}^{{\rm{T}}}+{\boldsymbol{Q}}. \end{array} $

其中系统的输入 ${\boldsymbol{u}}_{{\rm{t}}}={[{a}_{{\rm{x}}},{a}_{{\rm{y}}}]}^{\mathrm{T}}$，协方差矩阵的初始值 P 为6×6阶单位矩阵，F、B分别为

(5) $ \boldsymbol{F}=\left[\begin{array}{llllll} 1 & 0 & d_{t} & 0 & 0 & 0 \\ 0 & 1 & 0 & d_{t} & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 \end{array}\right], $

(6) $ {\boldsymbol{B}}=\left[\begin{array}{cc} 0.5 d_{t}^{2} & 0 \\ 0 & 0.5 d_{t}^{2} \\ d_{t} & 0 \\ 0 & d_{t} \\ 0 & 0 \\ 0 & 0 \end{array}\right]. $

更新步表示为

(7) $ \left. \begin{array}{l} \boldsymbol{K}_t=\boldsymbol{P}_t \boldsymbol{H}_{\mathrm{r}}^{\mathrm{T}}\left(\boldsymbol{H}_{\mathrm{r}} \boldsymbol{P}_t \boldsymbol{H}_{\mathrm{r}}^{\mathrm{T}}+\boldsymbol{R}\right)^{-1}, \\ \boldsymbol{X}_t^{\prime}=\boldsymbol{X}_t+\boldsymbol{K}_t\left(\boldsymbol{Z}_t-\boldsymbol{H}_{\mathrm{r}} \boldsymbol{X}_t\right), \\ \boldsymbol{P}_t^{\prime}=\left(\boldsymbol{I}-\boldsymbol{K}_t \boldsymbol{H}_{\mathrm{r}}\right) \boldsymbol{P}_t . \end{array}\right\} $

当观测值为RTK-GPS数据时，H_r为6×6阶单位矩阵；当观测值为 AprilTag数据时，

(8) $ \boldsymbol{H}_{{\rm{r}}}=\left[\begin{array}{llllll} 1 & 0 & 0 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 \end{array}\right]. $

R为对应传感器的测量不确定度矩阵. 当使用AprilTag测量数据进行更新时，使用线性修正因子修正R以获得更加准确的融合定位结果. 当观测数据为YOLOv4-tiny+KCF数据时，采用扩展卡尔曼滤波(extended Kalman filter, EKF)算法对状态变量进行更新，预测步状态方程为

(9) $ \begin{array}{l} {\boldsymbol{X}}_{t+1}={\boldsymbol{F ^{\prime} X}}_{t}+{\boldsymbol{B}} {\boldsymbol{u}}_{t},\; {\boldsymbol{P}}_{t+1}={\boldsymbol{F}}^{\prime} {\boldsymbol{P}}_{t} {\boldsymbol{F}}^{\prime {\rm{T}}}+{\boldsymbol{Q}}. \end{array} $

其中状态转移矩阵 ${\boldsymbol{F}}^{\prime}$为

(10) $ \begin{split} {\boldsymbol{F'}} =& \left[ {\begin{array}{*{20}{l}} {\dfrac{{{{\rm{\rm{d}}}}x}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}x}}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}x}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}x}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}x}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}x}}{{{{\rm{d}}}\theta }}} \\ {\dfrac{{{{\rm{d}}}y}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}y}}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}y}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}y}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}y}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}y}}{{{{\rm{d}}}\theta }}} \\ {\dfrac{{{{\rm{d}}}{v_{{x}}}}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}{v_{{x}}}}}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}{v_{{x}}}}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}{v_{{x}}}}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}{v_{{x}}}}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}{v_{{x}}}}}{{{{\rm{d}}}\theta }}} \\ {\dfrac{{{{\rm{d}}}{v_{{y}}}}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}{v_{{y}}}}}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}{v_{{y}}}}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}{v_{{y}}}}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}{v_{{y}}}}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}{v_{{y}}}}}{{{{\rm{d}}}\theta }}} \\ {\dfrac{{{{\rm{d}}}z}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}z}}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}z}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}z}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}z}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}z}}{{{{\rm{d}}}\theta }}} \\ {\dfrac{{{{\rm{d}}}\theta }}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}\theta }}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}\theta }}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}\theta }}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}\theta }}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}\theta }}{{{{\rm{d}}}\theta }}} \end{array}} \right] = \\ &\left[ {\begin{array}{*{20}{l}} 1&0&{{d_{{t}}}}&0&0&0 \\ 0&1&0&{{d_{{t}}}}&0&0 \\ 0&0&1&0&0&0 \\ 0&0&0&1&0&0 \\ 0&0&0&0&1&0 \\ 0&0&0&0&0&1 \end{array}} \right]. \end{split} $

更新步表示为

(11) $ \left.\begin{array}{l} \boldsymbol{K}_{t}=\boldsymbol{P}_{t} \boldsymbol{H}_{{\rm{j}}}^{\mathrm{T}}\left(\boldsymbol{H}_{f} \boldsymbol{P}_{t} \boldsymbol{H}_{{\rm{j}}}^{\mathrm{T}}+\boldsymbol{R}_{y}\right)^{-1}, \\ \boldsymbol{X}_{t}^{\prime}=\boldsymbol{X}_{t}+\boldsymbol{K}_{t}\left(\boldsymbol{Z}_{t}-h\left(\boldsymbol{X}_{t}\right)\right), \\ \boldsymbol{P}_{t}^{\prime}=\left(\boldsymbol{I}-\boldsymbol{K}_{t} \boldsymbol{H}_{{\rm{j}}}\right) \boldsymbol{P}_{t}. \end{array}\right\} $

其中 ${\boldsymbol{H}}_{{\rm{j}}}$为雅克比矩阵，

(12) $ \begin{split} {{\boldsymbol{H}}_{{{\rm{j}}}}} =& \left[ {\begin{array}{*{20}{l}} {\dfrac{{{{\rm{d}}}u}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}u}}{{{{\rm{d}}}y}}}&{\dfrac{{{{\rm{d}}}u}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}u}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}u}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}u}}{{{{\rm{d}}}\theta }}}\\ {\dfrac{{{{\rm{d}}}v}}{{{{\rm{d}}}x}}}&{\dfrac{{{{\rm{d}}}v}}{{{{\rm{d}}}y}}}&{\dfrac{{{\rm{d}}v}}{{{{\rm{d}}}{v_{{x}}}}}}&{\dfrac{{{{\rm{d}}}v}}{{{{\rm{d}}}{v_{{y}}}}}}&{\dfrac{{{{\rm{d}}}v}}{{{{\rm{d}}}z}}}&{\dfrac{{{{\rm{d}}}v}}{{{{\rm{d}}}\theta }}} \end{array}} \right]{{ = }} \\ &\left[ {\begin{array}{*{20}{c}} {{{{f}}_{{{{x}}}}}/{z_{{{\rm{r}}}}}}&0&0&0&{ - {{{f}}_{{{{x}}}}}/z_{\rm{r}}^2}&0 \\ 0&{{{{f}}_{{y}}}/{z_{\rm{r}}}}&0&0&{ - {{{f}}_{{y}}}/z_{\rm{r}}^2}&0 \end{array}} \right]. \end{split} $

式中： ${{f}}_{{{{x}}}}$、 ${{f}}_{{y}}$为相机水平方向和竖直方向上的归一化焦距；z_r为此时的RTK-GPS测量数据中飞行模块与待对接目标之间的相对高度； $h\left({\boldsymbol{X}}_{{t}}\right)$为飞行模块坐标系下的点到像素坐标系的非线性映射，计算式为

(13) $ h\left( {{{\boldsymbol{X}}_{{t}}}} \right) = {[u,v,1]^{\text{T}}} = {\boldsymbol{K}}{\mathop z\nolimits_{\rm{r}}^{ - 1}}{\boldsymbol{T}}_{{\text{cf}}}^{ - 1}{\left[ {{x_{\text{r}}},{y_{\text{r}}},{z_{\text{r}}},1} \right]^{\text{T}}}. $

式中： ${\boldsymbol{T}}_{\mathrm{c}\mathrm{f}}$为相机坐标系到飞行模块坐标系的转换矩阵.

为了更好地描述近距离AprilTag算法定位解算的误差规律，基于修正因子的近程导引数据融合方法来提升多传感器融合的最终精度. 相机与标签之间的相对位姿影响AprilTag的定位精度，在本研究的自主导引降落过程中，位置、航向方向上的偏差校正是位姿微调的过程，在位姿校正过程中的每个时刻，相机的俯仰、滚转角变化不大，因此本研究重点考虑相机与标签的三轴距离对AprilTag定位解算结果的影响.

在Gazebo仿真软件中进行取点采样，设置位于X轴上的取样点为 $\{\mathrm{0,0.5,1.0},\mathrm{1.5,2.0},\mathrm{2.5,3.0},3.5\} $，位于Y轴上的取样点位 $ \{\mathrm{0,0.5,1.0},\mathrm{1.5,2.0},\mathrm{2.5,3.0},3.5\} $，位于Z轴上的取样点位为 $\{\mathrm{1.5,2.5,3.5,4.5}\} $，总计256个采样点位，将AprilTag解算出的数据与真实值进行对比得到定位误差如图7所示，其中X_e、Y_e、Z_e和 $ {\theta }_{\mathrm{e}} $分别为横向、纵向、高度和偏航角误差，X_b和Y_b为横向和纵向的偏移量. 可以得出，AprilTag解算出来的X、Y方向位置精度随着高度以及各自方向的偏移量的增大而增大，且误差值近似趋于线性增长，在相同偏移量、不同高度条件下的X、Y方向定位误差的变化较小. 还可以得出，在不同Y方向偏移量下的X方向定位误差基本呈水平线状，波动不大，其影响程度远小于不同X方向偏移量以及高度z带来的影响. 同样的，在不同Y方向偏移量下的Y方向定位误差变化也不明显. 从采样数据中发现，不同X、Y方向的偏移量对Z_e、 $ {\theta }_{\mathrm{e}} $的影响较小，取各个高度层Z方向定位误差平均值，得到图7(e)，从中得出Z方向的定位误差随着高度的增大而增大，且误差值也近似趋于线性增长. 取各个不同高度层数据的偏航定位误差平均值，得到图7(f)，可以看出偏航误差基本不随高度的增大而变化.

忽略对X、Y方向定位误差的弱影响项，即认为X、Y方向的定位误差仅与对应方向的偏移量有关，本研究提出修正因子对近程卡尔曼滤波融合算法中AprilTag测量更新步的R矩阵进行修正，修正因子

(14) $ {\bf\textit{ω}} = \left[ {\begin{array}{*{20}{c}} {{{A}}x+{{{A}}_0}}&0&0&0 \\ 0&{{{B}}y+{{{B}}_0}}&0&0 \\ 0&0&{{{C}}z+{{{C}}_0}}&0 \\ 0&0&0&1 \end{array}} \right]. $

式中： $ {A} $、 $ {{A}}_{0} $和 $ {B} $、 $ {{B}}_{0} $以及 $ {C} $、 $ {{C}}_{0} $分别为 $ {X}{、}{Y}{和}{Z} $方向的修正常数， $ x{、}y{和}z $分别取上一时刻融合结果的对应值，经过修正后的矩阵表示为

(15) $ \boldsymbol{R}^{\prime}={\bf\textit{ω}}\boldsymbol{R}. $

为了验证本研究算法的鲁棒性及有效性，分别在仿真平台与工程应用平台上进行试验. 工程应用平台与分体式飞行汽车的对应关系如图8所示，其中对接机构允许的位置偏差为6 cm，航向偏差为5°. 仿真部分在Gazebo仿真软件中基于PX4 ROS环境进行无人机仿真试验，所有算法均基于OpenCV库实现编程.

在工程应用平台上，选择最大起飞重量为50 kg的六旋翼飞行器作为飞行模块，其底部安装对接机构、视觉传感器和处理器. 视觉传感器选择型号为KS2A543的全局快门单目相机，其焦距为3.6 mm，采用640×480的分辨率和30 Hz的采样率. 选用的RTK-GPS传感器精度为厘米级（定位精度受距离、电磁干扰和环境遮蔽等因素影响），最大有效距离为10 km. 乘客舱部分使用碳纤维结构，并置有定位传感器、中央处理器以及对接锁定机构. 地面行驶模块框架由亚克力板搭建，其上置有对接机构和视觉标识，增加车辆构型因素来模拟车体特征. 其中工程平台的对接机构为1∶2缩比原理样机，对接机构要求的对接精度误差为6 cm.

为了验证中程视觉导引算法的有效性，在仿真平台中搭建2个不同场景下的中程导引阶段待对接目标识别环境，定义待对接目标（suv）、干扰项（pika）为YOLOv4-tiny算法的目标识别类别. 在目标的错误检测帧中，图9(a)、(c)分别为待对接目标在场景一、二中被误检成物体的修正过程，当聚类簇数大于1时，采用KCF算法更新策略，组合算法输出待对接目标的正确定位信息；图9(b)、(d)分别为待对接目标在场景一、二中漏检情况下的修正过程，在YOLOv4-tiny算法丢失待对接目标后的一段时间内，组合算法仍能准确输出待对接目标的定位信息.

对比本研究使用的中程视觉目标检测算法与连续自适应均值偏移(Camshift)算法、KCF算法、YOLOv4-tiny原算法的目标检测效果，结果如表1所示，其中FNR为误检率，FPR为漏检率，ACC为正确率，v为检测速度. 可以得出，Camshift算法对目标背景颜色的要求较高，检测框难以锁定目标，误检率较高；当目标在视野中缓慢移动时，KCF算法跟踪效果较好，但是当丢失目标后，算法难以再正确检测到目标；本研究的组合算法在选取的目标识别正确率较低的场景中，以较高的正确率识别出待对接目标并输出其定位信息，完成错误帧的修正，但在丢失目标时长超出阈值后，组合算法不再对目标进行漏检帧修正，存在漏检的情况.

为了验证近程视觉导引算法的有效性，在仿真平台上设计X轴水平方向上具有不同风速干扰的自主导引降落场景，对比在有无姿态补偿影响下的无人机导引降落最终位置误差，如图10所示，其中 $ \varphi $为无人机的横滚角. 随着风速的提升， $ \varphi $变大，无姿态补偿下的导引降落位置误差逐步增大，在最大风速（即滚转角最大）条件下，无姿态补偿下X方向的位置误差已经超出0.1 m，姿态补偿条件下的X方向位置误差仍不超过0.1 m. 上述试验结果验证了姿态补偿能够提高AprilTag算法在风扰条件下的适应性，保证了对接导引过程的最终降落精度.

为了验证近程数据融合定位修正算法的有效性. 在近程导引阶段中，先规划飞行模块的航迹，再分别使用经过修正因子修正后的R矩阵与初始矩R矩阵进行多传感器数据融合. 经过融合后的位姿估计结果如图11所示. 可以得出，当AprilTag算法的位姿解算结果出现跳变时，融合算法能够很好地抑制噪声数据，实现稳定的相对定位测量. 还可以得出，使用经过修正的R矩阵进行数据融合的位置、高度估计偏差小于使用初始R矩阵的结果，在飞往最后一个航点时，飞行模块位于AprilTag正上方，X、Y方向偏移量和高度在整个航迹飞行过程中都比较小，属于在较近距离对AprilTag标签检测的情况，定位精度较高. 此时使用修正R矩阵的数据融合方法在利用AprilTag的定位数据更新飞行模块状态时，其结果将更加偏向AprilTag的测量，因此位置估计精度更高. 如图12所示为飞行模块在飞航点任务时使用修正R矩阵与初始R矩阵的三维轨迹对比.

如表2所示为使用修正R矩阵与初始R矩阵的多传感器数据融合位姿估计误差对比，其中 $ {{\overline X}_{\mathrm{e}}} $、 $ {{\overline Z}_{\mathrm{e}}} $和 $ {{\overline \theta }_{\mathrm{e}}} $在使用修正R矩阵的近程多传感器数据融合过程中，平均位置估计偏差将比使用初始R矩阵的结果降低约28%，能够输出更加稳定、准确的模块间相对位姿检测信息流.

为了验证本研究算法的实际工程应用效果，在工程验证平台下进行自主导引降落试验. 将基于多传感器数据融合的自主导引降落试验分2个部分进行.

如图13所示，在远程阶段，飞行模块通过RTK-GPS定位导引至地面行驶模块及乘客舱的上方区域；随后中程YOLOv4开始识别地面行驶模块及乘客舱组合体，此时高度不断下降. 一旦相机捕捉到对接机构内的AprilTag信息，立刻将AprilTag数据优先作为导引数据转入近程阶段，最终使其精准落至对接机构中. 在上对接验证试验过程中，飞行模块与待对接模块的相对位姿偏差变化如图14所示.

如图15所示，试验流程与上对接类似，远程阶段，飞行模块携带乘客舱通过RTK-GPS定位导引至地面行驶模块上方，随后中程YOLOv4开始识别地面行驶模块的整体特征，此时飞机不断下降并修正水平以及航向位姿. 一旦相机捕捉到位于行驶模块中心机构的AprilTag信息，立刻将AprilTag数据优先作为导引数据，使其精准落至对接机构中. 下对接验证试验过程中，飞行模块与待对接模块的相对位姿偏差变化如图16所示.

尽管在中程和近程导引阶段中，难以保证在每帧图像中都能对目标进行识别并解算，会出现定位数据丢失的情况，但融合算法依然能够输出光顺的相对位姿检测数据，这保证了控制系统输出的平顺性. 在上述2个导引阶段中，融合算法选择更加信任在近距离定位误差更小的AprilTag测量数据，使定位结果更加精确. 融合算法精准、稳定的相对位姿检测不仅有效避免了因视觉定位数据丢失导致对接导引过程失败的情况，也解决了只使用RTK-GPS导引存在的定位精度不足问题. 在对接流程逻辑设计中，本对接系统同样考虑了安全性措施，当水平位置偏差或航向偏差不满足当前阈值要求时，导引系统会指示飞行模块向上爬升到安全高度后重新对偏差进行修正，直到满足阈值要求后继续降落，因此图14(c)和图16(c)的末端图像起伏. 在对接机械机构圆锥面的作用下，位置偏差、航向偏差得到完全修正，飞行模块精准降落在待对接模块上，对接导引任务完成.

针对分体式飞行汽车实现模态转换时需要获得精准、稳定的模态间相对位姿测量的问题，本研究1）设计基于RTK-GPS以及视觉传感器数据融合的无人机自主导引降落技术方案. 2）通过利用KCF核相关滤波算法和基于滑动窗口的目标检测点密度聚类方法，修正了YOLOv4-tiny目标检测的误检漏检情况. 3）通过姿态补偿算法减小相机与机身固连时机身姿态角对AprilTag算法定位解算结果的影响. 4）采用暗光图像增强技术提高在低照度环境下视觉导引算法的鲁棒性. 5）通过基于卡尔曼滤波的多传感器数据融合方法将RTK-GPS与视觉定位数据融合，获得精准、稳定的模块间相对位姿检测信息流. 6）在搭建的仿真平台和工程应用平台上进行了全流程对接试验. 试验结果表明，本研究提出的导引方案可以满足仅允许6 cm降落对接偏差的要求，验证了技术的高精度和可靠性. 随着项目进度的进行，计划在未来的工作中进一步扩展试验场景和试验组数，以更充分地验证全自主对接导引技术在不同场景下的表现. 同时，将考虑不同飞行控制和天气条件对本研究的影响.