基于DSP的无人机自主着舰识别算法

合集下载

基于机器学习的舰船目标识别技术研究

基于机器学习的舰船目标识别技术研究近年来，伴随着科技的不断发展，航海技术也在不断更新，其中，基于机器学习技术的舰船目标识别技术备受关注。

本文将探讨这一技术的研究现状、方法和应用前景。

一、技术研究现状目标识别是舰船探测与追踪的重要环节，而传统的目标识别方法通常是基于手工设计特征进行的，这种方法在实际应用中存在许多问题，比如准确率不高、计算复杂度大等。

不过，随着机器学习技术的发展，这一问题得到了一定程度的缓解。

目前，基于机器学习技术的舰船目标识别主要有两种方法：1. 基于卷积神经网络的方法卷积神经网络（CNN）是一种深度学习算法，其可对输入数据进行学习提取特征，并能够处理大规模高维数据。

因此，基于CNN的舰船目标识别方法具备很强的特征抽取能力，且在实践中表现良好。

2. 基于支持向量机的方法支持向量机（SVM）是一种常用的分类算法，其基本思想是找到一个最优超平面将不同类别的数据分开。

相比于基于CNN的方法，基于SVM的方法更加适用于小样本数据集，在实际应用中表现也较为出色。

二、技术方法在实际应用中，舰船目标识别可分为以下几个步骤：1. 数据获取和预处理首先需要获取包含舰船目标的数据，并对数据进行预处理，包括图像矫正、去噪等。

2. 特征提取接着对预处理后的数据提取特征，这是舰船目标识别的关键环节。

对于基于CNN的方法，特征提取是由网络自动完成的，而对于基于SVM的方法，则需要手工设计特征。

3. 模型训练得到特征后，需要通过模型训练来学习分类器。

根据所选取的算法类型不同，训练过程会有所不同。

4. 目标识别最后，通过新的数据输入训练后的模型，进行目标识别。

三、应用前景舰船目标识别技术的应用前景非常广泛。

例如，在军事领域中，舰船目标识别是提高海军战斗力、保障安全的一个重要方面。

此外，在海上交通管制和安全监控方面也有很大应用。

然而，在实际应用中，舰船目标识别技术也存在一些问题，比如不同姿态下的舰船目标识别、对舰船种类、名称、型号等信息的精确识别等。

基于机载视觉的舰载无人机自主着舰引导技术研究

第 39 卷
平滑物体边界。形态学闭运算通过先膨胀后腐蚀的方式实现，闭运算可以填充图像中的细小孔洞，连接邻近物体。 4）利用 Canny 算子检测地标图像边缘，并进行拟合，得到清晰的地标图像边界。 Canny 边缘检测算子对边缘敏感，但同时又有效地抑制噪声，是常用的边
图 1 总体方案设计框图 Fig. 1 Block diagram of overall scheme design
1 无人机自主着舰引导方案设计
无人机自主着舰的总体方案如图 1 所示。舰载无人机自主着舰技术需要结合 GPS/INS 导航系统和视觉
收稿日期 : 2017 – 08 – 20 作者简介 : 刘刚 (1981 – ) ，男，硕士，讲师，主要研究方向为电子信
关键词：舰载无人机；视觉导航；自主着舰中图分类号： V27 文献标识码： A 文章编号： 1672 – 7649(2017)10A – 0189 – 03 doi： 10.3404/j.issn.1672 – 7649.2017.10A.064
Research on automatic landing technology of shipboard uav based on computer vision
干扰，但是计算结果误差会累积。全球定位系统采用多颗卫星来实现目标的定位，但是 GPS 信号易受外界环境干扰，因此单独使用 GPS 系统不足以满足无人机导航要求。计算机视觉技术飞速发展，视觉导航技术也逐步发展。视觉导航通过视觉系统采集实时图像，再利用图像处理技术对图像进行处理，通过对特征的提取和匹配，可计算出无人机的姿态，进而为飞控系统提供导航参数。相对于其他的导航技术，视觉导航具有很多优点： 1）获取外界信息量大， 2）抗干性能力强， 3）体积小、重量轻。

基于DSP的双桨无人艇直线路径跟踪设计与方法

- 118 -第6期2019年3月No.6March，2019无人艇作为一种无人水面智能平台，具有成本低、适应性强、操纵灵活、易于维护等特点[1]，有着广阔的应用及发展前景。

可根据下达的不同命令完成相应的任务，如侦查、搜救、巡逻、排雷、反恐攻击等。

无人艇包括单桨单舵、双桨、双桨带舵、双桨双舵、单泵喷水等多种运动方式，无人艇的设计涉及艇体制造、动力推进、通信导航、运动控制等方面。

无人艇的研究设计，也带起了国内外学者一片火热的学术风潮。

无人艇的运动控制技术也是倍受关注。

文元桥等[2]针对航行环境和船速变化下的无人艇路径跟踪控制问题，提出了一种基于变增益内模控制方法的无人艇自适应路径跟踪控制器。

利用视距（Line of Sight ，LoS ）制导算法设计并实现无人艇的自适应路径跟踪控制器。

董早鹏等[3]针对无人艇高速航行过程中航向控制问题，提出一种基于改进细菌觅食算法优化的PD 控制算法。

用于优化PD 控制参数，并通过半物理仿真实验验证了所提出算法的有效性、可靠性和优越性。

赵东明等[4]针对常规PID 控制器在无人艇航向控制系统中表现出抗干扰能力弱、控制精度低等问题，提出了一种应用模糊神经网络算法的航向控制器设计方法，提高了无人艇在复杂环境中的自适应能力。

廖煜雷等[5]针对单泵喷水推进器提出了一种反步自适应滑模控制方法，证明了该定律可以保证航向跟踪系统的全局渐近稳定性。

本文研究的主要内容为双桨无人艇的直线路径跟踪问题，被控对象为一艘双桨无人水面艇。

通过对艇载差分GPS 和位姿传感器等艇载高精度传感器数据的解算，对两个螺旋桨的转速进行实时控制，从而实现双桨无人艇的直线路径跟踪功能。

1 系统架构与功能无人艇控制系统分为两部分：岸基控制中心和无人艇艇载控制中心，彼此之间使用了4G 的通讯方式，通过以太网进行传感器数据以及控制命令的传输，具体框架如图1所示。

其中，艇载控制中心由5个主要部分构成，第一个为岸基控制中心和艇载控制中心的通讯链路部分，艇载控制中心通过4G 路由器和岸基控制中心的4G 路由器之间通过以太网进行通讯，方便岸基控制中心能够向艇载控制中心发送控制指令，使得艇载控制中心能够向岸基控制中心发送艇载传感器测得的各项参数和无人艇实时的运动状态等信息，从而使得人机交互界面更加友善，方便研发调试人员对无人艇的自主功能进行调试。

一种舰载无人机自主着舰的飞行控制系统[实用新型专利]

专利名称：一种舰载无人机自主着舰的飞行控制系统专利类型：实用新型专利
发明人：王硕,甄子洋,王新华,江驹,孙一力
申请号：CN201420751757.X
申请日：20141204
公开号：CN204341410U
公开日：
20150520
专利内容由知识产权出版社提供
摘要：本实用新型公开了一种舰载无人机自主着舰的飞行控制系统，通过激光高度传感器和气压高度计数据融合可获得无人机的精确高度，通过差分GPS可获得无人机和舰载平台的相对位置，机载飞行控制系统根据以上信息和无人机期望的飞行轨迹可解算出副翼、升降舵、油门和方向舵的大小，控制无人机按预定轨迹着舰。

该控制方案采用激光高度传感器和气压高度计数据融合获取无人机高度，相对于传统的气压高度计测量的高度更加快速、精准；飞行控制律采用带俯仰角负反馈的总能量控制系统相对于传统的单输入单输出控制器，高度、速度控制更加精确，相对于无俯仰角负反馈的总能量控制系统的优点是可以控制无人机下滑、着舰姿态，保证了无人机的飞行安全。

申请人：南京航空航天大学
地址：210016 江苏省南京市秦淮区御道街29号
国籍：CN
代理机构：江苏圣典律师事务所
代理人：贺翔
更多信息请下载全文后查看。

一种基于无人艇姿态主动反馈的无人机自主着舰方法

一种基于无人艇姿态主动反馈的无人机自主着舰方法近年来，随着航空业的快速发展，无人机技术越来越成熟，无人机应用也越来越广泛。

其中，无人机的自主着舰技术一直是一个备受关注的研究领域。

本文将介绍一种基于无人艇姿态主动反馈的无人机自主着舰方法。

一、研究背景无人机着陆是无人机应用中非常重要的一个环节，着陆质量的好坏直接影响无人机的使用效果和寿命。

传统的无人机着陆方法主要是通过地面控制站对无人机进行遥控着陆，这种方法需要大量的人力和物力，而且存在着陆精度不高、对着陆环境要求高等问题。

因此，自主着舰技术的研究一直是无人机领域的研究热点。

二、研究内容本研究提出了一种基于无人艇姿态主动反馈的无人机自主着舰方法。

该方法的核心思想是利用无人艇的姿态控制技术，实现对无人机的引导和控制。

该方法主要包括以下几个步骤：1. 无人艇姿态控制无人艇的姿态控制是本方法的关键技术之一。

无人艇通过搭载陀螺仪、加速度计、磁力计等传感器，对艇体姿态进行实时测量和控制。

当无人艇发现无人机偏离预定着陆区域时，利用姿态控制系统，对无人机进行姿态修正和引导，使其恢复到预定着陆区域。

2. 无人机姿态反馈无人机在着陆过程中，需要实时反馈其姿态信息。

本方法采用了一种基于无人机姿态反馈的技术，即利用无人机自身搭载的传感器，实时测量无人机的姿态信息，并将其反馈给无人艇。

无人艇根据无人机的姿态信息，实时调整自身的姿态，以确保无人机能够顺利着陆。

3. 基于计算机视觉的着陆区域识别本方法采用了一种基于计算机视觉的着陆区域识别技术。

通过在无人艇上安装摄像头，实时识别着陆区域的位置和大小，并将其反馈给无人艇的姿态控制系统。

无人艇根据着陆区域的位置和大小，对无人机进行引导和控制，以确保其安全着陆。

三、研究成果本研究的主要成果是一种基于无人艇姿态主动反馈的无人机自主着舰方法。

该方法具有以下几个优点：1. 着陆精度高本方法采用了计算机视觉技术，可以准确识别着陆区域的位置和大小，从而保证无人机能够精准着陆。

无人机航拍视频的船舶检测算法

无人机航拍视频的船舶检测算法
沈洋
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2018(000)025
【摘要】Vibe算法是一种速度快、效率高的背景建模算法,它的思想简单,很好实现,但是在运动目标的检测过程中,Vibe算法也有不足之处.针对无人机航拍视频中的高频干扰所导致的误检以及目标检测不完整等问题,在Vibe算法的大前提下,提出结合帧差算法的一种改进的Vibe算法,同时对前景图像进行膨胀和腐蚀运算去除噪声,再对目标区域的空洞进行填充处理,以此获得更加完整的运动目标.实验表明,改进的Vibe算法对比传统的算法,对于运动目标的检测效果更好,对前景的检测更加快速准确.
【总页数】4页(P52-55)
【作者】沈洋
【作者单位】上海海事大学信息工程学院,上海 201306
【正文语种】中文
【相关文献】
1.基于无人机航拍图像的公路标线检测算法 [J], 王立春;刘宁钟;李强懿
2.彩色形态学无人机航拍影像边缘检测算法 [J], 秦娜;苏金凤
3.彩色形态学无人机航拍影像边缘检测算法 [J], 秦娜;苏金凤;
4.基于强化底层特征的无人机航拍图像小目标检测算法 [J], 吕晓君;向伟;刘云鹏
5.运动船舶参数视频检测算法 [J], 王江;廖娟;陈星明;李勃;陈启美
因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器学习算法的船舶自动识别系统设计

基于机器学习算法的船舶自动识别系统设计船舶自动识别系统（AIS）是一种关键技术，能够通过卫星和地面市场的接收器来实时跟踪船舶的位置、航向和速度等信息。

现在，越来越多的船舶开始配备AIS设备，这不仅提高了船舶导航的安全性，而且也有助于船运业的管理和监控。

而基于机器学习算法的AIS系统，则更加智能化和自动化，让船舶监控更加高效精准。

机器学习（Machine Learning）是一种人工智能的分支，能够让计算机从一系列的数据样本中学习出规律和特征，进而进行预测和决策等任务。

基于机器学习的AIS系统，就可以通过学习海上的运动规律、船舶的特征等信息，来完成自动识别和预测的任务。

首先，基于机器学习的AIS系统需要进行有效的数据采集和处理。

一般来说，AIS系统会自动对船舶的信息进行记录和存储，这些信息包括船名、IMO号、MMSI号、位置、速度、航向、船长、船宽、吃水等。

然后，可以通过各种方法和工具对这些数据进行分析和处理，其中包括数据清理、归一化、降维、特征提取等操作，以达到更好地知识发掘和应用的目的。

接着，需要进行机器学习算法的选择和建模。

在AIS系统中，可以采用多种机器学习算法，如朴素贝叶斯、支持向量机、决策树、神经网络等，根据具体的任务需求和数据特征来选择适合的算法和模型。

例如，可以使用基于半监督学习的聚类算法来发现船舶流的聚类结构，或者使用基于深度学习的卷积神经网络来实现船舶类型的自动识别。

最后，需要进行机器学习模型的效果评估和调优。

在模型训练和应用过程中，需要考虑到模型的预测精度、鲁棒性、时间效率、资源消耗等指标。

因此，可以采用交叉验证、ROC曲线、F1-score 等评估方法，来综合得到模型的表现和局限，并进行相应的参数优化和模型选择。

总之，基于机器学习算法的AIS系统设计，是一个涉及到数据处理、算法选择和模型评价的复杂技术，需要从不断的实践和优化中不断进步。

通过机器学习技术的应用，可以为海上航行安全提供更可靠的数据支持，为船运管理提供更智能化和高效的决策支持，也可以为未来的智慧海洋建设奠定更坚实的基础。

基于DSP的无人机自主着舰识别算法

基于DSP的无人机自主着舰识别算法史阳阳;庄丽葵;曹云峰;王彪【期刊名称】《太赫兹科学与电子信息学报》【年(卷),期】2013(000)005【摘要】针对复杂海面环境造成的图像干扰变形给无人机着舰过程中人工标识的识别带来的困难，采用了一种基于仿射不变矩和支持向量机(SVM)的识别方法，首先采集各种变形下的适量标识样本，经过适当的预处理之后，提取其仿射不变矩，然后送入 SVM进行训练识别，并且给出了在 DSP 系统内基于上述流程的实现方法。

实验表明，该方案对于图像在各种小幅度干扰变形下的识别率均达到了90%以上，平均每帧测试时间为170 ms，对于旋翼型无人机自主着舰具有一定的实用性。

%Deformation of the image caused by interference for the complex environment of the sea can bring some difficulty to the UAV’s recognition of the artificial sign in the process of landing on a ship. A recognition method based on affine invariant moments and Support Vector Machine(SVM) is proposed. Firstly, some artificial sign samples under various deformation are collected. After preprocessing, affine invariant moments are extracted, and then are put into SVM classifier to complete artificial sign recognition. Finally,the realization based on the method within Digital Signal Processor(DSP) system is given. Experimental results show that the recognition rate is as high as 90% and the average frame test time is about 170 ms for the images in a variety of smallamplitude distortion. So it exhibits a certain practicality for autonomous landing of Rotor UAV.【总页数】6页(P712-717)【作者】史阳阳;庄丽葵;曹云峰;王彪【作者单位】南京航空航天大学自动化学院，江苏南京 210016;南京航空航天大学自动化学院，江苏南京 210016;南京航空航天大学自动化学院，江苏南京210016;南京航空航天大学自动化学院，江苏南京 210016【正文语种】中文【中图分类】TN965.7+2;V249.32+【相关文献】1.基于紫外成像引导技术的无人机自主着舰研究 [J], 丁宸聪2.基于红外视觉的无人机自主着舰合作目标的研究 [J], 嵇盛育;徐贵力;冯文玲;刘小霞3.基于DSP的无人机自主着舰识别算法 [J], 史阳阳;庄丽葵;曹云峰;王彪;4.基于机载视觉的舰载无人机自主着舰引导技术研究 [J], 刘刚;刘晓航5.基于扩张鸽群优化的舰载无人机横侧向着舰自主控制 [J], 何杭轩;段海滨;张秀林;邓亦敏因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器视觉的船舶智能航行主动安全辅助技术及系统建构方法

基于机器视觉的船舶智能航行主动安全辅助技术及系统建构方
法
基于机器视觉的船舶智能航行主动安全辅助技术和系统建构方法是指利用机器视觉技术来提高船舶的智能航行和主动安全辅助能力的一种方法和系统。

下面是一种可能的技术和系统建构方法的示例：
1. 传感器系统：包括高分辨率摄像机、激光雷达、红外传感器等。

这些传感器被安装在船体不同位置，可以实时获取船舶周围环境的图像和数据。

2. 图像处理算法：利用计算机视觉技术对传感器获取的图像进行处理和分析，包括目标检测、目标跟踪、目标识别等。

这些算法可以实时地提取和识别出船舶周围的其他船只、障碍物、浮标等。

3. 决策与控制系统：根据图像处理的结果和船舶的自身状态，通过算法和模型进行决策和控制操作。

例如，当检测到其他船只靠近时，系统可以通过自动控制舵机和推进器来避免碰撞。

4. 系统集成和通信：将传感器系统、图像处理算法和决策与控制系统进行集成，形成一个整体的智能船舶系统。

同时，与其他船舶、岸基监控中心等进行通信，实现信息共享和协同作业。

5. 安全辅助功能：该系统可以提供多种安全辅助功能，如自动避碰、自动停船、自动泊位等。

这些功能可以大大提高船舶的安全性和操作的精确性。

总的来说，基于机器视觉的船舶智能航行主动安全辅助技术和系统建构方法通过利用机器视觉技术对船舶周围环境进行感知和分析，实现智能船舶的高级自主导航和安全辅助功能，提高船舶的安全性和操作效率。

这种技术和系统在航海、港口作业等领域具有重要的应用前景。

飞行器自主导航与目标识别算法设计与优化

飞行器自主导航与目标识别算法设计与优化随着无人机技术的飞速发展，飞行器的自主导航和目标识别成为研究的热点之一。

自主导航能够使飞行器实现无人化操作，减轻人力负担，而目标识别则为飞行器提供了能够主动感知和识别周围环境的能力。

本文将重点讨论飞行器自主导航与目标识别算法的设计与优化。

一、飞行器自主导航算法的设计与优化1.1 状态估计与定位算法飞行器的自主导航离不开准确的状态估计与定位。

常见的方法有惯性导航、视觉导航、全局定位等。

惯性导航依赖于传感器的数据来估计飞行器的位置和速度，但会受到积分漂移等问题的干扰；视觉导航则利用摄像头等视觉传感器获取环境信息进行导航，但对于光照条件和目标纹理的要求较高；全局定位则通过GPS等全局定位系统获取飞行器的精确位置信息。

针对不同场景和需求，可以综合利用多种定位方法，设计出适用于不同情况下的状态估计与定位算法，提高飞行器的自主导航性能。

1.2 路径规划与控制算法路径规划与控制是飞行器自主导航的核心内容之一。

针对不同任务需求和环境条件，可以采用不同的路径规划算法，如A*算法、D*算法、RRT算法等。

这些算法能够有效地搜索最优路径，并考虑到障碍物的避障问题。

控制算法则负责将规划好的路径转化为控制指令，控制飞行器实施自主导航。

PID控制算法是最常见的控制方法之一，通过对飞行器的位置、速度和加速度进行反馈调整，使飞行器能够稳定地按照规划路径进行飞行。

另外，还可以采用强化学习等方法，让飞行器自主学习路径规划与控制策略，提高导航的鲁棒性和适应性。

1.3 感知与感知融合算法飞行器的自主导航需要准确感知和理解周围的环境。

常见的感知方法包括视觉感知、激光雷达感知、超声波感知等。

视觉感知可以通过摄像头获取图像信息，进行目标检测和跟踪；激光雷达感知则可以精确测量周围的距离和位置信息；超声波感知则可以用于近距离避障。

针对不同感知数据的特点和不确定性，可以采用感知融合算法将多源感知数据进行融合，提高感知的可靠性和准确性。

无人机自主着舰技术研究

第46卷第4期燕山大学学报Vol.46No.42022年7月Journal of Yanshan UniversityJuly 2022㊀㊀文章编号:1007-791X (2022)04-0353-09无人机自主着舰技术研究刘㊀丰1,2,于㊀洋1,2,郭㊀璇1,2,∗,毕卫红1,2,高佳玥1,2(1.燕山大学信息科学与工程学院,河北秦皇岛066004;2.河北省特种光纤与光纤传感重点实验室,河北秦皇岛066004)收稿日期:2021-08-30㊀㊀责任编辑:孙峰基金项目:国家重点研发计划资助项目(2019YFC1407904)作者简介:刘丰(1976-),男,吉林东丰人,博士,教授,主要研究方向为光纤传感及光电检测;∗通信作者:郭璇(1981-),女,河北石家庄人,博士,副教授,主要研究方向为光纤传感㊁光电探测及信号处理,Email:guoxuan@㊂摘㊀要:无人机与无人艇协同工作是进行海洋生态灾害面积调查最为先进的技术之一㊂为了实现无人机能够自主降落在无人艇,以灵活适应生态灾害调查的实际工况需求,提出了一种基于机器视觉与降落平面姿态主动反馈相结合的无人机自主降落方案㊂利用机载摄像头获得无人艇及周围环境信息,对捕获到的图像使用双边滤波法进行噪声去除以及图像增强等处理㊂在OpenCV 环境下通过霍夫变换识别出为降落而设计的独特降落标志,使无人机运动到无人艇的正上方㊂同时,设计了一套用于无人机在动态平面上降落的检测装置,实现无人机在无人艇上自主可靠降落㊂研究结果表明:采用上述方案,在降落平面与水平面的夹角以6ʎ为阈值的情况下,能够使无人机在动态平面上的降落成功率得到约30%的提升㊂关键词:无人机;自主降落;机器视觉;PD 控制中图分类号:TP273㊀㊀文献标识码:A㊀㊀DOI :10.3969/j.issn.1007-791X.2022.04.0080　引言随着我国海洋强国战略的推进实施,构建遥感卫星㊁无人机㊁无人艇㊁海面站㊁岸基站一体的海洋立体生态监控网络体系是推进我国海洋生态文明建设㊁保护海洋环境所急需的关键技术㊂特别是随着我国无人机技术的迅速发展,基于无人机的近岸海域绿潮㊁赤潮等生态灾害的实时监测技术已经成为海洋科学领域的研究热点㊂在海洋灾害监测中可用的无人机系统资源越来越丰富,搭载的专用设备的性能和系统智能化程度也在不断提高[1]㊂无人机监测作为传统监测手段的重要补充,在灾情监测中表现出了效率高㊁行动迅速㊁监测细致等优势[2-3]㊂然而,目前无人机受限于持续续航能力不足,导致岸基起飞覆盖监测面积受限,限制了无人机在海洋环境监测领域的深度应用㊂开展无人机自主着舰技术的研究是拓展基于无人机的海洋藻类灾害监测范围㊁保障无人机飞行安全㊁甚至实现无人机着舰电力自动补充的核心技术之一㊂GPS 导航是目前最为广泛使用的无人机定位技术[4],然而在GPS 导航系统精确度不高的情况下,现有的惯性导航系统在误差补偿时不能提供足够精确的位置信息,难以胜任自主着陆的要求,所以要另外寻求其他的有效手段[5]㊂在无人机自主着陆技术领域,针对静态着陆点降落已有较为完善方案,技术也趋于成熟㊂文献[6]和[7]设计了一套辅助无人机自动着陆的机器视觉系统,对水平地面上的着陆点进行检测㊂而对于随海面波动实时变化的无人艇着陆平台来说,平稳安全着陆依旧是个未得到良好解决的难题㊂文献[8]通过采用地面人工标识April Tag 与无人机的视觉引导跟踪算法相结合的方案,实现无人机的悬停和在移动平台上的着陆,但对于起伏不定的无人艇,无法保证能够安全着陆㊂文献[9]针对无人机在垂直升降平台上的自主着陆问题,设计了由运动估计模块㊁轨迹生成模块和跟踪模块组成的控制结构,但对于存在倾角的着陆面354㊀燕山大学学报2022未进行实验分析㊂本文针对无人机自主着舰技术的实际工程需求,提出了基于机载摄像头与艇载惯性导航装置相结合的自主降落方案㊂通过对降落标志的识别,结合无人艇传回的姿态数据,对着舰的最佳时机进行判定,以实现无人机的安全着舰㊂经过理论建模分析和实验研究表明本方案能够实现无人机在无人艇上的自主安全降落,研究结果能够为无人机自主在无人艇上可靠着陆提供理论支撑,并具有很好的实际工程应用价值㊂1㊀无人机自主着舰控制方案本文研究的四旋翼无人机自主着舰系统流程如图1所示㊂图1㊀无人机自主着舰策略Fig.1㊀Autonomous landing strategy of UAV在无人机的着舰过程中,通过能否捕获降落标志来判断无人机与无人艇是否在同一水域㊂若不在同一水域,无人机通过GPS 导航向无人艇方向进行移动㊂因为无人艇随海浪的波动会进行无规则的运动,导致无人机无法直接在无人艇上进行降落㊂影响无人机降落的两个主要参数是滚转角和俯仰角[10]㊂为了降低无人机视频图像识别处理的难度,本方案通过在无人艇上搭载惯性导航单元来获取实时滚转角和俯仰角信息,并通过短距无线通信系统实时传输到无人机控制系统,当无人艇的姿态满足无人机降落条件时进行着陆操作,否则在当前位置进行悬停,重新寻找下一次降落的最佳时机㊂1.1㊀降落平面检测系统本文所设计的降落平面检测系统包括两部分如图2所示,安装于降落平面上的为测量发送设备,以MPU6050为核心,实时检测平面的姿态信息,并利用无线传输模块,将姿态信息发送出去㊂安装于四旋翼无人机上的为决策接收设备,接收到测量设备传回来的姿态信息,对此时降落平面的姿态进行安全性判定㊂降落平面检测装置如图3所示㊂图2㊀降落平面检测系统图Fig.2㊀Landing plane detection system图3㊀降落平面检测装置Fig.3㊀Landing plane detection device1.2㊀降落标志无人机降落时,主要依靠机载摄像头捕捉无人艇甲板上的降落标识,因此一个特征突出并容易识别的降落标志尤为重要㊂在本文中,设计的第4期刘㊀丰等无人机自主着舰技术研究355㊀专用降落标志如图4所示㊂标志主体由一个圆环和一个内接正三角形构成㊂此三角形分为两部分,由顶点向下作垂线,左侧为白色右侧为黑色,中间的垂线便于无人机与无人艇之间朝向校准㊂图4㊀降落标志Fig.4㊀Landing sign1.3㊀捕获图像的预处理运动中的无人机在通过机载摄像头捕获图像时,会受到诸如光子噪声和暗电流噪声等因素的干扰,导致图像中噪声信息的引入,因此需要在尽量保持图像细节特征的前提下,对图像的噪点进行抑制即图像滤波[11]㊂常用的图像滤波方式有线性滤波和非线性滤波,但对于图像中存在有效像素值为0噪声像素值为255的情况下,线性滤波只能将噪声处理为更柔和的形式,而非线性滤波可以通过逻辑判断将该噪声过滤掉[12]㊂非线性滤波中常用的滤波方式包括中值滤波和双边滤波,二者相比较,中值滤波会使图像的边缘信息变弱甚至消失,而为了对所设计的降落标志进行识别,需要对图像的边缘进行精准的把握,因此本文选择了不仅能将图像中所带有的噪声滤除掉,同时也不会变动图像中有效信息的双边滤波算法㊂双边滤波可以使频率较高的信号变得平滑,还会使变化较大的信号维持原样,实现对边缘的平滑处理㊂双边滤波器表达式为g (i ,j )=ðf (k ,l )ω(i ,j ,k ,l )ðω(i ,j ,k ,l ),式中,g (i ,j )为被卷积的像素点(i ,j )的像素强度,f (k ,l )为邻域像素点(k ,l )的像素强度,ω(i ,j ,k ,l )为加权系数,其等于值域滤波器d (i ,j ,k ,l )与空域滤波器r (i ,j ,k ,l )的乘积㊂空域滤波器与值域滤波器的表达式分别为d (i ,j ,k ,l )=exp -(i -k )2+(j -l )22σ2d(),r (i ,j ,k ,l )=exp - f (i ,j )-f (k ,l )22σ2r(),式中,σd 与σr 为平滑参数,f (i ,j )与f (k ,l )分别为邻域像素点(i ,j )和(k ,l )的像素强度㊂采用上述方法对降落标志图像进行预处理得到的轮廓清晰的二值化图像如图5(b)所示㊂图5㊀捕获的图像与二值化后的图像Fig.5㊀Captured image and binarized image仿真研究和实际测试效果表明:采用双边滤波法进行图像预处理时,主要涉及的参数包括每个像素邻域的直径㊁颜色空间滤波器的标准差值和空间坐标滤波器的标准差值㊂综合考虑运行速率与处理效果,滤波器的具体参数选择见表1㊂表1㊀双边滤波参数Tab.1㊀Bilateral filtering parameters参数数值每个像素邻域的直径5像素颜色空间滤波器的标准差值50空间坐标滤波器的标准差值501.4㊀捕获阶段1 圆环检测OpenCV 提供了圆形检测算法,最常使用的是霍夫变换[13-14],通过在两个空间坐标系间对像素进行变换,可以令在初始空间坐标系包含同样性质的曲线变换到另一个空间坐标系中并且数值增大到峰值,如此便可以将检测边缘形状问题转变成峰值捕获过程㊂在检测圆形过程中,将图像空间xy 直角坐标系中的像素映射到参数空间中,并在参数空间中搜索交点是否存在,圆形的数学表达式为x =a +R cos(θ)y =b +R sin(θ){,式中,(a ,b )为圆心坐标,θ为半径与x 轴的夹角㊂在OpenCV 中提供了HoughCircles 函数用来检测灰度图像中是否包含有圆形,在此需要合理设置两圆心距离的最小值㊂若最小值太小,除了356㊀燕山大学学报2022捕获到需要的圆形外还会检测到其余临近的圆形,给图像识别带来干扰;若最小值太大,则有可能会对图像处理不完全,有所漏失,经过仿真和实验研究,本文选取的各参数取值见表2㊂表2㊀HoughCircles 函数参数Tab.2㊀HoughCircles function parameters参数数值离散化时分辨率与图像分辨率的反比2检测两个圆心间的最小距离10像素边缘检测器的阈值100像素累加器阈值100像素检测圆形的最小半径20像素检测圆形的最大半径100像素㊀㊀对原图像进行圆形捕获,并将捕获结果显示在原图像上,如图6(b)所示㊂图6㊀原图像与圆形捕获Fig.6㊀Original image and circular capture1.5㊀捕获阶段2 三角形检测当无人机降落至距无人艇甲板50cm 左右时,由于高度过低,会存在无法完全捕获圆环的可能,因此转为对内部小三角形的识别,并通过三角形内部的垂线,来判断无人艇的朝向,使无人机与无人艇进行朝向校准㊂对三角形捕获仿真如图7(b)所示㊂图7㊀边缘检测与三角形捕获Fig.7㊀Edge detection and triangle capture1.6㊀坐标空间的转换在无人机自主降落的整个系统中,涉及4种不同坐标空间的转换,分别是世界坐标系㊁机体坐标系(相机坐标系)㊁图像坐标系和像素坐标系㊂世界坐标系O w X w Y w Z w 以目标物体为原点,建立规则符合右手坐标系,通过世界坐标系对无人机位置进行定位㊂由于机载摄像头固定在无人机中心处,可以将机体坐标系与相机坐标系看作是同一个坐标空间㊂相机坐标系的原点O c 为相机镜头的光心,O c Z c 轴与相机的光轴重合,O c X c 轴平行成像平面并指向右侧,O c Y c 轴垂直O c X c Z c屏幕并指向下方㊂像素坐标系O p X p Y p 主要是用来定义相机所捕获图像中每个像素位置之间的关系,它的原点为图像左上方的顶点,O p X p 轴和O p Y p 轴分别与图像坐标系中O i X i 轴和O i Y i 轴方向一致㊂与像素坐标系相对应的图像坐标系主要是用来定义图像的真实长度,光轴在感光片上对应点为原点O i ,O i X i 平行向右,O i Y i 与O i X i 垂直并指向下方㊂图像坐标系与像素坐标系具体如图8所示㊂图8㊀图像坐标系与像素坐标系Fig.8㊀Image coordinate system and pixel coordinate system图片中的点P ,在图像坐标系中坐标为P (x i ,y i ),在像素坐标系中坐标为P (x p ,y p ),两者之间的关系为x i =x p d x p +xi 0y i =y pd y p +y i 0ìîíïïïïïï,(1)式中,x i 0和y i 0为图像坐标系原点在像素坐标系中的位置,通常取值为图像长度的一半,d x p 与d y p第4期刘㊀丰等无人机自主着舰技术研究357㊀分别表示一个像素的物理宽度和高度㊂空间中一三维点P (x c ,y c ,z c )在图像坐标空间中投影点为Pᶄ(xᶄ,yᶄ)如图9所示,为便于分析计算,作图像平面关于光心的对称平面,三维点在此平面投影点为P (x ,y ),如此便可以得到三维空间的点与图像中的点之间的转换关系为x p =f x c z c y p =f y cz c ìîíïïïïïï,(2)式中,f 为焦距,即图像平面到光心的距离㊂将式(2)代入式(1)并转化为矩阵形式可以得到㊀z c x i y i 1éëêêêêêùûúúúúú=f /d x p 0x i 00f /d y p y i 0001éëêêêêêùûúúúúúx c y c z c éëêêêêêùûúúúúú=K x c y c z c éëêêêêêùûúúúúú,式中,K 为摄像头的内参矩阵,通过内参矩阵可以将相机坐标系下任意的三维坐标映射到像素坐标系中,构建空间点与像素点之间的映射关系㊂图9㊀点到图像坐标系的映射Fig.9㊀Mapping of points to image coordinate systems2㊀四旋翼飞行器数学模型依据四旋翼飞行器飞行控制的特点,建立了姿态与位置的数学模型,并利用Simulink 工具对四旋翼飞行器模型进行模拟,在建模过程中所需要的四旋翼飞行器的参数见表3㊂表3㊀四旋翼飞行器参数表Tab.3㊀Quadcopter parameter参数数值四旋翼飞行器总质量m0.9kg重力加速度g9.8m /s 2转动惯量矩阵J 在x 轴的分量J xx 8.276ˑ10-3kg㊃m 2转动惯量矩阵J 在y 轴的分量J yy8.276ˑ10-3kg㊃m 2转动惯量矩阵J 在z 轴的分量J zz1.612ˑ10-2kg㊃m 2四旋翼飞行器机身半径d 0.175m单桨综合拉力系数C T 9.331ˑ10-3N /(rad /s)2单桨综合力矩系数C m1.194ˑ10-3N /m /(rad /s)22.1㊀姿态模型以十字形四旋翼飞行器为例,为不失一般性,假设四旋翼飞行器为均匀对称的刚体[15],如图10所示㊂图10㊀十字形四旋翼飞行器Fig.10㊀Cross-shaped quadcopter对其进行动力学分析,已知力矩计算公式为M =L ˑF ,式中,L 是转动轴到受力点的距离,F 是作用于物体上的矢量力㊂对于x 轴来说,力矩由电机2与电机4产生,电机2产生正向力矩,电机4产生负向力矩,同理对于y 轴来说,力矩由电机1与电机3产生,电机3产生正向力矩,电机1产生负向力矩㊂根据x 轴与y 轴的方向可知,z 轴垂直纸面向上,因此对于z 轴,电机2与电机4产生正向力矩,电机1与电机3产生负向力矩㊂可得到各轴上的力矩为M x =d (f 2-f 4)M y =d (f 3-f 1)M z =b (f 2+f 4-f 1-f 3)ìîíïïïï,(3)式中,d 为无人机中心到旋翼的距离,b 为系数,f 1㊁f 2㊁f 3㊁f 4分别为四个电机产生的力,其力的大小为f i =C T ω2i ,358㊀燕山大学学报2022式中,C T为升力系数,ωi为电机转速,i=1,2,3,4㊂由式(3)可以得到四旋翼飞行器的合力矩为M=Jε+wˑJ w,(4)式中,J为惯量矩阵,ε为角加速度,w为角速度,具体表达式为㊀J=Jxx000J yy000J zzéëêêêêùûúúúú,w=φ㊃θ㊃ψ㊃éëêêêêùûúúúú,ε=φ㊃㊃θ㊃㊃ψ㊃㊃éëêêêêùûúúúú,式中,J xx㊁J yy和J zz分别为在x轴㊁y轴和z轴上的分量;φ㊃㊁θ㊃和ψ㊃分别为滚转角㊁俯仰角和偏航角的角速度;φ㊃㊃㊁θ㊃㊃和ψ㊃㊃分别为滚转角㊁俯仰角和偏航角的角加速度㊂将惯量矩阵J㊁角速度w和角加速度ε代入式(4)中,经过化简可得到姿态模型㊀㊀φ㊃㊃=θ㊃ψ㊃(J yy-J zz)+dC T(ω22-ω24)Jxxθ㊃㊃=φ㊃ψ㊃(J zz-J xx)+dC T(ω23-ω21)Jyyψ㊃㊃=θ㊃φ㊃(J xx-J yy)+C M(ω22+ω24-ω21-ω23)Jzzìîíïïïïïïïïï,(5)由此即可建立出角加速度与角速度和电机速度的数学模型㊂2.2㊀位移模型在位移模型建立过程中,需要涉及两个坐标系,分别是地面坐标系和机体坐标系,机体坐标系转为地面坐标系的转换矩阵为R bg,R bg=cosψcosθcosψsinθsinφ-sinψcosφsinφsinψ+cosψsinθcosφcosθsinψcosφcosψ+sinφsinθsinψsinψsinθcosφ-cosψsinφ-sinθsinφcosθcosφcosθéëêêêùûúúú㊂㊀㊀每个电机在机体坐标系下都会产生一个向上的升力f i,同时四旋翼飞行器也会受到自身垂直向下的重力的作用,受到的合力为㊀F=ma xa ya zéëêêêêùûúúúú=mx㊃y㊃z㊃éëêêêêùûúúúú=f1+f2+f3+f4éëêêêêùûúúúú-mgéëêêêùûúúú,式中,a x㊁a y和a z分别为四旋翼飞行器在各坐标轴上的加速度,将之转换到地面坐标系mx㊃㊃y㊃㊃z㊃㊃éëêêêêùûúúúú=(cosφsinθcosψ+sinφsinψ)f all(cosφsinθsinψ-sinφcosψ)f allcosφcosθf all-mgéëêêêêùûúúúú,(4)式中,f all=f1+f2+f3+f4㊂2.3㊀控制模型在四旋翼飞行器的控制系统中,采用PD控制,外环为位置控制,对式(5)进行变换,可得㊀㊀U1=m U2x+U2y+(U z+g)2φd=arcsinm(U x sinψd-U y cosψd)U1θd=arcsinm(U x-U1sinψd sinφd)U1cosψd cosφdìîíïïïïïïïï,式中,U x㊁U y和U z分别为x㊁y和z轴的虚拟控制量㊂四旋翼飞行器的内环为姿态控制,由式(5)可知,φ受到电机2与电机4的影响,θ受到电机3与电机1的影响,可以得到电机转速与控制量之间的关系式w21w22w23w24éëêêêêêêùûúúúúúú=C T C T C T C T0C T0-C T-C T0C T0-C M C M-C M C Méëêêêêêêùûúúúúúú-1U1U2U3U4éëêêêêêêùûúúúúúú,式中,U1为位置控制量,U2㊁U3和U4为姿态控制量,通过转换矩阵将控制量转换为电机转速,实现对四旋翼飞行器的控制㊂2.4㊀仿真结果本次Simulink仿真设计了4个任务目标点,四旋翼无人机由原点(0,0,0)起飞,依次飞向目标点(0,0,5),(5,0,5),(5,5,5),(0,5,5),最后垂直降落,仿真结果如图11所示㊂可以看出此模型可以有效帮助四旋翼飞行器追踪目标地点㊂3㊀降落测试实验四旋翼飞行器能否平稳降落在无人艇甲板上,主要需要考虑的因素包括两点,分别是四旋翼飞行器与甲板之间的摩擦力以及甲板的倾角㊂而甲板的倾角包括俯仰角θ与滚转角Φ,四旋翼飞行器分别在降落平面俯仰角θ与滚转角Φ的作用下产生沿斜面向下的分力为第4期刘㊀丰等无人机自主着舰技术研究359㊀F θ=mg sin θ,F Φ=mg sin Φ,图11㊀实际距离与期望距离Fig.11㊀Actual distance and expected distance结合两个分力,可以得到无人机沿斜面向下的合力为F 合=mg sin 2θ+sin 2Φ,(6)四旋翼飞行器与降落平面之间的最大摩擦力为f max =mgμsin α,(7)式中,μ为摩擦力系数,α为降落平面与水平面之间夹角的极限值㊂根据式(6)和(7),使四旋翼飞行器能够安全着陆,沿斜面向下的合力要小于最大静摩擦力,因此降落平面的俯仰角θ与滚转角Φ要满足sin 2θ+sin 2Φɤμ2sin 2α,为确定最大静摩擦力即确定四旋翼飞行与降落平面间最大夹角,进行了十次实验如图12所示,确定在本文所设计的系统方案中安全降落的倾角阈值,具体实验数据见表4㊂表4㊀降落平台倾角测试Tab.4㊀Landing platform inclination test实验次数倾角/(ʎ)降落成功率1 5.6100%2 5.8100%3 6.0100%4 6.290%5 6.490%6 6.680%7 6.880%87.070%97.260%107.450%㊀㊀无人机降落倾角测试实验如图12所示㊂当降落平面与水平面夹角处于6ʎ之间时,无人机可以安全着陆于目标甲板上,超过此角度则不能确保无人机着陆的安全性与稳定性㊂图12㊀平台倾角测试实验Fig.12㊀Platform inclination test experiment根据上述对降落平面俯仰角与横滚角的综合分析,设计了降落平面倾角监测上位机,可以实时监测倾角状态并进行降落判定,如图13所示㊂分别对是否使用降落平面检测系统进行了十次降落实验,在实验过程中,通过人为随机晃动降落平面来模拟无人艇在海面上的起伏状态,如图14所示㊂未使用降落平面检测系统的情况下,无人机不考虑降落平面的状态而持续降落,在十次实验中有四次会因平面倾角过大而滑落,降落成360㊀燕山大学学报2022功率为60%㊂在使用降落平面检测系统后,无人机在将降落平面倾角过大的情况下,保持悬停状态,在安全倾角范围内进行降落,十次实验中仅有一次降落失败,降落成功率为90%㊂实验表明:采用文中方法能够将降落的成功率提高30%,无人机在动态平面上的降落安全性得到了提升㊂图13㊀无人艇上降落平面的监测Fig.13㊀Monitoring of landing planes on USV图14㊀降落效果检测实验Fig.14㊀Landing effect test4　结论本论文在总结国内外无人机控制与视觉识别技术的基础上,结合动态降落平面的姿态变化,针对海面无人艇起伏状态下无人机自主着舰问题,提出了一种基于降落平面姿态主动反馈的无人机降落方案㊂在模拟无人艇状态下进行无人机自主降落实验,结果表明,在以降落平面与水平夹角为6ʎ的条件下,采用此方案进行降落的成功率提升了约30%,因此本方案适用于海上无人艇等动态平面环境下的无人机着陆㊂参考文献1 陈秋明黄发明宋鹏.无人机及三维激光扫描仪技术在沙滩剖面动态监测中的应用及测量精度分析 J .应用海洋学学报2021 40 3 529-539.CHEN Q M HUANG F M SONG P.Application of UAV and 3D laser scanner technology in dynamic monitoring of beach profile andmeasurementaccuracyanalysisJ .JournalofAppliedOceanography 2021 40 3 529-539.2 姜晓鹏高志强吴晓青等.基于船载无人机的绿潮漂移速度估算与分析 J .海洋学报 2021 434 96-105.JIANG X P GAO Z Q WU X Q et al.Estimation and analysis ofgreen tide drift velocity based on ship borne UAV J .Journal ofOceanography 2021 43 4 96-105.3 贲可荣王斌.海洋装备智能化与智能化装备思考 J .江苏科技大学学报自然科学版 2021 35 2 1-11.BEN K R WANG B.Thoughts on the intellectualization of marineequipment and intelligent equipment J .Journal of JiangsuUniversity of Science and Technology Natural Science Edition2021 35 2 1-11.4 杨帆龙坤.基于GPS 定位的四旋翼无人机位置跟踪控制 J .自动化与仪表 2021 36 8 92-97.YANG F LONG K.Position tracking control of four rotor UAVbased on GPS positioning J .Automation and Instrumentation2021 36 8 92-97.5 陈红梅常林江徐振方等.复杂环境下GNSS /INS /UWB 紧组合的无人机协同导航算法 J .仪器仪表学报 2021 42 798-107.CHEN H M CHANG L J XU Z F et al.GNSS /INS /UWB tightcombination UAV cooperative navigation algorithm in complex environment J .Journal of Instrumentation 2021 42 7 98-107.6 XU X B WANG Z DENG Y M.A software platform for vision-basedUAV autonomous landing guidance based on markers estimation J .Science China Technological Sciences 2019 62 10 1825-1836.7 杨岳航陈武雄朱明等.基于机器视觉的无人机自主着陆技术 J .国外电子测量技术 2020 39 4 57-61.YANG Y H CHEN W X ZHU M et al.Autonomous landingtechnology for drones based on machine vision J .ForeignElectronic Measurement Technology 2020 39 4 57-61.8 林靖凯白頔顾晨暄.一种机器视觉的无人机移动平台着陆系统设计 J .电子世界 2021 7 121-123.LIN J K BAI D GU C X.Design of a landing system for UAVmobile platform based on machine vision J .Electronic World 20217 121-123.9 HU B MISHRA S.A time-optimal trajectory generation algorithm forquadrotor landing onto a moving platform C //2017AmericanControl Conference Seattle USA 2017 4183-4188.10 方斌徐硕钟志伟.机载视觉和IMU 融合的无人机自主着舰研究 J .飞行力学 2020 38 3 41-45.FANG B XU S ZHONG Z W.Research on UAV autonomouslanding based on integration of airborne vision and IMU J .FlightMechanics 2020 38 3 41-45.11 赵博文张力夫潘在峰等.基于OpenCV 的图像滤波方法比较 J .信息与电脑理论版 2020 32 15 78-80.ZHAO B W ZHANG L F PAN Z F et parison ofOpenCV-based image filtering methods J .Information and第4期刘㊀丰等无人机自主着舰技术研究361㊀Computers Theoretical version 2020 32 15 78-80.12 高美静彭春阳李时雨等.基于FPGA的红外成像系统及图像处理算法 J .燕山大学学报2021 45 2 160-167. GAO M J PENG C Y LI S Y et al.Infrared imaging system and image processing algorithm based on FPGA J .Journal of Yanshan University 2021 45 2 160-167.13 屈汉章王洋吴成茂.基于直径累积的霍夫变换检测圆算法 J .西安邮电大学学报2017 22 5 89-93.QU H Z WANG Y WU C M.Diameter accumulation based circle detection algorithm with Hough transform J .Journal of Xiᶄan University of Posts and Telecommunications 2017 22589-93.14 TONG J H SHI H F WU C Y et al.Skewness correction and quality evaluation of plug seedling images based on Canny operator and Hough transform J .Computers and Electronics in Agriculture 2018 155 461-472.15 檀姗姗杨洪玖路继勇等.基于扩张状态观测器的飞行器姿态控制研究 J .燕山大学学报2017 41 6 521-527. TAN S S YANG H J LU J Y et al.Research on aircraft attitude control based on extended state observer J .Journal of Yanshan University 2017 41 6 521-527.Research on autonomous landing technology of UAVLIU Feng1 2YU Yang1 2GUO Xuan1 2BI Weihong1 2GAO Jiayue1 21.School of Information Science and Engineering Yanshan University Qinhuangdao Hebei066004 China2.Key Lab of Special Fiber and Fiber Sensing of Hebei Province Qinhuangdao Hebei066004 ChinaAbstract The cooperative work of UAV and USV is one of the most advanced technologies for marine ecological disaster area investigation.In order to realize the autonomous landing of UAV on USV and flexibly adapt to the actual working conditions of ecological disaster investigation an autonomous UAV landing scheme based on the combination of machine vision and inertial navigation is proposed.The airborne camera is used to obtain the information of USV and the surrounding environment and the captured images are processed using bilateral filtering for noise removal and image enhancement.The mark designed for landing is identified by Hough transform in OpenCV and the UAV can move directly above the USV.At the same time a set of detection device for UAV landing on the dynamic plane is designed to realize the autonomous and reliable landing of UAV on USV.The results show that the use of the above-mentioned scheme can result in a nearly30%improvement in the success rate of UAV landing on dynamic planes when the angle between the landing plane and the horizontal plane is6ʎ.Keywords UAV autonomous landing machine vision PD control。

无人直升机自主着舰的目标定位视觉算法

ｈｌａｍｇ．ｎｌｔｅｓｓｍｃｌｌｔｈｆｎｏｎＩｖｒｎｓＡ）ｅｈｒｒｏｔｅｄｓｎｅｏＭＩａｄｓｎａｄｅｐｄｉｉａｅｆａｈｙｔａｃａｓｔｅＡｆｅＭｍｅｔｎａａｔＭＩ．ｎｔｅｅｒｆｈｉａｃｆｉｎｉｅｕｅｉｉ（ＷｈｏｔＡｎｔｄｒａ
维普资讯
ＣｍｕｅｎｉｅｒｇａｄＡｐｉｔｎｏｐｔｒＥｇｎｅｉｎｐｌａｉｓ计算机工程与应用ｎｃｏ
无人直升机自主着舰的目标定位视觉算法
乌兰巴根，继忠，元铭胡徐
ＷＵＬＢ — ｅＨＵＪ— ｈｎＸＵＹｕｎｍｉｇＡＮａｇｎ，ｉｚｏｇ，ａ－ｎ￣
１．北京航空航天大学航空科学与工程学院轻机室，京１０８北００３２北京航空航天大学航空科学与工程学院飞机所，京１０８．北０３０
ＳｈｏｏｅｏａｔｓＳｉｃｎｎｉｅｒｇＢｉａｇＵｉｅｓｙＢｉｎ０３ＣｉｃｏｌｆＡｒｎｕｉｃｎｅａｄＥｇｅｎ，ｅｈｎｎｖｒｔ，ｅｉｇ１０８，ｈｎｃｅｎｉｉｊ０ａ
ｖｌｅｒｍｄｔｂｓｉｂｕ１％，ｅｙｔｍｆｄｔｅｅｉａ．ｅｐｒｎａｉｎｔｅｓｉｔｅｏｏｈｈｌａｃｎｅｉａｕｆｏａａａｅｓａｏｔ０ｔｓｓｅｉｓｈｈｌｄＩｘｅｍｅｔｔ，ｈｅｔｈｎｐｎｉｏｍａｅｒｒｆｔｅｅｉｄｅｔｒｓｐｓｌ３ｐｘｌｅｃｘｓａｄｔｅｅｔｔｒｏｆｔｅａｉｔＳｓｌ９ｄｇｅ．ｍａｌｉｅｓａｈａｉｎｈｓｉｅｅｒｏｈｚｍｕｈｉｍａｌｅｒｅｍａＫｅｒｓｕｍａｎｄｈｌｏｔｒａｔｍａｉａｄｎ；ｆＢｍｅｔｉｖｒｎｓｍａｈｎｉｉｎｙｗｏｄ：ｎｎｅｅｉｐｅ；ｕｏｔｌｎｉｇａｆｅｍｏｎｎａｉｔ；ｃｉｅｖｓｏｃｃｉａ

一种基于无人艇姿态主动反馈的无人机自主着舰方法

一种基于无人艇姿态主动反馈的无人机自主着舰方法近年来，无人机技术得到了长足的发展，其在军事、民用、科研等领域都有广泛的应用。

其中，无人机的自主着舰技术是无人机应用的重要领域之一。

无人机的自主着舰技术可以提高无人机的应用效率和安全性，同时也可以降低人工干预的成本。

本文介绍了一种基于无人艇姿态主动反馈的无人机自主着舰方法。

一、无人机自主着舰技术的现状目前，无人机自主着舰技术已经得到了广泛的研究和应用。

无人机自主着舰技术主要包括传统的基于光学传感器的自主着舰技术和基于惯性导航系统的自主着舰技术。

其中，基于光学传感器的自主着舰技术具有高精度、高可靠性的优点，但是其对于环境光线的要求较高，不适用于恶劣天气下的飞行。

基于惯性导航系统的自主着舰技术具有适应能力强、可靠性高的特点，但是其精度相对较低，需要进行校正和调整。

二、无人艇姿态主动反馈的无人机自主着舰方法无人艇姿态主动反馈的无人机自主着舰方法是一种新型的自主着舰技术。

该技术基于无人艇的姿态反馈，通过无人艇上的传感器获取无人艇的姿态信息，然后将其传递给无人机，无人机通过对姿态信息的分析和计算，实现自主着舰。

该技术具有以下优点：1、适应能力强：该技术不受环境光线的影响，适用于各种天气条件下的飞行。

2、精度高：该技术通过无人艇的姿态反馈，可以获取更为准确的姿态信息，从而实现更为精确的自主着舰。

3、稳定性好：该技术通过无人艇的姿态反馈，可以实现无人机和无人艇之间的实时通信，从而保证无人机在着舰过程中的稳定性和安全性。

三、无人艇姿态主动反馈的无人机自主着舰方法的实现步骤该技术实现的具体步骤如下：1、无人艇的姿态反馈：无人艇上安装有姿态传感器，通过姿态传感器获取无人艇的姿态信息，并将其传递给无人机。

2、姿态信息的分析和计算：无人机通过对无人艇传递过来的姿态信息进行分析和计算，确定无人机的着舰位置、速度和角度等参数。

3、无人机自主着舰：无人机根据确定的参数，实现自主着舰，并通过无人艇上的摄像头进行实时监控和调整。