无人直升机飞行控制系统设计报告

无人直升机飞行控制系统设计报告

摘要：本文介绍了用于无人直升机控制的飞行控制系统结构和分部分的主要性能，详细阐述了系统设计方案以及设计思想。

一整体系统描述

整个系统可以分为机载部分和地面部分，机载部分负责维持飞机的稳定飞行并提供图像信息给地面部分，地面部分根据飞机的状态以及得到的图像信息作出下一步飞行的目标规划并发送给机载部分，同时为了确保安全，防止自主飞行机构失控，添加了可由操作手控制的控制器。地面部分与机载部分之间有两条数据链路——负责传送图像和传送飞行状态和指令。图像传送的数据链路通过购买成品解决，另外负责传送飞行状态和指令的部分也已经有方案可以解决（目前正在开发的部分虽然包括扩频通信，但是由于技术原因不能确保在比赛中的可用性，所以这部分只是作为研究性的项目）。地面部分可以分为地面站和图像处理平台，前者与机载飞行控制器通讯以发送控制命令并获得飞机状态信息，后者获取机载摄像头的图像并做处理以搜寻比赛目标。机载部分将在后一部分详述。

二飞机内部系统描述

为了完成自主飞行任务，飞机需要相关功能部件完成对飞机状态信息的采集、对执行部分的控制以及对地面站命令的响应等功能。在无人机上，替代飞行员或操作手完成飞行任务的自主机构包括图像设备、飞控模块、高度测量、舵机控制、数据链路以及航姿仪等，如下图所示：

图像设备飞控模块高度测量舵机控制数据链路航姿仪

各个模块之间相对独立，均可单独完成一定的功能，模块之间的相互连接采用总线实现，硬件上采用PC104标准，便于安装和系统集成。虽然采用的总线是较可靠的通讯标准，但是在直升机实际飞行的环境中存在震动、电磁等干扰因素，可能影响到数据传输的可靠性，为了保证正确的数据传输，采用了两套互为备份的总线系统——422总线和CAN总线。422总线为现有UAV系统采用的标准，具有技术较成熟的优势；CAN总线对于数据包的传送更为方便，克服了422只能采用主从模式以及工作在轮询模式的缺点，并且具有更高的数据传输速度，是一种较新的标准，使用CAN总线也是对系统方案升级的尝试。

惯性导航系统与GPS

为了实现对直升机姿态的控制，需要有飞机各个

方向的速度位置信息等，惯性导航系统的算法通过对

惯性测量单元(IMU)提供的加速度和角加速度的积

分，得到机体的位置、速度和姿态信息(PVA)。从硬件

上来说，该模块是实现了对各个加速度和角加速度传

感器的信息采集，但是仅仅通过以上简单的惯导算法本身很难得到有用的信息，惯性传感器的漂移和定步长积分的累计误差会使计算结果很快偏离实际值。导航系统必须考虑这些误差因素并对得到的PVA结果作出修正。

惯性导航系统可分为平台惯导系统和捷联惯导系统，平台惯导系统是通过一个机械平台把惯性敏感元件与机体的角运动隔离开、使之跟踪某个给定的坐标系，从而给出相对于给定坐标系的运动信息，而捷联惯导系统是将惯性敏感元件直接固定在飞行器机体上，通过计算机采集惯性元件的输出并解算出飞行器相对于给定坐标系的运动信息。捷联惯导系统相对于平台系统来说，通过计算机程序实现了平台的作用，简化了硬件复杂性，提高了系统的可靠性和可维护性，更容易实现。

惯性导航模块的设计目标是实现一个独立的数字捷联惯导系统：采集惯性敏感元件的输出信号并进行解算，给出飞行器相对与给定坐标系的运动信息，通过总线实时地发送给飞行控制计算机。

系统最初的设计方案中包括如下部分：角速度传感器，加速度传感器，磁性传感器，实现信号采集和运算的DSP。由于时间紧迫，惯性导航模块仅实现对陀螺和加速度计的数据采集，通过总线实时的发送给飞控计算机，下一步的运算工作由飞控计算机进行。

惯性导航模块的硬件主要包括两个双轴陀螺、两个双轴加速度计（组成六自由度的惯性敏感元件）和一个面向控制的DSP。

陀螺：Gyratoin公司MicroGyro100，测量范围±150度/秒，解析度0.15度/秒，模拟输出。

加速度计：AD公司ADXL202，测量范围±2g，分辨率2mg，PWM数字输出。

DSP：TI公司面向控制的TMS320F2812，它具有150M的主频，内部集成了齐全的外设，包括：增强型CAN模块，增强型串口通信控制模块，12位高速A/D转模块，串行设备模块，多路缓冲串口模块(McBSP)和能够产生和读取PWM波的事件管理器。

视觉处理

视觉是无人机的一个重要部分，无人机的一个重

要应用：无人侦察，就是以计算机视觉为基础。视觉

程序的目的是：从直升机上面的摄像头拍到的图片中检测出固定的几类图标的位置。

整个检测过程分为两个阶段，第一个阶段从图片中检测出图标所在矩形的位置，并放缩为32*32大小的标准矩形；第二个阶段对这个标准矩形进行判断，决定它是哪类图标。

三个标准图标如下：

第一阶段获取矩形位置的流程是（结合一个例子具体介绍）：

原始图片如下：

首先从摄像头传回的视频中得到一帧图片，将其转换为灰度图；然后对其进行均值滤波平滑处理，消除掉图片上的一些杂质；接下来进行sobel边缘检测，将矩形从图像中分离出来，在边缘检测的同时也进行了阈值化的过程。

边缘检测后结果如下：

为了让矩形边缘闭合，进行一步开运算操作（矩形边缘是黑色）；然后进行前景提取，

通过点连通的方式来把图片分为一块一块的连通区域，每块区域都存储为一个数据结构，认为其中最大的一块区域为背景，将其置为黑色，其他的部分全部置为白色；下一步是边缘提取，这步和前面的sobel边缘检测不同的地方在于，sobel边缘检测将矩形分割出来，但是程序仍旧不知道矩形在哪里，而边缘提取之后可以得到矩形的确切位置，做法还是利用连通性得到一个区域的外边缘点，因为区域的点前面已经存储，这一步很好进行。

获取边缘后结果如下：

得到区域边缘后还需要判断这是不是矩形或者平行四边形，这一步的做法是：首先得到一个区域的中心，然后判断离这个中心最远的点作为矩形的第一个角点，计算离第一个角点最远的点为第二个角点（即首先检测一条对角线），距离第一、第二个角点连线最远的点为第三个角点，距离前三个角点构成的三角形区域的最远点为第四个角点；检测出四个角点后，判断矩形方法是判断两条对角线的交点（矩形中心）附近是否有点存在，因为图像已经是完全的边缘图像，一个区域的内部已经没有点存在，如果中心附近有点，说明此图形并非矩形，很可能是类似三角形或者不规则多边形，这样的区域直接否决掉。剩下满足要求的区域放缩到32*32大小的标准区域中，进入下一步处理。

放缩的结果如下：

第二阶段需要判断32*32大小的区域是哪一个图标。方法是：把32*32大小的区域认为是1024的一个向量空间，事先准备好3幅标准图标，每幅图标有4个方向，所以一共是12类图标，根据转换矩阵计算每类图标在向量空间中的位置；然后把第一阶段得到的区域乘以转换矩阵，得到它在向量空间中的位置，判断它和那一类图标最接近，就属于哪一类，并计算出匹配度。经过实际实验，我的标准是：图标1、2的匹配度标准是60，图表3的匹配度标准是56，低于这个值则认为是干扰目标。

最终结果如下：