无人机助降系统研究最新版

【文章导读】无人机助降系统研究（一）无人机研究热潮分析无人机是一种由动力驱动、机上无人驾驶、可重复使用的航空器的简称，英文常用缩写为ＵＡＶ。无人机的历史可以追溯到年，此后，无人机经过了无人靶机、预编程序控制无人侦察机、指令遥控无人侦察机和复合控制多用途无人机的发展过程。到２

无人机助降系统研究 （一）无人机研究热潮分析 无人机是一种由动力驱动、机上无人驾驶、可重复使用的航空器的简称，英文常用UnmannedAerialVehicle缩写为ＵＡＶ。无人机的历史可以追溯到1917年，此后，无人机经过了无人靶机、预编程序控制无人侦察机、指令遥控无人侦察机和复合控制多用途无人机的发展过程。到２０世纪８０年代，无人机在几次中发挥了重要，由此形成了新的研究热潮。 表1.1　历次参战的无人机机型 历次战争名称 参战的无人机机型 越南战争 AQM34“火蜂”、QH－50 第四次中东战争 BQM74C“石鸡”多用途无人机 贝卡谷地空战 “猛犬” 1991年海湾战争 “先锋”、“敢死蜂”、“指针”。

MART,CL289等 1995年科索沃战争 “捕食者”、“猎人”、“先锋”、“红隼”、CL289、“不死鸟”等 俄罗斯反恐战争 “蜜蜂”－1T、图－243 2001年阿富汗战争 “捕食者”、“猎人”、“全球鹰”等 2003年伊拉克战争 “捕食者”等十几种无人机 当前美、以反恐行动 “捕食者”、“猎人”、“搜索者” 表1.2　历次参战的无人机完成的主要作战功能 历次战争名称 主要作战功能 侦察 欺骗 干扰 监视 中继 对地攻击 越南战争 第四次中东战争 贝卡谷地空战 1991年海湾战争 1995年科索沃战争 俄罗斯反恐战争 2001年阿富汗战争 2003年伊拉克战争 当前美、以反恐行动 无人机热是新技术与新军事变革两股大潮交汇的结果。

它是信息时代的弄潮儿。新技术为无人机发展提供了技术条件。新的传感器和武器载荷更小、更轻、功能更强，每单位重量可以产生足以用于实战的作战效能。传统上数据链是无人系统的致命弱点，而新的数据链能够提供高带宽的连通性，为飞行器的指挥与控制、载荷的指挥与控制，以及实时数据传输提供了可靠保障。微处理技术的进步、软件开发、先进的惯性导航及全球定位系统，使自主飞行能力和传感器数据的机载处理能力更加强大。复合材料及改进的动力装置使机体更轻、更小，隐身性能更好，同时也大大提高了燃油效率，使其续航能力超过人体的耐受极限。 无人机系统以其机动灵活、持久飞行、易于维护和“零伤亡”等特点几乎渗透到空间的各个领域。与有人机比。

无人机有五大优势：一是可长时间执行空中任务；二是可替代有人驾驶飞机进入核/生/化等污染环境执行任务；三是不存在飞行员伤亡，政治和军事风险较小；四是由于不考虑人的因素，可承受更大的载荷，飞机的隐身和机动性上可实现质的飞跃；五是全寿命费用低、作战效费比高。与卫比，无人机具有时效性、针对性和灵活性强等优势。由于无人机系统的突出特点，无人机在未来战争中的意义与日俱增。 图一中国无人机航拍钓鱼岛 （二）无人机助降系统的意义 无人机回收系统负责无人机的着陆回收，它包括回收装置（如滑行跑道，网状回收装置，杆状回收装置等形式）和助降系统。助降系统用于帮助无人机“知道”回收装置的位置，精确控制自身的姿态和轨迹。

完成安全着陆的任务。 在助降系统的发展过程中，交织着机载定位系统和计算机视觉这两条主线。在上世纪九十年代前期，GPS系统处于尚处于未全面建成阶段。这一阶段，GPS的覆盖能力和定位精度有限，人们较多的研究计算机视觉在无人机回收系统中应用，但该研究受制于当时处理器的能力。随着美国政府于1994年全面建成GPS系统，GPS（P码）的定位系统的精度小于1米，利用DGPS技术可以实现厘米级的精确定位。这一阶段主要以GPS引导无人机回收，国际上对以计算机视觉引导无人机回收的研究渐渐降温。 图2美军利用GPS回收无人机 图3美军撞绳回收细节 目前，无人机主要依靠惯性导航系统（InertialNavigationSystem。

INS）和全球定位系统（GlobalPositionSystem,GPS）进行导航，然而，导航过程中惯性器件具有累积误差，对初始值过于敏感，而GPS并不是总是可获取的，并且即使是可以获取，其精度（美方仅开放民用级的C/A码，只能达到6~8米的定位精度）满足不了无人机回收需要的分米级的定位精度。 为了打破西方国家对GPS的垄断，我国大力开展北斗系统的研发工作。但目前北斗系统仍处于建设过程中，其覆盖范围有限，为东经约70140，北纬555，其精度目前仅为20米左右，尚无法满足回收系统的精度要求。此外，北斗导航系统是主动式双向测距二维导航：地面中心控制系统解算，供用户三维定位数据。北斗的这种工作原理带来两个方面的问题。

一是用户定位的同时失去了无线电隐蔽性，另一方面由于设备必须包含发射机，因此在体积、重量上、价格和功耗方面处于不利的地位。 无人机助降系统，特别是在甲板短小的船只上安置简易的撞绳等回收系统，对于维护国家海洋主权，在有争议区域实施空中侦查、监视、乃至对非法入侵的他国船只实施电子干扰、警告和空中打击等任务，已经迫在眉睫。以计算机视觉为主，辅以其他定位和测距装置的精确定位系统，在近十年内，仍将是我队现代化建设中必须攻克的技术。在更远的将来，计算机视觉技术这双无人机的眼睛，在自动巡航，自动目标检测，自动战斗等领域，将发挥作用越来越大的作用。 （三）计算机视觉助降系统的可行性分析 在计算机视觉助降系统的关键技术指标是：实时、定位精确、小型化、重量轻。

能耗低。下面从计算机的软硬件和摄像机的当前水平，分析助降系统的可行性。 1计算器件的发展 自1980年以来，DSP芯片的运算速度显著提高，MAC（一次乘法和一次加法）时间从20世纪80年代初的400ns（如TMS32010）降低到1ns以下，处理能力提高了数百倍。DSP芯片内部关键的乘法器部件从1980年的占模片区（diearea）的40%左右下降到5%以下，片内RAM数量增加一个数量级以上。目前，代表Ti公司DSP最高水平的6XXX系列的芯片。由于采用了多核，多线程和超长指令字等新技术，每秒的运算能力已经能轻松突破亿次。DSP器件。从制造工艺来看，1980年采用4μm的N沟道MOS（NMOS）工艺。

而现在则普遍采用亚微米（Micron）CMOS工艺。DSP芯片的引脚数量从1980年的最多个增加到现在的200个以上，引脚数量的增加，意味着结构灵活性的增加，如外部存储器的扩展和处理器间的通信等。此外，DSP芯片的发展使DSP系统的成本、体积、重量和功耗都有很大程度的下降。 FPGA是现场编程门阵列器件。它和DSP集成在一块芯片上，可实现宽带信号处理，大大提高信号处理速度。目前，各种高性能，低功耗的FPGA不断推陈出新。例如，Altera生产的首款28nmFPGA芯片，与前一代Cyclone产品相比，这些器件前所未有的同时实现了低成本和高性能，功耗降低25％，满足了大批量低成本串行协议解决方

目前为止，摩尔定律依然是计算机硬件发展的主旋律，即微处理器的性能每隔18个月提高一倍。 2计算机视觉领域的算法发展 在无人机助降系统中，主要用到计算机视觉领域中目标识别的内容。下面介绍计算机视觉在此方面近期取得的成就。 目前，最主流的三种三维物体识别研究思路是： 1)基于模型或几何的方法； 2)基于外观或视图的方法； 3)基于局部特征匹配的方法； 2.1、基于模型或几何的方法： 这种方法所识别的目标是已知的，原理就是利用传感器获得目标的三维信息并对信息进行分析处理，得到一种表面、边界及连接关系的描述，这里，三维物体识别中有两类最经常使用的传感器：灰度传感器和深度传感器。

前者获取图像的每个像素点对应于一个亮度测量，而后者对应于从传感器到可视物体表面的距离；另一方面，利用CAD建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示： 传感器数据获取过程，就是从现实生活中的物体中产生待识别的模型。分析/建模过程，是对传感器数据进行处理，从中提取与目标有关的应用特征。模型库的建立一般式在识别过程之前，即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程，系统通过从图像中抽取出的物体关系属性图，把物体描述与模型描述通过某种匹配算法进行比较、分析，最终得到与物体最相似的一种描述。

从而确定物体的类型和空间位置。 基于模型的三维物体识别，需要着重解决以下4个问题： 1)模型产生：主要有CAD设计法（用以产生模型库）和传感器产生法（用以产生目标）； 2)目标描述：有基于不变性特征法、表面模型法等； 3)模型描述：一般和目标描述方法相似； 4)模型匹配：可用距离法、最小二乘匹配法及树匹配等。 基于模型的方法进行三维物体识别，优点是比较直观和易于理解，但是一般使用的算法的运算量都较大，并且需要人工借助CAD等软件产生模型。另外，对复杂物体建立三维几何模型的难度和工作量比较大，在应用中还非常不方便，因此怎样在这个基础上加以改善是一个值得探讨的问题。 2.2、基于视图的方法 二维图像一般情况下通过普通相机就可以获取。

在一幅二维图像中，三维物体的外观取决于形状、反射特性、姿态和环境亮度等。基于外观或基于视图的三维物体识别算法研究，近来成为人们的研究热点。即使最简单的物体，其不同视点的二维视图差异往往会很大，而生物视觉系统对此表现出非常稳健的识别能力，它们的识别过程趋向于选择物体的二维视图，而不是物体的三维描述。基于视图的方法通过视觉相似性来识别物体，识别系统设计相对简单，无需显式地计算物体三维模型。该方法一般分为两个步骤：首先，通过不同光照条件和三维物体在二维图像中呈现出的不同姿态，来自动地学习物体的表示或训练系统；然后，在一幅未知的二维图像中判断是否存在目标物。该方法一个主要的限制条件是，我们感兴趣的对象必须与背景能够较好的区分开来。

因此对物体间的重叠较为敏感，且需要较好的图像分割。但当物体的几何建模很困难或根本不可能得到时，则可利用基于视图的方法来识别三维物体。该方法的关键点和难点，是在于如何准确有效地用多个视角图像来描述一个物体。基于视图的三维物体识别算法流程，如下图所示： 2.3、基于局部特征匹配的方法 2.3.1基于点特征的方法 利用目标的特征点识别目标的技术，广泛应用于目标识别算法中。其中，角点特征具有旋转不变性，几乎不受光照条件的影响，且能最小化要处理的数据量，在识别技术中具有重要的实用价值。1988年，Harris提出的harris角点，被广泛应用于检测算法。1998年，TRAJKOVICM.等人提出了角点需要遵循的三个准则。

即一致性、准确性和复杂性标准；CORDELIAS.等人进一步提出了重复率和信息量的标准。进入90年代，基于边界链码，基于边界曲率和基于小波的角点检测算法相继提出；最近10年，基于形态学等方法的角点检测算法仍在继续研究中，研究人员对角点检测算法存在的固有的问题，即对噪声敏感和运算量大的问题，一直在加以研究。 DavidG.Lowe在总结原有基于不变量技术特征检测方法的基础上,于2004年正式提出了基于尺度空间,对图像缩放、旋转,甚至仿射变换保持不变性的图像局部特征描述算子[1]ScaleInvariantFeatureTransform,SIFT),即尺度不变特征变换。 2006年，HerbertBay针对SIFT算法的复杂度高的缺点。