基于混合濾波與多環(huán)控制的無人機(jī)跟降方法

摘" 要： 針對無人機(jī)在復(fù)雜環(huán)境下，利用傳統(tǒng)的單環(huán)控制與卡爾曼濾波進(jìn)行目標(biāo)跟蹤與降落任務(wù)時，出現(xiàn)跟蹤目標(biāo)丟失、降落精確性不足的問題，提出一種基于混合濾波和多環(huán)控制的狀態(tài)估計與控制算法。利用卡爾曼濾波和擴(kuò)展卡爾曼濾波的混合濾波方法對移動降落平臺進(jìn)行狀態(tài)估計，同時通過速度PI控制環(huán)、姿態(tài)PID控制環(huán)、位置PID控制環(huán)及加速度PID控制環(huán)來完成無人機(jī)的跟蹤與降落任務(wù)。仿真試驗(yàn)結(jié)果表明，在面對簡易或復(fù)雜的環(huán)境時，該方法都具有較好的跟蹤性能和更高的降落精度，并能夠應(yīng)用在多種環(huán)境下的無人機(jī)自主追蹤和降落作業(yè)中。

關(guān)鍵詞： 混合濾波； 多環(huán)控制； 無人機(jī)； 擴(kuò)展卡爾曼濾波； PID控制； 位姿估計； 移動目標(biāo)跟蹤

中圖分類號： TN713?34； V249.122+.5" " " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " "文章編號： 1004?373X（2024）14?0108?07

Method for unmanned aerial vehicle tracking and landing based on hybrid

filtering and multi?ring control

REN Qianqian， WANG Xiaosong， ZHENG Enhui

（School of Mechanical and Electrical Engineering， China Jiliang University， Hangzhou 310018， China）

Abstract： A state estimation and control algorithm based on hybrid filtering and multi loop control is proposed to address the problems of target loss and insufficient landing accuracy when unmanned aerial vehicles uses traditional single loop control and Kalman filtering for target tracking and landing tasks in complex environments. The hybrid filtering method of Kalman filter and extended Kalman filter is used to estimate the state of the mobile landing platform， and the tracking and landing tasks of the unmanned aerial vehicles are completed by means of the speed PI control loop， attitude PID control loop， position PID control loop， and acceleration PID control loop. The simulation experimental results show that when facing both simple and complex environments， this method has good tracking performance and higher landing accuracy， and can be applied to autonomous tracking and landing operations of unmanned aerial vehicles in various environments.

Keywords： hybrid filtering; multi?loop control; unmanned aerial vehicle; extended Kalman filtering; PID control; pose estimation; moving target tracking

0" 引" 言

無人機(jī)自主追蹤和降落技術(shù)[1?3]是無人機(jī)領(lǐng)域的關(guān)鍵技術(shù)之一。該技術(shù)使無人機(jī)能夠在沒有人為干預(yù)的情況下追蹤特定目標(biāo)，并能夠在指定的位置安全降落。然而在高度無人化的無人機(jī)作業(yè)過程中，因跟丟追蹤目標(biāo)、降落誤差過大等因素導(dǎo)致的無人機(jī)炸機(jī)事故屢見不鮮。因此，研究如何提升無人機(jī)自主追蹤和降落技術(shù)的穩(wěn)定性與精確性是必要的。

無人機(jī)追蹤與降落的關(guān)鍵之一在于獲取準(zhǔn)確的位姿信息。I. U. Jan等人設(shè)計了一個無人機(jī)自主著陸控制系統(tǒng)。該系統(tǒng)利用卡爾曼濾波器處理視覺信息來控制直升機(jī)相對于目標(biāo)的位置、高度和方向，以實(shí)現(xiàn)安全準(zhǔn)確的著陸[4]。He Y等人創(chuàng)新性地將特征點(diǎn)坐標(biāo)求解應(yīng)用于姿態(tài)估計，提高了無人機(jī)的實(shí)時性能，以及準(zhǔn)確、快速識別著陸標(biāo)志的能力[5]。P. R. Grobler等人利用擴(kuò)展卡爾曼濾波器濾波GPS數(shù)據(jù)來估計無人機(jī)的位置[6]。Feng B等人用紅外熱成像視覺代替可見光視覺，提升目標(biāo)識別率，并通過圖像處理獲得無人艇與無人機(jī)的相對距離信息[7]。

上述提到的方法在位置空間上都存在一定的局限性，它們只能應(yīng)用于目標(biāo)位置絕對靜止的情況。C. Y." Kim等人提出了一種新型的無人機(jī)穩(wěn)健著陸系統(tǒng)，采用超寬帶傳感器來補(bǔ)償攝像機(jī)有限的視場，還開發(fā)了擴(kuò)展卡爾曼濾波器，融合從各種傳感器獲得的信息來估計移動平臺的相對位置[8]。該系統(tǒng)只在簡易的環(huán)境下做了相關(guān)的仿真實(shí)驗(yàn)，并沒有探討復(fù)雜情況下該系統(tǒng)的性能。文獻(xiàn)[9]中將全向相機(jī)的測量數(shù)據(jù)與適當(dāng)?shù)膭討B(tài)模型相結(jié)合，以估算移動降落平臺的位置和速度。文獻(xiàn)[10]中使用安裝在地面車輛上的激光雷達(dá)進(jìn)行激光雷達(dá)引導(dǎo)著陸，并利用聚類算法估計無人機(jī)相對于著陸平臺的位置。

一個魯棒的自主追蹤降落系統(tǒng)只有良好的位姿估計精確度而沒有穩(wěn)定的控制方案是不行的。孫凱等人提出了一個分階段降落策略來實(shí)現(xiàn)無人機(jī)的自主跟蹤著陸任務(wù)[11]。夏知勝等人利用遺傳算法優(yōu)化后的單級PID控制器來實(shí)現(xiàn)對無人機(jī)的姿態(tài)控制[12]。蘇贇等人提出一種自適應(yīng)串級PID算法控制無人機(jī)的姿態(tài)，從而實(shí)現(xiàn)對移動降落平臺的跟蹤[13]。

針對上述方案各自存在的局限性，本文綜合提出了一個基于混合濾波與多環(huán)控制的無人機(jī)跟蹤和降落的方法。首先利用卡爾曼濾波和擴(kuò)展卡爾曼濾波的混合濾波模式來處理雙目攝像頭采集到的Apriltag碼信息，從而估計無人機(jī)的相對姿態(tài)；再利用串并級的多環(huán)控制器來調(diào)整無人機(jī)的飛行姿態(tài)，最終實(shí)現(xiàn)自主追蹤著陸的任務(wù)。試驗(yàn)結(jié)果表明，該方法具有良好的穩(wěn)定性和降落精確度。

本文的主要貢獻(xiàn)有如下三點(diǎn)。

1） 針對無人機(jī)追蹤與降落任務(wù)設(shè)計了非線性與線性狀態(tài)融合的無人機(jī)動態(tài)模型，該動態(tài)模型充分地描述了無人機(jī)在執(zhí)行飛行任務(wù)時的姿態(tài)信息。

2） 新穎地提出了一個混合濾波框架，該框架可以用于無人機(jī)的實(shí)時姿態(tài)評估。

3） 設(shè)計了一個串并級共存的多環(huán)控制器，用于精準(zhǔn)地控制無人機(jī)的飛行狀態(tài)。

1" 問題描述與建模

1.1" 問題描述

狀態(tài)估計問題和位姿控制問題是無人機(jī)跟蹤與著陸方案設(shè)計的兩大要點(diǎn)。在無人機(jī)的飛行過程中，精確的位姿估計和穩(wěn)定的飛行控制都是必不可少的。

無人機(jī)的狀態(tài)估計是利用當(dāng)前時刻t之前的所有無人機(jī)控制信息[μ1：t]和傳感器觀測信息[z1：t]來估計無人機(jī)當(dāng)前時刻的狀態(tài)[dt]，該狀態(tài)包括無人機(jī)的位置、姿態(tài)和速度等信息。根據(jù)貝葉斯濾波的原理[14]，將狀態(tài)估計問題分為兩個步驟進(jìn)行。

1） 預(yù)測。預(yù)測即在獲得當(dāng)前時刻t的無人機(jī)搭載的外部傳感器觀測信息[zt]之前，對無人機(jī)的狀態(tài)[dt]進(jìn)行估計。在已知[z1：t-1]和[μ1：t]的情況下，通過計算[dt]的置信度[bel（dt）]來量化預(yù)測結(jié)果。該置信度也被稱為先驗(yàn)概率。

[beldt=pdtdt-1，z1：t-1，μ1：tp（dt-1z1：t-1，μ1：t）ddt-1]

（1）

為了方便求解，做了馬爾可夫假設(shè)，即在狀態(tài)量具備完整性的特征時，系統(tǒng)當(dāng)前時刻的狀態(tài)只與上一時刻有關(guān)。[bel（dt）]進(jìn)一步簡化為：

[beldt=pdtxt-1，μtbel（dt-1）ddt-1] （2）

式中：[bel（dt-1）]代表已知[z1：t-1]和[μ1：t-1]的情況下[xt-1]的置信度，其在測量更新步驟中有詳細(xì)的解釋。

2） 測量更新。更新即在獲得當(dāng)前時刻之前所有的無人機(jī)控制信息[μ1：t]和傳感器觀測信息[z1：t]后（包括當(dāng)前時刻t的無人機(jī)搭載的外部傳感器觀測信息[zt]），通過計算條件概率[pdtz1：t，μ1：t]來得到置信度[bel（dt）]，即后驗(yàn)概率。

[bel（dt）=λp（ztdt，z1：t-1，μ1：t）pdtz1：t-1，μ1：t] （3）

式中[λ]是與[dt]無關(guān)的常量。

同樣地，利用馬爾可夫假設(shè)，[beldt]被進(jìn)一步簡化為：

[beldt=λp（ztdt） beldt] （4）

將無人機(jī)控制信息和觀測信息作為輸入，進(jìn)行不斷預(yù)測和測量更新的迭代，就能得到每個時刻無人機(jī)的狀態(tài)信息。在這個過程中，如何選擇合適的狀態(tài)轉(zhuǎn)移概率[pdtdt-1，μt]和測量概率[p（ztdt）]是問題的關(guān)鍵，然而當(dāng)前主流的濾波方法都需要在高斯空間下進(jìn)行。為了保證后驗(yàn)概率[beldt]在任何時刻t內(nèi)都滿足高斯分布，狀態(tài)轉(zhuǎn)移概率和測量概率都必須是帶有隨機(jī)高斯噪聲的線性或非線性函數(shù)，且初始置信度[beld0]也要滿足正態(tài)分布。飛行器的姿態(tài)控制的目標(biāo)是通過調(diào)整每個電機(jī)的轉(zhuǎn)速，使得飛行器保持期望的姿態(tài)。在本文中將t時刻無人機(jī)的狀態(tài)向量[dt]定義為：

[dt=xt，yt，zt，?t，θt，ψtT] （5）

式中：[（xt，yt，zt）]代表t時刻無人機(jī)在笛卡爾坐標(biāo)系下的位置信息；[（?t，θt，ψt）]代表t時刻無人機(jī)的橫滾、俯仰和偏航角。

1.2" 四旋翼無人機(jī)的動態(tài)模型

無人機(jī)的狀態(tài)估計和位姿控制的前提是建立一個準(zhǔn)確的動態(tài)模型，即狀態(tài)轉(zhuǎn)換方程。對于一個連續(xù)的狀態(tài)空間，系統(tǒng)的狀態(tài)轉(zhuǎn)移方程表達(dá)為：

[dt+1=gdt，μt+1+ξt=12fdt，μt+1Δt2+d'tΔt+ξt] （6）

式中：[Δt]為兩個相鄰無人機(jī)狀態(tài)[dt]和[dt-1]的過渡時間；[ξt]是均值為0、方差為[Rt]的高斯隨機(jī)變量，其含義為由狀態(tài)轉(zhuǎn)移引發(fā)的不確定性。引入該高斯隨機(jī)變量的意義在于為后續(xù)的混合濾波估計位姿做技術(shù)性鋪墊。在無人機(jī)的運(yùn)動過程中，[fdt，μt+1=xt，yt，zt，?t，θt，ψtT]表示為：

[-fm（cosψtsinθtcos?t+sinψtsin?t）-fm（sinψtsinθtcos?t-cosψtsin?t）g-fmcos?tcosθt1Ixx[rx+θtψtIyy-Izz-JRPθtΩ]1Iyy[ry+?tψtIzz-Ixx+JRP?tΩ]1Izz[rz+?tθtIxx-Iyy]] （7）

式中：[f]為作用在機(jī)體的總拉力；[（rx，ry，rz）]為螺旋槳在笛卡爾坐標(biāo)系下產(chǎn)生的力矩；m為機(jī)體的總質(zhì)量；g為重力加速度；[JRP]是電機(jī)轉(zhuǎn)子和螺旋槳繞軸的總轉(zhuǎn)動慣量；[（Ixx，Iyy，Izz）]是慣性矩陣[J]的對角值。[Ω]的表達(dá)式為：

[Ω=Ω1-Ω2+Ω3-Ω4] （8）

式中：[Ω1]～[Ω4]分別為4個螺旋槳的轉(zhuǎn)速。

1.3" 無人機(jī)的觀測模型

本文探討的觀測方程是根據(jù)如下背景展開的。

無人機(jī)為搭載著單目相機(jī)的四旋翼飛行器，地面移動降落平臺上貼有Apriltag標(biāo)簽[15]，無人機(jī)利用相機(jī)識別標(biāo)簽來進(jìn)行高精度的定位。

考慮到標(biāo)簽上所有的點(diǎn)都與z軸共面，不妨設(shè)被相機(jī)觀測到的標(biāo)簽上的任意一點(diǎn)[Q=（Xw，Yw，1）T]，[Q]點(diǎn)對應(yīng)的像素坐標(biāo)[q=（xv，yv）T]。則根據(jù)空間三維點(diǎn)與圖像點(diǎn)的對應(yīng)關(guān)系，有如下等式：

[sxvyv1=KR'tXwYw1=HXwYw1] （9）

式中：s是比例縮放過程中的尺度因子；K是相機(jī)的內(nèi)參矩陣；[R'=[r1，r2]]，是從世界坐標(biāo)系到相機(jī)坐標(biāo)系的旋轉(zhuǎn)矩陣R的前兩列所構(gòu)成的矩陣。

通過識別標(biāo)簽可以得到標(biāo)簽角點(diǎn)的像素坐標(biāo)，并利用標(biāo)簽邊長和標(biāo)簽中心的世界坐標(biāo)計算出對應(yīng)的世界坐標(biāo)。將成對的像素坐標(biāo)與世界坐標(biāo)代入式（9），可以求得[R'：t]，特別地[r3]可以通過[r1]和[r2]的叉乘求解。由于攝像機(jī)固定安裝在無人機(jī)上，無人機(jī)體坐標(biāo)系相對于相機(jī)坐標(biāo)系的旋轉(zhuǎn)矩陣[Rcu]和平移量[tcu]可以通過實(shí)際的測量獲得。最終，無人機(jī)相對于世界坐標(biāo)系下的位姿轉(zhuǎn)換公式為：

[Rwu=RTRcutwu=RT（tcu-t）] （10）

由此，可以得出t觀測量[Qt]與無人機(jī)狀態(tài)[dt]之間的觀測方程，如下：

[Qt=hdt+οt=Rwu-1dt[1：3]-twu+οt] （11）

式中：[οt]是均值為0、方差為[Ot]的高斯隨機(jī)變量；[dt[1：3]]是t時刻無人機(jī)狀態(tài)[dt]的位置向量。

至此，無人機(jī)的狀態(tài)轉(zhuǎn)移方程與觀測模型如式（6）和式（11）所示。

2" 基于KF和EKF的混合濾波方案

在討論混合濾波方案之前，要引入一個簡易的無人機(jī)的線性化動態(tài)模型。假設(shè)無人機(jī)總是在微小的時間段[Δtρ]內(nèi)做勻速運(yùn)動，則無人機(jī)的狀態(tài)轉(zhuǎn)移方程可以簡化為：

[dt+1=dt+AΔtρΔtρ+ξt] （12）

式中A為6×6的對角矩陣。

[AΔtρ=diag（vxt，vyt，vzt，pt，qt，rt）]" （13）

在本文中，無人機(jī)的狀態(tài)轉(zhuǎn)移模型有兩種：一種是非線性化的復(fù)雜模型，如式（6）所示；另一種是線性化的簡易模型，如式（12）所示。兩種模型在一定條件下可以相互轉(zhuǎn)換，這樣可以使估計過程既體現(xiàn)出穩(wěn)定性也展現(xiàn)出快速性?；旌蠟V波框架如圖1所示。在不斷地預(yù)測和測量更新的迭代過程中，基于兩種狀態(tài)方程來結(jié)合卡爾曼濾波[16?17]和擴(kuò)展卡爾曼濾波[18?19]，針對每一時刻的無人機(jī)狀態(tài)進(jìn)行預(yù)測。其預(yù)測結(jié)果作為更新過程的輸入。然而由于其觀測模型的線性結(jié)構(gòu)，利用卡爾曼濾波來更新結(jié)果，更新量又作為下一時刻預(yù)測過程的輸入，如此循環(huán)往復(fù)，將準(zhǔn)確地預(yù)估無人機(jī)的實(shí)時位姿。

假設(shè)無人機(jī)的狀態(tài)轉(zhuǎn)移方程為線性化的，應(yīng)用卡爾曼濾波得到狀態(tài)轉(zhuǎn)移概率[pk]：

[pk=12πRtexp-12（dt+1-dt-AΔtρΔtρ）T·" " " " R-1t（dt+1-dt-AΔtρΔtρ）] （14）

假設(shè)無人機(jī)的狀態(tài)轉(zhuǎn)移方程為非線性化的，應(yīng)用擴(kuò)展卡爾曼濾波得到狀態(tài)轉(zhuǎn)移概率[pe]：

[pe=12πRtexp-12dt-gμt-1，μt-Gtxt-1-μt-1T·" " " R-1t（dt-gμt-1，μt-Gtxt-1-μt-1] （15）

式中[Gt]為[gd，μ]在[μt-1，μt]的一階泰勒展開系數(shù)所構(gòu)成的雅可比矩陣。

[Gt=?gd，μ?dμt-1，μt] （16）

將狀態(tài)模型的變化轉(zhuǎn)換為系統(tǒng)狀態(tài)轉(zhuǎn)移概率的變化。因此，得到基于混合濾波的先驗(yàn)概率。

[beldt=max （pe，pk）bel（dt-1） ddt-1] （17）

[beldt]服從高斯分布，其均值[ζt]為：

[ζt=gζt-1，μt，" " " " pe≥pkζt-1+AΔtρΔtρ，" pelt;pk] （18）

其方差[Σt]為：

[Σt=GtΣt-1GTt+Rt，" pe≥pkΣt-1+Rt，" " " " " "pelt;pk] （19）

根據(jù)線性的無人機(jī)觀測模型，如式（11）所示，利用卡爾曼濾波得到系統(tǒng)的測量概率[pQtdt]：

[pQtdt=12πOtexp-12（Qt-Rwu-1（dt[1：3]-twu））T·" " " " " " " " " " "O-1t（Qt-Rwu-1（dt1：3-twu））] （20）

根據(jù)測量概率得到系統(tǒng)的后驗(yàn)概率[beldt]：

[beldt=λp（Qtdt） beldt] （21）

式中[beldt]同樣服從高斯分布，其均值[ζt]為：

[ζt=ζt+KtQt-Rwu-1dt1：3-twu] （22）

其方差[Σt]為：

[Σt=（I-KtRwu-1）Σt] （23）

式（22）和式（23）中的卡爾曼系數(shù)[Kt]為：

[Kt=ΣtRwu（Rwu-1ΣtRwu+Ot）-1] （24）

3" 基于串并級的多環(huán)控制器設(shè)計

完成無人機(jī)的狀態(tài)估計工作后，針對無人機(jī)的飛行控制，采用四環(huán)的串級和并級相融合的控制模式，其控制原理圖如圖2所示?？刂瓶蚣苡伤俣拳h(huán)、姿態(tài)環(huán)、位置環(huán)和加速度環(huán)構(gòu)成。其中，速度PI控制環(huán)和姿態(tài)PID控制環(huán)組成一個串級結(jié)構(gòu)，位置環(huán)和加速度環(huán)組成一個串級結(jié)構(gòu)。兩個串級結(jié)構(gòu)并行組成一個并級結(jié)構(gòu)。

通過處理無人機(jī)上搭載的單目相機(jī)拍攝的實(shí)時貼有Apriltag標(biāo)簽的移動平臺照片，可以得到無人機(jī)和移動降落平臺之間的相對位置[Δx]。位置指令是參考混合濾波估計無人機(jī)在[t]時刻的位置[dt1：3=[xt，yt，zt]T]后，向無人機(jī)下達(dá)的跟隨或者降落情況下的期望位置[pt]，位置PID環(huán)以位置指令作為輸入，[Δx]作為反饋量對無人機(jī)的實(shí)際位置進(jìn)行PID控制。位置PID輸出期望位置加速度值作為位置加速度PID環(huán)的輸入。速度指令是參考混合濾波估計無人機(jī)在t時刻的姿態(tài)[dt4：6=[?t，θt，ψt]T]后，向無人機(jī)下達(dá)的跟隨或者降落情況下的期望位置[st]，速度PI環(huán)以速度指令作為輸入，位置加速度PID環(huán)的輸出和慣性導(dǎo)航測量無人機(jī)的線速度同時作為反饋量，對無人機(jī)的實(shí)時位姿進(jìn)行PI調(diào)節(jié)。在這個過程中，引入一個姿態(tài)PID環(huán)的串級結(jié)構(gòu)，聯(lián)合該結(jié)構(gòu)對無人機(jī)的電機(jī)進(jìn)行轉(zhuǎn)速調(diào)節(jié)。其中姿態(tài)PID環(huán)的輸入為速度PI環(huán)的輸出，其反饋量為慣性導(dǎo)航測量無人機(jī)的角速度和角度。

在無人機(jī)對于移動目標(biāo)的跟蹤過程中，四環(huán)控制全部處于收斂狀態(tài)。特別地，在降落過程中，位置PID環(huán)對于z軸上分量的調(diào)節(jié)處于線性發(fā)散的狀態(tài)，當(dāng)無人機(jī)的位置下降到一定高度時再回歸到收斂狀態(tài)，當(dāng)無人機(jī)與目標(biāo)達(dá)到相對靜止的狀態(tài)時關(guān)閉發(fā)動機(jī)。至此，無人機(jī)的跟蹤降落任務(wù)已完成。

4" 仿真實(shí)驗(yàn)

本文的仿真平臺采用Gazebo和Rviz相結(jié)合的模式。首先，利用Gazebo監(jiān)測無人機(jī)和移動平臺的相對位置關(guān)系，模擬無人機(jī)實(shí)時跟蹤移動目標(biāo)并自主降落的全過程。其次，利用Rviz體現(xiàn)出各個坐標(biāo)系直接的位置關(guān)系，并在image窗口體現(xiàn)相機(jī)跟蹤Apriltag碼的過程。無人機(jī)和小車的模型利用Urdf模型制作方法制作。仿真平臺如圖3所示。

利用上述搭建的仿真平臺進(jìn)行了一系列實(shí)驗(yàn)，模擬了無人機(jī)追蹤移動平臺并能夠在其上安全降落的場景。在這些實(shí)驗(yàn)中，本文方法將與常規(guī)方法，即擴(kuò)展卡爾曼濾波和單環(huán)PID進(jìn)行比較，并且移動平臺的運(yùn)動路徑分別設(shè)置為直線和圓形。目標(biāo)運(yùn)動軌跡為圓形時，兩種方法的無人機(jī)的跟蹤降落狀態(tài)如圖4所示。

針對圓形跟蹤的效果，如圖4a）和圖4b）所示，本文方法與傳統(tǒng)方法的優(yōu)劣顯而易見，應(yīng)用本文方法可以在跟蹤過程中讓無人機(jī)與移動目標(biāo)貼合緊密；然而傳統(tǒng)方法使得無人機(jī)的位置比較松散，無法與移動目標(biāo)貼合。針對圓形降落的效果，如圖4c）和圖4d）所示，本文方法可以實(shí)現(xiàn)精準(zhǔn)降落，而傳統(tǒng)方法的降落誤差較大。

當(dāng)目標(biāo)運(yùn)動軌跡為直線時，假設(shè)移動目標(biāo)沿y軸以0.5 m/s的速度進(jìn)行勻速運(yùn)動。兩種方法的無人機(jī)的跟蹤降落狀態(tài)如圖5所示。

針對直線跟蹤的效果，如圖5a）和圖5b）所示，本文方法在跟蹤效果上要優(yōu)于傳統(tǒng)方法。傳統(tǒng)方法在x軸上與追蹤目標(biāo)有著明顯的偏移量。針對直線降落的效果，如圖5c）和圖5d）所示，本文方法降落精度明顯較高。為了進(jìn)一步定量地分析兩種方法的優(yōu)劣，做了10組實(shí)驗(yàn)，其反饋的追蹤、降落時的平均誤差和降落平均時間分別如表1、表2所示。

根據(jù)表1的無人機(jī)跟蹤誤差數(shù)據(jù)，可以看出本文方法在面對目標(biāo)軌跡為圓形和直線時都有著更小的跟蹤誤差，無人機(jī)在跟蹤時能更加貼合目標(biāo)平臺。通過分析表2的無人機(jī)降落誤差和時間的數(shù)據(jù)，本文方法無論是在降落時間還是降落精準(zhǔn)度上都有著明顯的優(yōu)勢。

5" 結(jié)" 語

本文針對如何提升無人機(jī)自主追蹤著陸時的精度和速度的問題，提出一種基于混合濾波與多環(huán)控制的方案，并通過仿真實(shí)驗(yàn)驗(yàn)證該方法的有效性和魯棒性。結(jié)果表明本文方法在跟蹤和降落方面都較傳統(tǒng)的方法更有優(yōu)勢。關(guān)于后續(xù)的工作，考慮引入更復(fù)雜的目標(biāo)平臺的移動軌跡或感興趣區(qū)域來進(jìn)一步提升跟蹤速度，并將該方案運(yùn)用到真實(shí)的實(shí)驗(yàn)環(huán)境中去。

參考文獻(xiàn)

[1] 鐘春來，楊洋，曹立佳，等.基于視覺的無人機(jī)自主著陸研究綜述[J].航空兵器，2023，30（5）：104?114.

[2] 韓鵬，耿增顯，劉宏，等.無人機(jī)視覺識別與移動追蹤技術(shù)綜述[J].飛航導(dǎo)彈，2018（10）：24?28.

[3] 趙良玉，李丹，趙辰悅，等.無人機(jī)自主降落標(biāo)識檢測方法若干研究進(jìn)展[J].航空學(xué)報，2022，43（9）：274?289.

[4] JAN I U， KHAN M U， IQBAL N. Combined application of kalman filtering and correlation towards autonomous helicopter landing [C]// 2009 2nd International Conference on Computer， Control and Communication. [S.l.]： IEEE， 2009： 1?6.

[5] HE Y， ZENG Z， LI Z， et al. A new vision?based method of autonomous landing for UAVs [C]// 2023 9th International Conference on Electrical Engineering， Control and Robotics. Wuhan： IEEE， 2023： 1?6.

[6] GROBLER P R， JORDAAN H W. Autonomous vision based landing strategy for a rotary wing UAV [C]// 2020 International SAUPEC/RobMech/PRASA Conference. Cape Town， South Africa： IEEE， 2020： 1?6.

[7] FENG B， YANG X， WANG R， et al. Design and implementation of autonomous takeoff and landing UAV system for USV platform [C]// 2022 International Conference on Cyber?Physical Social Intelligence （ICCSI）. [S.l.]： IEEE， 2022： 292?296.

[8] KIM C Y， LEE E C M， CHOI J H， et al. ROLAND： robust landing of UAV on moving platform using object detection and UWB based extended kalman filter [C]// 2021 21st International Conference on Control， Automation and Systems. [S.l.]： IEEE， 2021： 249?254.

[9] KIM J W， JUNG Y， LEE D. Outdoor autonomous landing on a moving platform for quadrotors using an omnidirectional camera [C]// 2014 International Conference on Unmanned Aircraft Systems （ICUAS）. Orlando， FL， USA： IEEE， 2014： 1243?1252.

[10] AOKI N， ISHIGAMI G. Autonomous tracking and landing of an unmanned aerial vehicle on a ground vehicle in rough terrain [J]. Advanced robotics， 2023， 37（5）： 344?355.

[11] 孫凱，于洋，馮迎賓.基于視覺的自主無人機(jī)目標(biāo)跟蹤著陸方法研究[J].沈陽理工大學(xué)學(xué)報，2022，41（5）：21?28.

[12] 夏知勝，陳誠，楊愛斌.基于遺傳算法優(yōu)化PID的固定翼無人機(jī)俯仰控制設(shè)計[J].科技創(chuàng)新與應(yīng)用，2023，13（34）：41?44.

[13] 蘇贇，王挺，姚辰，等.基于合作目標(biāo)的無人機(jī)目標(biāo)跟蹤方法[J].機(jī)器人，2019，41（4）：425?432.

[14] QU Congshan， XU Hualong， TANG Ying. A survey of nonlinear Bayesian filtering algorithms [J]. Electronics optics amp; control， 2008， 15（8）： 64?69.

[15] WANG J， OLSON E. AprilTag 2： efficient and robust fiducial detection [C]// 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems. Daejeon， South Korea： IEEE， 2016： 4193?4198.

[16] CAO Y， YAN P， LIN S， et al. KF?based MPC for the cascaded headbox system in papermaking process [C]// 2017 36th Chinese Control Conference. [S.l.]： IEEE， 2017： 4369?4374.

[17] DUTTA A， DAS M. ECG signal denoising using adaptive unscented kalman filter [C]// 2022 IEEE Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation （IATMSI）. Gwalior， India： IEEE， 2022： 1?6.

[18] WANG H， WANG J， QU L， et al. Simultaneous localization and mapping based on multilevel?EKF [C]// 2011 IEEE International Conference on Mechatronics and Automation. Beijing： IEEE， 2011： 2254?2258.

[19] LUO L， CHEN G. Research on SOC estimation of lithium battery for electric vehicle based on EKF algorithm [C]// 2021 International Conference on Power System Technology. Kunming： IEEE， 2021： 820?823.