張貴勇，孫 強，彭 程，易 立

（1.國能壽光發(fā)電有限責任公司，濰坊 262700；2.北京電科智擎科技有限公司，北京 100000）

無人機作為一種由遙控器或編程軟件實現(xiàn)控制的小型飛行設備，具有高穩(wěn)定性、高效作業(yè)、高精度懸停等諸多優(yōu)勢[1]。隨著人工智能、物聯(lián)網(wǎng)等先進技術(shù)的崛起與融合，無人機已成為軍事、電力、緊急救援等行業(yè)中的主要輔助設施，可代替人工完成搜索、巡檢、搜救等高危、高強度工作[2-3]。在工業(yè)生產(chǎn)中，機械呈自動化發(fā)展，效率與安全需求也日益增加。無人機具備超強的三維空間運動能力，因其不受巡檢場景的限制，在非接觸式機械巡檢任務中的作用越來越大，并受到使用企業(yè)、檢驗檢測部門、無人機設計與制造業(yè)等多個相關(guān)方的高度重視，期望其能為加快設備檢驗工作的完成效率與安全性做出貢獻[4]。

為此，機械領域的眾多學者紛紛展開研究，以提高無人機的巡檢質(zhì)量。文獻[5]為降低大型起重機金屬結(jié)構(gòu)的檢測難度，提高自動化水平，針對多旋翼無人機開發(fā)了自動駕駛智能巡檢系統(tǒng)，該系統(tǒng)基于全球定位系統(tǒng)與全球衛(wèi)星導航系統(tǒng)的雙系統(tǒng)精密定位技術(shù)，提出飛機打點與航跡飛行融合的自動巡檢方式；文獻[6]為加強無人機在井下狹窄、昏暗且沒有全球定位系統(tǒng)的特殊環(huán)境中的適應能力，采用了激光即時定位與地圖構(gòu)建算法，設計出具有定位和避障功能的系統(tǒng)；文獻[7]為解決無人機熱紅外圖像因受機械制造環(huán)境影響而導致的尺度轉(zhuǎn)換精度過低問題，將預處理后的圖像光譜指數(shù)輸入BP神經(jīng)網(wǎng)絡，完成熱紅外圖像空間分辨率的降尺度處理，從而得到高分辨率溫度圖像。

巡檢無人機涉及多種技術(shù)，盡管現(xiàn)有文獻已從航跡規(guī)劃、智能控制等不同角度提升了巡檢質(zhì)量，但仍存在較多待優(yōu)化提升的地方。目前，無人機在進行視覺跟蹤時容易受到風力影響而產(chǎn)生偏航，并且只能機械地按照預定計劃飛行，無法檢測環(huán)境變化并調(diào)整計劃。因此，本文結(jié)合引導濾波提出一種自主循跡自動控制方法。

1 引導濾波的無人機采集圖像處理

無人機的視覺傳感器會導致圖像中存在大量噪聲，并放大這些噪聲，從而導致圖像失真。為解決這個問題，充分發(fā)揮引導濾波的保邊去噪優(yōu)勢[8]，設計一種處理方法，3 個處理階段如下文所述。

（1）色彩空間轉(zhuǎn)換。將圖像的色彩空間從RGB（red，green，blue，紅-綠-藍）轉(zhuǎn)化為HSV（hue，saturation，value，色調(diào)-飽和度-亮度），防止RGB 空間造成色彩失真[9]。

（2）濾波分層。利用引導濾波進行分層處理，已知圖像f 為待實施濾波處理圖像，引導圖為D，則濾波輸出圖像fb如下所示，即圖像基礎層：

式中：ak、bk分別表示像素索引為k 的局部線性函數(shù)因子。

若HSV 空間內(nèi)V 通道的像素數(shù)據(jù)是fV，則細節(jié)層由下式得到：

對于歸一化后的輸入圖像f′，利用下列針對圖像局部信息的自適應伽馬校正算法[10]，取得基礎層亮度增強后的圖像fb_g：

式中：α（x，y）表示各像素的伽馬校正因子。

關(guān)于細節(jié)層，通過sigmoid 函數(shù)的非線性變換實施拉伸處理，增加視覺強烈感。為盡可能多地留下有用信息，利用下列公式在［-β，β］范圍內(nèi)完成細節(jié)層圖像的線性映射：

引入sigmoid 函數(shù)，逐步實施非線性變換與線性變換，得到基于初始映射范圍的細節(jié)層圖像，如下所示：

（3）加權(quán)融合。對于經(jīng)過亮度增強的基礎層與非線性拉伸處理的細節(jié)層，通過下列公式進行加權(quán)融合，得到增強后的V 通道像素。將融合后的圖像色彩空間轉(zhuǎn)化回RGB 中，輸出的結(jié)果即為引導濾波處理后的高質(zhì)量無人機視覺圖像fg（x，y）：

式中：η（x，y）表示加權(quán)因子。

2 巡檢無人機自主循跡自動控制器設計

2.1 航跡點檢測

以所得的無人機視覺圖像為基礎，利用拉普拉斯算子與Harris 算子檢測航跡點。在巡檢機械設備的場景中，將無人機待跟蹤的航跡點抽象地看成一條結(jié)構(gòu)化路徑。利用拉普拉斯算子與Harris 算子，檢測航跡的邊界與角點，為自主循跡提供可靠依據(jù)。

作為二階微分算子，拉普拉斯算子具有微分特征[11]，故邊界點即像素點二階微分值是0 的點。假設經(jīng)引導濾波處理后的圖像是fg（x，y），則該圖像拉普拉斯算子二階導數(shù)的計算公式如下：

根據(jù)拉普拉斯算子的二次微分正負峰間的過零點明確航跡邊界后，通過下列方程，加大灰度突變部分與平緩部分的反差，實現(xiàn)圖像銳化，提高模糊圖像的清晰度：

Harris 算子作為局部信號的自相關(guān)函數(shù)，能有效地檢測出由信號位移產(chǎn)生的所有細微變化[12]。利用下列方程組求取圖像的二維方向梯度：

兩兩相乘各方向梯度，得到：

加權(quán)處理所得乘積結(jié)果，獲取窗口自相關(guān)矩陣C（x，y）：

利用下式計算出矩陣C（x，y）的行列式值HLC（x，y）與跡值JZC（x，y）：

航跡點檢測結(jié)果如下所示：

式中：k 表示經(jīng)驗因子。

2.2 自主循跡自動控制

以航跡點為循跡目標，利用外環(huán)方位控制器和內(nèi)環(huán)姿勢控制器實現(xiàn)無人機自主循跡的自動控制。以航跡點作為循跡目標，并以其與無人機的方位與姿勢偏差為飛行軌跡的調(diào)整依據(jù)，基于經(jīng)典的PID算法[13]設計出自動控制器。經(jīng)方位與姿勢的雙環(huán)控制，實現(xiàn)無人機自主循跡的自動控制，各組成部分具體描述如下：

（1）自主循跡策略。根據(jù)航跡路徑邊界與角點的檢測結(jié)果，基于carrot-chasing 路徑追蹤算法，構(gòu)建自主循跡方法，讓無人機能夠在固定高度上自主循跡飛行。若無人機投射點與起飛點的間距是L，視線角與航向角分別是θ、ψ，則自主循跡的目標條件為高度固定、速度固定。以起飛點為中心，在待追蹤的航跡路徑AB 上設立虛擬目標點，令其與無人機在路徑上的橫向投射點之間的距離是δ，則起飛點-虛擬目標點連線與水平方向的夾角即為180°減去橫向距離L 到起飛點-虛擬目標點連線的夾角。橫向距離與起飛點-虛擬目標點連線的夾角γ 為

式中：l 為起飛點與虛擬目標點的連線長度。

（2）外環(huán)方位控制器。已知無人機與航跡路徑的偏移量Δe，無人機的當前速度v 與當前方位（x，y，z），期望速度vq與期望方位（xq，yq，zq），構(gòu)建出下列方位控制器的定義式：

式中：Kp、Ki、Kd分別表示PID 控制算法的比例、積分、微分參數(shù)。

（3）內(nèi)環(huán)姿勢控制器。已知無人機當前姿勢角（即俯仰角、橫滾角、偏航角）分別是φ、λ、ω，則姿勢控制器的定義式為

式中：φq、λq、ωq表示各姿勢的期望角度；Δε 表示姿勢偏差。

（4）控制量計算。假設比例、積分、微分各參數(shù)的偏差項分別是，則控制量為

式中：E 表示參數(shù)偏差系數(shù)；T 表示控制周期。

將控制量傳輸至無人機，控制電機轉(zhuǎn)速來自動控制自主循跡路線。

3 巡檢無人機自主循跡自動控制效果檢測

3.1 實驗準備階段

在露天且空曠的地面上用定點的形式布設包含7 個航跡點的巡檢軌跡。選用經(jīng)緯M30T 型號的大疆自動巡檢無人機，其參數(shù)為飛行器尺寸470×585×215 mm（L×W×H）（展開，不包含槳葉），365×215×195 mm（L×W×H）（折疊）；重量3770±10 g（含2塊電池）；工作頻率5.725～5.850 GHz。經(jīng)過調(diào)試，測試所建系統(tǒng)的自動控制性能與效果。除相機鏡頭焦圈視野和電池續(xù)航能力都設置為最高標準外，調(diào)試后的巡檢無人機的其他技術(shù)參數(shù)如表1 所示。

表1 調(diào)試后無人機參數(shù)Tab.1 Drone parameters after debugging

3.2 自主循跡軌跡分析

巡檢無人機自主循跡所形成的飛行軌跡如圖1所示。從與理想飛行軌跡的對比結(jié)果可以清晰地看出，在風力和漂浮物等外界環(huán)境的干擾下，盡管所提方法在控制無人機轉(zhuǎn)彎時會降低飛行速度、改變飛行高度來實現(xiàn)自主循跡，使得所形成的循跡軌跡中的彎曲路徑無法與理想路徑完全重合，但整體上依舊具有較高的擬合程度，其有效性相對顯著。

圖1 自主循跡軌跡示意圖Fig.1 Schematic diagram of autonomous tracking trajectory

為進一步探討所提方法對巡檢無人機位置的自動控制精度能否滿足高精度的巡檢需求，獲取循跡軌跡與理想軌跡在3 個方向上位于航跡點處的距離偏差，如圖2 所示。由此可見，各方向上的循跡偏差均值分別是0.36 m、0.15 m、0.18 m；X 方向和Z方向上的循跡偏差最大值不超過1 m，而Y 方向上始終小于0.5 m；除起飛點和降落點外，最小循跡偏差發(fā)生在Z 方向上，僅有0.13 m。所提方法通過引導濾波技術(shù)，使輸出圖像的梯度信息等同于輸入圖像，為自動控制提供了較高質(zhì)量的圖像依據(jù)。在自主循跡策略和控制量計算結(jié)果的支持下，極大程度地減小了誤差的波動范圍，使無人機實現(xiàn)了預期的自主循跡效果。

圖2 不同方向上的位置偏差示意圖Fig.2 Schematic diagram of position deviation in different directions

3.3 自動控制角度與角速度分析

該實驗環(huán)節(jié)從橫滾角、俯仰角、偏航角的偏差及對應角速度偏差等方面，測試所提方法對無人機姿態(tài)的自動控制性能，以加強檢驗結(jié)果的可信度。位于航跡點處循跡軌跡各指標與理想軌跡的偏差結(jié)果如圖3 所示。由此可見，各姿態(tài)角度偏差的波動范圍分別是-0.4°～+2.7°、-2.25°～+2.3°、-0.54°～+0.83°，對應角速度的平均偏差分別是2.01°/s、1.62°/s、0.58°/s。所提方法通過去噪處理較好地保留了邊緣細節(jié)，并根據(jù)精準檢測到的循跡目標，通過自主循跡策略和雙環(huán)控制器，在最大程度上抵消了外界風力的干擾，從而準確地完成了巡檢無人機的姿態(tài)控制，有效地將不同姿態(tài)的角度及角速度偏差穩(wěn)定控制在實際工程允許的范圍內(nèi)。

圖3 不同姿態(tài)偏差示意圖Fig.3 Schematic diagram of different attitude deviations

4 結(jié)語

無人機憑借遙控站的遠距離操控特點，從根本上解決了航空安全問題。飛行控制技術(shù)作為無人機的核心，對飛行軌跡和姿態(tài)有著決定性的作用。隨著通信、控制等技術(shù)的迅猛發(fā)展，無人機控制技術(shù)受到了高度重視。特別是在工業(yè)機械化的推動下，無人機在大中型機械設備的巡檢任務中占據(jù)主導地位，為設施安全管理提供了有效助力。為進一步提高無人機的巡檢工作質(zhì)量，提出自主循跡自動控制方法，并通過實驗驗證了該方法的有效性。在未來的研究過程中需要對障礙物感知與自主規(guī)避功能、基于恒定和復雜風干擾免疫功能的風干擾模型等方向展開深入探討，加強控制器控制律的魯棒性，從而全面提升無人機的控制性能和水平，使其能適用于更多的行業(yè)領域。