无人机技术知识要点.docx
- 文档编号:8953904
- 上传时间:2023-05-16
- 格式:DOCX
- 页数:41
- 大小:7.55MB
无人机技术知识要点.docx
《无人机技术知识要点.docx》由会员分享,可在线阅读,更多相关《无人机技术知识要点.docx(41页珍藏版)》请在冰点文库上搜索。
民用无人机知识要点
一、民用无人机主要分类
1、固定翼无人机:
优点:
续航时间长、航程远、飞行速度快、飞行高度高、负载能力强
缺点:
起降受场地限制、不能在空中悬停
2、直升机无人机
优点:
载荷较大、可垂直起降、空中悬停、灵活性强
缺点:
结构复杂、故障率高、维修成本高、续航时间短
3、多旋翼无人机
优点:
操作灵活、结构简单、成本低、起降方便、可在空中悬停
缺点:
续航时间短、负载能力弱、飞行速度慢
二、无人机主要硬件部分发展状况
主要硬件部分
发展状况
芯片
目前一个高性能FPGA芯片就可以在无人机上实现双CPU的功能,以满足导航传感器的信息融合,实现无人飞行器的最优控制。
惯性传感器
伴随着应用加速计、陀螺仪、地磁传感器等设备广泛应用,MEMS惯性传感器从2011年开始大规模兴起,6轴、9轴的惯性传感器也逐渐取代了单个传感器,成本和功耗进一步降低,成本仅在几美元。
另外GPS芯片仅重0.3克,价格不到5美元。
WIFI等无线通信
wifi等通信芯片用于控制和传输图像信息,通信传输速度和质量已经可以充分满足几百米的传输需求。
电池
电池能量密度不断增加,使得无人机在保持较轻的重量下,续航时间能有25-30分钟,达到可以满足一些基本应用的程度,此外,太阳能电池技术使得高海拔无人机可持续飞行一周甚至更长时间。
云台
安装、固定摄像机的支撑设备,它要保证无人机在各种环境下做到稳定拍摄。
飞机机体
包含螺旋桨、电机马达、机体外壳等
相机等
4K、3D、高像素摄像头性能的有效提升和成本下降。
Ø;
Ø图像传输系统:
保障图像传输的实时性和清晰度;
Ø云台:
保证相机稳定,避免飞行过程中颤抖引起的画面模糊。
无人机关键芯片产业分析和展望
在现有的无人机上,主流厂商使用的是ARM架构MCU芯片,例如意法半导体的STM32系列(大疆精灵系列无人机采用),Atmel的Mega2560系列等芯片,这类芯片的特点是:
主频低(STM32主频在200MHz左右,Atmel的MCU低至20MHz),计算能力较差,往往只能支持飞行控制功能,并不能提供无人机智能化所需要的高速计算和并行计算能力。
目前芯片业界三大巨头:
高通、Intel、Nvidia都纷纷挺进无人机产业,推出以自己的移动芯片或图形计算芯片为核心的无人机参考设计或套件;此外中国芯片设计厂商联芯科技也与中国无人机厂商零度智控联合开发了用于智能无人机的方案。
对于Intel/高通/Nvidia/联芯四家方案的性能参数和特性见下表,这四家的方案在无人机应用上各有特色:
高通传统优势在于其深厚的无线通讯技术和移动低功耗计算芯片的积累;其方案的CPU主频是最高的;其方案也是所有厂商中尺寸最小的;虽然其GPU计算性能与Nvidia方案还存在一定差距,但已能够满足双目视觉计算需求,且与NV同样支持4K拍摄,因此可以判定其GPU并行计算能力满足现有智能无人机需求;
Intel传统优势领域为桌面计算和高性能计算,目前其优势在无人机领域体现并不明显,在表11中多项指标都处于劣势。
但其可以和自有环境传感器RealSense技术配合,在环境感知和测量方面存在精度优势。
Nvidia是全球两大GPU厂商之一,其在图形运算和并行计算上有较深积累。
其推出的无人机方案具备四方案中最强的浮点并行处理能力,能够胜任各类图像图形识别和高级人工智能任务。
NV劣势在于其移动计算和无线通信上积累较浅。
联芯LC1860的无人机方案具备双目视觉功能,在一些参数上略逊于高通/NV方案,但性价比会比较高。
四家芯片厂商提供的智能无人机关键芯片模组比较
厂商
产品模组名称
高通
SnapdragonFlight
IntelEdision
forArduino
Nvidia
JetsonTX1
联芯
LC1860
总体优点
各方面性能均衡,
性价比较高
适配realsense模组
精度高适用环境广
并行计算能力强
价格较低
可能缺点
适应环境范围
相对较窄
整体功耗较高
价格较贵
价格较高
通信能力可能偏差
综合技术指标较低
尺寸
58mmX40mm
23.2cm2
123mmX72.2mm
88cm2
87mmX50mm
43.5cm2
41mmX61.5mm
25.2cm2
参考价格
¥650~¥975
¥768(网购)+
¥1200(realsense)
¥2380
(官网价)
不详
CPU
4xQuacomm
Krait400
22nm双核双线程IntelAtom
64位ARM
A57核心
6核CortexA7
CPU性能
最高2.5GHz
500MHz
2GHz
2GHz
GPU
QualcommAdreno
330GPU
IntelHD
Graphic
Maxwell架构
256核心
双核Mali
T628GPU
GPU性能
167GFLOPs
不详
1024GFLOPs
不详
模组功耗
不详
静态35mW
动态不详
不超过10W
不详
支持Wi-Fi、蓝牙
是
是
是
是
支持双目视觉
是
支持Realsense视觉
是
是
支持高清摄像
4K
是
4K
2K
厂商擅长领域
基带通信
移动计算
通用计算
先进集成电路工艺
GPU
大规模并行计算
中国芯片厂
后起之秀
厂商特长在无人机的应用
低功耗计算
无人机群通信
高性能计算
机器视觉计算
人工智能
性价比高
三、无人机主要系统
无人机系统主要由三部分组成,分别为飞行器平台、控制站与通讯链路。
飞行器平台:
包括飞行机体结构、动力系统、飞控系统、导航系统、电气系统、通信系统;
控制站:
包括显示系统、操纵系统;
通讯链路:
包括机载通讯与地面通讯。
四、飞行器平台主要系统
1、飞控系统
飞控系统是无人机的“驾驶员”,是无人机完成起飞、空中飞行、执行任务和返场回收等整个飞行过程的核心系统。
飞控一般包括传感器、机载计算机和伺服作动设备三大部分,实现的功能主要有无人机姿态稳定和控制、无人机任务设备管理和应急控制三大类。
(其中,机身大量装配的各种传感器(包括角速率、姿态、位置、加速度、高度和空速等)是飞控系统的基础,是保证飞机控制精度的关键。
未来要求无人机传感器具有更高的探测精度、更高的分辨率,因此高端无人机传感器中大量应用了超光谱成像、合成孔径雷达、超高频穿透等新技术。
)
现有飞控系统是开源与闭源系统的结合。
Arduino是早期的开源飞控之一,成为了后续衍生品的基础,随后2007年,由美国3DR公司旗下DIYDrones无人机社区推出的飞控产品APM成为了当今成熟的技术,也是用户使用最多的开源系统。
目前主要的开源系统有APM、PX4、PPZ、MWC、OpenPilot等。
国内优秀的无人机厂商,为了提高系统的专业化,则大部分在开源系统的基础上演化出自己的闭源系统。
相比开源系统,无人机厂商自身的闭源系统加入了许多优化算法、简化了调参与线束,变得更加简单易用。
2、导航系统
导航系统是无人机的“眼睛”,多技术结合是未来方向。
导航系统向无人机提供参考坐标系的位置、速度、飞行姿态,引导无人机按照指定航线飞行,相当于有人机系统中的领航员。
目前无人机所采用的导航技术主要有惯性导航、定位卫星导航、地形辅助导航、地磁导航、多普勒导航等。
无人机载导航系统主要分非自主(GPS等)和自主(惯性制导)两种,但分别有易受干扰和误差积累增大的缺点,而未来无人机的发展要求障碍回避、物资或武器投放、自动进场着陆等功能,需要高精度、高可靠性、高抗干扰性能,因此多种导航技术结合的“惯性+多传感器+GPS+光电导航系统”将是未来发展的方向。
3、动力系统
目前民用工业无人机以油动为主,消费级无人机以电动为主。
不同用途的无人机对动力装置要求也不同。
低速、中低空小型无人机倾向于活塞发动机,低速短距、垂直起降无人机倾向涡轴发动机,小型民用无人机则主要采用电动机、内燃机或喷气发动机。
涡轮有望逐步取代活塞,新能源发动机提升续航能力。
专业级无人机目前广泛采用的动力装置为活塞式发动机,但活塞式只适用于低速低空小型无人机。
随着涡轮发动机推重比、寿命不断提高、油耗降低,涡轮将取代活塞成为无人机的主力动力机型。
太阳能、氢能等新能源电动机也有望为小型无人机提供更持久的动力。
4、数据链系统(通信系统)
数据链系统(通信系统)是无人机和控制站之间的桥梁,是无人机的真正价值所在。
上行通信链路主要负责地面站到无人机的遥控指令的发送和接收。
下行通信链路主要负责无人机到地面站的遥测数据、红外或电视图像的发送和接收。
普通无人机大多采用定制视距数据链,而中高空、长航时无人机则采用超视距卫星通信数据链。
现代数据链技术的发展推动者无人机数据链向着高速、宽带、保密、抗干扰的方向发展。
随着机载传感器、定位的精细程度和执行任务的复杂程度不断上升,对数据链的带宽提出了很强的要求,未来随着机载高速处理器的突飞猛进,预计几年后现有射频数据链的传输速率将翻倍,未来可能还将出现激光通讯方式。
从美国制定的无人机通信网络发展战略上看,数据链系统从最初IP化的传输、多机互连网络,正在向卫星网络转换传输,以及最终的完全全球信息格栅(GIG)配置过渡,为授权用户提供无缝全球信息资源交互能力,既支持固定用户、又支持移动用户。
五、智能无人机的关键基础技术
普通无人机和智能无人机组件的差别
组件
普通无人机
智能化无人机
控制系统芯片
低性能省电的MCU
支持大规模并行计算的CPU
机器视觉组件
仅将图像回传操作员
识别图像内容重构三维模型
基础软件
飞控软件和基本固件
完整的OS支撑系统不同应用
人工智能软件
无
机器视觉/语音语义识别等
1、无人机“视觉”技术
赋予无人机“智能”中关键技术之一是让无人机能够通过机器视觉感知周边的环境,并将结果转化为数据通过OS(操作系统)传给其他应用程序。
目前无人机领域主流的机器视觉硬件技术有:
双目机器视觉、红外激光视觉、超声波辅助探测等方式。
重要的机器视觉软件技术有:
光流算法、图像分割算法、图形识别、人工智能等;
机器视觉硬件技术
A.双目机器视觉(高通SnapdragonFlight等产品采用):
双目机器视觉基于三角定位原理,与人眼对三维世界的还原原理类似,通过比较两个同向摄像头拍摄的画面中同一物体的视角差来确定距离,从而从二维图像中还原出三维世界的立体模型:
双目机器视觉仅需两个摄像头,但对计算能力的要求较高。
双目机器视觉的门槛不在于根据视角信息α、β和间距d解算距离L,而在于让计算机能够在画面中将物体从背景中“提取”出来。
目前高通支持双目机器视觉的无人机参考设计使用旗舰芯片Snapdragon801/820,可见其对计算能力的要求之高。
对人眼来说将一个物体从背景画面当中区分开来是一件很自然的事情,但对于计算机就不同了:
同一景物在不同视点的摄像机图像平面上的成像会发生不同程度的扭曲和变形,要让计算机模糊分割出物体,图像分割算法需要做卷积/微分等大计算量运算;而无人机这种要求实时测距的场景下需要的总体计算性能就更高了。
nB.红外激光视觉(IntelRealSense等产品采用)
为了规避计算机视觉中识别物体的大量计算以及提高精度,以Intel为代表的一批厂商使用了红外激光视觉技术,如IntelRealSense机器视觉模组。
其基本原理见下图,其测距原理与双目视觉类似,但识别对象从物体替换成了打在物体表面的红外激光点。
这样就从根本上消除了物体识别的计算需求。
红外激光视觉的必要代价是将两个摄像头替换为红外摄像头,并增加一个红外激光扫描器的硬件成本以及功耗。
其中红外激光扫描器由一个红外激光发射器和MEMS扫描反射镜组成,整体增加的硬件成本较高。
目前仅红外摄像+激光组件在电商网站可查询到的价格超过¥1200,远高于高通Snapdragon820芯片的大客户优惠价(约¥400~¥500,)。
其与Yuneec联合推出的首款无人机安装多个Realsense模块,预计售价超过¥10000,在价格上竞争力不足。
除了对计算量要求小以外,红外激光机器视觉还具有两大优点:
相比双目,其应用时间与范围更广,可在暗夜和照明条件不好的室内使用。
相比双目,其有着更高的测距精度,能够精确还原物体的三维数据。
nC.超声波探测(包括大疆在内多家厂商使用作为辅助手段)
超声波测障是一种较为成熟的技术,已广泛使用在军/民用多种应用场合之中。
超声波的优势在于能够有效识别玻璃,电线等双目视觉/红外激光视觉无法准备测距的物体。
缺点在于精度较差,只能用于探测障碍是否存在,无法提取精确空间信息用作路径规划。
以大疆为代表的智能无人机厂商使用超声波测障组件用作辅助手段覆盖机器视觉效果或精度较差的视觉死角和侧面方向的测障功能。
机器视觉软件技术
nA.光流算法
光流算法是一种单摄像机视觉技术,完全依赖软件算法解决了运动检测和定位问题。
光流算法通过比较同一摄像机两张相邻时间的图像(差分运算)得到场景中不同物体运动的光流场。
如果我们假定背景物体不动而是摄像机在运动,则可以通过相对运动速度得出不同背景距离摄像机的相对距离。
光流法的优点在于其主要依赖软件和计算能力识别物体和距离,因此对额外的光学和声学硬件需求小,更能节省成本。
但其缺点在于精度低,且局限性较大(不适用于照明不良的室内,玻璃,细小的电线)。
B.图像分割算法
边缘检测是一种应用广泛的图像分割算法,其原理是先对图像的灰度函数求导,再根据静态或动态的阈值设定检测出物体的边缘。
其他的图像分割算法包括多尺度边缘检测、基于小波变换的分割算法、基于神经网络的分割算法等。
边缘检测算法的效果图见下图,其产生的结果是进一步图像处理的基础,也是必须的。
各类边缘检测算法的共同特征是对计算要求非常高。
例如高通实现的双目深度摄像解决方案中,需要单独使用骁龙801多核芯片中的一个核运行专门的SIMD(Singleinstruction,multipledata,单指令多数据)运算,并仅能提供30Hz的实时运算能力。
对于飞行速度可高达20m/s的四轴无人机而言,这一频率意味着两次识别期间无人机已经飞过了0.66m,将不能对环境中突然出现的一些物体及时反应。
2、图像识别算法
n完成分割和三维建模后的数据对于无人机仅仅是物体的信息,仅能用作避障和路径规划。
要让无人机区分物体是什么的软件技术是图像识别算法。
当无人机载计算机能够具体区分物体和物体之间实质差别的时候,就能自主完成更复杂的动作,如:
对电力设备上的特定部件扫描检查;照人类指令讲特定物体(橘子而不是香蕉)抓取并飞行到另一房间;在边境巡逻时区分普通动物还是可疑人形目标,并及时报警。
在2015年12月初举办的第六届ImageNet图像识别大赛中,微软击败了谷歌、英特尔、高通和腾讯等公司获得第一名,其使用的“深度驻留学习技术”是“深度学习”技术的一种改进。
微软系统在分类中的错误率为3.5%,已好于人类识别物体的能力(5.1%)。
n人脸识别算法
图像识别应用的一个子类:
人脸和步态识别能够进一步拓展智能无人机的应用。
目前现有的航拍无人机对地面人的区分能力较弱,所以实用的时候会发生“跟错人”现象;而警用无人机也依赖操作警察遥控跟踪目标。
当步态/人脸识别技术能够成熟搭载在智能无人机上之后,警用智能无人机就能够完成自主飞行,自主扫描和跟踪目标等任务,将减轻警察部门的人力负担。
但目前无人机应用人脸识别算法依然具有一定门槛,在理想的测试库中如LFW(LabeledFacesintheWild)测评中,最好成绩的准确率高达99.5%,已经超过人眼的准确率,但在无人机应用场景中,诸多因素会导致识别准确率大幅下降:
无人机通常需要俯拍,大角度拍摄下能提取的信息较少;
无人机与目标距离可变,远距离下画面信息量较少;
室外光照条件变化,环境干扰等因素也会影响人脸识别的准确率;
因此我们判断智能无人机短期内在以上技术难题解决之前不会过分倚重人脸识别算法完成任务,但长期来看人脸识别算法的突破会进一步拓展应用范围。
n3、语音和语义识别算法
传统无人机依靠各类遥控器控制飞行器飞行;无人机智能化后,语音操作将成为无人机的一种新的控制方式。
这种方式将拓展其新应用领域。
目前据报道在2016年CES上,无人机制造商Flypro发布了XEagle声控无人机,可以通过操作者的声音进行飞行控制。
使用语音识别操作无人机需要无人机的能够支撑关键算法:
语音与语义识别算法。
语音识别的作用是将声音转化为计算机能够理解文本信息,而语义识别将文本再转化为无人机需要执行的指令,完成任务。
对于指挥无人机飞行这一应用场景,主要的难点在室内环境(噪声,多人说话)提高语音识别准确率上。
目前主流的提高语音识别准确度的技术是深度神经网络技术。
目前在一定环境下的准确率已经能够做到很高,如科大讯飞语音识别准确率超过95%。
与图像分割算法不同的是,以神经网络为基础的图像识别/人脸识别/语音识别算法计算量根据使用场景差异较大。
神经网络的训练过程需要大量的并行计算;但当神经网络的节点被训练完成而内部的参数固定下来以后,每次识别的计算量则保持一个固定值不变。
某些应用下无人机载神经网络完全可以在出厂前就训练好并固化,在应用时仅使用有限的计算资源。
但当无人机需要做实时神经网络训练时,高性能并行计算硬件则成为软件算法能否发挥效能的基础。
4、无人机OS(操作系统)软件技术
智能无人机软件技术还包括:
飞行控制、导航与路径规划、以及支撑所有智能软件的OS(操作系统)。
此外智能无人机还需要一些底层的固件代码连接硬件和软件系统,保障通讯、传感器、计算单元正常高效运行。
对于智能无人机开发厂商而言,独立开发如此繁杂、涉及领域各异的软件实属“重新发明轮子”类工作,在开源软件项目上根据需求定制加工能够加速产品迭代,减少开发成本。
无人机领域操作系统最大的开源项目之一是有LinuxFoudation联合12家技术公司推出的“DroneCode”项目。
该项目最初整合了诸多在Linux环境下编写的零散的开源无人机程序。
目前该项目已经发展壮大,有1300个参与提交代码的作者,累积180万行代码,75万以上的用户。
除了无人机爱好者的支持,该项目还得到了无人机整机制造商以及上下游芯片和软件企业的支持。
该较为知名的成员包括白金会员3DR(整机制造商)、高通;黄金会员百度、Intel、昊翔(整机制造商)。
DroneCode提供的功能包括:
ü先进控制:
Wifi图传、碰撞规避、视觉处理;
ü操作系统:
API、通信协议;
ü飞行控制:
控制、导航、安全保护、自动执行任务、飞行数据记录;
ü固件代码:
无线电固件、光流传感器固件、电子速度计、天线跟踪;
传统无人机并不需要复杂的OS操作系统。
但像DroneCode这样复杂的无人机开源项目,需要在无人机上支持多种软件,并提供拓展升级软件的能力,就必须依靠OS来管理硬件抽象接口和统筹计算资源调配。
OS是在智能硬件上运行复杂软件、工智能的必要条件之一。
六、智能无人机技术
1.定点悬停技术
消费级无人机的核心应用就是基于无人机的航拍功能,而航拍功能对无人机系统要
求最高的技术指标就是飞行的稳定性。
悬停定位技术所采用的技术手段主要有几种:
1)GPS/IMU组合定位
2)超声波辅助定高
3)基于图像的光流定位技术
1)GPS/IMU定位技术
GPS/IMU定位的原理是较为传统和成熟的定位方法。
GPS可以测得无人机当前的水平位置和高度,飞控系统根据无人机位置和高度相对于悬停点的偏差对无人机进行补偿控制从而实现定点悬停。
然而,GPS信号更新较慢,而且GPS信号容易收到干扰,影响实际控制效果。
因此工程实践中引入了飞行器的IMU信息与GPS信号进行滤波,得到更为精确和更新率更高的位置、高度信息,这种模式还可以保证在GPS失常时,仅依靠IMU提供应急位置高度信息,但是因为仅利用IMU信息进行位置高度解算时,解算结果容易发散,因此这种方法仅适合在空旷的户外进行悬停控制,而并不适宜在室内或有信号遮蔽的环境下使用。
2)超声波辅助定高技术
超声波测距传感器是一种较为成熟的测距传感器,能够根据超声波发出与返回的时间差,测得超声波传感器前的障碍物的距离,当无人机布置有下视超声波传感器时,可测得较为精确的距地面距离,从而辅助实现定高控制,但是超声波辅助定高对于水平位置的飘移控制起不到作用。
3)光流定位
光流定位是采用图像传感器对传感器所捕捉的图像画面进行分析,间接解算得到自身位置、运动信息的一种技术。
随着图像处理算法的演进和图像处理硬件平台的发展,使得这种算法的精度和实时性得到保证,从而得以在无人机系统上得到应用。
目前法国的Parrot和大疆的精灵3均采用了这种光流法,另外,大疆的精灵4采用了带有双目视觉的对地传感器,进一步提高了悬停控制的精度和适用范围。
光流定位是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。
一般而言,光流是由于场景中前景目标本身的移动、相机的运动,或者两者的共同运动所产生的。
在无人机应用中,无人机机身加装对地的光流摄像头,根据所观测到的地面图像来进行定位的,其原理可通过下图进行理解:
无人机在相对地面移动时,其对地观测镜头所拍摄到的画面会相对向反方向“移动”,根据无人机距离地面的高度(这也是光流传感器都与对地超声波传感器成对出现的原因)以及对地观测图像中像素移动的量,即可推算出无人机相对地面移动的距离。
当无人机采用光流定位技术实现自身位置确定后,即可采用通用的控制算法实现水平面和高度上的定位。
目前所采用的光流技术,基本上可以实现室内环境的稳定悬停,但是随着时间的累积,仍然会有十几厘米到几十厘米范围的飘移。
不过,这种低频率、小幅度的位置改变对于航拍来说,是可以接受的。
目前市面上的无人机产品,根据所采用的技术手段可以分为四代,第一代采用单GPS悬停;第二代采用双卫星定位系统,GPS/GLONASS定位;第三代引入了光流定位技术;第四代采用了双目光流定位。
在最新一代Phantom4中更是采用了双目视觉的光流定位技术,将悬停精度进一步提高到水平方向0.1米,高度0.3米的水平。
2.跟踪拍摄技术
对于航拍无人机来说,一个新的趋势是采用跟踪拍摄模式,即对无人机设置一个兴趣点,无人机则自动对兴趣点进行跟踪拍摄,这是无人机智能化的发展趋势。
目前的跟踪拍摄技术主要分为两种:
1)GPS跟踪;2)图像跟踪。
1)GPS跟踪
GPS跟踪技术较为简单,即被跟踪者需手持遥控器,并获得自己当前位置的卫星定位信息,之后将此信息发送给无人机,无人机以接收到的目标位置作为目标,并进行导航。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 无人机 技术 知识 要点