科普光学动捕系统在小型旋翼无人机开发过程中的作用

1 无人机自主控制

无人机自主控制能力可分为6个等级。
1）完全机构化的控制方案和策略，对自身和环境变化没有做出反应的能力（自动控制）；
2）能够适应对象和环境的不确定性，具有变参数、变结构的能力；
3）具有故障实时诊断、隔离、和根据故障情况进行系统重构能力；
4）能够根据变化的任务和态势决策和任务重规划的能力；
5）具有与其它单体或系统进行交互、协同的能力；
6）能够自学习，具有集群自组织协调的能力。
以上“自主控制”可分为以下的类型：
适应性自主：即以适应各类不确定性为目标的自主控制，其中涵盖了由对象、环境以及任务、态势等带来的不确定因素，使系统在无人机参与时实现控制目的。
系统性自主：系统作为独立自主的智能体与其它智能体或人协同时，可进行自主协调、协作、协商等控制行为，以自身适应性自主控制为基础，通过协同性自主可以实现多平台或人机协作，在资源、效率等众多方面得到更优化的控制效果。
学习型自主：高级的自主系统必须具备自学习能力，及能够根据对象、环境、任务及控制效果，通过自主的修正、优化和学习的行为，提高控制性能。
因此，高级的自主系统具有适应性、自修复、智能性、协同性、自学习等特点。
自主控制包括自动完成预先确定的航路和规划的任务，或者在线感知形式，并按确定的使命、原则在飞行中进行决策并自主执行任务。自主控制的挑战就是在不确定性的条件下，实时或近乎实时地解决一系列最优化的求解问题，并且不需要人为的干预。面对不确定性的自动决策是自主控制从内回路控制、自动驾驶仪到飞行管理、多飞行器管理、再到任务管理的一种逻辑层次的进步，也是自动控制从连续反应的控制层面到离散事件驱动的层面的一种延伸。

1.1、递阶开放的无人机控制结构

从效能的角度出发，无人机的工作方式将覆盖单机行动和多机系统的模式。为此飞行控制应当提供编队飞行、多机协同执行任务的能力，控制结构的选择时应对诸多要素进行综合考虑，其中包括将整个机群的使命分解为每个无人机的具体目标、在线任务计划、在线优化编队的任务航线、轨迹的规划和跟踪、编队中不同无人机间相互的协调、在兼顾环境不确定性及自身故障和损伤的情况下实现重构控制和故障管理等。因此先进的无人机控制必须具有开放的平台结构，并面向任务、面向效能包含最大的可拓展性。针对这样的要求，当前广泛接受的解决方案是选择层阶的控制结构和控制技术。
递阶式系统的每一层都有相对独立的功能划分，各层间通过往复的传输实现信息的共享。如图1，越往下就越接近具体的执行层，控制算法的具体和布局化程度以及执行的速度就越高；越往上则信息的内容和决策就越具全局意义，并且决策的时间尺度也将变得更长。由于信息的共享，实际上每一层都有相当的“全局观”，这有利于在必要时相对各层开发适当的推理和决策算法，从而提高整个系统的智能化水平和自主程度。

递阶智能控制结构图是基于无人作战飞机设计的控制和协调的分层结构，具有一定的代表性。如图2，这种控制结构分为4层：任务控制层、战略层、战术层和调节规划层，下面的3层位于每一架无人机个体上，最上的一层即任务控制层，位于智慧站或长机上。在这种结构下，同时还可以方便地与其它无人机协调合作来完成任务。

单架无人机的控制结构如图所示，其中控制层为自主控制的最高层，它依据对系统状态的感知，决策和规划系统的任务目标，任务序列和机动轨迹。导航和制导为适应层，适应层根据任务规划结果以及无人机的状态产生相应的导引方案和具体的制导指令，控制执行层生成飞机各操纵效率机构（包括气动效率机构及推力效率机构）的控制指令。

1.2、故障诊断与自修复重构

 无人机故障诊断与自修复重构是其实现自主控制的保障，能够提高无人机的生存能力以及飞行安全性。如图3，故障容错与重构控制的问题包括：如何对不同情况的重大故障和结构损伤进行建模，而且避免模型量太大；如何将不同的在线故障检测与识别（FDI）和自适应可重构控制（ARC）算法进行综合，以覆盖不同类型的错误，包括传感器故障、控制效应器故障、以及结构和战场损伤；在出现故障时，如何改变控制分配算法（CAA）。具有故障诊断和自修复重构功能的控制如图。

先进无人机飞控控制技术的目标是实现可变自主权限的自主控制。近年来，对于在环境和自身存在不确定条件下的自主和多机协同控制已经进行了大量的研究。应当指出，控制器要实现的功能目标在相当程度上决定了其应适应的不确定性程度。在递阶控制结构中，随着时间尺度的增长以及控制和决策功能的逐渐分离，面对的不确定性程度也将大大提高。在现已建立的知识库和专家系统的基础上，将人工智能（AI）应用到飞行中决策的技术方向。研究结果表明，自适应控制可以适应很高程度的不确定性；而当不确定因素是动态并且瞬变时，则可以采用学习控制。在递阶结构的基础上，以鲁棒、自适应和智能控制相互交叉、融合所发展出的先进飞行控制技术，具有功能强大的特点，试用于无人机控制领域。其中，基于多模型的自适应控制技术，可以降低各种不确定性的复杂度，从而利于在线决策和重构控制。

1.4、在线态势感知和自主决策

图4 分散化多机协同控制系统结构

2、无人机自主导航

无人机的自主导航是指无人机安全地从一个地点移动到另一个地点的过程。从技术层面可以分解成四个基本问题：
1、 What does the environment look like? 无人机必须知道环境的地图，才能在地图中找到路径。无人机确定环境的过程称为地图创建。
2、 Where am I? 无人机确定当前运动状态的过程叫做定位。
3、 Where am I going? 无人机在环境中确定下一个运动目标位置的过程称为运动决策。
4、 How do I get there? 在知道起点和终点的情况下，无人机规划如何到达目标的方法被称为运动规划。
无人机在未知复杂环境中的自主飞行问题主要有两个难点，一方面环境中存在不利于飞行控制的外部干扰，另一方面无人机缺少对环境的先验信息，需要在运动过程中建立环境地图以满足位姿估计和运动规划的需要。此时，上述几个问题将彼此关联，构成一个整体。其中定位与地图创建是自主导航中最基本的问题。依赖于具有足够精度的环境地图，而创建地图又以准确定位为基础。因此，定位与地图创建彼此依赖、不可分离，是未知环境自主导航中的“鸡和蛋”的问题。为此，研究人员在机器人科学中针对未知环境的导航问题提出了同时定位与地图创建（Simultaneous Localization And Mapping，SLAM）概念。为了获得全局一致的运动状态和题图估计，SLAM算法往往计算缓慢，无法满足无人机飞行控制中状态反馈的需要。因此在实际应用中，SLAM算法需要与高输出频率的快速运动增量估计方法（或称局部位姿估计方法）相结合。针对未知环境探索的任务，运动决策和运动规划问题关系紧密，可予以合并。此外，控制系统受到环境中的位置扰动影响，需要研究无人机在存在外部干扰情况下的控制问题。
如图5，以系统框图形式描述了无人机在未知复杂环境中自主导航和飞行控制问题的整体框架。框架包含五个主要部分：姿态控制、快速导航方法、SLAM算法、运动决策与规划以及轨迹跟踪，上述五个部分构成一个完整回路。其中快速导航方法根据传感器获得的无人机运动相关信息和环境信息估计运动增量，SLAM算法在此基础上计算全局状态和地图。两种估计方法通过简单的坐标变换即可得到以较高频率输出的全局运动状态估计。根据未知环境自主探索的任务要求设计合理的运动决策与规划方法，输出期望运动路径。然后针对无人机的运动特点，以轨迹跟踪的方法计算期望姿态，再通过高精度的姿态控制方法解决包含未知扰动的无人机姿态控制问题。

图5 无人机在未知环境中自主导航和飞行控制问题的方法框图

无人机的自主导航和控制问题涉及的技术领域很广，需要对以下问题进行研究：

2.1、无人机的姿态控制方法研究

无人机是一个非线性、欠驱动的被控制对象，飞控控制有四个研究难点：建模困难，欠驱动性，强耦合特性，易受外界干扰。因此虽然很多研究人员都已经开发了无人机的飞行控制系统，其控制算法的研究仍然是研究的热点。除了经典的比例积分微分（Proportional-Integral-Derivative，PID）算法外，反步法，现行二次优化控制方法和滑模控制方法都在无人机姿态控制系统设计中有所应用，且获得了比较好的控制效果。无人机是一个非冗余系统，容易受到例如风和执行机构故障等内部扰动的影响。无人机稳定悬停控制，姿态控制器和对位置姿态扰动的鲁棒性都需要进行验证纠正。

2.2、视觉导航相关技术研究

VIO（visual-inertial odometry）即视觉惯性里程计，有时也叫视觉惯性系统（VINS，visual-inertial system），是融合相机和IMU数据实现SLAM的算法，根据融合框架的区别又分为紧耦合和松耦合，松耦合中视觉运动估计和惯导运动估计系统是两个独立的模块，将每个模块的输出结果进行融合，而紧耦合则是使用两个传感器的原始数据共同估计一组变量，传感器噪声也是相互影响的，紧耦合算法上比较复杂，但充分利用了传感器数据，可以实现更好的效果，是目前研究的重点。对运动的估计量需要一个第三方工具测量其算法的准确性。

2.3、无人机运动轨迹规划方法研究

和其他自主运动系统一样，无人机的运动规划问题一直是研究重点。无人机因其垂直起降和悬停能力，可以跟踪平滑以及某些不平滑的三维轨迹，是非常理想的通用三维运动规划算法验证平台。通过水平扫描环绕的方式规划无人机的运动使其能完全扫描全部曲面；对有界不确定性线性系统渐进最优化的算法的研究；在满足高斯分布假设的非线性系统中获得概率可行路径解，对于无边界强不确定性的算法的研究。用一系列带有时间延迟的路径点描述路径，根据飞行参数计算各路径点之间的控制输入，通过规划无人机的三种动作形成动作序列实现协调转弯。

2.4、无人机姿态控制的扰动抑制问

题无人机机构简单且执行机构具有非冗余、低可靠性的特点，易受各种内外部扰动影响，因此其姿态控制的主要问题在于在线扰动抑制。以在线扰动估计和主动扰动补偿为基本结构，扰动抑制问题已获得了比较广泛的研究，其中自抗扰控制（Active Disturbance Rejection Control， ADRC）方法提出了针对一般非线性系统的主动补偿控制结构，具有很强的适用性。但是其扰动观测与扰动补偿包含共同的系数矩阵，不能完全解耦，不利于控制系统整定。另外应用其方法结构可以对不同模块分别设计进一步提升系统性能。在对无人机姿态控制自抗扰控制研究时，需要有一个外部视觉工具给予算法的验证与纠正。

2.5、室内高精度视觉/惯性导航问题

在室内无GPS环境下，无人机的状态估计主要依赖于IMU和其他外部测量传感器（光学动捕系统等）组成的组合导航系统。由于高精度导航系统在完整系统设计中的基础性重要作用，很多研究人员从多传感器融合和多约束优化等方面进行了大量的导航理论和应用研究，取得了大量的研究成果。但是以往研究的主要重点在于对传感器数据的复杂处理，其中包含大量经验性和试探性的工作，缺少适用性强的高精度算法框架。在室内无GPS环境下无人机实现自主导航也成为了很多高校研究的课题，外部的测量工具在无人机的状态估计起到了至关重要的作用。

2.6、SLAM问题

 SLAM算法主要分为3大部分：前端(又叫跟踪或前端建图，跟踪又可以分成odometry loop closure)、后端、地图创建。而SLAM算法按照传感器的不同主要分为3大类：基于相机的SLAM算法、基于深度相机的SLAM算法、基于激光的SLAM算法。常用的传感器有：单目相机、双目/多目相机、全景相机、深度相机(RGB-D数据)、2D转轴雷达、可装戴设备等。其中，激光SLAM研究较早，理论和工程均比较成熟。视觉方案目前尚处于实验室研究阶段，极少看到实际产品应用。
单目视觉SLAM算法存在一些本身框架无法克服的缺陷，首先是尺度的问题，单目SLAM处理的图像帧丢失了环境的深度信息，即使通过对极约束和三角化恢复了空间路标点的三维信息，但是这个过程的深度恢复的刻度是任意的，并不是实际的物理尺度，导致的结果就是单目SLAM估计出的运动轨迹即使形状吻合但是尺寸大小却不是实际轨迹尺寸；由于基于视觉特征点进行三角化的精度和帧间位移是有关系的，当相机进行近似旋转运动的时候，三角化算法会退化导致特征点跟踪丢失，同时视觉SLAM一般采取第一帧作为世界坐标系，这样估计出的位姿是相对于第一帧图像的位姿，而不是相对于地球水平面 (世界坐标系) 的位姿，后者却是导航中真正需要的位姿，换言之，视觉方法估计的位姿不能和重力方向对齐。
经过众多领域的专家学者的不懈努力，SLAM问题已经获得了基于状态观测器的完整解决方案。如图6为SLAM原理图。并在一些实际系统中得到了实验验证。麻省理工大学、卡内基梅隆大学、宾夕法尼亚大学以及杜克大学等高校一直以来在SLAM问题的研究中处于领先地位。其中一些重要的研究成果呗用作后续研究人员的评价基准。国内对SLAM问题研究目前集中于国外先进研究的复现，缺乏具有独创性和实用型的研究成果。虽然SLAM问题的基本算法研究较为成熟，但是大部分研究都是针对二维环境中的移动机器人开展的，对三维环境的SLAM问题算法复杂度将增大一个阶次，严重影响算法计算速度，这也是现在三维SLAM问题研究的难点。另外对SLAM问题的研究大多将其当作一个独立系统进行，实际上一个运动系统的定位和地图建立不应该是一个任务的全部目的，而应该以具体的任务为目的进行相应的SLAM算法研究。在SLAM算法研究中需要外部的测量工具对其进行运动规划。

图6 SLAM原理图

2.7、未知环境的综合探索问题

未知环境的综合探索问题从最早的运动规划问题出发，逐渐与SLAM相结合，演变为包括规划、导航、控制在内的自主运动系统的综合性问题。近几年借助于SLAM问题的研究热度，也获得了很高的关注。在早期基于便捷搜索的算法基础上，二维环境的综合探索问题很快与SLAM问题结合，并发展出基于信息增益的探索策略。但是信息增益的计算十分繁琐，需要大量的迭代计算，难以实现。因此大部分将运动目标点的决策和朝向目标点的运动规划解耦，仅以目标点信息量选择最优目标，而忽略了运动路径上传感器的信息增益。针对全路径的信息优化问题仍需进一步研究。

3、多旋翼无人机开发与外部视觉工具的关系

在对无人机飞行控制系统进行开发时，工程师需要对空中悬停、飞行中避障、机身姿态控制、定位、着陆等功能进行开发和测试，因此工程师需要一把工作在三维空间中的尺子，实时对无人机在空间中的高度、位置、姿态、抖动、延时等指标进行测量，以提升开发效率。在对无人机、无人车等智能体进行高精度编队时，工程师需要构建一个空间测量基准，该基准可以实时精确测量每个智能体在空间中的位置和姿态，并通过运行有控制软件（如ROS）的计算机下达编队指令。
无人机自主导航中，无人机运动状态识别是无人机航迹预测的基础，对无人机空管系统的构建具有重要意义。无人机的运动状态可简化为几个标准状态，如等速状态、等加速状态和协调转弯状态等。无人机的真实飞行过程可以认为是由不同运动状态组合或转换而成的。通过确定无人机的运动状态，可以对无人机航迹进行预测，进而评估无人机运行风险、建立监管系统和预警系统。但无人机真实运行环境复杂，观测数据在观测和数据链传输过程中包含一定噪声，难以通过简单的阈值确定无人机的运行状态。所以需要一个精准的尺子对其运动状态进行测量。
在开发视觉惯性里程计（VIO）无人机定位的算法时，需要对VIO定位数据进行验证调整定位算法的参数。在三维空间内需要有一把高效的“尺子”测量实际飞行的轨迹与精度以提高开发效率，如图7无人机在室内做8字运动，用红色的定位数据与绿色的光学动捕系统下真值的偏差来测量定位算法的稳定性。

在无人机编队技术的研究在科研中被称为“多智能体协同控制”，研究者需要通过对无人机的定位，获取其在空间中的位姿，这种位置位姿信息主要是六自由度姿态数据，进行多智能体之间通讯的建立，最后通过控制决策系统根据智能体空间内的位姿完成系统控制。通过此技术可以再多个领域应用，如军事中的“蜂群”作战系统，管道、电力多机协同巡检，文娱行业的无人机编队表演，建筑行业的智能建造等。
定位无人机的空间位姿，是多智能体协同控制研究最为重要的部分，只有获取准确稳定的定位信息，才能良好的控制无人机。作为定位的传统方法，惯性测量单元（IMU）和惯导模块（INS）存在陀螺仪零点漂移严重，导致获取的姿态、速度等数据精度不够，存在误差累计，很难长时间独立工作。
在开展针对智能体（无人机、无人车）控制算法（经典控制算法、现代控制算法、协同控制算法等）的快速迭代设计时。如图8，第三方测量工具以亚毫米级的定位精度多对多的wifi通讯方式以及分布式计算模块的设计，保证了可接入终端节点的数量以及控制的实时性要求，为无人机、无人车等智能体运动轨迹规划与算法验证等提供动作数据基础。

图8 多智能体协同控制

SLAM系统分为几个模块：视觉里程计、后端优化、建图以及回环检测。
1）传感器信息读取，在视觉LSAM中主要为相机图像信息的读取和预处理。如果是在无人机中还有码盘、惯性传感器等信息的读取和同步。
2）视觉里程计（Visual Odometry，VO）视觉里程计的任务时估算相邻图像间相机的运动，以及局部地图的样子。VO又称为前段（Front End）。
3）后端优化（Optimization），后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。由于接在VO后，又称（Back End）。
4）回环检测（Loop Closing），回环检测判断机器人是否到达过先前的位置。如果检测到回环，它会把信息提供给后端进行处理。
5）建图（Mapping），它根据估计得轨迹，建立与任务要求对应的地图。
如图9,在运动轨迹定位A与MAP B的输出过程中需要一个第三方工具测量，测量出算法的差值△P以进行算法纠正。

图9、整体视觉SLAM流程图

无人机的着陆指的是无人机在其自身导航设备的指引下,由其自身控制器控制其安全着陆的过程.传统无人机的着陆仅仅依靠GPS所实现的.但是,在实际工作中发现,单独的GPS很难为无人机的着陆提供精确的位置,且传统无人机无法在室内或者一些特定位置实现着落。视觉着陆是一种借用视觉导航的方法，可以实现无人机的辅助定位，并且能够实现无人机在特殊场合需求下的自动着陆。因此，研究基于视觉着陆技术的无人机的姿态与位置算法具有重要的理论意义和实际应用价值。在算法开发过程传感器提供无人机的位姿和位置信息是重要依据，而所提供位姿信息精准度需要一个外部视觉工具来测量其差值，高效的完善算法。
有哪些外部视觉工具？
光学动捕系统、宽带技术（Ultra-WideBand，UWB）定位，激光定位、超声波定位等。
外部视觉工具有哪些优劣势？

由对比表可以看出，在光学动捕是对多旋翼无人机室内自主控制与自主导航研究中光学动捕系统是最优质的选择。

悟空?光学动捕系统

工作原理
精准记录运动信息，基于计算机视觉原理，光学室内定位系统通过布置在空间中的多个红外摄像机捕捉区域内物体上反光标识点的运动信息，并以图像的形式记录下来。
实时解算六自由度位姿，利用计算机对捕捉到的图像数据进行处理，实时地解算出运动物体的六自由度位姿，即三自由度位置（X,Y, Z坐标）和三自由度姿态（俯仰角，偏航角和滚转角）。该系统也可以称为“室内定位系统”或“室内GPS”。
如图10，多架相机支持，覆盖范围广，光学室内定位系统采用智能相机，将反光球图像坐标传到主机，不同相机数目将产生不同的覆盖范围，相机越多，覆盖范围越大。

图10 光学动捕系统原理图

图11 光学动捕相机

图12 T型标定杆辅助运动捕捉系统的校准

图13 L型标定直角辅助运动捕捉系统中心点配置

软件参数

图14 光学动不系统软件界面

1、基础功能
1）支持中文的多语言、多视角、多窗口3D显示操作界面
2）可同时对多达数百台Goku? Camera进行集中管理
3）对视觉惯性同步控制器进行管理
4）高效实时视觉三维重建引擎
5）光学惯性深度融合引擎*
6）多达数百个智能光学刚体创建、标定、管理
7）实时物体追踪解算及绘制
8）数据记录及回放
9）空间捕捉区域实时测算及绘制
10）国际领先的IK算法*
11）实时数据流输出
12）数据记录及回放
*仅在惯性系统部署时应用
2、支持数据格式

3、丰富的第三方接口

4.1、麻省理工学院

麻省理工学院（Massachusettes Institute of Technology，MIT）的RAVEN(Real-Time Indoor Auto no mous Vehicle Tese Encironment)实验室，内部装有18台运动捕捉摄像机，可以实现无人机的室内定位，实验室内还有多辆自主的地面小车，研究对象有Draganflyer V Ti Pro 多旋翼无人机和无人小车组成。MIT的无人机集群健康管理计划（UAV SWARM Health Management Project）主要研究多架无人机的飞行演示。图5为多架四旋翼无人机对目标进行连续搜索和跟踪实验，图16为多机协同和编队实验。

    图15 无人机目标搜索和跟踪实验 图16 十架无人机多机协同

4.2、斯坦福大学

斯坦福大学（Stanford University）的STARMAC（Stanford Testbed of Autonomous Rotorcraft for MultiAgent Control）项目是为了测试和验证多机算法和控制策略，它包含多个能够使用GPS和IMU传感器进行轨迹跟踪的四旋翼飞行器。Hoffmann G M团队基于斯坦福大学的试验台，首先将四旋翼无人机的非线性模型线性化，然后使用LQR控制方法设计了姿态控制器，使用滑模控制方法设计了高度控制器，并取得了良好的控制效果。

4.3、宾夕法尼亚大学

宾夕法尼亚大学的GRASP（General Robotics,Automation,Sensing and Perception）实验室对无人机的控制进行了大量研究，并基于光学动捕系统搭建了无人机测试平台，主要研究对象如图17所示。主要研究内容包括对多旋翼无人机的建模、多旋翼无人机自主飞行控制算法和多架无人机协同控制算法的研究。通过大量实验，GRASP实验室已经取得了很多创新成果，在该无人机测试平台下，无人机体现出很大的机动性，能够完成无人机集群航迹追踪、协同合作和编队飞行等测试，图18为多旋翼无人机协同飞行。

   图17 宾夕法尼亚大学Hummingbird  图18 多旋翼无人机协同飞行

4.3、 瑞士联邦理工学院

图19 四旋翼无人机抓取泡沫砖块

   图20 多旋翼无人机ASCTEC PELICAN  图21 MIT使用的多旋翼无人机

机载视觉传感器的定位。机载视觉定位导航主要包括单目视觉主要依靠摄像机来标定，目标的距离信息是通过目标特征和图像之间的对应关系计算出的。具体方法是在测量的地面上铺设与当前地面有颜色区分的参考线，通过机载视觉传感器采集到的图像信息与参考特征的位置信息。其中双目视觉被称为立体视觉，具体是通过两个摄像头获取左右两个相机采集到的图像相位差，同时结合相机模型建立的空间投影关系得到位置信息。视觉导航得到的位置信息可以应用于无人机的室内飞行，但由于其信息量大，处理距离的算法比较复杂，容易导致导航要求的实时性不高，同时容易受到环境的光影影响，所以没有得到大面积的应用。
 外部视觉传感器。光学动捕系统是一种最常见的外部视觉传感器，它是基于计算机视觉原理，依靠安装在无人机机身上的特殊红外标志物，通过外部环绕场地排列的多个摄像头来测量运动物体在空间的运动状态。今年来，多所高校在光学动捕系统的环境下，展开了一系列的研究，并取得了丰硕的成果，代表性高校有瑞士联邦理工学院、宾夕法尼亚大学、麻省理工大学和杨百翰大学等。如图8为瑞士联邦理工学院测试平台FMA概念图，图22为杨百翰大学光学动捕系统测试平台概念图。MIT和Jon athan P.How 教授基于光学动捕系统建立了测试平台RAVEN，设计了一套室内环境下实时跟踪及位姿估计得系统。宾西法尼亚大学的Nathan Michacl教授基于光学动捕系统建立测试平台Multiple Micro-UAV Test Bed，实现了室内环境下多机协同。瑞士联邦理工学院的Raffaello D’Andrea教授依靠高分辨率的外部摄像机，完成了飞行器上放置倒立摆的平衡，飞行器投掷抓取小球，飞行器特技飞行等任务。

图22 FMA光学动捕系统概念图

本文所讨论的是外部视觉导航方法，表1结合瑞士联邦理工学院、宾夕法尼亚大学和麻省理工学院三所高校光学动捕系统的性能参数，对比分析光学动捕系统的各项参数。

表2三所高校测试平台对比

从表1可以看出，瑞士联邦理工学院、宾夕法尼亚大学贺麻省理工学院的测试平台分别为FMA、Multiple Micro-UAV Test Bed和RAVEN，这三所高校光学动捕系统完全满足多旋翼无人机的高机动飞行。

在多旋翼无人机的控制系统研究中，导航数据的准确性是控制算法得以实际应用的重要前提。在建筑物密集，丛林等环境下，GPS信号容易丢失，在室内环境下，GPS信号甚至完全不能用，所以基于光学动捕系统并与惯性导航组合后的数据为多旋翼无人机提供精确的位置和姿态等导航信息，提高系统的可靠性。
光学动捕系统可以精确测量三维空间的运动状态，它是基于计算机图形学原理，其实质是测量、跟踪和记录物体在三维空间中的运动轨迹。光学动系统的硬件组成包含高速红外摄像机、PC机、集线器等。如图23所示。。高速红外摄像机通过特殊红外标记物marker点捕捉多旋翼无人机的运动信息，然后以图像的形式记录下来，集线器识别摄像机捕捉的信号，负责将运动数据从高分辨率红外摄像机快速准确地传送到PC机，由PC机上专门进行数据解析的软件Active Center?进行处理，如图22所示，得到运动物体的位置信息，经过相机一连串的拍摄，可以得到运动载体的运动轨迹。

图23 关学动捕系统结构

图24 光学动捕系统Active Center?

Active Center?软件界面
光学动捕系统导航信息的获取方法
位置信息。光学动捕系统可以识别安装多旋翼无人机上的marker点，进而得到其位置信息，经过相机一连串的拍摄，在地面站上可以直接显示多旋翼无人机的运动轨迹。
速度信息。速度信息可以经过位置信息进一步得到，光学动捕系统更新更新频率高，时间间隔很短，所以速度信息可以通过相邻两组位置信息的差值与位置数据更新的时间间隔相除得到。
姿态信息。系统不能直接得到姿态信息，需要进一步的计算，以下是光学动捕系统无人机测试平台的姿态解算求解过程。如图25为光学动捕系统的坐标系，图26为mrker点安装示意图，在多旋翼无人机上的A、B、C和D四个位置上分别安装四个表面具有特殊光学物质的marker点，其中A点位于无人机的左前方，B点位于无人机的左后方，C点位于无人机的右后方，D点距离A点最近，A点、B点和C点三点共面与D点不共面，且它们之间距离关系为：AD<BD<CD。
三个姿态角的定义以及正方向规定如下：
● 航向角，即机体绕垂直方向运动，机体的纵轴在水平面上的投影与光学动捕系统X轴之间的家教。数值上以光学动捕系统X轴为起点，角度范围为0°~360°；
● 俯仰角，即机体绕横向水平轴转动产生的纵轴和纵向水平轴的夹角，俯仰角以水平轴为起点，向上为正，向下为负，角度范围为-90°~90°；
● 横滚角，即机体绕纵轴相对于铅锤平面的转角，从铅锤平面算起，左倾为负，右倾为正，角度范围为-180°~180°。

图25 光学动捕系统坐标系

图26 marker点安装图

6 多旋翼无人机开发试验平台搭建策略推荐

对光学动捕+无人机技术感兴趣？

点击上方二维码添加作者微信进行交流

• 科普|px4入门详解
• 无人机操控入门训练
• 详解|四旋翼无人机控制原理
• 在线课程|多旋翼无人机驾驶员基础
• Qt无人机地面站设计与制作视频教程
• EASA SC-VTOL与符合性方法解读 A分部
  
• 卖房搞无人机失败后 他骑着摩托飞上了天
• 科普|零零科技新品V型双旋翼控制逻辑分析
• 助力科研——（Simulink）基于模型设计的飞控开发教程