无人机自主控制与自主导航
1.1、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。
1.1.1、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。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。
图1 递阶智能控制结构图
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。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。
图2 导航、制导控制系统
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。
1.1.2、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。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。
图3 自修复控制系统结构图
1.1.3、可变自主权限的自主控制
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。
1.1.4、在线态势感知和自主决策
与有人机不同，非自主无人机执行任务时的执行决策（如目标识别与分配、武器投放、任务变更等）是由地面操作员完成的，在这种运行机制下，操作员智能进行近实时的决策。自主控制意味着不需要人的干预，必须建立以在线态势感知为中心的实时自主决策能力。无人机任务管理能力和机载控制系统的在线感知和可变自主权控制能力将是无人机自主任务成败的关键。
无人机在线态势感知的重点问题之一在于如何实现不确定条件下信息的快速获取与处理，从而实现飞行中再规划，也就是当接收到新的信息以及发生了非预见的事件时如何实时最优地更新预先制定的计划和导引策略，以应对数据链缺失、实时威胁以及复杂的故障和损伤等控制站无法实时干预的紧急情况。
1.1.5、自主着陆控制技术
对于自主飞行的无人机而言，安全着陆是一个很困难的问题。由于着陆阶段飞行高度低，所以对飞行安全的要求也最高，尤其是在终端接近时，无人机必须高精度保持所有状态直到准确地在一个规定的点上接地。着陆设计的问题主要包括无人机的定位导引与制导控制两个方面。而且在与外界数据通信链断开的情况下，无人机需要资助完成安全着陆。因此高精度的距离和位置测量设备是无人机能够正常降落的保证。
采用类似有人驾驶飞机的方式进行自主着陆是无人机的发展趋势，其中精确的控制律设计对于无人机的安全着陆也必不可少。即使发生多起故障、存在严重扰动以及飞机动态数据存在不确定性的情况下，仍能在误差容许的范围使无人机安全着陆。
1.1.6、UCAV及多UAV协同中的自主控制
无人机的自主能力在其执行作战或协同任务时显得尤为重要。无人作战飞机（Unmanned Combat Aerial Vehicles UCAV）面临的作战任务复杂、态势变化快、不确定因素多，无人作战飞机必须自主完成对目标的探测、识别，制定诸如目标分配、战术规划和机动决策等攻击决策，无人作战飞机的指挥控制系统应是具有驻留性、反应性、社会性，因此要求其能在快速全面感知环境的基础上实时做出决策。
多无人机协同时将一组不同位置、不同价值、不同威胁程度的目标合理地分配给类型、价值和战斗力都不同的无人机，已达到整体作战效能最大、代价最小的目的。协同的前提条件是无人机平台间的通信和信息共享，无人机平台之间信息是高度分布的，无人机平台的运动以及通信拓扑的变化，以最小信息流为基础的多平台分散协调控制系统结构。
多无人机协同搜索也是多UAV协同控制的一个重要研究内容，多架UAV同时对一个不确定区域进行搜索，目的在于更快速、全面地获取搜索趋于的信息，降低环境的未知性。协同工作时考虑不同UAV飞行和探测传感器的约束，在不确定环境中采用协同自主控制的方法，从而达到整体任务效能的优化。
图4 分散化多机协同控制系统结构
1.2、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：
1.2.1、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。
1.2.2、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。
1.2.3、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。
1.2.4、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，需要有一个第三方测量工具给予算法的验证与纠正。
1.2.5、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。
1.2.6、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。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
1.2.7、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。
页:
[1]