虚拟仿真技术 | 面向自主导航的无人机仿真实验平台构建

UAV-jack

点击蓝字关注我们

面向自主导航的无人机仿真

实验平台构建

Construction of simulation

experimental platform for

UAV autonomous navigation

作者单位

张 佳，李玥婷，陈文颉

北京理工大学 自动化学院 自主智能无人系统

全国重点实验室，北京 100081

ZHANG Jia, LI Yueting, CHEN Wenjie

National Key Laboratory on Autonomous

Intelligent Unmanned Systems, School

of Automation, Beijing Institute of

Technology, Beijing 100081, China

作者简介：

张佳（1980—），女，北京，博士，高级实验师，研究方向为智能信息处理。

以下为本文目录结构



点击图片查看大图

摘  要

为了减小无人机执行自主导航任务过程中受到的各种干扰因素影响，增加稳定性，降低试飞风险并节省成本，该文面向建筑空间环境下无人机的自主导航任务需求，对无人机和传感器模型进行了分析，构建了建筑空间环境飞行场景库，并搭建了分布式仿真平台以保证无人机在模拟环境下高效地完成相关算法的验证与评估。

Abstract: In order to reduce the influence of various interference factors in the process of UAV autonomous navigation mission, increase the stability, reduce the risk of flight test and save costs, this paper analyzes the UAV and sensor models for the needs of UAV autonomous navigation task in the building space environment, and constructs a flight scene library for the building space environment. A distributed simulation platform is built to ensure that UAV can effectively complete the verification and evaluation of relevant algorithms in the simulation environment.

关键词：无人机；仿真实验平台；

建筑空间；自主导航；AirSim

Key words: UAV; simulation experimental

platform; building space; autonomous

navigation; AirSim

以下进入全文阅读

随着现代科技的迅速发展，无人机在军民各领域应用的深度和广度不断增加[1]。在无人机执行自主导航任务的过程中，场景特征[2]的动态变化和外部干扰都会对算法产生一定的影响，进而大大增加无人机自主执行任务的不确定性。通常情况下，系统联调所需的花费很大，若发生摔机事故，还可能会危及人员安全。出于降低试飞风险和节省成本的考虑，很多学者将无人机研究中的算法验证与评估工作放在仿真环境下进行，即在无人机实际飞行前多次进行算法的仿真研究与评估工作，从而极大降低无人机试飞风险，提高科研效率[3-4]。

无人机的仿真以其运动情况为研究对象，按照飞行器理论建立数学模型，进行模拟试验和状态解算。无人机仿真平台实质上是一个闭环反馈系统，用虚拟传感器代替无人机上的真实传感器，由动力学和运动学仿真模拟无人机运动，反馈给虚拟实验环境，完成一个周期的循环，最大限度地模拟无人机系统的工作模式，可为无人机上层算法模块的单独开发和仿真评估创造条件，从而在不同模型中选取最佳方案，帮助研究人员更好地对算法进行调试和修正[5-6]。

建筑空间环境为典型的GPS拒止环境[7]，且具有空间狭小、多分隔的特征，这对无人机的自主导航能力提出了更高的要求。本文面向建筑空间环境下无人机的自主导航[8]任务需求，搭建了一套场景逼真度高且具有较强可移植性的仿真实验平台，基于UE4构建了虚拟飞行场景，基于AirSim-PX4-ROS框架搭建了无人机分布式仿真实验平台。该实验平台可为SLAM[9]、稠密建图[10]和路径规划[11]算法模块提供可靠的数据流，以满足算法的开环验证与评估需求。

1  模型构建

1.1 无人机模型

AirSim[12]中的无人机由机架、动力系统和碰撞模块组成。其中机架是无人机实体为所有设备和传感器提供支撑的主要部分，无人机运动直接表现为无人机机架的姿态变化和位置变化。仿真平台采用型号为3DR Iris的四旋翼无人机，如图1所示。该四旋翼无人机机架结构为“X”型，在这种结构下摄像机可安装在机体前部，不会严重干扰螺旋桨的气流。无人机物理模型如图2所示。



图1  3DR Iris无人机



图2  无人机物理模型

输入ui驱动了4个电机的转速，根据式（1）和（2）可计算出每个旋翼产生的推力Fi和推力矩τi：



其中，CT和Cpow是旋翼的推力系数和功率系数，ρ为空气密度，D为螺旋桨直径，ωmax为每分钟最大角速度。

除了推力和推力矩，无人机表面所受的阻力Fd和阻力矩τd也是计算无人机运动状态的重要参数。根据式（3）和（4）可计算出无人机所受总作用力Fnet和扭矩τnet：



其中，ri为旋翼半径。无人机的运动状态由6个参数（位置、方向、线速度、线性加速度、角速度和角加速度）表示，物理引擎可计算模型在力和扭矩作用下的下一个运动状态。根据无人机所受总作用力和扭矩，结合重力加速度，可由牛顿第二定律计算出无人机的线性加速度，如式（5）所示。



其中，m是质量，g是重力加速度。

角加速度根据欧拉旋转方程计算，如式（6）所示。



其中I是惯性张量，ω为机架角速度。

之后通过时间积分的方式，对无人机速度vk+1、位置pk+1、角速度ωk+1进行更新，如式（7）—式（9）所示。



方向的更新与位置更新不同，其更新是非线性的。模型采用数值上更加稳定的四元数的方式来表示旋转，如式（10）所示。



其中，qk是载体此刻姿态，qdt是载体在dt时间段内变化的姿态。获得无人机的运动学模型后，将其应用到物理引擎，可在系统中呈现出与真实无人机相似的运动状态。

1.2 传感器模型

对于无人机而言，传感器模型与状态估计具有高度相关性，因此有必要为仿真平台提供准确的传感器模型。在AirSim中，传感器模型是以C++ header-only库的形式实现的，以接口形式表达，易于替换或添加新的传感器。

1）IMU、磁力计和气压计。

IMU由加速度计和陀螺仪组成，测量加速度和角速度，是无人机姿态估计的最小单元。在PX4状态估计算法中，增加了测量姿态角的磁力计和测量高度的气压计。利用IMU、磁力计和气压计进行状态估计可以提供姿态和垂直位置，但不能提供水平位置。虽然这些传感器有不同的测量原理，但它们有相似的简化测量模型，如式（11）和式（12）所示：



其中，xm是测量值，x是真值，b是随机游走的偏置，n和nb是高斯噪声。根据实际使用的传感器的数据表设置偏置和噪声参数。

2）相机模型。

在计算机视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的几何模型。仿真环境中的相机不存在真实世界中物理相机的镜头畸变，其成像模型可以用针孔相机模型来描述，如图3所示。



图3  针孔相机模型

物理世界中运动的点P，经过相机光心投影在物理成像平面上，成像点为P′。针孔相机模型主要涉及4个坐标系，分别是世界坐标系、相机坐标系、图像坐标系和像素坐标系。假设点P在世界坐标系下的齐次坐标Pw 为(xw, yw, zw, 1)，经过旋转变换和平移变换后可得点P在相机坐标系下的坐标，再由光学投影原理获取其在图像坐标系中的坐标，最后成像点在像素坐标系中以像素数组形式进行存储，其齐次坐标为(u,v,1)。完整的针孔成像模型可以用式(13)表示：



其中，zc为空间点到相机平面的垂直距离，f为相机焦距，fx、fy、u0、v0为相机内参，表示图像坐标系到相机坐标系的变换关系，由相机的内部结构决定。O为零矩阵，R、T为相机外参，分别是相机的旋转矩阵和平移矩阵，表示相机坐标系到世界坐标系的变换关系，会随相机运动发生改变。

AirSim无人机可搭载视角为前向、后向、前左向、前右向和底部5个方向的相机，相机类型可设置为普通单目相机或深度相机，采集到的RGB图像和深度图像质量较高，为后续无人机定位和环境感知提供可靠的数据来源。相机分辨率参数可调，其余相机参数可根据需要设定，比如在图像中加入噪声、设置运动模糊等。

2  建筑空间场景构建

本文中无人机面向的任务场景为建筑空间，其空间结构较为复杂，环境信息多变。若三维场景模型粗糙、分辨率不高，很难保证飞行仿真的视觉图像效果与真实场景一致。基于UE4[13]开发引擎，可以根据需求创建高度还原现实世界的飞行环境，实现逼真的视觉渲染效果，保证无人机在模拟环境下高效地完成算法的测试与验证。本文所构建的建筑空间场景模型包括UE4的模型资源、基于激光点云构建的模型和建筑信息模型等。

2.1 UE4模型的导入

UE4模型的导入主要有两种方式：一是利用DataSmith插件导入，二是转化为通用模型格式导入。

（1）DataSmith插件。DataSmith是UE4提供的插件，可以在Sketch up、Revit等三维建模软件中导出为可直接被UE4识别的.udatasmith格式文件，并支持材质、纹理和光源等。为了保证模型在引擎中显示正确的尺寸比例，在第三方建模软件中导出时需要进行必要的设置，令尺寸单位统一为cm。之后，在UE4的编辑器模式下可通过鼠标拖拽或者输入坐标的方式控制场景中物体的位置及角度。本文的激光点云与建筑信息模型主要采用该方法导入。需要注意的是，通过此方法导入模型后，不会自动生成碰撞信息，需手动建立物体碰撞。

（2）通用模型格式。目前主流的通用模型格式为FBX和OBJ。在导入UE4时可以自动生成碰撞体。二者均支持多边形模型、法线和贴图坐标。而OBJ格式相对FBX格式更为简单，没有包含动画、材质特性、贴图路径、粒子等信息。对于其他文件类型，可以通过第三方建模软件进行转换，导出为FBX或OBJ格式后再导入UE4中。

2.2 基于激光点云的场景构建

建筑物三维建模采用手持式三维激光扫描仪GeoSLAM ZEB-REVORT，其最大测距为30 m，数据获取速率为43 200 点/s，在10 min扫描、闭合回路下的绝对精度为3~30 cm。该软件具有快速绘制复杂室内和多层空间的功能，在行走和扫描时实现实时数据可视化。同时具有实现对采集到的激光点云三维信息处理、封装以及可视化功能，可获得高逼真度高精度的三维激光点云[14]模型。通过该扫描仪获取原始点云和影像数据，并对原始点云进行拼接、去噪、滤波处理等，输出预处理后的点云数据，如图4所示。通过激光点云构建任务场景的具体流程如图5所示，首先在Sketch up软件中处理点云数据并生成面片模型，之后通过.udatasmith插件完成模型格式的转换，最后导入UE4完成场景细节优化、物体碰撞的建立与光照构建。



图4  预处理后的激光点云



图5  基于激光点云构建任务场景的具体流程

通过模型制作、格式转换以及模型导入处理，最终将真实世界的场景映射为UE4的数字模型。图6为基于激光点云构建的小型办公室模型在Sketch up和UE4场景编辑界面下的显示效果。利用该方法可以构建SLAM算法评估实验的虚拟场景。



图6  Sketch up和UE4下的小型办公室模型

2.3 基于建筑信息模型的场景构建

建筑信息模型（building information model，BIM）[15]通过数字信息仿真模拟建筑物所具有的真实信息，提供了建筑物完整的预构建场景。在UE4的场景编辑器中，通过DataSmith插件导入的BIM模型可以最大限度地保留原有的模型特性。在已有模型的基础上，对建筑位置、纹理等细节进行进一步细化和调整，构建光照，使得仿真场景更接近于实际飞行场景，具有良好的还原度和显示效果。图7为UE4下的BIM教学楼模型样例。利用该方法构建的教学楼走廊场景用于本文的SLAM评估、三维稠密建图以及路径规划的仿真实验中。



图7  UE4下的教学楼模型

3  面向自主导航的无人机分布式仿真

平台设计

3.1 无人机自主导航任务分析

自主导航任务要求无人机在陌生环境中具备任意目标点的导航能力，通过传感器进行自主定位，在此基础上构建导航地图，从而实现在有障碍物的环境中面向目标自主运动[16]。本节针对典型的无人机自主导航任务设计了软件系统方案，如图8所示。



图8  无人机自主导航任务的软件系统方案

设计

在无人机执行自主导航任务时，地面端主要负责与无人机通信，实时查看无人机的状态，并给无人机发送起飞、降落等指令，在导航过程中发布航路点、目标位置等；UAV端的导航分系统需要通过机载传感器信息完成自身的定位与状态估计，并绘制详细的环境地图，该地图可通过通信网络传回地面站或其他通信节点，为地面人员提供直观的环境信息，以便进行下一步决策；制导分系统基于导航分系统的定位信息、环境地图和目标信息进行路径规划；控制分系统则在整个任务过程中与其他系统配合，实现对无人机位置、姿态的稳定；最后，飞行平台搭载硬件系统，执行机载计算机输出的指令。

3.2 分布式仿真平台设计

分布式系统是由一组通过计算机网络进行通信、为了完成共同任务而协调工作的计算机节点组成的系统。当单个节点的处理能力无法满足日益增长的计算和存储任务时，采取分布式系统能够有效减少由硬件设备引起的延迟、卡顿等现象，提高系统整体运行的稳定性和流畅性。本文中仿真平台采用分布式系统架构，由两台具有相同硬件配置的计算机构成，其硬件参数为：处理器Intel Core i7-9700K @3.60 GHz×8；内存32 GB；显卡GeForce GTX 2080Ti。

两台计算机在局域网内建立可靠的通信连接，以完成仿真数据的传输，如图9所示。其中计算机A搭载了Windows操作系统，用于模拟无人机和任务场景；计算机B搭载了Linux操作系统和ROS开发平台，针对自主导航任务，开发了SLAM、三维稠密建图以及三维路径规划模块。分布式仿真平台可为各类算法模块提供可靠的数据流，以满足算法验证与评估的需求。



图9  分布式仿真平台设计方案

AirSim采取了msgpack-rpc框架，通过远程过程调用（remote procedure call，RPC）协议进行局域网通信，将无人机传感器信息等仿真数据通过ROS接口接入算法模块中，能够实时输出仿真运行结果。PX4 SITL模块预置了与ROS结合的接口，通过用户数据报协议（user datagram protocol，UDP）进行局域网通信，以便通过ROS代码控制PX4无人机完成自主飞行。

4  结语

本文基于AirSim搭建了无人机模型和传感器模型，并创建了基于建筑空间环境的虚拟飞行场景，实现了基于激光点云、建筑信息模型的场景构建方法，针对单个计算机节点处理能力有限的问题，搭建了分布式仿真平台，保证系统整体运行的稳定性和流畅性。基于本文提出的分布式仿真平台，可以对SLAM、稠密建图与路径规划等算法模块开展详细的研究。SLAM算法主要通过无人机的传感器数据来完成位姿估计，AirSim能够同时提供无人机的传感器数据和位姿真值，使算法在仿真环境下完成测试评估；三维稠密建图模块在SLAM算法的基础上实现，AirSim能够提供传感器信息和地图模型真值，生成可导航三维稠密地图后，能够基于地图模型真值对建图精度进行评估；在构建了导航地图的基础上，可以开展无人机三维路径规划的研究，并通过AirSim完成路径规划算法的验证，实现对算法的评估。基于AirSim的仿真平台可为各类算法模块提供可靠的数据流，以满足算法的开环验证与评估需求。

参考文献 (References)

[1] LIU C, SZIRÁNYI T. Real-time human detection and gesture recognition for on-board UAV rescue[J]. Sensors, 2021, 21(6): 2180–2201.

[2] 刘启汉. 基于结构化场景特征的视觉定位与建图算法研究[D]. 南京：东南大学，2021.

[3] MUALLA Y, BAI W, GALLAND S, et al. Comparison of agent-based simulation frameworks for unmanned aerial transportation applications[J]. Procedia Computer Science, 2018, 130(5): 791– 795.

[4] VALAVANIS K, VACHTSEVANOS G. UAV modeling, simulation, estimation, and identification: Introduction[J]. Handbook of Unmanned Aerial Vehicles, 2015, (1): 1215–1215.

[5] 宋春林. 四旋翼无人机在未知环境中自主导航和飞行控制方法研究[D]. 哈尔滨：哈尔滨工业大学，2019.

[6] 杨山. 基于分布式架构的多飞行器实时仿真平台设计与实现[D]. 天津：天津大学，2018.

[7] 史殿习，刘聪，佘馥江，等. GPS拒止环境下基于定位置信度的多无人机协同定位方法[J]. 计算机科学，2022, 49(4): 302–311.

[8] 王巍，邢朝洋，冯文帅. 自主导航技术发展现状与趋势[J]. 航空学报，2021, 42(11): 18–36.

[9] 李云天，穆荣军，单永志. 无人系统视觉SLAM技术发展现状简析[J]. 控制与决策，2021, 36(3): 513–522.

[10] VALENTI R, DRYANOVSKI I, JARAMILLO C, et al. Autonomous quadrotor flight using onboard RGB-D visual odometry[C]// Proceedings-IEEE International Conference on Robotics and Automation. Hong Kong, China, 2014: 5233–5238.

[11] KUFFNER JR, JAMES J, LA VALLE, et al. RRT-Connect: An Efficient Approach to Single-Query Path Planning[C]// IEEE International Conference on Robotics and Automation (ICRA). San Francisco, CA, USA, 2000: 1362–1370.

[12] SHAH S, DEY D, LOVETT C, et al. AirSim: High-fidelity visual and physical simulation for autonomous vehicles[J]. Field and Service Robotics, 2018, 5(1): 621–635.

[13] 杨豫婷. UE4引擎技术在建筑可视化设计中的应用研究[D]. 武汉：湖北工业大学，2018.

[14] 段煜. 基于激光点云的室外场景三维重建[D]. 大连：大连理工大学，2021.

[15] 杨文东，薄纯杰，张如林，等. BIM技术在建筑工程实践教学中的探索[J]. 实验技术与管理，2020, 37(4): 164–166, 171.

[16] 蔡自兴，余伶俐，肖晓明. 智能控制原理与应用[M]. 北京：清华大学出版社，2014.

引文格式：张佳，李玥婷，陈文颉. 面向自主导航的无人机仿真实验平台构建[J]. 实验技术与管理, 2023, 40(1): 71-76.

Cite this article: ZHANG J, LI Y T, CHEN W J. Construction of simulation experimental platform for UAV autonomous navigation[J]. Experimental Technology and Management, 2023, 40(1): 71-76. (in Chinese)

《实验技术与管理》2023年1期P71-76

DOI: 10.16791/j.cnki.sjg.2023.01.012

《实验技术与管理》

综合性科学技术期刊·中国高等教育学会实验室管理工作分会会刊

中文核心期刊·RCCSE 中国权威学术期刊（A+）

中国高校优秀科技期刊·首届《CAJ-CD 规范》执行优秀期刊

期刊网址·在线投稿

http://syjl.cbpt.cnki.net

http://syjl.chinajournal.net.cn

联络&订刊

编辑部电话：010-62783005 或 010-62797828

邮箱：sjg@tsinghua.edu.cn

订刊发行电话：010-62792635

邮箱：syjsygl@tsinghua.edu.cn

点

下载全文请点击阅读原文