佘凯， 赵振华， 田江波

(国网河北省电力有限公司保定供电分公司， 河北， 保定 071000)

0 引言

随着无人机技术的成熟发展，无人机在军事和民用领域发挥着非常重要的作用。无人机能长时间进出各种危险空域，具有体积小、维护简单、维护方便、灵活性好等优点，具有良好的发展前景[1]。针对解决无人机避障问题有诸多研究，其中：张启钱等[2]提出了基于IOCAD的无人机避障路线自动生成方法，建立障碍物避碰检测模型，采用射线法筛选出环境中可飞路径点，求解出遇到不规则障碍物时无人机的飞行路径，实现无人机避障路线自动生成，但该方法没有提取障碍物位置信息，避障线路可能存在误差；代进进等[3]提出了基于模型预测控制的无人机避障路线自动生成方法，通过限时域优化的算法实现无人机避障路线自动生成，但该方法没有在获取障碍物位置信息时对信息进行滤波处理，导致障碍物的检测率低；唐立等[4]提出了基于改进蚁群算法的无人机避障路线自动生成方法，考虑了无人机性能参数对拐角进行平滑处理，获得可用于实际飞行的最优安全路径，实现无人机避障路线自动生成，但该方法无法匹配出潜在障碍物的位置信息，造成定位障碍物的误差率高。为了解决上述研究中存在的问题，本文提出基于卡尔曼滤波算法的无人机避障路线智能生成方法，解决无人机路线误判的问题，采用激光器扫描障碍物信息，提取障碍物坐标并生成无人机自动避障路线，实现无人机高效智能避障。

1 无人机避障路线智能生成方法设计

1.1 障碍物过滤和检测

1.1.1 障碍物数据的过滤及聚类

由于飞行环境复杂，需要对绝对坐标实施去噪处理，通过激光点聚类的方法将无人机发出的所有激光点按照一定顺序实施聚类处理，聚类的判断规则为

(1)

其中，di,i+1为激光点集中每两点的间距，r为聚类搜索半径，nmin为激光点聚类分割后最少部分的聚类，N为聚类所需的最少数目点。分析每个障碍物中所有特征点确定障碍物运动状态，其描述如下：

(2)

第二步，障碍物子集合内的横坐标和纵坐标的取值范围分别为[xkmin,xkmax]、[ykmin,ykmax]，由此可求解出障碍物的面积Sk为

Sk=(xkmax-xkmin)(ykmax-ykmin)

(3)

1.1.2 潜在障碍物匹配

经过对障碍物的特征参数提取等处理，通过关联性评估分析分割后的激光点数据[5]，障碍物之间的关联评估为

(4)

其中，n为障碍物子集合激光点数目的差值，F为障碍物子集合质心的间距，G为2个障碍物不重合面积占总面积的比值。根据关联评估函数的大小可判断2个障碍物重复的可能性，函数越大，可能性越大。判断出3种障碍物子集合。

1.2 基于卡尔曼滤波算法提取障碍物位置信息

在上述基础上，建立目标障碍物测量方程[6]，将障碍物信息中存在的高斯白噪声进行处理，处理后的状态向量Xk为

Xk=(xk,yk,zk)

(5)

其中，xk为无人机系统在正北方向上的位移，yk为无人机系统在正东方向上的位移，zk为无人机系统在竖直方向上的位移。系统离散化后的观测方程为

Zk=Vk+HXk

(6)

其中，Zk为k时刻的系统观测值，Vk为正态分布的测量噪声，H为激光器测量矩阵。

预测目前系统的状态值和误差协方差，如式(7)：

(7)

(8)

式中，K为卡尔曼增益，Xk为全新的协方差矩阵，Pk为系统状态。

构建完障碍物检测地图后得出障碍物的绝对坐标为

(9)

其中，ε为2个坐标系之间轴的旋转角度，ΔX0、ΔY0、ΔZ0为2个坐标系原点坐标之间的差值。

1.3 智能生成无人机避障路线

1.3.1 求解无人机的飞行方向

(1) 将无人机可扫描的区域划分成n个区域，并从小到大逆时针的方向对n个区域编号，令第i个区域为Zi，i=1,2,…,n。

(3) 将相邻的2个候选区间合并在一起形成准飞行扇区域，合并出Nc个准飞行扇区域，每一个准飞行扇区域都由四维的向量Sj表示：

(10)

(4) 求得准飞行扇区域Sj，(j=1,2,…,Nc)。

经实验发现，在接近目标障碍物的可飞行范围内，阈值越大越好，在此条件的基础上求解最优飞行方向。

1.3.2 控制角速度

求最优飞行方向的过程如下。

(1) 假设Rmax=(NR-1)ΔR，Ri={(R0+i×ΔR)|i=0,1,…,NR-1}，其中Rmax为最大阈值，ΔR为固定增量，NR为常数，R0为最小阈值，则：

(11)

式中，a为减加速度，λ为放大系数，DS为无人机从最大速度到最小速度所飞行的距离。

(2) 所有的Ri(i=0,1,…,NR-1)均可由上述算法求解无人机的可飞行方向。

(3) 求出第i个智能无人机的飞行方向为{(θi,Ri,Li)||i=1,…,N}，θi是所有可飞行方向中第i个飞行方向与无人机坐标系x轴的夹角，Ri是第i个飞行方向的阈值，Li是第i个飞行方向所对应扇区的弦长。

选取最大阈值Rs为最优飞行方向，其中|θi-θtarget|≤δ，θtarget为目标障碍物对应智能无人机的方向，δ为事先确定的常数。

(4) 角速度如下：

ω=kωθe

(12)

1.3.3 控制线速度

|θe|较大时，需将智能无人机的飞行线速度进行减速，则其定义为

(13)

式中，vmax为无人机最大飞行速度，vmin为无人机最小飞行速度，Rmax为最大阈值，Rs为求解出的最大阈值，xm为|θe|在最大值且Rs=R0时xv的取值，w为权重因子。经过对智能无人机的角速度和线速度的控制实现自动生成避障路线。

2 实验结果与分析

为了验证基于卡尔曼滤波算法的无人机避障路线智能生成方法的整体有效性，设计实验，实验场地为某无人机试飞区。实验前的准备工作如下：开启计算机控制系统，确保实验所需的传感器能正常采集数据；初始化调试系统；为使生成路线结果更为精确，将180个障碍物标定好，保障所得数据为有效数据。

采用基于卡尔曼滤波算法的无人机避障路线智能生成方法(方法一)、文献[2]基于IOCAD的无人机避障路线自动生成方法(方法二)和文献[3]基于模型预测控制的无人机避障路线自动生成方法(方法三)进行测试。测试结果如图1所示。

图1 3种方法避障结果

图1中矩形区域为障碍物设置区域。分析图1可知，其他2种方法都不能自动生成最优避开障碍物的路线，而本文方法通过卡尔曼滤波算法提取障碍物位置信息，提前检测到了障碍物，提高了无人机避障的效果。

比较3种方法对障碍物的检测率，如图2所示。在多次迭代中比较3种方法对障碍物定位的误差率，证明无人机避障路线的最优生成办法，如图3所示。

图2 3种方法对不同样本中障碍物的检测率

由图2可知：本文方法对障碍物的检测率均在87%以上；其他2种方法中噪声过多，且没有对数据进行处理，导致影响检测的因素过多，降低检测率，进而造成其他2种方法的检测率不稳定。由图3可知，本文方法的误差率始终控制在15%以下，均少于其他2种方法的误差率，原因是本文方法利用卡尔曼滤波算法对采集的障碍物数据进行滤波处理，获取了障碍物的位置信息，提高了障碍物的检测率和定位障碍物的准确率。

3 总结

为了解决无人机避障路线生成中存在避障效果差、障碍物的检测率低和定位障碍物的误差率高的问题，提出基于卡尔曼滤波算法的无人机避障路线智能生成方法，通过获取障碍物的位置信息，并根据障碍物的位置信息生成最优避障路线，实现无人机精准避障。今后研究中将考虑不同天气和地区对无人机避障线路生成的影响，以及避障线路生成时间，以进一步优化设计所提方法，扩大应用范围。