无人机避障系统模型
- 格式：docx
- 大小：355.60 KB
- 文档页数：14
文档推荐
-
基于遗传算法的无人机避障路径规划页数:12
-
超声波避障无人机页数:2
-
无人机避障系统模型页数:14
下载文档原格式
合集下载
无人机路径规划与避障系统的设计与优化基于ROS和C语言
无人机路径规划与避障系统的设计与优化基于ROS和C语言一、引言随着无人机技术的不断发展，无人机在各个领域的应用越来越广泛。
而无人机路径规划与避障系统作为无人机飞行控制系统中至关重要的一部分，对于实现无人机的自主飞行至关重要。
本文将介绍基于ROS（Robot Operating System）和C语言的无人机路径规划与避障系统的设计与优化。
二、ROS简介ROS是一个灵活且强大的机器人操作系统，为机器人软件开发提供了丰富的工具和库。
ROS支持多种编程语言，其中C++和Python是最常用的两种。
通过ROS，开发者可以方便地构建机器人应用程序，包括路径规划、感知、控制等功能。
三、C语言在无人机控制中的应用C语言作为一种通用性强、效率高的编程语言，在无人机控制系统中也有着广泛的应用。
通过C语言编写的程序可以直接操作硬件，实现对无人机各个部件的精确控制。
在本文中，我们将结合ROS和C 语言，设计一个高效的无人机路径规划与避障系统。
四、路径规划算法1. A*算法A算法是一种常用的启发式搜索算法，广泛应用于路径规划领域。
该算法通过启发式函数估计从起点到目标点的最短路径，并在搜索过程中动态调整搜索方向，以找到最优路径。
在无人机路径规划中，A算法可以高效地找到避开障碍物的飞行路径。
2. RRT算法RRT（Rapidly-exploring Random Tree）算法是一种基于树结构的快速探索算法，适用于高维空间中的路径规划问题。
通过随机采样和树生长策略，RRT算法可以在复杂环境中搜索到可行的路径，并且具有较好的收敛性和鲁棒性。
五、避障系统设计1. 感知模块在设计避障系统时，感知模块起着至关重要的作用。
通过搭载传感器（如激光雷达、摄像头等），无人机可以实时获取周围环境信息，并将其转化为数据输入到路径规划模块中。
2. 避障策略基于感知模块获取到的环境信息，避障系统需要设计相应的避障策略。
常见的避障策略包括静态避障和动态避障，在飞行过程中及时调整飞行路径以避开障碍物。
多旋翼无人机模型预测抗扰避障制导
多旋翼无人机模型预测抗扰避障制导
兰庆湘;陈谋;雍可南
【期刊名称】《国防科技大学学报》
【年(卷),期】2022(44)4
【摘要】多旋翼无人机的自主避障是完成复杂任务的基础,避障的效果直接影响无人机执行任务的效能。
针对存在外部扰动的无人机避障问题,提出了一种基于模型
预测的抗扰避障制导律设计方法。
通过设计干扰观测器对系统动态中的外部干扰进行了估计,并基于李雅普诺夫函数方法设计辅助制导律用于建立稳定性约束条件。
结合前两者与模型预测控制,在模型预测控制优化求解中考虑无人机与障碍物的关系,根据所设计的制导律求解水平线速度与偏航角速度指令实现无人机的避障。
对
所提出的避障制导律进行数值仿真和实物飞行验证,结果表明了所提方法的有效性。
【总页数】11页(P32-42)
【作者】兰庆湘;陈谋;雍可南
【作者单位】南京航空航天大学自动化学院
【正文语种】中文
【中图分类】TP273
【相关文献】
1.多旋翼无人机避障技术研究与展望
2.多旋翼无人机避障航迹规划算法
3.多旋翼无人机输电线路巡检避障技术综述
4.改进TD3算法在四旋翼无人机避障中的应用
5.基于包络切换的四旋翼吊挂无人机避障轨迹优化研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于视觉的旋翼无人机自主避障分析
1.2 极飞“天目”视觉系统 极飞夜间避障，主要采用近红外线主动照射，匹配特定手 电筒，实现视觉改造。在夜间，极飞主要运用由黑白镜头组成 的视觉双目，可实现180-1080mm波段的视觉成像。近处红外光 为介于中红外光与可见光之间的电磁波，人眼无法看到，但可 作为夜间的光源，视觉双目中的镜头接受红外线反馈信息，经 双目计算、处理后，便可感知障碍物与所处环境。 1.3 昊翔Typhoon H Realsense Typhoon H采用Intel@Realsense技术避障，发射出一束红外 光，通过右红外与左红外传感器追踪光束位置，借助三角测距 原理，分析出3D图像的深度信息。依据官方数据，Realsense有 效的测距超过10m。 1.4 零度Xplorer 2零度激光雷达测距T0F 零度Xplorer 2采用TOF激光设定雷达测距处理技术，以 0.02Hz的频率时效性360°扫描，可对6m范围内的障碍物实现 自主规避。T0F主要是经目标有效性连接、发射光脉冲，遇障 碍物反射，探测光波往返时间，实现测距功能。该避障系统可 构建三维环境图，调整好飞行的速度、方向，检索路径。规避 障碍物后，再建环境三维图，持续迭代处理，重复调整其飞行 的状态实现避障飞行。激光雷达在精度及灵敏度上具备一定优 势，可构建具备精度极高的三维基础模型。 1.5 大疆精灵Phantom 4双目视觉 大疆精灵Phantom 4采用五向避障技术及图传技术，其双 目避障采用FPGA+MCU方案，以guidance算法为核心，可识别 0.7m-15m、水平视角60°、垂直视角30°范围内的障碍物。其 运用的VO技术，使无人机在GPS信号弱的场所也可清晰定位， 保证无人机稳定悬停。
Lr(p,d)=C(p,d)+min(Lr(p-r,d),Lr(p-r,d-1)+P1,Lr(pr,d+1)+P1,min Lr(p-r,i)+P2)-min Lr(p-r,k)；
浅谈多旋翼无人机避障系统
浅谈多旋翼无人机避障系统多旋翼无人机在航行时需要避开各种障碍物，以确保安全的飞行。
避障系统是无人机自主飞行技术中的一个重要部分，它可以根据环境变化及时调整飞行姿态，以保证无人机的稳定飞行。
在避障系统中，主要应用的技术包括视觉、雷达、激光雷达和超声波等传感器技术。
无人机避障方案在设计上应考虑多种情况，如避障技术的稳定性、回馈机制的可靠性、系统的实时性、计算量的复杂度、携带设备的负载和对信号延时的影响等。
在设计多旋翼无人机避障系统时，需要考虑以下几个方面。
1. 环境感知环境感知是无人机避障系统的核心。
传感器可以通过收集来自周围环境的信息，感知遇到的障碍物并及时作出反应。
在合理的传感器布置下，多种传感器技术可以相互补充。
视觉传感器的工作条件适用应在较明亮的日光下，但在夜间或低光条件下工作则受到限制。
激光雷达、超声波和雷达适用范围广泛，这些传感器可以在几乎所有光照条件和天气条件下正常工作。
2. 算法避障算法是无人机避障系统的关键。
当前，全局规划和局部规划是避障算法的常见方法。
全局规划需要使用SLAM（simultaneous localization and mapping）技术，以实现基于地图的导航，并与实时感知相结合，实现动态避障。
局部规划是基于感知到的障碍物信息临时作出的反应，如通过路径规划算法实现避障。
3. 控制器飞行控制器是无人机避障系统的另一个重要组成部分。
不同的无人机控制器采用不同的PID调节器以保持飞行稳定，并采用不同的引导逻辑以适应不同的动态飞行过程。
避障算法根据传感器数据和计算出的控制信号控制到达目标点的速度和飞行高度，以完成避障任务。
综上所述，无人机避障系统是多旋翼无人机飞行技术中不可或缺的部分。
当前，避障系统的技术正在不断发展。
未来，更精细、更完善的避障系统将是实现安全、高效、便捷无人机飞行的必要条件。
同时，无人机避障系统有着广泛的应用前景，可在物流配送、搜救救援、环境监测等领域发挥重要作用。
无人机自主导航与避障控制系统设计与优化
无人机自主导航与避障控制系统设计与优化随着科技的不断进步，无人机应用日益广泛。
无人机的自主导航与避障控制系统是保证无人机飞行安全与稳定的关键所在。
本文将着重探讨无人机自主导航与避障控制系统的设计与优化。
一、引言无人机的迅猛发展使得自主导航与避障控制系统成为研究热点。
传统的遥控操控无人机容易受到环境干扰，导致飞行不稳定。
因此，设计一套自主导航与避障控制系统是非常重要的。
二、无人机自主导航系统设计无人机的自主导航系统基于传感器和算法来实现。
主要包括以下几个方面的设计：1. 传感器选择与布置自主导航系统必须准确感知无人机所处的环境信息，因此传感器的选择与布局非常重要。
常见的无人机传感器包括GPS、惯性导航系统、视觉传感器等。
合理选择并布置这些传感器，能够提供无人机所需的环境信息。
2. 飞行路径规划与控制算法无人机自主导航系统需要具备路径规划和控制的能力，以保证无人机准确地到达目标点。
路径规划算法可以采用A*算法、Dijkstra算法等，控制算法可以采用PID控制器等。
通过合理设计这些算法，无人机可以根据环境信息自主飞行。
3. 数据融合与滤波无人机自主导航系统需要对传感器获取的数据进行融合与滤波处理，以提高数据的准确性和可靠性。
常用的数据融合方法有卡尔曼滤波、粒子滤波等。
通过数据融合与滤波，可以消除传感器误差，提高无人机自主导航的精确性。
三、无人机避障控制系统设计无人机的避障控制系统是保障无人机飞行安全的关键。
主要包括以下几个方面的设计：1. 避障传感器选择与布置避障控制系统需要能够实时感知无人机周围的障碍物信息，因此避障传感器的选择与布置非常重要。
常见的避障传感器包括超声波传感器、红外传感器、激光雷达等。
合理选择并布置这些传感器，能够提供无人机周围障碍物的准确信息。
2. 避障算法设计与优化针对无人机避障问题，需要设计一套高效的避障算法。
常见的避障算法包括基于传感器数据的避障算法、基于地图的避障算法等。
无人机自主导航与避障技术研究
无人机自主导航与避障技术研究第一章：引言无人机（Unmanned Aerial Vehicle，简称UAV）作为一种无人驾驶的飞行器，具备了广泛的应用潜力。
在军事、民用和商业领域内，无人机的使用已经取得了突破性的发展。
然而，进行自主导航和避障仍是无人机技术发展的一个重要课题。
本文将深入探讨无人机自主导航与避障技术的研究现状和未来发展趋势。
第二章：无人机自主导航技术无人机自主导航是指飞行器通过搭载传感器和计算机系统，能够在无人操作的情况下，实现从起飞到降落的全过程控制。
目前，无人机自主导航技术主要包括定位与导航、路径规划和飞行控制三个关键环节。
2.1 定位与导航无人机的定位与导航技术是实现其自主导航的基础。
传统的定位方式主要是依赖于全球定位系统（GPS）。
然而，在室内或复杂环境下，GPS信号可能不稳定，导致无人机定位不准确。
因此，研究者们提出了基于视觉、惯性导航系统和地面信标的多源融合定位方法，以提高无人机的定位精度和鲁棒性。
2.2 路径规划路径规划是无人机自主导航中最具挑战性的环节之一。
在考虑到周围环境和任务需求的基础上，无人机需要通过智能算法确定最优路径。
目前，常用的路径规划算法包括A*算法、遗传算法和离散事件动态系统（DEDS）等。
然而，如何在复杂环境中高效地进行路径规划仍是一个亟待解决的问题。
2.3 飞行控制飞行控制是指通过自主导航系统对无人机进行控制和稳定。
主要包括姿态控制、动力控制和运动控制三个方面。
当前，常用的飞行控制方法有PID控制、模型预测控制（MPC）和自适应控制等。
未来，研究重点将集中在优化现有控制方法和开发更高级的控制策略。
第三章：无人机避障技术无人机在自主导航过程中需要能够通过传感器检测周围环境，及时避开障碍物，以确保航行安全和任务的顺利进行。
因此，无人机避障技术是无人机自主导航中不可或缺的一环。
3.1 避障传感器无人机避障传感器常包括超声波传感器、激光雷达和红外线传感器等。
低空双向飞行器无人机避障与路径规划
低空双向飞行器无人机避障与路径规划一、引言在无人机技术迅猛发展的背景下，越来越多的无人机应用场景被发掘出来。
其中低空双向飞行器无人机在军事、民用、商业等领域中有着广泛的应用价值。
然而，低空双向飞行器无人机在飞行过程中需要在不断改变的地形和环境中完成稳定飞行，安全运输货物或完成任务，因此，如何实现低空双向飞行器无人机的自主避障以及路径规划成为了研究重点和难点。
二、低空双向飞行器无人机避障技术1.避障方法低空双向飞行器无人机避障的技术主要可以分为基于传感器的避障和基于机载计算机系统的避障两大类。
在传感器方面，通常采用红外传感器、超声波传感器、激光雷达、视觉传感器等多种传感器相互协作实现机器视觉，并进行环境建模，用飞行器相对位置和环境模型之间的差异来进行矫正。
此外，基于机载计算机系统的避障算法，借助于图像处理、人工智能等技术，自主学习环境中的障碍物信息，避免与障碍物相撞，在飞行过程中稳定运行。
2.避障算法低空双向飞行器无人机的避障算法主要包括基于感知的避障算法、基于路径的避障算法、基于行为的避障算法、基于深度学习的避障算法等。
其中，基于感知的避障算法是最常用的，主要通过在传感器方面进行优化，提高传感器对环境的感知能力。
基于路径的避障算法则是在设计无人机的运动轨迹时，对于存在障碍物的区域进行排除，规避障碍物。
而基于行为的避障算法是将机器人视为一个行为代理，通过设计行为来应对不同环境中遇到的问题。
另外，基于深度学习的避障算法近年来也受到不少关注，主要基于神经网络实现机器视觉和控制算法。
三、低空双向飞行器无人机路径规划技术1.路径规划方法低空双向飞行器无人机路径规划主要有规划算法、图形规划算法、基于机器人的路径规划算法等。
其中，规划算法是一种基于搜索、规划和优化等数学方法实现的路径规划算法。
图形规划算法则是利用图形论中的相关算法，将环境分解为图形，然后在图形上规划无人机的路径。
而基于机器人的路径规划算法则是结合无人机的动力学特征，通过对机器人运动轨迹、速度和加速度等进行规划，实现无人机的路径规划。
神经网络和小型无人机如何实现无人机自主避障
神经网络和小型无人机如何实现无人机自主避障随着科技的快速发展，无人机已经成为许多领域的重要工具，从航拍摄影到农田测绘，从物流运输到救援任务。
然而，无人机在自主飞行过程中遇到的一个主要问题就是如何实现自主避障。
本文将介绍神经网络和小型无人机如何相结合来实现无人机自主避障的技术。
一、无人机自主避障的挑战在实现无人机自主避障之前，我们首先需要认识到的是无人机自主避障所面临的挑战。
无人机在进行自主飞行时需要感知周围环境并做出适应性的决策，而这就要求无人机能够准确地检测和识别前方的障碍物，如墙壁、树木、电线等。
此外，无人机还需要具备及时响应的能力，以避免与这些障碍物发生碰撞。
因此，无人机自主避障需要依赖于高效准确的感知与决策系统。
二、神经网络在无人机自主避障中的应用神经网络是一种模仿人类神经系统运作的计算模型，具备学习能力和智能决策能力。
在无人机自主避障中，神经网络可以用于感知模块和决策模块。
感知模块：无人机的感知模块可以通过神经网络对周围环境进行感知，通过接收传感器（如摄像头、雷达等）获取的数据，并进行图像处理和特征提取。
神经网络可以通过训练，学习和识别不同的障碍物，并生成相应的障碍物地图。
这一步骤对于无人机的自主避障至关重要。
决策模块：在无人机感知到周围的障碍物后，决策模块将通过神经网络进行决策，选择最佳的飞行路径以避免与障碍物碰撞。
神经网络可以通过学习历史数据和实时感知数据，来生成具有较高可靠性的决策模型。
每次遇到新的情况时，无人机都能够根据神经网络的决策进行相应的调整。
三、小型无人机在无人机自主避障中的应用小型无人机由于其便携性和易操作性，越来越受到市场和用户的喜爱。
在无人机自主避障中，小型无人机充当了具体执行任务的角色。
飞行控制系统：小型无人机的飞行控制系统是实现无人机自主避障的关键，它能够根据神经网络的决策指令，控制无人机的飞行状态和航向调整，以实现自主避障。
传感器技术的快速发展使得小型无人机能够使用先进的传感器，如超声波传感器、红外线传感器等，来感知周围的环境，增强避障能力。
基于PX4飞控无人机的避障飞行系统设计
www�ele169�com | 31智能应用四旋翼无人机作为科技产品在近年来取得了快速的发展，凭借迅捷灵活和稳定可靠等特点被广泛应用于各个领域。
具有自主避障功能的无人机无论其安全性还是应用性都得到了极大的提升，下面我们将介绍基于开源飞控的四旋翼无人机的避障飞行系统设计。
1 四旋翼无人机避障系统总体设计通过四旋翼飞行器上安装的传感器来实时检测周围环境，进而使飞行器根据周围环境判断是否改变当前飞行状态。
这一避障方案的基本结构可分为三个部分，第一部分是检测模块，即使用传感器，感知周围的障碍物；第二部分是通信模块，即副控制板与飞控主板实现通信；第三部分决策模块，即飞控主板根据得到的传感器数据，进行判断后，对飞行器发出相应的控制指令来控制飞行状态，本文基于此原理实现四旋翼飞行器的避障飞行系统设计。
2 基于PX4飞控无人机的硬件结构介绍■2.1 Arduino 副控制模块该模块基于Arduino Uno R3(主控芯片ATMega328P，14个I/O 口，内存32KB，时钟频率16MHz)芯片，该芯片通过UART 串口与主控芯片相连接，通过I 2C 总线与四个方位的测距传感器相连，通过轮询方式向四个方向的传感器请求数据。
图1 无人机总体硬件结构■2.2 超声波传感器测距模块该模块使用US-100超声波传感器(电压5v，探测距离2cm~450cm，精度3mm)，飞行器前、后、左、右四个方向分别安装了超声波测距传感器，检测飞行环境内可能存在的障碍物。
在I 2C 总线上，四个不同方位的传感器具有不同的地址(0xf0，0xf2，0xf4，0xf6)，根据不同的地址副芯片便可识别来自不同方向的传感器数据。
测距传感器采取IO 触发原理，当拉低传感器TRIP 引脚后给一个50μs 高电平信号，传感器开始一次测距，副芯片得到传感器返回的数据后计算出距离。
■2.3 PX4主控制模块四旋翼飞行器主控基于Pixhawk2.4.8开源飞控。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图4.2 辅助无人机避障坐标系
其中，无人机起飞前的位置坐标为原点O，以在起点处无人机水平向右翻滚为X轴正方向，以在起点处无人机水平向前俯仰为Y轴正方向，以垂直于X轴、Y轴而向上的方向为Z轴正方向。为了区别辅助无人机避障坐标系Vf与地面坐标系Vb，列写两者区别于表4.1。
表4.1位置控制地面坐标系Vb与辅助无人机避障坐标系Vf对比
(4.21)
高度避障通道：由式（4.15）可知系统传递函数和无人机质量有关。在此假设四旋翼无人机的重量为7kg。进一步可得以飞行器为整体，得到无人机在高度避障通道的传递函数为式（4.22）所示：
(4.22)
可以得到无人机飞行高度的控制流程如图4.4所示：
图4.4高度辅助避障通道控制流程
由经验值设置参数，如图4.5所示，在MATLAB的Simulink环境下设置取比例控制系数Kp为-127，积分控制系数Ki为-13，微分控制系数Kd为-37。控制系统结构图如图4.6所示。
此时，无人机在俯仰避障通道的传递函数如式（4.23）所示，控制系统结构如图4.8所示。
(4.23)
图4.8俯仰辅助避障通道PID控制仿真模型
式中，g为重力加速度，取9.8m/s2。采用PID控制器控制并取Kp=-1.4，Ki=-0.125，Kd=-0.468，得避障系统在俯仰通道的单位阶跃响应如图4.9所示：
图4.9俯仰避障通道仿真系统的单位阶跃响应
由上图可以看出，俯仰避障通道在施加激励源作用2s后达到稳定，稳定后状态保持平稳，没有出现震荡现象。但在整个调节过程中，系统表现出了较为剧烈的震荡，而这将会对无人机的PID控制产生较为严重的影响。
3.3基于遗传算法的PID避障系统优化设计
3.3.1
遗传算法（GeneticAlgorithms, GA）是J.Holland于1975年受生物进化论的启发而提出的。GA是一种基于自然选择和基因遗传学原理的优化搜索算法。其创立过程有两个研究目的：其一是抽象地解释自然界的适应过程；其二是为了将生物系统的机理运用到工程系统、计算机系统或商业系统等人工系统的设计中。GA是基于“适者生存”的一种高度并行、随机和自适应的优化算法，它将问题的求解表示成“染色体”的适者生存过程，通过“染色体”群的一代代不断进化，包括复制、交叉、变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解和满意解，而其两个最显著的特点则是隐含并行性和全局解空间搜索。目前，随着计算机技术的发展，越来越得到人们的重视，并在机器学习、模式识别、神经网络、优化控制等领域中得到了成功的应用。
坐标系元素
地面坐标系Vb
辅助无人机避障坐标系Vf
原点
地面起飞点
地面起飞点
X轴
正东方向
无人机俯仰飞行方向
Y轴
正北方向
无人机横滚飞行方向Z轴源自垂直地面向上垂直于X、Y轴向上
在辅助无人机避障坐标系中分析障碍物与无人机的相对运动关系。设障碍物与无人机的坐标分别为(u,v,w)和(x,y,z)，则可以计算得到无人机相对于障碍物的坐标为：
(4.9)
则无人机所产生的各个方向上的分力为：
(4.10)
由以上两式可以得到在辅助无人机避障坐标系Vf下各个方向的运动方程为：
(4.11)
其中，(u,v,w)为障碍物在辅助无人机避障坐标系Vf下的坐标位置，F为四旋翼无人机电机产生的升力，θ为无人机飞行状态的俯仰角度，φ为无人机的横滚角度，m为无人机重量。由式（4.11）可以看出，无人机垂直方向上的位置仅与无人机产生的升力相关，在进行俯仰与横滚动作时，无人机的状态与俯仰角度θ和横滚角度φ相关。也就是说当升力一定时，无人机在俯仰方向与横滚方向上的变化只和俯仰角度θ和横滚角度φ相关。接下来对无人机在垂直方向、俯仰方向与横滚方向上的控制方程进行推导：
图4.5高度辅助避障通道PID控制仿真参数设置
图4.6高度辅助避障通道PID控制仿真模型
以单位阶跃响应为激励源仿真得到系统高度通道的响应如图4.7所示。
图4.7高度通道仿真系统的单位阶跃响应
可以看出，该PID系统在阶跃源的作用下在1.69s后达到稳定状态，稳定后该系统无震荡现象发生，调节过程较为平稳。但该系统的超调量与稳态时间均高于实际要求，因此无法满足无人机控制中的需要。
(4.1)
在上述两个坐标系中可以实现无人机位置的准确描述，以此为基础，可以进一步实现无人机飞行轨迹规划等任务。当无人机在飞行过程中遭遇障碍物时，需要及时动作以避开障碍，由于环境中障碍物的出现存在较大的随机性，因此障碍的具体位置信息无法事先由地面坐标系Vg描述，也就是说，仅依靠地面坐标系Vg的坐标信息无法实现无人机避障任务。为此，需要进一步研究获取无人机与障碍物之间的相对位置关系，即建立起无人机辅助避障坐标系，并以此为基础进一步设计避障动作控制算法。
X轴坐标：dz=w-z
Y轴坐标：dy=v-y(4.8)
Z轴坐标：dx=u-x
为了能够更加精确的对无人机飞行状态进行控制，需要在辅助无人机避障坐标系中对其进行受力分析。在X轴方向上无人机受升力在横滚方向上的分力作用；在Y轴方向上无人机受升力在俯仰方向上的分力作用；在Z轴方向上，无人机受升力在垂直方向的分力与其自身重力的共同作用。线性化处理辅助无人机避障坐标系Vf与地面坐标系Vb可以得到：
（3）交叉
许多生物体的繁衍是通过染色体的交叉完成的。交叉算子在遗传算法中的实现过程如下：选择群体中的任意两个个体x1和x2，以这两个个体为双亲做基因链码的交叉,从而产生两个新个体x1'、x2'，作为它们的后代。交叉方法有单点交叉和多点交叉等，交叉算子是以一定的概率发生的，这一概率称为交叉概率。
假设无人机所产生的升力为恒定值，则式（4.11）中的F为一常数，则俯仰与横滚方向的受力方程为：
(4.16)
同样的，由拉氏变换可以得到：
(4.17)
显然，起飞前无人机在X轴和Y轴方向的速度分量均为0，则无人机在俯仰及横滚方向的传递函数为：
(4.18)
在获得式（4.15）与（4.18）的基础上，可以设计辅助无人机避障系统以实现无人机的避障功能。又由式（4.4）可以得知，四旋翼无人机的避障控制其本质是对高度和水平位置，而高度的控制与无人机的角度变量无关。在水平方向上，俯仰角度与横滚角度与无人机受到的升力有关，因此可以通过PID控制技术实现避障。
图4.1 无人机机体坐标系与地面坐标系
图中无人机机体坐标系Vb以无人机机身本体的几何中心为原点，以无人机的横滚、俯仰以及垂直无人机机体向上方向作为无人机机体坐标系Vb的三个坐标轴。地面坐标系Vg则以无人机的起飞位置作为坐标原点，三个坐标轴分别取为正东方向、正北方向与垂直地面向上方向。无人机机体坐标系Vb与地面坐标系Vg之间可以相互转化，具体的转化公式为：
PID控制原理如图4.3所示：
图4.3PID控制原理图
对应于图4.3，PID控制器的一般形式可以写为：
(4.19)
在式（4.15）中分别采用Kp，Ki和Kd表示比例、积分和微分系数，进而得到PID控制器的传递函数模型如下：
(4.20)
PID控制器中的各控制参数的主要作用分别为：
（1）比例控制（P）
比例控制系数用于减少偏差，可以及时成比例地反映控制系统的偏差信号。偏差一旦产生，PID控制器可以立即产生控制作用，从而减少偏差。加快系统的响应速度，同时间提高系统的调节精度。比例系数越大，系统的响应速度越快，控制系统的调节精度也就越高，即控制系统对偏差的重视程度越高。但是比例控制系统过大将产生超调，甚至导致控制系统稳定严重降低；比例控制系数过小时，控制系统的降调节精度会降低，使系统响应速度缓慢，调节时间被延长，此时系统是动态、静态特性变差。
（2）积分控制（I）
积分控制系数用来提高系统的无差度，即消除静差。积分时间常数决定了积分作用的强弱。积分时间常数越大，积分作用越弱；反之，积分时间常数越小，积分作用则越强。积分作用系数越大，控制系统的静态误差消除越大，但此时积分作用过大，在响应过程的开始阶段会产生积分饱和现象，从而引起响应过程的较大超调。如积分作用系数过小，则系统静差将难以消除，控制系统的调节精度将受到影响。
2无人机辅助避障模型
无人机在飞行过程中往往会遇到随机出现的障碍物分布，如果不能及时避障则会导致严重的损失与危害。为了实现无人机的避障控制功能，以四旋翼无人机为对象建立地面坐标系Vg与无人机机体坐标系Vb下的无人机动力学模型：
(4.2)
(4.3)
(4.4)
(4.5)
(4.6)
(4.7)
其中，式4.2~4.4为无人机的姿态控制方程，式4.5~4.7表示无人机在地面坐标系Vg中的位置信息。
3PID避障控制模型优化设计
3.1PID控制及参数介绍
飞行器的避障系统主要作用是对飞行器的飞行位置、飞行路径进行控制调整。避障系统对飞行器的控制调整分为水平飞行轨迹调整、飞行高度调整两方面。本文采用比例-积分-微分（PID：Proportional–Integrate–Differential）控制器对飞行器飞行高度进行控制调整。PID是按照偏差的比例P、积分I、微分D进行控制的调节器，主要基于控制对象进行参数调节。PID控制系统在工业、机械控制领域具有广泛应用。PID控制器结构简单、稳定性好、工作可靠、调整方便而成为过程控制的主要技术之一。除控制效果好、容易实现等特点外，它原理简单并且理论分析体系完整、参数物理意义明确，所以在过程控制中得到了广泛应用。简而言之，PID控制系统中，在比例负反馈的基础上加入微分项实现快速调节，加入积分项实现无静差。
无人机避障系统模型
1.无人机位置模型
就本质而言，无人机避障是对其位置进行控制的过程。因此首先需要建立起能够反应无人机所处位置的完善系统。此外，由于无人机运行中需要一定的空间体积，而且在改变飞行状态时也需要考虑其姿态的变化，故而也有必要对其进行姿态控制。无人机的位置控制与姿态控制分别涉及到无人机机体坐标系与地面坐标系，两者分别如图4.1表示。
其中，无人机起飞前的位置坐标为原点O，以在起点处无人机水平向右翻滚为X轴正方向，以在起点处无人机水平向前俯仰为Y轴正方向，以垂直于X轴、Y轴而向上的方向为Z轴正方向。为了区别辅助无人机避障坐标系Vf与地面坐标系Vb，列写两者区别于表4.1。
表4.1位置控制地面坐标系Vb与辅助无人机避障坐标系Vf对比
(4.21)
高度避障通道：由式（4.15）可知系统传递函数和无人机质量有关。在此假设四旋翼无人机的重量为7kg。进一步可得以飞行器为整体，得到无人机在高度避障通道的传递函数为式（4.22）所示：
(4.22)
可以得到无人机飞行高度的控制流程如图4.4所示：
图4.4高度辅助避障通道控制流程
由经验值设置参数，如图4.5所示，在MATLAB的Simulink环境下设置取比例控制系数Kp为-127，积分控制系数Ki为-13，微分控制系数Kd为-37。控制系统结构图如图4.6所示。
此时，无人机在俯仰避障通道的传递函数如式（4.23）所示，控制系统结构如图4.8所示。
(4.23)
图4.8俯仰辅助避障通道PID控制仿真模型
式中，g为重力加速度，取9.8m/s2。采用PID控制器控制并取Kp=-1.4，Ki=-0.125，Kd=-0.468，得避障系统在俯仰通道的单位阶跃响应如图4.9所示：
图4.9俯仰避障通道仿真系统的单位阶跃响应
由上图可以看出，俯仰避障通道在施加激励源作用2s后达到稳定，稳定后状态保持平稳，没有出现震荡现象。但在整个调节过程中，系统表现出了较为剧烈的震荡，而这将会对无人机的PID控制产生较为严重的影响。
3.3基于遗传算法的PID避障系统优化设计
3.3.1
遗传算法（GeneticAlgorithms, GA）是J.Holland于1975年受生物进化论的启发而提出的。GA是一种基于自然选择和基因遗传学原理的优化搜索算法。其创立过程有两个研究目的：其一是抽象地解释自然界的适应过程；其二是为了将生物系统的机理运用到工程系统、计算机系统或商业系统等人工系统的设计中。GA是基于“适者生存”的一种高度并行、随机和自适应的优化算法，它将问题的求解表示成“染色体”的适者生存过程，通过“染色体”群的一代代不断进化，包括复制、交叉、变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解和满意解，而其两个最显著的特点则是隐含并行性和全局解空间搜索。目前，随着计算机技术的发展，越来越得到人们的重视，并在机器学习、模式识别、神经网络、优化控制等领域中得到了成功的应用。
坐标系元素
地面坐标系Vb
辅助无人机避障坐标系Vf
原点
地面起飞点
地面起飞点
X轴
正东方向
无人机俯仰飞行方向
Y轴
正北方向
无人机横滚飞行方向Z轴源自垂直地面向上垂直于X、Y轴向上
在辅助无人机避障坐标系中分析障碍物与无人机的相对运动关系。设障碍物与无人机的坐标分别为(u,v,w)和(x,y,z)，则可以计算得到无人机相对于障碍物的坐标为：
(4.9)
则无人机所产生的各个方向上的分力为：
(4.10)
由以上两式可以得到在辅助无人机避障坐标系Vf下各个方向的运动方程为：
(4.11)
其中，(u,v,w)为障碍物在辅助无人机避障坐标系Vf下的坐标位置，F为四旋翼无人机电机产生的升力，θ为无人机飞行状态的俯仰角度，φ为无人机的横滚角度，m为无人机重量。由式（4.11）可以看出，无人机垂直方向上的位置仅与无人机产生的升力相关，在进行俯仰与横滚动作时，无人机的状态与俯仰角度θ和横滚角度φ相关。也就是说当升力一定时，无人机在俯仰方向与横滚方向上的变化只和俯仰角度θ和横滚角度φ相关。接下来对无人机在垂直方向、俯仰方向与横滚方向上的控制方程进行推导：
图4.5高度辅助避障通道PID控制仿真参数设置
图4.6高度辅助避障通道PID控制仿真模型
以单位阶跃响应为激励源仿真得到系统高度通道的响应如图4.7所示。
图4.7高度通道仿真系统的单位阶跃响应
可以看出，该PID系统在阶跃源的作用下在1.69s后达到稳定状态，稳定后该系统无震荡现象发生，调节过程较为平稳。但该系统的超调量与稳态时间均高于实际要求，因此无法满足无人机控制中的需要。
(4.1)
在上述两个坐标系中可以实现无人机位置的准确描述，以此为基础，可以进一步实现无人机飞行轨迹规划等任务。当无人机在飞行过程中遭遇障碍物时，需要及时动作以避开障碍，由于环境中障碍物的出现存在较大的随机性，因此障碍的具体位置信息无法事先由地面坐标系Vg描述，也就是说，仅依靠地面坐标系Vg的坐标信息无法实现无人机避障任务。为此，需要进一步研究获取无人机与障碍物之间的相对位置关系，即建立起无人机辅助避障坐标系，并以此为基础进一步设计避障动作控制算法。
X轴坐标：dz=w-z
Y轴坐标：dy=v-y(4.8)
Z轴坐标：dx=u-x
为了能够更加精确的对无人机飞行状态进行控制，需要在辅助无人机避障坐标系中对其进行受力分析。在X轴方向上无人机受升力在横滚方向上的分力作用；在Y轴方向上无人机受升力在俯仰方向上的分力作用；在Z轴方向上，无人机受升力在垂直方向的分力与其自身重力的共同作用。线性化处理辅助无人机避障坐标系Vf与地面坐标系Vb可以得到：
（3）交叉
许多生物体的繁衍是通过染色体的交叉完成的。交叉算子在遗传算法中的实现过程如下：选择群体中的任意两个个体x1和x2，以这两个个体为双亲做基因链码的交叉,从而产生两个新个体x1'、x2'，作为它们的后代。交叉方法有单点交叉和多点交叉等，交叉算子是以一定的概率发生的，这一概率称为交叉概率。
假设无人机所产生的升力为恒定值，则式（4.11）中的F为一常数，则俯仰与横滚方向的受力方程为：
(4.16)
同样的，由拉氏变换可以得到：
(4.17)
显然，起飞前无人机在X轴和Y轴方向的速度分量均为0，则无人机在俯仰及横滚方向的传递函数为：
(4.18)
在获得式（4.15）与（4.18）的基础上，可以设计辅助无人机避障系统以实现无人机的避障功能。又由式（4.4）可以得知，四旋翼无人机的避障控制其本质是对高度和水平位置，而高度的控制与无人机的角度变量无关。在水平方向上，俯仰角度与横滚角度与无人机受到的升力有关，因此可以通过PID控制技术实现避障。
图4.1 无人机机体坐标系与地面坐标系
图中无人机机体坐标系Vb以无人机机身本体的几何中心为原点，以无人机的横滚、俯仰以及垂直无人机机体向上方向作为无人机机体坐标系Vb的三个坐标轴。地面坐标系Vg则以无人机的起飞位置作为坐标原点，三个坐标轴分别取为正东方向、正北方向与垂直地面向上方向。无人机机体坐标系Vb与地面坐标系Vg之间可以相互转化，具体的转化公式为：
PID控制原理如图4.3所示：
图4.3PID控制原理图
对应于图4.3，PID控制器的一般形式可以写为：
(4.19)
在式（4.15）中分别采用Kp，Ki和Kd表示比例、积分和微分系数，进而得到PID控制器的传递函数模型如下：
(4.20)
PID控制器中的各控制参数的主要作用分别为：
（1）比例控制（P）
比例控制系数用于减少偏差，可以及时成比例地反映控制系统的偏差信号。偏差一旦产生，PID控制器可以立即产生控制作用，从而减少偏差。加快系统的响应速度，同时间提高系统的调节精度。比例系数越大，系统的响应速度越快，控制系统的调节精度也就越高，即控制系统对偏差的重视程度越高。但是比例控制系统过大将产生超调，甚至导致控制系统稳定严重降低；比例控制系数过小时，控制系统的降调节精度会降低，使系统响应速度缓慢，调节时间被延长，此时系统是动态、静态特性变差。
（2）积分控制（I）
积分控制系数用来提高系统的无差度，即消除静差。积分时间常数决定了积分作用的强弱。积分时间常数越大，积分作用越弱；反之，积分时间常数越小，积分作用则越强。积分作用系数越大，控制系统的静态误差消除越大，但此时积分作用过大，在响应过程的开始阶段会产生积分饱和现象，从而引起响应过程的较大超调。如积分作用系数过小，则系统静差将难以消除，控制系统的调节精度将受到影响。
2无人机辅助避障模型
无人机在飞行过程中往往会遇到随机出现的障碍物分布，如果不能及时避障则会导致严重的损失与危害。为了实现无人机的避障控制功能，以四旋翼无人机为对象建立地面坐标系Vg与无人机机体坐标系Vb下的无人机动力学模型：
(4.2)
(4.3)
(4.4)
(4.5)
(4.6)
(4.7)
其中，式4.2~4.4为无人机的姿态控制方程，式4.5~4.7表示无人机在地面坐标系Vg中的位置信息。
3PID避障控制模型优化设计
3.1PID控制及参数介绍
飞行器的避障系统主要作用是对飞行器的飞行位置、飞行路径进行控制调整。避障系统对飞行器的控制调整分为水平飞行轨迹调整、飞行高度调整两方面。本文采用比例-积分-微分（PID：Proportional–Integrate–Differential）控制器对飞行器飞行高度进行控制调整。PID是按照偏差的比例P、积分I、微分D进行控制的调节器，主要基于控制对象进行参数调节。PID控制系统在工业、机械控制领域具有广泛应用。PID控制器结构简单、稳定性好、工作可靠、调整方便而成为过程控制的主要技术之一。除控制效果好、容易实现等特点外，它原理简单并且理论分析体系完整、参数物理意义明确，所以在过程控制中得到了广泛应用。简而言之，PID控制系统中，在比例负反馈的基础上加入微分项实现快速调节，加入积分项实现无静差。
无人机避障系统模型
1.无人机位置模型
就本质而言，无人机避障是对其位置进行控制的过程。因此首先需要建立起能够反应无人机所处位置的完善系统。此外，由于无人机运行中需要一定的空间体积，而且在改变飞行状态时也需要考虑其姿态的变化，故而也有必要对其进行姿态控制。无人机的位置控制与姿态控制分别涉及到无人机机体坐标系与地面坐标系，两者分别如图4.1表示。