一种基于多传感器数据融合的变量喷洒无人机控制系统

李彦沛，邱新伟，陈冠廷，孙永祥，周虎健

（佳木斯大学机械工程学院，黑龙江 佳木斯 154007）

0 引 言

利用农药防止虫害是最基础、也是最重要的农业植保技术。无人机植保系统能有效解决高秆作物、水田和丘陵山地人工作业困难的问题。但是，目前市面上存在的植保无人机仍存在诸多的问题。首先，多数无人机本身缺乏高性能的传感器和喷洒关键部件，仅标配基础的单目视觉开发模块和陀螺仪，飞行过程中很难做到精密的实时微调，降低了喷洒作业的质量。其次，目前的植保无人机所采用的喷雾设备都是由常规的喷雾装置改装而来，具有许多缺陷，例如隔膜泵压力小、药滴漂移量大、对靶性差以及易堵塞喷嘴等缺点。

对于现在市面上常见的商用植保机存在的上述缺点，本文根据实验计算与数据仿真提出了一种基于多传感器采集及数据处理的多变量药液喷洒无人机。它具备多组高精传感器，通过不同传感器之间进行数据融合，并在中央处理模块内进行数据的深度拟合，能够实现飞行姿态的实时微调，能够保证飞行过程的稳定性。同时，多传感器还可实现对喷洒雾滴降落的物理模型进行实时的参数调整，能够有效提高农药的利用率。该无人机还可根据卫星集群返回的地理信息，利用RTK 技术进行载波修正，极大地提高了无人机姿态修正的准确性，有助于授药准确化，推动精准农业在无人机方向的发展。本文将从结构设计、算法设计两个方面来对该无人机的设计方案进行说明。

1 传感器模块结构设计

该无人机的传感器模块主要由RTK 模块、双目立体视觉系统、毫米波雷达以及TOF 模块组成。下面将依次介绍各模块的结构以及功能。

1.1 RTK 模块

RTK 模块所采用的是载波相位差分技术，此技术是指实时处理来自两个移动测量站的载波相位信号进行差分处理的方法，原理上是将在附近定点基站或用户设立的移动卫星信号接收基站所采集的卫星所产生的载波相位信号，经特定频率的通讯机发给作业无人机机载的特定波段信号接收机，机载运算模块将收到的不同基站的定位卫星的载波相位信号实时进行求差，从而解算当前信号系统的实时坐标位置。具体过程可以通过以下简单的数学模型加以说明。

假设存在基准站a、移动端b 以及卫星c，在此过程中a 基站和b 接收端之间的信号传播递过程中始终是实时同步的，那么就可以得到卫星和基准站以及移动端之间的载波相位差分别是：

经过单差整理后，有：

此时εab即消除了物理环境上的因素而导致的各种误差，若采用双卫星近进行消差，则可以消除因为接收器批次、型号不同而导致的批间差，从而得到双差。

同样地，利用几何学计算，能够建立出基站和移动站间向量和双差之间的关系。根据双差关系在几何学上的推导结果，若想完全求解待测向量的未知分量，则至少需要五颗卫星的4 个双差方程组来进行求解。在解方程组的过程中，大部分的误差都会随着未知量的解出而被消除，所以基于RTK 的载波相位差修正模型具有极高的精度。本无人机搭载了RTK 系统后，配合神经网络训练结果进行综合分析，可以实现飞行姿态的超微调控。

1.2 双目视觉辅助识别

双目立体视觉的原理是利用视差法将图像采集装置从不同的时差角度获得被测物体的两帧原始图像，通过机载运算平台进行实时高帧率的图像识别算法，计算图像中对应特征点间的相对位置偏差，从而获取物体在相对坐标系中的三维几何位置信息的方法。此方案是类似人类两只眼睛获得并处理图像的方法获得深度数据。双目立体视觉的处理方法原理上直接运用了人类大脑处理景物图像的方式，此方案是如今波动光学理论中三维传感方法中最基础的距离感知技术。

该无人机所采用的双目视觉算法是一种基于神经网络的匹配算法（二维Hopfield 网络），能够通过对学习算法进行迭代，进行最小化寻求最优解过程。立体匹配是一种复杂的非线性过程，而由于环境所导致的系统相对误差是能够通过本模型所利用的网络学习将其分散到各节神经元之间的连接权值上，实现实时测量。

1.3 毫米波雷达点云数据处理

毫米波雷达是利用波束在毫米波段的雷达进行探测，由于毫米波在物理上具有微波制导和光电制导的优点，同厘米级波导引头相比，毫米波雷达波束特征具有不易受环境影响的特点，具有更广泛的应用场景。毫米波波长相较于微波雷达具有光学区尺寸更小、数据可靠性更高的特点，更加适合当前对于农作物植保飞行中小目标的精准定位的应用场景。

1.4 TOF 模块

TOF 是一种双向的测距技术。此技术是通过给当前被测目标或环境发送连续的光束脉冲，利用不可见光传感器接收被测物体反射的脉冲光，利用计算出的光束脉冲往返时间，从而得到物体距离。由于其测量信号为电磁波，传播速度等于光速，这使得TOF 技术具有很高的及时性和准确性。

2 算法设计

2.1 数据融合的加权算法

根据机载多传感器所采集的数据进行数据融合的加权算法作用原理，实际上就是解决如何将局部的观测值组合，最终所得到的融合整体数据精度比任何一个局部状态估值器所得到的精度都高。考虑到时滞现象的存在，选用一种基于分布式协方差交叉融合滤波估计算法来进行数据融合。

首先进行假设，该系统为一个具有L 个传感器的离散多重时间滞系统，分别利用函数关系表达出系统的状态和实时的观测值：

而利用算法对于多数据时滞系统的融合滤波，就是求CI 融合的kalman 滤波算法。由式(3)(4)中基于状态量x(t),x(t-1)...与观测量y(i)(t),y(i)(t=1...)求出状态量x(t)的局部稳态的滤波器所得的xˆ(t｜t)等价于：

由此，我们可以推广出增广具有最佳的kalman滤波器。在多传感器系统中，当多个传感器各自的协方差一直，互协方差未知时，可以得到CI 融合态的kalman 滤波器，即该情况此系统下最佳的数据融合方程。

我们利用该模型进行了100 次仿真训练，训练结果如图1、2 所示：

由训练结果可知，CI 融合式算法具有极佳的跟踪效果。CI 融合的MSE 曲线是处于每一个局部MSE 曲线以及加权融合后的MSE 曲线的最下方，可知CI融合器实际的精度高于每一个局部滤波器的精度，且接近最优融合器的精度;而且对任意互协方差，相对应的CI 融合器可能的最差精度依旧高于每一个局部滤波器的精度。

2.2 基于神经网络的液泵PID 控制算法的学习机理

对于基于神经网络机器学习的液泵PID 控制算法设计结构如图3 所示, 在利用神经网络算法的模型中使用了2 个不同功能的神经网络模块承担不同的责任，一是NNI 在线辨识器，二是NNC 自适应PID 控制处理器。在对于农业植保中液泵的流量控制器的工作原理是：利用算法模型实时对NNC 被控子项目在算法进行的辨识结果的权系进行调整，从而使被控项目产生了自适应性和稳定性。

后期通过Matlab 运算软件验证该神经网络PID控制系统稳定性及性能，进行了大量的数据仿真验证。实验结果见图4、5，不难看出，基于神经网络的PID 控制系统比传统控制系统具有更好的控制特性。

2.3 变量喷洒软件的软件设计

对于一个完整的控制系统的开发，硬件只是其中开发的一部分，软件的质量直接影响整体系统功能的实现。该控制系统采用模块化编程，整体都是通过编写C 语言代码来实现的。

本研究选用FreeRTOS 作为软件系统核心，使用Keil 集成开发环境完成软件模块化。该系统的工作时的基本流程如图6。

3 结 语

在农业生产上利用无人机喷洒农药是防止虫害的最基础、最重要的农业生产植保方案，本文所提出的技术方案是减少生产过程中农药使用量和提升常规农药防效的有效手段。本文所提出的基于多数据融合的变量喷洒无人机，具有喷洒精度高、农药利用率高、飞行作业安全率高等特点，在现有的植保无人机基础上，进行了全面优化，是未来植保无人机设计的趋势。但该无人机仍有一些缺陷，如造价昂贵、调试步骤较为繁琐等，有待未来进行深入的研究与设计。