植保无人机仿地定高飞行控制技术的应用现状及展望

臧 英 ，吴海添 ，周志艳 ，臧 禹 ，赵玲丽 ，周铭杰 ，吕子晨

（1.华南农业大学 工程学院/广东省农业航空应用工程技术研究中心，广州 510642；2.南方农业机械与装备关键技术教育部重点实验室，广州510642；3.国家精准农业航空施药技术国际联合研究中心，广州 510642；）

近年来，无人机在农业中的应用迅猛发展，特别是多旋翼植保无人机，与有人驾驶飞机作业相比，其作业时能够垂直起降、自动悬停，能航线规划飞行、一键起降，操作便捷，而且能利用自身的旋翼风场，使雾滴的穿透力增强，使农作物叶片正反面着药，植株中下部药液沉积量增加。

在植保无人机的农田实际作业中，由于农作物长势不一或地形起伏变化，一方面会因为喷头与作物冠层之间距离的变化，造成作业幅宽变化，从而影响雾滴沉积的均匀性，甚至出现重喷、漏喷现象；另一方面还可能带来坠机的风险。因此，仿地定高飞行控制技术是提升植保无人机作业质量、保障飞行安全的关键。

本研究拟在综合分析国内外现有仿地定高飞行控制技术的基础上，结合植保无人机作业的特点，对植保无人机仿地定高飞行控制技术进行分析，探讨适合植保无人机的适应性广、可靠性高且成本较低的传感器测距方法及仿地控制装置，以期为植保无人机更好地实现精准作业提供技术手段上的参考。

1 植保无人机仿地定高飞行控制技术应用现状

1.1 基于超声波传感器的仿地定高飞行控制技术

超声波传感器测距是一种非接触式测距方法，其工作原理是基于声速在既定的均匀媒介里传播速度有一恒定值，利用发送和接收超声波信号时间差和声音传播的速度之间的关系，从而计算出超声波传感器与物体之间的距离[1]。超声波传感器测距原理简单、成本低廉，且受颜色、光照和电磁场等干扰较小，因此目前应用较广泛[2]，在早期的微小型无人机辅助定高飞行控制中，超声波传感器的应用比较常见。HENRI等[3]提出了一种多旋翼无人机高度估计器的方法，使用超声波传感器的相对高度和气压传感器的绝对高度值作为高度来源，高度数据输入到带预测滤波器的估计器中，并结合动态模型预测出无人机的实际高度值，实现悬停和定高飞行。胡文超等[4]在四旋翼无人机上利用超声波传感器实现改进的仿生声纳SLAM算法的研究，但仅在简单环境下证明了声纳SLAM二维构建图的算法合理性及可行性。

但在植保无人机的仿地定高飞行控制中，由于植保作业面对的作物种类、作业场景以及农田环境复杂多变，超声波传感器存在一些自身难以克服的局限：（1）超声波必须用于能充分反射声波和传播声波的对象，当作物冠层稀疏不匀或冠层结构变化剧烈时，其测量精度将受到影响；（2）超声波的传播速度受传播介质的密度、压力与温度等因素影响，植保无人机快速飞行作业中，需要对测量方法进行相对较复杂的修正和补偿，测量装置的成本及响应速度会受到影响[5]；（3）由于发射功率有限，测量距离通常为10m以内[6]，而且超声波测量原理的限制，超声波测量时通常存在的固有测量盲区（0．25～0．8m），被测的最高物位如进入盲区，将无法进行正确的测量。因此，国内一些企业在早期推出的植保无人机使用超声波传感器进行植保无人机的仿地定高飞行控制，但实际应用效果并不理想，在后续产品的升级中基本上都摒弃了超声波传感器的使用[7]。

1.2 基于激光雷达的仿地定高飞行控制技术

激光雷达基于TOF（飞行时间）原理，其中常用的红外光源有905nm和850nm。TOF激光雷达最初为了快速测距而设计的，一般是周期性向外发出近红外调制波，调制波遇到物体后反射，通过测量调制波往返相位差得到飞行时间，从而计算出该模块与被测目标之间的相对距离[8-9]。TOF激光雷达在室外环境容易受光照干扰，随着测量距离的增加会使测量误差增大[10]。熊伟翔等[11]基于旋转激光雷达扫描室内空间实现高精度定位，但只针对于水平二维的定位建图，不能实现三维的定位建图。文恬等[12]基于两个激光传感器模块实现了地形匹配的方法，结合DMC-PID控制器，大大减少了无人机高度控制的滞后性、大惯性下的超调性和过度时间，但单线雷达扫描的地形面积不大，仿地飞行依然会产生延迟。杨凡等[13]基于无人机的VUX激光雷达扫描低矮植被的方式测量作物高度可达厘米级精度，利用测高技术还可以反演推算生物量和植被长势信息，但是该激光雷达成本较高，无法在植保无人机上推广应用。

1.3 基于毫米波雷达的仿地定高飞行控制技术

毫米波雷达是指工作在30～300GHz频域的雷达，发射频率高，具有较强的抗干扰能力[14-15]。毫米波的波长介于微波和厘米波之间，因而毫米波雷达兼备有微波雷达和光电雷达的一些优点，可穿透雾、烟、灰尘的能力，具有全天候(大雨天除外)全天时的特点[16]。基于毫米波雷达测距方法具备全天候应用的优势，不仅在无人驾驶领域上适用，也是植保无人机生产企业青睐的仿地定高传感器。吴开华等[17]基于3个毫米波雷达的高度融合算法实现了植保无人机高精度的仿地定高飞行。但该仿地定高飞行技术爬坡和下坡阶段误差在40cm以内，对于精准施药而言精度较差。此外，一些植保无人机生产企业采用旋转式毫米波全向雷达[18]，但旋转式结构容易磨损，不仅影响使用寿命，也会增加测量误差，相应抬高了使用成本。

1.4 基于GNSS系统的定高飞行控制技术

GNSS的全称为全球导航卫星系统（Global Navigation Satellite System），泛指所有的卫星导航系统[19]，包括美国的GPS、俄罗斯的Glonass、欧洲的Galileo、中国的北斗卫星导航系统等。RTK是基于载波相位差分的导航定位技术，是实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行坐标位置的修正和解算[20]，从而使移动站模块能够在室外实时获得厘米级三维定位精度[21-22]。在植保无人机的应用中，GNSS能提供飞机的高程及经纬坐标数据，可用来实现植保无人机的航线飞行作业。但由于GNSS提供的高程数据是绝对坐标数据，很难提供飞机与作物冠层之间的实时相对距离数据，所以GNSS用于仿地定高飞行比较困难。此外，在采用RTK进行高精度定位时，通常高程精度比平面坐标精度要差一些，直接用于植保无人机低空的仿地飞行也有比较大的风险。

1.5 基于气压传感器的定高飞行控制技术

数字气压传感器能够获得外界的气压值和温度值[23]，利用大气压的特性计算出海拔高度。通常气压受影响因素较多，比如空气密度在大范围内是不均匀的，所以会产生测量误差。当无人机飞行高度变化时，导致气压传感器数值变化，因此可以通过气压传感器测量环境大气压的方式间接获取无人机的绝对高度[24]。由于植保无人机在飞行过程中，由于旋翼气流的干扰，风场气压的变化比较复杂，所以对气压计测量的气压实际值影响较大，无人机安装气压计区域需要避免复杂的气流流动。另外空气的温湿度因素和传感器的电压波动也会导致气压计测量数据的误差[25]。一般情况下，气压计需要经常标定或补偿，测量精度在短时间内可达厘米级，但是在长时间的测量过程会产生漂移误差。基于气压传感器定高飞行技术所面临的问题，许多学者根据气压物理特性，设计出高精度的气压传感器。袁少强等[26]利用静压特性，设计出一款压阻硅式绝压传感器，实现了灵敏度较高的定高系统。法国Parrot公司BABEL等[27]提出一种无人机高度估计方法，该方法是基于气压传感器的原始高度数据和补偿观测器的观测高度，其中高度补偿观测器数据来源于姿态传感器和风速传感器，最终解算出以地面为参考系的无人机绝对高度值。虽然大部分植保无人机都搭配有气压传感器模块，但只适用于绝对高度的定位，有一定的局限性。另外，气压传感器在无人机近地飞行时，受地面气流效应影响较大，测量误差较大，所以通常气压传感器只作为辅助定高。

1.6 基于视觉传感器的仿地定高飞行控制技术

双目视觉的原理是通过计算两个摄像头所拍摄的两幅图像的视差，直接对前方景象进行距离测量。经历了几十年的发展，双目视觉在机器人视觉，无人机、军事、医学成像等领域应用越来越广。周武根等[28]基于视觉SLAM实现无人机在棚内煤场自主飞行与地图构建，可以适用于无GPS的室内环境，同时利用视觉传感器实现了煤堆全覆盖的视觉成像，构建了接近实际的煤储量估计。史珂路等[29]在无人机高空火灾测距方面，基于融合动态模板的双目视觉算法获得了较好的测量精度。CAMPOS等[30]基于单目视觉的地形跟踪飞行高度估计方法，该方法是输入视觉信息给决策树测距训练，最终测距的准确率达80%以上。宋宇等[31]设计双光流传感器在室内环境下实现无人机实时高度测量，结合扩展卡尔曼滤波得到机身的位置、速度、姿态等信息，能提供更准确的导航信息。目前，视觉传感器已在植保无人机上得到了应用，但视觉传感器受外物污染时会影响可靠性和精度，特别是植保无人机施药作业时，极易受到农药污染。因此，恶劣的作业环境，视觉传感器的用途是不太可靠的。

2 当前植保无人机仿地定高飞行控制技术存在的问题

2.1 传感器精度和抗干扰能力需要进一步提高

目前采用GNSS、气压计的定高方案虽然应用比较成熟，但是传感器数据是海拔高度，植保无人机无法相对于农作物冠层高度上仿地定高飞行，也无法适应地形起伏的作业环境下飞行。超声波传感器在测量相对距离过程会穿透农作物的冠层，同时因无人机风场导致的农作物枝叶摆动而测量不稳定，影响仿地定高飞行的稳定性。单线激光雷达、红外传感器、双目视觉等在没有粉尘、水雾的应用场景下精度较高，但是在植保作业过程易受雾滴、阳光照射等的干扰，所以在植保作业中的稳定性不佳。毫米波雷达不易受雾滴、阳光照射等干扰，抗干扰能力较强，可实现全天候作业，目前被越来越多的植保无人机企业选用，但也存在旋转部件易磨损、成本较高等问题。

2.2 缺少面向农田场景的高程预判及仿地定高飞行规划技术

目前植保无人机在开始作业前，通常航线规划的工作主要是针对平面坐标，在高程方向上的飞行规划较少见。平面坐标系上的航线规划及作业飞行控制，较适合地势平坦的区域，而我国许多地区，特别是南方15省，丘陵山地的作业场景较多，迫切需要面向农田场景的高程预判及仿地定高飞行规划技术，以提高作业的质量及飞行的安全性。

未来植保无人机的发展，应能提前测量前方地形的高程数据，具备前方作业区域预判功能，并在此基础上，在飞行作业航线的规划时，增加仿地定高飞行的规划。具体思路为：对机头前进方向区域划分为若干分区，结合仿地测距传感器提前探测地形的变化状况，对不同划分区域执行不同的仿地定高调节机制。具体示例如图1，将植保无人机飞行区域划分为高度保持区（15m内，检测地形高度无变化，保持飞行高度）、姿态提前调节区（3m内，检测地形高度发生变化，并且植保无人机从高度保持区进入高度实时调节区或者从高度实时调节区进入高度保持区，提前作姿态调整，同时可根据飞行速度可以把姿态提前调节区距离适当调整）和高度实时调节区（根据地形坡度实时调节植保无人机飞行姿态，同时考虑飞行速度的影响适当调整姿态变化的快慢）。

图1 植保无人机仿地定高飞行区域划分示意图Figure 1 Terrian following zone division diagram of plant protection UAV

2.3 复杂环境下的仿地定高控制算法适用性需要加强

目前植保无人机仿地定高控制常用PID控制算法[32]，但植保无人机实际农田作业中，还会受到自然风和药箱药液的晃动等外界因素影响，特别是作物长势不匀、地形变化频繁的复杂环境下，需要高适应性的控制算法，以提高控制的稳定性和平顺性。为了提高控制算法的适应性，可以考虑结合一些控制一体化的方法，包括滑膜控制、滑膜自适应控制、最优控制、自适应控制、鲁棒控制、模糊控制、自抗扰控制、反馈线性化和反步控制等[33-3 4]。CHEOLKEUN[35]针对非线性飞行器模型进行仿真，采用基于遗传算法的模糊增益表控制器，验证了在各种环境扰动下能够保证轨迹跟踪的性能，但由于需要模糊规律库的先验知识库，对工程师设计要求较高，且需要更多的时间设计模糊规律库，不利于工程的应用。韩京清研究员提出一种不依赖被控对象的自抗扰控制技术[36-3 8]，包括跟踪微分器、扩张状态观测器、非线性反馈和几个非线性函数组成[39]。自抗扰控制已在飞行器姿态控制上展现出独特的抗扰能力，但是由于该控制方法参数较多还未能广泛推广[40]。高志强提出了基于频域尺度的线性自抗扰控制器，使得调试参数大大减少，且具有明确的物理意义，极大地推动了自抗扰控制理论发展与实际应用[41-42]。可以通过学科移植的方法，将一些其他领域应用效果较好的控制策略，例如自抗扰控制器在陀螺仪加工工艺[43]、PMSM电机持续同步控制[44]、轨道车辆悬挂系统[45]等领域的应用，移植到植保无人机的仿地定高飞行控制中，使得植保无人机的仿地定高控制精度及适用性提升，仿地定高控制更平滑且迅速，提升作业质量和效率。

3 未来发展趋势展望

3.1 多种传感器信息融合定位

单个传感器由于分别存在各自的缺陷，在仿地定高控制中难免会出现不能满足各种复杂应用场景的情况。因此，在仿地定高飞行控制中，多传感器信息融合的方法逐步得到重视，增加多种传感器作为冗余方案，各传感器间优势互补，从而提高仿地定高飞行的稳定性。GNSS在障碍物遮挡等情况下失效时，光流传感器在水平辅助定位悬停和位置估计中可作为备用定位传感器[46]。HERISSE等[47]提出基于多观测点平均光流测量的无人机地形跟踪方法，结果表明纵向运动跟踪轨迹较好。HERISSE等[48-49]提出室内无人机基于球面相机的平移光流融合IMU传感器，实现非线性控制的地形跟随，该试验通过仿真和不同室内场景测试，验证了算法的地形跟随效果。另外，毫米波雷达在地形起伏复杂环境下，假设高度数据失效，气压计作为绝对高度定位的方法是失控保护的措施之一。植保无人机的飞控系统基于多种传感器数据融合技术[50-51]，可以保障植保无人机稳定作业，避免突发事故。王飞等[52]设计的视觉光流和旋转激光雷达测距，融合IMU传感器数据，实现了室内定位导航飞行。黄鹤等[53]提出一种多层多源信息融合的无人机定高算法，该算法改善了多传感器融合算法中传感器测量误差问题。GOLISK等[54]设计基于卡尔曼滤波融合算法的非线性滤波器，适用于无人机的姿态估计，使无人机姿态估计更准确。

3.2 人工智能技术应对场景识别定位

植保无人机在复杂环境下喷洒作业，特别是果树普遍种植在山地，地形复杂、高低起伏较大，树与树之间存在较大的间隙，仅靠雷达的仿地飞行，容易导致植保无人机在树的间隙区间仿地定高飞行，造成植保无人机撞机。此外，植保无人机在自动飞行中，由于无法识别田块空地而停止喷洒，造成药液的浪费。因此，平原模式的自主飞行难以用于果园、坡地等复杂环境。为了应对复杂环境识别定位，牛渊[55]提出利用飞行高度传感器和室内定位系统采集的数据集进行深度学习训练，实现无人机的地形跟随控制。周龙[56]提出基于立体视觉和激光雷达扫描的方式获取场景的细节信息，测量准确的三维深度信息，为无人机导航规划提供强大的感知能力。这些研究方法是将来人工智能技术结合植保无人机实现更智能化喷洒作业的趋势。为了解决农田复杂环境问题，目前已有部分企业植保无人机的作业方案采用AI智能引擎与地面站相结合的模式，首先通过对低空遥感采集作业区域的图像进行分析，并对场景地图进行三维重建和自动识别障碍物、农作物等，最后通过智能三维航线规划，自动将果园场景中的树木、水塘、建筑、电线杆、地面等进行智能识别，形成带有类别属性的三维语义地图，让山地和果园场景的作业实现自动化和智能化。

3.3 基于模型设计的高精度仿地定高控制系统

图2 未来植保无人机仿地定高飞行控制系统框图Figure 2 Terrian following control system block diagram for future of plant protection UAV

如前所述，面向复杂农田场景的高精度、高稳定性的仿地定高控制系统是未来植保无人机必须具备的重要功能之一。结合高程预判及仿地定高飞行规划、自抗扰控制算法的思想，本研究提出未来植保无人机仿地定高飞行控制系统的框图如图2。首先设置仿地飞行的期望高度，期望高度经过安排过渡过程得到高度v1和高度导数v2，然后根据非线性组合出偏差量e1和e2，得出u0输出值，同时根据扩张观测器z3扰动干扰补偿和基于悬停油门补偿函数的药液质量反馈机制，最终输出控制量u控制植保无人机高度变化。其中通过扩张卡尔曼滤波器的多传感器信息分析机制得出的实际高度值输入到扩张观测器中，扩张观测器观测输出观测高度值z1、观测高度导数z2、观测扰动补偿z3。另外扩张卡尔曼滤波器的多传感器信息分析机制可根据作业地形仿地定高飞行状况分区控制姿态控制器提前作出姿态调整。

4 结束语

随着农业航空的快速发展，植保无人机将逐渐成为农业生产中施药环节的重要工具。仿地定高飞行控制技术是提升植保无人机作业质量和安全性的重要功能，本研究通过对现有仿地定高飞行的控制方法进行系统分析，提出了多传感器信息融合定位、人工智能场景识别定位、基于模型设计的高精度低成本定高控制等解决方案，可为植保无人机更好地实现精准作业提供参考。