基于SLAM的无人机飞行参数设定方法研究*

顾健，张荣昕，戴相龙，韩鑫，兰玉彬, 2, 3，孔凡霞

(1. 山东理工大学农业工程与食品科学学院，山东淄博，255049； 2. 山东理工大学生态无人农场研究院， 山东淄博，255000； 3. 山东理工大学国际精准农业航空应用技术研究中心，山东淄博，255000)

0 引言

中国林业种植面积位居世界前列，然而落后的林业机械化水平无法满足当下林业生产需求。提高我国林木生产机械化与自动化成为亟待解决的问题。由于林间地理环境复杂，获取高可靠度的林间作业环境，成为指导林间机械化、自动化设备作业的重要环节。多旋翼无人机高空作业[1]相对于无人车作业[2]进行林间环境数据采集，具有很大的优势，因此成为林间环境采集主要工具。目前，林间无人机激光雷达扫描技术[3-5]是实现林间作业机械化、自动化、管理精细化的关键，是实现林间精准作业中人机分离的基础。相比于传统的人工操作，该技术能够有效解决林间复杂环境采集中的人力缺乏、劳动强度大、采集数据效果差、数据拼接时间长等问题。

激光雷达是近年来发展十分迅速的主动遥感技术[6-11]，在林木垂直结构信息获取方面具有其他遥感技术无可比拟的优势。很多学者提出了基于无人机机载三维激光雷达的诸多应用，如基于无人机机载激光雷达点云数据的提取果树单木树冠信息系统[12]、使用机载激光雷达点云数据估测人工经济林单木参数[13]、使用激光雷达进行作物叶面积指数定量反演[14]等。激光雷达点云数据在农田环境障碍物检测方面也具有重要的科研与应用价值。基于欧式聚类的三维激光点云田间障碍物检测方法[15]，使用无人机搭载激光雷达扫描仪以获取机载点云，然后基于机载激光雷达点云提取树木、电力塔、电力线等飞行障碍物[16]，为无人机安全飞行提供可靠数据。

但是，近年来在激光雷达应用快速发展并呈现井喷趋势的同时，在无人机激光雷达点云数据采集过程中采用不合理的飞行参数[17]，距植株飞行低于5 m、飞行速度大于10 m/s的情况时有发生，这不仅会造成采集激光雷达点云效果差、还会浪费电池能量，降低点云数据利用率。因此植保无人机机载激光雷达的合理飞行参数的选择与应用，对行业发展有着重要意义。

由于缺少高效的点云数据质量评价方法，导致机载激光雷达作业过程中飞行参数设定困难。原始数据的点云数据质量评价方法主要包括基于航带重叠区统计特征的点云数据相对精度评价方法、点云数据密度评价方法、点云数据覆盖质量评价方法。上述评价方法，在林间实际作业过程中，无法准确全面评价林间无人机作业所需点云数据。因此，本文提出了一种基于同时定位与建图(Simultaneous Localization and Mapping，SLAM)[18-20]的林间无人机参数设定方法。使用3D LiDAR采集林间点云数据信息进行SLAM建图，使用SLAM建图轨迹与GNSS-RTK轨迹进行对比分析，根据其均方根误差，实现雷达点云数据质量的评测和无人机的最佳飞行高度与速度的设定。

针对无人机上激光雷达在林间环境运动的过程中会使点云产生运动畸变，从而影响点云匹配正确率与SLAM建图精度。本文使用SLAM算法中的LOAM算法，加强SLAM建图过程中的位姿精度，提升建图算法的效果。最终实现准确评价激光雷达林间点云数据质量，从而设定无人机最佳飞行参数。

1 林间环境建图软硬件系统

林间环境地图构建硬件系统主要包括，多旋翼无人机，嵌入式人工智能处理器，三维激光雷达，GNSS-RTK定位系统。软件环境主要包括，Linux操作系统，ROS机器人操作系统以及LOAM建图算法包。

1.1 无人机平台组成

本试验所使用无人机为多旋翼无人机，定义满足右手定则的机体坐标系{V}。如图1所示，以三维激光雷达中心为坐标原点o，x轴平行于无人机的脚架且指向左方，y轴指向无人机的正前方，z轴垂直指向正上方。

图1 植保无人机搭载激光雷达试验平台Fig. 1 Plant protection UAV equipped with lidar test platform1.3D LiDAR 2.GNSS-RTK 3.多旋翼无人机 4.Jetson AGX Xavier

多旋翼无人机主要包括，动力模块、控制模块、机身模块。动力模块包括，4块电池、8个电调、8只电机、8对螺旋桨。控制模块包括，主控器、PMU、LED 3个部分。机身模块包括，控制板、机臂、脚支架。无人机的总体性能指标如表1所示。

表1 无人机总体性能指标Tab. 1 Overall performance index of UAV

1.2 系统硬件组成

林间环境地图构建系统主要有三维激光雷达(VLP-16)、装有Ubuntu18.04操作系统的Jetson AGX Xavier嵌入式控制器。

VLP-16为一款16线机械激光雷达，安装在无人机正下方，雷达水平视场角为360°，在帧频率为5～20 Hz时水平角分辨率为0.1°～0.4°，垂直视场角为±15°，垂直角分辨率为2°，点数量高达30万点/s，最大测距为100 m，测距精度为±3 cm，供电电压为9～32 V，重量为830 g。

GNSS-RTK定位系统在固定解下的水平定位精度为±1 cm，该系统主要用于记录无人机的实时轨迹，作为参考真值。

1.3 系统软件组成

系统的软件模块框图如图2所示。

图2 软件模块框图Fig. 2 Software module block diagram

2 林间环境地图建图方法

林间环境地图构建方法主要框架由四部分组成即点云特征提取，里程计解算，雷达建图，位姿变换整合。

2.1 林间环境点云特征提取

首先，为了提高林间点云配准的效率，使用林间点云数据中提取出的特征点来代替完整林间数据帧。特征点提取通过曲率值来分类，曲率大于设定阈值为边缘点，曲率小于设定阈值的点为平面点。曲率值计算数学表达式如式(1)所示。

(1)

式中：c——曲率值；

S——为点i周围连续点的集合；

k——扫描周期；

L——雷达坐标系；

i——第k帧点云中的点，i∈pk；

同时，对所取的点也有一定的限制，该点的周围点尽量不被再取到，这样可以使整体的特征点分布更加的平均，同时该点不能与雷达扫描束过于平行，这样也会出现问题。

2.2 林间环境雷达里程计解算

图3 时间节点图Fig. 3 Time node graph

(2)

式中：dE——点到直线的距离；

j、l是k时刻点云中用来确定直线的点，i是k+1时刻点云中的点，j是i对应的匹配点，l是点j周围距离最小的特征点。

点到平面的距离数学表达式如式(3)所示。

(3)

式中：dH——点到面的距离；

i、j、m是k时刻点云中用来确定一个平面的点i是k+1时刻点云中的点，j是i对应的匹配点，l是点m周围距离最小的特征点。

当获取到dE和dH之后，需要最小化式(2)和式(3)的右边部分，得到最小化的dE和dH，这样就可以使用非线性优化的方法来进行求解了。

运动估计中会通过非线性优化的方式，获得最小距离，从而计算出最优位姿变换。

2.3 林间环境全局地图构建

由于上一步求解的是局部雷达观测坐标系下的结果，是为求解相邻帧之间的变换，也就是TL，然而为了同时定位与建图，需要求解的是全局坐标系下的变换，也就是TW。因此，当获取了若干相邻帧的姿态变换信息后，需要做的就是将其和全局地图进行匹配，并将其加入到全局地图之中。

2.4 林间环境位姿变换整合

主要是将雷达里程计解算中得到的姿态信息和地图构建中得到的信息进行位姿变换整合。并且通过rviz，方便观看和处理。

3 试验结果与分析

为验证本文提出的基于同时定位与建图的无人机林间环境飞行参数设定方法，使用采集的林间环境数据集进行仿真试验。

3.1 激光雷达数据采集试验

试验区域为130 m×10 m的大叶女贞树地块，株高6～7 m。进行正交试验，试验高度为12 m、18 m、24 m，速度为2 m/s、4 m/s、6 m/s。

林间试验布置情况如图4所示，测量地面长度130 m，设置于0 m处进行起飞，在0～15 m处作为加速缓冲带，在15 m处标记点A，A点出达到试验速度，中间15～115 m处作为速度保持区，在115 m处标记点B，开始降速，在最后的115～130 m处，作为减速区，在130 m处无人机下降，结束试验。

图4 地面测量俯视图Fig. 4 Ground survey top view

3.2 林间点云数据建图分析

在林间环境中，此处展示了部分点云图，无人机参数分别为高度12 m，速度2 m/s的数据集的点云图，如图5(a)所示；高度18 m，速度4 m/s的数据集的点云图，如图5(b)所示；高度24 m，速度6 m/s的数据集的点云图，如图5(c)所示。建图试验结果：高度越高，速度越快的点云建图漂移越大，且建图效果越差，图像模糊。其中12-2表示无人机的飞行高度为12 m，速度为2 m/s，18-4与24-6含义参照12-2。下文出现此种表达方式，参考此处。

图6为飞行轨迹与建图轨迹对比图，飞行轨迹为GNSS-RTK记录的轨迹，建图轨迹为本文使用的LOAM算法生成的轨迹图。此处展示了无人机参数分别为高度12 m，速度2 m/s的数据集的轨迹对比图，如图6(a)所示；高度18 m，速度4 m/s的数据集的轨迹对比图，如图6(b)所示；高度24 m，速度6 m/s的数据集的轨迹对比图，如图6(c)所示。

(a) 12-2点云图

(b) 18-4点云图

(c) 24-6点云图图5 激光雷达建图Fig. 5 Lidar mapping

(a) 12-2轨迹对比图

(b) 18-4轨迹对比图

(c) 24-6轨迹对比图图6 轨迹对比Fig. 6 Track comparison

3.3 林间点云建图数据分析

均方根误差(Root mean square error，RMSE)用来衡量观测值同真值之间的偏差，可以表征建图轨迹的精准度，其值越小表明林间环境雷达点云数据建图轨迹距GNSS-RTK轨迹越近，飞行参数的设定值越优。其数学表达式如式(4)所示。

(4)

式中：n——位姿数；

a——位姿点序号；

Xa——林间环境点云建图轨迹点位姿点值；

X′——GNSS-RTK轨迹位姿点值。

表2 轨迹对比结果Tab. 2 Track comparison results

图7 建图轨迹均方根误差分布Fig. 7 Mapping trajectory RMSE distribution

速度作为变量时，可以看出点云数据建图轨迹的均方根误差分别与飞行速度成正相关。说明在一定高度的情况下无人机的飞行速度对点云采集的质量有明显的影响，速度越慢，建图轨迹精度越高，与GNSS-RTK轨迹越是接近，离散程度越低，点云采集的质量越高。同时在实际运用当中飞行速度与工作面积有关，由于无人机续航问题，为满足在续航时间内完成作业，尽量地降低无人机的飞行速度，从而提高激光雷达数据采集的质量。

高度作为变量时，可以看出点云数据建图轨迹的均方根误差分别与飞行高度成正相关。说明在一定速度的情况下无人机的飞行高度对点云采集的质量有明显的影响，高度越低，建图轨迹精度越高，与GNSS-RTK轨迹越是接近，离散程度越低，点云采集的质量越高。同时在实际运用当中飞行高度与植株和障碍物的高度有关，本文试验的场景植株高度在6～7 m，为保证无人机飞行安全，并且植保无人机风场会吹动植株，导致植株晃动，会影响点云收集的质量，水平飞行时要离植株障碍物5 m左右。所以要在合理高度范围内尽量的降低无人机的飞行高度。

图8 建图轨迹均方根误差分布Fig. 8 Mapping trajectory RMSE distribution

4 结论

本文针对在林间环境中点云数据质量难以直接评价导致的无人机机载激光雷达飞行参数设定不合理的问题，提出了一种基于同时定位与建图的无人机林间环境飞行参数设定方法。对三维激光雷达所采集的林间点云数据进行建图，将建图轨迹与GNSS-RTK数据轨迹进行对比分析，评价点云数据的质量，并根据其均方根误差对无人机的最佳飞行高度与速度参数进行设定。在林间数据集环境中进行相关试验，主要结论汇总如下。

1) 飞行速度固定时，机载激光雷达飞行轨迹的均方根误差与飞行高度成正相关。高度越低林间建图轨迹精度越高，与GNSS-RTK所获得的参考轨迹越接近，且离散程度越低，林间点云采集的质量越高。

2) 飞行高度固定时，机载激光雷达飞行轨迹的均方根误差与飞行速度成正相关。速度越低，林间建图轨迹精度越高，与GNSS-RTK所获得的参考越接近且离散程度越低，林间点云采集的质量越高。

3) 根据本文试验数据、电池容量及任务需求综合考虑，林间环境数据采集无人机的最佳飞行参考参数为：平均飞行速度2 m/s，平均飞行高度12 m。此时，均方根误差可接近1.262 m。