基于引导滤波的巡检无人机自主循迹自动控制

张贵勇，孙 强，彭 程，易 立

（1.国能寿光发电有限责任公司，潍坊 262700；2.北京电科智擎科技有限公司，北京 100000）

无人机作为一种由遥控器或编程软件实现控制的小型飞行设备，具有高稳定性、高效作业、高精度悬停等诸多优势[1]。随着人工智能、物联网等先进技术的崛起与融合，无人机已成为军事、电力、紧急救援等行业中的主要辅助设施，可代替人工完成搜索、巡检、搜救等高危、高强度工作[2-3]。在工业生产中，机械呈自动化发展，效率与安全需求也日益增加。无人机具备超强的三维空间运动能力，因其不受巡检场景的限制，在非接触式机械巡检任务中的作用越来越大，并受到使用企业、检验检测部门、无人机设计与制造业等多个相关方的高度重视，期望其能为加快设备检验工作的完成效率与安全性做出贡献[4]。

为此，机械领域的众多学者纷纷展开研究，以提高无人机的巡检质量。文献[5]为降低大型起重机金属结构的检测难度，提高自动化水平，针对多旋翼无人机开发了自动驾驶智能巡检系统，该系统基于全球定位系统与全球卫星导航系统的双系统精密定位技术，提出飞机打点与航迹飞行融合的自动巡检方式；文献[6]为加强无人机在井下狭窄、昏暗且没有全球定位系统的特殊环境中的适应能力，采用了激光即时定位与地图构建算法，设计出具有定位和避障功能的系统；文献[7]为解决无人机热红外图像因受机械制造环境影响而导致的尺度转换精度过低问题，将预处理后的图像光谱指数输入BP神经网络，完成热红外图像空间分辨率的降尺度处理，从而得到高分辨率温度图像。

巡检无人机涉及多种技术，尽管现有文献已从航迹规划、智能控制等不同角度提升了巡检质量，但仍存在较多待优化提升的地方。目前，无人机在进行视觉跟踪时容易受到风力影响而产生偏航，并且只能机械地按照预定计划飞行，无法检测环境变化并调整计划。因此，本文结合引导滤波提出一种自主循迹自动控制方法。

1 引导滤波的无人机采集图像处理

无人机的视觉传感器会导致图像中存在大量噪声，并放大这些噪声，从而导致图像失真。为解决这个问题，充分发挥引导滤波的保边去噪优势[8]，设计一种处理方法，3 个处理阶段如下文所述。

（1）色彩空间转换。将图像的色彩空间从RGB（red，green，blue，红-绿-蓝）转化为HSV（hue，saturation，value，色调-饱和度-亮度），防止RGB 空间造成色彩失真[9]。

（2）滤波分层。利用引导滤波进行分层处理，已知图像f 为待实施滤波处理图像，引导图为D，则滤波输出图像fb如下所示，即图像基础层：

式中：ak、bk分别表示像素索引为k 的局部线性函数因子。

若HSV 空间内V 通道的像素数据是fV，则细节层由下式得到：

对于归一化后的输入图像f′，利用下列针对图像局部信息的自适应伽马校正算法[10]，取得基础层亮度增强后的图像fb_g：

式中：α（x，y）表示各像素的伽马校正因子。

关于细节层，通过sigmoid 函数的非线性变换实施拉伸处理，增加视觉强烈感。为尽可能多地留下有用信息，利用下列公式在［-β，β］范围内完成细节层图像的线性映射：

引入sigmoid 函数，逐步实施非线性变换与线性变换，得到基于初始映射范围的细节层图像，如下所示：

（3）加权融合。对于经过亮度增强的基础层与非线性拉伸处理的细节层，通过下列公式进行加权融合，得到增强后的V 通道像素。将融合后的图像色彩空间转化回RGB 中，输出的结果即为引导滤波处理后的高质量无人机视觉图像fg（x，y）：

式中：η（x，y）表示加权因子。

2 巡检无人机自主循迹自动控制器设计

2.1 航迹点检测

以所得的无人机视觉图像为基础，利用拉普拉斯算子与Harris 算子检测航迹点。在巡检机械设备的场景中，将无人机待跟踪的航迹点抽象地看成一条结构化路径。利用拉普拉斯算子与Harris 算子，检测航迹的边界与角点，为自主循迹提供可靠依据。

作为二阶微分算子，拉普拉斯算子具有微分特征[11]，故边界点即像素点二阶微分值是0 的点。假设经引导滤波处理后的图像是fg（x，y），则该图像拉普拉斯算子二阶导数的计算公式如下：

根据拉普拉斯算子的二次微分正负峰间的过零点明确航迹边界后，通过下列方程，加大灰度突变部分与平缓部分的反差，实现图像锐化，提高模糊图像的清晰度：

Harris 算子作为局部信号的自相关函数，能有效地检测出由信号位移产生的所有细微变化[12]。利用下列方程组求取图像的二维方向梯度：

两两相乘各方向梯度，得到：

加权处理所得乘积结果，获取窗口自相关矩阵C（x，y）：

利用下式计算出矩阵C（x，y）的行列式值HLC（x，y）与迹值JZC（x，y）：

航迹点检测结果如下所示：

式中：k 表示经验因子。

2.2 自主循迹自动控制

以航迹点为循迹目标，利用外环方位控制器和内环姿势控制器实现无人机自主循迹的自动控制。以航迹点作为循迹目标，并以其与无人机的方位与姿势偏差为飞行轨迹的调整依据，基于经典的PID算法[13]设计出自动控制器。经方位与姿势的双环控制，实现无人机自主循迹的自动控制，各组成部分具体描述如下：

（1）自主循迹策略。根据航迹路径边界与角点的检测结果，基于carrot-chasing 路径追踪算法，构建自主循迹方法，让无人机能够在固定高度上自主循迹飞行。若无人机投射点与起飞点的间距是L，视线角与航向角分别是θ、ψ，则自主循迹的目标条件为高度固定、速度固定。以起飞点为中心，在待追踪的航迹路径AB 上设立虚拟目标点，令其与无人机在路径上的横向投射点之间的距离是δ，则起飞点-虚拟目标点连线与水平方向的夹角即为180°减去横向距离L 到起飞点-虚拟目标点连线的夹角。横向距离与起飞点-虚拟目标点连线的夹角γ 为

式中：l 为起飞点与虚拟目标点的连线长度。

（2）外环方位控制器。已知无人机与航迹路径的偏移量Δe，无人机的当前速度v 与当前方位（x，y，z），期望速度vq与期望方位（xq，yq，zq），构建出下列方位控制器的定义式：

式中：Kp、Ki、Kd分别表示PID 控制算法的比例、积分、微分参数。

（3）内环姿势控制器。已知无人机当前姿势角（即俯仰角、横滚角、偏航角）分别是φ、λ、ω，则姿势控制器的定义式为

式中：φq、λq、ωq表示各姿势的期望角度；Δε 表示姿势偏差。

（4）控制量计算。假设比例、积分、微分各参数的偏差项分别是，则控制量为

式中：E 表示参数偏差系数；T 表示控制周期。

将控制量传输至无人机，控制电机转速来自动控制自主循迹路线。

3 巡检无人机自主循迹自动控制效果检测

3.1 实验准备阶段

在露天且空旷的地面上用定点的形式布设包含7 个航迹点的巡检轨迹。选用经纬M30T 型号的大疆自动巡检无人机，其参数为飞行器尺寸470×585×215 mm（L×W×H）（展开，不包含桨叶），365×215×195 mm（L×W×H）（折叠）；重量3770±10 g（含2块电池）；工作频率5.725～5.850 GHz。经过调试，测试所建系统的自动控制性能与效果。除相机镜头焦圈视野和电池续航能力都设置为最高标准外，调试后的巡检无人机的其他技术参数如表1 所示。

表1 调试后无人机参数Tab.1 Drone parameters after debugging

3.2 自主循迹轨迹分析

巡检无人机自主循迹所形成的飞行轨迹如图1所示。从与理想飞行轨迹的对比结果可以清晰地看出，在风力和漂浮物等外界环境的干扰下，尽管所提方法在控制无人机转弯时会降低飞行速度、改变飞行高度来实现自主循迹，使得所形成的循迹轨迹中的弯曲路径无法与理想路径完全重合，但整体上依旧具有较高的拟合程度，其有效性相对显著。

图1 自主循迹轨迹示意图Fig.1 Schematic diagram of autonomous tracking trajectory

为进一步探讨所提方法对巡检无人机位置的自动控制精度能否满足高精度的巡检需求，获取循迹轨迹与理想轨迹在3 个方向上位于航迹点处的距离偏差，如图2 所示。由此可见，各方向上的循迹偏差均值分别是0.36 m、0.15 m、0.18 m；X 方向和Z方向上的循迹偏差最大值不超过1 m，而Y 方向上始终小于0.5 m；除起飞点和降落点外，最小循迹偏差发生在Z 方向上，仅有0.13 m。所提方法通过引导滤波技术，使输出图像的梯度信息等同于输入图像，为自动控制提供了较高质量的图像依据。在自主循迹策略和控制量计算结果的支持下，极大程度地减小了误差的波动范围，使无人机实现了预期的自主循迹效果。

图2 不同方向上的位置偏差示意图Fig.2 Schematic diagram of position deviation in different directions

3.3 自动控制角度与角速度分析

该实验环节从横滚角、俯仰角、偏航角的偏差及对应角速度偏差等方面，测试所提方法对无人机姿态的自动控制性能，以加强检验结果的可信度。位于航迹点处循迹轨迹各指标与理想轨迹的偏差结果如图3 所示。由此可见，各姿态角度偏差的波动范围分别是-0.4°～+2.7°、-2.25°～+2.3°、-0.54°～+0.83°，对应角速度的平均偏差分别是2.01°/s、1.62°/s、0.58°/s。所提方法通过去噪处理较好地保留了边缘细节，并根据精准检测到的循迹目标，通过自主循迹策略和双环控制器，在最大程度上抵消了外界风力的干扰，从而准确地完成了巡检无人机的姿态控制，有效地将不同姿态的角度及角速度偏差稳定控制在实际工程允许的范围内。

图3 不同姿态偏差示意图Fig.3 Schematic diagram of different attitude deviations

4 结语

无人机凭借遥控站的远距离操控特点，从根本上解决了航空安全问题。飞行控制技术作为无人机的核心，对飞行轨迹和姿态有着决定性的作用。随着通信、控制等技术的迅猛发展，无人机控制技术受到了高度重视。特别是在工业机械化的推动下，无人机在大中型机械设备的巡检任务中占据主导地位，为设施安全管理提供了有效助力。为进一步提高无人机的巡检工作质量，提出自主循迹自动控制方法，并通过实验验证了该方法的有效性。在未来的研究过程中需要对障碍物感知与自主规避功能、基于恒定和复杂风干扰免疫功能的风干扰模型等方向展开深入探讨，加强控制器控制律的鲁棒性，从而全面提升无人机的控制性能和水平，使其能适用于更多的行业领域。