基于机场跑道异物智能探测与清扫系统研究

姚永鑫

摘要：随着科技的发展，对于机场跑道异物的探测与清扫提出了新的需求，旨在减少机务工作强度和提高飞航安全，设计机场跑道异物智能探测与清扫系统，探索研究以机场FOD巡检机器人、远程监控平台为主要载体，通过研究多源信息融合的自主导航、高精度定位及路径规划、信息融合体系结构等关键技术。依靠视觉传感器来识别跑道异物，定位导航单元判别跑道上异物的方位，进一步告知控制执行系统，形成新的导航决策方案，完成对巡检机器人的自动导航控制。抵达异物附近时，启动清扫装置，完成异物清扫工作，减少跑道异物对飞航安全的威胁。

关键词：机场跑道 探测与清扫 信息融合 滤波算法

中图分类号：V351.11

Research on the Intelligent Detection and Cleaning System for Foreign Objects on Airport Runways

YAO Yongxin

（Shanxi Military Industry Human Resources Co.， Ltd.， Xi'an，Shaanxi Province，710000 China）

Abstract： The development of science and technology has put forward new requirements for the detection and cleaning of foreign objects on airport runways. In order to reduce the work intensity of maintenance personnel and improve flight safety， this paper explores and studies airport FOD inspection robots and remote monitoring platforms as main carriers， studies key technologies such as autonomous navigation based on multi-source information fusion， path planning based on high-precision positioning based on information fusion， and designs an intelligent detection and cleaning system for foreign objects on airport runways. This system relies on the visual sensor to identify foreign objects on the runway and the positioning and navigation unit to determine the orientation of foreign objects on the runway， and further informs the control and execution system， so as to form a new navigation decision-making plan. When the inspection robot arrives near foreign objects by automatic navigation control， it starts the cleaning device to complete the cleaning of foreign objects， so as to reduce the threat of foreign objects on the runway to flight safety.

Key Words： Airport runway; Detection and cleaning; Information fusion; Filtering algorithm

研究机场跑道异物智能探测与清扫系统，实施以机场FOD巡检机器人、远程监控平台为主要载体，开展异物智能探测清扫系统设计，减少机场跑道上的异物对飞航安全的影响，使机务人员的工作强度减少。针对机器人主动探测对通信导航的需求，开展基于北斗定位、5G通信和激光雷达传感器的组合技术实现对机器人的自主控制、信息交互与信息处理，以及基于机场跑道高精度三维重建的异物检测等技术研究，突破机器人定位导航与安全运行所要求的智能导航决策技术、多传感器的融合处理算法、高精度三维重建异物检测等关键技术，实现综合地图构建、路径规划、自主导航、异物检测等功能，以及机器人的远程控制、任务下发、自主作业等功能，对异物进行跟踪监测拍照，并进行智能分析处理后，将相关信息发送给主控系统分析处理，并将检测到的异物信息上传到指挥中心，同时发出报警提示。

1 异物智能探测与清扫系统方案设计

设计机场跑道异物智能探测与清扫系统，主要包括远程监控平台与FOD巡检机器人。FOD巡检机器人用于完成探测并清扫机场道上的异物，在探测到异物后发出异物报警与定位信息，传输到远程监控平台；远程监控平台用于完成接收和显示FOD巡检机器人发出的报警和定位信息以及控制FOD巡检机器人的运行轨迹，并且具有实时监控功能，且在远端出现异常情况下能通过近端进行遥控干预；FOD探测机器人根据识别出的FOD定位信息，自动移动到定位点，控制机械手或吸尘器对异物进行清理[1]。通过设置多个模块，实现对机器人的模块化模块化设计。该系统能够便捷地实现探测与清扫的自动化结合，确保飞行保障安全，提升机场保障水平，系统设计方案和监控平台方案如图1、图2所示。

2 系统关键技术的设计与实现

2.1 基于多源信息融合的定位导航技术

研究基于卫星、惯性测量单元和3D激光雷达的组合技术来提供高精度的机器人姿态信息和精准的位置、速度信息，不仅可以定位导航精度问题，而且可以有效提高系统的可靠性和实用性，即使在室内等通信信号丢失的情况下也能保持输出高精度的定位信息。以此实现机器人定位导航与安全运行所要求的智能导航决策，需要实现高效导航决策的前提条件包括精确的定位、高精度的地图和最优的路径规划。

使用北斗做室外绝对定位，可以使机器人不依赖周边环境，不依赖自身初始位姿和时间，直接得到地球坐标系下的坐标信息，但是传统的北斗定位精度在米级，而一般机器人行走的车道也在米级，无法保证机器人在车道上的正常行走。有效的解决方案为使用RTK提供室外全天候厘米级定位。但是缺点是RTK容易受到卫星信号丢失、恶劣天气状况、数据链传输中断等突发状况的影响，保证不了高可靠性；并且依赖的北斗信息，无法在建筑物内和高楼密集区使用：北斗RTK仅适用于开旷的区域，不适用于建筑物密集的城市中心、建筑物内的场景[2]。

激光雷达可以通过向外发射探测信号（激光束），然后将反射回来的信号（目标回波）与发射信号进行比较，进行适当处理后，便于获取目标的相关信息，例如距离、方位、高度、速度、姿态、甚至形状等参数，从而可以对周边环境进行探测、跟踪和识别，同时还能获得信息数据形成精确的数字模型。激光雷达具有分辨率高（相比微波雷达）、抗干扰能力强、不受光线影响（白天黑夜全天候）、体积小等优点，但是在恶劣的雨雪天气下，激光雷达的测量信息误差会明显增大；在开旷的路面环境下，因为超出激光雷达的最大测距范围，是无法使用的。激光雷达适用于建筑物密集的城市中心和建筑物内的场景，不适用于开旷的室外场景。

惯性测量单元包括陀螺仪和加速度计，能够连续、高速的输出位置、方向、速度信息，不依赖外部环境，不需要任何外部信号，能在若干秒内提供精确的定位精度，北斗定位对激光雷达数据采集间隔这段时间能够提供良好的补充和验证作用。

通过对以上三种传感器的融合，可以实现定位中的优势互补、相互验证，提供一定的冗余替补性，达到更加可靠的定位导航手段。基于Kalamn滤波器的耦合理论，使用惯性测量单元（IMU）测量采集的加速度和角速度积分后，得到的位置、速度、姿态数据作为卡尔曼滤波器的传播阶段预测模型；RTK定位和激光雷达点云定位结果作为卡尔曼滤波器的测量更新依据；相应地，经过卡尔曼滤波器的递推解算会对惯性测量单元测量的加速度和角速度进行矫正，最终输出更加精确而且平滑的位置、速度、朝向数据，基本框架如下图3所示。

2.2 基于高精度定位及路径规划技术

通过研究基于GNSS、IMU和3D激光雷达的组合技术，可以提供高精度的姿态信息和可靠的位置、速度信息，从而解决基于载波相位的定位精度易受卫星信号被干扰的问题。即使在室内等卫星信号丢失的情况下，该技术也能保持定位的高精度输出，同时提高系统的完好性和可用性。方案采用多系统多频、惯性数据和点云数据的批处理算法，利用获取的高精度位置、速度信息和点云周边环境信息来校正惯性器件的误差，以提高姿态测量精度。为了提高批处理算法的效率，研究基于正向和反向滤波混合的卫星导航高精度、IMU和3D激光雷达组合定位算法[3]。

路径规划为了让车辆达到某个目标（通常讲是从A地到B地），基于某种方法选取最优（即损失最小）路径的过程。根据机器人内部存储的电子地图拓扑信息，按照最短距离与最短时间原则，实时准确地规划出一条最优路径用于车辆自动导航。在对A*算法深入理解的基础上，综合考虑必经节点、避开节点、交通规则等实际问题，构造基于最短距离与最短时间的估价函数。考虑到电子地图规模庞大，路径规划算法所需要的时间与存储空间要求苛刻，采取二叉堆排序的策略对A*算法进行优化，可改善算法运行速度。

在获取高精度电子地图和车辆自主定位信息的基础上，利用位置点匹配、曲线拟合与历史轨迹推断相结合的匹配方法，实现车辆位置与电子地图信息的精准匹配。继而采用基于二叉堆排序策略的改进算法，在考虑实时交通信息的情况下，分别给出最短距离与最短时间标准下的车辆最优路径规划方法，并实现车辆行驶路径的实时重规划。

使用先采样后选择的逻辑，遵循安全性、舒适性和人为规定等多方面原则，综合抽象出cost函数来保障规划轨迹的平滑。首先基于机器人当前时刻的位姿、速度、加速度等状态信息，与下一时刻的机器人状态进行多项式拟合，以便在时间上进行采样并生成尽可能多的初步轨迹。对于每一条轨迹，我们通过计算以下六个评测标准来确定其cost：机器人到达目的位置时的位姿偏差、偏离行使路径中心的距离、可能的碰撞概率、加速度变化率、转弯加速度变化率以及平滑度。

循环检测：挑选出当前轨迹集合中cost最低的一条轨迹，进行物理限制预测（如速度能否满足）和碰撞预测，如果不满足，则剔除该条轨迹，继续下一次循环；满足则输出该条轨迹作为规划结果，流程图如下图4所示。

RTK定位技术是基于载波相位观测值的实时动态定位技术，它能够实时地提供测点在指定坐标系中的三维定位结果，可达到厘米级精度。

2.3 基于信息融合体系结构技术

通过对传统的信息融合体系结构进行分析，通过对集中卡尔曼滤波、分散卡尔曼滤波、联邦卡尔曼滤波和分层卡尔曼滤波等多种滤波类型进行对比分析，针对智能导航终端主要是对多种异构导航传感器信息进行融合的特点，本研究计划采用改进的分散卡尔曼滤波算法。

2.3.1 采用分散卡尔曼滤波的原因

多种异构导航传感器的性能差异较大，其中影响性能的主要误差源是其系统误差，而系统误差是滤波技术无法消除的。若采用联邦卡尔曼滤波的算法，其算法主要针对随机噪声的闭环反馈、调节信息分配因子的作用是没有意义的。分散卡尔曼滤波相比较而言，具有结构简单、计算量小、易操控、且能达到与联邦滤波相同精度的目的等优点，因此采用分散卡尔曼滤波算法。

2.3.2 传统的分散卡尔曼滤波的局限性

智能导航终端涉及的导航源多，且导航源的测量信息使用方式多样，如果按照传统的分散卡尔曼滤波算法，子滤波器个数将难以计数，主滤波器的设计也较为困难，信息融合深度受到制约。所以，需要针对传统的分散卡尔曼滤波算法进行必要的改进。

2.3.3 分散卡尔曼滤波的改进方法

采用改进分散卡尔曼滤波器，摒弃传统滤波中唯“传感器”论的思想，采用以“融合子模式”为焦点的处理方法。即将原先的“每个导航传感器与惯导组合的子滤波器”修改成“每种融合子模式与惯导组合，并构成子滤波器”，这样的设计依然保留了分散滤波器较强的扩充能力，一旦需要引入新型的导航传感器时，如果已经具有了对新导航传感器测量数据进行融合定位的子模式，则导航融合动态重构功能将对该导航传感器进行支配和使用，满足对其的即插即用功能；如果分散卡尔曼滤波器中没有该新型传感器的融合定位子模式，则在现有的基础上，只需研究新的融合子模式，并增加一个子滤波器即可满足对新型导航传感器的扩展需求[4]。

改进的分散卡尔曼滤波算法通过决策管理单元来实现。在这种算法中，它将同时使用多种性能相近的融合子模式。然而，当这些融合子模式的性能差距较大时，算法只会选择精度最好的融合子模式与惯导进行组合滤波，从而避免其他性能较低的融合子模式带来的负面影响，改进的分散滤波器的结构如图5所示。

其中融合子模式包括：基于位置融合的子模式、基于速度融合子模式、基于姿态融合子模式、基于多测距融合子模式、基于测距测角子模式和多测角融合子模式等，子模式中对各种线性的、非线性的测量信息进行融合滤波处理，同时对滤波参数进行自适应调整。

3 算法优化设计

3.1 多传感器融合处理算法技术

随着定位与导航技术的迅猛发展，基于位置的服务给用户带来了越来越好的体验。然而，单一的导航源通常无法满足用户对精度的要求，同时也缺乏足够的可操作性和可靠性。多源融合导航技术将来自不同导航源的同构或异构的导航信息按照相应的融合算法进行融合，从而获得最佳的融合结果。与传统的单一导航源相比，多源融合导航可以充分利用每个导航源的优势，提供最佳的定位与导航服务。通过分析多源信息融合以及多源融合导航技术，充分利用有效的多传感器信息融合技术来整合激光雷达、视觉、毫米波雷达等多传感器信息。

3.2 滤波算法优化设计

对于线性化的测量信息，采用常规Kalman滤波进行信息处理，具有高可靠性和低计算量等优点；在无INS的情形下，充分利用-波、--滤波、IMM滤波等算法对传感器的测量信息进行滤波处理，同时提高定位信息的连续性和更新频率[5]。接下来将详细描述非线性的测量信息的滤波处理。

部分导航系统输出的测量信息是非线性的，其中的“非线性特性”可能是伴随在过程模型中或观测模型中，或者两者皆有。通常采用EKF算法进行线性化处理，但EKF只是对组合系统的非线性系统方程进行简单的线性化，会带来一定的误差，甚至造成滤波器的不稳定。而无轨迹卡尔曼滤波算法（UKF）是一种基于采样点的非线性滤波算法，它直接使用非线性系统模型，不必进行线性化，且具有和EKF方法相同的算法结构。

UKF是一种通过采样策略逼近非线性系统分布的滤波算法。UKF以无轨迹变换为核心思想，无轨迹变换方法认为状态的概率密度分布，可以通过能完全表述密度函数的均值和方差的有限个样本来描述，通过直接使用状态和测量方程来映射这些点，求得更新的均值和方差。在此基础上，UKF采用线性卡尔曼滤波框架，其采样形式为确定性采样。UKF的采样点通常称为Sigma点，由于采样个数较少，具体采样数则根据所选择的采样策略而定，因此最常用的是2n+1个Sigma点对称采样。

UKF算法传递非线性的函数关系是通过计算UT变换所产生的采样点来进行传递，避免了误差模型线性化，但是也增大了计算量的负担。针对UKF计算量大的缺陷，利用超球体的采样策略，可以减少采样点的数量，降低计算量，解决系统所带来的滤波精度下降问题[6]。改进后的UKF算法如图6所示，采用了单形采样的UT变换方法来实现UKF滤波的时间更新和测量数据更新过程。

对于n维状态量，传统的对称分布采样需要2n+1个采样点来实现UT变换。然而，当系统的维度较高时，计算量会增加。因此，为了提高计算效率，需要在保证滤波性能的前提下减少采样点的个数。与对称分布采样的Sigma点UT变换相比，超球体单形采样只需要n+2个Sigma点，从而明显减少了计算量。

4 结论

综上所述，机场跑道异物智能探测与清扫系统集成了多种设备和技术，如激光雷达、GNSS定位系统、惯性导航定位系统、摄像头、毫米波雷达和清扫装置等。在环境感知层由多种传感器组合感知周边环境状况，北斗模块和IMU模块主要获取高精度位姿信息，确定机器人当前所处位置和姿态，毫米波雷达检测周围动静态障碍物，之后融合激光雷达数据进行三维场景重建生成栅格地图，为下一步自主决策提供数据基础。在自主决策层主要根据环境感知阶段生成的栅格地图，结合一些驾驶任务路网，通过路径规划算法完成自动导航决策；与此同时，视觉传感器可以用来识别跑道异物，判别跑道上异物的方位，进一步告知控制执行系统，形成新的导航决策方案，完成对机器人的自动导航控制。抵达异物附近时，启动清扫装置，完成异物清扫工作。

参考文献

[1] 许嘉豪.机场跑道异物检测系统设计[D].西安：西安工业大学，2023.

[2] 兰庭信，蒋进，尚帅等.机场跑道异物检测与定位技术研究[J].电光与控制，2021，28（9）：75-79.

[3] 汤双霞.一种毫米波雷达机场跑道异物检测算法[J].激光与红外，2022，52（6）：820-826.

[4] 于晨.基于深度学习的机场跑道异物检测与识别技术研究[D].北京：北京工业大学，2019.

[5] 李沙，李春娟.机场跑道异物检测系统设计与算法研究[J].现代雷达，2021，43（6）：80-85.

[6] 党国龙.机场跑道异物检测与识别的相关算法研究[D].南京：南京航空航天大学，2018.