前言 上一篇中围绕一个简单的扩展卡尔曼滤波算法的实现案例阐述。本篇主要针对两种不同的导航系统进行展开讨论——松组合与紧组合导航系统。 捷联惯导系统(SINS)利用陀螺仪、加速度计等惯性器件进行目标的位置、速度估计,其缺点是误差随时间累积。全球定位系统(GPS)定位和测速精度较高,然而其信号有可能中断或受干扰,造成短时间无法正常使用的情况,因此,将SINS与GPS进行优势互补,即组成组合导航系统。
前言 上一篇围绕卡尔曼滤波算法的参数选取问题展开,针对非线性对象的状态估计问题,阐述扩展卡尔曼滤波(EKF)与卡尔曼滤波的区别以及扩展卡尔曼滤波算法的核心步骤。本篇将结合实际案例进行详解,同时,提供一种扩展卡尔曼滤波算法的C++代码实现方案。 扩展卡尔曼滤波实例 这里以无人驾驶的测量障碍物的实际案例为例子展开,如下图所示,毫米波雷达能够测量障碍物在极坐标下离雷达的距离 、方向角 以及距离的变化
前言 有人说控制是一门玄学,有时候,通过修改一个参数就能大幅提高控制性能,有时候又死活调不出理想的效果;也有人说控制是一门艺术,它的实现机理充斥着数学之美。它是一门将理论与工程完美结合的学科。 本专题将从零开始,带着各位读者,理一理无人机控制系统的那些事。 控制的本质是对信号的操纵,即在理解信号特性的基础上,对其进行一定的改造,使其达到人为设定的目标。这个目标可能是某种特定的数值,也可能是一定的数
前言 前几篇中介绍了几种路径搜索算法,其中既有基于图搜索的路径搜索算法(如A*),也有基于采样的路径搜索算法(如RRT、RRT*)。通过路径搜索算法,我们能够得到一条可通行的路径,然而,对于这条路径中的路标点(Waypoint)之间的路径往往是不符合机器人(无人机\无人车)动力学模型的。 因此,对于每一个路标点(Waypoint)之间的连接路径,我们需要进行进一步的优化,从而得到
前言 上一篇介绍了快速搜索随机树(RRT)算法的原理,这是一种基于采样的路径规划算法,在地图尺寸较大时,其效率将显著的优于基于图搜索的路径规划算法(如A*)。 然而,RRT也有其局限性,如: 狭窄通道情况下的搜索效率急剧下降 搜索得到的路径不是全局最优的 本篇将针对RRT算法应用时出现的几个问题展开讨论,并阐述几种RRT算法的改进型。 快速获取搜索树中的相邻节点
前言 在环境感知与规划专题(一)——A*算法入门一文中阐述了广泛应用于机器人路径搜索问题的求解算法——A*,它是一种基于图搜索的路径规划算法。而主流的路径规划算法分为基于图搜索的路径规划算法与基于采样的路径规划算法。 本文将阐述一种基于采样的路径规划算法——快速搜索随机树(RRT)。 快速搜索随机树(RRT) 快速搜索随机树(RRT)算法从起始点开始,在地图上进行随机采样
前言 上篇中介绍了基于稀疏点云传感器的常用避障规划算法,由于实际工程中受限于不同产品的技术成熟度、成本的因素的原因,不得不采用低成本的单点测距传感器进行避障。然而,避障作为无人机自动飞行必不可少的功能,设计一个健壮的避障规划器显得尤为重要。 本篇将针对单点测距传感器(如「超声波、红外、部分毫米波雷达等」)的避障规划算法进行详解。 基于单点测距传感器的避障规划算法 由于单点测距传感器
前言 上一篇详细介绍了模型预测控制的算法原理,以及其在多旋翼无人机运动规划中的应用。 本篇将针对配备稀疏点云传感器(如红外、超声波、毫米波雷达、激光雷达等 )的无人机避障问题(本文中的无人机代指多旋翼无人机 )展开详细的讨论。 无人机的避障问题 在前几篇文章中,我们介绍了运动规划问题的常规解法: 前端路径搜索算法+后端轨迹优化 。 而对于无人机这样一个具体的研究对象
前言 上一篇中简述了模型预测控制在多旋翼飞行器运动规划中的应用。 本篇将针对采用线性MPC的多旋翼飞行器的运动规划方案进行详细推导。 系统模型的离散化 对于多旋翼飞行器这类三阶积分器模型,我们可以很容易得到其连续时间系统模型: 对其离散化,可得离散时间系统模型: 在得到离散时间系统模型之后,我们将其进行参数化,得到预测模型: 预测模型参数的计算 在
前言 上一章介绍了一种高效、实时的运动规划算法——JerkLimitedTrajectory(JLT)。 在给定起始状态与终止状态后,该算法能够快速地计算出一条符合三阶积分器动力学模型的运动轨迹。其适用于类似多旋翼无人机的对象,能够解决一般的运动规划问题。 然而,其存在一定的局限性,如: 轨迹平滑度与MAX_JERK之间存在不可调和的矛盾。即很难找到一组参数,使得生成的 轨迹既平
A*算法作为路径规划算法中应用最广泛实用的算法,由于A*算法的算法原理较为简单,网络上能够找到各种各样的学习资料,本文仅对其实现过程进行总结,同时,附上matlab仿真源码及结果图供参考学习。 算法实现过程 A*算法作为一种启发式的寻路算法被广泛应用于解决游戏中以及机器人、无人车、无人机的路径规划问题。该算法的步骤为: 1. 把起始节点添加到openList; 2. 重复如下步骤:
前言 前一篇中对自抗扰控制算法的原理及扩张状态观测器的参数整定问题进行了详解。同时,提出了一种基于自抗扰控制算法的多旋翼飞行器控制系统设计方案。 在系统辨识专题中,我们提到了控制效率方程的作用及重要性。 遥远的乌托邦:多旋翼无人机开发技术储备系列—系统辨识专题(二)——多旋翼飞行器建模zhuanlan.zhihu.com
一. 前言 上一篇文章中,我们对多旋翼飞行器进行了详细的建模,对其刚体动力学模型、刚体运动学模型以及控制效率模型进行了详细的介绍,了解建模对于多旋翼飞行器控制系统设计的重要性,建模以及系统辨识技术在多旋翼飞行器设计中起到的作用。 本篇将基于上一篇中多旋翼飞行器的建模结果,围绕两种主流的参数辨识方法——白盒辨识法与黑盒辨识法进行展开。同时,针对多旋翼飞行器模型中关键的几个参数进行辨识。
一. 前言 上一篇中详细阐述了MATLAB系统辨识工具箱的使用实例,本篇将以多旋翼飞行器为研究对象,详细阐述其刚体动力学模型、飞行控制刚体模型以及控制效率模型。最后,针对多旋翼飞行器控制系统设计当中的主要系统辨识问题进行解析。 二. 多旋翼飞行器建模结构解析 在进行多旋翼飞行器建模之前,我们需要了解与多旋翼飞行器系统设计息息相关的主要几大模型: 动力系统模型 动力系统模型,
一. 前言 上篇中详细阐述了经典的自抗扰控制算法的原理,本篇将围绕两种ADRC算法展开,针对扩张状态观测器的参数整定问题进行详解,同时,对跟踪微分器的几个重要应用进行介绍。 二. 两种典型的ADRC算法 自抗扰控制算法的核心,在于通过扩张状态观测器动态观测系统的“总扰动”,在补偿系统后,将其简化为积分器串联系统,由此,扩
一. 前言 上篇中详细阐述了几种经典的PID控制算法及其存在的问题以及改进思路了,本篇将围绕韩京清教授开创的自抗扰控制算法进行阐述,该算法为工业控制领域带来了一项可操性极强的自动控制技术。 二. ADRC的算法原理 现代控制理论虽然提出了许多性能卓越的控制算法与设计方法以及分析工具,然而,现代控制理论所设计的控制器往往高
一. 前言 PID控制算法是工业控制领域数十年来应用最广泛的经典控制算法之一,其理论原理易于理解,算法结构简单,易于工程实现,这也是其受到工程师们青睐的重要原因。 尽管算法原理简单,其参数整定难度却因被控对象而异,不同工程师对同一被控对象整定出的PID参数也各不相同。这对PID控制算法的理解以及工程经验提出了很高的要求。本篇将从PID控制算法展开,针对PID控制算法
前言 上一篇中围绕一个简单的匀速直线运动的状态估计仿真实例展开,阐述了卡尔曼滤波器的实现方式、过程以及仿真效果。本篇将对卡尔曼滤波的几个主要参数的选取作一定的说明,同时,围绕扩展卡尔曼滤波算法展开,阐述其与卡尔曼滤波器的区别与作用。 卡尔曼滤波的参数选取问题 这里还是以上篇中提到的匀速运动仿真实例为案例。 阵为过程噪声矩阵,描述了我们所建立的状态方程的不确定度。例如,仅管我
前言 扩展卡尔曼滤波(EKF)是多旋翼飞行器导航系统设计中,最常用的最优估计算法之一。其原理是在卡尔曼滤波的基础上,对非线性模型进行线性化,再进行最优估计,因此,其核心算法原理与卡尔曼滤波算法相似。本篇将围绕卡尔曼滤波展开 ,阐述其核心五大公式,同时,以一个简单的线性问题的MATLAB仿真实例,展示如何搭建一个完整的卡尔曼滤波器。 卡尔曼滤波算法实现 卡尔曼滤波算法的公式推导有很多,本
前言 上一篇中详细阐述了多旋翼飞行器导航系统中使用的主要传感器及其特性,本篇将着重介绍导航系统设计中常用的两种算法——互补滤波算法与卡尔曼滤波算法。同时,阐述一种多旋翼飞行器导航系统的设计方案。 互补滤波算法简介 互补滤波器的主要原理是把一个主要包含高频噪声,和一个主要包含低频噪声的信号分别通过一个低通滤波器和高通滤波器,并做平均,从而使平均后的结果是真实信号较为准确的估计。简单的讲,就是将两
前言 导航系统作为无人机的感知单元,承担着无人机状态参量测量与估计的重任。对于多旋翼无人机而言,其姿态、加速度、速度、位置以及各传感器的零偏与补偿系数均需要被测量或估计。这些众多参量之中只有极少一部分能够被直接或间接测量,大多数参数需要我们采用多个传感器组合的方式,结合最优估计算法进行估计,最终,才能够得到理想的状态参量。 导航系统综述 近年来,随着智能手机的普及,MEMS技术日趋成熟
前言 上一篇中详细阐述了概率论的几个基本定理——概率密度函数、贝叶斯公式及推断、矩以及归一化积。 本篇将在上一篇的基础上,围绕高斯随机过程展开,详细讨论高斯概率密度函数的定义及相关性质。 高斯概率密度函数 首先,我们先来看一下一维情况下的高斯概率密度函数: 其中,μ为均值,为方差,σ为标准差。 下面我们扩展到多维变量的情况。当随机变量,多维变量的高斯分布服从,其概率密度函数可写为
前言 状态估计与控制是机器人学中两个避不开的问题,对于无人机而言亦是如此。如何在理解无人机模型的基础上,利用传感器信息,尽可能准确地估计一组完整描述它随时间运动的物理量,如位置、速度、加速度、角度、角速度等等,是状态估计领域要解决的最主要问题。 稳定、准确的状态估计是无人机稳定控制的基础。本篇将讨论状态估计与概率论之间的联系。 状态估计问题的定义 状态估计的过程是理解传感器本质的过
前言 上一篇中,我们初步了解了多旋翼无人机最常用,也是最核心的几种传感器——IMU、气压计、磁力计、GPS。基于以上几种传感器,我们能够搭建一套完整的组合导航系统,从而对无人机的姿态、速度、位置等信息进行最优估计。 然而,仅仅有以上几种传感器的无人机,相当于是一个 “瞎子”,它缺少对飞行环境的感知能力,即无法得知自身与环境的相对关系,也就无法对变化的环境做出应对策略。 为了让无人机拥有
前言 本专题将从新手的角度,逐步揭开无人机导航系统的神秘面纱。 传感器作为无人机的重要组成部分,承担了无人机系统对于环境信息以及自身状态采集的重担。大部分的导航算法都离不开对传感器原理的深入了解。 例如,针对不同的传感器应该选择使用何种数字滤波器?状态估计算法的观测方程与运动方程如何设计?估计算法的噪声如何选择等等。诸如此类问题的解决,都需要对所采用的传感器本身,或者说对传感器模型有着深入
系统辨识专题(一)——MATLAB系统辨识工具箱的使用案例 在建立多旋翼无人机系统模型的基础上,我们能够更有针对性地设计对应的控制器,为无人机系统故障诊断提供判据。本文将结合系统Matlab自带的系统辨识工具箱阐述一个简单的过程模型的完整辨识过程。 在使用系统辨识工具箱之前,我们先使用Simulink模块生成我们需要的仿真模型以及输入输出数据。 1. 如图1所示,在Matlab命令行中输入“Sim
浙江大学 · 空天信息技术 欢迎关注公众号“遥远的乌托邦
积分
粉丝
勋章
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信