一种基于差分气压计的无人机精准降落方法与流程

1.本技术属于无人机技术领域，具体涉及一种基于差分气压计的无人机精准降落方法。


背景技术：

2.目前小型无人机在自主降落时，通常采用单点卫星导航或者差分卫星导航的方式来引导固定翼降落，但是两种导航方式均存在不足之处。采用单点卫星导航的方式时，无人机降落时会有一定的高度误差，此时会导致无人机的重着陆或者是无人机提前熄火。采用差分卫星导航的方式时，则会增加整体设备的成本，同时在卫星导航受到干扰时，存在无法正常降落的问题。


技术实现要素：

3.本技术实施例通过提供一种基于差分气压计的无人机精准降落方法，解决了现有技术中采用单点卫星导航的方式降落时存在高度误差较大的问题。
4.为了实现上述目的，本发明实施例提供了一种基于差分气压计的无人机精准降落方法，包括以下步骤：步骤一，启动地面基站设备和无人机，地面基站设备以第一频率采集设定时长的气压数据；并将得到的多个所述气压数据通过卡尔曼滤波算法计算出基准值；步骤二，地面基站设备以第二频率采集原始气压数据，将原始气压数据和基准值作差值处理，得到实时差值；步骤三，地面基站设备将实时差值通过无线数据传输系统发送至无人机，无人机将其采集的实时气压值和实时差值作差值处理，得到无人机的实时海拔高度值h；步骤四，无人机通过实时海拔高度值h指导无人机自主降落。
5.在一种可能的实现方式中，将多个所述气压数据记为，n为气压数据的时刻序号；重复下面的计算步骤直至计算出基准值；计算k时刻的气压预测值；其中，1≤k≤n，为系统状态系数矩阵；为控制矩阵；控制向量；
计算k时刻的系统估计协方差；其中，为系统状态系数矩阵的转置矩阵；是系统状态估计过程的噪声分布的方差；计算k时刻的卡尔曼增益矩阵；其中，为空间转换系数，为空间转换系数的转置矩阵；为测量的不确定度；计算k时刻最优估计值，其中，k时刻最优估计值为k 1时刻的气压预测值；为k时刻的气压数据；计算最优系统估计协方差；其中，k时刻最优系统估计协方差为k 1时刻的系统估计协方差。
6.在一种可能的实现方式中，步骤一中，启动地面基站设备和无人机的时间差小于10min。
7.在一种可能的实现方式中，第一频率为5hz，设定时长为60s，第二频率为1hz。
8.在一种可能的实现方式中，为；为0；为0；为；为0.00012；为；为0.12。
9.本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本发明实施例提供了一种基于差分气压计的无人机精准降落方法，无人机根据地面基站设备传出的实时差值与无人机采集的实时气压值进行差值融合计算后，无人机的海拔高度变化差值会缩小到1米以内，因此无人机在降落时可以通过修正后的实时海拔高度值来控制飞机准确着地。本发明采用的气压计是测量地球自然环境的传感器，不受到外界电磁环境的干扰，具备良好的独立性，该方法在较小增加系统成本的前提下，能够大幅增加整个飞行器的降落精准度；通过低成本的气压计帮助无人机实现较为精准的指定高度的降落，该方法解决了现有技术中采用单点卫星导航的方式降落时存在高度误差较大的问题，以及采用差分卫星导航的方式降落时，存在整体设备的成本高、以及容易被干扰的问题。
附图说明
10.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
11.图1为本发明实施例提供的基于差分气压计的无人机精准降落方法的流程图。
具体实施方式
12.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
13.在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
14.如图1所示，本发明实施例提供的基于差分气压计的无人机精准降落方法，包括以下步骤：步骤一，启动地面基站设备和无人机，地面基站设备以第一频率采集设定时长的气压数据。并将得到的多个所述气压数据通过卡尔曼滤波算法计算出基准值。
15.步骤二，地面基站设备以第二频率采集原始气压数据，将原始气压数据和基准值作差值处理，得到实时差值。
16.步骤三，地面基站设备将实时差值通过无线数据传输系统发送至无人机，无人机将其采集的实时气压值和实时差值作差值处理，得到无人机的实时海拔高度值h。
17.步骤四，无人机通过实时海拔高度值h指导无人机自主降落。
18.需要说明的是，无人机和地面基站设备都各自装有高精度气压计测量设备。
19.在同一个大气环境下，即以地面基站设备为中心，半径为1km的圆形区域，多组气压计的数据随时间变化而受到的环境影响相似。因此，当基站初始化时计算出气压基准值，后续周期性采集到的原始气压数据和基准值的差值可以看作为气压计在受到外界环境因素影响下所带来的偏移值，也即实时差值，把实时差值传递给同一大气环境下的无人机。无人机本身的气压计随着时间的变化，气压计（气压传感器）的数据会发生变化，根据测算，在25℃的环境下，时间变化1小时，气压计测得的海拔高度和启动时相比会发生6-10米的变化，但是无人机再根据地面基站设备传出的实时差值与无人机采集的实
时气压值进行差值融合计算后，无人机的海拔高度变化差值会缩小到1米以内。因此无人机在降落时可以通过修正后的实时海拔高度值来控制飞机准确着地。本发明采用的气压计是测量地球自然环境的传感器，不受到外界电磁环境的干扰，具备良好的独立性，该方法在较小增加系统成本的前提下，能够大幅增加整个飞行器的降落精准度。通过低成本的气压计帮助无人机实现较为精准的指定高度的降落，该方法解决了现有技术中采用单点卫星导航的方式降落时存在高度误差较大的问题，以及采用差分卫星导航的方式降落时，存在整体设备的成本高、以及容易被干扰的问题。
20.本实施例中，将多个所述气压数据记为，n为气压数据的时刻序号。
21.k的初始值为1，重复下面的计算步骤直至k=n，进而计算出基准值。
22.计算k时刻的气压预测值。其中，1≤k≤n，为系统状态系数矩阵。为k-1时刻的气压最优估计值。为控制矩阵。控制向量。
23.计算k时刻的系统估计协方差。其中，为k-1时刻的系统估计协方差。为系统状态系数矩阵的转置矩阵。是系统状态估计过程的噪声分布的方差。
24.计算k时刻的卡尔曼增益矩阵。其中，为空间转换系数，为空间转换系数的转置矩阵。为测量的不确定度。
25.计算k时刻最优估计值，其中，为k时刻的气压数据。k时刻最优估计值为k 1时刻的气压预测值。
26.计算最优系统估计协方差。其中，k时刻最优系统估计协方差为k 1时刻的系统估计协方差。
27.需要说明的是，在2≤k≤n的迭代过程中，公式一中的值是前一时刻公式四的结果值即最优估计值；高精度气压计测量设备采集的气压数据测量误差为σ，σ可从传感器数据手册获知。
28.由于分析对象是气压传感器，且采集数据的间隔差很小，所以认为系统状态系数
矩阵矩阵的值为[1]，即k-1时刻与k时刻的数据值未发生变化。
[0029]
为外界输入的控制矩阵，气压传感器作为测量对象来说，不受外部控制机制的影响，所以值为0。
[0030]
控制向量同一样未受外部控制机制影响。
[0031]
作为系统（气压传感器）的噪声分布方差，根据传感器手册中的传感器特性和经验获得。
[0032]
公式前后的计算变量为同一物理量，所以不需要变换，故值为[1]。
[0033]
测量不准确度，根据气压传感器手册中的特性章节得到。
[0034]
基准值的初始化时间较短，在短时间内的气压值数据受外界影响较小，其影响的误差σ可通过气压计手册得知。由于采样的间隔时间很短，我们认为前一时刻即k-1时刻的气压值和当前时刻即k时刻的气压值一致，k-1时刻的气压值通过气压计得到，通过公式一得到当前时刻k时刻的气压预测值，根据公式二得到气压预测值的误差值，即k时刻的系统估计协方差。同时根据气压计的读数得到当前时刻k时刻的观测值，根据公式三得到k时刻的气压预测值和k时刻的观测值增益权重，即k时刻的卡尔曼增益矩阵，代表气压预测值和观测值之间的权重值，权重值的大小影响公式四的结果值，值越小，公式四的最有估计值越偏向于预测值，反之越大，公式四的最有估计值越偏向于观测值。公式四和公式五用于计算k时刻最优估计值和最优系统估计协方差，其中最优估计值即是要使用的基准值，而最优系统估计协方差则是用于下一时刻即k 1时刻的系统估计协方差。
[0035]
具体计算时，首先计算k=1，初始时刻和均认为是，即初始时刻。代入公式一中可得。此处k=1，故。由于周期采样间隔很短，
故认为气压计原始数据未发生波动，所以被认为是为k-1时刻的预测值，因为本次迭代是初始0时刻，故认为为控制矩阵，当前系统中为0，为0。所以本系统内公式一的计算可以简化为：。
[0036]
把公式一中的和初始时刻的代入公式二中可得。
[0037]
此处k=1，故为k-1时刻的系统估计协方差，初始状态值为表示系统估计不确定度的偏差，通过实验经验可得值为0.00012。
[0038]
把公式二中求取的带入公式三中可得。
[0039]
当越大，则代表测量值的权重越大，反之则代表预测值的权重越大，此处k=1，故为空间转换系数，用于把系统的物理状态转换到跟测量设备（气压计）一样的空间，方便在同一维度下比较，此处为与噪声和精度有关，根据传感器手册中σ和经验可知。
[0040]
通过公式一所得、公式三所得和测量值带入到公式四中可得。k=1，故为。
[0041]
更新最优系统估计协方差，带入和到公式五中可得。
[0042]
其中为k时刻最优系统估计协方差，此处k=1，故。
[0043]
需要注意，在2≤k≤n的迭代过程中，公式一中的值是前一时刻公式四的结果值即最优估计值；重复上述步骤直到最后一个带入后可得，即为初始60s时刻的地面基站气压基准值。
[0044]
本实施例中，步骤一中，启动地面基站设备和固定翼无人机的时间差小于10min。
[0045]
需要说明的是，地面基站和无人机设备均有气压传感器，当两者在较短的间隔时间内启动时，二者的初始化气压数据可以认为是受到同样环境影响得到的，二者之间的误差通过计算处理可以忽略，但如果二者启动间隔时间较长，则先启动的设备受到环境影响更大，此误差无法忽略，会影响无人机输出的高度值。
[0046]
本实施例中，第一频率为5hz，设定时长为60s，第二频率为1hz。
[0047]
需要说明的是，气压传感器的高度固定，即其高度不发生变化时，气压传感器采集的数据对于外界（例如气温）的影响所发生的变化较为缓慢。在5hz采样间隔时间下，上述公式一中的系统状态系数矩阵可近似为[1]。60s的迭代时长则是通过实际实验得到。初始化完成后，以1hz为周期采样则是根据气压传感器数值变化特性制定的。
[0048]
本实施例中，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。